کاربرد یادگیری ماشین در ارائه الگویی برای کشف تحریفات حسابداری

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه حسابداری، واحد بین الملل کیش، دانشگاه آزاد اسلامی، جزیره کیش، ایران

2 استادیار گروه حسابداری دانشگاه ازاد اسلامی واحد تهران مرکزیگروه حسابداری، واحد تهران مرکز دانشگاه آزاد اسلامی، تهران، ایران

3 گروه حسابداری، واحد تهران شرق، دانشگاه آزاد اسلامی، تهران، ایران

چکیده

یادگیری ماشینی یک رشته وسیع است که الگوریتم های یادگیری را طراحی کرده که می تواند محرک ها را هدایت کند، زبان گفتاری را تشخیص دهد و تنظیمات پنهان در رشد حجم داده را کشف کند، که داده های مالی نیز از این قاعده مستثنی نیست. بنابراین هدف از تحقیق حاضر، بررسی کاربرد یادگیری ماشین در ارائه الگویی برای کشف تحریفات با اهمیت حسابداری در شرکت های پذیرفته شده در بورس اوراق بهادار تهران است. تحلیل های آماری پژوهش، براساس داده های استخراج شده 308 شرکت پذیرفته شده در بورس اوراق بهادار تهران در بازه زمانی 1389 تا 1398(3080 سال – شرکت) انجام و به منظور نمونه گیری از روش غربالگری استفاده شد. تحریفات حسابداری متغیر وابسته که از طریق متغیر مجازی صفر و یک بدست آمده و متغیرهای اقلام تعهدی غیر اختیاری، تغییر در حسابهای دریافتنی، تغییر در موجودی کالا، دارایی های نرم، تغییر در فروش نقدی، تغییر در بازده داراییها و انتشار اوراق بهادار به عنوان متغیرهای مستقل در نظر گرفته شده و برای آزمون فرضیه ها از رگرسیون غیرخطی و به منظور پیاده‌سازی الگوریتم خوشه‌بندی Medians- K و محاسبات مربوطه از نرم افزار محاسبات اماری R استفاده شده است.

کلیدواژه‌ها

عنوان مقاله [English]

The application of machine learning model for detection of falsification of accounting

نویسندگان [English]

  • afshin hashemi golsefidi 1
  • Zahra Lashgari 2
  • Zohreh Hajiha 3
1 Department of Accounting, Kish international Branch, Islamic Azad University, Kish Island, Iran
2 Department of Accounting , Central Tehran Branch, Islamic Azad University, Tehran, Iran
3 Department of Accounting, East Tehran Branch, Islamic Azad University, Tehran, Iran
چکیده [English]

Abstract
Machine learning is a broad discipline that has designed learning algorithms that can guide stimuli, detect spoken language, and discover hidden adjustments in data volume growth, of which financial data is no exception. Therefore, the purpose of this study is to investigate the application of machine learning in providing a model for detecting accounting distortions in companies listed on the Tehran Stock Exchange. Statistical analysis of the research was performed based on the extracted data of 308 companies listed on the Tehran Stock Exchange in the period 1389 to 1398 (3080 years - company) and the screening method was used for sampling. Accounting distortions of the dependent variable obtained through the virtual variable zero and one and the variables of non-discretionary accruals, change in accounts receivable, change in inventory, soft assets, change in cash sales, change in return on assets and issuance of securities as Independent variables are considered and nonlinear regression is used to test the hypotheses and R statistical calculation software is used to implement the Medians-K clustering algorithm and related calculations.

کلیدواژه‌ها [English]

  • Machine learning
  • clustering algorithm
  • detection of accounting distortions

مراجع

  • تشدیدی. الهه، سپاسی. سحر، اعتمادی. حسین، آذر. عادل، (۱۳۹۸)، ارائه رویکردی نوین در پیش بینی و کشف تقلب صورت های مالی با استفاده از الگوریتم زنبور عسل، فصلنامه دانش حسابداری، سال 10، شماره ۳8، ص ص 139-167.
  • خواجوی. شکراله، ابراهیمی. مهرداد، (1396)، مدل‌سازی متغیرهای اثرگذار برکشف تقلب در صورت‌های مالی با استفاده از تکنیک‌های داده‌کاوی، فصلنامه حسابداری مالی، سال ۹، شماره ۳۳، ص ص 23-50.
  • رحیمیان. نظام الدین، حاجی حیدری. راضیه، (1398)،کشف تقلب با استفاده از مدل تعدیل شده بنیش و نسبت‌های مالی. پژوهش های تجربی حسابداری، سال 8، شماره 3، ص ص 47-70.
  • رضائی. مهدی، ناظمی اردکانی. مهدی، ناصر صدرآبادی. علیرضا، (1399)، کشف تقلب صورت‌های مالی با توجه به گزارش حسابرسی صورت‌های مالی، حسابداری مدیریت، سال 13، شماره 45، ص ص 141-153.
  • صفرزاده. محمد حسین، (1389)، توانایی نسبتهای مالی در کشف تقلب در گزارشگری مالی: تحلیل لاجیت، مجله دانش حسابداری، سال 1، شماره 1، ص ص 137-163.

 

  • Baber, William R, Sok-Hyon Kang, and Ying Li. 2011. "Modeling discretionary accrual reversal and the balance sheet as an earnings management constraint." The Accounting Review 86 (4):1189-1212.
  • Bayley, L., & S.L. Taylor. 2007. Identifying Earnings Overstatements: A Practical Test. Working paper.
  • Beasley, M.S., J.V. Carcello, D.R. Hermanson, and T.L. Neal. 2010. Fraudulent Financial Reporting: 1998-2007. An Analysis of US Public Companies. Committee of Sponsoring Organizations of the Treadway Commission (COSO).
  • Beneish, M., 1997, Detecting GAAP violation: Implications for assessing earnings management among firms with extreme financial performance, Journal of Accounting and Public Policy, 16(3), 271–309.
  • Beneish, M., 1999, Incentives and penalties related to earnings overstatements that violate GAAP, The Accounting Review, 74(4), 425–457.
  • Dalnial, H., Kamaluddin, A., Sanusi, Z. M., & Khairuddin, K. S. (2014). Accountability in financial reporting: detecting fraudulent firms. Procedia - Social and Behavioral Sciences, 145, 61–69.
  • DeAngelo, L.E., 1986, Accounting Numbers as Market Valuation Substitutes: A Study of Management Buyouts of Public Stockholders, The Accounting Review, 61 (3), 400-420.
  • Dechow, P.M., W. G., C.R. Larson and R.G.Sloan .2011.“Predicting Material Accounting Misstatements”, Contemporary Accounting Research, 28 (1), 17-82.
  • De Franco, Gus, Ole-Kristian Hope, and Stephannie Larocque. 2015. "Analysts’ choice of peer " Review of Accounting Studies 20 (1):82-109.
  • Erickson, M., Hanlon, M., & Maydew, E. L. 2006. Is there a link between executive equity incentives and accounting fraud? Journal of Accounting Research, (pp. 113–143).
  • Friedlan, J. M, 1994, Accounting choices of Issuers of Initial Public Offerings, Contemporary Accounting Research, Volume 11, Issue 1, pages 1–31, USA.
  • Gaganis, C. (2009). Classification techniques for the identification of falsified financial statements: a comparative analysis. Intelligent Systems in Accounting, Finance & Management, 16, 207–229.
  • Healy, P. M, 1985, The effect of bonus schemes on accounting decisions, Journal of Accounting and Economics 7 (1985), 85-107.
  • Jen Chen, Yuh, Ching Liou, Wan, Min Chen, Jyun, Han Wu(2018), “Fraud Detection For Financial Statements Of Business Groups” ,International Journal Of Accountion Information Systems” 7(15), Pp10-26.
  • Jones, K., 1991, Earnings Management during Import Relief Investigation, Journal of Accounting Research, 29 (2), 193-228.
  • Kaminski, K.A., T.S. Wetzel, and L. Guan. 2004. Can Financial Ratios Detect Fraudulent Financial Reporting? Managerial Auditing Journal 19 (1): 15-28.
  • Kanapickiene; Rasa; Grundiene; Zivile (2015). The Model of Fraud Detection in Financial Statements by Means of Financial Ratios, International Scientific Conference Economics and Manangement.
  • Kirkos, E., Spathis, Ch., & Manolopoulos, Y. (2007). Data mining techniques for the detection of fraudulent financial statements. Expert Systems with Applications, 32, 995–1003.
  • Koonce, Lisa, and Marlys Gascho Lipe. 2010. "Earnings trend and performance relative to benchmarks: How consistency influences their joint use." Journal of Accounting Research 48 (4):859-884.
  • Kotsiantis, S., Koumanakos, E., Tzelepis, D., and Tampakas, V. 2006. Forecasting Fradulent Financial Statements Using Data Mining. Procedings of World Academy of Science, Engineering and Technology, Vol.12, pp. 284-289.
  • Kothari, Sagar P, Andrew J Leone, and Charles E Wasley. 2005. "Performance matched discretionary accrual measures." Journal of Accounting and Economics 39 (1):163-197.
  • Lambsdorff, J. G. 2003. How corruption affects persistent capital flows. Economics of Governance, 4(3), 229-243.
  • Lee, Charles MC, Paul Ma, and Charles CY Wang. 2015. "Search-based peer firms: Aggregating investor perceptions through internet co-searches." Journal of Financial Economics 116 (2):410-431.
  • Lenard, M. J., & Alam, P. (2009). An historical perspective on fraud detection: from bankruptcy models to most effective indicators of fraud in recent incidents. Journal of Forensic & Investigative Accounting, 1, 1–27.
  • Lin, C-H., A-A. Chiu, S.Y. Huang, and D.C. Yen. (2016). Detecting the financial statement fraud: The analysis of the differences between data mining techniques and experts’ judgments. Knowledge-Based Systems, Article in Press.
  • Manh Dung Tran, Ngoc Hung Dang, Thi Viet Ha Hoang. 2017. Research on Misstatements in Financial Statements: The Case of Listed Firms on Ho Chi Minh City Stock Exchange." International Journal of Applied Business and Economic Research 15 (23):499-518.
  • Perols, J. (2011), Financial Statement Fraud Detection: An Analysis of Statistical and Machine Learning Algorithms. Auditing: A Journal of Practice & Theory, 30, 19–50.
  • Persons, O. (1995). Using financial statement data to identify factors associated with fraudulent financing reporting. Journal of Applied Business Research, 11, 38–46.
  • Ravisankar, P., Ravi, V., Raghava R. G., & Bose, I. (2011). Detection of financial statement fraud and feature selection using data mining Decision Support Systems, 50, 491–500.
  • I, Sael. N & Benabbou. F,(2019), “Performance of machine learning techniques in the detection of financial frauds” Procedia Computer Science, 148(2019), Pp:45-54.
  • Song X. P., Hu Z. H., Du J. G., & Sheng Z. H. (2014). Application of Machine Learning Methods to Risk Assessment of Financial Statement Fraud: Evidence from China. Journal of Forecasting, 33, 611–626.
  • Stice, J. D. (1991). Using Financial and Market Information to Identify Pre-Engagement Factors Associated with Lawsuits against Auditors. The Accounting Review, 66, 516-533.
  • Watts, R. L. and Zimmerman, J. L. 1986. Positive Accounting Theory. NJ: Prentice-Hall.
  • Young, Steven, and Yachang Zeng. 2015. "Accounting comparability and the accuracy of peerbased valuation models." The Accounting Review 90 (6):2571-2601.

فایل ها

هم رسانی

ارجاع به این مقاله

آمار