کشف تقلب صورتهای مالی: قیاس توانایی مدل های مبتنی بر متغیرهای حسابداری

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری، گروه حسابداری، واحد قائمشهر، دانشگاه آزاد اسلامی، قائمشهر، ایران.

2 استادیار گروه حسابداری، واحد قائمشهر، دانشگاه آزاد اسلامی، قائمشهر، ایران.

چکیده

یکی از راه های مهار تحریف صورتهای مالی، تشخیص زود هنگام آن است تا بتوان اقدامات پیشگیرانه اعمال کرد. پژوهش حاضر با هدف بررسی توانایی دو مدل پیش بینی تحریف مبتنی بر صورتهای مالی شامل مدل M-SCORE بنیش و F-SCORE دچو و سنجش میزان دقت آن ها، اطلاعات صورتهای مالی 164 شرکت پذیرفته شده در بورس اوراق بهادار تهران را بین سال های 1394 تا 1398 مورد مطالعه قرار می دهد. با توجه به نتایج، دقت معیار F-SCORE دچو، در تشخیص شرکتهای دارای احتمال دستکاری و غیر آن، بیش از 70 است که بیانگر توانایی متوسط مدل مذکور در تشخیص تقلب است. همچنین توانایی معیار فوق الذکر با 73.17 درصد در تشخیص تقلب از مدل بنیش با 69.51 درصد بالاتر است. از حیث خطای تشخیص نیز، خطای نوع I و II که به ترتیب بیانگر خطای کارایی و اثربخشی مدل است، در مدل دچو و همکاران (2011) به مراتب کمتر از مدل بنیش است. بنابراین، می توان نتیجه گرفت که معیار F-SCORE دچو در موارد تشخیص احتمال دستکاری در صورتهای مالی شرکتهای پذیرفته شده در بورس اوراق بهادار تهران در فاصله سالهای 1394 تا 1398 بهتر عمل کرده است.

کلیدواژه‌ها

عنوان مقاله [English]

Detecting Financial Statement Fraud: Comparing the Ability of Models Based on Accounting Variables

نویسندگان [English]

  • hossein amirmoezzi 1
  • abasali poraghajan 2
  • ali jafari 2
1 Ph.D Candidate, Accounting Department, ghaemshahr Branch, Islamic Azad University, ghaemshahr, Iran.
2 Assistance Prof, Accounting Department, ghaemshahr Branch, Islamic Azad University, ghaemshahr, Iran
چکیده [English]

One way to prevent financial distortion is to detect it early so that precautionary measures can be taken. The aim of this study was to investigate the ability of two models of forecasting distortions based on financial statements including M-SCORE Banish and F-SCORE Decho models and to measure their accuracy. The financial statements of 164 companies listed on the Tehran Stock Exchange between 2015 Will be studied until 2019. According to the results, the accuracy of Dechu F-SCORE criterion in identifying companies with the possibility of tampering and otherwise, is more than 70, which indicates the average ability of the model in detecting fraud. Also, the ability of the above-mentioned criterion with 73.17% in detecting fraud is higher than Banish model with 69.51%. In terms of diagnostic error, type I and II errors, which indicate the error of efficiency and effectiveness of the model, respectively, in the model of Decho et al. (2011) is much less than the model of Banish. Therefore, it can be concluded that Dechu F-SCORE criterion has performed better in cases of detecting the possibility of tampering with the financial statements of companies listed on the Tehran Stock Exchange between 2015 and 2019.

کلیدواژه‌ها [English]

  • F-SCORE
  • M-SCORE
  • Profit Distortion
  • Accounting Variables

مراجع

  • پورحیدری. امید، سمیعی نیاد. نفیسه، (1394)، بررسی تاثیر ساختار حاکمیت شرکتی بر گزارشگری مالی، پژوهش های کاربردی وگزارشگری مالی، 4،1،6، 53-80
  • پیوندی. سعیده (1393)، به کارگیری مدل بنیش جهت پیش بینی تقلب و ارتباط آن با بازده سهام و کیفیت سود با رویکرد حسابداری جنا، پایان نامه کارشناسی ارشد، دانشگاه سمنان
  • جمشیدی نوید. بابک، محمد موسا. جابر، قنبری. مهرداد، خیراللهی. فرشید، (1398)، تدوین مدل کشف تقلب با استفاده از رویکرد ترکیبی برپایه مدل تحلیل عاملی و روش شبکه عصبی مصنوعی در شرکت های پذیرفته شده در بورس اوراق بهادار تهران، فصلنامه حسابداری مدیریت، 12، 42. 75-87
  • حاجی حیدری. راضیه، رحیمیان. نظام الدین، (1398)، کشف تقلب با استفاده از مدل تعدیل شده بنیش و نسبت‌های مالی، پژوهش های تجربی حسابداری، 8، 31، 47-70
  • شعری اناقیز. صابر، رحیمیان. نظام الدین,صالحی صدقیانی. جمشید،خراسانی. ابوطالب، (1396)، بررسی و تطبیق میزان دقت نتایج حاصل از مدل های «بنیش» و «تعدیل شده بنیش» بر اساس محیط اقتصادی ایران در کشف و افشای گزارش گری مالی متقلبانه، چشم انداز مدیریت مالی، 7، 2، 18، 105- 123
  • عسگری آلوج. حسین، کرمی. غلامرضا، نیک بخت. محمدرضا، مومنی. منصور، (1398)، توسعه مدل بنیش با ترکیب شبکه‌های عصبی مصنوعی و الگوریتم بهینه‌سازی حرکت تجمعی ذرات برای پیش‌بینی دستکاری سود، بررسی های حسابداری و حسابرسی، 26، 4، 615-638
  • کردستانی. غلامرضا، تاتلی. رشید، (1395)، پیش بینی دستکاری سود: توسعة یک مدل، بررسی های حسابداری و حسابرسی، 33، 1، 73-96
  • شعری،صابر،خراسانی، ابوطالب،(1396)، واکاوی مفهوم تقلب و بررسی آثار بکارگیری استانداردهای حسابرسی در افشای
    اطلاعات گزارشگری مالی متقلبانه،اولین همایش بین المللی و سومین همایش ملی پژوهش های مدیریت و علوم انسانی.
  • مونا سادات کابلی علی رحمانی هاشم نیکومرام فریدون رهنمای رودپشتی، اثربخشی ارزش های انگیزشی شوآرتز و اخلاق حرفه ای حسابداری بر گزارشگری مالی متقلبانه، مطالعات تجربی حسابداری مالی سال شانزدهم تابستان ۱۳۹۹ شماره ۶۶ 27 - 50
  • Bai, Jushan, and Serena Ng. 2005. Tests for skewness, kurtosis, and normality for time series data. Journal of Business & Economic Statistics 23: 49–60.
  • Beneish, M. (1997). Detecting GAAP violation: Implications for assessing earnings manage - ment among firms with extreme financial performance. Journal of Accounting and Public Policy, 16(3), 271–309.
  • Beneish, M. D. (1999). Incentives and penalties related to earnings overstatements that violate GAAP. The Accounting Review, 74(4), 425-457.
  • Beneish, M.D. (1999), ``Incentives and penalties related to earnings overstatements that violate GAAP’’, The Accounting Review, Vol. 74 No. 4, pp. 425-57.
  • Chen, K.Y., Lin, K.L., & Zhou, J. (2005). Audit Quality and Earnings Management for Taiwan IPO firms. Managerial Auditing Journal, 20(1), 86–104.
  • Dechow, P, Sloan, R. & Sweeney, A. (2011). Detecting Earnings Management. The Accounting Review: 70 (2) , 193-225.
  • Dechow, P. M., Ge, W., Larson, C. R., & Sloan, R. G. (2011). Predicting material accounting misstatements. Contemporary Accounting Research, 27(1), 17-82.
  • P, Valaskova. K, Chlebikova. K, Krastev.V, Atanasova. I, (2020), Heads and Tails of Earnings Management: Quantitative Analysis in Emerging Countries, Risks 2020, 8, 57; doi:10.3390/risks8020057
  • D , Ha. H, Binh. D (2017), Application of شاخص اف in Predicting Fraud, Errors: Experimental Research in Vietnam, International Journal of Accounting and Financial Reporting , Vol. 7, No. 2
  • Kwiatkowski, Denis, Peter C. B. Phillips, Peter Schmidt, and Yongcheol Shin. 1992. Testing the null hypothesis of stationarity against the alternative of a unit root. Journal of Econometrics 54: 159–78.
  • Lei, J. Z., & Ghorbani, A. A. (2012). Improved competitive learning neural networks for network intrusion and fraud detection. Neurocomputing, 75(1), 135-145
  • Omar N. , Kunji K. R. , Mohd S. Z. , And Shafie, N. A. (2014). Financial Statement Fraud: A Case Examination Using Beneish Model and Ratio Analysis, International Journal of Trade, Economics and Finance: 5 (2) ,184-186.
  • Richardson, S. A., Sloan, R. G., Soliman, M. T., & Tuna, I. (2005). Accrual reliability, earnings persistence, and stock prices. Journal of Accounting and Economics, 39(3), 437-485.
  • Susanto, Yulius Kurnia, Kashan Pirzada, and Adrianne Sheryl. 2019. Is tax aggressiveness an indicator of earnings management? Polish Journal of Management Studies 20: 516–27
  • Valaskova, Katarina, Tomas Kliestik, and Maria Kovacova. 2019. Assessment of Selected Models of Earnings Management in Economic Conditions of Slovakia. Paper presented at 33rd International-BusinessInformation-Management-Association (IBIMA) Conference Education Excellence and Innovation Management Through Vision 2020, Granada, Spain, April 10–11; pp. 3922–31.
  • White, Gary E. 1970. Discretionary accounting decisions and income normalization. Journal of Accounting Research 8: 260–73.

فایل ها

هم رسانی

ارجاع به این مقاله

آمار