تکنیک‌های داده کاوی و پیش بینی تقلب صورت‌های مالی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکترای گروه حسابداری، واحد سمنان، دانشگاه آزاد اسلامی، سمنان، ایران

2 دانشیار حسابداری، واحد سمنان، دانشگاه آزاد اسلامی، سمنان، ایران

3 استادیار گروه حسابداری، واحد سمنان، دانشگاه آزاد اسلامی، سمنان، ایران

چکیده

هدف پژوهش حاضر مقایسه تکتیک‌های داده کاوی شبکه عصبی، درخت تصمیم، نزدیک ترین همسایگی و ماشین بردار پشتیبان در پیش بینی صورت‌های مالی متقلبانه و غیر متقلبانه است. روش پژوهش توصیفی - کاربردی و قلمرو زمانی نیز از سال 1387 تا 1396می باشد. در این پژوهش، نسبت‌های مالی برای دو نمونه متقلب و غیر متقلب و روش‌های داده کاوی مورد تجزیه و تحلیل قرار گرفت. فرضیه های آماری نرمال بودن، همگنی و آزمون هم خطی برای نسبت‌های مالی نمونه های متقلب و غیر متقلب، مورد آزمون قرار گرفت. فرضیه نرمال بودن با استفاده از آزمون کولموگروف اسمیرنوف و آزمون شاپیرو ویلک، انجام پذیرفت. سپس ضریب همبستگی پیرسون در خصوص وجود هم خطی مدل برای نسبت‌های مالی و حذف متغیرهای مستقل همبسته مورد بررسی و آزمون قرار گرفت. در مرحله بعد روشهای داده کاوی برای آزمون آنها در پیش بینی تقلب صورتهای مالی و تمایز صورتهای مالی متقلبانه از غیر منتقلبانه به کار برده شده است. به طور کلی، نتایج حاصل نشان می‌دهد که روش‌های داده کاوی در تمایز صورت‌های مالی متقلبانه از غیر متقلبانه موثر هستند. بدین ترتیب که روش‌ شبکه عصبی 4/69 درصد، درخت تصمیم 65.4 درصد، نزدیکترین همسایگی 4/64 درصد و ماشین بردار پشتیبان 78 درصد پیش بینی صحیح داشته اند.

کلیدواژه‌ها

عنوان مقاله [English]

Data Mining Techniques and Forecasting Financial Statement Fraud

نویسندگان [English]

  • Seyed jalal Ahmadi 1
  • khosro faghani makrani 2
  • Naghi Fazeli 3
1 PhD student in Accounting, Semnan Branch, Islamic Azad University, Semnan, Iran
2 Department Accounting, semnan Branch, Islamic Azad University, semnan, Iran
3 Assistant Professor of Accounting, Semnan Branch, Islamic Azad University, Semnan, Iran
چکیده [English]

The purpose of this study is to compare neural network, decision tree, nearest neighbor and support vector machine data mining techniques in predicting fraudulent and non-fraudulent financial statements. The research method is descriptive-applied and time domain from 2008 to 2018. In this study, financial ratios for two fraudulent and non-fraudulent samples and data mining methods were analyzed. Statistical hypotheses of normality, homogeneity and linearity test for financial ratios of fraudulent and non-fraudulent samples were tested. The normality hypothesis was tested using Kolmogorov-Smirnov test and Shapiro Wilk test. Then Pearson correlation coefficient for the existence of the model for financial ratios and elimination of correlated independent variables was tested. Next, data mining methods are used to test them in predicting financial statement fraud and distinguishing fraudulent and non-fraudulent financial statements. In general, the results show that data mining methods are effective in differentiating fraudulent and non-fraudulent financial statements. The neural network method had a correct prediction of 69.4%, decision tree 65.4%, nearest neighbor 64.4% and support vector machine 78%.

کلیدواژه‌ها [English]

  • Fraud
  • Data mining
  • Financial ratios

مراجع

  • رهنمای رود پشتی، فریدون (1391)، داده کاوی و کشف تقلب های مالی، فصلنامه علمی و پژوهشی دانش حسابداری و حسابرسی مدیریت، شماره سوم
  • جمالی، زهرا؛ برزگری خانقاه، جمال؛ عارف منش، زهره؛ انصاری سامانی، حبیب (1395) بررسی رابطه مکانیزمهای حاکمیت شرکتی و کیفیت حسابرسی بر وقوع تقلب در صورتهای مالی شرکت های پذیرفته شده در بورس اوراق بهادار تهران ، یزد، دانشگاه یزد
  • اعتمادی، حسین؛ زلقی، حسن؛ (1392) کاربرد رگرسیون لجستیک در شناسایی گزارشگری مالی متقلبانه، فصلنامه دانش حسابرسی، شماره پنپجاه و یک
  • مهام, کیهان؛ غلامرضا کردستانی و ابوالفضل ترابی، ۱۳۹۱، ارائه مدلی برای پیش بینی خطر بروز تقلب در گزارشگری مالی، اولین همایش بین المللی اقتصاد سنجی، روشها و کاربردها، سنندج، دانشگاه آزاد اسلامی واحد سنندج.
  • فرقاندوست حقیقی، کامبیز؛ برواری، فرید، 1388، بررسی کاربرد روش های تحلیلی در ارزیابی ریسک تحریف صورت های مالی (تقلب مدیریت)، دانش و پژوهش حسابداری، شماره شانزده
  • خواجوی، شکراله؛ ابراهیمی، مهرداد (1396) مدلسازی متغیرهای اثرگذار برای کشف تقلب در صورتهای مالی با استفاده از تکنیکهای داده کاوی، فصلنامه حسابدای مالی، شماره سی و سه
  • سجادی، سید حسین؛ کاظمی، توحید (1395) الگوی جامع گزارشگری مالی متقلبانه در ایران به روش نظریه پردازی زمینه بنیان، پژوهشهای تجربی حسابداری، سال ششم، شماره 21، پاییز 1395، صص 185-204
  • Abbasi A., Albrecht C., Vance A., & Hansen J. (2012). Metafraud: A meta-learning framework for detecting financial fraud. MIS Quart Manage Inf Syst MIS Quarterly: Management Information Systems, 36(4), 1293-1327.
  • Albrecht, W. S. (2012). Fraud examination. Mason, Ohio: South-Western Cengage Learning
  • ASHRAF AKL ELSAYED . (2017). Predictability of Financial Statements Fraud-Risk . Northcentral
  • Association of Certified Fraud Examiners (ACFE). (2016). Report to the nations on occupational fraud and abuse. Austin, TX: The association of certified fraud examiners, Inc.
  • Hays, J. B. (2014). An investigation of the motivation of management accountants to report fraudulent accounting activity: Applying the theory of planned behavior. Dissertation Abstracts International Section A, 75.
  • Kravitz, R. H. (2012). Auditors' responsibility for detecting fraud. CPA Journal, 82(6), 24-30
  • Königsgruber, R. (2012). Capital Allocation Effects of Financial Reporting Regulation and Enforcement. European Accounting Review, 21(2), 283-296. doi:10.1080/09638180.2011.558294
  • Goel, S., & Gangolly, J. (2012). Beyond the numbers: Mining the annual reports for hidden cues indicative of financial statement fraud. Intelligent Systems in Accounting, Finance & Management, 19(2), 75-89. doi:10.1002/isaf.1326
  • Mangala, D., & Kumari, P. (2015). Corporate fraud prevention and detection: Revisiting
    the literature. Journal of Commerce and Accounting Research, 4(1).
  • Ruankaew, T. (2016). Beyond the fraud diamond. International Journal Of Busines Management & Economic Research, 7(1), 474-476.
  • Wuerges, A. E., & Borba, J. A. (2014). Accounting Fraud: an estimation of detection Revista Brasileira De Gestão De Negócios, 16(52), 466-483. doi:10.7819/rbgn.v16i52.1555

فایل ها

هم رسانی

ارجاع به این مقاله

آمار