Predicting financial statement fraud using The CRISP approach

Document Type : Original Article

Authors
mehdi razaie 1
Mahdi Nazemi Ardakani 2
alireza naser sadrabadi 3
1 PhD Student in Accounting, Yazd Branch, Islamic Azad University , Yazd, Iran
2 Assistant Professor, Department of Accounting, Yazd Branch, Islamic Azad University , Yazd, Iran.
3 Assistant Professor of Industrial Management,Yazd University,Yazd, Iran.
Abstract
Abstract
The main purpose of this article is to predict fraudulent financial statements using the CRISP approach. The preliminary data analyzed in this study are from the statistical sample of 164 companies admitted to Tehran Stock Exchange during the period of 2015-2018, which were selected by systematic elimination sampling. The independent variables affecting fraud in this study included 40 financial and non-financial variables that were selected based on antecedent research. Finally, data on variables collected by the library method, based on Crisp approach, to determine the weight and specificity of important variables to the Shannon entropy model and to predict cheating in the top four techniques among intelligence techniques. These techniques include 2 decision trees, neural networks, support vector machines, and the adiabatic hybrid backup vector machine. Using the Shannon entropy out of the 40 research variables, the top 27 variables were identified based on the information profit attribute, which identified the variable cumulative earnings-to-sales ratio as the most important variable in predicting financial statement fraud. After applying the Crisp approach, the results showed that all techniques were capable of detecting financial statements at a relatively high level, and the proposed technique of Adaptive Backup Vector Machine in the training phase with an accuracy rate of 81.69% had higher accuracy and evaluation ability than the other techniques. And this technique correctly identified 82% of fraudulent and non-fraudulent financial statements in the year 2018.
Keywords
Keywords: Financial Statement Fraud
CRISP Approach
Artificial Intelligence
Shannon entropy
  • آذرنوش، سید ایرج و همکاران. (1394). پیش بینی ریسک تقلب در صورت­های مالی با استفاده از شبکه عصبی مصنوعی ، اولین کنفرانس بین المللی حسابداری، مدیریت و نوآوری در کسب و کار، صص14-28.
  • امینی، پیمان، محمدی، کامران، عباسی، شعیب، (1390)، "بررسی عوامل مؤثر بر صدور گزارش مشروط حسابرسی:کاربردروش شبکه عصبی"،فصلنامه حسابداری مدیریت، 4(11)، 25-39.
  • اعتمادی، حسین، عبدلی، لیلا، (1396)، "کیفیت حسابرسی و تقلب در صورت‌های مالی"، مجله علمی پژوهشی دانش حسابداری مالی، 4(4)، 23-43.
  • تاراسی، مجتبی، بنی طالبی دهکردی، بهاره، زمانی، بهزاد، )1398(. پیش بینی گزارشگری مالی متقلبانه از طریق شبکه عصبی مصنوعی(ANN)،فصلنامه علمی پژوهشی حسابداری مدیریت،12 (40)، 63-79.
  • حجازی، رضوان، محمدی، شاهپور، اصلانی، زهرا، آقاجانی، مجید، (1391). "پیش بینی مدیریت سود با استفاده از شبکه عصبی و درخت تصمیم در شرکت­های پذیرفته شده در بورس اوراق بهادار تهران" ، بررسی های حسابداری و حسابرسی، 19(2)، 31-46.
  • حمزه زادی, کبری و حسین اعتمادی، (1395). کاربرد شبکه عصبی مصنوعی در شناسایی تقلب در صورت‌های مالی،چهارمین کنفرانس بین المللی پژوهش‌های کاربردی در مدیریت و حسابداری، تهران، دانشگاه شهید بهشتی.
  • خدمتگزار سالانقوچ، یاسر، (1392)، "بررسی خوشه­بندی در شبکه­های حسگر بی­سیم و ارائه یک متد جدید در این رابطه"پایان نامه کارشناسی ارشد کامپیوتر، دانشگاه مهندسی فناوری نوین قوچان.
  • رحمانی، حلیمه، رجب­دُری، حسین و خرمین، منوچهر، (1396)، بررسی تاثیر نظریه عمل منطقی بر تمایل به بروز تقلب در گزارشگری مالی، فصنامه علمی پژوهشی دانش حسابداری و حسابرسی مدیریت، 6(24)، 135-143.
  • رهنمای رودپشتی. فریدون، (1391)،" داده کاوی وکشف تقلب"،فصلنامه دانش حسابداری وحسابرسی مدیریت، 1(3)،17-34.
  • ستایش، محمد حسین، ابراهیمی، فهیمه، سیف، سید مجتبی، ساریخانی، مهدی، (1391)، "پیش بینی نوع اظهار نظر حسابرسان با رویکری بر روش های داده کاوی"، فصنامه علمی پژوهشی حسابداری مدیریت، 5(11)، 69- 82.
  • عظیمی، افسانه، نورحسینی، سیدمجید، (1396)، "کشف و پیش بینی تقلبات مالی در بانک ها با استفاده از روش های داده کاوی" ، دومین کنفرانس پژوهش های دانش بینان در مهندسی کامپیوتر فناوری اطلاعات، تهران، دانشگاه مجلسی.
  • غلامی زاده، فائزه، حصارزاده، رضا، ساعی، محمد،(1397)، معیارهای واژه محور و معیارهای سنتی تقلب در گزارش های مالی، راهبرد مدیریت مالی، 6(20)، 73-92.
  • کمیته تدوین استانداردهای حسابرسی (1388)، "استانداردهای حسابرسی"، چاپ دهم، تهران، انتشارات سازمان حسابرسی.
  • علیزاده، سمیه و ملک محمدی، سمیرا، (۱۳۹۳ )، " داده کاوی و کشف دانش گام به گام با نرم افزار کلمنتین"، تهران: انتشارات دانشگاه خواجه طوسی.
  • غضنفری، مهدی، علیزاده، سمیه، تیمورپور، بابک، (1387)، " داده کاوی و کشف دانش، انتشارات دانشگاه علم و صنعت.
  • فرقاندوست حقیقی، کامبیز، بروآری، فرید و فروغی
  • دهکردی، امین، (۱۳۹۳ )، مطالعه رابطه مدیریت سود و امکان تقلب در صورت‌های مالی، فصلنامه دانش حسابرسی، 14(56)، 67-68.
  • کیقبادی، امیررضا، فتحی، سمیه، سیف، سمیرا، (1394). رتبه بندی میزان تاثیر اقلام کلیدی ترازنامه ای و نسبت های سودآوری در انتخاب پرتفوی بهینه (با استفاده از داده کاوی)، پژوهش های حسابداری مالی و حسابرسی، 7(28)، 75-86.
  • مرادی، جواد؛ رستمی، راحله؛ زارع، رضا. (1393). شناسایی عوامل خطر مؤثر بر احتمال وقوع تقلب در گزارشگری مالی از دید حسابرسان و بررسی تأثیر آنها بر عملکرد مالی شرکت، مجله‌ی پیشرفت‌های حسابداری دانشگاه شیراز، دوره‌ی ششم، شماره‌ی اول، بهار و تابستان 31، صص 173-141.
  • ممشلی، رضا و کارشناسان، علی، (1398)، بهره هوشی شرکت­ها ابزاری برای بهبود مالی یا گزارشگری خدعه آمیز، فصنامه علمی پژوهشی دانش حسابداری و حسابرسی مدیریت، 8(31)، 117-132.
  • نعمتی، مجتبی، سینه سپهر، مهرنوش و احمدی ترشیزی،حسن، (۱۳۹۲)، "تشخیص تقلب بر اساس تکنیک های داده کاوی"، نخستین همایش منطقه ای فناوری اطلاعات، چالوس، موسسه آموزشی طبرستان.
  • وکیلی‏فرد، حمیدرضا، جبارزاده، سعید و سلطان احمدی، اکبر، (1388)، "بررسی ویژگی‌های تقلب در صورت‌های مالی" ، حسابدار، 24(210)، 36-41.
  • هان، ژیاوی، میشلین، کامبر و ژان پی، (1392)، "داده کاوی مفاهیم و روش­ها"، جلد دوم، ترجمه نسترن حاجی حیدری و سید بهنام خاکباز، تهران، انتشارات دانشگاه تهران.
  • Chapman, P., et al. (2000). CRISP-DM 1.0 Step-by-step data mining guide.
  • Tsai, Hung. C, (2008),“Automatically Annotating Images With Keywords: A Review Of Image Annotation Systems”, Recent Patents On Computer Science, Vol.1, Pp. 55-68.
  • Chi-Chen, Lin , An-An Chiu , Shaio Yan Huang , David C. Yen,(2015) ,”Detecting The Financial Statement Fraud: The Analysis Of The Differences Between Data Mining Techniques”,Knowledge-Based Systems, 89(15), Pp.459-470.
  • Dechow, M. P. , Sloan, R. G. , & Sweeney, A.P.(1995)."Detecting­ earning management " The Accounting Review, 70 (2) , 193.
  • Dechow, M. P. , Sloan, R. G. , & Sweeney, A. P. (1996). “ Couses And Consequences Of Earnings Manipulation: An Analysis Of Firms” Contemporary Accounting Research , vol.13 NO.1, PP.1-36.
  • Domingues, D., Filippone, M., Michiardi, P., (2019) “ Probabilitic Modeling For Novelty Detection With Applications To Fraud Identification,Phd Thesis of Paris Sorbonne University.
  • Fama, E. F. and Jensen, M. C. (1983). “Scparation of ownership and control” ,Journal of Law and Economics, Vol. 26. PP: 327-349.
  • Fayyad, U., G. Piatetsky-Shapiro, and P. (1996). Smyth, From data mining to knowledge discovery in databases. AI magazine. 17(3): p. 37.
  • Javier Moreno Arboleda, Francisco, Guzman –Luna, Alberto, Durely Torres, (2018), “Fraud Ditection –Oriented Opretors In a Data Warehouse Base On Forensic Accounting Techniques”, Computer Fraud & Security, 10(2018),PP:13-19.
  • Jen Chen, Yuh, Ching Liou, Wan, Min Chen, (2018), “Fraud Detection For Financial Statements Of Business Groups”,International Journal Of Accountion Information Systems” 7(15), Pp10-26.
  • Kotsiantis, S., (2006), “Method Of Financing”, Australian Accounting Review, Pp: 538-542 (Springer-Verlag Berlin, Heidelberg@ 2006).
  • Maher, w. Michael. Stickney, p. clyde. Weil, l. roman,(2007). managerial accounting: an introduction to concepts, methods, and use, 10th ed. Mason.
  • O. Zulaikha, Amirah., J.  Malcolm, S., (2017), “Predicting Fraudulent Financial Reporting Using Artificial Neural Network" , Journal Of Financial Crime, 24 ( 2), Pp.362-387.
  • Rajaram, R, Castellani, B and Wilson, A. N. (2017), “Advancing Shannon Entropy For Measuring Diversity In Systems” Vol. 2017, ID: 8715605,P:10.
  • 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.
  • Spathis, C. , (2002). Detecting False Financial Statements Using Published Data: Some Evidence from Greece. Managerial Auditing Journal, Vol. 17(4), 179-191.
  • Vapnik ,V. , (1995), “The Nature of Statistical Learning Theory”, Springer.
  • Watts, Rl. , &, Zimerman, J. L., (1986), Pozetive Accounting Theory “, 2(124).
  • Wirth, R. and J. Hipp. (2000). CRISP-DM: Towards a standard process model for data mining. in Proceedings of the 4th international conference on the practical applications of knowledge discovery and data mining. Citeseer.