دانش حسابداری و حسابرسی مدیریت

دانش حسابداری و حسابرسی مدیریت

کشف تقلب در صورت‌های مالی شرکت‌های پذیرفته شده در بورس تهران با استفاده از داده‌کاوی

نوع مقاله : مقاله پژوهشی

نویسندگان
احمد خاکساران 1
امید محمودی خوشرو 2
کریم قادرزاده 3
پیمان امینی 4
1 دانشجوی دکترا، گروه حسابداری، واحد سنندج، دانشگا ه آزاد اسلامی، سنندج، ایران
2 استادیار، گرو ه حسابداری، واحد سنندج، دانشگا ه آزاد اسلامی، سنندج، ایران
3 استادیار، گرو ه حسابداری، دانشگاە پیام نور، تهران ، ایران
4 استادیار، گروه حسابداری، دانشکد ه علوم انسانی و اجتماعی، دانشگا ه کردستان
10.22034/jmaak.2024.78071.4431
چکیده
تقلب در صورت‌های مالی نه تنها باعث زیان‌های هنگفت برای سرمایه‌گذاران می‌شود، بلکه باعث ایجاد بحران بی‌اعتمادی به حسابداری و صورت های مالی شرکت‌ها می‌شود. علاوه بر این، وضعیت مالی شرکت را در یک چرخه معیوب قرار می دهد که توسعه پایدار بلندمدت کل اقتصاد جامعه را کاهش می دهد. بنابراین، شناسایی صورت‌های مالی تقلبی نقش مهمی در افزایش پایداری اقتصاد اجتماعی ما ایفا می‌کند. در این پژوهش هدف کشف تقلب در صورت‌های مالی شرکت‌های پذیرفته شده در بورس تهران با استفاده از داده‌کاوی است. نمونه پژوهش 200شرکت بورسی در بازه 11 ساله 1392-1402 است. معیارهای ارزیابی برای چهار مدل درخت تصمیم، شبکه عصبی، نزدیک‌ترین همسایه و قاعده بیزی بدست آمد که نتایج نشان می دهد مقادیر امتیاز F قاعده بیز بسیار پایین است و تنها عملکرد این مدل مورد تایید نیست، در حالی که، تمام معیارهای ارزیابی سه مدل دیگر مؤثر هستند یعنی درخت تصمیم(DT) ، نزدیک‌ترین همسایه(KNN) و شبکه عصبی (MLP) پیش‌بینی خوبی در تشخیص تقلب شرکت‌های بورسی دارد. تکنیک داده‌کاوی موجود می‌تواند تا حد زیادی یک سیستم پشتیبانی تصمیم برای مدیران در تشخیص تقلب در صورت‌های مالی فراهم کند.
کلیدواژه‌ها
تقلب در صورت‌های مالی
بورس اوراق بهادار تهران
داده‌کاوی

عنوان مقاله English

Detecting financial fraud statements of companies listed on the Tehran Stock Exchange using data mining

نویسندگان English

Ahmad Khaksaran 1
Omid Mahmoodi Khoshroo 2
Karim Ghaderzadeh 3
Peyman Amini 4
1 PhD student, department of accounting, Sanandaj branch, Islamic Azad University, Sanandaj , Iran.
2 Assistant Professor, Department of Accounting, Sanandaj branch, Islamic Azad University, Sanandaj, Iran.
3 Assistant Professor, Department of Accounting Payam noor ,Tehran , Iran.
4 Assistant Professor, Department of Accounting, Sanandaj branch, Islamic Azad University
چکیده English

Fraudulent financial statements not only result in significant losses for investors but also undermine trust in accounting firms, thereby creating a crisis of confidence. Furthermore, such fraudulent activities can entrap a company's financial health in a detrimental cycle, hindering the long-term sustainable development of the broader economy. Consequently, the identification of fraudulent financial statements is crucial for enhancing the sustainability of our socio-economic landscape. This study aims to detect fraud in the financial statements of companies listed on the Tehran Stock Exchange through the application of data mining techniques. The research sample comprises 200 listed companies over an 11-year period, spanning from 2013 to 2023. Evaluation criteria were established for four distinct models: Decision Tree, Neural Network, Nearest Neighbor, and Bayesian Rule. The results indicate that the F-score values for the Bayesian Rule model are considerably low, rendering its performance inadequate. In contrast, the other three models—Decision Tree (DT), Nearest Neighbor (KNN), and Neural Network (MLP)—demonstrated effective predictive capabilities in detecting fraud among listed companies. The findings suggest that existing data mining techniques can significantly enhance decision support systems for managers in identifying fraudulent activities within financial statements

کلیدواژه‌ها English

Financial fraud statements
Tehran Stock Exchange
data mining
1.       دهدار، فرهاد و مرادی، محمدحسین. (1400). بهره گیری از رویکرد داده کاوی و شناسایی تقلب در صورت‌های مالی. چشم انداز حسابداری و مدیریت 4(45) : 113-123.
2.       کارشناسان، علی، بهرامی نسب، علی، و ممشلی، رضا. (1398). نقش کیفیت سود در شناسایی گزارشگری مالی متقلبانه. پژوهش‌های تجربی حسابداری، 8(3 (پیاپی 31) ): 313-336.
3.       کریمی خلیفه محله، پریسا.(1401). بررسی تأثیر کیفیت حسابرسی مستقل بر احتمال وقوع تقلب مالی در شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران.
4.       نیکبخت, محمدرضا، پناهی, سونیا. (1401). بررسی جامع عوامل درون سازمانی اثرگذار بر تقلب‌های مالی: شواهدی از بورس اوراق بهادار تهران. پژوهشهای کاربردی در گزارشگری مالی, 11(2).
5.       شوشتری، زهرا، یاورزاده محمدرضا. (1399). آمار کاربردی ویژه دانشجویان و محققان علوم انسانی. موسسه مطالعات و پژوهشهای بازرگانی
6.       تشدیدی الهه، سپاسی سحر، اعتمادی، حسین، . (1398). ارائه رویکردی نوین در پیش‌بینی و کشف تقلب صورت‌های مالی با استفاده از الگوریتم زنبور عسل،  مجله دانش حسابداری، 3(10): 167-139
7.       رحمانیان کوشککی, عبدالرسول, غفاری شوشتری, غلامعباس. (1402). تاثیر کاهش مکانیزم نظارتی بر رابطه میان حق الزحمه غیرعادی حسابرسان و تقلب در صورت‌های مالی. پژوهش‌های حسابرسی حرفه‌ای
 
8.      Ashtiani, M.N.; Raahemi, B. 2021. Intelligent Fraud Detection in Financial Statements Using Machine Learning and Data Mining: A Systematic Literature Review. IEEE Access, 10, 72504–72525.
 
9.      Ali, A.; Abd Razak, S.; Othman, S.H.; Eisa, T.A.E.; Al-Dhaqm, A.; Nasser, M.; Elhassan, T.; Elshafie, H.; Saif, A. 2022. Financial Fraud Detection Based on Machine Learning: A Systematic Literature Review. Appl. Sci., 12, 9637. https://doi.org/10.3390/app12199637
 
10.      Alfaiz, N.S.; Fati, S.M. 2022. Enhanced Credit Card Fraud Detection Model Using Machine Learning. Electronics, 11, 662.
 
11.  Alsinglawi, M.M.A.S.M.A.O.; Almari, M.O.S. 2021. Predicting Fraudulent Financial Statements Using Fraud Detection Models. Acad. Strateg. Manag., 20, 1–17.
 
12.  Andrew, C.; Robin. 2022. Detecting Fraudulent of Financial Statements Using Fraud S.C.O.R.E Model and Financial Distress. Int. J. Econ. Bus. Account. Res. (IJEBAR), 6, 211–222
 
13.  Chen, Y.; Wu, Z. 2023. Financial Fraud Detection of Listed Companies in China: A Machine Learning Approach. Sustainability, 15, 105. https://doi.org/10.3390/su15010105
 
14.  Deebak, B.; Memon, F.H.; Dev, K.; Khowaja, S.A.;Wang,W.; Qureshi, N.M.F. 2022. TAB-SAPP: A trust-aware blockchain-based seamless authentication for massive IoT-enabled industrial applications. IEEE Trans. Ind. Inform., 19, 243–250.
 
15.  du Toit, E. 2023. The red flags of financial statement fraud: a case study. Journal of Financial Crime, Vol. ahead-of-print No. ahead-of-print. https://doi.org/10.1108/JFC-02-2023-0028
16.  Khaled Gubran Al-Hashedi, Pritheega Magalingam, 2021. Financial fraud detection applying data mining techniques: A comprehensive review from 2009 to 2019,Computer Science Review,Volume 40.
 
17.  Khedr, A.M.; Arif, I.; P V, P.R.; El-Bannany, M.; Alhashmi, S.M.; Sreedharan, M. 2021. Cryptocurrency price prediction using traditional statistical and machine-learning techniques: A survey. Intell. Syst. Account. Financ. Manag., 28, 3–34
 
18.  Kirkos, Efstathios and Boskou, Georgia and Chatzipetrou, Evrikleia and Tiakas, Eleftherios and Spathis, Charalampos, 2024. Exploring the Boundaries of Financial Statement Fraud Detection with Large Language Models (May 27,). Available at SSRN: https://ssrn.com/abstract=4842962 or http://dx.doi.org/10.2139/ssrn.4842962
19.  Kumar, S.; Ahmed, R.; Bharany, S.; Shuaib, M.; Ahmad, T.; Tag Eldin, E.; Rehman, A.U.; Shafiq, M. 2022. Exploitation of Machine Learning Algorithms for Detecting Financial Crimes Based on Customers’ Behavior. Sustainability, 14, 13875.
 
20.  Kulikova, L.; Satdarova, D. 2016. Internal control and compliance-control as effective methods of management, detection and prevention of financial statement fraud. Acad. Strateg. Manag. J., 15, 92.
 
21.  Li, H.; Wong, M.L. 2015. Financial fraud detection by using Grammar-based multi-objective genetic programming with ensemble learning. In Proceedings of the 2015 IEEE Congress on Evolutionary Computation (CEC), Sendai, Japan, 25–28 May; IEEE: New York, NY, USA, pp. 1113–1120.
 
22.  Lin, A. Chiu, S.Y.Huang, andD. C.Yen, 2015.Detecting the financial statement fraud: The analysis of the differences between data mining techniques and experts’ judgments,” Knowledge- Based Systems, vol. 89, pp. 459–470.
23.  Mark Eshwar Lokanan, Kush Sharma.2022. Fraud prediction using machine learning: The case of investment advisors in Canada, Machine Learning with Applications, Volume 8,
24.  Malik, E.F.; Khaw, K.W.; Belaton, B.; Wong, W.P.; Chew, X. 2022. Credit Card Fraud Detection Using a New Hybrid Machine Learning Architecture. Mathematics, 10, 1480. https://doi.org/10.3390/math10091480
 
25.  Mohammadi, M.; Yazdani, S.; Khanmohammadi, M.H.; Maham, K. 2020. Financial reporting fraud detection: An analysis of data mining algorithms. Int. J. Financ. Manag. Account., 4, 1–12.
26.  Nesvijevskaia, A., Ouillade, S., Guilmin, P., & Zucker, J. 2021. The accuracy versus interpretability trade-off in fraud detection model. Data & Policy, 3, E12. doi:10.1017/dap.2021.3
 
27.  Paulo Sérgio Gomes Macedo, H.C.I. 2022. Vieira, E.S. A model to detect financial statement fraud in Portuguese companies by the auditor. Contaduría Adm., 67, 185–209.
28.  Sanad, Z., Al-Sartawi, A. (2021). Financial Statements Fraud and Data Mining: A Review. In: Musleh Al-Sartawi, A.M., Razzaque, A., Kamal, M.M. (eds) Artificial Intelligence Systems and the Internet of Things in the Digital Era. EAMMIS 2021. Lecture Notes in Networks and Systems, vol 239. Springer, Cham.
29.  Schreiber-Gregory, D.; Bader, K. 2018. Logistic and Linear Regression Assumptions: Violation Recognition and Control. In Proceedings of the SESUG Conference, St. Pete Beach, FL, USA, 14–17 October; pp. 1–6.
 
30.  Strelcenia, E.; Prakoonwit, S. 2023. Improving Classification Performance in Credit Card Fraud Detection by Using New Data Augmentation. AI, 4, 172–198
 
31.  Wadhwa, A.V.K.; Kumar, S. 2020. Financial Fraud Prediction Models: A Review of Research Evidence. Int. J. Sci. Technol. Res., 9, 677–680