چکیده:
تحریف صورتهای مالی پدیدهای شایع بوده و پیش بینی آن یکی از موضوعهای مهم در حسابداری و حسابرسی است. از این رو هدف این مقاله ارائه یک مدل برای پیشبینی تحریفهای حسابداری در شرکتهای پذیرفته شده در بورس اوراق بهادار تهران است. به این منظور 23 متغیر از چهار بعد اقلام تعهدی، عملکرد مالی، معیارهای غیرمالی و معیارهای مبتنی بر بازار انتخاب شده است و با استفاده از نمونهای از شرکتهای پذیرفته شده در بورس اوراق بهادار تهران مشتمل بر 1303 سالــ شرکت (شامل 21 شرکت تحریفکننده و 168 شرکت کنترلی) طی سالهای 1388 تا 1394 بررسی انجام گرفته است. دادههای شرکتهای تحریفکننده از طریق بانک اطلاعاتی جامعه حسابداران رسمی و از بین شرکتهایی که تحریف آنها اثبات شده بدست آمده است و با استفاده از تکنیک دادهکاوی شامل درخت تصمیم، شبکههای عصبی و روش بیزین تجزیه و تحلیل انجام شده است. نتایج پژوهش نشان میدهد که اطلاعات صورتهای مالی قدرت بالایی برای پیش بینی تحریف دارند. همچنین نتایج حاکی از ارتباط بین همه مدلهای اقلام تعهدی با شرکتهای تحریفکننده است. همچنین نتایج نشان میدهد که روشهای شبکههای عصبی و بیزین، تحریف در صورتهای مالی را با دقت بیشتری نسبت به روش بیزین پیش بینی میکنند.
Misstating financial statements are becoming rampant phenomena. An important issue for accounting and auditing is the prediction and detection of misstating in financial statements in Firms Listed in Tehran Stock Exchange in order to help identify in the time interval from 2009 to 2016. We investigate the characteristics of misstating firms on various dimensions, we focus on 23 variables including accrual quality (12 variables), financial performance (4 variables), nonfinancial performance (1 variables), and market-related variables (6 variables). We evaluate features from previous studies of detecting fraudulent intention and material misstatements Out of these companies, 189 (21 companies were misstating and 168 were non-misstating) have been selected as the research sample. The data mining methods employed in this research include Decision Trees (REPTree), Artificial Neural Networks (ANNs) and Bayesian Networks. The obtained results indicated that the Bayesian Networks & Artificial Neural Networks methods had a higher performance and in this regard.
خلاصه ماشینی:
در مـدل سوم علاوه بر متغیرهای قبلی متغیرهای مرتبط با بازار نیز اضافه شده است و این سوال مـورد بررسی قرار قرار گرفته است که آیا روش های درخت تصمیم ، شـبکه هـای عصـبی و بیـزین امکان پیش بینی صورت های مالی تحریف شده را فراهم می کنند؟ مبانی نظری جریانی از پژوهش های حسابداری تلاش میکنند شاخص هایی از تحریـف را شناسـایی نمایند تا با استفاده از آن بتوان شرکت های تحریـف کننـده را شناسـایی و پـیش بینـی نمـود.
یـک مـدل پیش بینی تحریف نیز توسط دچو و همکاران (٢٠١١) ارائه گردید کـه نویسـندگان بررسـی کاملی از شرکت های تحریف کننده صورت های مالی انجـام داده و بـا اسـتفاده از مجموعـه جامعی از متغیرها شامل اقلام تعهدی، عملکرد مالی، معیارهای غیرمالی، فعالیت های خـارج از صورت وضعیت مالی و معیارهای مبتنی بر بازار و با استفاده از روش رگرسیون لجستیک اقدام به ارائه مدلی جهت شناسایی شرکت های تحریف کننـده صـورت هـای مـالی نمودنـد.
شکل ١: نتایج طبقه بندی تحریف (کیم و همکاران ، ٢٠١٦) (به تصویر صفحه رجوع شود) به دلیل سخت بودن تمایز بـین تقلـب و اشـتباه ، انکـار مـدیران و شـرکت هـا از پـذیرش اتهام های کمیسیون بورس اوراق بهادار مبنی بر انجام تقلب و این موضـوع کـه تحریـف در حساب ها اعم از تقلب و اشتباه باعث انتقال ثروت از ذینفعـی بـه ذینفـع دیگـر گردیـده و از منظر استفاده کنندگان اطلاعات و شـخص متضـرر شـده تفـاوت چنـدانی بـین آنهـا وجـود ندارد.
Detecting earnings management, The accounting review, 70, 193–225.
Detecting financial misstatements with fraud intention using multi-class cost-sensitive learning.
Detecting the financial statement fraud: The analysis of the differences between data mining techniques and experts’ judgments.
The relation between earnings management and financial statement fraud.