چکیده:
وجود تقلب و تداوم آن در صورتهای مالی، آثارگستردهای بر سلامت مالی شرکتها و توسعه پایدار بازار سرمایه دارد. روشهای متداول حسابرسی در پیشگیری و کشف صورتهای مالی متقلبانه، نتوانستهاند با تقلبهای حسابداری نوظهور به دلیل فقدان دانش موردنیاز دادهکاوی، پیچیدگی تقلبهای جدید و عدم تجربه کافی حسابرسان کناربیایند. در این پژوهش، انواع مدلهای آماری و یادگیریماشین در دستیابی به الگویی با کارایی بالا در پیشبینی گزارشگری مالی متقلبانه استفاده شد. از 20 متغیر در قالب الگوی پنج ضلعی تقلب با تاکید بر ساختار کنترلهای داخلی در 166 شرکتهای فعال در بورس اوراق بهادار تهران طی سالهای 1388 الی 1397 و مقایسه بین مدلهای مورد بررسی، باکمک آزمـون مقایسـة نسبتها، نشان میدهدکه به لحاظ آماری مدلهای یادگیری ماشـین درپیشبینی گزارشگری مالی متقلبانه نسـبت بـه مدلهای آماری، کارایی و دقت بیشتری دارند. ترکیب الگوریتم درخت تصمیمگیری CHAID، C5 و C&R بالاترین دقت در پیشبینی گزارشگری مالی متقلبانه را با دقت بالای 61/92 درصد در پیشبینی تقلب نشان میدهد. روشهای دادهکاوی بر پایه مدلهای یادگیری ماشین و بویژه ترکیب آنها بطور موفقیتآمیزی در پیشبینی و کشف تقلبدر صورتهای مالی میتواند مورد استفاده قرار گیرد.
The existence and persistence of fraud in financial statements can have adverse impact on the sustainable development of the capital markets as well as the financial health of companies. Using conventional audit procedures which is applied to prevent and detect fraudulent financial statements, auditors fail to cope with emerging accounting frauds. This can be due to many reasons, such as the lack of the required data mining knowledge, the complexity and infrequency of financial frauds, and the auditors without much experience. Accordingly, due to importance of identifying fraud in capital market, different types of statistical and machine learning based models were examined to establish a rigorous and effective model to detect financial statements fraud in this study. For this purpose, 20 variables in the form of the pentagonal fraud with emphasis on the structure of internal controls (pressure, opportunity, justification, capability, arrogance and internal control structure) were used from 166 manufacturing companies listed on Tehran stock exchange over the period 2009-2018. Based on the statistical indices obtained, machine learning based models exhibited higher predictive ability and accuracy than statistical based models in predicting financial statement fraud. The results also showed that C5, CHAID and C&R decision tree models were highly accurate in prediction of fraudulent datapresented in fnancial statement. Accordingly, the efficacy of combination of CHAID, C5 and C&R decision tree algorithms which had the highest accuracy in prediction of fraudulent financial reporting was examined. The high accuracy of 92.61% of the combination of these algorithms in fraud prediction shows that data mining methods based on machine learning models and especially their combination can be used successfully in fnancial statement fraud prediction.
خلاصه ماشینی:
از ٢٠ متغیر در قالب الگوی پنج ضلعی تقلب با تاکید بر ساختار کنترل های داخلی در ١٦٦ شرکت های فعال در بورس اوراق بهادار تهران طی سالهای ١٣٨٨ الی ١٣٩٧ و مقایسه بین مدل های مورد بررسی، با کمک آزمـون مقایسـۀ نسبت ها، نشان میدهد که به لحاظ آماری مدل های یادگیری ماشـین در پیش بینی گزارشگری مالی متقلبانه نسـبت بـه مدل های آماری، کارایی و دقت بیشتری دارند.
آنچـه ایـن پژوهش را از پژوهش های مشابه متمایز می - کند، به شرح زیر است : برای پیش بینی گزارشگری مالی متقلبانه ، از ٢٠ متغیر در قالب پنج ضلعی تقلب با تاکید بر ساختار کنترل های داخلی (فشار، فرصت ، توجیه ، قابلیت ، تکبر و ساختار کنترل های داخلی) که شامل نسبت های مالی، متغیرهای غیرمالی و متغیرهـای حاکمیت شرکتی می - باشد استفاده شده است ؛ برای پیش بینی گزارشگری مالی متقلبانه ، از ٢٧ مدل مختلف شامل ٨ مدل آمـاری و ١٩ مـدل یـادگیری ماشین در نرم افزارهای داده کاوی(١٨ SPSS Modeler و RapidMiner) و فصلنامـه اقتصاد مالی شماره ٥٤ / بهار ١٤٠٠ نرم افزارهای آماری (نسخۀ٢٢ SPSS، نسخۀ ٩ Eviews ونسخه ١٨ Minitab) به صـورت مقایسـه ای استفاده شده است .
"Financial statement fraud detection by data mining.
Fraud Diamond: Detection Analysis on The Fraudulent Financial Reporting.
Modelling The Effective Variables for of Financial Statements Fraud Detection using Data Mining Techniques .
"Detecting the financial statement fraud: The analysis of the differences between data mining techniques and experts’ judgments.
"Survey of clustering based financial fraud detection research.
"A review of financial accounting fraud detection based on data mining techniques.