ارائه خط مشی مالی با پیش بینی تقلب صورتهای مالی

محورهای موضوعی : خطمشی‌گذاری عمومی در مدیریت

سید جلال احمدی ¹ (دانشجوی دکترای حسابداری، گروه حسابداری، واحد سمنان، دانشگاه آزاد اسلامی، سمنان، ایران)
خسرو فغانی ماکرانی ² (دانشیار، گروه حسابداری، واحد سمنان، دانشگاه آزاد اسلامی، سمنان، ایران (نویسنده مسئول))
نقی فاضلی ³ (استادیار، گروه حسابداری، واحد سمنان، دانشگاه آزاد اسلامی، سمنان، ایران)

تاریخ دریافت : 1398/11/07 تاریخ پذیرش : 1399/05/25 تاریخ انتشار : 1399/02/22

کلید واژه: نسبت‌های مالی, خط مشی مالی, شبکه عصبی, تقلب,

چکیده مقاله :

زمینه: مسئولیت مدیریت، ایجاد جو سازمانی مناسب است که در آن تقلب بدترین جرم مطرح شود. روشهای شناسایی تقلب در ارائه خط‌مشی مالی به مدیریت جهت پیشگیری از تقلب نقش بسزایی دارد. هدف: ارائه خط مشی مالی به مدیریت در پیش بینی تقلب صورت‌های مالی با استفاده از تکنیک داده کاوی شبکه عصبی. روش پژوهش: 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 تکنیک داده کاوی شبکه عصبی مورد تجزیه و تحلیل قرار گرفت. 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 روش شبکه عصبی جهت ارائه خط مشی مالی به مدیریت در پیش بینی تقلب صورتهای مالی به کار برده شد. یافته ها: روش درخت تصمیم در ارائه خط مشی مالی به مدیریت در پیش بینی تقلب صورت‌های مالی موثر می باشد. نتیجه گیری: از آنجا که روش‌ درخت تصمیم 65.4 درصد پیش بینی صحیح داشته می‌تواند در ارائه خط‌مشی مالی به مدیریت جهت پیش بینی تقلب موثر باشد.

چکیده انگلیسی:

Background: Management responsibility is creating the right organizational climate in which fraud is the worst crime. methods of identifying fraud play an important role in preventing fraud. Objective: To provide financial policy to management in predicting financial fraud by using neural network data mining Research method: Descriptive-applied research method and time domain is also from 2008 to 2017. In this study, financial ratios for both fraudulent and non-fraudulent samples and network data mining were analyzed. Pearson's correlation coefficient was then examined for the model linearity for financial ratios and the elimination of independent correlated variables. In the next step, the neural network method was used to provide financial policy to management regarding the prediction of financial statement fraud. Findings: The decision tree method is effective in providing financial policy to management in predicting financial statement fraud. Conclusion: Since the decision tree method has 65.4% correct forecast, it can be effective in providing financial policy to management to predict fraud.