بکارگیری مدل های تئوری راف توسعه یافته (ERST) و تحلیل تفسیری-ساختاری (ISM) و درخت تصمیم (CART) برای کمک به حسابرسان جهت شناخت تقلب در صورت های مالی شرکت های پذیرفته شده در بورس اوراق بهادار ایران
الموضوعات : دانش سرمایهگذاریداود حسن پور 1 , حسن ولیان 2 , مهدی صفری گرایلی 3 , رضا طهماسبی زاده 4
1 - مربی گروه حسابداری، دانشگاه پیام نور، تهران، ایران
2 - گروه حسابداری
3 - استادیار گروه حسابداری، واحد بندرگز، دانشگاه آزاد اسلامی، بندرگز، ایران.
4 - گروه حسابداری، واحد شهرکرد، دانشگاه آزاد اسلامی، شهرکرد، ایران
الکلمات المفتاحية: درخت تصمیم (CART), تقلب در صورت های مالی, تئوری راف توسعه یافته (ERST), تحلیل ساختاری-تفسیری (ISM),
ملخص المقالة :
هدف این تحقیق از طریق بکارگیری مدل مجموعه تئوری راف توسعه یافته (ERST)، تحلیل ساختاری-تفسیری (ISM) و درخت تصمیم گیری (CART) به دنبال کمک به حسابرسان برای شناخت بیشتر مجاری تقلب شرکت های بورس اوراق بهادار ایران می باشد. روش این پژوهش ترکیبی و مبتنی بر اقتباس مبانی نظری از طریق روش ارزیابی انتقادی به منظور شناسایی ویژگی ها و معیارهای تقلب در صورت های مالی (x) و ویژگی ها اعمال تقلب از طریق آن ها (y) می باشد و بر اساس تحلیل ساختاری-تفسیری (ISM)، درخت تصمیم (CART) و مدل توسعه یافته تئوری راف (ERST) به دنبال تعیین موثرترین معیارهای تقلب و راه های اعمال آن در صورت های مالی می باشد. جامعه ی آماری پژوهش شامل 12 نفر از حسابرسان خبره می باشد که از طریق نمونه گیری هدفمند و همگن انتخاب شدند. در این پژوهش 18 شاخص به عنوان معیارهای تقلب و 5 ویژگی به عنوان راه های اعمال تقلب شناسایی شدند. نتایج پژوهش نشان داد بر اساس نتیجه ی تحلیل ساختاری-تفسیری (ISM) و درخت تصمیم (CART) مالکیت مدیریتی به عنوان مهمترین شاخص تقلب و بر اساس مدل توسعه یافته تئوری راف (ERST) حساب های دریافتنی به عنوان مهمترین ویژگی اعمال تقلب محسوب می شوند. بر این اساس در نتیجه گیری این پژوهش باید بیان نمود، برای تعیین تقلب در صورت های مالی می توان از دو شاخص پایین بودن موجودی کالا به فروش (X12) و بالا بودن مالکیت مدیریتی (X17) بر اساس تغییرات در حساب های دریافتنی استفاده نمود.
آذر، ع.، خسروانی، ف.، جلالی، ر. (1392). تحقیق در عملیات نرم رویکردهای ساختاردهی، تهران: سازمان مدیریت صنعتی.
حساس یگانه، یحیی.، ظهیر، مصطفی.، غفاری، زهرا. (1395). بررسی رابطه میان نقش نظارتی حسابرسان و ارتقای سلامت نظام اداری، فصلنامه دانش حسابداری و حسابرسی مدیریت، سال پنجم، شماره 18، تابستان، 83-92.
خواجوی، شکرالله.، ابراهیمی، مهرداد. (1396). ارائة یک رویکرد محاسباتی نوین برای پیش بینی تقلب در صورت‌های مالی، با استفاده از شیوه‌های خوشه بندی و طبقه بندی (شواهدی از شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران)، مجله ی پیشرفت‌های حسابداری دانشگاه شیراز، دوره نهم، شماره دوم، پاییز و زمستان، پیاپی 3/73، 1-34.
خواجوی، شکرالله.، ابراهیمی، مهرداد. (1396). مدل سازی متغیرهای اثرگذار برای کشف تقلب در صورت‌های مالی با استفاده از تکنیک‌های داده کاوی، فصلنامه حسابداری مالی، سال نهم، شماره 33، بهار، 23-50.
رضایی پندری، عباس و یکه زارع، محسن. (1395). طراحی مدل ساختاری-تفسیری عوامل انتقال فناوری موفیت آمیز در راستای رسیدن به توسعه پایدار، پژوهش‌های مدیریت در ایران، دوره 20، شماره 1، بهار، 61-79.
محمدی مقدم؛ احسان.، معین الدین، محمود.، حیرانی، فروغ. (1397). شناسایی و رتبه بندی عوامل مؤثر بر احتمال بروز تقلب یا اعمال مجرمانه توسط حسابداران با استفاده از نظریه مثلث تقلب، فصلنامه علمی‌پژوهشی دانش حسابداری و حسابرسی مدیریت، سال هفتم، شماره 25، بهار، 123-138.
هاشمی، سید عباس.، حریری، امیر سینا. (1396). ارزیابی توانایی قانون بنفورد در شناسایی و پیش بینی کشف تقلب مالی، فصلنامه بررسی‌های حسابداری و حسابرسی، دوره 24، شماره 2، تابستان، 283-302.
American Institute of Certified Public Accountants (AICPA). (1997). "Consideration of fraud in a financial statement audit", Statement on Auditing Standards No. 82 New York.
Amiram, D., Bozanic, Z. & E. Roen. (2015). Financial Statement Errors: Evidence from the Distributional Properties of Financial Statement Numbers. Review of Accounting Studies, 20(4), 1540-1593.
Awang, Yunitam Suhaiza Ismail,Abdul Rahim Abdul Rahman. (2016). Measuring the potential for financial reporting fraud in a highly regulated industry the industry, The International Journal of Accounting and Business Society. Vol. 24, No. 1. Pp. 81- 97.
Beasley, M. (1996). "An empirical analysis of the relation between board of director composition and financial statement fraud", The Accounting Review, vol. 71, no. 4; 443-466.
Breiman, L., Friedman, J, H., Olshen, R, A., Stone, C. (1984). "Classification and regression trees", Wadsworth International Group: Belmont, California.
Caetano, S., Aires-de-Sousa, J., Daszykowski, M., Vander Heyden. Y. (2005). "Prediction of enantioselectivity using chiralitv codes and classification and regression Trees", Anaiytica Chimica Acta, vol. 544, no. I -2, pp 315-326.
Chen, G. (2006). "Positive research on the financial statement fraud factors of Listed companies in China", Journal of Modern Accounting and Auditing, vol. 2, no. 6; 25-34.
Chen, J., Cumming, D., Hou, W. and Lee, E. (2016).“Does the External Monitoring Effect of Financial Analysts Deter Corporate Fraud in China?”, Journal of Business Ethics, Vol.134 No. 4, pp.727-742
Eining M, Jones D and Loebbecke J. (1997). "Reliance on decision aids: An examination of auditors' assessment of management fraud". Auditing: A Journal of Practice and Theory; 16:1-19.
Fanning, K. M. and K. O. Cogger (1994). “A Comparative Analysis of Artificial Neural Networks Using Financial Distress Prediction”, Intelligent Systems in Accounting, Finance and Management, Vol. 3, pp. 241-252.
Feroz, E. H., Kwon, T. M., Pastena, V. S., & Park, K. (2002). The efficacy of red flags in predicting the SEC’s targets: An artificial neural networks approach. International Journal of Intelligent Systems in Accounting, Finance and Management, 9, 145–157
Feroz, F., Park, K., Pastena, V. (1991). "The financial and market effects of the SECs accounting and auditing enforcement releases", Journal of Accounting Research, vol. 29, no. 3, ppI07-142.
Firth, M., Rui, O. M. and Wu, W. (2011). “Cooking the books: Recipes and costs of falsified financial statements in China”, Journal of Corporate Finance, Vol. 17 No. 2, pp. 371-390
Greco, S., Matarazzo, B., and Slowinski, R. 2001, “Rough sets theory for multicriteria decision analysis,” European Journal of Operational Research, Vol. 129, No. 1. Pp1-47.
Green, B. P. and J. H. Choi (1997). “Assessing the Risk of Management Fraud through Neural Network Technology.” Auditing: A Journal of Practice & Theory, Vol. 16, pp. 1428-.
Huang, S. H., Tsaih, R. H., & Yu, F. (2014). Topological pattern discovery and feature xxtraction for fraudulent financial reporting. Expert Systems with Applications, 41, 4360–4372.
Imai, sh., Weilin, Ch., Watada, J., Tzeng, G, H. (2008). Rough Sets Approach to Human Resource Development of Information Technology Corporations, IJSSST, Vol. 9, No. 2, May, 31-42.
Jitesh Thakkar, S.G. Veshmukh, A.V. Gupta anV Ravi Shankar, (2017). “Vevelopment of a balanceV scorecarV An integrateV approach of Interpretive Structural MoVeling (ISM) anV Analytic Network Process (ANP)”, International Journal of ProVuctivity anV Performance Management , 56 ( 1), 25-59.
Kaminski, K. A., Wetzel, T. S., & Guan, L. (2004). Can financial ratios detect fraudulent financial reporting? Managerial Auditing Journal, 19,15–28.
Kirkos, E., Spathis, C., & Manolopoulos, Y. (2007). Data mining techniques for the detection of fraudulent financial statements. Expert Systems with Applications, 32, 995–1003
Knapp, C, A., Knapp, M, C. (2001). "The effects of experience and explicit fraud risk assessment in detecting fraud with analytical procedures", Accounting, Organizations and SOCiety, vol. 26, no. 1; 25-37.
Kotsiantis, S., Koumanakos, E., Tzelepis, D., Tampakas, V. (2016). "Forecasting fraudulent financial statements using data mining", International Journal of Computational Intelligence, vol. 3, no. 2; l04-110.
Lin, T, T. (2009). "A cross model study of corporate financial distress prediction in Taiwan: Multiple discriminant analysis, logit, probit and neural networks models", Neurocomputing, vol. 72, no. 16, pp3507-3516.
Pai, P, F., Hsu, M, F., Wange, M, Ch. (2010). "Analyzing academic achievement of junior high school students by an improved rough set model", Computers and Education, vol. 54, no. 4, pp889-900.
Pai, P, F., Hsu, M, F., Wange, M, Ch. (2018). Computer-Assisted Audit Techniques based on an Enhanced Rough Set Model, Identify applicable sponsor ls here. (IEEE).
Pawlak, Z. 1982, “Rough sets,” International Journal of Computer and Information Science, Vol. 11, No. 5. Pp341–356.
Perols, J . L., Lougee, B, A. (2011).The relation between earnings management and financial statement fraud. Advances in Accounting, incorporating Advances in International Accounting, 27, 39-53.
Persons, O, S., Milind, S., Zeng, T., Uma, V. (2015). "The relation between the new corporate governance rules and likelihood of financial statement fraud", Review of Accounting and Finance, vol. 4, no. 2; I25-148.
Persons, O. (1995). Using financial statement data to identify factors associated with fraudulent financial reporting. Journal of Applied Business Research, 11, 38–46.
Ravisankar, P., Ravi, V., Rao, G. R., & Bose, I. (2011). Detection of financial statement fraud and feature selection using data mining techniques. Decision Support Systems, 50, 491-500
Segal, S.Y., (2016). Accounting frauds – review of advanced technologies to detect and prevent frauds. Economics and Business Review, 16 (4): 45–64.
Singh M.V., Shankar, R, Narain R , Agarwal, (2003), “An interpretive structural moVeling of knowleVge management in engineering inVustries”, Journal of AVvances in Management Research, 1, 28 – 40.
Spathis, C. (2006) "Detecting false financial statements using published data: some evidence from Greece", Managerial Auditing Journal, vo1. 17, noA, pp 179-191.
Spathis, C., Doumpos, M., & Zopounidis, C. (2002). Detecting falsified financial statements: A comparative study using multicriteria analysis and multivariate statistical techniques. European Accounting Review, 11(3), 509-535
Spathis, C., Doumpos, M., Zopounidis, C. (2002). "Detecting falsified financial statements: a comparative study using multicriteria analysis and multivariate statistical techniques", The European Accounting Review, vol. II, no. 3, pp509-535.
Spathis, C., Doumpos, M., Zopounidis, C. (2002). "Detecting falsified financial statements: a comparative study using multicriteria analysis and multivariate statistical techniques", The European Accounting Review, vol. II, no. 3, pp509-535.
Wei, Y., chen, J., Wirth, C. (2017). "Detecting fraud in Chinese listed company balance sheets", Pacific Accounting Review, https://doi.org/10.1108/PAR-04-2016-0044.
Weisbach, S., (1988). “Outside directors and CEO turnover”. Journal of Financial Economics, Vol. 20, 431–460.
Whiting, D., G., Hansen, J. V., Mcdonald, J., B., Albrecht, C., & Albrecht, W. S. (2012). Machine learning methods for detecting patterns of management fraud. Computational Intelligence, 28, 505-527.
Witlox, F., Tindemans, H. (2004). "The application of rough sets analysis in activity-based modeling, opportunities and constraints", Expert Systems with Applications, vol. 27, no. 4, pp585-592.
Yeh, C.C.; Chi, D.J.; Lin, Y.R. Going-concern prediction using hybrid random forests and rough set approach. Inf. Sci. 2014, 254, 98–110.
Zhu, J. and Gao, S. S. (2011), “Fraudulent Financial Reporting: Corporate Behavior of Chinese Listed Companies”, Research in Accounting in Emerging Economies, Vol.11, pp. 61-82.
_||_