کشف تقلب صورت‌های مالی با توجه به گزارش حسابرسی صورت‌های مالی

محورهای موضوعی : حسابداری مدیریت

مهدی رضائی ¹ , مهدی ناظمی اردکانی ² , علیرضا ناصر صدرآبادی ³

1 - دانشجوی دکتری حسابداری، واحد یزد، دانشگاه آزاد اسلامی، یزد، ایران.
2 - استادیار گروه حسابداری، دانشگاه یزد، یزد، ایران
3 - استادیار گروه مدیریت صنعتی، دانشگاه یزد ، یزد، ایران.

تاریخ دریافت : 1398/03/25 تاریخ پذیرش : 1398/07/20 تاریخ انتشار : 1399/04/01

کلید واژه: تقلب صورت‌های مالی, گزارش حسابرسی صورت‌های مالی, یادگیری ماشین,

چکیده مقاله :

هدف اصلی این مقاله کشف تقلب صورت‌های مالی با توجه به گزارش حسابرسی صورت‌های مالی است. داده های اولیه مورد بررسی در این پژوهش، مربوط به نمونه آماری با حجم 164 شرکت پذیرفته شده در بورس اوراق بهادار تهران طی مقطع زمانی 1396-1393 می‌باشد، که به روش نمونه گیری حذف سیستماتیک گزینش شده اند. نمونه آماری پژوهش با توجه به نوع گزارش حسابرسی به دو گروه مجزا شامل شرکت های متقلب(1) و شرکت های غیرمتقلب(0) دسته بندی شده اند. متغیرهای مستقل تاثیر گذار بر تقلب در این پژوهش در برگیرنده 41 متغیر مالی و غیر مالی می باشد که بر اساس مبانی نظری و پیشینه پژوهش انتخاب شده اند. در نهایت داده های مربوط به متغیرها که به روش کتابخانه ای جمع آوری گردیده است، به پنچ تکنیک برتر از بین تکنیک های یادگیری ماشین داده شده است، که این تکنیک ها شامل؛ شبکه های بیزین، درخت تصمیم، شبکه های عصبی ، ماشین بردار پشتیبان و روش ترکیبی می باشد. پس از بکارگیری این تکنیک ها در کشف تقلب صورت‌های مالی ، نتایج نشان داد تمامی تکنیک ها قابلیت کشف تقلب صورت‌های مالی را در سطح نسبتا بالایی دارند و تکنیک پیشنهادی ترکیبی با میزان نرخ پیش بینی 96.2% دارای دقت و توان ارزیابی بالاتری نسبت به سایر تکنیک ها است.

چکیده انگلیسی:

This paper aims the detection of financial statements fraud according to audit report of financial statments. The initial research data were collected from a statistical sample consisting of 164 companies, listed in the Tehran Stock Exchange from 2014 to 2017 and selected through the systematic sampling method. The statistical sample was divided into two separate groups, i.e. fraudulent (1) and non-fraudulent (0) companies. The independent fraud-related variables included 41 financial and nonfinancial variables, selected through theoretical foundations and the research background. The data of variables, collected through the desk method, were finally analyzed through the top five techniques of machine learning, including; the Bayesian networks, the decision tree, artificial neural networks, support vector machine, and combined method. According to the results, all of these techniques were highly capable of fraud detection in financial statements. Moreover, the proposed combined technique outperformed the other techniques in evaluation accuracy and power with an estimation rate of 96.2%.

منابع و مأخذ:

*      امینی، پیمان، محمدی، کامران، عباسی، شعیب، (1390)، "بررسی عوامل مؤثر بر صدور گزارش مشروط حسابرسی: کاربرد روش شبکه عصبی"، فصلنامه حسابداری مدیریت، 4(11)، 25-39.

*      اعتمادی، حسین، عبدلی، لیلا، (1396)، "کیفیت حسابرسی و تقلب در صورت‌های مالی"، مجله علمی پژوهشی دانش حسابداری مالی، 4(4)، 23-43.

*      تاراسی، مجتبی، بنی طالبی دهکردی، بهاره، زمانی، بهزاد، )1398(،" پیش بینی گزارشگری مالی متقلبانه از طریق شبکه عصبی مصنوعی (ANN) ،فصلنامه علمی پژوهشی حسابداری مدیریت، 12 (40)، 63-79.

* حجازی، رضوان، محمدی، شاهپور، اصلانی، زهرا، آقاجانی، مجید(1391). "پیش بینی مدیریت سود با استفاده از شبکه عصبی و درخت تصمیم در شرکت های پذیرفته شده در بورس اوراق بهادار تهران" ، بررسی های حسابداری و حسابرسی، 19(2)، 31-46.

*      خدمتگزار سالانقوچ، یاسر، (1392)،   "بررسی خوشه بندی در شبکه های حسگر بی سیم و ارائه یک متد جدید در این رابطه"پایان نامه کارشناسی ارشد کامپیوتر، دانشگاه مهندسی فناوری نوین قوچان.

*      رهنمای رودپشتی. فریدون، (1391)،" داده کاوی وکشف تقلب"،فصلنامه دانش حسابداری وحسابرسی مدیریت، 1(3)،17-33.

*      ستایش، محمد حسین، ابراهیمی، فهیمه، سیف، سید مجتبی، ساریخانی، مهدی، (1391)، "پیش بینی نوع اظهار نظر حسابرسان با رویکری بر روش های داده کاوی"، فصنامه علمی پژوهشی حسابداری مدیریت، 5(11)، 69- 82.

*      عظیمی، افسانه، نورحسینی، سیدمجید، (1396)، "کشف و پیش بینی تقلبات مالی در بانک ها با استفاده از روش های داده کاوی" ، دومین کنفرانس پژوهش های دانش بینان در مهندسی کامپیوتر فناوری اطلاعات، تهران، دانشگاه مجلسی.

*      غلامی زاده، فائزه، حصارزاده، رضا، ساعی، محمد،(1397)، معیارهای واژه محور و معیارهای سنتی تقلب در گزارش های مالی،  راهبرد مدیریت مالی، 6(20)، 73-92.

*      کمیته تدوین استانداردهای حسابرسی (1388)، "استانداردهای حسابرسی"، چاپ دهم، تهران، انتشارات سازمان حسابرسی.

*      علیزاده، سمیه و ملک محمدی، سمیرا، (1393)، " داده کاوی و کشف دانش گام به گام با نرم افزار کلمنتین"، تهران: انتشارات دانشگاه خواجه نصیرالدین طوسی.

*      غضنفری، مهدی، علیزاده، سمیه، تیمورپور، بابک، (1387)، " داده کاوی و کشف دانش، انتشارات دانشگاه علم و صنعت.

*      فرقاندوست حقیقی، کامبیز، بروآری، فرید و فروغی دهکردی، امین، (1393)، "مطالعه رابطه مدیریت سود و امکان تقلب در صورت‌های مالی "، فصلنامه دانش حسابرسی، 14(56)، 67-68.

*      کیقبادی، امیررضا، فتحی، سمیه، سیف، سمیرا، (1394). رتبه بندی میزان تاثیر اقلام کلیدی ترازنامه ای و نسبت های سودآوری در انتخاب پرتفوی بهینه (با استفاده از داده کاوی)، پژوهش های حسابداری مالی و حسابرسی، دوره 7(28)، 75-86.

*      نعمتی، مجتبی، سینه سپهر، مهرنوش و احمدی ترشیزی،حسن، (۱۳۹۲)، "تشخیص تقلب بر اساس تکنیک های داده کاوی"، نخستین همایش منطقه ای فناوری اطلاعات، چالوس، موسسه آموزش عالی طبرستان.

*      وکیلی‏فرد، حمیدرضا، جبارزاده، سعید و سلطان احمدی، اکبر، (1388)، "بررسی ویژگی‌های تقلب در صورت‌های مالی" ، حسابدار، 24(210)، 36-41.

*      هان، ژیاوی، میشلین، کامبر و ژان پی، (1392)، "داده کاوی-مفاهیم و روشها"، جلد دوم،ترجمه نسترن حاجی حیدری و سید بهنام خاکباز، تهران، انتشارات دانشگاه تهران.

*      Chi-Chen, Lin , An-An Chiu , Shaio Yan Huang , David C. Yen,(2015) ,”Detecting The Financial Statement Fraud: The Analysis Of The Differences Between Data Mining Techniques And Experts Judgments”,Knowledge-Based Systems, 89(15), Pp.459-470.

*      Che. Tsai, Hung. C, (2008),“Automatically Annotating Images With Keywords: A Review Of Image Annotation Systems”, Recent Patents On Computer Science, Vol.1, Pp. 55-68.

*      Dechow, M. P. , Sloan, R. G. , & Sweeney, A. P. (1996). “ Couses And Consequences Of Earnings Manipulation: An Analysis Of Firms Subject To Enforcement Actions By The Sec” Contemporary Accounting Research , vol.13 NO.1, PP.1-36.

*      Dechow, M. P. , Sloan, R. G. , & Sweeney, A. P. (1995). " Detecting earnings management " The Accounting Review, 70 (2) , 193.

*      Domingues, D., Filippone, M., Michiardi, P., (2019) “ Probabilitic Modeling For Novelty Detection With Applications To Fraud Identification,Phd Thesis of   Paris Sorbonne Universite.

*      Fama, E. F. and Jensen, M. C. (1983). “Scparation of ownership and control” ,Journal of Law and Economics, Vol. 26. PP: 327-349.

*      Jen Chen, Yuh, Ching Liou, Wan, Min Chen, Jyun, Han Wu(2018), “Fraud Detection For Financial Statements Of Business Groups” ,International Journal Of Accountion Information Systems” 7(15), Pp10-26.

*      Javier Moreno Arboleda, Francisco, Guzman –Luna, Alberto, Durely Torres, (2018), “Fraud Ditection –Oriented Opretors In a Data Warehouse Base On Forensic Accounting Techniques”, COMPUTER FRAUD & SECURITY, 10(2018),PP:13-19.

*      Kotsiantis, S., (2006), “Method Of Financing”, Australian Accounting Review, Pp: 538-542 (Springer-Verlag Berlin, Heidelberg@ 2006).

*      Normah. O. Zulaikha, Amirah., J.  Malcolm, S., (2017),   "Predicting Fraudulent Financial Reporting Using Artificial Neural Network" , Journal Of Financial Crime, 24 ( 2), Pp.362-387.

*      Sadgali. I, Sael. N & Benabbou. F,(2019), “Performance of machine learning techniques in the detection of financial frauds” Procedia Computer Science, 148(2019), Pp:45-54.

*      Spathis, C. , (2002). Detecting False Financial Statements Using Published Data: Some Evidence from Greece. Managerial Auditing Journal, Vol. 17(4), pp. 179-191.

*      Vapnik ,V. , (1995), “The Nature of Statistical Learning Theory”, Springer-Verleg.

*      Watts, Rl. , &, Zimerman, J. L.,   (1986), Pozetive Accounting Theory “, 2(124)