Presenting a Fraud Prediction Model Based on Artificial Intelligence (Naïve Bayes)

Subject Areas : Ethics and accounting

Ali Zarei ¹ , Fereydoun Rahnamai Roudpashti ² , Mohammad hamed khan mohammadi ³ , Hamidreza Kordlouie ⁴

1 - PhD. Student, Department of Accounting, Emirates Branch, Islamic Azad University, Dubai, United Arab
2 - Professor, Department of Accounting, Science and Research Branch, Islamic Azad University, Tehran, Iran
3 - Assistant Professor, Department of Accounting, Damavand Branch, Islamic Azad University, Damavand, Iran
4 - Associate Professor, Department of Accounting, Islamshahr Branch, Islamic Azad University, Islamshahr, Iran

Received: 2024-08-04 Accepted : 2024-11-16 Published : 2025-01-08

Keywords: Simple Naïve Bayes model, Fraud detection, Support vector machine, Artificial intelligence.,

Abstract :

Purpose: After the technological revolution and the advent of the Internet, the rise of artificial intelligence has had a particularly profound impact on various fields, including accounting. In fact, artificial intelligence-based models are able to perform tasks such as detecting or predicting fraud by analyzing data, which significantly reduces human error and provides more reliable outcomes. In this context, the objective of the present study is to examine the efficiency and effectiveness of the "Naive Bayes" method in predicting fraud.

Methods: The present study is applied in terms of its purpose and causal in terms of its nature and methodology. It is also retrospective regarding the characteristics and direction of the data, utilizing historical information. This study aims to predict fraud in the financial statements of companies listed on the Tehran Stock Exchange. To select a statistical sample, only companies engaged in production activities were included, which means that financial institutions and banks were excluded from the sample. On the other hand, the selected companies must have a fiscal year that ends in March. It is important to note that the research period spans from 2016 to 2022. Necessary measures were implemented to gather theoretical resources through library research, as well as to collect the data needed to test the hypotheses using archival methods and by consulting the Stock Exchange website. In this research, information related to the time series of the total index was collected from the official website of the Stock Exchange Company. Excel software was utilized to organize the data and perform basic calculations on the raw data, while Python was employed to analyze the data and develop artificial intelligence models.

Findings: The method studied in this study demonstrates a strong capacity to predict fraud based on the variables present in the financial statements of publicly listed companies, achieving an accuracy rate of 84%, a precision rate of 84%, and a recall rate of 98%.

Conclusion: Fixed assets and capital variables significantly influence the occurrence of fraud. It is anticipated that any changes in the company's income and profitability levels will also result in corresponding adjustments in the volume of fixed assets and available capital. Therefore, companies can more easily commit fraud to manipulate their performance, given the accessibility and simplicity of altering the reporting of these variables. The results obtained are consistent with the definitions provided by the Association of Official Auditors, which states that changes in assets are a significant variable contributing to the occurrence of fraud in various companies. Therefore, fluctuations in asset and capital levels can serve as significant indicators of potential fraud.

References:

ابراهیمیان، محمدرضا؛ ایزدی‌نیا، ناصر؛ امیری، هادی (1399). ارائه مدلی به منظور پیش‌بینی احتمال تقلب در صورت‌های مالی با استفاده از رگرسیون لجستیک. دانش حسابرسی، 20(79).
بهرامی، آسو؛ نوروش، ایرج؛ راد، عباس؛ محمدی ملقرنی، عطاالله (1399). پیش‌بینی تقلب در صورت‌های مالی شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران. مطالعات تجربی حسابداری مالی، 16(65)، ص 35-92.
دهدار، فرهاد؛ مرادی، محمدحسین (1400). بهره‌گیری از رویکرد داده‌کاوی و شناسایی تقلب در صورت‌های مالی. چشم‌انداز حسابداری و مدیریت، 4(45).
رضایی، مهدی؛ ناظمی اردکانی، مهدی؛ ناصر صدرآبادی، علیرضا (1399). پیش‌بینی تقلب صورت‌های مالی با استفاده از رویکرد کریسپ (CRISP). دانش حسابداری و حسابرسی مدیریت، 10(4).
صدیقی کمال، لیلا (1392). تقلب صورت‌های مالی براساس گزارش انجمن بازرسان رسمی تقلب. حسابرس، شماره 64.
عباسی، ابراهیم؛ فهیمی، محبوبه (1399). مدل تشخیص تقلب در صورت‌های مالی با استفاده از نسبت‌های مالی. مطالعات حسابداری و حسابرسی، شماره 36، ص 99-122.
علیزادگان، لیلا؛ صمدی لرگانی، محمود؛ ایمنی، محسن (1401). تأثیر تیپ شخصیتی و اخلاق حرفه‌ای بر توانایی حسابرسان در کشف تقلب با استفاده از تئوری رفتار برنامه‌ریزی شده با نقش تردید حرفه‌ای. پژوهش‌های حسابداری مالی و حسابرسی، 14(2).
کاظمی، توحید؛ پیری، پرویز (1401). پیش‌بینی طرح تقلب در گزارشگری مالی با استفاده از رویکرد یادگیری ماشین در فضای چند کلاسه. پژوهش‌های تجربی حسابداری، 12(46).
کامرانی، حسین؛ عابدینی، بیژن (1401). تدوین مدل کشف تقلب صورت‌های مالی با استفاده از روش‌های شبکه عصبی مصنوعی و ماشین بردار پشتیبانی در شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران. دانش حسابداری و حسابرسی مدیریت،11(41)، ص 285-314.
ملکی کاکلر، حسن؛ بحری ثالث، جمال؛ جبارزاده کنگرلویی، سعید؛ آشتاب، علی (1399). کارایی مدل‌های آماری و الگوهای یادگیری ماشین در پیش‌بینی گزارشگری مالی متقلبانه. اقتصاد مالی، 15(4).
نجفی، سمیه؛ صالحی، اله کرم؛ امیری، هوشنگ (1401). ارائه الگویی برای کشف تقلب مالیاتی براساس تیپ‌های شخصیتی مدیران مالی شرکت‌ها با استفاده از رویکرد شبکه‌های عصبی. پژوهشنامه مالیات، شماره 53.
وقفی، سید حسام (1398). کاربرد الگوریتم هوش مصنوعی در پیش‌بینی ورشکستگی مالی با استفاده از متغیرهای کلان اقتصادی و حسابداری در شرکت‌های پذیرفته شده بورس اوراق بهادار تهران. تصمیم‌گیری و تحقیق در عملیات،
4(1/ ویژه‌نامه).
Al Ali, A.M., Khedr, A., El-Bannany, M. & Sakeena Kanakkayil, S. (2023). A Powerful Predicting Model for Financial Statement Fraud Based on Optimized XGBoost Ensemble Learning Technique, Learning Technique. Appl. Sci. no. 13. https://doi.org/10.3390/ app13042272
Albrecht, W.S., Howe, K.R. & Romney, M.B. (1984). Deterring Fraud: The Internal Auditor’s Perspective. Altomonte Springs. FL: The Institute of Internal Auditors’ Research Foundation.
Ali, A., Abd Razak, S., Othman, S.H., Eisa, T.A.E., Al-Dhaqm, A., Nasser, M., Elhassan, T., Elshafie, H. & Saif, A. (2022). Financial Fraud Detection Based on Machine Learning: A Systematic Literature Review. Appl. Sci. no. 12. https://doi.org/10.3390/ app12199637
Bannany, M., Dehghan, A. & Khedr, A. (2021). Prediction of Financial Statement Fraud using Machine Learning Techniques in UAE. 18th International Multi-Conference on Systems, Signals & Devices (SSD).
Cooper, D.J., Dacin, T. & Palmer, D.A. (2013). Fraud in accounting, organizations and society: extending the boundaries of research. Accounting, Organizations and Society, 38(2), p. 440-457.
Cressey, D.R. (1950). The criminal violation of financial trust. American, Sociological Review, 15(6), p. 738-743.
Doost, R.K. (1990). Accounting irregularities and computer fraud. National Public Accountant, 35(5), p. 36-39.
four elements of fraud. The CPA Journal.
URL= https://digitalcommons.kennesaw.edu/cgi/viewcontent.cgi?article=2546&context=facpubs
Huber, W.M. & DiGabriele, J. (2020). Financial Statement Fraud and the Failure of Corporate Financial Statement Fraud Prediction. Working paper. http://dx.doi.org/10.2139/ssrn.3709502
Jan, C.-L. (2021). Detection of Financial Statement Fraud Using Deep Learning for Sustainable Development of Capital Markets under Information Asymmetry. Sustainability, no. 13, p. 9879. https://doi.org/10.3390/su13179879
Khaksari, I., Shoorvarzi, M., Mehrazeen, A. & Massihabadi, A. (2022). Developing a model to predict fraudulent financial reporting. Int. J. Nonlinear Anal.
http://dx.doi.org/10.22075/ijnaa.2022.27975.3773.
Kureljusic, M. & Karger, E. (2023). Forecasting in financial accounting with artificial intelligence – A systematic literature review and future research agenda. Journal of Applied Accounting Research, 25(1). https://doi.org/10.1108/JAAR-06-2022-0146
Wolfe, D.T. & Hermanson, D. (2004). The fraud diamond: considering the Four Elements of Fraud. The CPA Journal, no. 74, p. 38-42. https://doi.org/10.1016/S1361-3723(04)00065-X
Zhao, Z. & Bai, T. (2022). Financial Fraud Detection and Prediction in Listed Companies Using SMOTE and Machine Learning Algorithms. Entropy, no. 24. https://doi.org/10.3390/e24081157