Provide financial policy by predicting financial statement fraud

Subject Areas : Public Policy In Administration

Seyed jalal Ahmadi ¹ , Khosrow Faghani Makrani ² , Naghi Fazeli ³

1 - PhD student of accounting, Department of Accounting, Semnan Branch, Islamic Azad University, Semnan, Iran
2 - Associate Professor, Department of Accounting, Semnan Branch, Islamic Azad University, Semnan, Iran
3 - Assistant Professor, Department of Accounting, Semnan Branch, Islamic Azad University, Semnan, Iran

Received: 2020-01-27 Accepted : 2020-08-15 Published : 2020-05-11

Keywords: fraud, Financial Policy, Financial Ratios, Decision tree,

Abstract :

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.

Full-Text:



 ارائه خط مشی مالی با پیش بینی تقلب صورتهای مالی

چکیده

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 توصيفي - 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.

کلیدواژه ها: تقلب، خط مشی مالی، شبکه عصبی، نسبت‌های مالی

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Provide financial policy by predicting financial statement fraud

 

Abstract

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.

Keywords: Fraud, Financial Policy, decision tree, Financial ratios

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

مقدمه

 

تصمیم گیرندگان در فرآيند خط‌مشي‌گذاري، كوشش مي‌كنند تا با استفاده از مدل‌هاي مختلف به راه‌حل مطلوب دست يابند و آن را به سادگي مورد آزمون قرار دهند. به طور خلاصه مي‌توان فرآيند خط‌مشي را به مثابه مجموعه‌اي از فعاليت‌هاي سياسي در قالب مراحل شناسايي مشكل، تدوين راه‌حل‌ها، قانوني كردن، اجرا و ارزيابي در نظر گرفت (خواستار، 1391). مشکل مطرح شده در این پژوهش، چگونگی ارایه خط مشی مالی به مدیریت در خصوص پیش بینی تقلب صورتهاتی مالی است، تا از این طریق مدیران را نسبت به ارائه صورتهای مالی قابل اطمینان که از وظایف آنان است، یاری رساند. اصطلاح مثلث تقلب را پروفســور دونالــد کریزی و هنگام مطالعه وی در مورد اشــکال تقلب مطرح شــد. پروفسور کریزی سه عامل "فشار"، "فرصت" و "توجیه" را عوامل مؤثر در وقوع تقلب می‌دانســت کــه به اعتقاد وی بدون وجود این ســه شــرط، تقلب به جایی ختم نمی‌شود. بنابراین برای اینکه یک تقلب انجام شــود باید ســه عامل انگیزه، فرصت و توجیه وجود داشته باشد. بدین معنی که شخص تحت فشار خاصی (مثلا وضعیت مالی نامناسب) انگیزه تقلب پیدا کند و دنبال فرصتی است تا آن را به واقعیت برساند و سپس با دلیل تراشی نزد خود، عمل متقلبانه خود را توجیه می‌کند. (نظری، 1392).

مدیریت با تعیین اهداف، سیاستها و در پیش گرفتن رویه های مناسب و انتساب افراد لایق و صالح و ... توان این را دارد که موثرترین و مهمترین رکن در تشخیص، پیشگیری و کشف تقلب باشد (عرب مازار و همکاران، 1393). تقلب در سازمان ها به طرق مختلف تاثیر منفی دارد از جمله این اثرات منفی، مالی، اعتباری ( لطمه به شهرت) روانی و اجتماعی هستند. این اثرات در بعضی از مواقع سازمان‌ها را مجبور به توقف عملیات به دلیل خسارت مالی و شهرت کرده‌اند و اثرات منفی روانی و اجتماعی و همچنین اقتصادی را به خصوص به کارکنان وارد می کند. یکی از عوامل بازدارنده تقلب، مدیریت است. مدیریت مسئول ارزیابی خطر تقلب و اجرای مناسب برنامه‌های ضد تقلب و کنترلی است که با آن خطر ابتلا به تقلب واحد تجاری تا سقف قابل قبولی کاهش می‌یابد. مدیران نقش مهمی در پیشبرد تفکر اخلاقی در شرکت را بازی می کنند. آنها با سیاست های خود می توانند سرلوحه ای برای کارکنان خود باشند. البته که مدیر می‌بایست اشراف کامل بر روی سیستم حسابداری، کل پرسنل و ... داشته و نیز از نظر فنی شخصی ماهر و کارکشته باشد. مدیریت باید ساز و کارهایی برای کارکنان بابت گزارش درباره رفتار غیر اخلاقی یا مشکوک به تقلب ارائه کند تا به وسیله آن اخلاق در واحد تجاری تحت مدیریت خود حفظ گردد (عرب مازار، 1393). سازمان ها هرگز نمی توانند خطر تقلب را از میان بردارند. همواره فرد یا افرادی یافت می‌شوند که دارای انگیزه تقلب یا مستعد انجام آن هستند و افزون بر این زمینه لازم نیز برای تخطی از کنترل های لازم فراهم است یا از طریق تبانی با سایرین آنها می‌توانند از کنترل‌های داخلی عدول کنند. از این رو احتمال انجام تقلب در همه سازمان ها وجود دارد. بنابراین از دیدگاه هزینه - فایده نباید تلاش کرد تا همه خطرهای تقلب را از میان برداشت. یک سازمان ممکن است به دنبال طراحی و انتخاب کنترل های کشف کننده باشد تا کنترل های پیشگیری کننده (منتی، 1394). 

صورت‌های مالی برای استفاده کنندگان، اطلاعات مالی مفیدی را برای تخصیص منابع به صورت کارآمد و تصمیم گیری های اقتصادی آگاهانه فراهم می‌کند. یک گزارش مالی دقیق، تخصیص منابع کارآمد را امکان پذیر می‌سازد، در حالی‌که اطلاعات مالی متقلبانه مانع چنین تخصیص منابع کارآمدی می شود (کانیگزگرابر¹،2012). تشخیص و پیشگیری از تقلب، مسئولیت طیف وسیعی از ذینفعان از جمله مدیریت شرکت، هیئت مدیره، حسابرسان و قانون‌گذاران است(پارودا و اسکیلیسورن¹،2015).

هزینه تقلب در نهایت به تمام اعضای جامعه در قالب قیمتهای بالاتر برای خدمات و کالاها تحمیل می‌شود(آللی و آماریا²،2013). نگرانی سرمایه گذاران درباره تقلب حسابداری به این دلیل است که باعث زیانهای مالی مهمی برای آنها می‌شود و اعتماد آنها به گزارشهای مالی را تضعیف می‌کند (بویل و همکاران،2012).

 تقلب در صورت‌های مالی هنوز عمدتا نادیده گرفته می شود، حتی اگر محققان و متخصصان مدل‌هایی را برای تشخیص آن طراحی کرده باشند (ورگر و بوربا³،2014). تشخیص خطر تقلب برای کاهش زیان‌های احتمالی اعتبار‌دهندگان، سرمایه‌گذاران و دیگر بستانکاران با تشخیص اطلاعات متقلبانه از غیر متقلبانه حیاتی می باشد (نجایی و همکاران⁴،2011). شاخص‌های تقلب موثر و مدلهای تشخیص تقلب برای کمک به مدیران، حسابرسان و سایر ذینفعان مورد نیاز است، تا به طور موثر احتمال تقلب صورتهای مالی را پیش‌بینی کنند و تصمیمات اقتصادی آگاهانه بگیرند (زوو و کاپور،2011؛گاپتا و ساینگ،2012). با توجه به اهمیت پیش بینی تقلب، هدف این پژوهش، ارائه خط مشی مالی به مدیریت در پیش بینی تقلب صورت‌های مالی با استفاده از تکنیک‌ داده کاوی شبکه عصبی می‌باشد، تا از این طریق از منابع شرکت محافظت بیشتری به عمل آید و قابلیت اتکای صورتهای مالی افزایش یابد. 

مبانی نظری و پیشینه پژوهش

خط مشی مالی

خط مشی تعیین کننده محدوده تصمیم‌گیری برای مدیران سازمان یا هیئت مدیره می‌باشد. مدیران برنامه‌ریزی و اجرایی در هر سازمان همواره قلمرو تعیین شده توسط خط مشی را مد نظر قرار داشته و تصمیمات را با قید سازگاری با خط مشی سازمان اتخاذ می‌نمایند. افزون بر آن خط مشی را باید یک معیار و شاخص مهم در کنترل و ارزیابی عملیات نیز به حساب آورد. خط مشی یا همان سیاست‌های سازمان به صورت رسمی توسط مدیرعامل یا مدیریت ارشد یک سازمان تعیین می‌گردند⁵. خط مشی های مالی به خط مشی های مربوط به قوانین، مقررات و نظارت بر سیستم های مالی و پرداختی از جمله بازارها و موسسات با هدف ارتقاء ثبات مالی، کارایی بازار و حمایت از مصرف کننده اشاره دارد. روشهای مختلفی در حسابداری برای ثبت معاملات و ارائه وضعیت مالی بنگاههای اقتصادی و سازمان‌ها وجود دارد. خط مشی حسابداری دربرگیرنده انتخاب یکی از این روشها است (عبده تبریزی، 1379). اولین کیفیتی که در ادبیات حسابداری باید سراغ گرفت، سودمند بودن برای تصمیم گیری است. این کیفیت مهم خود از دو کیفیت مربوط بودن و قابلیت اعتماد سرچشمه میگیرد. اطلاعاتی مربوط شناخته میشود که برای پیش‌بینی وضعیت آینده یا تایید و اصلاح تصورات قبلی و یا هر دو مورد به هنگام و با ارزش باشد. اطلاعاتی قابل اعتماد است که بتوان آن را به محک آزمایش گذاشت و بازتاب دقیق پدیده هایی باشد که گزارش می شود. می‌توان وضعیتهای حسابداری مختلفی را یافت که در آنها انتخاب روشهای حسابداری مختلف به ترکیبهای متفاوتی از مربوط بودن و قابلیت اعتماد می انجامد (عبده تبریزی، 1383).  ادبیات حسابداری و حسابرسی هیچ توافقی در خصوص تعریف تقلب صورت های مالی نشان نداده است. گوئل و گانگولی² (2012)، تقلب صورت‌های مالی را به عنوان یک تحریف عمدی یا حذف مبالغ و اطلاعات افشا شده در صورت‌های مالی با هدف فریب دادن استفاده کنندگان صورتهای مالی تعریف کردند.

در این پژوهش معیارهای تقلب بر اساس گزارش انجمن بازرسان رسمی تقلب، شامل تفاوت زمانی در شناسایی درآمدها و هزینه ها، ثبت درآمدهای واهی یا کم نمایی درآمدها، پنهان کردن بدهیها و هزینه ها یا بیش نمایی بدهیها و هزینه ها، ارزیابی نادرست دارایی‌ها و افشای ناکافی در خصوص رویه های حسابداری و اطلاعات با اهمیت می باشد. بنابراین، گزارشات حسابرسی شرکتها مبنای کار قرار می‌گیرد. به این صورت که فرض می شود شرکتهایی که گزارش غیر مقبول دارند نسبت به شرکتهایی با گزارش مقبول به احتمال بیشتری مرتکب تقلب می شوند. این روش توسط حقیقی و برواری (1388)، مهام، کردستانی و ترابی (1390)، اعتمادی و زلقی (1392) و برزگری و همکاران (1395)، پیشنهاد گردیده است. بنابراین شرکتهایی که گزارش غیرمقبول ارائه داده اند مشخص شده و سپس در صورتی که گزارش حسابرسی آنها دربرگیرنده معیارهای تقلب مشخص شده توسط انجمن بارزسان رسمی تقلب باشد به عنوان شرکت متقلب شناسایی می‌گردند.

نسبتهای مالی هشداردهنده احتمال تقلب: آگاهی از علائم تقلب عامل مهمی در جلوگیری و تشخیص تقلب است (ورگرس و بوربا³،2014). هرچند جرم تقلب به ندرت دیده می شود، علائم یا شاخص های تقلب مشاهده می شود (آلبرت⁴،2012). در پژوهش حاضر، نسبت های مالی (متغیرهای مستقل) برای پیش بینی خطر بالقوه تقلب صورتهای مالی به دلیل سادگی، انعطاف پذیری و محبوبیت آن در میان جامعه مالی مورد استفاده قرار می‌گیرد. در این پژوهش، 35 نسبت مالی با استقاده از تکنیک داده کاوی و اثربخشی آنها در پیش بینی احتمال تقلب صورتهای مالی آزمون می شود. آگاهی از علائم تقلب، عامل مهمی در جلوگیری و تشخیص تقلب است(ورگرس و بوربا⁵،2014). 

داده کاوی و کاربردهای آن: داده کاوی بطور همزمان از چندين رشته علمی بهره مي برد نظير؛ تکنولوژی پايگاه داده، هوش مصنوعی، يادگيری ماشين، شبکه های عصبی، آمار، شناسايی الگو، سيستم های مبتنی بر دانش⁶، حصول دانش⁷، بازيابی اطلاعات⁸، محاسبات سرعت بالا⁹ و بازنمايی بصری داده¹⁰. داده کاوی در اواخر دهه 1980 پديدار گشته، در دهه 1990 گامهای بلندی در اين شاخه از علم برداشته شده و انتظار می رود در اين قرن به رشد و پيشرفت خود ادامه دهد(دیوید و همکاران¹¹،2001). واژه های «داده کاوی» و «کشف دانش در پایگاه داده»¹² اغلب به صورت مترادف یکدیگر مورد استفاده قرار می گیرند. کشف دانش در پایگاه داده فرایند شناسایی درست، ساده، مفید، و نهایتا الگوها و مدلهای قابل فهم در داده ها می‌باشد. داده کاوی، مرحله ای از فرایند کشف دانش می باشد و شامل الگوریتمهای مخصوص داده کاوی است، بطوری‌که، تحت محدودیتهای مؤثر محاسباتی قابل قبول، الگوها و یا مدلها را در داده کشف می کند(هربرت.ای. ادلشتاین¹³،1999).

پیشینه‌ی پژوهش

رزاقی، کریمی و وزیری (1390) در پژوهشی به طراحی یک سیستم مدیریت دانش تقلب مالی پرداختند و مطرح کردند که یکی از مشکلاتی که درسرویسهای مالی درحالت شدید است تقلب و فریب می باشد. همچنین رشد و نمو حملات فریب آمیز یکی از چالشهای اصلی درجلوگیری از شکست مالی سازمان ها و مشتریان تلقی می‌شود. حرکت به سمت مدیریت تقلب، تجزیه و تحلیل تقلب و فریب را برای مدیریت نمودن خط مشی‌ها و سیاستهای مربوط به تقلب منطقی‌تر نموده است. البته سیستمهای مدیریت تقلب اجرا شده فاقد چارچوب مدیریت دانش و ابزارهای کمک کننده به تحلیل تقلب برای استنباط خط‌مشی ها می‌باشد. دراین پژوهش توسعه ابزارهای وب محور جهت کمک به تحلیل‌گران تقلب و فریب های مالی از طریق رهنمود آنتولوژی تقلب مالی غنی شده پیشنهاد شد.

رهنمای رودپشتی (1391) در پژوهشی به بررسی داده کاوی و کشف تقلب های مالی پرداختند و عنوان نمودند که پیشگیری یا کشف تقلب های با اهمیت در صورت های مالی، همواره کانون توجه سرمایه گذاران، قانونگذاران، استاندارد گذاران، مدیران و حسابرسان بوده است. این پژوهش اثربخشی تکنیک های داده کاوی در تشخیص رفتارهای متقلبانه شرکت‌هایی که صورت های مالی متقلبانه گزارش نموده اند را بررسی کرده تا عوامل موثر بر اینگونه رفتارها را شناسایی کند. این پژوهش به روش شناخت تاریخی با بهره گیری از اسناد کتابخانه‌ای و به پشتوانه پیشینه و تحقیقات محققان، شوادی لازم جهت پاسخ به سوالات تحقیق ارایه می کند. نتایح مطالعه نشان می‌دهد که اولا تکنیک های داده کاوی، در شناسایی صورت های مالی متقلبانه سودمند هستند. ثانیا داده کاوی، به عنوان کانون هدایت فکر در مدیریت کسب و کارها جهت کشف تقلب می‌تواند مورد توجه قرار گیرد.

ستایش و همکاران (1391) در پژوهشی با عنوان پيشبيني نوع اظهارنظر حسابرسان با رويكردي بر روشهاي داده كاوي بیان نمودند که روشهاي داده كاوي مي‌تواند حسابرسان را در ارائه اظهارنظر حسابرسي ياري رساند. هدف اين پژوهش پيشبيني نوع اظهارنظر حسابرسان با استفاده از روشهاي داده كاوي و مقايسه عملكرد اين روشها است. بدين منظور از روشهاي شبكه عصبي مصنوعي، ماشين بردار پشتيبان، نزديكترين همسايگي و درخت تصميم استفاده شده است. نمونه مورد بررسي شامل 842 مشاهده طي سالهاي 1380 تا 1389 بوده كه اين مشاهدات به دو قسمت تقسيم شده است، قسمتي از مشاهدات براي آموزش و قسمتي براي ارزيابي روش در نظر گرفته مي‌شود. مقايسه عملكرد روشهاي مورد استفاده بيانگر اين است كه روش ماشين بردار پشتيبان با صحت پيشبيني معادل 76 % نسبت به ساير روشها داراي بهترين عملكرد در پيشبيني نوع اظهارنظر حسابرسان است. بررسي خطاي نوع اول و دوم هريك از روشها نيز بيانگر عملكرد بهتر ماشين بردار پشتيبان است.

سپهرم و عضدی  (1396) در پژوهشی به بررسی خط مشی گزارشگری مالی و تأثیر آن بر به کارگیری زبان گزارشگری تجاری توسعه پذیر پرداختند و به این نتیجه رسیدند که زبان گزارشگری تجاری توسعه پذیر (ایکس بی آر ال) پردازش سریع و آسان داده های تجاری را ممکن می‌ســازد و به ایجاد ارتباط شفاف، کارامد، آسان و قابل اعتماد بین شهروندان، سازمانهای دولتی و دیگر گروه‌های ذینفع، کمک می‌کند. با توجه به پیامدهای ســازمانی، اقتصــادی و اجتماعی کاربرد ایکس بی آر ال، تحلیل خط‌مشی استفاده از آن، نشان می‌دهد که عوامل اصلی پذیرش آن عبارتند از: شفافیت بازار سرمایه، تقویت نظارت مالی، لزوم تنظیم بازار و کاهش بار مســئولیت دولت.

خواجوی و ابراهیمی ( 1396) در پژوهشی با عنوان مدل‌سازی متغیرهای اثرگذار برای کشف تقلب در صورتهای مالی با استفاده از تکنیک‌های داده کاوی به بررسی این مساله پرداختند که آیا می‌توان از طریق شناسایی و انتخاب متغیرهای اثرگذار در کشف تقلب در صورتهای مالی و با به کارگیری تکنیک‌های داده کاوی مدلی برای کشف تقلب در صورتهای مالی شرکتهای پذیرفته شده در بورس اوراق بهادار تهران ارائه کرد. یافته های پژوهش بیانگر وجود شواهدی دال بر عملکرد مناسب مدل‌های پیشنهادی و برتری الگوریتم جنگل تصادفی و شبکه بیزین برای پیش‌بینی تقلب در صورتهای مالی است. نتایج حاصل از انتخاب ویژگی به روش مبتنی بر همبستگی حاکی از سودمندی متغیرهای نسبت پوشش بهره، نسبت حسابهای دریافتنی به کل داراییها، نسبت موجودی کالا به فروش خالص، نسبت نقدی، لگاریتم طبیعی فروش، نسبت سود خالص به فروش و نسبت جمع داراییهای جاری به کل داراییها برای کشف تقلب بود.

وسکی (2013)⁶ در پژوهشی با عنوان تغییرات قیمت سهم و نسبت قیمت به سود به عنوان شاخص تقلب گزارشات مالی بیان کرد که تغییرات سریع محیطهای اقتصادی به روش های جدیدی از ارتکاب تقلب های مالی منجر می شود. بر طبق فرضیه بازار کارا تمام اطلاعات عمومی و خصوصی در قیمت سهم منعکس است. بنابراین قیمت سهم شرکت باید قبل از تقلب، اعلام تقلب را منعکس کند. هدف این مطالعه کمی، آزمون فرضیه بازار کارا توسط تعیین محدوده تغییرات در نسبت های قیمت سهم و قیمت به سود قبل از اعلام عمومی تقلب پیش‌بینی شده یک شرکت بود. شرکت‌های متقلب مطابقت داده شد با شرکت هایی از اندازه مشابه با همان صنعتی که به متقلب نبودند، در دوره زمانی یکسان. نتایج این مطالعه استفاده از معیارهای کمی را برای تشخیص تقلب پیشنهاد می کند. به علاوه محققین می‌توانند این یافته‌ها را برای ایجاد یک مدل قوی برای دقت بیشتر تشخیص تقلب به کار ببرند.

آکل الساید⁷ (2017) در پژوهشی به بررسی اثربخشی 18 نسبت مالی پرداخت. همچنین اثربخشی قانون بنفورد و تکنیک های داده کاوی در تشخیص گزارش مالی متقلبانه از غیرمتقلبانه و پیش بینی احتمال تفلب صورتهای مالی (متغیر وابسته) شرکت های عمومی ایالات متحده که در سازمان بورس و اوراق بهادار ایالات متحده آمریکا ثبت شده اند را مورد بررسی قرارداد. نتایج نشان داد که درخت تصميم، رگرسيون لجستيک، قانون بنفورد و مدل هاي شبکه عصبي به درستي 89٪، 91٪، 92٪ و 99.2٪ از موارد تقلب و عدم تقلب را پيشبيني کرده اند و بنابراین می تواند به عنوان ابزار پیش بینی تقلب مورد استفاده قرار گیرند.

ایگو⁸ (2017) در پژوهشی با عنوان نسبتهای نقدینگی و سهم بازار به عنوان شاخص تقلب، بررسی کرد که تغییرات در میزان نقدینگی و سهم بازار می‌تواند شاخصی از فعالیتهای متقلبانه در یک شرکت باشد و اینکه آیا گزارشهای مالی متقلبانه منتشر شده می‌تواند موجب تغییر در قیمت سهام شرکت شود، تجزیه و تحلیل داده‌ها نشان داد که بین مولفه های نسبت نقدینگی، نسبت سهم بازار و تغییر در قیمت سهام رابطه معنی‌داری وجود دار دارد.

لانگ جان⁹ (2018) در پژوهشی با عنوان الگوی شناسایی تقلب در صورت های مالی مؤثر برای توسعه پایدار بازارهای مالی: شواهدی از تایوان، به بررسی ایجاد یک الگوی دقیق و مؤثر برای کشف تقلب در صورتهای مالی شرکتها برای توسعه پایدار بنگاهها و بازارهای مالی پرداخت. در این مطالعه از چندین تکنیک داده کاوی شامل شبکه عصبی، ماشین بردار پشتیبان، درخت تصمیم، رگرسیون و .. استفاده شد. یافته‌های پژوهش نشان داد که ماشین بردار پشتیبان و درخت تصمیم بهترین نتایج طبقه‌بندی را در تشخیص تقلب در صورت‌های مالی به دست آوردند.

فرضیه‌ پژوهش

تکنیک داده‌کاوی شبکه عصبی در ارائه خط مشی مالی به مدیریت جهت پیش بینی تقلب صورت‌های مالی موثر می‌باشد.

برای شناسایی ارتباط میان متغیرهای تحقیق در

جامعه آماری مورد نظر،  محقق مدل مفهومی زیر را طراحی کرده است.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

شکل 1- مدل مفهومی ساخته محقق

روش شناسی پژوهش

این تحقیق از لحاظ هدف کاربردی و با توجه به اینکه از اطلاعات تاریخی استفاده شده است در دسته پژوهش‌های شبه آزمایشی قرار می‌گیرد. جامعه آماری پژوهش حاضر شرکتهای پذیرفته شده در بورس اوراق بهادار تهران و قلمرو زمانی آن هم بین سال‌های 1387 الی 1396 است و داده‌های آن نیز طی این دوره مورد اشاره برای تجزیه‌ و تحلیل آماری (توصیفی و استنباطی) با استفاده از بانک های اطلاعاتی و نرم افزارهای موجود گردآوری شده است. متغير وابسته در اين پژوهش، تقلب در صورتهای مالي است كه از ماهيت كيفي برخوردار بوده ودارای مقياس سنجش اسمي است. دراندازه گيري اين متغير، به شركتهای متقلب عدد يك و به شركتهاي غيرمتقلب، عددصفر تخصیص داده مي‌شود. متغیرهای مستقل، نسبتهای مالی هستند؛ در ابتدا 35 نسبت مالی انتخاب شدند. که با تحلیل همبستگی و آزمونT  منجر به انتخاب نهایی تعداد 19 متغیر مستقل شد؛ که اطلاعات معنادار و غیر همپوشی را ارائه می‌کنند. سپس آمار توصیفی شامل میانگین، میانه، انحراف استاندارد و انحراف از میانگین برای هر یک از متغیرهای کمی و به تفکیک نوع شرکت متقلب یا غیرمتقلب بررسی شد. در مرحله بعد برای متغیرهای مستقل، همبستگی بین احتمال تقلب و متغیرهای کمی سنجیده شد. همچنین، با توجه به ضرورت بررسی برخی فرضیات زیربنایی پیش از انجام تحلیل، نرمال بودن(آزمون های کلموگروف اسمیرنف و شاپیرو ویلک) وجود هم‌خطی و همسانی واریانس ها در مورد متغیرهای مستقل مورد بحث، بررسی شد و تحلیل داده ها با استفاده از نرم افزارEXCEL و 20SPSS صورت گرفته است. در نهایت نیز از آماره آزمون کای دو برای تصمیم گیری در مورد معناداری تفاوت توزیع های فراوانی در هر بخش استفاده شد.

 

مدل و متغیرهای پژوهش

نسبتهای مالی شامل وجه نقد عملیاتی به سود خالص، کل دارایی ها به فروش، سود خالص به حقوق صاحبان سهام، فروش به سود خالص، سود قبل از بهره و مالیات به کل دارایی، سود هر سهم، سود ناخالص به فروش، سود عملیاتی به فروش، سود انباشته به کل داراییها، سود خالص به دارایی های ثابت، کل بدهی به حقوق صاحبان سهام، کل بدهیها به کل داراییها، دارایی‌های جاری به بدهی‌های جاری، دوره گردش موجودی، دوره پرداخت بدهی، دوره وصول مطالبات، حسابهای دریافتنی به متوسط فروش در هر روز، چرخه تبدیل وجه نقد،  Z آلتمن، بدهی‌های بلندمدت به کل دارایی‌ها، سرمایه در گردش به کل دارایی، بدهی بلندمدت به حقوق صاحبان سهام، بهای تمام شده کالای فروش رفته به فروش، فروش به حسابهای دریافتنی، فروش به موجودی، فروش به کل دارایی‌ها، فروش به کل داراییهای ثابت، بهای تمام شده کالای فروش رفته به موجودی کالا، مالیات بر درآمد پرداخت شده  به سود عملیاتی، هزینه استهلاک به اموال، ماشین آلات و تجهیزات، استقلال هیات مدیره، تعداد جلسات هیات مدیره، درصد مالکیت سهام هیات مدیره، درصد مالکیت سهامداران عمده (بالای 5 درصد) و درصد مالکیت سهامداران نهادی می باشند.

آمارتوصیفی

آمار توصیفی که شامل میانگین، میانه، انحراف استاندارد و انحراف از میانگین برای هر یک از متغیرهای کمی و به تفکیک نوع شرکت متقلب یا غیرمتقلب بوده در جدول شمارۀ (1)، ارائه شده است. با بررسی این اطلاعات به طور تقریبی تفاوت مقادیر هر یک از این نسبت های مالی مربوط به شرکت های متقلب را در مقایسه با شرکت های غیرمتقلب می توان مشاهده نمود.

 

---

[1]  Purda & Skillicorn

[2]  Alleyne & Amaria

[3]  Wuerges & Borba

[4]  Ngai، Hu، Wong، Chen & Sun

[5]  https://fa.wikipedia.org

[6]  WESKE

[7]  akl elsayed

[8]  Ego

[9]  Long John

 

 

 

جدول شماره (1): توصیفی مربوط به متغیرها

شرح متغییرهای مدل پژوهش	متقلب					غیرمتقلب
	میانگین	میانه	انحراف‌ معیار	انحراف معیارمیانگین	میانگین		میانه	انحراف‌ معیار	انحراف معیارمیانگین
وجه نقد عملیاتی به سود خالص	1.890	1.041	14.697	0.726	-4.722		0.786	168.031	8.298
کل دارایی ها به فروش	1.261	1.138	0.633	0.031	1.601		1.347	1.334	0.066
سود خالص به حقوق صاحبان سهام	0.338	0.243	1.504	0.074	-0.009		0.195	3.823	0.189
فروش به سود خالص	37.289	7.396	140.962	6.962	199.890		6.793	2733.651	135.005
سود قبل از بهره و مالیات به کل دارایی	0.168	0.147	0.127	0.006	0.115		0.108	0.157	0.008
سود هر سهم	0.001	0.000	0.001	0.000	0.000		0.000	0.001	0.000
سود ناخالص به فروش	0.245	0.205	0.156	0.008	0.196		0.173	0.173	0.009
سود عملیاتی به فروش	0.177	0.142	0.153	0.008	0.104		0.105	0.292	0.014
سود انباشته به کل داراییها	0.119	0.115	0.185	0.009	0.044		0.077	0.296	0.015
سود خالص به دارایی های ثابت	2.036	0.402	25.079	1.239	0.483		0.215	1.188	0.059
کل بدهی به حقوق صاحبان سهام	-0.496	1.572	31.264	1.544	3.934		1.736	23.740	1.172
کل بدهیها به کل داراییها	0.654	0.641	0.354	0.017	0.690		0.666	0.306	0.015
داراییهای جاری به بدهی های جاری	1.439	1.291	0.982	0.048	1.223		1.109	0.576	0.028
دوره گردش موجودی	154.672	133.443	111.181	5.491	149.530		131.025	118.225	5.839
دوره پرداخت بدهی	58.449	39.828	70.472	3.480	104.140		65.258	181.897	8.983
دوره وصول مطالبات	105.983	87.470	87.614	4.327	144.872		105.021	141.660	6.996
حسابهای دریافتنی به متوسط فروش در هر روز	114.186	89.525	96.339	4.758	154.972		115.548	157.942	7.800
چرخه تبدیل وجه نقد	202.206	186.036	138.822	6.856	190.262		186.333	158.838	7.844
Z  آلتمن	2.045	1.948	0.955	0.047	1.509		1.534	2.306	0.114
بدهی های بلندمدت به کل داراییها	0.111	0.049	0.301	0.015	0.084		0.052	0.149	0.007
سرمایه در گردش به کل دارایی	0.137	0.155	0.215	0.011	0.049		0.066	0.288	0.014
بدهی بلندمدت به حقوق صاحبان سهام	-0.496	1.572	31.264	1.544	3.934		1.736	23.740	1.172
بهای تمام شده کالای فروش رفته به فروش	0.755	0.795	0.156	0.008	0.804		0.827	0.173	0.009
فروش به حسابهای دریافتنی	13.323	4.077	40.109	1.981	15.551		3.159	81.391	4.020
فروش به موجودی	4.332	3.618	2.881	0.142	4.878		3.677	4.128	0.204
فروش به کل داراییها	0.992	0.879	0.511	0.025	0.879		0.742	0.598	0.030
فروش به کل داراییهای ثابت	9.199	4.364	46.503	2.297	5.889		4.338	5.691	0.281
بهای تمام شده کالای فروش رفته به موجودی کالا	3.348	2.583	2.561	0.126	3.967		2.700	3.705	0.183
مالیات بر درآمد پرداخت شده به سود عملیاتی	0.275	0.107	2.727	0.135	0.110		0.065	0.597	0.030
هزینه استهلاک به اموال، ماشین آلات و تجهیزات	0.355	0.108	3.328	0.164	0.107		0.100	0.069	0.003
استقلال هیات مدیره	0.645	0.600	0.151	0.007	0.619		0.600	0.173	0.009
تعداد جلسات هیئت مدیره	15.688	12.000	6.117	0.302	14.815		12.000	6.067	0.300
درصد مالکیت سهام هیات مدیره	0.664	0.727	0.227	0.011	0.739		0.700	2.454	0.121
سهامداران عمده (بالای 5 درصد)	0.772	0.820	0.145	0.007	0.774		0.820	0.146	0.007
درصد مالکیت سهامداران نهادی	0.412	0.355	0.331	0.016	0.401		0.305	0.340	0.017

منبع: یافته های پژوهش

 

آمار استنباطی

با توجه به ضرورت بررسی برخی فرضیات زیربنایی پیش از انجام تحلیل، نرمال بودن، وجود هم‌خطی و همسانی واریانس ها در مورد متغیرهای مستقل مورد بحث، بررسی شده است.

 

آزمون بررسی نرمال بودن متغیرهای کمی

به منظور تعیین نرمال بودن متغیرهای کمی مربوط به نسبت های مالی مورد نظر علاوه بر بررسی شاخص‌های چولگی و کشیدگی، آماره آزمون‌های کلموگروف اسمیرنف و شاپیرو ویلک نیز محاسبه شده است. همچنین نمودارهای Q-Qplot (نمودار چندک های توزیع نرمال) و نمودار جعبه ای نیز ترسیم و بررسی شده است. در ارتباط با شاخص‌های چولگی و کشیدگی انتظار می‌رود در صورت نرمال بودن متغیرها مقدار حاصل بین 2- و 2 باشد،  که البته با توجه به این شاخص ها نرمال بودن قابل تایید نیست. بنابراین آماره آزمون کلموگروف اسمیرنف و شاپیرو ویلکز بررسی می‌شود. در این دو آزمون فرضیه صفر بیانگر نرمال بودن متغیر مورد بحث است. چنانچه در هر یک از متغیرهای گروه شرکت‌های متقلب یا غیرمقلب مقدار(p-value) حاصل شده، برای این آزمون ها بیش از سطح خطای آزمون یعنی 0.05 باشد فرضیه نرمال بودن پذیرفته می شود. با توجه به توضیحات ارائه شده نتایج حاصل از جدول شماره (2) نشان‌دهنده‌ عدم نرمال بودن متغیرهای مستقل کمی است. البته توجه به این نکته ضروری است که با توجه به حجم بالای اطلاعات موجود استفاده از ضریب همبستگی پیرسون جهت محاسبه همبستگی میان متغیرها و آزمون های پارامتری تی جهت مقایسه ی میانگین گروه ها، مشکلی ایجاد نمی کند.

 

 

 

 

جدول شماره (2): بررسی نرمال بودن و همسانی واریانس های متغیرها

شرح متغییرهای مدل پژوهش	توصیف متغیرهای پژوهش			آماره14 کلموگروف اسمیرنف15	آماره شاپیرو ویلک16	سطح معنی داری	بررسی همسانی واریانس‌
	تعدادمشاهدات (N)	چولگی17	کشیدگی18				آزمون لون	سطح معنی داری
وجه نقد عملیاتی به سود خالص	820	774.284	-27.414	.446	.045	.000	3.146	.077
کل دارایی ها به فروش	820	83.158	6.849	.153	.598	.000	17.391	.000
سود خالص به حقوق صاحبان سهام	820	493.864	-18.279	.387	.121	.000	2.290	.131
فروش به سود خالص	820	789.761	27.865	.444	.033	.000	5.015	.025
سود قبل از بهره و مالیات به کل دارایی	820	9.723	-.719	.091	.903	.000	.468	.494
سود هر سهم	820	10.741	2.260	.177	.785	.000	2.036	.154
سود ناخالص به فروش	820	5.855	-.167	.090	.940	.000	.085	.771
سود عملیاتی به فروش	820	54.781	-4.716	.166	.712	.000	5.494	.019
سود انباشته به کل داراییها	820	54.130	-4.676	.160	.745	.000	6.690	.010
سود خالص به دارایی های ثابت	820	772.390	27.488	.432	.035	.000	3.336	.068
کل بدهی به حقوق صاحبان سهام	820	260.427	-7.888	.416	.156	.000	.003	.957
کل بدهیها به کل داراییها	820	49.758	5.283	.163	.654	.000	.091	.762
داراییهای جاری به بدهی های جاری	820	80.029	6.719	.176	.601	.000	2.905	.089
دوره گردش موجودی	820	23.719	3.659	.126	.733	.000	.847	.358
دوره پرداخت بدهی	820	153.111	10.594	.281	.370	.000	19.390	.000
دوره وصول مطالبات	820	29.203	3.787	.147	.737	.000	19.754	.000
حسابهای دریافتنی به متوسط فروش در هر روز	820	50.194	4.647	.155	.719	.000	14.653	.000
چرخه تبدیل وجه نقد	820	2.969	.935	.056	.946	.000	3.729	.054
Z  آلتمن	820	306.508	-13.795	.184	.476	.000	2.642	.104
بدهی های بلندمدت به کل داراییها	820	139.164	9.832	.327	.346	.000	3.679	.055
سرمایه در گردش به کل دارایی	820	31.198	-3.094	.070	.849	.000	6.438	.011
بدهی بلندمدت به حقوق صاحبان سهام	820	260.427	-7.888	.416	.156	.000	.003	.957
بهای تمام شده کالای فروش رفته به فروش	820	5.855	.167	.090	.940	.000	.085	.771
فروش به حسابهای دریافتنی	820	128.735	10.651	.412	.170	.000	2.118	.146
فروش به موجودی	820	24.823	3.615	.154	.724	.000	17.882	.000
فروش به کل داراییها	820	11.997	2.614	.133	.803	.000	.378	.539
فروش به کل داراییهای ثابت	820	387.111	19.425	.412	.088	.000	4.096	.043
بهای تمام شده کالای فروش رفته به موجودی کالا	820	24.197	3.587	.183	.701	.000	17.310	.000
مالیات بر درآمد پرداخت شده به سود عملیاتی	820	724.566	26.063	.411	.068	.000	1.184	.277
هزینه استهلاک به اموال، ماشین آلات و تجهیزات	820	409.671	20.230	.471	.035	.000	6.796	.009
استقلال هیات مدیره	820	.219	-.477	.245	.858	.000	.653	.419
تعداد جلسات هیئت مدیره	820	9.305	2.805	.292	.606	.000	1.596	.207
درصد مالکیت سهام هیات مدیره	820	785.610	27.728	.434	.064	.000	1.750	.186
سهامداران عمده (بالای 5 درصد)	820	2.260	-1.290	.142	.909	.000	.169	.682
درصد مالکیت سهامداران نهادی	820	-1.412	.286	.125	.894	.000	1.251	.264

منبع: یافته های پژوهش

 

هم‌خطی

در این قسمت ضریب همبستگی میان متغیرهای مستقل نسبت های مالی با یکدیگر محاسبه شده و متغیرهایی که دارای همبستگی معنادار هستند شناسایی شده اند. در ادامه در صورت لزوم به حذف برخی متغیرها پرداخته شده است.

همسانی واریانس‌ها

نتایج حاصل در جدول شمارۀ (2)، نشان می دهد که در مورد نسبت های مالی « وجه نقد عملیاتی به سود خالص »،« کل دارایی‌ها به فروش »،« سود خالص به حقوق صاحبان سهام »،« فروش به سود خالص »،« سود هر سهم »،« سود عملیاتی به فروش »،« سود انباشته به کل داراییها »،« دوره پرداخت بدهی»،« دوره وصول مطالبات»،«حسابهای دریافتنی به متوسط فروش در هر روز»،« Zآلتمن»،«سرمایه در گردش به کل دارایی »،«فروش به موجودی » و «بهای تمام شده کالای فروش رفته به موجودی کالا»، همسانی واریانس‌های دو گروه برقرار نیست. در مورد سایر متغیرها مقدار (value-p) حاصل شده، بیش از 05/0 درصد است، از اینرو، وجود همسان بودن واریانس پذیرفته می‌شود.

محاسبه ضریب همبستگی

نتایج حاصل از محاسبه ضریب همبستگی متغیرهای نسبت های مالی و احتمال تقلب نشان می دهد که متغیرهای «وجه نقد عملیاتی به سود خالص»، «کل داراییها به فروش»، «کل بدهی‌ها به کل دارایی‌ها»، «دوره گردش موجودی»، «دوره پرداخت بدهی»، «دوره وصول مطالبات»، «چرخه تبدیل وجه نقد»، «بهای تمام شده کالای فروش رفته به فروش» و «فروش به حسابهای دریافتنی» همبستگی مثبت با احتمال تقلب دارند و متغیرهای «سود خالص به حقوق صاحبان سهام»، «سود قبل از بهره و مالیات به کل دارایی»، «سود هر سهم»، «سود ناخالص به فروش»، «سود عملیاتی به فروش»، «سود انباشته به کل داراییها»، «دارایی‌های جاری به بدهی های جاری »،« Z آلتمن»، «سرمایه در گردش به کل دارایی »، «فروش به موجودی»،«سهامداران عمده (بالای 5 درصد)»، «درصد مالکیت سهامداران نهادی»، رابطه‌ معکوس با احتمال وقوع تقلب را دارا میباشند.

 

برازش مدل شبکه عصبی

داده ها در دو گروه آموزش و آزمایش تقسیم بندی می شوند. در این بخش پس از آموزش و برازش مدل شبکه عصبی میزان اعتبار نتایج با توجه به فراوانی پیش بینی های صحیح در هر یک از گروه داده های آزمایش بررسی میشود.

در گروه آموزش حدود 70 درصد مشاهدات که معادل 575 مورد می باشد قرار گرفته است، 30 درصد مابقی داده ها یعنی تعداد 245 مورد نیز در گروه آزمایش قرار دارند. تابع فعالسازی در لایه پنهان Hyperbolic tangent و در لایه خروجی Softmax می باشد. پس از آموزش و برازش مدل شبکه عصبی میزان اعتبار نتایج با توجه به فراوانی پیش بینی های صحیح در هر یک از گروه داده های آزمایش بررسی شده است. نتایج حاصل در جدول زیر نشان داده شده است. در داده های بخش آزمایش شبکه، نرخ دقت آزمون برابر 69.4 درصد بوده است. این مقدار برای داده های گروه آموزش 63 درصد حاصل شده است.

جدول شماره (3): برازش مدل شبکه عصبی

طبقه بندی
نمونه	مشاهده شده	پیش بینی
		0	1	نرخ دقت
آموزش	0	179	110	61.9%
	1	103	183	64.0%
	درصد کلی	49.0%	51.0%	63.0%
آزمایش	0	86	35	71.1%
	1	40	84	67.7%
	درصد کلی	51.4%	48.6%	69.4%

میزان اهمیت هر یک از متغیرهای وارد شده در مدل شبکه عصبی نیز در مقایسه با یکدیگر در جدول شماره (3) آمده است. بیشترین میزان اهمیت در مدل مربوط به متغیرهای کل دارایی ها به فروش، سود عملیاتی به فروش، دارایی های جاری به بدهی های جاری، دوره وصول مطالبات و Z آلتمن می می باشد.

جدول شماره (4):خلاصه نتایج مقایسه‌ای میزان اهمیت هر یک از متغیرهای وارد شده در مدل شبکه عصبی

متغیرهای مستقل مهم
شرح متغییرهای مدل پژوهش	ضریب اهمیت	ضریب اهمیت نرمال شده
وجه نقد عملیاتی به سود خالص	.055	41.5%
کل دارایی ها به فروش	.076	57.6%
سود خالص به حقوق صاحبان سهام	.050	38.3%
سود هر سهم	.050	38.1%
سود ناخالص به فروش	.043	32.5%
سود عملیاتی به فروش	.075	57.2%
سود انباشته به کل داراییها	.032	24.3%
کل بدهیها به کل داراییها	.034	25.9%
داراییهای جاری به بدهی های جاری	.081	61.3%
دوره گردش موجودی	.028	21.0%
دوره پرداخت بدهی	.041	31.4%
دوره وصول مطالبات	.113	85.6%
چرخه تبدیل وجه نقد	.039	29.7%
Z آلتمن	.132	100.0%
سرمایه در گردش به کل دارایی	.058	43.8%
فروش به حسابهای دریافتنی	.028	21.6%
فروش به موجودی	.038	28.7%
سهامداران عمده (بالای 5 درصد)	.018	13.6%
درصد مالکیت سهامداران نهادی	.011	8.2%

 

بحث و نتیجه گیری

خط‌مشی مالی، تصمیم گیری را بهبود میبخشد. باعث تمرکز مدیران روی حیطه های مهم شده، ازهدررفتن منابع جلوگیری میکند، باعث صرفه جویی درزمان و هزینه می شود، ریسک را مدیریت کرده و خطر تصمیم را به حداقل می‌رساند.

مسئولیت مدیریت، ایجاد جو سازمانی مناسب است که در آن تقلب بدترین جرم مطرح شود. ارتقای سطح فرهنگی سازمان و تقویت کنترلهای داخلی و روشهای شناسایی تقلب در پیشگیری تقلب نقش بسزایی دارند. در حال حاضر مسئولیت تهیه و تایید صورتهای مالی بر دوش مدیریت نهاده شده است. آشنایی مدیریت با روشهای پیش بینی تقلب، امکان انجام تقلب را در واحد مورد رسیدگی تا حد زیادی کاهش می‌دهد.

هدف این پژوهش، ارائه خط مشی مالی به مدیریت در پیش بینی تقلب صورت‌های مالی با استفاده از تکنیک‌ داده کاوی شبکه عصبی می‌باشد، تا از این طریق از منابع شرکت محافظت بیشتری به عمل آید و قابلیت اتکای صورتهای مالی افزایش یابد. 

به منظور تحقق این هدف از یک نمونه شرکتهای با احتمال تقلب و شرکتهای غیرمتقلب طبق معیارهای تببین شده قبلی برای دسته بندی شرکتها؛ استفاده شد. یک مجموعه از 35 نسبت مالی به عنوان پیش بینی کنندگان بالقوه تقلب صورتهای مالی انتخاب شدند.این متغیرها در تحقیقات قبلی با اهمیت ظاهرشدند و از صورتهای مالی انتشاریافته استخراج می شوند. در نهایت 19 متغیر انتخاب شدند. نتایج حاصل از آزمونها که تایید کننده نتایج آزمونهای قبلی است نشان می‌دهد که صورتهای مالی می تواند در ارائه خط مشی مالی به مدیریت جهت پیش بینی تقلب استفاده شود و مدیران را در این خصوص یاری رساند. به این علت که تکنیک شبکه عصبی 4/69 درصد پیش بینی صحیح داشته است. از آنجا که تقلب در سازمان ها به طرق مختلف تاثیر منفی دارد از جمله اثرات منفی مالی، اعتباری ( لطمه به شهرت) روانی و اجتماعی و از آنجا که یکی از عوامل بازدارنده تقلب، مدیریت است. مدیریت مسئول ارزیابی خطر تقلب و اجرای مناسب برنامه های ضد تقلب و کنترلی است که با آن خطر ابتلا به تقلب واحد تجاری تا سقف قابل قبولی کاهش می‌یابد. بنابراین مدیریت می‌تواند با استفاده از تکنیک داده کاوی نقش موثری در پیش بینی تقلب صورتهای مالی ایفا کند. نظارت می‌تواند باعث ایجاد محیطی برای کاهش احتمال تقلب در صورتهای مالی گردد. برای مثال فرایند گزارشگری مالی مؤثر و کافی و ســاختار کنتــرل داخلی مربوط یا وجود راهبری شرکتی هوشیار می‌تواند احتمال تقلب در صورتهای مالی را کاهش دهد. این پژوهش میتواند به عنوان زیربنایی برای پژوهشهای آتی استفاده شود و سایر پژوهشگران با استفاده از سایر تکنیک های داده کاوی و یا درنظر قراردادن شرکتهایی مانند شرکتهای سرمایه گذاری، بانکها وبیمه که در نمونه تحقیق قرار نگرفته‌اند، به پژوهش در این موضوع ادامه دهند. همچنین مطالعه یک صنعت خاص می تواند نتایج ویژه خود را داشته باشد. با ارتقای روشهای مورد استفاده در داده کاوی میتوان داده کاوی را به ابزاری مفیدتر در فرآیند تصمیم گیری مالی تبدیل کرد. کاربرد روشهای داده‌کاوی بر روی نسبتهای مالی و نیز دیگر اطلاعات، می‌تواند به مدیران و حسابرسان در کشف تقلب کمک کند، به‌طوری که آنان می‌توانند از نتایج این تحلیل‌ها به‌عنوان یک علامت اولیه هشداردهنده نسبت به احتمال تقلب ‌صورتهای مالی استفاده کنند. کشف نشانگرهای تقلب در ‌صورتهای مالی، اثری بااهمیت بر تعیین تقلب ‌صورتهای مالی دارد. نتايج حاصل بیان‌گر عملكرد ضعیف‌تر این روش در طبقه بندی شرکتها نسبت به تحقیق خواجوی و ابراهیمی (1396) و اشرف اکل الساید (2017) و عملکرد قویتر نسبت به تحقیق کاظمی (1395) است.

منابع و ماخذ:

رهنمای رود پشتی، فریدون، 1391، داده کاوی و کشف تقلب های مالی، دانش حسابداری و حسابرسی مدیریت، شماره 3

نظری، رضا؛ صیادی، محمد،1392، مثلث تقلب، حسابدار رسمی، شماره 21

متنی، وحید؛ بابایی، مقداد، 1394، حسابرسی داخلی و تقلب، حسابرسان داخلی، شماره 5-6

عرب مازار، علی اکبر؛ صمدی لرگانی، محمود؛ ایمنی، محسن، 1393، الماس تقلب و مسئولیت مدیران و حسابرسان در قبال پیشگیری از تقلب، مطالعات حسابداری و حسابرسی، شماره 12

 

 جمالی، زهرا، 1395، بررسی رابطه مکانیزمهای حاکمیت شرکتی و کیفیت حسابرسی بر وقوع تقلب در صورتهای مالی شرکت های پذیرفته شده در بورس اوراق بهادار تهران ، پایان نامه کارشناسی ارشد، پردیس علوم انسانی و اجتماعی، دانشگاه یزد

اعتمادی، حسین؛ زلقی، حسن، 1392، کاربرد رگرسیون لجستیک در شناسایی گزارشگری مالی متقلبانه، دانش حسابرسی، شماره 51

مهام, کیهان؛ غلامرضا کردستانی و ابوالفضل ترابی، ۱۳۹۱، ارائه مدلی برای پیش بینی خطر بروز تقلب در گزارشگری مالی، اولین همایش بین المللی اقتصاد سنجی، روشها و کاربردها، سنندج، دانشگاه آزاد اسلامی واحد سنندج.

فرقاندوست حقیقی، کامبیز؛ برواری، فرید، 1388، بررسی کاربرد روش های تحلیلی در ارزیابی ریسک تحریف صورت های مالی (تقلب مدیریت)، دانش و پژوهش حسابداری، شماره 16

خواجوی، شکراله؛ ابراهیمی، مهرداد، 1396، مدلسازی متغیرهای اثرگذار برای کشف تقلب در صورتهای مالی با استفاده از تکنیکهای داده کاوی، حسابدای مالی، شماره 33

عبده تبریزی، حسین، 1383، حسابدار، شماره 3

سپهرم، سعید؛ عضدی، محمدعلی، 1396 خط مشی گزارشگری مالی و تأثیر آن بر به کارگیری زبان گزارشگری تجاری توسعه پذیر، حسابرس، شماره 93 

رزاقی، بهاره؛کریمی، نسرین؛ و وزیری، حسن، 1390، طراحی یک سیستم مدیریت دانش تقلب مالی،اولین همایش تخصصی سیستمهای هوشمند کامپیوتری و کاربردهای آنها، تهران، دانشگاه پیام نور استان تهران 

 

Abbasi A., Albrecht C., Vance A., & Hansen J. (2012). Metafraud: A meta-learning framework for detecting financial fraud. MIS Quart Manage Inf Syst MIS Quarterly: Management Information Systems, 36(4), 1293-1327.

Albrecht, W. S. (2012). Fraud examination. Mason, Ohio: South-Western Cengage Learning

Alleyne, B., & Amaria, P. (2013). The effectiveness of corporate culture, auditor education, and legislation in identifying, preventing, and eliminating corporate fraud. International Journal Of Business, Accounting, & Finance, 7(1), 34-62.

ASHRAF AKL ELSAYED . (2017). Predictability of Financial Statements Fraud-Risk . Northcentral University.

 

Association of Certified Fraud Examiners (ACFE). (2016). Report to the nations on occupational fraud and abuse. Austin, TX: The association of certified fraud examiners, Inc.

Boyle, D. N., Carpenter, B. W., & Hermanson, D. R. (2012). CEOs, CFOs, and Accounting Fraud. CPA Journal, 82(1), 62-65

Chyan-long Jan، An Effective Financial Statements Fraud Detection Model for the Sustainable Development of Financial Markets: Evidence from Taiwan، Sustainability 2018, 10, 513; doi:10.3390/su10020513

Dechow, P. M., Ge, W., Larson, C. R., & Sloan, R. G. (2011). Predicting material accounting misstatements. Contemporary Accounting Research, 28(1), 1-16

Goel, S., & Gangolly, J. (2012). Beyond the numbers: Mining the annual reports for hidden cues indicative of financial statement fraud. Intelligent Systems in Accounting, Finance & Management, 19(2), 75-89. doi:10.1002/isaf.1326

 

 

Kravitz, R. H. (2012). Auditors' responsibility for detecting fraud. CPA Journal, 82(6), 24-30

Königsgruber, R. (2012). Capital Allocation Effects of Financial Reporting Regulation and Enforcement. European Accounting Review, 21(2),283-296. doi:10.1080/09638180.2011.558294 

 

Mangala, D., & Kumari, P. (2015). Corporate fraud prevention and detection: Revisiting
the literature. Journal of Commerce and Accounting Research, 4(1).

Mahmood Mohammadi (2020)، Financial Reporting Fraud Detection: An Analysis of Data Mining Algorithms، International Journal of Finance and Managerial Accounting, Vol.4, No.16, Winter 2020

Purda, L., & Skillicorn, D. (2015). Accounting variables, deception, and a bag of words: assessing the tools of fraud detection. Contemporary Accounting Research,

32(3), 1193-1223. doi:10.1111/1911-3846.12089

Ruankaew, T. (2016). Beyond the fraud diamond. International Journal Of Busines Management & Economic Research, 7(1), 474-476.

Reliance Judgments. Accounting Horizons, 30(2), 225-238. doi:10.2308/acch- 51363

Wuerges, A. E., & Borba, J. A. (2014). Accounting Fraud: an estimation of detection probability. Revista Brasileira De Gestão De Negócios, 16(52), 466-483. doi:10.7819/rbgn.v16i52.1555

 

 

یادداشت‌ها:

3

---

[1]  Königsgruber, 2012

[2]  Goel and Gangolly  (2012)  

[3]  Wuerges & Borba, 2014

[4]  Albrech, 2012

[5]  Wuerges & Borba, 2014

[6]  Knowledge-based system

[7]  Knowledge-acquisition

[8]  Information retrieval

[9]  High-performance computing

[10]  Data visualization

[11]  David Hand, Heikki Mannila , Padhraic Smyth.

[12]  Knowledge Discovery in Database

[13]  Herbert A. Edelstein

[14]  Statistic

[15]  Kolmogorov-Smirnova

[16]  Shapiro-Wilk

[17]  Kurtosis

[18]  Skewness

---