ارزیابی نقش فضای کسب و کار بر احتمال تقلب در صورت‌های مالی شرکت های پذیرفته شده در بورس اوراق بهادار
محورهای موضوعی : حسابداری مالی و حسابرسیعلی امیری 1 , مهدی راد 2 , محمد حسین رنجبر 3 , حجت اله سالاری 4
1 - گروه حسابداری، واحد بندرعباس، دانشگاه آزاد اسلامی، ایران
2 - گروه حسابداری، واحد بندر عباس، دانشگاه آزاد اسلامی، بندر عباس، ایران
3 - گروه مدیریت، واحد بندر عباس، دانشگاه آزاد اسلامی، بندر عباس، ایران
4 - گروه حسابداری، واحد بندر عباس، دانشگاه آزاد اسلامی، بندر عباس، ایران
کلید واژه: فضای کسب و کار, تقلب صورت‌های مالی, رگرسیون لجستیک, نرخ ارز, درآمد سرانه.,
چکیده مقاله :
صورت‌های مالی افشاء شده توسط شرکت‌ها، اصلی‌ترین منبع اطلاعاتی برای اتخاذ تصمیمات سرمایه‌گذاری است. صورت‌های مالی متقلبانه باعث هدایت نامطلوب منابع مالی و تصمیمات غیر بهینه توسط سرمایه‌گذاران می‌شود. مطالعات تجربی احتمال تقلب در صورت‌های مالی اخیر بر متغیرهای مربوطه به شرکت متمرکز بوده‌اند و متغیرهای فضای کسب‌وکار مغفول مانده است. لذا در این مطالعه، نقش فضای کسب‌وکار بر احتمال تقلب در صورت‌های مالی صدوبیست شرکت پذیرفته‌شده در بورس اوراق بهادار طی سال‌های 1391-1397 با استفاده از رویکرد رگرسیونی لجستیک موردبررسی قرار گرفت و تأثیر سی‌ویک متغیر بر احتمال تقلب در صورت‌های مالی موردبررسی قرار گرفت که نه متغیر آن مربوط به فضای کسب‌وکار و بقیه متغیرها مربوط به سطح شرکتی بودند. نتایج نشان داد الگوی لاجیت برآورد شده حدود بیست‌وشش درصد از تغییرات نسبت احتمال وقوع تقلب در گزارش‌های مالی به عدم وقوع آن را توضیح می‌دهد. دو متغیر درآمد سرانه و نرخ ارز بازار آزاد از بین نه متغیر فضای کسب‌وکار، تأثیر معناداری بر احتمال تقلب در گزارش مالی شرکت‌ها دارند و با افزایش یک‌درصدی در درآمد سرانه، احتمال تقلب در صورت‌های مالی پنجاه‌ودو درصد کاهش و با افزایش نرخ ارز در بازار آزاد نیز احتمال تقلب در گزارش‌ها مالی شرکت‌های موردبررسی به میزان چهل‌وسه درصد افزایش پیدا می‌کند. نتایج تحقیق بیانگر اهمیت متغیرهای فضای کسب‌وکار به همراه متغیرهای سطح شرکتی در پیش‌بینی احتمال تقلب در صورت‌های مالی شرکت‌ها است.
Financial statement information disclosed by companies is the main source of information for making investment decisions. Therefore, in this study, the role of the business environment on the possibility of fraud in the financial statements of 120 companies admitted to the stock exchange during the years 2017-2018 was investigated using the logistic regression approach. For this purpose, the effect of 31 variables on the possibility of financial statement fraud was investigated, of which 9 variables were related to the business environment and the rest were related to the corporate level. The results showed that the estimated logit model explains about 26% of the changes in the ratio of the probability of fraud in financial reports to its non-occurrence. Two variables of per capita income and free market exchange rate among the nine variables of the business climate have a significant effect on the possibility of fraud in the financial report of companies, and with a one percent increase in the per capita income, the probability of financial statement fraud decreases by 52 percent and with An increase in the exchange rate in the free market also increases the probability of fraud in the financial reports of the investigated companies by 43%. The results of the research show the importance of business environment variables along with company level variables in predicting the possibility of fraudulent financial statements of companies.
Abbasi, Ahmed, Conan Albrecht, Anthony Vance, and James Hansen, (2012), "Metafraud: a meta-learning framework for detecting financial fraud." Mis Quarterly, PP. 1293-1327.
Albrecht, W. S, (2012). “Fraud examination. Mason, Ohio: South-Western Cengage Learning”.
Albrecht, W. S., Albrecht, C. C., Albrecht, C. O., & Zimbelman, M. F, (2012). Forensic accounting. Andover, Hampshire: South-Western cengage learning.
Alleyne, Beverley, and Pesi Amaria, (2013), "The effectiveness of corporate culture, auditor education, and legislation in identifying, preventing, and eliminating corporate fraud." International Journal of Business, Accounting and Finance, 7 (1): 34-63.
Arshad, Roshayani, Wan Ainul Asyiqin, Wan Mohd Razali, and Noorbijan Abu Bakar, (2015), "Catch the “warning signals”: The fight against fraud and abuse in non-profit organisations." Procedia Economics and Finance, 28 (1): 114-120.
Beasley, Mark S., Joseph V. Carcello, Dana R. Hermanson, and Paul D. Lapides, (2000), "Fraudulent financial reporting: Consideration of industry traits and corporate governance mechanisms." Accounting horizons, 14, no. 4 (1): 441-454.
Bui, Thanh Ngoc, and Pesi Amaria, (2014), "How do financial analysts in Vietnam perceive the relationship between the corporate board structure and financial statement fraud?." International Journal of Business, Accounting, & Finance, 8 (1): 211-231.
Eierle, Brigitte, and Wolfgang Schultze, (2013), "The role of management as a user of accounting information: implications for standard setting." Journal of Accounting and Management Information Systems, Forthcoming.
Goel, Sunita, and Jagdish Gangolly, (2012), "Beyond the numbers: Mining the annual reports for hidden cues indicative of financial statement fraud." Intelligent Systems in Accounting, Finance and Management 19 (2): 75-89.
Gullkvist, Benita, and Annukka Jokipii, (2013), "Perceived importance of red flags across fraud types." Critical Perspectives on Accounting 24 (1): 44-61.
Henderson, Richard, (2020), "Using graph databases to detect financial fraud." Computer Fraud & Security, 3 (1): 6-10.
Huang, Shaio Yan, Chi-Chen Lin, An-An Chiu, and David C. Yen, (2017), "Fraud detection using fraud triangle risk factors." Information Systems Frontiers, 19 (6): 1343-1356.
Kaminski, Kathleen A., T. Sterling Wetzel, and Liming Guan, (2004), "Can financial ratios detect fraudulent financial reporting?." Managerial Auditing Journal.
Karpoff, Jonathan M. "The future of financial fraud", (2021), Journal of Corporate Finance, 66: 101694.
Kirkos, Efstathios, Charalambos Spathis, and Yannis Manolopoulos. "Data mining techniques for the detection of fraudulent financial statements, (2007), " Expert systems with applications, 32 (4): 995-1003.
Königsgruber, Roland, (2012), "Capital allocation effects of financial reporting regulation and enforcement." European Accounting Review, 21 (2): 283-296.
Lin, Chi-Chen, An-An Chiu, Shaio Yan Huang, and 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 (1): 459-470.
Ohidoa. Toluwa, E. o, and Ohidoa, T, (2021). “Corporate Governance and Financial Statement Fraud in Listed Firms in Nigeria”. Kaduna Journal of Business and Management Sciences (KJBMS), 1(2), 10-18.
Roxas, Maria L, (2011), "Financial statement fraud detection using ratio and digital analysis." Journal of Leadership, Accountability, and Ethics, 8 (4): 56-66.
Santoso, Nanda Trio, (2018), "Predicting financial statement fraud with fraud diamond model of manufacturing companies listed in Indonesia." In State-of-the-Art Theories and Empirical Evidence, Springer, Singapore, PP. 151-163.
Whitehouse, T, (2012), "Audit failures epidemic at all big 4 firms." Compliance Week. PP. 10-97.
Whiting, David G., James V. Hansen, James B. McDonald, Conan Albrecht, and W. Steve Albrecht, (2012), "Machine learning methods for detecting patterns of management fraud." Computational Intelligence, 28 (4): 505-527.
Wuerges, Artur Filipe Ewald, and José Alonso Borba, (2014), "Accounting Fraud: an estimation of detection probability." Revista Brasileira de Gestão de Negócios, 16 (1): 466-483.
Young, Susan M., and Emma Y. Peng, (2013), "An analysis of accounting frauds and the timing of analyst coverage decisions and recommendation revisions: evidence from the US." Journal of Business Finance & Accounting, 40 (3): 399-437.
Yusof, Nor Azrina Mohd, and Ming Ling Lai, (2014), "An integrative model in predicting corporate tax fraud." Journal of Financial Crime.
