پیش بینی گزارشگری مالی متقلبانه از طریق شبکه عصبی مصنوعی(ANN)

محورهای موضوعی : حسابداری مدیریت

مجتبی تاراسی ¹ , بهاره بنی طالبی دهکردی ² , بهزاد زمانی ³

1 - دانشجوی کارشناسی ارشد رشته حسابداری، دانشگاه آزاد اسلامی، واحد شهرکرد، شهرکرد ،ایران.
2 - عضو هیئت علمی گروه حسابداری دانشگاه آزاد اسلامی واحد شهرکرد، شهرکرد، ایران.
3 - عضو هیئت علمی گروه کامپیوتر دانشگاه آزاد اسلامی واحد شهرکرد، شهرکرد، ایران.

تاریخ دریافت : 1396/10/26 تاریخ پذیرش : 1397/03/10 تاریخ انتشار : 1398/01/01

کلید واژه: گزارشگری مالی متقلبانه, پیش بینی احتمال تقلب, شبکه های عصبی,

چکیده مقاله :

در این پژوهش، توانایی شبکه های عصبی مصنوعی(ANN) ، به عنوان روشی نوین در خصوص پیش بینی احتمال گزارشگری مالی متقلبانه ،در شرکتهای پذیرفته شده در بورس اوراق بهادار تهران در یک دوره زمانی 9 ساله بین سال های 1385 تا 1393مورد بررسی قرار گرفت. بدین منظور از طریق اطلاعات مندرج درصورتهای مالی ، نسبتهای مالی و مدل پرسپترون های چند لایه که شامل یک لایه ورودی ،لایه پنهان از دید نرم افزار MATLAB، و یک لایه خروجی است، احتمال وجود تحریف درگزارش ها مالی وارائه گزارشگری مالی متقلبانه ازطریق تکنیک شبکه عصبی ارزیابی گردید. در این راستا، از اطلاعات هفت سال اول شرکتها، جهت طراحی و آموزش شبکه عصبی، از داده های سال هشتم به منظور اعتبارسنجی و تایید آموزش شبکه و از داده های سال نهم به عنوان داده های آزمون و تست شبکه ی طراحی شده استفاده گردید. در نهایت با توجه به نتایج حاصله، مشخص شد که تکنیک شبکه عصبی و مدلسازی مبتنی برشبکه عصبی ازصحت 97.4درصد برخوردار است و با طراحی و آموزش دقیق، می توان شبکه های عصبی طراحی نمود که با دقت قابل قبولی بتوانند احتمال گزارشگری مالی متقلبانه شرکت ها را کشف و پیش بینی نمایند.

چکیده انگلیسی:

In this study, the ability of artificial neural networks (ANN) as a novel method for predicting the likelihood of fraudulent financial reporting of listed companies in Tehran Stock Exchange in a period of 9 years between the years 2006 to 2015 were studied. For this purpose, the information contained in the financial statements and financial ratios and Multilayer Perceptron model, which includes an input layer, hidden layer of visibility software MATLAB, and an output layer is, the likelihood of distorted presentation of the financial report of fraudulent financial reporting through techniques neural network was evaluated. In this regard, the first seven years of information companies, to develop and train the neural network, data validation and verification of the eighth to the ninth year of training, networking and data as test data and test network were designed .Finally, with regard to the results, it was found that the neural network modeling techniques based on neural network integrity is 97.4% and the design and rigorous training, neural networks can be designed with reasonable accuracy the probability to detect and predict fraudulent financial reporting companies.

منابع و مأخذ:

*      اقدامی، اسماعیل، کرد رستمی، سهراب، ملکی، مجتبی، آزمایند،ام حبیبه،(1394) ، "ارزیابی ورشکستگی در بورس اوراق بهادارتهران با بکارگیری مدل پویایی شبکه: روشی بر پایه تحلیل پوششی داده‌ها "،فصلنامه مهندسی مالی و مدیریت اوراق بهادار، 6(22)، 180-165

*   اعتمادی، حسین و زلفی، حسن. (1392)، "کاربرد رگرسیون لجستیک در شناسایی گزارشگری مالی متقلبانه"، دانش حسابرسی، 13(521)، 145-163.

*      انقیاد، هادی (1388)، "استفاده از شبکه عصبی مصنوعی (ANN) جهت مدلسازی کوتاه مدت شاخص قیمت سهام (TEPIX)"، پایان نامه کارشناسی ارشد، دانشگاه آزاد واحد علوم و تحقیقات تهران.

*      رحمانی حلیمه، رجب دری، حسین و منوچهر خرمین (1396)، "بررسی تاثیر نظریه عمل منطقی بر تمایل به بروز تقلب در گزارشگری مالی " ،دانش حسابداری و حسابرسی مدیریت ؛ 24(6) ; 144-135

*      رهنمای رودپشتی فریدون (1391) ، "داده کاوی و کشف تقلب های مالی" ،دانش حسابداری و حسابرسی مدیریت ؛ 3(1) 3 ; 33-17

*      زیمرمن، جرالد و واتز، راس. (1390)، "تئوری اثباتی حسابداری"، ترجمه: علی پارسائیان، ویرایش اول، انتشارات ترمه.

*      سجادی،سید حسین و توحید کاظمی (1395) ، "الگوی جامع گزارشگری مالی متقلبانه در ایران به روش نظریه پردازی زمینه بنیان " ، فصلنامه پژوهش های تجربی ؛ 6(1) ; 204-185

*      مرادی، جواد؛ رستمی، راحله و رضا زارع. (1393)، "شناسایی عوامل خطر مؤثر بر احتمال وقوع تقلب در گزارشگری مالی از دید حسابرسان و بررسی تأثیر آنها بر عملکرد مالی شرکت"، مجله پیشرفت های حسابداری دانشگاه شیراز، 1(6)، 141-173.

*      مشبکی، اصغر، ممبینی، حسین، بخشی زاده، حسین ، (1394)، تحلیل ورشکستگی شرکت‌های پذیرفته در بورس اوراق بهادار با دو روش تحلیل تشخیصی (Discriminant Analysis) و مدل افزایشی تحلیل پوششی داده‌ها (DEA-Additive)، فصلنامه مهندسی مالی و مدیریت اوراق بهادار،4 (13)، 106-85

*      وحیدی الیزه‌ای‌، ابراهیم و حدادیان، حامد (1388). برداشت حسابرسان ایران از کارایی علایم خطر در کشف گزارشگری مالی متقلبانه، فصلنامه تحقیقات حسابداری، شماره سوم،

*      هندریکسن، الدن اس و ون بردا، مایکل اف. (1385)، "تئوری حسابداری"، ترجمه: علی پارسائیان،  انتشارات ترمه.

*      Abdolmohammadi, J.M. and Owhoso, D.V. (2000) ,``Auditors’ ethical sensitivity and the assessment of the likelihood of fraud’’, Managerial Finance, Vol. 26 No. 11, p. 21.

*      Ahmed S. Salama, and Amany A. Omar, (2014), " A Back Propagation Artificial Neural Network based Model for Detecting and Predicting Fraudulent Financial Reporting", International Journal of Computer Applications (0975 – 8887) Volume 106 – No.2, .

*       American Institue of Certified Public Accountants,(2003).,Consideration of Fraud in a Financial Statement Audit. Statement on Auditing Standard No.99.NY:AICPA  

*      Banker, RD &Mashruwala,( 2007)." The moderating role of competition  in the relationship between non financial measures and future financial performance", Contemporary Accounting Research, vol. 24, no. 3, pp. 763–93

*       Beasley, M. S., J. V. Carcello, D. R. Hermanson and P. D. Lapides. (2000). Fraudulent Financial Reporting: Consideration of Industry Traits and Corporate Governance Mechanisms. Accounting Horizons, Vol. 14 (4), pp. 441- 454.

*       Caplan, D. (1999), ``Internal controls and the detection of management fraud’’, Journal of Accounting Research, Vol. 37 No. 1, pp. 101-17.

*      Ching- Ching, y. Der Jang, Ch., & Min g, Fu, H. (2010), a hybrid approach of DEA rough, set and support vector ma chines for business failure prediction. Expert System with Application, 37(2), 1535- 1541.

*      Chi-Chen Lin., An-An Chiu.,Shaio Yan Huang., David C. Yen. (2015). " Detecting the financial statement fraud: The analysis of the differencesbetween data mining techniques and experts’ judgments". Knowledge-Based Systems Vol 89. PP 459–470.

*       Chow, C. and Rice, S. (1982), ``Qualified audit opinions and share prices:an investigation’’, Auditing:A Journal of Practice and Theory, Vol. 1, pp. 35-53.

*       Janova, J., Vavrina, J., & Hampel, D. (2012). DEA as a tool for bankruptcy assessment: the agribusiness case study. Proceedings of 30th International Conference Mathematical Methods in Economics. 379-383.

*      Paula M. Weller,( 2010), The Application of Altman, Zmijewski and Neural Network Bankruptcy Prediction Models to Domestic Textile-Related Manufacturing Firms: A Comparative Analysis, A dissertation of H. Wayne Huizenga School of Business and Entrepreneurship Nova Southeastern University.

*      Serrano-Cinca, C. & Gutiérrez-Nieto, B. (2013). Partial Least Square Discriminant Analysis for bankruptcy prediction. Decision Support Systems. 54(3): 1245-1255.

*       Sueyoshi, T. & Goto, M. (2009). Methodological comparison between DEA (data envelopment analysis) and DEA–DA (discriminant analysis) from the perspective of bankruptcy assessment. European Journal of Operational Research. 199: 561–575.

*       Watts, R., and J. Zimmerman. (1986). Positive Accounting Theory, Prentice-Hall International ,Inc.