کشف تقلب در صورت‌های مالی: تحلیل تفاوت بین تکنیک‌های داده‌کاوی و قضاوت

کشف تقلب در صورت‌های مالی: تحلیل تفاوت بین تکنیک‌های داده‌کاوی و قضاوت

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری حسابداری، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران

2 استاد گروه حسابداری، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران

3 دانشیار گروه حسابداری، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران

چکیده

هدف پژوهش حاضر، شناسایی و رتبه‌بندی عوامل مؤثر بر کشف تقلب صورت‌های مالی با استفاده از تکنیک قضاوت به روش فرآیند سلسله مراتبی و تکنیک‌های داده‌کاوی می‌باشد. جامعه‌ی آماری شامل حسابرسان ارشد، سرپرستان، سرپرستان ارشد، مدیر حسابرسی و شریک مؤسسه‌ی و همچنین شرکت‌های بورس اوراق بهادار تهران می‌باشد. در راستای هدف پژوهش، تعداد 56 پرسش‌نامه و داده‌های 109 شرکت بورسی طی دوره‌ی زمانی 1391 تا 1396 گردآوری و مورد تحلیل قرار گرفت. بر اساس تکنیک قضاوت، بعد فشار اولویت اول، فرصت دومین عامل و توجیه به‌عنوان سومین عامل مؤثر بر کشف تقلب رتبه‌بندی می‌شوند که این نتایج با سایر تکینک-ها تفاوت دارد. از لحاظ تجربی، رویکردهای شبکه‌ی عصبی و درخت‌ تصمیم‌ در طبقه‌بندی صحیح نمونه‌ی مورد آموزش و آزمایش شبکه از نرخ دقت 65/98 درصد (شبکه‌ی عصبی)، 5/91 درصد (درخت‌ تصمیم‌) و 79/69 درصد (شبکه‌ی عصبی)، 10/69 درصد (درخت‌ تصمیم‌) برخوردار است، که از مدل لجستیک دقیق‌تر می‌باشد که در این روش تنها به 32/72 درصد و 10/88 درصد طبقه‌بندی صحیح در ارزیابی وقوع تقلب می‌رسد. علاوه بر این، به طور قابل توجه خطای نوع دوم ناشی از مدل درخت‌ تصمیم در مقایسه با بکارگیری شبکه‌ی عصبی و مدل‌ لجستیک از 18/58 درصد و 7/72 درصد به 6/55 درصد کاهش می‌یابد. با توجه به شاخص دقت، مدل درخت تصمیم نسبت به سایر مدل‌ها از کارآیی بیشتری برخوردار است؛ بنابراین از بین تکنیک‌های داده‌کاوی، وزن هر کدام از متغیرهای ورودی مدل درخت تصمیم مبنای رتبه‌بندی نهایی متغیرهای پژوهش قرار گرفته است.

کلیدواژه‌ها


عنوان مقاله [English]

Detecting the financial statement fraud: The analysis of the differences between data mining techniques and judgments

نویسندگان [English]

  • javad masoumi 1
  • Hashem Nikoomaram 2
  • Ghodrat Allah Talebnia 3
  • Fraydoon Rahnamay Roodposhti 2
1 PhD Candidate in Accounting, Science and Research Branch, Islamic Azad University, Tehran, Iran
2 Professor, Department of Accounting, Science and Research Branch, Islamic Azad University, Tehran, Iran
3 Associate Prof. Department of Accounting, Science and Research Branch, Islamic Azad University, Tehran, Iran
چکیده [English]

The objective of this study is to identify and ranking of factors affecting detecting the financial statement frauds using the judgment technique based on the Analytic Hierarchy Process and data mining techniques techniques. The population of the study comprised of senior auditors, supervisors, senior supervisors, audit manager and partner of the audit institute employed in audit institutes member and also companies listed in the Tehran Stock Exchange. In order to the research goal, 56 questionnaires and 109 Listed for the year 2012-2017 and analyzed. Based on the technique of judgment, the pressure dimension of the first priority, opportunity, second factor and rationalization are ranked as the third effective factor on the detection of fraud. These results are different with other techniques. Empirically, the ANNs and CART approaches work with the training and testing samples in a correct classification rate of 98/65% (ANNs) & 91.5% (CART) and 69/79% (ANNs) & 69.10% (CART), respectively, which is more accurate than the logistic model that only reaches 72.32% and 88.10% of the correct classification in assessing the fraud presence. In addition, type II error of CART drops significantly to 58.18% from 72.7% and 55.6% compared to the ones using ANNs and logistic models. According to the accuracy index, the decision tree model is more efficient than other models; therefore, among the data mining techniques, the weight of each of the input variables of the decision tree is the basis for the final ranking of the research variables

کلیدواژه‌ها [English]

  • Fraud in Financial Statements
  • Auditor Judgment
  • Artificial Neural Networks
  • Decision Trees
  • Analytic Hierarchy Process Method
  1. اعتمادی، حسین و زلقی، حسن (1392). "کاربرد رگرسیون لجستیک در شناسایی گزارشگری مالی متقلبانه". فصلنامه­ی دانش حسابرسی، سال سیزدهم، شماره­ی 13، صص 163-145.
  2. باقرپور ولاشانی، محمدعلی؛ باقری، مصطفی؛ خادم، حمید؛ حسینی­پور، رضا (1391). "بررسی عوامل مالی و غیرمالی مؤثر بر گریز مالیاتی با استفاده از تکنیک­های داده­کاوی: صنعت خودرو و ساخت قطعات". فصلنامه­ی مطالعات تجربی حسابداری مالی، سال دهم، شماره­ی 34، صص 128-103.
  3. پیشگاهی، معصومه؛ بنی­مهد، بهمن (1395). "اثر مالکیت سهام­دار عمده بر کیفیت سود". تحقیقات جدید در علوم انسانی، سال دوم، شماره­ی دوم، صص 20-1.
  4. خواجوی، شکراله و ابراهیمی، مهرداد (1396). "مدل­سازی متغیرهای اثرگذار برای کشف تقلب در صورت­های مالی با استفاده از تکنیک­های داده­کاوی". نشریه­ی حسابداری مالی، دوره­ی 9، شماره­ی 33، صص 50-33.
  5. دستگیر، محسن؛ شفیعى­سردشت، مرتضی (1390). "داده­کاوى؛ رویکردى نوین در حوزه­ی مالى". نشریه­ی حسابرس، سال یازدهم، شماره­ی 5، صص 27-6.
  6. رشیدی­باغی، محسن (1392). "تغییر مسئولیت حسابرسان در ارتباط با کشف تقلب: تفکیک کشف تقلب از حسابرس". نشریه­ی حسابرس، شماره­ی 67، صص 127-118.
  7. رهنمای­رودپشتی، فریدون (1391). "داده­کاوی و کشف تقلب­های مالی". فصلنامه­ی علمی پژوهشی دانش حسابداری و حسابرسی مدیریت، سال اول، شماره­ی سوم، صص 33-17.
  8. صفرزاده، محمدحسین (1389). "توانایی نسبت­های مالی در کشف تقلب در گزارشگری مالی: تحلیل لاجیت". مجله­ی دانش حسابداری، سال اول، شماره­ی یک، صص 163-137.
  9. مسلم­زاده­­گتابی، آزاده (1394). "روش­های داده­کاوی برای کشف تقلب در حسابرسی صورت­های مالی". نشریه­ی حسابدار رسمی، شماره­ی 29 (پیاپی 41)، صص 11-1.
  10. Chi-Chen Lin a, An-An Chiu b, Shaio Yan Huang c, David C. Yen d (2015). "Detecting the financial statement fraud: The analysis of the differences between data mining techniques and experts’ judgments". Knowledge-Based Systems, 2015 Elsevier B.V. All rights reserved.11W.T. Ngai, Yong Hu, Y.H. Wong, Yijun Chen, Xin Sun (2011). "The application of data mining techniques in financial fraud detection: A classification framework and an academic review of literature". journal homepage: www.elsevi e r.com/locate/dss, Decision Support Systems 50, PP.559–569.
  11. Glen L. Gray & Roger S. Debreceny (2014). "A taxonomy to guide research on the application of data mining to fraud detection in financial statement audits". International Journal of Accounting Information Systems, ACCINF-00332; No of Pages 24.
  12. Kanapickiene, Rasa and Grundiene, Zivile (2015). "The Model of Fraud Detection in Financial Statement by Means of Financial Ratios". 20th international scientific conference economics and management, pp. 321-327.
  13. Kirkos, Efstathios, Charalambos, Spathis & Yannis Manolopoulos (2007). "Data Mining techniques for the detection of fraudulent financial Statements". Expert Systems with Applications, Volume 32, Issue , May 2007, P: 995-1003.
  14. Long Jan, Chyan (2018). An Effective Financial Statements Fraud Detection Model for the Sustainable Development of Financial Markets: Evidence from Taiwan. www.mdpi.com/journal/sustainability Sustainability 2018, 10, 513; doi:10.33.
  15. Ravisankar, V. Ravi, G. Raghava Rao, I. Bose (2011). "Detection of financial statement fraud and feature selection using data mining techniques, Decis". Support Sytem. 50 (2) (2011), pp. 491–500.
  16. Segal, S.Y., (2016). "Accounting frauds – review of advanced technologies to detect and prevent frauds". Economics and Business Review, 16 (4): 45–64.
  17. Zainudin, E.F., Hashim, H.A (2016). "Detecting fraudulent financial reporting using financial ratio". Journal of Financial Reporting and Accounting, 14(2), 266-278.
  18. Zuraidah, Mohd-Sanusi, Nurliyana, Haji Khalid and Amilin, Mahir (2015). "An Evaluation of Clients’ Fraud Reasoning Motives in Assessing Fraud Risks: From the Perspective of External and Internal Auditors". International Accounting and Business Conference 2015, Procedia Economics and Finance 31 (2015), PP. 2-12.