کارایی مدل های آماری والگوهای یادگیری ماشین در پیش بینی گزارشگری مالی متقلبانه The efficiency of statistical and machine learning models in fraud financial statement
محل انتشار: فصلنامه اقتصاد مالی، دوره: 15، شماره: 54
سال انتشار: 1400
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 171
فایل این مقاله در 26 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_ECJ-15-54_011
تاریخ نمایه سازی: 26 آذر 1401
چکیده مقاله:
وجود تقلب و تداوم آن در صورتهای مالی،آثارگستردهای بر سلامت مالی شرکتها و توسعه پایدار بازار سرمایه دارد. روشهای متداول حسابرسی در پیشگیری و کشف صورتهای مالی متقلبانه، نتوانستهاندباتقلب هایحسابدارینوظهور به دلیل فقداندانشموردنیازدادهکاوی،پیچیدگی تقلبهای جدید و عدم تجربهکافیحسابرسان کناربیایند. در این پژوهش، انواع مدلهای آماری و یادگیریماشین در دستیابی به الگویی با کارایی بالا در پیشبینی گزارشگری مالی متقلبانهاستفاده شد. از ۲۰ متغیر در قالب الگوی پنج ضلعی تقلب با تاکید بر ساختار کنترلهای داخلی در ۱۶۶ شرکتهایفعال در بورس اوراق بهادار تهران طی سالهای ۱۳۸۸ الی ۱۳۹۷ و مقایسه بین مدلهای مورد بررسی،باکمکآزمونمقایسه نسبتها،نشان می دهدکهبه لحاظ آماریمدلهاییادگیریماشیندرپیش بینیگزارشگری مالی متقلبانه نسبتبه مدلهایآماری،کارایی و دقتبیشتری دارند. ترکیب الگوریتم درخت تصمیمگیری CHAID، C۵ و C&R بالاترین دقت در پیشبینی گزارشگری مالی متقلبانه را با دقت بالای ۶۱/۹۲ درصد در پیشبینی تقلب نشان میدهد. روشهای دادهکاوی بر پایه مدلهای یادگیری ماشین و بویژه ترکیب آنها بطور موفقیتآمیزی در پیشبینی و کشف تقلبدر صورت های مالی می تواند مورد استفاده قرار گیرد.The efficiency of statistical and machine learning models in fraud financial statement Hassan Maleki KaklarJamal Bahri SalethSaeed Jabbarzadeh KangarloeeAli AshtabThe existence and persistence of fraud in financial statements can have adverse impact on the sustainable development of the capital markets as well as the financial health of companies. Using conventional audit procedures which is applied to prevent and detect fraudulent financial statements, auditors fail to cope with emerging accounting frauds. This can be due to many reasons, such as the lack of the required data mining knowledge, the complexity and infrequency of financial frauds, and the auditors without much experience. Accordingly, due to importance of identifying fraud in capital market, different types of statistical and machine learning based models were examined to establish a rigorous and effective model to detect financial statements fraud in this study. For this purpose, ۲۰ variables in the form of the pentagonal fraud with emphasis on the structure of internal controls (pressure, opportunity, justification, capability, arrogance and internal control structure) were used from ۱۶۶ manufacturing companies listed on Tehran stock exchange over the period ۲۰۰۹-۲۰۱۸. Based on the statistical indices obtained, machine learning based models exhibited higher predictive ability and accuracy than statistical based models in predicting financial statement fraud. The results also showed that C۵, CHAID and C&R decision tree models were highly accurate in prediction of fraudulent datapresented in fnancial statement. Accordingly, the efficacy of combination of CHAID, C۵ and C&R decision tree algorithms which had the highest accuracy in prediction of fraudulent financial reporting was examined. The high accuracy of ۹۲.۶۱% of the combination of these algorithms in fraud prediction shows that data mining methods based on machine learning models and especially their combination can be used successfully in fnancial statement fraud prediction.
کلیدواژه ها:
واژه های کلیدی:گزارشگری مالی متقلبانه ، مدل های آماری ، مدل های یادگیری ماشین. طبقه بندی JEL: M۴۱ ، M۴۲ ، G۳۲
نویسندگان
حسن ملکی کاکلر
گروه حسابداری، دانشگاه آزاد اسلامی، واحد ارومیه، ، ارومیه، ایران
جمال بحری ثالث
گروه حسابداری، دانشگاه آزاد اسلامی واحد ارومیه، ارومیه، ایران
سعید جبارزاده کنگرلویی
گروه حسابداری، واحد ارومیه، دانشگاه آزاد اسلامی،آذربایجان غربی ،ایران
علی آشتاب
گروه حسابداری، دانشگاه ارومیه، ارومیه، ایران،
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :