کارایی مدل‌های آماری والگوهای یادگیری ماشین در پیش بینی گزارشگری مالی متقلبانه The efficiency of statistical and machine learning models in fraud financial statement

اقتصاد مالی

دوره 15، شماره 54، خرداد 1400، صفحه 267-292   

نوع مقاله: علمی پژوهشی

نویسندگان

حسن ملکی کاکلر¹؛ جمال بحری ثالث²؛ سعید جبارزاده کنگرلویی^{* 3}؛ علی آشتاب⁴

¹گروه حسابداری، دانشگاه آزاد اسلامی، واحد ارومیه، ، ارومیه، ایران

²گروه حسابداری، دانشگاه آزاد اسلامی واحد ارومیه، ارومیه، ایران

³گروه حسابداری، واحد ارومیه، دانشگاه آزاد اسلامی،آذربایجان غربی ،ایران

⁴گروه حسابداری، دانشگاه ارومیه، ارومیه، ایران،

چکیده

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، نتوانستهاندباتقلب‌هایحسابدارینوظهور 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 20 متغیر در قالب الگوی پنج ضلعی تقلب با تاکید بر ساختار کنترل­های داخلی در 166 شرکت­هایفعال در بورس اوراق بهادار تهران طی سالهای 1388 الی 1397 و مقایسه بین مدل­های مورد بررسی،باکمکآزمـونمقایسـة نسبت­ها،نشان می‌دهدکهبه لحاظ آماریمدل­هاییادگیریماشـیندرپیش‌بینیگزارشگری مالی متقلبانه نسـبتبـه مدل­هایآماری،کارایی و دقتبیشتری دارند. ترکیب الگوریتم­ درخت تصمیم­گیری CHAID، C5 و C&R بالاترین دقت در پیش­بینی گزارشگری مالی متقلبانه را با دقت بالای 61/92 درصد در پیش­بینی تقلب نشان می­دهد. روش­های داده­کاوی بر پایه مدل­های یادگیری ماشین و بویژه ترکیب آنها بطور موفقیت­آمیزی  در پیش­بینی و کشف تقلب­در صورت‌های مالی می تواند مورد استفاده قرار گیرد.
The efficiency of statistical and machine learning models in fraud financial statement
    
Hassan Maleki Kaklar
Jamal Bahri Saleth
Saeed Jabbarzadeh Kangarloee
Ali Ashtab

The 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, 20 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 166 manufacturing companies listed on Tehran stock exchange over the period 2009-2018. 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 C5, 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, C5 and C&R decision tree algorithms which had the highest accuracy in prediction of fraudulent financial reporting was examined. The high accuracy of 92.61% 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.

کلیدواژه‌ها

واژه‌های کلیدی:گزارشگری مالی متقلبانه؛ مدل‌های‌آماری؛ مدل‌های یادگیری ماشین. طبقه بندی JEL: M41؛ M42؛ G32

اصل مقاله

کارایی مدل­های آماری والگوهای یادگیری ماشین در پیش بینی گزارشگری مالی متقلبانه

 

حسن ملکی کاکلر

تاریخ دریافت: 14/10/1399            تاریخ پذیرش: 16/12/1399

[1]

جمال بحری ثالث[2]

سعید جبارزاده کنگرلویی[3]

علی آشتاب[4]

 

چکیده

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، نتوانستهاندباتقلب‌هایحسابدارینوظهور 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 20 متغیر در قالب الگوی پنج ضلعی تقلب با تاکید بر ساختار کنترل­های داخلی در 166 شرکت­هایفعال در بورس اوراق بهادار تهران طی سالهای 1388 الی 1397 و مقایسه بین مدل­های مورد بررسی،باکمکآزمـونمقایسـة نسبت­ها،نشان می‌دهدکهبه لحاظ آماریمدل­هاییادگیریماشـیندرپیش‌بینیگزارشگری مالی متقلبانه نسـبتبـه مدل­هایآماری،کارایی و دقتبیشتری دارند. ترکیب الگوریتم­ درخت تصمیم­گیری CHAID، C5 و C&R بالاترین دقت در پیش­بینی گزارشگری مالی متقلبانه را با دقت بالای 61/92 درصد در پیش­بینی تقلب نشان می­دهد. روش­های داده­کاوی بر پایه مدل­های یادگیری ماشین و بویژه ترکیب آنها بطور موفقیت­آمیزی  در پیش­بینی و کشف تقلب­در صورت‌های مالی می تواند مورد استفاده قرار گیرد.

 

واژه‌های کلیدی:گزارشگری مالی متقلبانه، مدل­های­آماری، مدل­های یادگیری ماشین.

طبقه بندی JEL:  M41,M42 ,G32

1- مقدمه

روند افزایشیتقلبدر محیطکسبوکاردنیای امروزی باعث شدهکشف تقلب در صورت­های مالیبهموضوعینوظهوربرایصاحبان بنگاه­های تجاری،صنایعوهمچنین تحقیقاتدانشگاهیتبدیلشود (شرماو پانیگراهی^[i]، 2013). رسوایی­های مالی شرکت­های بزرگی همچون انرون، ورلدکام در دنیا و آثار زیان باری که درطییکدههگذشته به بار آورده­اند، باعث کاهش اعتماد عمومی و بویژه کاهش اعتماد سرمایه­گذاران نسبت به گزارش­های مالیو خدمات حسابرسان شده است (خواجوی و ابراهیمی، 1396). از این روسازمان­ها باید در تلاش دائمی برای پیشگیری،بازدارندگی و کشف تقلب باشند (امیدی و همکاران، 2019). بنا به گزارش بازرسان رسمی تقلب^[ii](2018) انواع تقلب در سه شکل سوءاستفادهازدارایی­ها،فساد مالیوتقلب درصورت­هایمالیطبقهبندیشده است.  در این میان، گزارشگری مالی متقلبانه اگرچه در مقایسه با سایر اشکال تقلب کمتر اتفاق می­افتد با این­حال از لحاظ هزینه­های تحمیل شده به شرکت­ها گران­ترین نوع تقلب به شمار می­رود.

‌در سال­های ‌اخیر‌در ایران  نیز ارتکاب ‌تقلب،‌ بحث ‌غالب ‌مطرح ‌بازارهای ‌مالی ‌و ‌نهادهای ‌اقتصادی- ‌اجتماعی ‌داخلی ‌بوده ‌است. ‌ بحران مالی ایران در سالهای 1390 و 1397 که همراه با کاهش شدید ارزش ریال بودپیامدهای منفی از طریق تاثیرگذاری بر فضای کسب و کار و محدود کردن منابع مالی در اختیار به دنبال داشت. نمونه‌بارز‌تقلب‌های‌مالی‌سال‌های‌اخیر، ‌پرونده‌یفسادگسترده‌بانکسرمایه بهمیزان ۱۴ هزارمیلیاردتومان که ازآنبهعنوانابرفسادمالییادمی­شود؛تاثیر‌بسزایمستقیم‌و‌غیر‌مستقیم بر‌روی‌بازارهای‌مالی‌داخلی‌داشته‌اند.اگرچه در ایران آمارهای رسمی از تقلب­ها ارائه نمی­شود ولی طبق آمارهای سازمان شفافیت بین­الملل در سال 2019، ایران با نمره 27،در بین 180کشور دنیا  رتبه  146 را دارد.

کشف تقلب مدیریت با استفاده از روشهای حسابرسی عادی به دلایل زیرکار نسبتا دشواری است. اول اینکه شناخت کافی در مورد ویژگی­های تقلب مدیریت وجود ندارد. دوم ، بیشتر حسابرسان فاقد تجربه لازم برای کشف تقلب بوده و نهایتا ، مدیران مالی و حسابداران عمدتاً تلاش می­کنند تا کار حسابرسی را بی­اهمیت جلوه دهند.برایچنینمدیرانیکهاز این محدودیت­­هایحسابرسیمطلع هستند،ممکناستروش­هایاستانداردحسابرسیکافینباشد (امیدی و همکاران، 2019). از این روبرایکشفمؤثرصورتهایمالیمتقلبانهنیازبهروش­هایتحلیلیاضافیامری غیر قابل اجتناب می­نماید.با توجه به تأثیر فزاینده گزارش حسابرسی شرکت­ها بر ثبات بازارهای مالی، در سال­هایاخیر تلاش­های گسترده­ای برای ارتقای عملیات حسابرسی انجام شده، ابزارها و فنونی طراحی شدهاست که حسابرسان بتوانند عملیات حسابرسی خود را به کمک رایانه انجام دهند، که یکی از اینفنون و ابزارها، روش­های یادگیری ماشین[iii] است. در طی دهه گذشته اگرچه از این روش­های داده­کاوی[iv] برای کشف تقلب­هایی نظیر پولشویی[v] ،تقلب درکارت اعتباری تجارت الکترونیکی[vi]، تقلب در سازمان­های بیمه با موفقیت استفاده شده است با این حال، به­دلیل ماهیت پیچیده گزارشگری مالی متقلبانه کشف و شناسایی آن نیز پیچیده و دشوار است (آپاراو[vii] و همکاران، 2009).

 در بیشتر پژوهش­ها در زمینه کشف تقلب در صورت­های مالی، به بررسی رویکرد آمار کلاسیک از جمله رگرسیون پرداخته شده است (زلقی و اعتمادی، 1392). مدل­های آماری اگرچه توانایی پیش­بینی­های قابل قبول در تحلیل­ مسایل اقتصاد و حسابداری ارائه می­کنند با این­حال مفروضات محدودکننده برخی از این مدل­ها (ابهام در روابط متغیرهای ورودی و خروجی مدل، خطای ناشی از هم خطی، کمبود مشاهدات...) اثربخشی­ آنها را کاهش می­دهد (اصفهانی­پور و همکاران، ۲۰۱۵). بنابراین این سوال که آیا می­توان مدلی ارائه داد که بتواند گزارشگری مالی متقلبانه را با دقت بالایی پیش­بینی کند، از موضوعاتبسیار مهم در این زمینه است. برای انجام پیش­بینی معمولا با تجزیه و تحلیل داده­های گذشته، الگویی شناسایی شده که بتوان از وقوع تقلب جلوگیری کرد. برای بررسی این امر در این پژوهش، از روش­های یادگیری ماشین استفاده می­شود.در روش­های یادگیری ماشین،الگوریتم­هاییکه براساسداده­هاتوانایییادگیریوپیش­بینیدارند،ایجاد و مورد بررسی قرار می­گیرد.چنینالگوریتم­هاییصرفا ازدستورهایبرنامهپیروینمی­کنندبلکهازطریقمدل­سازی داده­های ورودی نمونه، پیش­بینی یا تصمیم­گیری می­کنند.

از آنجا که آگاهی ضرورتانکارناپذیر تصمیم­گیری است، پیش­بینی تقلب در صورت­های مالی می­تواند از تحمیل هزینه‌های زیاد، کاهش اعتبار شرکت و در نتیجه ‌افزایش‌ریسک‌و نا‌کارآمدی‌بازار جلوگیری کند. بنابراین ضرورت اصلی این پژوهش، ارتقای سطح آگاهی حسابرسان، نهادهای ناظر و سرمایه­گذاران در این زمینه اسـت.آنچـه ایـنپژوهش را از پژوهش­های مشابه متمایز می­کند، به شرح زیر است:

• برای پیش­بینی گزارشگری مالی متقلبانه، از20 متغیر در قالب پنج ضلعی تقلب با تاکید بر ساختار کنترل­های داخلی (فشار، فرصت، توجیه، قابلیت، تکبر و ساختار کنترل­های داخلی)که شامل نسبت­های مالی، متغیرهای غیرمالیو متغیرهـایحاکمیت شرکتی می­باشد استفاده شده است؛
• برای پیش­بینی گزارشگری مالی متقلبانه، از 27 مدل مختلف شامل8 مدل آمـاری و 19 مـدل یـادگیریماشین در نرم­افزارهای داده­کاوی(SPSS Modeler 18و RapidMiner) ونرم­افزارهای آماری (نسخةSPSS 22، نسخة Eviews 9 ونسخه Minitab 18)به­صـورت مقایسـه­ایاستفاده شده است.

باتوجه به توانایی­های این مدل­ها، انتظار می­رود از آن برای موضوع پیچیده کشف تقلب در صورت­های مالی استفاده شود، زیرا گزارشگری مالی متقلبانه تأثیر منفی بر بقا و عملکردهای پایدار بازارهای مالی، جامعه و اقتصاد جهانی دارد و به توسعه پایدار شرکت­ها آسیب می­رساند.بنابراین نیاز به ابزار هوشمند و جدید برای فعال کردن حسابرسان در کشف داده­های جعلی بسیار ضروری است. به­علاوه، گزارشگری مالی متقلبانه به متغیرهای مالی و غیرمالی زیادی بستگی داشته که خود این متغیرها مستقل از هم بوده و روابط بین آن­ها مشخص نیست. در چنین شرایطی کشف تقلب برای حسابرسان، نهادهای ناظر و سرمایه­گذاران دشوار خواهد بود.

ساختار مقاله حاضر بدین صورت است که در بخش اول به مبانی نظری و پیشینه پژوهش­ پرداخته می­شود. در ادامه، به توصیف روش پژوهش­ و متغیرهای پژوهش­ پرداخته و سپس، روش تجزیه و تحلیل داده­ها و یافته­های پژوهش­ مطرح می­شود. در آخر، نتیجه­گیری، پیشنهادها و محدودیت­های پژوهش­ بیان می­گردد.

 

مبانی نظری و پیشینه تجربی پژوهش

روش­های حسابرسی به دلیل اینکه برای کشف تقلب در صورت­های مالی طراحی نشده­اند دارای نقایص بی­شماری برای شناسایی این نوع تقلب هستند. اگرچه از نظر اخلاقی، مدیر مسئولیت کشف داده­های تقلب مالی در یک سازمان را بر عهده دارد ولی در واقع اکثر تقلب­ها در صورت­های مالی با آگاهی یا رضایت مدیریت انجام می­شود. نکته مهم اینست که هرگونه عدم موفقیت در کشف گزارشگری مالی متقلبانه می­تواند به اعتبار حرفه حسابرسی آسیب جدی وارد کند (چوی[viii] و پیک[ix]، 2013) همچنین، شیوه­های حسابرسی باید به موقع انجام شود تا از بروز موارد تقلب در صورت­های مالی و افزایش روزافزون آن جلوگیری شود. تکنیک های جدید مانند داده­کاوی که دارای طبقه­بندی پیشرفته و قابلیت پیش بینی است می تواند برای تسهیل نقش حسابرسان از لحاظ کشف موفقیت آمیز تقلب مورد استفاده قرار گیرد( لین[x] و همکاران، 2015).

داده­کاوی فرآیندی است که در آن از تکنیک­های مختلف برای استخراجدانشازحجمانبوهیازداده­هااستفادهمی­شود. داده­کاویشاملمجموعه­ایازتکنیک­هاییاست که در حوزه­های دیگر علمی مانند پایگاهداده­ها،آمار،یادگیریماشین،شبکه­هایعصبی،بازیابیاطلاعاتوتشخیصالگومی­توان آن­رایافت. مراحل مختلف داده­کاوی شامل انتخاب مناسب­ترین روش­ها (مانند طبقه­بندی، رگرسیون، خوشه بندی[xi] یا  قوانین انجمنی[xii]) و سپس انتخاب الگوریتم مناسب متعلق به یکی از روش­های مذکور است. نهایتا، با انتخاب و تنظیم پارامترهای اصلی و مرحله اعتبارسنجی، از الگوریتم انتخاب شده برای حل مسئله استفاده می­شود(ژانگ و ژو[xiii]، 2004). به طور کلی، روشهای داده­کاوی به دو نوع توصیفی و پیش بینی تقسیم می­شوند. دسته­ی اول به توصیف خصوصیت داده­ها در پایگاه داده­ها می­پردازند و عملیات دسته­ی دوم با مدل­سازی داده­های در دسترس سعی می­کنند تا یک پیش­بینی صحیح از داده­های آتی و آزمایشی داشته باشند. روش­های پیش­بینی نیز خود به روش­های آماری و روش­های نمادین طبقه بندی می­شوند.روش­های آماری با ارائه دانش از طریق مدل­های ریاضی بهمراه محاسبات مربوطه شناخته می­شوند. روش­های نمادین دانش را با استفاده از نمادها و قوانین انجمنی ارائه می­دهند، که در نهایت مدل­های قابل تفسیرتری ارائه می­کنند. (اسماعیلی، 1398)

مدل­های رگرسیون از جمله مدل­های کلاسیک هستند که در گروه روش­های آماری قرار گرفته و به نوعی به معادلات مدل­سازی نیاز دارند. رگرسیون خطی، درجه دوم و لجستیک از مشهورترین مدل­های داده­کاوی هستند. ویژگی اصلی این مدل­ها اینست که الزامات اساسی را بر داده­ها تحمیل کرده و از همه کارکرد آنها چه مفید باشد یا نباشد، استفاده می­کنند.

افزون بر این­ها، شبکه­های عصبی مصنوعی،یکی از قدرتمندترین مدل­های ریاضی است که تقریباً برای کلیه کارهای داده­کاوی مناسب است. شبکه­های عصبی از لحاظ یادگیری در دو دسته­ی شبکه­های وزن ثابت و شبکه­هایی با وزن متغیر تقسیم می­شوند. شبکه­هایی با وزن متغیر که به نام شبکه­های یادگیرنده نیز شناخته می­شوند، خود می­توانند به دو دستههدایت­شده[xiv] و هدایت نشده[xv] تقسیم می­شوند. به منظور آموزش شبکه روش­های بسیار زیادی وجود دارند که یکی از مشهورترین آن الگوریتم پس انتشار خطااست که یکی از روش­های هدایت شده تلقی می­شود. واژه ی­پس انتشار به معنای این است که خطاها به سمت عقب در شبکه تغذیه می­شوند تا وزن ها را اصلاح کنند. در این الگوریتم ابتدا فرض بر این است که وزن­های شبکه بطور تصادفی انتخاب شده­اند (اسماعیلی، 1398).

روش­های پیش­بینی کننده عمدتاً به یادگیری هدایت­شدهنسبت داده می­شود. روش­های هدایت شده، روابط بین صفات ورودی و یک ویژگی مشخص را در ساختاری که "مدل" نامیده می­شود، آشکار می­کنند. مسائل رگرسیون و طبقه­بندی هر دو جز روش­های هدایت شده هستند. سناریوی هدایت شده به گونه­ای عمل می­کند که یک مدل در یک مجموعه داده آموزشی قرار گیرد و سپس برای پیش­بینی موارد مشاهده نشده استفاده شود. در اینجا، هدف اصلی نقشه برداری ورودی­ها به خروجی است که مقادیر صحیح آن توسط یک ناظر تعیین می­شود. از طرف دیگر، چنین ناظری در یادگیری بدون هدایت وجود ندارد و فقط داده­های ورودی در دسترس است. یکی از مزایای یادگیری بدون هدایت این است که، برخلاف یادگیری هدایت شده، مدل­های پیشرفته­تری می­توانند تحت آموزش قرار بگیرند. از آنجا که در یادگیری هدایت شده، هدف این است که رابطه بین دو مجموعه مشاهدات برقرار شود، با افزایش تعداد مراحل، فرایندهای یادگیری به دلیل هزینه­های بالای محاسباتی بصورت تصاعدی رشد می­کند و بنابراین این مدل­ها نمی­توانند بطور ریشه­ای تحت فرآیند آموزش قرار بگیرند. (امیدی و همکاران، 2019).

مزیت بزرگ ماشین­بردار پشتیبان این است کهقدرت روش­های آماری تئوری محور و روش­های یادگیری ماشین داده محور را ترکیب می­کند (مین و لی[xvi]، 2005). ایده اساسی این الگوریتم آنست که بردارهای ورودی به صورت غیرخطی در فضای ویژگی که بُعد بسیار بالایی دارد، رسم شود. براساس این معیار که اگر بردارها بتوانند سخت­ترین نقاط را مشخص کنند، دیگر نقاط به آسانی مشخص می­شوند، ماشین بردار پشتیبان برخلاف روش­های بی­شماری که بر کل داده­ها تمرکز می­کنند به دشوارترین مسأله تشخیص داده شده توسط نقاط توجه می­کند. بردارهایی که تشخیص آنها دشوارتر از همه است نزدیک به ابرصفحه­ای قرار می­گیرند، کهاصطلاحا بردار پشتیبان نامیده می­شوند. فاصله موجود بین نزدیکترین نقاط داده در هر طبقه، نسبت به ابرصفحه حاشیه نامیده می­شود. هدف این الگوریتم حداکثر کردن این حاشیه­ها است،بنابراین هر اندازه بردارها دورتر از ابرصفحه باشند،اطمینان از درستی طبقه­بندی آنها بیشتر می­شود. ماشین­های بردار پشتیبان زمانی­که داده­ها به صورت خطی از هم تفکیک شوند بسیار خوب عمل می­کنند.از سوی دیگربر خلاف مدل­های رگرسیون، این مدل­ها معمولاً نیازی به ایجاد تعامل بین متغیرها ندارند، مشابهشبکه­های عصبی مصنوعی، نسبت به پارازیت­ها مناسب هستند )قاضی زاده احساییو همکاران، 1398).

دادهکاویبهطورگستردهدربسیاریازحوزه­هاکاربرددارد. درزیرخلاصه­ایازکاربردهایدادهکاویآوردهشدهاست:

الف) برنامههایدادهکاویدرامورمالی: پولشوییوکشفسایرجرایممالی،طبقه­بندیمشتریانوبازاریابیهدف،پیش­بینیپرداختواموتجزیهوتحلیلاعتبارمشتری.

ب) کاربردداده­کاویدرصنعتخردهفروشی: تجزیهوتحلیلاثربخشینمایندگیفروش،حفظمشتریوتجزیهوتحلیلوفاداریمشتری،سفارشمحصولو.

ج) دادهکاویبرایصنعتارتباطاتازراهدور: تجزیهوتحلیلالگوهایتقلبوشناساییالگوهایغیرمعمول،وخدماتارتباطازراه دور.

در مطالعاتگسترده­ای ازروش­هاینوآورانهبرای شناسایی وکشفتقلباستفادهشدهاست. به عنوان مثال(چاندولا[xvii]وهمکاران، 2009)درموردکاربردتکنیک­هایمختلفبرایتشخیصناهنجاریوتقلببااستفادهازرویکردهایهدایتشده داده­کاویبحثکردند. آنها ازتکنیک­هاینتیجهمحور مانندماشینبردارپشتیبانبرایانجامطبقه­بندیاستفادهکردندودریافتندکهدر بسیاری از موارد مدل­هادر مقایسه با حسابرسان درکشفسریعبدونانجام رسیدگیکارایی بالاتری دارند.  (شاو[xviii]وهمکاران، 2012)بامرورتکنیک­هایمورداستفادهبرایکشفتقلب،کاراییرایج­ترینتکنیک­هایخوشهبندیمورد استفاده درتقلبوکشفناهنجاری­ها را مورد بررسی قرار دادند. (ژووکاپور،[xix] 2011) اثربخشیومحدودیت­هایتکنیکهایدادهکاویماننددرختتصمیمگیریوشبکهعصبیوشبکههایبیزینرابررسیکردند.آنهابرایشناساییتقلبدرصورت­هایمالییکچارچوبخودسازگار^[xx]رابراساسمدلسطح پاسخ^[xxi]درحوزهعلمکشفکردند. (شرما و پانیگراهی[xxii]، 2013)یکچارچوبداده­کاویبرایکشف تقلب در صورت­هایمالیپیشنهاددادند. (سچینی[xxiii]وهمکاران، 2010)بااستفادهازداده­هایمالیاولیهوعمومیکهدردسترسعمومهستند،یکروشبرایکمکبهکشفگزارشگریمالیمتقلبانهپیشنهاددادند. (چنوروکو[xxiv]، 2009)نشاندادندکهیکروشهوشمصنوعیدرشناساییو کشف تقلببسیارخوبعملمی­کند، وازاینرومی­تواندیکابزارحمایتیبرایمتخصصان امرباشد. تجزیه و تحلیل نسبت­ها معمول­ترین رویکردی است که حسابرسان برای کشف تقلب به کار می­برند. با این وجود، مشکل این رویکرد انتزاعی بودن انتخاب نسبت­هایی است که به احتمال زیاد نشان­دهنده تقلب هستند (هوگان[xxv] و همکاران، 2008). تکنیک­های داده­کاوی برای کشف مفاهیم مذکور که قبلاً ناشناخته بودند کاملا کاربردیاست، (لین و همکاران، 2015) با این­حال تا به امروز، استفاده از این تکنیک­ها درگزارشگری مالی متقلبانه محدود بوده است. بیشتر تکنیک­های داده­کاوی مورد استفاده در این زمینه تکنیک های هدایتی مانند رگرسیون لجستیک ، شبکه های عصبی ، درخت تصمیم گیری و استخراج متن هستند.

(ابطحی و همکاران، 2017) از مدل طبقه­بندی بیزین سیستمی که در آن تقلب در معاملات ساختگی بازار قرارداد­های آتی قابل تشخیص است استفاده کرده­اند. برچسب­گذاریاولیةداده­ها با استفادهاز خوشه­بندیکاـمیانگین انجام گرفته است و آزمون مدل، نشان داد مدل پیشنهادی می­تواند 55/94 درصد موارد تقلب را با دقت طبقه­بندی کند.

(ژان[xxvi]، 2018) 160شرکت (از جمله 40 شرکت متقلب) را برای ارزیابی چندین تکنیک داده­کاوی از جملهشبکه عصبی مصنوعیوماشین بردار پشتیبانمورد استفاده قرار داد. سپس چهار نوع درخت تصمیم­گیری(Cart ، CHAID، C5.0، وQUEST ) استفاده شد. نتایج مطالعه نشان می دهد که ترکیب مدل ANN + Cart بهترین نتایج طبقه بندی را با دقت 83/90 درصد در کشف تقلب در اظهارات مالی ارائه می دهد.

امیدی^[xxvii] و همکاران (2019)، با استفاده از 18 نسبت مالی مدل مثلث تقلب به اثربخشیروشهایپیشبینیکنندهتقلبدرصورتهایمالی در شرکت­های بورسی کشور چین تقلب پرداختند. این مطالعه با بررسی خواص پنج رویکرد هدایت شده یعنی، شبکه عصبی پیشخور چند لایه، شبکه عصبی احتمال محور^[xxviii]، دستگاه بردار پشتیبانی^[xxix]، مدل چند جمله­ای خطی^[xxx]، و تجزیه و تحلیل تفکیککننده^[xxxi]، نشان داد کهشبکه عصبی پیشخور چند لایه بهترین نتایج را در تشخیص صورت­های مالی متقلبانه ارائه می دهد.

در پژوهش­های مربوط به ایران نیز تاراسی و همکاران (1398) تواناییشبکههایعصبیمصنوعی درپیشبینی احتمالگزارشگریمالیمتقلبانهموردبررسیقراردادند. در آن تحقیق، شبکه های بسیاری باترکیب­های مختلف توابع انتقال طراحی شد ومشخص گردید که در خصوص مسئله­ی پیش بینیاحتمال وقوع گزارشگری مالی متقلبانه با  17 ورودی و 7خروجی، شبکه­ی عصبی دو لایه با توابع انتقال پایهشعاعی و خطی از صحت4/97 درصدبرخوردار بوده و بهترین تخمین تابع و پیش بینی راانجام می دهد.

با بررسی دقت پیش بینی مدیریت سود با استفاده از از شبکه عصبی پیشخور تعمیم یافته و درخت تصمیم­گیری Cart ,C5.0و مقایسه آن بامدل خطیرگرسیون کمترین مربعات،صالحی و فرخی (1397)دریافتند روش شبکهعصبی و درخت تصمیم گیری در پیش بینی مدیریت سود نسبت به روشهای خطی دقیق تر ودارای سطح خطای کمتری است.

 در پژوهش آشتاب و همکاران (1396) نیزدقتمدل­هایپیش­بینیبحرانمالیورویکردهـای مدیریتسودمورد بررسی قرار گرفت. بدینمنظوربرایپیش­بینیبحران مالی،مدل­هاییادگیریماشینومدل­هایآماریبایکدیگرمقایسهشدندوبهکمکآزمـونمقایسـة میانگین،مشخصشدکهازنظرپیش­بینیبحرانمالی،مدل­هاییادگیریماشـیننسـبتبـه مدل­هایآماریدقتبیشتریدارند.

در پژوهش دیگر، خواجوی و ابراهیمی (1396) با به­کارگیری تکنیک­های داده­کاوی مدلی را برای کشف تقلب در صورتهای مالی ارائه کردند. یافته­های پژوهش بیانگر وجود شواهدیدال بر عملکرد مناسب مدل­های پیشنهادی و برتری الگوریتم جنگل تصادفی و شبکه بیزین در مقایسه با شبکه عصبی مصنوعی برایپیش­بینی تقلب در صورتهای مالی بود.

کاردان و همکاران (1396) با بررسی دقت الگوریتم­های خطی وغیرخطی در پیش­بینی مدیریت سود نشان دادند الگوریتم­های غیرخطی از دقت بیشتری نسبت به الگوریتم­های خطی برخوردار بوده و الگوریتمرگرسیون پشتیبان، مدیریت سود را بهتر از سایر الگوریتم­ها پیش­بینی می­کند. همچنین الگوریتمخطی در پیش­بینی سود نتایج تقریباً مشابهی را از خود نشان داد.

روش­شناسی پژوهش

در این پژوهش برایپیش­بینیبحرانمالی،از27 مدلمختلفشامل 8 مدلآمـاریو19 مـدلیـادگیری ماشین به­صـورتمقایسـه­ای استفادهشدهاست. در این پژوهش برای تجزیه و تحلیل داده­ها در و انجام آزمون­های آماری از نرم­افزارهایEviews 9, SPSS 22 وMiniTab 18 و همچنین نرم­افزارهای داده­کاوی RapidMiner و SPSS Modeler استفاده شده است. ویژگی بارز نرم­افزارSPSS Modeler در این است که پردازش داده­های خود را با استفاده از گره­هایی که به یکدیگر متصل شده­اند و قالب یک جریان را به­وجود می­آورند، انجام می­دهد. به­علاوه، پس از اتمام فرایند داده­کاوی، داده­های مصور شده را به کاربر ارائه می­دهد.

الگوریتم­های یادگیری ماشین مورد استفاده در این پژوهش به­شرح زیر است:

الگوریتم ماشین بردار پشتیبان:ماشین بردار پشتیبان، یکی از قوی­ترین و دقیق­ترین الگوریتم­های یادگیری ماشین است که جهت طبقه­بندی و تفکیک گروه­ها به­کار می­رود. این الگوریتم روش­های آماری و یادگیری ماشین را باهم ترکیب می­کند. بنابراین، اساس نظری آن برپایه تئوری یادگیری آماری قرار دارد (باستی[xxxii] و همکاران، ۲۰۱۵).  با مشخص شده داده­های پژوهش، مدل ماشین بردار پشتیبان داده­ها را به گروه­های متمایزی تقسیم می­کند. این مدل­ها دارای خواص کلی طبقه­بندی داده­ها با حداکثر قابلیت تعمیم، رسیدن به نقطه بهینه تفکیک داده­ها، تعیین خودکار ساختار بهینه برای طبقه­بندی کننده و امکان مدل کردن داده­های غیرخطی با استفاده از تجزیه و تحلیل اجزای اصلی هستند (فلاح­ شمس و همکاران، ۱۳۹۱). ماشین بردار پشتیبان الگوریتمی است که نوع خاصی از مدل­های خطی را می­یابد که موجب حداکثر شدن تفکیک بین طبقات می­شود. بردارهای پشتیبان در واقع نزدیک­ترین نقاط به حاشیه ابرصفحه هستند و تنها از این بردارها (نقاط) برای مشخص کردن مرز بین طبقات استفاده می­شود. این الگوریتم از تئوری بهینه­سازی برای طبقه­بندی استفاده می­کند و براساس تئوری یادگیری آماری، خطای طبقه­بندی را به حداقل می­رساند (اسماعیلی و همکاران، ۱۳۹۷).

الگوریتم درخت تصمیم­گیری: روش مبتنی بر درخت تصمیم، یکی از ابزارهای قوی برای دسته­بندی و اعتباردهی محسوب می­شود. درخت تصمیم از نظریه اطلاع و مقدار آنتروپی جهت انتخاب بهترین متغیر شروع پیمایش استفاده می­کند. هر راس درخت به­عنوان یک کلاس یا قاعده، نمایشگر یک آزمایش یا تصمیم یکتاست. یال­های هر راس، متناظر با احتمال­های حاصل از آزمایش روی راس است. پیشامد داده­ها را به چندین زیرمجموعه افراز می­کند که توسط برگ­های این درخت شناخته می­شود. درخت تصمیم برخلاف سایر فنون به تولید قانون می­پردازد و پیش­بینی خود را در قالب قوانین توضیح می­دهد، در حالی که در سایر فنون، پیش­بینی نهایی بدون چگونگی اجرا بیان می­شود (مفاخری، ۱۳۹۷). رایج­ترین الگوریتم­های درخت تصمیم­ شامل CHAID، C4.5،C5، CART وQUEST هستند (باستی و همکاران، ۲۰۱۵). یکی از پرکاربردترین درخت­های تصمیم، C5 است، چرا که این الگوریتم با توجه به اریب کمتر نسبت به الگوریتم­های مشابه برای داده­هایی که دارای نویز هستند، مناسب بوده و استفاده از روش بوستینگ[xxxiii] باعث افزایش عملکرد آن می­شود.

مدل درخت تصمیم مزایای بسیاری همانند قابل فهم بودن قوانین ایجاد شده توسط درخت تصمیم، برخورداری از کارایی بالاتر، مناسب برای نمونه­هایی با حجم زیاد داده و دارا بودن دقت طبقه­بندی بالاتر دارد (هان،[xxxiv] ۲۰۱۶).

الگوریتم شبکه بیزین: شبکه­های بیزین جزو دسته­بندی کننده­های آماری هستند و می­توانند ردیف تعلق داده­ها را مشخص کنند و در آن صفات داده­های ورودی از هم مستقل بوده و بر روی هم تاثیر ندارند. از این روش تحت عنوان تکلیف هدایت شده یاد می­شود. مبنای رده­بندی در الگوریتم بیزین، احتمالات است. در واقع رده­بندی بیزین چیزی جز احتمالات شرطی نیست. اما ویژگی بسیار مثبت الگویتم بیز این است که امکان اثبات بهینگی دارد (مفاخری، ۱۳۹۷).

 

مدل پژوهش

سیر تکاملی مدل­های تقلب در صورت‌های مالی در شکل‌های 1-3 آورده شده است. بر این اساس، مدل اندازه­گیری و کشف مثلث تقلب ابتدا به مدل لوزی (الماس تقلب) و نهایتا مدل پنتاگون بسط و توسعه یافته است. با توجه به مسئله اصلی این تحقیق مبنی بر تاثیر ساختار کنترل­های داخلی در کشف تقلب، مدل بسط یافته پنتاگون در شکل 4 نشان داده شده است. شکل 5 نیز مدل مفهومی پژوهش را با جزئیات ارائه می‌کند.  

شکل1 مدل مثلث تقلب کریسی (1973)	شکل 2 مدل لوزی تقلب ولف و هرمانسون (2004)	شکل 3 مدل پنج ضلعی تقلب  کروهورواث (2011)	شکل 4 مدل شش ضلعی تقلب

منبع: یافته های پژوهشگر

شکل 5. مدل مفهومی پژوهش

منبع: یافته های پژوهشگر

 

جامعه آماری این پژوهش کلیه شرکت­های پذیرفته شده در بورس اوراق بهادار تهران هستند که در بازه زمانی 1388 تا ۱۳۹7 فعالیت کرده­اند.جدول ۱ روند انتخاب نمونه آماری پژوهش را نشان می­دهد.

 

جدول ۱. روند انتخاب نمونه آماری پژوهش

جامعه آماری به غیر از شرکت های خارج شده از بورس	522
کسر می­شود: شرکت­هایی که در طی دوره تحقیق از بورس خارج شده اند	117
کسر می­شود: شرکت­هایی که عضو بانک­ها، شرکت­های سرمایه­گذاری، هلدینگ­ها و بیمه­ها هستند	65
کسر می­شود: شرکت­هایی که اطلاعات آنها بطور کامل در دسترس نیست	124
کسر می­شود: شرکت­هایی که پایان سال مالی آنها منتهی به پایان اسفند نباشد	51
نمونه آماری قابل آزمون با در نظر گرفتن پیش فرض­ها	166

منبع: یافته های پژوهشگر

با اعمال شرایط فوق، تعداد 166 شرکت از شرکت­های پذیرفته شده در بورس اوراق بهادار تهران­، جهت برآورد مدل­ها و آزمون فرضیه­های پژوهش انتخاب شد. فرضیه‏های تحقیق به شرح زیر در نظر گرفته شدند.

• بین عامل فشار و گزارشگری مالی متقلبانه رابطه معناداری وجود دارد.
• بین عامل مالکیت نهادی و گزارشگری مالی متقلبانه رابطه معناداری وجود دارد.
• بین عامل اهداف مالی و گزارشگری مالی متقلبانه رابطه معناداری وجود دارد.
• بین عامل ثبات مالی و گزارشگری مالی متقلبانه رابطه معناداری وجود دارد.
• بین عامل فشار خارجی و گزارشگری مالی متقلبانه رابطه معناداری وجود دارد.
• بین عامل جریان نقد آزاد و گزارشگری مالی متقلبانه رابطه معناداری وجود دارد.
• بین عامل کیفیت حسابرسی و گزارشگری مالی متقلبانه رابطه معناداری وجود دارد.
• بین عامل فرصت و گزارشگری مالی متقلبانه رابطه معناداری وجود دارد.
• بین عامل تعداد کمیته حسابرسی و گزارشگری مالی متقلبانه رابطه معناداری وجود دارد.
• بین عامل نوع صنعت و گزارشگری مالی متقلبانه رابطه معناداری وجود دارد.
• بین عامل معاملات اشخاص وابسته و گزارشگری مالی متقلبانه رابطه معناداری وجود دارد.
• بین عامل منطق گرایی ( توجیه ) و گزارشگری مالی متقلبانه رابطه معناداری وجود دارد.
• بین عامل تغییر حسابرس و گزارشگری مالی متقلبانه رابطه معناداری وجود دارد.
• بین عامل اظهار نظر حسابرس و گزارشگری مالی متقلبانه رابطه معناداری وجود دارد.
• بین عامل اقلام تعهدی اختیاری و گزارشگری مالی متقلبانه رابطه معناداری وجود دارد.
• بین عامل توانایی (قابلیت ) و گزارشگری مالی متقلبانه رابطه معناداری وجود دارد.
• بین نسبت استقلال اعضای هیات مدیره و گزارشگری مالی متقلبانه رابطه معناداری وجود دارد.
• بین عامل تغییر مدیران و گزارشگری مالی متقلبانه رابطه معناداری وجود دارد.
• بین عامل عدم افشای مطالبات مشکوکالوصول و گزارشگری مالی متقلبانه رابطه معناداری وجود دارد.
• بین عامل غرور ( شدت عمل ) و گزارشگری مالی متقلبانه رابطه معناداری وجود دارد.
• بین عامل دوگانگی وظایف مدیر عامل و  گزارشگری مالی متقلبانه رابطه معناداری وجود دارد.
• بین ساختار کنترلهای داخلی و گزارشگری مالی متقلبانه رابطه معناداری وجود دارد.
• بین تجدید ارائه صورتهای مالی و گزارشگری مالی متقلبانه رابطه معناداری وجود دارد.
• بین نوع اظهار نظر حسابرسی و گزارشگری مالی متقلبانه رابطه معناداری وجود دارد.
• بین اطلاع رسانی ضعفهای با اهمیت کنترلهای داخلی و گزارشگری مالی متقلبانه رابطه معناداری وجود دارد.

 

متغیرهای پژوهش

گزارش مالی متقلبانه به عنوان متغیر وابسته که با استفاده از مدل(1)  F-Score مورد سنجش قرار گرفت (دیچو و همکاران،^[xxxv]2011)که به شرح زیر است:

 

Predicted Value = +7.893 – 0.790*Rsst-acc + 2.518*Chrec + 1.191*Chinv + 1.979*Softassets+ 0.171*Chcs - 0.932*Chroa + 1.029*Issue + ε+

 

(متوسط مجموع دارایی ها) / (تغییرات سرمایه در گردش + تغییرات تعهدات عملیاتی غیرجاری + تغییرات تعهدات مالی)= کیفیت اقلام تعهدی

 

بدهی­های جاری – دارایی­های جاری = سرمایه در گردش

 

(بدهی­های بلند مدت-بدهی­های جاری-کل بدهی­ها) – (سرمایه­گذاری و توسعه - دارایی­های جاری -کل داریی­ها) =تعهداتعملیاتی غیرجاری

 

(سهام ممتاز+ بدهی­های کوتاه مدت + بدهی­های بلند مدت) –(سرمایه­گذاری­کوتاه مدت + سرمایه­گذاری­ بلند مدت)= تعهدات مالی

 

متوسط مجموع دارایی­ها / تغییرات در حسابهای دریافتنی = تغییر در حسابهای دریافتنی

 

متوسط مجموع دارایی­ها / تغییراتموجودی­های کالا = تغییر درموجودی­های کالا

 

کل دارایی­ها / (وجه نقد و معادل نقد – دارایی­های ثابت مشهود – کل دارایی­ها)  = درصد نقدینگی دارایی

 

تغییرات در حساب­های دریافتنی – درآمد فروش = تغییر در فروش­های نقدی

 

(متوسط مجموع دارایی­ها در ابتدای سال/ سود سال قبل) – (متوسط مجموع دارایی­ها در انتهای سال / سود سال جاری) = تغییرات در سود

 

متغییر موهومی، عدد یک در صورتیکه شرکت در سال جاری اوراق بدهی یا سهام منتشر کند و درغیر اینصورت عدد صفر  = انتشار سهام 

 

برای محاسبه F-Score، احتمال پیش­بینی شده از طریق تقسیمe(VALUE) / (1+ e(VALUE)) بر احتمال غیر شرطی تقلب (0.0037) بدست می­آید که در آن PV ارزش پیش­بینی بدست آمده از الگوی (1) می­باشد. بر اساس پژوهش دیچو و همکاران (2011)، در این پژوهش مشاهدات دارای F-Score بالاتر از 85/1 به عنوان شرکت­های با ریسک بالای گزارشگری متقلبانه شناسایی می­شوند.

در این مطالعه متغیرهای خارجی یا مستقل شامل شش متغیرپنهانیعنی فشار، فرصت، عقلانی، قابلیت و تکبر و ساختار کنترل داخلی است.هریک از فرایندها به شرح زیر است(توفیق اکبر ، 2017):

 

جدول 2. تعریف عملیاتی متغیرهای پژوهش

متغیرها		تعریف عملیاتی
فشار	اهداف مالی	اندازه گیری  با استفاده از بازده دارایی ها(تیفانی و مارفو[xxxvi]، 2015) سود خالص پس از کسر مالیات تقسیم بر جمع دارایی­ها
	ثبات مالی	اندازه گیری با استفاده از درصد کلتغییراتدر دارایی­ها (تیفانی و مارفو، 2015) جمع دارایی­های سال جاری منهای دارایی­های سال قبل تقسیم بر دارایی­های سال جاری
	فشار خارجی	اندازه گیری با استفاده از اهرم مالی (تیفانی و مارفو، 2015) جمع بدهی­ها تقسیم بر جمع دارایی­ها
	مالکیت نهادی	اندازه گیری با استفاده از درصد مالکیت نهادی (تسا و هارتو[xxxvii]، 2016) متغیر ساختگیعدد '1' بیشتر از میانه نشان دهندهمالکیت نهادی و کد '0' در غیر این صورت.
	جریان نقد آزاد	اندازه­گیری با استفاده از جریان نقد آزاد ( چانگ[xxxviii] و همکاران، 2005) ( سود عملیاتی قبل از کسر هزینه استهلاک – سود پرداختی به سهامداران – مالیات بر درآمد)/ ارزش دفتری دارایی­ها
	کیفیت حسابرسی	اندازه­گیری با استفاده از رتبه بندی شرکت­های حسابرسی (اوکیف[xxxix] و همکاران، 1994 ولونسوهن[xl] و رک[xli]، 2004) متغیر ساختگیعدد '1' نشان دهنده رتبه الف و ب شرکت­های حسابرسی و کد '0' در غیر این صورت.
فرصت	تعداد اعضای کمیتهحسابرسی	با استفاده از تعداد کمیته های حسابرسی اندازه گیری شد (امالیا و همکاران[xlii]، 2015) تعدادکل  اعضای کمیته­­هایحسابرسی
	نوع صنعت	اندازه گیری با استفاده از نسبت کل موجودی (آنیسیا و همکاران، 2016) (موجودی کالای طی سال/ فروش طی سال) -  (موجودی کالای سال قبل/ فروش سال قبل)
	معاملات اشخاص وابسته	متغیر ساختگیعدد '1' نشان دهندهمعاملات اشخاص وابسته و کد '0' در غیر این صورت.
توجیه	تغییر حسابرسان	اندازه گیری با استفاده از تغییر در حسابرس (تیفانی و مارفو، 2015) متغیر ساختگیعدد '1' نشان دهنده تغییر در حسابرس و کد '0' در غیر این صورت.
	نظر حسابرس	اندازه گیری با استفاده از نظر که در گزارش حسابرسی نشان داده شده است (امالیا و همکاران، 2015) متغیر ساختگیعدد '1' نشان دهنده اظهار نظر مقبول و کد '0' در غیر این صورت.
	اقلام تعهدی اختیاری	اندازه­گیری با استفاده از مدل تعدیل شده جونز مقادیر خطای مدل به صورت بهتری اقلام تعهدی اختیاری را نشان می­دهد
قابلیت	تغییر مدیران	اندازه گیری با استفاده از تغییر در ساختار مدیران (آنیسیا و همکاران، 2016) متغیر ساختگیعدد '1' نشان دهنده تغییر در ساختار مدیران و کد '0' در غیر این صورت.
	نسبت استقلال اعضای  هیئت مدیره	اندازه گیری شده با استفاده از نسبت استقلال اعضای  هیئت مدیره( ایندارتو و گوزالی[xliii]، 2016) تعداد اعضای مستقل هیئت مدیره تقسیم بر تعداد کل اعضای هیئت مدیره
	عدم افشاء مطالبات مشکوک الوصول	متغیر ساختگی عدد'1' نشان دهنده افشاء مطالبات مشکوک الوصول و کد '0' در غیر این صورت.
تکبر	دوگانگی وظایف مدیر عامل	اندازه گیری با استفاده از دوگانگیوظایف مدیر عامل (یوسف و همکاران، 2015) متغیر ساختگی عدد'1' نشان دهنده اینست که  مدیر عامل شرکت دارایوظایف دوگانه است و کد '0' در غیر این صورت.
ساختار کنترل داخلی	نوع اظهارنظر حسابرس	نوع اظهار نظر حسابرس (کرمی و همکاران، 1397) متغیر ساختگی عدد'1' نشان دهنده اینست که اظهارنظر حسابرس مقبول باشد و کد '0' در غیر این صورت.
	عدم تجدید ارائه صورت­های مالی	عدم تجدید ارائه صورت­های مالی(کرمی و همکاران، 1397) متغیر ساختگی عدد'1' نشان دهنده اینست که عدم تجدید ارائه صورت­های مالی باشد و کد '0' در غیر این صورت.
	اطلاع رسانی ضعف های بااهمیت ساختار کنترل داخلی	اطلاع رسانی ضعف های بااهمیت ساختار کنترل داخلی(کرمی و همکاران، 1397) متغیر ساختگی عدد'1' نشان دهنده اینست که عدم تجدید ارائه صورت­های مالی باشد و کد '0' در غیر این صورت.

منبع: یافته های پژوهشگر

 

تحلیل یافته­ها

آمار توصیفی متغیرهای پژوهش در جدول زیر آورده شده است.

 

جدول 3. آمار توصیفی متغیرهای پژوهش

متغیرهای اصلی	متغیرهای فرعی	میانگین	میانه	انحرافمعیار	کمینه	بیشینه
فشار	اهداف مالی	0.094	0.087	0.171	-1.100	2.101
	ثبات مالی	0.109	0.102	0.185	-1.940	0.877
	فشار خارجی	0.683	0.645	0.483	0.047	9.003
	جریان نقد آزاد	0.073	0.058	0.149	-0.745	1.226
فرصت	تعداد اعضای کمیته حسابرسی	1.319	0.000	1.598	0.000	5.000
	نوع صنعت	0.355	-0.001	38.283	-789.268	1344.435
توجیه	اقلام تعهدی اختیاری	0.000	-0.005	0.137	-0.946	0.862
قابلیت	تغییر مدیران	0.627	1.000	0.488	0.000	2.000
متغیرهایصفرویک		صفر			یک
		تعداد	درصد		تعداد	درصد
F-Score	گزارشگری مالی متقلبانه	1316	79		344	21
فشار	کیفیت حسابرسی	137	8		1523	92
	مالکیت نهادی	241	14.5		1419	85.5
فرصت	معاملات اشخاص وابسته	12	8/0		1648	99.2
توجیه	تغییر حسابرس	646	39		1014	61
	اظهار نظر حسابرس	925	56		735	44
قابلیت	استقلال اعضای هیئت مدیره	360	22		1300	78
	عدم افشاءم.م.و	512	31		1148	69
تکبر	دوگانگی وظایف مدیرعامل	10	6/0		1650	99.4
ساختار کنترل­های داخلی	تجدید ارائه	323	19.5		1337	80.5
	اطلاع رسانی ضعف	520	31		1140	69
	نوع اظهار نظر	925	56		735	44

منبع: یافته های پژوهشگر

 

آمار استنباطی: این تحقیق از روش F-score در داده­های پانل به منظور شناسایی شرکت­ها به دو گروه متقلب و غیرمتقلب استفاده می­کند. جهت بررسی روابط میان متغیرها از مدل­های لاجیت، پروبیت و مدل ارزش حدی استفاده شده است. بدین­ترتیب که با استفاده مدل­های مذکور یک الگوی رگرسیون تخمین زده شده و مورد تجزیه و تحلیل قرار می­گیرد ( جدول 4).

 

جدول 4. نتایج آزمون فرضیات اصلی و فرعی

نام متغیرها		لاجیت		پروبیت		مقدار حدی
		ضریب	آماره   Z	ضریب	آماره   Z	ضریب	آماره   Z
فشار		0.56909	7.84778***	0.33694	8.11287***	0.31779	8.02733***
فرصت		0.15045	1.91730*	0.08154	1.92596*	0.06565	1.95999**
توجیه		0.18042	3.03434***	0.10435	3.03603***	0.09243	3.03326***
قابلیت		0.12952	2.11487**	0.07453	2.12619**	0.06549	2.14234**
تکبر		0.04485	0.05656	0.02570	0.05671	0.02244	0.05693
ساختار کنترل­های داخلی		0.16761	2.86687***	0.09737	2.85424***	0.08693	2.82579***
فشار	مالکیت نهادی	0.05140	0.25573	0.02271	0.20058	0.00876	0.08886
	اهداف مالی	1.17151	1.48940	0.68771	1.49650	0.64053	1.48719
	ثبات مالی	4.72335	8.69310***	2.71184	8.65320***	2.38056	8.24745***
	فشار خارجی	-0.89869	-2.09910**	-0.50794	-2.11452**	-0.42957	-2.08141**
	جریان نقد آزاد	-1.96571	-2.25110**	-1.16031	-2.30260**	-1.07618	-2.37038**
	کیفیت حسابرسی	0.04600	0.18900	0.02616	0.18846	0.02018	0.16504
فرصت	اعضای کمیته حسابرسی	0.09301	2.55827**	0.05427	2.55373**	0.04886	2.53682**
	نوع صنعت	0.03496	0.05163	0.01117	0.02836	-0.00337	-0.00953
	معاملات اشخاص وابسته	0.30560	0.39996	0.17634	0.41937	0.15453	0.44742
توجیه	تغییر حسابرس	0.01291	0.09697	0.01206	0.15831	0.01015	0.15205
	اظهارنظر حسابرس	0.00895	0.07216	0.01985	0.27986	0.02699	0.43341
	اقلام تعهدی اختیاری	3.15900	6.30046***	2.28015	6.59182***	1.94845	6.57465***
قابلیت	استقلال هیئت مدیره	0.26949	1.72334*	0.15357	1.74637*	0.13304	1.77865*
	تغییر مدیران	0.13440	1.05136	0.07744	1.06211	0.06819	1.07772
	عدم افشاء م. م. و	0.02847	0.21523	0.01727	0.22777	0.01637	0.24695
تکبر	دوگانگی وظایف مدیرعامل	0.04485	0.05656	0.025700	0.056714	0.02244	0.05694
ساختار کنترل­های داخلی	تجدید ارائه	-0.19603	-1.31772	-0.11312	-1.30259	-0.09981	-1.27603
	نوع اظهار نظر	-0.00500	-0.04064	-0.00061	-0.00863	0.00258	0.04175
	اطلاع­رسانی ضعف­ها	0.40455	3.30470***	0.23238	3.30760***	0.20402	3.29885***

^*- تایید فرضیه با احتمال 90% ، ^**- تایید فرضیه با احتمال 95% و ^***- تایید فرضیه با احتمال 99%

منبع: یافته های پژوهشگر

 

نتایج بدست آمده از هر سه مدل مورد مطالعه برای متغیرهای اصلی پژوهش، نشان داد همه عوامل مدل توسعه یافته­ی پنتاگون به جز تکبر تاثیر مثبت ومعنا­داری بر گزارشگری مالی متقلبانه در شرکتهای بورسی دارند. عوامل  فشار، توجیه و ساختار کنترل­های داخلی با 99 % اطمینان، متغیر مستقل قابلیت با 95 % اطمینان و متغیر فرصت با 90 % اطمینان، تاثیر موثر و معنادار بر روی گزارشگری مالی متقلبانه دارند. با استفاده از مدل مقدار حدی تاثیر عامل فرصت نسبت به دو مدل دیگر با درصد اطمینان بیشتری (%95 ) تایید می­شود (جدول 4). 

همچنین نتایج مدل نشان دهنده آن است که بین متغیرهای فرعی فشار شامل ثبات مالی با 99 % اطمینان و فشار خارجی و جریان نقدآزاد با 95 % اطمینان با احتمال تقلب رابطه معناداری وجود دارد. همچنین با توجه به ضرایب منفی بدست آمده برای متغیرهای فشار خارجی و جریان نقد آزاد می­توان نتیجه گرفت که یک رابطه منفی بین این متغیرها و گزارشگری مالی متقلبانه وجود دارد. علاوه بر اینها تعداد اعضای کمیته حسابرسی با 95 % اطمینان، اقلام تعهدی اختیاری با 99 % اطمینان و استقلال اعضای هیئت مدیره با 90 % اطمینان و نهایتا فرضیه اطلاع­رسانی ضعف­های ساختار کنترل­های داخلی با 99 % اطمینان بر روی گزارشگری مالی متقلبانه تاثیر دارند.از سوی دیگر ارتباطی بین فرضیه فرعی عامل تکبر (دوگانگی وظایف مدیر عامل) و گزارشگری مالی متقلبانه مشاهده نشد (جدول 4).

از آنجایی­که همه متغیرهای فرعی مدل نهایی باید معنا­داری لازم را داشته باشــند بنابراین متغیرهایی که معنادار نبوده از مدل حذف می­شوند. در مرحله بعد،  برای بررسی دقت پیش­بینی مدل­های طبقه­بندی، داده­های شرکت­های نمونه آماری به­عنوان ورودی وارد نرم­افزار و نتایج پیش­بینی برای مدل­ها محاسبه شد. برای ارزیابی همه­جانبه توانمندی مدل­ها معیار دقت کل (به­صورت درصدی از اطلاعاتی که به­طور صحیح توسط مدل پیش­بینی می­شوند) محاسبه شد که این امر برای هریک از مدل­ها به­طور جداگانه محاسبه و در جدول 5 آورده شده است. بر این اساس، الگوریتم­های مدل درخت CHAID، درخت تصمیم­گیری C5 و مدل درخت C&R به ترتیب دارای بالاترین دقت پیش­بینی 31/80، 30/80 و 24/80 % هستند. از سوی دیگر همانطور که در جدول 5 نشان داده شده است مد­ل­های آماری پروبیت و گامبیت هم دقت بالایی در حدود 80% داشتند که بیانگر کارایی نسبتا بالای این مدل­های آماری  در پیش­بینی گزارشگری مالی متقلبانه می­باشد.

 

 

 

 

جدول 5. نتایج دقت پیش­بینی برای مدل­های آماری و یادگیری ماشین

مدل  طبقه بندی	دقت پیش بینی(%)	AUC
درخت CHAID	31/80	706/0
مدل درخت تصمیم گیری C5	30/80	575/0
مدل درخت C&R	24/80	64/0
پروبیت	72/79	000/0
گامپیت	59/79	000/0
تحلیل ممیزی خطی	52/79	000/0
رگرسیون لجستیک بر مبنای SVM	52/79	568/0
شبکه عصبی تعدیل شده بر مبنای ترکیب الگوریتم ژنتیک و بهینه سازی تصادفی	50/79	623/0
ماشین بردار پشتیبان خطی	28/79	446/0
درخت تصادفی	28/79	5/0
مدل درخت تصمیم­گیری Quest	28/79	5/0
درخت تصمیم گیری	13/78	616/0
جنگل تصادفی	71/77	639/0
رگرسیون لجستیک	31/77	646/0
شبکه عصبی	51/76	637/0
KNN	04/74	825/0
مدل  ماشین بردار پشتیبان کتابخانه ای	86/73	623/0
مدل شبکه بیزین (Bayesian Network)	93/72	703/0
مدل ماشین بردار پشتیبان (SVM)	41/72	669/0
تحلیل ممیزی تعمیم یافته	99/71	000/0
مدل Decision List	68/68	659/0
ماشین بردار پشتیبان با بهینه سازی توده ای ذرات	53/62	559/0
یادگیری عمیق	45/62	612/0
شبکه عصبی پرسپترون	25/62	478/0
ماشین بردار پشتیبان تکاملی	64/59	605/0
رگرسیون لجستیک تکاملی	20/50	518/0
تحلیل ممیزی درجه دوم	23/47	000/0

منبع: یافته های پژوهشگر

 

با توجه به این موضوع، مقایسه کلی بین مدل­های آماری و همچنین مدل­های یادگیری ماشین انجام شد. بر این اساس متوسط دقت پیش بینی مدل های آماری 64/70 % و برای مدل های یادگیری ماشین 65/73 %  بدست آمد (جدول 6). همچنین نتایج آزمون مقایسه نسبت­ها برای مدل­ها با استفاده از مقدار آماره z (75/4-) نشان می­دهد که دقت پیش بینی مدل­های آماری کمتر از مدل­های یادگیری ماشین بوده و با توجه به سطح معنی­داری 000/0  این تفاوت از نظر آماری معنی­دار است. به عبارت دیگر، دقت پیش بینی مدل­های یادگیری ماشین به صورت معنی­داری از مدل­های آماری بیشتر است.

 

جدول 6. مقایسه دقت پیش­بینی مدل­های آماری و یادگیری ماشین

آماره F	سطح معنی­داری	آزمون مقایسه نسبت­ها (آماره z)	دقت پیش­بینی (%)	نوع مدل
000/0	000/0	75/4 -	64/70	مدل­های آماری
			65/73	مدل­های یادگیری ماشین

منبع: یافته های پژوهشگر

 

در ادامه برای بهینه­سازی پیش­بینی تقلب در صورت­های مالی، ترکیب الگوریتم­های مدل درخت CHAID ، درخت تصمیم­گیری C5 و مدل درخت C&Rکه بالاترین دقت پیش­بینی را داشتند انجام شد. براساس نتایج طی فرآیند آموزش و آزمایش ، ترکیب این مدل­ها به ترتیب دقت پیش­بینی 76/94% و 61/92 % بدست آمد (جدول 7).

 

جدول7. بهینه سازی سه مدل برتر یادگیری ماشین

پیش بینی طبقه بندی	آموزش	آزمایش
تعداد پیش بینی صحیح	1086	476
تعداد پیش بینی غلط	60	38
دقت کل پیش بینی (%)	76/94	61/92

منبع: یافته های پژوهشگر

 

 

 

بحث و نتیجه­گیری

گزارش­های مالی اطلاعات مفیدی در بازارهای مالی در مورد وضعیت فعلی و چشم انداز آتی شرکت­ها برای ذینفعان ارائه می­دهد. صورت­های مالی متقلبانه، جعل عمدی صورت­های مالی با حذف ارزش عناصر معین در این صورت­ها به منظور گمراه کردن استفاده­کنندگان است.اگر پاداش­ هیئت مدیره با درآمد و سود گزارش شده مرتبط باشد محرک­هایانگیزشیکافیدر دستیابی به اهداف سود و منافع شخصی مانند ارتقاء، افزایش حقوق و دستمزد برایگزارش­هایمالیمتقلبانهایجادمی­شود. گاهی اوقات شرکت­ها صورت­های مالی دستکاری شده را برای دسترسی به تأمین اعتبار بدهی بلند مدت یا افزایش قیمت سهم ارائه می­دهند. هر مورد تقلب در صورت­های مالی شرکت­ها، به ویژه شرکت­های بورسی، نه تنها ذینفعان، مانند سهامداران، سرمایه­گذاران، سرمایه­گذاران بالقوه، اعتباردهندگان، مشتریان را متضرر می­کند، بلکه به بقا و عملکردهای پایدار و همچنین سلامت بازارهای مالی و توسعه پایدار شرکت­ها آسیب می­رساند. حتی اگر حسابداران و حسابرسان صورت­های مالی شرکت را با رعایت قوانین و مقررات مربوطه در شناسایی و کشف رفتارهای تقلب آمیز مدیران مورد بررسی قرار دهند، همواره ایراداتی در کشف تقلب وجود خواهد داشت.ایجاد یک مدل دقیق و مؤثر برای کشف تقلب در صورت­های مالی شرکت­ها می­تواند تا حد زیادی تقلب در صورت­های مالی شرکت­ها و ریسک حسابرسی را به میزان زیادی کاهش دهد. این امر از یک­سو مانعی اثرگذار در مدیریت سود شرکت­ها شده و از سوی دیگر به بنگاه­ها و بازارهای مالی کمک می­کند تا توسعه پایدار را حفظ کنند.

روش­های آماری و داده­کاوی می­تواند تا حد زیادی یک سیستم پشتیبانی برای تصمیم­گیری مدیران در کشف گزارشگری مالی متقلبانه ارائه دهد. از این رو، در این مطالعه انواع مختلف مدل­های آماری و یادگیری ماشین برای کشف تقلب توسعه داده شد. از میان این مد­ل­ها، مدلی با بالاترین کارایی و ضریب تاثیر انتخاب شد. برای این منظور از 20 متغیر در قالب پنج ضلعی  تقلب با تاکید ساختار کنترل­های داخلی (فشار، فرصت، توجیه، قابلیت، تکبر و ساختار کنترل­های داخلی) در 166شرکت طی سالهای 1388 الی 1397 در شرکت­هایپذیرفته شده در بورس اوراق بهادار تهران استفاده گردید. در مرحله اول مدل سازی، 27 مدل اعم از مدل­های آماری و یادگیریبرای بررسی دقت پیش­بینی تقلب در صورت­های مالی مورد مطالعه قرار گرفت که نتایج نشان­دهنده دقت بالای الگوریتم­های درخت تصمیم­گیری C5، مدل درخت CHAID و مدل درخت C&R از زیرمجموعه مدل­های یادگیری ماشین و همچنین مد­ل­های پروبیت و گامبیت از زیر مجموعه مد­ل­های آماری بود (جدول 4). در ادامه مقایسه کلی و تحلیل صحت پیش­بینی گزارشگری مالی متقلبانه توسط مدل­های یادگیری ماشین و همچنین مدل­های آماری صورت گرفت.نتایج بدست آمده از طریق آزمون مقایسه میانگین­ها برای مدل­ها نشان داد که دقت پیش بینی مدل های یادگیری ماشین به صورت معنی­داری از مدل­های آماری بیشتر است. نتایج بدست آمده از این تحقیق با نتایج تحقیقات (آشتاب و همکاران، 1396)، ( صالحی و فرخی، 1397) و ( امیدی و همکاران، 2019) مبنی بر این­که مدل­های یادگیری ماشین کارایی بالاتری نسبت به مدل­های آماری دارند، مطابقت دارد. همچنین دقت بالای پیش­بینی (61/92 %) حاصل از ترکیب الگوریتم­های مدل درخت تصمیم­گیری CHAID، C5 و C&R نشان می­دهد روش­های داده­کاوی بر پایه مدل­های یادگیری ماشین و بویژه ترکیب آنها بطور موفقیت­آمیزی می­تواند در پیش­بینی و کشف تقلب­ در در صورت­های مالی مورد استفاده قرار گیرد. این مطالعه همچنین پیشنهاداتی برای پیشگیری از تقلب در صورت­های مالی ارائه می­دهد. اگرچه تکنیکهاواستراتژیهایمختلفمورداستفادهدرحسابداریبرایتشخیصتقلبمیتوانند تأثیرمثبتیدرپیشگیریوکنترلاینپدیدهداشتهباشند،بااینوجود،هوشیاریواحتیاطازطریقاطلاع­رسانیحتما ضرورت دارد تادرکناراستفادهازبرنامههایمختلفضدتقلب،برایتحریکمسئولیتپذیریمدیرانوکارمنداندرمبارزهبااینپدیدهمخرببکارگرفتهشود. از سوی دیگر باید الزامات قانونی ناظران در مورد ایجاد سیستم­های کنترل داخلی و حسابرسی قوی توسط شرکت­ها و کمک به حسابداران و حسابرسان در اجرای آن اعمال شود. همچنین مطابق قوانین و مقررات باید شفافیت اطلاعات مالی توسط شرکت­های پذیرفته شده وجود داشته باشد تا مردم بتوانند به عنوان مکانیسم نظارت عمل کنند. شایان ذکر است مهمترین محدودیت در انجام این پژوهش مانند اغلب تحقیقات مربوط به حوزه تقلب در صورت­های مالی عدم وجود آرشیو غنی از اطلاعات معتبر و قابل اتکا در شناسایی و گزارش شرکت­های متقلب در بازار بورس و اوراق بهادار تهران بوده است.

 

 

 

 

 

 

 

 

 

 

1-گروه حسابداری، دانشگاه آزاد اسلامی، واحد ارومیه، ، ارومیه، ایران،[e-mail]      

2-گروه حسابداری، دانشگاه آزاد اسلامی واحد ارومیه، ارومیه، ایران،[e-mail]

3-گروه حسابداری، دانشگاه آزاد اسلامی واحد ارومیه، ارومیه، ایران،(نویسنده مسئول)[e-mail]

4-گروه حسابداری، دانشگاه ارومیه، ارومیه، ایران،[e-mail]

 

[i]. Sharma & Panigrahi

[ii]. Association of Certified Fraud Examiners (ACFE)

[iii]. Machine Learning

[iv].Data mining

[v] . Money laundering

[vi]. E-commerce

[vii]. Apparao

[viii]. Chui

[ix] . Pike

[x] . Lin

[xi]. clustering

[xii] . association

[xiii].Zhang &Zhou

[xiv]. Supervised

[xv].Unsupervised

[xvi]. Min & Lee

[xvii] .Chandola

[xviii] .Sabau

[xix].Zhou &Kapoor

[xx]. Self-adaptive framework

[xxi]. Response surface model

[xxii].Sherma &Panigrahi

[xxiii] .Cecchini

[xxiv].Chen &Roco

[xxv].Hogan

[xxvi]. Jan

[xxvii]. Omidi

[xxviii]. Probabilistic neural network

[xxix]. Support vector machine

[xxx].Multinomial log-linear model

[xxxi].Discriminant analysis

[xxxii].Basti

[xxxiii]. Boosting

[xxxiv]. Han

[xxxv]. Dechow and et al

[xxxvi]. Tiffani & Marfuah

[xxxvii]. Tessa & Harto

[xxxviii]. chung

[xxxix]. O’Keefe

[xl]. Lowensohn

[xli]. Reck

[xlii]. Amaliah et al

[xliii]. Indarto& Ghozali         

مراجع

• آشتاب علی, حقیقت حمیدو کردستانی غلامرضا. (1396) "مقایسه ی دقت مدل های پیش بینی بحران مالی و تأثیر آن بر ابزارهای مدیریت سود." بررسی­های حسابداری و حسابرسی، دوره 14 شماره 2 صفحه 172-147
• اعتمادیحسین و زلقیحسن (1392). کاربردرگرسیونلجستیکدرشناساییگزارشگریمالیمتقلبانه. دانشحسابرسی، دورهچهارده،شماره 51 ; 23 - 5
• تاراسی, بنیطالبیدهکردی وزمانی. (1398). پیشبینیگزارشگریمالیمتقلبانهازطریقشبکهعصبیمصنوعی (ANN). حسابداریمدیریت، دوره 12 شماره 40 صفحه 63-79
• خواجوی شکراله، ابراهیمی مهرداد. (1396). مدل‌سازی متغیرهای اثرگذار برکشف تقلب در صورت‌های مالی با استفاده از تکنیک‌های داده‌کاوی . فصلنامه حسابداری مالی. ۱۳۹۶; ۹ (۳۳) :۲۳-۵۰
• قاضی زاده احسایی, نفیسه؛ محمدرضا عباس زاده؛ مهدی صالحی و مهدی جباری نوقابی، (۱۳۹۸) مقایسه دقت فناوری های نوین مدل های آماری و مدل های یادگیری ماشین به منظور پیش بینی ورشکستگی بانک ها، هفدهمین همایش ملی حسابداری ایران، قم، پردیس فارابی دانشگاه تهران.
• صالحی مهدیوفرخیپیلهرود لاله. (1397). پیش بینی مدیریت سود با استفاده از شبکه عصبی و درخت تصمیم. پژوهشهای حسابداری مالی وحسابرسی, دوره 10،شماره 37 صفحه 1-24
• کاردان، قره خانی، صالحی و منصوری. (1396). بررسی دقت الگوریتم های خطی-تکاملی BBO و ICDE و الگوریتم های غیرخطی SVR و CART در پیش بینی مدیریت سود. پژوهش های حسابداری مالی، دوره 31 شماره 1 صفحه 95-77.
• کرمی غلامرضا، داداشی ایمان، فیروزنیا امیر، کلهرنیا حمید. (1398). بررسی تأثیر کیفیت کنترل­های داخلی بر حداقل سازی مالیات در شرکت­های پذیرفته شده در بورس اوراق بهادار تهران در طی سالهای ۱۳۹۴-۱۳۸۸. دانش حسابرسی. دوره ۱8 شماره 72 صفحه 23-55.
• Abtahi, Amir-Reza, Fatemeh Elahi, and Reza Yousefi-Zenouz. "An intelligent system for fraud detection in coin futures market’s transactions of Iran mercantile exchange based on Bayesian network." Journal of Information Technology Management 9, no. 1 (2017): 1-20
• Amaliah, B. N., Januarsi, Y., & Ibrani, E. Y. (2015). Perspektif Fraud Diamond Theory dalam Menjelaskan EarningsManagement Non-GAAP pada Perusahaan Terpublikasi di Indonesia. Jurnal Akuntansi dan Auditing Indonesia, 19(1),51-67.
  Annisya, M., Lindrianasari.,& Asmaranti, Y. (2016). Pendeteksian Kecurangan Laporan Keuangan Menggunakan Fraudو Jurnal Bisnis dan Ekonomi, 23(1), 72-89.
• Apparao, G., Arun Singh, G. S. Rao, B. Lalitha Bhavani, K. Eswar, and D. Rajani. "Financial statement fraud detection by data mining." Corporate governance 3, no. 1 (2009): 159-163.
• Chui, Lawrence, and Byron Pike. "Auditors' responsibility for fraud detection: New wine in old bottles?." Journal of Forensic and Investigative Accounting (2013).
• Chandola, Varun, Arindam Banerjee, and Vipin Kumar. "Anomaly detection: A survey." ACM computing surveys (CSUR) 41, no. 3 (2009): 1-58.
• Chen, Hsinchun, and Mihail C. Roco. "Mapping Nanotechnology Knowledge Via Literature Database: A Longitudinal Study, 1976-2004." In Mapping Nanotechnology Innovations and Knowledge, pp. 1-22. Springer, Boston, MA, 2009.
• Cecchini, Mark, Haldun Aytug, Gary J. Koehler, and Praveen Pathak. "Detecting management fraud in public companies." Management Science 56, no. 7 (2010): 1146-1160.
• Dechow, P. M., & Skinner, D. J. (2000). Earning Mangement: Reconcillling the review of accounting Academics, Practitioners,and Reguators. Accounting Horizontal, 14(2), 235-250
• Esfahanipour, Akbar, Milad Goodarzi, and Reza Jahanbin. "Analysis and forecasting of IPO underpricing." Neural Computing and Applications 27, no. 3 (2016): 651-658.
• Hogan, Chris E., Zabihollah Rezaee, Richard A. Riley Jr, and Uma K. Velury. "Financial statement fraud: Insights from the academic literature." Auditing: A Journal of Practice & Theory 27, no. 2 (2008): 231-252.
• Indarto, S. L., & Ghozali, I. (2016). Fraud Diamond: Detection Analysis on The Fraudulent Financial Reporting. RiskGovernance & Control: Financial Markets & Institution, 6(4), 116-123.
• Khajavi S, Ebrahimi M. Modelling The Effective Variables for of Financial Statements Fraud Detection using Data Mining Techniques .quarterly financial accounting journal. 2017; 9 (33) :23-50
• Lin, Chi-Chen, An-An Chiu, Shaio Yan Huang, and David C. Yen. "Detecting the financial statement fraud: The analysis of the differences between data mining techniques and experts’ judgments." Knowledge-Based Systems 89 (2015): 459-470.
• Min, Jae H., and Young-Chan Lee. "Bankruptcy prediction using support vector machine with optimal choice of kernel function parameters." Expert systems with applications 28, no. 4 (2005): 603-614.
• Omidi, Mahdi, Qingfei Min, Vahab Moradinaftchali, and Muhammad Piri. "The Efficacy of Predictive Methods in Financial Statement Fraud." Discrete Dynamics in Nature and Society
• Sabau, Andrei Sorin. "Survey of clustering based financial fraud detection research." Informatica Economica 16, no. 1 (2012): 110.
• Sharma, Anuj, and Prabin Kumar Panigrahi. "A review of financial accounting fraud detection based on data mining techniques." arXiv preprint arXiv:1309.3944 (2013).
• Jan, Chyan-long. "An effective financial statements fraud detection model for the sustainable development of financial markets: Evidence from Taiwan." Sustainability 10, no. 2 (2018): 513.
• Zhou, Wei, and Gaurav Kapoor. "Detecting evolutionary financial statement fraud." Decision support systems 50, no. 3 (2011): 570-575.
• Zhang, Dongsong, and Lina Zhou. "Discovering golden nuggets: data mining in financial application." IEEE Transactions on Systems, Man, and Cybernetics, Part C (Applications and Reviews) 34, no. 4 (2004): 513-522.
• Akbar, T. (2017). The determination of fraudulent financial reporting causes by using pentagon theory on manufacturing companies in indonesia. International Journal of Business, Economics and Law, 14(5), 106-133.
• Lowensohn, S., and Reck, J., (2004). Longitudinal analysis of local government audit
  Research in Governmental and NonProfit Accounting, 11, 213–228.
• Marsellisa, N (2018). Financial Statement Fraud: Perspective of the Pentagon Fraud Model in Indonesia. Academy of Accounting and Financial Studies Journal.
• O’Keefe, T.B., King, R.D., and Gaver, K.M., (1994). Audit fees, industry specialization,and compliance with GAAS reporting standards. Auditing: A Journal of Practice andTheory, 13(2),41–55.
• Yusof, M.K., Ahmad, K.A.H. &Simon, J. (2015). Fraudulent Financial Reporting: An Application of Fraud Models toMalaysian Public Listed Companies. The Macrotheme Review, 4(3), 126–145.
• Tiffani, L., & Marfuah. (2015). Deteksi Financial Statement Fraud dengan Analisis Fraud Triangle pada Perusahaan Manufaktur
  yang Terdaftar di Bursa Efek Indonesia. Jurnal Akuntansi dan Auditing Indonesia, 19(2), 112-125.
• Tessa, C. G., & Harto, P. (2016). Fraudulent Financial Reporting: Pengujian Teori Fraud Pentagon Pada Sektor Keuangan danPerbankan di Indonesia. Paper presented at Simposium Nasional Akuntansi XIX, held at Universitas Lampung,Lampung, 24-27 Agustus (1-21).

 

 

 

 

 

 

 

 

یادداشت‌ها