ارائه الگوی توسعه یافته مدل بنیش با تأکید بر ویژگی‌های خاص شرکت با استفاده از شبکه عصبی، ماشین بردار و جنگل تصادفی

قضاوت و تصمیم گیری در حسابداری

دوره 1، شماره 4، بهمن 1401، صفحه 83-110   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.30495/jdaa.2023.698893

نویسندگان

کیومرث پور قدیمی¹؛ سعید جبارزاده کنگر لویی^{* 1}؛ جمال بحری ثالث²

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

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

چکیده

چکیده
با پیچیده شدن فرایند کسب و کار خطر انحراف صورت­های مالی هر روز بیشتر می­شود. در این راستا پژوهشگران به دنبال مدل­هایی برای کشف تقلب در صورت­های مالی بوده­اند. هدف پژوهش ارائه مدل بسط یافته بنیش بر اساس ویژگی‌های خاص شرکت است. بنیش (1997) با استفاده از نسبت‌های مالی و اقلام تعهدی شـیوه­های دستکاری سود را پیش­بینی نمود. از آنجایی که ویژگی‌های شرکت به عنوان عامل مؤثر بر عملکرد شرکت مطرح می­شود، در این پژوهش مدل بنیش بر اساس ویژگی­های خاص شرکت بسط داده می­شود که عبارتند از قیمت سهام به جریان نقدی، نسبت جریان نقدی، نسبت سود تقسیمی و رقابت در بازار محصول. از برازش مدل ماشین‌بردار و جنگل تصادفی و شبکه عصبی جهت برازش مدل بسط یافته بهره­گرفته شده ­است. نتایج نشان‌دهنده دقت ضرایب بدست آمده از مدل جنگل تصادفی 99 درصد و بیشتر از دو مدل شبکه عصبی و ماشین‌بردار 94 درصد است. همچنین مدل بسط یافته نسبت به مدل پایه دقت بیشتری دارد. ویژگی­های شرکت در پیش­بینی تقلب در صورت­های مالی تأثیرگذار است و بهتر است توسط مشارکت‌کنندگان بازار سرمایه در نظر گرفته شود. یافته­های پژوهش می­تواند در بهبود پیش­بینی تقلب در صورت­های مالی مؤثر باشد و همچنین توجه استفاده­کنندگان را به ترکیب اطلاعات صورت­های مالی و ویژگی­های گزارش حسابرس در پیش­بینی تقلب جلب می­کند

کلیدواژه‌ها

واژه‌های کلیدی: مدل بنیش؛ ویژگی‌های شرکت؛ شبکه عصبی؛ ماشین‌بردار و جنگل تصادفی

اصل مقاله

 

ارائه الگوی توسعه یافته مدل بنیش با تأکید بر ویژگی­های خاص شرکت با استفاده از شبکه عصبی، ماشین بردار و جنگل تصادفی

 

 

تاریخ دریافت: 15/07/1401                  تاریخ پذیرش: 20/09/1401

کیومرث پورقدیمی[1] سعید جبارزاده کنگرلویی*[2] جمال بحری ثالث[3]

 

چکیده

با پیچیده شدن فرایند کسب و کار خطر انحراف صورت­های مالی هر روز بیشتر می­شود. در این راستا پژوهشگران به دنبال مدل­هایی برای کشف تقلب در صورت­های مالی بوده­اند. هدف پژوهش ارائه مدل بسط یافته بنیش بر اساس ویژگی‌های خاص شرکت است. بنیش (1997) با استفاده از نسبت‌های مالی و اقلام تعهدی شـیوه­های دستکاری سود را پیش­بینی نمود. از آنجایی که ویژگی‌های شرکت به عنوان عامل مؤثر بر عملکرد شرکت مطرح می­شود، در این پژوهش مدل بنیش بر اساس ویژگی­های خاص شرکت بسط داده می­شود که عبارتند از قیمت سهام به جریان نقدی، نسبت جریان نقدی، نسبت سود تقسیمی و رقابت در بازار محصول. از برازش مدل ماشین‌بردار و جنگل تصادفی و شبکه عصبی جهت برازش مدل بسط یافته بهره­گرفته شده ­است. نتایج نشان‌دهنده دقت ضرایب بدست آمده از مدل جنگل تصادفی 99 درصد و بیشتر از دو مدل شبکه عصبی و ماشین‌بردار 94 درصد است. همچنین مدل بسط یافته نسبت به مدل پایه دقت بیشتری دارد. ویژگی­های شرکت در پیش­بینی تقلب در صورت­های مالی تأثیرگذار است و بهتر است توسط مشارکت‌کنندگان بازار سرمایه در نظر گرفته شود. یافته­های پژوهش می­تواند در بهبود پیش­بینی تقلب در صورت­های مالی مؤثر باشد و همچنین توجه استفاده­کنندگان را به ترکیب اطلاعات صورت­های مالی و ویژگی­های گزارش حسابرس در پیش­بینی تقلب جلب می­کند.

واژه‌های کلیدی: مدل بنیش، ویژگی­های شرکت، شبکه عصبی، ماشین‌بردار و جنگل تصادفی.

 

1- مقدمه

حسابداری همواره به عنوان یک سیستم اطلاعاتی مطرح بوده است. در این نگرش، حسابداری فرآیندی است که طی آن، انتقال‌دهنده اطاعات (حسابدار)، منابع اطاعاتی را به دریافت‌کنندگان (استفاده‌کنندگان برون‌سازمانی) انتقال می­دهد (حساس یگانه و توکل نیا، 1400). گزارشگری مالی یکی از مهمترین منابع اطلاعاتی جهت تصمیم­گیری اقتصادی توسط مدیران، سرمایه­گذاران، اعتباردهندگان و سایر ذینفعان است. از آنجایی که این اطاعات ممکن به‌صورت صحیح و درست در اختیار استفاده­کنندگان قرار نگیرد، بین مدیران و سایر استفاده­کنندگان عدم‌تقارن اطلاعاتی ایجاد می­شود که به تهیه­کنندگان اطاعات اجازه می­دهد تا در تهیه و گزارش اطاعات، از اختیار خود در جهت منافع شخصی استفاده نمایند (خوشبخت و همکاران،1401). اطلاعات حسابداری برای عملکرد مالی شرکت­ها مؤثر است. اندازه­گیری حسابداری از سود، سطوح بدهی و دارایی­ها برای عملیات بازارهای مالی و تخصیص کارآیی منابع در اقتصاد مهم است. اعداد حسابداری برای قراردادهای مهم با فروشندگان و کارمندان از اهمیت بالایی برخوردار است و رویه محاسبات آنها می­تواند تعیین کند که آیا شرکت توان پرداخت بدهی را داردیا نه؟ (بریلوف[4]، 1990). سطوح اشتغال، حمایت از مشتری و ایمنی محصول از محاسبات حسابداری تأثیر می­پذیرد. محاسبات حسابداری و رویه­های حسابرسی اثر عمیقی بر جامعه دارند و تمایل به بازرسی و حسابرسی حوزه­های بیشتر و بیشتر بر گرایش­ها در مورد ریسک تأثیر گذاشته و با سطوح اعتماد در جامعه مدرن در ارتباط است (پاور[5] ، 2004). حسابداری اندازه بدهی را سنجیده و بر اعتماد به مؤسسات عمومی تأثیر می­گذارد. گزارشگری مالی قابل اتکا، هزینه­های نمایندگی و عدم تقارن اطلاعاتی بین سرمایه­گذاران داخل و خارج از سازمان را کاهش می­دهد که در نتیجه منجر به بهبود اعتماد سرمایه­گذار به شرکت شده و بنابراین، هزینه­های معامله ناشی از انتخاب نادرست را کاهش و قیمت سهام را افزایش می­دهد. به عبارت دیگر، سرمایه­گذاران سهام شرکت­هایی را می­خرند که به علت کاهش هزینه­های نمایندگی ریسک اطلاعاتی پایین­تر و عدم تقارن اطلاعاتی پایین­تری دارند (کورانا و رامان[6] ، 2006). طبقه­بندی انواع گزارش­گری مالی می­تواند به این صورت انجام داد 1) محافظه­کارانه 2) خنثی 3) متهورانه یا 4) متقلبانه باشد (دیچو و اسکینر[7]، 2000).

تقلب، دستکاری عمدی صورت­های مالی بوسیله مدیریت است موجب گمراهی سرمایه­گذاران و اعتباردهندگان می­شود. تقلب، برنامه‌ای از پیش‌طراحی شده برای فریب دیگران است و از طریق ارائه مدارک ساختگی انجام می­شود. خطر انحراف صورت­های مالی هر روز بیشتر می­شود. رسوایی اخیر در انرون و ورلدکامو جاهای دیگر یک احساس عمومی ایجاد کرد که انحراف در گزارشگری مالی برای منفعت شخصی مورد انتظار مدیران است و این مدیران اهمیت کمی به منافع سهامداران قائل شده­اند (مرفوع و حسن زاده دیوا، 1399). همچنین، بعد از بحران سال 2008، استفاده‌کنندگان صورت­های مالی به طور فزاینده­ای بر احتمال اینکه صورت­ها مالی از طریق ارائه اطلاعات متقلبانه منحرف شوند تأکید دارند. بنابراین پژوهش­های علمی به مدل‌هایی که بتواند تقلب در صورت­های کشف کند پرداخته­اند. یکی از این مدل­ها توسط بنیش[8] ارایه شده است (هلدا[9]، 2020). مدل بنیش بر مبنای مطالعه در بین شرکت‌های انتخاب شده از ایالات‌متحده‌آمریکا بوده است و مطالعات انجام شده در سایر کشورها نشان داد که مدل ارائه شده توسط بنیش، نمی‌تواند در تمامی جوامع و بازارهای سرمایه، عملکرد مشابهی داشته باشد. همانطور که بارتون و همکاران^[10] (2010) بیان می‌کنند، کاربردهای ارقام حسابداری در بازارهای مختلف ممکن است متفاوت عمل کند. بنابراین نمی‌توان صرفا با مطالعه در یک بازار خاص، به شناسایی ماهیت این ارقام پرداخت. درنتیجه در یک جهان با کشورهای متعدد و متغیر از لحاظ نهاد و ساختار، مهم است که کاربردهای اعداد حسابداری در بسیاری از کشورها تا جایی ‌که ممکن است، در کشود. در همین راستا پژوهش‌های بعدی انجام شده بر پایه مدل بنیش برای پیش‌بینی تقلب، نشان دادند که مدل بنیش عملکرد مشابهی را ندارد و نیازمند تعدیل، بومی‌سازی و یا بکارگیری متغیرهای دیگری برای پیش‌بینی تقلب و مدیریت سود هستند (کردستانی و تاتلی، 1395)

با توجه به نقش ویژگی­های خاص شرکت در امکان ارتکاب تقلب در صورت­های مالی و اینکه تا کنون پژوهشی در خصوص ترکیب اطلاعات صورت­های مالی و ویژگی­های خاص شرکت انجام نشده و روش­های مورد استفاده در برازش مدل بسط یافته بنیش علیرغم کارایی بالای آنها در پژوهش­های گذشته مورد استفاده قرار نگرفته است، هدف این پژوهش بسط مدل بنیش بر اساس ویژگی­های خاص شرکت و با استفاده از روش­های جنگل تصادفی، شبکه عصبی و ماشین‌بردار است تا بتوان جنبه­های جدیدی برای کشف تقلب در صورت­های مالی ارائه نمود.

 

2- مبانی نظری و پیشینه پژوهش

کمیسیون ملی گزارشگری مالی متقلبانه گزارشگری متقلبانه[11] را در سال 1987 به صورت کاربست عمدی یک رویه یا عدم کاربست یک رویه که منجر به انحراف عمده در صورت­های مالی شود. جوفری و گرلچ[12] (2018) اعتقاد دارند که تقلب در حسابداری با هدف انحراف سهامداران در خصوص وضعیت مالی صحیح با بیش‌نمایی انتظارات از دارایی­ها یا کم‌نمایی بدهی­ها که منجر به بیش‌نمایی مصنوعی عایدات یا بازده حقوق صاحبان سهام می­شود. انجمن آزمون‌کنندگان رسمی تقلب[13] دیدگاه جامعی از رویه­های عمومی از تقلب در صورت­های مالی ارائه کردند که طبق آن اگر چه تقلب در صورت­های مالی غیرمعمول­تر از فساد و سوءاستفاده از دارایی­ها است اما هزینه هر رویداد بطور میانگین 800000 دلار در مقایسه با میانگین 250000 دلار در واقعه فساد و بطور میانگین 114000 دلار در واقعه سوءاستفاده از دارایی است. همچنین، طبق مطالعه جهانی در سال 2020 مورد تقلب و سوءاستفاده توسط انجمن بررسی‌کنندگان تقلب رسمی، گزارشگری مالی منجر به بیشترین زیان در بین انواع نقلب­ها با میانگین 954000 دلار می‌شود. بنابراین، استحکام نطارت بر بازارهای مالی و جلوگیری از خطر تقلب مالی اهمیت زیادی دارد (وو و همکاران[14]، 2022).

عوامل تعیین‌کننده تقلب مختلف هستند. این عوامل ممکن است اقتصادی یا غیر اقتصادی باشد. عوامل اقتصادی تولید ناخالص داخلی، شاخص مشتری، ریسک عملیاتی است. همچنین، تقلب با عوامل دیگر مثل عوامل نظارتی در ارتباط است (لیو و همکاران[15]، 2020). رویداد تقلب در صورت­ها مالی در شرکت­های بورسی مانع توسعه بازارهای سرمایه شده است. مطالعات موجود تقلب در صورت­های مالی از طریق اثربخشی اظهارنظر حسابرس یا ارتباط بین تغییر حسابرس و تقلب در صورت‌های مالی و سایر عوامل را مورد بررسی قرار داده‌اند (وو و همکاران، 2022). پژوهشگران بسیاری درصدد پیش­بینی تقلب با استفاده از متغیرهای صورت­های مالی نمودند. بنیش (1997) برای پیش­بینی شیوه­های دستکاری سود از نسبت­های مالی و اقلام تعهدی استفاده نمود. وی از سه منشا برای انتخاب متغیرهای توضیحی بدلیل عدم وجود تئوری اقتصادی مناسب بـرای دستکاری اطلاعات مالی استفاده کرد. منشا اول، بررسی علائم آتی شرکت بود. او عنوان نمود احتمال دستکاری سود زمانی کـه وضعیت آیندة شرکت ضعیف باشد، بیشتر است. دومین منشا، بر مبنای مدل جونز و هیلی[16] (1985) انتخاب متغیرهایی مبتنی بر جریان­های نقدی و اقلام تعهدی بود و در نهایت بر اساس نظریه اثباتی واتز و زیمرمن[17] (1986) از فرضیة قراردادی استفاده کرد. نتیجة مطالعه او توسعة مدلی هشت متغیره بر اساس داده­های صورت­های مالی بود. بنیش در مدل‌سازی خود طی سال­های 1997 و 1999، عنوان نمود که شرکت­های یکه اطلاعات مالی خود را دستکاری می­کنند، تنها اقلام تعهدی را بکار نمی­برد و باید متغیرهای مختلفی برای تعیین دستکاری اطلاعات مالی استفاده شود. این متغیرها برای شناسایی شرکت­های مدیریت‌کنندة سود یا شرکت­هایی که طبق اصول پذیرفته شدة حسابداری معاملات خود را انجام نمی­دهند، مفید باشد (بنیش، 1997،1999). کردستانی و تاتلی (1395) نشان دادند که مدل بنیش در بهترین حالت توان پیش‌بینی 70 درصدی را دارد، به عبارت دیگر مدل بنیش در بازار سرمایه‌ ایران با خطای 30 درصدی احتمال وقوع تقلب را شناسایی می‌کند که درصد خطای بسیار بالایی است. از این رو به نظر می‌رسد با در نظر گرفتن عوامل نظارتی بر تقلب مانند حسابرسی و تصریح مدل با استفاده از روش­های دیگر برای به دست آوردن ضرایب دقیق‌تر، که در مدل بنیش به آنها توجهی نشده است، بتوان درجه و توان پیش‌بینی ‌کنندگی مدل را افزایش داد. در این راستا، مطالعات متعدد پیشین در حوزه تقلب نشان می­دهد که علاوه‌بر متغیرهای بکار رفته در مدل بنیش عوامل مؤثر دیگری نیز وجود دارند، صورت‌های مالی، کیفیت افشا، سازوکارهای راهبری شرکتی، کیفیت حسابرسی، ویژگی­های بازار سهام و عوامل کلان اقتصادی همگی بر افزایش ایجاد انگیزه بر تقلب تأثیرگذار هستند (رحیمیان و حاجی حیدری، 1398).

 

3-پیشینه پژوهش

کامرانی و عابدینی (1401) مدل کشف تقلب صورت­های مالی با استفاده از روش­های شبکه عصبی مصنوعی و ماشین‌بردار پشتیبانی در شرکت‌های پذیرفته شده در بورس اوراق بهادر تهران تدوین نمودند. نتایج آنها نشان داد که در بخش آموزش قدرت پیش‌بینی الگوریتم ماشین‌بردار پشتیبان حدود 86 درصد و در آزمون حدود 82 درصد بوده است. همچنین قدرت پیش‌بینی الگوریتم شبکه عصبی در بخش آموزش 81 درصد و در آزمون 78 درصد بوده است.

بهرامی و همکاران (1399) در پژوهشی تقلب در صورت­های مالی شرکت‌های بورس اوراق بهادار تهران را مورد بررسی قرار دادند. نتایج حاصل از آزمون فرضیه‌های آنها نشان داد که فشار ثبات و پایداری مالی رابطه معناداری با تقلب در صورت‌های مالی متقلبانه دارد.

رحیمیان و حاجی حیدری (1398) در پژوهشی به کشف تقلب با استفاده از مدل تعدیل شده بنیش و شناسایی نسبت‌های مالی حساس به تقلب پرداختند. نتایج آنها نشان می‌دهند، نسبت فروش به مجموع دارایی‌ها و نسبت حقوق صاحبان سهام به مجموع دارایی‌ها دو نسبت مالی حساس به تقلب هستند. مدل آنها نرخ دقت کلی 1/69 درصدی دارد.

شیرازی دهقوارخانی و حقگو (1397) پژوهشی با عنوان بررسی رابطه استراتژی تجاری با گزارشگری مالی متقلبانه با تأکید بر نقش کیفیت افشا در شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران انجام دادند. نتایج آنها نشان می‌دهد که استراتژی تدافعی مدیریت بر گزارشگری مالی متقلبانه تأثیر منفی دارد ولی استراتژی تهاجمی مدیریت بر گزارشگری مالی متقلبانه تأثیر مثبت دارد. کیفیت افشا بر رابطه بین استراتژی تدافعی مدیریت و گزارشگری مالی متقلبانه تأثیر منفی دارد. اما این متغیر بر رابطه بین استراتژی تهاجمی مدیریت و گزارشگری مالی متقلبانه تأثیر معناداری ندارد.

ابراهیمی و همکاران (1396) پژوهشی با عنوان تعیین اثر کیفیت حسابرسی و رعایت حقوق سهامداران بر گزارشگری متقلبانه در صورت­های مالی انجام دادند. نتایج آنها نشان می­دهد کیفیت حسابرسی اثر منفی بر گزارشگری متقلبانه در صورت­های مالی دارد. همچنین نتایج پژوهش آنها رابطه منفی بین رعایت حقوق سهامداران و احتمال گزارشگری متقلبانه را نشان می­دهد.

جمالی(1395) پژوهشی رابطه مکانیزم‌های انتخابی حاکمیت شرکتی و کیفیت حسابرسی بر وقوع تقلب در صورت‌های مالی شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران را مورد بررسی قرار داد. نتایج حاصل از آزمون فرضیه­های وی نشان داد که استقلال اعضای هیات‌مدیره و درصد مالکیت ایشان، رتبه کیفی موسسه حسابرسی و دوره تصدی رئیس هیات‌مدیره بر وقوع تقلب تأثیر منفی دارد. این در حالی است که دوگانگی وظیفه مدیرعامل، وقوع زیان در دو سال ماقبل و دوره تصدی حسابرس بر احتمال وقوع تقلب در صورت‌های مالی تاثیر مثبت دارد و تعداد جلسات هیات‌مدیره، اندازه موسسه حسابرسی و مالکیت سهامداران نهادی بر احتمال وقوع تقلب تأثیری ندارد.

دهقانی و همکاران (1395) رابطه بین کیفیت حسابرسی و احتمال رخداد تقلب در شرکت­های پذیرفته شده در بورس اوراق بهادار تهران انجام را مورد آزمون قرار دادند. نتایج آنها نشان‌دهنده این است تجدید ارائه ارقام ترازنامه بیشتر از باقی متغیرهای وابسته (احتمال رخداد تقلب) کیفیت حسابرسی را تحت تأثیر خود قرار می­دهد و رابطه منفی با هم دارند. یعنی هر چه مقدار این اقلام کمتر باشد کیفیت حسابرسی بالاتر می­باشد. نتایج آنها نشان می‌دهندکه کیفیت حسابرسی احتمال رخداد تقلب را به تنهایی تبیین نماید و بعد از ورود متغیرهای کنترلی رابطه معناداری را بین تقلب و کیفیت حسابرسیم شاهده می­شود.

سخن ور (1394) تأثیر کیفیت حسابرس بر مکانیزم کشف تقلب در واحدهای صاحب کار با تأکید بر چرخه عمر شرکت را بررسی نمود. نتایج وی نشان می­دهد کیفیت حسابرس بر مکانیزم تقلب تأثیر منفی دارد.

مرادی و همکاران (1393) عوامل خطر مؤثر بر احتمال وقوع تقلب در صورت­های مالی از دید حسابرسان و بررسی تأثیر آنها بر عملکرد مالی شرکت را مورد مطالعه قرار دادند. یافته­های پژوهش آنها نشان می­دهد ویژگی­های مدیریت، تبعیت مدیریت از کنترل­های داخلی و استانداردهای لازم الاجرا، عوامل خطر مرتبط با شرایط بازار­ و صنعت، ویژگی­های عملیاتی، نقدینگی و ثبات مالی و عملکرد شرکت (متغیرهای نرخ بازده دارایی­ها، جریان‌های نقدی عملیاتی، بازده سهام و بازده شرکت) بر احتمال وقوع تقلب تأثیر دارد.

شکوری و همکاران (2021) با استفاده از داده­های 161 شرکت بورس تهران طی سال­های 2009 تا 2018 نشان دادند که مدل بنیش توانایی جداسازی شرکت­های متقلب را از شرکت­های غیر متقلب دارد. آنها نشان دادند که شاخص روزهای حساب­های دریافتنی، شاخص حاشیه سود، شاخص کیفیت دارایی­ها، شاخص رشد فروش، شاخص استهلاک و شاخص جمع اقلام تعهدی به دارایی­ها اثر مثبت و معنی­داری بر گزارشگری متقلبانه دارد در حالی که شاخص هزینه­های عمومی، اداری و فروش و شاخص اهرم اثر منفی و معنی­داری بر گزارشگری متقلبانه دارد.

هلدا (2020) امکان استفاده از مدل بنیش برای شناسایی شرکت­های متقلب در بورس ورشو را مورد بررسی قرار داد. وی با بررسی 30 شرکت نشان داد که مدل بنیش می­تواند این شرکت­ها را به شرکت­های متقلب و شرکت­های غیر متقلب تفکیک کند. بررسی وی نشان داد که مدل 8 عاملی بنیش صحت بیشتری نسبت به مدل 5 عاملی دارد.

اردوغان و اردغان[18] (2020) با استفاده از مدل بنیش شرکت­های متقلب را در بورس استامبول مورد بررسی قرار دادند. آنها بعد از تعیین شرکت­ها متقلب رابطه مثبتی بین اطلاعات مالی متقلبانه و شاخص کیفیت دارایی­ها و هزینه­های عمومی، اداری و فروش بدست اورند.

لی و زایتاس^[19] (2017) با تمرکز بر محیط اطلاعاتی شرکتی، به بررسی میزان دستکاری سود توسط شرکت‌هایی که در محیط اطلاعاتی ضعیف فعالیت می‌کنند پرداخته است. آنها نشان دادند که شرکت‌هایی که دارای عدم تقارن اطلاعات بالایی هستند، و محیط اطلاعاتی آنها ضعیف می­باشد، بستر مناسبی برای دستکاری سود دارند و مدیران این شرکت­ها انگیزه بیشتری برای مدیریت سود دارند. شرکت­هایی که در افشا اطلاعات و ارائه گزارش­های به موقع، فعالیت خوبی دارد و به دلایل مختلف محیط اطلاعاتی شفافی را برای استفاده‌کنندگان صورت­های مالی ایجاد کرده است، احتمال کمتری دارد که دست به مدیریت سود بزند.

ژی‌وانگوکیوژینگ^[20] (2017) بیان می‌دارند که توانایی‌های مدیریت بر تقلب در صورت‌های مالی تأثیر منفی دارد و ارتباطات سیاسی شرکت‌ها تأثیر توانایی مدیریت بر تقلب در صورت‌های مالی را ضعیف می­کند.

لاکسمانا و یانگ^[21] (2014) در پژوهش خود رقابت در بازار محصول را به عنوان یک متغیر تأثیرگذار بر مدیریت سود معرفی کرده است، وی با بیان اینکه در شرکت­های فعال در صنایع با رقابت بالا تحت نظارت شدیدی توسط گروه­های داخلی و خارجی مانند تحلیلگران مالی، قرار دارند، لذا امکان دستکاری اطلاعات مالی و ارائه گزارشات نادرست به راحتی امکان‌پذیر نیست و در صورت مشخص شدن و افشا شدن دستکارهای احتمال متضرر شدن و از دست دادن رقابت بسیار زیاد است. لذا شرکت‌های فعال در صنایع با رقابت ضعیف محیط و بسیتر مناسبی برای دستکاری اطلاعات مالی دارند، به خصوص این اتفاق زمانی قوت می یابد که شرکت دارای شرایط مناسبی نباشد.

مصطفی و هیلتون مییر^[22] (2006) پژوهشی با عنوان رابطه بین سرقت دارایی­ها توسط کارمند و مدیریت و اثربخشی کمیته حسابرسی را آزمون کردند. آنها نشان دادند که درصد اعضای مستقل در کمیته حسابرسی و متوسط دوره تصدی آنها تأثیر منفی بر احتمال سرقت دارایی­ها دارد.

 

4- سؤالات پژوهش

• مدل بنیش توانایی پیش‌بینی‌کنندگی شرکت‌های دستکاری‌کننده سود را دارد.
• مدل توسعه‌یافته بنیش قدرت پیش­بینی‌کنندگی بیشتری نسبت به مدل اصلی بنیش دارد.
• آیا میزان دقت توسعه‌یافته بنیش بر مبنای روش‌های شبکه‌های عصبی مصنوعی، جنگل تصادفی و ماشین‌ها برداری در شناسایی شرکت‌های دستکاری‌کننده سود، بیشتر از مدل اولیه بنیش است؟

 

 

 

5- روش‌شناسی پژوهش

 این پژوهش برحسب هدف یا نتیحه پژوهش،کاربردی است و روش پژوهش با توجه به موضوع آن از نوع پژوهش­های توصیفی-همبستگی است. در ضمن در پژوهش حاضر پس از انتخاب متغیرهای مؤثر، مدل تدوین و ارائه خواهد گردید. همچنین پژوهش حاضر بر حسب نوع داده­ها، پژوهش کمی و آرشیوی بوده و جهت آن پس رویدادی می­باشد.

 

5-1- جامعه آماری پژوهش

جامعه آماری پژوهش شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران می­باشد که به دلیل در دسترس بودن اطلاعات حسابرسی شده شرکت‌های فعال در بورس از این جامعه برای بررسی مدل‌های پژوهش استفاده شده است. روش نمونه‌گیری پژوهش روش حذف سیستماتیک است که به منظور همگن‌سازی نمونه انتخابی و افزایش قابلیت مقایسه‌پذیری نمونه از این روش استفاده می‌شود که شامل محدودیت زیر می­باشد:

اطلاعات مورد نیاز پژوهش در دسترس باشد، با توجه به اینکه دوره زمانی پژوهش از سال 1390 تا 1398 می­باشد، لذا شرکت مورد نظر قبل از سال مالی 1390 در بورس پذیرفته شده باشد. جزء بانک­ها و مؤسسات مالی و صندوق­های سرمایه­گذاری و لیزینگ­ها نباشد. به منظور افزایش قابلیت مقایسه­پذیری اطلاعات سال مالی آنها منتهی به 29 اسفند باشد. با توجه به شرایط نمونه‌گیری از 358 شرکت پذیرفته 139 شرکت به عنوان نمونه آماری انتخاب شدند.

 

5-2- تجزیه‌وتحلیل داده­ها

در این پژوهش ابتدا مدل اصلی بنیش مورد آزمون قرار گرفته و سپس با مدل توسعه یافته آن مقایسه می­شود.

• مدل اصلی بنیش

 

(1)

 

• مدل توسعه‌یافته و متغیرهای پژوهش

 

(2)

 

 

 

• متغیرهای تشکیل‌دهنده مدل بنیش

 

شاخص روزهای نسیه (DSRI) به دلیل تغییر در سیاست‌های اعتباری برای افزایش میزان فروش افزایش در شاخص مطالبات (REC) به فروش (SALES) اتفاق می­افتد اما افزایش غیرعادی در مطالبات موجب بیش‌نمایی درآمد نیز می‌شود (بنیش، 1999).	(3)
اگر شاخص حاشیه سود ناخالص (GMI) بزرگتر از 1 باشد، بدان معنی است که حاشیه سود ناخالص کاهش زیادی داشته است. ضعیف شدن حاشیه سود ناخالص علامت منفی از چشم‌انداز شرکت می­دهد و احتمال دستکاری سود را افزایش می‌دهد (بنیش، 1999). در این رابطه، SALES فروش سالانهCOG، بهای تمام‌شده کالای فروش‌رفته است.	‏(4)‏
اگر شاخص کیفیت داراییAQI ، بزرگتر از 1 باشد، شرکت هزینه­های معوق و دارایی­های نامشهود را افزایش داده و متعاقب آن احتمال دستکاری سود نیز افزایش می­یابد (بنیش، 1999). در این رابطه CA، جمع دارایی جاری و PPE اموال، ماشین‌آلات و تجهیزات و ASSETS مجموع دارایی­هاست.	(5)
شاخص رشد فروش (SGI) به تنهایی نشان‌دهنده دستکاری سود نیست، اما احتمال دستکاری سود با افزایش فروش نسبت به دوره قبل، وجود دارد (بنیش، 1999).	(6)
اگر شاخص هزینة استهلاک (DEPI) بزرگتر از 1 باشد، بیان‌کننده این است که شرکت برآوردهای اموال، ماشین­آلات و تجهیزات را افزایش داده است و احتمال دستکاری سود نیز افزایش می­یابد (بنیش، 1999). در این رابطه DEP هزینة استهلاک دارایی­های ثابت مشهود و PPE ناخالص اموال، ماشین­آلات و تجهیزات است.	(7)
اگر شاخص هزینه­های عمومی، اداری و فروش (SGAI) بزرگتر از یک باشد نشانه منفی از چشم­انداز آتی شرکت است و احتمال دستکاری سود وجود دارد (بنیش، 1999). در این رابطه EXP, SGA هزینه­های عمومی، اداری و فروش و SALES  فروش سالانه است.	(8)
اگر شاخص مجموع اقلام تعهدی به مجموع دارایی­ها (TATA)، افزایش یابد احتمال دستکاری سود هم افزایش می­یابد (بنیش، 1999). در این رابطه ACC اقلام تعهدی (تفاوت بین سود عملیاتی و جریان نقد عملیاتی) و ASSETS مجموع دارایی­های سال جاری را نشان می­دهد.	(9)
اگر شاخص اهرم مالی (LVGI) بزرگتر از 1 شاخص اهرم، بیان‌کننده افزایش احتمال دستکاری سود است (بنیش، 1999). در این رابطه LTD جمع بدهی­های بلندمدت،CL  جمع بدهی­های جاری و ASSETS مجموع دارایی‌ها را نشان می‎دهد.	(10)

منبع: یافته‌های پژوهشگر

 

• متغیرهای اضافه شده به مدل بنیش

نسبت جریان نقد عملیاتی: جریان­های نقدی نشان‌دهنده این است که سود حسابداری به وجه نقد تبدیل شده است و هر اندازه که میزان نسبت جریان نقدی به سود عملیاتی به عدد یک نزدیک باشد نشان‌دهنده کیفیت سود می­باشد و دور بودن این نسبت از یک نشانگر احتمال تقلب در صورت­های مالی خواهد بود. بنابراین در این پژوهش نسبت جزیان­های نقدی به سود عملیاتی به مدل بنیش اضافه می­شود.

قیمت سهام به جریان نقد: شرکت‌هایی که نسبت قیمت سهام آنها نسبت به جریان­های نقدی بالا است شرکت­های رشدی تلقی می­شود که سیاست‌های عملیاتی و مالی متهورانه دارند. بنابراین هر چه این نسبت بالاتر باشد احتمال وقوع تفلب بالا خواهد بود.

نسبت سود تقسیمی: شرکت­هایی که مدیریت سود انجام می­دهند وجه نقد کافی برای تقسیم سود ندارند. اگرچه آنها می­توانند این پول را قرض بگیرند ولی این کار منجر به موشکافی ناخواسته در صورت­های مالی آنها خواهد شد. بنابراین می­توان نتیجه گرفت شرکت­هایی که تقسیم سود سهام دارند کمتر از دیگران احتمال دارد مرتکب تقلب شوند زیرا آنها می­دانند که نمی­توانند بر مبنای درآمد اغراق‌آمیزی که اعلام کرده­اند سود تقسیم کنند. همچنین وجه نقد نگهداری شده در شرکت سهامداران با اطلاعات نهانی را قادر به بهره­برداری از مزایای شخصی می­کند اما از وجه نقد پرداخت‌شده نمی­تواند منافعی حاصل گردد. پس مدیران و سهامداران دارای نهانی در شرکت­هایی که پرداخت سود انجام می­دهند قادر به کسب مزایای شخصی کمتری هستند و در نتیجه انگیزه کمتری برای پنهان­سازی دارند. بنابراین سود گزارش­شده توسط این شرکت­ها با احتمال کمتری دستکاری شده است (کاسکی و هنولون^[23]، 2011). نسبت سود نقسیمی از تقسیم پرداخت­های سود تقسیمی سالانه بر جریان نقدی سالانه به دست می­آید.

رقابت در بازار محصول: محیط رقابتی شرکت به عنوان یکی از عوامل انگیزشی برای مدیریت سود در پژوهش‌ها معرفی شده‌است، طبق فرضیه علامت‌دهی شرکت‌های فعال در صنایع با رقابت بالا، انگیزه و گرایش کافی در مدیران برای دستکاری اطلاعات حسابداری از جمله سود را برای سیگنال اطلاعات خوب از عملکرد آتی شرکت پیدا می‌کنند. از سوی دیگر، فضای رقابتی کم به دلیل داشتن نظارت کمتر بر فعالیت‌های مدیریت، احتمال بیشتری وجود دارد که به دستکاری سود گرایش پیدا کنند، اما برای شرکت‌های فعال در صنایع با رقابت بیشتر، کنترل و نظارت بیشتری نسبت به سایر شرکت‌ها بر آنها حاکم است و موقعیت دستکاری سود برای این شرکت‌ها، بسیار محدود و ضعیف است (لاکسمانا و یانگ^[24]، 2014). معیار اندازه‌گیری رقابت در بازار از شاخص هرفیندال (هیرشمن) محاسبه می‌شود. این شاخص تمرکز صنعت را اندازه‌گیری می‌کند هر چقدر این شاخص بیشتر باشد تمرکز بیشتر بوده و رقابت کمتری در صنعت وجود دارد و بالعکس. در این پژوهش برای اندازه‌گیری رقابت در بازار محصول از شاخص‌های هرفیندال – هیرشمن به عنوان یک سنجه پرکاربرد در تحقیقات استفاده می­شود.

 

6- تحلیل داده ها

نتایج بررسی داده­ها با استفاده از نرم­افزار SPSS24 بصورت آمار توصیفی و آمار تحلیلی نشان داده شده است. جهت بررسی ارتباط معناداری از ضریب همبستگی پیرسون، از برازش مدل ماشین بردار و جنگل تصادفی و شبکه عصبی جهت برازش مدل­ها بهره­ گرفته شده­ است.

• آمار توصیفی

آمار توصیفی نشان‌دهنده شمای کلی از نحوه توزیع داده­های پژوهش را نشان می­دهد. نتایج آمار توصیفی در جدول 1 نشان داده شده است.

 

جدول (1)آمار توصیفی

متغیرها	کمترین مقدار	بیشترین مقدار	میانگین	انحراف معیار
اقلام تعهدی به مجموع دارایی­ها	063/0-	35/1	022/0	141/0
اهرم مالی	065/0	29/12	018/1	427/0
هزینه عمومی	21/2-	44/43	872/1	612/3
هزینه استهلاک	00/0	76/465	272/2	047/14
رشد فروش	00/0	05/57	323/1	745/1
کیفیت دارایی	00/0	70/106	394/1	572/4
حاشیه سود ناخالص	-88/45	65/136	655/1	902/6
روزهای نسیه	00/0	25/12771	171/15	89/380
نسبت جریان­های نقدی	38/158-	25/190	24/1	69/11
نسبت سود تقسیمی	67/14-	33/49	32/0	78/1
نسبت قیمت سهام به جریان­های نقدی	516/72-	66/388	155/0-	51/17
رقابت در بازار محصول	935/0-	060/0-	308/0-	194/0

منبع: یافته‌های پژوهشگر

باتوجه به جدول 1، تحلیل برخی شاخص­های مرکزی، پراکندگی متغیرهای پژوهش به شرح زیر می­باشد.

متغیر نسبت جریان­های نقدی دارای میانگین 24/1می­باشد که این امر نشانگر این است که بطور متوسط نسبت جریان­های نقدی 24/1 است. نسبت سود تقسیمی دارای میانگین 32/0 می­باشد که یعنی 32 درصد از جریان­های نقدی شرکت­های نمونه سود تقسیم می­شود. نسبت قیمت سهام به جریان­های نقدی دارای میانگین 155/0 –و رقابت در بازار محصول 308/0- می­باشد. همچنین 145 شرکت غیرمتقلب و 1106 شرکت توسط امتیاز بنیش متقلب تشخیص داده شده­اند.

 

• بررسی همبستگی بین متغیرها و امتیاز بینش

برای بررسی ارتباط بین دو متغیر چون حجم نمونه بالای 30 است، توزیع متغیرها نرمال بود، از ضریب همبستگی پیرسون استفاده می شود که خروجی آن مطابق جدول 2 می­باشد:

 

جدول (2)آزمون ضریب همبستگی پیرسون

متغیر	نماد	ضریب همبستگی	معنی داری	نتیجه
اقلام تعهدی به مجموع دارایی ها	TATA	195/0-	000/0	تایید
اهرم مالی	LVGI	118/0-	000/0	تایید
هزینه عمومی	SGAI	137/0-**	000/0	تایید
هزینه استهلاک	DEPI	038/0	186/0	عدم ارتباط خطی
رشد فروش	SGI	162/0-	000/0	تایید
کیفیت دارایی	AQI	008/0	789/0	عدم ارتباط خطی
حاشیه سود ناخالص	GMI	067/0*	020/0	عدم ارتباط خطی
روز های نسیه	DSRI	121/0-**	000/0	تایید
نسبت جریان نقد عملیاتی	CF	003/0	915/0	عدم ارتباط خطی
نسبت سود تقسیمی	DIV	001/0-	979/0	عدم ارتباط خطی
قیمت سهام به جریان نقد	PCF	101/0**	000/0	تایید
رقابت در بازار	COM	002/0	955/0	عدم ارتباط خطی

منبع: یافته­های پژوهشگر -** در سطح 99/0 معنادار می­باشد.*در سطح 95/0 معنادار می­باشد.

 

با توجه به خروجی به دست آمده از آزمون ضریب همبستگی پیرسون، سطح معنی­داری این آزمون برای متغیرهای از 05/0کوچکتر می­باشد بنابراین ارتباط خطی بین متغیرهای مذکور و امتیاز بینش تأیید می­شود.

 

• مدل اصلی بینش

مدل بینش توسعه داده شده است با 3 روش ماشین بردار، جنگل تصادفی و شبکه عصبی MLP برازش شده­اند.

 

• برازش مدل به شیوه ماشین بردار برای پیش‌بینی کشف تقلب با امتیاز بینش

ماشین بردار یکی از روش­های داده­کاوی می­باشد که برای پیش­بینی استفاده می­شود مهمترین کار آن اولویت­بندی متغیرهای تأثیرگذار روی متغیر وابسته می­باشد که به ترتیب وارد مدل می­شوند. در این قسمت با روش ماشین بردار پیش­بینی تقلب را با استفاده از متغیرهای مستقل معنادار انجام داده و نحوه ورود آنها را اولویت­بندی می­شود.

 

جدول (3) مدل با روش ماشین بردار

متغیرها	ضرایب برآورد شده در مدل	اولویت تأثیرگذاری
TATA: مجموع اقلام تعهدی به مجموع دارایی‌ها	020/0	ششم*
LVGI: اهرم مالی	019/1	هفتم*
SGAI : هزینه عمومی	855/1	هشتم*
DEPI: هزینه استهلاک	249/2	پنجم
SGI: رشد فروش	336/1	چهارم*
AQI: کیفیت دارایی	405/1	سوم
GMI: حاشیه سود ناخالص	666/1	دوم*
DSRI: روزهای نسیه	174/15	اول*

منبع: یافته­های پژوهشگر- *در مدل براساس ضریب همبستگی معنادار نمی­باشد.

 

با توجه به مدل ماشین بردار برازش داده شده ضرایب رگرسیونی برآورد شده به صورت جدول بالا بوده و مدل برآورد شده تقلب به صورت زیر می­باشد:

 

 

جدول (4) دقت روش ماشین بردار

امتیاز بینش(کشف تقلب)	دقت برازش مدل
0	16درصد
1	100درصد
کل	03/93 درصد

منبع: یافته­های پژوهشگر

دقت مدل روش ماشین بردار برابر03/93 درصد در کل مدل می­باشد.

 

• برازش مدل شبکه عصبی برای پیش‌بینی کشف تقلب با امتیاز بینش

معماری شبکه عصبی حاصل شامل 12 لایه ورودی (متغیرهای مستقل)، 1 لایه میانی با 8 واحد و 1 لایه خروجی (متغیر وابسته) است. تابع عملکرد مورد استفاده در لایه میانی تابع هیپربولیک تانژانت و تابع خطای مورد استفاده میانگین مربعات می­باشد. لازم به ذکر است که 7/69 % داده­ها معادل 840 داده به عنوان نمونه training و 3/30 % داده­ها معادل 366 داده به عنوان نمونه testing استفاده شده است.

 

جدول (5) تخصیص تعداد اعضای نمونه

		N	Percent
Sample	Training	840	7/69%
	Testing	366	3/30%
Valid		1206	100%
Excluded		45
Total		1251

منبع: یافته­های پژوهشگر

 

مقدار خطای به دست آمده از برازش این مدل برابر 834/161 در نمونه training و مقدار خطای به دست آمده در نمونه testing برابر 945/64 می‌باشد. از آنجاییکه مقدار خطای به دست آمده در نمونه testing کمتر از نمونه training است. بنابراین برازش مدل قابل قبول می‌باشد.

 

جدول (6) مقایسه خطای برازش مدل در نمونه trainingو testing

Training	میانگین مربعات خطا	834/161
testing		945/64

منبع: یافته­های پژوهشگر

 

 

شکل (1) مدل شبکه عصبی

منبع: یافته­های پژوهشگر

 

تأثیرگذاری متغیرهای مستقل در ورود به مدل بصورت جدول 6 می­باشند:

 

جدول (6) مقایسه خطای برازش مدل در نمونه trainingو testing

متغیرها	میزان تأثیرگذاری	اولویت‌بندی
DSRI : روزهای نسیه	088/0	پنجم
GMI: حاشیه سود ناخالص	211/0	اول
AQI: کیفیت دارایی	076/0	هفتم
SGI: رشد فروش	155/0	سوم
DEPI: هزینه استهلاک	192/0	دوم
SGAI: هزینه عمومی	060/0	هشتم
TATA: مجموع اقلام تعهدی به مجموع دارایی‌ها	086/0	ششم
LVGI: اهرم مالی	130/0	چهارم

منبع: یافته­های پژوهشگر-*در مدل براساس ضریب همبستگی معنادار نمی­باشد.

جدول (7) دقت برازش مدل

نمونه آزمایشی	دقت برازش مدل	نمونه آموزشی	دقت برازش مدل
0	4/26 درصد	0	04/21 درصد
1	6/99 درصد	1	7/99 درصد
کل	3/93 درصد	کل	7/93 درصد

منبع: یافته­های پژوهشگر

 

دقت مدل شبکه عصبی پرسپترون چندلایه در نمونه TRAININIG برابر 93 درصد می­باشد.

 

برازش مدل جنگل تصادفی برای پیش‌بینی کشف تقلب با امتیاز بینش

جنگل‌های تصادفی یا جنگل‌های تصمیم تصادفی یک روش یادگیری ترکیبی برای دسته‌بندی، رگرسیون می‌باشد، که بر اساس ساختاری متشکل از شمار بسیاری درخت تصمیم، بر روی زمان آموزش و خروجی کلاس‌ها (کلاس‌بندی) یا برای پیش­بینی‌های هر درخت به شکل مجزا، کار می‌کنند. جنگل‌های تصادفی برای درختان تصمیم که در مجموعه آموزشی دچار بیش برازش می‌شوند، مناسب هستند. نخستین الگوریتم برای جنگل‌های تصمیم تصادفی را «تین کم هو» با بهره‌گیری از روش زیرفضاهای تصادفی پدیدآورد. روش جنگل تصادفی کشف تقلب با استفاده از متغیرهای مستقل معنادار انجام داده و نحوه ورود آنها اولویت­بندی می­شود.

 

جدول (8) برازش مدل جنگل تصادفی

متغیرها		ضرایب برآورد شده
SGI	رشد فروش	518/18
SGAI	هزینه عمومی	038/14
TATA	مجموع اقلام تعهدی به مجموع دارایی­ها	504/20
GMI	حاشیه سود ناخالص	153/13
DSRI	روزهای نسیه	579/34
LVGI	اهرم مالی	499/11
DEPI	هزینه استهلاک	424/62
AQI	کیفیت دارایی	354/9

منبع: یافته­های پژوهشگر

 

با توجه به مدل جنگل تصادفی برازش شده ضرایب رگرسیونی برآورد شده به صورت جدول بالا بوده و مدل برآورد شده کشف تقلب به صورت زیر می‌باشد:

 

(11)

 

جدول (9) دقت برازش مدل جنگل تصادفی

امتیاز بینش(کشف تقلب)	دقت برازش مدل
0	63 درصد
1	98/99 درصد
کل	96/99 درصد

منبع: یافته­های پژوهشگر

 

دقت مدل روش ماشین بردار برابر96/99 درصد در کل مدل می­باشد.

 

جدول (10) مقایسه پیش­بینی بر اساس سه روش

امتیاز بینش (کشف تقلب)	شبکه عصبی	جنگل تصادفی	ماشین بردار
0	4/21 درصد	63 درصد	16 درصد
1	7/99 درصد	98/99 درصد	100 درصد
دقت مدل	7/93 درصد	96/99 درصد	03/93 درصد

منبع: یافته­های پژوهشگر

 

برازش مدل به شیوه ماشین­بردار برای پیش­بینی کشف تقلب با امتیاز بینش توسعه­یافته

در جدول 11 با روش ماشین­بردار پیش­بینی تقلب با استفاده از متغیرهای مستقل معنادار انجام داده و نحوه ورود آنها اولویت­بندی می­شود.

 

 

 

 

جدول (11) مدل با روش ماشین­بردار

متغیرها	ضرایب برآورد شده در مدل	اولویت تاثیرگذاری
TATA: مجموع اقلام تعهدی به مجموع دارایی‌ها	547/24-	نهم*
LVGI: اهرم مالی	443/35-	چهارم*
SGAI : هزینه عمومی	710/29-	ششم*
DEPI: هزینه استهلاک	648/25	هشتم
SGI: رشد فروش	678/42-	دوم*
AQI: کیفیت دارایی	800/27	هفتم
GMI: حاشیه سود ناخالص	699/30	پنجم*
DSRI: روزهای نسیه	000/44-	اول*
COM: رقابت در بازار	998/1	دوازده هم
CF: نسبت سود تقسیمی	224/6	یازده هم
DIV: نسبت سود تقسیمی	202/17	دهم
PCF: قیمت سهام به جریان نقد	617/36	سوم*

منبع: یافته­های پژوهشگر-*در مدل براساس ضریب همبستگی معنادار نمی­باشد.

 

با توجه به مدل ماشین بردار برازش داده شده ضرایب رگرسیونی برآورد شده به صورت جدول بالا بوده و مدل برآورد شده تقلب به صورت زیر می­باشد:

 

(12)

 

جدول (12) دقت برازش مدل ماشین بردار

امتیاز بینش (کشف تقلب)	دقت برازش مدل
0	100 درصد
1	94/92 درصد
کل	03/94 درصد

منبع: یافته­های پژوهشگر

 

دقت مدل روش ماشین بردار برابر 03/94 درصد در کل مدل می­باشد.

 

برازش مدل شبکه عصبی برای پیش‌بینی کشف تقلب با امتیاز بینش توسعه‌یافته

در مدل شبکه عصبی 7/69 % داده‌ها معادل 840 داده به عنوان نمونه traninig و 3/30 % داده‌ها معادل 366 داده به عنوان نمونه testing استفاده شده است.

 

جدول (13) تخصیص تعداد اعضای نمونه

		N	Percent
Sample	Training	846	1/70%
	Testing	360	9/29%
Valid		1206	100%
Excluded		45
Total		1251

منبع: یافته­های پژوهشگر

 

مقدار خطای به دست آمده از برازش این مدل برابر 885/161در نمونه traninig و مقدار خطای به دست آمده در نمونه testing برابر 379/74 می‌باشد. از آنجاییکه مقدار خطای به دست آمده در نمونه testing کمتر از نمونه traninig است بنابراین برازش مدل قابل قبول می‌باشد.

 

جدول (14) مقایسه خطای برازش مدل در نمونه trainingو testing

Training	میانگین مربعات خطا	161.885
testing		74.379

منبع: یافته­های پژوهشگر

 

 

شکل(2) مدل شبکه عصبی

منبع: یافته­های پژوهشگر

تأثیرگذاری متغیرهای مستقل در ورود به مدل بصورت جدول و نمودار بعدی می­باشند:

 

جدول (15) متغیرهای مدل شبکه عصبی

	متغیرها	میزان تأثیرگذاری	اولویت بندی
DSRI : روزهای نسیه		136/0	سوم
GMI: حاشیه سود ناخالص		184/0	اول
AQI: کیفیت دارایی		018/0	دوازده هم
SGI: رشد فروش		117/0	چهارم
DEPI: هزینه استهلاک		161/0	دوم
SGAI: هزینه عمومی		053/0	هشتم
TATA: مجموع اقلام تعهدی به مجموع دارایی‌ها		062/0	هفتم
LVGI: اهرم مالی		066/0	ششم
PCF: قیمت سهام به جریان نقد		109/0	پنجم
CF: نسبت جریان نقد عملیاتی		038/0	نهم
DIV: نسبت سود تقسیمی		036/0	دهم
COM: رقابت در بازار		021/0	یازده هم

منبع: یافته­های پژوهشگر-*در مدل براساس ضریب همبستگی معنادار نمی­باشد.

 

جدول (16) دقت برازش مدل

نمونه آزمایشی	دقت برازش مدل	نمونه آموزشی	دقت برازش مدل
0	6/23 درصد	0	7/10 درصد
1	5/99 درصد	1	4/99 درصد
کل	94در صد	کل	6/93 درصد

منبع: یافته­های پژوهشگر-دقت مدل شبکه عصبی پرسپترون چندلایه در نمونه TRAININIG برابر 94 درصد می­باشد.

 

برازش مدل جنگل تصادفی برای پیش‌بینی کشف تقلب با امتیاز بینش توسعه‌یافته

در جدول 17 با روش جنگل تصادفی کشف تقلب با استفاده از متغیرهای مستقل معنادار انجام داده و نحوه ورود آنها اولویت‌بندی می­شود.

 

 

جدول (17) جدول ضرایب جنگل تصادفی

متغیرها		ضرایب برآورد شده
SGI	رشد فروش	157/14
SGAI	هزینه عمومی	807/7
TATA	مجموع اقلام تعهدی به مجموع دارایی‌ها	139/7
GMI	حاشیه سود ناخالص	899/6
DSRI	روزهای نسیه	900/4
LVGI	اهرم مالی	584/4
DEPI	هزینه استهلاک	804/2
PCF	قیمت سهام به جریان نقد	052/2
AQI	کیفیت دارایی	867/1
CF	نسبت جریان نقد عملیاتی	678/1
DIV	نسبت سود تقسیمی	593/1
COM	رقابت در بازار	086/1
SGI	رشد فروش	157/14

منبع: یافته­های پژوهشگر

 

با توجه به مدل جنگل تصادفی برازش داده شده ضرایب رگرسیونی برآورد شده به صورت جدول بالا بوده و مدل برآورد شده کشف تقلب به صورت زیر می­باشد:

 

(13)

 

جدول (18) دقت مدل جنگل تصادفی

امتیاز بینش(کشف تقلب)	دقت برازش مدل
0	62/0 درصد
1	88/99 درصد
کل	4/99 درصد

منبع: یافته­های پژوهشگر

دقت مدل روش جنگل تصادفی برابر 4/98 درصد در کل مدل می­باشد. همچنین اولویت‌بندی متغیرها در برازش روش جنگل تصادفی بصورت نمودار زیر می­باشد. با توجه به جدول بالاترین تأثیرگذاری مربوط به متغیر SGI می­باشد.

 

مقایسه مدل­های برازش

مقایسه مدل­های برازش شده در جدول 19 نشان داده شده است که نشان می­دهد جنگل تصادفی قدرت پیش­بینی قوی­تری را در کشف تقلب در صورت‌های مالی دارد.

 

جدول (19)مقایسه پیش‌بینی بر اساس مدل شبکه عصبی و ماشین بردار و جنگل تصادفی

امتیاز بینش(کشف تقلب)	شبکه عصبی	جنگل تصادفی	ماشین بردار
0	6/23 درصد	62/0درصد	100 درصد
1	5/99 درصد	88/99 درصد	94/92 درصد
دقت مدل	94 درصد	4/99 درصد	03/94 درصد

منبع: یافته­های پژوهشگر

 

جدول (20) مقایسه کلی بین مدل بینش و بینش توسعه‌یافته

مدل	شبکه عصبی	جنگل تصادفی	ماشین بردار
بینش	7/93	96/99	03/93
توسعه یافته	94	4/99	03/94

منبع: یافته­های پژوهشگر

 

با توجه به جدول مدل بیش توسعه‌یافته با روش شبکه عصبی و جنگل تصادفی و ماشین بردار دارای دقت بیشتری نسبت به مدل بینش می­باشد.

 

7- بحث و نتیجه­گیری

با توجه به اینکه غیر از صورت­های مالی منبع دیگری برای پیش­بینی تقلب وجود در محیط ایران وجود ندارد، این پژوهش با استفاده از متغیرهای صورت‌های مالی و بسط مدل بنیش با استفاده از متغیرهای خاص شرکت درصدد است تقلبات احتمالی بالقوه در صورت­های مالی را کشف کند. پیش‌بینی تقلب یکی از راه­های است که با استفاده از آن می­توان از فرصت­های سرمایه­گذاری به صورت مناسب بهره­برداری و از هدر رفتن منابع جلوگیری نمود. دوم اینکه سرمایه­گذار می­تواند فرصت­های مطلوب سرمایه­گذاری را از فرصت­های نامطلوب تشخیص دهد، در اینصورت مدل­های پیش‌بینی اهمیت خود را نشان می­دهند. باتوجه به مطالب مطرح لذا پژوهش حاضر در صدد آن است به این سوال­ها پاسخ بگوید که آیا مدل بنیش در شناسایی تقلب در شرکت‌های ایران کاملا موفق بوده است و آیا می­توان با افزودن متغیرهایی به مدل، در راستای بهبود مدل عمل نمود؟

در راستای اهداف تحقیق و رسیدن به جواب سؤالات مطرح شده تحقیق، پس از محاسبه آمار توصیفی شاخص­های مشخص شده از جمله میانگین، انحراف معیار، مدل برای پیش‌بینی کشف تقلب با روش بینش، توسعه داده شد که توسط 3 مدل ساختار شبکه عصبی (دقت 94 درصد)، جنگل تصادفی (دقت 99 درصد) و ماشین بردار (دقت 94 درصد) برازش داده شدند. همچنین با توجه مدل بیش توسعه‌یافته با روش شبکه عصبی و جنگل تصادفی و ماشین بردار دارای دقت بیشتری نسبت به مدل بینش می­باشد. ملاک مقایسه 3 روش برازش در دو مدل، rmsea بوده که بهترین مدل برازش در مدل‌های توسعه‌یافته بینش، جنگل تصادفی می­باشد. نتایج نشان‌دهنده این است که با افزودن متغیرهای خاص شرکت می­توان دقت مدل بنیش را بالا برد و دقت مدل جنگل تصادفی بین مدل­ها بالاترین و 99 درصد است که بالاتر از پژوهش عسگری و همکاران (1398) که مدل بنیش را بر اساس بازار رقابت محصول و عدم تقارن اطلاعاتی با دقت 42/67 و شعری و همکاران (1396) با توجه به محیط ایران با دقت کلی 2/66 % بسط داده­اند، است. در پژوهش­عسگری و همکاران (1398) از حرکات ذرات جمعی و شبکه عصبی استفاده شده است در حالی که در این پژوهش از برازش جنگل تصادفی استفاده شده است که نسبت به سایر روش های برازش از دقت بالاتری برخوردار است.

یافته­های پژوهش می­تواند در بهبود پیش­بینی تقلب در صورت­های مالی مؤثر باشد و همچنین توجه استفاده­کنندگان را به ترکیب اطلاعات صورت­های مالی و ویژگی­های خاص شرکت در پیش­بینی تقلب جلب می­کند. ویژگی­های خاص شرکت یکی از موارد بسیار مهم در بررسی تقلب است. با توجه به اینکه نتایج پژوهش نشان‌دهنده این است که متغیرهای خاص شرکت می­تواند قدرت مدل پیش­بینی تقلب در صورت­های مالی را بهبود دهد به سرمایه‌گذاران و مشارکت‌کنندگان در بازار سرمایه توصیه می­شود به متغیرهای خاص شرکت نیز در تحلیل­های خود در مورد تقلب در صورت­های مالی توجه نمایند. همچنین، با توجه به اینکه دقت مدل برازش شده جنگل تصادفی بالاتر از مدل­های دیگر است پیشنهاد می­شود که در بررسی تقلب در صورت­های مالی ضرایب بدست آمده از این مدل مورد استفاده قرار گیرد. در نهایت، به حسابرسان نیز توصیه می­شود به ویژگی­های خاص شرکت در رسیدگی­های خود توجه نموده و قبل از انجام بررسی­ها احتمال تقلب در شرکت را با توجه به متغیرهای حسابداری مورد توجه قرار دهد. همچنین به مدیران بورس اوراق بهادار تهران توصیه می­شود با توجه به اهمیت احتمال وقوع تقلب و کیفیت سود گزارش شده، با بکارگیری مدل­های ارائه شده اقدام به امتیازدهی ریسک سرمایه‌گذاری در شرکت‌ها اقدام نماید.

 

 

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

[2]- گروه حسابداری، واحد ارومیه، دانشگاه آزاد اسلامی، ارومیه، ایران. (نویسنده مسئول) E-mail: [e-mail]

[3]- گروه حسابداری، واحد ارومیه، دانشگاه آزاد اسلامی، ارومیه، ایران.  E-mail: [e-mail]

[4] Briloff

[5] Power

[6] Khurana and Raman

[7] Dechow and skinner

[8]Beneish

[9] Hołda

[10]Barton

[11]National Commission on Fraudulent Financial Reporting

[12]Jofre and Gerlach

[13]Association of Certified Fraud Examiners

[14]Wu et al.

[15] Luo et al.

[16]Jones and Healy

[17]Watts and Zimmerman

[18]Erdoğanand Erdoğan

[19]Li & Zaiats

[20]Zhi Wang & Qi Zheng

[21]Laksmana & Yang

[22]Mustafa & Hylton Meier

[23]Caskeyand Hanlon

[24]Laksmana & Yang

مراجع

فهرست منابع

ابراهیمی، کاظم، نسب علی بهرامی و جواد باغیان، (۱۳۹۶)، "تأثیر کیفیت حسابرسی و رعایت حقوق سهامداران بر احتمال گزارشگری متقلبانه"، دانش حسابرسی، سال ۱۷، شماره۶۹، صص ۱۴۹-۱۲۵.

بهرامی، آسو، ایرج نوروش، عباس راد و عطااله محمدی ملقرنی، (1399)، "پیش‌بینی تقلب در صورت‌های مالی شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران"، مطالعات تجربی حسابداری مالی، دوره 16، شماره 65، صص 35-59.

حساس یگانه، یحیی و اسماعیل توکل نیا، (1400)، "بررسی ارتباط کیفیت گزارشگری مالی و سرمایه‌گذاری در دارایی‌های ثابت و نقش تعدیلی فرصت‌های رشد"، پژوهش‌های حسابداری مالی و حسابرسی، 13(49)، صص 97-118.

جمالی، زهرا، (1395)، بررسی رابطه مکانیزم‌های انتخابی حاکمیت شرکتی و کیفیت حسابرسی بر وقوع تقلب در صورت‌های مالی شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران"، پایان‌نامه کارشناسی ارشد دانشکده اقتصاد، مدیریت و حسابداری دانشگاه یزد.

خوشبخت، اسماعیل، امیرحسین تائبی نقندری و حدیث زینلی، (1401)، "دینداری، اخلاق حرفه‌ای حسابداران و تقلب‌های گزارشگری مالی"، پژوهش‌های حسابداری مالی و حسابرسی، 14 (1)، صص 253-223.

دهقانی، مهرسا، مریم بهادری و زهرا اسماعیلی، (1395)، "بررسی رابطه بین کیفیت حسابرسی و احتمال رخداد تقلب در شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران"، اولین همایش حسابداری، اقتصاد و نوآوری در مدیریت، بندرعباس، دانشگاه آزاد اسلامی واحد بندرعباس.

رحیمیان، نظام الدین و راضیه حاجی حیدری، (1398)، "کشف تقلب با استفاده از مدل تعدیل شده بنیش و نسبت­های مالی"، پژوهش­های تجربی حسابداری، سال 3، شماره 8، صص 47-69.

سخنور، مصطفی، (1394)، "بررسی تأثیر کیفیت حسابرس بر مکانیزم کشف تقلب در واحدهای صاحبکار با تأکید بر چرخه عمر شرکت"، پایان‌نامه کارشناسی ارشد دانشگاه آزاد اسلامی ‌واحد شاهرود.

شیرازی دهخوارقانی، مجید و ناهید حقگو مهرداد، (1398)، "بررسی رابطه استراتژی تجاری با گزارشگری مالی متقلبانه با تأکید بر نقش کیفیت افشا"، چشم­انداز حسابداری و مدیریت، سال 1، شماره 1، صص 60-76.

کامرانی، حسین و بیژن عابدینی، (1401)، "تدوین مدل کشف تقلب صورت­های مالی با استفاده از روش‌های شبکه عصبی مصنوعی و ماشین بردار پشتیبانی در شرکت‌های پذیرفته شده در بورس اوراق بهادر تهران"، دانش حسابداری و حسابرسی، دوره 11، شماره 41، صص 285-314.

کردستانی،غلامرضا و رشید تاتلی، (1395)، "پیش­بینی دستکاری سود: توسعه یک مدل"، بررسی­های حسابداری و حسابرسی، 23(1)، صص 73-96.

کمیته تدوین استانداردهای حسابرسی سازمان حسابرسی، (1388)، "استانداردهای حسابرسی، سایر خدمات اطمینان‌بخشی و خدمات مرتبط"، سازمان حسابرسی.

مرادی، جواد، راحله رستمی 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"، پیشرفت­های حسابداری، سال 1، شماره 6، صص 141-173.

مرفوع، محمد و سیدمصطفی حسن زاده دیوا، (1399)، "مدیریت سود؛ رفتارهای فرصت‌طلبانه، مکانیزم نظارتی و درماندگی مالی"، پژوهش‌های حسابداری مالی و حسابرسی، 12(48)، صص 43-70.