مدل‌سازی متغیرهای اثرگذار برکشف تقلب در صورت‌های مالی با استفاده از تکنیک‌های داده‌کاوی

در این پژوهش به بررسی این مسئله پرداخته می شود که آیا می توان از طریق شناسایی و انتخاب متغیرهای اثرگذار در کشف تقلب در صورت های مالی و با به کارگیری تکنیک های داده کاوی مدلی برای کشف تقلب در صورت های مالی شرکت های پذیرفته شده در بورس اوراق بهادار تهران ارائه کرد؟ برای پاسخگویی به این سوال از یک نمونه تطبیقی متشکل از 6 شرکت متقلب و 64 شرکت غیر متقلب(نمونه نامتوازن) به همراه تکنیک های طبقه بندی شبکه عصبی مصنوعی، شبکه بیزین استفاده گردید. برای حل مشکل نمونه - و الگوریتم جنگل تصادفی طی سال های1393-1379 نامتوازن نیز رویکرد معرفی شده توسط هی و همکاران (2008) بکار رفت. متغیرهای پیشبین، عوامل مالی و غیرمالی خطر تقلب مرتبط با گزارشگری مالی متقلبانه هستند که با مرور پژوهش های انجام شده در این زمینه تعیین خواهند شد. یافته های پژوهش بیانگر وجود شواهدی دال بر عملکرد مناسب مدل های پیشنهادی و برتری الگوریتم جنگل تصادفی و شبکه بیزین برای پیش بینی تقلب در صورت های مالی است. نتایج حاصل از انتخاب ویژگی به روش مبتنی بر همبستگی حاکی از سودمندی متغیرهای نسبت پوشش بهره، نسبت حساب های دریافتنی به کل دارایی ها، نسبت موجودی کالا به فروش خالص، نسبت نقدی، لگاریتم طبیعی فروش، نسبت سود خالص به فروش و نسبت جمع دارایی های جاری به کل دارایی ها برای کشف تقلب بود.

Modelling The Effective Variables for of Financial Statements Fraud Detection using Data Mining Techniques

Recent scandals and corporate failures have shaken the confidence of investors as accounts which were purported to reflect a ldquo;true and fair view rdquo; of businesses have been misleading. In most of the reported cases management have defrauded the company and covered it up by manipulating the financial statements of the company to reflect what management wanted the public to see. Statistics and machine learning based technologies have been shown to be an effective way to deter and defect fraud. Therefore, this study deals with the identification and selection of financial and nonfinancial variables related to fraudulent financial statements and investigates the effectiveness of Data Mining techniques in detecting firms that issue fraudulent financial statements. To achieve this aim 40 financial and nonfinancial variables derived from financial statements of listed companies in Tehran Stock Exchange (TSE). We consider Data Mining based financial fraud detection techniques such as Artificial Neural Networks (ANN), Bayesian Networks (BN) and Random Forest (RF) in order to identify fraud. The results suggest that Data Mining techniques have a good ability to detect financial statements fraud. The three models are compared in terms of their performance. The results of Wilcoxon signedrank test indicates that The Random Forest algorithm and Bayesian Networks outperforms the other model. Artificial Neural Networks also achieve good performance.