مقایسه عملکرد مدل‌های خطی و هوش مصنوعی جهت پیش‌بینی دستکاری صورت‌های مالی: شواهدی از کاربرد مدل دیچو و شبکه‌های بیز

دستکاری‌های اطلاعات و صورت‌های مالی شرکت‌ها منجر به وقوع تقلب و تجدید ارائه صورت‌های مالی می‌شود که باعث از دست رفتن سرمایه افراد و در‌نهایت منجر به ورشکستگی شرکت‌ها می‌شود. این مسائل نگرانی‌هایی را در مورد کیفیت اطلاعات صورت‌های مالی و تصمیم‌گیری استفاده‌کنندگان اطلاعات مالی شرکت‌ها به وجود آورده است. با توجه به اهمیت این موضوع، پیش‌بینی وقوع این دستکاری‌ها و عوامل تاثیرگذار بر آنها همواره موردتوجه تحلیلگران، سرمایه‌گذاران، مدیران و پژوهشگران بوده است. هدف این پژوهش مقایسه عملکرد مدل‌های خطی و هوش مصنوعی در زمینه پیش‌بینی دستکاری صورت‌های مالی است. مدل خطی دیچو و مدل هوش مصنوعی شبکه‌های بیز جهت مقایسه عملکرد برای پیش‌بینی دستکاری صورت‌های مالی در نظر گرفته شدند. این پژوهش از نظر هدف، کاربردی و از نظر داده‌ها پس رویدادی و از نظر تحلیل‌ها توصیفی-همبستگی است. جامعه آماری پژوهش کلیه شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران در دوره زمانی 1396 تا 1401 بوده و نمونه‌ها با استفاده از روش حذفی سیستماتیک با اعمال محدودیت‌هایی انتخاب شدند. معیار انتخاب شرکت‌های دارای دستکاری صورت‌های مالی وجود اظهارنظر غیر مقبول حسابرسی دارای بند مشروط مشمول تحریف در داده‌های مالی یا وجود اختلافات مالیاتی با حوزه مالیاتی طبق یادداشت ذخیره مالیات بر درآمد و پرونده مالیاتی و بند شرط گزارش حسابرسی و یا وجود تعدیلات سنواتی با اهمیت و صورت‌های مالی تجدید ارائه شده بود. داده‌های پژوهش به‌وسیله روش کتابخانه‌ای و اسناد کاوی گردآوری شده و با نرم‌افزار ایویوز مورد تجزیه و تحلیل قرار گرفته است. نتایج نشان داد مدل دیچو با قدرت 68.88% درستی و شبکه‌های بیز با قدرت 90% درستی توانایی پیش‌بینی دستکاری صورت‌های مالی در بین شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران را دارند. همچنین، طبق نتایج پژوهش عملکرد مدل‌های هوش مصنوعی مانند شبکه‌های بیز بهتر از مدل‌های خطی مانند مدل دیچو می‌باشد.

comparing the performance of linear models and artificial intelligence to predict the manipulation of financial statements: empirical evidence from dechow model and bayes networks

manipulation of information and financial statements of companies leads to the occurrence of fraud and restatement of financial statements, which causes the loss of people's capital and ultimately leads to the bankruptcy of companies. these issues have raised concerns about the quality of information in financial statements and the decision-making of companies' financial information users. due to the importance of this issue, predicting the occurrence of these manipulations and the factors affecting them have always been the focus of analysts, investors, managers and researchers. the purpose of this research is to compare the performance of linear models and artificial intelligence in the field of predicting manipulation of financial statements. dechow's linear model and bayes networks artificial intelligence model were considered to compare the performance for predicting manipulation of financial statements. this research is applied in terms of purpose, post-event in terms of data, and descriptive-correlation in terms of analysis. the population of the research was all the companies listed on the tehran stock exchange in the period from 2017 to 2022, and the samples were selected using the systematic elimination method with restrictions. the criteria for selecting companies with manipulation of financial statements is the presence of an unqualified audit opinion with a conditional clause subject to distortion in financial data or the existence of tax disputes with the tax area according to the income tax reserve note and tax file and the condition clause of the audit report or the existence of significant annual adjustments financial updates were provided. research data has been collected by means of library and document mining methods and has been analyzed with eviews software. the results showed that the dechow model with 68.88% correctness and bayes networks with 90% correctness have the ability to predict the manipulation of financial statements among companies listed on the tehran stock exchange. also, according to the research results, the performance of artificial intelligence models such as bayes networks is better than linear models such as the dechow model.