ارزیابی خطر تقلب مدیران با استفاده از روش داده‌کاوی

بررسی، ارزیابی و تشخیص گزارش‌های متقلبانه که از آن با نام گزارش‌های دستکاری شده نیز یاد شده است، سابقۀ دیرینه‌ای در ادبیات حسابداری و مالی دارد. سهامداران، مدیران را به عنوان نمایندگان خود در شرکت انتخاب می‌کنند و طبیعی است که نسبت به تشخیص صداقت در گزارشگری مدیران، حساس باشند. حسابرسان نیز در راستای بررسی‌های خود ملزم به ارزیابی و برآورد خطر تقلب در روش‌های اجرا شده توسط مدیریت واحد تجاری هستند تا بر اساس این ارزیابی، حجم آزمون‌های حسابرسی و متعاقباً حق‌الزحمه پیشنهادی خود را تخمین بزنند. پژوهش حاضر برای ارزیابی و تشخیص خطر تقلب مدیران، از یک روش غیرمالی استفاده کرده است که مشخصاً مبتنی بر تجزیه و تحلیل متن گزارش هیئت‌مدیره به مجمع عمومی صاحبان سهام است. در این روش، واژه‌های گزارش‌های هیئت مدیره به مجمع بررسی شده، پس از پالایش شدن، با استفاده از نوع خاصی از رگرسیون تحت عنوان رگرسیون‌های lasso الگویی برای ارزیابی و تشخیص شاخص خطر تقلب در شرکت‌ها ارائه شده است که با دقتی بین 89% تا 91% قادر به تشخیص صحیح شاخص خطر بالای تقلب در شرکت‌ها است.

Assessing Managers Fraud Through Analysis of Board of Directors Report by Data Mining

Detecting, evaluating and understanding fraud reports, called as misstated reports, has a long history in the accounting and financial literature. Shareholders choose managers as their agents in the company, so it is usual for them to be sensitive to the honesty of managers’ reports. Also auditors in their investigations are required to evaluate and measure the fraud risk in the methods implemented by the management of entity, and then, to estimate the parameters of audit tests, and their proposed auditing fees. This study has used nonfinancial approach to detecting and evaluating managers' fraud risk that is based on the analysis of the text of board of directors' report. In this method, the words of the board's reports were reviewed, and after some refinements, a model was presented for evaluating high fraud risk index in companies, using a certain type of regression model, called LASSO. This model is able to identify high fraud risk index in companies, correctly with precision of 89% to 91%.