ارائه رویکردی نوین در پیش‌بینی و کشف تقلب صورت‌های مالی با استفاده از الگوریتم زنبور عسل

هدف: با توجه به اینکه برای کتمان تقلب در صورت‌های مالی از طرحهای پیچیده و سازمان یافته استفاده می‌شود، توسعه روش‌های کشف تقلب می‌تواند به عنوان راهکاری مورد توجه قرار گیرد. لذا، پژوهش حاضر با استفاده از الگوریتم زنبورعسل به توسعه روشهای کشف تقلب در صورت‌های مالی پرداخته است. روش: برای بررسی موضوع سه روش الگوریتم زنبور عسل، الگوریتم ژنتیک و رگرسیون لوجستیک به کارگرفته شده است. نمونه آماری این مطالعه متشکل از 120 شرکت پذیرفته شده در بورس اوراق بهادار (60 شرکت مشکوک به تقلب و 60 شرکت غیر متقلب) برای دوره زمانی 1396-1385 است. شرکت‌های مشکوک به تقلب بر مبنای 1) اظهارنظر تعدیل شده حسابرسی، 2) وجود تعدیلات سنواتی با اهمیت و صورت‌های مالی تجدید ارائه شده در مورد موجودی‌ها و سایر دارایی‌ها و... 3) وجود اختلافات مالیاتی با حوزه مالیاتی طبق یادداشت ذخیره مالیات بر درآمد و پرونده مالیاتی و بند شرط گزارش حسابرسی انتخاب شدند. پس از استفاده از آنتروپی متقابل، 16 نسبت مالی به عنوان پیش‌بینی کننده‌های بالقوه گزارشگری مالی متقلبانه معرفی شدند. یافته‌ها: یافته‌های پژوهش نشان داد که روش الگوریتم زنبور عسل با دقت پیش‌بینی 82.5 درصد نسبت به دو روش الگوریتم ژنتیک  با دقت 77.5 درصد و رگرسیون لوجستیک با دقت 72.5 درصد، از عملکرد بهتری جهت شناسایی شرکت‌های مشکوک به تقلب در صورت‌های مالی برخوردار است. نتیجه‌گیری: نتایج پژوهش حاکی از آن است، روش پیشنهادی این پژوهش در مقایسه با دیگر روش‌های تکاملی، از دقت پیش‌بینی بالاتر، درصد خطای کمتر و سرعت نسبتاً خوبی برخوردار است.

New Approach to Predicting and Detecting Financial Statement Fraud, Using the Bee Colony

Objective: Considering complex financial plans to conceal fraud in financial statements, the development of fraud detection methods can be regarded as solution for this problem. The present study uses the bee algorithm to develop methods for fraud detection in financial statements. Method: Three methods of bee algorithm, genetic algorithm and logistic regression have been used to study the subject. The statistical sample consists of 120 companies accepted in the Tehran Stock Exchange (60 companies are suspected of fraud and 60 ones are not suspected) for the period 13961385. The companies were suspected of fraud, based on 1) revised audit opinion after unacceptable expression, 2) existence of significant annual revisions, and revised financial statements for inventories and other assets; 3) existence of tax disputes with the tax area, according to notes on income tax filing, general tax filings and conditioned clauses in audit reports. Following the use of crossentropy, 16 financial ratios were introduced as the potential predictors of fraudulent financial reporting. Result: The results showed that the bee algorithm method with prediction accuracy of 82.5% has better performance in identifying suspicious companies in fraudulent financial statements than the other two methods. Conclusion: The results of the research indicate that the proposed method of this study compared to other methods has higher rate of prediction accuracy, lower error rate and relatively good speed.