کشف تقلب در صورت‌های مالی: تحلیل تفاوت بین تکنیک‌های داده‌کاوی و قضاوت

هدف پژوهش حاضر، شناسایی و رتبه‌بندی عوامل موثر بر کشف تقلب صورت‌های مالی با استفاده از تکنیک قضاوت به روش فرآیند سلسله مراتبی و تکنیک‌های داده‌کاوی می‌باشد. جامعه‌ی آماری شامل حسابرسان ارشد، سرپرستان، سرپرستان ارشد، مدیر حسابرسی و شریک موسسه‌ی و همچنین شرکت‌های بورس اوراق بهادار تهران می‌باشد. در راستای هدف پژوهش، تعداد 56 پرسش‌نامه و داده‌های 109 شرکت بورسی طی دوره‌ی زمانی 1391 تا 1396 گردآوری و مورد تحلیل قرار گرفت. بر اساس تکنیک قضاوت، بعد فشار اولویت اول، فرصت دومین عامل و توجیه به‌عنوان سومین عامل موثر بر کشف تقلب رتبه‌بندی می‌شوند که این نتایج با سایر تکینکها تفاوت دارد. از لحاظ تجربی، رویکردهای شبکه‌ی عصبی و درخت‌ تصمیم‌ در طبقه‌بندی صحیح نمونه‌ی مورد آموزش و آزمایش شبکه از نرخ دقت 98.65 درصد (شبکه‌ی عصبی)، 91.5 درصد (درخت‌ تصمیم‌) و 69.79 درصد (شبکه‌ی عصبی)، 69.10 درصد (درخت‌ تصمیم‌) برخوردار است، که از مدل لجستیک دقیق‌تر می‌باشد که در این روش تنها به 72.32 درصد و 88.10 درصد طبقه‌بندی صحیح در ارزیابی وقوع تقلب می‌رسد. علاوه بر این، به طور قابل توجه خطای نوع دوم ناشی از مدل درخت‌ تصمیم در مقایسه با بکارگیری شبکه‌ی عصبی و مدل‌ لجستیک از 58.18 درصد و 72.7 درصد به 55.6 درصد کاهش می‌یابد. با توجه به شاخص دقت، مدل درخت تصمیم نسبت به سایر مدل‌ها از کارآیی بیشتری برخوردار است؛ بنابراین از بین تکنیک‌های داده‌کاوی، وزن هر کدام از متغیرهای ورودی مدل درخت تصمیم مبنای رتبه‌بندی نهایی متغیرهای پژوهش قرار گرفته است.

Detecting the financial statement fraud: The analysis of the differences between data mining techniques and judgments

The objective of this study is to identify and ranking of factors affecting detecting the financial statement frauds using the judgment technique based on the Analytic Hierarchy Process and data mining techniques techniques. The population of the study comprised of senior auditors, supervisors, senior supervisors, audit manager and partner of the audit institute employed in audit institutes member and also companies listed in the Tehran Stock Exchange. In order to the research goal, 56 questionnaires and 109 Listed for the year 20122017 and analyzed. Based on the technique of judgment, the pressure dimension of the first priority, opportunity, second factor and rationalization are ranked as the third effective factor on the detection of fraud. These results are different with other techniques. Empirically, the ANNs and CART approaches work with the training and testing samples in a correct classification rate of 98/65% (ANNs) 91.5% (CART) and 69/79% (ANNs) 69.10% (CART), respectively, which is more accurate than the logistic model that only reaches 72.32% and 88.10% of the correct classification in assessing the fraud presence. In addition, type II error of CART drops significantly to 58.18% from 72.7% and 55.6% compared to the ones using ANNs and logistic models. According to the accuracy index, the decision tree model is more efficient than other models; therefore, among the data mining techniques, the weight of each of the input variables of the decision tree is the basis for the final ranking of the research variables