تکنیک‌های داده کاوی و پیش بینی تقلب صورت‌های مالی

هدف پژوهش حاضر مقایسه تکتیک‌های داده کاوی شبکه عصبی، درخت تصمیم، نزدیک ترین همسایگی و ماشین بردار پشتیبان در پیش بینی صورت‌های مالی متقلبانه و غیر متقلبانه است. روش پژوهش توصیفی کاربردی و قلمرو زمانی نیز از سال 1387 تا 1396می باشد. در این پژوهش، نسبت‌های مالی برای دو نمونه متقلب و غیر متقلب و روش‌های داده کاوی مورد تجزیه و تحلیل قرار گرفت. فرضیه های آماری نرمال بودن، همگنی و آزمون هم خطی برای نسبت‌های مالی نمونه های متقلب و غیر متقلب، مورد آزمون قرار گرفت. فرضیه نرمال بودن با استفاده از آزمون کولموگروف اسمیرنوف و آزمون شاپیرو ویلک، انجام پذیرفت. سپس ضریب همبستگی پیرسون در خصوص وجود هم خطی مدل برای نسبت‌های مالی و حذف متغیرهای مستقل همبسته مورد بررسی و آزمون قرار گرفت. در مرحله بعد روشهای داده کاوی برای آزمون آنها در پیش بینی تقلب صورتهای مالی و تمایز صورتهای مالی متقلبانه از غیر منتقلبانه به کار برده شده است. به طور کلی، نتایج حاصل نشان می‌دهد که روش‌های داده کاوی در تمایز صورت‌های مالی متقلبانه از غیر متقلبانه موثر هستند. بدین ترتیب که روش‌ شبکه عصبی 69.4 درصد، درخت تصمیم 65.4 درصد، نزدیکترین همسایگی 64.4 درصد و ماشین بردار پشتیبان 78 درصد پیش بینی صحیح داشته اند.

data mining techniques and forecasting financial statement fraud

the purpose of this study is to compare neural network, decision tree, nearest neighbor and support vector machine data mining techniques in predicting fraudulent and non fraudulent financial statements. the research method is descriptive applied and time domain from 2008 to 2018. in this study, financial ratios for two fraudulent and non fraudulent samples and data mining methods were analyzed. statistical hypotheses of normality, homogeneity and linearity test for financial ratios of fraudulent and non fraudulent samples were tested. the normality hypothesis was tested using kolmogorov smirnov test and shapiro wilk test. then pearson correlation coefficient for the existence of the model for financial ratios and elimination of correlated independent variables was tested. next, data mining methods are used to test them in predicting financial statement fraud and distinguishing fraudulent and non fraudulent financial statements. in general, the results show that data mining methods are effective in differentiating fraudulent and non fraudulent financial statements. the neural network method had a correct prediction of 69.4%, decision tree 65.4%, nearest neighbor 64.4% and support vector machine 78%.