بهینه سازی مدل تقلب بنیش در پیش بینی تجدید ارائه صورتهای مالی با استفاده از ترکیب شبکه عصبی و الگوریتم ژنتیک

تجدید ارائه صورت های مالی، به معنی ارائه مجدد اطلاعات مالی سال گذشته به منظور اصلاح اطلاعات نادرست یا افزایش قابلیت مقایسه، یکی از پدیده های رایج در ایران است که موجب سلب اطمینان سرمایه گذاران نسبت به اعتبار و شایستگی مدیریت و کیفیت سودهای گزارش شده می شود. هدف از ارائه این پژوهش ارائه مدل توسعه ای تقلب بنیش ، در شرکت های پذیرفته شده در بورس اوراق بهادار تهران بین سال های 1388 تا 1399 می باشد. داده های 265 شرکت با استفاده از شاخص های منتخب و نهایی مدل تقلب بنیش ( 1999) استخراج و جهت توسعه مدل پیش بینی نیز از الگوریتم شبکه عصبی و ژنتیک استفاده شده است.نتایج پژوهش حاکی از این است که براساس ماتریس درهم ریختگی، دقت و کارآیی مدل بهبود یافته بنیش با الگوریتم ترکیبی شبکه عصبی و ژنتیک در پیش بینی شرکت های تجدید ارائه نشده 78.15 درصد ، شرکت های تجدید ارائه شده 29.63 درصد بوده است. همچنین دقت کلی مدل ارائه شده با الگوریتم ترکیبی شبکه عصبی و ژنتیک 73.21 درصد بوده است.

optimizing benish’s fraud model in forecasting restatement of financial statements using a combination of neural network and genetic algorithm

restatement of financial statements , which means re-presenting last year’s financial information in order to correct incorrect information or increase comparability, is one of the common phenomena in iran, which causes investors to lose confidence in the credibility and competence of management and the quality of reported profits. the purpose of this research is to present the development model of benish fraud in companies admitted to the tehran stock exchange between 2008 and 2019. the data of 265 companies were extracted using the selected and final indicators of benish’s (1999) fraud model, and neural network and genetic algorithms were also used to develop the prediction model. the results of the research indicate that based on the confusion matrix, the accuracy and efficiency of the improved benish model with the combined algorithm of neural network and genetics in predicting unrepresented companies was 78.15%, and re-presented companies was 29.63%. . also, the overall accuracy of the model presented with the combined algorithm of neural network and genetics was 73.21%.