نقش مدیریت سود در شناسایی صورت‌های مالی متقلبانه در شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران

هدف: ارائۀ گزارش‌های سالانه منبع باارزشی برای سرمایه‌گذاران، اعتباردهندگان و سایر استفاده‌کنندگان اطلاعات حسابداری است؛ با این حال، بخشی از گزارش‌ها به دلایل مختلف به‌صورت واقعی ارائه نشده است و این موضوع سبب کاهش سودمندی گزارش‌ها می‌شود. مسئلۀ مهم در حسابداری، پیش‎‌بینی و کشف صورت‌های مالی متقلبانه است. روش: این پژوهش برای کمک به شناسایی این صورت‌های مالی، رابطۀ مدیریت سود و صورت‌های مالی متقلبانه را در شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران بررسی کرده است. برای سنجش توانایی الگو‌های مدیریت سود در شناسایی صورت‌های مالی متقلبانه، داده‌های 1303 سال – شرکت (شامل 21 شرکت متقلب و 168 شرکت غیرمتقلب) طی سال‌های 1388 تا 1394 انتخاب و تجزیه و تحلیل با استفاده از روش‌های داده‌کاوی شامل درخت تصمیم، شبکه‌های عصبی و روش بیزین انجام شده است؛ بدین منظور 7 معیار مشهور مدیریت سود استفاده‌شده در پژوهش‌های قبلی بررسی شده است. نتایج: نتایج پژوهش نشان می‌دهد از بین الگو‌های پژوهش، الگوی درخت تصمیم و از بین الگو‌های اقلام تعهدی، الگوی اقلام تعهدی تعدیل‌شدۀ جونز1 (1991) با نسبت ارزش دفتری، بیشترین ارتباط را با صورت‌های مالی متقلبانه دارد.

Evaluating the Role of Earnings Management in Identifying Fraudulent Financial Statements in Companies Listed in Tehran Stock Exchange

Objective: Financial statements are of substantial significance to investors and other players in financial markets. Yet, these statements are sometimes misinforming and misleading. Thus, a potentially intricate issue for financial decisionmakers is the prediction and detection of fraudulent financial statements. Method: This research investigates the relationship between earnings management and fraudulent financial statements in Firms, listed in Tehran Stock Exchange in order to help identify fraudulent financial statements in the time interval from 2009 to 2016. In other words, the objective of this study is to evaluate the ability of the popular discretionary accrual models to detect fraudulent financial statements. For this mission, 189 companies (21 fraudulent companies and 168 nonfraudulent) are selected as the research sample. The data mining methods employed in this research are Decision Trees (REPTree), Artificial Neural Networks (ANNs), and Bayesian Networks. We evaluate the ability of 7 measures derived from the extant discretionary accruals models to detect the existence of fraudulence. Results: The obtained results indicate that among all data mining methods, the Decision Trees method and among all accruals models, the Modified Jones model with booktomarket ratio have the greatest relationship with fraudulent financial statements.