کارایی مدل‌های آماری والگوهای یادگیری ماشین در پیش بینی گزارشگری مالی متقلبانه

وجود تقلب و تداوم آن در صورتهای مالی،آثارگسترده ای بر سلامت مالی شرکت ها و توسعه پایدار  بازار سرمایه  دارد. روش های متداول حسابرسی در پیشگیری و کشف صورت های مالی متقلبانه، نتوانسته اند با تقلب‌های حسابداری نوظهور به دلیل فقدان دانش مورد نیازداده کاوی، پیچیدگی تقلب های جدید و عدم تجربه کافی حسابرسان کناربیایند. در این پژوهش، انواع مدل های آماری و یادگیری ماشین در دست یابی به الگویی با کارایی بالا در پیش بینی گزارشگری مالی متقلبانه استفاده شد. از 20 متغیر در قالب الگوی پنج ضلعی تقلب با تاکید بر ساختار کنترل های داخلی در 166 شرکت های فعال در بورس اوراق بهادار تهران طی سالهای 1388 الی 1397 و مقایسه بین مدل های مورد بررسی، با کمک آزمون مقایسه نسبت ها، نشان می‌دهد که به لحاظ آماری مدل های یادگیری ماشین در پیش‌بینی گزارشگری مالی متقلبانه نسبتبه مدل های آماری، کارایی و دقت بیشتری دارند. ترکیب الگوریتم درخت تصمیم گیری chaid، c5 و c&r بالاترین دقت در پیش بینی گزارشگری مالی متقلبانه را با دقت بالای 92.61 درصد در پیش بینی تقلب نشان می دهد. روش های داده کاوی بر پایه مدل های یادگیری ماشین و بویژه ترکیب آنها بطور موفقیت آمیزی  در پیش بینی و کشف تقلب در صورت‌های مالی می تواند مورد استفاده قرار گیرد.