كشف تقلب در صورت‌هاي مالي: تحليل تفاوت بين تكنيك‌هاي داده‌كاوي و قضاوت

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

هدف پژوهش حاضر، شناسايي و رتبه‌بندي عوامل مؤثر بر كشف تقلب صورت‌هاي مالي با استفاده از تكنيك قضاوت به روش فرآيند سلسله مراتبي و تكنيك‌هاي داده‌كاوي مي‌باشد. جامعه‌ي آماري شامل حسابرسان ارشد، سرپرستان، سرپرستان ارشد، مدير حسابرسي و شريك مؤسسه‌ي و همچنين شركت‌هاي بورس اوراق بهادار تهران مي‌باشد. در راستاي هدف پژوهش، تعداد 56 پرسش‌نامه و داده‌هاي 109 شركت بورسي طي دوره‌ي زماني 1391 تا 1396 گردآوري و مورد تحليل قرار گرفت. بر اساس تكنيك قضاوت، بعد فشار اولويت اول، فرصت دومين عامل و توجيه به‌عنوان سومين عامل مؤثر بر كشف تقلب رتبه‌بندي مي‌شوند كه اين نتايج با ساير تكينك-ها تفاوت دارد. از لحاظ تجربي، رويكردهاي شبكه‌ي عصبي و درخت‌ تصميم‌ در طبقه‌بندي صحيح نمونه‌ي مورد آموزش و آزمايش شبكه از نرخ دقت 98/65 درصد (شبكه‌ي عصبي)، 91/5 درصد (درخت‌ تصميم‌) و 69/79 درصد (شبكه‌ي عصبي)، 69/10 درصد (درخت‌ تصميم‌) برخوردار است، كه از مدل لجستيك دقيق‌تر مي‌باشد كه در اين روش تنها به 72/32 درصد و 88/10 درصد طبقه‌بندي صحيح در ارزيابي وقوع تقلب مي‌رسد. علاوه بر اين، به طور قابل توجه خطاي نوع دوم ناشي از مدل درخت‌ تصميم در مقايسه با بكارگيري شبكه‌ي عصبي و مدل‌ لجستيك از 58/18 درصد و 72/7 درصد به 55/6 درصد كاهش مي‌يابد. با توجه به شاخص دقت، مدل درخت تصميم نسبت به ساير مدل‌ها از كارآيي بيشتري برخوردار است؛ بنابراين از بين تكنيك‌هاي داده‌كاوي، وزن هر كدام از متغيرهاي ورودي مدل درخت تصميم مبناي رتبه‌بندي نهايي متغيرهاي پژوهش قرار گرفته است.

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 2012-2017 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