پيش‌بيني تحريف‌هاي حسابداري بر اساس داده كاوي

Predicting Accounting Misstatements Using Data Mining in Firms Listed in Tehran Stock Exchange

تحريف صورت‌هاي مالي پديده‌اي شايع بوده و پيش بيني آن يكي از موضوع‌هاي مهم در حسابداري و حسابرسي است. از اين رو هدف اين مقاله ارائه يك مدل براي پيش‌بيني تحريف‌هاي حسابداري در شركت‌هاي پذيرفته شده در بورس اوراق بهادار تهران است. به اين منظور 23 متغير از چهار بعد اقلام تعهدي، عملكرد مالي، معيارهاي غيرمالي و معيارهاي مبتني بر بازار انتخاب شده است و با استفاده از نمونه‌اي از شركت‌هاي پذيرفته شده در بورس اوراق بهادار تهران مشتمل بر 1303 سالــ شركت (شامل 21 شركت تحريف‌كننده و 168 شركت كنترلي) طي سالهاي 1388 تا 1394 بررسي انجام گرفته است. داده‌هاي شركت‌هاي تحريف‌كننده از طريق بانك اطلاعاتي جامعه حسابداران رسمي و از بين شركت‌هايي كه تحريف آنها اثبات شده بدست آمده است و با استفاده از تكنيك داده‌كاوي شامل درخت تصميم، شبكه‌هاي عصبي و روش بيزين تجزيه و تحليل انجام شده است. نتايج پژوهش نشان مي‌دهد كه اطلاعات صورت‌هاي مالي قدرت بالايي براي پيش بيني تحريف دارند. همچنين نتايج حاكي از ارتباط بين همه مدل‌هاي اقلام تعهدي با شركت‌هاي تحريف‌كننده است. همچنين نتايج نشان مي‌دهد كه روش‌هاي شبكه‌هاي عصبي و بيزين، تحريف در صورت‌هاي مالي را با دقت بيشتري نسبت به روش بيزين پيش بيني مي‌كنند.

Misstating financial statements are becoming rampant phenomena. An important issue for accounting and auditing is the prediction and detection of misstating in financial statements in Firms Listed in Tehran Stock Exchange in order to help identify in the time interval from 2009 to 2016. We investigate the characteristics of misstating firms on various dimensions, we focus on 23 variables including accrual quality (12 variables), financial performance (4 variables), nonfinancial performance (1 variables), and market-related variables (6 variables). We evaluate features from previous studies of detecting fraudulent intention and material misstatements Out of these companies, 189 (21 companies were misstating and 168 were non-misstating) have been selected as the research sample. The data mining methods employed in this research include Decision Trees (REPTree), Artificial Neural Networks (ANNs) and Bayesian Networks. The obtained results indicated that the Bayesian Networks & Artificial Neural Networks methods had a higher performance and in this regard.