كارايي مدل‌هاي آماري والگوهاي يادگيري ماشين در پيش بيني گزارشگري مالي متقلبانه

The efficiency of statistical and machine learning models in fraud financial statement

وجود تقلب و تداوم آن در صورتهاي مالي،آثار گسترده ­اي بر سلامت مالي شركت­ها و توسعه پايدار بازار سرمايه دارد. روش­ هاي متداول حسابرسي در پيشگيري و كشف صورت هاي مالي متقلبانه، نتوانسته اند با تقلب‌هاي حسابداري نوظهور به دليل فقداند انش موردنيازداده­ كاوي،پيچيدگي تقلب­ هاي جديد و عدم تجربه كافي حسابرسان كناربيايند. در اين پژوهش، انواع مدل­ هاي آماري و يادگيري ماشين در دست­يابي به الگويي با كارايي بالا در پيش­ بيني گزارشگري مالي متقلبانه استفاده شد. از 20 متغير در قالب الگوي پنج ضلعي تقلب با تاكيد بر ساختار كنترل­ هاي داخلي در 166 شركت­ هاي فعال در بورس اوراق بهادار تهران طي سالهاي 1388 الي 1397 و مقايسه بين مدل­هاي مورد بررسي،با كمك آزمـون مقايسـة نسبت­ها،نشان مي‌دهدكه به لحاظ آماري مدل­هاي يادگيري ماشـين در پيش‌بيني گزارشگري مالي متقلبانه نسـبتبـه مدل­هاي آماري،كارايي و دقت بيشتري دارند. تركيب الگوريتم­ درخت تصميم ­گيري CHAID، C5 و C&R بالاترين دقت در پيش ­بيني گزارشگري مالي متقلبانه را با دقت بالاي 92/61 درصد در پيش ­بيني تقلب نشان مي دهد. روش­هاي داده ­كاوي بر پايه مدل­هاي يادگيري ماشين و بويژه تركيب آنها بطور موفقيت ­آميزي در پيش ­بيني و كشف تقلب ­در صورت‌هاي مالي مي تواند مورد استفاده قرار گيرد.