پيش بيني تقلب صورت‌هاي مالي با استفاده از رويكرد كريسپ (CRISP)

Predicting financial statement fraud using The CRISP approach

هدف اصلي اين مقاله پيش بيني تقلب صورت‌هاي مالي با استفاده از رويكردكريسپ است. داده هاي اوليه مورد بررسي در اين پژوهش، مربوط به نمونه آماري با حجم 164 شركت پذيرفته شده در بورس اوراق بهادار تهران طي مقطع زماني 1396 -1393 مي‌باشد، كه به روش نمونه گيري حذف سيستماتيك انتخاب شده اند. متغيرهاي مستقل تاثير گذار بر تقلب در اين پژوهش در برگيرنده 40 متغير مالي و غير مالي مي باشد كه بر اساس پيشينه پژوهش انتخاب شده اند. در نهايت داده هاي مربوط به متغيرها براساس رويكرد كريسپ، جهت تعيين وزن و ويژگي متغيرهاي بااهميت به مدل آنتروپي شانون و به منظور پيش بيني تقلب به 4تكنيك برتر از بين تكنيكهاي هوش مصنوعي داده شد، كه اين تكنيكها شامل؛ درخت تصميم، شبكه هاي عصبي، ماشين بردار پشتيبان و روش تركيبي آدابوست ماشين بردار پشتيبان مي باشد. با استفاده از آنتروپي شانون از بين 40 متغير پژوهش، 27 متغير برتر براساس ويژگي سود اطلاعاتي، مشخص گرديد، كه متغير نسبت سود انباشته به فروش به عنوان با اهميت ترين متغير در زمينه پيش بيني تقلب صورت هاي مالي شناسايي شده است. پس از بكارگيري رويكرد كريسپ، نتايج نشان داد تمامي تكنيك ها قابليت كشف تقلب صورت‌هاي مالي را در سطح نسبتا بالايي دارند و تكنيك پيشنهادي آدابوست ماشين بردار پشتيبان در مرحله آموزش با نرخ دقت 81.69% داراي دقت و توان ارزيابي بالاتري نسبت به ساير تكنيك ها بوده و اين تكنيك در مرحله آزمايش 82% صورتهاي مالي متقلبانه و غيرمتقلبانه سال 1396 را بدرستي تشخيص داد.

The main purpose of this article is to predict fraudulent financial statements using the CRISP approach. The preliminary data analyzed in this study are from the statistical sample of 164 companies admitted to Tehran Stock Exchange during the period of 2015-2018, which were selected by systematic elimination sampling. The independent variables affecting fraud in this study included 40 financial and non-financial variables that were selected based on antecedent research. Finally, data on variables collected by the library method, based on Crisp approach, to determine the weight and specificity of important variables to the Shannon entropy model and to predict cheating in the top four techniques among intelligence techniques. These techniques include 2 decision trees, neural networks, support vector machines, and the adiabatic hybrid backup vector machine. Using the Shannon entropy out of the 40 research variables, the top 27 variables were identified based on the information profit attribute, which identified the variable cumulative earnings-to-sales ratio as the most important variable in predicting financial statement fraud. After applying the Crisp approach, the results showed that all techniques were capable of detecting financial statements at a relatively high level, and the proposed technique of Adaptive Backup Vector Machine in the training phase with an accuracy rate of 81.69% had higher accuracy and evaluation ability than the other techniques. an‎d this technique correctly identified 82% of fraudulent and non-fraudulent financial statements in the year 2018.