توانايي نسبتهاي مالي در كشف تقلب در گزارشگري مالي: تحليل لاجيت

The Ability of Financial Ratios in Detecting Fradulent Financial Reporting: Logit Analysis

اين مقاله با استفاده از تحليل لاجيت در داده هاي مقطعي به بررسي نقش داده هاي حسابداري در ايجاد يك الگو براي كشف عوامل مرتبط با تقلب در گزارشگري مالي مي پردازد. نمونه آماري اين مطالعه متشكل از 178 شركت (66 شركت متقلب و 112 شركت غيرمتقلب) پذيرفته شده در بورس اوراق بهادار براي دوره زماني 1386-1383 ، است. شركتهاي متقلب بر مبناي 1) شمول شركت در فهرست سازمان بورس و اوراق بهادار به دلايلي مرتبط با تحريف داده هاي مالي و 2) انجام دادن معاملات نهاني و آراي صادر نشده توسط دادگاه در خصوص تحريف در گزارشگري مالي انتخاب شدند. پس از تحليل، ده نسبت مالي به عنوان پيش بيني كننده هاي بالقوه گزارشگري مالي متقلبانه معرفي شد. نتايج تحقيق حكايت از عملكرد مناسب الگو در طبقه بندي شركتهاي نمونه داشت به گونه اي كه درصد صحت طبقه بندي الگو از 98/82 درصد تجاوز نمود. هم چنين نتايج نشان داد كه الگو تحقيق، توانايي كشف تقلب در گزارشگري مالي را دارد و الگوي پيشنهادي مي تواند به گروه هاي مختلف استفاده كننده همچون حسابرسان، مقامات مجاز مالياتي، سيستم بانكي و ... در تمايز شركتهاي متقلب از غيرمتقلب كمك كنند

Using logit analysis in cross section data, this paper examine the role of accounting data to develop a model for detecting factors associated with fraudulent financial reporting. The sample is comprised of 178 firms (66 with fraudulent financial reporting and 112 with non-fraudulent financial reporting) listed in Tehran Stock Exchange (TSE) during the period of 1383-1386. Firms with fraudulent financial reports selected on the basis of 1) Inclution of company in TSE lists for reasons associated with falsification of financial data and 2) doing insider trading and the existence of court proceedings pending with respect to fraudulent financial reporting. After doing analysis ten financial ratios introduced for examination as potential predictors of fraudulent financial reporting. The results indicate that the model is accurate in classifying the total sample correctly with accuracy rate exceeding 82.98 percent. Also, results demonstrate that the models function effectively in detecting fraudulent financial reporting and can be of assistance to various users such as auditors, taxation and other state authorities, the banking system, and so on.