استفاده از شبکه عصبی مصنوعی پیشخور چند لایه در تشخیص گزارشگری مالی متقلبانه در شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشکده مدیریت و اقتصاد، دانشگاه جامع امام حسین (ع)، تهران، ایران

2 دانش‌آموخته کارشناسی ارشد مؤسسه آموزش عالی تابران، مشهد، ایران

3 استادیار گروه مدیریت مالی اسلامی، دانشکده مدیریت و اقتصاد، دانشگاه جامع امام حسین (ع)، تهران، ایران

چکیده

هدف: هدف مقاله استفاده از شبکه عصبی پیشخور چندلایه در تشخیص گزارشگری مالی متقلبانه در شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران است. بر اساس استاندارد 240 حسابرسی تقلب عبارت است از هرگونه اقدام عمدی توسط مدیران اجرایی، کارکنان، مدیران ارشد و اشخاص ثالث که سبب فریبکاری در جهت برخورداری از مزایایی ناروا گردد.

روش‌شناسی: روش آماری مورد استفاده در این پژوهش شبکه عصبی پیشخور چند لایه (لگاریتم سیگموئید) است. جامعه آماری پژوهش پس از اعمال برخی محدودیت‌های موجود در این پژوهش، شامل 520 شرکت پذیرفته‌شده در بورس اوراق بهادار تهران طی دوره زمانی 1399 است.

یافته‌ها: نتایج پژوهش در رابطه با عملکرد شبکه عصبی مصنوعی در تشخیص گزارشگری مالی متقلبانه مثبت است. به بیان الگوی ANN توسعه‌یافته می‌تواند گزارشگری مالی تقلبی را در صورت‌های مالی شناسایی کند.

دانش‌افزایی: یافته‌های این پژوهش به ادبیات روش‌های کشف نشانه‌های تقلب در صورت‌های مالی کمک می‌کند و هم‌چنین می‌توان از آن برای کمک به نقش حسابرس در کشف تحریف‌های با اهمیت منتسب به تقلب استفاده کرد.

Smiley face

اعتمادی، حسین؛ زلقی، حسین (1392)، کاربرد رگرسیون لجستیک در شناسایی گزارشگری مالی متقلبانه، دانش حسابداری، 13(51).
پورحیدری، امید، اعظمی، زینب (1389)، شناسایی نوع اظهار نظر حسابرسان با استفاده از شبکه‌های عصبی، مجله دانش حسابداری، 1 (3): 77 ـ 97.
تاراسی، مجتبی؛ بنی طالبی دهکردی، بهاره و زمانی، بهزاد (1398)، پیش‌بینی گزارش مالی متقلبانه ازطریق شبکه عصبی مصنوعی، فصلنامه علمی پژوهشی حسابداری مدیریت، 12(40).
حقیقت‌خواه، فاطمه و کوچکی، شاهین (1398)، کاربرد هوش مصنوعی در مواجهه با تقلب در حسابداری و مسئولیت حسابرس در قبال تخلف، کنفرانس بین‌المللی مدیریت، حسابداری، اقتصاد و بانکداری در هزاره سوم، تهران.
قهرمانی، علی‌رضا، مهدوی، غلام‌حسین (1392)، ارائه مدلی برای کشف تقلب به‌وسیله حسابرسان با استفاده از شبکه عصبی مصنوعی،  پایان‌نامه، دانشگاه شیراز، دانشکده اقتصاد و علوم اجتماعی.
گشتاسبی، محمد و پورزمانی، زهرا (1398)، ارائه الگوی کشف تقلب به‌وسیله حسابرسان با استفاده از تکنیک‌های هوش مصنوعی، پنجمین کنفرانس بین‌المللی علوم مدیریت و حسابداری، تهران.
مشبکی، اصغر؛ ممبینی، حسین و بخشی‌زاده، علی‌رضا (1394)، تحلیل ورشکستگی شرکت‌های پذیرفته در بورس اوراق بهادار با دو روش تحلیل تشخیصی و مدل افزایشی تحلیل پوششی داده‌ها، 4( 13)پیاپی 13.
رحمانی، حلیمه؛ رجب دری، حسین و خرمین، منوچهر (1396)، بررسی تأثیر نظریه عمل منطقی بر تمایل به بروز تقلب در گزارشگری مالی، فصلنامه علمی پژوهشی دانش حسابداری و حسابداری مدیریت، 6(24).
منابع انگلیسی
ACFE (2020). Report to The Nation on Occupational Fraud and Abuse Global Fraud Study. Association of Certified Fraud Examiners, 1-80.
ACFE. (2018). .Report to The Nation on Occupational Fraud and Abuse Global Fraud Study. Association of Certified Fraud Examiners, 1-80.
Cerullo, M. J., & Cerullo, V. (1999). Using neural networks to predict financial reporting fraud: Part 1. Computer Fraud and Security, 99, 15-3.
 Dechow, P. M., Ge, W., Larson, C. R., & Sloan, R. G. (2011). Predicting Material Accounting Misstatements. Contemporary Accounting Research, 28(1), 17–82.
Denziana, A. (2015). The effect of audit committee quality and internal auditor objectivity on the prevention of fraudulent financial reporting and the impact on financial reporting quality (a survey on state-owned company in Indonesia). International Journal of Monetary Economics and Finance, 8(2), 213–227.
Efstathios.kirkos,Charalambos Spathis,Yannis Manolopoulos.(2007),Data Mining for the detection of fraudulent financial statements,Expert Systems With Applications.32 ,pp.995-1003
Fanning, M.K. and Cogger, K.O. (1998) , ``Neural detection of management fraud using published financial data’’, International Journal of Intelligent Systems in Accounting,Finance and Management, Vol. 7 No. 1, pp. 21-41.
Gaganis , C., Pasiouras, F., & Doumpos, M. (2007). Probabilistic neural networks for the identifycation of qualified audit opinions: Expert System with Applications, 32, 114-124.
Hasnan, S., Mohd Razali, M. H., & Mohamed Hussain, A. R. (2020). The effect of corporate governance and firm-specific characteristics on the incidence of financial restatement. Journal of Financial Crime.
 Kasmir, S.E, M. (2008). No Title. Raja Grafindo Persada.
 Kirkos, E., Spathis, C., & Manolopoulos, Y. (2007). Data Mining techniques for the detection of fraudulent financial statements. Expert Systems with Applications, 32(4), 995–1003.
 Moeller, K. (2009). Intangible and financial performance: Causes and effects. Journal of Intellectual Capital, 10(2), 224–245.
 Omar, N., Johari, Z. A., & Smith, M. (2017). Predicting fraudulent financial reporting using artificial neural network. Journal of Financial Crime, 24(2), 362–387.
 Purniati, A., & Heryana, T. (2018). Jurnal Aset (Akuntansi Riset). Jurnal ASET (Akuntansi Riset, 10(1), 63–74.
 Rahma, D. V., & Suryani, E. (2019). No Title. JURNAL ASET (AKUNTANSI RISET), 11 (2)(Pengaruh Faktor-Faktor Fraud Triangle Terhadap Financial Statement Fraud).
Riany, Meutia. Sukmadilaga, Citra. Yunita, Devianti.(2021).  Detecting Fraudulent Financial Reporting Using Artificial Neural Network, Journal of Accounting Auditing and Business - Vol.4, No.2, 2021.
Soeprajitno, R. R. W. N. (2019). Potensi Artificial Intelligence (Ai) Menerbitkan Opini Auditor ? Jurnal Riset Akuntansi Dan Bisnis Airlangga, 4(1), 560–573. https://doi.org/10.31093/jraba.v4i1.142
Yesiariani, M., & Rahayu, I. (2017). Deteksi financial statement fraud: Pengujian dengan fraud diamond. Jurnal Akuntansi & Auditing Indonesia, 21(1), 49–60.