The use of multi-layer feedforward artificial neural network in detecting fraudulent financial reporting in companies admitted to the Tehran Stock Exchange.

Document Type : Original Article

Authors

1 Motaher Audit Institute, Tehran, Iran

2 tabran institute

3 Islamic financial management

Abstract

Purpose: The purpose of the article is to use the multi-layer feedforward neural network to detect fraudulent financial reporting in companies listed on the Tehran Stock Exchange. According to auditing standard 240, fraud is any deliberate action by executives, employees, senior managers and third parties that causes deception in order to obtain undue benefits.

Methodology: The statistical method used in this research is multilayer feedforward neural network (sigmoid logarithm). After applying some limitations in this research, the statistical population of the research includes 520 companies admitted to the Tehran Stock Exchange during the period of 2019.

Findings: The research results are positive regarding the performance of artificial neural network in detecting fraudulent financial reporting. According to the developed ANN model, it can detect fraudulent financial reporting in financial statements.

Knowledge enhancement: The findings of this research contribute to the literature on the methods of detecting signs of fraud in financial statements, and it can also be used to help the auditor's role in detecting significant distortions attributed to fraud.

Keywords

Smiley face

References

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.
Scientific journal of motaher auditing studies
Volume 1, Issue 2 - Serial Number 2
October 2024
Pages 93-113

Files

History

  • Receive Date: 21 July 2023
  • Revise Date: 30 September 2023
  • Accept Date: 25 October 2023
  • Publish Date: 21 June 2024

Share

How to cite

Statistics