fa مدل‌سازی متغیرهای اثرگذار برکشف تقلب در صورت‌های مالی با استفاده از تکنیک‌های داده‌کاوی تخصصي Special پژوهشي Research <p dir="RTL">رسوایی‌ها و شکست‌های شرکتی اخیر اطمینان سرمایه‌گذاران نسبت به درست و منصفانه بودن حساب‌های واحدهای تجاری را مخدوش کرده است. در بیش‌تر موارد گزارش شده، مدیریت از طریق دستکاری صورت‌های مالی شرکت برای انعکاس نتایج دلخواه خود به عموم به کلاهبرداری و پنهان ساختن آن مبادرت کرده است. از این رو، در محیطی پویا از تقلب در صورت‌های مالی، تکنولوژی‌های مبتنی بر آمار و یادگیری ماشینی یک راهکار اثربخش برای پیشگیری و کشف تقلب هستند. بنابراین در این پژوهش به بررسی این مساله پرداخته می‌شود که آیا می‌توان از طریق شناسایی و انتخاب متغیرهای اثرگذار در کشف تقلب در صورت‌های مالی و با بکارگیری تکنیک‌های داده‌کاوی مدلی برای کشف تقلب در صورت‌های مالی شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران ارایه کرد؟ برای پاسخگویی به این سوال از 40 متغیر مالی و غیر مالی به همراه تکنیک‌های داده‌کاوی شبکه عصبی مصنوعی، شبکه بیزین و الگوریتم بوستینگ استفاده گردید. یافته‌های پژوهش بیان‌گر وجود شواهدی دال بر عملکرد مناسب مدل‌های پیشنهادی برای پیش‌بینی تقلب در صورت‌های مالی است. نتایج حاصل از انتخاب ویژگی به روش مبتنی بر همبستگی حاکی از سودمندی متغیرهای نسبت پوشش بهره، نسبت حساب‌های دریافتنی به کل دارایی‌ها، نسبت موجودی کالا به فروش خالص، نسبت نقدی، لگاریتم طبیعی فروش، نسبت سود خالص به فروش و نسبت جمع دارایی‌های جاری به کل دارایی‌ها برای کشف تقلب بود.</p> <p>Recent scandals and corporate failures have shaken the confidence of investors as accounts which were purported to reflect a &ldquo;true and fair view&rdquo; of businesses have been misleading. In most of the reported cases management have defrauded the company and covered it up by manipulating the financial statements of the company to reflect what management wanted the public to see. Statistics and machine learning based technologies have been shown to be an effective way to deter and defect fraud. Therefore, this study deals with the identification and selection of financial and non-financial variables related to fraudulent financial statements and investigates the effectiveness of Data Mining techniques in detecting firms that issue fraudulent financial statements. To achieve this aim 40 financial and non-financial variables derived from financial statements of listed companies in Tehran Stock Exchange (TSE). We consider Data Mining based financial fraud detection techniques such as Artificial Neural Networks (ANN), Bayesian Networks (BN) and Random Forest (RF) in order to identify fraud. The results suggest that Data Mining techniques have a good ability to detect financial statements fraud. The three models are compared in terms of their performance. The results of Wilcoxon signed-rank test indicates that The Random Forest algorithm and Bayesian Networks outperforms the other model. Artificial Neural Networks also achieve good performance.</p> کشف تقلب, تقلب در صورت‌های مالی, داده‌کاوی, بورس اوراق بهادار تهران. Fraud Detection, Financial Statements Fraud, Data Mining, Tehran Stock Exchange. 23 50 http://qfaj.mobarakeh.iau.ir/browse.php?a_code=A-10-111-5&slc_lang=fa&sid=1 Shokrollah Khajavi شکراله خواجوی shkhajavi@rose.shirazu.ac.ir 10031947532846008943 10031947532846008943 Yes Shiraz University دانشگاه شیراز، شیراز، ایران Mehrdad Ebrahimi مهرداد ابراهیمی mehrdadebrahimi66@gmail.com 10031947532846008944 10031947532846008944 No Shiraz University دانشگاه شیراز، شیراز، ایران