دانشگاه علامه طباطبایی

  اخبار و اعلانات

 آمار

تعداد نشریات61
تعداد شماره‌ها2,227
تعداد مقالات18,270
تعداد مشاهده مقاله56,111,351
تعداد دریافت فایل اصل مقاله29,069,503
پورساعدی, مرضیه, همت فر, محمود, علوی, سید عنایت‌اله, نصیرزاده, رویا. (1404). الگوی تشخیصِ تقلب مالی تحتِ اجرای ارزیابی الگوریتم‌های مطلوبیتِ شبکه عصبی مصنوعی. سامانه مدیریت نشریات علمی, 22(87), 83-134. doi: 10.22054/qjma.2025.82826.2632
مرضیه پورساعدی; محمود همت فر; سید عنایت‌اله علوی; رویا نصیرزاده. "الگوی تشخیصِ تقلب مالی تحتِ اجرای ارزیابی الگوریتم‌های مطلوبیتِ شبکه عصبی مصنوعی". سامانه مدیریت نشریات علمی, 22, 87, 1404, 83-134. doi: 10.22054/qjma.2025.82826.2632
پورساعدی, مرضیه, همت فر, محمود, علوی, سید عنایت‌اله, نصیرزاده, رویا. (1404). 'الگوی تشخیصِ تقلب مالی تحتِ اجرای ارزیابی الگوریتم‌های مطلوبیتِ شبکه عصبی مصنوعی', سامانه مدیریت نشریات علمی, 22(87), pp. 83-134. doi: 10.22054/qjma.2025.82826.2632
پورساعدی, مرضیه, همت فر, محمود, علوی, سید عنایت‌اله, نصیرزاده, رویا. الگوی تشخیصِ تقلب مالی تحتِ اجرای ارزیابی الگوریتم‌های مطلوبیتِ شبکه عصبی مصنوعی. سامانه مدیریت نشریات علمی, 1404; 22(87): 83-134. doi: 10.22054/qjma.2025.82826.2632

الگوی تشخیصِ تقلب مالی تحتِ اجرای ارزیابی الگوریتم‌های مطلوبیتِ شبکه عصبی مصنوعی

مطالعات تجربی حسابداری مالی
مقاله 3، دوره 22، شماره 87، شهریور 1404، صفحه 83-134    اصل مقاله (2.87 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22054/qjma.2025.82826.2632
نویسندگان
مرضیه پورساعدی1؛ محمود همت فر* 2؛ سید عنایت‌اله علوی3؛ رویا نصیرزاده4
1دانشجوی دکتری حسابداری، گروه حسابداری، واحد بروجرد، دانشگاه آزاد اسلامی، بروجرد، ایران
2دانشیار، گروه حسابداری، واحد بروجرد، دانشگاه آزاد اسلامی، بروجرد، ایران
3استادیار گروه کامپیوتر، دانشکده مهندسی، دانشگاه شهید چمران اهواز، اهواز، ایران
4استادیار، گروه آمار، دانشکده علوم، دانشگاه فسا، فسا، ایران
چکیده
هدف این مطالعه، مدل‌سازیِ تشخیصِ تقلب مالی شرکت‌ها تحتِ اجرای ارزیابی الگوریتم‌های مطلوبیتِ شبکه عصبی مصنوعی می‌باشد. در این مطالعه با استفاده از فرآیندهای برنامه‌ریزی مجذوری « » در الگوریتم‌های شبکه عصبی مصنوعی، تلاش شده است تا طی چندین مرحله بر اساس داده‌های زمانی 1392 تا 1401، اقدام به تعیین الگوریتم پایه در وهله‌ی اول و انتخاب پارامترهای تکنیکال شبکه عصبی مصنوعی در وهله‌ی دوم گردد. سپس با توسعه یک مدل تشخیصی بر اساس دو مقیاس آزمون و کنترل، الگوریتم‌هایی فر ابتکاری که بالاترین ضرایب دقت در پیش‌بینی صحت تقلب مالی را دارند، در سطح شرکت‌های بازار سرمایه موردبررسی قرار گیرند. لذا بر اساس فرآیند نمونه‌گیری سیستماتیک، تعداد 95 شرکت بورس اوراق بهادار انتخاب شدند تا بر اساس 950 مشاهده (سال-شرکت)، حد فاصل شرکت‌های دارای سلامت مالی با شرکت‌های دارای احتمال تقلب مالی از طریق دهک‌بندی تعیین گردد و شرکت‌های قرارگرفته در دهک‌های دارای تقلب مالی، از طریق پارامترهای مطلوبیت شبکه عصبی مصنوعی موردبررسی قرار گیرند. نتایج مطالعه نشان داد، الگوریتم یادگیری بدون نظارت که شامل مجموعه پارامترهای ارزیابی مبتنی بر الگوریتم فرا ابتکاری است، از صحت پیش‌بینی‌های مبتنی بر داده‌های برآورده شده بالاتری برخوردار می‌باشد. همچنین نتایج ناشی از صحت پیش‌بینی تقلب‌های مالی شرکت‌های دهک‌بندی‌شده بر اساس دو الگوریتم انتخابی ژنتیک و کلونی زنبورعسل نشان می‌دهد، الگوریتم کلونی زنبورعسل از ضریب دقت بالاتری در پیش‌بینی صحت احتمال تقلب شرکت‌های موردبررسی برخوردار است. همچنین مشخص شد، نسبت سود خالص به فروش مهم‌ترین معیار ارزیابی دقت پیش‌بینی احتمال تقلب در شرکت‌های موردبررسی می‌باشد.
کلیدواژه‌ها
تقلب مالی؛ شبکه عصبی مصنوعی؛ برنامه‌ریزی مجذوری
مراجع
  1. آشاروزنیا، کتایون.، پورآقاجان، عباسعلی.، نسل‌موسوی، سیدحسین. (1402). رویکردی نوین به پیش‌بینی تقلب در صورت‌های مالی (مقایسه مدل‌های سنتی و شبیه‌سازی و مدرن)، تحقیقات حسابداری و حسابرسی، 15(57): 141-160. https://doi.org/ 10.22034/iaar.2023.172761
  2. اعتمادی، حسین.، عبدلی، لیلا. (1396). کیفیت حسابرسی و تقلب در صورت‌های مالی، دانش حسابداری مالی، 4(4): 23-43. https://jfak.journals.ikiu.ac.ir /article_1308.html?lang=fa
  3. بهرامی، آسو.، نوروش، ایرج.، راد، عباس.، محمدملقرنی، عطااله. (1400). تقلب در صورت‌های مالی و تکنیک‌های نوین مورد استفاده جهت کشف آن، مطالعات حسابداری و حسابرسی، 10(38): 105-118. https://doi.org/10.22034/iaas.2021.13454
  4. تشدیدی، الهه.، سپاسی، سحر.، اعتمادی، حسین.، آذر، عادل. (1398). ارائه رویکردی نوین در پیش‌بینی و کشف تقلب صورت‌های مالی با استفاده از الگوریتم زنبور عسل، مجله دانش حسابداری، 10(3): 139-167. https://doi.org/10.22103/jak.2019.13616.2927
  5. جعفری، محمد.، رضایی، ندا.، سلگی، محمد. (1402). استفاده از شبکه عصبی مصنوعی پیشخور چند لایه در تشخیص گزارشگری مالی متقلبانه در شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران، مطالعات حسابرسی مطهر، 1(2): 93-113. https://masj.ihu.ac.ir /article_208557.html
  6. حسن‌پور، داود.، ولیان، حسن.، صفری‌گرایلی، مهدی.، طهماسبی‌زاده، رضا. (1399). بکارگیری مدل‌های تئوری راف توسعه‌یافته ( ) و تحلیل تفسیری-ساختاری ( ) و درخت تصمیم ( ) برای کمک به حسابرسان جهت شناخت تقلب در صورت‌های مالی شرکت‌های پذیرفته شده در بورس اوراق بهادار ایران، دانش سرمایه‌گذاری، 9(33): 179-208. http://www.jik-ifea.ir/article_15665.html?lang=en
  7. دادگر، یداله.، درگاهی، حسن.، قلی‌زاده، سعید. (1402). نقش احساسات سرمایه‌گذاران و رفتار دولت در نوسانات بازار بورس اوراق بهادار تهران: رویکرد اقتصاد رفتاری، نظریه‌های کاربردی اقتصاد، 10(1): 191-214. https://doi.org/10.22034 /ecoj.2023.53000.3091
  8. ملکی‌کاکلر، حسن.، بحری‌ثالث، جمال.، جبارزاده‌کنگرلویی، سعید.، آشتاب، علی. (1400). کارایی مدل‌های آماری و الگوهای یادگیری ماشین در پیش‌بینی گزارشگری مالی متقلبانه، نشریه اقتصاد مالی، 15(54): 267-292. https://doi.org/ 20.1001.1.25383833.1400.15.54.11.2
  9. Blakley, M. (2009). Fraud detection using a database platform. Available online at: http://www.slideshare.net/mblakley
  10. Bockel-Rickermann, Ch., Verdonck, T., & Verbeke, W. (2023). Fraud analytics: A decade of research: Organizing challenges and solutions in the field. Expert Systems with Applications, 232(2), 65-89. https://doi.org/10.1016/j.eswa.2023.120605
  11. Craja, P., Kim, A., & Lessmann, S. (2020). Deep learning for detecting financial statement fraud, Decision Support Systems, 139(2), 47-71. https://doi.org/10.1016/j.dss.2020.113421
  12. Dezoort, F. T., & Lee, Th. A. (1998). The Impact of SAS No. 82 on Perceptions of External Auditor Responsibility for Fraud Detection. International Journal of Auditing, 2(2), 167-182. https://doi.org/10.1111/1099-1123.00037
  13. du Toit, E. (2024). The red flags of financial statement fraud: a case study. Journal of Financial Crime, 31(2), 311-321. https://doi.org/10.1108/JFC-02-2023-0028
  14. Foster, M. (2015). Toshiba scandal sheds harsh light on Japan's corporate governance. https://www.theguardian.com/business/2015/jul/21/toshiba-scandal-sheds-harsh-light-on-japans-corporate-governance
  15. Francis, S. A., & Justine, C. (2023). Corruption and National Development: The Consequential Effects on the Sustainability in Ghana. American Journal of Multidisciplinary Research and Innovation, 2(3), 32–40. https://doi.org/10.54536/ajmri.v2i3.1434
  16. He, H., Shang, Y., Yang, X., Di, Y., Lin, J., Zhu, Y., ... & Chai, Z. (2019). Constructing an associative memory system using spiking neural network. Frontiers in neuroscience, 13, 650.
  17. Hidayattullah, S., Surjandari, I., & Laoh, E. (2020). Financial Statement Fraud Detection in Indonesia Listed Companies using Machine Learning based on Meta-Heuristic Optimization. International Workshop on Big Data and Information Security (IWBIS), Depok, Indonesia, 79-84. https://doi.org/10.1109/IWBIS50925.2020.9255563
  18. Jiang, W., & Cui, H. (2019). The View on Curbing Financial Fraud of Listed Companies, Proceedings of the 2019 International Conference on Economic Management and Cultural Industry (ICEMCI 2019), 1-21. https://doi.org/10.2991/aebmr.k.191217.069
  19. Lisbinski, F.C., & Burnquist, H.L. (2024). Institutions and financial development: Comparative analysis of developed and developing economies, Economia, 25(2), 347-376. https://doi.org/10.1108/ECON-11-2023-0201
  20. Lusardi, A., & Mitchell, O. S. (2014). The Economic Importance of Financial Literacy: Theory and Evidence. Journal of Economic Literature, 52(1), 5-44. https://doi.org/10.1257/jel.52.1.5
  21. Motie, S., & Raahemi, B. (2024). Financial fraud detection using graph neural networks: A systematic review. Expert Systems with Applications, 240(2), 101-125. https://doi.org/10.1016/j.eswa.2023.122156
  22. Ngai, E.W.T., Hu, Y., Wong, Y. H., Chen, Y., & Sun, X. (2011). The application of data mining techniques in financial fraud detection: A classification framework and an academic review of literature. Decision Support Systems, 50(3), 559-569. https://doi.org/10.1016/j.dss.2010.08.006
  23. Ran, R., Wang, L., & Fu, L. (2023). Exploring the Existence of Efficiency in the Financial Markets. Advances in Economics Management and Political Sciences, 13(1), 335-342. https://doi.org/10.54254/2754-1169/13/20230741
  24. Sargiacomo, M., Everett, J., Ianni, L., & D'Andreamatteo, A. (2024). Auditing for fraud and corruption: A public-interest-based definition and analysis, The British Accounting Review, 56(2), 1-23. https://doi.org/10.1016/j.bar.2024.101355
  25. Sender, H., Weinland, D., & Hume, N. (2020). Luckin Coffee scandal catches and world's most powerful investors. https://www.ft.com/content/59191f9d-f2ce-4dda-8756-283aae6e9e83
  26. Shoetan, Ph. O., & Familoni, B. T. (2024). Transforming Fintech Fraud Detection with Advanced Artificial Intelligence Algorithms, Finance & Accounting Research Journal, 6(4), 602-625. https://doi.org/10.51594/farj.v6i4.1036
  27. Smaili, N., Arroyo, P., & Issa, F.A. (2022). The dark side of blockholder control: evidence from financial statement fraud cases. Journal of Financial Crime, 29(3), 816-835. https://doi.org/10.1108/JFC-05-2021-0113
  28. Spann, D. D. (2013). Fraud Analytics: Strategies and Methods for Detection and Prevention, Wilet Corporate F&A, 3rd Edition.
  29. Teichmann, F., Boticiu, S. R., & Sergi, B. (2023). Wirecard scandal. A commentary on the biggest accounting fraud in Germany’s post-war history. Journal of Financial Crime, 2(3), 37-56. https://doi.org/10.1108/JFC-12-2022-0301
  30. Uras, B. R. (2020). Finance and development: Rethinking the role of financial transparency. Journal of Banking & Finance, 111(1), 45-61. https://doi.org/10.1016/j.jbankfin.2019.105721
  31. Zhang, X., Su, J., & Zhou, L. (2022). Fraud identification of financial reports based on neural network algorithm, 40th Chinese Control Conference (CCC), Shanghai, China, pp. 8045-8049. https://doi.org/10.23919/CCC52363.2021.9549887
  32. Zhou, Y., Xiao, Zh., Gao, R., & Wang, Ch. (2024). Using data-driven methods to detect financial statement fraud in the real scenario. International Journal of Accounting Information Systems, 54(2), 1-31. https://doi.org/10.1016/j.accinf.2024.100693
آمار
تعداد مشاهده مقاله: 853
تعداد دریافت فایل اصل مقاله: 503


login