دانشگاه علامه طباطبایی

  اخبار و اعلانات

 آمار

تعداد نشریات63
تعداد شماره‌ها2,246
تعداد مقالات18,502
تعداد مشاهده مقاله57,151,616
تعداد دریافت فایل اصل مقاله29,328,108
باقریان کاسگری, عباس, رئیسی وانانی, ایمان, امیری, مقصود, همایون, سعید. (1403). شناسایی تقلب مالی در شرکت‌های سهامی‌عام با استفاده معیارهای مالی وغیرمالی با رویکرد یادگیری ماشین. سامانه مدیریت نشریات علمی, 13(50), 99-142. doi: 10.22054/ims.2024.78018.2434
عباس باقریان کاسگری; ایمان رئیسی وانانی; مقصود امیری; سعید همایون. "شناسایی تقلب مالی در شرکت‌های سهامی‌عام با استفاده معیارهای مالی وغیرمالی با رویکرد یادگیری ماشین". سامانه مدیریت نشریات علمی, 13, 50, 1403, 99-142. doi: 10.22054/ims.2024.78018.2434
باقریان کاسگری, عباس, رئیسی وانانی, ایمان, امیری, مقصود, همایون, سعید. (1403). 'شناسایی تقلب مالی در شرکت‌های سهامی‌عام با استفاده معیارهای مالی وغیرمالی با رویکرد یادگیری ماشین', سامانه مدیریت نشریات علمی, 13(50), pp. 99-142. doi: 10.22054/ims.2024.78018.2434
باقریان کاسگری, عباس, رئیسی وانانی, ایمان, امیری, مقصود, همایون, سعید. شناسایی تقلب مالی در شرکت‌های سهامی‌عام با استفاده معیارهای مالی وغیرمالی با رویکرد یادگیری ماشین. سامانه مدیریت نشریات علمی, 1403; 13(50): 99-142. doi: 10.22054/ims.2024.78018.2434

شناسایی تقلب مالی در شرکت‌های سهامی‌عام با استفاده معیارهای مالی وغیرمالی با رویکرد یادگیری ماشین

مطالعات مدیریت کسب و کار هوشمند
مقاله 3، دوره 13، شماره 50، آذر 1403، صفحه 99-142    اصل مقاله (1.78 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22054/ims.2024.78018.2434
نویسندگان
عباس باقریان کاسگری* 1؛ ایمان رئیسی وانانی2؛ مقصود امیری3؛ سعید همایون4
1دانشجوی دکتری رشته مدیریت فناوری اطلاعات، دانشگاه علامه طباطبائی، تهران، ایران نویسنده مسئول: AbbasBagherian@yahoo.com
2دانشیار گروه مدیریت صنعتی، دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبائی ، تهران، ایران
3استاد گروه مدیریت صنعتی، دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبائی ، تهران، ایران
4دانشیار گروه حسابداری، دانشگاه گوله، گوله، سوئد.
چکیده
بیشتر سیستم‌های تشخیص تقلب سنتی برای شناسایی تقلب مالی، صرفا معیار‌های مالی را در نظر می‌گیرند که به نظر می‌رسد درحالیکه این احتمال وجود دارد که شرکت‌های متقلب علاوه بر تقلب‌های مالی، مرتکب سایر انواع تقلبهای غیر مالی نیز شوند. اگرچه تحقیقات اخیر، بیش از حد بر اهمیت داده های مالی به عنوان تنها فاکتور پیش‌بینی‌کننده تقلب تأکید کرده‌اند؛ هیچ مطالعه‌ای بر معیارهای غیر مالی یا ESG به عنوان یک فاکتور کمکی برای برای پیش‌بینی تقلب انجام نشده است. لذا هدف این تحقیق این است که با ارائه یک مدل یادگیری ماشینی پیشرفته و یادگیری عمیق، امکان بهبود پیش‌بینی تقلب‌های بر اساس ترکیبی از داده‌های مالی و ESG، را بررسی نماید. در این پژوهش با استفاده از الگوریتم های نظارت‌شده یادگیری ماشین و یادگیری عمیق، به بررسی چگونگی شناسایی تقلب مالی در بازه زمانی 10 ساله منتهی به سال 1401 پرداخته می شود. این تحقیق به طور نوآورانه‌ای نشان داد که استفاده از مدل ترکیبی مبتنی بر داده‌های مالی ومعیارهای غیرمالی قدرت پیش‌بینی‌کننده‌ای بهتری برای تقلب‌های مالی نسبت به تکیه صرف بر داده‌های مالی دارد. مطابق یافته های این تحقیق، در پاسخ به پرسش اول این تحقیق، در میان الگوریتم‌های یادگیری ماشین و یادگیری عمیق، بالاترین کارایی در برای الگوریتم طبقه‌بندی یا Bagging مشاهده گردید. همچنین یافته های این تحقیق در خصوص سوال دوم تحقیق نشان می دهد که مجموعه داده‌ای همه ویژگی‌ها(مدل ترکیب داده‌های مالی و غیرمالی) کارایی بهتری در مقایسه با مجموعه داده‌های مالی به تنهایی) و غیرمالی به تنهایی داشته است.
کلیدواژه‌ها
سیستم‌های هوشمند کشف تقلب؛ یادگیری عمیق؛ یادگیری ماشین؛ معیارهای مالی؛ معیارهای غیر مالی
مراجع
  1. استراوس، انسلم؛ کربین، جولیت. (1394). مبانی پژوهش کیفی: فنون و مراحل تولید نظریه زمینه‌ای. ابراهیم افشار، تهران: نشر نی.
  2. باقریان، عباس. (1385). بورس الکترونیک؛ استانداردها و سیستم‌های هوشمند نظارتی. در اولین همایش سراسری بورس الکترونیک (ص. 1-10). قزوین: دانشگاه آزاد اسلامی واحد قزوین. https://www.civilica.com/Paper-SEB01-SEB01_001.html
  3. بولو، قاسم، برزیده، فرخ، اله‌یاری ابهری، حمید. (1399). الگویی برای ارزیابی خطر تقلب در حسابرسی صورت‌های مالی. مجله دانش حسابداری، 11(4)، 25-45. doi:10.22103/jak.2020.15880.3254.
  4. بهرامی، آسو، نوروش، ایرج، راد، عباس و محمد ملقرنی، عطااله. (1400). تقلب در صورت‌های مالی و تکنیک‌های نوین مورداستفاده جهت کشف آن. مطالعات حسابداری و حسابرسی، 10(38)، 105-118. doi:10.22034/iaas.2021.134547.
  5. ثقفی، دکتر علی و بهار مقدم، دکتر مهدی. (1387). محرک‌های مؤثر بر مدیریت سود. توسعه و سرمایه، 1(2)، 103-125. doi:10.22103/jdc.2008.1894.
  6. جلال جمالی، علی اصغر متقی و احمد محمدی. (1400). مطالعه مقایسه‌ای الگوهای پیش‌بینی ورشکستگی و ارائه الگوی بهینه برای محیط اقتصادی ایران. توسعه و سرمایه، 6(2)، 111-134. doi:10.22103/jdc.2022.18728.1187.
  7. جهانگیر یاری. (1387). بررسی موانع ایجاد سازمان یادگیرنده در مرکز آموزش ایران خودرو. سال اول، شماره 4، زمستان.
  8. حسن حکمی. (1392). رویکرد شناختی؛ تاریخچه، بینایی و توجه، علوم شناختی و هوش ماشین.
  9. دانیل رایف، استفن لیسی و فریدریک جی. فیکو. (1385). چاپ دوم، تحلیل پیام‌های رسانه‌ای (کاربرد تحلیل محتوای کمی در تحقیق). ترجمه مهدخت بروجردی علوی، تهران: سروش.
  10. رضائیان، علی. (1377). تجزیه و تحلیل و طراحی سیستم. تهران: سمت.
  11. رئیسی وانانی، ایمان، باقریان کاسگری، عباس، امیری، مقصود و همایون، سعید. (1402). تحلیل محتوای دو دهه پژوهش‌های سیستم‌های هوشمند نظارتی برای شناسایی تقلب مالی. توسعه و سرمایه. doi:10.22103/jdc.2023.22263.1426.
  12. سرمد، زهره، بازرگان، عباس و حجازی، الهه. (1390). روش‌های تحقیق در علوم رفتاری. تهران: نشر آگه.
  13. سنگه، پیتر. (1377). پنجمین فرمان. ترجمه حافظ کمال هدایت و محمد روشن. تهران: نشر سازمان مدیریت صنعتی.
  14. سیاوش شایان، سید فاطمه نوربخش و همکاران. (1395). تئوری پیچیدگی و رویکرد کلاژیسم در سیستم‌های ژئومورفیک. مطالعات جغرافیایی مناطق خشک، 6(20)، بهار.
  15. شکوهی فرد، سیامک، ابوالحسنی، اصغر و فرهنگ، امیرعلی. (1400). اثرات فساد بر شکنندگی مالی در ایران: رهیافت رگرسیون کوانتایل. توسعه و سرمایه، 6(2)، 93-110. doi:10.22103/jdc.2021.18460.1169.
  16. فاضلی، ن.ا. (1376). آموزش، تحقیق و ترویج (تحلیل محتوای نامه علوم اجتماعی). نمایه پژوهش، 1(1)، 1-16.
  17. قائدی، محمدرضا و همکاران. (1395). روش تحلیل محتوا: از کمی‌گرایی تا کیفی‌گرایی. فصلنامه علمی-پژوهشی «روش‌ها و مدل‌های روانشناختی»، 7(23)، 57-82.
  18. قربانیان، امیر، عبدلی، محمدرضا، ولیان، حسن و بودلائی، حسن. (1402). ارزیابی کارکردهای حسابرسی داخلی شهروندِ شرکتی. توسعه و سرمایه، 8(1)، 143-165. doi:10.22103/jdc.2022.19858.1273.
  19. قیومی، مهدی. (2022). یادگیری عمیق در عمل. دانشگاه کرنل. ISBN 9780367458621.
  20. کاظمی، توحید. (1395). انتخاب سبد سهام بهینه از بین سهام شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران با استفاده از الگوریتم مورچگان. پایان‌نامه کارشناسی ارشد، رشته حسابداری، دانشگاه آزاد اسلامی واحد تهران مرکز.
  21. کردستانی، دکتر غلامرضا و آشتاب، علی. (1388). پیش‌بینی مدیریت سود بر مبنای تعدیل سود هر سهم. توسعه و سرمایه، 2(2)، 141-158. doi:10.22103/jdc.2009.1912.
  22. کمیته تدوین استانداردهای حسابداری. (d.). استانداردهای حسابداری. سازمان حسابرسی.
  23. کودره، دیوید. (1391). پیشگیری و کشف تقلب به کمک رایانه. ترجمه امیر پوریانسب و آیدا پوریا نسب. تهران: انتشارات هوشیار ممیز.
  24. گل ایری، تحفه، کرد، صفوره و خاری، رضا. (1399). مسئولیت حسابرس و کشف تقلب. شباک، 6(6)، 135-142. SID. https://sid.ir/paper/525408/fa.
  25. گلدمن، پیتر و کافمن، هیلتون. (1395). راهنمای کاربردی ریسک‌های تقلب و کنترل‌های ضد تقلب. ترجمه امیر پوریانسب و محسن قاسمی. تهران: انتشارات حساب افزار ایرانیان.
  26. مدرس، دکتر احمد و افلاطونی، عباس. (1388). مدیریت سود در شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران. توسعه و سرمایه، 2(2)، 51-72. doi:10.22103/jdc.2009.190.
  27. محمدرضا قدوسی و همکاران. (1398). ارائه چارچوب حکمرانی دانش در شبکه‌های اجتماعی. دو فصلنامه علمی مدیریت اطلاعات، 5(1).
  28. مشایخی، بیتا و همکاران. (1392). تدوین مدل کیفیت حسابرسی. فصلنامه بورس و اوراق بهادار، 6(23)، 103-137.
  29. منصور صادقی ما لامیری. (1393). رفتارهای سه‌گانه بخل، میانه‌روی و اسراف از دیدگاه سیستمی. دو فصلنامه علمی پژوهشی مدیریت اسلامی، 22(1)، 141-166.
  30. میریعقوب سیدرضایی. (1395). تنوع‌بخشی و پیچیده‌سازی سیستم اداری به منزله الگویی برای اداره بهینه پایتخت. فصلنامه تحقیقات جغرافیایی، 31(4)، زمستان.
  31. مؤمنی راد، اکبر؛ علی آبادی، خدیجه؛ فردانش، هاشم؛ و مزینی، ناصر. (1392). تحلیل محتوای کیفی در آیین پژوهش: ماهیت، مراحل و اعتبار نتایج. اندازه‌گیری تربیتی، 4(14).
  32. مهرانی، دکتر ساسان، گنجی، حمیدرضا، تحریری، آرش و عسکری، محمدرضا. (1388). ارزیابی رتبه‌بندی شرکت‌ها بر اساس اطلاعات حسابداری و غیرحسابداری و مقایسه آن با رتبه‌بندی شرکت‌ها در بورس اوراق بهادار تهران. توسعه و سرمایه، 2(1)، 7-32. doi:10.22103/jdc.2009.1899.
  33. نمازی، دکتر محمد و ناظمی، امین. (1387). مروری بر پژوهش‌های حسابداری انجام شده در بورس اوراق بهادار تهران. توسعه و سرمایه، 1(2)، 9-48. doi:10.22103/jdc.2008.1891.
  34. نویدی عباس پور، ابراهیم و واعظی، جمیله. (1401). عوامل تعیین‌کننده توانایی حسابرسی برای کشف تقلب: عوامل داخلی و خارجی. مطالعه موردی: حسابرسان مؤسسات حسابرسی عضو جامعه حسابداران رسمی ایران. دوازدهمین کنفرانس بین‌المللی پژوهش‌های نوین در مدیریت، اقتصاد، حسابداری و بانکداری. https://civilica.com/doc/1566301.
  35. هولستی، آل. آر. (1373). تحلیل محتوا در علوم اجتماعی و انسانی. ترجمه نادر سالارزاده امیری. تهران: انتشارات دانشگاه علامه طباطبایی (تاریخ ترجمه اثر به زبان اصلی 1969).
References

  1. (2018). The extents of neuroscience and neuropsychology in the study of artificial intelligence. IRA-International Journal of Applied Sciences, 13(3).
  2. Á. Alonso, et al. (2019). An identity framework for providing access to FIWARE OAuth 2.0-based services according to the eIDAS European Regulation. IEEE Access, 7, 88435-88449. https://doi.org/10.1109/ACCESS.2019.2926556
    1. Ozbayoglu, M. U. Gudelek, & O. B. Sezer. (2020). Deep learning for financial applications: A survey. Applied Soft Computing Journal.
  3. Abakarim, Y., Lahby, M., & Attioui, A. (2018, October). An efficient real-time model for credit card fraud detection based on deep learning. In Proceedings of the 12th International Conference on Intelligent Systems: Theories and Applications (pp. 1-7).
  4. Abdulghani, A. Q., et al. (2021). Credit card fraud detection system using machine learning algorithms and fuzzy membership.
  5. Abhimanyu Roy, J. Sun, R. Mahoney, L. Alonzi, S. Adams, & P. Beling. (2018). Deep learning detecting fraud in credit card transactions. In 2018 Systems and Information Engineering Design Symposium (SIEDS). IEEE.
  6. Abhishek Nair, D. Reckien, & M. F. A. M. van Maarseveen. (2019). A generalised fuzzy cognitive mapping approach for modelling complex systems. Applied Soft Computing, 84, 105754. https://doi.org/10.1016/j.asoc.2019.105754
  7. Accounting Standards Drafting Committee. (2018). Accounting standards. Auditing Organization [In Persian].
  8. Ahmadpour Kasgari, A., Bagherian Kasgari, R., & Bagherian Kasgari, A. (2009). The feasibility of eXtensible Business Reporting Language for listed companies on Tehran Stock Exchange. Quarterly Journal of Securities Exchange, 2(6).
  9. Ahmed, A. N. S., & Ravinder. (2023). A survey on detection of fraudulent credit card transactions using machine learning algorithms. 3rd International Conference on Intelligent Communication and Computational Techniques, ICCT 2023. Jaipur.
  10. Aihua Li, J. W., & Zhidong Liu. (2017). Market manipulation detection based on classification methods. Elsevier Procedia Computer Science, 122, 788-795.
  11. Alan Hevner, S. C. (2010). Design research in information systems: Theory and practice. Springer Science & Business Media.
  12. Allan Inocencio de Souza Costa & Luis Silva. (2016). Sequence classification of the limit order book using recurrent neural networks.
  13. Amr Kayid. (2020). The role of artificial intelligence in future technology. Artificial General Intelligence. https://doi.org/10.13140/RG.2.2.12799.23201
  14. Anuj Sharma & Prabin Kumar Panigrahi. (2012). A review of financial accounting fraud detection based on data mining techniques. International Journal of Computer Applications, 39(1), 37–47.
  15. Argyris, C., & Schön, D. A. (1978). Organizational learning: A theory of action perspective. Massachusetts: Addison-Wesley Publishing Company.
  16. Arwin Datumaya Wahyudi Sumari & Adang Suwandi Ahmad. (2018). Intelligent system, cognitive artificial intelligence: Concept and applications for humankind. Kasetsart University, IEEE. ISBN: 978-1-78923-607-1.
  17. Ashtiani, M. N., & Raahemi, B. (2022). Intelligent fraud detection in financial statements using machine learning and data mining: A systematic literature review. IEEE Access, 10, 72504-72525.
  18. Aslam, F., Hunjra, A. I., Ftiti, Z., Louhichi, W., & Shams, T. (2022). Insurance fraud detection: Evidence from artificial intelligence and machine learning. Research in International Business and Finance, 62. https://doi.org/10.1016/j.ribaf.2022.101744
  19. Athanasios Drigas & Maria Karyotaki. (2019). Attention and its role: Theories and models. International Journal of Emerging Technologies in Learning (iJET), June.
  20. Bagherian Kasgari, A. (2007). Electronic stock exchange, standards and intelligent surveillance networks. Bourse Journal, Securities and Exchange Organization of Iran Monthly Journal, 1(61), 40-61.
  21. Bagherian Kasgari, A. (2009). Company performance analysis using XBRL, intelligent visual fraud, and XBRL surveillance and analysis desktop. Prize Winners of Ninth Global XBRL Academic Competition 2008-2009 Results, Bryant University, USA.
  22. Bagherian Kasgari, A. (2009). Intelligent visual fraud: Supporting fraud detection efforts of exchange regulators using visual modeling. 1st International Conference on Digital Forensics and Cyber Crime.
  23. Bagherian Kasgari, A. (2010). Discussant speech on the paper “Enhancing the regulation of Chinese securities companies, an analysis of the function of information disclosure.” 8th International Workshop for Young Scholars (WISH), organized by European Law Journal and ESSCA, Angers, Loire Valley, France.
  24. Bagherian Kasgari, A. (2012). The next generation of financial mobile networks. The 24th XBRL International Conference.
  25. Bagherian Kasgari, A. (2013). XBRL decision cloud. US XBRL Challenge.
  26. Bagherian Kasgari, A., & Sheykhi, K. (2014). Stock price fluctuations and corporate forecasts disclosure: Evidence from an emerging market. International Journal of Management & Information Technology, 9(1), 1481-1495.
  27. Bagherian Kasgari, A. (2014). The relationship between independent auditors and receiving financial facilities. International Journal of Management Science, 1(4), 58-64.
  28. Kasgari, A. B. (2016). A new prototype for intelligent visual fraud detection in agent-based auditing framework. International Journal on Recent and Innovation Trends in Computing and Communication (IJRITCC), 4(2), 070-076.
  29. Bagherian Kasgari, A. (2016). Is it possible to proactively detect frauds with zero cost? Journal of Engineering and Innovative Technology (IJEIT), 5(7).
  30. Bagherian Kasgari, A. (2018). Anti-money laundering compliance recommendation and risk level assessment. Anti-Money Laundering Journal of Securities and Exchange Organization, 2(1), 1-33.
  31. Bagherian Kasgari, A., Mousavi, H., & Homayoun, S. (2020). Extensible visual business intelligence for analyzing XBRL big data on blockchain. In Eurofiling Online Conferences 2020 TECTONIC SHIFT, Eurofiling Innovation Day.
  32. Bagherian Kasgari, A., Golchin Kharazi, S., & M. T. T. (2019). Price manipulation fraud detection by intelligent visual fraud surveillance system. IEEE, 1646-1651.
  33. Bagherian Kasgari, A. (2007). Intelligent pyramid continues auditing agent framework for softening SOX burden on small business. X International Congress on Innovations in Teaching Accounting and Business Research (IAAER).
  34. Bagherian Kasgari, A. (2007). Software services in OTC markets. Bourse Journal, Securities and Exchange Organization of Iran Monthly Journal.
  35. Bagherian Kasgari, A., Ranjbarzadeh, R., Caputo, A., Baseri Saadi, S., & Bendechache, M. (2023). Brain tumor segmentation based on Zernike moments, enhanced ant lion optimization, and convolutional neural network in MRI images. In Metaheuristics and Optimization in Computer and Electrical Engineering: Volume 2: Hybrid and Improved Algorithms (pp. 345-366). Cham: Springer International Publishing.
  36. Bahrami, A., Norush, I., Rad, A., & Mohammad Mulqarni, A. (2021). Fraud in financial statements and new techniques used to detect it. Accounting and Auditing Studies, 10(38), 105-118. doi:10.22034/iaas.2021.134547 [In Persian].
  37. Bakhshi, K., et al. (2021). Fraud detection system in online ride-hailing services.
  38. Barbara Kitchenham, S. C. (2007). Guidelines for performing systematic literature reviews in software engineering. Technical report, EBSE Technical Report EBSE-2007-01, 1-57.
  39. Beneish, M. D. (1999). The detection of earnings manipulation. Financial Analysts Journal, 55(5), 24-36.
  40. Beneish, M. D., & Vorst, P. (2020). The cost of fraud prediction errors. Kelley School of Business Research Paper No. 2020-55. Available at SSRN: https://ssrn.com/abstract=3529662 or http://dx.doi.org/10.2139/ssrn.3529662
  41. Bockel-Rickermann, C., Verdonck, T., & Verbeke, W. (2023). Fraud analytics: A decade of research: Organizing challenges and solutions in the field. Expert Systems with Applications, 232, 120605. https://doi.org/10.1016/j.eswa.2023.120605
  42. Boluo, G., Barzideh, F., & Alahyari Abhari, H. (2019). A model for assessing the risk of fraud in the audit of financial statements. Journal of Accounting Knowledge, 11(4), 25-45. doi:10.22103/jak.2020.15880.3254 [In Persian].
  43. Brown, T., Majors, T. M., & Peecher, M. E. (2020). Evidence on how different interventions affect juror assessment of auditor legal culpability and responsibility for damages after auditor failure to detect fraud. Accounting, Organizations and Society, 87, 101172. https://doi.org/10.1016/j.aos.2020.101172
  44. Calamaro, N., et al. (2021). An energy-fraud detection system capable of distinguishing frauds from other energy flow anomalies in an urban environment. Sustainability (Switzerland), 13(19).
  45. Chen, Y., & Wu, Z. (2023). Financial fraud detection of listed companies in China: A machine learning approach. Sustainability, 15(1), 105. https://doi.org/10.3390/su15010105
  46. Dang, T. K., et al. (2021). Machine learning based on resampling approaches and deep reinforcement learning for credit card fraud detection systems. Applied Sciences (Switzerland), 11(21).
  47. Daniel Rife, S. Lacy, & F. J. FICO. (2006). Analysis of media messages (application of quantitative content analysis in research). Translated by Mahdekht Borujerdi Alavi. Tehran: Soroush [In Persian].
  48. Fazli, N. A. (2008). Education, research and promotion (content analysis of social sciences letters). Research Profile, 1(1).
  49. Ghorbin, A., Abdoli, M. R., Valian, H., & Bodlai, H. (2023). Evaluation of the internal audit functions of the corporate citizen. Development and Capital, 8(1), 143-165. doi:10.22103/jdc.2022.19858.1273 [In Persian].
  50. Gol Iri, T., Kurd, S., & Khari, R. (2019). Auditor’s responsibility and detection of fraud. Shabak, 6(6 (series 57)), 135-142. SID. https://sid.ir/paper/525408/fa [In Persian].
  51. Goldman, P., & Kaufman, H. (2015). Practical guide to fraud risks and anti-fraud controls. Translated by Amir Pouria Nasab and Mohsen Ghasemi. Tehran: Iranian Accounting Publishing House [In Persian].
  52. Gupta, P. (2023). Leveraging machine learning and artificial intelligence for fraud prevention. SSRG International Journal of Computer Science and Engineering, 10(5), 47-52. https://doi.org/10.14445/23488387/IJCSE-V10I5P107
  53. Habibpour, M., Gharoun, H., Mehdipour, M. R., Tajally, A. R., Asgharnezhad, H., Shamsi, A., Khosravi, A., & Nahavandi, S. (2023). Uncertainty-aware credit card fraud detection using deep learning. Engineering Applications of Artificial Intelligence, 123, 106248. https://doi.org/10.1016/j.engappai.2023.106248
  54. Hariom Tatsat, S. P., & Lookabaugh, B. (2020). Machine learning and data science blueprints for finance. O’Reilly Media, Inc.
  55. Hassan Hekami. (2012). Cognitive approach; history, vision and attention, cognitive science and machine intelligence [In Persian].
  56. Hilal, W., et al. (2022). Financial fraud: A review of anomaly detection techniques and recent advances. Expert Systems with Applications, 193, 34.
  57. Holsti, L. R. (1994). Content analysis in social and human sciences. Translated by Nader Salarzadeh Amiri. Tehran: Allameh Tabatabai University Publications (date of translation of the original work in 1969) [In Persian].
  58. Iris H-Y Chiu. (2023). An institutional account of responsiveness in financial regulation: Examining the fallacy and limits of ‘same activity, same risks, same rules’ as the answer to financial innovation and regulatory arbitrage. Computer Law & Security Review, 51. https://doi.org/10.1016/j.clsr.2023.105868
  59. Jahangir Yari. (2017). Investigation of obstacles to creating a learning organization in Iran Khodro Training Center. First year, number 4 [In Persian].
  60. Jalal Jamali, A. Asghar Motaghi, & A. Mohammadi. (2021). Comparative study of bankruptcy prediction models and providing an optimal model for Iran’s economic environment. Development and Capital, 6(2), 111-134. doi:10.22103/jdc.2022.18728.1187 [In Persian].
  61. Josephine Isabella, S., et al. (2020). An efficient study of fraud detection system using ML techniques. Lecture Notes in Networks and Systems, 118, 59-67.
  62. Kalbande, D., et al. (2021). A fraud detection system using machine learning. In 2021 12th International Conference on Computing Communication and Networking Technologies (ICCCNT). https://doi.org/10.1109/ICCCNT51525.2021.9580102
  63. Kanika & J. Singla. (2019). Online banking fraud detection system: A review. International Journal of Advanced Trends in Computer Science and Engineering, 8(3), 959-962.
  64. Kanika & J. Singla. (2020). A survey of deep learning based online transactions fraud detection systems. In 2020 International Conference on Intelligent Engineering and Management (ICIEM). IEEE. https://doi.org/10.1109/ICIEM48762.2020.9160200
  65. Kanika & J. Singla. (2022). A novel framework for online transaction fraud detection system based on deep neural network. Journal of Intelligent and Fuzzy Systems, 43(1), 927-937.
  66. Kanika, Singla, J., & Nikita. (2021). Comparing ROC curve based thresholding methods in online transactions fraud detection system using deep learning. In 2021 International Conference on Computing, Communication, and Intelligent Systems (ICCCIS). https://doi.org/10.1109/icccis51004.2021.9397167
  67. Kazemi, T. (2015). Choosing the optimal stock portfolio from among the stocks of companies admitted to the Tehran Stock Exchange using the ant algorithm. Master’s thesis, accounting field, Islamic Azad University, Tehran branch [In Persian].
  68. Khattri, V., et al. (2020). Plastic card circumvention: An infirmity of authenticity and authorization. Journal of Financial Crime, 27(3), 959-975.
  69. Kodreh, D. (2013). Prevention and detection of fraud with the help of computer. Translated by Amir Pourianesb and Aida Pouria Nasb. Tehran: Hoshiar Momis Publications [In Persian].
  70. Krippendorff, K. (2022). Content analysis: An introduction to its methodology. Sage Publications. https://doi.org/10.4135/9781071878781
  71. Kurdestani, G. R., & Ashtab, A. (2009). Profit management forecast based on profit per share adjustment. Development and Capital, 2(2), 141-158. doi:10.22103/jdc.2009.1912 [In Persian].
  72. Lee, C. (2022). Deep learning-based detection of tax frauds: An application to property acquisition tax. Data Technologies and Applications, 56(3), 329-341. https://doi.org/10.1108/DTA-06-2021-0134
  73. Liang, Y., et al. (2021). The application of synthetic data generation and data-driven modelling in the development of a fraud detection system for fuel bunkering. Measurement: Sensors, 18.
  74. Mansour Sadeghi Ma Lamiri. (2013). The three behaviors of miserliness, moderation, and extravagance from a systemic point of view. Two Scientific Research Quarterly Journals of Islamic Management, 22(1), 141-166 [In Persian].
  75. Mashayikhi, B., et al. (2013). Compilation of audit quality model. Stock Exchange and Securities Quarterly, 6(23), 103-137 [In Persian].
  76. Mehrani, S., Ganji, H., Tahriri, A., & Askari, M. R. (2009). Evaluating the ranking of companies based on accounting and non-accounting information and comparing it with the ranking of companies in the Tehran Stock Exchange. Development and Capital, 2(1), 7-32. doi:10.22103/jdc.2009.1899 [In Persian].
  77. Mendonça, M. O., Netto, S. L., Diniz, P. S., & Theodoridis, S. (2024). Machine learning: Review and trends. Signal Processing and Machine Learning Theory, 869-959.
  78. Miriyagoub Seyed Rezaei. (2015). Diversification and complexity of the administrative system as a model for the optimal administration of the capital. Geographical Research Quarterly, 31(4) [In Persian].
  79. Modares, A., & Platoni, A. (2010). Profit management in companies listed on the Tehran Stock Exchange. Development and Capital, 2(2), 51-72. doi:10.22103/jdc.2009.190 [In Persian].
  80. Mohammad Reza Qudosi et al. (2018). Presentation of knowledge governance framework in social networks. Two Scientific Quarterly Journals of Information Management, 5(1) [In Persian].
  81. Momeni Rad, A., Ali Abadi, K., Fardanesh, H., & Mazini, N. (2013). Qualitative content analysis in research: Nature, stages, and validity of results. Educational Measurement, 4(14).
  82. Moreira, M. Â. L., Rocha Junior, C. de S., Lima Silva, D. F., Castro Junior, M. A. P., Araújo Costa, I. P., Gomes, C. F. S., & Santos, M. (2022). Exploratory analysis and implementation of machine learning techniques for predictive assessment of fraud in banking systems. Procedia Computer Science, 214, 117-124. https://doi.org/10.1016/j.procs.2022.11.156
  83. Namazi, M., & Nazimi, A. (2008). An overview of the accounting research done in Tehran Stock Exchange. Development and Capital, 1(2), 9-48. doi:10.22103/jdc.2008.1891 [In Persian].
  84. Navidi Abbaspour, E., & Vaezi, J. (2022). Determinants of auditing ability to detect fraud: Internal and external factors. Case study: Auditors of auditing institutions that are members of the Certified Public Accountants Society of Iran. 12th International Conference on Modern Researches in Management, Economics, Accounting and Banking. https://civilica.com/doc/1566301 [In Persian].
  85. Nazeer, I., Prasad, K. D. V., Bahadur, P., Bapat, V., & Kurian, M. J. (2023). Synchronization of AI and deep learning for credit card fraud detection. International Journal of Intelligent Systems and Applications in Engineering, 11(5s), 52-59.
  86. Pallavi, C., et al. (2021). A relative investigation of various algorithms for online financial fraud detection techniques. Advances in Parallel Computing, 39, 22-32.
  87. Qaidi, M. R., et al. (2016). Content analysis method, from quantitative to qualitative. Scientific-Research Quarterly “Psychological Methods and Models”, 7(23), 57-82 [In Persian].
  88. Quintin-John Smith, R., & Valverde, R. (2021). A perceptron-based neural network data analytics architecture for the detection of fraud in credit card transactions in financial legacy systems. WSEAS Transactions on Systems and Control. https://doi.org/10.37394/23203.2021.16.31
  89. Rahman, M. Y. T. M. H. N. I. K. H. A. (2022). Fraud detection during financial transactions using machine learning and deep learning techniques. 2022 IEEE International Conference on Communications, Computing, Cybersecurity and Informatics, CCCI 2022.
  90. Raneem Khaled, H. A., & Ehab K. A. Mohamed. (2021). The sustainable development goals and corporate sustainability performance: Mapping, extent, and determinants. Journal of Cleaner Production, 311.
  91. Rezaian, A. (1999). System analysis and design. Tehran: Samt [In Persian].
  92. Rodrigues, V. F., et al. (2022). Fraud detection and prevention in e-commerce: A systematic literature review. Electronic Commerce Research and Applications, 101207.
  93. Sadgali, I., Sael, N., & Benabbou, F. (2019). Performance of machine learning techniques in the detection of financial frauds. Procedia Computer Science, 148, 45-54.
  94. Sahayasakila, V., et al. (2019). Credit card fraud detection system using SMOTE technique and whale optimization algorithm. International Journal of Engineering and Advanced Technology, 8(5), 190-192.
  95. Salwa Al Balawi, N. A. (2023). Credit-card fraud detection system using neural networks. International Arab Journal of Information Technology, 20(2).
  96. Sange, P. (1999). The Fifth Commandment. Translated by Hafez Kamal Hedayat, Mohammad Roshan. Tehran: Publication of Industrial Management Organization [In Persian].
  97. Sarmad, Z., Bazargan, A., & Hijazi, E. (2018). Research methods in behavioral sciences. Tehran: Age Publishing [In Persian].
  98. Seera, M., et al. (2021). An intelligent payment card fraud detection system. Annals of Operations Research.
  99. , Siavash, Nourbakhsh, S. F., et al. (2015). Complexity theory and claggism approach in geomorphic systems. Geographical Studies of Arid Regions, 6(23) [In Persian].
  100. Shokohi Fard, S., Abolhasani, A., & Farhang, A. A. (2021). Effects of corruption on financial fragility in Iran: Quantile regression approach. Development and Capital, 6(2), 93-110. doi:10.22103/jdc.2021.18460.1169 [In Persian].
  101. Strauss, A., & Corbin, J. (2014). Fundamentals of qualitative research: Techniques and stages of field theory production. Ebrahim Afshar. Tehran: Nei Publishing [In Persian].
  102. Sun, G., Li, T., Ai, Y., & Li, Q. (2023). Digital finance and corporate financial fraud. International Review of Financial Analysis, 87. https://doi.org/10.1016/j.irfa.2023.102566
  103. Thaghafi, A., & Bahar Moghadam, M. (2009). Effective drivers on profit management. Development and Capital, 1(2), 103-125. doi:10.22103/jdc.2008.1894 [In Persian].
  104. Tyagi, N. K., & Goyal, M. (2022). Two-tier model of exports drawback fraud detection system using intuitionistic fuzzy game theory. Intelligent Decision Technologies, 16(2), 299-313.
  105. Vanini, P., Rossi, S., Zvizdic, E., et al. (2023). Online payment fraud: From anomaly detection to risk management. Financ Innov, 9, 66. https://doi.org/10.1186/s40854-023-00470-w
  106. Zhang, G., et al. (2022). EFraudCom: An e-commerce fraud detection system via competitive graph neural networks. ACM Transactions on Information Systems, 40(3).
  107. Zhu, X., Ao, X., Qin, Z., Chang, Y., Liu, Y., He, Q., & Li, J. (2021). Intelligent financial fraud detection practices in the post-pandemic era. Volume 2, Issue 4. https://doi.org/10.1016/j.xinn.2021.100176
 

 

References (In Persian)

  1. Accounting Standards Committee. (n.d.). Accounting standards. Tehran: Organization for Accounting and Auditing. (In Persian)
  2. Baqarian, A. (2006). Electronic stock exchange; standards and intelligent supervisory systems. In Proceedings of the First National Electronic Stock Exchange Conference (pp. 1-10). Qazvin: Islamic Azad University, Qazvin Branch. (In Persian)
  3. Bolu, G., Barzeedeh, F., & Aleyari Abadi, H. (2020). A pattern for evaluating fraud risk in auditing financial statements. Journal of Accounting Knowledge, 11(4), 25-45. https://doi.org/10.22103/jak.2020.15880.3254 (In Persian)
  4. Bahrami, A., Nouroushe, I., Rad, A., & Molkareni, A. (2021). Financial statement fraud and new techniques used to detect it. Accounting and Auditing Studies, 10(38), 105-118. https://doi.org/10.22034/iaas.2021.134547 (In Persian)
  5. Fazli, N. A. (1997). Education, research and promotion (content analysis of social sciences letters). Index of Research, 1(1), 1-16. (In Persian)
  6. Ghaedi, M., & Colleagues. (2016). Content analysis method, from quantitative to qualitative. Scientific-Research Quarterly "Methods and Models of Psychology, 7(23), 57-82. (In Persian)
  7. Ghorbanian, A., Abdoli, M., Velian, H., & Bodlaei, H. (2023). Evaluation of the performance of corporate citizen internal audit functions. Development and Capital, 8(1), 143-165. https://doi.org/10.22103/jdc.2022.19858.1273 (In Persian)
  8. Ghodosi, M. R., & Colleagues. (2019). Presenting a knowledge governance framework in social networks. Journal of Information Management, 5(1). (In Persian)
  9. Goldman, P., & Kaufman, H. (2016). A practical guide to fraud risks and anti-fraud controls. Translated by Amir PourianSab and Mohsen Ghasemi. Tehran: Hesab Afzar Iraniyan Publications. (In Persian)
  10. Hakimi, H. (2013). Cognitive approach: History, vision, and attention in cognitive sciences and machine intelligence. Tehran: Sam Publishing. (In Persian)
  11. Holsti, L. R. (1975). Content analysis for the social sciences and humanities. Translated by Nader Salarzadeh Amiri. Tehran: Allameh Tabatabai University Press (Translation date of the original work in 1969). (In Persian)
  12. Jalali Jamali, A., Motaqi, A., & Mohammadi, A. (2022). Comparative study of bankruptcy prediction models and presentation of an optimal model for the Iranian economic environment. Development and Capital, 6(2), 111-134. https://doi.org/10.22103/jdc.2022.18728.1187 (In Persian)
  13. Kazemi, T. (2016). Optimal portfolio selection from among the stocks of companies accepted in Tehran Stock Exchange using the ant colony algorithm. Master’s thesis, Department of Accounting, Islamic Azad University, Tehran Central Branch. (In Persian)
  14. Kodreh, D. (2012). Computer-assisted fraud prevention and detection. Translated by Amir PourianSab and Aida PourianSab. Tehran: Hoshiar Momis Publications. (In Persian)
  15. Kordestani, G. R., & Ashtyab, A. (2009). Predicting earnings management based on earnings per share adjustment. Development and Capital, 2(2), 141-158. https://doi.org/10.22103/jdc.2009.1912 (In Persian)
  16. Mehrbani, S., Ganji, H., Taheri, A., & Asgari, M. R. (2009). Evaluation of company ranking based on accounting and non-accounting information and comparison with company ranking in Tehran Stock Exchange. Development and Capital, 2(1), 7-32. https://doi.org/10.22103/jdc.2009.1899 (In Persian)
  17. Meshaiki, B., & Colleagues. (2013). Developing an auditing quality model. Journal of Securities and Stock Exchange, 6(23), 103-137. (In Persian)
  18. Miri Yaqoob Seyedrezaee. (2016). Diversification and complication of the administrative system as a model for optimal management of the capital. Journal of Geography Research, 31(4), 123-142. (In Persian)
  19. Momeni Rad, A., Ali Abadi, K., Fardanesh, H., & Mazini, N. (2013). Qualitative content analysis in research: Nature, stages, and validity of results. Educational Measurement, 4(14). (In Persian)
  20. Modares, A., & Aflatoni, A. (2009). Earnings management in companies accepted in Tehran Stock Exchange. Development and Capital, 2(2), 51-72. https://doi.org/10.22103/jdc.2009.190 (In Persian)
  21. Namazi, M., & Nazimi, A. (2008). A review of accounting research conducted on the Tehran Stock Exchange. Development and Capital, 1(2), 9-48. https://doi.org/10.22103/jdc.2008.1891 (In Persian)
  22. Novidi Abbaspour, E., & Vaezi, J. (2022). Factors determining the ability of auditing to detect fraud: Internal and external factors. A case study: Auditors of auditing institutions that are members of the Society of Iranian Certified Public Accountants. 12th International Conference on Novel Research in Management, Economics, Accounting and Banking. https://civilica.com/doc/1566301. (In Persian)
  23. Raif, D., Liss, S., & Feick, F. G. (2006). Analyzing media messages (using quantitative content analysis in research) (2nd ed.). Translated by Mahdokht Boroujerdi Alavi. Tehran: Soroush. (In Persian)
  24. Raeesi Vanani, I., Bagherian Kasgari, A., Amiri, M., & Homayoun, S. (2023). A comprehensive analysis of two decades in intelligent surveillance systems for financial fraud detection research. Journal of Development and Capital. https://doi.org/10.22103/jdc.2023.22263.1426 (In Persian)
  25. Rezaeiyan, A. (1998). Analysis and design of systems: Methods and techniques of system analysis and design. Tehran: Samt. (In Persian)
  26. Sarmad, Z., Bazargan, A., & Hejazi, A. (2011). Research methods in behavioral sciences. Tehran: Agah Publishing. (In Persian)
  27. Senge, P. (1997). The fifth discipline. Translated by Hafez Kamal Hedayat, Mohammad Roshan. Tehran: Industrial Management Organization Publications. (In Persian)
  28. Shayan, S., Nourbakhsh, S. F., & Colleagues. (2016). Complexity theory and collage approach in geomorphic systems. Journal of Geography of Arid Regions, 6(20), 1-14. (In Persian)
  29. Shokouhi Fard, S., Abolhasani, A., & Farhang, A. (2021). The effects of corruption on financial fragility in Iran: A quantile regression approach. Development and Capital, 6(2), 93-110. https://doi.org/10.22103/jdc.2021.18460.1169 (In Persian)
  30. Strauss, A., & Corbin, J. (2015). Basics of qualitative research: Techniques and procedures for generating grounded theory (2nd ed.). Sage Publications. (In Persian)
  31. Thaghafi, A., & Bahar Moghaddam, M. (2008). Effective factors on earnings management. Development and Capital, 1(2), 103-125. https://doi.org/10.22103/jdc.2008.1894 (In Persian)
  32. Yari, J. (2008). Investigating the barriers to creating a learning organization in the Iran Khodro Training Center. Journal of Human Resource Management Studies, 1(4), 1-10. (In Persian)
 

‌

 

 

 

 

آمار
تعداد مشاهده مقاله: 1,331
تعداد دریافت فایل اصل مقاله: 518


سامانه مدیریت نشریات علمی. طراحی و پیاده سازی از سیناوب
login