طرح تقلب

تحقیق حاضر در تلاش است با ترکیب روش های تحقیق کیفی با استفاده از رویکرد نظریه پردازی زمینه بنیان و تجزیه و تحلیل اسناد و مدارک، الگوی جامع تقلب در صورت های مالی را در بستر فرهنگی، اقتصادی و حقوقی کشور ارائه نماید. جامعه آماری تحقیق خبرگان صاحب نظر در خصوص پدیده صورت های مالی متقلبانه هستند که با توجه به هدف تحقیق، از روش نمونه گیری گلوله برفی یا زنجیره ای برای مصاحبه انتخاب شده اند. افزون بر مصاحبه های انجام شده، به منظور افزایش اعتبار و جامعیت تحقیق، اسناد و مدارک موجود در خصوص گزارشگری مالی متقلبانه شرکت های پذیرفته شده در بورس اوراق بهادار تهران به دقت مطالعه، بررسی و تحلیل شده است. پس از کسب نظر خبرگان و مطالعه دقیق اسناد، مدارک و گزارشات، عامل فشار به عنوان شرط علی گزارشگری مالی متقلبانه شناخته شد. نتایج تحقیق نشان می دهد انگیزه پاداش مدیران، انگیزه سوء استفاده از دارایی ها، هزینه های سیاسی، مقاصد مالیاتی و تحصیل شرکت توسط مدیران نیز بر گزارشگری مالی متقلبانه موثرند. طرح های تقلب در گزارشگری مالی در بستر فرهنگ عمومی، نظام قانونی و استاندارد حسابداری کشور به عنوان شرایط زمینه ای و نظام راهبری شرکتی، کنترل داخلی و کیفیت حسابرسی به عنوان شرایط مداخله گر متولد می شوند. در تحقیق حاضر 25 طرح تقلب در صورت های مالی و اجزاء آن ها شناسایی شده است. افزون بر این، پیامدهای تقلب در گزارشگری مالی در دو سطح صورت های مالی و بازار سرمایه طبقه بندی و تفسیر شده است.

هدف از انجام پژوهش حاضر بررسی عملکرد الگوهای یادگیری ماشین در پیش بینی طرح های تقلب مورد استفاده در گزارشگری مالی در فضای چند کلاسه با استفاده از مجموعه داده نامتوازن است. از این رو صورت های مالی 134 شرکت پذیرفته شده در بورس اوراق بهادار تهران در قلمرو زمانی سال 1387 الی 1399 با استفاده از روش های رگرسیون لجستیک، درخت تصمیم، الگوریتم گرادیان تقویت شده و ماشین بردار پشتیبان مورد تحلیل و بررسی قرار گرفته اند. الگوهای مزبور در محیط پایتون با رویکرد چندکلاسه پیاده سازی و اجرا شدند. معیار ارزیابی عملکرد محاسبه و مقایسه شد. افزون بر این عملکرد الگوهای یادگیری ماشین در تشخیص نوع تقلب در صورت های مالی با رویکرد دوکلاسه و بر اساس مجموعه داده متوازن نیز بررسی گردید. نتایج پژوهش نشان می دهد تفاوت معنادار در عملکرد الگوهای یادگیری ماشین در فضای چند کلاسه وجود دارد و روش ماشین بردار پشتیبان نسبت به سایر روش ها عملکرد بهتری دارد. با تقلیل فضای مسئله به دسته بندی دو کلاسه تفاوت معنادار در عملکرد الگوهای یادگیری ماشین در تشخیص گزارش های مالی مشکوک به "بیش نمایی دارایی، کم نمایی بدهی و هزینه"، "بیش نمایی دارایی و کم نمایی هزینه" و "کم نمایی هزینه و بدهی" تایید نشد. با این حال، عملکرد ماشین بردار پشتیبان بر عملکرد روش رگرسیون لجستیک و درخت تصمیم در پیش بینی گزارش های مالی مشکوک به "بیش نمایی دارایی و درآمد" ارجح است. پژوهش حاضر با توسعه فضای مسئله با هدف دسته بندی چندکلاسه سعی دارد شکاف تحقیقاتی موجود در قلمرو موضوعی پژوهش را رفع نماید.