?> 使用混合数据挖掘方法检测欺诈性财务报表

使用混合数据挖掘方法检测欺诈性财务报表

浏览:0 次

摘要:
本研究的目的是构建一个有效且严格的欺诈性财务报表检测模型。研究对象是在2002年至2013年之间经历过欺诈性和非欺诈性财务报表的公司。
在第一阶段,两个决策树算法,包括分类树和回归树(CART)和卡方自动交互检测器(CHAID)被用于选择主要变量。第二阶段将CART,CHAID,贝叶斯信念网络,支持向量机和人工神经网络相结合,以构建欺诈性财务报表检测模型。根据结果​​,CHAID–CART模型的检测性能最有效,总精度为87.97%(FFS检测精度为92.69%)。


关键字:欺诈性财务报表,决策树CART,决策树CHAID,贝叶斯信念网络,支持向量机,人工神经网络

背景
财务报表是反映公司财务状况的基本文件(Beaver 1966; Ravisankar等人2011)。财务报表是众多需要会计信息的投资者,债权人和其他人作出决策的主要依据,也是上市公司的业务绩效,财务状况和社会责任的具体体现和场外交易公司。但是,近年来,欺诈性财务报表的情况变得越来越严重(Wells 1997; Spathis等人2002; Kirkos等人2007; Yeh等人2010; Wilson等人2010)。
Humpherys等。 2011; Kamarudin等。 2012)。自1997年亚洲金融危机以来,台湾和美国有许多欺诈性财务报表案件。例如,2001年的安然案,2003年的美国WorldCom案和2004年台湾的ABIT Computer,Procomp,Infodisc和Summit Technology案。考虑到这些事件,能够在欺诈行为发生之前对其进行检测就变得非常重要。


数据挖掘是处理复杂数据分析和分类的关键工具。它可以识别隐藏在大量数据中以进行分析的有价值的事件,并在结构化模型中汇总数据以为决策提供参考。数据挖掘具有许多不同的功能,例如分类,关联,聚类和预测(Seifert 2004)。分类功能最常使用。分类结果可以用作决策和预测目的的基础。

欺诈性财务报表可以被视为典型的分类问题(Kirkos等,2007)。分类问题涉及使用一些已知分类数据的可变特征执行计算,以获得与分类相关的分类规则。随后,将未知分类数据输入到规则中以获得最终分类结果。关于欺诈性财务报表的问题,过去的许多研究都提出使用数据挖掘方法,因为它在输入大量数据以进行机器学习后进行预测方面具有优势,并且在分类和分类方面也具有准确性。预测,远高于常规回归分析。例如,为了检测欺诈性财务报表,已应用了人工神经网络(ANN),决策树(DT),贝叶斯信念网络(BBN)和支持向量机(SVM)方法。


因此,我们迫切需要建立有效且准确的欺诈性财务报表检测模型,因为常规统计模型由于其较高的错误率而在检测欺诈性财务报表方面存在很大的缺点。一些学者提出使用数据挖掘技术来判断对业务运营连续性的关注,从而减少判断错误。


但是,先前的研究既不充分也不完整。例如,大多数只使用1-2种统计方法,而没有模型比较。此外,大多数使用一阶段统计处理来建立检测模型,这是不明智的。


这项研究的主要目的是提出一个更好的模型来检测潜在的欺诈性财务报表,从而可以减少投资者蒙受的损失和审计师造成的损失。与以前的文献相比,本研究采用:(1)两阶段统计处理; (2)五种数据挖掘技术来创建检测模型,以比较模型的准确性; (3)十倍交叉验证,这被认为是审慎的,是学术领域中常用的方法。简而言之,这项研究不仅是审慎的,而且是创新的,并为文献做出了重大贡献。本研究通过应用卡方自动交互检测器(CHAID),分类树和回归树(CART)的DT技术来选择主要变量。此外,本研究通过结合CART,CHAID,BBN,SVM和ANN数据挖掘技术建立了用于比较的分类模型。

虚假财务报表
欺诈的评论
关于财务报表的处理,安然公司使用备受争议的特殊目的实体帐户来解决融资负债问题。但是,该公司不必在资产负债表中列出其增加的融资负债,这在会计中称为表外融资。美国特雷德韦委员会保荐人组织委员会(COSO)(Beasley等人,1999年)和SAS No.99,2002年将欺诈性财务报表定义为基于虚假信息或疏忽的有意或鲁ck行为,从而导致严重误导财务报告。在美国,预防欺诈性财务报表的成本估计每年达数十亿美元(Humpherys等,2011)。美国注册舞弊检查师协会(ACFE)将舞弊分为六类:(1)提供虚假的财务信息; (二)滥用或挪用公司资产; (三)不当支持或者贷款; (四)不正当取得资产或收益的; (五)不当规避费用的; (6)高管或董事会成员对融资的不当操纵。台湾会计研究与发展基金会于2006年发布了第43号《审计准则》,其中将欺诈定义为管理,控制单位或一个或多个员工故意使用欺骗手段和其他方法获取不正当或非法利益的行为。因此,可以得出结论,欺诈的四个要素是:(1)交易性质的严重错误表述;(2)故意违反规则的行为;(3)受害人以错误陈述为事实; (四)以上三种情况造成的经济损失造成的损害。与财务报表审计有关的错误陈述欺诈包括财务报告欺诈和资产挪用。财务报告舞弊是指旨在欺骗用户的不真实财务报表。美国安全与交易委员会(SEC)指出,财务报表应“提供公司业务和财务状况的全面概述,并包括经审计的财务报表”。


欺诈性财务报表是故意的和非法的行为,会导致误导性财务报表或误导性的财务披露(Beasley 1996; Rezaee 2005; Ravisankar等人2011)。利益相关者会受到误导性财务报告的不利影响(Elliot and Willingham 1980)。大多数先前的研究都使用常规的统计多元分析,尤其是逻辑回归分析(Beasley 1996; Summers and Sweeney 1998; Bell and Carcello 2000; Spathis等2002; Sharma 2004; Uzun等2004; Chen等2006; Humpherys等等人,2011年)。常规的统计方法要求遵守特定假设的局限性,例如,避免自变量的共线性和数据分布(Chiu等,2002)。然而,根据Chen(2005)的观点,关于变量,经验金融变量通常不能符合相关的统计条件,例如正态分布。因此,已经出现了不需要数据组合的统计假设的机器学习方法,并且被学者用作分类器。实验结果表明,机器学习方法具有积极的分类效果。

 

source:https://link.springer.com/content/pdf/10.1186/s40064-016-1707-6.pdf

用户评论

共有 1 条评论

  1. 王媪

    请问这个论文在哪儿下载完整版的?谢谢。

猜你喜欢
  • 土地经济研究杂志万方

  • 中华人民共和国海关总署文告杂志论文发表

    11-4930/D

  • 国务院国有资产监督管理委员会公告杂志多久回复

    11-5169/D

  • 纺织服装流行趋势展望杂志认可度高吗

    10-1348/TS

  • 消费者报道杂志审稿周期

    44-1699/F

联系
站长