| تعداد نشریات | 24 |
| تعداد شمارهها | 903 |
| تعداد مقالات | 8,081 |
| تعداد مشاهده مقاله | 15,203,325 |
| تعداد دریافت فایل اصل مقاله | 12,847,690 |
ارائه مدل توسعهیافته پیشبینی تقلب با تمرکز بر مؤلفههای کیفیت گزارشگری مالی و کیفیت حسابرسی در شرکتهای تولیدی | ||
| پیشرفتهای حسابداری | ||
| مقاله 10، دوره 15، شماره 1 - شماره پیاپی 84، 1402، صفحه 259-287 اصل مقاله (652.46 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22099/jaa.2023.45221.2283 | ||
| نویسندگان | ||
| عباس کولیوند1؛ محمد حسنی* 2؛ مهران متین فرد3 | ||
| 1دانشجوی دکترای حسابداری، گروه حسابداری، دانشکده مدیریت، واحد تهران شمال، دانشگاه آزاد اسلامی، تهران، ایران | ||
| 2استادیار حسابداری، گروه تحصیلات تکمیلی حسابداری و حسابرسی، دانشکده مدیریت، واحد تهران شمال، دانشگاه آزاد اسلامی، تهران، ایران. | ||
| 3استادیار، گروه حسابداری، دانشکده مدیریت، واحد تهران شمال، دانشگاه آزاد اسلامی، تهران، ایران | ||
| چکیده | ||
| هدف این پژوهش، ارائه مدل توسعه یافته پیشبینی تقلب با تمرکز بر مؤلفههای کیفیت گزارشگری مالی و کیفیت حسابرسی است. جامعه آماری پژوهش را شرکتهای پذیرفته شده در بورس اوراق بهادار تهران تشکیل میدهد. در این پژوهش دستکاری سود با ۵ شاخص برای تشخیص تقلب و تعیین شرکتهای سالم و ناسالم مورد استفاده قرار گرفته است که شامل مجموع اقلام تعهدی، اقلام تعهدی اختیاری و هموارسازی سود در سطوح سود ناخالص، سود عملیاتی و سود خالص است. در این مطالعه از عوامل کیفیت گزارشگری مالی، کیفیت حسابرسی (رتبه بندی سازمان بورس و جامعه حسابداران رسمی از مؤسسات حسابرسی)، مثلث تقلب (مؤلفه فرصت با معیار ارزیابی کنترلهای داخلی) و نقش افشاگران تقلب بر اساس شاخص راهبری شرکتی (وجود کمیته حسابرسی و واحد حسابرسی داخلی) برای پیشبینی احتمال وقوع تقلب استفاده شده که ماحصل آن ارائه الگوی توسعه یافته پیشبینی تقلب است. برای این منظور عوامل مطرح شده در سه مدل اولیه بررسی شده و نتایج با دستاوردهای قبلی مورد مقایسه قرار گرفته و قدرت مدلها تخمین زده شده است. یافتههای حاصل از بررسی 101 شرکت در بازه زمانی 1388 تا 1400 بیانگر این است که دقت مدل اولیه بنیش از مدل توسعهیافته بنیش و مدل کردستانی و تاتلی بالاتر است. همچنین با اضافه نمودن متغیرهایی مانند کیفیت حسابرسی، افشای گزارشگری مالی، مثلث تقلب و حسابرسی داخلی مؤثر، میتوان به الگویی متناسب با محیط اقتصادی حاکم بر کشور دست یافت و دقت مدل بنیش را در احتمال وقوع تقلب به میزان محسوسی بالاتر برد. | ||
| کلیدواژهها | ||
| کشف تقلب؛ کیفیت گزارشگری مالی؛ کیفیت حسابرسی؛ مثلث تقلب | ||
| مراجع | ||
|
الف. فارسی
پورقدیمی، کیومرث؛ بحری ثالث، جمال؛ جبارزاده کنگرلویی، سعید و زواری رضایی، اکبر. (1401). ارائه الگوی توسعه یافته مدل بنیش با تاکید بر ویژگیهای کیفیت حسابرسی با استفاده از شبکه عصبی، ماشین بردار و جنگل تصادفی. پیشرفتهای مالی و سرمایهگذاری، 3(6)، 30-1.
خاکساری ایمان، شورورزی محمدرضا، مهرآذین علیرضا، مسیح آبادی ابوالقاسم. (1400)، طراحی مدل بومی جهت کشف رفتار غیراخلاقی مدیران در گزارشگری مالی. اقتصاد و بانکداری اسلامی، ۱۰ (۳۶) :۳۵۱-۳۲۵.
خواجوی شکراله، ابراهیمی مهرداد (1396). مدلسازی متغیرهای اثرگذار برکشف تقلب در صورتهای مالی با استفاده از تکنیکهای دادهکاوی. حسابداری مالی. ۹ (۳۳) :۵۰-۲۳.
خواجوی، شکرالله و ابراهیمی، مهرداد (1396). ارائة یک رویکرد محاسباتی نوین برای پیشبینی تقلب در صورتهای مالی، با استفاده از شیوههای خوشهبندی و طبقهبندی (شواهدی از شرکتهای پذیرفتهشده در بورس اوراق بهادار تهران). پیشرفتهای حسابداری، 9 (2)، 34-1.
رحیمیان، نظام الدین و حاجی حیدری، راضیه. (1398). کشف تقلب با استفاده از مدل تعدیل شده بنیش و نسبتهای مالی. پژوهشهای تجربی حسابداری، 9 (1)، 70-47.
سپاسی، سحر؛ اعتمادی، حسین و پسندیده فرد، فائزه. (1400). مدلسازی خطاهای گزارشگری مالی. پیشرفتهای حسابداری، 13 (1)، 189-161.
سجادی، سید حسین، کاظمی، توحید. (1395). الگوی جامع گزارشگری مالی متقلبانه در ایران به روش نظریه پردازی زمینه بنیان. پژوهشهای تجربی حسابداری، 6(3)، 204-185.
شعری اناقیز، صابر؛ رحیمیان، نظام الدین؛ صالحی صدقیانی، جمشید و خراسانی، ابوطالب. (1396). بررسی و تطبیق میزان دقت نتایج حاصل از مدلهای بنیش و تعدیلشده بنیش بر اساس محیط اقتصادی ایران در کشف و افشای گزارشگری مالی متقلبانه. چشمانداز مدیریت مالی، 7 (18)، 124-105.
کردستانی، غلامرضا، تاتلی، رشید. (1395). پیشبینی دستکاری سود: توسعۀ یک مدل. بررسیهای حسابداری و حسابرسی، 23(1)، 73-96.
مالکینیا، ناهید؛ تهرانی، رضا؛ عالم تبریز، اکبر و فلاح شمس، میر فیض. (1400). توسعه مدل پیشبینی دستکاری سود با روش ترکیبی شبکه عصبی و الگوریتمهای کیهانشناسی. اقتصاد پولی مالی، 28 (1)، 86-57.
نمازی، محمد و رجبدری، حسین. (1400). نظریهها و کاربردهای اخلاق حرفهای حسابداری. انتشارات دانشگاه تهران.
ب. انگلیسی
Beneish, M. D. (1999). The Detection of Earnings Manipulation. Financial Analysts Journal, 55 (5): 24-36.
Blanco, B., and Dhole, S. (2017). Financial Statement Comparability, Readability and Accounting Fraud. AFAANZ Conference, Working Paper, https://www.afaanz.org/openconf/2017/modules/request.php?module=oc_program&action=summary.php&id=4
Brazel, J., Schmidt, J. (2018). Do auditors and audit committees lower fraud risk by constraining inconsistencies between financial and nonfinancial measures, Auditing: A Journal of Practice & Theory, 38(1), 103-122.
DeAngelo, L., (1981). Auditor independence, low-balling and disclosure regulation. Journal of Accounting and Economics, 3, 113-127.
DeFond, M. Zhang, J. (2014). A review of archival auditing research.Journal of Accounting and Economics. 58(2-3), 2750326.
Efstathios.kirkos, Charalambos Spathis, Yannis Manolopoulos (2007), Data Mining for the detection of fraudulent financial statements, Expert Systems with Applications.32,995-1003
Francis, J., P. O lsson and K. S chipper. (2006). Earnings Quality. Foundations and Trends in Accounting, 1(4), 259-340.
Francis, J., R. LaFond, P. Olsson, and K. Schipper (2004).Costs of equity and earnings attributes. The Accounting Review, 79(4), 967-1010.
Francis, J., R. LaFond, P. Olsson, and K. Schipper (2005).The market pricing of accruals quality. Journal of Accounting and Economics, 39, 295-327.
Francis,j. Olsson,P. and Schipper,K. (2006). Earnings Quality, Foundation and Trends in Accounting, 4(1), 340–259.
Goel, S., and Gangolly, J. (2012). Beyond the Numbers: Mining the Annual Reports for Hidden Cues Indicative of Financial Statement Fraud. Intelligent Systems in Accounting, Finance and Management, 19 (2), 75-89.
Goel, S., Gangolly, J., Faerman, S. R., and Uzuner, O. (2010). Can linguistic Predictors Detect Fraudulent Financial Filings?.Journal of Emerging Technologies in Accounting, 7(1), 25-46.
Gupta, R. And Singh Gill, N. (2012).Prevention and Detection of Financial Statement Fraud – An Implementation of Data Mining Framework, International Journal of Advanced Computer Science and Applications, 3(8), 150-156.
Hołda, A. (2020). Using the Beneish M-score model: Evidence from non-financial companies listed on the Warsaw Stock Exchange. Investment Management and Financial Innovations, 17(4), 389-401.
Kassem, R. and Higson, A. (2012) The New Fraud Triangle Model. Journal of Emerging Trends in Economics and Management Sciences, 3, 191-195.
Kranacher, M. J., R. A. Riley Jr., and J. T. Wells.(2011). Forensic Accounting and Fraud Examination. New York, NY: John Wiley & Sons.
Lev, B. (1989). On the usefulness of earnings and earnings research: Lessons and directions from two decades of empirical research. Journal of Accounting Research, 27(Supplement), 192-153.
Li, F. (2008). Annual Report Readability, Current Earnings, and Earnings Persistence. Journal of Accounting and Economics, 45(2), 221-247.
Lowensohn, S., and Reck, J., (2004). Longitudinal analysis of local government audit quality. Research in Governmental and NonProfit Accounting, 11, 213-228.
Marais, A., Vermaak, C., & Shewell, P., (2023), Predicting financial statement manipulation in South Africa: A comparison of the Beneish and Dechow models, Cogent Economics & Finance, 11(1), 1-33.
O’Keefe, T.B., King, R.D., and Gaver, K.M., (1994). Audit fees, industry specialization and compliance with GAAS reporting standards. Auditing: A Journal of Practice and Theory, 13(2), 41-55.
Purda, L. and Skillicorn, D. (2015), Accounting Variables, Deception, and a Bag of Words: Assessing the Tools of Fraud Detection. Contemporary Accounting Research, 32(3): 1193-1223.
Razali, W.A.A.W., & Arshad, R., (2014). Disclosure of corporate governance structure and the likelihood of fraudulent financial reporting, Procedia Social and Behavioral Sciences, 145, 243-253.
Shakouri, M. M., Taherabadi, A., Ghanbari, M., & Jamshidinavid, B. (2021). Explaining the Beneish model and providing a comprehensive model of fraudulent financial reporting (FFR). International Journal of Nonlinear Analysis and Applications, 12(Special Issue), 39-48.
Tarjoa, N. H. (2015). Application of Beneish M-Score Models and Data Mining to DetectFinancial Fraud.Social and Behavioral Sciences, 211, 924-930.
Yan Huang SH. , Lin CH. , Chiu A. & Yen, D. C. (2017). Fraud detection using fraud triangle risk factors. Journal of Research and Innovation,19(6),1343-1356. | ||
|
آمار تعداد مشاهده مقاله: 1,841 تعداد دریافت فایل اصل مقاله: 1,382 |
||