Finansal Tablolardaki Hile Riskinin Tahmin Edilmesinde Karma Modellerin Nispi Başarısı Üzerine Karşılaştırmalı Bir Analiz

Yıl 2015, , 65 - 88, 01.06.2015

Mustafa Uğurlu Şerafettin Sevim

https://doi.org/10.21547/jss.256778

Cited By: 3

Öz

Geçmişte finansal tablo hilelerinin neden olduğu kayıplar, finansal tablo hilelerinin önceden tespitini sağlayacak erken uyarı sistemlerinin gerekliliğini ortaya çıkarmıştır. Bu kapsamda birçok model geliştirilmiştir. Bu modellerin finansal tablo hilelerini doğru tahmin etmedeki başarı düzeyleri, yapılan ampirik çalışmalarla ortaya konmuştur. Hangi modelin daha başarılı olduğu literatürde tartışma konusu edilmiştir. Bu çalışmanın temel amacı, finansal tablolardaki hile riskinin tahmin edilmesinde kullanılan modellerin nispi başarılarını, literatürdeki bulgulara dayalı olarak ortaya koymaktır. Çalışma sonucunda finansal tablo hilelerinin tahmin edilmesinde belirleyici değişkenlerin farklılıklar içerdiği ve literatürde bu konuda bir fikir birliğinin olmadığı tespit edilmiştir. Ayrıca hileli finansal tabloların tahmininde yapay sinir ağları modellerinin, diğer modellerden daha başarılı tahminde bulunduğu sonucuna ulaşılmıştır

Anahtar Kelimeler

Finansal Tablo Hileleri, Hile Riski, Hile Riskinin Tahmini, Yapay Sinir Ağları

A Comparative Analysis on the Relative Success of Mixed-Models for Financial Statement Fraud Risk Estimation

Öz

Loses which are caused by financial statement fraud (FSF) revealed the necessity of early warning system in fraud detection. In this context, many models have been improved. The level of success of these models on accurate estimation of financial statement fraud is proved by some empirical studies. Success level of the models has been discussed in the literature. Main purpose of this study is to reveal relative success of the models which are used in order to estimate FSF by considering the findings in the literature. The findings of this study show that variables of estimation of FSF include variations and also there is not any consensus on this issue in the literature. Additionally, it is concluded that artificial neural network models are more successful than other models in estimation of FSF

Anahtar Kelimeler

Financial Statement Fraud, Fraud Risk, Estimation of Fraud Risk, Artificial Neural Network

Kaynakça

• AICPA, (1997). Statement of Auditing Standards (SAS) No. 82 Consideration of Fraud in a Financial Statement Audit, AICPA, New York.
• Akgöbek, Ö., Öztemel, E. (2006). “Endüktif Öğrenme Algoritmalarının Kural Üretme Yöntemleri ve Performanslarının Karşılaştırılması”, SAÜ Fen Bilimleri Enstitüsü Dergisi, Cilt: 10, Sayı:1, ss.1-9
• Albrecht, S., ROMNEY M. (1986). “Red-Flagging Management: a Validation”, Advances in Accounting, Vol. 3, pp.32–33.
• Arens, A., Loebbecke, J. (1994). Auditing: An Integrated Approach, 6th Ed, Englewood Cliffs, NJ: Prentice-Hall.
• Ata, H. A., Seyrek, İ. H. (2009). “The Use of Data Mining Techniques in Detecting Fraudulent Financial Statements: An Applicatıon on Manufacturing Firms”, Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, Cilt: 14, Sayı: 2, ss.157-170
• Beasley, M. (1996). “An Empirical Analysis of the Relation Between Board of Director Composition and Financial Statement Fraud”, Accounting Review, 71(4), pp.443–66.
• Bell, T., Szykowny, S., Willingham, J. (1993). “Assessing the Likelihood of Fraudulent Financial Reporting: a Cascaded Logic Approach”, Working Paper, KPMG Peat Marwick, Montvale, NJ.
• Beneish, M. D. (1997). "Detecting GAAP Violation: Implications for Assessing Earnings Management Among Firms with Extreme Financial Performance", Journal of Accounting and Public Policy, Vol:16, No: 3, pp. 271-309
• Beneish, M. D. (1999). “The Detection of Earnings Manipulation”, Financial Analysts Journal, Vol:55, No:5, pp. 24-36 Bologna, G., Lindquist R., Wells J. (1996). The Accountant’s Handbook of Fraud and Commercial Crime. New York: John Wiley.
• Bozkır, A. S., Sezer, E., Gök, B. (2009). “Öğrenci Seçme Sınavında Öğrenci Başarımını Etkileyen Faktörlerin Veri Madenciliği Yöntemleriyle Tespiti”, 5. Uluslararası İleri Teknolojiler Sempozyumu (IATS’09), 13-15 Mayıs 2009, Karabük.
• Chen, W. S., Du, Y. K. (2009). “Using Neural Networks and Data Mining Techniques for the Financial Distress Prediction Model”. Expert Systems with Applications, Vol: 36, pp. 4075-4086
• Clarence, N., Tan, W. (1997). An Artificial Neural Networks Primer with Financial Applications Examples in Financial Distress Predictions and Foreign Exchange Hybrid Trading System, Bond University, Avusturalya.
• Çinko, Murat (2006). “Kredi Kartı Değerlendirme Tekniklerinin Karşılaştırılması”, İstanbul Ticaret Üniversitesi Sosyal Bilimler Dergisi, Yıl:5, Sayı:9, ss.143-153
• Dalkılıç, N. (2010). “Muhasebe Mesleği Sorumluluk Sigortalarında Yapay Sinir Ağları Yöntemi ile Risk Değerlemesi”, Yayınlanmamış Doktora Tezi, Dumlupınar Üniversitesi Sosyal Bilimler Enstitüsü, Kütahya.
• Davia, H., Coggins, P., Wideman, J., Kastantin, J. (1992). Management Accountant’s Guide to Fraud Discovery and Control. New York: John Wiley. Demirel, S., Bodur, S. (2004). “Genetik Danışmada Bayes Teoreminin Uygulanması”, Erciyes Tıp Dergisi, 26 (2), ss.81-85
• Elliott, R. K., Willingham, J. J. (1980). Management Fraud: Detection and Deterrence, Petrocelli Boks, New York.
• Erdem, O. A., Uzun, E. (2005). “Yapay Sinir Ağları ile Türkçe Times New Roman, Arial ve Elyazısı Karakterlerini Tanıma”, Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt:20, No:1, ss.13-19
• Fausett, L. (1994). Fundamentals of Neural Networks: Architectures, Algorithms and Applications, Prentice Hall, New York.
• Green, B. P., Choi, J. H. (1997). “Assessing the Risk of Management Fraud Through Neural Network Technology”, Auditing: A Journal of Practice and Theory, 16(1), pp. 14–28.
• Hoffman, V. B. (1997). “Discussion of the Effects of SAS No. 82 on Auditors’ Attention to Fraud Risk-Factors and Audit Planning Decisions”, Journal of Accounting Research, 35(5), pp. 99–104.
• Hollman, V. P., Patton, J. M. (1997). “Accountability, the Dilution Effect and Conservatism in Auditors’ Fraud Judgments”, Journal of Accounting Research, 35(2), pp. 227–37.
• Hand, D., Mannila, H., Smyth, P. (2001). Principles of Data Mining, A Bradford Book The MIT Press, Cambridge. Humpherys, S. L., Moffitt, K. C., Burns, M. B., Burgoon, J. K., Felix, W. F. (2011).
• “Identification of Fraudulent Financial Statements Using Linguistic Credibility Analysis”, Decision Support Systems, Vol. 50, pp. 585-594
• Jacquet, L. E., Siskos, Y. (1982). “Assessing A Set of Additive Utility Functions for Multicriteria Decision Making, the UTA Method”, European Journal of Operational Research, 10 (2), pp. 151–164.
• Jacquet, L. E. (1995). “An Application of the UTA Discriminant Model for the Evaluation of R & D Projects”, Advances in Multicriteria Analysis, 25 (4), pp. 132-1477
• Kaynar, O., Taştan, S. (2009). “Zaman Serisi Analizinde MLP Yapay Sinir Ağları ve Arıma Modelinin Karşılaştırılması”, Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, Sayı: 33, ss. 161-172
• Kirkos, E., Spathis, C., Monolopoulos, Y. (2007). “Data Mining Techniques for The Detection of Fraudulent Financial Statements”. Expert Systems with Applications, Vol: 32, pp. 995-1003
• Kök, B. V., Kuloğlu N. (2005). “Sollama Esnasında Taşıt ve Yol İle İlgili Faktörlerin Karar Ağacı Yöntemiyle İrdelenmesi”, Erciyes Üniversitesi Fen Bilimleri Enstitüsü Dergisi, Yıl:21, Sayı:1-2, ss.180-188
• KPMG, (2004). Fraud Survey, KPMG, Avusturalya.
• Kurt, A. (2003). “Simülasyon-Yapay Sinir Ağı ile Esnek Üretim Sistemi Tasarımı”, Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt:18, No:2, ss.31-38
• Kutlu, B., Badur, B. (2009). “Yapay Sinir Ağları ile Borsa Endeksi Tahmini”, Yönetim, Yıl:20, Sayı: 63, ss.25-40
• Küçükkocaoğlu, G., Küçüksözen, C. (2004). “Gerçeğe Aykırı Finansal Tabloların Ortaya Çıkarılması: İMKB Şirketleri Üzerine Ampirik Bir Çalışma”, Muhasebe ve Finansman Dergisi.
• Küçükkocaoğlu, G., Benli, Y. K., Küçüksözen, C. (2007). “Finansal Bilgi Manipülasyonunun Tespitinde Yapay Sinir Ağı Modelinin Kullanımı”, İMKB Dergisi, Yıl:9, Sayı:36, İstanbul, ss.1-30
• Küçüksözen, C. (2004). “Finansal Bilgi Manipülasyonu: Nedenleri, Yöntemleri, Amaçları, Teknikleri, Sonuçları ve İMKB Şirketleri Üzerine Ampirik Bir Çalışma”, Yayınlanmamış Doktora Tezi, Ankara Üniversitesi Sosyal Bilimler Enstitüsü, Ankara
• Loebbecke, J., Eining, M., Willingham, J. (1989). “Auditor’s Experience with Material Irregularities: Frequency, Nature, and Detectability”, Auditing: A Journal of Practice and Theory, Vol. 9, pp. 1–28.
• 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, Vol. 50, pp. 559-569
• Öz, C., Köker, R., Çakar, S. (t.y.). “Yapay Sinir Ağları ile Karakter Tanımlı Plaka Tanıma”, ss. 1-5, http://web.sakarya.edu.tr/~scakar/ yapaysin agplakatan.pdf (12.10.2009)
• Palmrose, Z. (1987). “Litigation and Independent Auditors: the Role of Business Failures and Management Fraud”, Auditing: A Journal of Practice and Theory, 6(2), pp. 90–102.
• Perols, J. L., Lougee, B. A. (2010). “The Relation Between Earnings Management and Financial Statement Fraud”, Advances in Accounting, Incorporating Advances in International Accounting, pp. 1-15
• Ravisankar, P., Ravi, V., Rao, G. R., Bose, I. (2011). “Detection of Financial Statement Fraud and Feature Selection Using Data Mining Techniques”, Decision Support Systems, Vol. 50, pp. 491-500
• Rezaee, Z. (2002). Financial Statement Fraud; Prevention and Detection, John Wiley & Sons, Inc., New York.
• Rezaee, Z. (2005). “Causes, Consequences and Deterence of Financial Statement Fraud”, Critical Perspectives on Accounting, 16 (3), pp.277–298.
• Rud, O. P. (2001). Data Mining Cookbook; Modeling Data for Marketing, Risk, and Customer Relationship Management, John Wiley & Sons, Inc., New York.
• Schilit, H. (1993). Financial Shenanigans: How to Detect Accounting Gimmicks and Fraud in Financial Reports. New York: McGraw-Hill.
• Spathis, C. T. (2002). “Detecting False Financial Statements Using Published Data: Some Evidence From Greece”, Managerial Auditing Journal, Vol: 17, No: 4, pp. 179-191
• Spathis, C. T., Doumpos, M., Zopounidis, C. (2004). “Detecting Falsified Financial Statements: A Comparative Study Using Multicriteria Analysis and Multivariate Statistical Techniques”, The European Accounting Review, Vol: 11, No: 3, pp. 509–535
• Stice, J. (1991). “Using Financial and Market Information to Identify Preengagement Market Factors Associated with Lawsuits Against Auditors”’, Accounting Review, 66(3), pp. 516–33.
• Sun, J., Li, H. (2006). “Data Mining Method for Listed Companies’ Financial Distress Prediction”, Knowledge-Based Systems, 21 (1), pp. 1-5
• Tektaş, M., Akbaş M. A., Topuz, V. (t.y.). “Yapay Zeka Tekniklerinin Trafik Kontrolünde Kullanılması Üzerine Bir İnceleme”, ss. 1-9,
• http://www.trafik.gov.tr/icerik/bildiriler/pdf/C4-7.pdf (06.08.2009) Türkoğlu, İ., Toroman, S. (2007). “Karar Ağaçları ve Fraktal Analiz Kullanarak Histapatolojik İmgelerin Sınıflandırılması”, Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt:22, No:4, ss.753-758
• Ugrin, J. C., Odom, M. D. (2010). “Exploring Sarbanes–Oxley’s Effect on Attitudes, Perceptions of Norms, and Intentions to Commit Financial Statement Fraud From A General Deterrence Perspective”, J. Account Public Policy, Vol. 29, ss. 439-458
• Ulucan, A., Atıcı, K. B. (2009). “UTADIS Çok Kriterli Sınıflandırma Metedolojisi ve Türkiye Enerji Sektörü Uygulaması”, H.Ü. İktisadi ve İdari Bilimler Fakültesi Dergisi, Cilt 27, Sayı: 2, ss. 141-159
• Witten, I. H., Frank, E. (2005). Data Mining; Practical Machine Learning Tools and Techniques, Morgan Kaufmann Publishers, San Francisco.
• Yıldız, B. (1999). “Finansal Başarısızlığın Öngörülmesinde Yapay Sinir Ağı Kullanımı ve Ampirik Bir Uygulama”, Yayınlanmamış Doktora Tezi, Dumlupınar Üniversitesi Sosyal Bilimler Enstitüsü, Kütahya.
• Yıldız, B., Akkoç, S. (2009). “Banka Finansal Başarısızlıklarının Sinirsel Bulanık Ağ Yöntemi ile Öngörüsü”, BDDK Bankacılık ve Finansal Piyasalar, Cilt: 3, Sayı: 1, ss. 9-36 Yıldız, B. (2009), Finansal Analizde Yapay Zeka, Detay Yayıncılık, Ankara.
• Zhou, W., Kappor, G. (2011). “Detecting Evolutionary Financial Statement Fraud”, Decision Support Systems, Vol. 50, pp. 570–575
• Zimbelman, M. F. (1997). “The Effects of SAS No. 82 on Auditors’ Attention to Fraud Risk Factors and Audit Planning Decisions”, Journal of Accounting Research, 35(5), pp. 5–9.