نقش مدیریت سود در شناسایی صورت‌های مالی متقلبانه در شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران

مقدمه

آثار زیان‌بار ایجادشده به‌وسیلۀ رسوایی‌های مالی در سال‌های اخیر، توجه به بحث تقلب و به‌ویژه تقلب در صورت‌های مالی را اجتناب‌ناپذیر کرده است. رسوایی‌های مالی علاوه بر داشتن زیان‌های اقتصادی مانند متضررکردن اعتباردهندگان، سرمایه‌گذاران و سهامداران، هزینه‌های سیاسی، قضایی و اجتماعی نیز به بار آورده‌ است. گزارشگری مالی متقلبانه علاوه بر تأثیر مستقیم بر شرکت، بر کارکنان، اعتباردهندگان و سرمایه‌گذاران نیز تأثیر داشته و موجب تضعیف قابلیت اعتماد صورت‌های مالی و بازارهای سرمایه شده است (پرولز[1] و لوجی[2]، 2011)؛ بنابراین، از موضوع‌هایی که پژوهشگران به آن توجه کرده‌اند، پیش‌بینی و شناسایی شرکت‌های متقلب است. پژوهش دربارۀ پیش‌‎بینی تقلب و تشخیص آن از این نظر اهمیت دارد که موجب افزایش توانایی حسابرسان و قانون‌گذاران و نهادهای نظارتی برای شناسایی تقلب یا به‌منزلۀ پایه‌ای برای پژوهش‌های تقلب در آینده است (کویین‌لان[3]، 1987). اعتمادی و زلقی (2013) و صفرزاده (2010) معتقدند توجه به مسئلۀ گزارشگری مالی متقلبانه در ایران با توجه به افزایش تعداد شرکت‌های پذیرفته‌‎شده در بورس اوراق بهادار تهران ضروری است؛ بنابراین، نتایج این پژوهش علاوه بر گسترش ادبیات پژوهش‌ دربارۀ تقلب و مدیریت سود، سبب افزایش اعتماد استفاده‌‎کنندگان گزارش‌های مالی و درنتیجه، افزایش کارآیی عملیاتی بازار سرمایه می‌شود. حمایت از منافع ذینفعان واحدهای تجاری و کمک به بهبود سازوکار‌های درونی حاکمیت شرکتی و نهادهای نظارتی بر بازار اوراق بهادار در شناسایی و پیش‌بینی احتمال وقوع تقلب در صورت‌های مالی قبل از رخداد آن ازجمله دلایل اهمیت موضوع پژوهش است؛ بنابراین، حسابرسان و سایر نهادهای نظارتی قادرند قبل از وقوع تقلب، اقدام به پیش‌‎بینی و جلوگیری از رویداد آن کنند. شرکت‌ها ازطریق مدیریت سود یا تقلب، صورت‌های مالی را دستکاری می‌کنند؛ اما با توجه به اینکه اقلام تعهدی با گذشت زمان معکوس می‌شوند (هلی[4]، 1985)، شرکت‌هایی که اقدام به مدیریت سود می‌کنند، در آینده باید پیامدهای عکس اقلام تعهدی را بپذیرند یا اقدام به تقلب کنند (بنیش[5]، 1999؛ دچو[6]، لارسون[7] و اسلوان[8]، 2011)؛ بنابراین، پیش‌بینی می‌شود بین مدیریت سود و تقلب ارتباطی وجود داشته باشد. پژوهش‌های اخیر نیز نشان می‌دهند یکی از روش‌های شناسایی شرکت‌های متقلب، استفاده از الگو‌های اقلام تعهدی استفاده‌شده در اندازه‌گیری مدیریت سود است. در این زمینه، پژوهش‌های نصیر[9]، جهانگیر[10]، رشدی[11]، رزاق[12] و احمد[13] (2018) و رامیرز ارلانا[14]، ماریا[15]، مارتینز–رومرو[16] و ترسا-ماری[17] (2017) و پرولز و لوجی (2011) بیان‌کنندۀ انجام مدیریت سود در شرکت‌های متقلب نسبت به سایر شرکت‌ها قبل از وقوع تقلب است. نتایج حاصل از پژوهش جونز، کریشنان[18] و ملندرز[19] (2008) نیز بیان‌کنندۀ توانایی الگو‌های دچو و دیچو[20] (2002) و مک‌نیکولز[21] (2002) برای شناسایی صورت‌های مالی متقلبانه است. نتایج پژوهش خلیفه‌سلطانی، حسینی و مددی‌ورزقانی (2013)، فرقاندوست‌حقیقی، هاشمی و فروغی‌دهکردی (2014) و قیداری (2019) نیز نشان می‌دهد در شرکت‌هایِ دارای سابقۀ مدیریت سود، احتمال ارتکاب تقلب وجود دارد. یافته‌های پژوهش مشایخی و حسین‌پور (2016) نشان می‌دهد در شرکت‌های بورسی مشکوک به تقلب، مدیریت سود واقعی بر مدیریت سود تعهدی در سطح اطمینان 95‌درصد، تأثیر منفی و معنی‎‌داری دارد. نتایج پژوهش زادمهر، موسوی و جنانی (2018) نیز نشان‌دهندۀ تأثیرگذاری انگیزۀ تقلب بر مدیریت سود است. تفاوت پژوهش حاضر با پژوهش‌های قبلی انجام‌شده در این حوزه، در تعداد الگو‌های بررسی‌شده، روش آماری و نحوۀ شناسایی شرکت‌های متقلب است؛ بنابراین، هدف از انجام این پژوهش، ارزیابی توانایی الگو‌های اقلام تعهدی استفاده‌شده در کشف مدیریت سود، در کشف صورت‌های مالی متقلبانه است و این مسئله بررسی می‌شود که آیا در شرکت‌های دارای سابقۀ مدیریت سود، احتمال ارتکاب تقلب در صورت‌های مالی بیشتر است یا خیر.

مبانی نظری

طبق استانداردهای حسابرسی ایران (استاندارد حسابرسی شمارۀ 240)، (کمیتۀ تدوین استانداردهای حسابرسی، 1396) تقلب عبارت از هرگونه اقدام عمدی به‌وسیلۀ یک یا چند نفر از مدیران اجرایی، ارکان راهبری، کارکنان یا اشخاص ثالث است که فریبکاری برای برخورداری از مزیتی ناروا یا غیرقانونی را شامل می‌شود. مبنای نظری دستکاری در اطلاعات و تقلب، بر امکان انتقال ثروت از یک ذینفع به سایر ذینفعان مبتنی است که از عدم تقارن اطلاعاتی نشئت می‌گیرد (ذاکری، 2010). تقلب و مدیریت سود هرچند مشابهت‌هایی دارند، لزوماً یکسان نیستند؛ زیرا تقلب خارج از اصول پذیرفته‎شدۀ حسابداری قرار دارد. در صورتی که مدیریت سود در چهارچوب این اصول انجام می‌شود. با توجه به اینکه دستکاری صورت‌های مالی ممکن است در چهارچوب اصول پذیرفته‌شدۀ حسابداری یا خارج از آن باشد، دستکاری صورت‌های مالی برابر با اقدام مدیران در مدیریت سود یا تقلب است (فرقاندوست‌حقیقی و همکاران، 2014). شرکت‌ها ازطریق روش‌های منطبق با اصول پذیرفته‎شدۀ حسابداری یا روش‌های دیگری صورت‌های مالی را دستکاری می‌کنند. نقض اصول پذیرفته‌شدۀ حسابداری عامل مهمی از گزارشگری متقلبانه است و در مقابل مدیریت سود در چهارچوب اصول پذیرفته‌شدۀ حسابداری انجام می‌شود؛ به عبارت دیگر، دستکاری و تحریف صورت‌های مالی با استفاده از تقلب یا مدیریت سود انجام می‌گیرد (پرولز و لوجی، 2011) و این دو موضوع سبب شکست‌های شرکتی در سال‌های اخیر شده‌اند (خواجوی و ابراهیمی، 2018) و هر دو عامل بر قیمت و بازده سهام تأثیرگذارند. نتایج پژوهش اینس[22] (2017) نشان می‌دهد تقلب تأثیر معنی‌دار و بااهمیت‌تری نسبت به اقلام تعهدی اختیاری بر قیمت و بازده سهام دارد؛ ولی با توجه به اینکه اقلام تعهدی با گذشت زمان معکوس می‌شوند، شرکت‌هایی که اقدام به مدیریت سود می‌کنند، باید در آینده پیامدهای عکس اقلام تعهدی را بپذیرند یا اقدام به تقلب کنند (بنیش، 1997؛ دچو، اسلوان و سویینی[23]، 1995؛ مشایخی و حسین‌پور، 2016)؛ به عبارت دیگر، هرچند شرکت‌ها ممکن است لزوماً سابقۀ مدیریت سود نداشته باشند، شرکت‌هایی که مرتکب تقلب می‌شوند، شرکت‌هایی هستند که هم سابقۀ مدیریت سود دارند و هم ممکن است جزء شرکت‌هایی باشند که سابقۀ مدیریت سود نداشته‌اند؛ ولی می‌توان پیش‌بینی کرد زمانی که شرکت اقدام به انجام مدیریت سود می‌کند، احتمال بیشتری برای انجام تقلب وجود دارد؛ بنابراین، گزارشگری مالی متقلبانه ممکن است با مدیریت سود آغاز و با گذشت زمان به تقلب تبدیل شود (لندسیتل[24]، 2000). براساس پژوهش هو[25] (1999) نیز شرکت‌ها زمانی که از اصول پذیرفته‌شدۀ حسابداری بیشترین بهره را می‌گیرند، به تقلب متوسل می‌شوند؛ یعنی ابتدا مدیریت سود انجام و با افزایش آن تقلب انجام می‌شود (پوول[26]، جاب[27]، لانگ[28] و اسمیت[29]، 2005). دچو و همکاران (1995) شواهدی ارائه می‌کنند که شرکت‌ها زمانی به تقلب روی می‌آورند که استفاده از مدیریت سود برای آنها محدود می‌شود. نتایج پژوهش نصیر و همکاران (2018)، هسنان[30]، عبدالرحمان[31] و ماهنثیران[32] (2013) و آسار[33] (2019) نیز استفادۀ شرکت‌های متقلب از اقلام تعهدی برای دستکاری صورت‌های مالی را نشان می‌دهد؛ به عبارت دیگر، می‌توان پیش‌‎بینی کرد زمانی که شرکت اقدام به انجام مدیریت سود می‌کند، احتمال بیشتری برای انجام تقلب وجود دارد. الگو‌هایی که مدیریت سود را اندازه‌گیری می‌کنند، به‌طور کلی به دو دستۀ الگوهای مبتنی بر اقلام تعهدی اختیاری و کل اقلام تعهدی تفکیک می‌شوند. مهم‌ترین الگو‌های مبتنی بر اقلام تعهدی اختیاری عبارت‌اند از: الگوی جونز (جونز، 1991)، الگوی تعدیل‌شدۀ جونز (دچو و همکاران، 1995)، الگوی تعدیل‌شدۀ جونز با نسبت ارزش دفتری به ارزش بازار و جریان‌های نقدی (لارکر[34] و ریچاردسون[35]، 2004)، الگوی تعدیل‌شدۀ جونز با نسبت بازده دارایی‌های سال جاری و سال قبل (کوتاری[36]، لئون[37] و چارلز[38]، 2005). دچو و دیچو (2002) و مک‌نیکولز (2002) نیز دو الگوی معروف مبتنی بر کل اقلام تعهدی را ارائه می‌کنند که کیفیت اقلام تعهدی را اندازه‌گیری می‌‌کنند.

1- الگوی جونز

براساس الگوی جونز (1991) مقدار باقی‌مانده در الگو، معیار اقلام تعهدی در نظر گرفته می‌شود. جونز تفاوت سود عملیاتی و وجوه نقد حاصل از عملیات را اقلام تعهدی شناسایی و در الگوی خود فرض کرد اقلام تعهدی غیراختیاری در طول زمان ثابت‌اند و درآمد فروش به‌صورت کامل غیراختیاری است؛ بنابراین، برای محاسبۀ اقلام تعهدی اختیاری باید اقلام تعهدی غیراختیاری از مجموع اقلام تعهدی کسر شود. در این الگو، اقلام تعهدی به شرح زیر برآورد می‌شود:

TACC_t= B₀+B₁ 1(1/A_it-1)+B₂( REV_it/A_it-1)+B₃(PPE_it/A_it-1)+ _it

که TACC_t کل اقلام تعهدی، A_it-1 کل دارایی‌های ابتدای سال، REV_it تغییرات کل درآمد فروش سال جاری نسبت به سال قبل و PPE_it اموال، ماشین‌آلات و تجهیزات را بیان می‎‌کنند. _it نیز نشان‌دهندۀ خطای الگو و اقلام تعهدی اختیاری و معیاری از میزان اعمال مدیریت سود است.

2- الگوی تعدیل‌شدۀ جونز

دچو و همکاران (1995) بیان می‌کنند که الگوی جونز به‌صورت ضمنی فرض کرده است درآمدها غیراختیاری‌اند؛ در صورتی ‌که در الگوی تعدیل‌شدۀ جونز فرض می‌شود همۀ تغییرات در فروش‌های نسیه در سال رخداد به‌دلیل مدیریت سود است؛ بنابراین، برای اندازه‌‎گیری بهتر اقلام تعهدی الگوی زیر ارائه شد:

TACC_t= B₀+B₁ 1(1/A_it-1)+B₂(( REV_it- AR_it)/A_it-1))+B₃(PPE_it/A_it-1)+ _it

که AR_it عبارت از تغییر در حساب‌های دریافتنی نسبت به سال قبل است. سایر متغیرها مشابه الگوی جونز است.

3- الگوی تعدیل‌شدۀ جونز با نسبت ارزش دفتری به ارزش بازار و جریان‌های نقدی

لارکر و ریچاردسون (2004) دو نسبت ارزش دفتری به ارزش بازار و جریان‌های نقدی عملیاتی را به الگوی جونز افزودند. نسبت ارزش دفتری به ارزش بازار رشد موردانتظار در عملیات را کنترل می‌کند؛ زیرا در غیر این صورت رشد شرکت، اقلام تعهدی اختیاری در نظر گرفته می‌شود. جریان‌های نقدی عملیاتی نیز عملکرد عملیاتی جاری را کنترل می‌کنند؛ زیرا پژوهش‌ها نشان داد در شرکت‌های دارای عملکرد غیرعادی، اقلام تعهدی اختیاری به احتمال زیاد به‌درستی نشان داده نمی‌شوند.

TACC_t=B₀+B₁1(1/A_it-1)+B₂( REV_it/A_it-₁)+B₃(PPE_it/A_it-₁)+B₄BM_it+B₅(CFO_it/A_it-₁)+ _it

که BM_it عبارت از ارزش دفتری سهام عادی به ارزش بازار سهام عادی و CFO_it عبارت از جریان‌های نقدی عملیاتی است. سایر متغیرها مشابه الگوی جونز است.

4 و 5- الگوی تعدیل‎‌شدۀ جونز با ROA

کوتاری و همکاران (2005) استدلال می‌کنند که اقلام تعهدی شرکت‌هایی که عملکرد غیرعادی را تجربه کرده‌اند، به‌صورت سیستماتیک صفر نیست؛ بنابراین، اقلام تعهدی با عملکرد شرکت همبستگی دارد و برای بهبود اندازه‌‎گیری اقلام تعهدی معیار بازده دارایی‌ها در سال جاری و سال قبل را به الگوی تعدیل‌شدۀ جونز اضافه کردند.

TACC_t= B₀+B₁ 1(1/A_it-₁)+B₂( REV_it/A_it-1)+B₃(PPE_it/A_it-1)+B₄ROA_it+ _it

TACC_t= B₀+B₁ 1(1/A_it-1)+B₂( REV_it/A_it-1)+B₃(PPE_it/A_it-₁)+B₄ROA_it-1+ _it

6- الگوی دچو و دیچو

دچو و دیچو (2002) معتقدند اقلام تعهدی در هر سال با جریان‌های نقدی سال قبل، سال جاری و سال بعدی ارتباط دارد و بر وجه نقد این سه دوره تأثیر می‌گذارد یا خواهد گذاشت. در این الگو مقدار خطای حاصل از تخمین الگو، شاخص کیفیت سود در نظر گرفته می‌شود. این الگو به شرح زیر است:

WC_it=B₀+B₁CFO_it-1+B₂CFO_it+B₃CFO_it+1+ _it

که WC_it تغییرات سرمایه در گردش در سال جاری نسبت به سال قبل، CFO_it-1جریان نقد عملیاتی در سال قبل، CFO_itجریان نقد عملیاتی در سال جاری و  CFO_it+1جریان نقد عملیاتی در سال بعد است.

7- الگوی مک‌‎نیکولز

ازنظر دچو و دیچو (2002)، اقلام تعهدی تعدیل‌های موقتی‌اند که جریان‌های نقدی را میان دوره‌های زمانی مختلف جابه‌جا می‌کنند؛ بنابراین، الگوی خود را بر پایۀ اقلام تعهدی سرمایه در گردش قرار دادند. نتایج آزمون الگوی ترکیبی که در آن از اقلام تعهدی و جریان‌های نقدی استفاده شده است، نشان می‌دهد به‎‌کارگیری جریان‌های نقدی در الگوی ترکیبی جونز در کنترل عملکرد مالی شرکت‌ها و تبیین رفتارهای مدیریت، توانمندی بهتری دارد (کردستانی و مدافعی، 2012). در ادامۀ پژوهش‌های قبلی، مک‌نیکولز (2002) شواهدی ارائه کرد که در صورت اضافه‌‎کردن دو متغیر تغییرات فروش در سال جاری نسبت به سال قبل و اموال، ماشین‌آلات و تجهیرات به الگوی دچو و دیچو (2002)، قدرت الگو افزایش می‌یابد.

WC_it=B₀+B₁CFO_it-1+B₂CFO_it+B₃CFO_it+1+ B₄( REV_it/A_it-₁)+B₅(PPE_it/A_it-₁)+ _it

روش پژوهش

اﯾــﻦ پژوهش ازﻟﺤــﺎظ ﻫــﺪف، ﮐــﺎرﺑﺮدی و از ﻧــﻮع پژوهش‌های ﺗﺠﺮﺑــﯽ و پس‌رویدادی است که بر اطلاعات واقعی صورت‌های مالی شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران مبتنی است. برای مبانی نظری از روش کتابخانه‌ای استفاده و اطلاعات لازم برای محاسبه و پردازش متغیرها به روش اسنادکاوی از بانک‌های اطلاعاتی و صورت‌های مالی و نرم‎‌افزار ره‌آورد نوین و بانک اطلاعاتی جامعۀ حسابداران رسمی جمع‌آوری شده است. جامعۀ آماری از همۀ شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران در بازۀ زمانی 1388 تا 1394 تشکیل شده است که صورت‌های مالی و یادداشت‌های همراه آن در دورۀ زمانی اشاره‌شده موجود باشد و جزء بانک‌ها و مؤسسه‌های مالی (شرکت‌های سرمایه‌گذاری، واسطه‎‌گری مالی، شرکت‌های هلدینگ و لیزینگ‌ها) نباشد؛ درنهایت، با اعمال شرایط تعداد 189 شرکت (شامل 21 شرکت متقلب و 168 شرکت غیرمتقلب) انتخاب شده است. روش آﻣــﺎری اﻧﺘﺨــﺎب‌ﺷــﺪه ﺑــﺮای ﺗــﺪوﯾﻦ الگوی پژوهش، روش داده‌کاوی شامل روش‌های درخت تصمیم، شبکه‌های عصبی و یادگیری بیزین است. دلیل اصلی استفاده از این روش‌ها شناخته‌شده بودن آنها در حوزۀ داده‌کاوی و مزایای استفاده از آنهاست. نتایج پژوهش لین[39]، چیو[40]، هوانگ[41] و ین[42] (2015) نشان می‌دهد شبکۀ عصبی و درخت تصمیم نسبت به روش رگرسیون دقت بیشتری برای شناسایی شرکت‌های متقلب دارند. نتایج پژوهش راویسانکار[43]، راوی[44]، راجاوا رائو[45] و باس[46] (2011) نیز نشان‌دهندۀ دقت بالای شبکه‌های عصبی برای کشف تقلب است. شبکۀ عصبی، روشی است که توانایی الگوسازی روابط پیچیدۀ غیرخطی را دارد؛ ازاین‌‍‌رو، برای الگو‌سازی مسائل واقعی که به‌طور معمول ماهیت غیرخطی دارند، استفاده می‌شود. از مزایای دیگر شبکه‌های عصبی قدرت بالای تعمیم‌دهی آنهاست که قادرند با تعداد محدودی نمونه، قانونی کلی از آن به دست آورند (جهانپور و صادقی، 2016). از مزایای درخت تصمیم نیز ایجاد الگویی است که بتوان آن را فهمید و شبکه‌های عصبی آن را ندارند (خلیلی و پاشازاده، 2014). روش بیزین نیز الگویی بدون پارامتر است که به‌طور معمول برای طبقه‌بندی کردن مسائل واقعی استفاده می‌شود؛ درواقع، مسئلۀ پژوهش به‌صورت مسئله‌ای طبقه‌بندی[47] در حوزۀ داده‌‎کاوی در نظر گرفته و از الگوریتم‌های موفق برای طبقه‌بندی استفاده شده است.

یادگیری درخت تصمیم[48] روشی برای تخمین مقادیر هدف‌گسسته است که یک درخت، الگوی ساخته‌شده در آن را نمایش می‌دهد و الگوی به‌دست‌آمده برای انسان خوانا و فهمیدنی است. این روش یادگیری از رایج‌ترین الگوریتم‌های استنتاج قیاسی است که روی حیطۀ وسیعی از کاربردها از تشخیص‌های پزشکی تا ارزیابی ریسک اعتباردهی وام، به‌صورت موفقیت‌آمیز اعمال شده است. یک درخت براساس مجموعۀ آموزشی ایجاد می‌شود. در این درخت هر گره داخلی، یک آزمون را روی یک ویژگی و هر شاخه، نتیجه‌ای از آزمایش را نشان می‌دهد و هر برگ برچسب یک طبقه را نگهداری می‌کند. برای هر نمونۀ جدید از داده، ویژگی‌های این نمونه در درخت آزمون و یک مسیر از ریشه به‌سمت یک برگِ دارای برچسب یک طبقه ایجاد و برچسب نمونۀ جدید مشخص می‌شود. برای انتخاب ویژگی‌ها در هر گره درخت، از معیارهای آماری متفاوتی چون بهرۀ اطلاعاتی[49]، نسبت بهره[50] و شاخص جی نی[51] استفاده می‌شود. این معیارها برای هر گره وظیفۀ انتخاب ویژگی را دارند که مقادیر مختلف آن، بیشترین خلوص را ازنظر طبقه در داده‌های تقسیم‌شده در شاخه‌های آن گره ایجاد کند. برای جلوگیری از تطابق بیش از حد[52] درخت با داده‌های آموزشی، از روش‌هایی برای کنترل عمق درخت استفاده می‌شود. اندازۀ درخت‌ها با قوانین توقف، کنترل می‌شود یا پس از پایان ساخت، درخت هرس می‌شود. الگوریتم REPTree[53] از الگوریتم‌های شناخته‌شدۀ یادگیری درخت تصمیم است که در این مقاله نتایج خوبی را برای الگوسازی داده‌های مسئله در بر داشته است. الگوریتمREPTree  الگوریتم طبقه‌‎بندی سریعی است که بر مبنای محاسبۀ بهرۀ اطلاعاتی و آنتروپی عمل می‌کند و خطای حاصل از واریانس را به حداقل می‌رساند (ویتن[54] و فرانک[55]، 2005). این روش که ابتدا کوئین‌لان (1987) آن را پیشنهاد داد، از درخت‌های رگرسیونی بهره می‌برد و چندین درخت در تناوب‌های مختلف الگوریتم ایجاد می‌کند؛ درنهایت، بهترین درخت از میان درختان تولیدشده به‌منزلۀ الگو انتخاب می‌شود؛ سپس درخت مدنظر با استفاده از روش هرس کاهش خطا[56] هرس می‌شود. این روش قادر است داده‌های پیوسته و داده‌های مفقود[57] را مدیریت کند (جایانتی[58] و سسیکالا[59]، 2013).

شبکه‌های عصبی، فن پردازش اطلاعات‌اند که به‌طور چشمگیر در زمینه‌هایی چون تعیین الگو، طبقه‌بندی و پیش‌بینی سری‌های زمانی (راعی و بستان‌آرا، 2016) و برای مسائل طبقه‌بندی (که خروجی یک کلاس است) یا مسائل رگرسیون (که خروجی مقدار عددی است) استفاده می‌شوند. یک شبکۀ عصبی[60] به این صورت تعریف می‌شود: «سیستم انطباقی که تعدادی عناصر پردازش ساده را شامل می‌شود و از شبکۀ اعصاب مغز الگوبرداری شده است. عناصر پردازش که درواقع همان نرون‌ها هستند، به هم می‌پیوندند تا یک مسیر پردازش را کامل کنند» (عالم‌تبریز، زندیه و محمدرحیمی،2011). در روش شبکۀ ﻋﺼﺒﯽ ﻓﺮض ﻏﯿﺮﺧﻄﯽ ﺑﻮدن و اﺳﺘﻘﻼل ﻣﺘﻐﯿﺮﻫﺎی ﺗﻮﺿﯿﺤﯽ ﺣﺬف ﺷﺪه اﺳﺖ و در آن رواﺑﻂ ﭘﻨﻬﺎن ﺑﯿﻦ ﻣﺘﻐﯿﺮﻫﺎی ﺗﻮﺿﯿﺤﯽ ﺑﻪ‌منزلۀ ﻣﺘﻐﯿﺮی اﺿﺎﻓﯽ وارد ﺗﺎﺑﻊ می‌شود. شبکۀ ﻋﺼﺒﯽ ﻫﻤﺎﻧﻨﺪ ﻣﻐﺰ اﻧﺴﺎن از گرهﻫﺎﯾﯽ ﺗﺸﮑﯿﻞ ﺷﺪه اﺳﺖ ﮐﻪ ﻋﻤﻞ ﭘﺮدازش ﻋﻨﺎﺻﺮ را اﻧﺠﺎم ﻣﯽدﻫﻨﺪ و همانند ﻧﺮون‌های واقعی ازطریق اﺗﺼﺎل‌های داﺧﻠﯽ ﻣﻮزوﻧﯽ ﺑﻪ ﻫﻤﺪﯾﮕﺮ ﻣﺮﺗﺒﻂ ﺷﺪه‌اﻧﺪ. ﻫﺮ ﮔﺮه ﻋﻼئم ورودی را درﯾﺎﻓﺖ و ﺑﻪ ﺧﺮوﺟﯽ ﺗﺒﺪﯾﻞ ﻣﯽ‌کند ﮐﻪ اﮔﺮ ﻣﻔﻬﻮم و ﻋﻼﻣﺖ ﻗﺎﻧﻊ‌کننده‌ای ﻧﺒﺎﺷﺪ، دوباره به‌منزلۀ علامت ورودی ﺑﻪ ﮔﺮه‌های دیگر وارد و ارﺳﺎل می‌شود. منظور از یادگیری شبکه‌های عصبی، یافتن مقادیر وزن‌های اتصالات است؛ به‎‌طوری که تابع ایجادشده به‌وسیلۀ شبکه، به بهترین وجه ورودی را به خروجی تبدیل کند. شبکه‌های عصبی، معماری‌های متفاوتی دارند. از معروف‌ترین معماری‌های آنها، پرسپترون ﭼﻨﺪﻻیه[61] است؛ زیرا این معماری ﻫﺮ دو ﻣﺰﯾﺖ ﻏﯿﺮﺧﻄﯽ ﺑﻮدن و در ﻧﻈﺮ ﮔﺮﻓﺘﻦ اﺛﺮات ﻣﺘﻘﺎﺑﻞ ﻣﺘﻐﯿﺮﻫﺎ را فراهم می‌کند. به‌علاوه اﯾﻦ روش «طبقه‌بندی ﺟﺎﻣﻊ[62]» ﺷﻨﺎﺧﺘﻪ می‌شود؛ ﺑﻪ اﯾﻦ دﻟﯿﻞ ﮐﻪ ازﻟﺤﺎظ نظری در صورت داشتن تعداد گره و لایۀ نهان کافی، ﻗﺎدر ﺑﻪ طبقه‌بندی ﻫﺮ ﻓﺮاﯾﻨﺪ ﺗﺼﻤﯿﻢ‌ﮔﯿﺮی اﺳﺖ (رحمانی و اسماعیلی، 2011). هدف از یادگیری بیزین، تخمین احتمال طبقۀ یک نمونه از داده‌هاست. استفاده از این روش برای طبقه‌بندی داده‌های زیاد به‌دلیل دقت بالای آن است (قادرزاده، کردستانی و حقیقت، 2017).

به‌دلیل نامتعادل‌بودن داده‌ها و اهمیت شناسایی شرکت‌های متقلب به‌وسیلۀ الگو از روش یادگیری حساس به هزینه استفاده شده است. مجموعه داده‌های نامتعادل[63]، داده‌هایی هستند که در آنها توزیع نمونه‌ها میان طبقه‌های مختلف نامتعادل است. در این نوع مسائل تعداد نمونه‌ها در طبقه‌های خاصی بسیار کمتر از سایر طبقه‌هاست. برای مثال در مسئلۀ بررسی‌شده در این مقاله تعداد داده‌های طبقۀ تقلب بسیار کمتر از داده‌های طبقۀ نرمال است. در بسیاری از کاربردهای واقعی، توزیع داده‌ها نامتعادل است؛ مانند تشخیص بیماری‌ها، تشخیص تقلب، تشخیص حمله به شبکه‌های کامپیوتری و غیره. اصولاً از الگوریتم‌های طبقه‌بندی انتظار می‌رود نتایج یادگیری را روی نمونه‌های مشاهده‌نشدۀ متعلق به طبقه‌های مختلف، با دقت برابری تعمیم دهند؛ اما در عمل الگوریتم‌های یادگیری ماشین به‌طور معمول روی داده‌های نامتعادل ضعیف عمل می‌کنند؛ زیرا به‌راحتی قادرند الگویی ارائه دهند که تمام نمونه‌ها را متعلق به طبقۀ بزرگ‌تر پیش‌بینی کند (زجاجی، 2008). در این حالت پیش‌بینی نمونه‌های طبقۀ بزرگ‌تر 100 درصد درست است؛ اما دقت پیش‌بینی روی طبقۀ کوچک‌تر کاملاً غلط و صفر خواهد بود و با توجه به تعداد کم نمونه‌های این طبقه در مجموعه داده‌ها، دقت کلی پیش‌بینی هم نزدیک به 100 خواهد شد که ازنظر الگوریتم کافی است. حال آنکه در بیشتر کاربردها هدف از الگوسازی غالباً تشخیص نمونه‌های طبقۀ کوچک‌تر است؛ بنابراین، اصلاح داده‌ها یا روش یادگیری برای این نوع مسائل ضروری به نظر می‌رسد. فن‌‌های برخورد با این نوع داده‌ها، به دو دستۀ اصلی تقسیم می‌شوند: فن‌‌های سطح داده و فن‌‌های سطح الگوریتم. در روش‌های سطح دادۀ هدف، متعادل‌‎سازی توزیع طبقه‌ها با استفاده از نمونه‌گیری دوباره[64] از داده‌هاست. ازسوی دیگر، روش‌های سطح الگوریتم می‌کوشند الگوریتم‌های طبقه‌بندی‌کنندۀ موجود را با داده‌های نامتعادل مطالعه‌شده وفق دهند و توجه و توانایی آنها را در یادگیری طبقۀ کوچک‌تر تقویت کنند. یادگیری حساس به هزینه[65] یکی از انواع این روش‌هاست که در این مقاله به آن توجه شده است. طبقه‌بندی حساس به هزینه برای خطاهای طبقه‌بندی مختلف، هزینه‌های متفاوتی در نظر می‌گیرد.

ﻣﺘﻐﯿﺮ واﺑﺴـﺘﻪ در اﯾﻦ پژوهش، ﺻـﻮرت‌های ﻣـﺎﻟﯽ متقلبانه اﺳـﺖ ﮐـﻪ ﻣﺎﻫﯿﺖ ﮐﯿﻔـﯽ و ﻣﻘﯿـﺎس ﺳـﻨﺠﺶ اﺳـﻤﯽ دارد. در اﻧـﺪازهﮔﯿـﺮی اﯾـﻦ ﻣﺘﻐﯿـﺮ، ﺑـﻪ شرکت‌های متقلب ﻋـﺪد ﯾـﮏ و ﺑـﻪ سایر شرکت‌ها ﻋﺪد ﺻـﻔﺮ ﺗﺨﺼــﯿﺺ داده می‌شود. ﺑﺮای ﺗﺸﺨﯿﺺ و ﻃﺒﻘﻪﺑﻨﺪی واﺣﺪﻫﺎی اﻗﺘﺼﺎدی متقلب از بانک اطلاعاتی جامعۀ حسابداران رسمی استفاده شده است. با مدیران و حسابرسانِ شرکت‌های پذیرفته‌‎شده در بورس اوراق بهادار که اقدام به ارائۀ صورت‌های مالی متقلبانه می‌‌کنند، برخورد شده است. این موضوع به‌وسیلۀ کمیتۀ نظارت بر شرکت‌های بورسی محرز می‌گردد و به جامعۀ حسابداران رسمی نیز منعکس می‌شود. جامعۀ حسابداران رسمی نیز به‌صورت سالانه مؤسسه‌های حسابرسی را ازنظر کیفی بررسی کرده یا اگر شکایتی ازطرف هر ذینفعی (مانند سهامداران یا اعتباردهندگان) ارائه شود، موضوع را بررسی می‌‌کند و در صورت قطعی‌شدن تخلف حسابرس با آن برخورد می‌شود؛ بنابراین، با استفاده از بانک اطلاعاتی موجود در جامعۀ حسابداران رسمی، می‌توان اطلاعات شرکت‌های ارائه‌‎کنندۀ صورت‌های مالی متقلبانه را به دست آورد. براساس پژوهش جونز و همکاران (2008) علاوه بر خطای برآورد اقلام تعهدی، از متغیرهای زیر به‌منزلۀ متغیرهای کنترلی استفاده شده است: کل دارایی‌ها (TA) که عبارت از مجموع دارایی‌ها در پایان هر سال، بازده دارایی‌ها (ROA) که عبارت از نسبت سود خالص به مجموع دارایی‌ها در پایان هر سال، اهرم مالی (LEVERAGE) که عبارت از کل بدهی‌ها به کل دارایی‌ها در پایان هر سال، بهره‌وری سرمایه (CP) که عبارت از تقسیم دارایی‌ها به فروش و کل فروش (TS) که عبارت از مجموع فروش در پایان هر سال است.

یافته‌ها

براساس نتایج آمار توصیفی و مقایسۀ دو گروه شرکت‌های متقلب و شرکت‌های کنترل، تفاوت میانگین اهرم مالی بین دو گروه شرکت‌ها ازنظر آماری در سطح 5٪ معنی‌‎دار است. به‌صورت متوسط در شرکت‌های متقلب اهرم مالی بزرگ‌تری گزارش شده است. نتایج پژوهش جونز و همکاران (2008) نشان می‌دهد شرکت‌های متقلب اهرم مالی کوچک‌تری گزارش کرده‌اند که تفاوت نتایج احتمالاً به‌دلیل تفاوت چگونگی تأمین مالی در شرکت‌های خارجی نسبت به شرکت‌های ایرانی است. اختلاف میانگین پسماند اقلام تعهدی در همۀ الگوها که به‌وسیلۀ دارایی‌های اول دوره همگن شده است، در سطح 5٪ معنی‎‌دار است که با پژوهش جونز و همکاران (2008) هماهنگ است. به‌علاوه دربارۀ سایر متغیرها تفاوت معنی‌داری بین شرکت‌های دو گروه ملاحظه نشد و معیار اقلام تعهدی اختیاری محاسبه‌شده در همۀ الگوها قدرت کشف تقلب را دارد و بیشترین تفاوت بین نمونه‌های متقلب و کنترل برای معیارهای دچو و دیچو و مک‌نیکولز است.

الگوی درخت تصمیم با استفاده از نرم‌افزار وکا[66] ساخته شده است. این الگو با به‌کارگیری یادگیری حساس به هزینه آموزش داده شده است. نمونه‌ها با روش ارزیابی متقابل به 10 قسمت تقسیم شده و آموزش و آزمون انجام شده است. ماتریس هزینۀ استفاده‌شده برای الگو‌سازی با درخت تصمیم به کمک یادگیری حساس به هزینه به‌صورت زیر در نظر گرفته شده است:

همان طور که در ماتریس مشخص شده است، هزینۀ تشخیص نمونه‌های تقلب به‌صورت طبیعی، 70 برابر خطای تشخیص طبیعی به‌منزلۀ متقلب در نظر گرفته شده است تا سیستم به‌سمت کشف نمونه‌های متقلب متمایل شود. این مقدار هزینه با آزمایش و خطا به دست آمده است. برای جلوگیری از فراتطابق[67] در الگوریتم REPTree نیز از هرس استفاده شده است.

همان گونه که در جدول 1 ملاحظه می‌شود، دقت کلی درخت تصمیم بین 60 تا 70 درصد برای الگوهای مختلف اقلام تعهدی است و سطح زیر منحنی راک نیز بین 53 تا 65 درصد است و الگوی اقلام تعهدی تعدیل‌شدۀ جونز با نسبت ارزش دفتری بیشترین ارتباط با تقلب را نشان می‌دهد (با دقت کلی 70 درصد و سطح زیر منحنی 65 درصد و خطای نوع اول 30 درصد).

برای الگوسازی شبکه‌های عصبی از روش پرسپترون چندلایه با یک لایۀ نهان استفاده شد که در
نرم‎‌افزار وکا پیاده‎‌سازی شده است. به‌علاوه از یادگیری حساس به هزینه برای افزایش حساسیت شبکۀ عصبی به طبقۀ تقلب استفاده شده است. در یادگیری حساس به هزینه با شبکۀ عصبی، بهترین ماتریس هزینه به شکل زیر یافت شد:

به‌علاوه معماری پرسپترون چندلایه با یک لایۀ نهان و 4 نود نهان تنظیم شده است. میزان یادگیری و ممنتم به ترتیب برابر 3/0 و 2/0 در نظر گرفته شدند. تعداد تکرارها در فرایند یادگیری شبکه 500 بار تنظیم شده است. همان گونه که در جدول 2 ملاحظه می‌شود، دقت کلی عملکرد شبکۀ عصبی بین 42 تا 71 درصد برای الگو‌های مختلف اقلام تعهدی نوسان می‌کند که الگوی دچو و دیچو با دقت 71 درصد و کمترین میزان خطای نوع اول (28 درصد) بیشترین ارتباط با تقلب را نشان می‌دهد.

در  قسمت بعدی از روش بیز ساده^[68] برای الگو‌سازی داده‌های در حال بررسی استفاده شد. این الگوریتم نیز با روش یادگیری حساس به هزینه اعمال شده است تا قادر به نمونه‌‎سازی داده‌های نامتعادل در حال بررسی باشد. دقت کلی شبکۀ بیزین برای الگو‌های مختلف بین 49 تا 56 درصد نوسان می‌کند.

جدول (1) دقت هر الگو براساس خروجی درخت تصمیم

جدول (2) دقت هر الگو براساس خروجی شبکه‌های عصبی

جدول (3) دقت هر الگو براساس خروجی بیزین