عنوان مقاله :
تبيين گزارشگري مالي- مالياتي متقلبانه شركتها: رويكرد تركيبي دادهكاوي كلاسيك، ANFIS و الگوريتمهاي فراابتكاري
عنوان به زبان ديگر :
Combination of CDM, ANFIS & MH Algorithms in a model to determine Fraudulent Financial-Tax Report
پديد آورندگان :
يوخنه القياني، ماريام دانشگاه آزاد اسلامي واحد اروميه - گروه حسابداري، اروميه، ايران , بحري ثالث، جمال دانشگاه آزاد اسلامي واحد اروميه - گروه حسابداري، اروميه، ايران , جبارزاده كنگرلوئي، سعيد دانشگاه آزاد اسلامي واحد اروميه - گروه حسابداري، اروميه، ايران , زواري رضايي، اكبر دانشگاه آزاد اسلامي واحد اروميه - گروه حسابداري، اروميه، ايران
كليدواژه :
تقلب مالياتي , گزارشهاي مالي , سيستم استنتاج فازي- عصبي تطبيقي , الگوريتمهاي بهينه-سازي فراابتكاري
چكيده فارسي :
شركتها گاهي به تدوين گزارشهاي مالي متقلبانه در راستاي تقلب مالياتي ميپردازند. هدف اين پژوهش، تركيب ابزارهاي دادهكاوي و هوش مصنوعي همراه با الگوريتمهاي فراابتكاري جهت تبيين و بهينهسازي مدلي در شناسايي تقلب و فرار مالياتي با بهكارگيري ظرفيت گزارشهاي مالي است. نشانگرهاي كيفي و كمي گزارشهاي مالي 1056 سال- شركت بورس اوراق بهادار تهران از 1385 تا 1398 در رويكرد كلاسيك بررسي و جهت تبيين مدل در سيستم استنتاج فازي–عصبي تطبيقي بهكارگرفته شد. يافتههاي پژوهش نشان ميدهد كه در بهينهسازي با الگوريتم ژنتيك، الگوريتم بهينهسازي ازدحام ذرات و الگوريتم تكامل تفاضلي، الگوريتم ازدحام ذرات، بهينهترين مدل را حاصل نموده و در بررسي با دادههاي آزمايشي و آموزشي كاراترين الگوريتم است. نتايج حاكي از اين است كه بهكارگيري الگوريتمهاي بهينه سازي مختلف در رويكرد دادهكاوي، سبب افزايش قدرت پيشبيني مدل شناسايي گزارشگري مالي- مالياتي متقلبانه ميگردد.
چكيده لاتين :
Companies sometimes file fraudulent financial statements for tax fraud. The purpose of this study is to combine data mining tools and artificial intelligence with meta-heuristic algorithms to explain and optimize a model for detecting fraud and tax evasion by using the capacity of financial reporting. Qualitative and quantitative indicators of financial reports of 1056 year- companies in the Tehran Stock Exchange in the period of 2006 to 2019 were studied in the classical approach and used to expand the model in the Adaptive Neural-Fuzzy Inference System. Findings show that in optimization with genetic algorithm, particle swarm optimization algorithm and differential evolution algorithm, the most efficient model is obtained by particle swarm algorithm, which is the most efficient algorithm in the study with experimental and educational data. The results indicate that the application of different optimization algorithms in the data mining approach increases the predictive power of the fraudulent financial-tax reporting identification model
عنوان نشريه :
مطالعات تجربي حسابداري مالي
