1
دانشجوی دکتری، رشته حسابداری، دانشگاه ازاد اسلامی واحد قائنات
2
استادیار گروه حسابداری دانشگاه آزاد اسلامی واحد بیرجند
چکیده
بسیاری از شرکت‌ها با تخلف در صورت‌های مالی موجب به‌هم‌ریختگی نظام اقتصادی می‌شوند و این امر موجب یک بحران مهم نظام اقتصادی شده است. راهکارهای مختلفی برای تشخیص وجود دارد که اکثراً انسانی می‌باشند. این راهکارها دارای هزینه‌های بالایی برای محاسبه و بررسی صورت‌های مالی تمامی شرکت‌ها دارند ازاین‌جهت باید به دنبال راهکاری بود که بتواند با استفاده از داده‌کاوی و خودکار این فرآیند تشخیص را انجام دهد. البته روش‌های داده‌کاوی نیز برای این قضیه ارائه‌شده‌اند که هر یک دارای مزایا و معایبی می‌باشند. روش‌های داده‌کاوی که تا به اینجا برای این کار ارائه شدند دارای سربار بالای محاسباتی و یا دقت پایین بودند. حال‌آنکه در روش پیشنهادشده در این تحقیق از درخت تصمیم‌گیری ID3 بهبودیافته به همراه شبکه بیزین و ماشین بردار پشتیبان به‌عنوان یک روش ترکیبی استفاده‌شده است. در این روش پیشنهادی برای بهبود عملکرد و دقت از الگوریتم مجموعه راف و تحلیل سلسله مراتبی در جهت انتخاب ویژگی‌های مؤثر کمک گرفته‌شده است. درختی که در روش پیشنهادی ایجاد می‌شود دارای کمترین عمق ممکن است و ازاین‌رو دارای سرعت بالایی است. سربار محاسباتی روش پیشنهادی به دلیل استفاده از الگوریتمی بهینه پایین می‌باشد. داده‌های استفاده‌شده در ارزیابی داده‌های مربوط به 3 سال از 60 شرکت است. در ارزیابی روش پیشنهادی نشان داده‌شده است که روش پیشنهادی دارای دقت 80 درصد می‌باشد که نسبت به روش‌های مشابه به خود دقت بالایی به حساب می‌آید. سربار زمانی در روش پیشنهادی O(m.n) و سربار حافظه O(n) است که m، نشان‌دهنده اندازه مجموعه آموزش و n نشان‌دهنده مجموعه ویژگی مورد استفاده در آموزش می‌باشد.
Andon, Paul, Clinton Free, and Benjamin Scard, 2019, Pathways to accountant fraud: Australian evidence and analysis, Accounting Research Journal 28, vol. 1, pp. 10-44.
Lookman, Sanni, and Selmin Nurcan, 2020, A Framework for Occupational Fraud Detection by Social Network Analysis, In CAISE 2015 FORUM.
Sarno, Riyanarto, Rahadian Dustrial Dewandono, Tohari Ahmad, Mohammad Farid Naufal, and Fernandes Sinaga, 2019, Hybrid Association Rule Learning and Process Mining for Fraud Detection, IAENG International Journal of Computer Science 42, p. no. 2.
Van Vlasselaer, Véronique, Tina Eliassi-Rad, Leman Akoglu, Monique Snoeck, and Bart Baesens, 2019, Afraid: fraud detection via active inference in time-evolving social networks, In Proceedings of the 2019 IEEE/ACM International Conference on Advances in Social Networks Analysis, pp. 659-666.
Mugarura, N., 2020, Uncoupling the relationship between corruption and money laundering crimes.Journal of Financial Regulation and Compliance, 24(1).
Nikoloska, s., Simonovski, I., 2019, Role of banks as entity in the system for prevention of money laundering in the Macedonia, Procedia - Social and Behavioral Sciences 44, 453 – 459.
Armideh, Javad, Asghari Vasksi. Shideh, 2013, Application of Fuzzy Logic in Presenting a Fuzzy Expert System for Diagnosis of Different Mental Illnesses, The First Conference on New Approaches in Computer Engineering and Information Retrieval in Iran, October 6, (In Persian).
Rupinder Kaur, Amrit Kaur, 2019, Hypertension Diagnosis Using Fuzzy Expert System, International Journal of Engineering Research and Application (IJERA), ISSN: 2248-9622.
Kantesh Kumar Oad, Xu DeZhi & Pinial Khan Butt , 2019, A Fuzzy Rule based Approach to Predict Risk Level of Heart Disease, Global Journal of Computer Science and Technology: C Software & Data Engineering, Volume 14 Issue 3 Version 1.0, Online ISSN: 0975-4172 & Print ISSN: 0975-4350
Adams, J.; and Sargin, E., 2016, Deep neural networks for youtube recommendations, In Proceedings of the 10th ACM Conference on Recommender Systems, 191–198. ACM.
Ojeme Blessing Onuwa et. All, 2019, Fuzzy Expert System for Malaria Diagnosis, An International Open Free Access, Peer Reviewed Research Journal, Published By: Oriental Scientific Publishing Co., India, Vol.7,No. (2):Pgs. 273-284 [ISSN: 0974-6471]
Ziming Yin, Yinhong Zhao, Xudong Lu, and Huilong Duan, 2020, Screening of Alzheimer’s Disease Based on Multiple Neuropsychological Rating Scales, Hindawi Publishing Corporation Computational and Mathematical Methods in Medicine, Volume, Article ID 258761, 13 pages.
Colladon, A. F., Remondi, E. 2020. Using Social Network Analysis to Prevent Money Laundering, Elsevier Science, DOI: 10.1016/j.eswa.2020.09.029.
Chi DJ., Chu CC., Chen D. 2019, Applying Support Vector Machine, C5.0, and CHAID to the Detection of Financial Statements Frauds. In: Huang DS., Huang ZK., Hussain A. (eds) Intelligent Computing Methodologies. ICIC 2019. Lecture Notes in Computer Science, vol 11645. Springer, Cham.
Hao Wang, Chengzhi Mao, Hao He, Mingmin Zhao, Tommi S. Jaakkola, Dina Katabi, 2019, Bidirectional Inference Networks: A Class of Deep Bayesian Networks for Health Profiling”, Machine Learning (stat.ML); Artificial Intelligence (cs.AI); Computer Vision and Pattern Recognition (cs.CV); Machine Learning (cs.LG).
Hariri, N. Mobasher, B. and Burke, R., 2017, Context-aware music recommendation based on latenttopic sequential patterns, In Proceedings of the sixth ACM conference on Recommender systems, 131 –138. ACM.
Kim, Yeonkook J., Baik, Bok. Cho, Sungzoon, 2020, Detecting financial misstatements with fraud intention using multi-class cost-sensitive learning, Expert Systems with Applications, No. 62, pp. 32-43.
Dashtbayaz, Mahmoud, 2019, Data search and discovery process for financial statement fraud, Research Journal of Finance and Accounting, Vol.6, No.3.
Mohamed Yusof. K., Ahmad Khair A.H. & Jon Simon., 2015, Fraudulent Financial Reporting: An Application of Fraud Models to Malaysian Public Listed Companies, The Macrotheme Review. 4(3), (In Persian).
Ravenda D., Valencia-Silva M. M., Argiles-Bosch J. M., García-Blandón J., 2018, Money laundering through the strategic management of accounting transactions, Critical Perspectives on Accounting.
I O Eweoya, A Adebiyi, A Azeta, F Chidozie, F O Agono, B Guembe, 2019, A Naive Bayes approach to fraud prediction in loan default, Journal of Physics: Conference Series, Volume 1299, Number 1.
قمری مقدم, امین, & اله نخعی, حبیب. (1400). ارائه راهکاری برای پیش بینی شرکت های متقلب مالیاتی مبتنی بر الگوریتم های داده کاوی درخت تصمیم بهینه شده، ماشین بردار پشتیبان و شبکه بیزین. مجله نوآوری های فناوری اطلاعات و ارتباطات کاربردی, 1(4), 15-32.
MLA
امین قمری مقدم; حبیب اله نخعی. "ارائه راهکاری برای پیش بینی شرکت های متقلب مالیاتی مبتنی بر الگوریتم های داده کاوی درخت تصمیم بهینه شده، ماشین بردار پشتیبان و شبکه بیزین". مجله نوآوری های فناوری اطلاعات و ارتباطات کاربردی, 1, 4, 1400, 15-32.
HARVARD
قمری مقدم, امین, اله نخعی, حبیب. (1400). 'ارائه راهکاری برای پیش بینی شرکت های متقلب مالیاتی مبتنی بر الگوریتم های داده کاوی درخت تصمیم بهینه شده، ماشین بردار پشتیبان و شبکه بیزین', مجله نوآوری های فناوری اطلاعات و ارتباطات کاربردی, 1(4), pp. 15-32.
VANCOUVER
قمری مقدم, امین, اله نخعی, حبیب. ارائه راهکاری برای پیش بینی شرکت های متقلب مالیاتی مبتنی بر الگوریتم های داده کاوی درخت تصمیم بهینه شده، ماشین بردار پشتیبان و شبکه بیزین. مجله نوآوری های فناوری اطلاعات و ارتباطات کاربردی, 1400; 1(4): 15-32.
)