کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
388731 660936 2007 9 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Data Mining techniques for the detection of fraudulent financial statements
ترجمه فارسی عنوان
تکنیک های داده کاوی برای کشف تقلب در صورت های مالی
کلمات کلیدی
صورتهای مالی تقلبی و جعلی - تقلب در مدیریت - داده کاوی - حسابرسی - یونان
فهرست مطالب مقاله
چکیدهمقدمه
تحقیقات پیشین
روش تحقیق
داده ها
متغیرها
جدول 1 : مقادیر P و آمار متغیرهای ورودی
روش ها
درخت تصمیم گیری
شبکه عصبی
شبکه بیزین
آزمایشات و تحلیل نتایج
جدول 2 : متغیر های تفکیک کنندهدرخت تصمیم گیری
جدول 3: متغیرهای انتخاب شده
جدول 4 : عملکرد در مقابل مجموعه آزمایشیسنجش اعتبار مدل هامتغیرهای انتخاب شده شبکه بیزین
جدول 5 : عملکرد اعتبارسنجی مقطعی 10 لایهنتیجه گیری
ترجمه چکیده
این مقاله کارایی تکنیک های طبقه بندی با استفاده از داده کاوی (DM)در شناسایی شرکت هایی را که صورت های مالی خلاف واقع (FFS) منتشر می کنند، بررسی کرده و به شناسایی عوامل مرتبط با FFS نیز می پردازد. حسابرسان می توانند با بهره بردن از تکنیک های داده کاوی برای کشف تقلب های مدیریتی، کار خود را ساده تر کنند. این مطالعه تأثیر استفاده از درخت های تصمیم گیری، شبکه های عصبی و شبکه های بیزین در شناسایی صورت های مالی تقلبی را بررسی می نماید. بردار درون داد از نسبت های برگرفته از صورت های مالی تشکیل شده است. سه مدل مذکئور از لحاظ عملکرد مورد مقایسه قرار می گیرند.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
چکیده انگلیسی
This paper explores the effectiveness of Data Mining (DM) classification techniques in detecting firms that issue fraudulent financial statements (FFS) and deals with the identification of factors associated to FFS. In accomplishing the task of management fraud detection, auditors could be facilitated in their work by using Data Mining techniques. This study investigates the usefulness of Decision Trees, Neural Networks and Bayesian Belief Networks in the identification of fraudulent financial statements. The input vector is composed of ratios derived from financial statements. The three models are compared in terms of their performances.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Expert Systems with Applications - Volume 32, Issue 4, May 2007, Pages 995–1003
نویسندگان
, , ,