Finansal Tablolarda Hile Riskinin Tespit Edilmesinde Veri Madenciliği Yöntemlerinin Kullanılmasına Yönelik Bir Araştırma

Çalışmanın amacı, 2015-2019 yılları arasında hisse senetleri BİST Tekstil, Giyim Eşyası ve Deri sektöründe işlem gören şirketlerin bağımsız denetimden geçmiş finansal tablolarına yönelik hile riskinin veri madenciliğine dayalı yöntemler kullanılarak finansal oranlar aracılığıyla tespit edilmesi ve buna bağlı olarak bu yöntemlerin hileyi tespit etme başarısının ortaya çıkarılmasıdır. Bu amaçla bağımsız denetim raporları ve haftalık SPK Bültenleri çalışma kapsamında incelenerek hileli finansal raporlama uygulamalarına başvurma durumları tespit edilmiştir. Bu kapsamda ilgili dönemlere ait 127 finansal tablo ve bağımsız denetim raporu incelenmiştir. Çalışmada, alanyazında hileli finansal raporlamayı açıklamada kullanılan 12 finansal oran ile veri madenciliğine dayalı 10 yöntem kullanılmıştır. Araştırma bulgularına göre, çalışma kapsamında kullanılan veri madenciliğine dayalı tüm modellerin, hile riski taşıdığı kabul edilen finansal tablolar ile hile riski taşımadığı kabul edilen finansal tabloları doğru sınıflandırmada % 70’in üzerinde başarılı oldukları ve en başarılı yöntemlerin J48 ve Derin Öğrenme yöntemleri ile kurulan modeller olduğu sonucuna ulaşılmıştır.

A Study on the Use of Data Mining Methods to Detect Financial Statement Fraud Risk

The aim of this study is to determine the fraud risk of the independently audited financial statements of companies whose stocks are traded in the Borsa Istanbul Textile, Clothing and Leather sector between 2015-2019 using data mining-based methods, through financial ratios, and accordingly, to reveal the success of these methods in detecting fraud. For this purpose, independent audit reports and weekly Capital Market Boards of Turkey (CMB) Bulletins were examined within the scope of the study, and cases of applying to fraudulent financial reporting practices were determined. In this context, 127 financial statements and independent audit reports of relevant periods were examined. In the study, 12 financial ratios used in literature to explain fraudulent financial reporting and 10 methods based on data mining were used. According to research findings, all models based on data mining used within the scope of the study were more than 70% successful in correctly classifying financial statements that are considered to have fraud risk and financial statements that are considered to have no fraud risk, and the most successful methods are models established with J48 and Deep Learning methods.

___

  • ACFE (2020). Report to The Nations: 2020 Global Study On Occupational Fraud And Abuse.
  • AICPA. Consideration of Fraud in a Financial Statement Audit, https://www.aicpa.org/ (21.12.2020).
  • Altıntaş, N. N. (2010). Denetimde Hata ve Hile. İstanbul Üniversitesi Sosyal Bilimler Dergisi, 1, 151-161.
  • Amara, I., Amar, A. & Jarbouı, A. (2013). Detection of Fraud in Financial Statements: French Companies as a Case Study, International Journal of Academic Research in Accounting, Finance and Management Sciences, 3(3), 40-51.
  • Ata, H. A. & Seyrek, İ. H. (2009). The Use Data Mining Techniques In Detecting Fraudulent Financial Statements: An Application On Manufacturing Firms. Süleyman Demirel Üniversitesi İ.İ.B.F. Dergisi, 14(2), 157-170.
  • Bell, T. & Carcello, J. (2000). A Decision Aid For Assessing The Likelihood Of Fraudulent Financial Reporting, Auditing: A Journal of Practice&Theory, 19(1), 169-184.
  • Can, A. V. (2010). Krizin Muhasebesi ve Muhasebenin Krizi. Mali Çözüm Dergisi, 97, 21-48.
  • Chen, M. (2011). Predicting Corporate Financial Distress Based on Integration of Desicion Tree Classification and Logistic Regression. Expert Systems With Applications, 38(9), 11261-11272.
  • Craja, P. Kim, A. & Lessmann, S. (2020). Deep Learning for Detecting Financial Statement Fraud. Decision Support Systems, 139, 1-13.
  • Çıtak, N. (2009). Yaratıcı Muhasebe Hileli Finansal Raporlama Mıdır?. Mali Çözüm Dergisi, 91, 81-112.
  • Demir, M., Kısakürek, M. M. & Arslan, Ö. (2019). İç Denetim Siteminin Hileli Finansal Raporlamayı Önlemedeki Rolüne Yönelik Bağımsız Denetçiler Üzerinde Bir Araştırma. Muhasebe ve Finansman Dergisi, Sayı 82, 111-134.
  • Demirci, M. (2019). Destek Vektör Makineleri ve M5 Karar Ağacı Yöntemleri Kullanılarak Yağış-Akış İlişkisinin Tahmini, Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 10(3), 1113-1124.
  • Dutta, I., Dutta, S. & Raahemi B. (2017). Detecting Financial Restatements Using Data Mining Techniques. Expert Systems With Applications, 90, 374-393.
  • Eraldemir, S., Arslan, M. & Yıldırım, E. (2017). Hilbert Huang Dönüşümü Uygulanan EEG İşaretlerinden J48 ve Rastgele Orman Sınıflandırıcılarının Karşılaştırılması. International Advanced Researches&Engineering Congress, 1250-1256.
  • Frank, E., Trigg, L., Holmes, G. & Witten, I. (2000). Technical Note: Navie Bayes For Regression. Kluwer Academic Publishers, 41, 5-25.
  • Freund, Y. & Schapire, R. E. (1999). A Short Introduction to Boosting. Journal of Japanese Society for Artificial Intelligence, 14(5), 771-780.
  • Kırlıoğlu, H. & Ceylan, İ. F. (2014). Mali Tablo Denetiminde Ön Analitik İnceleme Tekniği Olarak Veri Madenciliğinin Kullanımı: Borsa İstanbul Uygulaması. Akademik Yaklaşımlar Dergisi, 5(1), 13-36.
  • Kıymık, H., Bekci, İ. & Acar, D. (2015). Örgütsel Kültür ve Örgütsel Muhasebe Kültürü İle Hileli Finansal Raporlama Arasındaki İlişki: Borsa İstanbul (BIST) Hizmetler Endeksinde Bir Araştırma. Muhasebe Bilim Dünyası Dergisi, 17(4), 759-784.
  • Kolyiğit, Ö., Aşlıyan, R. & Günel, K. (2012). Türkçe Dokümanlar İçin Yazar Tanıma. Uşak Üniversitesi XIV. Akademik Bilişim Konferansı Bildirileri, 423-428.
  • Kopun, D. (2018). A Review of the Research on Data Mining Techniques in the Detection of Fraud in Financial Statements. Journal of Accounting and Management, 8(1), 1-18.
  • Koskivaara, E. (2004). Artificial Neural Networks in Auditing: State Of The Art. The ICFAI Journal Of Audit Practice, 4(1), 12-33.
  • Kotsiantis, S., Koumanakos, E., Tzelepis, D. & Tampakas, V. (2006). Forecasting Fraudulent Financial Statements Using Data Mining. International Journal of Computational Intelligence, 3(2), 104-110.
  • Liou, F. M. (2008). Fraudulent Financial Reporting Detection and Business Failure Prediction Models: A Comparison. Managerial Auditing Journal, 23(7), 650-662.
  • Liu, C., Chan, Y., Kazmi, S.& Fu, H. (2015). Financial Fraud Detection Model: Based on Random Forest. International Journal of Economics and Finance, 7(7), 178-188.
  • Özbirecikli, M. (2013). TTK ve Hile Denetimi Süreci: Denetim Uygulamaları ve Denetçi Eğitimi Çerçevesinde Bir İnceleme. XXXII. Türkiye Muhasebe Eğitimi Sempozyumu Bildiriler Kitabı, Konya.
  • Rezaee, Z. (2005). Causes, Consequences and Deterence of Financial Statement Fraud. Critial Perspective on Accounting, 16, 277-298.
  • Sharma, T. & Jain, M. (2013). WEKA Approach for Comparative Study of Classification Algorithm. International Journal of Advanced Research in Computer and Communication Engineering, 2(4), 1925-1931.
  • Söylemez, Y. & Türkmen S. (2017). Yapay Sinir Ağları Modeli İle Finansal Başarısızlık Tahmini. Finans Ekonomi ve Sosyal Araştırmalar Dergisi, 2(4), 270-284.
  • Spathis, C. T. (2002). Detecting False Financial Statements Using Published Data: Some Evidence From Greece. Managerial Auditing Journal, 17(4), 179-191.
  • SPK. Sermaye Piyasasında Bağımsız Denetim Standartları Hakkında Tebliğ, Seri: X, No:22. https://spk.gov.tr/Sayfa/Dosya/590, (14.12.2020).
  • Şişmanoğlu, G., Koçer, F., Önde, M. A. & Şahingöz, Ö. K. (2020), Derin Öğrenme Yöntemleri İle Borsada Fiyat Tahmini. BEÜ Fen Bilimleri Dergisi, 9(1), 434-445.
  • Terzi, S. (2012). Hileli Finansal Raporlama Önleme ve Tespit, Beta Basım Yayım AŞ. İstanbul.
  • Tokmak, M. & Kıraç, A. (2021). Evrişimsel Sinir Ağları ile Örümcek Kuşugillerin Bazı Türlerinin Sınıflandırılması. Bilge International Journal of Science and Technology Research, 5(1), 72-79.
  • Ye, H. Xiang, L. and Gan, Y. (2019). Detecting Financial Statement Fraud Using Random Forest with Smote. IOPConference Series: Materials Science and Engineering, Number 612, 1-12.