پیش بینی تقلب صورت های مالی با استفاده از رویکرد کریسپ(CRISP)

هدف اصلی این مقاله پیش بینی تقلب صورت های مالی با استفاده از رویکردکریسپ است. داده های اولیه مورد بررسی در این پژوهش، مربوط به نمونه آماری با حجم 164 شرکت پذیرفته شده در بورس اوراق بهادار تهران طی مقطع زمانی 1396 -1393 می باشد، که به روش نمونه گیری حذف سیستماتیک انتخاب شده اند. متغیرهای مستقل تاثیر گذار بر تقلب در این پژوهش در برگیرنده 40 متغیر مالی و غیر مالی می باشد که بر اساس پیشینه پژوهش انتخاب شده اند. در نهایت داده های مربوط به متغیرها براساس رویکرد کریسپ، جهت تعیین وزن و ویژگی متغیرهای بااهمیت به مدل آنتروپی شانون و به منظور پیش بینی تقلب به 4تکنیک برتر از بین تکنیکهای هوش مصنوعی داده شد، که این تکنیکها شامل؛ درخت تصمیم، شبکه های عصبی، ماشین بردار پشتیبان و روش ترکیبی آدابوست ماشین بردار پشتیبان می باشد. با استفاده از آنتروپی شانون از بین 40 متغیر پژوهش، 27 متغیر برتر براساس ویژگی سود اطلاعاتی، مشخص گردید، که متغیر نسبت سود انباشته به فروش به عنوان با اهمیت ترین متغیر در زمینه پیش بینی تقلب صورت های مالی شناسایی شده است. پس از بکارگیری رویکرد کریسپ، نتایج نشان داد تمامی تکنیک ها قابلیت کشف تقلب صورت های مالی را در سطح نسبتا بالایی دارند و تکنیک پیشنهادی آدابوست ماشین بردار پشتیبان در مرحله آموزش با نرخ دقت 81.69% دارای دقت و توان ارزیابی بالاتری نسبت به سایر تکنیک ها بوده و این تکنیک در مرحله آزمایش 82% صورتهای مالی متقلبانه و غیرمتقلبانه سال 1396 را بدرستی تشخیص داد.