SavedAdd your journal

Journals / Gaziantep Üniversitesi Sosyal Bilimler Dergisi / 2015 / Cilt: 14 - Sayı: 1

A Comparative Analysis on the Relative Success of Mixed-Models for Financial Statement Fraud Risk Estimation

Finansal Tablolardaki Hile Riskinin Tahmin Edilmesinde Karma Modellerin Nispi Başarısı Üzerine Karşılaştırmalı Bir Analiz

Mustafa UĞURLU
Şerafettin SEVİM
Pages
65–88
Publication Date
2015-06-01
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Additionally, it is concluded that artificial neural network models are more successful than other models in estimation of FSF

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Loses which are caused by financial statement fraud (FSF) revealed the necessity of early warning system in fraud detection.
📊
Key Findings & Data:The level of success of these models on accurate estimation of financial statement fraud is proved by some empirical studies.
💡
Conclusion & Impact:Additionally, it is concluded that artificial neural network models are more successful than other models in estimation of FSF
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Finansal Tablo Hileleri · Hile Riski · Hile Riskinin Tahmini

Abstract

Loses which are caused by financial statement fraud (FSF) revealed the necessity of early warning system in fraud detection. In this context, many models have been improved. The level of success of these models on accurate estimation of financial statement fraud is proved by some empirical studies. Success level of the models has been discussed in the literature. Main purpose of this study is to reveal relative success of the models which are used in order to estimate FSF by considering the findings in the literature. The findings of this study show that variables of estimation of FSF include variations and also there is not any consensus on this issue in the literature. Additionally, it is concluded that artificial neural network models are more successful than other models in estimation of FSF

Özet

Geçmişte finansal tablo hilelerinin neden olduğu kayıplar, finansal tablo hilelerinin önceden tespitini sağlayacak erken uyarı sistemlerinin gerekliliğini ortaya çıkarmıştır. Bu kapsamda birçok model geliştirilmiştir. Bu modellerin finansal tablo hilelerini doğru tahmin etmedeki başarı düzeyleri, yapılan ampirik çalışmalarla ortaya konmuştur. Hangi modelin daha başarılı olduğu literatürde tartışma konusu edilmiştir. Bu çalışmanın temel amacı, finansal tablolardaki hile riskinin tahmin edilmesinde kullanılan modellerin nispi başarılarını, literatürdeki bulgulara dayalı olarak ortaya koymaktır. Çalışma sonucunda finansal tablo hilelerinin tahmin edilmesinde belirleyici değişkenlerin farklılıklar içerdiği ve literatürde bu konuda bir fikir birliğinin olmadığı tespit edilmiştir. Ayrıca hileli finansal tabloların tahmininde yapay sinir ağları modellerinin, diğer modellerden daha başarılı tahminde bulunduğu sonucuna ulaşılmıştır

🔖

Cite This Article

UĞURLU, M., SEVİM, Ş. (2015). A Comparative Analysis on the Relative Success of Mixed-Models for Financial Statement Fraud Risk Estimation. Gaziantep Üniversitesi Sosyal Bilimler Dergisi, Cilt: 14 - Sayı: 1, 65–88. https://ajindex.com/articles/70271

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (10)

  1. AICPA, (1997). Statement of Auditing Standards (SAS) No. 82 Consideration of Fraud in a Financial Statement Audit, AICPA, New York. Akgöbek, Ö., Öztemel, E. (2006). “Endüktif Öğrenme Algoritmalarının Kural Üretme Yöntemleri ve Performanslarının Karşılaştırılması”, SAÜ Fen Bilimleri Enstitüsü Dergisi, Cilt: 10, Sayı:1, ss.1-9
  2. Albrecht, S., ROMNEY M. (1986). “Red-Flagging Management: a Validation”, Advances in Accounting, Vol. 3, pp.32–33.
  3. Arens, A., Loebbecke, J. (1994). Auditing: An Integrated Approach, 6th Ed, Englewood Cliffs, NJ: Prentice-Hall. Ata, H. A., Seyrek, İ. H. (2009). “The Use of Data Mining Techniques in Detecting Fraudulent Financial Statements: An Applicatıon on Manufacturing Firms”, Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, Cilt: 14, Sayı: 2, ss.157-170
  4. Beasley, M. (1996). “An Empirical Analysis of the Relation Between Board of Director Composition and Financial Statement Fraud”, Accounting Review, 71(4), pp.443–66.
  5. Bell, T., Szykowny, S., Willingham, J. (1993). “Assessing the Likelihood of Fraudulent Financial Reporting: a Cascaded Logic Approach”, Working Paper, KPMG Peat Marwick, Montvale, NJ. Beneish, M. D. (1997). "Detecting GAAP Violation: Implications for Assessing Earnings Management Among Firms with Extreme Financial Performance", Journal of Accounting and Public Policy, Vol:16, No: 3, pp. 271-309
  6. Beneish, M. D. (1999). “The Detection of Earnings Manipulation”, Financial Analysts Journal, Vol:55, No:5, pp. 24-36
  7. Bologna, G., Lindquist R., Wells J. (1996). The Accountant’s Handbook of Fraud and Commercial Crime. New York: John Wiley. Bozkır, A. S., Sezer, E., Gök, B. (2009). “Öğrenci Seçme Sınavında Öğrenci Başarımını Etkileyen Faktörlerin Veri Madenciliği Yöntemleriyle Tespiti”, 5. Uluslararası İleri Teknolojiler Sempozyumu (IATS’09), 13-15 Mayıs 2009,
  8. Karabük. Chen, W. S., Du, Y. K. (2009). “Using Neural Networks and Data Mining Techniques for the Financial Distress Prediction Model”. Expert Systems with Applications, Vol: 36, pp. 4075-4086
  9. Clarence, N., Tan, W. (1997). An Artificial Neural Networks Primer with Financial Applications Examples in Financial Distress Predictions and Foreign Exchange Hybrid Trading System, Bond University, Avusturalya. Çinko, Murat (2006). “Kredi Kartı Değerlendirme Tekniklerinin Karşılaştırılması”, İstanbul Ticaret Üniversitesi Sosyal Bilimler Dergisi, Yıl:5, Sayı:9, ss.143-153
  10. Dalkılıç, N. (2010). “Muhasebe Mesleği Sorumluluk Sigortalarında Yapay Sinir Ağları Yönte