Удиртгал
Манай улсад сүүлийн жилүүдэд хуурамч санхүүгийн тайлан гаргах явдал газар
авсаар байна. Энэ нь уг гэмт хэрэгт ног...
R squared, Хи квадратын утга, Andrews, Hosmer-Lemeshow нарын Goodness-of-Fit
тестүүдээр шалгана.

Судлагдсан байдал
Brenna...
удирдлагын зардалын индекс (SGAI) зэрэг хэд хэдэн индексүүд боловсруулсан байдаг.
Харин Энэтхэгийн эрдэмтэн Beneish -ын үз...
капитал/нийт хөрөнгө болон Альтманы Z индекс зэрэг хүчин зүйлс нь хамгийн их
нөлөөлдөг байна.
Belinna Bai, Jerome Yen, Xia...
S.Kotsiantis, E.Koumanakos, D.Tzelepis болон V.Tampakas нарнь “Forecasting
Fraudulent Financial Statements using Data Mini...
1.1 Санхүүгийн тайлагналд үнэлгээ өгөх FRAUD загвар
Энэ загвар нь анх Donald Cressey4-ийн залилангийн гурвалжин буюу FRAUD...
түүнээс гадна тус загварын монголчилсон хувилбарыг боловсруусанаар аудитын
компани болон татварын байцаагч, хөрөнгийн бирж...
болон Chasteen (2009), Smith (2010) нар бүгд ложистик регрессийн загвар ашигласан
байдаг.
Ложит загварыг

байдлаар тодорхо...
2.1 FRAUD загварын гаргалгаа ба үр дүн
Судалгааны энэ хэсэгт МонголынУул уурхайн салбарын 257 санхүүгийн тайлан
мэдээнд7 т...
Model 6: Mahdi Salehi, Ali Mansory, Reza Perayesh “Firm size and audit regulation and
fraud detection: empirical evidence ...
Q8

Мөн хөрөнгө/Орлого

0.767

12.9127

1.5%

Q9

Мөн хөрөнгө/ЭХ

0.052

0.0866

1.2%

Q10

ҮА-ны зардал/Орлого

4.612

75...
Q1

186.3599 68.04749

2.738675

0.0062

Q8

14.45798 6.092159

2.373211

0.0176

Q13

-11.56896 5.293853

-2.185357 0.028...
Descriptive statistics for explanatory variables
Mean
Variable

Dep=0

Dep=1

All

C

1.000000

1.000000

1.000000

Q1

0....
Estimated Equation
Dep=0
Dep=1
Total

Constant Probability
Dep=0
Dep=1
Total

P(Dep=1)<=C 8

0

8

0

0

0

P(Dep=1)>C
Tot...
Value
[0, 0.2)
[0.8, 1)
[1, 1.2)
Total

Count
8
24
225
257

Cumulative
Count
8
32
257
257

Percent
3.11
9.34
87.55
100.00
...
Q4

ТДЦА/БО

-0.377

2.259

0.124

0.139

0.142

0.137

Q5

ТДЦА/НХ

-0.668

0.002

0.123

0.166

0.130

0.136

Q12

ҮАБЗа...
Тус компанийн хувьд 2008 онд санхүүгийн талангаа алдаатай гаргахад нь хамгийн их
нөлөөлсөн хүчин зүйлс нь Q4, Q5 болон Q15...
Дүгнэлт, санал
Тус судалгаа болон бусад эрдэмтэдийн судалгаанаас харахад хуурамч буюу
алдаа агуулсан санхүүгийн тайланг эк...
Ашигласан материал
1. Fraudexamination. 3. ed. Albrecht, W. S.; Albrecht, C. C.; Albrecht, C. O.; Zimbelman, M.
F.Mason: S...
College of Business and Economics, Australian National University, Canberra, Australia,
2009
16. Analysis ratios for detec...
Хавсралт
Dependent Variable: LM
Method: ML - Binary Logit
Date: 03/14/13 Time: 13:02
Sample: 1 257
Included observations: ...
Upcoming SlideShare
Loading in...5
×

Б.Алтанцэцэг, Ч.Буяндэлгэр - Монголын уул уурхайн салбарын хөрөнгө оруулагчдад зориулсан алдаатай санхүүгийн тайланг илрүүлэгч FRAUD загвар

726

Published on

Published in: Education
0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total Views
726
On Slideshare
0
From Embeds
0
Number of Embeds
1
Actions
Shares
0
Downloads
7
Comments
0
Likes
0
Embeds 0
No embeds

No notes for slide

Б.Алтанцэцэг, Ч.Буяндэлгэр - Монголын уул уурхайн салбарын хөрөнгө оруулагчдад зориулсан алдаатай санхүүгийн тайланг илрүүлэгч FRAUD загвар

  1. 1. Удиртгал Манай улсад сүүлийн жилүүдэд хуурамч санхүүгийн тайлан гаргах явдал газар авсаар байна. Энэ нь уг гэмт хэрэгт ногдуулах хариуцлага сул болон хөрөнгө оруулалт татах, ашиг хонжоо олох зорилгоор тайландаа өөрчлөлт оруулах, эсвэл мэргэжлийн чадвар, мэдлэг муутай нягтлан бодогч, удирдлагтай компаниудын хувьд өөрийн санхүүгийн тайлагналаа буруу, ташаа гаргах зэрэг олон шалтгаанаас үүдэлтэй юм. Монгол улсын эдийн засгийн өсөлтөд хамгийн их нөлөөлж, улсын төсвийг бүрдүүлэгч гол эх үүсвэр болох татварын орлогын дийлэнхи хувийг бүрдүүлж байгаа салбар нь уул уурхайн салбар юм. Энэхүү салбар нь сүүлийн жилүүдэд эрчимтэй хөгжиж түүнийгээ дагаад уул уурхайн салбарт чиглэх гадаадын хөрөнгө оруулалтын өдрөөс өдөрт нэмэгдэж байна. Хөрөнгө оруулагчдын хувьд хамгийн гол шалгуур нь тухайн ААН-ийн санхүүгийн тайлан мэдээлэл, түүний баталгаатай эсэх асуудал байдаг. Гэтэл гадаад зах зээл дээр манай улсын уул уурхайн салбарт үйл ажиллагаа явуулдаг компаниудын талаар таагүй мэдээлэл цацагдаад байна. Тухайлбал: Азийнхөрөнгөоруулагч, санхүүгийнмэргэжилтнүүдийгөдөртутмынхэрэгцээтмэдээллээрхангажбайдаг Kong Economic Hong Journal сэтгүүлийннэгэндугаартМонголтойхолбоотойкомпаниудынхувьцаагхудалдажавахдаама шболгоомжтойхандажбайхыгсануулсанбайна. НийтлэлчийнүзэжбайгаагаарМонголдүйл ажиллагааявуулдагуулуурхайнкомпаниудынүйлажиллагаатогтвортойбус, урьдчилантаамаглахынаргагүйбайдгаасгаднаихэнхнькомпанийнзасаглалынхэмхэмжээг мөрдлөгболгодоггүй, үйлажиллагааныболонсанхүүгийнтайланмэдээгээцагхугацаандньгаргадаггүй мөн санхүүгийн тайлан баталгаатай бус байдаг гэсэн мэдээлэл гарсан. Энэ мэдээллээс үүдээд гадны хөрөнгө оруулагчид санхүүгийн тайлангийн залилангаас болгоомжлон хөрөнгө оруулалтаа татах мөн цуцлах байдал газар авч байна. Иймээс бид энэхүү судалгааны ажлаараа өөрийн орны нөхцөл байдал, уул уурхайн салбарын онцлогт нийцсэн алдаатай (хуурамч) санхүүгийн тайланг илрүүлэгч загвараа 120 компанийн сүүлийн 3 жилийн 257 санхүүгийн тайлан мэдээнд тулгуурлан эконометрикийн Ложит, Пробит, Linear загварууд ашиглан EViewsпрограмын тусламжтайгаар боловсруулах болно. Мөн загварын сонголт, үнэлгээний үр дүнболон ач холбогдолыг шалгахдаа Akaike info criterion, Schwarz criterion, LR statistic, McFadden
  2. 2. R squared, Хи квадратын утга, Andrews, Hosmer-Lemeshow нарын Goodness-of-Fit тестүүдээр шалгана. Судлагдсан байдал Brennan, Niamh; McGrath, Maryнарын (2007) “Financial statement fraud: some lessons from US and European case studies” судалгаандаа нийт 14 (Америкийн 9, Европын 5) кэйс жишээ хамруулсан байдаг. Тус судалгааны гол зорилго нь санхүүгийн залиланг хэн гаргадаг, ямар үзүүлэлтэд, яаж хамгийн их өөрчлөлт оруулдаг зэргийг экспертийн шинжилгээгээр тодорхойлох явдал байлаа. Тэдний үзэж байгаагаар бол санхүүгийн гэмт хэргийг ерөнхий захирал 86 хувь, гүйцэтгэх захирал 65 хувь, санхүүгийн албаны дарга 50 хувь, анхлах нягтлан 64 хувь гэх мэтээр үйлддэг байна. Харин хуурамч тайлан гаргахдаа гол төлөв борлуулалттай холбоотой хүчин зүйлсийг хамгийн их өөрчилдөг байна. Charalambos T. Spathis нь “Detecting false financial statements using published data: some evidence from Greece”, 2002, судалгааны ажилдаа боловсруулах салбарын 76 компани хамруулсан байна. Судалгаандаа logistic regression загвар 1 ашигласан ба загварын үр дүгээс харвал санхүүгийн залилан хийхэд ашиглагддаг гол хувьсагч нь Zиндекс байсан ба түүний Т тестын утга нь 6.292 байсан бол түүний араас цэвэр ашиг/нийт хөрөнгө, ажлын капитал/нийт хөрөнгө, нийт өр/нийт хөрөнгө, цэвэр борлуулалт/нийт хөрөнгө зэрэг харьцаанууд байна гэж үзсэн байна Isabel Wang (The Australian National University), “An analysis of financial statement fraud at the assertion level”, 2009, судалгааны ажилд санхүүгийн залиланг нягтлан бодох бүртгэл болон аудитын стандарт тэдгээрийн алдаа дутагдал, залилан хийх нөхцөл боломжийн талаар дэлгэрэнгүй дурьдсан байдаг. Тус судалгаагаар бол дийлэнхи аудиторууд нь санхүүгийн тайлангийн алдаа дутагдалыг бүрэн гүйцэд илрүүлж чаддаггүй шалтгааныг Graham and Bedard 2003 болон Mock, Turner 2005 нарын судалгааны ажилд тулгуурлан боловсруулсан байна. By Cynthia Harrington, Associate Member (Association of Certified Fraud Examiners), “Analysis ratios for detecting financial statement fraud”, 2005, судалгаа нь санхүүгийн тайлан нь алдаатай эсхийг илрүүлхэх борлуулалтын өсөлтийн индекс (SGI), нийт ашгийн индекс (GMI), хөрөнгийн үнэ цэнийн индекс (AQI), борлуулалт болон 1 Илүү дэлгэрэнгүйг DeMaris, 1992;Mendenhall and Sincish, 1993; Menard, 1995 2
  3. 3. удирдлагын зардалын индекс (SGAI) зэрэг хэд хэдэн индексүүд боловсруулсан байдаг. Харин Энэтхэгийн эрдэмтэн Beneish -ын үзэж байгаагаар бол эдгээр индексүүдийн ашиглавал хуурамч тайланг ойролцоогоор 50 орчим хувьтайгаар илрүүлдэг болохыг өөрийн судалгаагаараа баталсан байдаг. Mahdi Salehi, Dr. Ali Mansoury, and Dr. Reza Pirayesh, нарын “Firm size and audit regulation and fraud detection: empirical evidence from Iran”, 2009 онд Ираны 180 компанийг хамруулсан, 240 асуулга бүхий түүвэр судалгаанд санхүүгийн залилан нь тухайн улсын аудитын тогтолцоо, зах зээлийн орчин, аудитын компаниудын хэмжээ болон чанар зэрэг үзүүлэлтүүдээс хэрхэн хамаардаг талаар биномын тестын тусламжтайгаар судалсан байна. Тус судалгааны үр дүнд нь Иран улсад гарч буй санхүүгийн залилалгын гол шалтгаан нь аудит болон нягтлан бодох бүртгэлийн тогтолцоо, стандарт нь муу, хуулийн сиймхий ихтэй, хариуцлага багатай зэргээс хамгийн их шалтгаалсан байна. Belinna Bai, Jerome Yen, Xiaoguang Ynag нар2 24 алдаатай болон 124 алдаагүй санхүүгийн тайлан мэдээ ашиглан CART загвар, Логистик регресс загваруудын тусламжтайгаар санхүүгийн залилан хийхэд хамгийн их нөлөөлж болох 24 хүчин зүйлийг илрүүлсэн байна.Эдгээр хүчин зүйлс нь нийт орлого/нийт хөрөнгө, орлогын өөрчлөлтийн хувь, нийт хөрөнгөд эзлэх цэвэр орлогын хувийн жин зэрэг зөвхөн санхүүгийн тайлан мэдээнд тулгуурласан хувьсагчид байна. Гэвч дийлэнхи судлаачдын үзэж байгаагаар санхүүгийн залиланг илрүүлхийн тулд зөвхөн санхүүгийн тайлан мэдээ бус бусад чанарын хүчин зүйлсийг хамруулан загвар боловсруулах нь илүү үр дүнтэй байдаг байна. Efstathios Kirkos, Charalambos Spathis, Yannis Manolopoulos нарын боловсруулсан “Detection of Fraudulent Financial Statements through the use of Data Mining Techniques”,2005, судалгаанд Neural Networks (NN) болон Bayesian Belief Network (BBN)загварууд ашиглагдсан байна. Тус судалгааны үр дүнгээс харвал NN загвар нь залилал агуулсан алдаатай тайланг 82.5 хувиар, алдаагүй тайланг 77.5 хувиар үнэн таамаглаж байсан бол BBN загвар нь алдаатай тайланг 91.7 хувиар, алдаагүй тайланг 88.9 хувиар үнэн таамаглаж байсан байжээ. Мөн тэдний судалгаагаар санхүүгийн залиланд хамгийн их нөлөөлж болох 27 хүчин зүйлсээс нийт өр төлбөр/өөрийн хөрөнгө, нийт ашиг/нийт хөрөнгө, борлуулалт/нийт хөрөнгө, ажлын 2 “False financial statements: Characteristics of China‟s listed companies and cart detecting approach”, 2008, International Journal of Information Technology & Decision Making 3
  4. 4. капитал/нийт хөрөнгө болон Альтманы Z индекс зэрэг хүчин зүйлс нь хамгийн их нөлөөлдөг байна. Belinna Bai, Jerome Yen, Xiaoguang Ynag нарын “False financial statements: Characteristics of China’s listed companies and cart detecting approach”, 2008, судалгааны хувьд 24 алдаатай болон 124 алдаагүй санхүүгийн тайлан мэдээ ашиглан CART загвар, Логистик регресс загваруудын тусламжтайгаар санхүүгийн залиланд хийхэд хамгийн их нөлөөлж болох 24 хүчин зүйлийг илрүүлсэн байна.Тус судалгаагаар тодорхойлосон загвар нь судалгаанд хамрагдаагүй, Хятад улсад үйл ажиллагаагаа явуулж буй бусад компаниудын санхүүгийн тайлан нь хир зэрэг алдаа агуулж байгааг маш сайн илрүүлж байгааг харуулжээ. Charalambos T. Spathis, Aristotle University, “Detecting false financial statements using published data: some evidence from Greece” судалгааны ажилд нийт 76 түүвэр хамруулсан бөгөөд Логистик регрессийн загварын үр дүнд дараах тэгшитгэл гаргасан байна. Санхүүгийн залиланд нөлөөлөгч хүчин зүйлс Дундаж Стандарт хбз T-тест NF F NF F Өр төлбөр/Өөрийн хөрөнгө 1.075 2.705 0.937 3.351 -2.75 Борлуулалт/Нийт хөрөнгө 1.055 0.699 0.576 0.416 3.087 Цэвэр ашиг/Борлуулалт 0.067 -0.459 0.159 2.434 1.329 Авлага/Цэвэр борлуулалт 0.456 1.755 0.349 5.897 -1.356 Цэвэр ашиг/Нийт хөрөнгө 0.074 -0.021 0.064 0.095 5.11 Ажлын капитал/Нийт хөрнгө 0.252 0.054 0.205 0.238 3.892 Нийт ашиг/Нийт хөрөнгө 0.274 0.144 0.14 0.121 4.333 Бараа материал/Борлуулалт 0.179 0.359 0.158 0.656 -1.643 Нийт өр төлбөр/Нийт хөрөнгө 0.437 0.629 0.196 0.242 -3.783 Альтманы Z индекс 1.990 0.778 0.730 0.936 6.292 , , мөн CP -ын үр дүн нь үнэн тайланг үнэн гэж 84.2 хувиар, хуурамч тайланг хуурамч гэж 86.1 хувиар таамагладаг байна. 4
  5. 5. S.Kotsiantis, E.Koumanakos, D.Tzelepis болон V.Tampakas нарнь “Forecasting Fraudulent Financial Statements using Data Mining” сэдэвт судалгааны ажилдаа3 41 хуурамч болон 123 хуурамч бус санхүүгийн тайлангаас нийт 25 санхүүгийн харьцаа сонгон K2, C4.5, 3NN, RBF, RIPPER, LR, SMO зэрэг загваруудаар үнэлхэд эдгээр загваруудын найдвартай байдал нь дунджаар 80 гаруй хувьтай байсан бол хуурамч тайланг илрүүлэх чадвар нь 90 орчим хувьтай гарсан байна. Энэ мэтчилэн алдаатай, хуурамч санхүүгийн тайланг илрүүлэх чиглэлээр олон төрлийн судалгаа сүүлийн жилүүдэд хийгдэж байгаа ч улс орон бүрийн бизнес, эдийн засаг, татвар, хууль эрх зүйн орчин болон санхүүгийн залилан хийж буй аргаас шалтгаалан өөр өөр байдаг байна. Эдгээрээс судалгаануудаас бид Efstathios Kirkos (2005), Lenoronard Rang'ala Lara (2009), Charalambos T. Spathis (2010), BelinnaBai, Jerome Yen(2008) нарын судалгаанд тулгуурлан загвараа боловсруулах болно. 3 International Journal of Computational Intelligence Volume 3 Number 2 2006 ISSN 1304 5
  6. 6. 1.1 Санхүүгийн тайлагналд үнэлгээ өгөх FRAUD загвар Энэ загвар нь анх Donald Cressey4-ийн залилангийн гурвалжин буюу FRAUD TRAINGLE гэдэг загварт үндэслэн тодорхойлсон ба түүний онолын түвшинд гаргасан тус загварыг шинжлэх аргыг Ютагийн их сургууль болон Калифорниагийн их сургуулиудын Christoper j.Skousen, Kevin R.Smith, Charlotte J.Wright нарын эрдэмтэд боловсруулсан байна. Доналд Крессей санхүүгийн залилангаас болж хоригдсон хэдэн зуун хүмүүстэй шоронгийн нөхцөлд ярилцлага хийж ямар ч тохиолдолд залилан гарахад Шаардлага, Боломж, Ухаалаг тайлбар гэсэн үндсэн гурван төрлийн хүчин зүйл нөлөөлдөг гэж үзсэн. Өөрөөр хэлбэл тухайн этгээд залилан хийх хэрэгцээ шаардлага гаран, боломж бололцоо бүрдэж тухайн үйлдлээ хаацаалах ухаалаг тайлбар нөхцөл бүрдүүлж байж сая залиланг үйлддэг байна. Тус загварыг ашиглан хөрөнгө оруулагч, зээлдүүлэгч хамтран ажиллагч, бэлтгэн нийлүүлэгч, компанийн ажилчид, томоохон худалдан авагчид зэрэг тухайн компаний үйл ажиллагаатай холбоотой бүхий л санхүүгийн мэдээлэл хэрэглэгчид нь тухайн компанийн санхүүгийн байдалд бат итгэлтэй байх боломжийг олгож байгаа юм. Мөн 4 Donald Cressey залилангийн гурвалжин буюу FRAUD TRAINGLE загварыг үндэслэсэн нь FRAUD загварын үндэс суурь болж өгсөн. J.Skousen, R. Smith, J. Wright “DETECTING AND PREDICTING FINANCIAL STATEMENT FRAUD: THE EFFECTIVENESS OF THE FRAUD TRAINGLE AND SAS“, 2008 6
  7. 7. түүнээс гадна тус загварын монголчилсон хувилбарыг боловсруусанаар аудитын компани болон татварын байцаагч, хөрөнгийн бирж зэрэг байгууллагуудын ажлын ачааллыг маш их хөнгөвчлөх боломжтой болно. Санхүүгийн залилангийн төрөл: 1. Орлого болон Авлагын дансаар залилан хийх 2. Бараа материал болон ББӨ-ийн дансаар залилан хийх 3. Өр төлбөр болон зардлыг багасган залилан хийх 4. Хөрөнгийг багасган залилан хийх 5. Гол зүйлүүдийг буруу илэрхийлэн залилан хийх гэх мэт Санхүүгийн залиланг Доналд Крессей онолоор тайлбарлавал Шаардлага  Эдийн Боломж засаг, Ухаалаг тайлбар санхүүгийн  Аудитыг өөрийн хүсэл  Мэргэжлийн хямралаас үүдэн санхүүгээ сонирхолын сайн харагдуулах ашиглах  Хөрөнгө оруулалт татах хяналт,  Нийгмийн хэрэгжилтийг гуйвуулах  Байгууллагын гаднах болон  Дүрэм доторх авилгалыг нуун хандлага, хуулийн журамыг урвуулан ашиглах хэрэгжилт  Байгууллага дотроо  Авилга хээл хахууль дарагдуулах  Хувьцааны зүй, дадал чадвар эзэмшсэн байдал  Хуулийн  Татвар бага төлөх дагуу үнийг бууруулах өсгөх,  Байгууллагын хяналт  Зээлийн нөхцөл хангах ѐс сул хамсан залилан дотоод үйлдэх бие зохион биеэ хаацаалах байгуулалтгүй  Бизнесээ борлуулах 1.2 Эконометрик загварын тавил Энэ төрлийн судалгаанд гол төлөв Artificial Neural Networks (ANN), Bayesian, Decision tree, Stacking variant methodology, support vector machine (SVM), C4.5, bagging5зэрэг загварууд ашигласан байдаг хэдий ч тайлбарлагч хувьсагч нь чанарын хувьсагч байдаг шугаман магадлалын загвар болох Ложит загвар хамгийн тохиромжтой гэж G.Apparao, Arun Singh, G.S.Rao, B.Lalitha Bhavani, K.Eswar,D.Rajani (2009) нар тодорхойлсон. Мөн Beasley (1996), Dechow (1996), Fanning болон Cogger (1998), Summers болон Sweeney (1998), Beneish (1999), Bell болон Carcello (2000), Feroz (2000), Lee(2003), Dunn (2003), Uzun (2004), Chen болон Sennetti (2005), Charlotte (2008), Lanny 5 Дэлгэрэнгүйг Johan L. Perols, Detecting financial statement fraud: Three essayson fraud predictors, multi-classifier combinationand fraud detection using data mining”, 2008 7
  8. 8. болон Chasteen (2009), Smith (2010) нар бүгд ложистик регрессийн загвар ашигласан байдаг. Ложит загварыг байдлаар тодорхойлдог.Энд нь 0 эсвэл 1 гэсэн утга авах болно. Өөрөөр хэлбэл тухайн үзүүлэлт маань үр дүн гарсан эсвэл гараагүй гэсэн утгыг илэрхийлнэ. гэсэн утгыг авах магадлал нь гэсэн утга авах магадлал нь байна. Ложит загварын болно. Харин магадлалын тархалтын ложистик тархалтын хуульд захирагдана гэж үздэг. Тэгвэл ложит загварын үндсэн тэгшитгэлийн тавил дараах байдалтай болно. Энд: эндоген хувьсагч, экзоген хувьсагчид байна. Ложистик загварын утга нь хязгаарлагдсан биш, Х-ээс шугаман хамааралтай байх боловч магадлалаараа шугаман биш байна. мөн нэг бус хэд хэдэн үл хамаарах хувьсагчийг загварт оруулхад Х хувьсагчид нь үндсэн онолдоо захирагддаг. Мөн орлуулбал функц маань гэж хэлбэртэй болох баүүнийг ложистик тархалтын функц гэнэ. Ложистик загварын хувьд үнэлгээ хийхэд хамааран хувьсагчийг (0, 1) утгыг авна гэж үзвэл гэсэн тодорхойгүй байдалд хүрнэ. Тиймээс энэ хүндрэлээс гарахын тулд хамааралгүй хувьсагчийн утгын хувьд тодорхой бүлэглэл хийж бүлэг тус бүрт харгалзах магадлалын үнэлгээг олдог. Харин Пробит загварыг анх M.Fadden боловсруулж байжээ. Энэ загварын ерөнхий хэлбэр нь ба энд байгаа тайлбарлагч хувьсагчид харгалзахкоэффициент ба дараах байдлаартодорхойлогдно: нь тайлбарлагч хувисагч, гадны шок. Харин pt p( yt 1) pt ( I -ын утга нь -ийн хувьд дараах хэлбэртэй байна гэж үзье. It * t нь It ) 1 2 F (It ) *e t2 2 dt Эндээс -ын утга нь чанарын хувьсагчидын итгэх магдлалын хэвийн тархалтын хуулинд захирагдсан функцын урвуу функцын утга гэсэн үг юм. Өөрөөр хэлбэл байна6. Загварын сонголт, үнэлгээний үр дүн, ач холбогдолыг шалгахдаа PE , success статистикууд, болонAndrews, Hosmer-Lemeshow нарын Goodness-of-Fit тестүүдээр шалгах болно. 6 Дэлгэрэнгүйг John Fox „Logit and Probit Models‟ York SPIDA 2010 8
  9. 9. 2.1 FRAUD загварын гаргалгаа ба үр дүн Судалгааны энэ хэсэгт МонголынУул уурхайн салбарын 257 санхүүгийн тайлан мэдээнд7 тулгуурлан Ложистик регрессийн загвар, Пробит загвар, Шугаман регрессийн загварууд ашиглан алдаатай (хуурамч) санхүүүгийн тайланг илрүүлэгч загварыг EViews 5.0 програмын тусламжтайгаар боловсруулах болно. Түүврийн хувьд санамсаргүй түүврийн арга ашиглав. Өөрөөр хэлбэл тухайн компанийн үнэн болон худлаа санхүүгийн тайланг олох маш бэрхшээлтэйгээс гадна тухайн компаний нууцлалын асуудал яригдах учир бид дээрхи түүвэр мэдээллийг аудитын компани, хувиараа тайлан гаргадаг хувь хүмүүс, санхүүгийн зөвлөгөө өгдөг их дээд сургуулийн багш, татварын байцаагчид, зээлийн эдийн засагчид, хөрөнгө оруулагчид г.м хувь хүн, байгууллагуудаас цуглуулах боломжуудын аль нэгийг8 ашиглан цугуулах боломжтой хэдий ч энэ удаад бид гадны эрдэмтэдийн боловсруулсан загваруудын тусламжтайгаар дээрхи санхүүгийн тайлангуудад хуурамч болон жинхэнэ тайлан байгаа эсэхийг илрүүлсэний үндсэн дээр өөрсдийн загвараа боловсруулах болно. Иймээс бид дараах загваруудын тусламжтайгаар алдаа агуулсан болон алдаа агуулаагүй санхүүгийн тайланг илрүүлэх юм. Үүнд: Model 1: Efstathios Kirkos, Charalambos Spathis, “Detection of Fraudulent Financial Statementsthrough the use of Data Mining Techniques”, 2005 Model 2:Isabel Wang, Renee Radich, Neil Farger“An analysis financial statement fraud at the assertion level”, 2009 Model 3: Lenoronard Rang'ala Lara, “The Power of Financial Ratios in Dedecting Fraudulent Financial Reporting”, 2009 Model 4: Johan L.Perols “Detecting financial statement fraud:Three essays on fraud predictors, multi-classifiercombination and fraud detection using data mining”, 2008 Model 5: Charalambos T. Spathis, Aristotle University, “Detecting false financial statements using published data: some evidence from Greece”, 2010 7 Нийт 257 хувьцаат компанийн сүүлийн гурван жилийн буюу 2009-2011 оны Дээрхи компаниудын тоон мэдээ, санхүүгийн тайланг аль байгууллагаас авсан нь нийтэд ил болсон тохиолдолд тус байгууллага, бүлэг хүмүүсийн нэр хүнд, цаашлаад тэднээр үйлчлүүлэлгчидийн итгэл алдрах зэрэг олон сөрөг үр дагвартай. 8 9
  10. 10. Model 6: Mahdi Salehi, Ali Mansory, Reza Perayesh “Firm size and audit regulation and fraud detection: empirical evidence from Iran”, 2009 Model 7: BelinnaBai, Jerome Yen, “False Financial Statements: Characteristics of China’s Listed Companies and Cart Detecting Approach” 2008 Жишээ нь: Model 7нь9 дээрхи Tabulation of Model4 Cumulative Cumulative 257 түүврээс 247 буюу 96.11 Value Count Percent Count Percent хувийг нь алдаа агуулаагүй, [0, 0.1) 248 91.89 340 91.89 үлдсэн 10 нь ямар нэг байдлаар [0.1, 0.2) 2 0.54 342 92.43 алдаа [0.3, 0.4) 1 0.27 343 92.70 тайлан болохыг харуулж байна. [0.5, 0.6) 2 0.54 345 93.24 Бусад загварын хувьд Model 1 [0.7, 0.8) 1 0.27 346 93.51 нь 9, Model 2нь 21,Model 3нь 24, [0.8, 0.9) 2 0.54 348 94.05 [0.9, 1) 12 3.24 360 97.30 [1, 1.1) 10 2.70 370 100 Total 257 100.00 371 100.00 агуулсан санхүүгийн Model 4нь 21,Model 5нь 128, Model 6нь 18 санхүүгийн тайланг ямар нэгэн байдлаар алдаа агуулсан тайлан болохыг баталсан байна. Иймээс хамааран хувьсагч болох Fraud -ын утга нь санхүүгийн тайлан нь үнэн байж болох 214 санхүүгийн тайлангийн хувьд 1, санхүүгийн тайлан нь алдаатай, худал гэгдэх 4 санхүүгийн тайлангийн хувьд 0 гэсэн үнэлгээ авах болно. Харин үл хамааран хувьсагчидыг сонгохдоо дээрхи загваруудад хамгийн өргөн ашиглагдсан дараах 21 санхүүгийн харьцааг сонгов. Үүнд: Үл хамааран хувьсагчид Дундаж Хэлбэлзэл Хамаарал Q1 0.854 4.8910 15.3% Q2 БХӨТ/Орлого 6.396 56.4578 2.1% Q3 Өр төлбөр/Орлого 7.047 56.5001 -0.8% Q4 Цэвэр ашиг/борлуулалт 2.053 33.3459 2.1% Q5 Цэвэр ашиг/нийт хөрөнгө 0.051 0.9822 18.4% Q6 Бараа материал/борлуулалт 4.637 57.3881 1.9% Q7 9 Борлуулалт/нийт хөрөнгө Бараа материал/ЭХ 0.463 0.2464 13.4% International Journal of Information Technology & Decision Making Vol. 7, No. 2 (339–359) 10
  11. 11. Q8 Мөн хөрөнгө/Орлого 0.767 12.9127 1.5% Q9 Мөн хөрөнгө/ЭХ 0.052 0.0866 1.2% Q10 ҮА-ны зардал/Орлого 4.612 75.4623 1.6% Q11 Удирдлагын зардал/Орлого 1.113 17.0981 1.7% Q12 ҮА-ны бус зардал/Орлого 1.136 19.3485 1.6% Q13 Хур ашиг/НХ 0.026 0.4715 7.4% Q14 Хур ашиг/ЭӨ 0.283 1.6297 -4.8% Q15 Биет хөрөнгө/НХ 0.552 0.2510 -10.7% Q16 Өр төлбөр/Өөрийн хөрөнгө 0.777 8.8308 -13.2% Q17 Авлага/цэвэр борлуулалт 12.407 172.1479 1.9% Q18 Ажлын капитал/нийт хөрнгө 0.096 0.4243 -6.3% Q19 Нийт ашиг/нийт хөрөнгө 0.090 0.7579 19.6% Q20 Нийт өр төлбөр/нийт хөрөнгө 0.428 0.4479 -23.0% Q21 Альтманы Z индекс 7.779 26.5269 6.7% Пробит загварын хувьд тэгшитгэлийн ерөнхий тавил маань It t2 1 * e 2 dt хэлбэртэй байна.Тухайн үзүүлэлтийн MI 2 магадлал нь хамааран , харин хувьсагч, харгалзахкоэффициент, гэсэн утгыг авах гэсэн утга авах магадлал нь ( сул коэффициент, үл нь Эйлэрийн тогтмол. Dependent Variable: PM Method: ML - Binary Probit Date: 03/14/13 Time: 13:11 Sample: 1 257 Included observations: 257 Convergence not achieved after 10 iterations Covariance matrix computed using second derivatives Variable Coefficien Std. Error z-Statistic Prob. t C -17.39310 5.579570 -3.117283 0.0018 11 хамааран . Мөн нь үл хувьсагчид
  12. 12. Q1 186.3599 68.04749 2.738675 0.0062 Q8 14.45798 6.092159 2.373211 0.0176 Q13 -11.56896 5.293853 -2.185357 0.0289 Q18 -17.57564 6.903120 -2.546043 0.0109 Q10 1.277721 0.590484 2.163853 0.0305 Q11 19.31409 8.522473 2.266254 0.0234 Q21 2.385607 0.853225 2.795988 0.0052 Mean dependent var 0.968872 S.D. dependent var 0.174004 S.E. of regression 0.006650 Akaike info criterion 0.064265 Sum squared resid 0.011012 0.174742 Log likelihood -0.257990 Hannan-Quinn criter. Restr. log likelihood -35.63125 Schwarz criterion Avg. log likelihood 0.108693 0.001004 LR statistic (7 df) 70.74652 McFadden R-squared 0.992759 Probability(LR stat) 1.04E-12 Obs with Dep=0 8 Obs with Dep=1 249 PM-17.39309967 + Total obs 186.3599224*Q1 257 + 14.45797874*Q8 - 11.5689554*Q13 - 17.57563848*Q18 + 1.277720784*Q10 + 19.31409234*Q11 + 2.385607465*Q21 Тус загварын үнэлгээний үр дүн нь ложит регрессийн загвар болон шугаман регрессийн загваруудаа бодвол AIC, SIC, LR statistic, McFadden R square, Log likelihood утгууд нь статистикийн хувьд илүү ач холбогдол өндөртэй, алдаа багтай, сайн загвар болох нь харагдаж байна. Иймээс цаашид хэвийн тархалттай пробит загварыг сонгох нь илүү тохиромжтой юм. TFS болон FFS-ийн үзүүлэлтүүд Dependent Variable: PM Method: ML - Binary Probit Date: 03/14/13 Time: 13:16 Sample: 1 257 Included observations: 257 12
  13. 13. Descriptive statistics for explanatory variables Mean Variable Dep=0 Dep=1 All C 1.000000 1.000000 1.000000 Q1 0.046950 0.656238 0.637272 Q8 0.104600 1.108443 1.077195 Q13 -0.026650 0.054678 0.052146 Q18 0.027375 0.108273 0.105755 Q10 0.460838 6.539898 6.350667 Q11 0.149125 1.566045 1.521939 Q21 0.328750 8.546855 8.291039 Standard Deviation Variable Dep=0 Dep=1 All C 0.000000 0.000000 0.000000 Q1 0.016881 0.799955 0.794467 Q8 0.116458 15.73932 15.49244 Q13 0.183209 0.520762 0.513650 Q18 0.194907 0.435274 0.429860 Q10 0.403516 91.98186 90.53944 Q11 0.062806 20.83907 20.51236 Q21 0.781465 30.33910 29.89579 Observations 8 249 257 Дээрхи хүснэгтийн хувьд санхүүгийн залиланд нөлөөлөгч хүчин зүйлс нь алдаа агуулсан санхүүгийн тайлан (FFS) болон алдаа агуулаагүй (TFS) санхүүгийн тайлангуудад ихээхэн ялгаатай гарсан байна. Ялан гуяа FFS-ийн хувьд Q18, Q10, Q21зэрэг үзүүлэлтүүд нь стандарт хэлбэлзэл илүү их өндөр болох нь харагдаж байна. Загварын магадлалт чанарын утга Dependent Variable: PM Method: ML - Binary Probit Date: 03/14/13 Time: 13:16 Sample: 1 257 Included observations: 257 Prediction Evaluation (success cutoff C = 0.5) 13
  14. 14. Estimated Equation Dep=0 Dep=1 Total Constant Probability Dep=0 Dep=1 Total P(Dep=1)<=C 8 0 8 0 0 0 P(Dep=1)>C Total Correct % Correct % Incorrect Total Gain* Percent Gain** 249 249 249 100.00 0.00 0.00 NA 249 257 257 100.00 0.00 3.11 100.00 8 8 0 0.00 100.00 249 249 249 100.00 0.00 257 257 249 96.89 3.11 0 8 8 100.00 0.00 100.00 100.00 Dep=0 E(# of Dep=0) 7.88 Estimated Equation Dep=1 Total 0.13 8.01 Dep=0 0.25 Constant Probability Dep=1 Total 7.75 8.00 E(# of Dep=1) 0.12 248.87 248.99 7.75 241.25 249.00 Total Correct % Correct % Incorrect Total Gain* Percent Gain** 249.00 248.87 99.95 0.05 3.06 98.34 257.00 256.75 99.90 0.10 5.93 98.37 8.00 0.25 3.11 96.89 249.00 241.25 96.89 3.11 257.00 241.50 93.97 6.03 8.00 7.88 98.46 1.54 95.35 98.41 *Change in "% Correct" from default (constant probability) specification **Percent of incorrect (default) prediction corrected by equation Дээрхи тестийн үр дүнгээс харвал бидний загвар маань 99.9 хувиар үнэн таамаглаж байгааг харуулж байна. Мөн түүнчлэн алдаа агуулсан санхүүгийн тайланг алдаа агуулсан гэж 99.95 хувиар, алдаа агуулаагүйг алдаа агуулаагүй гэж 98.46 хувиар үнэн зөв таамаглаж байна. Загварын итгэх интервалын утга байгуулах нь Tabulation of PM Date: 03/14/13 Time: 13:34 Sample: 1 257 Included observations: 257 Number of categories: 3 14
  15. 15. Value [0, 0.2) [0.8, 1) [1, 1.2) Total Count 8 24 225 257 Cumulative Count 8 32 257 257 Percent 3.11 9.34 87.55 100.00 Cumulative Percent 3.11 12.45 100.00 100.00 250 Series: PM Sam ple 1 257 Observations 257 200 M ean M edian M axim um M inim um Std. Dev. Skewness Kurtosis 150 100 0.968748 1.000000 1.000000 0.000101 0.169365 -5.395527 30.19251 50 Jarque-Bera Probability 9165.043 0.000000 0 0 .0 0 .2 0 .4 0 .6 0 .8 1 .0 Нийт 257 TFS-ийн 249 нь буюу 96.8 хувь нь 0.8-аас дээш,FFS-ийн 8нь буюу 3.11 хувь нь 0.2-оос доош байна. Ингээд бидний боловсруулсан хуурамч санхүүгийн тайланг илрүүлгч Fraud загварын It утга нь 2 t 1 * e 2 dt гарч бана. Энд: 2 LMF= 17.39309967 + 186.3599224*Q1 + 14.45797874*Q8 - 11.5689554*Q13 17.57563848*Q18 + 1.277720784*Q10 + 19.31409234*Q11 + 2.385607465*Q21байна. Харин тус загварын итгэх интерваль нь дараах байдалтай байна. Үүнд: бол санхүүгийн тайлан нь алдаа агуулаагүй 1. Fraud 0.929 бол алдаагүй байх магдлалтай 2. бол санхүүгийн тайлан нь алдаатай байна. 3. “Х” Компанийн санхүүгийн тайланд хийсэн туршилт Хүчин зүйлс FFS TFS 2009 2010 2011 2012 Q1 БО/НХ 3.417 0.636 0.988 1.188 0.915 0.994 Q3 Өр төл/БО 8.656 6.910 0.232 0.234 0.353 0.285 15
  16. 16. Q4 ТДЦА/БО -0.377 2.259 0.124 0.139 0.142 0.137 Q5 ТДЦА/НХ -0.668 0.002 0.123 0.166 0.130 0.136 Q12 ҮАБЗар/БО 0.080 1.225 0.045 0.027 0.065 0.104 Q14 Хур А/ЭӨ 0.549 0.261 0.298 0.365 0.394 0.463 Q15 Биет хөр/НХ 0.644 0.544 0.933 0.834 0.699 0.629 Q16 Өр төл/ЭӨ 4.773 0.437 0.297 0.385 0.477 0.395 Q18 А кап/НХ 0.188 0.088 0.322 0.356 0.337 0.209 Q20 ӨТ/НХ 0.781 0.398 0.229 0.278 0.323 0.283 Q21 Z индекс 1.725 8.294 4.268 4.318 3.590 3.928 LMутга -2.618 1.544 4.930 13.447 FRAUD утга 0.0680 0.8241 0.9928 1.0000 PMутга -1.251 0.898 2.623 7.039 FRAUD утга 0.1055 0.8154 0.9956 1.0000 Logitзагвараар үнэлсэн үнэлгээ Probit загвараар үнэлсэн үнэлгээ Загваруудын үнэлгээний үр дүнгээс харвал Х компанийн санхүүгийн тайлан нь 2008 онд алдаатай, хуурамч байх магадлал маш өндөр байсан бол жилээс жилд алдаа нь багассаар 2011 онд ямар нэгэн алдаа агуулаагүй санхүүгийн тайлан болсон байгаа нь харагдаж байна. Санхүүгийн залилан гаргахад хамгийн их нөлөөлсөн хүчин зүйлс Он C Q1 Q3 Q4 Q5 Q12 Q14 Q15 Q16 Q18 Q20 Q21 LM FRAUD 2008 37.8 3.8 -0.1 0.0 2.7 0.3 -0.4 -39.0 -0.1 -10.7 -1.8 4.8 -2.6 0.068 2009 37.8 4.6 -0.1 0.1 3.7 0.2 -0.5 -34.8 -0.1 -11.8 -2.2 4.8 1.5 0.828 2010 37.8 3.6 -0.1 0.1 2.9 0.4 -0.5 -29.2 -0.1 -11.2 -2.6 4.0 4.9 0.993 2011 37.8 3.9 -0.1 0.1 3.0 0.6 -0.6 -26.3 -0.1 -6.9 -2.3 4.4 13.4 1.000 FFS 37.8 13.3 -2.0 -0.1 -14.8 0.5 -0.7 -26.9 -1.3 -6.2 -6.3 1.9 -4.9 0.008 TFS 37.8 2.5 0.8 0.0 -0.3 -22.7 -0.1 -2.9 -3.2 9.3 26.5 1.000 -1.6 7.0 16
  17. 17. Тус компанийн хувьд 2008 онд санхүүгийн талангаа алдаатай гаргахад нь хамгийн их нөлөөлсөн хүчин зүйлс нь Q4, Q5 болон Q15 гэсэн үзүүлэлтүүд байсан байна. Эдгээрээс R15 хамгийн их нөлөөлсөн байна. Хүчин зүлсийн маржинал эффект (MEt):Хүчин зүйлсийн маржинал эффектыг тооцох үед Ложит болон Пробит загваруудаар үнэлсэн үнэлгээний CF (Correction factor) -ийн утга нь Ложит загварын хувьд 0.014088 гарсан бол Пробит загварын хувьд –ийн дундаж буюу 0.025309 байна. C Q1 Q3 Q4 Q5 Q12 Q14 Q15 Q16 Q18 Q20 Q21 Хамаарал 15.3 -0.8 2.1 18.4 1.6 -4.8 -10.7 -13.2 -6.3 -23.0 6.7 FFS 37.7 13.3 -2.0 -0.1 -14.8 0.5 -0.7 -26.9 -1.3 -6.2 -6.3 1.9 TFS 37.7 2.5 -1.6 0.8 0.0 7.0 -0.3 -22.7 -0.1 -2.9 -3.2 9.3 37.7 3.88 -0.23 0.37 22.09 5.68 -1.26 -41.76 -0.26 -33.18 -8.06 1.12 MEt 0.03 0.00 0.00 0.16 0.04 -0.01 -0.30 0.00 -0.24 -0.06 0.01 19.5 2.02 -0.12 0.19 11.53 2.95 -0.65 -21.48 -0.13 -17.28 -4.09 0.59 MEt 0.10 -0.01 0.01 0.56 0.14 -0.03 -1.06 -0.01 -0.84 -0.20 0.03 1.78 0.02 0.00 0.00 0.14 0.00 -0.03 -0.85 -0.01 -0.79 -0.72 0.00 Logit Probit Linear Дээрхи хүснэгтээс харвал Q1, Q4, Q5, Q12 болон Q21 харьцаанууд буурах тусам, эсвэл үлдсэн харьцаанууд өсөх тусам санхүүгийн тайлан нь алдаатай, хурамч байхад нь нөлөөлдөг буюу MIFraudзагварын утга тэгрүү тэмүүлхэд нь нөлөөлдөг байна. Жишээлбэл;Z индекснь нэг нэгжээр нэмэгдвэл Fraud -ын утга ойролцоогоор 0.01 нэгжээр нэмэгддэг байна. Өөрөөр хэлбэл санхүүгийн тайлангаа алдаатай, хуурамч гаргахын тулд Q1, Q4, Q5, Q12 болон Q21 харьцаануудыг бууруулж, харин үлдсэн харьцаануудыг нэмэгдүүлдэг болох нь харагдаж байна. Дээрхи хүчин зүйлсээс санхүүгийн тайлангаа хуурамч, алдаатай гаргахад хамгийн их нөлөөлдөг хүчин зүйлс нь Q1, Q5, Q15, Q18, Q20, Q21 харьцаа юм. Тус үнэлгээ нь бусад судлаачдын үр дүнтэй ойролцоо гарсан хэдий ч зарим харьцааны нөлөөлөл нь бага зэрэг ялгаатай гарчээ. 17
  18. 18. Дүгнэлт, санал Тус судалгаа болон бусад эрдэмтэдийн судалгаанаас харахад хуурамч буюу алдаа агуулсан санхүүгийн тайланг эконометрикийн загваруудын тусламжтайгаар илрүүлэх боломжтой болох нь тогтоогдож байна. Бид энэхүү судалгааны ажилдаа сүүлийн жилүүдэд эрчимтэй хөгжиж, түүнийгээ дагаад гадаадын хөрөнгө оруулагчдын анхаарлын төвд байгаа уул уурхайн салбарыг сонгон авч уг салбарт тохирсон загварыгболовсруулансудалгаандааашигласан болно. Түүнчлэн уг загвараа манай улсын уул уурхайн компаниудын санхүүгийн тайлан мэдээлэлд эргэлзэн тодорхойгүй байдалд хүрээд байгаа хөрөнгө оруулагчдын эргэлзээг тайлах үүднээс боловсруулсан. Уул уурхайн салбарын онцлогтой уялдан тухайн салбарын санхүүгийн залиланд нөлөөлөгч хүчин зүйлс нь ялгаатай гарсан бөгөөд Q10, Q18, Q21 гэсэн 3 хүчин зүйл нь дунджаасаа хамгийн их хэлбэлзэлтэй байна. Мөн бидний боловсруулсан MIFraud загвар алдаатай тайланг алдаатай гэж 98%ийн итгэх магадлалтайгаар харин эсрэг таамаглалыг 99%-ийн итгэх магадлалтай таамаглаж байгаа нь бидний загвар алдааны утга багатайг харуулж байна. Боловсруулсан загвараа баталгаатай болгох үүднээс Х компанийн санхүүгийн тайланд туршиж үзлээ.Дээрхи хүчин зүйлсээс санхүүгийн тайлангаа хуурамч, алдаатай гаргахад хамгийн их нөлөөлдөг хүчин зүйлс нь Q1, Q5, Q15, Q18, Q20, Q21 харьцаа юм. Тус үнэлгээ нь бусад судлаачдын үр дүнтэй ойролцоо гарсан хэдий ч зарим харьцааны нөлөөлөл нь бага зэрэг ялгаатай гарчээ. 18
  19. 19. Ашигласан материал 1. Fraudexamination. 3. ed. Albrecht, W. S.; Albrecht, C. C.; Albrecht, C. O.; Zimbelman, M. F.Mason: South-Western Cengage, 2009. 2. Financial Statement Fraud Detection by Data Mining G.Apparao, Dr.Prof Arun Singh, G.S.Rao, B.Lalitha Bhavani, K.Eswar, D.Rajani, GITAM University, Magadh University,GOVT. Polytechnic College for women, Volume: 01 Issue: 03 Pages: 159-163, 2009. 3. Accounting Fraud Detection: It is Possible to Quantify Undiscovered Cases? Artur Filipe Ewald Wuerges Mestre em Administaзгo, Universidade Federal de Santa Catarina,2010 4. Causes, consequences, and deterence of financial statement fraud Zabihollah Rezaee, Fogelman College of Business and Economics, 300 Fogelman College Admin. Building,The University of Memphis, Memphis, TN 38152-3120, USA, Received 15 June 2002 5. Detecting financial statement fraud: Three essays on fraud predictors, multi-classifier combination and fraud detection using data mining, Johan L.Perols, University of South Florida,2008 6. False Financial Statements: Characteristics of China‟s Listed Companies and Detecting Approach, BelinnaBai, Credit Department, Agriculture Bank of China, International Journal of Information Technology, 2008. 7. Albrecht, W. 2002. Fraud Examination. Mason, OH: Thomson-South. 8. American Institute of Certified Public Accountants (AICPA). 2002. Consideration of fraud in a financial statement audit. Statement on Auditing Standards No. 99. New York, NY: AICPA. 9. Dunn, P. 2004. The impact of insider power on fraudulent financial reporting. Journal of Management, 30(3) 397-412. 10. Greene, W. 2000. Econometric Analysis, Prentice Hall, Upper Saddle. 11. Kaminski, K.T.Wetzel, and L. Guan. 2004. Can financial ratios detect fraudulent financial reporting? Managerial Auditing Journal 19 (1): 15-28. 12. Financial Statement Fraud: Some Lessons from US and European Case Studies, Brennan and Mary McGrath (Published in Australian Accounting Review, 17 (2) (42) (July 2007): 49-61 13. Detecting false financial statements using published data: some evidence from Greece, Aristotle University of Thessaloniki, Department of Economics, Division of Business Administration, Thessaloniki, 2002 14. Detecting Financial Statement Fraud: Stories From the Trenches Presented by: Keith CPA/CFF, CFE, CMA keithm@fscpa.com May 9, 2011 15. An Analysis of Financial Statement Fraud at The Assertion Level, Isabel Wang ANU 19
  20. 20. College of Business and Economics, Australian National University, Canberra, Australia, 2009 16. Analysis ratios for detecting financial statement fraud By Cynthia Harrington, Associate Member, CFA, From the March/April 2005 issue of Fraud Magazine 17. Effrcts of Ability to Assess Fraud Risk, Fraud Risk, Level and Personality Factors on The Ability to Dedect the Likelihood of Fraud, NahariahJaffar. GSM 2008 18. Neural Network Detection of Management Fraud Using Published Financial Data Kurt Fanning, Department of Accounting, Central Missouri State University, 2011 20
  21. 21. Хавсралт Dependent Variable: LM Method: ML - Binary Logit Date: 03/14/13 Time: 13:02 Sample: 1 257 Included observations: 257 Convergence not achieved after 10 iterations Covariance matrix computed using second derivatives Variable Coefficient Std. Error z-Statistic Prob. C Q1 Q8 Q13 Q18 Q10 Q11 Q21 -27.76109 304.2704 23.63830 -19.63748 -28.69392 2.010473 27.76553 4.086796 8.820644 111.4772 9.991623 9.179924 11.38958 0.998134 12.62904 1.932884 -3.147286 2.729440 2.365811 -2.139177 -2.519313 2.014231 2.198547 2.114351 0.0016 0.0063 0.0180 0.0324 0.0118 0.0440 0.0279 0.0345 Mean dependent var S.E. of regression Sum squared resid Log likelihood Restr. log likelihood LR statistic (7 df) Probability(LR stat) Obs with Dep=0 Obs with Dep=1 0.968872 S.D. dependent var 0.010269 Akaike info criterion 0.026257 Schwarz criterion -0.477540 Hannan-Quinn criter. -35.63125 Avg. log likelihood 70.30742 McFadden R-squared 1.28E-12 8 249 Total obs 0.174004 0.065973 0.176450 0.110401 -0.001858 0.986598 257 lm= -27.76109438 + 304.2704117*Q1 + 23.63829635*Q8 - 19.63748063*Q13 - 28.69391885*Q18 + 2.010472757*Q10 + 27.76553339*Q11 + 4.086795596*Q21 mif=1/(1+e^(-lm)) Dependent Variable: PM Method: ML - Binary Probit Date: 03/14/13 Time: 13:11 Sample: 1 257 Included observations: 257 Convergence not achieved after 10 iterations Covariance matrix computed using second derivatives Variable Coefficient Std. Error z-Statistic Prob. C Q1 Q8 Q13 Q18 Q10 Q11 Q21 -17.39310 186.3599 14.45798 -11.56896 -17.57564 1.277721 19.31409 2.385607 5.579570 68.04749 6.092159 5.293853 6.903120 0.590484 8.522473 0.853225 -3.117283 2.738675 2.373211 -2.185357 -2.546043 2.163853 2.266254 2.795988 0.0018 0.0062 0.0176 0.0289 0.0109 0.0305 0.0234 0.0052 Mean dependent var S.E. of regression Sum squared resid Log likelihood Restr. log likelihood LR statistic (7 df) Probability(LR stat) Obs with Dep=0 Obs with Dep=1 0.968872 S.D. dependent var 0.006650 Akaike info criterion 0.011012 Schwarz criterion -0.257990 Hannan-Quinn criter. -35.63125 Avg. log likelihood 70.74652 McFadden R-squared 1.04E-12 8 249 Total obs 0.174004 0.064265 0.174742 0.108693 -0.001004 0.992759 257 21

×