跳到主要內容

臺灣博碩士論文加值系統

(44.222.189.51) 您好!臺灣時間:2024/05/20 13:23
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果 :::

詳目顯示

: 
twitterline
研究生:楊文賓
研究生(外文):YANG, WEN-BIN
論文名稱:以資料探勘方法建立財務報表舞弊預測模型
論文名稱(外文):Financial Statements Fraud Prediction Models Using Data Mining Approach
指導教授:齊德彰齊德彰引用關係
指導教授(外文):CH, DER-JANG
口試委員:李慕萱謝永明齊德彰
口試委員(外文):LEE, MU-SHANGYUNG-MING HSIEHCH, DER-JANG
口試日期:2017-06-20
學位類別:碩士
校院名稱:中國文化大學
系所名稱:會計學系
學門:商業及管理學門
學類:會計學類
論文種類:學術論文
論文出版年:2017
畢業學年度:105
語文別:中文
論文頁數:62
中文關鍵詞:財務報表舞弊資料探勘逐步迴歸決策樹類神經網路
外文關鍵詞:financial statement frauddata miningstepwise regressiondecision treeneural network
相關次數:
  • 被引用被引用:2
  • 點閱點閱:727
  • 評分評分:
  • 下載下載:16
  • 收藏至我的研究室書目清單書目收藏:0
本研究運用資料探勘方法中之逐步迴歸、決策樹CART、決策樹QUEST、決策樹C5.0、類神經網路進行兩階段之建模分析。變數選取包括財務及非財務變數,研究對象為2006年~2015年發生財務報表舞弊之公司,以同年度、同產業且資產總額相當為標竿,以1:3進行配對。本研究共分為二個階段:第一階段分別以逐步迴歸、決策樹CART與類神經網路進行變數篩選,而在第二階段以決策樹CART、決策樹QUEST、決策樹C5.0及類神經網路來建立模型。實證結果顯示,模式一、模式二與模式三皆以決策樹C5.0為最佳結果,其中以決策樹CART搭配決策樹C5.0(模式二)準確率82.78為最高,應可有效地偵測財務報表舞弊發生,並降低審計人員之查核風險。
The Stepwise Regression, Decision Tree, and Neural Networks are used in this study, for a two-stage model. The period is from 2006 to 2015. In the first stage, Stepwise Regression, Decision Tree CART and Neural Networks are applied for screening variables. In the second stage, Decision Tree CART, Decision Tree QUEST, Decision tree C5.0 and Neural Networks are applied to establish the prediction model for financial statement fund. The results show that Decision Tree CART (the first stage) and Decision Tree C5.0 (the second stage) has the best performance 82.78%. This kind of method proves to be more effective in predicting the financial statement fund of companies.
中文摘要 ...................... iii
英文摘要 ...................... iv
誌謝辭  ...................... v
內容目錄 ...................... vi
表目錄  ...................... viii
圖目錄  ...................... ix
第一章  緒論.................... 1
  第一節  研究背景與動機............. 1
  第二節  研究目的................ 3
  第三節  論文架構與研究流程........... 4
第二章  文獻探討.................. 6
  第一節  財務報表舞弊定義介紹.......... 6
  第二節  財務報表舞弊之相關文獻......... 7
  第三節  資料探勘介紹.............. 12
  第四節  資料探勘之相關文獻........... 13
第五節  小結.................... 16
第三章  研究設計.................. 17
  第一節  研究架構................ 17
  第二節  研究變數................ 19
  第三節  樣本選取與資料蒐集........... 21
  第四節  研究方法................ 24
第四章  實證結果與分析............... 30
  第一節  敘述性統計............... 30
  第二節  變數選取................ 31
  第三節  建立模型................ 34
第五章  結論與建議................. 53
參考文獻 ...................... 55
附錄   ...................... 61
一、中文部分
中華民國會計研究發展基金會(2013),審計準則公報及審計實務指引,台北:著者發行,339-337。
王毓軒(2011),使用資料探勘與公司治理變數建構舞弊預測模型,中正大學會計與資訊科技研究所未出版之碩士論文。
朱家逸(2009),整合隨機森林與約略集合在偵測財務報表舞弊之應用,中國文化大學會計研究所未出版之碩士論文。
邱志洲,李天行,周宇超,呂奇傑(2002),整合鑑別分析與類經網路在資料探勘上之應用,工業工程學刊,19(2),9-22。
林勤勉、呂惠民與盧其群(2010),會計師審計品質與財務報表重編之關聯性,中山管理評論,18(2),404-445。
紀英成(2006),財務報表舞弊之現象及其識別,朝陽科技大學會計學研究所未出版之碩士論文。
莊子琦(2016),應用資料探勘於財務報表舞弊預測,中國文化大學會計研究所未出版之碩士論文。
許伯彥(2003),財務報表舞弊風險評量模式研究,台灣大學會計學研究所未出版之碩士論文。
黃怡欣(2009),股權結構與財務報表舞弊之探討,南台科技大學會計資訊研究所未出版之碩士論文。
陳昭宏(2005),以事前控制觀點應用灰色預測理論與Logit式於財務危機預警模型之研究,商管科技季刊,6(4),655-676。
黃郁凱(2006),財務報表舞弊預警模型,政治大學會計學研究所未出版之碩士論文。
陳信銘(2005),財務報表舞弊之研究-公司治理的觀點,朝陽科技大學會計學研究所未出版之碩士論文。
陳雅琪(2007),董事會結構、家族控制持股、集團企業與財務報表舞弊之關聯性研究,成功大學會計學研究所未出版之碩士論文。
游謹安(2014),應用逐步迴歸、決策樹、約略集合及類神經網路 於偵測企業舞弊,中國文化大學會計研究所未出版之碩士論文。
謝秀敏(2007),舞弊鑑識-財務風險因子案例分析與實證探討,中正大學會計與資訊科技研究所未出版之碩士論文。
蘇柏翰(2016),運用資料探勘技術偵測財務報表舞弊-以台灣上市(櫃)公司為例,成功大學會計學研究所未出版之碩士論文。
二、英文部分
Arshad, R., Asyiqin, W. A., Razali, W. M., & Bakar, N. A. (2014). Disclosure of Corporate Governance Structure and the Likelihood of Fraudulent Financial Reporting. Procedia - Social and Behavioral Sciences, 145(25), 243-253.
Beasley, M. S. (1996). An empirical analysis of the relation between the board of director composition and financial statement fraud. The Accounting Review, 71(4), 443-465.
Chen, G., Firth, M., Gao, D. N. & Rui, O. M. (2006). Ownership Structure, Coporate Governance, and Fraud: Evidence from China. Journal of Corporate Finance, 12(3), 424-448.
Fanning, K., & Cogger, K. (1998). Neural network detection of management fraud using published financial data. International Journal of Intelligent Systems in Accounting, Finance & Management, 7(1), 21-24.
Green, B. P., & Choi, J. H. (1997). Assessing the risk of management fraud through neural network technology. Auditing:A Journal of Practice & Theory, 16(1), 14-28.
Gupta, R., & Gill, N. S. (2012). Analysis of data mining techniques for detection of financial statement fraud. International Journal of Computer Applications, 50(8), 7-14.
Kinney, W., & McDaniel, L. S. (1989). Characteristics of firms correcting previously reported quarterly earnings. Journal of Accounting and Economics, 11(1), 71-93.
Kirkos, E., Spathis, C., & Manolopoulos, Y. (2007). Data mining techniques for the detection of fraudulent financial statements. Expert Systems with Application, 32(4), 995-1003.
Kotsiantis, S., E., Koumanakos, D., Tzelepis, & Tampakas, V. (2006). Forecasting fraudulent financial statements using data mining. International Journal of Computational Intelligence, 3(2), 104-110.
Ngai, E. W. T., Hu, Y., Wong, Y. H., Chen, Y., & Xin, S. (2011). The application of data mining techniques in financial fraud detection: A classification framework and an academic review of literature. Decision Support Systems, 50(3), 559-569.
Persons, O. (1995). Using financial statement data to identify factors associated with fraudulent financial reporting. Journal of Applied Business Research, 11(3), 38-46.
Persons, S. (2005). The Relation Between the New Corporate Governance Rules and the Likelihood of Financial Statement Fraud. Review of Accounting and Finance, 4(2), 125-148.
Rezaee, Z. (2005). Causes, consequences, and deterrence of financial statement fraud. Critical Perspectives on Accounting, 16(3), 277-298.
Seifert, J. W. (2004). Data mining and the search for security: Challenges for connecting the dots and databases. Government Information Quarterly, 21(4), 461-480.
Sharma, V. D. (2004). Board of Director Characteristics, Institutional Ownership, and Fraud: Evidence from Australia. Auditing. A Journal of Practice and Theory, 23(2), 105-117.
Song, X. P., Hu, Z. H., Du, J. G., & Sheng, Z. H. (2014). Application of machine learning methods to risk assessment of financial statement fraud:Evidence from China. Journal of Forecasting, 33(8), 611-626.
Sphathis, C., Doumpos, M., & Zopounidis, C. (2002). Detecting falsified financial statement: A comparative study using multivariate statistical techniques. The European Accounting Review, 11(3), 509-535.
Summers, S. L., & Sweeney, J. T. (1998). Fraudulently misstated financialstatements and insider trading: An empirical analysis. The Accounting Review,73(1), 131-146.
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top