(3.238.186.43) 您好!臺灣時間:2021/03/05 22:26
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:::

我願授權國圖
: 
twitterline
研究生:李柏辰
研究生(外文):LI, PO-CHEN
論文名稱:一個有效的財務報表舞弊偵測模型
論文名稱(外文):An Effective Model of Financial Statements Fraud Detection
指導教授:齊德彰齊德彰引用關係
指導教授(外文):CHI, DER-JANG
口試委員:齊德彰古永嘉謝永明
口試委員(外文):CHI, DER-JANGGOO, YEONG-JIAHSIEH, YUNG-MING
口試日期:2020-06-24
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:2020
畢業學年度:108
語文別:中文
論文頁數:51
中文關鍵詞:財務報表舞弊類神經網路決策樹支援向量機貝氏信度網路
外文關鍵詞:financial statement fraudartifcial neural networkdecision treesupport vector machinebayesian belief network
相關次數:
  • 被引用被引用:0
  • 點閱點閱:75
  • 評分評分:系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:0
財務報表為企業提供給使用人了解企業之經營狀況,有些企業為隱匿其財務情形,選擇偽造其財務報表。因此,有學者針對這一方面進行研究,期望能對財務報表舞弊進行偵測達到預防的效果。本研究資料選用臺灣經濟新報資料庫(Taiwan Economic Journal, TEJ),並依據投資人保護中心公告發生財務報導不實企業做為研究樣本,選用期間及對象為其公告資料有記錄起1998年至2018年,總計21年之臺灣上市、上櫃之全部產業。近年資料探勘(data mining)在研究上作為預測方式有顯著的成效,故本研究以類神經網路(artificial neural network)作為第一階段的重要變數篩選,再以決策樹CART、支援向量機(support vector machine)以及貝氏信度網路(bayesian belief network)來構建第二階段之預測模型。實證結果顯示,由類神經網路搭配決策樹CART(ANN-CART)擁有最佳整體預測能力之模型,準確率為95.45%。
Financial statements are provided for users to understand the operational situation. Some companies have chosen to falsify their financial statements in order to hide their financial situation. Therefore, some scholars have researched in this aspect, hoping to detect fraud in financial statements and prevent it. The selection data of this study comes from the Taiwan Economic Journal (TEJ), and based on the financial report of the investor protection center. The period of selection is from Taiwan whole industry of the upper cabinet in 1998 to 2018, a total of 21 years. In recent years, data mining has achieved remarkable results in research as a prediction method. Therefore, this study uses the artificial neural network as the important variable screening in the first stage, and then using the decision tree CART, support vector machine and bayesian belief network to build the second stage prediction model. The empirical results show that the model of artificial neural network matching decision tree CART is the best prediction model with an accuracy rate of 95.45%.
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  研究對象............... 4
第四節 論文架構............... 5
第二章  文獻探討................. 7
第一節  財務報表舞弊定義........... 7
第二節  財務報表舞弊變數參考之相關文獻.... 8
第三節 資料探勘之相關文獻.......... 11
第四節 本章節論............... 16
第三章  研究方法................. 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.......... 23
第四節 資料探勘研究方法........... 25
第四章  實證結果與分析.............. 32
第一節  敘述性統計.............. 32
第二節  變數篩選............... 35
第三節  建立財務報表舞弊預測模型....... 36
第五章  結論與建議................ 41
參考文獻  .................... 43
附錄A 企業名稱及發生年度............ 48

一、中文部分

林嬋娟,張哲嘉(2009),董監事異常變動,家族企業與企業舞弊之關聯性,會計評論,(48),1-33。

財團法人中華民國會計研究發展基金會-審計準則公報第四十三號「查核財務報表對舞弊之考量」第五十七號「財務報表查核報告」。

曹俊漢(2001),中美審計體系功能之比較觀察,政治科學論叢,(14),127-152。

陳谷楓,林文貴,施光訓(2011),金融舞弊動機因素分析-以挪用資產舞弊為例,文大商管學報,16(2),1-20。

陳雪如,林琦珍,柯佳玲(2009),自願性資訊揭露對財務報導舞弊偵測之研究,會計與公司治理,6(2),1-30。

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,國立成功大學會計學研究所碩士論文,34-54。

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,文化大學會計學研究所碩士論文,12-36。

黃郁凱(2006),財務報表舞弊預警模型,國立政治大學會計學研究所碩士論文,23-48。

楊清香,俞麟,陳娜(2009),董事會特徵與財務舞弊-來自中國上市公司的經驗證據,華中科技大學管理學院,1-7。

葉清江,齊德彰,林欣瑾(2008),企業財務報表舞弊偵測之研究,亞洲管理與人文科學刊,3(1-4),15-30。

廖玉惠(2006),舞弊的預防與查核-完整的機制與防範明確的落實與執行,會計研究月刊,(252),28-37。

劉若蘭,劉政淮,簡溥銘(2015),董監事暨重要職員責任保險與資訊揭露品質及企業舞弊關係之研究,中華會計學刊,11(1),79-114。

二、英文部分

Bierstaker, J. L., & Wright, S. (2001). A research note concerning practical problem-solving ability as a predictor of performance in auditing tasks. Behavioral Research In Accounting, 13(1), 49-62.

Carol, A., & Michael, C. (2001). The effects of experience and explicit fraud risk assessment in detecting fraud with analytical procedures. Accounting, Organizations And Society, 26(1), 25-37.

Chen, S. (2016). Detection of fraudulent financial statements using the hybrid data mining approach. SpringerPlus, 5(1), 5-89.

Green, B. P., & J. H. Choi. (1997). Assessing the risk of management fraud through neural network technology. Auditing:A Journal of Practice & Theory, 16(1), 14-28.

Jan, C. L. (2018). An Effective Financial Statements Fraud Detection Model for the Sustainable Development of Financial Markets: Evidence from Taiwan. Open Access Journal, 10(2), 1-14.

Kirkos, E., Spathis, C., & Manolopoulos, Y. (2007). Data Mining techniques for the detection of fraudulent financial statements. Expert Systems with Applications, 32(4), 995-1003.

Kotsiantis, S., Koumanakos, E., Tzelepis, D., & Tampakas, V. (2006). Forecasting Fraudulent Financial Statements using Data Mining. International Journal of Computation Intelligence, 1(3), 104-110.

Ngai, E. W. T., Hu, Y., Wong, Y. H., Chen, Y., & Sun, X. (2011). The application of data mining techniques in financial fraud detection: A classification framework and an academic review of literature. Science direct, 50(3), 559-569.

Perols, J. (2011). Financial Statement Fraud Detection: An Analysis of Statistical and Machine Learning Algorithms. A Journal of Practice & Theory, 30(2), 19-50.

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.

Sharma, A., & Panigrahi, P. K. (2012). A Review of Financial Accounting Fraud Detection based on Data Mining Techniques. International Journal of Computer Applications, 39(1), 37-47.

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.

Tang, A., Nicholson, A., Jin, Y., & Han, J. (2007). Using Bayesian belief networks for change impact analysis in architecture design. The Jourmal of Systems and Software, 80(1), 127-148.

Yen, E. C. (2007). Warning signals for potential accounting in blue chip companies - An application of adaptive resonance theory. Information Sciences, 177(20), 4515-4525.

電子全文 電子全文(網際網路公開日期:20250707)
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
系統版面圖檔 系統版面圖檔