BazEkon - The Main Library of the Cracow University of Economics

BazEkon home page

Main menu

Author
Sylwestrzak Marek (Uniwersytet Warszawski)
Title
Wykorzystanie modelu CART-Logit do analizy fałszerstw sprawozdań finansowych
The Hybrid CART-Logit Model Application in the Detection of Falsified Financial Statement
Source
Finanse, Rynki Finansowe, Ubezpieczenia, 2017, nr 4 (88) cz. 1, s. 403-412, tab., bibliogr. 23 poz.
Issue title
Rachunkowość w zarządzaniu jednostkami gospodarczymi
Keyword
Regresja logistyczna, Drzewo decyzyjne, Oszustwa w sprawozdaniach finansowych
Logistic regression, Decision tree, Fraud in the financial statements
Note
streszcz., summ.
Abstract
Cel - Opracowanie modelu hybrydowego CART-Logit wykrywającego fałszerstwa sprawozdań finansowych na podstawie danych finansowych amerykańskich spółek giełdowych oskarżonych z przepisu 10(b)-5 ustawy Securities Exchange Act w latach 2000-2007. Metodologia badania - W opracowaniu zastosowano model hybrydowy CART-Logit z wykorzystaniem 10 zmiennych finansowych. Wynik - Przeprowadzone analizy wykazały, że model hybrydowy wykazał większą zdolność predykcyjną niż zwykła regresja logistyczna. Uwzględnienie w modelu wskaźnika predykcji bankructwa Altmana zwiększyło trafność metody. Uzyskane wyniki potwierdzają, że najważniejszą pozycją przy wykrywaniu fałszerstw sprawozdań finansowych są środki pieniężne. Oryginalność/wartość - Artykuł stanowi empiryczną analizę możliwości wykrycia fałszerstw sprawozdań finansowych za pomocą nowej metody badawczej.(abstrakt oryginalny)

Purpose - The elaboration a hybrid CART-Logit model to detection of the financial statement fraud based on the financial data from the US companies accused by the US Securities and Exchange Commission manipulating financial statements of the rule 10(b)-5 Securities Exchange Act between 2000-2007. Design/methodology/approach - In the study a hybrid CART-Logit model is used with ten financial ratios. Findings - The results confirm that a hybrid model had greater predictive power than ordinary logistic regression. The inclusion of the Altman model increased the accuracy of the method. The analysis confirmed that that the most sensitive position in financial statement is cash. Originality/value - The article is an empirical analysis of capabilities in detection of financial statements fraud based on new research method.(original abstract)
Accessibility
The Main Library of the Cracow University of Economics
The Library of Warsaw School of Economics
The Library of University of Economics in Katowice
The Main Library of Poznań University of Economics and Business
Szczecin University Main Library
Full text
Show
Bibliography
Show
  1. Association of Certified Fraud Examiners (2014). Report to the Nations on Occupational Fraud and Abuse. 2014 Global Fraud Study.
  2. Ata, H., Seyrek, I. (2009). The Use of Data Mining Techniques in Detecting Fraudulent Financial Statements: An Application on Manufacturing Firms. The Journal of Faculty of Economics and Administrative Sciences, 14 (2), 157-170.
  3. Basu, S. (1997). The Conservatism Principle and the Asymmetric Timeliness of Earnings. Journal of Accounting and Economics, 24 (1), 3-37.
  4. Beasley, M. (1996). An Empirical Analysis of the Relation between the Board of Director Composition and Financial Statement Fraud. Accounting Review, 71 (4), 443-465.
  5. Beneish, M. (1999). The Detection of Earnings Manipulation. Financial Analysts Journal, 55 (5), 24-36.
  6. Dechow, P., Ge, W., Larson, C., Sloan, R. (2011). Predicting Material Accounting Misstatements. Contemporary Accounting Research, 28 (1), 17-82.
  7. Fich, E.M., Shivdasani, A. (2007). Financial Fraud, Director Reputation, and Shareholder Wealth. Journal of Financial Economics, 86 (2), 306-333.
  8. Givoly, D., Hayn, C. (2002). Rising Conservatism: Implications for Financial Analysis. Financial Analysts Journal, 58 (1), 56-74.
  9. Grove, H., Cook, T. (2004). Lessons for Auditors: Quantitative and Qualitative Red Flags. Journal of Forensic Accounting, 5 (1), 131-146.
  10. Gupta, R., Gill, N. (2012). Prevention and Detection of Financial Statement Fraud - An Implementation of Data Mining Framework. Editorial Preface, 3 (8), 150-160.
  11. Johnson, S., Ryan, H., Tian, Y. (2009). Managerial Incentives and Corporate Fraud: The Sources of Incentives Matter. Review of Finance, 13 (1), 115-145.
  12. Kotsiantis, S., Koumanakos, E., Tzelepis, D., Tampakas, V. (2006). Forecasting Fraudulent Financial Statements Using Data Mining. International Journal of Computational Intelligence, 3 (2), 104-110.
  13. Loh, W. (2011). Classification and Regression Trees. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 1 (1), 14-23.
  14. Łapczyński, M. (2014). Modele hybrydowe C&RT-Logit w analizie migracji klientów. Studia Ekonomiczne, 195, 90-102.
  15. Pai, P., Hsu, M., Wang, M. (2011). A Support Vector Machine-Based Model for Detecting Top Management Fraud. Knowledge-Based Systems, 24 (2), 314-321.
  16. Persons, O. (1995). Using Financial Statement Data to Identify Factors Associated with Fraudulent Financial Reporting. Journal of Applied Business Research, 11 (3), 38-46.
  17. Piosik, A. (2016). Kształtowanie wyniku finansowego przez podmioty sprawozdawcze w Polsce. Diagnoza dobrej i złej praktyki w rachunkowości. Katowice: Wydawnictwo Uniwersytetu Ekonomicznego w Katowicach.
  18. Rezaee, Z. (2005). Causes, Consequences, and Deterence of Financial Statement Fraud. Critical Perspectives on Accounting, 16 (3), 277-298.
  19. Spathis, C. (2002). Detecting False Financial Statements Using Published Data: Some Evidence From Greece. Managerial Auditing Journal, 17 (4), 179-191.
  20. Sunder, S. (2010), Adverse Effects of Uniform Written Reporting Standards on Accounting Practice, Education, and Research. Journal of Accounting and Public Policy, 29 (2), 99-114.
  21. Summers, S., Sweeney, J. (1998). Fraudulently Misstated Financial Statements and Insider Trading: An Empirical Analysis. Accounting Review, 73 (1), 131-146.
  22. Wójtowicz, P. (2010). Wiarygodność sprawozdań finansowych wobec aktywnego kształtowania wyniku finansowego. Kraków: Wydawnictwo Uniwersytetu Ekonomicznego w Krakowie.
  23. Zack, G. (2012). Financial Statement Fraud: Strategies for Detection and Investigation. New Jersey: John Wiley & Sons.
Cited by
Show
ISSN
2450-7741
Language
pol
URI / DOI
http://dx.doi.org/10.18276/frfu.2017.88/1-39
Share on Facebook Share on Twitter Share on Google+ Share on Pinterest Share on LinkedIn Wyślij znajomemu