Finansal Tablo Manipülasyonlarının Tespitinde Yapay Sinir Ağlarının Kullanılması

Yıl 2021, Sayı: 60, 331 - 357, 25.12.2021

Gerçek Özparlak

https://doi.org/10.18070/erciyesiibd.961463

Cited By: 3

Öz

Halka açık şirketlerin, gerçeğe aykırı bilgileri açıklayarak, finansal bilgi manipülasyonuna başvurmaları şirket ortaklarının ve ülke ekonomisinin zarara uğramasına neden olmaktadır. Bu kapsamda, bu çalışmanın iki amacı bulunmaktadır. Birinci amacı, Covid-19 salgının yarattığı ekonomik kriz ortamında, Borsa İstanbul’da yer alan şirketlerin finansal bilgi manipülasyonuna başvurup vurmadıkları ihtimalinin Beneish modeli ile analiz edilmesidir. İkinci amacı, teknolojinin gelişmesi ile beraber yaygın olarak kullanılmaya başlanılan yapay sinir ağlarının finansal bilgi manipülasyonunu ölçmedeki performansının değerlendirilmesidir. Araştırma sonuçlarına göre, çalışmadaki 264 şirketten %43’ünün (113 adet) çeşitli seviyelerde finansal bilgi manipülasyonu yapmış olabileceği tespit edilmiştir. Altman Z skoruna göre, finansal başarısızlık ihtimali bulunmayan, güvenli bölgedeki 135 şirketin %47’sinin (64 adet) finansal bilgi manipülasyonu yapmış olabileceğine dair olasılık ve bulgular vardır. Buna karşın, Altman Z skoruna göre, finansal başarısızlık ihtimali yüksek olan, tehlikeli bölgedeki 74 şirketten %45’inin (33 adet) çeşitli seviyelerde finansal bilgi manipülasyonuna başvurmuş olabileceği görülmüştür. Araştırmanın diğer sonuçlarına göre, Altman skoru sonuçları üzerine kurgulanan ve yapay sinir ağlarıyla gerçekleştirilen modelin doğru sınıflandırma oranı, eğitim seti verisi için %99,53 seviyesinde ve test seti verisi için %98,11 seviyesindedir. Beneish modelinin sonuçları üzerine kurgulanan ve yapay sinir ağlarıyla gerçekleştirilen modelin doğru sınıflandırma oranı, eğitim seti verisi için %96,21 seviyesinde ve test seti verisi için %86,80 seviyesindedir.

Anahtar Kelimeler

Yapay Zekâ, Yapay Sinir Ağları, Yapay Sinir Ağları, Altman Modeli, Beneish Modeli, Manipülasyon

Detection of Financial Statement Manipulations Through Artificial Neural Networks

Öz

Public companies, by disclosing false information, and resorting to financial information manipulation cause damage to the company's partners and the country's economy. In this context, this study has two aims. The first purpose is to analyze whether companies in Borsa Istanbul resort to financial information manipulation in the economic crisis environment created by the Covid-19 epidemic, with the Beneish model. The second purpose is to evaluate the performance of artificial neural networks, which have been widely used with the development of technology, in measuring financial information manipulation. According to the results of the research, it was determined that 43% (113) of the 264 companies in the study manipulated financial information at various levels. According to the results of the research, it was determined that 43% (113) of the 264 companies in the study may have manipulated financial information at various levels. According to the Altman Z score, there are probabilities and findings that 47% (64) of the 135 companies in the safe zone, which are not likely to fail financially, may have manipulated financial information. On the other hand, according to the Altman Z score, it was seen that 45% (33) of 74 companies in the danger zone with a high probability of financial failure resorted to manipulation of financial information at various levels. According to the other results of the research, the correct classification rate of the model built on the Altman score results and realized with artificial neural networks is 99.53% for the training set data and 98.11% for the test set data. The correct classification rate of the model, which is built on the results of the Beneish model and performed with artificial neural networks, is 96.21% for the training set data and 86.80% for the test set data. 

Anahtar Kelimeler

Artificial Intelligence, Artificial Neural Networks, Altman Model, Beneish Model, Manipulation

Kaynakça

• Aksoy, B. (2021). Finansal tablo hileleri’nin makine öğrenmesi yöntemleri ve lojistik regresyon kullanılarak tahmin edilmesi: borsa istanbul örneği. Maliye ve Finans Yazıları, (115), 27-58.
• Altman (1968). Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy. The Journal of Finance, (23)4, 589–609.
• Aşkın, D., İskender, İ., Mamızadeh, A. (2013). Farklı yapay sinir ağları yöntemlerini kullanarak kuru tip transformatör sargısının termal analizi. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 26 (4).
• Bekçi, İ. ve Avşarlıgil, N. (2011). Finansal bilgi manipülasyonu yöntemlerinden yaratıcı muhasebe ve bir uygulama. Muhasebe Bilim Dünyası Dergisi, 2011/2, 131-161.
• Beneish, M.D. (1999). The Detection of Earnings Manipulation. Financial Analysis Journal, 55(5), 24-36.
• Cohen, J. (1960). A coefficient of agreement for nominal scales. Educational and Psychological Measurement, 20, 37–46.
• Erdoğan, M. ve Erdoğan, E.O. (2020). Financial Statement Manipulation: A Beneish Model Application", Grima, S., Boztepe, E. and Baldacchino, P.J. (Eds.) Contemporary Issues in Audit Management and Forensic Accounting (Contemporary Studies in Economic and Financial Analysis, Vol. 102), Emerald Publishing Limited, Bingley, s. 173-188.
• Fanning K, Cogger K.O. ve Srivastava R.(1995). Detection of management fraud: a neural network approach”, intelligent systems in accounting, Finance and Management, 4(2), 113-126.
• Fındık, H. ve Öztürk, E. (2016). Finansal bilgi manipülasyonunun Beneish modeli yardımıyla ölçülmesi: Bist imalat sanayi üzerine bir araştırma. İşletme Araştırmaları Dergisi, 8(1), 483 - 499.
• Güner, M. ve Kurnaz, E. (2020). Muhasebe manipülasyonunun Beneish modeli yardımıyla ölçülmesi: Bist kimya, petrol, plastik endeksi şirketleri üzerine bir araştırma. Muhasebe ve Vergi Uygulamaları Dergisi, 13(2), 195-214.
• Gürol B. (2021). Pandemi sürecinde finansal bilgi manipülasyonun ölçülmesi: borsa istanbul imalat sektörü işletmeleri üzerine bir araştırma. Yüksel Akay (Eds.). Bankacılık ve Finans Çalışmaları. Livre de Lyon.
• Kara, S., Sakarya, Ş. ve Aksu, M. (2016). Beneish modeli ile kazanç manipülasyonunun tespit edilmesi: bist şirketleri üzerine ampirik bir uygulama. Uluslararası Alanya İşletme Fakültesi Dergisi. 8. 13-25.
• Kutlu B.ve Badur B. (2009). Yapay sinir ağları ile borsa endeksi tahmini. Yönetim Dergisi:İstanbul Üniversitesi İşletme Fakültesi İşletme İktisadı Enstitüsü, 20(63), 25 - 40.
• Küçükkocaoğlu, G., Benli Y.K. ve Küçüksözen, C. (2007). Finansal bilgi manipülasyonunun tespitinde yapay sinir ağı modelinin kullanımı. İMKB Dergisi, 36, 1-30.
• Küçükkocaoğlu, G. ve Küçüksözen, C. (2005). Gerçeğe aykırı finansal tabloların ortaya çıkarılması: imkb şirketleri üzerine amprik bir çalışma. Muhasebe ve Finansman Dergisi, (28), 160-171.
• Landis, J. R. ve Koch, G. G. (1977). The measurement of observer agreement for categorical data, Biometrics, 33, 159-174.
• Maccarthy, John. (2017). Using Altman z-score and Beneish m-score models to detect financial fraud and corporate failure: a case study of enron corporation. 10.5923/j.ijfa.20170606.01.
• Tepeli, Y. ve Kayıhan, B. (2016). Muhasebe manipülasyonunun Beneish modeli ile tespit edilmesi: Bist gıda maddeler sanayi sektörü’nde bir uygulama.
• Toplu, N, Calayoğlu, İ, ve Azaltun, M.(2021). Finansal bilgi manipülasyonu ortaya çıkarmaya yönelik bir araştırma (Beneish model). Muhasebe ve Finans İncelemeleri Dergisi, 4(1), 16 – 25.
• Yavuz, S. ve Deveci, M. (2012). İstatiksel normalizasyon tekniklerinin yapay sinir ağın performansına etkisi. Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi. 40, 167-187.