تبیین عوامل کلیدی تقلب مالی در شرکت‌های ایرانی با تلفیق داده‌های کیفی و مدل XGBoost

یوسف  فیض اللهی; فاطمه احمدی; صادق  فیض اللهی; مجتبی  مرادپور

نویسندگان

یوسف فیض اللهی گروه حسابداری، واحد ایلام، دانشگاه آزاد اسلامی، ایلام، ایران. نویسنده https://orcid.org/0000-0003-2503-1041
فاطمه احمدی گروه حسابداری، واحد ایلام، دانشگاه آزاد اسلامی، ایلام، ایران. نویسنده مسئول https://orcid.org/0000-0001-5425-4557
صادق فیض اللهی گروه مدیریت، واحد ایلام، دانشگاه آزاد اسلامی، ایلام، ایران. نویسنده https://orcid.org/0009-0002-7883-0912
مجتبی مرادپور گروه حسابداری، واحد ایلام، دانشگاه آزاد اسلامی، ایلام، ایران. نویسنده https://orcid.org/0000-0002-6607-6249

کلمات کلیدی:

تقلب مالی, یادگیری ماشین, الگوریتم درختی, تحلیل آمیخته

چکیده

هدف پژوهش حاضر، شناسایی، بومی‌سازی، اعتبارسنجی و رتبه‌بندی عوامل مؤثر بر ریسک تقلب مالی در شرکت‌های ایرانی و ارائه مدلی زمینه‌مند برای ارزیابی و پیش‌بینی این ریسک بود. این پژوهش با رویکرد آمیخته کیفی–کمی و طرح توصیفی–پیمایشی انجام شد. در بخش کیفی، 45 مطالعه منتشرشده طی پنج سال اخیر با روش فراترکیب بررسی و مصاحبه‌های نیمه‌ساختاریافته با 12 خبره دارای حداقل 10 سال سابقه تخصصی در حسابرسی، مدیریت مالی، حاکمیت شرکتی یا مقررات‌گذاری بازار سرمایه اجرا شد. داده‌های مصاحبه با تحلیل مضمون و کدگذاری باز، محوری و گزینشی تحلیل شدند و پایایی بین کدگذاران برابر با 0.86 به دست آمد. تلفیق یافته‌های کیفی به شناسایی 17 عامل اولیه انجامید. در بخش کمی، ارتباط عوامل با ریسک تقلب با ضریب همبستگی پیرسون و تحلیل واریانس در نرم‌افزار SPSS بررسی شد. پس از غربالگری آماری، 15 عامل وارد الگوریتم XGBoost شدند و اهمیت آن‌ها با معیار Gain Importance رتبه‌بندی شد. کیفیت پایین حسابرسی و نظارت ضعیف هیئت‌مدیره بیشترین همبستگی را با ریسک تقلب نشان داد (r=0.465, p<0.001؛ F=22.30, p<0.001). فشارهای مالی و اهرم بالا (r=0.421, p=0.001؛ F=18.92, p<0.001)، وجود عناصر مثلث/پنج‌ضلعی تقلب (r=0.403, p=0.001؛ F=16.54, p=0.001) و مالکیت متمرکز و خانوادگی (r=0.398, p=0.002؛ F=16.01, p=0.001) نیز روابط معناداری داشتند. ضعف استقلال حسابرسان داخلی و پیچیدگی محیط عملیاتی به دلیل نبود معناداری آماری حذف شدند. رتبه‌بندی XGBoost نشان داد کیفیت پایین حسابرسی و نظارت ضعیف هیئت‌مدیره با 18.7 درصد، فشارهای مالی و اهرم بالا با 15.2 درصد و مالکیت متمرکز و خانوادگی با 12.4 درصد، در مجموع نزدیک به نیمی از قدرت تبیین مدل را تشکیل می‌دهند. ارزیابی ریسک تقلب مالی در ایران مستلزم تلفیق شاخص‌های عمومی با مؤلفه‌های بومی اقتصادی، مالکیتی و نظارتی است؛ بنابراین، تقویت استقلال و کیفیت حسابرسی، اثربخشی نظارت هیئت‌مدیره، شفافیت ساختار مالکیت و مدیریت فشارهای مالی باید در اولویت سیاست‌های پیشگیری از تقلب قرار گیرد.

دانلودها

دسترسی به دانلود اطلاعات مقدور نیست.

مراجع

Adejumo, A., & Ogburie, C. (2025). Forensic accounting in financial fraud detection: Trends and challenges. International Journal of Science and Research Archive, 14, 1219-1232. https://doi.org/10.30574/ijsra.2025.14.3.0815

Al Natour, A. R., Al-Mawali, H., Zaidan, H., & Said, Y. H. Z. (2025). The Role of Forensic Accounting Skills in Fraud Detection and the Moderating Effect of CAATTs Application: Evidence from Egypt. Journal of Financial Reporting and Accounting, 23(1), 30-55. https://doi.org/10.1108/JFRA-05-2023-0279

Anisykurlillah, I., Mukhibad, H., Jati, K. W., Rizkyana, F. W., Nurkhin, A., & Hapsoro, B. B. (2025). Audit Committee Attributes and Financial Statement Fraud Risk: Evidence from Indonesian Banks. Cogent Business & Management, 12(1), 2566443. https://doi.org/10.1080/23311975.2025.2566443

Benyasrisawat, B., & Ounlert, N. (2026). Technological Adoption and Fraud Risk Reduction in Emerging Markets. Journal of Financial Innovation, 14(1), 77-95.

Dhea Violin Rahma Whely, R., & Widuri, R. (2025). Artificial Neural Network Methodology in Financial Statements Fraud: An Empirical Study in the Property and Real Estate Sector. Risk Governance and Control Financial Markets & Institutions, 15(1, special issue), 237-248. https://doi.org/10.22495/rgcv15i1sip9

El-Fargani, A., & El-Hassan, M. (2025). Data-Driven Financial Fraud Detection Using Hybrid Artificial and Quantum Intelligence. Journal of Open Innovation: Technology, Market, and Complexity, 11(4), 100581.

Erva Ergun, Z. (2025). Financial Statement Fraud Detection via Large Language Models. Intelligent Systems in Accounting Finance and Management, 32(4). https://doi.org/10.1002/isaf.70021

Iseal, S., Joseph, O., & Joseph, S. (2025). AI in financial services: Using big data for risk assessment and fraud detection. https://www.researchgate.net/profile/Sheed-Iseal/publication/388036425_AI_in_Financial_Services_Using_Big_Data_for_Risk_Assessment_and_Fraud_Detection/links/67882c2b1afb4e11f5e7fdf9/AI-in-Financial-Services-Using-Big-Data-for-Risk-Assessment-and-Fraud-Detection.pdf

Lalbar, A., Rostami, M., & Darjati, A. (2026). Fraud in Financial Statements and the Moderating Role of the Audit Committee: Fuzzy Analytical Hierarchy Process (FAHP) and Hexagon Model. Management Accounting and Auditing Knowledge, 15(60), 71-87. https://doi.org/10.22034/jmaak.2026.23979

Li, H., & Xiang-hua, Y. U. (2025). Construction of Financial Fraud Identification Model Based on Stacking and Accounting Indicators. Journal of Computational Methods in Sciences and Engineering, 25(4), 3369-3383. https://doi.org/10.1177/14727978251316402

Mehrani, S., & Rahimipour, A. (2025). Optimizing the Beneish Fraud Model in Predicting Financial Statement Restatements Using a Combination of Neural Networks and Genetic Algorithms. Journal of Accounting and Management Auditing, 54, 73-87.

Narulita, F. D., Baderi, R. N., & Hwihanus, H. (2024). The Impact of Fraud on the Detection of Fraud in Financial Statements and Discretionary Accruals (Meta-Analysis Study). Journal of Advances in Accounting, Economics, and Management, 1(4), 1-16. https://doi.org/10.47134/aaem.v1i4.348

Nirma Mufaidah Dwi Ajeng, S., Biduri, S., & Nurasik, N. (2024). Collectivism, Gender, Reward and Punishment on Financial Statement Fraud. Ijblps, 1(4), 1-18. https://doi.org/10.61796/ijblps.v1i4.76

Nurfadilah, S., Putra, W. E., & Ridwan, M. (2024). Influence of Fraud Triangle on Financial Statement Fraud With Financial Distress as an Intervening Variable. International Journal of Multidisciplinary Approach Research and Science, 2(03), 1232-1247. https://doi.org/10.59653/ijmars.v2i03.934

Nurjanna, N., Muchran, M., & Sulisyanti, R. (2024). Financial Statement Fraud Analysis Through Hexagon Fraud Theory ApproachPurpose – This Study Aims to Analyze Whether Pressure or Stimulus Factors Influence Financial Statement Fraud, to Analyze Whether the Capability Factor Influences Financial Statement. Contemporary Journal on Business and Accounting, 4(1), 29-38. https://doi.org/10.58792/cjba.v4i1.48

Odeyemi, O. (2024). Reviewing the Role of AI in Fraud Detection and Prevention in Financial Services. International Journal of Science and Research Archive, 11(1), 2101-2110. https://doi.org/10.30574/ijsra.2024.11.1.0279

Pangestika, A. R. W., & Honggowati, S. (2024). The Development of Financial Statement Fraud Research: A Bibliometric Analysis. Journal of Economics Finance and Management Studies, 07(02). https://doi.org/10.47191/jefms/v7-i2-13

Ping, W., Jiao, Y., Fan, H., & Zhang, X. (2026). Multimodal Fraud Detection in Financial Statements: A Trimodal Attention Network with Contrastive Evidence Chain Construction. IEEE Access. https://doi.org/10.1109/ACCESS.2026.3695466

Raihan, M. R., Pamungkas, I. D., Setiawanta, Y., & Mardjono, E. S. (2024). Impact of Whistleblowing System Between the Vousinas Fraud Hexagon Theory and Financial Statement Fraud. Maksimum, 14(1), 114. https://doi.org/10.26714/mki.14.1.2024.114-135

Shoetan, P. O., Oyewole, A. T., Okoye, C. C., & Ofodile, O. C. (2024). Reviewing the Role of Big Data Analytics in Financial Fraud Detection. Finance & Accounting Research Journal, 6(3), 384-394. https://doi.org/10.51594/farj.v6i3.899

Somanchi, S., Kanuri, V. K., & Telang, R. (2025). Mitigating Churn After Online Financial Fraud: The Value of Blame Attribution. Production and Operations Management, 34(10), 3119-3137. https://doi.org/10.1177/10591478251331125

Stoykova, A. (2025). Mathematical Modelling and Artificial Intelligence (AI) for Detecting Financial Fraud: An Application of the Beneish M-Score in Support of SDG 16. JLSDGR, 5(3), e04902. https://doi.org/10.47172/2965-730x.sdgsreview.v5.n03.pe04902

Udeh, E. O., Amajuoyi, P., Adeusi, K. B., & Scott, A. O. (2024). The role of big data in detecting and preventing financial fraud in digital transactions. World Journal of Advanced Research and Reviews, 22(2), 1746-1760. https://doi.org/10.30574/wjarr.2024.22.2.1575

Xiao, J., Liu, Q., Wang, B., & Zheng, K. (2025). Unearthing financial statement fraud: Insights from news coverage analysis. Management Science, 0(0).

Yahaya, O. A., & Ibrahim, S. I. (2024). Board of Directors and Financial Statements Fraud. European Journal of Accounting Finance & Business, 12(1), 137-167.

Yuhertiana, I., & Amin, A. H. (2024). Artificial Intelligence Driven Approaches for Financial Fraud Detection: A Systematic Literature Review. Kne Social Sciences. https://doi.org/10.18502/kss.v9i20.16551

Zhou, K., & Park, J. (2025). A hybrid framework for financial fraud detection: Integrating the Dechow F-Score with financial news sentiment analysis. INFORMS Journal on Applied Analytics, 55(1), 33-51.