AraĢtırmanın Tanımı ve Gerekçesi

Son yıllarda birçok araĢtırmacı denetimde veri madenciliğinin kullanıldığı araĢtırmalar gerçekleĢtirmiĢlerdir. ĠĢletmelerin çok büyük miktarlarda veriye sahip olması, denetimi gerçekleĢtirilen denetçilerin iĢlerinin yoğunlaĢmasına dolayısıyla hata ve hilelerin ortaya çıkarılmasında güçlüklere ve denetçi üzerinde strese neden olmaktadır. Bu nedenler denetimin kalitesini azaltıcı bir etki yapmaktadır.

Denetim kalitesini artırabilmek için yapılan bu araĢtırmada denetim sürecinin ilk aĢaması olan firmayı tanıma ve analitik inceleme faaliyetinde veri madenciliğinin kullanılmasının etkili olup olmadığı ortaya çıkarılmak istenmiĢtir.

153

Mali tablo oranları ile veri madenciliği uygulamalarının birlikte kullanımının yer aldığı çalıĢmalarda uygulanan yöntemlerle ilgili Ģu bilgilere ulaĢılmıĢtır:

Fanning, Cogger ve Srivastava (1995) yaptıkları çalıĢmada yönetim kaynaklı hile tespiti için yapay sinir ağları kullandıkları iki farklı model geliĢtirmiĢlerdir (Fanning, Cogger, & Srivastava, 1995). GeliĢtirdikleri bu modellere göre hile tespiti yaptıklarında, AutoNet kullanıldığında %89 baĢarı, ALN kullanıldığında ise %90 baĢarı elde etmiĢlerdir.

Green ve Choi (1997) çalıĢmalarında kurumsal hilenin tespitinde içsel mali verileri kullanarak bir sinir ağı hile sınıflandırma modeli geliĢtirmiĢlerdir (Green & Choi, 1997). Bu makalede de hile sınıflandırma iĢlemleri baĢarılı bir Ģekilde yapılmıĢtır.

Fanning ve Cogger (1998) ile Cerullo ve Cerullo (1999) araĢtırmalarında kurumsal hilenin tespiti için geliĢtirdikleri modelde sinir ağlarını kullanmıĢlardır (Fanning & Cogger, 1998), (Cerullo & Cerullo, 1999). Fanning ve Cogner FFS olarak bilinen Ģirketlerin verilerini kullanarak yapay sinir ağları yardımıyla hile tespiti yapan ilk çalıĢma olduklarını iddia etmektedirler ve %63’lük bir baĢarı ile hileyi tespit etmektedirler. Cerullo ve Cerullo ise yaptıkları vaka çalıĢmasında bir muhasebe firmasının sinir ağı yazılım paketi kullanarak, finansal bir hile yapılıp yapılmadığı tespitinin nasıl yapılacağını detaylı olarak incelemiĢlerdir.

Koskivaara (2000) çalıĢmasında mali hesapların denetimi için sinir ağı tahmin yeteneği üzerinde çeĢitli ön-iĢleme modellerinin etkisini incelemiĢtir (Koskivaara E. , 2000, s. 326-328). 31 imalatçı Ģirketin dört yıllık verileri dört farklı ön iĢleme tekniği ve sınıflandırıcı olarak yapay sinir ağları kullanılarak incelenmiĢ, denetimde beklenmeyen dalgalanmalar hakkında en baĢarılı sonuçların yıllık olarak ölçeklendirilmiĢ olan verilerde elde edildiğini bildirmiĢlerdir.

Feroz ve diğerleri (2000) yaptıkları araĢtırmada olası dolandırıcıları ve muhasebe hilelerini tahmin etmeye çalıĢmıĢlardır (Feroz, Kwon, Pastena, & Park, 2000). Yazarlar yapay sinir ağları kullanarak %81 baĢarı ile hile tespitini gerçekleĢtirmiĢlerdir.

Lin, Hwang ve Becker (2003) çalıĢmalarında lojistik model ve bulanık sinir ağlarını kullanarak kurumsal dolandırıcılık tespiti için bir bütünleĢik bulanık sinir ağı modeli

154

programını değerlendirmiĢlerdir (Lin, Hwang, & Becker, 2003). Kullandıkları modelin literatürdeki logit modelinden daha baĢarılı sonuç vererek %76 baĢarı ile hile tespitinde bulunduğunu göstermiĢlerdir.

Kotsiantis ve diğerleri (2006) yaptıkları araĢtırmada Karar Ağaçları, Yapay Sinir Ağları, Bayes Ġnanç Ağı, K-En Yakın KomĢu tekniklerini kullandıkları hibrid bir karar destek sistemi ile hileli finansal tabloları tespit etmede istif değiĢken yöntemi kullanmıĢlardır (Kotsiantis, Koumanakos, Tzelepis, & Tampakas, 2006). 146 Yunan firmasının 2001-2002 dönemine ait verileri kullanılarak yapılan araĢtırmada hile tespitinde finansal verilerin kullanılabileceğini göstermiĢ ve finansal oranların öneminin üzerinde durmuĢlardır.

Kirkos ve diğerleri (2007) çalıĢmalarında hileli finansal tabloların tespitinde sinir ağları, karar ağaçları ve Bayes Ġnanç Ağlarının etkinliğini araĢtırmıĢ ve iliĢkili faktörleri tespit etmiĢlerdir (Kirkos, Spathis, & Manolopoulos, 2007). Belirtilen üç farklı model oluĢturulup performansları karĢılaĢtırılarak hileli finansal beyanları tespit etmede hangi modelin uygun olduğunu araĢtırmıĢlardır. OluĢturdukları veri tabanına bu modelleri uygulayarak, karar ağaçlarının %73,6, sinir ağlarının %80 ve Bayes inanç ağlarının %90,3 baĢarı ile hile tespitinde kullanıldıklarını göstermiĢlerdir.

Liou (2008) araĢtırmasında hileli finansal beyan tespiti modeli ve iĢ baĢarısızlık tahmin modeli arasındaki farklılıkları ve benzerlikleri tespit etmek için algılama / tahmin modelleri kurmuĢtur(Liou, 2008). Tayvan’daki Ģirketlerin 2003 ve 2004 yıllarına ait belirlediği 52 finansal değer verilerini lojistik regresyon, sinir ağları ve sınıflandırma ağaçları kullanarak algılama ve tespit modelleri kurmuĢ, sonuç olarak belirlediği 52 finansal değerin çoğunun algılama/tespit modelleri için faydalı olduğuna karar vermiĢtir.

Kapardis ve diğerleri (2010) çalıĢmalarında hile tespiti aracı olarak yapay sinir ağlarının kullanılmasını test etmiĢlerdir (Kapardis, Christodoulou, & Agathocleous, 2010). Yazarlar, denetmenler tarafından hile tespiti üzerine literatür araĢtırmalarından sonra, bir hile tespit seminerine katılan denetmenlere uygulamak için anket hazırlamıĢlardır. Daha sonra bu anket yedi farklı yapay sinir ağı modeline uygulanarak, hile tespitinde bu

155

modellerin kullanımını test etmiĢlerdir. Sonuç olarak ortalama %90 oranında baĢarılı hile tespiti gerçekleĢtirmiĢlerdir.

Jans ve diğerleri (2010) çalıĢmalarında tanımlayıcı veri madenciliği yaklaĢımı ve çok değiĢkenli gözlemlenemeyen sınıf kümeleme tekniğinin kullanılmasının, Ģirket içi dolandırıcılık riskini azaltmada daha etkili olduğunu ortaya çıkarmıĢlardır (Jans, Lybaert, & Vanhoof, 2010).

Ravisankar ve diğerleri (2011) ve Perols (2011) çalıĢmalarında finansal tablo hilesine baĢvuran Ģirketleri belirlemek için çeĢitli veri madenciliği algoritmalarını kullanmıĢlardır (Ravisankar, Ravi, Rao, & Bose, 2011), (Perols, 2011). Ravisankar ve diğerlerinin yaptığı çalıĢmada her algoritma 202 Çinli firmadan oluĢan bir veri tabanı ile öznitelik seçimi kullanılarak ve kullanılmayarak ayrı ayrı test edilmiĢtir. Öznitelik seçimi kullanılmadığında olasılıksal sinir ağlarının %98 ile en baĢarılı hile yapan Ģirket tespitini gerçekleĢtirdiğini, öznitelik seçimi kullanıldığında ise %92 ile genetik algoritmanın diğer algoritmalardan daha baĢarılı olduğunu tespit etmiĢlerdir.

Perols ise hile tespitinde yine birçok algoritma kullanmıĢ, tanımladığı 42 parametrenin sadece 6 tanesini kullanmıĢtır. Diğer algoritmalara göre lojistik regresyon ve destek vektör makinelerinin daha baĢarılı sonuçlar verdiğini ortaya koymuĢtur (Perols, 2011). Zhou ve Kapoor (2011) yaptıkları çalıĢmada kendi uyarladıkları tepki yüzeyi modeline dayanan bir çerçeve araĢtırma ile finansal tablo hilesini tespit etmeyi hedeflemiĢlerdir (Zhou & Kapoor, 2011). Uyguladıkları veri madenciliği tekniklerinin etkinliğini incelemiĢ, bilgisayar destekli otomatik hile tespit sistemlerinin özelleĢtirilmiĢ alan bilgisiyle daha etkili olacağını belirlemiĢlerdir.

Glancy ve Yadav (2011) yönetimin kararları ve 10-K baĢvuru analizi kullanarak hileli raporlar ile hilesiz raporları ayırt etmiĢlerdir (Glancy & Yadav, 2011). Hile tespiti için özellikle metinsel veri içerisindeki tüm bilgileri kullanan tüm teknikleri birleĢtirmiĢlerdir. GeliĢtirdikleri model hileden Ģüphelenildiği durumlarda görüntüleme aracı olarak kullanılabilmektedir.

156

Pandey ve Pal (2011) çalıĢmalarında kurumun satıĢ oranının önemli bir seviyeye düĢüĢünü azaltmak ve kurumun performans düzeyini artırmak için Bayesian sınıflandırma modelini uygulamıĢlardır (Pandey & Pal, 2011).

Ngai ve diğerleri (2011) çalıĢmalarında, finansal dolandırıcılık tespiti için veri madenciliği tekniklerinin uygulanmasına iliĢkin literatürü gözden geçirmiĢlerdir ve bir sınıflandırma taslağı sunmuĢlardır(Ngai, Yong, Wong, Yijun, & Sun, 2011). Yazarlar 1997-2008 yılları arasında yayınlanan 49 dergi makalesini inceleyip özetlemiĢ, sigorta hilesinin veri madenciliği ile tespitinin çok sayıda makalede geçmesine rağmen kurumsal ve kredi karı hilelerinin çok fazla incelenmediği sonucuna varmıĢlardır. Ayrıca ipotek hilesi, para aklama, güvenlik ve emtia hilesi üzerine de çok az sayıda çalıĢma olduğunu tespit etmiĢlerdir.

Kuzey ve diğerleri (2014) çalıĢmalarında, karar ağaçları ve yapay sinir ağları kullanarak firma değeri üzerindeki çok ulusluluk etkisini ve diğer on dört finansal göstergeyi 1997-2011 dönemi için araĢtırmıĢlardır (Kuzey, Uyar, & Delen, 2014). Bağımsız değiĢkenler arasında çok ulusluluğun firma değerini kısmen belirlediğini, çok ulusluluğa ek olarak firma büyüklüğü, kaldıraç, likidite ve karlılık gibi finansal karakteristiklerin de firma değerine etki ettiğini tespit etmiĢlerdir.

Kou ve diğerleri (2014) çalıĢmalarında, finansal risk analizi alanında popüler kümeleme algoritması seçiminde değerlendirme yapmak için Çok Kriterli Karar Verme tabanlı bir yaklaĢım sunmuĢlardır(Kou, Peng, & Guoxun, 2014). 3 farklı gerçek zamanlı kredi riski ve iflas riski veri tabanı üzerinde 3 çok kriterli karar verme metodu, 6 kümeleme algoritması ve 6 küme geçerleme indisi kullanarak, oluĢturdukları yaklaĢımı test etmiĢlerdir. Kümeleme algoritmalarını elde etmede çok kriterli karar verme metodunun etkili olduğu tespit edilmiĢtir.

Huang ve diğerleri (2014) yaptıkları araĢtırmada topolojik kalıpları ortaya çıkarma ve Büyüyen HiyerarĢik Kendinden Düzenlenen Haritalar yaklaĢımı ile etkili finansal hile algılama ve özellik çıkarma üzerine çalıĢmıĢlardır (Huang, Tsaih, & Yu, 2014). Tayvan’daki 144 halka açık Ģirkete ait 762 adet yıllık finansal beyan kullanılarak, geliĢtirdikleri metodun hileli örnekleri tespit etmeye yardım etmek için sınıflandırma kuralları oluĢturabildiğini göstermiĢlerdir.

157

Türkiye’ de yapılan çalıĢmalarda; Terzi (2012) yaptığı çalıĢmada muhasebe denetiminde kullanılan veri madenciliği yöntemlerini ve nasıl kullanılacağını incelemiĢtir (Terzi, 2012). Ayrıca denetim süreci aĢamalarında kullanılabilecek veri madenciliği yöntemleri hakkında da bilgiler paylaĢılmıĢtır.

Albayrak ve Yılmaz (2009) çalıĢmalarında, ĠMKB’ de faaliyet gösteren 173 iĢletmenin yıllık finansal göstergelerine karar ağaçları tekniği uygulayarak firmaları ayıran en önemli değiĢkenleri saptamıĢlardır (Albayrak & Koltan Yılmaz, 2009). ÇalıĢmada kullanılan veri tabanındaki firmaların yıllık finansal göstergeleri 2004-2006 yıllarına aittir. Elde edilen sonuçlara göre firmaların sanayi veya hizmet sektöründe olduğunu bulmak için etkili olan değiĢkenlerin; iĢletme sermayesinin net satıĢlara oranı, stok devir hızı ve ekonomik rantabilite oranı olduğu tespit edilmiĢtir.

Boran (2012) yaptığı araĢtırmada ĠMKB’ye tabi Ģirketleri veri madenciliği yöntemleri aracılığıyla finansal olarak değerlendirmiĢ ve uygun kümelere ayırmıĢtır (Boran, 2012). Akyel (2011) çalıĢmasında potansiyel hilebazın tespitinde k en yakın komĢuluk algoritmasından yararlanılabileceğine iliĢkin örneklere yer vermiĢtir (Akyel & Seçkin, 2011).

Yücel (2013) çalıĢmasında SAS No.99’da belirtilen 42 kırmızı bayrağın hile ve yolsuzlukların tespitindeki etkinliği Türkiye’deki bağımsız denetçilerin bakıĢ açılarıyla değerlendirmiĢtir (Yücel, 2013). Bu kapsamda Sermaye Piyasasında Bağımsız Denetimle Yetkili KuruluĢların cevaplaması için bir anket hazırlanmıĢ, SPSS paket programı ile ankete verilen cevaplar analiz edilmiĢtir. Elde edilen sonuçlara göre kırmızı bayraklar denetim çalıĢmalarında kısmen etkilidir. Fakat denetmenler tarafından fırsatlara iliĢkin kırmızı bayrakların çok etkili olduğu vurgulanmıĢtır. Dolayısıyla ülkemizdeki Ģirketler için fırsatların daha büyük bir tehlike olduğu vurgulanmıĢtır. Denetçilerin ve Ģirketlerin hile ve manipülasyonları engellemek için fırsatların göstergelerini dikkatle incelemeleri gerektiği tavsiye edilmiĢtir.