2. Literature reviewThere has been

2. Literature review
There has been a limited use of data mining techniques for
detection of financial statement fraud. The data mining techniques
used include decision trees, neural networks (NN), Bayesian belief
networks, case based reasoning, fuzzy rule-based reasoning, hybrid
methods, logistic regression, and text mining. Extant research in this
direction is reviewed in the following paragraphs.
According to Kirkos et al. [23], some estimates stated that fraud
cost US business more than $400 billion annually. Spathis et al [42]
compared multi-criteria decision aids with statistical techniques such
as logit and discriminant analysis in detecting fraudulent financial
statements. A novel financial kernel for the detection of management
fraud is developed using support vector machines on financial data by
Cecchini et al. [9]. Huang et al. [20] developed an innovative fraud
detection mechanism on the basis of Zipf's Law. The purpose of this
technique is to assist auditors in reviewing the overwhelming
volumes of datasets and identifying any potential fraud records.
Kirkos et al. [23] used the ID3 decision tree and Bayesian belief
network to detect financial statement fraud successfully.
Sohl and Venkatachalam [41] used back-propagation NN for the
prediction of financial statement fraud. There are other researchers
who used different NN algorithms to detect financial reporting fraud.
Cerullo and Cerullo [10] explained the nature of fraud and financial
statement fraud along with the characteristics of NN and their
applications. They illustrated how NN packages could be utilized by
various firms to predict the occurrence of fraud. Calderon and Cheh [8]
examined the efficacy of NN as a potential enabler of business risk
based auditing. They employed different methods using NN as a tool
for research in the auditing and risk assessment domain. Further, they
identified several opportunities for future research that include
methodological issues related to NN modeling as well as specific
issues related to the application of NN for business risk assessment.
Koskivaara [25] investigated the impact of various preprocessing
models on the forecast capability of NN when auditing financial
accounts. Further, Koskivaara [26] proposed NN based support
systems as a possible tool for use in auditing. He demonstrated that
the main application areas of NN were detection of material errors,
and management fraud. Busta and Weinberg [7] used NN to
distinguish between ‘normal’ and ‘manipulated’ financial data. They
examined the digit distribution of the numbers in the underlying
financial information. The data analysis is based on Benford’s law,
which demonstrated that the digits of naturally occurring numbers
are distributed on a predictable and specific pattern. They tested six
NN designs to determine the most effective model. In each design, the
inputs to the NN were the different subsets of the 34 variables. The
results showed that NN were able to correctly classify 70.8% of the
data on an average.
Feroz et al. [15] observed that the relative success of the NN
models was due to their ability to ‘learn’ what were important. The
perpetrators of financial reporting frauds had incentives to appear
prosperous as evidenced by high profitability. In contrast to
conventional statistical models replete with assumptions, the NN
used adaptive learning processes to determine what were important
in predicting targets. Thus, the NN approach was less likely to be
affected by accounting manipulations. The NN approach was well
suited to predicting the possible fraudsters because the NN ‘learnt’ the
characteristics of reporting violators despite managers’ intent to
obfuscate misrepresentations. Brooks [6] also applied various NN
models to detect financial statement fraud with great success. Fanning
and Cogger [13] used NN (AutoNet) for detecting management fraud.
The study offered an in-depth examination of important publicly
available predictors of fraudulent financial statements. The study
P. Ravisankar et al. / Decision Support Systems 50 (2011) 491–500 493
reinforced the efficiency of AutoNet in providing empirical evidence
regarding the merits of suggested red flags for fraudulent financial
statements. Ramamoorti et al. [37] provided an overview of the multilayer
perceptron architecture and compared it with a Delphi study.
They found that internal auditors could benefit from using NN for
assessing risk. Zhang et al. [46] conducted a review of the published
papers that reported the use of NN in forecasting during the time
period 1988–98.

Kết quả (Việt) 1:

2. văn học reviewĐã từng có một giới hạn sử dụng của kỹ thuật khai thác mỏ dữ liệu chophát hiện gian lận báo cáo tài chính. Kỹ thuật khai thác dữ liệusử dụng bao gồm cây quyết định, mạng nơ-ron (NN), niềm tin Bayesmạng lưới, case dựa trên lý luận, lý luận dựa trên quy tắc mờ, laiphương pháp hồi quy logistic và khai thác mỏ văn bản. Các nghiên cứu còn tồn tại ở đâyhướng được xem xét trong các đoạn sau đây.Theo Kirkos et al. [23], một số ước tính đã nói rằng gian lậnchi phí cho chúng TÔI kinh doanh nhiều hơn 400 tỷ USD mỗi năm. Spathis et al [42]so với nhiều tiêu chí quyết định viện trợ với các kỹ thuật thống kênhư hàm lôgit và biệt thức phân tích trong việc phát hiện gian lận tài chínhphát biểu. Một cuốn tiểu thuyết hạt nhân tài chính để phát hiện các quản lýgian lận được phát triển bằng cách sử dụng máy vectơ hỗ trợ trên các dữ liệu tài chính củaCecchini et al. [9]. Hoàng et al. [20] đã phát triển một gian lận sáng tạophát hiện các cơ chế trên cơ sở luật pháp của Zipf. Mục đích của việc nàykỹ thuật là để hỗ trợ kiểm toán viên xem xét các quákhối lượng của datasets và xác định bất kỳ hồ sơ gian lận tiềm năng.Kirkos et al. [23] sử dụng ID3 quyết định cây và niềm tin Bayesmạng lưới phát hiện gian lận báo cáo tài chính thành công.Sohl và Loan [41] sử dụng NN tuyên truyền lại cho cácdự đoán của báo cáo tài chính gian lận. Có những nhà nghiên cứu khácngười sử dụng thuật toán NN khác nhau để phát hiện gian lận báo cáo tài chính.Cerullo và Cerullo [10] bản chất gian lận tài chính và giải thích.báo cáo gian lận cùng với các đặc tính của NN và của họCác ứng dụng. Họ minh họa làm thế nào các gói NN có thể được sử dụng bởiCác công ty khác nhau để dự đoán sự xuất hiện của gian lận. Calderon và Cheh [8]kiểm tra hiệu quả của NN như là một enabler tiềm năng của rủi ro kinh doanhDựa trên kiểm toán. Họ sử dụng phương pháp khác nhau sử dụng NN là một công cụnghiên cứu trong lĩnh vực đánh giá kiểm toán và nguy cơ. Hơn nữa, họxác định một vài cơ hội trong tương lai nghiên cứu bao gồmphương pháp luận các vấn đề liên quan đến mô hình NN cũng như cụ thểCác vấn đề liên quan đến các ứng dụng của NN cho đánh giá rủi ro kinh doanh.Koskivaara [25] điều tra tác động của tiền xử lý khác nhauCác mô hình về khả năng dự báo của NN khi kiểm toán tài chínhtài khoản Google. Hơn nữa, Koskivaara [26] đề xuất NN dựa hỗ trợHệ thống như một công cụ có thể sử dụng trong kiểm toán. Ông đã chứng minh rằngcác lĩnh vực ứng dụng chính của NN là phát hiện tài liệu lỗi,và quản lý gian lận. Busta và Weinberg [7] NN để sử dụng.phân biệt giữa 'bình thường' và 'thao túng' dữ liệu tài chính. Họkiểm tra phân phối chữ số trong con số trong các cơthông tin tài chính. Phân tích dữ liệu dựa trên luật pháp của Benford,đó chứng minh rằng các chữ số tự nhiên có số điện thoạiphân bố trên một mô hình dự đoán và cụ thể. Họ thử nghiệm 6NN các thiết kế để xác định các mô hình hiệu quả nhất. Trong từng thiết kế, cácđầu vào cho NN là tập con khác nhau của các biến 34. Cáckết quả cho thấy rằng NN đã có thể phân loại chính xác 70,8% của cácdữ liệu trên mức trung bình.Feroz et al. [15] quan sát thấy rằng sự thành công tương đối của NNMô hình là do khả năng của họ để 'học hỏi' những gì đã được quan trọng. Cácđã có kẻ gian lận báo cáo tài chính ưu đãi để xuất hiệnthịnh vượng được minh chứng bằng lợi nhuận cao. Ngược vớithông thường các mô hình thống kê replete với giả định, NNsử dụng quá trình học tập thích nghi để xác định những gì là quan trọngtrong dự đoán mục tiêu. Vì vậy, phương pháp tiếp cận của NN là ít có khả năngbị ảnh hưởng bởi thao tác kế toán. Phương pháp tiếp cận của NN là tốtphù hợp với dự báo những kẻ lừa đảo có thể bởi vì NN 'kinh nghiệm' cácđặc điểm của các vi phạm báo cáo mặc dù mục đích quản lý'misrepresentations làm thành tối tăm. Brooks [6] cũng áp dụng nhiều NNCác mô hình để phát hiện gian lận báo cáo tài chính với thành công lớn. Fanningvà Cogger [13] sử dụng NN (AutoNet) để phát hiện gian lận quản lý.Nghiên cứu cung cấp một xét nghiệm chuyên sâu trong quan trọng công khaidự đoán có gian lận báo cáo tài chính. Nghiên cứuP. Ravisankar et al. / quyết định hỗ trợ hệ thống 50 (2011) 491-500 493tăng cường hiệu quả của AutoNet trong việc cung cấp bằng chứng thực nghiệmliên quan đến thành tích đề nghị lá cờ đỏ cho các gian lận tài chínhphát biểu. Ramamoorti et al. [37] cung cấp một tổng quan về multilayerkiến trúc Perceptron và so sánh nó với một nghiên cứu Delphi.Họ tìm thấy kiểm toán nội bộ có thể lợi từ việc sử dụng NN chođánh giá nguy cơ. Trương et al. [46] tiến hành xem xét lại việc xuất bảngiấy tờ báo cáo việc sử dụng các NN trong dự báo trong thời giangiai đoạn 1988-98.

Kết quả (Việt) 2:

2. Văn học xét
Hiện đã có một hạn chế sử dụng các kỹ thuật khai thác dữ liệu cho
phát hiện gian lận báo cáo tài chính. Các kỹ thuật khai thác dữ liệu
sử dụng bao gồm cây quyết định, mạng nơron (NN), niềm tin Bayesian
mạng, trường hợp dựa trên lý luận, lý luận mờ dựa trên quy tắc lai
phương pháp, hồi quy logistic, và khai thác văn bản. Nghiên cứu còn tồn tại trong này
hướng được xem xét trong phần dưới đây.
Theo Kirkos et al. [23], một số ước tính cho rằng gian lận
kinh doanh Hoa Kỳ chi phí hơn $ 400 tỉ mỗi năm. Spathis et al [42]
so đa tiêu chí hỗ trợ ra quyết định với các kỹ thuật thống kê chẳng hạn
như logit và phân tích biệt trong việc phát hiện gian lận tài chính
báo cáo. Một hạt nhân tài chính mới đối với việc phát hiện quản lý
gian lận được phát triển sử dụng máy vector hỗ trợ về dữ liệu tài chính của
Cecchini et al. [9]. Huang et al. [20] đã phát triển một gian lận đổi mới
cơ chế phát hiện trên cơ sở của Luật Zipf của. Mục đích của việc này
kỹ thuật là để hỗ trợ kiểm toán viên trong việc rà soát áp đảo
số lượng các bộ dữ liệu và xác định bất cứ hồ sơ gian lận tiềm năng.
Kirkos et al. [23] sử dụng cây quyết định ID3 và niềm tin Bayesian
mạng để phát hiện gian lận báo cáo tài chính thành công.
Sohl và Venkatachalam [41] sử dụng lan truyền ngược NN cho
dự đoán của gian lận báo cáo tài chính. Có nhà nghiên cứu khác
, người sử dụng các thuật toán NN khác nhau để phát hiện gian lận báo cáo tài chính.
Cerullo và Cerullo [10] giải thích bản chất của sự gian lận tài chính và
gian lận tuyên bố cùng với các đặc điểm của NN và của
các ứng dụng. Họ đã minh họa cách gói NN có thể được sử dụng bởi
các công ty khác nhau để dự đoán sự xuất hiện của gian lận. Calderon và Cheh [8]
kiểm tra hiệu quả của NN là một tạo khả năng tiềm tàng của rủi ro kinh doanh
kiểm toán dựa. Họ sử dụng các phương pháp khác nhau sử dụng NN như một công cụ
để nghiên cứu trong kiểm toán và rủi ro miền đánh giá. Hơn nữa, họ
xác định một số cơ hội cho các nghiên cứu trong tương lai bao gồm
các vấn đề về phương pháp luận liên quan đến mô hình NN cũng như cụ thể
các vấn đề liên quan đến các ứng dụng của NN để đánh giá rủi ro kinh doanh.
Koskivaara [25] nghiên cứu sự ảnh hưởng của tiền xử lý khác nhau
mô hình về khả năng dự báo của NN khi kiểm toán tài chính
tài khoản. Hơn nữa, Koskivaara [26] đề xuất hỗ trợ NN dựa
hệ thống này như một công cụ tốt để sử dụng trong kiểm toán. Ông đã chứng minh rằng
các lĩnh vực ứng dụng chính của NN đã phát hiện các sai sót trọng yếu,
và gian lận quản lý. Busta và Weinberg [7] được sử dụng NN để
phân biệt giữa dữ liệu tài chính 'thao túng' 'bình thường' và. Họ
đã kiểm tra phân phối chữ số của các số trong các cơ
thông tin tài chính. Dữ liệu phân tích được dựa trên luật Benford,
mà đã chứng minh rằng các chữ số của số tự nhiên
được phân bố trên một mô hình dự đoán và cụ thể. Họ đã thử nghiệm sáu
NN thiết kế để xác định các mô hình hiệu quả nhất. Trong mỗi thiết kế,
đầu vào của NN là các tập con khác nhau của 34 biến. Các
kết quả cho thấy rằng NN có thể phân loại một cách chính xác 70,8% của
dữ liệu trên trung bình.
Feroz et al. [15] quan sát thấy rằng sự thành công tương đối của NN
mô hình là do khả năng của họ để "học" cái gì là quan trọng. Các
thủ phạm của hành vi gian lận báo cáo tài chính đã khuyến khích xuất hiện
thịnh vượng bằng chứng là lợi nhuận cao. Ngược lại với
mô hình thống kê thông thường trang bị đầy đủ với những giả định, NN
sử dụng quá trình học tập thích nghi để xác định những gì là quan trọng
trong việc dự đoán mục tiêu. Vì vậy, cách tiếp cận NN là ít có khả năng bị
ảnh hưởng bởi các thao tác kế toán. Cách tiếp cận NN là cũng
phù hợp để dự đoán những kẻ lừa đảo có thể bởi vì NN 'học' các
đặc điểm của báo cáo vi phạm mặc dù ý định của các nhà quản lý để
tối tăm xuyên tạc. Brooks [6] cũng áp dụng NN nhiều
mô hình để phát hiện gian lận báo cáo tài chính với thành công lớn. Fanning
và Cogger [13] sử dụng NN (Autonet) để phát hiện gian lận quản lý.
Nghiên cứu này cung cấp một chiều sâu kiểm tra quan trọng công khai
dự đoán có sẵn các báo cáo tài chính lừa đảo. Các nghiên cứu
P. Ravisankar et al. / Quyết định hỗ trợ hệ thống 50 (2011) 491-500 493
tăng cường hiệu quả của Autonet trong việc cung cấp bằng chứng thực nghiệm
về những giá trị của lá cờ đỏ đề nghị cho tài chính gian lận
báo cáo. Ramamoorti et al. [37] cung cấp một cái nhìn tổng quan của nhiều lớp
kiến trúc perceptron và so sánh nó với một nghiên cứu Delphi.
Họ nhận thấy rằng kiểm toán viên nội bộ có thể được hưởng lợi từ việc sử dụng NN cho
việc đánh giá rủi ro. Zhang et al. [46] tiến hành xem xét các xuất bản
giấy tờ mà báo cáo việc sử dụng của NN trong dự báo trong thời gian
giai đoạn 1988-1998.