Institutional Repository
Technical University of Crete
Technical University of Crete
EN
|
EL
| URI | http://purl.tuc.gr/dl/dias/9B5379D5-7D2A-421A-91F1-F9761FE1E9D8 | - |
| Identifier | https://doi.org/10.26233/heallink.tuc.100454 | - |
| Language | en | - |
| Extent | 109 pages | en |
| Extent | 3.3 megabytes | en |
| Title | Identification of fraudulent financial statements using data mining techniques | en |
| Title | Εντοπισμός χρηματοοικονομικής απάτης στις δημοσιευμένες οικονομικές καταστάσεις με την εφαρμογή τεχνικών εξόρυξης δεδομένων | el |
| Creator | Tragouda Maria | en |
| Creator | Τραγουδα Μαρια | el |
| Contributor [Committee Member] | Atsalakis Georgios | en |
| Contributor [Committee Member] | Ατσαλακης Γεωργιος | el |
| Contributor [Thesis Supervisor] | Doumpos Michail | en |
| Contributor [Thesis Supervisor] | Δουμπος Μιχαηλ | el |
| Contributor [Committee Member] | Gaganis Chrysovalantis | en |
| Contributor [Committee Member] | Γαγανης Χρυσοβαλαντης | el |
| Contributor [Committee Member] | Lemonakis, Christos | en |
| Contributor [Committee Member] | Spathis Charalampos | en |
| Contributor [Committee Member] | Tsafarakis Stelios | en |
| Contributor [Committee Member] | Τσαφαρακης Στελιος | el |
| Contributor [Committee Member] | Zopounidis Konstantinos | en |
| Contributor [Committee Member] | Ζοπουνιδης Κωνσταντινος | el |
| Publisher | Πολυτεχνείο Κρήτης | el |
| Publisher | Technical University of Crete | en |
| Academic Unit | Technical University of Crete::School of Production Engineering and Management | en |
| Academic Unit | Πολυτεχνείο Κρήτης::Σχολή Μηχανικών Παραγωγής και Διοίκησης | el |
| Description | Διδακτορική Διατριβή που υποβλήθηκε στη σχολή ΜΠΔ του Πολυτεχνείου Κρήτης για την πλήρωση προϋποθέσεων λήψης του Διδακτορικού Διπλώματος. | el |
| Content Summary | Although the financial audit controls in companies have advanced over the years, the number of corporate fraud instances is growing, thus raising the need for investigating the factors that can be used as early-warning signals and developing effective systems for identifying financial fraud. In this thesis, financial statements from 133 Greek companies listed in the Athens Stock Exchange over the period 2014 to 2019 are investigated, based on the fraud diamond theory. Financial data and corporate governance variables are used as inputs to data mining techniques to develop models that can identify patterns of irregularities in a company’s financial reports. To this end popular machine learning classification algorithms are employed in a novel multi-label classification setting that not only identifies fraudulent cases, but also considers the nature of the auditors’ comments. The results indicate that the proposed multi-label approach provides enhanced results compared to binary classification algorithms, avoiding inconsistent outputs with respect to the existence of different forms of manipulation of financial statements. | en |
| Content Summary | Αν και οι έλεγχοι οικονομικού ελέγχου στις εταιρείες έχουν εξελιχθεί με τα χρόνια, ο αριθμός των περιπτώσεων εταιρικής απάτης αυξάνεται, εντείνοντας έτσι την ανάγκη για διερεύνηση των παραγόντων που μπορούν να χρησιμοποιηθούν ως έγκαιρες προειδοποιητικές ενδείξεις και οδηγώντας στην ανάπτυξη αποτελεσματικών συστημάτων για τον εντοπισμό της οικονομικής απάτης. Στην παρούσα διδακτορική διατριβή διερευνώνται οι οικονομικές καταστάσεις 133 ελληνικών εταιρειών εισηγμένων στο Χρηματιστήριο Αθηνών κατά την περίοδο 2014 έως 2019, με βάση τη θεωρία του διαμαντιού της απάτης. Τα χρηματοοικονομικά δεδομένα και οι μεταβλητές εταιρικής διακυβέρνησης χρησιμοποιούνται ως εισροές σε τεχνικές εξόρυξης δεδομένων για την ανάπτυξη μοντέλων που μπορούν να εντοπίσουν πρότυπα παρατυπιών στις οικονομικές αναφορές μιας εταιρείας. Για το σκοπό αυτό, χρησιμοποιούνται δημοφιλείς αλγόριθμοι ταξινόμησης μηχανικής μάθησης σε μια νέα ρύθμιση ταξινόμησης πολλαπλών ετικετών που όχι μόνο εντοπίζει δόλιες περιπτώσεις, αλλά λαμβάνει επίσης υπόψη τη φύση των σχολίων των ελεγκτών. Τα αποτελέσματα δείχνουν ότι η προτεινόμενη προσέγγιση πολλαπλών ετικετών παρέχει βελτιωμένα αποτελέσματα σε σύγκριση με τους αλγόριθμους δυαδικής ταξινόμησης, αποφεύγοντας ασυνεπή αποτελέσματα όσον αφορά την ύπαρξη διαφορετικών μορφών χειραγώγησης των οικονομικών καταστάσεων. | el |
| Type of Item | Διδακτορική Διατριβή | el |
| Type of Item | Doctoral Dissertation | en |
| License | http://creativecommons.org/licenses/by/4.0/ | en |
| Date of Item | 2024-07-24 | - |
| Date of Publication | 2024 | - |
| Subject | Data mining techniques | en |
| Subject | Financial auditing | en |
| Bibliographic Citation | Maria Tragouda, "Identification of fraudulent financial statements using data mining techniques", Doctoral Dissertation, School of Production Engineering and Management, Technical University of Crete, Chania, Greece, 2024 | en |
| Bibliographic Citation | Μαρία Τραγούδα, "Εντοπισμός χρηματοοικονομικής απάτης στις δημοσιευμένες οικονομικές καταστάσεις με την εφαρμογή τεχνικών εξόρυξης δεδομένων", Διδακτορική Διατριβή, Σχολή Μηχανικών Παραγωγής και Διοίκησης, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2024 | el |
Copyright © DIAS 2013
