![Ιδρυματικό Αποθετήριο [SANDBOX]](images/dias.logo.png "Ιδρυματικό Αποθετήριο [SANDBOX]"){kind=logo}
Ιδρυματικό Αποθετήριο [SANDBOX]
Πολυτεχνείο Κρήτης
Πολυτεχνείο Κρήτης
EN
|
EL
| URI | http://purl.tuc.gr/dl/dias/9B5379D5-7D2A-421A-91F1-F9761FE1E9D8 | - |
| Αναγνωριστικό | https://doi.org/10.26233/heallink.tuc.100454 | - |
| Γλώσσα | en | - |
| Μέγεθος | 109 pages | en |
| Μέγεθος | 3.3 megabytes | en |
| Τίτλος | Identification of fraudulent financial statements using data mining techniques | en |
| Τίτλος | Εντοπισμός χρηματοοικονομικής απάτης στις δημοσιευμένες οικονομικές καταστάσεις με την εφαρμογή τεχνικών εξόρυξης δεδομένων | el |
| Δημιουργός | Tragouda Maria | en |
| Δημιουργός | Τραγουδα Μαρια | el |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Atsalakis Georgios | en |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Ατσαλακης Γεωργιος | el |
| Συντελεστής [Επιβλέπων Καθηγητής] | Doumpos Michail | en |
| Συντελεστής [Επιβλέπων Καθηγητής] | Δουμπος Μιχαηλ | el |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Gaganis Chrysovalantis | en |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Γαγανης Χρυσοβαλαντης | el |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Lemonakis, Christos | en |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Spathis Charalampos | en |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Tsafarakis Stelios | en |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Τσαφαρακης Στελιος | el |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Zopounidis Konstantinos | en |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Ζοπουνιδης Κωνσταντινος | el |
| Εκδότης | Πολυτεχνείο Κρήτης | el |
| Εκδότης | Technical University of Crete | en |
| Ακαδημαϊκή Μονάδα | Technical University of Crete::School of Production Engineering and Management | en |
| Ακαδημαϊκή Μονάδα | Πολυτεχνείο Κρήτης::Σχολή Μηχανικών Παραγωγής και Διοίκησης | el |
| Περιγραφή | Διδακτορική Διατριβή που υποβλήθηκε στη σχολή ΜΠΔ του Πολυτεχνείου Κρήτης για την πλήρωση προϋποθέσεων λήψης του Διδακτορικού Διπλώματος. | el |
| Περίληψη | 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 |
| Περίληψη | 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 |
| Τύπος | Διδακτορική Διατριβή | el |
| Τύπος | Doctoral Dissertation | en |
| Άδεια Χρήσης | http://creativecommons.org/licenses/by/4.0/ | en |
| Ημερομηνία | 2024-07-24 | - |
| Ημερομηνία Δημοσίευσης | 2024 | - |
| Θεματική Κατηγορία | Data mining techniques | en |
| Θεματική Κατηγορία | Financial auditing | en |
| Βιβλιογραφική Αναφορά | 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 |
| Βιβλιογραφική Αναφορά | 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
