Identification of fraudulent financial statements using data mining techniquesIdentification of fraudulent financial statements using data mining techniquesΕντοπισμός χρηματοοικονομικής απάτης στις δημοσιευμένες οικονομικές καταστάσεις με την εφαρμογή τεχνικών εξόρυξης δεδομένων Διδακτορική Διατριβή Doctoral Dissertation 2024-07-242024enAlthough 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.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.Διδακτορική Διατριβή που υποβλήθηκε στη σχολή ΜΠΔ του Πολυτεχνείου Κρήτης για την πλήρωση προϋποθέσεων λήψης του Διδακτορικού Διπλώματος.http://creativecommons.org/licenses/by/4.0/Πολυτεχνείο Κρήτης::Σχολή Μηχανικών Παραγωγής και ΔιοίκησηςTragouda_Maria_PhD_2024.pdfChania [Greece]Library of TUC2024-07-23application/pdf3.3 MBfree Tragouda Maria Τραγουδα Μαρια Atsalakis Georgios Ατσαλακης Γεωργιος Doumpos Michail Δουμπος Μιχαηλ Gaganis Chrysovalantis Γαγανης Χρυσοβαλαντης Lemonakis, Christos Spathis Charalampos Tsafarakis Stelios Τσαφαρακης Στελιος Zopounidis Konstantinos Ζοπουνιδης Κωνσταντινος Πολυτεχνείο Κρήτης Technical University of Crete Data mining techniques Financial auditing