Τα τελευταία χρόνια η Εξόρυξη Δεδομένων παρέχει νέες μεθοδολογίες για την εξαγω-γή γνώσης από μεγάλους όγκους δεδομένων. Επιπλέον, μέθοδοι κατηγοριοποίησης όπως τα Νευρωνικά Δίκτυα και τα Δένδρα Αποφάσεων επιτρέπουν τη δημιουργία μο-ντέλων πρόβλεψης. Η ανάγκη εφαρμογής αυτών των μεθοδολογιών για την αντιμετώ-πιση προβλημάτων που άπτονται της Λογιστικής και της Ελεγκτικής επισημαίνεται ε-πανειλημμένα από πλήθος ερευνητών και από αρμόδιους επαγγελματικούς και επι-στημονικούς φορείς. Η παρούσα διδακτορική διατριβή έρχεται να συμβάλει στην κα-τεύθυνση αυτή υλοποιώντας μοντέλα πρόβλεψης και εντοπίζοντας σημαντικούς παρά-γοντες που αναφέρονται σε επιλεγμένα ζητούμενα της Λογιστικής και Ελεγκτικής.Το πρώτο ερευνητικό ζητούμενο ήταν ο εντοπισμός εκείνων των χρηματοοικο-νομικών καταστάσεων, όπου τα διοικητικά στελέχη των επιχειρήσεων παραποίησαν τα οικονομικά στοιχεία με στόχο την εξαπάτηση των μετόχων, των πιστωτών, ή των φο-ρολογικών αρχών. Για το σκοπό αυτό εφαρμόστηκαν οι μέθοδοι των Δένδρων Αποφάσεων, των Νευρωνικών Δικτύων και των Μπαϋεσιανών Δικτύων Πίστης. Τα δεδομένα που χρησιμοποιήθηκαν αφορούσαν ελληνικές επιχειρήσεις. Το μοντέλο του Δικτύου Μπαϋεσιανής Πίστης επέτυχε την υψηλότερη ακρίβεια πρόβλεψης της κλά-σης άγνωστων παρατηρήσεων. Η ερμηνεία των μοντέλων καταδεικνύει ότι η παρου-σία οικονομικής δυσχέρειας και η κερδοφορία είναι σημαντικοί παράγοντες και σχετί-ζονται ισχυρά με την παραποίηση ή μη παραποίηση των χρηματοοικονομικών κατα-στάσεων.Το δεύτερο ερευνητικό ζητούμενο ήταν η πρόβλεψη των περιπτώσεων όπου οι εξωτερικοί ελεγκτές, κατά τον ετήσιο έλεγχο των δημοσιευμένων οικονομικών κατα-στάσεων (ισολογισμών και αποτελεσμάτων χρήσης) των επιχειρήσεων, εκδίδουν δυ-σμενή σχόλια ή δεν εκδίδουν σχόλια και παρατηρήσεις. Για αυτήν τη μελέτη χρησιμο-ποιήθηκαν δεδομένα που αφορούσαν βρετανικές και ιρλανδικές επιχειρήσεις. Αναπτύχθηκαν και συγκρίθηκαν τρία διαφορετικά μοντέλα πρόβλεψης με εφαρμογή των μεθόδων των Δένδρων Αποφάσεων, των Νευρωνικών Δικτύων και των Μπαϋε-σιανών Δικτύων Πίστης. Σύμφωνα με τα αποτελέσματα, το Μπαϋεσιανό Δίκτυο Πί-στης επέτυχε τον υψηλότερο ρυθμό ακρίβειας άγνωστων παρατηρήσεων. Και οι τρεις μέθοδοι συμφωνούν στη διαπίστωση ότι η παρουσία οικονομικής δυσχέρειας και κερδοφορίας είναι ισχυροί παράγοντες που είναι δυνατόν να επηρεάζουν την κρίση των ελεγκτών για την έκδοση ή μη έκδοση δυσμενών σχολίων.Το τρίτο πεδίο έρευνας αφορούσε στην πρόβλεψη του τύπου του εξωτερικού ε-λεγκτή που επιλέγουν οι επιχειρήσεις. Ο τύπος του εξωτερικού ελεγκτή, εάν δηλαδή ανήκει ή δεν ανήκει στις θεωρούμενες μεγάλες ελεγκτικές εταιρείες, είναι ενδεικτικός της ποιότητας του ελέγχου που επιδιώκει η επιχείρηση. Τα δεδομένα που χρησιμοποι-ήθηκαν αφορούσαν βρετανικές και ιρλανδικές επιχειρήσεις. Τρεις μέθοδοι κατηγοριο-ποίησης, οι μέθοδοι των Δένδρων Αποφάσεων, των Νευρωνικών Δικτύων και των k-Πλησιέστερων Γειτόνων, εφαρμόστηκαν για την πρόβλεψη των εταιρειών που επιλέ-γουν για ελεγκτή μια από τις μεγάλες διεθνείς ελεγκτικές εταιρείες ή από τις υπόλοιπες. Το μοντέλο του Δένδρου Αποφάσεων είναι αυτό που επέτυχε τις καλύτε-ρες επιδόσεις πρόβλεψης για άγνωστες παρατηρήσεις. Αναφορικά με τον εντοπισμό σημαντικών παραγόντων, το ύψος του εξωτερικού χρέους της επιχείρησης είναι ο πλέ-ον σημαντικός παράγοντας για την επιλογή εξωτερικού ελεγκτή. Για τη βελτίωση των επιδόσεων των μοντέλων εφαρμόστηκε η μέθοδος δειγματοληψίας με επανατοποθέ-τηση (bagging). Η μέθοδος αυτή είχε ευεργετικές επιπτώσεις στο Δένδρο Αποφάσε-ων.Τα αποτελέσματα της διεξαχθείσας έρευνας μπορούν να φανούν χρήσιμα σε ε-σωτερικούς και εξωτερικούς ελεγκτές, οικονομικούς αναλυτές, οργανισμούς εκτίμη-σης πιστοληπτικού κινδύνου, καθώς επίσης και σε φορολογικές και άλλες κρατικές αρχές. Επίσης, η διεξαχθείσα έρευνα προσφέρει σημαντική συμβολή για την ανάπτυξη εξελιγμένων εργαλείων για χρήση από τους ελεγκτές.
During the last years, Data Mining provides new methodologies for the extraction of knowledge from large amounts of data. Moreover, classification methods like Neural Networks and Decision Trees allow the development of predicting models. The need to employ these methodologies to cope with problems related to Accounting and Au-diting, has been highlighted by numerous researchers and relevant professional and scientific organizations. The present thesis comes to contribute to this direction by de-veloping predicting models and revealing significant factors, related to specific tasks in the field of Auditing.The first research subject was the detection of fraudulent financial statements. These financial statements have been falsified by the management to deceive inves-tors, creditors or the tax authorities. Three classification methods, i.e. Decision Trees, Neural Networks and Bayesian Belief Networks have been applied. The data used were about Greek companies. The Bayesian Belief Network model achieved the best performance in predicting the class of unknown observations. The interpretation of the models reveals that financial distress and profitability are significant factors, which are strongly associated with the falsification of the financial statements.The second research subject was the prediction of the cases for which the exter-nal auditors issue a qualified opinion during the audit of the annual reports. For this research study, data concerning British and Irish companies have been used. Three alternative predicting models were developed and compared. The employed classifica-tion methods were Decision Trees, Neural Networks and Bayesian Belief Networks. According to the results, the Bayesian Belief Network model outperformed the other two models in predicting the class label of unknown observations. All three models agree that financial distress and profitability are significant factors, influencing the auditors in the issuance of a qualified opinion.The third research subject was the prediction of the type of external auditor that companies select. The type of the external auditor is indicative of the level of audit quality that a company aims at. In this research study, data about British and Irish companies were used. Three classification methods, i.e. Decision Trees, Neural Net-works and k-Nearest Neighbor were employed to predict the cases were companies hire a big international auditing firm. The Decision Tree model achieved the best per-formance in predicting the type of auditor of unknown observations. According to the results, the debt level is the most significant factors in the auditor selection decision. Τo increase the models’ performances we applied bagging to the three classifiers. Bagging improved significantly the accuracy rate of the Decision Tree model.The findings of the conducted research can be useful to internal and external auditors, financial analysts, credit risk estimators and tax authorities. This research also offers considerable contribution to the development of sophisticated tools for audi-tors.
