Borsa İstanbul'da muhasebe hilesi tespiti: Beneish Modeli ve SMOTE tabanlı lojistik regresyon yaklaşımı

Abstract

Muhasebe hileleri, sermaye piyasalarında yatırımcı güvenini sarsan ve finansal istikrarı tehdit eden ciddi bir sorundur. Bu çalışmanın amacı, Türkiye'deki imalat sanayi firmalarında muhasebe hilesi riskini tespit etmek üzere Beneish Modeli temelli lojistik regresyon skorları geliştirmektir. Çalışmada, 2018–2022 dönemine ait Finnet verileri kullanılmıştır. Manipülasyon yaptığı düşünülen firmalar, bağımsız denetim raporlarında yer alan olumsuz ve şartlı görüş ifadelerine göre; manipülasyon riski düşük olanlar ise Kurumsal Yönetim Endeksi firmaları dikkate alınarak belirlenmiştir. Ham veri ile oluşturulan modelin başarısı sınırlı kalmış, bu durum azınlık sınıf verisinin yetersizliğine bağlanmıştır. Bu sorunu aşmak için Sentetik Azınlık Aşırı Örnekleme (SMOTE) yöntemi uygulanmış ve iki modelin performansları karşılaştırılmıştır. SMOTE yöntemiyle oluşturulan modelin doğruluk (%85), F1 skoru (%82) ve AUC değeri (0.89) gibi ölçütlerde anlamlı şekilde daha başarılı olduğu tespit edilmiştir. Bu çalışma, Beneish modelinin SMOTE ile desteklenerek Türkiye’de sektör bazlı uygulanmasının hile tespitinde etkili olduğunu ortaya koyarak literatüre özgün katkı sunmaktadır. Politika yapıcılara, finansal tablo denetim süreçlerinde istatistiksel temelli erken uyarı sistemlerinin desteklenmesi ve regülasyonlara entegre edilmesi önerilmektedir.

Accounting fraud is a serious problem that undermines investor confidence in capital markets and threatens financial stability. The aim of this study is to develop logistic regression scores based on the Beneish Model to detect the risk of accounting fraud in manufacturing industry companies in Türkiye. Finnet data for the period 2018–2022 was used in the study. Companies thought to have committed manipulation were determined according to the negative and conditional opinion statements in the independent audit reports; those with a low risk of manipulation were determined by considering the Corporate Governance Index companies. The success of the model created with raw data was limited, and this was attributed to the insufficiency of minority class data. To overcome this problem, the Synthetic Minority Oversampling (SMOTE) method was applied and the performances of the two models were compared. It was determined that the model created with the SMOTE method was significantly more successful in criteria such as accuracy (85%), F1 score (82%) and AUC value (0.89). This study provides an original contribution to the literature by demonstrating that the sector-based application of the Beneish model supported by SMOTE in Turkey is effective in fraud detection. It is recommended that policy makers support statistical-based early warning systems in financial statement audit processes and integrate them into regulations.