Muhasebe Hilelerinin Tespitinde Kullanılan Yöntemler
Özet
Muhasebe bilgi sistemlerinde kasıtlı olarak gerçekleştirilen hileler; işletmelere, yatırımcılara ve ülke ekonomilerine büyük finansal zararlar vermekte, istemeden yapılan hatalardan farklı olarak gizleme çabaları nedeniyle zor tespit edilmektedir. Muhasebe hilelerinin ortaya çıkarılmasında reaktif (klasik) ve proaktif (bilgisayar destekli) olmak üzere iki temel yöntem sınıfı bulunmaktadır. Reaktif yöntemler; bir ihbar veya hile belirtisi sonrasında harekete geçen, analitik inceleme prosedürleri (oran ve trend analizleri), kırmızı bayraklar (çalışan veya yöneticilerin gösterdiği anormal davranışlar), ihbar hatları ve fısıltı yöntemi gibi geleneksel teknikleri içerir. Proaktif yöntemler ise herhangi bir şüphe beklenmeksizin, bilgisayar teknolojileri yardımıyla büyük veri kümelerini sürekli denetlemeyi, hileli işlemleri önceden tespit etmeyi ve caydırıcılık oluşturmayı amaçlar. Bu çerçevede, işlemlerin eş zamanlı izlendiği sürekli denetim, verilerdeki rakamların ilk basamak dağılım frekansını analiz eden Benford Yasası ve karmaşık veri yığınlarındaki gizli ilişki ile örüntüleri saptayan veri madenciliği (yapay sinir ağları ve karar ağaçları) yöntemleri uygulanmaktadır. Günümüzde genişleyen veri hacmi ve karmaşıklaşan iş süreçleri nedeniyle klasik yöntemler yetersiz kaldığından, teknoloji tabanlı proaktif teknikler hileleri büyük krizlere dönüşmeden tespit etmede ve önlemede hayati önem taşımaktadır. Ayrıca, hileyle mücadelede etkili bir denetim mekanizmasının kurulması, finansal tabloların güvenilirliğini artırarak tüm paydaşların karar alma süreçlerini olumlu etkilemektedir.
Intentional frauds committed in accounting information systems cause significant financial damage to businesses, investors, and national economies, and unlike unintentional errors, they are difficult to detect due to concealment efforts. Two main categories of methods are used in detecting accounting fraud: reactive (classical) and proactive (computer-assisted). Reactive methods encompass traditional techniques that are initiated after receiving a tip-off or detecting a fraud indicator, such as analytical review procedures (ratio and trend analyses), red flags (abnormal behavioral indicators exhibited by employees or managers), hotlines, and the whisper method. On the other hand, proactive methods aim to continuously audit large datasets using computer technology without waiting for suspicion, thereby detecting fraudulent transactions early and providing deterrence. Within this framework, continuous auditing where transactions are monitored in real-time, Benford's Law which analyzes the frequency distribution of the first digits in numbers, and data mining techniques (artificial neural networks and decision trees) that uncover hidden relationships and patterns within complex data clusters are applied. Today, as classical methods fall short due to expanding data volumes and increasingly complex business processes, technology-based proactive techniques play a vital role in detecting and preventing fraud before it turns into major crises. Furthermore, establishing an effective audit mechanism in combatting fraud enhances the reliability of financial statements, positively impacting the decision-making processes of all stakeholders.
Referanslar
Abdioğlu, H. (2007). Hilelerin önlemesi ve ortaya çıkarılmasına yönelik proaktif yaklaşımlar. Muhasebe ve Denetime Bakış, (22), 119-138.
AICPA (1989). Statements on Auditing Standarts. (22/12/2021 tarihinde https://www.aicpa.org/Research/Standards/AuditAttest/Downlo adableDocuments/AU00329.pdf adresinden ulaşılmıştır).
Albrecht, W.S., Albrecht, C.O., Albrecht, C.C., & et al. (2012). Fraud examination. USA: Cengage Learning
Alkan, A. (2007). Finansal uygulamalarda veri madenciliği, TBD İstanbul Bilişim Kongresi, 08 Haziran, İstanbul, (s.1-48).
Avcı, O., & Demirci, Z. (2016). Benford kanunu’nun vergi denetiminde kullanımı ve bir örnek uygulama. İnsan ve Toplum Bilimleri Araştırmaları Dergisi, 5(7), 2232-2246.
Aydemir, E. (2018). Weka ile yapay zekâ. Ankara: Seçkin Yayınevi
Benford, F. (1938). The law of anomalous numbers. American Philosophical Society, 78(4), 551-572.
Bozkurt, N. (2000). Muhasebe denetimi. İstanbul: Alfa Yayınları
Bozkurt, N. (2009). İşletmelerin kara deliği hile- çalışan hileleri. İstanbul: Alfa Yayınları
Cankar, İ. (2006). Denetimin yeni paradigması: Sürekli denetim. Sayıştay Dergisi, (61), 69-81.
Ceylan, A. (2004). İşletmelerde finansal yönetim. Bursa: Ekin Kitabevi
Coderre, D. (2005). Continuous auditing: İmplications for assurance, monitoring and risk assessment. USD: Global Technology Audit Guide
Çaldağ, Y. (2003). Denetim ve raporlama, finansal tablolar ve analiz teknikleri. Ankara: TÜRMOB Yayınları-200
Çalış, Y. E., Keleş, E., & Engin, A. (2014). Hilenin ortaya çıkartılmasında bilgi teknolojilerinin önemi ve bir uygulama. Muhasebe ve Finansman Dergisi, (63), 93-108.
Dinç, E. (2019). Denetimde risk planlaması ve önemlilik. Adem Dursun (Ed.), Muhasebe Denetimi içinde (s.110-134). Erzurum: Atatürk Üniversitesi Açıköğretim Fakültesi Yayını
Dönmez, A., & Karausta, T. (2011). Çalışanların mesleki hile algısı ve ihbar hattı kullanarak rapor etme eğilimleri üzerine Akdeniz üniversitesi iktisadi idari bilimler fakültesinde yapılan bir araştırma. Mali Çözüm Dergisi, (104), 17-42.
Ertikin, K. (2017). Hile denetimi: Kırmızı bayrakların tespiti için kullanılan proaktif yaklaşımlar. Muhasebe ve Finansman Dergisi, (75), 71-94.
Gücenme, Ü. (2003). Mali tablolar analizi ve enflasyon muhasebesi. Bursa: Marmara Kitabevi
Kardeş, S. (1995). Denetim etkinliğinin artırılmasında analitik inceleme prosedürlerinin kullanımı ve Türkiye’deki denetim firmalarına yönelik bir araştırma. Doktora Tezi, Anadolu Üniversitesi. Eskişehir.
Keskin, S. (2014). Muhasebe hata ve hileleri karşısında etik tutumlar: Meslek mensupları üzerine bir araştırma. Yüksek Lisans Tezi, Süleyman Demirel Üniversitesi, Isparta.
Kogan, A., Sudit, E. F., & Vasarhelyi, M. A. (1999). Continuous online auditing: A program of research. Journal of Information Systems, 13(2), 87-103.
Köktürk, F. (2012). K-en yakın komşuluk, yapay sinir ağları ve karar ağaçları yöntemlerinin sınıflandırma başarılarının karşılaştırılması. Doktora Tezi, Bülent Ecevit Üniversitesi, Zonguldak.
Köse, E., & Özdemir, M. (2019). Muhasebe Denetiminde Benford Kanunu ve Ölçekten Bağımsızlık Yönteminin Test Edilmesi. Kırklareli Üniversitesi Sosyal Bilimler Dergisi, 3(3), 271-287.
Lazol, İ., & Çabuk, A. (2016). Mali tablolar analizi. Bursa: Ekin Kitabevi
Özalp, A. & Anagün, S. (2003). Yapay sinir ağı performansına etki eden faktörlerin analizinde taguchi yöntemi: Hisse senedi fiyat tahmini uygulaması. İstatistik Araştırma Dergisi, 2(1), 29-45.
Özekes, S. (2003). Veri madenciliği modelleri ve uygulama alanları. İstanbul Ticaret Üniversitesi Dergisi, 2(3), 65-82.
Rezaee, Z., Sharbatoghlie, A., Elam, R., & et al. (2002). Continuous auditing: Building automated auditing capability. Auditing: A Journal of Practice & Theory, 21(1), 147-163.
Sarva, S. (2006). Continuous auditing through leveraing technology. (28/12/2021 tarihinde http://www.isaca.org/ Journal/Past-Issues/2006/Volume-2/Pages/Continuous-AuditingThrough-Leveraging-Technology1.aspx adresinden ulaşılmıştır).
Singleton, T., & Singleton, A. (2010). Fraud auditing and forensic accounting. USA New Jersey: John Wiley & Sons Inc.
Söyler, H. (2003). İşletmelerde yapılan hileler. (30/12/2021 tarihinde https://www.alomaliye.com/2003/08/30/isletmelerde-yapilan-hileler/ adresinden ulaşılmıştır).
Terzi, S. (2012). Hile ve usulsüzlüklerin tespitinde veri madenciliğinin kullanımı. Muhasebe ve Finansman Dergisi, (54), 51-63.
Vahaplar, A., & İnceoğlu, M. M. (2001). Veri madenciliği ve elektronik ticaret. 7. Türkiye’de İnternet Konferansları, 1-3 Kasım, İstanbul.
Van Diepen, M., & Franses, P. H. (2006). Evaluating chi-squared automatic interaction detection. Information Systems, 31(8), 814-831.
Vona, L.W. (2008). Fraud risk assessment : Building a fraud audit program. Hoboken NJ : Wiley&Sons.
Wang, J., & Takefuji, Y. (1993). Neural networks in design and manufacturing. Singapore: World Scientific Pub
Wang, S., Dong, X. & Renjin Sun, R. (2010). Predicting saturates of sour vacuum gas oil using artificial neural networks and genetic algorithms. Expert Systems with Applications, (37), 4768-4771.
