머신러닝을 활용한 회계부정 탐지에 관한 탐색적 연구

Abstract

본 연구는 기업의 미래 회계부정을 예측하는 새로운 모형을 제안하는 것을 그 목적으로 한다. 회계부정을 예측하는 모형의 경우 회계부정기업이 소수에 불과하므로 분류 불균형 문제(class imbalance problem)를 지니고 있는데, 기존의 로지스틱 회귀분석 모형은 이를 제대로 반영하지 못하는 단점이 있다. 본 연구는 이러한 분류 불균형 문제를 해결하기 위해 최근 널리 활용되는 머신러닝(machine learning) 기법 중 하나인 앙상블 러닝(ensemble learning)과 RUSBoost 방법론을 활용하였다. 이를 통해 미래 회계부정 예측에 관하여 로지스틱 회귀분석 모형과 예측력을 비교한 결과, 본 연구가 제안하는 새로운 회계부정 탐지 모형이 보다 좋은 예측력을 나타낸다는 점을 확인하였다. 또한, 이러한 개선된 예측력은 고의성이 있는 회계부정과 재무제표상의 숫자에 영향을 미치는 중요한 회계부정의 경우 더 강하게 나타나는 점을 발견하였다. 본 연구의 결과는 머신러닝 방법론을 활용하는 경우 기존의 회계부정 예측 모형이 지니는 한계를 개선할 수 있다는 점을 나타내며, 머신러닝 방법론이 회계 분야의 학계와 실무에 널리 활용될 수 있다는 단초를 제시한다는 점에서 의의가 있다고 할 것이다.;In this paper, we suggest a new accounting fraud prediction model using a machine learning approach. Using logistic regression to predict accounting fraud is subject to a class imbalance problem because of the small accounting fraud sample in the analysis. To overcome this problem, we utilize the RUSBoost approach based on ensemble learning. Unlike the logistic regression model, the RUSBoost approach is known as an approach to adjust the sample based on the distribution of minority groups and is less likely to subject to the class imbalance problem. By comparing the predictive ability of logistic regression and the RUSBoost approach on future accounting fraud, we find that the RUSBoost approach based on ensemble learning improves the accuracy of future accounting fraud prediction. Additionally, we find that improvement in the accuracy of the model is more pronounced for the accounting fraud with intention and the fraud with numbers in the financial statements. Lastly, we suggest some accounting variables that are closely related to future accounting fraud. In sum, we provide the first large-sample evidence of how the newly established machine learning approach improves the accuracy of fraud prediction, thereby being suggestive of the feasibility of machine learning approach research in the accounting area.