Hileli Finansal Raporlama Riskini Ortaya Çikaran Faktörler: BIST'da Bir Uygulama (Determinants of Fraudulent Financial Reporting Risk: Evidence from Istanbul Stock Exchange (ISE))

Headnote

Anahtar Kelimeler

Hile, Hileli Finansal Raporlama, BIST, Lojistik Regresyon.

Jel Siniflandirmasi

M40, M42, C35.

Özet

Bilgi kullamcilari alacaklari kararlarda güvenilir finansal tablolara ihtiyaç duyarlar. Bu çaliçmada finansal tablolardaki hile riskini belirleyen faktörleri tespit etmek amaciyla BIST'da 2009-2013 yillari arasinda faaliyetleri süreklilik gösteren firmalar incelenmiçtir. Çeyrek dönemlik finansal tablolarin incelendigi çaliçmada hile riski taçiyan 32 firmaya ait 408 dönem, kontrol grup olarak da 20 firmaya ait 400 dönem analize dahil edilmiçtir. Yöntem olarak seçilen lojistik regresyon analizi sonucunda alacak devir hizi, finansal kaldiraç, brüt kar marji, PDD/DD, toplam varliklarin dogal logaritmasi, firmalarin borsada içlem gördügü süre, firmalarin dört büyük denetim çirketi tarafindan denetlenmiç olmasi ve z skor degiçkenlerinin finansal tablolardaki hile riskinin tespitinde önemli oldugu sonucuna ulaçilmiçtir. Lojistik regresyon analizinin dogru siniflandirma orani % 75,1 olarak tespit edilmiçtir.

Keywords

Fraud, Fraudulent Financial Reporting, ISE, Logistic Regression.

Jel Classification

M40, M42, C35.

Abstract

The data users need reliable financial statements when they make any decision. In this study we aim to identify the factors that determine fraud risk in financial statements by examining the listed firms in Istanbul Stock Exchange (ISE) over the period 2009 and 2013. Using quarterly data, we included 408 periods belonging 32 firms that have fraud risk and the control group consists of 20 firms with 400 periods in this analysis. By employing logistics regression analysis, we found that receivables turnover, financial leverage, gross profit margin, BV (Book Value) / MV (Market Value), natural logarithm of total assets, the total duration of the firms in the stock exchange, the big four auditing firm and z score are important factors to detect the fraud risk in financial statements. The correct classification rate of the logistic regression analysis is found 75.1%.

(ProQuest: ... denotes formulae omitted.)

1.Giriç

Hata, finansal tablolarda kasitli olmayan tutar veya açiklamalarda yapilan yanliçliklari ifade eder (IFAC, 2014:20). Kamuya açiklanan finansal tablolarda yer alan bilgilerin yanliç sunulmasi, açiklanmasi gereken bilgilerin finansal tablolardan çikartilmasi çeklinde yapilan yanliçliklarda kasit olmamasi durumunda bunlarin sadece muhasebe hatalarindan kaynaklandigi düçünülür (Mulford ve Comiskey, 2002:36).

Sermaye Piyasasi Kurulu'nun (SPK) Sermaye Piyasasinda Bagimsiz Denetim Standartlari Hakkinda Tebligi (Seri:X, No:22) hileyi; "içletme yöneticileri ile yönetimden sorumlu kiçilerin, içletmenin çaliçanlari veya üçüncü kiçilerin kasitli olarak adil veya yasal olmayan bir çikar elde etmek amaciyla aldatma içerikli davraniçlarda bulunmalari" olarak tanimlamaktadir (SPK, 2006:25). Hilede "hile üçgeni" olarak bilinen üç temel unsur bulunmaktadir. Bunlar; baski, firsat ve hakli göstermedir (Coenen, 2008:10). Bu üç unsur Çekil l.'de gôsterilmiçtir.

Hile eylemi, kiçiyi hile yapmaya yönlendiren bir motivasyon ile baçlamaktadir (Bozkurt, 2011:113). Hilenin arkasindaki itici gücün baski oldugu söylenebilir (Biegelman ve Bartow, 2006:33). Içletmelerde kontrollerdeki eksiklikler, gerçekleçen kontrollerdeki baçarisizliklar ve yönetimin kontrolleri dikkate almamasi hile için firsat oluçturur (Ramos, 2003:28). Firsat ile hile arasinda direkt iliçki olmasi, içletmelerde belirlenecek hile riskinde firsatlarin dikkate alinmasini gerektirir (Vona, 2008:8). Hile üçgeninin üçüncü parçasi olan hakli gösterme, hile yapanin yaptiklari hakkinda kendi kendini hakli çikarmaya çaliçtigi iç diyalogudur. Hileyi yapan, içverenin bu bedeli kendisine borçlu oldugu konusunda kendi kendini ikna eder (KPMG, 2009:15).

Hata ve hileyi birbirinden ayiran manevi unsur fiilin kasten yapilmiç olmasidir (Bayrakli vd., 2012:92). Hatalar istenmeyen yanliçliklardan meydana gelirken, hileler kasitli fiiller sonucu oluçur (Colbert, 2000:97). $ekil 2.'de görüldügü baski, firsat ve hakli göstermenin kesiçtigi alanda yüksek hile riski söz konusudur. Bu kisimda hilenin üç unsuru bir araya gelmiçtir.

Türkiye Denetim Standartlari Tebligi iki tür hileden bahsetmektedir. Bunlar hileli finansal raporlama ve varliklarin kötüye kullanilmasidir (BDS 240, 2013:6). ACFE tarafindan hazirlanan raporda ise hile üç kategoriye ayrilmiçtir (ACFE, 2014: 4):

1. Varliklarin kötüye kullanimi (asset misappropriations)

2. Yolsuzluk (corruption)

3. Finansal tablo hilesi (financial statement fraud)

Hazirlanan raporda kategori bazinda hilelerin vaka yüzdeleri ve kayip tutarlari açagidaki gibidir (ACFE, 2014:12):

ACFE tarafindan hazirlanan rapor 2014 yili için incelendiginde Çekil 3. te görüldügü gibi vakalarin % 85'i varliklarin kötüye kullanimi ile ilgilidir. Fakat bu hile türünün maliyetine Çekil 4.'ten bakildiginda en düçük maliyete sahip oldugu görülmektedir.

Finansal tablo hilelerine bakildiginda 2014 yilinda gerçekleçen olaylarin sadece %9 luk kismini oluçturmaktadir. Fakat 1 milyon dolarlik kayip ile üç kategori içinde en yüksek rakama sahiptir. Finansal tablolardaki hilenin maliyetinin yüksek oldugu söylenebilir.

2. Literatür

Finansal tablolardaki hile riskini tespit etmek için yapilan çaliçmalar Tablo 1. de ôzetlenmiçtir. Tablo l.'de çaliçmayi yapan yazar/yazarlar, çaliçmanin hangi yilda ve hangi ülkede yapildigi, analizlerde kullanilan veri setinin nereden elde edildigi, kullanilan yöntem bilgileri, veri setindeki bagimli degiçkenin kategorik dagilimi, bagimsiz degiçkenlerin sayisi ve analiz sonucu elde edilen bulgulara yer verilmiçtir. Literatürde yapilan çaliçmalarin hile riskini belirleyen faktörleri ortaya koymaya ve kullanilan yöntemlerin baçarilarini karçilaçtirmaya yönelik oldugu görülmektedir. Açagidaki tabloda hile riskini belirleyen faktörleri tespite yönelik yapilan çalismalar özetlenmistir.

Liou (2008), Ata ve Seyrek (2009), Huang vd. (2014) yaptiklari çaliçmalarda hile riskinin tespitinde Cari Oran (Dönen Varlik/Kisa Vadeli Yabanci Kaynaklar) degiçkenin istatistiksel olarak anlamli oldugunu tespit etmiçlerdir.

Terzi (2012) alacak devir hizinin finansal tablolardaki hile riskinin tespitinde önemli bir degiçken oldugunu belirlemiçtir. Varici ve Er (2013) hile riski ile Satiç Gelirleri/Alacaklar arasinda pozitif iliçki oldugunu ortaya koymuçtur.

Liou (2008) 52 bagimsiz degiçken ile yaptigi çaliçmada stok devir hizinin hile riskinin belirlenmesinde önemli bir degiçken oldugunu ortaya koymuçtur.

Beneish (1997) hile riski taçiyan firmalari borç agirlikli firmalar olarak tanimlamiçtir. Fanning ve Cogger (1998), Kirkos vd. (2007) finansal kaldiraç oraninin (Borç/Ôzkaynak) hile riskini belirleyici bir degiçken oldugunu vurgulamiçlardir.

Fanning ve Cogger (1998) brüt kar marjinin geçen yila göre %1,10 artmiç olmasinin hile riski göstergesi oldugunu belirtmiçtir. Beneish (1999), Küçüksôzen ve Küçükkocaoglu (2005), Liou (2008) brüt kar marji endeksinin hile riskini belirleyici oldugunu istatistiksel olarak ortaya koymuçlardir.

Beneish (1997) hile riski düçük olan firmalarin piyasa performanslarinin düçük oldugunu ifade etmiçtir.

Gupta ve Gill (2012) toplam varliklarin hile riskinin tespitinde istatistiksel olarak anlamli bulmuçtur. Nor vd. (2010) firma büyüklügünün ö^üsü olarak aldigi satiçlarin dogal logaritmasi ile hile riski arasinda anlamli bir iliçki çikmiçtir.

Beneish (1997) hile riski taçiyan firmalari genç firmalar olarak tanimlamiçtir. Carcello ve Nagy (2004) yaptiklari çaliçmada firmalarin borsada kote olduklari süre ile finansal tablolardaki hile riski arasinda negatif iliçki oldugunu tespit etmiçlerdir.

Suyanto (2009) firmalarin dört büyük denetim firmasi tarafindan denetlenmiç olmasinin hile riskini düçürdügünü tespit etmiçtir. Nor (2010), firmalarin dört büyük denetim firmasi tarafindan denetlenmiç olmasinin hile riskinin tespitinde önemli oldugunu tespit etmiçtir.

Spathis (2002), Kirkos vd. (2007), Huang vd. (2014) finansal tablolardaki hile riskinin tespitinde finansal baçarisizligin (Z-Skor) önemli bir degiçken oldugunu tespit etmiçlerdir.

3. Araçtirma Ve Bulgular

3.1. Araçtirmanin Amaci

Bu çaliçmada, BIST'da 2009-2013 yillari arasinda faaliyet gösteren firmalarin finansal tablolarindaki hile riski araçtirilmiçtir. Araçtirmanin amaci finansal tablolardaki hile riski taçiyan firmalar ile hile riski taçimayan firmalari karçilaçtirip, hile riskini belirleyen faktörleri ortaya koymaktir.

3.2. Araçtirmanin Verileri ve Degiçkenleri

Çaliçmada kullanilacak firmalarin listesi Kamuyu Aydinlatma Platformundan elde edilmiçtir. 18.05.2016 tarihi itibariyle BIST'de kote olan toplam firma sayisi 567'dir. Çaliçmanin kapsami olan 2009-2013 yillari arasinda faaliyetleri süreklilik göstermeyen ve finans sektöründe faaliyet gösteren firmalar analizden çikarilmiçtir. lilas, birleçme nedeni ile verisine ulaçilamama veya herhangi bir nedenle BIST kotasyonundan çikarilan firmalarda süreklilik kisidini saglayamadiklarindan araçtirma diçinda birakilmiçtir. Çaliçmada çeyrek dönemlik finansal tablolar incelenmiçtir.

Bagimli degiçken belirlenirken denetçi görü^leri, denetim raporlari, KAP bildirimleri ve SPK bültenleri incelenmiçtir. Finansal tablolari hile riski taçiyan firmalar (1), digerleri (0) olarak kodlanmiçtir. Çaliçmada hile riski taçiyan 32 firmaya ait 408 dönem tespit edilmiç, kontrol grup olarak da 20 firmaya ait 400 dönem seçilmiçtir.

Bagimsiz degiçkenler olarak likidite oranlarindan cari oran, firma faaliyet oranlarindan alacak devir hizi ve stok devir hizi, mali yapi oranlarindan finansal kaldiraç, karlilik oranlarindan brüt kar marji, piyasa performans oranlarindan PD/DD oranlari seçilmiçtir. Firma büyüklük ö^üsü olarak toplam varliklarin dogal logaritmasi alinmiçtir. Firmalarin borsada içlem gördükleri süre aylik olarak hesaplanmiçtir. Dört büyük denetim firmasi tarafindan denetlenen firmalar (1) digerleri (0) olarak kodlanarak kukla degiçken oluçturulmuçtur. Finansal baçarisizlik ölçütü olarak Altman Z skor alinmiç, firmalar baçarisiz (1) ve baçarisiz olmayanlar (0) olarak ikiye ayrilmiçtir. Bagimsiz degiçkenlerin hesaplama formülleri ve literatürde daha önce kullanan referanslar açagidaki tabloda verilmiçtir.

3.3.Araçtirmanin Modeli

Model, bir olayla ilgili bilgi yada düçüncelerin belli kurallara bagli olarak çekillenmesidir. Modelin amaci, bagimli ve bagimsiz degiçken arasindaki iliçkiyi, en az degiçken ile en iyi uyuma sahip olacak biçimde tanimlayabilen, kabul edilebilir en uygun modeli oluçturmaktir (Çokluk, 2010:1359). Lojistik regresyon, istatistikte kullanilan bir model oluçturma teknigi olup bagimli degiçkenin kategorik olarak, ikili(binary, dichotomous), üçlü ve çoklu kategorilerde gözlendigi durumlarda bagimsiz degiçkenlerle sebep-sonuç iliçkisini belirlemede yararlanilan bir yöntemdir (Özdamar, 2004: 589).

Bu çaliçmada bagimli degiçkenimiz iki seçenekli(Var/Yok) kategorik oldugundan dolayi Ikili Lojistik Regresyon Analizi kullanilmiçtir. Genel olarak çok degiçkenli lojistik regresyon modeli açagidaki gibi tanimlanmaktadir (Özdamar, 2004:590);

...

Burada Z, bagimsiz degiçkenlerin dogrusal kombinasyonudur.

...

ß0, ßL, ß2 ve ßn regresyon katsayilaridir.

Lojistik regresyon katsayilarinin hesaplanmasi açagidaki gibi yapilir. Q(Y) = 1 - P(Y) olmak üzere,

...

bulunur. Üstünlük orani eçitliginin her iki tarafinin dogal logaritmasi alinirsa açagidaki formül elde edilir:

...

eçitligindeki her bir parametrenin Exp(ß) degerleri OR degerleri olarak ele alinirlar. Böylece Exp(ßP), Y degiçkeninin Xp degiçkeninin etkisi ile kaç kat daha fazla ya da yüzde kaç oranda fazla gözlenme olasiligina sahip oldugunu belirtir. ßP katsayisinin önemliligi ayni zamanda ORp = Exp (^p)'nin da önemliligi olarak degerlendirilir.

Lojistik regresyon standart(Enter) ve adimsal(Stepwise) olmak üzere iki temel yöntemle yapilabilmektedir. Adimsal yöntemler de kendi içerisinde ileriye dogru(forward) ve geriye dogru(backward) olmak üzere ikiye ayrilmaktadir. Lojistik regresyon analizinde tam (enter) ve adimsal (stepwise) model seçimi "method" bölümünden yapilmaktadir. Buradan üç ileriye dogru (Conditional, LR ve Wald) ve üç geriye dogru (Conditional, LR ve Wald) olmak üzere toplam alti ayri adimsal regresyon modeli geliçtirilebilmektedir. Bu çaliçmada model seçiminde çaliçmanin keçfedici nitelikte olmasindan dolayi, adimsal bir yöntem olan Olabilirlik Oran Istatistigi ile Ileriye Dogru Yöntemi (Forward:LR) kullanilmiçtir.

3.4.Analiz ve Bulgular

Iki ya da daha çok degiçken arasinda iliçki olup olmadigini, iliçki varsa yönünü ve gücünü inceleyen "korelasyon analizi" -1 ve +1 arasinda degiçim gösterir. Bagimsiz degiçkenler arasindaki iliçkinin yüksek olmasi ayni olgulari ifade etme ihtimalinin yüksek oldugunu gösterir. Tablo 3'e bakildiginda degiçkenler arasinda yüksek korelasyon olmadigi görülmektedir.

Analizde bagimsiz degiçkenler arasinda çoklu baglanti (multicollinearity) probleminin olup olmadigini tespit etmek için tolerans (tolerance) ve varyans artiç faktörleri (Variance Inflation Factor-VIF) incelenir. VIF degerinin 10'a eçit veya daha büyük olmasinin çoklu baglanti probleminin varligini göstermektedir. Tolerans degerinin 0,10'dan büyük olmasi durumunda, degiçkenler arasi çoklu baglanti probleminin olmadigina içaret eder (Çokluk, 2012:35-36).

Yukaridaki tablo incelendiginde bagimsiz degiçkenlere ait standart hatalarin 2'den küçük oldugu görülmektedir. Tolerans degerleri incelendiginde tüm degiçkenler için 0,10'dan büyük oldugu görülmektedir. VIF degerleri incelendiginde ise bütün degiçkenler için degerlerin 10'dan küçük oldugu tespit edilmiçtir. Bütün bu degerler degiçkenler arasinda çoklu baglanti probleminin olmadigini gösterir.

Tablo 5.'ten tanimlayici istatistik bilgilerine bakildiginda hile riski taçiyan firmalarin diger firmalara göre cari orani daha düçük, alacak devir hizi ve stok devir hizi daha yüksek, borç orani ve brüt kar marji daha yüksek, piyasa performansi daha iyi olan firmalar oldugu görülmektedir. olan firmalar oldugu görülmektedir. Varliklarinin büyüklügü açisindan kiyaslandiginda hile riski taçiyan firmalarin daha büyük oldugu görülmektedir. Firmalarin borsada içlem gördügü süreye bakildiginda ise hile riski taçiyan firmalarin daha yeni firmalar oldugu görülmektedir.

Tablo 6. Incelendiginde dört büyük denetim çirketi tarafindan denetlenen 378 dönemin 214 (%57) dönemi hile riski taçiyan firmalara aittir. Finansal baçarisizligin yaçandigi 415 dönemin 262 (%63) dönemi hile riski taçiyan firmalara aittir. Hile riski taçiyan firmalarin % 52,45 i dört büyük denetim firmasi tarafindan denetlenirken, % 64'ü finansal baçarisizlik göstermektedir.

Bagimsiz degiçkenlerin Kolmogorov-Smirnov ve Shapiro-Wilk testleri sonucu normal dagilmadigi görülmektedir. Ilk sekiz bagimsiz degiçkendeki gruplar arasi farkliligin istatistiksel olarak anlamli oldugu Mann-Whitney U testi sonucu ortaya çikmiçtir. Kukla degiçkenlerin de ki-kare testi sonucu hile riski taçiyan grup ile hile riski taçimayan grup arasinda farklilik gösterdigi Tablo 5'te görülmektedir.

Omnibus Tests 0.000

Nagelkerke R Square 0.393

Hosmer and Lemeshow Test 0.000

Omnibus testi sonucu bagimli degiçken ile bagimsiz degiçkenler arasinda iliçki desteklenmiçtir. Modele ait Nagelkerke R Square degeri 0,393 olarak bulunmuçtur. Kurulan lojistik modelin kullanilan degiçkenler ile açiklanma orani % 39,3'tür.

Lojistik regresyon analizi sonucu alacak devir hizi ile hile riski arasinda pozitif ve istatistiksel olarak anlamli bir iliçki tespit edilmiçtir. Satiç gelirleri ile ilgili yapilacak hileli içlemler sonucu hayali alacak hesaplari oluçturulacaktir. Gerçek olmayan satiç gelirleri bu orani artiracaktir. Bu orandaki artiç hile riski belirtisi olarak algilanir.

Hile riski ile pozitif iliçkiye sahip olan diger bir degiçken ise brüt kar marjidir. Içletmeler satiç gelirlerini yüksek gösterirken satiçlarin maliyetini düçük göstererek içletmeyi oldugundan daha karli raporlamiç olurlar. Satiçlarin maliyetinin düçük gösterilmesi, içletme varliklarindan stoklarin oldugundan daha yüksek gösterilmesini saglayacaktir. Analiz sonuçlarina göre brüt kar marjinin artmasi ile hile riski artmaktadir.

Finansal kaldiraç orani (Borç/Ôzkaynak) bir içletmenin yatirimlarinin borçlarla mi yoksa özkaynaklarla mi karçilandigini gösterir. Analiz sonuçlarindan finansal tablolardaki hile riskinin belirlenmesinde finansal kaldiracin önemli oldugu ve negatif iliçki oldugu tespit edilmiçtir. Finansal kaldiraç düçtükçe hile riski artmaktadir.

Finansal tablolardaki hile riski ile PD/DD degeri arasinda pozitif iliçki çikmiçtir. Piyasa performansi arttikça firmalarin hile riski artmaktadir.

Firma büyüklügünün bir göstergesi olan toplam varliklar ile hile riski arasinda pozitif iliçki ortaya çikmiçtir. Firmalarin varliklarinin dogal logaritmasi hile riskinin tespitinde önemli bir faktör olarak tespit edilmiçtir. Firma varliklarinin artmasi hile riskini artirmaktadir.

Firmalarin borsada içlem gördükleri süre ile hile riski arasinda negatif iliçki ortaya çikmiçtir. Borsadaki kote süresi düçük olan firmalarda hile riski artmaktadir. Ayrica firmalarin dört büyük denetim çirketi tarafindan denetleniyor olmasi ile hile riski arasinda negatif yönlü iliçki çikmiçtir. Dört büyük denetim firmasinin denetledigi firmalarda hile riskinin düçtügü söylenebilir. Finansal baçarisizligi ö^tügümüz Z-skor degiçkeni analiz sonucunda anlamli çikmiç, firmalarin finansal baçarisizliklari arttikça hile riskinin arttigi söylenebilir.

Modelin dogru siniflandirma tablosu incelendiginde modelin hile riskini dogru tespit etme orani % 72,5, hile riski olmayan firmalari dogru siniflandirma orani % 77,8'dir. Modelin genel baçari orani % 75,1 olarak tespit edilmiçtir.

4.Sonuç

Muhasebenin çiktisi olan finansal tablolarin bilgi kullamcilarim yaniltmak ve yanliç yönlendirmek amaciyla kasitli olarak yanliç hazirlanmasi finansal tablolara olan güveni azaltmakta muhasebe skandallarinin yaçanmasina neden olmaktadir. Bu çaliçmada BIST'da içlem gören firmalara ait finansal tablolardaki hile riski araçtirilmiç, hile riskini belirleyen faktörlerin neler oldugu tespit edilmeye çaliçilmiçtir. Yöntem olarak lojistik regresyon analizinin kullanildigi çaliçmada firmalara ait 2009-2013 yillari çeyrek dönem denetçi görü^leri, denetim raporlari, KAP bildirimleri ve SPK bültenleri incelenerek hile riski taçiyan firmalar (1), hile riski taçimayan firmalar (0) kodlanarak kategorik bagimli degiçken oluçturulmuçtur. Literatürden seçilen 10 bagimsiz degiçken ile veri seti oluçturulmuçtur.

Analiz sonuçlarina göre degiçkenlerin normal dagilim göstermedikleri gruplar arasi farkliliklarin ölfüldügü parametrik olmayan testlerden Mann-Whitney U ve Ki-Kare testleri sonucu anlamli çikmiç, bütün degiçkenlerin hile riski taçiyan ve hile riski taçimayan gruplar arasinda farklilik gösterdigi tespit edilmiçtir.

Analize dahil edilen alacak devir hizi, finansal kaldiraç orani, brüt kar marji, PD/DD, Firma büyüklügü, firmanin borsada içlem gördügü süre degiçkenleri ile hile riski arasinda istatistiksel olarak anlamli bir iliçki ortaya çikmiçtir. Kukla degiçkenler olan firmalarin dört büyük denetim firmasi tarafindan denetlenmiç olmasi ile hile riski arasinda negatif iliçki ortaya çikarken, z skor ile hile arasinda pozitif iliçki tespit edilmiçtir. Kullanilan lojistik regresyon yönteminin hile riskinin tespitinde dogru siniflandirma orani % 75,1 olmuçtur.

References

Kaynakça

ACFE. (2014). Report To The Nations On Occupational Fraud And Abuse 2014 Global Fraud Study. USA: Association of Certified Fraud Examiners.

Altman, E.I. (1968). Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy. The Journal of Finance, 23(4), 589-609.

Amara, I., Ben Amar, A., & Jarboui, A. (2013). Detection of Fraud in Financial Statements: French Companies as a Case Study. International Journal of Academic Research in Accounting, Finance and Management Sciences, 3(3), 40-51.

Ata, H. A., & Seyrek, 1. H. (2009). The Use Of Data Mining Techniques In Detecting Fraudulent Financial Statements: An Application On Manufacturing Firms. Suleyman Demirel University The Journal of Faculty of Economics and Administrative Sciences, 14(2), 157-170.

Bayrakli, H. H., Erkan, M., & Elitaç, C. (2012). Muhasebe ve Vergi Denetiminde Muhasebe Hata ve Hileleri. Bursa: Ekin Basim Yayin Dagitim.

BDS 240. Finansal Tablolarin Bagimsiz Denetiminde Bagimsiz Denetçinin Hileye Ilifkin Sorumluluklari. http://www.kgk.gov.tr/contents/files/BDS/BDS_240.pdf. (25.11.2015)

Beneish, M. D. (1997). Detecting GAAP Violation:Implications for Assessing Earnings Management among Firms with Extreme Financial Performance. Journal of Accounting and Public Policy, 16(3), 271-309.

Beneish, M. D. (1999). The Detection Of Earnings Manipulation. Financial Analysts Journal, 55(5), 24-36.

Biegelman, M., & Bartow, J. (2006). Executive Roadmap To Fraud Prevention And Internal Control; Creating A Culture Of Compliance. Canada: John Wley&Sons, Inc.

Bozkurt, N. (2011). Içletmelerin Kara Deligi Hile (2 b.). Istanbul: ALFA Basim Yayim Dagitim Ltd.Çti.

Carcello, J. V., & Nagy, A. L. (2004). Audit Firm Tenure and Fraudulent Financial Reporting. Auditing, 23(2), 55-69.

Coenen, T. (2008). Essentials of Corporate Fraud (1. b.). Hoboken, New Jersey, USA.: John Wiley&Sons, Inc.

Colbert, J. (2000). International and US Standards: Error and Fraud. Managerial Auditing Journal, 15(3), 97-107.

Çokluk, Ö. (2010). Kuram ve Uygulamada Egitim Bilimleri / Educational Sciences: Theory & Practice 10 (3). Yaz / Summer 2010. pp.1357-1407.

Çokluk, Ö. (2012). Sosyal Bilimler Için Çok Degiçkenli Istatistik SPSS ve LISREL Uygulamalari (2.b.). Ankara: Pegem Akademi

Fanning, K. M., & Cogger, K. O. (1998). Neural Network Detection Of Management Fraud Using Published Financial Data. International Journal of Intelligent Systems in Accounting, Finance & Management, 7(1), 21-41.

Gaganis, C. (2009). Classification Techniques for The Indentification of Falsified Financial Statements: A Comparative Analysis. Intelligent System In Acoounting, Finance and Management, 16, 207-229.

Gupta, R., & Gill, N. S. (2012). Prevention and Detection of Financial Statement Fraud - An Implementation of Data Mining Framework. International Journal of Advanced Computer Science and Applications, 5(8), 150-156.

Hillison, W., Pacini, C., & Sinason, D. (1999). The internal auditor as fraud-buster. Managerial Auditing Journal, 14(7), 351 - 363.

Huang, S., Tsaih, R., & Lin, W. (2014). Feature Extraction of Fraudulent Financial Reporting Through Unsupervised Neural Networks. Neural Network World, 5(14), 539-560.

IFAC. (2014). Handbook of International Quality Control, Auditing, Reviev, Other Assurance, and Related Services Pronouncements (Cilt I). USA: International Federation of Accountants.

Kaminski, K. A., Wetzel, T. S., & Guan, L. (2004). Can Financial Ratios Detect Fraudulent Financial Reporting? Managerial Auditing Journal, 19(1), 15-28.

KAP. Kamuyu Aydinlatma Platformu. https://www.kap.gov.tr/

Katsis, C. D., Goletsis, Y., Boufounou, P. V., Stylios, G., & Koumanakos, E. (2012). Using Ants to Detect Fraudulent Financial Statements. Journal of Applied Finance & Banking, 2(6), 73-81.

Kirkos, E., Spathis, C., & Manolopoulos, Y. (2007). Data Mining Techniques For The Detection Of Fraudulent Financial Statements. Expert Systems with Applications, 32(4), 995-1003.

Kotsiantis, S., Koumanakos, E., Tzelepis, D., & Tampakas, V. (2006). Forecasting Fraudulent Financial Statements Using Data Mining. International Journal Of Computational Intelligence, 3(2), 104-110.

KPMG. (2009). Yöneticilerin Bakiç Açisiyla Türkiye'de Suistimal. Istanbul: Akis Bagimsiz Denetim ve Serbest Muhasebe.

Küçüksôzen , C., & Küçükkocaoglu, G. (2005). Finansal Bilgi Manipülasyonu: 1MKB Çirketleri Üzerine Ampirik Bir Çaliçma. 1st International Accounting Conference On The Way To Convergence. Istanbul: Muhasebe Bilim Dünyasi (MÖDAV).

Liou, F.-M. (2008). Fraudulent Financial Reporting Detection And Business Failure Prediction Models: A Comparison. Managerial Auditing Journal, 23(7), 650 - 662.

Mulford, C. W., & Comiskey, E. E. (2002). The Financial Numbers Game, Detecting Creative Accounting Practices. USA: John Wiley & Sons, Inc.

Nor, J. M., Ahmad, N., & Saleh, N. M. (2010). Fraudulent Financial Reporting And Company Characteristics: Tax Audit Evidence. Journal of Financial Reporting and Accounting, 8(2), 128-142.

Özdamar, K. (2004). Paket Programlar Ile Istatiksel Veri Analizi. Geniçletilmiç 5.Baski. Eskiçehir, Kaan Kitabevi.

Perols, J. L., & Lougee, B. A. (2011). The Relation Between Earnings Management And Financial Statement Fraud. Advances in Accounting, incorporating Advances in International Accounting, 27, 39-53.

Persons, O. S. (1995). Using Financial Statement Data To Identify Factors Associated With Fraudulent Financial Reporting. Journal of Applied Business Research, 11(3), 38-46.

Ramos, M. (2003). Auditor's Responsibility for Fraud Detection. Journal of Accountancy, 195(1), 28-36.

Ravisankar, P., Ravi, V., Raghava Rao, G., & Bose, I. (2011). Detection Of Financial Statement Fraud And Feature Selection Using Data Mining Techniques. Decision Support Systems, 50(2), 491-500.

Singleton, T., Singleton, A., Bologna, J., & Lindqurist, R. (2006). Fraud Auditing and Forensic Accounting (3 b.). Hoboken, New Jersey, USA.: John Wiley@Sons,Inc.

Spathis, C. T. (2002). Detecting false financial statements using published data: Some evidence from Greece. Managerial Auditing Journal, 17(4), 179-191.

SPK. (2006). Sermaye Piyasasinda Bagimsiz Denetim Standartlari Hakkmda Teblig Seri:X No:22. 12/06/2006 Tarihli ve 26196 sayili Resmi Gazete.

Suyanto, S. (2009). Fraudulent Financial Statement Evidence From Statement On Auditing Standard No. 99. Gadjah Mada International Journal of Business, 11(1), 117-144.

?en, 1. K., & Terzi, S. (2012). Detecting Falsified Financial Statements Using Data Mining: Empirical Research On Finance Sector In Turkey. Maliye Finans Yazilari, 26(96), 76-94.

Terzi, S. (2012). Hileli Finansal Raporlama Önleme ve Tespit (1. b.). Istanbul: Beta Basim A.?.

Varici, 1., & Er, B. (2013). Muhasebe Manipülasyonu ve Firma Performansi iliçkisi: iMKB Uygulamasi. Ege Akademik Bakiç, 13(1), 43-52.

Vona, L. (2008). Fraud Risk Assessment: Building a Fraud Audit Program (1. b.). Hoboken, NJ, USA: John Wiley & Sons, Inc.

http://www.spk.gov.tr/

http://www.borsaistanbul.com/