بررسی کارایی رویکرد های رگرسیون و یادگیری عمیق برای کشف تقلب صورت‌ های مالی با تمرکز بر بعد توجیه

نویسندگان

1 گروه حسابداری، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران

2 گروه حسابداری، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران

3 گروه حسابداری، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران

doi
10.22034/iaas.2025.241390
چکیده

هدف: در دنیای کسب و کار امروز، بسیاری از شرکت‌ها از سوءاستفاده‌های مالی در امان نیستند. تقلب مالی می‌تواند زیان‌های مالی و کاهش اعتبار شرکت‌ها را به همراه داشته باشد و اعتماد مشتریان را کاهش دهد. این روند جهانی همه را به جستجوی راه‌های پیشگیری از تقلب واداشته است. بدین منظور، هدف از پژوهش حاضر شناسایی عوامل مؤثّر بر عملکرد حسابرسی داخلی با استفاده از تکنیک‌های جدید یادگیری عمیق جهت رتبه‌بندی عوامل کشف تقلب صورت‌های مالی است.روش: قلمرو مکانی این تحقیق شامل شرکت‌های معاملاتی در بورس اوراق بهادار تهران و قلمرو زمانی آن شامل سال‌های 1391 تا 1400 (تقویم شمسی) است. برای جمع‌آوری داده‌های مورد نیاز برای این تحقیق، از روش‌های کتابخانه‌ای استفاده شد. در بخش بررسی عوامل تأثیرگذار بر عملکرد حسابرسی داخلی، از روش تحلیل رگرسیون استفاده شد. سپس در بخش بعدی نیز از روش‌های یادگیری عمیق و شبکه‌های عصبی مصنوعی برای بررسی استفاده گردید.یافته‌ها: نتایج نشان داد که در مقایسه با نتایج رگرسیون، مدل‌های یادگیری عمیق و شبکه عصبی مصنوعی برای پارامتر توجیه در شاخص ضریب تعیین و خطای میانگین مربعات بهتر عمل کردند. همچنین، یافته‌ها نشان داد که عملکرد مدل‌های یادگیری عمیق بهتر از شبکه عصبی مصنوعی بوده است.نتیجه‌گیری: به‌کارگیری تکنیک‌های یادگیری عمیق روشی کارآمد و ارزشمند برای شناسایی عوامل مؤثر بر عملکرد حسابرسی داخلی و رتبه‌بندی عوامل مؤثر در کشف تقلب در صورت‌های مالی است. این پژوهش با تمرکز ویژه بر بُعد «توجیه» از مثلث تقلب، خلأ موجود در ادبیات را پوشش داده و با بهره‌گیری از مدل‌های یادگیری عمیق، امکان شناسایی الگوهای پیچیده و روابط غیرخطی را فراهم کرده است؛ موضوعی که موجب ارتقاء دقت در تشخیص تقلب‌های مالی می‌شود.