فهرست نشریات علمی دسترسی آزاد ایران

هدف: هدف اصلی پژوهش حاضر، توسعه مدلی دقیق، کارآمد و مبتنی بر الگوریتم‌های یادگیری عمیق برای پیش‌بینی ریسک حسابرسی در شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران، و بررسی پیامدهای کاربردی این مدل در ارتقاء کیفیت قضاوت و تصمیم‌گیری حرفه‌ای حسابرسان است. این پژوهش در پاسخ به محدودیت‌های روش‌های سنتی ارزیابی ریسک حسابرسی که اغلب در شناسایی ناهنجاری‌ها، پیچیدگی روابط غیرخطی و وابستگی‌های زمانی ناکارآمد هستند، انجام شده است. روش‌: پژوهش حاضر از نوع کاربردی و مبتنی بر داده‌های واقعی است. جامعه آماری پژوهش شامل 150 شرکت پذیرفته ‌شده در بورس اوراق بهادار تهران طی دوره زمانی 1392 تا 1402 می‌باشند. داده‌ها با استفاده از روش غربال‌گری انتخاب شده و از منابع رسمی مانند سامانه کدال، بانک مرکزی و صورت‌های مالی حسابرسی‌شده استخراج شده‌اند. ریسک حسابرسی به‌صورت یک متغیر ساختگی و با استفاده از وقوع خطاهای نوع اول و دوم در گزارش حسابرسی تعریف شده است. متغیرهای پیش‌بین شامل 40 متغیر در سه سطح اصلی (ویژگی‌های حسابرس، ویژگی‌های صاحبکار، و شرایط اقتصاد کلان و بازار سرمایه) هستند. از آزمون t برای انتخاب مهم‌ترین متغیرها استفاده شده و در نهایت 25 متغیر وارد مدل شدند.سه الگوریتم یادگیری عمیق شامل: ماشین بردار پشتیبان، شبکه عصبی پیچشی و شبکه عصبی بازگشتی، جهت آموزش مدل و ارزیابی عملکرد آن استفاده شدند. برای سنجش دقت مدل‌ها از ماتریس اغتشاش، صحت و خطای نوع دوم استفاده گردید. داده‌ها به روش تصادفی 50 بار به دو دسته آموزش (75%) و آزمون (25%) تقسیم شدند. یافته‌ها: نتایج نشان داد الگوریتم RNN با دقت 96.4 درصد، بهترین عملکرد را در پیش‌بینی ریسک حسابرسی داشت. الگوریتم SVM  نیز با دقت 89.6 درصد عملکرد قابل قبولی ارائه کرد، در حالی که CNN با دقت 85.8 درصد پایین‌ترین دقت را ثبت نمود. الگوریتم RNN توانست با نرخ خطای نوع دوم 2.7 درصد، الگوی مناسبی از روابط زمانی و غیرخطی بین متغیرها را استخراج کند. آزمون t و آزمون کای دو نشان دادند که متغیرهایی نظیر اندازه شرکت، نقدینگی، سودآوری، تخصص مالی هیأت مدیره، استقلال حسابرسی و نرخ تورم، اثر معناداری بر ریسک حسابرسی دارند. همچنین متغیرهایی مانند تغییر حسابرس، رتبه‌بندی مؤسسه حسابرسی و تخصص حسابرس، با ریسک حسابرسی ارتباط معناداری دارند. نتیجه‌گیری: یافته‌ها حاکی از آن است که الگوریتم‌های یادگیری عمیق، به‌ویژه  RNNمی‌توانند ابزارهای مؤثری برای ارتقاء دقت قضاوت حرفه‌ای در ارزیابی ریسک حسابرسی باشند. این مدل‌ها با توانایی بالا در استخراج الگوهای پنهان و وابستگی‌های زمانی، امکان تصمیم‌گیری آگاهانه‌تر و سریع‌تر را برای حسابرسان فراهم می‌کنند. از منظر کاربردی، این پژوهش می‌تواند به نهادهای نظارتی مانند سازمان حسابرسی، سازمان بورس و مؤسسات حسابرسی در تدوین راهکارهای دقیق‌تری برای ارزیابی ریسک کمک کند. همچنین، سرمایه‌گذاران و تحلیل‌گران بازار سرمایه می‌توانند با اتکاء به پیش‌بینی دقیق ریسک حسابرسی، تصمیمات شفاف‌تر و مبتنی بر داده اتخاذ نمایند.