ابوطالب کریمی فر

پژوهش حاضر با هدف شناسایی عوامل مؤثر بر عملکرد حسابرسی داخلی و بررسی عملکرد روش های رگرسیون و یادگیری عمیق برای کشف تقلب صورت های مالی با تمرکز بر ابعاد فشار/انگیزه و فرصت انجام شده است. در این پژوهش، فرضیات اصلی شامل شناسایی عوامل مؤثر بر فشار/انگیزه و فرصت در کشف تقلب صورت های مالی از طریق مدل های رگرسیون و یادگیری عمیق و مقایسه عملکرد این دو رویکرد در شبیه سازی این عوامل و شناسایی تقلب است. قلمرو مکانی این پژوهش، شرکت های پذیرفته شده در بورس اوراق بهادار تهران و قلمرو زمانی، سال های بین 1391 تا 1400 است. به منظور گردآوری داده های مورد نیاز برای انجام این پژوهش، از روش کتابخانه ای استفاده شد. در بخش بررسی عوامل مؤثر بر عملکرد حسابرسی داخلی از روش رگرسیونی استفاده شد. در بخش کشف تقلب نیز از یادگیری عمیق و شبکه عصبی پیشخور استفاده گردید. نتایج نشان داد که مدل های یادگیری عمیق و شبکه عصبی پیشخور در مقایسه با روش های رگرسیونی عملکرد بهتری در شبیه سازی و پیش بینی تقلب صورت های مالی داشتند. به ویژه، یادگیری عمیق توانست ارتباط بهتری بین ابعاد فشار/انگیزه و ابعاد فرصت شناسایی کند و نسبت به مدل های رگرسیونی عملکرد بالاتری از خود نشان داد. در این راستا، این روش ها توانستند ویژگی های پنهان بیشتری را در داده ها شبیه سازی کرده و عوامل پیچیده تری را شناسایی کنند که مدل های سنتی قادر به آن نبوده اند. پژوهش حاضر به طور ویژه به ارزش استفاده از تکنیک های یادگیری عمیق در شناسایی تقلب در صورت های مالی پرداخته است و نشان داده که این تکنیک ها می توانند ابعاد پیچیده تری از فشار/انگیزه و فرصت ها را که پیش تر کمتر مورد توجه قرار گرفته بود، شبیه سازی و شناسایی کنند. این تحقیق به پر کردن شکاف موجود در مدل های سنتی پیش بینی تقلب کمک کرده و همچنین در شناسایی عوامل کلیدی که بر عملکرد حسابرسی داخلی تأثیر می گذارند، گامی مؤثر برداشته است. بدین ترتیب، استفاده از یادگیری عمیق می تواند دقت و اثربخشی روش های پیش بینی تقلب صورت های مالی را به طور قابل توجهی افزایش دهد. این تحقیق با بررسی عملکرد یادگیری عمیق در کشف تقلب صورت های مالی، به ویژه با تأکید بر ابعاد فشار/انگیزه و فرصت ها، به غنای علمی در حوزه حسابداری و حسابرسی افزوده است. این پژوهش اولین مطالعه ای است که از این تکنیک ها برای شبیه سازی و شناسایی روابط پیچیده و پنهان در داده های صورت های مالی استفاده کرده و بدین ترتیب می تواند به محققان و حرفه ای های حسابرسی کمک کند تا ابزارهای جدید و مؤثرتری برای شناسایی تقلب ارائه دهند.