شناسایی نوع اظهارنظر حسابرسان با استفاده از شبکه‌های عصبی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشیار دانشگاه شهید باهنر کرمان

2 کارشناس ارشد حسابداری دانشگاه شهید باهنرکرمان

چکیده

شیوه‌های داده‌کاوی جدید می‌تواند حسابرسان را در ارائه نوع اظهارنظر حسابرسی یاری رساند. در این تحقیق برای اولین بار در ایران به منظور توسعه الگوهایی که قادر به شناسایی و پیش‌بینی نوع اظهارنظر حسابرسان باشد، عملکرد شبکه‌های عصبی در مقایسه با الگوهای کلاسیک مورد بررسی قرار گرفته است. شیوه‌های مورد استفاده در این پژوهش شامل شبکه عصبی پرسپترون چند لایه (MLP) و هم‌چنین رگرسیون لجستیک (LR) است. دوره زمانی این تحقیق از ابتدای سال 1379 تا پایان سال 1386 و جامعه آماری تحقیق تمام شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران است. در این مطالعه به منظور شناسایی و پیش‌بینی نوع اظهارنظر حسابرسان،‌ شاخص‌های مرتبط با سودآوری، نقدینگی، اهرمی، فعالیت، رشد، اندازه، دعاوی حقوقی، بهره‌وری و سایر عوامل تأثیرگذار مورد بررسی قرار گرفته است. نتایج تحقیق حاکی از توان زیاد شبکه پرسپترون چندلایه در شناسایی و پیش‌بینی انواع اظهارنظر حسابرسان است. این شبکه با میزان صحت 75/87% بهترین عملکرد را در شناسایی نوع گزارش حسابرسی داشت و رگرسیون لجستیک عملکرد ضعیفی در شناسایی اظهارنظر مشروط دارد و الگوی نامتوازنی در شناسایی انواع اظهارنظر حسابرس است. نتایج این الگوها می‌تواند برای پیش‌بینی نوع اظهارنظر حسابرسی توسط حسابرسان داخلی و مستقل، سرمایه‌گذاران، اعتباردهندگان، و سایر ذی‌نفعان سودمند واقع شود.

کلیدواژه‌ها


- نیکخواه آزاد، علی(1379)، «بیانیه مفاهیم بنیادی حسابرسی» کمیته تدوین رهنمودهای حسابرسی، سازمان حسابرسی.
- کوپایی، مهدی(1387)، «بررسی توانایی متغیرهای مالی در پیش بینی بحران مالی در شرکتهای پذیرفته شده در بورس اوراق بهادار تهران»، پایان‌نامه کارشناسی ارشد، دانشگاه شهید باهنر کرمان.
- اکبری، فضل‌الله و علی‌مدد، مصطفی (1379) ، «بررسی تحلیلی یا استفاده از تجزیه و تحلیل در حسابرسی» مرکز تحقیقات تخصصی حسابداری و حسابرسی.
- کیا، مصطفی (1387)، «شبکه‌های عصبی در MATLAB« تهران، خدمات نشر کیان رایانه‌ سبز.
- Gaganis, C., Pasiouras, F. and Doumpos, M., (2007),"Probabilistic neural networks for the identification of qualified audit opinions", Expert Systems with Applications, Vol. 32, pp. 114–124
- Efstathios, K., Spathis , C., Nanopoulos, A and Manolopoulos, Y. (2007), "Identifying Qualified Auditors’ Opinions: A Data Mining Approach," Journal of Emerging Technologies in Accounting, Vol. 4, pp. 183-197.
-Spathis, C., Doumpos, M., and Zopounidis, C. (2004), "Multicriteria Discrimination Approach to Model Qualified Audit Report," Operational Research. An International Journal, Vol. 4, No. 3. pp. 347-355
 -Gaganis, C., Pasiouras, F., Spathis,C. and Zopounidis, C. (2007), "A Comparison of nearest neighbors, discriminate and logit models for auditing decisions," Intelligent Systems in Accounting, Finance and Management, Vol. 15, pp. 23–40
- Hakin, S., (1999), "Neural Networks," Second Edition, Simon and Schuster company, New Jersy.