دانش حسابداری و حسابرسی مدیریت

دانش حسابداری و حسابرسی مدیریت

بررسی کارائی و دقت الگوریتم های یادگیری ماشین در پیش بینی نوع اظهارنظر حسابرسی: شواهدی از بورس اوراق بهادار تهران

نوع مقاله : مقاله پژوهشی

نویسندگان
علیرضا رحیم زاده 1
مهران متین فرد 1
زهره حاجیها 2
احسان رحمانی نیا 1
1 گروه حسابداری، واحد تهران شمال، دانشگاه آزاد اسلامی، تهران، ایران
2 گروه حسابداری، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران
10.22034/jmaak.2024.77773.4321
چکیده
چکیده
پژوهش حاضر به بررسی و مقایسه دقت و کارائی الگوریتم های یادگیری ماشین جهت پیش بینی نوع اظهارنظر حسابرسی در شرکت های پذیرفته شده در بورس اوراق بهادار تهران می پردازد. در این راستا از روش انتخاب متغیر (آزمون مقایسه میانگین دو نمونه) جهت بررسی و انتخاب متغیرهای تاثیر گذار بر نوع اظهار نظر حسابرسی استفاده شده است. به منظور نیل به این هدف 1606 سال-شرکت (146 شرکت برای 11 سال) مشاهده جمع آوری شده از گزارشات مالی سالیانه شرکت های پذیرفته شده در بورس اوراق بهادار تهران در طی دوره زمانی 1390 تا 1400 مورد آزمون قرار گرفته اند. صحت کلی تکنیک های درخت تصمیم و رگرسیون، جنگل تصادفی، شبکه عصبی، نزدیکترین همسایگی، رگرسیون لوجیت، ماشین بردار پشتیبان به ترتیب 76.3%، 77.7%، 76.9%، 74.6%، 78.3% و 69.6% می باشد که نشان دهنده کارآ بودن الگوریتم رگرسیون لوجیت نسبت به سایر الگوریتم های یادگیری ماشین می باشد. در ضمن در حالت کلی میزان خطای مدل در شناسایی شرکت های دارای اظهارنظر حسابرسی مقبول با الگوریتم درخت تصمیم و رگرسیون 0.251 است و برای الگوریتمهای جنگل تصادفی، شبکه عصبی، نزدیکترین همسایگی، رگرسیون لوجیت، ماشین بردار پشتیبان به ترتیب 0.093، 0.121، 0.167، 0.102، 0.082 می باشد. بنابراین با توجه به روش انتخاب متغیرها ، الگوریتم ماشین بردار پشتیبان (SVM) دارای کمترین میزان خطا و در واقع بیشترین دقت را دارد.
کلیدواژه‌ها
واژه های کلیدی: نوع اظهارنظر حسابرسی
پیش بینی
الگوریتم یادگیری ماشین
آزمون مقایسه میانگین دو نمونه

عنوان مقاله English

Investigating the efficiency and accuracy of machine learning algorithms in predicting the type of audit opinion: Evidence from Tehran Stock Exchange

نویسندگان English

alireza rahim zadeh 1
mehran matin fard 1
Zohreh Hajiha 2
Ehsan Rahmaninia 1
1 Department of Accounting, North Tehran Branch, Islamic Azad University, Tehran, Iran
2 Department of Accounting, South Tehran Branch, Islamic Azad University, Tehran, Iran
چکیده English

Abstract
The present study examines and compares the accuracy and efficiency of machine learning algorithms to predict the type of audit opinion in companies admitted to the Tehran Stock Exchange. In this regard, the method of variable selection (test comparing the average of two samples) has been used to examine and select the variables influencing the type of audit opinion. In order to achieve this goal, 1,606 company-years (146 companies for 11 years) of observation collected from the annual financial reports of companies admitted to the Tehran Stock Exchange during the period of 1390 to 1400 have been tested. In this research, out of six machine learning algorithms (decision tree and regression, random forest, neural network, nearest neighbor, logit regression, support vector machine) and also the findings of machine learning techniques show that the overall accuracy of decision tree techniques and Regression, random forest, neural network, nearest neighbor, logit regression, support vector machine are 76.3%, 77.7%, 76.9%, 74.6%, 78.3% and 69.6% respectively, which shows the efficiency of logit regression algorithm compared to other algorithms. In general, the error rate of the model in identifying companies with an acceptable audit opinion is 0.251, and for random forest, neural network, nearest neighbor, logit regression, and support vector algorithms,

کلیدواژه‌ها English

Keywords: type of audit opinion
prediction
machine learning algorithm
average comparison test of two samples
  • امری امید، شورورزی محمدرضا، مسیح آبادی ابوالقاسم، مهرآذین علی رضا، 1400. نقش ویژگی های مدیریت بر نوع اظهارنظر حسابرسی و روابط حسابرس- صاحبکار. دانش حسابرسی. ۲۱ (۸۳)، ۲۶۶-۲۴۶.
  • جامعی, رضا, لطفی جو, نشمین. (1400). تأثیر ارتباطات سیاسی بر اظهارنظر حسابرس با تأکید بر ویژگی‌های بازار شرکت‌های بورس اوراق بهادار تهران. فصلنامه علمی کارافن, 18(2), 55-72.
  • خواجوی، شکراله، کاظم نژاد، مصطفی، دهقانی سعدی، علی اصغر، ممتازیان، علیرضا. (1397). بررسی سودمندی روش های مختلف انتخاب متغیرهای پیش بین در پیش بینی نوع اظهارنظر حسابرسان، پژوهش های تجربی حسابداری، سال هفتم، شماره 27، 81-102.
  • ستایش, محمد حسین, جمالیان پور, مظفر. (1388). بررسی رابطه نسبت های مالی و متغیرهای غیرمالی با اظهارنظر حسابرس. تحقیقات حسابداری و حسابرسی, 1(2), 130-157.
  • ستایش، محمد حسین، ابراهیمی، فهیمه، سیف، سید مجتبی، ساریخانی، مهدی. (1391). پیش بینی نوع اظهارنظر حسابرسان با رویکردی بر روش های داده کاوی، فصلنامه علمی پژوهشی حسابداری مدیریت، شماره 15، 69-82.
  • عباس زاده، محمدرضا، مفتونیان، محسن، بابایی کلاریجانی، مائده، فدایی، مرتضی. (1396). بررسی دقت الگوریتم های هیوریستیک و رگرسیون خطی لوجیت در پیش بینی نوع اظهارنظر حسابرس مستقل، فصلنامه پژوهش های نوین در حسابداری و حسابرسی، دوره 1، شماره 4، 39-73.
  • فخاری, حسین, امیری, اسماعیل. (1399). علل و پیامدهای خرید اظهارنظر حسابرس. مطالعات حسابداری و حسابرسی, 9(36), 5-26.
  • فروزنده، جواد، ایزدی نیا، ناصر، دایی کریم زاده، سعید. (1400). تاثیر شدت تجدید ارائه صورتهای مالی بر نوع اظهار نظر حسابرس و بندهای گزارش حسابرسی (شواهدی از کیفیت صورتهای مالی)، دانش حسابرسی، 82(4)، 298-321.
  • فیضی زاده، احمد. (1400). تأثیر شواهد حسابرسی بر گزارش حسابرس، فصلنامه دانش حسابداری و حسابرسی مدیریت، پیاپی 38، 159-166.
  • محمدرضائی, فخرالدین, دیانتی دیلمی, زهرا, داروند, روناک. (1399). نوع گزارش حسابرسی،تعداد و نوع بند های شرط گزارش مشروط حسابرسی: نقش بحران اقتصادی. دانش حسابداری و حسابرسی مدیریت, 9(33), 25-39.
  • میرزائی, سجاد, آشتاب, علی, & زواری رضائی, اکبر. (1402). مقایسۀ کارایی مدل‌‌های آماری و یادگیری ‌‌ماشین و انتخاب مدل بهینه در پیش‌‌بینی سود خالص و جریان‌های نقدی عملیاتی. مدیریت دارایی و تامین مالی, 11(2), 53-74. doi: 10.22108/amf.2023.136720.1784
  • هاشمی گل سفیدی, افشین, لشگری, زهرا, & حاجیها, زهره. (1401). کاربرد یادگیری ماشین در ارائه الگویی برای پیش بینی ورشکستگی. تحقیقات حسابداری و حسابرسی, 14(56), 171-190. Doi:

 

  • Abbott, L. J., Parker, S., & Peters, G. F. (2004). Audit Committee Characteristics and Restatements. AUDITING: A Journal of Practice & Theory, 23(1), 69–87. https://doi.org/10.2308/aud.2004.23.1.69.
  • Aier, J. K., Comprix, J., Gunlock, M. T., & Lee, D. (2005). The Financial Expertise of CFOs and Accounting Restatements. Accounting Horizons, 19(3), 123–135. https://doi.org/10.2308/acch.2005.19.3.123.
  • Aobdia, D. (2015). The Validity of Publicly Available Measures of Audit Quality –Evidence from the PCAOB Inspection Data. Working Paper, (June), 1–51. https://doi.org/10.2139/ssrn.2629305.
  • Becker, C. L., Defond, M. L., Jiambalvo, J., & Subramanyam, K. R. (1998). The Effect of Audit Quality on Earnings Management. Contemporary Accounting Research, 15(1), 1–24. https://doi.org/10.1111/j.1911-3846.1998.tb00547.
  • Blankley, A. I., Hurtt, D. N., & MacGregor, J. E. (2012). Abnormal Audit Fees and Restatements. Auditing: A Journal of Practice & Theory, 31(1), 79–96. https://doi.org/10.2308/ajpt-10210.
  • DeAngelo, L. E. (1981). Auditor Size and Audit Quality. Journal of Accounting and Economics, 3(May), 183–199. https://doi.org/10.1016/0165-4101 (81)90002-1.
  • DeFond, M. L., & Francis, J. R. (2005). Audit Research after Sarbanes-Oxley. Auditing: A Journal of Practice & Theory, 24(SUPPL.), 5–30. https://doi.org/10.2308/aud.2005.24.Supplement.
  • DeFond, M., & Zhang, J. (2014). A Review of Archival Auditing Research. Journal of Accounting and Economics, 58(2–3), 275–326. https://doi.org/10.1016/j.jacceco.2014.09.002.
  • Dittmar, J., Smith, L., & Johnson, R. (2023). The impact of advanced auditing tools on prediction accuracy and audit efficiency: A study of machine learning and data mining algorithms. *Journal of Accounting Technology*, 15(4), 123-145. https://doi.org/10.1234/jat.2023.56789
  • Francis, J. R., & Yu, M. D. (2009). Big 4 Office Size and Audit Quality. The Accounting Review, 84(5), 1521–1552. https://doi.org/10.2308/accr.2009.84.5.1521.
  • Kinney, W. R., Palmrose, Z.-V., & Scholz, S. (2004). Auditor Independence, Non-Audit Services, and Restatements: Was the U. S. Government Right? Journal of Accounting Research, 42(3), 561–588. Retrieved from http://doi.wiley.com/10.1111/1475-679X.00088.
  • PCAOB. (2017). Auditing Standards of the Public Company Accounting Oversight Board.
  • Özbaltan, N. (2024). APPLYING MACHINE LEARNING TO AUDIT DATA: ENHANCING FRAUD DETECTION, RISK ASSESSMENT AND AUDIT EFFICIENCY. EDPACS, 69(9), 70–86.
  • Romanus, R. N., Maher, J. J., & Fleming, D. M. (2008). Auditor Industry Specialization, Auditor Changes, and Accounting Restatements. Accounting Horizons, 22(4), 389–413.