علی آشتاب

هدف: هدف از پیش بینی تغییرات سود، آگاهی دادن به سرمایه گذاران، تحلیلگران مالی، مدیران، مسئولان بازار سهام، اعتباردهندگان و سایر استفاده کنندگان، به منظور قضاوت کردن واحد تجاری، تصمیم گیری برای خرید یا فروش سهام و اعطا یاعدم اعطای وام و اعتبارات است. این پژوهش با هدف ارزیابی عملکرد و مقایسه دقت پیش بینی مدل های یادگیری ماشین و مدل های آماری، برای پیش بینی جهت تغییرات سه مؤلفه سود، از جمله سود (زیان) خالص، سود (زیان) ناخالص و سود (زیان) عملیاتی اجرا شده است.روش: در این پژوهش با استفاده از اطلاعات مالی ۱۳۹ شرکت تولیدی پذیرفته شده در بورس اوراق بهادار تهران، در دوره زمانی ۱۵ ساله، طی سال های ۱۳۸۷ تا ۱۴۰۱ و با به کارگیری ۲۵ مدل یادگیری ماشین و ۱۰ مدل آماری، به بررسی مقایسه کارایی مدل های یادگیری ماشین و مدل های آماری برای پیش بینی جهت تغییرات اجزای سود از جمله سود (زیان) خالص، سود (زیان) ناخالص و سود (زیان) عملیاتی پرداخته شده است. در پژوهش حاضر از نرم افزار اکسل برای مرتب سازی داده ها، نرم افزار ایویوز برای استخراج آمار توصیفی و از نرم افزارهای داده کاوی اس پی اس اس مدلر و رپیدماینر برای مدل سازی پیش بینی جهت تغییرات سود استفاده شده است. ارزیابی عملکرد مدل های یادگیری ماشین، از طریق دو معیار دقت پیش بینی مدل (accuracy) و ناحیه زیر منحنی (AUC) و ارزیابی عملکرد مدل های آماری تنها با معیار دقت پیش بینی مدل انجام شده است. در نهایت، به منظور انتخاب مدلی که بهترین عملکرد را برای پیش بینی جهت تغییرات سود (زیان) خالص، سود (زیان) ناخالص و سود (زیان) عملیاتی دارد، از میان مدل های یادگیری ماشین، به انتخاب مدل بهینه با استفاده از منحنی راک پرداخته شده است.یافته ها: پس از محاسبه متوسط دقت پیش بینی مدل های یادگیری ماشین و مدل های آماری، مشخص شد که متوسط دقت پیش بینی مدل های یادگیری ماشین برای متغیرهای وابسته (درصد تغییرات سود (زیان) خالص، درصد تغییرات سود (زیان) ناخالص و درصد تغییرات سود (زیان) عملیاتی)، از ۸۳ درصد تا ۹۳ درصد و متوسط دقت پیش بینی مدل های آماری برای هر سه مؤلفه سود، از ۷۶ درصد تا ۸۳ درصد متغیر است. پس از احراز نرمال نبودن متوسط دقت مدل های یادگیری ماشین و مدل های آماری برای اجزای سود توسط آزمون کلموگروف اسمیرنف، از آزمون ناپارامتریک یومن ویتنی برای مقایسه دقت پیش بینی مدل های یادگیری ماشین و مدل های آماری برای پیش بینی جهت تغییرات اجزای سود استفاده شد.نتیجه گیری: نتایج آزمون فرضیه های پژوهش، بیانگر کارایی بالای مدل های یادگیری ماشین برای پیش بینی جهت تغییرات سود (زیان) خالص، سود (زیان) ناخالص و سود (زیان) عملیاتی نسبت به مدل های آماری است. نتایج منحنی راک نیز نشانگر آن است که مدل درخت تصمیم با دقت پیش بینی معادل ۱۰۰ درصد، برای پیش بینی جهت تغییرات سود (زیان) خالص و دقت پیش بینی معادل ۳۸/۹۹ درصد برای پیش بینی جهت تغییرات سود (زیان) ناخالص و مدل استنتاج قوانین با دقت پیش بینی معادل ۷۶/۸۶ درصد در پیش بینی جهت تغییرات سود (زیان) عملیاتی، بهترین عملکرد را داشتند و به عنوان مدل بهینه انتخاب شدند. 

این پژوهش به بررسی تأثیر بحران مالی، حسابداری بخش عمومی، مکانیزم حاکمیت شرکتی و کیفیت حسابرسی بر عملکرد مالی بانک های ایرانی پذیرفته شده در بورس تهران برای دو بازه زمانی قبل از بحران مالی و در دوران بحران مالی برای ۲۲ بانک با استفاده از روش تحقیق هوش مصنوعی پرداخته است. نتایج نشان می دهد که در دوران بحران مالی، اهمیت و تأثیر متغیرهای مورد بررسی بر عملکرد مالی بانک ها به طور قابل توجهی افزایش می یابد. استانداردهای حسابداری بخش عمومی (IPSAS) با افزایش 21 درصدی، کیفیت حسابرسی (AQ) با افزایش 29 درصدی و مکانیزم حاکمیت شرکتی (CG) با افزایش 14 درصدی در تأثیرگذاری بر شاخص های عملکرد مالی، نقش کلیدی در بهبود و حفظ عملکرد مالی بانک ها در شرایط بحرانی ایفا می کنند. همچنین، دقت پیش بینی مدل های یادگیری ماشین در دوران بحران 9 درصد افزایش یافته است. این یافته ها اهمیت توجه ویژه به شفافیت مالی، کیفیت حسابرسی و ساختارهای حاکمیت شرکتی را در مدیریت ریسک و بهبود عملکرد مالی بانک ها، به ویژه در شرایط بحرانی، برجسته می کند. بر اساس این نتایج، پیشنهادهای سیاستی شامل تقویت و اجرای جامع IPSAS، ارتقای کیفیت حسابرسی و تقویت مکانیزم های حاکمیت شرکتی در بانک ها ارائه شده است. بنابراین؛ این یافته ها اهمیت توجه ویژه به شفافیت مالی، کیفیت حسابرسی و ساختارهای حاکمیت شرکتی را در مدیریت ریسک و بهبود عملکرد مالی بانک ها، به ویژه در شرایط بحرانی، برجسته می کند.

کیفیت حسابرسی برای استفاده کنندگان اطلاعات حسابداری جهت ارزیابی عملکرد، پیش بینی سودآوری و تعیین ارزش واقعی شرکت اهمیت دارد. با این بیان، هدف اصلی پژوهش حاضر ارائه الگوی کیفیت حسابرسی(عوامل ورودی، فرایند، خروجی و زمینه ای) جهت استفاده در تصمیمات سرمایه گذاران و فعالان بازارهای مالی است. برای دسترسی به هدف پژوهش انواع مدل های آماری و یادگیری ماشین در دستیابی به الگویی بهینه در پیش بینی مدل تصمیم سرمایه گذاری استفاده شده است. به منظور ارزیابی عملکرد مدل های یادگیری ماشین از دو معیار دقت پیش بینی مدل و ناحیه سطح زیر منحنی استفاده شده است. در نهایت به منظور انتخاب مدلی که بهترین عملکرد را برای پیش بینی مدل تصمیم سرمایه گذاری دارد، از منحنی مشخصه عملکرد سیستم استفاده شده است. نتایج پژوهش نشان داد پس از محاسبه متوسط دقت پیش بینی، مدل های قوانین استنتاجی، K نزدیک ترین همسایه و ماشین بردار پشتیبان تکاملی به ترتیب دارای بالاترین دقت پیش بینی 29/84 درصد 74/78 درصد و 01/77 درصد در بین مدل های یادگیری ماشین هستند. همچنین براساس نتایج منحنی مشخصه عملکرد سیستم مدل قوانین استنتاجی با دقت پیش بینی 29/84 درصد در پیش بینی مدل تصمیم سرمایه گذاری بهترین عملکرد را دارد و به عنوان مدل بهینه انتخاب شد. یکی از راه های کمک به تحلیلگران سرمایه گذاری و فعالان بازارهای مالی، ارائه الگوهای پیش بینی درباره دورنمای اطلاعات شرکت است. هرچه پیش بینی ها به واقعیت نزدیک تر باشد، مبنای تصمیم های صحیح تری قرار خواهند گرفت. کیفیت بالای حسابرسی می تواند به تحکیم گزارشگری مالی شفاف و افزایش دقت در ارزیابی وضعیت مالی شرکت ها منجر شود که به نوبه خود، بر کیفیت تصمیم گیری های مالی سرمایه گذاران و افزایش کارآیی بازارهای مالی تأثیر می گذارد. روش های آماری و داده کاوی می توانند تا حد زیادی یک سیستم پشتیبانی برای تصمیم گیری سرمایه گذاران ارائه دهد. از این رو در این پژوهش انواع مختلف مدل های آماری و یادگیری ماشین توسعه داده شد. نتایج پژوهش می تواند درک بهتری از چگونگی تاثیر کیفیت حسابرسی از منظر عوامل ورودی، فرایند، خروجی و زمینه ای بر مدل تصمیم مطابق با دیدگاه محتوای اطلاعاتی و نظریه سودمندی تصمیم برای تصمیم گیری به استفاده کنندگان اطلاعات حسابداری ارائه نماید.

هدف: حسابرسی، به عنوان رکنی اساسی در تضمین قابلیت اطمینان، اعتبار و شفافیت اطلاعات مالی شرکت ها، در سلامت اقتصاد نقش کلیدی ایفا می کند. با پیشرفت فناوری اطلاعات، روش های سنتی حسابرسی متحول شده اند و اجرای مؤثر فرایندهای حسابرسی، بدون بهره گیری از این فناوری ها، تقریباً ممکن نیست. ظهور هوش مصنوعی (AI)، به ویژه با بهبود کیفیت و سرعت پردازش داده ها، فرصت ها و چالش های جدیدی را در حسابداری و حسابرسی ایجاد کرده است. با وجود پژوهش های گسترده در کشورهای توسعه یافته درباره نقش هوش مصنوعی در حسابرسی، مطالعات در این حوزه در کشورهای در حال توسعه، از جمله ایران، همچنان محدود است. این پژوهش با هدف ارزیابی و تحلیل ظرفیت هوش مصنوعی در بهبود فرایندهای حسابرسی، به شناسایی نقش این فناوری در ارتقای کارایی و کیفیت حسابرسی در محیط های اقتصادی متنوع می پردازد. روش: این پژوهشِ کاربردی، از رویکرد ترکیبی (کیفی و کمّی) استفاده کرده است. در بخش کیفی، مصاحبه های نیمه ساختاریافته با ۱۲ خبره حسابرسی و هوش مصنوعی، شامل اعضای انجمن حسابداران رسمی ایران و استادان دانشگاهی، به صورت هدفمند انجام شد. داده های مصاحبه ها با روش نظریه داده بنیاد و در سه مرحله کدگذاری باز، محوری و انتخابی تحلیل شدند. نرم افزار مکس کیودا برای تحلیل دقیق و سریع داده های متنی به کار رفت. در بخش کمّی با رویکرد پیمایشی، نمونه ای شامل ۲۰۰ حسابرس شاغل در مؤسسه ها و سازمان های حسابرسی ایران انتخاب شد. مدل پیشنهادی با استفاده از مدل سازی معادلات ساختاری (SEM) و نرم افزار اسمارت پی ال اس اعتبارسنجی شد تا شاخص های برازش مدل تأیید شوند. یافته ها: هوش مصنوعی با پردازش کارآمد حجم عظیمی از داده های مالی، شناسایی الگوها و تشخیص ناهنجاری ها، کیفیت حسابرسی را بهبود می بخشد. نتایج کیفی، شش دسته اصلی عوامل مؤثر بر پذیرش هوش مصنوعی در حسابرسی را شناسایی کرد: شرایط علّی (مشوق ها و الزامات محیطی، ویژگی های فرهنگی، اجتماعی و سیاسی کشور و فشارهای بین المللی)، شرایط زمینه ای (محیط شرکت، محیط حسابداری و مالی و مشوق های مالی)، پدیده محوری (فناوری هوش مصنوعی به عنوان عنصر کلیدی)، راهبردها (ایجاد سیستم های کنترل داخلی، آموزش هوش مصنوعی، تعیین نهاد مسئول، تدوین استانداردها و ترویج فناوری های مدرن)، پیامدها (بهبود کیفیت گزارشگری مالی، افزایش اعتماد اجتماعی، توسعه بازارهای سرمایه و تقویت حرفه حسابرسی) و شرایط مداخله گر (ساختار شرکت، حاکمیت شرکتی، رقابت صنعت و رفتارهای مدیریتی). این دسته ها چارچوب مدل پژوهش را شکل دادند. نتیجه گیری: یافته ها نشان می دهد که هوش مصنوعی با خودکارسازی فعالیت های روزمره حسابرسی، مانند ورود داده ها و تطبیق حساب ها، ضمن ارتقای دقت و کیفیت حسابرسی، به حسابرسان امکان می دهد تا بر تحلیل های پیچیده تمرکز کنند. ابزارهای مبتنی بر هوش مصنوعی با پیش بینی مالی در زمان واقعی، تشخیص ناهنجاری ها و کاهش خطاها، فرایند حسابرسی را بهبود می بخشند. این فناوری همچنین با تحلیل داده های تاریخی، قابلیت هایی مانند پیش بینی مالی، بودجه بندی و شناسایی حساب های مشکوک را فراهم می کند. این پژوهش با شناسایی مزایا و چالش های پیاده سازی هوش مصنوعی، برای حسابرسان و مدیران، راه کارهای عملی ارائه می دهد تا تصمیم گیری های استراتژیک آگاهانه ای در پذیرش این فناوری داشته باشند. با توجه به نقش هوش مصنوعی در کاهش ریسک و ارتقای دقت، این مطالعه چارچوبی کاربردی برای ارزیابی و بهینه سازی استفاده از این فناوری نوین ارائه می دهد و به درک بهتر پتانسیل های عملیاتی و چالش های پیاده سازی آن در حسابرسی کمک می کند.