آرزو معماری مقدم

در پژوهش حاضر، از دو نوع شبکه عصبی مصنوعی پرسپترون چند لایه و شعاعی برای مدل سازی و پیش بینی حق الزحمه حسابرسی استفاده شده است. در این راستا، از جامعه شرکت های پذیرفته شده در بورس اوراق بهادار تهران، تعداد 123 شرکت به روش غربالگری طی سال های 1392 تا 1400 انتخاب شدند. پژوهش در محیط نرم افزار متلب مدل سازی شده است. در این پژوهش، مجموعه ای از پارامترهای اندازه شرکت، نسبت دارایی های جاری به کل دارایی ها، اهرم مالی، نسبت دارایی های جاری به بدهی های جاری، نسبت بدهی های بلندمدت به کل دارایی ها، نسبت آنی، زیان دهی و تجدید ارائه صورت های مالی به عنوان پارامترهای ورودی و حق الزحمه حسابرسی به عنوان پارامتر هدف در مدل سازی استفاده شدند. نتایج نشان دادند در داده های آموزش طی سال های 1392 تا 1397، شبکه های عصبی مصنوعی شعاعی با توجه به ساختار خاصی که دارند، دارای خطای کمتری نسبت به شبکه های عصبی پرسپترون چند لایه هستند. به منظور تعمیم پذیری مدل ها، عملکرد بهترین مدل ها با استفاده از داده های سال های مالی 1398 تا 1400 بررسی شد. در این حالت عملکرد شبکه عصبی پرسپترون چند لایه با دقت بالاتر توانست حق الزحمه حسابرسی را پیش بینی کند؛ در حالی که شبکه عصبی مصنوعی شعاعی نتوانست با دقت مناسبی حق الزحمه حسابرسی را پیش بینی نماید؛ ضمن این که بین پیش بینی حق الزحمه حسابرسی با بکارگیری شبکه عصبی پرسپترون پرسپترون چند لایه در مقایسه با شبکه عصبی شعاعی اختلاف معناداری وجود دارد. همچنین، نتایج تحلیل حساسیت نشان داد اندازه شرکت مهم ترین تأثیر در تعیین حق الزحمه حسابرسی دارد.

Objective: This study explores the determination of audit fees (AF) using Support Vector Regression (SVR) among companies listed on the Iranian stock market from 2017 to 2021. It investigates the relationship between financial variables like financial leverage (DA), current assets ratio (CA), quick ratio (QUICK), ASSETS, current ratio to current liabilities (CR), and long-term debt (DE), with AF as the target. Methodology: Data from 60 listed companies during this period, totaling 279 year-observations, are employed. SVR models are trained on this dataset using Google Colab. Results: The SVR model achieves a 90.5% R2 value and a 3.7 Mean Squared Error (MSE) on training data, indicating high explained variance and reasonable error levels. However, on new data, the model's performance diminishes, with an R2 of 67% and an MSE of 8.1, implying reduced accuracy and intermediate predictive accuracy. Innovation: This study advances the understanding of AF determination using SVR, highlighting the importance of considering various financial variables.