ارزیابی عملکرد مدل‌های یادگیری ماشین در پیش‌بینی احتمال تغییر حسابرس: رویکردی مقایسه‌ای
کد مقاله : 1084-MMAI
نویسندگان
رضا دباغیان1، مهدی نیک روش *2، حامد عمرانی3
1کارشناسی ارشد حسابرسی، دانشکده علوم مالی، دانشگاه خوارزمی، تهران، ایران
2استادیار گروه حسابداری، دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبائی، تهران، ایران
3استادیار گروه حسابداری، دانشکده علوم مالی، دانشگاه خوارزمی، تهران، ایران
چکیده مقاله
در سال‌های اخیر، تصمیم به تغییر حسابرس به‌عنوان عاملی مؤثر بر استقلال حسابرسی و کیفیت گزارشگری مالی مورد توجه پژوهشگران و نهادهای نظارتی قرار گرفته است. هدف پژوهش حاضر، پیش‌بینی احتمال تغییر حسابرس در شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران با بهره‌گیری از الگوریتم‌های یادگیری ماشین است. این مطالعه از نوع کاربردی با رویکرد داده‌محور و طرح همبستگی انجام شد. جامعه آماری شامل شرکت‌های پذیرفته‌شده در بورس طی سال‌های 1394 تا 1401 بود که پس از غربالگری، 1224 مشاهده به‌عنوان نمونه نهایی انتخاب گردید. داده‌ها از صورت‌های مالی، گزارش‌های بورس اوراق بهادار، و پایگاه‌های داده اقتصادی معتبر، به‌ویژه از طریق سایت کدال (سامانه جامع اطلاع‌رسانی ناشران) استخراج و پس از پیش‌پردازش وارد فرآیند مدل‌سازی شدند. برای پیش‌بینی از الگوریتم‌های رگرسیون لجستیک، جنگل تصادفی، ماشین بردار پشتیبان، شبکه عصبی مصنوعی و تقویت گرادیان استفاده شد. ارزیابی مدل‌ها با معیارهای متداول یادگیری ماشین نشان داد که به رغم توانایی مطلوب و قابل توجه چهار الگوریتم اخیر، الگوریتم رگرسیون لجستیک عملکرد دقیق‌تری در پیش‌بینی احتمال تغییر حسابرس داشت. همچنین نتایج تحلیل‌ها حاکی از آن بود که برخی ویژگی‌های مالی شرکت‌ها نقش تعیین‌کننده‌ای در احتمال تغییر حسابرس دارند. این یافته‌ها مؤید آن است که به‌کارگیری رویکردهای یادگیری ماشین می‌تواند در شناسایی ریسک‌های پنهان مربوط به تصمیم تغییر حسابرس مؤثر واقع شود. بر این اساس، استفاده از چنین مدل‌هایی می‌تواند به نهادهای ناظر و مدیران شرکت‌ها در ارتقاء فرآیند تصمیم‌سازی و بهبود کیفیت حسابرسی کمک کند.
کلیدواژه ها
احتمال تغییر حسابرس، یادگیری ماشین، الگوریتم‌های هوش مصنوعی
وضعیت: پذیرفته شده برای ارائه شفاهی
login