اخبار و اعلانات
آمار
| تعداد نشریات | 20 |
| تعداد شماره‌ها | 416 |
| تعداد مقالات | 3,413 |
| تعداد مشاهده مقاله | 4,990,208 |
| تعداد دریافت فایل اصل مقاله | 3,416,972 |
پیش‌بینی رفتار حسابرسان در مواجهه با تقلب و تخلفات مالی با استفاده از شبکه عصبی مصنوعی | ||
| دانش حسابداری مالی | ||
| مقاله 5، دوره 12، شماره 2 - شماره پیاپی 45، تیر 1404 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.30479/jfak.2025.21163.3248 | ||
| نویسندگان | ||
| رضا طالبی1؛ آذر مسلمی1؛ مهدی خرم آبادی* 2 | ||
| 1گروه حسابداری، واحد خمین، دانشگاه آزاد اسلامی، خمین، ایران | ||
| 2گروه حسابداری، دانشگاه پیام نور، تهران، ایران. | ||
| تاریخ دریافت: 24 آبان 1403، تاریخ بازنگری: 31 اردیبهشت 1404، تاریخ پذیرش: 14 خرداد 1404 | ||
| چکیده | ||
| هدف: هدف این پژوهش پیش‌بینی رفتار حسابرسان در مواجهه با تقلب و تخلفات مالی و شناسایی عوامل مؤثر بر رفتار متقلبانه آن‌ها است. روش: در این پژوهش از رویکرد کمی استفاده شده و جامعه آماری آن شامل حسابرسان مؤسسات حسابرسی شهر تهران است. حجم نمونه با استفاده از جدول مورگان، 256 نفر تعیین شده است. داده‌های پژوهش از طریق پرسشنامه‌ای به منظور شناسایی عوامل مؤثر بر رفتار متقلبانه حسابرسان جمع آوری شده است. برای طراحی مدل شبکه عصبی، از نرم‌افزار پایتون بهره گرفته شده و مراحل کلیدی شامل پردازش داده‌ها، تقسیم‌بندی به داده‌های آموزشی، آزمون و اعتبارسنجی، انتخاب نوع شبکه و تنظیم وزن‌ها با استفاده از الگوریتم‌های پس‌انتشار خطا انجام شده است. یافته‌ها: نتایج تحلیل‌های پژوهش بیانگر دقت بالای مدل شبکه عصبی در شناسایی حسابرسان با و بدون سابقه تقلب با دقت کلی 96.15 ٪ است. دقت بالا نشان می‌دهد که مدل پیشنهادی قادر است به طور مؤثری عوامل مؤثر بر رفتار متقلبانه حسابرسان را شناسایی کرده و پیش‌بینی‌های دقیقی ارائه دهد. نتیجه‌گیری: این پژوهش نشان می‌دهد که استفاده از مدل‌های شبکه عصبی و فناوری‌های تحلیلی می‌تواند به طور قابل توجهی به موسسات حسابرسی در تقویت سیستم‌های نظارتی خود کمک کند. با به کارگیری این مدل‌ها، امکان پیشگیری از تخلفات مالی افزایش یافته و محیط کاری شفاف‌تر و امن‌تری ایجاد می‌شود. دانش افزایی: دانش افزایی این مطالعه این است که این پژوهش با استفاده از شبکه عصبی به پیش‌بینی رفتار حسابرسان در مواجهه با تقلب و تخلفات مالی پرداخته و به بهبود دقت و سرعت در تصمیم‌گیری‌های نظارتی کمک می‌کند. | ||
| کلیدواژه‌ها | ||
| پیش بینی رفتار حسابرس؛ تخلفات مالی؛ شبکه عصبی | ||
| عنوان مقاله [English] | ||
| Predicting Auditors' Behavior in Confronting Fraud and Financial Misconduct Using Artificial Neural Networks | ||
| نویسندگان [English] | ||
| Reza Talebi1؛ Azar Moslemi1؛ Mehdi khorramabadi2 | ||
| 1Department of Accounting, Khomain Unit, Islamic Azad University, Khomain | ||
| 2Department of Accounting, Payame Noor University, Tehran, Iran. | ||
| چکیده [English] | ||
| Purpose: The aim of this study is to predict the behavior of auditors when confronted with fraud and financial misconduct and to identify the factors influencing their fraudulent behavior. Method: This research adopts a quantitative approach, with the statistical population consisting of auditors from auditing firms in Tehran. The sample size was determined to 256 individuals using Morgan's table. Data were collected through a questionnaire designed to identify factors affecting auditors' fraudulent behavior. For designing the neural network model, Python software was utilized. Key steps included data processing, division into training, testing, and validation datasets, selection of the network type, and weight adjustment using backpropagation algorithms. Data processing involved detrending and normalization, and the data were divided into training, testing, and validation sets. Findings: The analysis results indicate a high accuracy of the neural network model in identifying auditors with and without a history of fraud, achieving an overall accuracy of 96.15%. This high accuracy suggests that the proposed model can effectively identify the factors influencing auditors' fraudulent behavior and provide precise predictions. Conclusion: This study demonstrates that the use of neural network models and analytical technologies can significantly assist auditing firms in strengthening their supervisory systems. By implementing these models, the possibility of preventing financial misconduct increases, creating a more transparent and secure working environment. Knowledge Contribution: The knowledge contribution of this study lies in its use of neural networks to predict auditors' behavior in response to fraud and financial misconduct, enhancing the accuracy and speed of supervisory decision-making. | ||
| کلیدواژه‌ها [English] | ||
| Auditor Behavior Prediction, Financial Misconduct, Neural Network | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 73 |
||