پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 25 |
| تعداد شماره‌ها | 939 |
| تعداد مقالات | 7,734 |
| تعداد مشاهده مقاله | 12,750,539 |
| تعداد دریافت فایل اصل مقاله | 9,073,796 |
بررسی عملکرد رویکردهای رگرسیون و یادگیری عمیق برای کشف تقلب صورت‌های مالی با تمرکز بر ابعاد فشار/ انگیزه و فرصت | ||
| پژوهش های تجربی حسابداری | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 16 دی 1403 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22051/jera.2025.47003.3261 | ||
| نویسندگان | ||
| ابوطالب کریمی فر1؛ رویا دارابی* 2؛ محسن حمیدیان3 | ||
| 1دانشجوی دکتری حسابداری، گروه حسابداری ، واحد تهران جنوب،دانشگاه آزاد اسلامی، تهران، ایران . | ||
| 2استاد گروه حسابداری ، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران ، ایران. | ||
| 3دانشیار گروه حسابداری، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران | ||
| چکیده | ||
| هدف: هدف از پژوهش حاضر شناسایی عوامل مؤثر بر عملکرد حسابرسی داخلی و بررسی عملکرد روش‌های رگرسیون و یادگیری عمیق برای کشف تقلب صورت‌های مالی با تمرکز بر ابعاد فشار/انگیزه و فرصت می‌باشد. روش: قلمرو مکانی این پژوهش، شرکتهای پذیرفته شده در بورس اوراق بهادار تهران و قلمرو زمانی، سالهای بین 1391 تا 1400 است. به منظور گردآوری دادههای مورد نیاز برای انجام این پژوهش، از روش کتابخانهای استفاده شد. در بخش بررسی عوامل مؤثر بر عملکرد حسابرسی داخلی از روش رگرسیونی استفاده شد. در بخش کشف تقلب نیز از یادگیری عمیق و شبکه عصبی پیشخور استفاده شد. یافته‌ها: نتایج نشان داد که مدل‌های یادگیری عمیق و شبکه عصبی پیشخور در مقایسه با روش‌های رگرسیونی عملکرد بهتری در شبیه‌سازی و پیش‌بینی تقلب صورت‌های مالی داشتند. به‌ویژه، یادگیری عمیق توانست ارتباط بهتری بین ابعاد فشار/انگیزه و ابعاد فرصت شناسایی کند و نسبت به مدل‌های رگرسیونی عملکرد بالاتری از خود نشان داد. در این راستا، این روش‌ها توانستند ویژگی‌های پنهان بیشتری را در داده‌ها شبیه‌سازی کرده و عوامل پیچیده‌تر را شناسایی کنند که مدل‌های سنتی قادر به آن نبوده‌اند. نتیجهگیری: پژوهش حاضر به طور ویژه به ارزش استفاده از تکنیک‌های یادگیری عمیق در شناسایی تقلب در صورت‌های مالی پرداخته است و نشان داده که این تکنیک‌ها می‌توانند ابعاد پیچیده‌تری از فشار/انگیزه و فرصت‌ها را که پیش‌تر کمتر مورد توجه قرار گرفته بود، شبیه‌سازی و شناسایی کنند. این تحقیق به پر کردن شکاف موجود در مدل‌های سنتی پیش‌بینی تقلب کمک کرده و همچنین در شناسایی عوامل کلیدی که بر عملکرد حسابرسی داخلی تأثیر می‌گذارند، گامی مؤثر برداشته است. بدین ترتیب، استفاده از یادگیری عمیق می‌تواند دقت و اثربخشی روش‌های پیش‌بینی تقلب صورت‌های مالی را به‌طور قابل توجهی افزایش دهد. | ||
| کلیدواژه‌ها | ||
| فرصت؛ انگیزه؛ فشار؛ کشف تقلب؛ یادگیری عمیق | ||
| عنوان مقاله [English] | ||
| Investigating the Performance of Regression and Deep Learning Approaches to Detect Financial Statement Fraud, Focusing on Pressure/Motivation and Opportunity Dimensions | ||
| نویسندگان [English] | ||
| Aboutaleb Karimifar1؛ roya Darabi2؛ Mohsen Hamidian3 | ||
| 1Ph.D. student, Department of Accounting, South Tehran Branch, Islamic Azad University, Tehran, Iran. | ||
| 2Professor, Department of Accounting, South Tehran Branch, Islamic Azad University, Tehran, Iran. | ||
| 3Associate Professor, Department of Accounting, South Tehran Branch, Islamic Azad University, Tehran, Iran. | ||
| چکیده [English] | ||
| Purpose: The purpose of this research is to identify the factors affecting the performance of internal audit and to investigate the performance of regression and deep learning methods to detect fraud in financial statements, focusing on the dimensions of pressure/motivation and opportunity. Method: The spatial domain of this research is the companies accepted in the Tehran Stock Exchange and the temporal domain is the years between 1391 and 1400. In order to collect the data needed for this research, the library method was used. Regression method was used in the investigation of factors affecting internal audit performance. Deep learning and feedforward neural network were also used in fraud detection. Findings: The results showed that deep learning and feedforward neural network models performed better in simulating and predicting financial statement fraud compared to regression methods. In particular, deep learning was able to identify a better relationship between pressure/motivation dimensions and opportunity dimensions and showed higher performance than regression models. In this regard, these methods were able to simulate more hidden features in the data and identify more complex factors that traditional models could not. Conclusion: The current research has specifically addressed the value of using deep learning techniques in identifying fraud in financial statements and has shown that these techniques can simulate and identify more complex dimensions of pressure/motivation and opportunities that were less noticed before. do This research has helped to fill the gap in traditional fraud prediction models and has also taken an effective step in identifying the key factors that affect internal audit performance. Thus, the use of deep learning can significantly increase the accuracy and performance of financial statement fraud prediction methods. | ||
| کلیدواژه‌ها [English] | ||
| opportunity, motivation, pressure, fraud detection, deep learning | ||
|
آمار تعداد مشاهده مقاله: 67 |
||