شناسايي نوع اظهارنظر حسابرسان با استفاده از شبكه‌هاي عصبي

Predicting Auditorʹs Opinions: A Neural Networks Approach

شيوه‌هاي داده‌كاوي جديد مي‌تواند حسابرسان را در ارايه نوع اظهارنظر حسابرسي ياري رساند. در اين تحقيق براي اولين بار در ايران به منظور توسعه الگوهايي كه قادر به شناسايي و پيش‌بيني نوع اظهارنظر حسابرسان باشد، عملكرد شبكه هاي عصبي در مقايسه با الگوهاي كلاسيك مورد بررسي قرار گرفته است. شيوه‌هاي مورد استفاده در اين پژوهش شامل شبكه عصبي پرسپترون چند لايه (MLP) و هم‌چنين رگرسيون لجستيك (LR) است. دوره زماني اين تحقيق از ابتداي سال 1379 تا پايان سال 1386 و جامعه آماري تحقيق تمام شركتهاي پذيرفته شده در بورس اوراق بهادار تهران است. در اين مطالعه به منظور شناسايي و پيش‌بيني نوع اظهارنظر حسابرسان، شاخصهاي مرتبط با سودآوري، نقدينگي، اهرمي، فعاليت، رشد، اندازه، دعاوي حقوقي، بهره‌وري و ساير عوامل تاثيرگذار مورد بررسي قرار گرفته است. نتايج تحقيق حاكي از توان زياد شبكه پرسپترون چندلايه در شناسايي و پيش‌بيني انواع اظهارنظر حسابرسان است. اين شبكه با ميزان صحت 75/87% بهترين عملكرد را در شناسايي نوع گزارش حسابرسي داشت و رگرسيون لجستيك عملكرد ضعيفي در شناسايي اظهارنظر مشروط دارد و الگوي نامتوازني در شناسايي انواع اظهارنظر حسابرس است. نتايج اين الگوها مي‌تواند براي پيش‌بيني نوع اظهارنظر حسابرسي توسط حسابرسان داخلي و مستقل، سرمايه‌گذاران، اعتباردهندگان، و ساير ذي‌نفعان سودمند واقع شود.

Data mining methods can be used in order to facilitate auditors to issue their opinion. This paper initially applies two Data Mining classification techniques to develop models capable of identifying auditorʹs opinion in Iran. The techniques used are Multilayer Perceptron neural network and Logistic regression. The period of this research is start of 2003 to end of 2009. The input vector is compose of financial data such as financial distress and non-financial data such as firm litigation. The four developed models are compared in terms of their performance. The results demonstrate the high explanatory power of the MLP model in identification of audit opinion. The model developed is accurate in classifying the total sample correctly with rate 87/75%. The model is also found to outperform traditional logistic regression. The result of this study can be useful to internal and external auditors, Investors, creditors, company decision-makers and other stakeholders.