پژوهش‌های حسابرسی حرفه‌ای

پژوهش‌های حسابرسی حرفه‌ای

مدل انتخاب نمونه حسابرسی با استفاده از تکنیک های داده کاو

نوع مقاله : مقاله پژوهشی

نویسندگان
قدرت اله برزگر 1
سیدمحمد باقر میراشرفی 2
عبدالحمید سرودلیر 3
1 گروه حسابداری، دانشکده علوم اقتصادی و اداری، دانشگاه مازندران، بابلسر، ایران
2 گروه آمار، دانشکده علوم ریاضی، دانشگاه مازندران، بابلسر، ایران
3 گروه حسابداری، دانشکده علوم اقتصادی و اداری، دانشگاه مازندران، بابلسر، ایران.
10.22034/jpar.2025.2069241.1456
چکیده
از آنجائی‌که انتخاب نمونه حسابرسی تأثیر بسزائی در کارایی و اثربخشی فرآیند حسابرسی دارد، این پژوهش با هدف معرفی مدلی جهت انتخاب نمونه حسابرسی با استفاده از تکنیک‌های داده‌کاوی سعی در ارائه راهکاری برای افزایش اثربخشی و کارایی حسابرسی دارد. در این پژوهش ابتدا طی مصاحبه‌هایی با حسابرسان، نیازمندی ها و دانش آنان از تکنیک های داده کاوی مورد ارزیابی قرار گرفت. سپس پایگاه های داده های مالی 35 شرکت-سال (شامل 12 شرکت برای سال های 1399 تا 1401) که پرونده های حسابرسی آنان در اختیار است، از طریق تکنیک های مختلف داده کاوی ارزیابی شد.
نتایج تحقیق نشان می دهد که تکنیک های داده کاوی خوشه بندی، درخت تصمیم جنگل تصادفی و نمونه گیری بوت استرپینگ می توانند به عنوان مدل مناسبی برای انتخاب نمونه حسابرسی مورد استفاده قرار گیرند. این نتایج نشان می دهد نمونه های انتخاب شده علاوه بر پوشش 65 درصدی نمونه های انتخاب شده به روش های دیگر، می توانند با ارائه نمونه های مرتبط تر، اثربخشی فرآیند حسابرسی را افزایش دهند. از طرف دیگر بیش از 63 درصد حسابرسان علاقمند بودند تا نمونه انتخاب شده از طریق تکنیک های داده کاوی را با نمونه های انتخاب شده به روش های سنتی جایگزین نمایند.
کلیدواژه‌ها
نمونه گیری حسابرسی
داده کاوی
درخت تصمیم تصادفی
خوشه بندی
نمونه گیری بوت استرپینگ

موضوعات

عنوان مقاله English

Modeling sample selection in auditing using data mining

نویسندگان English

ghodrat allah barzegar 1
seyyed mohammad bagher mir ashrafi 2
abdolhamid sarvedalir 3
1 accounting department, Economics and administrative faculty. University of Mazandaran, babolsar, iran
2 statistics department, mathematics faculty, mazandaran university, babolsar, iran
3 accounting department, economics and administrative faculty, mazandaran university, babolsar, iran
چکیده English

Since the selection of the audit sample has a significant impact on the efficiency and effectiveness of the audit process, this research aims to introduce a model for selecting the audit sample using data mining techniques and tries to provide a solution to increase the effectiveness and efficiency of the audit. In this study, first, through interviews with auditors, their needs and knowledge of data mining techniques were assessed. Then, the financial databases of 35 company-years (including 12 companies for the years 1399 to 1401) for which audit files are available were evaluated through various data mining techniques.
The results of the research show that clustering data mining techniques, random decision trees, and bootstrapping sampling can be used as appropriate models for selecting audit samples. These results show that the selected samples, in addition to covering 65% of the samples selected by other methods, can increase the effectiveness of the audit process by providing more relevant samples. On the other hand, more than 63% of auditors were interested in replacing samples selected through data mining techniques with samples selected through traditional methods.

کلیدواژه‌ها English

Auditing Sample Selection
Data mining
Random Decision tree
Clustering
Bootstrapping sampling
علوی، سیدکمال و نعمتی، علی و دارابی، رویا (1404). الگوی بهینه و کاربردی فناوری اطلاعات در حسابرسی با توجه به آزمون‌های محتوا، کنترل و ریسک‌های حسابرسی، پژوهش‌های حرفه ای حسابرسی، 5(20)، 30-57.
معطوفی، علیرضا و شیخ عبدالکریم ، فریال وگرکز،منصور و خوزین، علی. (1403). شناسایی عوامل مؤثر بر انگیزه رفتارهای زورگویانه حسابرسان نسبت به یکدیگر، پژوهش‌های حرفه ای حسابرسی، 5(17)، 8-35.
Alavi, S. K., Nemati, A., & Darabi, R., (2025). An Optimal and Practical Model of Information Technology in Auditing Considering Substantive and Control Testing, and Audit Risk, Journal of Professional Auditing Research, Vol. 5, No. 20, 30-57. (in persian). https://doi.org/10.22034/jpar.2024.2031862.1327
Amani, F. A., & Fadlalla, A., (2017). Data mining applications in accounting: A review of the literature and organizing framework, International Journal of Accounting Information Systems., vol. 24, no.2, 32–58.
https://www.researchgate.net/publication/312961430_Data_mining_applications_in_accounting_A_review_of_the_literature_and_organizing_framework
Arens, A. A., Elder, R. J., & Beasley, M. S., (2014). Auditing and Assurance Services: An Integrated Approach., 2nd ed, Pearson.
Awad, S. S., & Wathik, I. M. (2022). Using Data Mining Tools to Predict Going Concern on Auditor Opinion. Academy of Accounting and Financial Studies Journal, 26 (S23), 1-13.
https://www.researchgate.net/publication/358802230_Using-Data-mining-tools-to-Prediction-of-going-Concern-on-Auditor-Opinion-Empirical-study-In-Iraqi-Commercial-1528-2635-26-3-1010
Arisudhana, A., & Rohmah, K. L. (2023). Data Mining in Auditing: Challenges and Opportunities. International Conference on Information Science and Technology Innovation (ICoSTEC) 2(1): 178-180
https://www.researchgate.net/publication/372893263_Data_Mining_in_Auditing_Challenges_and_Opportunities
Brown, C., & Vasarhelyi, M. A., (2019). Continuous auditing: A new view. J. Emerging Technol. Account., vol. 16, no. 2, 1–10. https://doi.org/10.1108/978-1-78743-413-420181002
Cascarino, R. E., (2012). Auditor's Guide to IT Auditing. 1st ed, John Wiley & Sons.
Deloitte (2024). How WestRock Harnessed GenAI to Enhance Internal Audit. https://deloitte.wsj.com/riskandcompliance/how-westrock-harnessed-genai-to-enhance-internal-audit-f0926363
Elder, R. J., & Allen, R. D., (2000). An Empirical Investigation of the Relation Between Risk Assessments and Sample Size Decisions, SSRN Electronic Journal., https://papers.ssrn.com/sol3/papers.cfm?abstract_id=211848
Elder, R. J., Akresh, A. D., Glover, S. M., Higgs, L. J., & Liljegren, J., (2013) Audit Sampling Research: A Synthesis and Implications for Future Research, A Journal of Practice & Theory, vol. 32, no. 1, 99–129.
 https://doi.org/10.2308/ajpt-50394
Gupta, R., (2019). Data Mining for Fraud Detection: An Overview of Techniques and Applications, Turkish Journal of Computer and Mathematics Education, vol. 10, no. 1, 561–567.
  https://doi.org/10.17762/turcomat.v10i1.13549
Han, J., Kamber, M., & Pei, J., (2012). Data Mining: Concepts and Techniques, Morgan Kaufmann, 3rd edition.
Jain, A. K. (2010). Data clustering: 50 years beyond K-means. Pattern Recognition Letters. Vol. 31, No, 8, 651-666.
https://doi.org/10.1016/j.patrec.2009.09.011
Knechel, W. R., Salterio, S. E. & Ballou, B., (2007). Auditing: Assurance and Risk. Thomson South-Western. https://doi.org/10.4324/9781315531731
Pycka, M., & Zastempowski, M. (2025). Machine Learning and Artificial Intelligence Techniques Adopted for IT Audit, Journal of Management, vol 29, No. 1, 65-87. https://doi.org/10.58691/man/200768
Santoso, F., Wulandari, I., & Partiwi, D., (2023). Evaluation of Sampling Techniques in Audit: A Qualitative Approach. Golden Ratio of Auditing Research, 3(1), 11–20.  https://doi.org/10.52970/grar.v3i1.373
Sheikhabdolkarim, F., Matoufi, A., Garkaz, M., & Khoazain, A,  (2024). Identifying Factors Influencing Motivation of The Auditors' Bullying Behaviors --Towards Each Other, Journal of Professional Auditing Research, Vol. 5, No. 17, 8-35. (in persian)
https://doi.org/10.22034/JPAR.2024.2016879.1253
Sheu, G.-Y., & Liu, N.-R. (2024). Sampling Audit Evidence Using a Naive Bayes Classifier. https://arxiv.org/abs/2403.14069.
Witten, I. H., Frank, E. & Hall, M. A., (2011). Data Mining: Practical Machine Learning Tools and Techniques. Morgan Kaufmann.