پژوهش‌های حسابرسی حرفه‌ای

پژوهش‌های حسابرسی حرفه‌ای

حسابرسی آینده‌نگر: بررسی مدل حسابرسی پیش‌بینی‌کننده بر اساس تحلیل دیدگاه خبرگان

نوع مقاله : مقاله پژوهشی

نویسندگان
شادی برجی 1
علی رحمانی 2
آزاده مداحی 3
1 دانشجوی کارشناسی ارشد، دانشکده علوم اقتصادی و حسابداری، دانشگاه الزهرا، تهران، ایران.
2 استاد، گروه حسابداری، دانشکده علوم اقتصادی و حسابداری، دانشگاه الزهرا، تهران، ایران
3 استادیار، گروه حسابداری، دانشکده علوم اقتصادی و حسابداری، دانشگاه الزهرا، تهران، ایران
10.22034/jpar.2026.2089871.1533
چکیده
این مقاله درصدد تبیین حسابرسی پیش بینی کننده یا آینده نگر است. حسابرسی پیش‌بینی کننده رویکردی نوین در حوزه حسابرسی است که با بهره‌گیری از تکنیک‌های داده‌کاوی، یادگیری ماشین و تحلیل‌های آماری، تلاش می‌کند تا الگوها، روندها و ناهنجاری‌های موجود در داده‌های مالی و عملیاتی سازمان را شناسایی کرده و ریسک‌های احتمالی را پیش از وقوع پیش‌بینی کند. این رویکرد در مقابل حسابرسی سنتی که بیشتر بر بررسی رویدادهای گذشته تمرکز دارد، دیدگاهی آینده‌نگر ارائه می‌دهد و به حسابرسان کمک می‌کند تا تصمیمات آگاهانه‌تری اتخاذ کنند و اقدامات پیشگیرانه مناسب را به موقع انجام دهند. هدف اصلی حسابرسی پیش‌بینی کننده، افزایش کارایی و اثربخشی فرآیند حسابرسی از طریق تمرکز بر حوزه‌های پرریسک و شناسایی تقلب‌های احتمالی است. این نوع حسابرسی با استفاده از الگوریتم‌های پیشرفته، قادر است حجم عظیمی از داده‌ها را به سرعت پردازش کرده و روابط پیچیده بین متغیرهای مختلف را کشف کند. در نتیجه، حسابرسان می‌توانند به جای صرف زمان زیاد برای بررسی تراکنش‌های متعدد، بر تحلیل یافته‌های کلیدی و ارائه توصیه‌های ارزشمند تمرکز کنند. با ارائه گزارش‌های تحلیلی دقیق و به‌موقع، حسابرسی پیش‌بینی کننده به مدیران امکان می‌دهد تا عملکرد سازمان را به طور مستمر پایش کرده و در صورت نیاز، اقدامات اصلاحی لازم را انجام دهند. روش پژوهش کیفی است.در این راستا با 13 نفر از خبرگان که جامعه پژوهش را اعضای هیئت علمی رشته حسابداری، شرکای مؤسسات حسابرسی، حسابداران رسمی، مدیران ارشد حسابرسی و متخصصان و پژوهشگران دارای تجربه حرفه‌ای در حوزه حسابرسی صورت‌های مالی تشکیل دادند، مصاحبه صورت گرفت. روش انتخاب مشارکت کنندگان (خبرگان) گلوله برفی بود و مصاحبه تا جایی ادامه یافت که اشباع نظری حاصل شد. یافته‌ها نشان داد که تحقق حسابرسی پیش‌بینی‌کننده مستلزم فراهم‌سازی زیرساخت‌های فناورانه، ارتقای مهارت داده‌کاوی و تحلیل آماری در بین حسابرسان، تدوین استانداردها و دستورالعمل‌های مشخص، و تغییر نگرش از حسابرسی پس‌نگر به آینده‌نگر است. خبرگان تأکید کردند که استفاده از هوش مصنوعی، یادگیری ماشین و تحلیل داده‌های بزرگ می‌تواند نقش حسابرسی را از کشف خطا و تقلب به پیشگیری از آن‌ها ارتقا دهد. این پژوهش از معدود مطالعات داخلی است که با بهره‌گیری از دیدگاه خبرگان حرفه حسابرسی در ایران، ابعاد و الزامات تحقق حسابرسی پیش‌بینی‌کننده را شناسایی کرده است. نتایج آن با ارائه بینش‌های عملی درباره نقش فناوری، داده‌کاوی و آموزش تخصصی، مسیر حرکت حسابرسان از رویکرد سنتی به رویکرد آینده‌نگر را روشن می‌سازد و می‌تواند مبنای تدوین سیاست‌ها و استانداردهای نوین در حوزه حسابرسی مبتنی بر داده باشد.
کلیدواژه‌ها
حسابرسی پیش‌بینی‌کننده
حسابرسی آینده‌نگر
هوش مصنوعی
داده‌کاوی
ریسک حسابرسی
موضوعات

عنوان مقاله English

Forward-Looking Auditing: Examining the Predictive Auditing Model Based on Expert Perspectives

نویسندگان English

Shdi Borji 1
Ali rahmani 2
azadeh maddahi 3
1 Msc.Student. Department of Accounting, Faculty of Social Sciences & Economics, Alzahra University, Tehran, Iran.
2 Professor, Department of Accounting, Faculty of Social Sciences & Economics, Alzahra University, Tehran, Iran
3 Assistant Professor, Department of Accounting, Faculty of Social Sciences & Economics, Alzahra University, Tehran, Iran
چکیده English

This study aims to conceptualize predictive or forward-looking auditing. Predictive auditing is an emerging approach in the field of auditing that employs data mining techniques, machine learning, and statistical analytics to identify patterns, trends, and anomalies in an organization’s financial and operational data and to predict potential risks before they materialize. In contrast to traditional auditing, which primarily focuses on examining past events, this approach adopts a forward-looking perspective, enabling auditors to make more informed decisions and undertake appropriate preventive actions in a timely manner. The primary objective of predictive auditing is to enhance the efficiency and effectiveness of the audit process by focusing on high-risk areas and identifying potential instances of fraud. By employing advanced algorithms, this approach can rapidly process vast volumes of data and uncover complex relationships among different variables. Consequently, rather than devoting substantial time to examining a large number of individual transactions, auditors can focus on analyzing key findings and providing valuable recommendations. By generating timely and accurate analytical reports, predictive auditing enables managers to continuously monitor organizational performance and undertake corrective actions when necessary.This study adopts a qualitative research approach. To this end, semi-structured interviews were conducted with 13 experts comprising accounting faculty members, partners of audit firms, Certified Public Accountants (CPAs), senior audit managers, and specialists and researchers with professional experience in financial statement auditing. The participants (experts) were selected using the snowball sampling method, and the interviews continued until theoretical saturation was reached. The findings indicate that the implementation of predictive auditing requires the establishment of technological infrastructure, enhancement of auditors’ data mining and statistical analysis skills, development of clear standards and guidelines, and a shift in perspective from retrospective auditing toward a forward-looking approach. The experts emphasized that the use of artificial intelligence, machine learning, and big data analytics can transform the role of auditing from detecting errors and fraud to preventing them. This study is among the few domestic studies to identify the dimensions and requirements for implementing predictive auditing based on the perspectives of auditing professionals and experts in Iran. The findings provide practical insights into the role of technology, data mining, and specialized training, thereby clarifying the pathway for auditors’ transition from a traditional approach to a forward-looking approach. The results can also serve as a basis for developing modern policies and standards in the field of data-driven auditing.

کلیدواژه‌ها English

Predictive Auditing
Forward-Looking Auditing
Artificial Intelligence
Data Mining
Audit Risk
اعتمادی، حسین، و عبدلی، لیلا. (1396). کیفیت حسابرسی و تقلب در صورت های مالی. دانش حسابداری مالی، 4(4 (پیاپی 15) )، 23-43. SID. https://sid.ir/paper/252291/fa
برزیده، فرخ و زهرا نیکخواه بهرامی (۱۳۸۶) ارزیابی حسابرسان از ریسک ذاتی و کنترل  مطالعات تجربی حسابداری مالی دوره ۵ شماره ۱۸ 20.1001.1.28210166.1386.5.18.4.2
بولو، قاسم و پیمان صادقی (۱۳۸۹) اثر ویژگیهای اخلاقی فردی حسابرسان بر استفاده از  راهنمای تصمیم در کشف تقلب مدیریت اخلاق در علوم و فناوری سال پنجم  شماره های ۳ و ۸۳  20.1001.1.22517634.1390.6.1.8.1
پورحیدری امید و سعید بذرافشان (۱۳۹۱) - الف) بررسی سودمندی استفاده از چک لیست  راهنمای کشف تقلب در ارزیابی خطر تقلب پژوهشهای تجربی حسابداری سال اول  شماره ۳  10.22051/jera.2013.540
مرفوع، محمــد، بایزیدی، پیمان، صالح پور، عبدالباســط ( 1401) تأثیر عوامل ســازمانی و محیطی در پذیرش ابزارها وتکنیکهای حسابرسی به کمک رایانه، فصلنامه پژوهشهای حسابرسی حرفه 130-148  10.22034/jpar.2022.553858.1089
حساس یگانه یحیی، مداحی آزاده. اثربخشی فرآیند حسابرسی در کشف اشتباهات و تحریف های با اهمیت در صورت های مالی. پژوهش های حسابداری مالی و حسابرسی (پژوهشنامه حسابداری مالی و حسابرسی). 1388؛1(4):49-76. https://sid.ir/paper/198134/fa
هاشمی، سید محمد حسن داداشی ایمان غلام نیا روشن حمیدرضا و یحیی زاده فرد محمود (۱۴۰۰) کاربرد  روش های یادگیری ماشین جهت پیش بینی ارزش شرکت های پذیرفته شده در بورس اوراق بهادار تهران، فصلنامه  پژوهش های تجربی حسابداری سال یازدهم شماره ۴۰  10.22051/jera.2019.25990.2414
سیدکمال علوی، علی نعمتی، رویا دارابی(1403)، الگوی بهینه و کاربردی فناوری اطلاعات در حسابرسی با توجه به آزمونهای محتوا، کنترل و ریسکهای حسابرسی، فصلنامه پژوهش های حسابرسی حرفه ای10.22034/jpar.2024.2031862.1327
زارع، حمید، حاجی‌ها، زهره، کیقبادی، امیررضا. (1402). بررسی تأثیر استفاده از هوش مصنوعی در حسابرسی بر فرایند کیفیت حسابرسی صورت‌های مالی.  10.22034/jpar.2024.2011220.1224
Etemadi, H., & Abdali, L., (2017). Audit Quality and Fraud in Financial Statements, Journal of Financial Accounting Knowledge, Vol. 4, No. 4 (15), 23–43. (in Persian). https://doi.org/10.22034/jpar.2022.553858.1089
Barzideh, F., & Nikkhah Bahrami, Z., (2007). Auditors’ Assessment of Inherent and Control Risk, Empirical Accounting Studies, Vol. 5, No. 18. (in Persian). https://doi.org/10.1001/1.28210166.1386.5.18.4.2
Bolou, G., & Sadeghi, P., (2010). The Effect of Auditors’ Individual Ethical Characteristics on the Use of Decision Aids in Detecting Management Fraud, Ethics in Science and Technology, Vol. 5, No. 3 (83). (in Persian). https://doi.org/10.1001/1.22517634.1390.6.1.8.1
Pourheidari, O., & Bazrafshan, S., (2012). Investigating the Usefulness of a Fraud Detection Guidance Checklist in Fraud Risk Assessment, Empirical Accounting Research, Vol. 1, No. 3. (in Persian). https://doi.org/10.22051/jera.2013.540
Marfou, M., Bayazidi, P., & Salehpour, A., (2022). The Effect of Organizational and Environmental Factors on the Adoption of Computer-Assisted Auditing Tools and Techniques, Journal of Professional Auditing Research, 130–148. 148  10.22034/jpar.2022.553858.1089
Hassasyeganeh, Y., & Medahi, A., (2009). The Effectiveness of the Audit Process in Detecting Errors and Material Misstatements in Financial Statements, Financial Accounting and Auditing Research, Vol. 1, No. 4, 49–76. (in Persian). https://sid.ir/paper/198134/fa
Hashemi, S. M. H., Dadashi, I., Gholamnia Roshan, H. R., & Yahyazadehfar, M., (2021). Application of Machine Learning Methods for Predicting the Value of Companies Listed on the Tehran Stock Exchange, Empirical Accounting Research Quarterly, Vol. 11, No. 40. (in Persian). https://doi.org/10.22051/jera.2019.25990.2414
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
Zare, H., Hajihā, Z., & Keyghobadi, A., (2023). Investigating the Effect of Using Artificial Intelligence in Auditing on the Quality of the Financial Statements Auditing Process, Journal of Professional Auditing Research. (in Persian). https://doi.org/10.22034/jpar.2024.2011220.1224
Ageeva, O., Karp, M., & Sidorov, A., (2020). The Application of Digital Technologies in Financial Reporting and Auditing. In Institute of Scientific Communications Conference, 1526–1534. Springer, Cham.
AICPA, (2017). Guide to Audit Data Analytics: An Overview. American Institute of Certified Public Accountants. https://www.aicpa.org/resources/article/guide-to-audit-data-analytics-an-overview
Al-Refiay, H. A. N., Abdulhussein, A. S., & Al-Shaikh, S. S. K., (2022). The Impact of Financial Accounting in Decision-Making Processes in Business. International Journal of Professional Business Review, vol. 7, no. 4, e0627.
Barac, K., Plant, K., Kunz, R., & Kirstein, M., (2021). Audit Practice: Straightforward Trade or a Complex System? International Journal of Auditing, vol. 25, no. 3, 797–812.
Bugaiov, O., Ozeran, A., & Kalabukhova, S., (2020). Balance Sheet (Statement of Financial Position) Transformation in the Light of New Digital Technology: Ukrainian Experience. In Integrated Science in Digital Age 2020, vol. 136, 25.
CCA Global, (2020). COVID-19 Global Survey: Inside Business Impacts and Responses. https://www.accaglobal.com/gb/en/cam/coronavirus/audit-covid19.html. Date of access: 27.04.2022.
Deloitte, (2022). The Deloitte Omnia Experience. https://www2.deloitte.com/us/en/pages/audit/solutions/audit-technology-solutions.html. Date of access: 21.04.2022.
DiGabriele, D., & Hitching, K., (2019). Accounting and Financial Analysis. Sirin, Business-Inform, Moscow.
Faccia, A., Al Naqbi, M. Y. K., & Lootah, S. A., (2019). Integrated Cloud Financial Accounting Cycle: How Artificial Intelligence, Blockchain, and XBRL Will Change the Accounting, Fiscal and Auditing Practices. In Proceedings of the 2019 Conference.
Fenyves, V., Böcskei, E., Bács, Z., Zéman, Z., & Tarnóczi, T., (2019). Analysis of the Notes to the Financial Statement Related to Balance Sheet in Case of Hungarian Information-Technology Service Companies. Scientific Annals of Economics and Business, vol. 66, no. 1, 27–39.
Fischer, M., (2021). Balance-Sheet Lending from Fintechs Providing Credit & Factoring. In Fintech Business Models, 126–139. De Gruyter.
Fraschini, M., Somoza, L., & Terracciano, T., (2021). Central Bank Digital Currency and Balance Sheet Policy. SSRN Electronic Journal. https://ssrn.com/abstract=3804966
Hamad, D. K., (2019). The Role of Judicial Accounting and Its Techniques in Limiting Money Laundering and Smuggling Operations: An Exploratory Study in a Sample of Erbil Banks. Tikrit Journal of Administrative and Economic Sciences, vol. 2, no. 42, 27.
Hasan, A. R., (2022). Artificial Intelligence (AI) in Accounting & Auditing: A Literature Review. Open Journal of Business and Management, vol. 10, no. 1, 440–465. https://doi.org/10.4236/ojbm.2022.101026
KPMG, (2010). What Is Driving Continuous Auditing/Continuous Monitoring Today? White Paper, KPMG LLP.
Lakhtionova, L., Muranova, N., Bugaiov, O., Ozeran, A., & Kalabukhova, S., (2020). Balance Sheet (Statement of Financial Position) Transformation in the Light of New Digital Technology: Ukrainian Experience. In International Conference on Integrated Science, 25–41. Springer, Cham.
Mohamada, S., Abdurrahmanb, A. P., & Keong, O. C., (2020). Blockchain Technology: Implications for Accountants. International Journal of Innovation, Creativity and Change, vol. 10, no. 11, 101–117.
Moll, J., & Yigitbasioglu, O., (2019). The Role of Internet-Related Technologies in Shaping the Work of Accountants: New Directions for Accounting Research. The British Accounting Review, vol. 51, no. 6, 100833.
Noordin, N. A., Hussainey, K., & Hayek, A. F., (2022). The Use of Artificial Intelligence and Audit Quality: An Analysis from the Perspectives of External Auditors in the UAE. Journal of Risk and Financial Management, vol. 15, no. 8, 339.
Shivakumar, S. K., & Sethii, S., (2019). Transforming Legacy Banking Applications to Banking Experience Platforms. In Building Digital Experience Platforms, 261–295. Springer.
Von Solms, J., (2021). Integrating Regulatory Technology (RegTech) into the Digital Transformation of a Bank Treasury. Journal of Banking Regulation, vol. 22, no. 2, 152–168.
Cao, M., Chychyla, R., & Stewart, T., (2015). Big Data Analytics in Financial Statement Audits. Accounting Horizons, vol. 29, no. 2, 423–429. https://doi.org/10.2308/acch-51068
Appelbaum, D., Kogan, A., & Vasarhelyi, M. A., (2017). Big Data and Analytics in the Modern Audit Engagement: Research Needs. Auditing: A Journal of Practice & Theory, vol. 36, no. 4, 1–27. https://doi.org/10.2308/ajpt-51684
Earley, C. E., (2015). Data Analytics in Auditing: Opportunities and Challenges. Business Horizons, vol. 58, no. 5, 493–500.
Brown-Liburd, H., Issa, H., & Lombardi, D., (2015). Behavioral Implications of Big Data’s Impact on Audit Judgment and Decision Making and Future Research Directions. Accounting Horizons, vol. 29, no. 2, 451–468. https://doi.org/10.2308/acch-51023
Kokina, J., & Davenport, T. H., (2017). The Emergence of Artificial Intelligence: How Automation Is Changing Auditing. Journal of Emerging Technologies in Accounting, vol. 14, no. 1, 115–122.