پایان‌نامه‌ی کارشناسی ارشد: محمدرضا خسروجردی، ۱۴۰۵
تشخیص تغییر حسابرس و تاثیر آن بر کیفیت گزارش های مالی با استفاده از الگوریتم های یادگیری ماشین
این پژوهش با هدف اصلی، بررسی توانایی الگوریتم‌های یادگیری ماشین در تشخیص و پیش‌بینی تغییر حسابرس و سنجش تأثیر این تغییر بر کیفیت گزارش‌های مالی شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران است. پژوهش حاضر از نظر هدف کاربردی و از نظر ماهیت توصیفی-تحلیلی از نوع همبستگی است. جامعه آماری شامل کلیه شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران طی دوره ?? ساله ???? تا ???? می‌باشد. نتایج نشان داد مهم‌ترین عوامل مؤثر بر تغییر حسابرس به ترتیب شامل تغییر مدیرعامل (میانگین SHAP=0.214)، نوع اظهارنظر حسابرس (0.187) و اندازه مؤسسه حسابرسی (0.156) بودند. نتایج مدل رگرسیون پانل دیتا نشان داد که تغییر حسابرس منجر به افزایش مدیریت سود (ضریب ?.???، p<0.01)، کاهش کیفیت سود (ضریب ?.???-، p<0.01) و کاهش محافظه‌کاری (ضریب ?.???-، p<0.01) می‌شود. همچنین کیفیت حاکمیت شرکتی رابطه منفی بین تغییر حسابرس و کیفیت گزارشگری را تعدیل کرده و از شدت آن می‌کاهد (ضریب تعاملی در مدیریت سود: ?.???-، p<0.05).
نتیجه‌گیری: الگوریتم‌های یادگیری ماشین، به ویژه XGBoost، ابزارهایی قدرتمند برای پیش‌بینی تغییر حسابرس هستند و دقت بالاتری نسبت به روش سنتی رگرسیون لجستیک دارند. تغییر حسابرس (اختیاری) با کاهش کیفیت گزارشگری مالی همراه است؛ با این حال، حاکمیت شرکتی قوی می‌تواند اثرات منفی آن را تعدیل کند. این یافته‌ها برای سرمایه‌گذاران، مؤسسات حسابرسی و نهادهای ناظر (مانند سازمان بورس) کاربرد دارد. پیشنهاد می‌شود نهادهای نظارتی سامانه‌های هوشمند مبتنی بر یادگیری ماشین برای رصد تغییرات حسابرس طراحی کرده و الزامات حاکمیت شرکتی را برای شرکت‌های تغییردهنده حسابرس تشدید نمایند.
کلیدواژه‌ها:
کلیدواژه‌ها: تغییر حسابرس، کیفیت گزارش‌های مالی، یادگیری ماشین، XGBoost، حاکمیت شرکتی، مدیریت سود، بورس اوراق بهادار تهران.
M.A. Thesis:
Title : Detecting auditor change and its impact on the quality of financial reports using machine learning algorithms.
The main objective of this research is to determine the ability of machine learning algorithms to detect and predict auditor change and to measure the impact of this change based on the financial reports of companies listed on the Tehran Stock Exchange. The present study is applied in terms of its purpose and descriptive-analytical in nature of correlation type. The statistical population includes companies listed on the Tehran Stock Exchange during the period of ?? years???? to ????. The results showed that the most important factors for auditor change were, respectively, CEO change (mean SHAP=0.214), auditor opinion type (0.187), and audit firm size (0.156)
The results of the panel data regression model showed that auditor change leads to an increase in earnings management (coefficient ?.???, p<0.01), a decrease in earnings quality (coefficient ?.???-, p<0.01) and a decrease in conservatism (coefficient ?.???-, p<0.01). Also, corporate governance quality moderates the negative relationship between auditor change and reporting quality and reduces its
intensity (interaction coefficient in earnings management:
Conclusion: Machine learning algorithms, especially XGBoost, are powerful tools for predicting auditor change and have higher accuracy than the traditional logistic regression method. (Optional) auditor change is associated with a decrease in the quality of financial reporting; however, strong corporate governance can moderate its negative effects. These findings have implications for investors, audit firms, and regulatory bodies (such as stock exchanges). It is suggested that regulatory bodies design intelligent machine learning-based systems to monitor auditor changes and tighten corporate governance requirements for companies that change auditors.
Keywords:
Keywords: auditor change, financial reporting quality, machine learning, XGBoost, corporate governance, earnings management, Tehran Stock Exchange.