بررسی‏‌های حسابداری و حسابرسی

بررسی‏‌های حسابداری و حسابرسی

شناسایی و اولویت‌‌‌بندی مؤلفه‌‌های کلیدی کاربرد هوش مصنوعی در بهبود فرایندهای حسابرسی مستقل و کاهش ریسک‌‌های مالی: رویکرد دلفی فازی و تحلیل مضمون

نوع مقاله : مقاله علمی پژوهشی

نویسندگان
حسن حامد محمد 1
مهدی حیدری 1
علی آشتاب 2
1 دانشجوی دکتری، گروه حسابداری و مدیریت مالی، دانشکدۀ اقتصاد و مدیریت، دانشگاه ارومیه، ارومیه، ایران.
2 دانشیار، گروه حسابداری و مدیریت مالی، دانشکدۀ اقتصاد و مدیریت، دانشگاه ارومیه، ارومیه، ایران.
10.22059/acctgrev.2026.410148.1009236
چکیده
هدف: این پژوهش با هدف طراحی و اعتبارسنجی الگوی کاربرد هوش مصنوعی در کاهش ریسک‌های مالی حسابرسی مستقل انجام شده است.
روش: پژوهش حاضر از نوع توسعه‌ای ـ کاربردی با رویکرد آمیخته (کیفی ـ کمی) است. در مرحلۀ کیفی، پس از مرور نظام‌مند 127 منبع و غربالگری به 20 منبع کلیدی، با استفاده از تحلیل مضمون استقرایی و مصاحبه با 12 خبره، 62 کد باز استخراج و در قالب 10 مقوله دسته‏بندی شد. خبرگان این پژوهش، استادان دانشگاهی با حداقل 10 سال سابقۀ تدریس و سوابق پژوهشی در هوش مصنوعی، مدیران ارشد و شرکای مؤسسه‌های حسابرسی با حداقل 15 سال سابقه حرفه‌ای و متخصصان هوش مصنوعی / فناوری اطلاعات درگیر در پروژه‌های مالی بودند که به‌روش نمونه‌گیری هدفمند و گلولۀ برفی انتخاب شدند. مقوله‌های شناسایی شده عبارت‌اند از: پیش‌بینی روندهای مالی، اتوماسیون وظایف، تجزیه‏وتحلیل داده‌های مالی، تشخیص تقلب، بهبود کنترل داخلی، افزایش دقت و کارایی، صرفه‌جویی در زمان، بهبود کیفیت حسابرسی، حسابرسی به‌موقع و کاهش نیروی کار. پایایی کدگذاری با ضریب کاپای 758/0 تأیید شد. در مرحلۀ کمّی، الگوی طراحی‌شده با بهره‌مندی از 15 خبرۀ مستقل با روش دلفی فازی (مقیاس 9 درجه‌ای با معیار پذیرش کوچک‌تر از 7/0) اعتبارسنجی شد. خبرگان بخش کمّی افرادی با حداقل 20 سال سابقه در حسابرسی یا 10 سال در هوش مصنوعی کاربردی، تحصیلات دکتری مرتبط یا مدیریت ارشد مؤسسه‌های بزرگ بودند. سپس با استفاده از DEMATEL و ISM، روابط علت‌ومعلولی و ساختار سلسله‌مراتبی مؤلفه‌ها تحلیل شد.
یافته‌ها: تحلیل مقایسه‌ای گروه‌های شاخص‌ها نشان داد که حسابرسی به‌موقع با میانگین 71/7 در ردۀ نخست، افزایش دقت و کارایی با میانگین 63/7 در ردۀ دوم و بهبود کیفیت حسابرسی با میانگین 55/7 در ردۀ سوم قرار گرفتند. نتایج دیماتل نشان داد که تشخیص تقلب و حذف خطاها، مؤثرترین مؤلفه است و در ارتقای کیفیت حسابرسی نقش محوری دارد. اتوماسیون وظایف تأثیر معناداری بر صرفه‌جویی در زمان (ضریب 7/0) و پیش‌بینی روندهای مالی (ضریب 6/0) دارد. کاهش نیروی کار، کم‌اثرترین مؤلفه بود که نقش مکمل هوش مصنوعی در قضاوت انسانی را نشان داد.
نتیجه‌گیری: الگوی طراحی‌شده نشان می‌دهد که هوش مصنوعی در حسابرسی مستقل، بیش از هر چیز، سرعت و به‌موقع بودن، دقت و کارایی و کیفیت کلی حسابرسی را بهبود می‌بخشد. محور اثرگذاری آن، تشخیص تقلب و خطا و اتوماسیون فرایندها است؛ در حالی که کاهش نیروی انسانی، پیامد فرعی و کم‌اهمیت‌تری محسوب می‌شود. تلفیق روش تحلیل مضمون با دلفی فازی، برای استخراج و اعتبارسنجی الگویی بومی در زمینۀ کاربرد هوش مصنوعی در حسابرسی مستقل ایران، اصالت پژوهش است. این رویکرد آمیخته با تمرکز بر خبرگان آشنا به فناوری، مدلی جامع و عملیاتی ارائه می‌دهد که می‌تواند مبنایی برای سیاست‌گذاری حرفه‌ای، آموزش حسابرسان و پژوهش‌های آتی در حوزۀ تحول دیجیتال حسابرسی باشد. این مطالعه به دانش موجود در زمینۀ تأثیر هوش مصنوعی بر مدیریت ریسک حسابرسی می‌افزاید و چارچوبی کاربردی برای کاهش ریسک‌های مالی فراهم می‌آورد..
کلیدواژه‌ها
بهبود فرایندهای حسابرسی
تحلیل مضمون
حسابرسی مستقل
ریسک‌های مالی
هوش مصنوعی
موضوعات

عنوان مقاله English

Identifying and Prioritizing the Key Components of Artificial Intelligence Applications for Enhancing Independent Auditing Processes and Mitigating Financial Risks: A Fuzzy Delphi and Thematic Analysis Approach

نویسندگان English

Hasan Hamed Mohammad 1
Mehdi Heidari 1
Ali Ashtab 2
1 PhD. Candidate, Department of Accounting and Financial Management, Faculty of Economics and Management, Urmia University, Urmia, Iran.
2 Associate Prof., Department of Accounting and Financial Management, Faculty of Economics and Management, Urmia University, Urmia, Iran.
چکیده English

Objective
The primary objective of this research is to design and validate a structural model for the application of Artificial Intelligence (AI) aimed at mitigating financial risks within the context of independent auditing.
Methods
This study adopts an applied-developmental design, employing a mixed-methods (qualitative-quantitative) approach. In the qualitative phase, following a systematic literature review and the filtration of initial sources down to core references, an inductive thematic analysis was conducted alongside semi-structured interviews with subject-matter experts. The expert panel—comprising university professors specializing in AI, senior managers and partners of audit firms, and IT/AI specialists was selected utilizing purposive and snowball sampling techniques. This phase yielded open codes, which were subsequently classified into overarching categories: predicting financial trends, task automation, financial data analysis, fraud detection, enhancing internal controls, increasing accuracy and efficiency, time optimization, improving audit quality, timely auditing, and workforce reduction. The inter-rater reliability of the coding process was corroborated, yielding a Kappa coefficient of . In the quantitative phase, the proposed model was validated by an independent panel of experts via the Fuzzy Delphi method (utilizing a -point scale, with an acceptance threshold of ). Furthermore, the causal relationships and the hierarchical structure of the identified components were analyzed applying Decision-Making Trial and Evaluation Laboratory (DEMATEL) and Interpretive Structural Modeling (ISM) techniques.
Results
The comparative ranking of the indicators demonstrated that timely auditing acquired the highest priority (mean = ), followed by increasing accuracy and efficiency (mean = ), and improving audit quality (mean = ). The DEMATEL analysis revealed that fraud detection and error elimination constitute the most influential components, functioning as central catalysts for the enhancement of audit quality. Additionally, task automation exhibited a substantial causal impact on time optimization (coefficient = ) and the prediction of financial trends (coefficient = ). Conversely, workforce reduction emerged as the least impactful factor, underscoring the complementary nature of AI relative to human cognitive functions.
Conclusion
The findings conclude that the integration of AI into independent auditing predominantly expedites the audit process while significantly augmenting its accuracy, efficiency, and overarching quality. The fundamental efficacy of AI is rooted in its capacity for fraud and anomaly detection coupled with process automation; thereby rendering workforce reduction a marginal and secondary consequence. The originality of this research stems from the synergistic application of thematic analysis and the Fuzzy Delphi method to develop a localized AI adoption model tailored to the Iranian independent auditing environment. By leveraging a rigorous mixed-methods design and drawing upon expert consensus, this study introduces a pragmatic framework conducive to professional policymaking, auditor upskilling, and future academic inquiries into the digital transformation of the auditing profession. Ultimately, it contributes to the extant literature by delineating a robust mechanism for mitigating financial risks through AI utilization.

کلیدواژه‌ها English

Audit process improvement
Content analysis
Independent auditing
Financial risks
Artificial intelligence
ایران‌مهد، محسن؛ بهارمقدم، مهدی و اوسعیدی، مینا (1403). شناسایی عوامل مؤثر بر نگرش پذیرش ابزارها و تکنیک‌‌های حسابرسی مبتنی بر رایانه به‌‌کمک تحلیل مضمون. فصلنامه علمی اقتصاد و بانکداری اسلامی، 48، 265-286.
جامعی، رضا؛ هلشی، مهران و حاجی عیدی، عبدالله (1391). بررسی تأثیر عملکرد مدیران بر اظهارنظر حسابرس مستقل در شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران. بررسی‌‏‌های حسابداری و حسابرسی، 19(4)، 1-14.
خسروانی، آرزو؛ قهرمانی، محمد و باباخانیان، زهرا (1403). پیش‌بینی و تحلیل فرارسیدن ریسک‌‌های مالی با استفاده از شبکه‌‌های عصبی هوش مصنوعی. رویکردهای پژوهشی نوین مدیریت و حسابداری، 8(29)، 233-248.‎
دربندی، یاشار؛ اولاد غفاری، حمید و خلفی، سپیده (1403). بررسی نقش هوش مصنوعی بر توانایی و استقلال حسابرس. رویکردهای پژوهشی نوین مدیریت و حسابداری، 8(29)، 105-121.‎
صفرزاده بندری، محمدحسین؛ عرب مازار یزدی، محمد و هوشمند کاشانی، عباس (1399). تأثیر اندازه مؤسسه حسابرسی و رده سازمانی حسابرسان بر استدلال‌های اخلاقی حسابرسان مستقل در مراحل مختلف نظریه رشد اخلاقی کالبرگ. بررسی‌‏‌های حسابداری و حسابرسی، 27(4)، 624-648.
گلیجانی، مهرداد؛ علیخانی، رضیه؛ مران‌جوری، مهدی و فلاح، رضا (1400). طراحی مدل فراترکیب عوامل مؤثر بر توسعه حسابداری در ایران. پژوهش‌های حسابداری مالی و حسابرسی، 13(50)، 207- 227.
محمدی، ‌پویان؛ جاویدمهر، حسین؛ طهماسبی، ‌الیاس (1403). کاربرد هوش مصنوعی در حسابرسی؛ مزایا و چالش‌ها. مدیریت و حسابداری در هزاره سوم، 28(8)، 149-160.‎
محمدی‌نوره، ‌شاکر؛ رحیمیان، ‌نظام‌الدین؛ احمدی ‌دهرشید، ‌جمیل (1400). بررسی تأثیر دیجیتالی شدن بر حسابرسان مستقل و مؤسسات حسابرسی در ایران. پژوهش‌‌های حسابرسی حرفه‌ای، 3(1)، 151-176.
ملکیان، اسفندیار؛ اقبال صفت رونقی، اسماعیل؛ قمری مقدم، امین و ملکیان، مصطفی (1403). ارائه روشی برای کشف تقلب در صورت‌‌‏های مالی شرکت‌‌های فعال در بورس اوراق بهادار تهران به کمک الگوریتم‌های یادگیری ماشین و درخت تصمیم بهینه شده. حسابداری، حسابرسی و تأمین مالی در محیط‌های اسلامی، 2(5)، 60- 95.
میرزاپور، ‌مانا (1402). مروری بر اثرات هوش مصنوعی بر اهداف حسابرسی صورت‌‏های مالی. همایش پژوهش‌های مدیریت و علوم انسانی در ایران.
نریمانی، ‌نگار؛ همت‌فر، محمود (1403). تجزیه‌‏وتحلیل ادراک حسابرسان از هوش مصنوعی و سهم آن در کیفیت حسابرسی. نخبگان علوم و مهندسی، 47(9)، 17-29.‎
 
References
Allami, F. A. J. (2020). The Impact of Artificial Intelligence Applications on the Performance of the External Audit Profession. profession, 13(5).
Allami, F. A. J. (2022). The use of external auditor to data mining as an artificial intelligence technology to examine the internal control systems in an electronic business environment. Czech Journal of Multidisciplinary Innovations, 9, 1-13.
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, 36(4), 1-27.
Arnaboldi, M., Busco, C. & Cuganesan, S. (2019). Accounting, accountability, social media and big data: Revolution or hype? Accounting, Auditing & Accountability Journal, 32(3), 762-776.
Baldwin, A. A., Brown, C. E. & Trinkle, B. S. (2022). Opportunities for artificial intelligence development in the accounting domain: The case for auditing. Intelligent Systems in Accounting, Finance and Management, 27(2), 100-120.
Braun, V. & Clarke, V. (2015). Using thematic analysis in osychology. Qualitative Research in Psychology, 3(2), 77-101.
 Braun, V. & Clarke, V. (2006) Using thematic analy sis in psychology. Qualitative Research in Psychology, 3 (2), 77-101.
Cahyadi, N. & van der Wal, R. (2020). A case study on the Big 4 Firms: Impact of Artificial Intelligence on the work of external auditors. Business Economics. Retrieved from http: //hdl.handle.net/2105/53696.
Darbandi, Y. & Olad Ghaffari, H. & Kholfi, S. (2024). Investigating the role of artificial intelligence on the auditor’s ability and independence. New Research Approaches in Management and Accounting, 8(29), 105-11. (in Persian)
Fleiss, J. L., Levin, B. & Cho, M. K. (2003). Statistical methods for rates and proportions. (3rd ed.). John Wiley & Sons.
Gepp, A., Linnenluecke, M. K., O'Neill, T. J. & Smith, T. (2018). Big data techniques in auditing research and practice: Current trends and future opportunities. Journal of Accounting Literature, 40, 102-115.
Goleyjani, M., Alikhani, R., Mraanjory, M., Fallah, R (2021). Designing a Hybrid Model of Factors Affecting Accounting Development in Iran. Financial accounting and auditing research, 13(50), 207-227. (in Persian)
Handoko, B. L. & Liusman, S. (2021, July). Analysis of external auditor intentions in adopting artificial intelligence as fraud detection with the unified theory of acceptance and use of technology (UTAUT) approach. In Proceedings of the 2021 12th International Conference on E-business, Management and Economics (pp. 96-103).
Hasan, A. R. (2022). Artificial intelligence (AI) in accounting & auditing: A literature review. Open Journal of Business and Management, 10(1), 440–465.
Hashimoto, K. (2020). Unpacking the black box of artificial intelligence for audit. Journal of Emerging Technologies in Accounting, 17(1), 73-86.
Hooda, N., Bawa, S. & Rana, P. S. (2020). Optimizing fraudulent firm prediction using ensemble machine learning: A case study of an external audit. Applied Artificial Intelligence, 34(1), 20-30.
Hossain, M. S., Rahman, M., Rahman, A. & Kabir, M. M. (2025). Automatic navigation and self-driving technology in agricultural machinery: A state-of-the-art systematic review. IEEE Access, (99), 1–1.
Huang, F. & Vasarhelyi, M. A. (2019). Applying robotic process automation (RPA) in auditing: A framework. International Journal of Accounting Information Systems, 35, 100433.
Iran Mahd, M., Bahar Moghadam, M., Abu Saeidi, M (2024). Identifying factors affecting the attitude towards the acceptance of computer-based auditing tools and techniques using the content analysis technique. Quarterly Journal of Islamic Economics and Banking, 48, 265-286. (in Persian)
Issa, H., Sun, T. & Vasarhelyi, M. A. (2016). Research ideas for artificial intelligence in auditing: The formalization of audit and workforce supplementation. Journal of Emerging Technologies in Accounting, 13(2), 1-20.
Jamei, R., Halashi, M. & Hajiaidy, A. (2013). Effectiveness of Manager’s Performance on Independent Auditor’s Opinion in Listed Companies of Tehran Stock Exchange. Accounting and Auditing Review, 19(4), 1-14. doi: 10.22059/acctgrev.2020.73218
(in Persian)
Khosrovani, A. & GHahremani, M. & Babakhan, Z. (2024). Predicting and analyzing the arrival of financial risks using artificial intelligence neural networks. New Research Approaches in Management and Accounting, 8(29), 248-233. (in Persian)
Kokina, J. & Davenport, T. H. (2017). The emergence of artificial intelligence: How automation is changing auditing. Journal of Emerging Technologies in Accounting, 14(1), 115-122.
Kruskopf, S., Lobbas, C., Meinander, H., Söderling, K., Martikainen, M. & Lehner, O. (2019). Digital accounting and the human factor: Theory and practice. ACRN Journal of Finance and Risk Perspectives, 8(1), 78-89.
Kuncoro, E. A., Lindrianasari, L. & Fatmasari, A. (2023). Artificial Intelligence and the Role of External Auditor in Indonesia. In E3S Web of Conferences (Vol. 426, p. 02122). EDP Sciences.
Landis, J. R. & Koch, G. G. (1977). The measurement of observer agreement for categorical data. Biometrics, 33(1), 159–174.
Lois, P., Drogalas, G., Karagiorgos, A. & Tsikalakis, K. (2020). Internal audits in the digital era: opportunities risks and challenges. EuroMed Journal of Business, 15(2), 205-217.
Malekian, E., Eghbal Sefat Ronaghi, E., Ghamari Moghaddam, A. & Malekian, M. (2024). Providing a method to detect fraud in the financial statements of companies active in the Tehran Stock Exchange using machine learning algorithms and optimized decision trees. Iranian Journal of Accounting, Auditing and Finance in the Islamic Environment, 2(5), 60- 95. doi: 10.22034/aafie.2024.413225.1033 (in Persian)
Manita, R., Elommal, N., Baudier, P. & Hikkerova, L. (2020). The digital transformation of external audit and its impact on corporate governance. Technological Forecasting and Social Change, 150, 119751.
Mirzapour, M. (2022). A review of the effect of artificial intelligence on the objectives of auditing financial statements. Conference on management and humanities researches in Iran. (in Persian)
Mitan, J. (2024). Enhancing audit quality through artificial intelligence: an external auditing perspective. Accounting Undergraduate Honors Theses Retrieved from https: //scholarworks.uark.edu/acctuht/58.
Mohammadi, P., Javidmehr, H., Tahmasebi, E. (2024). Application of artificial intelligence in auditing; Advantages and Challenges. Management and accounting in the third millennium, 28(8), 149-160. (in Persian)
Mohammady Navareh, S., Rahimian, N. & Ahmadi Dehrashid, J. (2021). Investigating the Impact of Digitalization on Independent Auditors and Auditing firms in Iran. Professional Auditing Research, 1(3), 150-176. doi: 10.22034/arj.2021.247704.
(in Persian)
Mpofu, F. (2023). The application of Artificial Intelligence in external auditing and its implications on audit quality? A review of the ongoing debates. International Journal of Research in Business and Social Science (2147-4478), 12(9), 496-512.
Munoko, I., Brown-Liburd, H. L. & Vasarhelyi, M. (2020). The ethical implications of using artificial intelligence in auditing. Journal of Business Ethics, 167(2), 209-234.
Narimani, N., Hemmat Far, M. (2024). Analysis of auditor’s perception of artificial intelligence and its contribution to audit quality. Journal of Science and Engineering Elites, 9(2), 17-29. (in Persian)
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, 15(8), 339.
Omoteso, K. (2016). Audit effectiveness: Meeting the IT challenge. Routledge.
Pleşa, T. L., Popescu, C. & Pleşa, I. T. (2023). From Digitization to Artificial Intelligence in External Public Audit. Valahian Journal of Economic Studies, 14(1), 47-59.
Rose, A. M., Rose, J. M., Sanderson, K. A. & Thibodeau, J. C. (2019). When should audit firms introduce analyses of big data into the audit process? Journal of Information Systems, 33(2), 67-82.
Safarzadeh Bondari, M. H., Arab Mazar Yzadi, M. & Hooshmand Kashani, A. (2021). A Survey on the Effect of Auditing Firm’s Size and the Organizational Level of Auditors on the Ethical Reasoning at Different Stages of Kohlberg's Theory of Cognitive Moral Development. Accounting and Auditing Review, 27(4), 624-648. doi: 10.22059/acctgrev.2021.80476 (in Persian)
Sutton, S. G., Holt, M. & Arnold, V. (2016). "The reports of my death are greatly exaggerated"—Artificial intelligence research in accounting. International Journal of Accounting Information Systems, 22, 60-73.
Wang, J. C., Huang, K. T. & Ko, M. Y. (2019). Using the Fuzzy Delphi Method to study the construction needs of an elementary campus and achieve sustainability. Sustainability, 11(23), 6852.
West, J. & Bhattacharya, M. (2016). Intelligent financial fraud detection: A comprehensive review. Computers & Security, 57, 47-66.
Zhang, C., Dai, J. & Vasarhelyi, M. A. (2020). The impact of disruptive technologies on accounting and auditing education: How should the profession adapt? CPA Journal, 90(3), 16-21.
بررسی‏‌های حسابداری و حسابرسی
دوره 33، شماره 3
1405
صفحه 481-521