| تعداد نشریات | 24 |
| تعداد شمارهها | 886 |
| تعداد مقالات | 7,887 |
| تعداد مشاهده مقاله | 14,878,524 |
| تعداد دریافت فایل اصل مقاله | 12,650,827 |
تشخیص ناهنجاریها در ثبتهای حسابداری با استفاده از یادگیری عمیق در شبکههای خود رمزگذار | ||
| پیشرفتهای حسابداری | ||
| دوره 17، شماره 1، شهریور 1404، صفحه 79-114 اصل مقاله (860.52 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22099/jaa.2025.52908.2495 | ||
| نویسنده | ||
| مظفر جمالیان پور* | ||
| گروه حسابداری، دانشگاه علامه طباطبائی | ||
| چکیده | ||
| کشف ناهنجاری و تقلب همواره یکی از چالشهای مد نظر حسابرسان و ممیزین بوده است. در پژوهش حاضر سعی شده است پس از بیان مبانی نظری انواع ناهنجاری در سیستم دفترداری و ثبت اسناد مالی، با بهرهگیری از الگوریتم شبکههای عصبی رمزگذار خودکار که یکی از روشهای یادگیری عمیق بشمار میرود، ساز و کاری برای استفاده از فنون نوظهور ارائه شود. بدین منظور از دو مجموعه داده سیستم اطلاعاتی حسابداری نرم افزار راهکاران (شامل 36538 آرتیکل) و سپیدار سیستم (شامل 30000 آرتیکل) استفاده شده است. در این پژوهش چند رویداد ناهنجار به مجموعه دادههای موجود اضافه شد تا بدین وسیله معیار مطلوب برای قدرت تشخیص الگوریتم مشخص شود. نتایج نشان داد که در وهله اول یادگیری عمیق به وسیله الگوریتم شبکه عصبی خود رمزگذار توانایی بالایی در تشخیص آرتیکلهای ناهنجار دارد و به علاوه به نسبت سایر فنون مورد بررسی (شامل درخت تصمیم، Extra Trees Regressor، جنگل تصادفی، Ada Boost Classifier و Quadratic Discriminant Analysis) عملکرد مطلوبتری را نشان میدهد. افزون بر این با افزایش عمق شبکه عملکرد تشخیصی بهبود یافت. به علاوه نتایج برآمده از پژوهش مبین آن بود که اسناد و آرتیکلهای صادر شده از زیر سیستمهای مختلف دارای خطای بازسازی متفاوتی بودند و لذا در تشخیص ناهنجاری باید به زیر سیستم پایه صادر کننده سند توجه کرد. به علاوه با اتکا به نتایج پژوهش حساب تفضیلی (طرف مقابل)، حساب معین، مرکز هزینه و تاریخ آخرین ویرایش سند، مهمترین ویژگیها برای تشخیص ناهنجاری در سیستم صدور سند هستند. | ||
| کلیدواژهها | ||
| ناهنجاری داده؛ سیستمهای اطلاعاتی حسابداری؛ شبکه عصبی خود رمزگذار؛ کشف ناهنجاری داده محور | ||
|
سایر فایل های مرتبط با مقاله
|
||
| مراجع | ||
|
. | ||
|
آمار تعداد مشاهده مقاله: 391 تعداد دریافت فایل اصل مقاله: 273 |
||
