افزایش مبادلات تجاری، اقتصادی، پیشرفت تکنولوژی اطلاعات و انباشته شدن داده های مالی، محدودیتهایی برای استفاده بهینه و کارا از این داده ها بوجود آورده است. به همین دلیل، استفاده از تکنیکهای داده کاوی به منظور استخراج اطلاعات مفید از این داده ها رواج یافته است. هدف این پژوهش پیش بینی گزارش حسابرس مستقل با استفاده از تکنیک های داده کاوی می باشد. اهمیت پیش بینی گزارش حسابرس مستقل در تاثیر آن بر تصمیم گیری استفاده کنندگان می باشد.گزارش حسابرس مستقل در این تحقیق به دو دسته مقبول و غیرمقبول (شامل گزارشات مشروط، مردود و عدم اظهارنظر) طبقه بندی شده است. به منظور پیش بینی گزارش حسابرس مستقل از سه تکنیک طبقه بندی داده کاوی شامل، درخت تصمیم C5.0، شبکه های عصبی مصنوعی و رگرسیون لجستیک استفاده شده است. جامعه آماری پژوهش شامل تمامی شرکت های پذیرفته شده در بورس اوراق بهادار تهران طی سال های 1382 الی 1388 می باشد. در این تحقیق از 29 متغیر مالی و غیرمالی در قالب 10 طبقه نقدینگی، عملکرد، اهرم مالی، ساختار سرمایه، سودآوری، ریسک ورشکستگی، مدیریت سود، حاکمیت شرکتی، اندازه شرکت و سایر (شامل نوع صنعت و عمر شرکت) به منظور آموزش و آزمون مدل استفاده شده است. نتایج تحقیق نشان می دهند که میانگین دقت مدل حاصل از تکنیک درخت تصمیم C5.0 از دو تکنیک دیگر بیشتر بوده و این تکنیک توانایی بالاتری جهت کاهش ریسکهای حسابرسی دارد. درخت تصمیم حاصل از این تکنیک گزارشات حسابرسی را با میانگین دقت 88.64% پیش بینی می کند. مطابق با نتایج تحقیق با اهمیت ترین متغیر جهت پیش بینی نوع گزارش حسابرس مستقل در تمامی مدلها، نوع گزارش حسابرسی سال قبل (از طبقه حاکمیت شرکتی) می باشد. نسبت بدهیها به داراییها (از طبقه اهرم مالی) دومین متغیر با اهمیت در مدلهای شبکه های عصبی مصنوعی و رگرسیون لجستیک می باشد. نسبت سود و زیان خالص به درآمد خالص (از طبقه سودآوری) به ترتیب دومین و سومین متغیر با اهمیت در مدل درخت تصمیم C5.0 و مدل رگرسیون لجستیک می باشد. نسبت داراییهای جاری به بدهیهای جاری (از طبقه نقدینگی)، نسبت داراییها به درآمد خالص (از طبقه عملکرد)، مجموع درصد مالکیت سهامداران نهادی (از طبقه حاکمیت شرکتی) و عمر شرکت (از طبقه سایر) به ترتیب سومین، چهارمین، ششمین و هفتمین متغیرهای با اهمیت در مدل شبکه های عصبی مصنوعی می باشند.

کلمات کلیدی