دانلود ترجمه مقاله آنالیز داده های حسابرسی، یادگیری ماشین و آزمایش جمعیت کامل (ساینس دایرکت – الزویر 2022) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)

آنالیز داده های حسابرسی، یادگیری ماشین و آزمایش جمعیت کامل

Audit data analytics, machine learning, and full population testing

چکیده

1 مقدمه

2 مسائل نمونه گیری در حسابرسی

3 تجزیه و تحلیل داده های حسابرسی و یادگیری ماشینی

4 آزمون کل جامعه

5 چالش ها

6 نتیجه گیری

بیانیه تضاد منافع

فهرست منابع

چکیده

     فناوری های نوظهوری مانند تحلیل داده ها و یادگیری ماشینی بر حرفه حسابداری تاثیر می گذارند. به طور خاص، تغییرات شایانی در رویه های حسابرسی و اطمینان بخشی به دلیل این تاثیرات پیش بینی می شود. یکی از این تغییرات بالقوه، نمونه گیری در حسابرسی است. از آنجایی که نمونه گیری در حسابرسی تنها نمای آنی کوچکی از کل جامعه فراهم می کند، برخی از معانی آن در عصر کلان داده ها از بین می روند. یک راه حل محتمل، استفاده از تجزیه و تحلیل داده های حسابرسی و یادگیری ماشینی برای انجام تحلیل کل جامعه به جای نمونه معاملات است. مقاله حاضر به ارائه رویکردی جهت استفاده از تحلیل داده های حسابرسی و یادگیری ماشینی برای آزمون کل جامعه و بحث درباره چالش های مربوطه می پردازد.

مسائل نمونه گیری در حسابرسی
     در سال ۲۰۲۰، آمازون تقریباً 4.2 میلیارد بسته را در آمریکا تحویل داد که معادل روزانه بیش از ۱۱ میلیون بسته بود . این معاملات بخش شایانی از درآمد آمازون را در بر گرفته و یکی از بزرگ ترین هزینه های آمازون یعنی هزینه های حمل و نقل را شامل می شود. اکنون، تیم حسابرسی را تصور نمایید که در تلاش برای انجام آزمون محتوایی 4.2 میلیارد بسته ای می شود که در کل آمریکا تحویل داده شده است. به خاطر تعداد زیاد معاملات، مناسب ترین روش برای انجام رویه حسابرسی، بررسی نمونه از معاملات (یعنی نمونه گیری در حسابرسی) خواهد بود. استانداردهای حسابرسی ۲۳۱۵ مشخص می کند که نمونه گیری در حسابرسی عبارتست از بکارگیری رویه حسابرسی برای کمتر از ۱۰۰ درصد موارد در یک مانده حساب یا طبقه ای از معاملات به منظور ارزیابی برخی از ویژگی های ترازنامه یا طبقه (2). اگر چه نمونه گیری در حسابرسی در شیوه حسابرسی به خوبی پذیرفته شده و کارایی حسابرسی را بهبود می بخشد اما محدودیت هایی داشته و در نتیجه برخی از معانی آن در عصر کلان داده ها از بین می رود. نمونه گیری فقط نمای آنی کوچکی از کل جامعه ارائه می کند. دستیابی به نمونه گویایی که به دقت منعکس کننده ویژگی های جامعه ای بزرگ باشد دشوار است. بنابراین، ریسک نمونه گیری ناشی از این احتمال است که حسابرسان در صورتی که کل جامعه به جای نمونه تحت رویه حسابرسی باشد به نتیجه متفاوتی دست می یابند. در کل، هر قدر اندازه نمونه کوچک تر باشد، ریسک نمونه گیری بیشتر خواهد بود. نسبت بین اندازه نمونه و اندازه جامعه می تواند پروکسی ریسک نمونه گیری باشد.

     به رغم انتخاب رویکردهای نمونه گیری، مانند نمونه گیری واحد پولی و نمونه گیری مبتنی بر قضاوت، بزرگ ترین چالش در این سناریوی آمازون نحوه استخراج نمونه ای است که نماینده مناسبی برای ویژگی های کل 4.2 میلیارد معامله باشد. حسابرسان به این دلیل از نمونه گیری استفاده می کنند که بررسی کل جامعه بسیار پرهزینه و زمانبر می باشد. ماهیتاً، معاملات مادی غیرمعمول یا مشکوک، نادر هستند. بنابراین، احتمال شناسایی چنین معاملاتی در نمونه پایین است. نمونه گیری در بررسی تفکیک سفارشات خرید بزرگ در طی چندین سفارش خرید بی فایده است. تفکیک سفارشات خرید تنها زمانی مشاهده می شود که همه سفارشات خرید به صورت تصادفی به عنوان بخشی از نمونه انتخاب شوند.

     در نتیجه پرسش هایی درباره کارایی نمونه گیری در حسابرسی وجود دارد (3، 4). پرسش اصلی آن است که آیا یک نمونه نماینده خوبی از کل جامعه بوده و برای رسیدن به یک نتیجه مناسب، کافی است یا خیر؟ به عبارت دیگر، آیا شواهد حسابرسی حاصل از بخش کوچکی از جامعه قابل اعتماد و کافی است؟ برای مثال، نمونه ای از 500000 معامله، تنها 0.012 درصد کل جامعه آمازون است حتی اگر نمونه بسیار بزرگی باشد.