به‌کارگیری الگوریتم های درخت تصمیم گیری در پیش بینی کیفیت حسابرسی

هدف مقاله حاضر پیش‌‌‌بینی کیفیت حسابرسی با استفاده از الگوریتم‌های درخت تصمیم­گیری است. بنابراین کلیه موسسات حسابرسی عضو جامعه حسابداران رسمی ایران در بازه زمانی 1391 تا 1396، جامعه آماری پژوهش هست که بعد از غربالگری تعداد 1367 مشاهده به‌عنوان نمونه آماری باقی ماندند. این پژوهش ازنظر هدف کاربردی و به لحاظ روش پژوهشی، توصیفی از نوع همبستگی است. تجزیه‌وتحلیل داده­ها مطابق با استاندارد داده­کاوی crispdm و اجرای چهار الگوریتم درخت تصمیم­گیری chaid, c rt, c5.0 و quest صورت پذیرفت. نتایج نشان داد که مدل­های بهینه بدون در نظر گرفتن عمق درخت، با بیشترین قدرت تشخیص مربوط به درخت c5.0 بالغ‌بر 97 درصد و با در نظر گرفتن عمق درخت با بیش از 92 درصد مربوط به درخت c rt هست. بدین‌صورت که از مجموع 19 معیار ارزیابی کیفیت حسابرسی، تعداد 16 معیار در الگوریتم c5.0 و 12 معیار در الگوریتم chaid و 5 معیار در c rt و 3 معیار در quest، در پیش‌بینی کیفیت حسابرسی موثر قلمداد و مابقی کنار گذاشته‌شده‌اند. نکته حائز اهمیت اینکه معیارهای مشترک در هر چهار الگوریتم که عبارت‌اند از استخدام کارکنان، آموزش کارکنان و برنامه‌ریزی کنترل و سرپرستی کار همگی از فاز ورودی‌های موثر بر کیفیت حسابرسی می­باشند.

Application of decision tree algorithms in predicting audit quality

The purpose of this paper is to predict the quality of the audit using decision tree algorithms. Therefore, all audit institutions of the member of the Iranian Society of Official Accountants during the period 1391 to 1396 are the statistical population of the study, which after the screening of 1367 observations remained as a statistical sample. This research is a descriptivecorrelative research in terms of applied and descriptive research method. Data analysis was performed in accordance with the CRISPDM data mining standard and the implementation of four decision tree CHAID, C RT, C5.0, and QUEST algorithms. Decision trees were modeled using simulation software of IBM modeler18 and the results showed that the optimal models, regardless of tree depth, with the maximum recognition power associated with the tree C5.0 over 97% and considering the depth of the tree with more than 92% is related to the C RT tree. From the total of 19 quality assessment criteria, 16 criteria in the C5.0.12 Criterion Algorithm in the CHAID algorithm and 5 C RT criteria and 3 criteria in QUEST are considered in the prediction of effective audit quality It is important to note that the common criteria in all four algorithms, which are employee recruitment, employee training, and entrepreneurship All work control and supervision are all input phases that affect audit quality.