شناسایی سنجه‌های اندازه گیری خوانایی گزارش‌گری مالی و عوامل موثر بر هزینه سرمایه مبتنی بر تحلیل حوزه دانش به شیوه تحلیل محتوا

هدف: این پژوهش با هدف بررسی روابط بین خوانایی گزارش‌های مالی و هزینه سرمایه شرکت‌های فعال در بازار سرمایه ایران با استفاده از رویکردهای اقتصادسنجی و یادگیری ماشینی (ml) انجام شده است.روش‌شناسی: پژوهش حاضر از نظر هدف، کاربردی و از نظر روش، توصیفی-تحلیلی است. داده‌های تحقیق از دو منبع شامل خبرگان و شرکت‌های فعال در بازار سرمایه ایران گردآوری شده است. برای انتخاب نمونه خبرگان از روش نمونه‌گیری غیرتصادفی گلوله برفی و برای شرکت‌ها از روش حذفی سیستماتیک استفاده شده است. داده‌های تحقیق با استفاده از روش‌های تحلیل محتوا، تحلیل تم، مدل‌سازی مبتنی بر یادگیری ماشینی و اقتصادسنجی مورد بررسی قرار گرفته‌اند. به‌منظور اعتبارسنجی یافته‌ها از روش دلفی و منطق فازی برای رتبه‌بندی سنجه‌های خوانایی و عوامل موثر بر هزینه سرمایه استفاده شده است.یافته‌ها: نتایج نشان داد که شاخص‌های خوانایی گزارش‌های مالی و عوامل موثر بر هزینه سرمایه در قالب هفت تم اصلی و پنجاه و یک تم فرعی طبقه‌بندی شده‌اند. مهم‌ترین شاخص‌های خوانایی شامل سهولت خوانایی فلش، شاخص فاگ، طول گزارش، شاخص فلش-کینکید و شاخص فاگ بوده است. همچنین، 10 عامل کلیدی موثر بر هزینه سرمایه شناسایی شد که مهم‌ترین آن‌ها شامل بازده سرمایه (roe)، نوسان سود، بازده دارایی‌ها (roa)، سودآوری، بازده سرمایه‌گذاری (roi)، و کیفیت اطلاعات بوده‌اند.نتیجه‌گیری: بررسی‌های انجام‌شده نشان داد که خوانایی گزارش‌های مالی تاثیر مستقیمی بر هزینه سرمایه دارد و با استفاده از رویکردهای یادگیری ماشینی می‌توان میزان خوانایی و تاثیر آن بر هزینه سرمایه را دقیق‌تر شناسایی و تحلیل کرد.

identification of financial reporting readability measurement metrics and factors affecting the cost of capital based on knowledge domain analysis using content analysis

objective: this study aims to examine the relationships between financial reporting readability and the cost of capital of companies listed in the iranian capital market using econometric and machine learning (ml) approaches.methodology: the present study is applied in terms of purpose and descriptive-analytical in terms of methodology. the research data were collected from two sources: experts and companies listed in the iranian capital market. a non-random snowball sampling method was used to select experts, while a systematic elimination method was applied to select companies. data were analyzed using content analysis, thematic analysis, machine learning-based modeling, and econometrics. to validate the findings, the delphi method and fuzzy logic were employed to rank readability metrics and factors affecting the cost of capital.findings: the results indicated that financial reporting readability metrics and cost of capital factors were classified into seven main themes and fifty-one sub-themes. the most significant readability indices included flesch reading ease, fog index, report length, flesch-kincaid index, and the fog index. additionally, ten key factors influencing the cost of capital were identified, with the most important being return on equity (roe), earnings volatility, return on assets (roa), profitability, return on investment (roi), and information quality. conclusion: the study revealed that financial reporting readability directly impacts the cost of capital, and the use of machine learning approaches can help identify and analyze this effect more precisely.