کشف تقلب در شرکت‌های بورسی عراق: تأثیر داده‌های بزرگ و هوش مصنوعی

ابراهیم انور ابراهیم  الخزرجی; علی تقوی مقدم; علی حسین  مهاوش; رضا  غلامی جمکرانی; محسن  رحیمی دستجردی

نویسندگان

ابراهیم انور ابراهیم الخزرجی گروه حسابداری، واحد اصفهان (خوراسگان)، دانشگاه آزاد اسلامی، اصفهان، ایران. نویسنده https://orcid.org/0009-0001-1343-3775
علی تقوی مقدم گروه حسابداری، واحد بجنورد، دانشگاه آزاد اسلامی، بجنورد، ایران نویسنده مسئول https://orcid.org/0009-0009-2624-9780
علی حسین مهاوش جامعة التقنيه الوسطى معهد التقني كوت. نویسنده https://orcid.org/0009-0007-0662-5238
رضا غلامی جمکرانی گروه حسابداری، واحد قم، دانشگاه آزاد اسلامی، قم، ایران . نویسنده https://orcid.org/0000-0003-1895-6660
محسن رحیمی دستجردی گروه حسابداری، واحد اصفهان (خوراسگان)، دانشگاه آزاد اسلامی، اصفهان، ایران. نویسنده https://orcid.org/0000-0002-6138-8585

کلمات کلیدی:

حسابرسی, کشف تقلب, داده‌های بزرگ, هوش مصنوعی, شفافیت مالی

چکیده

هدف پژوهش حاضر بررسی تأثیر قابلیت‌های داده‌های بزرگ و کاربرد هوش مصنوعی بر کشف تقلب در شرکت‌های پذیرفته‌شده در بورس اوراق بهادار عراق بود. این پژوهش از نظر هدف کاربردی و از نظر روش، توصیفی–همبستگی با رویکرد کمی و مقطعی بود. جامعه آماری شامل حسابرسان و مدیران مالی شرکت‌های پذیرفته‌شده در بورس اوراق بهادار عراق بود و 214 نفر با استفاده از نمونه‌گیری هدفمند و در دسترس در پژوهش شرکت کردند. داده‌ها با استفاده از پرسشنامه ساختاریافته شامل سازه‌های قابلیت‌های داده‌های بزرگ، هوش مصنوعی و کشف تقلب گردآوری شد. پایایی ابزار با آلفای کرونباخ و پایایی ترکیبی و روایی آن با میانگین واریانس استخراج‌شده و معیار فورنل–لارکر بررسی شد. تحلیل داده‌ها با استفاده از SPSS نسخه 29 و مدل‌سازی معادلات ساختاری مبتنی بر حداقل مربعات جزئی در SmartPLS نسخه 4 انجام گرفت. نتایج مدل ساختاری نشان داد که قابلیت‌های داده‌های بزرگ تأثیر مثبت و معناداری بر کشف تقلب داشتند (β = 0.38، t = 6.33، p < 0.001). همچنین، هوش مصنوعی تأثیر مثبت و معنادارتری بر کشف تقلب نشان داد (β = 0.49، t = 8.17، p < 0.001). ضریب تعیین کشف تقلب برابر با 0.64 و ضریب تعیین تعدیل‌شده برابر با 0.63 بود. مقدار Q² برابر با 0.41 به دست آمد که نشان‌دهنده قدرت پیش‌بینی مطلوب مدل بود. اندازه اثر داده‌های بزرگ 0.19 و اندازه اثر هوش مصنوعی 0.31 بود. یافته‌ها نشان داد که داده‌های بزرگ و هوش مصنوعی نقش مهمی در ارتقای توان کشف تقلب در شرکت‌های بورسی عراق دارند و اثر هوش مصنوعی از داده‌های بزرگ قوی‌تر است؛ بنابراین، توسعه هم‌زمان زیرساخت‌های داده‌ای و ابزارهای هوشمند می‌تواند اثربخشی حسابرسی، کنترل داخلی و شناسایی رفتارهای متقلبانه را افزایش دهد.

دانلودها

دسترسی به دانلود اطلاعات مقدور نیست.

مراجع

Abu-Khadra, H., Al-Okaily, M., & Al-Bashir, A. (2025). Auditing in the Digital Age: The Role of Artificial Intelligence in Fraud Detection. Journal of Emerging Technologies in Accounting, 22(1), 45-67. https://doi.org/10.1108/ITSE-03-2025-0071

Ariyibi, K. O., Bello, O. F., Ekundayo, T. F., & Ishola, O. (2024). Leveraging Artificial Intelligence for enhanced tax fraud detection in modern fiscal systems. GSC Adv Res Rev, 21(2), 129-137.

Ateeq, A., & Alqaidoom, M. (2024). The impact of integrity: Navigating ethical dilemmas, conflicts, and fraud in contemporary business. In Business Sustainability with Artificial Intelligence (AI): Challenges and Opportunities (pp. 295-310). Springer. https://doi.org/10.1007/978-3-031-71318-7_28

Bello, O. A., & Komolafe, O. (2024). Artificial intelligence in fraud prevention: Exploring techniques and applications challenges and opportunities. Computer Science & It Research Journal, 5, 1505-1520. https://doi.org/10.51594/csitrj.v5i6.1252

Del Caprio, L. (2025). Artificial Intelligence in Auditing: Transforming Risk Assessment and Fraud Detection [Thesis, https://www.theseus.fi/bitstream/handle/10024/888303/Del%20Caprio_Laura.pdf?sequence=2

El-Fargani, A., & El-Hassan, M. (2025). Data-Driven Financial Fraud Detection Using Hybrid Artificial and Quantum Intelligence. Journal of Open Innovation: Technology, Market, and Complexity, 11(4), 100581.

Lak, H. (2024). Application of Artificial Intelligence and Machine Learning in Continuous Auditing and Detecting Financial Fraud.

Li, P. (2025). Model of Cultivating Digital Citizenship in Universities Through the Integration of Artificial Intelligence and Data Analysis. Computer Fraud & Security, 159-167. https://doi.org/10.52710/cfs.304

Magdas, D. A., Hategan, A. R., David, M., & Berghian-Grosan, C. (2025). The Journey of Artificial Intelligence in Food Authentication: From Label Attribute to Fraud Detection. Foods, 14, 1808. https://doi.org/10.3390/foods14101808

Maheshwari, M., & Begde, P. (2025). The role of artificial intelligence and machine learning in enhancing tax compliance and fraud detection in India. Journal of Informatics Education and Research, 5(2).

Májovský, M., Černý, M., Kasal, M., Komarc, M., & Netuka, D. (2023). Artificial Intelligence Can Generate Fraudulent but Authentic-Looking Scientific Medical Articles: Pandora’s Box Has Been Opened. Journal of medical Internet research, 25, e46924. https://doi.org/10.2196/46924

Mediana, A. M., & Sandari, T. E. (2024). Implementation of artificial intelligence in fraud detection and prevention in internal audit. International Journal of Education, Social Studies, and Management. https://doi.org/10.52121/ijessm.v4i3.532

Rahman, S., Sirazy, M. R. M., Das, R., & Khan, R. S. (2024). An exploration of artificial intelligence techniques for optimizing tax compliance, fraud detection, and revenue collection in modern tax administrations. International Journal of Business Intelligence and Big Data Analytics, 7(3), 56-80.

Shoetan, P. O. (2024). Transforming Fintech Fraud Detection With Advanced Artificial Intelligence Algorithms. Finance & Accounting Research Journal, 6(4), 602-625. https://doi.org/10.51594/farj.v6i4.1036

Stoykova, A. (2025). Mathematical Modelling and Artificial Intelligence (AI) for Detecting Financial Fraud: An Application of the Beneish M-Score in Support of SDG 16. JLSDGR, 5(3), e04902. https://doi.org/10.47172/2965-730x.sdgsreview.v5.n03.pe04902

Yuhertiana, I., & Amin, A. H. (2024). Artificial Intelligence Driven Approaches for Financial Fraud Detection: A Systematic Literature Review. Kne Social Sciences. https://doi.org/10.18502/kss.v9i20.16551

Zayed, L. M. M., Nour, M. I., Al Attar, K., Almubaideen, H., & Abdelaziz, G. A. M. (2024). Role of Artificial Intelligence (AI) in Accounting Information Systems in Detecting Fraud. In (pp. 397-409). https://doi.org/10.1007/978-3-031-56586-1_30

Zhang, R. (2024). Pre-Trained Online Contrastive Learning for Insurance Fraud Detection. Proceedings of the Aaai Conference on Artificial Intelligence, 38(20), 22511-22519. https://doi.org/10.1609/aaai.v38i20.30259