1
استادیار گروه حسابداری، دانشکده علوم اجتماعی و اقتصادی، دانشگاه الزهرا، تهران، ایران
2
گروه حسابداری، پردیس البرز، دانشگاه تهران، تهران، ایران
10.22034/jista.2026.527173.1047
چکیده
پیشرفتهای فناورانه اخیر در حوزه کلانداده فرصتهای جدیدی برای بهبود فرآیندهای حسابداری قانونی و حسابرسی فراهم آوردهاند. کلانداده، با ویژگیهایی نظیر حجم، سرعت و تنوع بالا، این امکان را به متخصصان میدهند که تحلیلهای پیچیدهتری برای تصمیمگیریهای مؤثر در این حوزهها انجام دهند. این مطالعه با مرور توصیفی منابع معتبر علمی به بررسی تأثیر تحلیل کلانداده بر حسابداری قانونی و حسابرسی، میپردازد و نشان میدهند که تحلیل کلانداده میتواند کارایی حسابداری قانونی و حسابرسی را بهبود بخشد، ریسکها را کاهش دهد و نقش مهمی در کشف و پیشگیری از تقلب ایفا کند. علاوه بر این، ابزارهای کلانداده توانستهاند به تحلیل سریعتر دادهها و شناسایی الگوهای پنهان کمک کنند. بهکارگیری این تحلیلها، فرآیندهای حسابرسی و حسابداری قانونی را سریعتر، دقیقتر و با کیفیت بالاتر مینماید و استفاده از این ابزار در دو حوزه مذکور میتواند به بهبود کیفیت و سرعت تصمیمگیری در فرآیندهای حسابرسی و کشف تقلب منجر شود. بهویژه با بهرهگیری از ابزارهای پیشرفته تحلیل دادهها، امکان پیشبینی تهدیدات مالی و شناسایی الگوهای غیرمعمول فراهم شده است.
شعبانی، زهرا. (۱۴۰۳). بررسی رابطه دادههای حسابداری بزرگ بر اعمال و آموزش حسابداری قانونی. حسابداری و شفافیت مالی، ۲(۲)، ۱19-۱02. https://www.sid.ir/paper/1399316/fa
عرب مازاریزدی، محمد؛ مرادی، امیر. (۱۳۹۹). فرصتها و چالشهای کاربرد کلان دادهها در سیستم اطلاعاتی حسابداری بخش عمومی از منظر مسئولیت پاسخگویی. دانش حسابرسی، ۲۰(۷۹)، 122-95.https://elmnet.ir/doc/2138948-24103
Ajana, B. (2015). Augmented borders: Big data and the ethics of immigration control. Journal of Information, Communication and Ethics in Society, 13(1), 58–78. https://doi.org/10.1108/JICES-01-2014-0005
Albrecht, W. S., Albrecht, C., & Albrecht, C. C. (2008). Current trends in fraud and its detection. Information Security Journal, 17(1), 2–12. https://doi.org/10.1080/19393550801934331
Alcadipani, R., & de Oliveira Medeiros, C. R. (2020). When corporations cause harm: A critical view of corporate social irresponsibility and corporate crimes. Journal of Business Ethics, 167(2), 285–297. https://doi.org/10.1007/s10551-019-04157-0
Almeida, P., & Bernardino, J. (2015). A comprehensive overview of open-source big data platforms and frameworks. Services Transactions on Big Data, 2(3), 15–33. https://doi.org/10.29268/stbd.2015.2.3.2
Arab Mazar Yazdi, M., & Moradi, A. (2020). Opportunities and challenges of applying big data in the public sector's accounting information system from the perspective of accountability. Auditing Knowledge, 20(79), 95–122. https://elmnet.ir/doc/2138948-24103 (in Persian)
Cao, M., Chychyla, R., & Stewart, T. (2015). Big data analytics in financial statement audits. Accounting Horizons, 29(2), 423–429. https://doi.org/10.2308/acch-51068
Chen, J., Tao, Y., Wang, H., & Chen, T. (2015). Big data based fraud risk management at Alibaba. The Journal of Finance and Data Science, 1(1), 1–10. https://doi.org/10.1016/j.jfds.2015.03.001
DeFond, M. L., & Lennox, C. S. (2011). The effect of SOX on small auditor exits and audit quality. Journal of Accounting and Economics, 52(1), 21–40. https://doi.org/10.1016/j.jacceco.2011.02.001
Deloitte. (2018). Forensic analytics in fraud investigations: Identifying rare events that can bring the business down. Deloitte.
Dewu, K., & Barghathi, Y. (2019). The accounting curriculum and the emergence of Big Data. Journal of Accounting and Management Information Systems, 18(3), 417–442. https://doi.org/10.24818/jamis.2019.03006
DiGabriele, J. A., & Huber, W. D. (2015). Topics and methods in forensic accounting research. Accounting Research Journal, 28(1), 98–114. https://doi.org/10.1108/ARJ-08-2014-0071
Gabrielli, G., Medioli, A., Andrei, P., & Marchini, P. L. (2022). Accounting and big data: Trends, opportunities and direction for practitioners and researchers. Financial Reporting, 2, 89–112. https://doi.org/10.3280/FR2022-002004
Golden, T. W., Skalak, S. L., & Clayton, M. M. (2007). A guide to forensic accounting investigation. John Wiley & Sons. https://doi.org/10.1002/9780471730323
Greer, M. B., Jr. (2013). 21st century leadership: Harnessing innovation, accelerating business success. iUniverse. https://www.iuniverse.com
Guo, K. H. (2016). The institutionalization of commercialism in the accounting profession: An identity‐experimentation perspective. Auditing: A Journal of Practice & Theory, 35(3), 99–117. https://doi.org/10.2308/ajpt-51337
Halili, K., & Valavi, M. (2017). Big data technology: Opportunities, challenges, and strategies. Quarterly Journal of Interdisciplinary Studies on Strategic Knowledge, 7(28), 7-28. https://sid.ir/paper/511554/fa (in Persian)
Herath, S. K., & Hamm, A. (2023). How big data analytics is used in forensic accounting and auditing. The Business and Management Review, 14(1). https://doi.org/10.24052/BMR/V14NU01/ART-12
Ibrahim, A. E. A., Elamer, A. A., & Ezat, A. N. (2021). The convergence of big data and accounting: Innovative research opportunities. Technological Forecasting and Social Change, 173, Article 121171. https://doi.org/10.1016/j.techfore.2021.121171
Kaur, B., Sood, K., & Grima, S. (2022). A systematic review on forensic accounting and its contribution towards fraud detection and prevention. Journal of Financial Regulation and Compliance. https://doi.org/10.1108/JFRC-02-2022-0015
Lehrer, C., Wieneke, A., vom Brocke, J., Jung, R., & Seidel, S. (2018). How big data analytics enables service innovation: Materiality, affordance, and the individualization of service. Journal of Management Information Systems, 35(2), 424–460. https://doi.org/10.1080/07421222.2018.1451953
Leung, P., & Chau, G. (2001). The problematic relationship between audit reporting and audit expectations: Some evidence from Hong Kong. Advances in International Accounting, 14, 181–200. https://doi.org/10.1016/S0897-3660(01)14010-9
Moffitt, K. C., & Vasarhelyi, M. A. (2013). AIS in an age of big data. Journal of Information Systems, 27(2), 1–19. https://doi.org/10.2308/isys-10372
Munoko, I., Brown‐Liburd, H. L., & Vasarhelyi, M. (2020). The ethical implications of using artificial intelligence in auditing. Journal of Business Ethics, 167(2), 209–234. https://doi.org/10.1007/s10551-019-04407-1
No, W. G., Lee, K., Huang, F., & Li, Q. (2019). Multidimensional audit data selection (MADS): A framework for using data analytics in the audit data selection process. Accounting Horizons, 33(3), 127–140. https://doi.org/10.2308/acch-52453
Rezaee, Z., & Wang, J. (2019). Relevance of big data to forensic accounting practice and education. Managerial Auditing Journal, 34(3), 268–288. https://doi.org/10.1108/MAJ-08-2017-1633
Ryu, S. L., & Won, J. (2022). Scale and scope economies in Korean accounting firms around Sarbanes-Oxley regulations. Journal of Asian Economics, 78. https://doi.org/10.1016/j.asieco.2021.101427
Shaabani, Z. (2024). The relationship between big accounting data in forensic accounting practice and education. Journal of Accounting & Financial Transparency, 2(2), 102-119. https://sid.ir/paper/1399316/en (in Persian)
Strong, D., Volkoff, O., Johnson, S., Pelletier, L., Tulu, B., Bar-On, I., Trudel, J., & Garber, L. (2014). A theory of organization–EHR affordance actualization. Journal of the Association for Information Systems, 15(2), 53–85. https://doi.org/10.17705/1jais.00353
Vasarhelyi, M. A., Kogan, A., & Tuttle, B. M. (2015). Big data in accounting: An overview. Accounting Horizons, 29(2), 381–396. https://doi.org/10.2308/acch-51071
Verma, S., & Bhattacharyya, S. S. (2017). Perceived strategic value–based adoption of Big Data Analytics in emerging economy: A qualitative approach for Indian firms. Journal of Enterprise Information Management, 30(3), 354–382. https://doi.org/10.1108/JEIM-10-2015-0099
Wagner, E. L., Moll, J., & Newell, S. (2011). Accounting logics, reconfiguration of ERP systems and the emergence of new accounting practices: A sociomaterial perspective. Management Accounting Research, 22(3), 181–197. https://doi.org/10.1016/j.mar.2011.03.001
Wang, T., & Cuthbertson, R. (2015). Eight issues on audit data analytics we would like researched. Journal of Information Systems, 29(1), 155–162. https://doi.org/10.2308/isys-50955
