مقاله انگلیسی با ترجمه کاربرد داده کاوی در حسابداری

مقالات مرتبط با این موضوع

مقالات انگلیسی ترجمه شده حسابداری مقالات ترجمه شده مهندسی کامپیوتر مقالات ترجمه شده در مورد  فناوری در حسابداری

 

کد محصول: H232

سال نشر: ۲۰۱۷

نام ناشر (پایگاه داده): الزویر

نام مجله:  International Journal of Accounting Information Systems

نوع مقاله: علمی پژوهشی (Research articles)

تعداد صفحه انگلیسی: ۲۷ صفحه PDF

تعداد صفحه ترجمه فارسی: ۶۵ صفحه فایل WORD

قیمت فایل ترجمه شده: ۲۴۰۰۰ تومان

عنوان فارسی:

مقاله انگلیسی حسابداری ۲۰۱۷ :  کاربرد داده کاوی در حسابداری : مرور ادبی و چارچوب سازماندهی

عنوان انگلیسی:

Data mining applications in accounting: A review of the literature and organizing framework

چکیده فارسی:

این مقاله به بررسی تکنیک های داده کاوی در حسابداری می پردازد و هدف آن سازماندهی چارچوبی برای برنامه های کاربردی می باشد .درآثار زیادی بر کاربرد خاص الگوی مهم داده کاوی بر حسابداری تاکید شده است اما تحقیقات جامعی که کاربرد آن را در نظر بگیرد کم است.برای سازماندهی کاربرد آثار داده کاوی در حسابداری چارچوبی ایجاد کرده ایم که ترکیبی از دو دیدگاه حسابداری شناخته شده(قهقرایی و اکتشافی) وسه هدف داده کاوی(توصیف, پیش بینی، و تجویز) است. چارچوب  طبقه بندی از چهار دسته بندی(گذشته نگر- توصیفی , گذشته نگر -تجویزی، آینده نگر- تجویزی، و آینده نگر- پیش بینی کننده) تشکیل شده است.

چارچوب پیشنهادی نشان داد که بخشی از حسابداری که بیشتر از داده های کاوی بهره می برد اطمینان و انطباق تشخیص تقلب، سلامت کسب و کار و حسابداری قانونی است ، به نظر می رسد که در دو مقوله ی کاربرد تجویزی (گذشته نگر – تجویزی وآینده نگر- تجویزی)،  شکاف روشنی وجود داشته باشد که بیانگر فرصتهای بهره برداری داده کاوی از این مقوله های کاربردی است.این چارچوب یک دیدگاه  کلی از آثار ارائه می دهد وبه صورت سیستماتیک آن را در شیوه ی منطقی ساختاری ومفهومی منسجم سازماندهی می کند

ترجمه بخش ۶ مقاله

۱-    نتایج، جهات آتی و محدودیت ها

این مقاله ادبیات کاربرد های داده کاوی در حسابداری را بررسی و چارچوب سازماندهی را پیشنهاد می کند. این بررسی نشان می دهد که وضعیت اخیر آمیختگی حسابداری، رشته اصلی بازرگانی و داده کاوی بوده و در فناوری آتی سیستم های اطلاعاتی در مرحله جامعی قرار ندارد. کاربرد های داده کاوی در حسابداری عمدتا و با شدت مختلف بر سه شاخه حسابداری متمرکز هستند: بیمه و قبول اجابت، حسابداری مدیریت و حسابداری مالی، بیشترین میزان داده کاوی در بیمه و قبول اجابت و به دنبال آن در حسابداری و سپس حسابداری مالی می باشد. اغلب این کاربرد ها تا حد زیادی بر پیش بینی به عنوان هدف طبقه بندی به عنوان تکنیک متمرکز هستند.

دو هدف دیگر داده کاوی- یعنی توصیف و تجویز – توجه مشابهی را در کاربرد داده کاوی در حسابداری به خود جلب نمی کنند، اگر چه پیش بینی تناسب مطلوبی با بیشتر مسائل حسابداری دارد، اما شامل چشم انداز آتی، جهت گیری استراتژیک، هدایت و جایگاه بوده و نمی توان استدلال کرد که سایر اهداف داده کاوی که کمتر مورد تایید قرار می گیرند ارزش استراتژیکی برای تصمیم گیری حسابداری ندارند. کاربری پایین کاربرد های تجویزی در واقع شکاف آشکاری بوده که می بایستی به شکل فعالانه تری مطرح شود تا بتوان به مزایای بهینه سازی در تصمیم گیری تحقق بخشید.

تمرکز جدی بر طبقه بندی به عنوان وظیفه داده کاوی بیانگر پتانسیل استفاده از سایر وظایف داده کاوی از قبیل تحلیل تداعی و الگو می باشد که ظاهرا مزایای چشمگیری در سایر رشته های بازرگانی دارند. اگر چه برتری شبکه های عصبی به عنوان تکنیک انتخاب گزینه منعکس کننده قدرت آنها به عنوان یک ابزار مدلسازی عمومی می باشد، اما تکیه بر تکنیکی که برای ترسیم جعبه سیاه آن به کار می رود به ساخت مدل های زیادی منجر می شود که از قدرت توصیف و تشریح اندکی برخوردارند، بطور خلاصه، کاربرد های اخیر داده کاوی در حسابداری را می توان به عنوان مواردی تشخیص داد که غالبا بر بیمه و قبول اجابت متمرکز بوده، پیش بینی هدف اصلی آنها، طبقه بندی اصلی ترین وظیفه شان و شبکه های عصبی تکنیک اولیه آنها می باشد. تحت این شرایط، به سختی می توان گفت که حسابداری توانمندی ها و قدرت کافی داده کاوی را تسطیح سازی می کند.

چارچوب پیشنهادی دو کانون اصلی گزارش حسابداری (گذشته نگری و آینده نگری) و سه هدف داده کاوی (توصیف، پیش بینی و تجویز) را با هم ادغام کرده و به چهار مقوله اصلی و امکانپذیر کاربرد های داده کاوی در حسابداری منجر می شود: توصیف گذشته نگرانه، تجویز گذشته نگرانه، توصیف آینده نگرانه و پیش بینی آینده نگرانه. تمرکز کاربرد ها در بین مقوله های مختلف بطور چشمگیری متفاوت می باشد، بالاترین تمرکز در مقوله پیش بینی آینده نگرانه، به دنبال آن در مقوله توصیف گذشته نگرانه، مقوله تجویز آینده نگرانه و نهایتا مقوله تجویز گذشته نگرانه می باشد. تحلیل ترسیم ادبیات برای این چارچوب نشان دهنده تغییر شدت کاربری، اهداف، وظایف و تکنیک ها در این کاربرد ها بوده و ما را قادر می سازد نه تنها الگو های اخیر این قبیل کاربرد ها، بلکه زمینه های پتانسیلی را شناسایی کنیم که در آنجا داده کاوی می تواند مزیت پتانسیلی برای حسابداری داشته باشد.

محققان هنوز ارزش ادغام تکنیک های داده کاوی در حسابداری و مزایای حاصل از آن را بطور نظام مندی ارزشیابی نکردند. ما شاهد نبود چشمگیر کاربرد داده کاوی در موضوعات مهم حسابداری از قبیل حاکمیت شرکتی، گزارش دهی جامع، آموزش حسابداری، سیستم های حسابداری کسب و کار، XBRL و اقتباس استاندارد های حسابداری هستیم. به نظر می رسد که AIS تا حد زیادی از ادغام توانایی های داده کاوی بهره گرفته و دقت ثبت و یا دقت گزارش دهی را ارتقا می دهد، بعلاوه اکثریت کاربرد های داده کاوی در حسابرسی اساسا بر پیش بینی متمرکز هستند، به هر حال بسیاری از ابعاد مدیریت خطر، از قبیل پیشگیری از خطر، آشکار سازی حادثه، رفع آن از این قبیل مزیت بهره می گیرند.

Abstract

This paper explores the applications of data mining techniques in accounting and proposes an organizing framework for these applications. A large body of literature reported on specific uses of the important data mining paradigm in accounting, but research that takes a holistic view of these uses is lacking. To organize the literature on the applications of data mining in accounting, we create a framework that combines the two well-known accounting reporting perspectives (retrospection and prospection), and the three well-accepted goals of data mining (description, prediction, and prescription).

The framework encapsulates a taxonomy of four categories (retrospective-descriptive, retrospective-prescriptive, prospective-prescriptive, and prospective-predictive) of data mining applications in accounting. The proposed framework revealed that the area of accounting that benefited the most from data mining is assurance and compliance, including fraud detection, business health and forensic accounting. The clear gaps seem to be in the two prescriptive application categories (retrospective-prescriptive and prospective-prescriptive), indicating opportunities for benefiting from data mining in these application categories. The framework presents a holistic view of the literature and systematically organizes it in a structurally logical and thematically coherent manner.