مقاله انگلیسی با ترجمه آیا بکارگیری هوش مصنوعی، دقت گزارشگری مالی، کارایی حسابرسی و عدم تقارن اطلاعات را بازتعریف می‌کند؟

مشخصات مقاله  فهرست مطالب نمونه ترجمه مقاله انگلیسی ترجمه مقاله مقالات مرتبط

عنوان فارسی:

آیا بکارگیری هوش مصنوعی، دقت گزارشگری مالی، کارایی حسابرسی و عدم تقارن اطلاعات را بازتعریف می‌کند؟ یک مدل یکپارچه از TOE-TAM-RDT و حاکمیت کلان داده.

عنوان انگلیسی:

Does AI adoption redefine financial reporting accuracy, auditing efficiency, and information asymmetry? An integrated model of TOE-TAM-RDT and big data governance

کد محصول: H1079

سال نشر: 2025

نام ناشر (پایگاه داده): الزویر

نام مجله: Computers in Human Behavior Reports

نوع مقاله: علمی پژوهشی (Research Article)

متغیر : دارد

فرضیه: دارد

مدل مفهومی: دارد

پرسشنامه : ندارد

تعداد صفحه انگلیسی: 14 صفحه PDF

تعداد صفحه ترجمه فارسی:   45 صفحه WORD

قیمت فایل ترجمه شده:  125000 تومان

برای دانلود رایگان مقاله انگلیسی بر روی دکمه ذیل کلیک نمایید

وضعیت ترجمه: این مقاله به صورت کامل ترجمه شده برای خرید ترجمه کامل مقاله بر روی دکمه ذیل کلیک نمایید (لینک دانلود بلافاصله بعد از خرید نمایش داده می شود)

مقالات مرتبط با این موضوع: برای مشاهده سایر مقالات مرتبط با این موضوع (با ترجمه و بدون ترجمه)  بر روی دکمه ذیل کلیک نمایید

چکیده فارسی

شرکت‌های حسابداری و حسابرسی (AAFها) به دلیل ادغام هوش مصنوعی (AI) که پتانسیل ایجاد تحولات بنیادین در زمینه‌هایی مهم مانند افزایش دقت گزارشگری مالی، کارایی حسابرسی و کاهش عدم تقارن اطلاعاتی را دارد، در حال تجربه یک تغییر الگو هستند. با این حال، اثربخشی پذیرش هوش مصنوعی در دستیابی به این هدف تضمین شده نیست. از این رو، این مطالعه به‌دنبال بررسی تجربی عواملی است که بر پذیرش هوش مصنوعی در میان شرکت‌های حسابداری و حسابرسی تأثیر می‌گذارند و به این موضوع می پردازد که نقش بالقوه آن در دقت گزارشگری مالی، کارایی حسابرسی و عدم تقارن اطلاعاتی چیست. با استفاده از یک مدل معتبر TOE-TAM-RDT و تحلیل با استفاده از PLS-SEM، ما دریافتیم که پذیرش هوش مصنوعی تحت تأثیر فشار رقابتی، اکوسیستم تامین‌کنندگان، حمایت مدیریت ارشد، مزیت نسبی، آمادگی برای هوش مصنوعی و جو نوآوری قرار دارد. پذیرش سیستم‌های مبتنی بر هوش مصنوعی در میان شرکت‌های حسابداری و حسابرسی تأثیر مثبت بر دقت گزارشگری مالی و کارایی حسابرسی و تأثیر منفی بر عدم تقارن اطلاعاتی داشت. نتایج همچنین نشان‌دهنده اثر تعدیلگر و معنادار حاکمیت داده‌های کلان است، که نشان می‌دهد مدیریت، کیفیت و استفاده اخلاقی از داده‌ها در شرکت‌های حسابداری و حسابرسی می‌تواند مزایای پذیرش هوش مصنوعی را تقویت کند و دقت گزارشگری مالی، کارایی حسابرسی و کاهش عدم تقارن‌های اطلاعاتی میان شرکت‌های حسابداری و حسابرسی و ذینفعان را افزایش دهد. این نتایج نه تنها به پیشبرد مباحث علمی در مورد پذیرش هوش مصنوعی در عرصه مالی و حسابداری کمک می‌کند، بلکه استراتژی‌های عملی برای ذینفعان فراهم می‌آورد تا مزایای این فناوری تحول آفرین را به حداکثر برسانند.

کلیدواژه‌ها: هوش مصنوعی، شرکت‌های حسابداری و حسابرسی، حاکمیت داده‌های کلان، پذیرش هوش مصنوعی، گزارشگری مالی، کارایی حسابرسی، عدم تقارن اطلاعاتی

1-مقدمه

امروزه، شرکت‌های حسابداری و حسابرسی (AAFها) به‌طور فزاینده‌ای در تلاشند تا عملیات خود را بهبود بخشند و مدل‌های کسب‌وکار خود را بازطراحی کنند تا مزیت رقابتی را حفظ و رشد پایدار را تحریک کنند(سید و همکاران، 2020). نوآوری‌های فناوری به‌طور قابل توجهی برای دستیابی به این هدف کمک می‌کنند(بایود و حسین، 2024). ابزارهای پیشرفته مبتنی بر فناوری برای حسابداران و حسابرسان حرفه‌ای در دسترس است تا به آنها در انجام چابک کارهایشان کمک کند(الوائل و همکاران، 2023). نوآوری‌های فناوری بر حرفه حسابداری تأثیرات عمیق و بالقوه ای دارد، مانند افزایش رقابت‌پذیری از طریق تسهیل عملیات حسابداری سریع‌تر، دقیق‌تر و کارآمدتر. متخصصانی مانند حسابداران و حسابرسان از طریق اتوماسیون و حذف وظایف زمان‌بر و تکراری ، می‌توانند ظرفیت خود را برای مشاوره در فعالیت‌های مالی و تجاری افزایش دهند و زمان را برای کارهای با ارزش تر آزاد کنند(بایود و حسین، 2024)…

2.1. نظریه‌های مدل پذیرش هوش مصنوعی

در ابتدا از مدل پذیرش فناوری (TAM) ارائه‌شده توسط دیویس (1989) استفاده کردیم، چراکه این مدل معمولاً برای ارزیابی پذیرش فردی فناوری اطلاعات، به‌ویژه در میان متخصصان اجرایی، به کار می‌رود. سپس چارچوب فناوری-سازمان-محیط (TOE) از تورناتزکی و فلیشر (1990) را به کار بردیم، که معمولاً در پذیرش فناوری‌های سازمانی استفاده می‌شود، تا پذیرش هوش مصنوعی را در بستر سازمانی بررسی کنیم. در نهایت، نظریه وابستگی به منابع (RDT) از ففر و سالانسیک (1978) را برای حمایت از این ادعا وارد کردیم که هوش مصنوعی به‌طور قابل‌توجهی بر بقاء آینده شرکت‌های مالی و حرفه‌ای مانند شرکت‌های حسابداری و حسابرسی تأثیرگذار خواهد بود. این نظریه‌ها، مبنای توسعه مدل پذیرش هوش مصنوعی در پژوهش حاضر را تشکیل می‌دهند…

4.1 نمونه‌گیری و جمع‌آوری داده‌ها:

برای جمع آوری داده ها از یک نظرسنجی آنلاین به دلیل توانایی برآورد مدل و فرضیه‌های تحقیق، صرفه‌جویی در هزینه، دسترسی به مخاطبان هدف و سرعت پاسخگویی، استفاده شد (بین‌نوشوان و مونیا، 2023؛ فریکر و شونلائو، 2002). با توجه به اینکه این مطالعه به هوش مصنوعی می‌پردازد، استفاده از نظرسنجی آنلاین موثرترین و مناسب‌ترین ابزار برای جمع‌آوری و تجزیه و تحلیل داده‌ها است (بین‌نوشوان و همکاران، 2023b، 2023c). بنابراین، از یک شرکت نظرسنجی اینترنتی چینی با میلیون‌ها عضو که قوانین سختگیرانه‌ای برای اطمینان از کارایی پاسخگویی دارند، برای انجام نظرسنجی و مدیریت کارآمد فرایند استفاده شد…

4.2 اندازه‌گیری‌ها، پیش‌آزمون، ابزار تحلیل:

در این تحقیق از یک نظرسنجی آنلاین با 50 شاخص برای ارزیابی 13 سازه استفاده شد، از جمله فشار رقابتی، حمایت دولت، اکوسیستم تامین کنندگان، حمایت مدیریت ارشد، مزیت نسبی، سهولت استفاده، آمادگی هوش مصنوعی، جو نوآوری، اتخاذ هوش مصنوعی، حاکمیت داده‌های بزرگ، دقت گزارشگری مالی، کارایی حسابرسی و عدم تقارن اطلاعات. همه گویه ها از مقیاس‌های معتبر در ادبیات اقتباس شده و برای مطابقت با زمینه اتخاذ هوش مصنوعی در حوزه حسابرسی بازنویسی شدند. جدول 1 خلاصه‌ای از تعاریف و منابع اندازه‌گیری سازه‌ها را ارائه می‌دهد…

6.3. پیامدهای سیاستی

ذینفعان و سیاست‌گذاران، نهادهای نظارتی، متخصصان و دست‌اندرکاران، شرکت‌های حسابداری و حسابرسی در بازارهای نوظهور می‌توانند از پیامدهای سیاستی حاصل از نتایج این پژوهش بهره ببرند. ایجاد یک فضای حمایتی برای پذیرش هوش مصنوعی مستلزم آن است که شرکت‌ها به ایجاد مشارکت‌های قوی با تامین کنندگان هوش مصنوعی اولویت دهند و از دانش و توانایی‌های آن‌ها برای تسهیل فرآیند پیاده‌سازی و نگهداری مداوم استفاده کنند. مشارکت فعال و تعهد مدیریت ارشد در هدایت پروژه‌های هوش مصنوعی، حصول اطمینان از تخصیص کارآمد منابع مالی و انسانی مورد نیاز، ضروری است. علاوه بر این، شناسایی و واکنش به فشارهای رقابتی می‌تواند به عنوان محرکی برای نوآوری عمل کند و شرکت‌ها را ترغیب کند تا برای کسب یا حفظ مزیت رقابتی در صنعت، هوش مصنوعی را بپذیرند…

7.1. نتیجه‌گیری

پذیرش هوش مصنوعی در حوزه‌های مالی و حسابرسی، پیامدهای چندوجهی دارد که هم پتانسیل تحول‌آفرین آن و هم پیچیدگی‌های ناشی از آن را به نمایش می‌گذارد. یافته‌ها نشان می‌دهند که چگونه هوش مصنوعی بر کارایی، دقت و نقش استراتژیک متخصصان در مواجهه با چالش‌های اخلاقی و نظارتی در این صنایع اثر می‌گذارد. این پژوهش که بر پایه مبانی نظری استوار است، یک چارچوب جامع و قوی را توسعه داده و اعتبارسنجی می‌کند تا درک عمیق‌تری از پذیرش هوش مصنوعی در چشم‌انداز مالی و حسابرسی ارائه دهد. این چارچوب، از یک مدل یکپارچه مبتنی بر رویکرد TOE-TAM-RDT بهره می‌گیرد. هدف از این مطالعه، بررسی تجربی عواملی است که پذیرش هوش مصنوعی را در میان شرکت‌های حسابداری و حسابرسی (AAFها) شکل می‌دهند و نیز نقش بالقوه آن در دقت گزارشگری مالی، کارایی حسابرسی و عدم تقارن اطلاعاتی را تبیین می‌کند. با به‌کارگیری یک مدل اعتبارسنجی‌شده TOE-TAM-RDT و تحلیل 734 پاسخ از شرکت‌های حسابداری و حسابرسی  با استفاده از روش PLS-SEM، دریافتیم که پذیرش هوش مصنوعی تحت تأثیر فشار رقابتی، اکوسیستم تامین کنندگان، حمایت مدیریت ارشد، مزیت نسبی، آمادگی برای پذیرش هوش مصنوعی و جو نوآوری قرار دارد. استفاده از سیستم‌های مبتنی بر هوش مصنوعی در میان شرکت‌های حسابداری و حسابرسی ، تأثیر مثبتی بر دقت گزارشگری مالی و کارایی حسابرسی داشته، در حالی که تأثیر منفی بر عدم تقارن اطلاعاتی بر جای گذاشته است. نتایج همچنین نشان‌دهنده اثر تعدیل‌گر معنادار حاکمیت داده‌های بزرگ است. به این معنا که مدیریت صحیح، کیفیت و استفاده اخلاقی از داده‌ها در داخل شرکت‌های حسابداری و حسابرسی می‌تواند مزایای پذیرش هوش مصنوعی را تقویت کند و موجب افزایش دقت گزارشگری مالی، بهبود کارایی حسابرسی و کاهش عدم تقارن‌های اطلاعاتی بین شرکت‌های حسابداری و حسابرسی و ذینفعان شود. این نتایج، نه‌تنها به پیشبرد مباحث علمی پیرامون پذیرش هوش مصنوعی در چشم‌انداز مالی و حسابداری کمک می‌کنند، بلکه راهبردهای عملی برای ذینفعان ارائه می‌دهند تا بتوانند مزایای این فناوری نوظهور و تحول‌آفرین را برای  شرکت‌های حسابداری و حسابرسی به حداکثر برسانند…

فرضیات

H1. فشار رقابتی (CP) تأثیر مثبتی بر پذیرش هوش مصنوعی در زمینه مالی و حسابرسی دارد.
H2. حمایت دولتی (GS) تأثیر مثبتی بر پذیرش هوش مصنوعی در زمینه مالی و حسابرسی دارد.
H3. اکوسیستم تامین کنندگان(VE) تأثیر مثبتی بر پذیرش هوش مصنوعی در زمینه مالی و حسابرسی دارد.
H4. پشتیبانی مدیریت ارشد (TMS) تأثیر مثبتی بر پذیرش هوش مصنوعی در زمینه مالی و حسابرسی دارد.
H5. مزیت نسبی (RA) تأثیر مثبتی بر پذیرش هوش مصنوعی در زمینه مالی و حسابرسی دارد.
H6. سهولت استفاده (EoU) تأثیر مثبتی بر پذیرش هوش مصنوعی در زمینه مالی و حسابرسی دارد.
H7. آمادگی هوش مصنوعی (AIR) تأثیر مثبتی بر پذیرش هوش مصنوعی در زمینه مالی و حسابرسی دارد.
H8. جو نوآوری (IC) تأثیر مثبتی بر پذیرش هوش مصنوعی در زمینه مالی و حسابرسی دارد.
H9. پذیرش هوش مصنوعی (ADP) تأثیر مثبتی بر دقت گزارشگری مالی در میان AAF ها دارد.
H10. پذیرش هوش مصنوعی (ADP) تأثیر مثبتی بر کارایی حسابرسی در میان AAF ها دارد.
H11. پذیرش هوش مصنوعی (ADP) تأثیر منفی بر عدم تقارن اطلاعات در میان AAF ها دارد.

H12. حاکمیت کلان داده (BIG) رابطه مثبت بین ADP و دقت گزارشگری مالی را در میان AAFها تقویت می کند.
H13. حاکمیت کلان داده (BIG) رابطه مثبت بین ADP و کارایی حسابرسی را در میان AAFها تقویت می کند.
H14. حاکمیت کلان داده (BIG) رابطه منفی بین ADP و عدم تقارن اطلاعات را در میان AAFها تقویت می کند.

مدل مفهومی تاثیر هوش مصنوعی بر دقت گزارشگری مالی، کارایی حسابرسی و عدم تقارن اطلاعات

Abstract  

Accounting and auditing firms (AAFs) are experiencing a paradigm shift with the integration of artificial intelligence (AI), which has the potential to revolutionise important areas like fostering financial reporting accuracy, auditing efficiency, and diminishing information asymmetry. Yet, the effectiveness of AI adoption in achieving this goal is not guaranteed. Hence, this study aims to empirically explore what shapes AI adoption among AAFs, and what its potential role is in financial reporting accuracy, auditing efficiency, and information asymmetry. By applying a validated model of TOE-TAM-RDT and analysing using PLS-SEM, we found that AI adoption was shaped by competitive pressure, vendor ecosystem, top management support, relative advantage, AI readiness, and innovation climate. The adoption of AI-driven systems among AAFs exerted a positive impact on financial reporting accuracy, and auditing efficiency, while a negative impact on information asymmetry. Results further reveal a significant moderating effect of big data governance, demonstrating that proper management, quality, and ethical use of data within AAFs can amplify AI adoption benefits, boosting financial reporting accuracy, auditing efficiency, and mitigating information asymmetries between AAFs and stakeholders. These outcomes not only advance scholarly conversations on AI adoption in the financial and accounting landscape but also deliver actionable strategies for stakeholders to maximise AAFs’ benefits from this emerging revolutionary technology.

Keywords: Artificial intelligence, Accounting and auditing firms, Big data governance, AI adoption, Financial reporting, Auditing efficiency, Information asymmetry

1.Introduction

Nowadays, accounting and auditing firms (AAFs) are increasingly striving to improve their operations and redesign their business models to maintain a competitive edge and drive sustainable growth (Syed et al., 2020). Technological innovations greatly aid in achieving this goal (Baiod & Hussain, 2024). A variety of advanced technology-driven tools are available to professional accountants and auditors to support them in completing their tasks with agility (Al Wael et al., 2023). There are potential profound implications of technological advancements for the accounting profession, such as enhancing competitiveness by facilitating faster, more accurate, and more efficient accounting operations. Professionals like accountants and auditors can boost their capacity to advise on financial and business activities by using technology to automate and de-skill time-consuming and repetitive tasks, freeing up time for higher-value work (Baiod & Hussain, 2024)…

7.1.Conclusion

The adoption of AI in finance and auditing has multifaceted implications, demonstrating its potential for transformation and the complexities it brings. Important discoveries highlight how AI affects efficiency, accuracy, and the strategic role of professionals as they address ethical and regulatory challenges in these industries. This theoretically informed research develops and validates a robust comprehensive framework to provide further insights into AI adoption in the financial and auditing landscape, applying an integrated model of the TOE-TAM-RDT approach. The objective of this study is to empirically explore what shapes AI adoption among AAFs, and what its potential role is in financial reporting accuracy, auditing efficiency, and information asymmetry. By applying a validated model of TOE-TAM- RDT and 734 responses from AAFs analysed using PLS-SEM, we found that AI adoption was shaped by competitive pressure, vendor ecosystem, top management support, relative advantage, AI readiness, and innovation climate. The adoption of AI-driven systems among AAFs exerted a positive impact on financial reporting accuracy, and auditing efficiency, while a negative impact on information asymmetry. Results further reveal a significant moderating effect of big data governance, demonstrating that proper management, quality, and ethical use of data within AAFs can amplify AI adoption benefits, boosting financial reporting accuracy, auditing efficiency, and mitigating information asymmetries between AAFs and stakeholders. These outcomes not only advance scholarly conversations on AI adoption in the financial and accounting landscape but also deliver actionable strategies for stakeholders to maximise AAFs’ benefits from this emerging revolutionary technology…

hypothesis

H1. Competitive pressure (CP) exerts a positive impact on AI adoption in the financial and auditing landscape.
H2. Government support (GS) exerts a positive impact on AI adoption in the financial and auditing landscape.
H3. Vendor ecosystem (VE) exerts a positive impact on AI adoption in the financial and auditing landscape.
H4. Top management support (TMS) exerts a positive impact on AI adoption in the financial and auditing landscape.
H5. Relative advantage (RA) exerts a positive impact on AI adoption in the financial and auditing landscape.
H6. Ease of use (EoU) exerts a positive impact on AI adoption in the financial and auditing landscape.
H7. AI readiness (AIR) exerts a positive impact on AI adoption in the financial and auditing landscape.
H8. Innovation climate (IC) exerts a positive impact on AI adoption in the financial and auditing landscape.
H9. AI adoption (ADP) exerts a positive impact on financial reporting accuracy among AAFs.
H10. AI adoption (ADP) exerts a positive impact on auditing efficiency among AAFs.
H11. AI adoption (ADP) exerts a negative impact on information asymmetry among AAFs.

H12. Big data governance (BIG) strengthens the positive relationship between ADP and financial reporting accuracy among AAFs.

H13. Big data governance (BIG) strengthens the positive relationship between ADP and auditing efficiency among AAFs.

H14. Big data governance (BIG) strengthens the negative relationship between ADP and information asymmetry among AAFs.

مقالات مرتبط با این موضوع

مقالات 2025 حسابداری مقالات 2025 حسابرسی مقالات 2025 درباره گزارشگری  مالی مقالات 2025 مدیریت فناوری اطلاعات مقالات 2025 درباره هوش مصنوعی مقالات 2025 در مورد کاربرد فناوری در حسابداری مقالات 2025 در مورد کاربرد هوش مصنوعی در حسابداری مقاله 2025 در مورد عدم تقارن اطلاعاتی مقاله 2025 در مورد مزیت رقابتی مقاله  2025 درباره نوآوری سازمانی