مقاله انگلیسی با ترجمه آیا هوش مصنوعی می‌تواند ریسک حسابرسی شرکت‌ها را کاهش دهد؟ شواهدی از شرکت‌های پذیرفته‌شده در بورس چین

مشخصات مقاله  فهرست مطالب نمونه ترجمه مقاله انگلیسی سایت ناشر خرید ترجمه مقالات مرتبط سفارش پروپوزال

عنوان فارسی:

آیا هوش مصنوعی می‌تواند ریسک حسابرسی شرکت‌ها را کاهش دهد؟ شواهدی از شرکت‌های پذیرفته‌شده در بورس چین

عنوان انگلیسی:

Can artificial intelligence reduce corporate audit risk? Evidence from Chinese listed companies

کد محصول: h1209

سال نشر: 2026

نام ناشر (پایگاه داده): الزویر

نام مجله: International Review of Economics and Finance

نوع مقاله: علمی پژوهشی (Research articles)

متغیر : دارد

فرضیه: دارد

مدل مفهومی: دارد

پرسشنامه : ندارد

تعداد صفحه انگلیسی: 13  صفحه PDF

تعداد صفحه ترجمه فارسی:   40 صفحه WORD

قیمت فایل ترجمه شده:  257000 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 

گسترش سریع فناوری‌های هوش مصنوعی (AI) در صنایع مختلف، پرسش‌های بنیادینی را درباره پیامدهای آن‌ها برای حاکمیت شرکتی و سازوکارهای نظارت خارجی مطرح می‌کند. این مطالعه با استفاده از یک مجموعه‌داده جامع از شرکت‌های پذیرفته‌شده در بورس چین در بازه زمانی 2011 تا 2023، بررسی می‌کند که آیا و چگونه سرمایه‌گذاری شرکت‌ها در هوش مصنوعی بر ریسک حسابرسی تأثیر می‌گذارد. با اندازه‌گیری سرمایه‌گذاری در هوش مصنوعی از طریق تجمیع دارایی‌های نرم‌افزاری و سخت‌افزاری مرتبط با هوش مصنوعی نسبت به کل دارایی‌ها، و سنجش ریسک حسابرسی از طریق انحراف مطلق حق‌الزحمه حسابرسی از سطوح مورد انتظار، از مدل‌های رگرسیون پانل با اثرات ثابت دوطرفه برای بررسی این رابطه استفاده می‌کنیم. نتایج پایه ما نشان می‌دهد که سرمایه‌گذاری در هوش مصنوعی به‌طور معناداری ریسک حسابرسی را کاهش می‌دهد، به‌گونه‌ای که افزایش یک واحدی در سرمایه‌گذاری در هوش مصنوعی با کاهش 0.672 واحدی در انحراف ریسک حسابرسی همراه است. این یافته بر اساس مشخصات متعدد مدل، از جمله برآورد متغیر ابزاری با استفاده از سرمایه‌گذاری با وقفه در هوش مصنوعی، تطبیق نمره تمایل، اصلاح دو مرحله‌ای هکمن، برآورد GMM سیستمی، معیارهای جایگزین متغیرها، و مدل‌های اثرات ثابت صنعت-سال، همچنان پایدار باقی می‌ماند. تحلیل سازوکار نشان می‌دهد که کیفیت کنترل داخلی به‌عنوان یک کانال انتقال معنادار عمل می‌کند که از طریق آن سرمایه‌گذاری در هوش مصنوعی ریسک حسابرسی را کاهش می‌دهد. افزون بر این، تخصص صنعتی حسابرس اثر کاهنده ریسک سرمایه‌گذاری در هوش مصنوعی را تقویت می‌کند که نشان‌دهنده مکمل‌بودن پیشرفت فناوری و تخصص حرفه‌ای است. تحلیل‌های ناهمگونی نشان می‌دهد که اثر کاهش ریسک حسابرسی در شرکت‌های دولتی، صنایع غیرآلاینده و مناطقی که در برنامه‌های آزمایشی زیرساخت دیجیتال مشارکت دارند، مشهودتر است. این یافته‌ها به ادبیات رو به رشد درباره پیامدهای حاکمیتی تحول دیجیتال کمک می‌کنند و بینش‌های عملی برای تصمیمات سرمایه‌گذاری فناوری شرکت‌ها، توسعه رویه‌های حسابرسی و تدوین سیاست‌های نظارتی در زمینه تحول اقتصادی مبتنی بر هوش مصنوعی ارائه می‌دهند.

کلمات کلیدی: هوش مصنوعی، ریسک حسابرسی، کیفیت کنترل داخلی، تخصص صنعتی حسابرس، تحول دیجیتال، حاکمیت شرکتی

Abstract: The rapid diffusion of artificial intelligence (AI) technologies across industries raises fundamental questions about their implications for corporate governance and external monitoring mechanisms. This study investigates whether and how corporate AI investment influences audit risk using a comprehensive dataset of Chinese listed companies spanning 2011–2023. Measuring AI investment through the aggregation of AI-related software and hardware assets relative to total assets, and capturing audit risk via the absolute deviation of audit fees from expected levels, we employ two-way fixed effects panel regression models to examine this relationship. Our baseline results demonstrate that AI investment significantly reduces audit risk, with a one-unit increase in AI investment associated with a 0.672-unit decrease in audit risk deviation. This finding remains robust across multiple specifications, including instrumental variable estimation using lagged AI investment, propensity score matching, Heckman two-stage correction, system GMM estimation, alternative variable measurements, and industry-year fixed effects models. Mechanism analysis reveals that internal control quality serves as a significant transmission channel through which AI investment mitigates audit risk. Furthermore, auditor industry specialization strengthens the riskreducing effect of AI investment, suggesting complementarity between technological advancement and professional expertise. Heterogeneity analyses indicate that the audit risk reduction effect is more pronounced in state-owned enterprises, non-heavily-polluting industries, and regions participating in digital infrastructure pilot programs. These findings contribute to the growing literature on the governance implications of digital transformation and offer practical insights for corporate technology investment decisions, audit practice development, and regulatory policy formulation in the context of AI-driven economic transformation.

Keywords: Artificial intelligence, Audit risk, Internal control quality, Auditor industry specialization, Digital transformation, Corporate governance

1. مقدمه

ادغام هوش مصنوعی در عملیات شرکت‌ها یکی از مهم‌ترین تغییرات فناورانه قرن بیست‌ویکم را نشان می‌دهد (ژانگ و بین بالیا، 2024). کاربردهای هوش مصنوعی تقریباً در هر بخش از اقتصاد جهانی از خودکارسازی تولید گرفته تا تحلیل‌های مالی نفوذ کرده‌اند و به‌طور اساسی نحوه تولید، مدیریت و ارتباط اطلاعات توسط شرکت‌ها را تغییر داده‌اند (صالح و همکاران، 2026). چین، به‌عنوان دومین اقتصاد بزرگ جهان و یکی از پیشگامان پذیرش فناوری‌های هوش مصنوعی، زمینه‌ای متقاعدکننده برای بررسی پیامدهای حاکمیتی این انقلاب فناورانه فراهم می‌کند. با تأکید راهبردی دولت چین بر توسعه هوش مصنوعی از طریق ابتکاراتی مانند «برنامه توسعه نسل جدید هوش مصنوعی» و سرمایه‌گذاری‌های قابل‌توجه شرکت‌ها در سیستم‌های هوشمند، درک اینکه پذیرش هوش مصنوعی چگونه بر سازوکارهای بنیادی نظارت شرکتی تأثیر می‌گذارد، هم از نظر نظری مهم و هم از نظر عملی ضروری شده است (خانال و همکاران، 2025؛ وگلیانتی و همکاران، 2022)…

1. Introduction The integration of artificial intelligence into corporate operations represents one of the most significant technological shifts of the twenty-first century (Zhang & Bin Balia, 2024). From manufacturing automation to financial analytics, AI applications have permeated virtually every sector of the global economy, fundamentally altering how firms produce, manage, and communicate information (Saleh et al., 2026). China, as the world’s second-largest economy and a leading adopter of AI technologies, provides a particularly compelling context for examining the governance implications of this technological revolution. With the Chinese government’s strategic emphasis on AI development through initiatives such as the “New Generation Artificial Intelligence Development Plan” and substantial corporate investments in intelligent systems, understanding how AI adoption affects fundamental corporate oversight mechanisms has become both theoretically important and practically urgent (Khanal et al., 2025; Veglianti et al., 2022)…

2.1. هوش مصنوعی و محیط اطلاعاتی شرکت

هوش مصنوعی مجموعه گسترده‌ای از فناوری‌های محاسباتی را دربرمی‌گیرد که با هدف شبیه‌سازی کارکردهای شناختی انسان، از جمله یادگیری، استدلال، حل مسئله و تصمیم‌گیری طراحی شده‌اند (جوکسیموویچ و همکاران، 2023؛ جاراهی، 2018؛ جابوب و همکاران، 2024). در زمینه شرکتی، کاربردهای هوش مصنوعی از خودکارسازی فرایندهای رباتیک که تراکنش‌های معمول را انجام می‌دهد تا الگوریتم‌های پیچیده یادگیری ماشین که الگوها را در مجموعه‌داده‌های بزرگ شناسایی کرده و بینش‌های پیش‌بینانه ایجاد می‌کنند، متغیر است. ویژگی متمایزکننده هوش مصنوعی در مقایسه با فناوری اطلاعات سنتی، در ظرفیت آن برای یادگیری و سازگاری خودمختار نهفته است که به سیستم‌ها امکان می‌دهد بدون برنامه‌ریزی مجدد صریح، عملکرد خود را در طول زمان بهبود بخشند. این ویژگی، هوش مصنوعی را به‌ویژه برای وظایفی که شامل تشخیص الگوهای پیچیده، شناسایی ناهنجاری‌ها و تحلیل‌های پیش‌بینانه هستند، ارزشمند می‌سازد؛ همه این موارد پیامدهای مستقیمی برای کیفیت اطلاعات مالی و اثربخشی کنترل‌های داخلی دارند…

2.1. Artificial intelligence and corporate information environment Artificial intelligence encompasses a broad array of computational technologies designed to simulate human cognitive functions, including learning, reasoning, problem-solving, and decision-making (Joksimovic et al., 2023; Jarrahi, 2018; Jaboob et al., 2024). In the corporate context, AI applications range from robotic process automation that handles routine transactions to sophisticated machine learning algorithms that detect patterns in large datasets and generate predictive insights. The distinguishing feature of AI relative to traditional information technology lies in its capacity for autonomous learning and adaptation, enabling systems to improve performance over time without explicit reprogramming. This characteristic makes AI particularly valuable for tasks involving complex pattern recognition, anomaly detection, and predictive analytics—all of which have direct implications for the quality of financial information and the effectiveness of internal controls…

2.3. دیدگاه ریسک حسابرسی

ریسک حسابرسی، همان‌گونه که در استانداردهای حسابرسی و ادبیات دانشگاهی مفهوم‌سازی شده است، شامل سه مؤلفه مرتبط با یکدیگر است: ریسک ذاتی، ریسک کنترل و ریسک کشف (دآنجلو، 1981؛ فرانسیس، 1984). ریسک ذاتی به آسیب‌پذیری یک ادعا در برابر تحریف بااهمیت، پیش از در نظر گرفتن کنترل‌های داخلی، اشاره دارد. ریسک کنترل نشان‌دهنده احتمال آن است که یک تحریف بااهمیت توسط سیستم کنترل داخلی صاحبکار پیشگیری یا شناسایی نشود. ریسک کشف عبارت است از احتمال اینکه روش‌های حسابرس نتوانند یک تحریف بااهمیت موجود را کشف کنند. مدل ضربی ریسک حسابرسی ــ ریسک حسابرسی برابر است با ریسک ذاتی ضربدر ریسک کنترل ضربدر ریسک کشف ــ چارچوبی برای درک این موضوع فراهم می‌کند که سرمایه‌گذاری در هوش مصنوعی چگونه ممکن است از طریق تأثیر بر یک یا چند مورد از این ریسک‌های مؤلفه‌ای، بر ریسک کلی حسابرسی تأثیر بگذارد…

2.3. The audit risk perspective Audit risk, as conceptualized in auditing standards and academic literature, comprises three interrelated components: inherent risk, control risk, and detection risk (DeAngelo, 1981; Francis, 1984). Inherent risk refers to the susceptibility of an assertion to material misstatement before considering internal controls. Control risk represents the probability that a material misstatement will not be prevented or detected by the client’s internal control system. Detection risk is the probability that the auditor’s procedures will fail to detect a material misstatement that exists. The multiplicative audit risk model—audit risk equals inherent risk times control risk times detection risk—provides a framework for understanding how AI investment might influence overall audit risk through effects on one or more of these component risks…

فرضیات

H1. سرمایه‌گذاری شرکت‌ها در هوش مصنوعی با ریسک حسابرسی رابطه منفی دارد.
H2. کیفیت کنترل داخلی رابطه بین سرمایه‌گذاری در هوش مصنوعی و ریسک حسابرسی را میانجی‌گری می‌کند.
H3. تخصص صنعتی حسابرس رابطه منفی بین سرمایه‌گذاری در هوش مصنوعی و ریسک حسابرسی را تقویت می‌کند.

H1. Corporate AI investment is negatively associated with audit risk.
H2. Internal control quality mediates the relationship between AI investment and audit risk.
H3. Auditor industry specialization strengthens the negative relationship between AI investment and audit risk.

3.1. انتخاب نمونه و منابع داده

این مطالعه از یک مجموعه‌داده جامع از شرکت‌های پذیرفته‌شده در بورس A-share  چین در دوره 2011 تا 2023 استفاده می‌کند. انتخاب این بازه زمانی با چند ملاحظه انجام شده است. نخست، این دوره ظهور و گسترش سریع پذیرش هوش مصنوعی در میان شرکت‌های چینی را دربرمی‌گیرد و تنوع قابل‌توجهی در سطوح سرمایه‌گذاری در هوش مصنوعی میان شرکت‌ها و در طول زمان فراهم می‌کند. دوم، در دسترس‌بودن افشاهای دقیق صورت‌های مالی طی این دوره، ایجاد معیارهای سرمایه‌گذاری در هوش مصنوعی بر اساس طبقه‌بندی دارایی‌ها را امکان‌پذیر می‌سازد. سوم، بازه سیزده‌ساله مشاهدات کافی برای تحلیل قوی داده‌های پانل فراهم می‌کند و در عین حال از شکست‌های ساختاری بالقوه مرتبط با تغییرات مقرراتی پیشین در استانداردهای حسابداری چین اجتناب می‌کند…

3.1. Sample selection and data sources This study employs a comprehensive dataset of Chinese A share listed companies spanning the period from 2011 to 2023. The selection of this time frame is motivated by several considerations. First, the period captures the emergence and rapid expansion of AI adoption among Chinese corporations, providing substantial variation in AI investment levels across firms and over time. Second, the availability of detailed financial statement disclosures during this period enables the construction of AI investment measures based on asset classifications. Third, the thirteen year window provides sufficient observations for robust panel data analysis while avoiding potential structural breaks associated with earlier regulatory changes in Chinese accounting standards…

6. نتیجه‌گیری و پیامدها

این مطالعه با استفاده از داده‌های شرکت‌های پذیرفته‌شده در بورس چین (2011 تا 2023)، بررسی می‌کند که آیا سرمایه‌گذاری شرکت‌ها در هوش مصنوعی بر ریسک حسابرسی تأثیر می‌گذارد یا خیر. ما یک رابطه منفی پایدار میان سرمایه‌گذاری در هوش مصنوعی و ریسک حسابرسی را اثبات می‌کنیم. ضریب پایه 0.672- نشان می‌دهد که سرمایه‌گذاری بیشتر در هوش مصنوعی با ریسک حسابرسی به‌طور معناداری پایین‌تر همراه است. این یافته بر اساس برآورد متغیر ابزاری، تطبیق نمره تمایل، اصلاح هکمن و چندین آزمون استحکام، همچنان پابرجا می‌ماند.

تحلیل سازوکار نشان می‌دهد که کیفیت کنترل داخلی این رابطه را به‌طور جزئی میانجی‌گری می‌کند. سرمایه‌گذاری در هوش مصنوعی کیفیت کنترل داخلی را بهبود می‌بخشد که به نوبه خود ریسک حسابرسی را کاهش می‌دهد. آزمون سوبل معناداری آماری اثر غیرمستقیم را تأیید می‌کند. تحلیل تعدیل نشان می‌دهد که تخصص صنعتی حسابرس مزیت هوش مصنوعی را تقویت می‌کند و جمله تعاملی با مقدار 6.159- معنادار است. تحلیل‌های ناهمگونی نشان می‌دهند که این اثر در شرکت‌های دولتی، صنایع غیرآلاینده و مناطق دارای برنامه‌های آزمایشی دیجیتال قوی‌تر است…

6. Conclusion and implications This study examines whether corporate AI investment influences audit risk using data from Chinese listed companies (2011 to 2023). We document a robust negative relationship between AI investment and audit risk. The baseline coefficient of negative 0.672 indicates that higher AI investment is associated with significantly lower audit risk. This finding survives instrumental variable estimation, propensity score matching, Heckman correction, and multiple robustness tests. Mechanism analysis reveals that internal control quality partially mediates this relationship. AI investment improves internal control quality, which in turn reduces audit risk. The Sobel test confirms statistical significance of the indirect effect. Moderation analysis shows that auditor industry specialization amplifies the AI benefit, with the interaction term significant at negative 6.159. Heterogeneity analyses reveal the effect is stronger in SOEs, non polluting industries, and digital pilot regions…