حسابداری، امور مالی و هوش محاسباتی 3092-7366 4 پاییز 1405 1405 06 01 Comparing the Accuracy of Hybrid Audit Opinion Prediction Models Based on Particle Swarm Optimization (PSO) and Barnacle Optimization (BMO) Metaheuristic مقایسه دقّت مدل‌های ترکیبی پیش‌بینی اظهارنظر حسابرسی مبتنی بر الگوریتم‌های بهینه‌سازی ازدحام ذرات (PSO) و متاهیوریستیک کشتی‌چسب (BMO) 1 24 10.61838/jafci.272 FA علی خلیفه شریفی دانشجوی دکتری، گروه حسابداری، دانشکده مدیریت و اقتصاد، دانشگاه شهید باهنر کرمان، کرمان، ایران. مهدی بهار مقدم دانشیار، گروه حسابداری، دانشکده مدیریت و اقتصاد، دانشگاه شهید باهنرکرمان، کرمان، ایران. علیرضا رحیمی استادیار، گروه حسابداری، دانشکده مدیریت و اقتصاد، دانشگاه شهید باهنرکرمان، کرمان، ایران. Journal Article 1404/04/09 <p>This study aims to compare the accuracy of hybrid audit opinion prediction models based on Particle Swarm Optimization (PSO) and Barnacle Optimization (BMO) metaheuristic algorithms. This applied research adopted a descriptive–analytical design. The statistical population included companies listed on the Tehran Stock Exchange between 2015 and 2024, with 138 firms selected through systematic elimination. Data were collected from audited financial statements in the CODAL system and Rahavard Novin software and analyzed using MATLAB 2024 and EViews 13. The multilayer perceptron (MLP) neural network served as the baseline model, while PSO and BMO algorithms optimized its weights and biases. Model performance was assessed using the confusion matrix, Receiver Operating Characteristic (ROC) curve, Area Under the Curve (AUC), correlation coefficient, paired t-test, ANOVA, Friedman, and DeLong tests. All four hypotheses were supported. Optimization of the MLP neural network using PSO and BMO algorithms significantly enhanced prediction accuracy compared with the base model. The BMO algorithm exhibited more robust and stable performance than PSO. The proposed hybrid model combining Random Forest (RF), Extreme Gradient Boosting (XGBoost), and BMO-optimized MLP achieved the highest performance, with 98.9% accuracy, 98.8% precision, and an AUC value of 0.995. The DeLong and Friedman tests confirmed that the BMO-based model significantly outperformed the PSO-based model. Integrating machine learning and metaheuristic optimization substantially improved audit opinion prediction accuracy. The proposed RF–XGBoost–MLP–BMO hybrid framework emerged as the most effective and reliable structure, enhancing auditors’ data-driven decision-making while minimizing human bias and error.</p> <p>هدف پژوهش مقایسه دقّت مدل‌های ترکیبی پیش‌بینی اظهارنظر حسابرسی مبتنی بر الگوریتم‌های بهینه‌سازی ازدحام ذرات (PSO) و متاهیوریستیک کشتی‌چسب (BMO) است. پژوهش حاضر از نوع کاربردی و با رویکرد توصیفی–تحلیلی انجام شده است. جامعه آماری شامل شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران طی سال‌های ۱۳۹۴ تا ۱۴۰۳ بود که پس از حذف سیستماتیک شرکت‌های غیرمرتبط، داده‌های ۱۳۸ شرکت به‌عنوان نمونه نهایی انتخاب گردید. داده‌ها از سامانه کدال و نرم‌افزار ره‌آورد نوین استخراج و در محیط متلب نسخه 2024 و ایویوز 13 تحلیل شدند. برای مدل‌سازی، از شبکه عصبی پرسپترون چندلایه (MLP) به‌عنوان مدل پایه استفاده شد و الگوریتم‌های PSO و BMO برای بهینه‌سازی وزن‌ها و بایاس‌های شبکه به‌کار گرفته شدند. همچنین، جهت مقایسه عملکرد مدل‌ها از ماتریس آشفتگی، منحنی مشخصه عملکرد گیرنده (ROC)، سطح زیر منحنی (AUC)، ضریب همبستگی، آزمون t زوجی، تحلیل واریانس (ANOVA)، آزمون فریدمن و آزمون DeLong استفاده شد. نتایج نشان داد که هر چهار فرضیه پژوهش تأیید شدند. بهینه‌سازی شبکه عصبی پرسپترون چندلایه با الگوریتم‌های PSO و BMO باعث افزایش معنادار دقّت پیش‌بینی نسبت به مدل پایه گردید. الگوریتم BMO در مقایسه با PSO عملکرد دقیق‌تر و پایدارتری داشت و مدل ترکیبی پیشنهادی شامل جنگل تصادفی (RF)، تقویت گرادیان (XGBoost) و شبکه عصبی بهینه‌شده با BMO بالاترین دقت را با صحت ۹۸٫۹٪، دقت ۹۸٫۸٪ و مقدار AUC برابر 0.995 نشان داد. آزمون‌های آماری (DeLong و فریدمن) نیز تفاوت معنادار عملکرد مدل مبتنی بر BMO نسبت به PSO را تأیید کردند. به‌کارگیری ترکیب الگوریتم‌های یادگیری ماشین و بهینه‌سازی متاهیوریستیک موجب بهبود قابل‌توجه دقت پیش‌بینی اظهارنظر حسابرسی شد. مدل پیشنهادی RF–XGBoost–MLP–BMO توانست به‌عنوان دقیق‌ترین ساختار، فرآیند تصمیم‌گیری حسابرس را داده‌محور سازد و با کاهش خطاهای انسانی، به افزایش اعتبار قضاوت حسابرسی کمک کند.</p> https://jafci.com/index.php/jafci/article/download/272/274