<?xml version="1.0" encoding="UTF-8"?>
<ArticleSet>
  <Article>
    <Journal>
      <PublisherName></PublisherName>
      <JournalTitle>حسابداری، امور مالی و هوش محاسباتی</JournalTitle>
      <Issn>3092-7366</Issn>
      <Volume></Volume>
      <Issue>در دست انتشار</Issue>
      <PubDate PubStatus="epublish">
        <Year>1406</Year>
        <Month>08</Month>
        <Day>01</Day>
      </PubDate>
    </Journal>
    <ArticleTitle>Explaining the Key Determinants of Financial Fraud in Iranian Companies Through the Integration of Qualitative Data and the XGBoost Model</ArticleTitle>
    <VernacularTitle>تبیین عوامل کلیدی تقلب مالی در شرکت‌های ایرانی با تلفیق داده‌های کیفی و مدل XGBoost</VernacularTitle>
    <FirstPage>1</FirstPage>
    <LastPage>25</LastPage>
    <Language>FA</Language>
    <AuthorList>
      <Author>
        <FirstName>یوسف </FirstName>
        <LastName>فیض اللهی</LastName>
        <Affiliation>گروه حسابداری، واحد ایلام، دانشگاه آزاد اسلامی، ایلام، ایران. </Affiliation>
      </Author>
      <Author>
        <FirstName>فاطمه</FirstName>
        <LastName>احمدی</LastName>
        <Affiliation>گروه حسابداری، واحد ایلام، دانشگاه آزاد اسلامی، ایلام، ایران.</Affiliation>
      </Author>
      <Author>
        <FirstName>صادق</FirstName>
        <LastName> فیض اللهی</LastName>
        <Affiliation>گروه مدیریت، واحد ایلام، دانشگاه آزاد اسلامی، ایلام، ایران.  </Affiliation>
      </Author>
      <Author>
        <FirstName>مجتبی</FirstName>
        <LastName> مرادپور</LastName>
        <Affiliation>گروه حسابداری، واحد ایلام، دانشگاه آزاد اسلامی، ایلام، ایران. </Affiliation>
      </Author>
    </AuthorList>
    <PublicationType>Journal Article</PublicationType>
    <History>
      <PubDate PubStatus="received">
        <Year>1404</Year>
        <Month>12</Month>
        <Day>09</Day>
      </PubDate>
    </History>
    <Abstract>&lt;p&gt;This study aimed to identify, contextualize, validate, and rank the determinants of financial fraud risk in Iranian companies and to develop a context-sensitive model for fraud-risk assessment and prediction. A mixed-methods qualitative–quantitative approach with a descriptive survey design was employed. In the qualitative phase, 45 studies published during the preceding five years were examined through meta-synthesis, and semi-structured interviews were conducted with 12 experts possessing at least 10 years of professional experience in auditing, financial management, corporate governance, or capital-market regulation. Interview data were analyzed through thematic analysis using open, axial, and selective coding. Inter-coder reliability was 0.86. Integration of the qualitative findings produced an initial set of 17 determinants. In the quantitative phase, Pearson correlation coefficients and analysis of variance were applied in SPSS to assess the relationships between these determinants and financial fraud risk. Following statistical screening, 15 determinants were entered into the XGBoost algorithm and ranked using Gain Importance. Poor audit quality and weak board oversight demonstrated the strongest association with fraud risk (r=0.465, p&amp;lt;0.001; F=22.30, p&amp;lt;0.001). Significant relationships were also found for financial pressure and high leverage (r=0.421, p=0.001; F=18.92, p&amp;lt;0.001), fraud triangle/pentagon elements (r=0.403, p=0.001; F=16.54, p=0.001), and concentrated family ownership (r=0.398, p=0.002; F=16.01, p=0.001). Internal-auditor independence and operational complexity were excluded because their effects were statistically nonsignificant. The XGBoost ranking identified poor audit quality and weak board oversight (18.7%), financial pressure and high leverage (15.2%), and concentrated family ownership (12.4%) as the three most influential predictors, jointly accounting for nearly half of the model’s explanatory importance. Effective fraud-risk assessment in Iran requires the integration of universal indicators with context-specific economic, ownership, and regulatory conditions. Fraud-prevention policies should prioritize audit quality and independence, effective board oversight, ownership transparency, and systematic management of financial pressures.&lt;/p&gt;</Abstract>
    <OtherAbstract Language="FA">&lt;p&gt;هدف پژوهش حاضر، شناسایی، بومی‌سازی، اعتبارسنجی و رتبه‌بندی عوامل مؤثر بر ریسک تقلب مالی در شرکت‌های ایرانی و ارائه مدلی زمینه‌مند برای ارزیابی و پیش‌بینی این ریسک بود. این پژوهش با رویکرد آمیخته کیفی–کمی و طرح توصیفی–پیمایشی انجام شد. در بخش کیفی، 45 مطالعه منتشرشده طی پنج سال اخیر با روش فراترکیب بررسی و مصاحبه‌های نیمه‌ساختاریافته با 12 خبره دارای حداقل 10 سال سابقه تخصصی در حسابرسی، مدیریت مالی، حاکمیت شرکتی یا مقررات‌گذاری بازار سرمایه اجرا شد. داده‌های مصاحبه با تحلیل مضمون و کدگذاری باز، محوری و گزینشی تحلیل شدند و پایایی بین کدگذاران برابر با 0.86 به دست آمد. تلفیق یافته‌های کیفی به شناسایی 17 عامل اولیه انجامید. در بخش کمی، ارتباط عوامل با ریسک تقلب با ضریب همبستگی پیرسون و تحلیل واریانس در نرم‌افزار SPSS بررسی شد. پس از غربالگری آماری، 15 عامل وارد الگوریتم XGBoost شدند و اهمیت آن‌ها با معیار Gain Importance رتبه‌بندی شد. کیفیت پایین حسابرسی و نظارت ضعیف هیئت‌مدیره بیشترین همبستگی را با ریسک تقلب نشان داد (r=0.465, p&amp;lt;0.001؛ F=22.30, p&amp;lt;0.001). فشارهای مالی و اهرم بالا (r=0.421, p=0.001؛ F=18.92, p&amp;lt;0.001)، وجود عناصر مثلث/پنج‌ضلعی تقلب (r=0.403, p=0.001؛ F=16.54, p=0.001) و مالکیت متمرکز و خانوادگی (r=0.398, p=0.002؛ F=16.01, p=0.001) نیز روابط معناداری داشتند. ضعف استقلال حسابرسان داخلی و پیچیدگی محیط عملیاتی به دلیل نبود معناداری آماری حذف شدند. رتبه‌بندی XGBoost نشان داد کیفیت پایین حسابرسی و نظارت ضعیف هیئت‌مدیره با 18.7 درصد، فشارهای مالی و اهرم بالا با 15.2 درصد و مالکیت متمرکز و خانوادگی با 12.4 درصد، در مجموع نزدیک به نیمی از قدرت تبیین مدل را تشکیل می‌دهند. ارزیابی ریسک تقلب مالی در ایران مستلزم تلفیق شاخص‌های عمومی با مؤلفه‌های بومی اقتصادی، مالکیتی و نظارتی است؛ بنابراین، تقویت استقلال و کیفیت حسابرسی، اثربخشی نظارت هیئت‌مدیره، شفافیت ساختار مالکیت و مدیریت فشارهای مالی باید در اولویت سیاست‌های پیشگیری از تقلب قرار گیرد.&lt;/p&gt;</OtherAbstract>
    <ObjectList>
      <Object Type="keyword">
        <Param Name="value">Financial fraud</Param>
      </Object>
      <Object Type="keyword">
        <Param Name="value">machine learning</Param>
      </Object>
      <Object Type="keyword">
        <Param Name="value">tree algorithm</Param>
      </Object>
      <Object Type="keyword">
        <Param Name="value">mixed analysis</Param>
      </Object>
      <Object Type="keyword">
        <Param Name="value">تقلب مالی</Param>
      </Object>
      <Object Type="keyword">
        <Param Name="value">یادگیری ماشین</Param>
      </Object>
      <Object Type="keyword">
        <Param Name="value">الگوریتم درختی</Param>
      </Object>
      <Object Type="keyword">
        <Param Name="value">تحلیل آمیخته</Param>
      </Object>
    </ObjectList>
    <ArchiveCopySource DocType="pdf">https://jafci.com/index.php/jafci/article/download/491/301</ArchiveCopySource>
  </Article>
</ArticleSet>
