Explore the vast range of titles available.

إن من مسؤوليات مدقق الحسابات إمداد الطرف الثالث من مستخدمي التقارير المالية من المستثمرين والدائنين، والبنوك، والدوائر الحكومية المعنية بالمعلومات المالية لكي يقرروا منح تسهيلات إلى هذه المنشأة من عدمه بناء على المعلومات المالية التي يقدمها مدقق الحسابات، حيث أن توقيعه عليها يزيد من درجة الثقة ودرجة الاعتماد عليها, وأن مستخدمي التقارير المالية مثل (إدارة المنشأة والمساهمين والدوائر الحكومية المعنية والقضاة) يتوقعون من مدقق الحسابات أن يتضمن تقريره الكفاية الفنية والنزاهة والموضوعية والاستقلال التام والحياد، كما يتوقعون منه اكتشاف الأخطاء الجوهرية التي تؤثر على قائمة المركز المالي وقائمة الدخل، ومنع اصدر القوائم المالية المضللة. ولكن لا توجد عملية تدقيق تستطيع أن تقدم تأكيدات كاملة بأن القوائم المالية خالية من الأخطاء الجوهرية، لأن الأخطاء قد تحدث نتيجة تطبيق العمليات المالية للمنشأة وتنفيذها والأداء غير السليم من القسم المالي بها والحكم الخاطئ في اختيار وتطبيق المبادئ المحاسبية المتعارف عليها والمقبولة عموما. ونتيجة هذه الاختلافات بين مدققي الحسابات ومستخدمي التقارير المالية تحدث فجوة التوقعات بينهما. ويهدف هذا البحث إلى تحديد الأسباب الحقيقية لحدوث فجوة التوقعات بين مدققي الحسابات ومستخدمي التقارير المالية في الواقع العملي لمهنة التدقيق، وذلك في محاولة لدفع المنظمات العلمية والمهنية للتدقيق نحو اتخاذ التدابير اللازمة لتضيق هذه الفجوة بهدف زيادة ثقة المجتمع في خدمات التدقيق.

شهد الغاز الطبيعي في مصر تطورا ملحوظا ممثلا في زيادة الكمية المستهلكة نتيجة لتطور النشاط الاقتصادي وزيادة النمو السكاني وزيادة الطلب على الغاز الطبيعي في إنتاج الكهرباء، لهذا تهدف هذه الدراسة إلى إمكانية تطبيق أسلوبين للتنبؤ بالقيم المستقبلية لاستهلاك الغاز الطبيعي في مصر، هما منهجية بوكس- جينكنز التي تعتبر من أهم الأساليب القياسية التي أثبتت فعاليتها في مجال التنبؤ وكذلك الشبكات العصبية الاصطناعية التي تهدف في مجملها إلى محاكاة العقل البشري من أجل القيام بعدة مهام منها التنبؤ بالقيم المستقبلية للسلاسل الزمنية، ومن أجل الوصول إلى الهدف سالف الذكر أخترنا أن تكون عينة الدراسة ممثلة في كمية الاستهلاك السنوي من الغاز الطبيعي في مصر خلال الفترة من 1972 وحتي الفترة 2021، وتم استخدام برنامج Eviews في تطبيق منهجية بوكس- جينكنز وبرنامج MATLAP في أسلوب الشبكات العصبية الاصطناعية، وبتطبيق هذين الأسلوبين توصلنا إلى أن النموذج الأفضل لمنهجية بوكس جينكنز هو نموذج (1.1.0) ARIMA، حيث أنه الأفضل من بين النماذج الأخرى وذلك لأنه لديه أقل قيمة لمعيار اكايكي (Akaike) ومعيار شوارز (Schwarz)، وعند المقارنة بين الأسلوبين سالفي الذكر في دقة التنبؤ تبين أن أسلوب الشبكات العصبية الاصطناعية أكثر دقة في التنبؤ من أسلوب بوكس- جينكنز وذلك لأنه تعطي أقل قيمة لكل من متوسط مربع الخطأ (MSE) والجذر التربيعي المتوسط مربع الخطأ (RMSE) ومتوسط الخطأ المطلق (MAE) ومتوسط الخطأ المطلق النسبي (MAPE) كما أنه يعطي تنبؤات قريبة جدا من القيم الحقيقية.