JournalofAccountingLiterature40(2018)102–115
Contents lists available at ScienceDirect
Journal of Accounting Literature
journal homepage: www.elsevier.com/locate/acclit
Big data techniques in auditing research and practice: Current trends and future opportunities
Adrian Geppa, Martina K. Linnenlueckeb, Terrence J. Orsquo;Neilla, Tom Smithb,⁎
a Bond Business School, Bond University, QLD 4229, Australia
b Faculty of Business and Economics, Macquarie University, North Ryde, NSW 2109, Australia
A R T I C L E I N F O
Keywords: Auditing Big data
Data analytics Statistical techniques
A B S T R A C T
This paper analyses the use of big data techniques in auditing, and finds that the practice is not as widespread as it is in other related fields. We first introduce contemporary big data techniques to promote understanding of their potential application. Next, we review existing research on big data in accounting and finance. In addition to auditing, our analysis shows that existing research extends across three other genealogies: financial distress modelling, financial fraud modelling, and stock market prediction and quantitative modelling. Auditing is lagging behind the other research streams in the use of valuable big data techniques. A possible explanation is that au- ditors are reluctant to use techniques that are far ahead of those adopted by their clients, but we refute this argument. We call for more research and a greater alignment to practice. We also outline future opportunities for auditing in the context of real-time information and in colla- borative platforms and peer-to-peer marketplaces.
- Introduction
This paper analyses the use of big data techniques in auditing, and finds that the practice is not as widespread as it is in other related fields. We first introduce contemporary big data techniques and their origins in the multivariate statistical literature to help unfamiliar auditors understand the techniques. We then review existing research on big data in accounting and finance to ascertain the state of the field. Our analysis shows that – in addition to auditing – existing research on big data in accounting and finance extends across three other genealogies: (1) financial distress modelling, (2) financial fraud modelling, and (3) stock market prediction and quantitative modelling. Compared to the other three research streams, auditing is lagging behind in the use of valuable big data techniques. Anecdotal evidence from audit partners indicates that some leading firms have started to adopt big data techniques in practice; nevertheless, our literature review reveals a general consensus that big data is underutilized in auditing. A possible ex- planation for this trend is that auditors are reluctant to use techniques and technology that are far ahead of those adopted by their client firms (Alles, 2015). Nonetheless, the lack of progress in implementing big data techniques into auditing practice remains surprising, given that early use of random sampling auditing techniques put auditors well ahead of the practices of their client firms. This paper contributes to bridging the gap between audit research and practice in the area of big data. We make the important point that big data techniques can be a valuable addition to the audit profession, in particular when rigorous analytical procedures are combined with audit techniques and expert judgement. Other papers have looked at the implications of clientsrsquo; growing use of big data (Appelbaum, Kogan, amp; Vasarhelyi, 2017) and the sources of useful big data for auditing (e.g., Vasarhelyi, Kogan, amp; Tuttle
⁎ Corresponding author.
E-mail addresses: adgepp@bond.edu.au (A. Gepp), martina.linnenluecke@mq.edu.au (M.K. Linnenluecke), toneill@bond.edu.au (T.J. Orsquo;Neill), tom.smith@mq.edu.au (T. Smith).
https://doi.org/10.1016/j.acclit.2017.05.003
Received 5 May 2017; Received in revised form 5 May 2017; Accepted 25 May 2017
Availableonline01February2018
0737-4607/copy;2017UniversityofFlorida,FisherSchoolofAccounting.PublishedbyElsevierLtd.Allrightsreserved.
(2015); Zhang, Hu, et al., 2015); our work focuses more on valuable opportunities to use contemporary big data techniques in auditing. We contribute to three research questions regarding the use of big data in auditing, raised by Appelbaum et al. (2017) and Vasarhelyi et al. (2015): “What models can be used?”, “Which of these methods are the most promising?” and “What will be the algorithms of prioritization?” We provide key information about the main big data techniques to assist researchers and practitioners understand when to apply them. We also call for more research to further align theory and practice in this area; for instance, to better understand the application of big data techniques in auditing and to investigate the actual usage of big data tec
剩余内容已隐藏，支付完成后下载完整资料
审计研究与实践中的大数据技术：当前趋势和未来机会
阿德里安·杰普（Adrian Gepp）a，马丁娜·林纳吕克（Martina K. Linnenluecke）b，特伦斯·奥尼尔a汤姆·史密斯b,⁎
a 邦德大学邦德商学院，澳大利亚昆士兰州4229
b 麦格理大学商业与经济学院，北莱德，新南威尔士州2109，澳大利亚
摘要：本文分析了大数据技术在审计中的使用，发现这种做法并不像在其他相关领域那样普遍。我们首先介绍当代大数据技术，以增进对其潜在应用的理解。接下来，我们回顾一下有关会计和财务大数据的现有研究。除审计外，我们的分析还表明，现有研究还涉及其他三个家谱：财务困境模型，财务欺诈模型以及股票市场预测和定量模型。在使用有价值的大数据技术方面，审计工作落后于其他研究领域。一种可能的解释是，审计员不愿意使用远远超出其客户所采用的技术的方法，但是我们驳斥了这一论点。我们要求进行更多的研究，并更加切合实际。我们还将概述在实时信息，协作平台和点对点市场中进行审计的未来机会。
1. 介绍
本文分析了大数据技术在审计中的使用，发现这种做法并不像在其他相关领域那样普遍。我们首先在多元统计文献中介绍当代大数据技术及其起源，以帮助不熟悉的审计师了解这些技术。然后，我们回顾有关会计和财务大数据的现有研究，以确定该领域的状况。我们的分析表明，除审计外，有关会计和财务大数据的现有研究还涉及其他三个族谱：（1）财务困境建模，（2）金融欺诈建模以及（3）股票市场预测和定量建模。与其他三个研究流相比，审计在使用有价值的大数据技术方面落后。审计合作伙伴的轶事证据表明，一些领先的公司已开始在实践中采用大数据技术。但是，我们的文献综述揭示了一个普遍的共识，即审计中未充分利用大数据。对于这种趋势，可能的预想是，审计师不愿使用远远超出其客户事务所采用的技术和技术（Alles，2015年）。尽管如此，鉴于早期使用随机抽样审计技术使审计师远远领先于其客户事务所的实践，因此在将大数据技术应用于审计实践方面仍缺乏进展，这仍然令人感到惊讶。本文有助于弥合大数据领域审计研究与实践之间的差距。我们指出重要的一点是，大数据技术可以成为审计专业的宝贵补充，特别是当严格的分析程序与审计技术和专家判断相结合时。其他论文也探讨了客户越来越多地使用大数据所带来的影响（Appelbaum，Kogan和Vasarhelyi，2017年）以及用于审核的有用大数据的来源（例如，Vasarhelyi，Kogan和Tuttle(2015); 张虎等，2015）;我们的工作更多地侧重于在审计中使用当代大数据技术的宝贵机会。我们提出了三个有关在审计中使用大数据的研究问题，这些问题由Appelbaum等。 （2017）和Vasarhelyi等。 （2015年）：“可以使用哪些模型？”，“这些方法中哪些最有前途？”和“优先级的算法是什么？”我们提供有关主要大数据技术的关键信息，以帮助研究人员和从业人员了解何时应用它们。我们还呼吁进行更多研究，以进一步使该领域的理论与实践保持一致；例如，为了更好地理解大数据技术在审计中的应用，并调查整个审计行业中大数据技术的实际使用情况。
本文还将会计和金融领域的大数据研究整合在一起。通过分析在相关领域进行的更愿意采用大数据技术的研究，我们揭示了在审计中使用大数据的未来机会。我们提供有关将多个大数据模型与专家判断相结合的一般建议，并且我们特别建议审计师更多地利用当代大数据模型来预测财务困境和检测财务欺诈。
论文进行如下。部分2 介绍大数据技术，包括其起源于多元统计文献，并将其与现代数学统计文献联系起来。部分3 提供了有关会计和金融大数据现有研究的系统文献综述。本节重点介绍审计与其他主要研究流有何实质不同。部分4 确定在审计中使用大数据的新的未来研究方向。最后一节5 最后，本文对21世纪审计中使用大数据提出了重要建议，并呼吁进行进一步研究。
2. 大数据技术概论
本节概述了大数据和大数据技术，以增进对它们的潜在应用的了解。使用更高级技术的审核员需要了解它们（Appelbaum等人，2017年）。对大数据的介绍为介绍可用的主要大数据技术提供了必要的背景，并提供了确定在特定情况下合适的关键信息。附录A描述主要的大数据技术，总结其主要功能，并为需要更多信息的读者提供建议的参考。
大数据是指通常根据四个V来描述的结构化或非结构化数据集：体积，种类，速度和准确性。数据量是指庞大的数据集，以至于传统工具不足。种类反映了不同的数据格式，例如定量，基于文本和混合的形式，以及图像，视频和其他格式。速度测量可获取新数据的频率，该频率通常以非常快的速度增长。最后，数据的质量和相关性会随着时间而发生巨大变化，这被描述为准确性。审计行业可利用的数据量越来越大，种类和准确性也越来越高。在线获取的文本信息是一种新的数据类型，我们将在本文后面讨论这种现象。审计人员还面临着越来越快的数据速度，尤其是在实时信息的情况下，这将在本节中进行介绍。4.
大数据具有多种形式-“小p，大n”，“大p，小n”和“大p，大n”，其中n表示响应数，p表示在每个回应。这些分类很重要，因为它们会影响哪种技术最合适。所述的大数据技术附录A适合不同的分类；例如，随机森林1 对于“大p，小n”问题特别有用。高频交易会生成海量，高速度的海量数据集，这给数据分析带来了重大挑战。然而，这种“小p，大n”问题也许是这三种情况中最简单的问题，并且所使用的分析工具主要是对现有统计技术的改编。基因组学最能说明“大p小n”的情况。一个人类基因组包含大约100 GB的数据。本质上，数据是一个非常长的狭窄矩阵，每列对应一个个体，每行对应一个基因。基因组测序的成本现在已经下降到个人可以购买自己的基因组的地步。结果，基因组学正在迅速过渡到“大p，大n”的情况。气候变化研究是大数据“大p，大n”场景中最前沿的科学例子，它在很长的时间内从世界各地的站点收集了多元时间序列。
大数据还指用于从各种数据形式中得出推论的技术。这些技术通常试图从信息中通常非常稀疏的数据中推断出非线性关系和因果关系。考虑到数据的性质，这些技术通常没有或非常有限的分布假设。从发现完整记录中的模式的角度来看，计算机科学家可以处理大数据-这通常被称为算法方法。模式被视为数据集复杂度的近似值。相比之下，统计学家更倾向于将数据视为基础过程的观察结果，并提取信息并对基础过程进行推断。
大数据中使用的统计技术需要更灵活的模型，因为高度结构化的传统回归模型不太可能很好地适合大数据。此外，大数据的数量（以及多样性和速度）使得在许多情况下为模型揭示合适的结构是不可行的。更灵活的方法的流行可以追溯到埃夫隆的 (1979) 随着计算机功能的增强，引导程序的引入使这种新技术变得可行。引导程序是一种可广泛应用的统计工具，通常用于提供准确性估计，例如可用于产生置信区间的标准误差。正则化是另一种广泛使用的技术，它施加了复杂度代价，该复杂度代价将估计的参数缩小为零，以防止过度拟合或解决不适定的问题。使用L2罚分的Ridge回归，2最初是由霍尔和肯纳德（Hoerl and Kennard）（1970）在1970年代；然而，随着计算能力的增强，它仅在最近几十年才变得流行。最近，正则化技术已成为流行的替代方法，例如由埃夫隆（Efron），哈斯提（Hastie），约翰斯通（Johnstone）和提布希拉尼（Tibshirani）（2004）和蒂布希拉尼（1996年）套索（最小绝对收缩和选择算子），使用L1罚分。3 L1罚分的使用很重要，因为它在减少变量方面非常有效，因此会导致稀疏模型更易于解释。这些较简单的模型通常更易于与客户进行通信。还可以混合使用L1和L2的罚分（Friedman，Hastie和Tibshirani，2010年）;实际上，当代统计学者继续研究正则化的新惩罚措施。
监督学习从具有已知结果的数据中发展出解释性或预测性模型，以应用于具有未知结果的数据。进行监督学习的一些流行方法包括人工神经网络，分类和回归树（决策树），随机森林，朴素贝叶斯，正则回归4 （如上所述），支持vctor机器和多变量自适应回归样条（MARS）。相反，无监督学习试图发现未标记数据中的模式。流行的方法是无监督神经网络，潜在变量模型，关联规则和聚类分析。机器学习是一个总称，包括监督学习和非监督学习。本段中提到的技术在以下内容中进行了简要说明：附录A.
3. 大数据在会计和金融研究中的使用
本文提供了有关在审计研究和实践中使用大数据技术的系统文献综述，并遵循了一些有条理的步骤来收集数据，以得出包含在该综述中的综合文章集。首先，我们在社会科学引文索引中搜索“大数据”论文，搜索在标题，摘要或关键字中包含关键词“大数据”或“分析”或“数据挖掘”的文章。为确保搜索范围不大，我们将搜索范围限制为在标题，摘要或关键字中还包含关键字“ accounting”或“ financ *”的文章。截至2016年11月，我们的搜索共找到286条记录。我们筛选了所得的文章，仅保留了当前研究感兴趣的那些文章。这将原始文章库减少到45条记录。排除的文章讨论了业务决策中的其他大数据和定量应用程序（例如；提高客户在金融服务中的保留率；请参见Benoit和Van den Poel（2012））。下一个;我们通过引用的参考文献和Google学术搜索进行了进一步搜索，以将另外47篇文章手动添加到数据集中。然后由作者团队对这些文章进行评估，并根据他们的主要研究重点对其进行分类。分析揭示了四个主要家谱；我们在下面进行审查：（1）财务困境建模； （2）财务欺诈建模； （3）股票市场预测和定量建模； （4）审核。我们发现在前三个领域取得了很大进展；但是审计师将研究发现付诸实践的步伐很慢。然后，我们着手解决缺乏采用大数据措施的问题。
3.1. 财务困境建模
财务困境建模流中的论文使用数据挖掘技术来检测和预测财务困境（或财务失败）和审计师感兴趣的这些技术，以帮助他们进行持续经营评估。多项研究使用了基于决策树的模型。孙和李（2008）应用基于决策树的数据挖掘技术以预测财务困境。研究人员从35个财务比率和135个上市公司对开始，设计并测试了一种预测模型，以显示理论上的可行性和实践有效性。Koyuncugil和Ozgulbas（2012b）使用数据挖掘方法为中小型企业设计财务危机预警系统。他们在7000多家中小型企业中测试了该模型，并开发了可用于缓解金融风险的大量风险概况，风险指标，预警系统和财务路线图。卫生部也进行了类似的工作。Koyuncugil和Ozgulbas（2012a）和金和乌佩妮（2014）. 李孙吴（2010）使用分类和回归树方法估算样本的中国上市公司的财务困境和失败，而Gepp，Kumar和Bhattacharya（2010）使用美国上市公司。
陈和杜（2009）提出了一种不同的方法，并以神经网络的形式应用数据挖掘技术来构建和测试财务困境预测模型。他们使用68家上市公司中的37个比率，证明了其建模的可行性和有效性。其他研究支持了他们的方法，并建议神经网络在财务困境建模方面比决策树和其他方法（例如支持向量机）更好。耿博斯＆陈，2015年).周等。 （2015年）Zhou，Lu和Fujita（2015）将基于大数据分析的财务困境预测模型与基于会计和财务领域专业人员的预定模型的预测模型的绩效进行了比较。他们发现预测之间没有显着差异。但是，两种方法的组合比单独使用的方法要好得多（周等，2015). 林和麦克莱恩（2001）还发现专业判断和数据挖掘的混合方法可以产生更准确的预测。金和汉（2003）更进一步，认为分析应结合定性数据挖掘方法，以从诸如贷款管理数据库之类的数据集中得出并代表有关破产预测的专家知识。
文献承认，财务困境可能不仅限于公司，还可能扩大到公司利益相关者。Khandani，Kim和Lo（2010）使用机器学习技术来构建消费者信用风险模型个人和客户，而不是公司。它们将客户交易和征信局数据结合在一起，并且能够使用机器学习来显着提高信用卡违约率和欠款率的分类率。辛格（Singh），博兹卡亚（Bozkaya）和 彭特兰（2015）受动物生态学研究的启发，分析了成千上万的杨树的交易；他们发现，个体财务结果与时空特征（例如勘探和开采）相关，并且这些特征在预测未来财务困难方面比可比的人口模型好30％以上。
审计师可以利用大数据技术和方法来预测财务困境，并结合他们的专业判断，能够更好地判断公司的未来财务生存能力。这将改善针对上市公司的《审计准则声明》第59号对审计进行的持续经营评估（1988年美国注册会计师协会（AICPA））。合并大数据模型应有助于避免在破产前发表未经修改的意见所造成的代价高昂的错误。雷德与耶泽格尔（2016）研究发现，在审计工作的头五年内，这一问题在非四大公司中尤为明显。作者没有提供潜在的原因，但可能是较小的审计公司出于担心失去客户的考虑而在初期就不愿发表修改后的持续经营意见。如果是这种情况，那么较小的审计公司可能会通过向客户展示大数据模型的客观结果，从而更好地向其客户证明修改后
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[257783]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
