БУХГАЛТЕРСЬКИЙ ОБЛІК В ЕПОХУ ВЕЛИКИХ ДАНИХ: ПРИКЛАДИ ТА КОНЦЕПТУАЛЬНІ ЗАСАДИ

Автор(и)

Ключові слова:

Великі дані; бухгалтерський облік; теоретичні засади; якість даних.

Анотація

У результаті зростання обсягу, швидкості обороту та різноманітності даних, що генеруються в сучасній цифровій економіці, виникають нові можливості та виклики для сфери бухгалтерського обліку. Великі дані мають потенціал революціонізувати практику бухгалтерського обліку, оскільки вони містять значну кількість інформації, яка раніше була недоступна. Однак, щоби повністю реалізувати потенціал великих даних, необхідно розробити теоретичну базу для їхнього аналізу та оцінювання. У цій статті розкрито теоретичні засади аналізу великих даних у бухгалтерському обліку, пов'язані з якістю даних, конфіденційністю даних та етикою. Окреслено перспективи використання великих даних у бухгалтерській практиці та наукових дослідженнях, а також надано рекомендації щодо майбутніх досліджень у цій галузі.

Класифікація за JEL: C55, C88, M40, M41.

Біографії авторів

Георгіос Л. ТАНАСАС, Університет Патри

доктор, доцент, кафедра управлінських наук і технологій

Леонідас ТЕОДОРАКОПУЛОС, Університет Патри

доктор, позаштатний доцент, кафедра управлінських наук і технологій

Посилання

Aslam, F., Hunjra, A. I., Ftiti, Z., Louhichi, W., & Shams, T. (2022). Insurance fraud detection: Evidence from artificial intelligence and machine learning. Research in International Business and Finance, 62, 101744. https://doi.org/10.1016/j.ribaf.2022.101744

Cao, M., Chychyla, R., & Stewart, T. (2015). Big data analytics in financial statement audits. Accounting Horizons, 29(2), 423–429. https://doi.org/10.2308/acch-51068

Chien, H. Y. (2020). Use of business analytics in accounting firms – Taking Deloitte as an example. In E3S Web of Conferences (Vol. 218). EDP Sciences. https://doi.org/10.1051/e3sconf/202021803004

Chen, Y. J., Liou, W. C., Chen, Y. M., & Wu, J. H. (2019). Fraud detection for financial statements of business groups. International Journal of Accounting Information Systems, 32, 1–23. https://doi.org/10.1016/j.accinf. 2018.11.004

Dănescu, T., Prozan, M., & Dănescu, A. C. (2014). Accounting policies and procedures-theoretical and practical connotations in treating risks. Procedia-Social and Behavioral Sciences, 131, 332–339. https://doi.org/10.1016/j.sbspro.2014.04.126

Davis, F. D., Bagozzi, R. P., & Warshaw, P. R. (1989). User acceptance of computer technology: A comparison of two theoretical models. Management Science, 35(8), 982–1003. http://www.jstor.org/stable/2632151

Duan, Y., Edwards, J. S., & Dwivedi, Y. K. (2019). Artificial intelligence for decision making in the era of Big Data-evolution, challenges and research agenda. International Journal of Information Management, 48, 63–71. https://doi.org/10.1016/j.ijinfomgt.2019.01.021

Gharib, M., & Giorgini, P. (2019). Information quality requirements engineering with STS-IQ. Information and Software Technology, 107, 83-100. https://doi.org/10.1016/j.infsof.2018.11.002

Gopalkrishnan, V., Steer, D., Lewis, H., & Guszcza, J. (2012, August). Big data, big business: bridging the gap. In Proceedings of the 1st International Workshop on Big Data, Streams and Heterogeneous Source Mining: Algorithms, Systems, Programming Models and Applications (pp. 7–11). https://doi.org/10.1145/2351316.2351318

Gultom, J. B., Murwaningsari, E., Umar, H., & Mayangsari, S. (2021). Reciprocal use of artificial intelligence in audit assignments. Journal of Accounting, Business and Finance Research, 11(1), 9–20. http://dx.doi.org/10.20448/ 2002.111.9.20

Lunawat, R., Shields, T. W., & Waymire, G. (2021). Financial reporting and moral sentiments. Journal of Accounting and Economics, 72(1), 101421. https://doi.org/10.1016/j.jacceco.2021.101421

Maiga, A. S. (2014). Assessing self-selection and endogeneity issues in the relation between activity-based costing and performance. Advances in Accounting, 30(2), 251–262. https://doi.org/10.1016/j.adiac.2014.09.009

Netz, J., Svensson, M., & Brundin, E. (2020). Business disruptions and affective reactions: A strategy-as-practice perspective on fast strategic decision making. Long Range Planning, 53(5), 101910. https://doi.org/10.1016/ j.lrp.2019.101910

Thanasas, G. L., Theodorakopoulos, L., & Lampropoulos, S. (2022). A big data analysis with machine learning techniques in accounting dataset from the Greek banking system. SSRN, 4175698. https://dx.doi.org/10.2139/ssrn.4175698

Thanasas, G. L. (2013). Factors’ affecting the hospital's cost structure: The case of a Greek university hospital. Universal Journal of Accounting and Finance, 1(2), 78–83. http://dx.doi.org/10.13189/ujaf.2013.010206

Theodorakopoulos, L., Antonopoulou, H., Mamalougou, V., & Giotopoulos, K. (2022). The drivers of volume volatility: A big data analysis based on economic uncertainty measures for the Greek banking system. SSRN, 4306619. https://dx.doi.org/10.2139/ssrn.4306619

Ucoglu, D. (2020). Current machine learning applications in accounting and auditing. PressAcademia Procedia, 12(1), 1–7. http://dx.doi.org/10.17261/ Pressacademia.2020.1337

Отримано: 15 червня, 2023 р.

Рецензовано: 7 липня, 2023 р.

Рекомендовано до друку: 7 листопада, 2023 р.

##submission.downloads##

Опубліковано

01.12.2023

Як цитувати

ТАНАСАС, Георгіос Л., і Леонідас ТЕОДОРАКОПУЛОС. «БУХГАЛТЕРСЬКИЙ ОБЛІК В ЕПОХУ ВЕЛИКИХ ДАНИХ: ПРИКЛАДИ ТА КОНЦЕПТУАЛЬНІ ЗАСАДИ». Журнал європейської економіки, вип. 22, вип. 4, Грудень 2023, с. 512-23, https://jeej.wunu.edu.ua/index.php/ukjee/article/view/1717.

Номер

Розділ

ЕКОНОМІЧНА ТЕОРІЯ

Статті цього автора (авторів), які найбільше читають