intTypePromotion=1
zunia.vn Tuyển sinh 2024 dành cho Gen-Z zunia.vn zunia.vn
ADSENSE
 » 
 » 

Vai trò thúc đẩy của các tổ chức nghề nghiệp, lập quy đối với áp dụng phân tích dữ liệu kiểm toán

Chia sẻ: Lệ Minh Vũ | Ngày: | Loại File: PDF | Số trang:11

Thêm vào BST
Báo xấu
1
lượt xem 0
download
 
  Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài nghiên cứu "Vai trò thúc đẩy của các tổ chức nghề nghiệp, lập quy đối với áp dụng phân tích dữ liệu kiểm toán" phân tích các nỗ lực của một số tổ chức nghề nghiệp, lập quy chủ yếu tại các thị trường kiểm toán đã phát triển nói trên trong việc thúc đẩy áp dụng phân tích dữ liệu trong kiểm toán báo cáo tài chính, qua đó đề xuất những khuyến nghị cho việc thúc đẩy đổi mới công nghệ trong quy trình kiểm toán nói chung và áp dụng phân tích dữ liệu kiểm toán nói riêng tại Việt Nam trong tương lai. Mời các bạn cùng tham khảo!

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Vai trò thúc đẩy của các tổ chức nghề nghiệp, lập quy đối với áp dụng phân tích dữ liệu kiểm toán

  1. Kỷ yếu Hội thảo Khoa học Quốc gia về Kế toán và Kiểm toán – VCAA 2021 VAI TRÒ THÚC ĐẨY CỦA CÁC TỔ CHỨC NGHỀ NGHIỆP, LẬP QUY ĐỐI VỚI ÁP DỤNG PHÂN TÍCH DỮ LIỆU KIỂM TOÁN THE PUSHING ROLES OF PROFESSIONAL, REGULATORY BODIES IN THE APPLICATION OF AUDIT DATA ANALYTICS TS. Đặng Đình Tân Trường Đại học Ngân hàng TP. Hồ Chí Minh Ngày nhận bài: 25/9/2021 Ngày nhận kết quả phản biện: 15/10/2021 Ngày chấp nhận đăng: 15/11/2021 TÓM TẮT Những tiến bộ “thần tốc” về công nghệ trong những năm gần đây đã đặt ra cơ hội và thách thức cho nghề nghiệp kiểm toán, trong đó cho phép công ty kiểm toán và kiểm toán viên có thể đổi mới cách thức thực hiện cuộc kiểm theo hướng áp dụng phân tích dữ liệu kiểm toán với các kỹ thuật phân tích cao cấp nhằm nâng cao chất lượng kiểm toán, đáp ứng ngày càng tốt hơn nhu cầu của công chúng. Kết quả nghiên cứu dựa trên lược khảo tài liệu này cho thấy trong giai đoạn 2010 cho đến nay, các tổ chức nghề nghiệp đã có vai trò tích cực trong việc đẩy nhanh tiến trình áp dụng phân tích dữ liệu kiểm toán thông qua hàng loạt nỗ lực như (1) thành lập các nhóm chuyên trách về công nghệ mới, (3) ban hành các chuẩn mực dữ liệu kiểm toán và hướng dẫn thực hiện và (3) công bố các nghiên cứu định hướng thị trường. Từ khóa: phân tích dữ liệu lớn; phân tích dữ liệu kiểm toán; chuẩn mực dữ liệu kiểm toán ABSTRACT Technological advances in recent years have created opportunities and challenges for the auditing profession, allowing audit firms and auditors to innovate the way they conduct their audits in the direction of applying audit data analytics with advanced analytical techniques to improve audit quality and better meet the needs of the public. Research results based on this literature review show that in the period 2010 to date, professional organizations have played an active role in accelerating the process of applying audit data analytics through a series of efforts such as (1) establishing new technology taskforces, (3) issuing audit data standards and implementation guidelines, and (3) publishing market-oriented research. Keywords: big data analytics; audit data analytics; audit data standards 1. Mở đầu Sự phát triển “thần tốc” của những công nghệ mới trong khoảng một thập kỷ gần đây đã dẫn đến hình thành mạng lưới vạn vật kết nối (Internet of things - IoT) (Madakam, Ramaswamy, & Tripathi, 2015) tích hợp các mạng xã hội, các ứng dụng trên thiết bị di động, các ứng dụng vận hành trên nền tảng điện toán đám mây (cloud computing platforms)…. Mạng lưới vạn vật kết nối này một mặt thay đổi cách thức hoạt động của các cá nhân, tổ chức, doanh nghiệp (Palmaccio, Dicuonzo, & Belyaeva, 2020), mặt khác dẫn đến hình thành các nguồn dữ liệu lớn (big data) phản ánh trong đó mọi mặt hoạt động của chính các cá nhân, tổ chức, doanh nghiệp (Mayer-Schönberger & Cukier, 2013). Các nguồn dữ liệu lớn mang đến nhiều lợi ích tiềm tàng cho công ty kiểm toán 1122
  2. Kỷ yếu Hội thảo Khoa học Quốc gia về Kế toán và Kiểm toán – VCAA 2021 và kiểm toán viên xét trên phương diện thu thập bằng chứng kiểm toán đầy đủ và thích hợp, đặc biệt để phục vụ cho việc đánh giá rủi ro, lập kế hoạch kiểm toán (Brown-Liburd & Vasarhelyi, 2015; CFRR, 2017). Điều thuận lợi cho các công ty kiểm toán và kiểm toán viên là trong những năm gần đây trên thị trường đã xuất hiện nhiều phần mềm chuyên dụng hoặc các ngôn ngữ lập trình chuyên biệt cho mục đích phân tích dữ liệu, cho phép các công ty kiểm toán và kiểm toán viên có thể áp dụng các lý thuyết, mô hình toán, các kỹ thuật thống kê, trực quan hóa dữ liệu cao cấp với yêu cầu về chi phí ngày càng giảm (Geppa, Linnenlueckeb, O’Neilla, & Smith, 2018). Tuy nhiên, nhiều nghiên cứu cho thấy vẫn còn nhiều rào cản đối với việc áp dụng phân tích dữ liệu kiểm toán (audit data analytics), chủ yếu là do thiếu các hướng dẫn của các tổ chức nghề nghiệp, chi phí cao cho việc đầu tư mua sắm các hệ thống hỗ trợ phân tích dữ liệu, hoặc kiểm toán viên thiếu kiến thức, kỹ năng thích hợp để có thể tự phát triển các công cụ phân tích dữ liệu phù hợp (Whitehouse, 2014; Rickett, 2017). Chính vì vậy, thực tiễn cho thấy việc áp dụng phân tích dữ liệu kiểm toán vẫn chỉ mới được phổ biến tại các thị trường nơi nghề nghiệp kiểm toán cũng như ứng dụng khoa học dữ liệu đã phát triển (Byrnes, Ames, & Vasarhelyi, 2015) như Mỹ, Canada, Úc, Anh, Singapore, Ấn Độ… Bài nghiên cứu này phân tích các nỗ lực của một số tổ chức nghề nghiệp, lập quy chủ yếu tại các thị trường kiểm toán đã phát triển nói trên trong việc thúc đẩy áp dụng phân tích dữ liệu trong kiểm toán báo cáo tài chính, qua đó đề xuất những khuyến nghị cho việc thúc đẩy đổi mới công nghệ trong quy trình kiểm toán nói chung và áp dụng phân tích dữ liệu kiểm toán nói riêng tại Việt Nam trong tương lai. 2. Cơ sở lý thuyết và phương pháp nghiên cứu 2.1. Phân tích dữ liệu kiểm toán là gì? Phân tích dữ liệu kiểm toán là “khoa học và nghệ thuật phát hiện và phân tích các mẫu, xác định các điểm bất thường và trích xuất thông tin hữu ích khác trong dữ liệu thô ban đầu hoặc liên quan đến chủ đề của cuộc kiểm toán thông qua phân tích, mô hình hóa và trực quan hóa” nhằm mục đích lập kế hoạch kiểm toán nói riêng hoặc thực hiện cuộc kiểm toán nói chung (Byrnes, Criste, Stewart, & Vasarhelyi, 2015). Cụ thể hơn, phân tích dữ liệu kiểm toán bao gồm các phương pháp (giải thuật) để xác định và phân tích các mẫu bất thường và ngoại lệ trong dữ liệu; lập bản đồ và trực quan hóa hoạt động tài chính và các dữ liệu khác đối với các bộ phận, quy trình, sản phẩm hoặc các phương diện khác với mục đích tập trung thực hiện cuộc kiểm toán định hướng theo rủi ro. Phân tích dữ liệu kiểm toán có thể thực hiện bằng cách xây dựng các mô hình thống kê (ví dụ, hồi quy) hoặc các mô hình khác nhằm giải thích dữ liệu tài chính, kế toán trong mối quan hệ với các yếu tố khác và xác định các biến động đáng kể từ mô hình; và kết hợp thông tin từ các phân tích và nguồn dữ liệu khác nhau nhằm mục đích có hiểu biết sâu hơn về rủi ro liên quan đến đơn vị được kiểm toán (Byrnes, Criste, Stewart, & Vasarhelyi, 2015). Đối với kiểm toán viên, lợi ích lớn nhất của phân tích dữ liệu kiểm toán bao gồm khả năng phân tích toàn bộ dữ liệu (thay vì kiểm tra một mẫu nhỏ như truyền thống) để xác định các bất thường và xu hướng để điều tra thêm, qua đó giúp nâng cao độ tin cậy của bằng chứng kiểm toán (Brown-Liburd & Vasarhelyi, 2015; Geppa, Linnenlueckeb, O’Neilla, & Smith, 2018). Hiểu theo nghĩa như vậy, phân tích dữ liệu kiểm toán có thể được xem bao hàm và sâu sắc hơn cả “các thủ tục phân tích” (analytical procedures) vốn được đề cập đến như một loại bằng chứng kiểm toán trong các chuẩn mực kiểm toán hiện hành (Byrnes, Criste, Stewart, & Vasarhelyi, 2015; CFRR, 2017). 2.2. Phương pháp nghiên cứu và thu thập dữ liệu Bài nghiên cứu này sử dụng phương pháp lược khảo tài liệu (archival reseach) (Mock & 1123
  3. Kỷ yếu Hội thảo Khoa học Quốc gia về Kế toán và Kiểm toán – VCAA 2021 Turner, 2001) dựa trên các nghiên cứu trước, các tài liệu, văn bản thu thập từ các trang thông tin điện tử và các tài liệu xuất bản khác phản ánh các hoạt động của các tổ chức nghề nghiệp như AICPA, CPA Ca-na-đa,… và IFAC liên quan đến nỗ lực của các tổ chức này trong việc thúc đẩy áp dụng phân tích dữ liệu kiểm toán trong giai đoạn từ 2010 cho đến nay. 3. Kết quả nghiên cứu 3.1. Thành lập Nhóm chuyên trách (Task Force) về áp dụng công nghệ mới trong kiểm toán Nhóm chuyên trách về công nghệ mới trong dịch vụ đảm bảo của ASEC1 Năm 1997, AICPA đã thành lập Ủy ban Điều hành về các Dịch vụ Đảm bảo (ASEC 2) với sứ mệnh là thực hiện các giải pháp thúc đẩy đổi mới các dịch vụ đảm bảo được cung ứng bởi các kiểm toán viên hành nghề trong bối cảnh nhu cầu của người sử dụng dịch vụ đảm bảo có xu hướng thay đổi so với truyền thống. Việc thành lập ASEC là kết quả của một nghiên cứu nhu cầu thị trường dịch vụ đảm bảo tại Hoa Kỳ do Ủy ban đặc biệt về dịch vụ đảm bảo (SCAS3) (còn gọi là Ủy ban Elliot) của AICPA thực hiện trong giai đoạn từ 1994 – 1997 (AICPA, 1997). Để thực hiện “sứ mệnh” của mình, ASEC thành lập các nhóm chuyên trách về phát triển các dịch vụ đảm bảo mới có định hướng “đón đầu” nhu cầu của thị trường tại thời điểm đó bao gồm dịch vụ đảm bảo đối với các hệ thống thương mại điện tử, bảo hiểm y tế/nhân thọ, tư vấn đánh giá rủi ro và hiệu quả hoạt động của doanh nghiệp. Về thành phần, các nhóm chuyên trách này là sự kết hợp giữa bao gồm các chuyên gia của AICPA và các “tình nguyện viên” từ các công ty kiểm toán lớn như Big 4, các nhà nghiên cứu học thuật từ trường đại học và các chuyên gia đại diện người sử dụng dịch vụ đảm bảo (Elliott & Pallais, 1997). Những năm tiếp theo, để phù hợp với những thay đổi của thị trường, đặc biệt là về tiến bộ công nghệ, ASEC đã cấu trúc lại các nhóm chuyên trách bao gồm các nhóm chuyên trách về (1) dịch vụ đảm bảo thông tin XBRL4, (2) dịch vụ tư vấn và đảm bảo thông tin phát triển bền vững (SAA5), (3) dịch vụ đảm bảo về an toàn thông tin và (4) công nghệ mới trong dịch vụ đảm bảo (EAT6). Nhóm chuyên trách về công nghệ mới trong dịch vụ đảm bảo của ASEC chịu trách nhiệm phát triển khung khái niệm và hướng dẫn để áp dụng các công nghệ mới ảnh hưởng đến chuỗi cung ứng thông tin kinh doanh, bao gồm cả mục đích báo cáo nội bộ và bên ngoài. Nhóm chuyên trách này hiện bao gồm hai nhóm đảm nhận hai dự án về dịch vụ đảm bảo liên tục và xây dựng các chuẩn mực dữ liệu kiểm toán. Các thành viên của dự án về đảm bảo liên tục đã công bố nhiều báo cáo nhiên cứu cả về lý thuyết cũng như một số nghiên cứu trường hợp về tính khả thi của dịch vụ đảm bảo liên tục và phân tích dữ liệu kiểm toán nói chung (Vasarhelyi, Alles, & Kogan, 2004; Bumgarner & Vasarhelyi, 2015). Theo các kết quả nghiên cứu này, trong điều kiện các nguồn dữ liệu liên quan hoạt động của các doanh nghiệp ngày càng lớn, thì phân tích dữ liệu kiểm toán là “điều kiện cần” để thực hiện đảm bảo/kiểm toán liên tục, và ngược lại, hoạt động đảm bảo/kiểm toán liên tục chỉ có thể phát huy cao nhất những thế mạnh của nó so với hoạt động đảm bảo/kiểm toán truyền thống khi đặt nền tảng trên việc phân tích dữ liệu kiểm toán. Tuy nhiên, những nghiên cứu này cũng đồng thời cho thấy có hai trở ngại đối với việc áp dụng phân tích dữ liệu kiểm toán 1 https://www.aicpa.org/interestareas/frc/assuranceadvisoryservices/asec.html 2 ASEC – Assurance Services Executive Committee 3 SCAS – Special Committee on Assurance Services 4 XBRL – Extensible Business Reporting Languge 5 SAA – Sustainability Assurance and Advisory 6 EAT – Emerging Assurance Technologies 1124
  4. Kỷ yếu Hội thảo Khoa học Quốc gia về Kế toán và Kiểm toán – VCAA 2021 đó là (1) các kiểm toán viên thường không được phép truy cập trực tiếp vào cơ sở dữ liệu của đơn vị được kiểm toán, và (2) các kiểm toán viên phải phát triển các công cụ phân tích dữ liệu kiểm toán khác nhau cho các khách hàng khác nhau bởi vì không có tiêu chuẩn thống nhất nào về định dạng của dữ liệu trong các hệ thống hỗ trợ hoạt động doanh nghiệp. Chính vì vậy, nhóm chuyên trách về công nghệ mới trong dịch vụ đảm bảo đã thành lập dự án về chuẩn mực dữ liệu kiểm toán. Nhiệm vụ của dự án này là phát triển một tiêu chuẩn dữ liệu thống nhất để đơn vị được kiểm toán, kiểm toán viên nội bộ, kiểm toán viên độc lập có thể sử dụng nhằm tự động hóa quy trình phân tích đồng thời kiểm toán viên độc lập có thể áp dụng lặp lại các kịch bản (scripts) phân tích dữ liệu kiểm toán đã thiết kế cho các khách hàng nhau (Zhang, Pawlicki, McQuilken, & Titera, 2012). Kết quả hoạt động của nhóm chuyên trách về công nghệ mới trong dịch vụ đảm bảo của ASEC này cũng đóng góp cho việc ban hành “Hướng dẫn Phân tích dữ liệu kiểm toán” vào năm 2017 của AICPA (AICPA, 2017). Nhóm công tác về phân tích dữ liệu (kiểm toán) (DAWG7) của IAASB8 (IFAC) Trên phạm vi quốc tế, vào giữa năm 2015, Ủy ban các chuẩn mực quốc tế về kiểm toán và dịch vụ đảm bảo (IAASB) thuộc Liên đoàn kế toán quốc tế (IFAC) đã thành lập một nhóm công tác chuyên trách có tên gọi là “Nhóm công tác về phân tích dữ liệu” (DAWG) có nhiệm vụ nhận biết và thông báo cho IAASB về cách thức và thời điểm thích hợp để có biện pháp ứng phó với những phát triển mới về công nghệ một cách có hiệu quả nhất vì lợi ích công chúng (IAASB, 2016). Cụ thể hơn, DAWG có nhiệm vụ giám sát và thu thập thông tin về các ứng dụng khác nhau của phân tích dữ liệu và mối quan hệ với cuộc kiểm toán báo cáo tài chính (chẳng hạn như ảnh hưởng đến việc đánh giá rủi ro, phương pháp thử nghiệm, thủ tục phân tích và các bằng chứng kiểm toán khác). Trong khoảng cuối năm 2016, đầu 2017, DAWG đã tổ chức và thu thập được một lượng ý kiến phong phú với hơn 50 ý kiến về khả năng áp dụng phân tích dữ liệu kiểm toán nói chung và ứng phó với những tiến bộ công nghệ nói riêng từ các liên đoàn thành viên của IFAC, các công ty kiểm toán và các nhà nghiên cứu học thuật (IAASB, 2018). IAASB (2018) khái quát rằng các ý kiến của các bên liên quan đã cho thấy mặc dù áp dụng phân tích dữ liệu kiểm toán là tất yếu và có những lợi ích to lớn cho chất lượng kiểm toán, nhưng điều đó hoàn toàn không phá vỡ những nguyên tắc trong các chuẩn mực kiểm toán hiện hành. Vì vậy, IAASB cần duy trì hệ thống chuẩn mực dựa trên nguyên tắc như hiện nay, chỉ ban hành hướng dẫn thực hiện nếu cần, đồng thời cần lưu ý tăng cường sự hoài nghi nghề nghiệp trong việc áp dụng phân tích dữ liệu kiểm toán (IAASB, 2018). Rõ ràng, do là tổ chức lập quy trên phạm vi quốc tế, cách tiếp cận của IAASB mặc dù cũng tương tự như các tổ chức nghề nghiệp thuộc các liên đoàn thành viên, nhưng những bước đi của IAASB trong vấn đề áp dụng phân tích dữ liệu kiểm toán có phần thận trọng và chậm hơn. Cho đến nay, sau hơn năm năm kể từ thành lập DAWG, IAASB trên thực tế chưa ban hành một chuẩn mực hoặc văn bản chính thức nào về hướng dẫn thực hiện phân tích dữ liệu kiểm toán. 3.2. Ban hành các chuẩn mực và hướng dẫn thực hiện phân tích dữ liệu kiểm toán 3.2.1. Các chuẩn mực dữ liệu kiểm toán Trước khi các chuẩn mực dữ liệu kiểm toán được ban hành, nhiều tổ chức cũng đã ban hành các tiêu chuẩn về định dạng dữ liệu cho các mục đích trao đổi dữ liệu điện tử (ISO, SWIFT…). 7 DAWG – Data Analytics Working Group 8 IAASB – International Auditing and Assurance Standards Board 1125
  5. Kỷ yếu Hội thảo Khoa học Quốc gia về Kế toán và Kiểm toán – VCAA 2021 Tuy nhiên, kể từ những năm 2000, các tổ chức nghề nghiệp kiểm toán như AICPA đã sớm nhận ra các tiêu chuẩn về định dạng dữ liệu không chỉ là vấn đề của các hệ thống trao đổi dữ liệu điện tử kiểu như các hệ thống thương mại hay thanh toán điện tử, mà còn chính là vấn đề của “chuỗi cung báo cáo tài chính” (financial reporting supply chain) (IFAC, 2008). Bởi vì thực tiễn cho thấy, điều trở ngại đối với việc áp dụng các thủ tục phân tích dữ liệu kiểm toán chính là sự hạn chế tiếp cận dữ liệu đối với kiểm toán viên (vì các lý do an toàn thông tin) và sự khác biệt về cấu trúc dữ liệu của cùng một loại thông tin giữa các đơn vị được kiểm toán khác nhau. Trở ngại này chỉ có thể được giải quyết khi đơn vị được kiểm toán cung cấp cho kiểm toán viên một nguồn dữ liệu với cấu trúc tuân theo một tiêu chuẩn chung. Nhóm chuyên trách về các công nghệ mới trong dịch vụ đảm bảo của ASEC đã phát triển một chuẩn mực dữ liệu kiểm toán thống nhất, được áp dụng trên cơ sở tự nguyện nhằm xác định dữ liệu cần thiết cho các cuộc kiểm toán và cung cấp một khuôn khổ chung bao gồm: (1) định nghĩa các tập tin dữ liệu và đặc điểm kỹ thuật, (2) định nghĩa trường dữ liệu và đặc điểm kỹ thuật, và (3) các câu hỏi bổ sung và quy trình xác thực dữ liệu để giúp kiểm toán viên hiểu rõ hơn về dữ liệu và đánh giá tính đầy đủ và toàn vẹn của dữ liệu. Các tập tin dữ liệu được cung cấp ở một trong hai định dạng sau: (1) định dạng tập tin phẳng (định dạng văn bản UTF-8 được phân tách bằng dấu sổ đứng) và (2) XBRL GL. Hình 2. Mối quan hệ dữ liệu giữa các bảng trong chuẩn mực dữ liệu kiểm toán. Nguồn: ASEC (2015) 1126
  6. Kỷ yếu Hội thảo Khoa học Quốc gia về Kế toán và Kiểm toán – VCAA 2021 Hình 3. Quy ước về cấu trúc dữ liệu của bảng GL_Detail_YYYYMMDD_YYYYMMDD Nguồn: ASEC (2015) Tính đến 2017, các chuẩn mực dữ liệu kiểm toán đã được ASEC ban hành bao gồm bao gồm: (1) Chuẩn mực cơ sở phiên bản 2013, 2015, (2) Chuẩn mực sổ cái phiên bản 2013, 2015, (3) Chuẩn mực sổ chi tiết (sổ phụ) chu trình bán hàng và thu tiền phiên bản 2013, 2015, (4) Chuẩn mực sổ chi tiết (sổ phụ) chu trình mua hàng và thanh toán phiên bản 2015, (5) Chuẩn mực sổ chi tiết (sổ phụ) hàng tồn kho phiên bản 2017, (6) Chuẩn mực sổ chi tiết (sổ phụ) tài sản cố định phiên bản 2017. Hình dưới đây minh họa mối quan hệ giữa các bảng dữ liệu (Hình 1) và quy ước về cấu trúc của một bảng dữ liệu (Hình 2) trong Chuẩn mực sổ cái phiên bản 2015. Theo kế hoạch, ASEC sẽ tiếp tục công bố các chuẩn mực sổ chi tiết về tiền lương, hàng tồn kho trong doanh nghiệp sản xuất, đặc biệt là các chuẩn mực dữ liệu trong lĩnh vực ngân hàng, bảo hiểm và tài chính. Mặc dù các chuẩn mực dữ liệu kiểm toán nói trên chỉ được áp dụng trên cơ sở tự nguyện, nhưng ASEC cho rằng một khi các chuẩn mực trên được áp dụng thì sẽ mang đến cho các bên liên quan bao gồm ban giám đốc, kiểm toán nội bộ đơn vị được kiểm toán, cũng như các chủ nợ, kiểm toán viên độc lập và thậm chí các cơ quan chức năng như cơ quan thuế những lợi ích như (1) bản thân các đơn vị được kiểm toán có thể tự động hóa và nhân rộng quy trình cung cấp thông tin cho các cấp quản lý, (2) giảm lượng thời gian và nỗ lực cần thiết để cung cấp dữ liệu được yêu cầu, (3) kiểm toán nội bộ có thể thực hiện các kỹ thuật phân tích dữ liệu nâng cao dựa trên dữ liệu được chuẩn hóa cho các mục đích nội bộ, và (4) kiểm toán độc lập có thể thực hiện các kỹ thuật phân tích dữ liệu nâng cao dựa trên dữ liệu được chuẩn hóa cho các mục đích kiểm toán báo cáo tài chính… (ASEC, 2015). 3.2.2. Các hướng dẫn thực hiện phân tích dữ liệu kiểm toán Cho đến nay, các tổ chức nghề nghiệp và lập quy về kiểm toán chưa thực hiện ban hành chuẩn mực kiểm toán mới hoặc cập nhật các chuẩn mực kiểm toán hiện hành liên quan đến thực hiện phân tích dữ liệu kiểm toán. Thay vào đó, các tổ chức này thực hiện giải pháp ban hành các hướng dẫn thực hiện phân tích dữ liệu kiểm toán nhằm bổ sung vào các hướng dẫn thực hiện đối với hệ thống chuẩn mực kiểm toán hiện hành. Cho đến nay, đã có một số hướng dẫn thực hiện phân tích dữ liệu kiểm toán đã được ban hành bởi các tổ chức nghề nghiệp, lập quy điển hình như AICPA (2017), CPA Canada (2018), và ISCA (2021). Điểm chung của các hướng dẫn thực hiện phân tích dữ liệu kiểm toán kể trên là hướng dẫn áp dụng trên cơ sở tự nguyện, nhằm giúp công ty kiểm toán và kiểm toán viên ứng phó với những tiến bộ công nghệ áp dụng trong môi trường hoạt động của đơn vị được kiểm toán. Theo các hướng dẫn 1127
  7. Kỷ yếu Hội thảo Khoa học Quốc gia về Kế toán và Kiểm toán – VCAA 2021 này, mục tiêu chính của phân tích dữ liệu kiểm toán là nhằm góp phần cải thiện chất lượng kiểm toán. Ví dụ, một số thuật toán phân tích dữ liệu có thể cho phép kiểm toán viên sử dụng các mô hình dữ liệu phức tạp hơn nhằm cải thiện khả năng của kiểm toán viên trong việc đánh giá rủi ro có sai sót trọng yếu trong các tài khoản khác nhau thông qua việc phân tích trên 100% dữ liệu có liên quan cho các tài khoản đó. Bên cạnh đó, các hướng dẫn cũng đề cập việc sử dụng phân tích dữ liệu kiểm toán nhằm thu thập những hiểu biết sâu sắc hơn về các hệ thống và kiểm soát nội bộ của đơn vị được kiểm toán (chẳng hạn thông qua phân tích khai phá dữ liệu quy trình nghiệp vụ nhằm xác định các khiếm khuyết về kiểm soát nội bộ). Những hiểu biết này có thể là “sản phẩm phụ” có giá trị của cuộc kiểm toán báo cáo tài chính với khả năng cải thiện việc trao đổi thông tin với Ban Giám đốc và Ban quản trị. Các minh họa trong các hướng dẫn đã đề cập cho thấy kiểm toán viên có thể áp dụng các thủ tục phân tích dữ liệu kiểm toán trong toàn bộ cuộc kiểm toán bao gồm giai đoạn đánh giá rủi ro và thực hiện các thủ tục kiểm toán tiếp theo. Như vậy, việc sử dụng phân tích dữ liệu kiểm toán có thể cho phép tự động hóa nhiều hoạt động ít đòi hỏi xét đoán chuyên môn của cuộc kiểm toán, tạo điều kiện để kiểm toán viên dành nhiều thời gian hơn cho những vấn đề khó khăn cần sử dụng đáng kể xét đoán chuyên môn (AICPA, 2017; CPA Canada, 2018; ISCA, 2021). Về mặt nội dung, các hướng dẫn thực hiện phân tích dữ liệu kiểm toán bao gồm cả các hướng dẫn thực hiện các thủ tục phân tích truyền thống trong kiểm toán như phân tích tỷ số, phân tích xu hướng và các kỹ thuật phân tích dữ liệu hiện đại như các kỹ thuật trực quan hóa dữ liệu sử dụng trong giai đoạn đánh giá rủi ro kiểm toán (Hình 3, 4) và các kỹ thuật phân tích dữ liệu dựa trên nền tảng máy học (machine learning) bao gồm các kỹ thuật học có giám sát (supervised learning) như thuật toán phân loại (classification), hồi quy (regression) và không giám sát (unsupervised learning) như thuật toán phân cụm (clustering) có thể được áp dụng trong giai đoạn thực hiện các thủ tục kiểm toán tiếp theo (AICPA, 2017; CPA Canada, 2018; ISCA, 2021). Hình 4. Phân tích trực quan thay đổi trong số dư tài khoản sổ cái Nguồn: AICPA (2017) 1128
  8. Kỷ yếu Hội thảo Khoa học Quốc gia về Kế toán và Kiểm toán – VCAA 2021 Hình 5. Phân tích trực quan các tài khoản phải thu (Dự phòng rủi ro cho các tài khoản nợ quá hạn) theo năm và đơn vị tiền tệ Nguồn: AICPA (2017) 3.3. Thực hiện và công bố các nghiên cứu nhằm định hướng áp dụng phân tích dữ liệu kiểm toán Như đã đề cập trên, tiên phong trong hoạt động này chính là AICPA với sự hình thành của nhóm chuyên trách về công nghệ mới trong dịch vụ đảm bảo ASEC (ban dự án về dịch vụ đảm bảo liên tục). Ban dự án này của AICPA cùng với Hiệp hội kế toán công chứng Canada (CICA) đã công bố báo cáo nhan đề “Kiểm toán liên tục” năm 1999, trong đó đề cập đến một loại dịch vụ đảm bảo được cung ứng dựa trên thu thập và phân tích dữ liệu kiểm toán theo thời gian thực thay vì thực hiện định kỳ hàng năm như trong kiểm toán truyền thống (CICA/AICPA, 1999). Đến năm 2015, AICPA đã công bố một tập sách chuyên khảo của các thành viên nhóm chuyên trách này bao gồm các bài nghiên cứu chuyên sâu trên nhiều khía cạnh nhằm cập nhật những hiểu biết đã tích lũy gần hai thập kỷ dựa trên tiến bộ công nghệ và thực tiễn áp dụng phân tích dữ liệu kiểm toán (AICPA, 2015). Các nghiên cứu trình bày trong AICPA (2015) đã chỉ ra rõ ràng hơn những lợi ích và tính khả thi của việc áp dụng phân tích dữ liệu kiểm toán dựa trên cách tiếp cận phân tích dữ liệu lớn (big data analytics) theo thời gian thực, trong đó nhiều nội dung trong các nghiên cứu này đã thể hiện trong các hướng dẫn thực hiện phân tích dữ liệu kiểm toán đã đề cập đến trong phần 3.2.2 nêu trên. Cùng với những nỗ lực của AICPA, Hiệp hội kiểm toán viên hành nghề Ca-na-đa (CPA Ca- na-đa) trong năm 2019, 2020 đã công bố loạt 04 nghiên cứu nhằm mục đích định hướng việc áp dụng các kỹ thuật phân tích dữ liệu kiểm toán cao cấp bao gồm giới thiệu về khả năng áp dụng công nghệ trí tuệ nhân tạo và dữ liệu lớn trong kiểm toán (CPA Canada, 2019a; CPA Canada, 2019b), tự động hóa các quy trình kiểm toán với robot (CPA Canada, 2019c) và vai trò của kiểm toán viên trong điều kiện áp dụng trí tuệ nhân tạo và tự động hóa quy trình kiểm toán tự động (CPA Canada, 2020). CPA Canada (2020) cho rằng công nghệ tất yếu sẽ dẫn đến khả năng thực hiện cuộc kiểm toán bằng trí tuệ nhân tạo, và bước đi đầu tiên để thực hiện khả năng đó chính là tự động hóa quy trình kiểm toán và áp dụng phân tích dữ liệu lớn trong kiểm toán. Nghiên cứu này cũng phân tích sâu cơ hội và thách thức đối với kiểm toán viên trong việc áp dụng phân tích dữ liệu kiểm toán trong mối tương quan với quy trình kiểm toán theo các chuẩn mực kiểm toán hiện 1129
  9. Kỷ yếu Hội thảo Khoa học Quốc gia về Kế toán và Kiểm toán – VCAA 2021 hành, bắt đầu từ giai đoạn trước khi ký hợp đồng kiểm toán, đến giai đoạn đánh giá rủi ro, lập kế hoạch kiểm toán, thực hiện các thủ tục kiểm toán tiếp theo và cuối cùng giai đoạn hoàn thành kiểm toán và hình thành ý kiến kiểm toán. Một nghiên cứu đáng chú ý của CPA Canada (2019d) về việc sử dụng các công cụ phân tích dữ liệu kiểm toán cho thấy công ty kiểm toán và kiểm toán viên tại Ca-na-đa có tăng cường sử dụng phân tích dữ liệu trong kiểm toán báo cáo tài chính tuy nhiên về cơ bản vẫn áp dụng nhiều các kỹ thuật phân tích dữ liệu “cơ bản” như phân tích biến động, xu hướng, phân tích theo thời hạn các tài khoản phải thu, phải trả, phân tích biến động theo nhóm tài khoản, khách hàng… Điều này cho thấy, kể cả trong điều kiện như tại Ca-na-đa, vẫn cần thời gian để các phương pháp phân tích dữ liệu kiểm toán được áp dụng một cách rộng rãi, sâu sắc hơn… 4. Kết luận và khuyến nghị Trong môi trường có dữ liệu ngày càng phức tạp và khối lượng lớn, việc sử dụng công nghệ và phân tích dữ liệu cho phép kiểm toán cải thiện tính hiệu lực và hiệu quả của cuộc kiểm toán bằng cách tạo điều kiện thực hiện các nhiệm vụ “đơn giản”, giúp kiểm toán viên tập trung vào các lĩnh vực rủi ro, đòi hỏi xét đoán chuyên môn một cách hiệu quả hơn. Việc áp dụng phân tích dữ liệu kiểm toán mặc dù có thể do đòi hỏi từ các bên liên quan, tuy nhiên, tổ chức nghề nghiệp kiểm toán với vai trò quan trọng của nó có thể đẩy nhanh tiến trình đổi mới thông qua các nỗ lực và lộ trình thích hợp. Bởi vì trong tương lai, với việc tự động hóa ngày càng cao của các quy trình nghiệp vụ, và sự tích hợp các hệ thống trên mạng lưới vạn vật kết nối, thì khối lượng dữ liệu chắc chắn sẽ dần vượt quá khả năng kiểm toán của con người, và do vậy việc áp dụng phân tích dữ liệu kiểm toán sẽ là “bắt buộc” đối với các cuộc kiểm toán. Kết quả nghiên cứu này cho thấy trong hơn một thập niên đã qua, các tổ chức nghề kiểm toán tại các nước phát triển đã có những nỗ lực tiên phong trong việc đổi mới phương pháp kiểm toán nói chung và thúc đẩy áp dụng các kỹ thuật phân tích dữ liệu nói riêng nhằm nâng cao chất lượng kiểm toán. Đối với việc áp dụng phân tích dữ liệu trong kiểm toán, quan điểm được các tổ chức nghề nghiệp kiểm toán ủng hộ đó là các kỹ thuật phân tích dữ liệu không ảnh hưởng các vấn đề có tính nguyên tắc trong các chuẩn mực kiểm toán. Chính vì vậy, có một sự tương đồng trong cách tiếp cận của các tổ chức nghề nghiệp kiểm toán đó là thông qua hợp tác quốc tế công bố các nghiên cứu có tính chất định hướng nghề nghiệp và ban hành các hướng dẫn hướng dẫn thay vì phải thay đổi các chuẩn mực kiểm toán. Dựa vào kết quả nghiên cứu này, có thể rút ra một số khuyến nghị cho việc thúc đẩy áp dụng phân tích dữ liệu kiểm toán tại Việt Nam trong tương lai như sau: Thứ nhất, cần thiết phải có tác động về thể chế thông qua tổ chức nghề nghiệp quốc gia (chẳng hạn, VACPA) nhằm thúc đẩy việc áp dụng phân tích dữ liệu kiểm toán trong kiểm toán báo cáo tài chính, bởi vì điều này giúp nâng cao chất lượng kiểm toán, đáp ứng ngày càng tốt hơn lợi ích của công chúng. Thứ hai, tổ chức nghề nghiệp quốc gia (VACPA) cần cần thành lập một nhóm công tác/chuyên trách nhằm tập hợp các nỗ lực của các bên liên quan (bao gồm các chuyên gia của tổ chức nghề nghiệp, các công ty kiểm toán, các nhà nghiên cứu và người sử dụng kết quả kiểm toán) trong việc phổ biến, đào tạo (chẳng hạn, thông qua các chương trình cập nhật kiến thức hàng năm, các chương trình đào tạo ngành kế toán tại các trường đại học), hướng dẫn và tư vấn triển khai các công nghệ phân tích dữ liệu kiểm toán. 1130
  10. Kỷ yếu Hội thảo Khoa học Quốc gia về Kế toán và Kiểm toán – VCAA 2021 Thứ ba, cơ quan chức năng có thẩm quyền (Cục quản lý, giám sát kế toán, kiểm toán – Bộ Tài chính) có thể xem xét khả năng thực hiện chuẩn hóa dữ liệu kế toán phục vụ cho các mục đích kiểm toán và sử dụng báo cáo tài chính. TÀI LIỆU THAM KHẢO [1] AICPA. (1997). Report of the Special Committee on Assurance Services (The Elliot Report). New York, NY: AICPA. [2] AICPA. (2015). Audit Analytics and Continuous Audit: Looking Toward the Future. New York: AICPA. [3] AICPA. (2017). AICPA Guide to Audit Data Analytics. New York: Wiley. [4] ASEC. (2015). General Ledger Standard (Audit Data Standard). New York: AICPA ASEC. [5] Brown-Liburd, H., & Vasarhelyi, M. A. (2015). Big Data and Audit Evidence. Journal of Emerging Technologies in Accounting, 12(1), 1-16. [6] Bumgarner, N., & Vasarhelyi, M. A. (2015). Continuous Auditing—A New View. In Audit Analytics and Continuous Audit: Looking Toward the Future (pp. 3-52). New York, NY: AICPA. [7] Byrnes, P. E., Ames, B., & Vasarhelyi, M. (2015). The Current State of Continuous Auditing and Continuous Monitoring. In Audit Analytics and Continuous Audit: Looking Toward the Future (pp. 53-70). New York, NY: AICPA. [8] Byrnes, P. E., Criste, T., Stewart, T., & Vasarhelyi, M. (2015). Reimagining Auditing in a Wired World. In Audit Analytics and Continuous Audit: Looking Toward the Future (pp. 87-104). New York: AICPA. [9] CFRR. (2017). Audit Data Analytics: Opportunities and Tips. Washington DC: The World Bank. [10] CICA/AICPA. (1999). Research Report: Continuous Auditing. Toronto, Canada: CICA. [11] CPA Canada. (2018). AICPA Guide to Audit Data Analytics. Toronto: CPA Canada. [12] CPA Canada. (2019a). A CPA's Introduction to AI From Algorithms to Deep Learning, What You Need to Know. Toronto: CPA Canada. [13] CPA Canada. (2019b). Big Data and Artifcial Intelligence — The Future of Accounting and Finance. Toronto: CPA Canada. [14] CPA Canada. (2019c). Robotics Process Automation and Beyond. Toronto: CPA Canada. [15] CPA Canada. (2019d). An Inside Look at How Auditors in Canada Are Using Data Analytics. Toronto: CPA Canada. [16] CPA Canada. (2020). The Data-Driven Audit How Automation and AI are Changing the Audit and the Role of the Auditor . Toronto: CPA Canada. [17] Elliott, R. K., & Pallais, D. M. (1997). To market, to market we go. Journal of Accountancy, 81-86. [18] Geppa, A., Linnenlueckeb, M. K., O’Neilla, T. J., & Smith, T. (2018). Big data techniques in auditing research and practice: Current trends and future opportunities. Journal of Accounting Literature, 40, 102-115. 1131
  11. Kỷ yếu Hội thảo Khoa học Quốc gia về Kế toán và Kiểm toán – VCAA 2021 [19] IAASB. (2016). Exploring the Growing Use of Technology in the Audit, with a Focus on Data Analytics. New York: IFAC. [20] IAASB. (2018). Feedback Statement: Exploring the Growing Use of Technology in the Audit, with a Focus on Data Analytics. Nwe York: IFAC. [21] IFAC. (2008). Financial Reporting Supply Chain: Current Perspectives and Directions. New York: IFAC. [22] ISCA. (2021). Data Analytics in a Financial Statements Audit (AGS 13). Singapore: ISCA. [23] Madakam, S., Ramaswamy, R., & Tripathi, S. (2015). Internet of Things (IoT): A Literature Review. Journal of Computer and Communications, 164-173. [24] Mayer-Schönberger, V., & Cukier, K. (2013). Big Data: A Revolution That Will Transform How We Live, Work, and Think (1st ed.). New York: Houghton Mifflin Harcourt. [25] Mock, T. J., & Turner, J. L. (2001). Issues and Opportunities in Archival Audit Research. International Journal of Auditing, 5, 237-249. [26] Palmaccio, M., Dicuonzo, G., & Belyaeva, Z. S. (2020). The internet of things and corporate business models: A systematic literature review. Journal of Business Research. doi:10.1016/j.jbusres.2020.09.069 [27] Rickett, L. K. (2017, October 7-10). The Use of Big Data in Auditing and Barriers to Adoption. Tennessee CPA Journal. [28] Vasarhelyi, M. A., Alles, M., & Kogan, A. (2004). Principles of Analytic Monitoring for Continuous Assurance. Journal of Emerging Technology in Accounting, 1(1), 1-21. [29] Whitehouse, T. (2014, April). Auditing in the Era of Big Data. Compliance Week. [30] Zhang, L., Pawlicki, A. R., McQuilken, D., & Titera, W. R. (2012). The AICPA Assurance Services Executive Committee Emerging Assurance Technologies Task Force: The Audit Data Standards (ADS) Initiative. Journal of Information Systems, 26(1), 199-205. 1132
ADSENSE

CÓ THỂ BẠN MUỐN DOWNLOAD

THÔNG TIN
TRỢ GIÚP
HỖ TRỢ KHÁCH HÀNG
Theo dõi chúng tôi

Chịu trách nhiệm nội dung:

Nguyễn Công Hà - Giám đốc Công ty TNHH TÀI LIỆU TRỰC TUYẾN VI NA

LIÊN HỆ

Địa chỉ: P402, 54A Nơ Trang Long, Phường 14, Q.Bình Thạnh, TP.HCM

Hotline: 093 303 0098

Email: support@tailieu.vn

Giấy phép Mạng Xã Hội số: 670/GP-BTTTT cấp ngày 30/11/2015 Copyright © 2022-2032 TaiLieu.VN. All rights reserved.

 

Đồng bộ tài khoản
2=>2