Возможности и перспективы использования цифровых технологий в аудиторской деятельности

Экосистема аудиторской деятельности, на основе применения ИИ-технологий, базируется на обработке информации с помощью когнитивных процессов.

Процесс обучения, представления и накопления знаний, предназначенный для обработки собранной информации и извлечения новой информации внутри когнитивной системы аудиторской деятельности, предполагает использование технологии машинного обучения и базы знаний. В когнитивной экосистеме база знаний включает в себя набор фактов, описывающих предметную область проверки, правила и процедуры их логической обработки, базу закономерностей, позволяющих делать выводы, а также генерировать новые знания. Для создания базы знаний должны быть использованы нормативно-правовая система, данные информационных систем аудируемых лиц и их бизнес- и внешнего окружения, собранные доказательства и сделанные выводы по результатам предыдущих проверок. Накопленные знания в единой базе знаний позволяют синтезировать информацию о проверках клиентов за предшествующий период, что при повторном аудите упрощает процедуры понимания бизнеса клиента, планирования, оценки рисков и существенности. При извлечении знаний из базы требуется соблюдение принципа конфиденциальности информации. База знаний и облачные хранилища освобождают аудитора-человека от хранения в памяти и анализа, сопоставления большого количества информации.

Технология машинного обучения позволяет создать набор типовых ситуаций и образцов, чтобы научиться определять, выбирать и классифицировать информацию. Для создания базы правил и процедур применяются когнитивные методы. Важно, чтобы система была обучена анализу и сопоставлению данных, оценке взаимосвязи между ними, генерации выводов и выбору оптимального варианта из множества альтернативных. Для формирования готовых профессиональных суждений, умозаключений и решений в ИИ-системе аудиторской деятельности используются методы технической (конвертирование, форматирование, трансформирование), семантической и логической обработки исходной информации.

Процесс аналитической обработки информации основан на технологиях извлечения и анализа информации небольшой размерности (ограничивается информационной базой аудируемого лица) и Big data. В аудите и при оказании сопутствующих аудиту услуг аналитические процедуры получили распространение для планирования, оценки бизнес-рисков, подтверждения условий непрерывности деятельности, выявления ошибок и искажений, фактов мошенничества и высказывания мнения в аудиторском заключении.

Согласно MCA 315, аудитор должен учитывать влияние на аудируемую организацию отраслевых, регуляторных и прочих внешних факторов и выявлять события и условия, которые могут выступать побудительными мотивами, обстоятельствами давления или создавать возможности для недобросовестных действий. Контент-анализ публикаций в социальных сетях и новостных статьях может информировать аудиторов о потенциальном судебном риске, риске потери деловой репутации или мошенничестве со стороны руководства аудируемого лица. Такая информация необходима для выполнения предварительного планирования, оценки честности руководства клиента и соблюдения принципа независимости (MCA 220) MCA 220 «Контроль качества при проведении аудита финансовой отчетности». Приказ Минфина России от 9 января 2019 г. № 2н. (КонсультантПлюс. URL: http://www.consultant.ru/ (дата обращения: 04.08.2019)).. Watson Analytics уже сейчас задействует технологии, позволяющие предоставлять аудитору информацию о положительных и негативных отзывах в сети Интернет о деятельности аудируемого лица, его администрации и выпускаемой продукции. Для оценки настроения, полярности суждений применяется технология сентиментального анализа и распознавания естественного языка.

Интеллектуальный анализ больших данных и предиктивная аналитика являются важными технологиями для идентификации рисковых областей и оценки уровня риска как в рамках аудиторской проверки, так и при оказании сопутствующих аудиту услуг (например, в процессе выполнения комплаенс-процедур, проведения инвестиционного аудита, оценке эффективности СВК и т. п.). В практике для анализа больших данных и выявления рисковых элементов аудиторские компании стран «Большой четверки» применяют аналитические платформы Halo (PWC), Optix (Deloitte), KRisk (KPMG). Согласно MCA 315, п. A15, аналитические процедуры на основе финансовой и нефинансовой информации могут выявить необычные операции или события, а также определить суммы, коэффициенты и тенденции, которые будут свидетельствовать о наличии вопросов, ответы на которые способны оказать влияние на проводимый аудит.

При оценке рисков информация об операционной деятельности является внутренней и структурированной, а к неструктурированным большим данным можно отнести сведения о рынке и конкуренции, правовой, отраслевой и политической среде, колебания процентных ставок, курсов валют и уровень инфляции. В соответствии с MCA 315, п. A5, A47 MCA 315 «Выявление и оценка рисков существенного искажения посредством изучения организации и ее окружения». Приказ Mинфина России от 9 января 2019 г. № 2н. (КонсультантПлюс. URL: http://www.consultant.ru/ (дата обращения: 04.08.2019))., в качестве внешних источников информации для анализа рисков существенного искажения и финансовых результатов выступают отраслевые и экономические журналы, аналитические отчеты, данные исследований банков и рейтинговых агентств, издания регулирующих органов и финансовые публикации. Открытые данные (полуструктурированного типа) являются важным источником для понимания деятельности клиента, оценки и наличия признаков несоблюдения нормативно-правовых актов и непрерывности деятельности (информация о наличии кредитов и займов, признаков финансовой поддержки, несоблюдения условий, намерений руководства о ликвидации организации, рынка сбыта продукции и наличие незавершенных судебных разбирательств) [Егорова, 2019].

С помощью методов анализа могут быть обнаружены нетипичные тенденции, неожиданные колебания показателей, выявлены аномальные отклонения на основании сравнения с данными предшествующих периодов, показателями отрасли, предприятий аналогичных видов деятельности и прогнозных показателей. Процедуры интеллектуального анализа позволяют выявить то, что большая часть продаж приходится на конец месяца, сомнительно высокий процент операций производится с задержкой оплаты либо один работник совершает и контролирует большое количество сделок. Е. Коскиваара отмечает возможность применения нейронных сетей для аналитических процедур и обнаружения необоснованных экономических выгод и подозрительно высоких сумм расходов [Koskivaara, 2017]. Технологии анализа больших данных (информация сайтов компаний и открытых интернет- источников) могут быть полезны для поиска аффилированных лиц (MCA 550) MCA 550 Связанные стороны». Приказ Mинфина России от 9 января 2019 г. № 2н. (КонсультантПлюс. URL: http://www.consultant.ru/ (дата обращения: 04.08.2019))., а анализ информации активного и открытого рынка, предоставляющей общедоступные и достоверные сведения о ценах по сделкам -- для проверки оценочных значений (MCA 540) MCA 540 «^удит оценочных значений, включая оценку справедливой стоимости, и соответствующего раскрытия информации». Приказ Mинфина России от 9 января 2019 г. № 2н. (КонсультантПлюс. URL: http://www.consultant.ru/ (дата обращения: 04.08.2019))..

Существует достаточно большое количество аналитических методов, которые могут быть применены в когнитивной экосистеме аудиторской деятельности, например кластеризация, накопление, ассоциативные правила, изучение последовательностей, нечеткая логика, деревья решений (для описания и анализа текущей информации), классификация, регрессия, анализ временных рядов (для прогнозирования). Аналитические процедуры на основе ИИ-технологий могут обеспечить быстрый (практически мгновенный) отбор в отдельные совокупности операций, например, с ценами, отличающимися от средних, или значениями, существенно отклоняющимися от заданной величины. Искусственный интеллект способен выявлять закономерности, корреляционные связи между показателями аудируемых лиц, схожих по видам и масштабам деятельности. Интеллектуальный анализ больших данных важен в аудите для оценки непрерывности деятельности на основе прогнозирования воздействия внешних факторов: экономического спада в государстве, отрасли, регионе, девальвации валюты, банкротства ключевых поставщиков сырья и материалов, потери рынков сбыта и появления на рынке успешных конкурентов.

В качестве источников информации могут быть использованы полуструкту- рированные данные сайтов Федеральной службы судебных приставов (исполнительные производства и розыск лиц, находящихся в розыске по подозрению в совершении правонарушения), Федеральной нотариальной палаты (сведения об имуществе, находящимся в залоге), реестры лицензий, информация о крупных государственных закупках, реестры федерального имущества, отчеты о выпуске ценных бумаг и проспекты эмиссии, информация о наличии налоговой и задолженности по исполнительному производству. Заявления руководства о проблемах финансирования и государственной поддержки, намерения о ликвидации или закрытии структурных подразделений могут быть озвучены в СМИ (новости на телевидении, радио или в печати). Также в СМИ могут обсуждаться вопросы, касающиеся развития или сокращения государственной или региональной поддержки, текущих или ожидаемых изменений нормативно-правовых актов, репутации руководящего персонала, его отношения к политике, покупательские предпочтения, рекламные мероприятия и т. п.

Технология «анализ аномалий» как процесс поиска подозрительных данных, сильно отклоняющихся от устойчивых зависимостей, необходима в аудите для выполнения процедуры оценки риска недобросовестных действий, выявления сложных и запутанных схем мошенничества. В ходе анализа устанавливаются скрытые закономерности, проводится прогностическое моделирование, затем рассматриваются исключения в найденных закономерностях. ИИ-технологии могут быть обучены новым методам анализа и быстрой адаптации к новой информации, которая постоянно накапливается в базах данных. Результаты анализа и прогнозного моделирования, подозрительных сделок могут быть выведены на экран монитора в виде автоматизированного графика или схемы и сигнализировать аудитору о необходимости более тщательной проверки в рисковых областях. Результаты аналитических процедур по запросу и с помощью манипулирования диаграммами могут быть визуализированы.

Процесс целеполагания, организации и принятия решений в аудите основан на применении систем поддержки принятия организационных и управленческих решений. Совершенствование организации аудиторской деятельности в связи с применением цифровых технологий становится возможным с помощью реализации способов дистанционного межфирменного взаимодействия. Начинают развиваться новые формы аудита, такие как дистанционный аудит, онлайн-аудит и непрерывный аудит. Аудит может приобрести функцию непрерывного процесса, что позволит рационально распределять время на проведение проверок, а не осуществлять их в ограниченные сроки [Brennan, Baccala, Flynn, 2017].

Под непрерывным аудитом понимается тип аудита, который дает результаты проверки одновременно или через короткий промежуток времени после возникновения соответствующих событий (групп взаимосвязанных операций). На возможность непрерывной аудиторской проверки указывает А. А. Ситнов, полагая, что «современные методы обработки информации позволяют аудитору в режиме реального времени выявлять проблемные ситуации, причины их возникновения, делать релевантные выводы, необходимые для принятия текущих и будущих управленческих решений» [Ситнов, 2015, с. 103]. Для создания онлайн-офиса аудиторской организации могут быть применимы облачные технологии, позволяющие объединить интернет-телефонию, корпоративную электронную почту, создать хранилища рабочей документации и электронный документооборот для взаимодействия аудитора с клиентами и построения коммуникаций между членами аудиторской группы. Возникают возможности в режиме реального времени проводить процедуры внутреннего контроля качества, осуществлять мониторинг и оценивать выполнение обязанностей всеми членами аудиторской группы.

Система поддержки принятия решений необходима аудитору для определения действий в условиях многокритериального выбора, неопределенности и нечеткости данных. Например, к когнитивным процессам управления относятся процессы планирования характера, объема и временных рамок аудиторских процедур, выбора действий аудитора в ответ на оценку риска и доказательств или выбора процента, контрольного показателя для расчета существенности с учетом знания характера аудируемой организации, структуры собственности и способа финансирования. Аудиторские стандарты задают альтернативные варианты возможных решений и критерии выбора. Например, в качестве ответных действий аудитора на высокие риски может быть увеличен объем выборки или изменены временные рамки. При принятии решений аудитор руководствуется не только профессиональным суждением, но и принципами рациональности и разумной уверенности.

Процесс формирования умозаключений, суждений при оценке доказательств и мнения о достоверности отчетности предполагает логический вывод на основе выполнения аудиторских процедур о наличии или отсутствии ошибки или фактов мошенничества. Аудитор при выполнении процедур следует принципу профессионального суждения, который согласно МСА 200, п. 13 заключается в применении «соответствующих знаний, опыта и навыков в контексте стандартов аудита, бухгалтерского учета и этических стандартов, при принятии обоснованных решений о надлежащих планах действий в обстоятельствах конкретного аудиторского задания» МСА 200 «Основные цели независимого аудитора и проведение аудита в соответствии с международными стандартами аудита». Приказ Минфина России от 9 января 2019 г. № 2н. (КонсультантПлюс. URL: http://www.consultant.ru/ (дата обращения: 04.08.2019)).. Для выполнения процессов используются когнитивные методы формирования профессиональных суждений, которые являются основой разработки интеллектуальных систем.

В условиях перехода на цифровые технологии создаются новые возможности по повышению качества услуг аудиторов и эффективности процесса проверки на основе многократного ускорения процесса обработки данных. Задача аудитора в условиях работы с ИИ-технологиями заключается в оценке адекватности, существенности выбранной информации и анализе выявленных искажений. Интеллектуальные процессы по мере получения доказательств в режиме реального времени могут оценивать и анализировать информацию, автоматически выбирать или предлагать на выбор альтернативные процедуры, корректировать программу проверки по мере необходимости и своевременно реагировать на повышенный уровень аудиторского риска. Технологии могут отыскать такую информацию, которую в случае традиционной проверки аудитор не смог бы обнаружить или не имел опыта проверок в данной области, а с накоплением базы знаний искусственный интеллект оказывается объективнее, чем суждение аудитора-человека.

При формировании когнитивной экосистемы аудиторской деятельности возникают вопросы, которые требуют урегулирования в аудиторских стандартах. Должны быть изложены вопросы этики при взаимодействии «аудитора-человека -- бухгалтера-человека -- робота-аудитора», «робота-аудитора -- робота-бухгалтера», а также рассмотрен порядок использования личной информации и профессионального опыта аудитора-человека при машинном обучении, вопросы этики при доступе к личной информации из социальных сетей.

В нормативных правилах необходимо описать разграничение ответственности робота-аудитора и аудитора-человека. На методическом уровне положения МСА 315 должны учитывать особенности понимания деятельности клиента при исполь- зованиии цифровых технологий ведения бизнеса, необходимость оценки киберрисков аудируемых лиц и использования процедур ИИ-аудита или привлечения эксперта в данной области. Использование роботов приведет к возникновению новых видов риска необнаружения, связанных с несовершенством искусственного интеллекта, либо с действиями аудируемого лица, направленными на обход роботизированных средств контроля. Соответственно, следует расширить понятие риска необнаружения в стандартах, уточнить факторы его возникновения. Внутренние процедуры контроля качества должны основываться на проверке функционирования и валидности моделей и методов, которым обучаются роботизированные системы, а также на обеспечении мер информационной безопасности, утечки информации и минимизации рисков.

Когнитивный аудит и интеллектуальный аудит: смена парадигмы в аудиторской науке

Аудит выступает в качестве прикладной науки, направленной на удовлетворение частных и общественных потребностей, причем методология отечественного аудита до сих пор не сформирована в достаточной мере и находится на этапе развития [Жильцова и др., 2018]. В условиях цифровой экономики происходит смена парадигм, которая приводит к адаптации исторически сложившейся методологии аудиторской деятельности к внедряемым цифровым технологиям.

Под парадигмой принято понимать «совокупность явных и неявных (и часто не осознаваемых) предпосылок, определяющих научные исследования и прикладные разработки и признанных на определенном этапе развития науки» [Кун, 2009, с. 11]. Смена научных парадигм происходит при возникновении новых взглядов на научную проблему и при зарождении новых гипотез и теорий. Возникновение прорывных технологий требует перестройки механизмов аудиторской деятельности, что означает пересмотр процессов и методов аудита как науки [Issa, Sun, Vasarhelyi, 2016]. С развитием когнитивных технологий и их применением на практике стали формироваться когнитивные научные направления в экономике и аудите как ее прикладной области, а с появлением ИИ-технологий -- область ИИ-аудита.

Следует различать когнитивный аудит и интеллектуальный аудит. В философии под когнитивной наукой понимается научная область, которая изучает «сознание и высшие мыслительные процессы на основе применения теоретико-информационных моделей, процессы получения, передачи, использования знаний и интегрирует лингвистику, нейронауки, философию, психологию и моделирование искусственного интеллекта» [Кудрявцева, 2013, с. 63]. По мнению Е. И. Кудрявцевой когнитивная экономика -- это «экономика, построенная на “знаниях о познании”, система экономических построений, включающая в себя в качестве основного элемента понимание того, как именно субъекты различной природы формируют собственные действия в экономическом пространстве: формулируют цели, определяют альтернативы, фиксируют пределы, осуществляют выбор, рефлексируют достигнутый результат» [Кудрявцева, 2013, с. 63]. Когнитивный аудит как наука изучает процессы и модели когнитивного мышления аудитора, которые базируются на ассоциативных правилах рассуждения с помощью методов эвристики (эмпирическая система) и рационализации (система нормативных правил рассуждения).

Прикладные исследования в области применения ИИ-технологий для решения отдельных задач аудита вызывают необходимость развития новой научной области -- ИИ-аудита. На формирование отдельного научного направления «интеллектуальный аудит» указывает С. Гринман. По его мнению, в интеллектуальном аудите сочетаются аппаратные и программные возможности со статистическим моделированием для решения задач, которые традиционно находились в ведении аудитор-человек [Greenman, 2017].

Выступая областью научных знаний, ИИ-аудит является междисциплинарной и прикладной наукой, которая формируется на стыке искусственного интеллекта, аудита как самостоятельной области и когнитивного аудита. Как наука искусственный интеллект, в отличие от области исследований когнитивных процессов, изучает процессы машинного (аппаратно-программного) моделирования для выполнения человеческих функций и создания роботизированной системы, позволяющей решать прикладные задачи.

Следовательно, ИИ-аудит как научное направление базируется на исследовании процесса создания, внедрения и применения когнитивной экосистемы аудиторской деятельности, которая выступает основой для создания роботизированных интеллектуальных помощников для аудиторских организаций. Сравнительная характеристика аудита как области научного знания и его перспективных научных направлений, развивающихся в условиях цифровой экономики, представлена в таблице.

Связь ИИ-аудита и когнитивного аудита прослеживается в схожести объектов, поскольку для создания интеллекта и машинного обучения непосредственно требуется проведение исследований в области познавательно-мыслительных процессов аудита. Методологию ИИ-аудита образует интеграция искусственного интеллекта и процесса управления знаниями, которые ориентированы на моделирование знаний эксперта о практической ситуации, ее динамических свойствах и способов управления.

Таблица. Сравнительный анализ традиционного аудита, когнитивного аудита и интеллектуального аудита как научных направлений

Признак сравнения	Традиционный аудит	Когнитивный аудит	Интеллектуальный аудит (авторская позиция)
Определение	Система знаний о методах и приемах независимого финансового контроля	Наука, занимающаяся процессами мышления аудитора и ментальными состояниями, связанными с формированием профессионального суждения и формулированием (высказыванием) аудиторского мнения	Наука, занимающаяся исследованиями формирования, внедрения и применения технологий искусственного интеллекта и методов когнитивного аудита в аудиторской деятельности
Научные категории	Аудиторский риск, аудиторские доказательства, аудиторская выборка, процедуры, существенность и т. п.	Профессиональная когниция аудита, концепт профессионального суждения аудитора, дискурс аудиторского заключения	Искусственный интеллект аудитора, когнитивная экосистема аудиторской деятельности
Объект	Аудиторская деятельность, процесс ее организации и проведения	Познавательномыслительные процессы в практической аудиторской деятельности и когнитивная компетентность как набор интеллектуальных качеств и способностей к критическому мышлению при выполнении аудиторских процедур, высказыванию профессионального суждения	Когнитивная экосистема аудиторской деятельности, процесс внедрения технологий искусственного интеллекта и когнитивные процессы
Методология	Совокупность общих и частных методов для получения достаточных и надлежащих аудиторских доказательств	Совокупность приемов и методов формирования когнитивного мышления аудитора	Совокупность методов и технологий искусственного интеллекта, машинного обучения, когнитивных методов

Составлено по: [Жильцова идр., 2018; Пожарицкая, 2017].

Перспективными направлениями исследований в области ИИ-аудита выступает изучение таких вопросов, как:

• поведенческие процессы в аудиторской деятельности, процессы принятия решений и когнитивные способности аудитора;

• организация и процедуры управления знанием, вопросы инференции и репрезентативности знания, формирование и накопление базы знаний для идентификаций объектов и построения логических выводов;

• комплекс методических, программно-аппаратных средств, образующих ИИ- технологии, необходимые для исследования мыслительных процессов в сознании аудитора и формирования когнитивной экосистемы;

• информационные и когнитивные процессы сбора и обработки информации в когнитивной экосистеме аудиторской организации.

Исследования в вышеперечисленных сферах научного знания позволят сформировать надежную и эффективную экосистему аудиторской деятельности, отвечающую современной действительности и требованиям к внедрению инструментов цифровой экономики. Интеллектуальный аудит в условиях цифровой экономики создаст возможность проводить проверки дистанционно, в любой момент времени (непрерывно) по запросу клиента и расширит информационно-методическую базу консалтинговых услуг.



Заключение

В результате проведенного исследования были выявлены возможности применения цифровых технологий в аудиторской деятельности и перспективы развития ИИ-аудита как самостоятельной области научных знаний. Основные выводы исследования заключаются в следующем.

Во-первых, анализ научных исследований в области аудита показывает, что сложились теоретико-методические и научно-технические предпосылки перехода аудита на цифровые технологии. Практика компаний стран «Большой четверки» показывает, что в настоящее время на мировом рынке существуют доступные ИИ-технологии, способные модернизировать отдельные аудиторские процедуры (оценка рисков, поиск и анализ информации на интернет-сайтах и открытых данных) и комплексно создать когнитивную экосистему аудиторской деятельности.

Во-вторых, ИИ-технологии в сочетании с методами описательного и предиктивного анализа больших данных трансформируют методический инструментарий аудиторской проверки, а также расширяют спектр консалтинговых услуг. Появляются возможности удовлетворить запросы клиентов, которым в рыночной экономике важны не только достоверная учетная информация, но и перспективная оценка бизнес-рисков, гарантия существования предприятия в обозримом будущем, оценка состояния и функционирования информационной системы и бизнес- процессов. Трансформация теории и методологии приводит к формированию междисциплинарных областей научного знания -- когнитивного аудита и ИИ-аудита, которые являются перспективными направлениями научных исследований.

В-третьих, аудиторская проверка с применением цифровых технологий способна повысить качество услуг аудиторов на основе перехода от выборочного аудита к сплошному, поскольку технологии создают возможность ускоренно обрабатывать бумажные и электронные источники информации, делать сверки и подтверждения, которые выполняет аудитор вручную. Акцент проверки смещается на отбор и поиск рискованных сделок, бухгалтерских записей, считающихся подозрительными, которые аудитор-человек может еще более тщательно подвергнуть проверке. ИИ-технологии, призваны повысить степень доверия к аудиторскому заключению, что в свою очередь улучшит деловую репутацию аудитора. Машинный интеллект может оказаться более объективным, нежели суждения человека.

В-четвертых, цифровые технологии могут как упростить проведение процедур, так и рационализировать организацию аудиторской проверки с учетом особенностей клиента. Превалирующими аудиторскими процедурами должны стать тесты средств контроля автоматизированных информационных систем и аналитические процедуры, которые на основе технологий описательной и предиктивной аналитики способны анализировать и структурированную и неструктурированную информацию.

В-пятых, существуют риски ИИ-систем, связанные с предвзятостью, субъективностью системы, поскольку имеется зависимость от интеллекта и убеждений тех лиц, которые проводят обучение роботов. При создании ИИ-систем необходимо учитывать, что справедливость, честность и профессионализм -- главные характеристики, формирующие доверие к мнению аудитора.

Таким образом, внедрение роботизированных программных продуктов в аудиторскую деятельность -- это необходимое условие и фактор развития цифровой экономики в России, который должен способствовать как повышению качества аудиторских услуг, так и увеличению эффективности деятельности аудиторских фирм.



Литература

Абдикеев H. М., Аверкин А. Н., Ефремова Н. А. (2010) Когнитивная экономика в эпоху инноваций. Вестник РЭА. № 1. С. 3-20.

Егорова И. С. (2019) Использование данных интернет-среды в аудите. Аудитор. № 5. С. 14-28. Жильцова Ю. В., Кемаева С. А., Козменкова С. В., Маслова Т. С. (2018) Формирование современной парадигмы аудита как прикладной науки. Международный бухгалтерский учет. № 17-18. С. 1037-1049.

Карелин В. П. (2011) Интеллектуальные технологии и системы искусственного интеллекта для поддержки принятия решений. Вестник Таганрогского института управления и экономики. 2011. №2. С. 79-84.

Кудрявцева Е. И. (2013) Когнитивная экономика и когнитивный менеджмент: поиск концепции и управления новыми человеческими ресурсами. Научные труды Северо-Западного института управления РАНХиГС. Т. 4. № 4 (11). С. 58-67.

Кун Т. С. (2009) Структура научных революций. М.: АСТ. 310 с.

Остроух А. В. (2015) Интеллектуальные системы. Красноярск: Научно-инновационный центр. 110 с.

Пожарицкая И. М. (2017) Когнитивный аудит: новая парадигма. Аудитор. № 7. С. 11-15.

Родзин С. И., Титаренко И. Н. (2013) NBIC-технологии, искусственный интеллект и электронная культура. Информатика, вычислительная техника и инженерное образование. № 2. Вып. 13. С. 60-74.

Ситнов А. А. (2015) Особенности аудита информационной безопасности бизнес-систем. Аудитор. № 9. С. 14-22.

Соболева Г. В. (2017) Использование метода больших данных для оценки рисков недобросовестных действий. Аудиторские ведомости. № 5. С. 173-184.

Сухарева М. А. (2018) От концепции постиндустриального общества к концепции экономики знаний и цифровой экономики: критический анализ терминологического поля. Государственное управление. Электронный вестник. № 68. С. 445-464.

Тихонов Э. Е., Ворохобина Я. В. (2018) Цифровая экономика: новые парадигмы развития цифровых валют и приложение технологий блокчейн в аудите. Научный вестник Государственного автономного образовательного учреждения высшего профессионального образования «Невинномыс- ский государственный гуманитарно-технический институт». № 1. С. 128-131. Abdolmohammadi M. J. (1987) Decision support and expert systems in auditing: a review and research directions. Accounting and Business Research (Spring), vol. 17, pp. 173-185.

Abhishek N., Divyashree M. S. (2019) Application of Robotics in Accounting and Auditing of Business and Financial Information. Inspira -- Journal of Modern Management & Entrepreneurship (JMME), vol. 9, no. 2, pp. 1-5.

Baldwin A. A., Brown C. E., Trinkle B. S. (2006) Opportunities for artificial intelligence development in the accounting domain: the case for auditing. Intelligent Systems in Accounting, Finance & Management: International Journal, vol. 14, no. 3, pp. 77-86.

Biggs S. F., Selfridge M., Krupka G. R. (1993) A computational model of auditor knowledge and reasoning processes in the going-concern judgment. Auditing: A Journal of Practice and Theory, vol. 12, pp. 82-99.

Bonner S. E., Pennington N. (1991) Cognitive processes and knowledge as determinants of auditor expertise. Journal of Accounting Literature, vol. 10, pp. 1-50.

Boritz J. E., Wensley A. K. P. (1990) Structuring the assessment of audit evidence -- an expert systems approach. Auditing: A Journal of Practice and Theory, vol. 9, pp. 49-98.

Brandas C., Muntean M., Didraga O. (2018) Intelligent decision support in auditing: Big Data and machine learning approach. 17^th International Conference on Informatics in economy (IE 2018) Education, Research & Business Technologies. The Bucharest University of Economic Studies. Bucharest. Romania, pp. 425-430.

Brennan B., Baccala M., Flynn M. (2017) Artificial Intelligence Comes to Financial Statement Audits. CFO. URL: https://www.cfo.com/auditing/2017/02/artificial-intelligence-audits/ (дата обращения: 04.08.2019).

Calderon T. G., Cheh J. J. (2002) A roadmap for future neural research in auditing and risk assessment. International Journal of Accounting Information Systems, vol. 3-4, pp. 203-236.

Chiu C. T., Scott R. (1994) An intelligent forecasting support system in auditing: expert system and neural network approach. System Sciences, vol. 3, pp. 272-280.

Commerford B. P. Dennis S. A., Joe J. R., Wang J. (2019) Complex Estimates and Auditor Reliance on Artificial Intelligence. Elsevier. URL: Elsevier https://ssrn.com/abstract=3422591 (дата обращения: 04.08.2019).

Davis J. T., Massey A. P., Lovell I. I. (1997) Supporting a complex audit judgment task: an expert network approach. European Journal of Operational Research, vol. 103(2), pp. 350-372.

Eining M. M., Jones D. R. (1997) Reliance on decision aids: an examination of auditors' assessment of management fraud. Auditing: A Journal of Practice and Theory, vol. 16(2), pp. 1-19.

Etheridge H. L., Sriram R. S., Hsu H. Y. K. (2000) A comparison of selected artificial neural networks that help auditors evaluate client financial viability. Decision Sciences, vol. 31(2), pp. 531-550.

Fanning K., Cogger K., Srivastava R. (1995) Detection of management fraud: a neural network approach. Intelligent Systems in Accounting, Finance and Management, vol. 4, pp. 113-126.

Fay R., Negangard E. M. (2017) Manual Journal Entry Testing: Data Analytics and The Risk of Fraud. Journal of Accounting Education, vol. 38, pp. 37-49.

Gepp A., Linnenluecke M. K., O'Neill T. J., Smith T. (2018) Big Data Techniques in Auditing Research and Practice: Current Trends and Future Opportunities. Journal of Accounting Literature, vol. 40, pp. 102115.

Greenman C. (2017) Exploring the Impact of Artificial Intelligence on the Accounting Profession. Journal of Research in Business, Economics and Management, vol. 8, no. 3, pp. 1451-1454.

Griffith E. E., Hammersley J. S., Young D., Kadous K. (2015) Auditor Mindsets and Audits of Complex Estimates. Journal of Accounting Research, vol. 53, no. 1, pp. 49-77.

Hashimzade N., Myles G. D., Rablen M. D. (2016) Predictive Analytics and The Targeting of Audits. Journal of Economic Behavior & Organization, vol. 124, pp. 130-145.

Issa H., Sun T., Vasarhelyi M. A. (2016) Research Ideas for Artificial Intelligence in Auditing: The Formalization of Audit and Workforce Supplementation. Journal of Emerging Technologies in Accounting, vol. 13, no. 2, pp. 1-20.

Koh H. C. (2004) Going concern prediction using data mining techniques. Managerial Accounting Journal, vol. 19, no. 3, pp. 462-476.

Kokina J., Davenport Th. H. (2017) The Emergence of Artificial Intelligence: How Automation is Changing Auditing. Journal of emerging technologies in accounting, vol. 14, no. 1, pp. 115-122.

Koskivaara E. (2017) Artificial neural network models for predicting patterns in auditing monthly balances. Journal of the Operational Research Society, vol. 51, pp. 1060-1069.

Kozlowski S. (2016) Audit Ecosystem. Doctoral dissertation, Rutgers, The State University of New Jersey. 135 p.

Lenard M. J., Alam P., Booth D., Madey G. (2001) Decision-making capabilities of a hybrid system applied to the auditor's going-concern assessment. International Journal of Intelligent Systems in Accounting, Finance and Management, vol. 10, pp. 1-24.

Luo J., Hu Zh., Wang L. (2018) Research on CPA Auditing Reform Strategy Under the Background of Artificial Intelligence. Advances in Social Science, Education and Humanities Research. 2nd International Conference on Management, Education and Social Science, vol. 176, pp. 935-939.

Meservey R. D., Bailey Jr. A. D., Johnson P. E. (1986) Internal control evaluation: a computational model of the review process. Auditing: A Journal of Practice and Theory, vol. 6, no. 1, pp. 44-74.

Sun T., Vasarhelyi M. A. (2018) Embracing Textual Data Analytics in Auditing with Deep Learning. The International Journal of Digital Accounting Research, vol. 18, pp. 49-67.

Li Q., Vasarhelyi M. A. (2018) Developing a Cognitive Assistant for the Audit Plan. The International Journal of Digital Accounting Research, vol. 18, pp. 119-140.

Omoteso K. (2012) The application of artificial intelligence in auditing: Looking back to the future. Expert Systems with Applications, vol. 39, no. 9, pp. 8490-8495.

Perols J. (2011) Financial Statement Fraud Detection: An Analysis of Statistical and Machine Learning Algorithms. Auditing: A Journal of Practice & Theory, vol. 30, no. 2, pp. 19-50.

Rozen C. (2018) Small Firm Blazes Trail in Artificial Intelligence Use for Audits. Bloomberg Tax. p. 38.

Ramlukan R. How Big Data and Analytics Are Transforming the Audit. URL: http://bit.ly/2pJJ8ju (дата обращения: 04.08.2019).

Ukpong E. G., Udoh I. I., Essien I. T. (2019) Artificial Intelligence: Opportunities, Issues and Applications in Accounting and Auditing in Nigeria. Asian Journal of Economics, Business and Accounting, vol. 10, no. 1, pp. 1-6.

Vasarhelyi M., Bonson E., Hoitash R. (2005) Artificial Intelligence in Accounting and Auditing: International Perspectives. 225 p.

Welch O. J., Reeves T. E., Welch S. T. (1998) Using a genetic algorithm-based classifier system for modeling auditor decision behavior in a fraud setting. International Journal of Intelligent Systems in Accounting, Finance and Management, vol. 7, pp. 173-186.



Opportunities and prospects for using digital technologies in auditing

V.A. Yakimova Amur State University,

Blagoveshchensk, Russian Federation

The digital economy creates new opportunities for the development of all types of economic activity, and first of all it allows to improve the organizational, technical and methodological support of information services, which include audit services. Developing technologies based on artificial intelligence, descriptive and predicative analysis of big data can find an applied aspect in the digitalization of audit activities, which will help to accelerate the collection of information, the transition from manual procedures to computer-aided processing of information, planning algorithms and a deeper understanding of the activities of audited entities. With the development of the market of high (hi-tech) and end-to-end technologies, digitalization of information systems of economic entities, the problems of adapting auditory methodological and organizational-technological tools to current conditions become urgent. Thus, in auditing science there is a paradigm shift: the transition from traditional audit to intellectual (AI audit), the methodology of which is based on machine learning technology in the professional field and the use of professional cognition. The application of the ecosystem approach allows us to describe the features of the content and functional purpose of individual digital technologies for performing cognitive processes in audit activities. A cognitive ecosystem of audit activities is proposed, which is necessary for defining digital technologies, with the help of which specific tasks and directions of audits and audit-related services can be implemented. The proposed ecosystem can be used as a supporting mechanism for creating a comprehensive AI-audit system in audit organizations and for developing Al-audit as a field of scientific knowledge.

Keywords: digital economy, digital technologies, audit services, intellectual audit, Al-technologies, professional judgment.

Размещено на Allbest.ru

...