Wetenschap en accountants

Student vermomd als chatbot

Als je de media mag geloven, heeft automatisering het al lang over genomen in het land van accountants. De chatbots, robots en andere kunstmatige intelligente wezens krijgen een steeds prominentere rol in de populaire propaganda.

Heel vaak gaat dat volgens mij over transactieverwerking. Belangrijk voor ondernemers maar niet direct de toegevoegde waarde van een goed adviseur. Verder heb ik zo’n donkerbruin vermoeden dat het in de praktijk nog vaak gaat over IF-THEN-ELSE-regels en als predictive analytics vermomde lineaire vergelijkingen in excel.

Voor de goede orde: analys.io is zelf kampioen van de if-then-else logica dus ik doe daar zeker niet denigrerend over, maar we zijn wel continu bezig met de volgende stap. Daarom heb ik eens wat onderzoek bekeken om te zien wie er bezig zijn met kunstmatige intelligentie in het domein van accountants en wat voor onderwerpen. Alhoewel ik niet overdonderd ben door de resultaten (het onderwerp staat tenslotte al 30+ jaar op de kaart), zaten er wel wat interessante studies tussen. Hieronder daarvan een voorbeeld. Hopelijk volgen er binnenkort meer.

Het onderzoek

In 2012 is in Iran onderzoek gedaan naar de mogelijkheid om te voorspellen of bij een jaarrekening een goedkeurende verklaring zou zijn af gegeven. Het onderzoek van Pourheydari et al. is gepubliceerd in het ‘African Journal of Business Management van november 2012.

De opzet van het onderzoek

De onderzoekers hebben vier modellen vergeleken op het vermogen om te voorspellen of bij een onderneming een goedkeurende of andere dan goedkeurende verklaring is af gegeven. De gebruikte modellen worden in het artikel beschreven. Ik zal je niet vermoeien met de modellen zelf (ook omdat ik dat zelf niet volledig begrijp) maar het volgende moet je weten:

• De modellen werden gevoed met 29 variabelen van aan de beurs van Teheran genoteerde bedrijven. Per bedrijf zijn de variabelen van 7 of 8 boekjaren bepaald en is vastgesteld wat voor verklaring was afgegeven. Na selectie om te komen tot een representatieve set resteerden in totaal een set van 1018 boekjaren waarover een voorspelling vergeleken kon worden met de werkelijk afgegeven verklaring.
• De 29 inputvariabelen zijn met name kwantitatieve grootheden die iets vertellen over de onderneming. Ik zal je niet met de variabelen zelf vermoeien maar ga er maar vanuit dat ze aan een beetje XBRL document kunnen worden ontleend.
• Van de 1018 boekjaren zijn er ruim 800 gebruikt om het model te bouwen (de zgn. trainingset) en ongeveer 200 om het model vervolgens te valideren (de zgn. testset).

De conclusie van het onderzoek

Van de vier modellen scoorde het multi-layer perceptron neural network het beste. Dit model ben ik in meerdere artikelen tegen gekomen als het meest bruikbare artificial neural network. De details zal ik je besparen maar laten we zeggen dat het een veelzijdig beestje is. Een neuraal netwerk in de categorie ‘supervised learning’. Dit betekent dat het model getraind en gevalideerd wordt met een dataset van inputvariabelen en daarbij behorende outputvariabelen.

Dit model was in staat om in bijna 88% van de gevallen de juiste strekking van de verklaring te voorspellen. Voor de goedkeurende verklaringen lag dit op 89.71% terwijl dit bij niet-goedkeurende verklaringen op 83,83% lag. Niet slecht voor een computer zonder  verstand van jaarrekeningen of accountantscontrole.

De consequenties

Als je tegen accountantscontrole bent, kun je dit natuurlijk aangrijpen en aangeven dat die accountant niet nodig is. Naast printen, kun je de computer kennelijk ook gebruiken om de inhoud van de verklaring te bepalen. Dat dit onzin is, hoef ik niet uit te leggen. Maar zonder consequenties is het natuurlijk niet.

Dit onderzoek is met de komst van XBRL en SBR Assurance straks een stuk makkelijker uit te voeren. De grotere dataset die je dan kunt gebruiken voor het model leidt wellicht tot hogere voorspellende kracht. In dat geval zie ik wel wat mogelijkheden:

• Als je toezichthouder (of gebruiker) bent en je kunt voorspellen hoe een verklaring zou moeten luiden, kun je ook makkelijker inzoomen op de afwijkingen.
• Ongecontroleerde cijfers zou je op deze manier kunnen beoordelen. De uitkomst van het model, zouden bij kunnen dragen aan de kwaliteit van beslissingen.
• Een wat filosofischer punt: hoe eerder de controleverklaring afgegeven moet worden, hoe lastiger de controle is. Je zou je, in een ander universum, voor kunnen stellen dat een bedrijf ongecontroleerde cijfers publiceert – gebruikers kunnen het model gebruiken, in afwachting van de verklaring die later komt. Zou voor een leuke dynamiek zorgen maar maakt gebeurtenissen na balansdatum wel wat complexer…

Als samenstelaccountant zou je kunnen denken dat dit ver van je bed is: Think again buddy! Als we vinden dat de samenstelverklaring zinvol is, dan gaat dit verhaal ook daar gewoon op. Zie het maar als een controleverklaring light.

Interessante ontwikkeling die in Nederland vast anders uit zou pakken als in Iran. Dit neemt niet weg we dit onderzoek hier zeker tegen gaan komen als we hier een paar jaartjes SBR Assurance hebben.

Wil je het artikel zelf lezen: download het hier. Een aantal vergelijkbare onderzoeken is eerder ook uitgevoerd. Een voorbeeld daarvan kun je hier vinden.