MACHINE LEARNING COMO AUDITOR DO FUTURO: PREVISÃO AUTOMÁTICA DE RISCOS E IRREGULARIDADES CONTÁBEIS
DOI:
https://doi.org/10.56238/revgeov16n5-250Palavras-chave:
Contabilidade 4.0, Auditoria Preditiva, Machine Learning, Riscos Contábeis, Irregularidades ContábeisResumo
A transformação digital e a Contabilidade 4.0 têm impulsionado a adoção de técnicas avançadas de análise de dados na auditoria e no controle contábil, especialmente por meio do uso de algoritmos de machine learning. Este estudo tem como objetivo avaliar a capacidade preditiva de modelos de aprendizado de máquina na identificação de riscos e irregularidades contábeis em empresas de capital aberto brasileiras, contribuindo para a consolidação da auditoria preditiva como evolução da auditoria tradicional. Para isso, foram utilizados dados econômico-financeiros, indicadores de desempenho, métricas de qualidade dos lucros e features textuais extraídas de notas explicativas, cobrindo o período de 2010 a 2024. Diferentes algoritmos supervisionados, incluindo modelos baseados em ensemble learning, foram treinados e avaliados por meio de validação cruzada e métricas como acurácia, F1-score e área sob a curva ROC. Os resultados indicam que modelos de ensemble superam métodos estatísticos tradicionais na previsão de irregularidades contábeis, especialmente quando combinam informações numéricas e textuais, reforçando o potencial da inteligência artificial como suporte à auditoria contínua e à gestão de riscos. Do ponto de vista teórico, o estudo aprofunda a compreensão sobre a integração entre Contabilidade 4.0, auditoria preditiva e machine learning. Do ponto de vista prático, oferece subsídios para o desenvolvimento de sistemas automatizados de monitoramento contábil mais eficientes, preventivos e alinhados às demandas contemporâneas de governança e transparência.
Downloads
Referências
ALLES, M.; BRENNAN, G.; KOGAN, A. Continuous auditing: The state of the art and future directions. Journal of Information Systems, Sarasota, v. 32, n. 3, p. 1–20, 2018. doi:10.2308/isys-52089.
APPELBAUM, D. et al. Audit analytics and continuous audit: Opportunities and challenges. Accounting Horizons, Sarasota, v. 31, n. 3, p. 63–81, 2017.
doi:10.2308/acch-51765.
BAO, Y.; LI, H. Detecting accounting fraud using machine learning approaches: A systematic literature review. Journal of Accounting Literature, Greenwich, v. 48, p. 1–22, 2022. doi:10.1016/j.acclit.2021.100459.
BROWN-LIBURD, H.; VASARHELYI, M. A. Big Data and audit evidence. Journal of Emerging Technologies in Accounting, Sarasota, v. 12, n. 1, p. 1–16, 2015. doi:10.2308/jeta-10468.
CARVALHO, E.; REZENDE, A. J. Data analytics e os novos caminhos da auditoria interna: percepções e desafios. Revista Universo Contábil, Blumenau, v. 17, n. 3, p. 30–48, 2021. doi:10.4270/ruc.2021321.
COSTA, A. M.; LIMA, R. S.; ALCÂNTARA, J. L. Detecção automatizada de anomalias contábeis por meio de algoritmos de machine learning: evidências em bases financeiras brasileiras. Revista Brasileira de Contabilidade, Brasília, v. 51, n. 242, p. 45–62, 2022.
CRESWELL, J. W.; CRESWELL, J. D. Research Design: Qualitative, Quantitative, and Mixed Methods Approaches. 5. ed. Thousand Oaks: Sage, 2018.
DAMASCENA, L.; ALMEIDA, J. E. F.; TAVARES, E. Big Data e profissional contábil: desafios e oportunidades na era da informação. Revista Contemporânea de Contabilidade, Florianópolis, v. 19, n. 48, p. 75–92, 2022. doi:10.5007/2175-8069.2022.e83825.
DECHOW, P. M.; GE, W.; SCHRAND, C. M. Understanding earnings quality: A review of the proxies, their determinants and their consequences. Journal of Accounting and Economics, Amsterdam, v. 50, n. 2–3, p. 344–401, 2010. doi:10.1016/j.jacceco.2010.09.001.
HAIR, J. F. et al. Multivariate Data Analysis. 8. ed. New York: Cengage, 2019.
HE, W.; CASEY, R. J. Earnings management and financial distress: An international perspective. Journal of Accounting, Auditing & Finance, London, v. 36, n. 3, p. 572–599, 2021. doi:10.1177/0148558X19877096.
KUHN, M.; JOHNSON, K. Feature Engineering and Selection: A Practical Approach for Predictive Models. Boca Raton: CRC Press, 2021.
KNECHEL, W. R.; SALTERIO, S.; BALLA, B. Auditing: Theory and Practice. New York: Routledge, 2016.
LIN, C.; HWANG, Y. Machine learning-based detection of financial anomalies: A comprehensive review. International Journal of Accounting Information Systems, Amsterdam, v. 51, p. 100619, 2023. doi:10.1016/j.accinf.2023.100619.
MARTINS, A. L. S.; MONTEIRO, R. P. Contabilidade 4.0 e o futuro da profissão contábil: competências, desafios e perspectivas tecnológicas. Revista Contemporânea de Contabilidade, Florianópolis, v. 20, n. 54, p. 89–108, 2023. doi:10.5007/2175-8069.2023.e104589.
PUCKETT, A.; BRODY, R. Artificial intelligence and its impact on corporate governance: A governance analytics perspective. Journal of Forensic & Investigative Accounting, New Orleans, v. 13, n. 3, p. 415–437, 2021.
RASHID, A.; WANG, S. Predictive analytics in accounting and auditing: A review and research agenda. International Journal of Accounting Information Systems, Amsterdam, v. 50, p. 100610, 2023. doi:10.1016/j.accinf.2023.100610.
ROSMAN, P.; SOTO, M.; KHASHMAN, A. Digital transformation and its impact on accounting and auditing education. Innovations in Education and Teaching International, London, v. 58, n. 5, p. 620–633, 2021. doi:10.1080/14703297.2020.1815714.
SCHMIDT, P. et al. The digital transformation of the accounting profession: Implications for practitioners and educators. Accounting Education, London, v. 29, n. 5, p. 439–466, 2020. doi:10.1080/09639284.2020.1754800.
SHMUELI, G.; KOPPIUS, O. Predictive analytics in information systems research. MIS Quarterly, Minneapolis, v. 35, n. 3, p. 553–572, 2011.
SILVA, T. B.; ARAÚJO, L. F.; MENDONÇA, M. F. Data analytics e auditoria interna: oportunidades e barreiras em organizações brasileiras. Revista de Educação e Pesquisa em Contabilidade, Brasília, v. 16, n. 4, p. 489–507, 2022. doi:10.17524/repec.v16i4.3030.
TUNG, B.; VASARHELYI, M. A. The evolution from traditional auditing to predictive auditing: Implications for the profession. International Journal of Disclosure and Governance, London, v. 20, p. 45–60, 2023. doi:10.1057/s41310-022-00166-7.
VASARHELYI, M. A.; HALPER, F. The continuous audit of online systems. Auditing: A Journal of Practice & Theory, Sarasota, v. 10, n. 1, p. 110–125, 1991.
VASARHELYI, M. A.; ROEDEL, K. The future of continuous auditing: Artificial intelligence and real-time assurance. Journal of Emerging Technologies in Accounting, Sarasota, v. 19, n. 1, p. 87–103, 2022. doi:10.2308/JETA-2021-054.
WARREN, J. D.; MOFFITT, K. C.; BYRNES, P. How Big Data will change accounting. Accounting Horizons, Sarasota, v. 29, n. 2, p. 397–407, 2015. doi:10.2308/acch-51069.
