De subjectiviteit van de going concern opinion
en de invloed van big data
Een literatuuronderzoek naar de mogelijkheden van datamining voor het
objectiveren van de going concern opinion
Bachelorscriptie Accountancy & Control
Faculteit Economie en Bedrijfskunde
Naam: Marjolein Evers
Studentnummer: 10431497
Begeleider: Dhr. J.J. Schipper RA
Datum: 24 juni 2015
2
Verklaring eigen werk
Hierbij verklaar ik, Marjolein Evers, dat ik deze scriptie zelf geschreven heb en dat ik de volledige verantwoordelijkheid op me neem voor de inhoud ervan.
Ik bevestig dat de tekst en het werk dat in deze scriptie gepresenteerd wordt origineel is en dat ik geen gebruik heb gemaakt van andere bronnen dan die welke in de tekst en in de referenties worden genoemd.
De Faculteit Economie en Bedrijfskunde is alleen verantwoordelijk voor de begeleiding tot het inleveren van de scriptie, niet voor de inhoud.
3 Abstract
In deze scriptie wordt onderzoek gedaan naar het probleem van de subjectiviteit van de going concern opinion en of dit probleem gedeeltelijk te verhelpen is met behulp van datamining. Sinds de invoering van een verplicht onderzoek naar de continuïteit van een organisatie bij de jaarrekeningcontrole is er al kritiek op dit onderzoek. De procedures voor het nemen van deze beslissing worden onduidelijk en dubbelzinnig genoemd, het
professionele oordeel van de auditor kent zijn beperkingen en bovendien is eigenbelang van de auditor van invloed op de beslissing. Dit alles draagt bij aan de subjectiviteit van de going concern beslissing.
De beslissing van de auditor kan achteraf objectief worden beoordeeld doordat de continuïteit van een organisatie achteraf meetbaar is. Uit meerdere onderzoeken blijkt dat de auditor in veel gevallen geen correcte voorspelling heeft gemaakt en dit terwijl deze
inschatting voor onder andere investeerders van groot belang is.
De recente ontwikkelingen op het gebied van big data brengen nieuwe mogelijkheden met zich mee. Uit dit literatuuronderzoek blijkt dat datamining een positief effect heeft op de objectiviteit van de going concern opinion. De onderzochte modellen tonen een groot
voorspellend vermogen. Een dataminingtechniek die extra wordt toegelicht is AntMining. Een voorspellend model gecreëerd met behulp van AntMining resulteert in een inzichtelijk en gebruiksvriendelijk model ter ondersteuning van de going concern beslissing met een accuraatheid van 97%. Gezien de resultaten zeer positief zijn en er nog weinig onderzoek is gedaan naar dataminingtechnieken ter ondersteuning van de going concern beslissing, dient dit onderzoek als introductie van dit onderwerp en levert het voorstellen voor
4 Inhoudsopgave
Abstract ...3
Lijst van tabellen ...5
1. Inleiding ...6
2. Going concern opinion ...8
2.1 Wat is de going concern opinion ...8
2.2 Totstandkoming van de going concern opinion ...9
2.3 Problematiek rondom de going concern opinion ...9
2.3.1 Onderzoeken naar type II errors ...9
2.3.2 Kritiek op de going concern opinion ... 11
2.4 Samenvatting ... 13
3. Besluitvorming ... 14
3.1 Beperkingen van het menselijk brein... 14
3.1.1 Systeemdenken ... 14
3.1.2 Confirmation bias... 15
3.1.3 Associatief geheugen ... 15
3.1.4 Maximaal vermogen menselijk brein ... 15
3.2 Beperkingen van het menselijk brein en de going concern opinion ... 15
3.3 Samenvatting ... 16
4. Dataming ... 17
4.1 Overgang small data naar big data ... 17
4.2 Voordelen big data ... 18
4.2.1 Overgang causaliteit naar correlatie... 18
4.2.2 Niet-lineaire verbanden ... 19
4.2.3 Gehele populatie toetsen ... 19
4.3 Going concern voorspellen met behulp van big data ... 19
4.3.1 Opbouw van een model ... 19
4.3.2 AntMiner ... 21
4.3.3 Beslissingsvariabelen ... 22
4.3.4 Resultaten AntMiner ... 24
4.4 Datamining als oplossing voor het subjectiviteitsprobleem ... 24
5. Vervolgonderzoek ... 25
6. Conclusie... 26
5 Lijst van tabellen en figuren
Tabel 2.1: Bevindingen verschillende onderzoeken over type II errors bij de going concern opinion tussen 1977 – 2010...10
Tabel 3.1: Versimpelde versie van een beslissingtabel voor de going concern
beslissing...20
Figuur 3.1: Versimpelde weergave model gecreëerd met AntMining...21
Tabel 4.1: Overzicht van de beslissingsvariabelen bij verschillende modellen voor voorspellen van de going concern...22
6 1. Inleiding
Big data is dé hype van dit moment. In ieders hand een smartphone, een tablet in de tas en laptops en computers in huis, de samenleving is nauw verweven met informatie. Nu sterker dan ooit. Bovendien groeit de hoeveelheid data exponentieel (Mayer-Schönberger & Cukier, 2013).
Het is niet gemakkelijk om de totale hoeveelheid beschikbare data te kwantificeren. Hilbert & Lopez (2011) hebben hiertoe een poging gedaan. Uit hun onderzoek bleek dat er in 1986 slechts 2.6 exabyte (een exabyte is een miljard gigabyte) data in de wereld waren, in 2000 al 54,5 exabyte en in 2007 zelfs 300 exabyte. Volgens Gantz en Reinsel (2012) verdubbelt de hoeveelheid beschikbare data tussen 2005 en 2020 ieder jaar tot naar schatting ongeveer 40.000 verwachte exabytes in 2020.
Data verzamelen is niets nieuws, al eeuwenlang wordt dit gedaan. Maar sinds het digitale tijdperk is het verzamelen van gegevens sterk vereenvoudigd. Echter wordt het grootste deel van de opgeslagen data (nog) niet gebruikt. Volgens Mayer-Schönberger & Cukier (2013) hebben we hoogstwaarschijnlijk pas een miniscuul deel van de voordelen die data kunnen brengen ontdekt.
In vele sectoren zijn data-analyses in opkomst, zo ook in de accountancy. Al zijn volgens Salehi & Zahedi Fard (2013b) accountants wel sterk achtergebleven op dit gebied. In 2014 is er een rapport gepubliceerd door de Fédération des Experts Comptables Européens (FEE) ‘The future of audit and assurance’ waarin wordt beargumenteerd dat big data
technologieën het beroep van de auditor1 drastisch zullen veranderen. Interne accountants en data-specialisten maken al steeds meer gebruik van datamining (data-analyses) om op deze manier het management bij te staan bij het verbeteren van processen. Voornamelijk extern, zoals bij de jaarrekeningcontrole, is er nog grote vooruitgang te boeken (Martens, Bruynzeels, Baesends, Willekens & Vanthienen, 2008).
Een aspect van de jaarrekeningcontrole dat sinds de economische crisis van 2008 extra in de belangstelling staat is de going concern opinion2 van de auditor. Bij de
jaarrekeningcontrole evalueert de auditor of er een redelijke mate van zekerheid is dat het bedrijf de komende tijd (meestal een periode van 12 maanden) de normale bedrijfsvoering kan voortzetten. Heeft de auditor hier zijn bedenkingen bij, dan is hij verplicht een paragraaf toe te voegen met uitleg hierover volgens de Statement on Auditing Standard (SAS) No. 59. De going concern opinion is sterk subjectief. Volgens Rachisan en Grosanu (2010) is het noodzakelijk om deze going concern opinion zo objectief mogelijk te maken. Een
potentieel hulpmiddel om de going concern opinion te objectiveren is datamining (Salehi &
1
Onder auditor wordt hier de externe accountant die de jaarrekeningcontrole uitvoert verstaan.
2 Going concern opinion is de verklarende paragraaf over de continuïteit van een organisatie. In dit onderzoek wordt de term going concern opinion aangehouden.
7 Zahedi Fard, 2013a). De mogelijkheden van digitale data-analyse brengen grote
veranderingen met zich mee. De conventionele jaarrekeningcontrole is gebaseerd op
steekproefcontroles. Dankzij de automatisering en grote rekenkracht van computersystemen, kan men inmiddels vaak overstappen van steekproefcontrole naar controle van de volledige populatie. Hiermee wordt een groot deel van de subjectiviteit vermeden.
De relatie tussen datamining en het verbeteren van de objectiviteit van de going concern opinion is een gebied waar, binnen de bestaande literatuur, weinig onderzoek naar verricht is. Enerzijds vanwege het korte bestaan van het vernieuwde concept van
datamining, anderzijds wegens de, tot voorkort, weinig in de belangstelling staande going concern opinion. Als gevolg van de recente financiële crisis is het subjectieve karakter van de going concern opinion opnieuw een discussiepunt geworden (Geiger, Raghunandan & Riccardi , 2014). Zowel de auditor als de gebruikers van de financiële verslaglegging hebben baat bij een goed onderbouwde objectieve going concern opinion. Dit literatuuronderzoek tracht een overzicht te geven van de mogelijkheden op het gebied van het toepassen van datamining bij de audit en expliciet de analyses die van toegevoegde waarde zijn bij de going concern beslissing. Daarnaast levert dit onderzoek een bijdrage met suggesties voor
onderzoeken in de toekomst.
De hoofdvraag van dit onderzoek is: In hoeverre is datamining een bruikbaar hulpmiddel voor het objectiveren van de going concern opinion?
Uit het onderzoek blijkt dat een voorspellend model gecreëerd met behulp van
dataming de continuïteit van een organisatie met hogere accuratie voorspelt dan de auditors. Hieruit kan geconcludeerd worden dat het een bruikbaar hulpmiddel kan zijn voor de auditor om de going concern beslissing objectiver te kunnen nemen. Er is echter nog beperkt onderzoek gedaan naar de verschillende mogelijkheden op dit gebied en de eventuele risico’s en nadelen van het gebruik van dergelijke modellen.
Voordat de centrale vraag beantwoord kan worden, zal eerst worden ingaan op verschillende deelvragen. In hoofdstuk twee wordt de going concern opinion behandeld. Wat houdt het precies in en waarom bestaat de going concern opinion? In hoofdstuk drie zal nader worden ingegaan op besluitvorming. Hoe nemen mensen beslissingen en wat zijn de beperkingen hierbij? Vervolgens zal in hoofdstuk vier aan de orde komen wat datamining is en hoe datamining de besluitvorming kan ondersteunen. Ook zal in hoofdstuk vier een overzicht worden gegeven van de mogelijkheden op het gebied van datamining als hulpmiddel bij de going concern beslissing en hieruit volgt de beantwoording van de
hoofdvraag. In hoofdstuk vijf worden suggesties voor vervolgonderzoek gedaan. Tot slot zal hoofdstuk zes de conclusie van dit literatuuronderzoek vormen.
8 2. Going concern opinion
In dit hoofdstuk komt de going concern opinion aan bod. Hier volgt een uitleg over wat de going concern opinion is en de wetgeving rondom deze verklarende paragraaf. Vervolgens zal er worden toegelicht hoe een auditor geacht wordt de going concern beslissing te nemen en welke fouter er gemaakt kunnen worden. Tot slot zal de problematiek met betrekking tot de going concern opinion benoemd worden.
2.1 Wat is de going concern opinion?
Organisaties van openbaar belang maken jaarlijks de jaarrekening op welke gecontroleerd wordt door de externe accountant, de auditor. De auditor voegt na controle een
accountantsverklaring toe aan de jaarrekening. In deze verklaring geeft de auditor zijn professionele mening over de accuraatheid en compleetheid van de jaarrekening. Bij het opmaken van de jaarrekening en de controle hiervan wordt er een
continuïteitsveronderstelling gedaan. De continuïteitsveronderstelling houdt in dat het bedrijf wordt geacht haar activiteiten in de voorzienbare toekomst voort te zetten (Handleiding Regelgeving Accountant, NBA, standaard 570).
Indien de auditor twijfel heeft over de continuïteit van de organisatie dan moet hij verplicht een going concern opinion toevoegen aan de jaarrekening. Een going concern opinion is een extra paragraaf waarin de auditor aangeeft dat hij substantiële twijfel heeft over de continuïteit en toelichting geeft over de oorzaak van deze twijfel (SAS No. 59, AICPA 1988). In het geval van ernstige twijfel moeten de financiële overzichten in de jaarrekening daarnaast ook worden aangepast naar liquidatiewaarde (SAS No. 59, in Nederland HRA Standaard 570, 2015).
Voor de invoering van SAS No. 59 in 1988, bestond er SAS No. 34. Deze auditing standard is in 1981 ingevoerd door de Accounting Standards Board in een poging om de onduidelijkheid rond de going concern opinion te verminderen (Mutchler, 1984).
In SAS No. 34 was de verantwoordelijkheid van de accountant voor een oordeel over de continuïteit passief. Accountants werden geacht aanwijzingen over twijfel aan de continuïteit niet te negeren, maar ze werden niet verplicht er actief naar op zoek te gaan. In 1988 is deze standaard vervangen door SAS No. 59 waarbij het voornaamste verschil tussen beide is dat de accountant onder SAS No. 59 verplicht is de continuïteit van het bedrijf actief te
beoordelen (Holder-Web & Wilkins, 2010).
Het auditrapport van de controlerende accountant is het enige communicatiemiddel tussen de accountant en investeerders en andere belanghebbenden (Blay, Geiger & North, 2011). Hierdoor is het auditrapport, inclusief de eventuele going concern opinion, van belang voor meerdere partijen.
9 2.2 Totstandkoming going concern opinion
In SAS No. 59 staat toegelicht welke stappen de auditor wordt geacht te nemen voor de going concern beslissing. De auditor beoordeelt allereerst of er substantiële twijfel is over het voortbestaan van het bedrijf gebaseerd op de verzamelde auditgegevens. Hierbij onderzoekt de auditor het verleden van het bedrijf. Mocht de auditor aan de hand van deze beoordeling twijfels over de continuïteit hebben, dan moet hij informatie over de plannen van het
management vergaren. Hierbij staan twee vragen centraal: Zijn de plannen van het management effectief genoeg om de twijfel over het voortbestaan weg te nemen? Zijn de plannen van het management haalbaar? (SAS No. 59, AICPA 1988). Mocht de auditor op basis hiervan van mening zijn dat de eerder vergaarde twijfel niet langer van toepassing is, dan doet de auditor niets. Mocht hij hierna echter nog wel substantiële twijfel hebben, dan komt er een extra paragraaf bij het jaarverslag waarin deze twijfel toegelicht wordt (Martens et al., 2008).
2.3 Problematiek rondom de going concern opinion
Met betrekking tot de keuze om wel of geen going concern opinion toe te voegen aan het jaarverslag kunnen er zich vier situaties voordoen:
- De auditor heeft geen going concern opinion toegevoegd en achteraf blijkt dat het bedrijf ten minste nog gedurende een jaar blijft bestaan.
- De auditor heeft wel een going concern opinion toegevoegd en het bedrijf vraagt binnen aanzienlijke tijd faillissement aan.
- De auditor heeft wel een going concern opinion toegevoegd, maar het bedrijf blijft gedurende het volgende jaar bestaan. Dit is een type I error.
- De auditor heeft geen going concern opinion toegevoegd, maar het bedrijf vraagt toch binnen een jaar faillissement aan. Dit is een type II error.
(Myers, Schmidt & Wilkins, 2013)
2.3.1 Onderzoeken naar type II errors
Het wel of niet toevoegen van een going concern opinion is een beslissingen van de auditor waarvan de uitkomst achteraf objectief meetbaar is (Myers et al., 2013). Mede hierdoor zijn er in de afgelopen 40 jaar meerdere onderzoeken gedaan naar faillissementen en of deze organisaties een going concern opinion hebben ontvangen in het jaar voorgaande aan het faillissement of dat er type II fouten gemaakt zijn. Er is ook beperkt onderzoek verricht naar type I errors, maar de focus van vele onderzoeken ligt voornamelijk op de type II errors (Geiger & Raghunandan, 2002)
Uit een onderzoek van Taffler en Tseung (1984), waarin 86 faillissementen zijn onderzocht in de periode van 1977 tot 1983, bleek dat slechts 24,4% van deze organisaties een going concern opinion hadden gekregen voorafgaande aan het faillissement.
10 Uit een steekproef van 217 faillissementen rond de overgang van SAS No. 34 naar SAS No. 59 van Holder-Web & Wilkins (2000) is gebleken dat de nieuwe standaard zorgde voor een vermindering van de type II errors. Onder SAS No. 34 was bij 41% van deze bedrijven een going concern opinion toegevoegd in het jaar voor faillissement. Onder SAS No. 59 was dit percentage gestegen tot 57% (Holder-Web & Wilkins, 2000). Bovendien bleek uit het onderzoek van Holder-Web & Wilkins dat de schok van faillissement bij investeerders en andere belanghebbenden na de invoering van SAS No. 59 significant lager was dan daarvoor. Hieruit kan geconcludeerd worden dat de invoering van verplichte actieve beoordeling van de continuïteit heeft bijgedragen aan het inzicht van de investeerders en andere belanghebbenden (Holder-Web & Wilkins, 2000).
Geiger et al. (2014) hebben hetzelfde onderzocht bij 414 bedrijven die tussen 2004-2010 faillissement hebben aangevraagd. Uit het onderzoek blijkt dat er een significant hoger percentage is van bedrijven met going concern opinion voorafgaande aan het faillissement sinds het begin van de financiële crisis (79% t.o.v. 62% voor de crisis).
In tabel 2.1 staat een overzicht van de resultaten van verschillende onderzoeken naar type II errors. De totale steekproef bestaat bij ieder van deze onderzoeken uit uitsluitend failliete organisaties. Het percentage type II error geeft aan hoeveel van deze faillissement een going concern opinion hadden ontvangen van de auditor. Bij een vergelijking van de onderzoeken wordt duidelijk dat het percentage van faillissementen met een going concern opinion bij het laatste jaarverslag voor het faillissement stijgt (en het percentage type II fouten dus daalt). Uit al deze onderzoeken bleek dat nadat de going concern opinion extra aandacht kreeg de percentages sterker stegen. Een eerste stijging veroorzaakt door de invoering van SAS No. 34, vervolgens een tweede stijging bij de aangepaste regelgeving in 1988, een derde stijging na de boekhoudschandalen rond 2001 en een recentere stijging wegens de ontstane druk op de auditor van buitenaf wegens de financiële crisis van 2008.
Failliet met going concern opinion
Type II error Steekproef grootte
1977-1983
Taffler & Tseung (1984)
24,4% 75,6%
1975 – 1988
Holder-Web & Wilkins (2000)
41% 59% 109
1988 – 1996
Holder-Web & Wilkins (2000)
57% 43% 108
1997 – 2001 Nogler (2007)
11 2000 – 2001
Feldmann & Read (2010)
53% 47% 257
2000 – 2001
Geiger et al. (2005)
40% 60% 121
2002 - 2003
Feldmann & Read (2010)
72% 28% 175 2002 – 2003 Geiger et al. (2005) 70% 30% 105 2002 – 2005 Nogler (2007) 62,5% 37,5% 392 2004-2005
Feldmann & Read (2010)
59% 41% 70
2006-2007
Feldmann & Read (2010)
51% 49% 63 2000 – 2006 Myers et al. (2013) 67,7% 32,3% 347 2004 – 2007 (voor crisis) Geiger et al. (2014) 62% 38% 180
2008 – 2010 (sinds begin crisis) Geiger et al. (2014)
79% 21% 234
Tabel 2.1 Percentages type II errors. De totale steekproef bevat enkel bedrijven die failliet zijn gegaan. Het percentage type II fouten is het percentage van de faillissementen zonder going concern opinion.
2.3.2 Kritiek going concern opinion
In SAS No. 59 wordt expliciet benoemd dat de accountant niet verantwoordelijk is voor het voorspellen van de toekomst van een bedrijf: ‘The fact that the entity may cease to exist as a going concern subsequent to receiving a report from the auditor that does not refer to
substantial doubt, even within one year following the date of the financial statements, does not, in itself, indicate inadequate performance by the auditor. Accordingly, the absence of reference to substantial doubt in an auditor’s report should not be viewed as providing assurance as to an entity’s ability to continue as a going concern.’ (AICPA, 1988, p. 566) Hoewel het inschatten van de levensvatbaarheid van een bedrijf niet de hoofdtaak van de auditor is, wordt het niet verstrekken van een going concern opinion voorafgaande aan een faillissement (type II errors) door derden gezien als een fout van de auditor (Martens et al., 2008).
12 investeerders en andere belanghebbenden (Geiger et al., 2014). Onder andere Geiger et al. (2014) noemen meerdere hoorzittingen waarin de auditor kritiek heeft ontvangen over het niet verstrekken van een going concern opinion. De auditors zouden hun taken niet correct hebben uitgevoerd, omdat ze geen adequate waarschuwingen hebben kunnen geven bij veel bedrijven die faillissement hebben moeten aanvragen (Geiger et al., 2014).
De verantwoordelijkheid van de auditor met betrekking tot de beoordeling van de continuïteit wordt van beide kanten extra belangrijk in financieel mindere tijden. Bedrijven die reeds onder financiële druk staan, kunnen het extra zwaar krijgen nadat de auditor zijn bedenkingen openbaar heeft gemaakt, waardoor de auditor wellicht voorzichtiger wordt met het uitgegeven van een going concern opinion. Volgens Amin, Krishnan & Sun Yang (2014) is er een significante positieve relatie tussen de cost of equity en de going concern opinion. Aan de andere kant zijn inversteerders en andere belanghebbenden in financieel mindere tijden juist extra afhankelijk van de informatie die de auditor verstrekt. (Geiger et al., 2014). Een auditor kan niet de toekomst met zekerheid voorspellen, het wel of niet uitgeven van een going concern opinion is een complexe beslissing. In deze besluitvorming is de onafhankelijkheid van de auditor ook van invloed. Uit meerdere onderzoeken is gebleken dat organisaties die een going concern opinion ontvangen het opvolgende jaar significant vaker wisselen van auditor (Chow & Rice 1982, Mutchler 1984, Carcello & Neal 2003). Dit gegeven zou mogelijk de besluitvorming van de auditor kunnen beïnvloeden.
Een dilemma voor auditors, wat betreft de going concern opionion, is dat de auditors bij twijfel lijken te moeten kiezen uit twee kwaden: het bedrijf extra kwetsbaar maken door een going concern opinion te geven of investeerders onvoldoende waarschuwen. Hierdoor lijken auditors het nooit ‘goed’ te kunnen doen (Koh & Killough, 1990). Bij type I errors zal de cliënt niet tevreden zijn over de auditor en is er een vergrote kans dat de auditor de cliënt verliest, bij type II errors zijn investeerders en andere belanghebbende niet tevreden en is er een vergrote kans op rechtzaken voor de auditor (Krishnan & Krishnan, 1996). Kida (1980) noemt in zijn onderzoek dat de verwachte gevolgen van het wel of niet uitgeven van een going concern opinion (de verwachte kosten van type I en type II errors) een belangrijke variabele is in de going concern beslissing, waardoor de going concern beslissing een subjectief karakter krijgt.
Volgens Koh & Killough (1990) kan dit dillema worden oplost door de procedures om de continuïteit te toetsen te objectiveren, ondubbelzinnig en verdedigbaar te maken. De richtlijnen van SAS No. 59 zijn volgens de auteurs te algemeen en dubbelzinnig. Door het toepassen van deze richtlijnen kunnen verschillende auditors op verschillende conclusies uitkomen waarmee de continuïteitsverklaring zijn bestaansrecht deels verliest.
Mutchler (1984) heeft interviews afgenomen bij 16 partners van de Big8 accounting firms. De partners gaven bij verschillende beslissingsvariabelen een cijfer voor de mate van
13 invloed op de going concern beslissing. Hieruit kwam naar voren dat er onder de auditors zelf ook onduidelijkheid heerst over hun rol bij de going concern opinion en dat er geen algemeen model is voor het nemen van deze beslissing (Mutchler, 1984).
Uit onderzoek van Willett en Page (1996) blijkt dat 70% van de auditors toegeeft dat ze het audittraject minimaal eenmaal hebben versneld door het toepassen van afwijkende methoden. Onder deze afwijkende methoden verstaan de onderzoekers activiteiten zoals het weglaten van problematische data uit de steekproef, minder testen dan vereist en het
accepteren van twijfelachtig bewijs.
In 1990 werd door Koh & Killough een mogelijke oplossing voor het
subjectiviteitsprobleem van de going concern opinion gezocht in andere vakgebieden. In hun onderzoek richten zij zich voornamelijk op ‘failure-prediction models’ gebaseerd op
discrimant analyse.
In 1983 heeft Altman een soortgelijk onderzoek gedaan naar failure-prediction models en de going concern opinion. Uit zijn onderzoek bleek dat de failure-prediction models van toen een faillissement succesvol konden voorspellen in 86,2% van de 109 onderzochte bedrijven. Dit terwijl er bij dezelfde 109 bedrijven de auditor in slechts 48,1% van de gevallen een going concern opinion had afgegeven. Hieruit concludeert de auteur dat een failure-prediction model een waardevolle ondersteuning voor de auditor kan zijn. Uit het onderzoek van Altman blijkt dat de type II errors afnemen bij het gebruik van een failure-prediction model, maar het is onduidelijk of er ook een verandering plaatsvindt bij de type I errors bij het gebruik van een failure-prediction model.
2.4 Samenvatting
Bij organisaties van openbaar belang wordt de jaarrekening gecontroleerd door de externe accountant, de auditor. Bij deze controle is de auditor verplicht onderzoek te doen naar de continuïteit van de organisatie. Indien de auditor twijfel heeft over het voortbestaan van de organisatie, dient hij een going concern opinion toe te voegen aan de accountantsverklaring. Een going concern opinion is een verklarende paragraaf waarin de twijfel over het
voortbestaan van de organisatie wordt toegelicht. De going concern opinion is gebaseerd op het professional judgement van de auditor. Een probleem rondom de going concern opinion is de subjectiviteit ervan. Auditors geven aan dit de meest complexe beslissing te vinden bij de jaarrekeningcontrole. Tegelijkertijd is het wel of niet toevoegen van een going concern verklaring van groot belang voor de organisatie en belanghebbende derden.
Verschillende aanpassingen in de regelgeving rondom de going concern opinion hebben getracht de going concern besluitvorming te verbeteren. Uit onderzoek is gebleken dat er in het geval van faillissement steeds vaker een going concern opinion wordt
14 subjectieve karakter van de going concern opinion. De procedures om tot een
continuïteitsoordeel te komen moeten objectiever, ondubbelzinnig en verdedigbaar worden. Een mogelijk hulpmiddel om dit te bereiken is het gebruik van data en modellen.
3 Besluitvorming
In het vorige hoofdstuk is de subjectiviteitsproblematiek met betrekking tot de going concern opinion aan de orde gekomen. Er bestaat een risico dat de auditor in de afweging van het wel of niet toevoegen van een going concern opinion de mogelijke gevolgen van deze beslissing laat mee tellen. In dit hoofdstuk wordt een andere invalshoek van de
subjectiviteitsproblematiek benoemd, namelijk de beperkingen van het menselijke brein.
3.1 Beperkingen brein
Uit verschillende psychologische onderzoeken is gebleken dat de mens minder rationeel denkt dan wordt verwacht. Vier beperkingen van het menselijk brein die van invloed zijn bij de going concern beslissing worden hier toegelicht.
3.1.1 Systeemdenken
Kahneman, Lovallo, & Sibony hebben in 2011 onderzoek gedaan naar vooroordelen en intuïtie en hoe deze de besluitvorming beïnvloeden. Volgens de psychologen Stanovich en West zijn er twee manieren van denken: systeem 1 en systeem 2.
Systeem 1 is het snelle denken, dit gebeurt automatisch en op basis van intuïtie. Systeem 2 is het langzame, weloverwogen denken. Beide systemen zijn altijd actief, maar systeem 2 is normaliter slechts aan het monitoren en systeem 1 neemt de beslissingen en trekt conclusies.
Volgens Kahneman (2011) is het menselijk brein meestal te lui om traag en
weloverwegend te denken. Mensen zouden zich laten sturen door systeem 1. Dit levert vaak onterechte conclusies op.
Kahneman (2011) noemt verschillende psychologische onderzoeken, waaruit blijkt dat mensen constant op zoek zijn naar causale verbanden en daardoor te snel conclusies trekken. Hierdoor worden er causale verbanden waargenomen, welke niet daadwerkelijk bestaan. Volgens de auteur is dit de reden dat de mens de wereld fundamenteel verkeerd begrijpt.
Het syteem 1 denken zorgt ervoor dat vele beslissingen die mensen nemen
beïnvloed zijn door vooroordelen en intuïtie. Dit verslechtert de objectiviteit van beslissingen. Dit werkt ook door in onderzoek. In de huidige manier van onderzoek beginnen de
onderzoekers met hypotheses gebaseerd op verwachte causale verbanden. Vervolgens wordt onderzocht of deze hypotheses wel of niet verworpen moeten worden. Hierdoor
15 beperkt onderzoek zich tot onderzoek naar verbanden waar causaliteit reeds vermoed wordt. Eventuele relaties waar de mens niet direct een causaal verband herkent, worden over het hoofd gezien. Hierdoor verliest het onderzoek reeds bij het opstellen van de hypothese een deel van de objectiviteit.
3.1.2 Confirmation bias
Naast de subjectiviteit van onderzoek veroorzaakt door het systeem 1 denken, is er ook nog de ‘confirmation bias’. De confirmation bias is de neiging om informatie te zoeken die de hypotheses bevestigen. Deze neiging beïnvloedt de uitkomst van onderzoek. Resultaten van onderzoek worden ongemerkt gefilterd en de resultaten die de hypotheses tegenspreken verdwijnen naar de achtergrond, terwijl resultaten die de hypotheses ondersteunen worden benadrukt. Het gevaar van confirmation bias is dat mensen niet doorhebben dat dit gebeurt (Kahneman et al., 2011).
3.1.3 Associatief geheugen
Uit vele psychologische onderzoeken blijkt dat het menselijk brein door verschillende oorzaken niet objectief functioneert. Het associatieve geheugen draagt bij aan beslissingen. Vraagformulering, stemming, tijdstip, woordkeuze en andere niet-relevante informatie blijken allemaal van invloed te zijn op beslissingen die mensen maken en conclusies die mensen trekken (Kahneman, 2011).
3.1.4 Maximaal vermogen menselijk brein
Een andere beperking van ons brein dat Kahneman (2011) omschrijft noemt hij: ‘What you see is all there is’ (p. 93). Hiermee bedoelt hij dat mensen conclusies trekken op basis van een beetje informatie, ook al is er veel informatie beschikbaar. De verdere beschikbare informatie kan er net zo goed niet zijn, deze heeft geen invloed meer op de besluitvorming. Hieronder valt ook het ‘framing-effect’: verschillende manieren om dezelfde informatie over te brengen, leiden tot verschillende conclusies. Het bekende voorbeeld van een framing-effect is het verschil tussen: ‘De kans op overleven na deze chirurgische ingreep is 90 procent’ en ‘de kans op overlijden is 10 procent’.
3.2 Beperkingen van het menselijk brein en de going concern opinion
In de vorige paragraaf zijn een aantal beperkingen van het menselijk brein aan de orde gekomen. In deze paragraaf zullen deze beperkingen worden gelinkt aan de complexiteit van de continuïteitsbeoordeling van een organisatie.
De hoeveelheid beschikbare data groeit exponentieel. Er zijn dusdanig veel gegevens over een organisatie beschikbaar, dat het voor een auditor bijna onmogelijk is om alles te overzien. Een mens is slechts in staat een bepaalde hoeveelheid data te kunnen meenemen
16 in een beslissing: het maximale vermogen van het brein. Daarnaast vormt de auditor, dankzij het systeem 1 denken, al vroeg in het controle-proces een mening over de organisatie. Deze mening is vanwege het maximale vermogen van het brein, het associatief geheugen en het systeem 1 denken subjectief van karakter. Kahneman (2011) heeft ontdekt dat het systeem 2 denken weliswaar meer actief wordt bij het nemen van complexe besluiten (zoals de going concern beslissing), maar de subjectiviteit is nog steeds aanwezig. Daarnaast zorgt de confirmation bias ervoor, dat de auditor onbewust voornamelijk oog heeft voor feiten die zijn eerste oordeel ondersteunen en feiten die dit oordeel tegen spreken zal negeren.
3.3 Samenvatting
Het menselijk brein en besluitvorming zijn complex. Uit veel onderzoek blijkt dat mensen niet zo rationeel kunnen denken als de mens zelf veronderstelt. De going concern beslissing is ook een complex probleem. Momenteel wordt deze voornamelijk gebaseerd op het
professionele oordeel van de auditor, met andere woorden: het brein van de auditor. Vanwege de drang naar causaliteit, confirmation bias, het associatieve geheugen en het beperkte vermogen van het brein heeft de going concern opinion gebaseerd op het professionele oordeel een sterk subjectief karakter.
17 4. Datamining
In de vorige hoofdstukken is het principe van en de problematiek rondom de subjectiviteit van de going concern opinion toegelicht. Een mogelijk methode om de going concern opinion te objectiviteren is met behulp van datamining (Koh & Killough, 1990).
Datamining omvat het gehele proces waarbij er kennis uit data gehaald wordt (Martens et all, 2008). Reeds in 1954 deed Meehl onderzoek naar de voorspellingen van experts (op allerlei gebieden) tegenover voorspellingen van simpele modellen. In geen van de twintig onderzoeken die Meehl onderzocht, lukte het de expert de uitkomst beter te voorspellen dan het model. Uit onder andere het onderzoek van Meehl trekt Kahneman (2011) de conclusie dat het menselijk denken grote beperkingen kent en dat intuïtieve voorspellingen gecorrigeerd kunnen worden met behulp van modellen.
In dit hoofdstuk wordt de overgang van small data naar big data toegelicht en de voordelen van big data worden benoemd. Daarna volgt er een kort overzicht van de bestaande onderzoeken op het gebied van datamining en de going concern beslissing. En tot slot wordt toegelicht hoe datamining de subjectiviteitsproblemen gedeeltelijk kan
oplossen.
4.1 Overgang small data naar big data
Sinds de opkomst van statistiek gebruiken we dezelfde methode voor onderzoek. Er worden hypotheses gedaan op basis van een combinatie van theorie en intuïtie. Deze hypotheses worden vervolgens getoetst aan de hand van steekproeven. Op basis hiervan worden hypotheses vervolgens geverifieerd of gefalsificeerd.
In de tijd van small data was het nog niet mogelijk om hypotheses te testen aan de hand van de gehele populatie. Daarom werd er uitgeweken naar steekproeven. Men is begonnen met steekproefanalyses, omdat niet alle data beschikbaar of verkrijgbaar waren, Indien de data wel te verkijgen waren, was het in veel gevallen tot op heden te kostbaar of tijdrovend om de data te verzamelen. De afgelopen 100 jaar heeft men zich voornamelijk bezig gehouden met het verkleinen van de steekproef. Significante verbanden vinden met behulp van zo min mogelijk metingen was het primaire doel (Mayer-Schönberger & Cukier, 2013).
Op dit moment is er een overgang gaande van small data naar big data. De technische ontwikkelingen zijn inmiddels ver genoeg om opslag van veel data tegen lage kosten te realiseren, maar de voornaamste reden van de nieuwe mogelijkheden op gebied van data komen echter doordat steeds meer aspecten van de werkelijkheid in digitale gegevens zijn vertaald.
18 4.2 Voordelen big data
De overgang van small data naar big data brengt een aantal voordelen met zich mee. Drie van deze voordelen, relevant voor de going concern beslissing, worden hierna toegelicht.
4.2.1 Overgang causaliteit naar correlatie
In 1888 ontdekte Francis Galton het begrip ‘correlatie’ (Stigler, 1989). Correlatie geeft aan in welke mate er een samenhang is tussen twee variabelen. Correlatie is een kwantificatie van de statistische relatie tussen twee variabelen.
Met behulp van big data en computers kan men correlatieanalyses uitvoeren (Mayer-Schönberger & Cukier, 2013). Hiermee onderzoekt men of er sprake is van een relatie tussen variabelen. Correlatie verschilt van causaliteit. Correlaties geven namelijk aan dat er relatie is tussen variabelen, maar zeggen niets over de oorzaak-gevolg relatie, de causaliteit. Correlaties laten zien óf er samenhang is, causaliteit verklaart wáárom er samenhang is. Bij het gebruik van big data moeten we onze kijk op onderzoek compleet veranderen. Onderzoek met gebruik van big data begint namelijk niet met hypotheses. Met behulp van de data en de rekenkracht van computers, kunnen we de computer laten berekenen waar wel en geen correlatie te ontdekken is. Er zijn daardoor geen hypotheses meer nodig, want met behulp van geavanceerde wiskundige technieken kunnen we de optimale afgeleide indicator direct bepalen. Het uitgangspunt is niet langer de verwachte causaliteit te toetsen, maar uit de data correlaties berekenen en hier eventueel een causaal verband bij zoeken (Mayer-Schönberger & Cukier, 2013).
Een voorbeeld van de kracht van correlatie boven causaliteit is het voorbeeld van de Walmart. In 2004 onderzocht Walmart zijn eigen verkoopdata op allerlei mogelijke
correlaties. Er is toen ontdekt dat voorafgaande aan een storm de verkoop van zaklantaarns steeg. Dit is een verband waarbij men nog een causaal verband kan herkennen, in het geval van storm valt soms het licht uit en willen mensen een zaklantaarn in de buurt hebben. Wat echter ook uit de analyse bleek, is dat voorafgaande aan een storm de verkoop van Pop-Tarts (een zoete snack) ook steeg. Dit is een voorbeeld van een relatie waar de mens de causaliteit misschien niet ziet, maar dankzij correlatie wordt duidelijk dat deze relatie wel bestaat. Sindsdien zet de Walmart als er een storm voorspeld wordt, de Pop-Tarts naast de zaklantaarns en de verkoopcijfers zijn spectaculair gestegen (Mayer-Schönberger & Cukier, 2013).
Volgens Mayer-Schönberger & Cukier (2013) zullen big data-correlaties gaan bewijzen dat vele causale verbanden, die men nu als waarheid aanneemt, onjuist zijn. Pas als er correlatie gevonden wordt, heeft men een aanwijzing om op zoek te gaan naar de causaliteit. Door op basis van uitgebreide databases correlatie-analyses uit te voeren, zullen ook relaties worden ontdekt tussen variabelen waar van te voren geen samenhang zou zijn
19 verwacht. Hierdoor wordt de subjectiviteit van het begin van het proces van onderzoeken vermeden. In de tijd van small data zou deze samenhang niet zijn onderzocht en daardoor mogelijk belangrijke verbanden gemist worden.
4.2.2 Niet-lineaire verbanden
Een ander voordeel van de overgang naar big data is dat er ook niet-lineaire verbanden gevonden kunnen worden. In de meeste huidige onderzoeksmethoden wordt gezocht naar lineaire relaties, maar voor veel verbanden geldt dat deze niet lineair zijn. De computers hebben genoeg rekenkracht om ook niet-lineaire verbanden te ontdekken, waardoor verbanden exacter kunnen worden weergegeven (Mayer-Schönberger & Cukier, 2013).
4.2.3 Gehele populatie toetsen
Een derde voordeel van big data is dat het de mogelijkheid geeft om de gehele populatie te toetsen, waardoor er niet gemanipuleerd kan worden met de steekproef.
Willett en Page (1996) hebben onderzocht of auditors in de UK hun audit manipuleren om het proces te versnellen. Onder manipuleren werden drie methoden onderscheiden: bepaalde items uit de steekproef weglaten, minder toetsen dan in het rapport wordt vermeld of audit bewijs accepteren wat eigenlijk twijfelachtig bewijs is. Van de 112 bruikbare reacties heeft 70% aangegeven wel eens één van deze methoden te hebben toegepast in de audit, 8% niet geantwoord en 22% zegt dit nog nooit te hebben gedaan. Als voornaamste reden voor deze manipulatie wordt de tijdsdruk genoemd .
Big data analyse bij de audit kan de oplossing zijn voor zowel het probleem van de tijdsdruk als het probleem van de menselijke manipulatie. Door big data-analyse wordt er geen gebruik meer gemaakt van steekproeven, maar de volledige populatie wordt getoetst. Hierdoor kan de auditor de uitkomst niet langer manipuleren door gegevens weg te laten. Daarnaast zorgt het automatiseren van routine controle ervoor dat de auditor meer tijd over heeft voor de analyse, hierdoor wordt het tijdsdrukelement van minder belang.
4.3 Going concern voorspellen met behulp van big data
In het begin van dit hoofdstuk zijn de voordelen van onderzoek op basis van big data benoemt. In dit deel wordt uiteengezet welke stappen er reeds genomen zijn in het
verwerken van datamining in de going concern beslissing. Hierbij wordt de nadruk gelegd op de AntMiningtechniek voor het creëren van een model.
4.3.1 Opbouw van een model
Uit onderzoek naar de huidige onderzoeksliteratuur op het gebied van modellen voor het voorspellen van de going concern blijkt dat het meeste onderzoek is gedaan naar varianten van Neural Networks of regressie analyse (Kirkos, Spathis, Nanopoulos & Manolopoulos). De auteurs merken op dat het opvallend is dat er een aantal datamining technieken, welke
20 veelvuldig worden toegepast bij faillissementsvoorspellingen, nog niet worden gebruikt voor de going concern decision.
Martens et al. (2008) benoemen ook dat datamining technieken nog ontbreken in de audit. De auteurs noemen als nadeel van voorspellingsmodellen gebaseerd op regressie analyse en varianten van Neural Networks dat deze modellen niet inzichtelijk en
gebruiksvriendelijk zijn. Bij beide type modellen geef je input en ontvang je output, maar er is geen zicht op het proces daartussen. In hun onderzoek hebben de auteurs de mogelijkheden van meer geavanceerde datamining modellen bekeken.
Het principe van datamining bij de going concern beslissing is relatief eenvoudig: creëer een beslissingstabel met behulp van datamining. Een beslissingstabel lijkt op een beslissingsboom. De beslissingstabel kun je uitlezen als een reeks als/dan-vragen met als uitkomst de keuze voor wel of geen going concern opinion (Martens et al., 2008). Ter verduidelijking een versimpeld voorbeeld van zo’n beslissingstabel in tabel 3.1.
Negatief netto inkomen
Current ratio Retained earnings/Total assets Going concern opinion Ja ≥0.5 ≥0 Nee <0 Ja <0.5 ≥0 Ja <0 Ja Nee ≥0.5 ≥0 Nee <0 Ja <0.5 ≥0 Nee <0 Ja
Tabel 3.1: Beslissingstabel voor de going concern opinion
Martens et al (2008) benoemen dat hulpmiddelen bij de beslissing over het going concern zowel bij de auditor als bij gebruikers van de jaarrekening gewenst zijn, maar dat gebruiksvriendelijkheid wel vereist is voor de skeptische auditors. Een voordeel van een beslissingtabel is dat elke stap interpreteerbaar is. Hierdoor kan de auditor elk los onderdeel van het model beoordelen. Een nadeel van een beslissingstabel is dat deze statisch is. Zodra de als/dan-regels zijn opgesteld, is het model af.
Een techniek vergelijkbaar met een beslissingstabel, maar die niet statisch is, is ‘AntMining’. AntMining resulteert in, net zoals de beslissingtabel, een model waarbij de auditor inzicht heeft in de verschillende stappen van het model. Een bijkomend voordeel van AntMining ten opzichte van de beslissingstabel, is dat het model constant verbeterd wordt aan de hand van nieuwe kennis (Parpinelli, Lopes & Freitas, 2002). Vanwege deze voordelen van AntMining hebben de Martens et al. (2008) onderzoek verricht naar de techniek AntMining als potentieel hulpmiddel bij het creëren van een model ter ondersteuning bij de going concern beslissing.
21 4.3.2 AntMiner
Kunstmatige ‘ant systems’ zijn gebaseerd op het gedrag van mieren en vallen onder een nieuw onderdeel binnen de kunstmatige intelligentie: ‘swarm intelligence’.
In een mierenkolonie voert iedere mier zijn taak individueel uit, zonder centrale aansturing, maar de kolonie als geheel kan vele complexe problemen oplossen. Bij ant systems wordt er gebruik gemaakt van een specifieke eigenschap van een mierenkolonie. Mieren zijn namelijk in staat om de kortste route te vinden van het nest naar voedsel. Mieren laten een geurspoor van feromoon achter als ze lopen, dat langzaamaan weer vervaagt. Andere mieren volgen het pad met de sterkste geur. Mieren die de kortere route hebben gevonden, zullen sneller op de terugweg zijn. Hierdoor is het geurspoor op die route sterker dan het geurspoor op de langere route. Nu kiezen meer mieren voor deze route en wordt het geurspoor nog sterker, terwijl het geurspoor van het langere pad vervaagt (Parpinelli et al. 2002).
Voor het model voor de voorspelling van de continuïteit van een organisatie zijn ‘als-dan’-regels nodig. AntMiner is een algoritme dat gebruikt kan worden om deze
regels/voorwaarden te ontdekken. Elke reeks van als/dan-vragen die uitkomt bij het antwoord dat de continuïteit in twijfel moet worden genomen, is een mogelijk pad voor de mieren. AntMining begint met een lang pad waarin alle variabelen worden meegenomen. Vervolgens wordt er telkens bekeken of er een variabele weggelaten kan worden, zonder dat de uitkomst verandert. Het pad wordt hierdoor korter. Er zijn dus als het ware heel veel paden langs alle potentiele beslissingsvariabelen en vervolgens laat je hierop de mieren los. De mieren gaan opzoek naar de kortste wegen naar het antwoord ‘voeg een going concern opinion toe’. En de paden die overblijven zijn de verschillende reeksen als/dan-vragen. In een dergelijk model kunnen zowel variabelen met een nominale, ordinale, interval en ratio waarden voorkomen (Martens et al., 2008). In figuur 3.1 is een dergelijk model weergegeven met slechts één pad.
Figuur 3.1: Weergave model gecreëerd met AntMining. Het blauwe pas komt overeen met het blauwe
pad in tabel 3.1.De reeks kun je lezen als: Going Concern Opinion toevoegen als Negatief Netto Inkomen = ja & CurrentRratio ∈ [0,5, ∞) & Inkomen/Assets ∈ (-∞,0]
22 4.3.3 Beslissingsvariabelen
Martens et al. (2008) hebben getracht een model te creëren voor de voorspelling van het wel of niet uitgeven van een going concern opinion. In dit model is de afhankelijke variabele REPORT (1 als de accountant een going concern opinion zou moeten uitgeven en anders 0). De vraag is welke independent variabelen in dit model moeten worden toegevoegd.
Voorbeelden van condities welke twijfel over de continuïteit kunnen veroorzaken zijn verschillende negatieve financiële trends, maar ook niet-financiële situaties kunnen de continuïteit in gevaar brengen.
In tabel 4.1 staat een overzicht van verschillende onderzoeken naar modellen voor het voorspellen van de continuïteit en hun gevonden beslissingsvariabelen met invloed. Ieder van de modellen welke ook getest zijn hebben een succespercentage van meer dan 80%. Zoals in de tabel te zien is, wordt er een verscheidenheid aan beslissingvariabelen gebruikt in de onderzoeken. Dit benadrukt de complexiteit van de continuïteitsbeoordeling.
Opvallend is bovendien dat drie van de vijf variabelen die door Mutchler (1984) als invloedrijk worden gezien, door de ondervraagde partners in het onderzoek van Kida (1980) juist verworpen worden als beslissingsvariabelen. (Net income to total assets, sales to total assets, cash to total assets). Uit het grootste deel van de onderzoeken blijkt current ratio een belangrijke beslissingvariabele te zijn (Chen, 2012, Sun, He & Li, 2011, Bell & Tabor, 1991, Koh, 1991, Menon & Swartz, 1987, Mutchler, 1984) . Martens et al. (2008) hebben naast de current ratio een aantal andere beslissingsvariabelen toegevoegd, zowel statische ratio’s als toe- en afname van variabelen. Verder maken zij ook onderscheid naar grootte van het bedrijf en of de accountant van één van de Big 4 audit firms was of niet.
Onderzoek Variabelen in het model Accuraatheid Steekproefgrootte
Salehi & Zahedi Fard (2013b)
Earnings before interest & taxes to total assets Retained earnings to stock capital
Retained earnings to total assets Gross profit to sales
current liabilities to shareholders equity net income to total assets
98% (Going concern) 100% (non-going concern)
146 organisaties
Chen (2012) Profit margin Return on assets After-tax rate of return
Operating profit to paid-in capital ratio Pre-tax net profit to paid-in capital ratio Earnings per share
Operating margin Operating profit Growth rate
After-tax net profit growth rate Revenue growth rate
Growth rate of total assets
Growth in the total return on assets Equity ratio
85.1% 1615 organisaties
Debt to assets ratio
Long-term funds to fixed assets ratio Dependence on borrowing
Inventory turnover ratio Receivable turnover ratio Total assets turnover ratio Fixed assets turnover ratio Net worth turnover ratio Current ratio
Acid-test ratio
23
Sun et al. (2011)
Current ratio Liabilities to assets Net assets per share Rate for long-term assets Cash ratio
Turnover of fixed assets Main operating margins Return on assets
Li, Sun & Wu (2010)
Total asset turnover assets to liabilities Total asset growth rate Earnings per share
88% 153 failliet
153 going concern
Martens et al. (2008)
Negative net income
Retained earnings to total assets Current assets to current liabilities Total liabilities to total assets log total assets
97.2% 10.318 organisaties
Bell & Tabor (1991)
Net income to net worth Inventory to sales Total debt to total capital Receivables to inventory
Current assets to current liabilities
Going concern met kans >0.9 91%
Non-going concern met kans >0.9 84.3%
131 qualified 1217 unqualified
Koh (1991) Retained earnings to total assets Market value equity to total assets Current assets to current liabilities Total liabilities to total assets
Interest payments to earnings before interest and tax
Net income to total assets
100% Going concern 87.27% non-going concern 165 failliet 165 going concern Dupoch, Holthausen & Leftwich (1987)
Δ (total liabilities to total assets) Δ (receivables to total assets) Δ (inventory to total assets) book value of total assets current year loss
Menon & Schwartz (1987)
Current ratio
Change in current ratio
Retained eamings to total assets Debt to total assets
Income to total assets Recurring operating losses
Cash flow from operations to total liabilities.
Mutchler (1984)
Enter receivership Enter reorganization
Inability to meet interest due Cash flow projctions
Cash flow to total debt
Current assets to current liabilities Net worth to total debt
Kida (1980) Net income to total assets Net worth to total debt
Quick assets to current liabilities Sales to total assets
Cash to total assets
90% 20 failliet
20 going concern
Tabel 4.1: Overzicht van onderzoeken naar voorspellende modellen met hun beslissingvariabelen en
24 4.3.4 Resultaten AntMiner
Zoals in de vorige paragraaf beschreven staat hebben Martens et al. (2008) als
onafhankelijke variabelen een grote hoeveelheid indicatoren toegevoegd, welke uit eerdere onderzoeken informatie bleken te verschaffen over de continuïteit van een organisatie. In hun onderzoek hebben ze de data van 10.318 organisaties gebruikt en hierop hun model gebaseerd. In het onderzoek van Martens et al. (2008) zijn met behulp van AntMining de zeven meest voorspellende variabelen geselecteerd: company size, retained earning/total assets, loss, current ratio, Δworking capital/total assets, total liabilities/total assets, Δtotal
liabilities/total assets. Het AntMining algoritme heeft een beslissingtabel gecreëerd met deze zeven variabelen. De resultaten tonen dat het model in 97,16% van de gevallen een correcte voorspelling kon doen.
4.4 Datamining als oplossing voor het subjectiviteitsprobleem
Dankzij de technische ontwikkelingen is de mens in staat om steeds meer data te
verzamelen. In al deze data ligt veel informatie opgeslagen, welke pas van waarde wordt op het moment dat er goede analyses worden uitgevoerd. Op dit moment blijft het grootste deel van de informatie onbenut.
In paragraaf 2.5 zijn twee problemen met betrekking tot de subjectiviteit van de going concern opinion benoemd: het wel of niet toevoegen van een going concern opinion heeft directe gevolgen voor de auditor en de regelgeving rondom de procedures om een going concern beslissing zijn te algemeen en dubbelzinnig. Het toevoegen van een going concern opinion levert de auditor vaak discussies met het management op. Koh en Killough (1990) noemen als oplossing het objectiveren van de procedures en deze verdigbaar maken. Datamining doet beide. Een model is een objectief ondersteunend middel voor de auditor. Indien de beslissing van de auditor onderbouwd kan worden met de uitkomsten van een voorspellend model, is het management eerder geneigd om de going concern opinion te accepteren (Koh, 1991).
In hoofdstuk 3 wordt een andere oorzaak voor het subjectieve karakter van de going concern beslissing benoemd, namelijk de beperkingen van het menselijke brein. Het
systeem 1 denken, de zoektocht naar causaliteit, de confirmation bias en het associatieve geheugen dragen allen bij aan onbewuste subjectiviteit van de going concern beslissing. De overgang van small data naar big data veroorzaakt een overgang van causaliteit naar correlatie, zoals in paragraaf 4.2.1 wordt toegelicht. Het objectieve karakter van correlatie zorgt ervoor dat deze beperkingen van het menselijk brein geen invloed meer hebben op de uitkomst van een model. Echter, de uitkomsten van een model moeten nog wel
geïnterpreteerd worden door de auditor, hier komt een deel van de subjectiviteit terug. In hoofdstuk 3 wordt ook het maximale vermogen van het brein genoemd als
25 probleem bij de going concern beslissing. Datamining biedt ook voor dit probleem een
mogelijke oplossing. In de berekeningen op de computer kan alle informatie worden meegenomen in de beslissing, er is geen maximaal vermogen. De verschuiving van steekproeven naar het toetsen van de gehele populatie zorgt ervoor dat het maximale
vermogen van het brein niet langer van invloed is en bovendien haalt dit de mogelijkheid van het manipuleren van de steekproef door de auditor weg.
Met behulp van datamining technieken bestaat er de mogelijkheid om een model te creëren welke een voorspelling kan doen over de continuïteit van een organisatie. Een datamining techniek die reeds onderzocht is, is AntMining. Uit onderzoek is gebleken dat een dergelijk model met hoge accuratie (97%) voorspellingen kan doen over de continuïteit. Dit percentage kunnen we echter niet vergelijken met de percentages in tabel 2.1. De
percentages in tabel 2.1 geven aan in hoeveel procent van de gevallen van een faillissement dit correct voorspeld was, terwijl het succespercentage van het model aangeeft in hoeveel procent van alle gevallen (zowel faillissement als continuïteit) er een correcte voorspelling gedaan was. Er is geen data beschikbaar over het succespercentage van het model in het geval van faillissement.
Het model van Martens et al. (2008) heeft als voordeel dat het uit slechts zeven beslissingsvariabelen bestaat. Hierdoor is het een inzichtelijk model en gemakkelijk
toepasbaar voor de auditor. Tegelijkertijd kan het hebben van weinig beslissingsvariabelen ook een nadeel zijn, want deze variabelen hebben dan ieder veel invloed. Eventueel worden andere belangrijke elementen niet meegenomen in de beslissing, omdat deze bijvoorbeeld zo weinig voorkomen, dat deze door het model als niet-relevant worden geclassificeerd. Naast dit model, zijn er ook andere modellen opgesteld in diverse onderzoeken. Bij ieder model zijn echter de beslissingsvariabelen verschillend. Hieruit blijkt nogmaals hoe complex het continuïteitsvraagstuk is en dat de beslissing niet eenvoudig in een stappenplan te vormen is.
5. Vervolgonderzoek
Op het gebied van big data en de accountantscontrole valt nog veel onderzoek te verrichten. Voor de going concern opinion zou een grootschalig onderzoek naar beslissingsvariabelen zinvol zijn, aangezien hier nog geen overeenstemming over is bereikt. Wellicht moet er onderscheid gemaakt worden in beslissingsvariabelen voor verschillende sectoren, bedrijfsgroottes, culturen of andere karakteristieken. De meeste modellen die tot nu toe gemaakt zijn richten zich enkel op de gegevens uit het laatste jaar. Eventueel zijn er nog betere resultaten te behalen als de data van eerdere jaren ook worden meegenomen in het model en zo trendherkenning kan worden toegepast. Daarnaast moeten de mogelijkheden van procesmining en textmining om ook niet-kwantitieve variabelen aan een model toe te
26 voegen nader onderzocht worden. Tot slot zijn er ook andere dataminingtechnieken, naast AntMining, beschikbaar. De mogelijkheden van deze technieken in de context van de going concern opinion zijn tot op heden nog niet onderzocht.
6. Conclusie
Sinds het onstaan van het verplichte oordeel van de auditor over de continuïteit van een organisatie is er kritiek op dit principe. Tijdens verschillende perioden in de geschiedenis waarbij de controleverklaring negatief in de belangstelling heeft gestaan, kwam de discussie over de going concern opinion steeds naar voren. Er is geen eenduidige procedure die de auditor kan hanteren bij het beoordelen van de continuïteit en daarnaast zijn ook
eigenbelang en beperkingen van de capaciteiten van de auditor van invloed op deze beslissing. De procedures om tot een continuïteitsoordeel te komen moeten objectiever, ondubbelzinnig en verdedigbaar worden.
Verschillende maatregelen en wetgeving blijken niet voldoende om het subjectieve karakter van de going concern opinion te verminderen. Een relatief nieuw concept in deze sector is het toepassen van datamining bij de audit. Tot op heden is er weinig onderzoek verricht naar de mogelijkheden van datamining en de going concern beslissing. Dit onderzoek is een inventarisatie naar de mogelijkheden op dit gebied. In dit
literatuuronderzoek is het subjectiviteitsprobleem van de going concern opinion uitgelicht en een mogelijke oplossing in de vorm van datamining onderzocht. De centrale vraag in het onderzoek luidt: In hoeverre is datamining een bruikbaar hulpmiddel voor het objectiveren van de going concern opinion?
Met behulp van datamining technieken bestaat er de mogelijkheid om een model te creëren welke een voorspelling kan doen over de continuïteit van een organisatie. Een beslissingmodel zal enkel dienen ter ondersteuning van de auditor, niet ter vervanging. Een reeds onderzochte dataminingtechniek is AntMining. Uit onderzoek is gebleken dat een model gecreëerd met deze techniek met hoge accuratie (97%) voorspellingen kan doen over de continuïteit van een organisatie. Er is gekozen voor deze techniek omdat een dergelijk model inzichtelijk en gemakkelijk toepasbaar is.
Het voordeel van het gebruik van een model is dat de menselijke invloeden op de uitkomst geminimaliseerd worden. De resultaten van een model zijn objectief en
ondubbelzinnig. Bovendien is de beslissing van de auditor beter verdedigbaar indien er een objectieve berekening is die zijn mening ondersteunt. Er kan geconcludeerd worden dat een model gecreëerd met behulp van datamining een zeer effectieve bijdrage kan leveren aan het objectiveren van de going concern opinion.
27 7. Referenties
A-Bronnen
Amin, K., Krishnan, J., & Yang, J. S. (2014). Going Concern Opinion and Cost of Equity. AUDITING: A
Journal of Practice & Theory, 33(4), 1-39.
Bell, T. B., & Tabor, R. H. (1991). Empirical analysis of audit uncertainty qualifications. Journal of
Accounting Research, 350-370.
Blay, A. D., Geiger, M. A., & North, D. S. (2011). The auditor's going concern opinion as a communication of risk. Auditing: A Journal of Practice & Theory,30(2), 77-102.
Carcello, J. V., & Neal, T. L. (2003). Audit committee characteristics and auditor dismissals following “new” going concern reports. The Accounting Review, 78(1), 95-117.
Chen, J. H. (2012). Developing SFNN models to predict financial distress of construction companies. Expert Systems with Applications, 39(1), 823-827.
Chow, C. W., & Rice, S. J. (1982). Qualified audit opinions and auditor switching. Accounting Review, 326-335. Geiger, M. A., Raghunandan, K., & Riccardi, W. (2013). The Global Financial Crisis: US Bankruptcies and Going concern Audit Opinions. Accounting Horizons, 28(1), 59-75.
Dopuch, N., Holthausen, R. W., & Leftwich, R. W. (1987). Predicting audit qualifications with financial and market variables. Accounting Review, 431-454.
Feldmann, D. A., & Read, W. J. (2010). Auditor conservatism after Enron. Auditing: A Journal of
Practice & Theory, 29(1), 267-278.
Geiger, M. A., & Raghunandan, K. (2002). Auditor tenure and audit reporting failures. Auditing: A
Journal of Practice & Theory, 21(1), 67-78.
Geiger, M. A., Raghunandan, K., & Rama, D. V. (2005). Recent changes in the association between bankruptcies and prior audit opinions. Auditing: A Journal of Practice & Theory, 24(1), 21-35.
Geiger, M. A., Raghunandan, K., & Riccardi, W. (2014). The Global Financial Crisis: US Bankruptcies and Going concern Audit Opinions. Accounting Horizons, 28(1), 59-75.
Holder-Webb, L. M., & Wilkins, M. S. (2000). The incremental information content of SAS No. 59 going concern opinions. Journal of Accounting Research, 209-219.
Kahneman, D., Lovallo, D., & Sibony, O. (2011). Before you make that big decision. Harvard business
review, 89(6), 50-60.
Kida, T. (1980). An investigation into auditors' continuity and related qualification judgments. Journal of
Accounting Research, 506-523.
Koh, H. C., & Killough, L. N. (1990). The use of multiple discriminant analysis in the assessment of the going‐concern status of an audit client. Journal of Business Finance & Accounting, 17(2), 179-192. Koh, H. C. (1991). Model predictions and auditor assessments of going concern status. Accounting
and Business Research, 21(84), 331-338.
Krishnan, J., & Krishnan, J. (1996). The role of economic trade-offs in the audit opinion decision: An empirical analysis. Journal of Accounting, Auditing & Finance, 11(4), 565-586.
Li, H., Sun, J., & Wu, J. (2010). Predicting business failure using classification and regression tree: An empirical comparison with popular classical statistical methods and top classification mining
methods. Expert Systems with Applications, 37(8), 5895-5904.
Martens, D., Bruynseels, L., Baesends, B., Willekens, M., Vanthienen, J. (2008), Predicting going concern opinion with data mining, Decision Support Systems 45, 765-777
28
Menon, K., & Schwartz, K. B. (1987). An empirical investigation of audit qualification decisions in the presence of going concern uncertainties*.Contemporary Accounting Research, 3(2), 302-315.
Mutchler, J. F. (1984). Auditors’ perceptions of the going concern opinion decision. Auditing: A Journal
of Practice & Theory, 3(2), 17-30.
Myers, L. A., Schmidt, J., & Wilkins, M. (2013). An investigation of recent changes in going concern reporting decisions among Big N and non-Big N auditors. Review of Quantitative Finance and Accounting, 43(1), 155-172.
Nogler, G. E. (2007). Going concern modifications, CPA firm size, and the Enron effect. Managerial
Auditing Journal, 23(1), 51-67.
Parpinelli, R. S., Lopes, H. S., & Freitas, A. (2002). Data mining with an ant colony optimization algorithm. Evolutionary Computation, IEEE Transactions on, 6(4), 321-332.
Sun, J., He, K. Y., & Li, H. (2011). SFFS-PC-NN optimized by genetic algorithm for dynamic prediction of financial distress with longitudinal data streams. Knowledge-Based Systems, 24(7), 1013-1023. Willett, C., & Page, M. (1996). A survey of time budget pressure and irregular auditing practices among newly qualified UK Chartered Accountants. The British Accounting Review, 28(2), 101-120. B-Bronnen
AICPA, (1988), Statement on Accounting Standard No 59, verkregen van
http://www.aicpa.org/Research/Standards/AuditAttest/DownloadableDocuments/AU-00341.pdf
geraadpleegd op 17-5-2015
Altman, E. I., & Hotchkiss, E. (1983). Corporate financial distress and bankruptcy: A Complete Guide
to Predicting, Avoiding, and Dealing with Bankruptcy. John Wiley & Sons.
Fédération des Experts Comptables Européens (FEE), (2014), ‘The future of audit and assurance’, Brussel: Auteur.
Gantz, J., & Reinsel, D. (2012). The digital universe in 2020: Big data, bigger digital shadows, and biggest growth in the far east. IDC iView: IDC Analyze the Future, 2007, 1-16.
Hilbert, M., & López, P. (2011). The world’s technological capacity to store, communicate, and compute information. science, 332(6025), 60-65.
Kahneman, D. (2011). Ons feilbare denken. (18th ed.). Amsterdam: Uitgeverij Business Contact.
Kirkos, E., Spathis, C., Nanopoulos, A., & Manolopoulos, Y. Predicting Qualified Auditor’s Opinions: A Data Mining Approach.
Mayer-Schönberger, V & Cukier, K. (2013). De Big Data Revolutie. (4th ed.). Amsterdam: Maven Publishing BV.
Meehl, P. E. (1954). Clinical versus statistical prediction: A theoretical analysis and a review of the evidence.
Nederlandse Beroepsorganisatie van Accountants (2015), Handleiding regelgeving accountant,
standaard 570, verkregen van https://www.nba.nl/HRAweb/HRA1/200903/html/39418.htm geraadpleegd op 17-5-2015.
Rachisan, P.R., & Grosanu, A., (2010). Challenges of the auditing profession in the context of
economic crisis. Studia Universitatis Babes Bolyai – Negotia, 3, 69-76
Salehi, M., & Zahedi Fard, F., (2013a). Data Mining Approach to Prediction of Going Concern using Classification and Regression Tree (CART). Global Journal of Management and Business Research
29
Salehi, M., & Zahedi Fard, F., (2013b). Data Mining Approach Using Practical Swarm Optimization
(PSO) to Predicting Going Concern: Evidence from Iranian Companies. Journal of Distribution Science, 11.
Stigler, S. M. (1989). Francis Galton's account of the invention of correlation.Statistical Science, 73-79. Taffler, R. J., & Tseung, M. (1984). The audit going concern qualification in practice-exploding some myths. The Accountants Magazine, 263-269.
