Theoretische Grundlagen der Digitalisierung in der Wirtschaftsprüfungsbranche

Dang, David

doi:10.1007/978-3-658-37188-3_2

David Dang³

Part of the book series: Controlling und Rechnungslegung - Managerial and Financial Accounting ((CRMFA))

3315 Accesses

Zusammenfassung

Im nachfolgenden Kapitel werden die theoretischen Grundlagen zur Digitalisierung in der Wirtschaftsprüfung dargelegt. Dazu werden zu Beginn die Grundlagen der Digitalisierung erläutert, der Begriff der Digitalisierung definiert und die verschiedenen Ausprägungsformen beschrieben. Im Anschluss wird die Data Science inklusive ihrer drei Komponenten im Einzelnen beschrieben.

This is a preview of subscription content, log in via an institution to check access.

Access this chapter

Log in via an institution

Subscribe and save

Springer+ Basic

EUR 32.99 /Month

Get 10 units per month
Download Article/Chapter or Ebook
1 Unit = 1 Article or 1 Chapter
Cancel anytime

Subscribe now

Buy Now

Chapter: USD 29.95; Price excludes VAT (USA)

eBook: USD 59.99; Price excludes VAT (USA)

Softcover Book: USD 79.99; Price excludes VAT (USA)

Tax calculation will be finalised at checkout

Purchases are for personal use only

Institutional subscriptions

Notes

1.
Vgl. Absenger et al. (2016), S. 2; Bertenrath et al. (2016), S. 3.
2.
Vgl. Absenger et al. (2016), S. 5.
3.
Vgl. Leviäkangas (2016), S. 1; Parviainen et al. (2017), S. 63.
4.
Vgl. Bhimani/Willcocks (2014), S. 469.
5.
Vgl. Moffitt/Vasarhelyi (2013), S. 5.
6.
Vgl. Moreau (2013); Chathoth (2007).
7.
Vgl. Picot et al. (2017), S. 87.
8.
Vgl. Picot et al. (2017), S. 88.
9.
Vgl. Becker et al. (2017), S. 20; Mertens et al. (2017), S. 40.
10.
Vgl. Mertens/Barbian (2016), S. 302.
11.
Vgl. Mertens et al. (2017), S. 35; Becker et al. (2017), S. 20.
12.
Vgl. Srai/Lorentz (2019), S. 79.
13.
Vgl. Kagermann (2015), S. 23.
14.
Vgl. Kagermann (2015), S. 23.
15.
Groß/Pfennig (2019), S. 38.
16.
Vgl. Perez (2015), S. 7.
17.
Vgl. Mertens et al. (2017), S. 35.
18.
Maxwell/McCain (1997), S. 147.
19.
Vgl. Amit/Zott (2001), S. 508.
20.
Vgl. Lerch/Gotsch (2015), S. 47.
21.
Vgl. Gobble (2018), S. 56.
22.
Vgl. Eling/Lehmann (2018), S. 363.
23.
Vgl. Boer et al. (2014), S. 2.
24.
Vgl. Ziegler et al. (2018), S. 563; Boer et al. (2014), S. 2.
25.
Vgl. Roth (2016), S. 5; Vgl. Drath/Horch (2014), S. 56.
26.
Vgl. Roth (2016), S. 5.
27.
Vgl. Dai/Vasarhelyi (2016), S. 1.
28.
Vgl. Picot et al. (2017), S. 94.
29.
Vgl. Picot et al. (2017), S. 94.
30.
Roth (2016), S. 6.
31.
Vgl. Dai/Vasarhelyi (2016), S. 1.
32.
Vgl. Antoney/Augusthy (2019), S. 633.
33.
Vgl. Dai (2017), S. 32.
34.
Vgl. Ghani/Muhammad (2019), S. 19.
35.
Vgl. Alao/Gbolagade (2019), S. 18. Siehe dazu auch Abschnitt 3.1.1 und Abschnitt 3.2.
36.
Vgl. Atzori et al. (2010), S. 2787.
37.
Vgl. Bhimani/Willcocks (2014), S. 470.
38.
Vgl. Chen et al. (2019), S. 793; O'Leary (2013), S. 63.
39.
Aguzzi et al. (2014), S. 18.
40.
Vgl. Chen et al. (2019), S. 778.
41.
Vgl. O'Leary (2013), S. 63.
42.
Vgl. O'Leary (2013), S. 63.
43.
Vgl. Fleisch (2010), S. 23.
44.
Vgl. Chen et al. (2019), S. 793.
45.
Vgl. Singh et al. (2016), S. 269; Dorri et al. (2016), S. 1; Gubbi et al. (2013), S. 17; Sarma/Girão (2009), S. 353.
46.
Vgl. Dorri et al. (2016), S. 12.
47.
Siehe Abschnitt 2.1.2.3.
48.
Vgl. Wu et al. (2019), S. 100097.
49.
Vgl. Mazhelis et al. (2013), S. 145.
50.
Die Infrastruktur von Blockchain kann verschiedene Merkmale aufweisen: 1) privat versus öffentlich, 2) Dezentralisierung versus Zentralisierung, 3) Peer-to-Peer versus Cloud. Vgl. O'Leary (2017), S. 145.
51.
Vgl. Camilleri et al. (2017), S. 16.
52.
Vgl. Schmitz/Leoni (2019), S. 331; Yu et al. (2018), S. 45.
53.
Vgl. Qasim/Kharbat (2020), S. 107.
54.
Vgl. Schmitz/Leoni (2019), S. 338; Kuenkaikaew/Vasarhelyi (2013), S. 37.
55.
Vgl. Liu et al. (2019), 25. Vgl. dazu auch die dreifache Buchführung in Abschnitt 3.6.
56.
Vgl. Tan/Low (2019), S. 317.
57.
Vgl. Pacurari/Nechita (2013), S. 193; Chou (2015), S. 137.
58.
Vgl. Pacurari/Nechita (2013), S. 193.
59.
Vgl. Tarmidi et al. (2014), S. 574.
60.
Vgl. Pacurari/Nechita (2013), S. 197.
61.
Vgl. Chou (2015), S. 141; Hu et al. (2016), S. 16.
62.
Vgl. Adelmeyer/Teuteberg (2016), S. 698, (2018), S. 89.
63.
Vgl. Chou (2015), S. 137.
64.
Vgl. Chou (2015), S. 141.
65.
Vgl. Brandas et al. (2015), S. 88.
66.
Vgl. Munoko et al. (2020), S. 209; Baldwin et al. (2006), S. 82.
67.
Vgl. Görz/Schneeberger (2010), S. 1; Mainzer (2019), S. 3.
68.
Vgl. Ukpong et al. (2019), S. 1.
69.
Vgl. Munoko et al. (2020), S. 209.
70.
Vgl. Askary et al. (2018), S. 315; Omoteso (2012), S. 8490.
71.
Vgl. Ziegler et al. (2018), S. 567; Askary et al. (2018), S. 322.
72.
Vgl. Askary et al. (2018), S. 315; Langhein/Kiesow/Thomas (2018), 1306; Nwankpa (2014), S. 1000114.
73.
Vgl. Stancheva-Todorova (2018), S. 127.
74.
Vgl. Qasim/Kharbat (2020), S. 115.
75.
Vgl. Abschnitt 1.1.
76.
Vgl. Kavanagh et al. (2009), S. 3; Kavanagh/Drennan (2008), S. 279.
77.
Vgl. Song/Zhu (2016), S. 365.
78.
Vgl. Dhar (2013), S. 64.
79.
Vgl. Song/Zhu (2016), S. 365.
80.
Eigene Darstellung in Anlehnung an Song/Zhu (2016), S. 366.
81.
Vgl. Song/Zhu (2016), S. 366.
82.
Vgl. Dhar (2013), S. 64.
83.
Damit sind zum Beispiel unstrukturierte und halbstrukturierte Daten wie Social-Media- und Webdaten gemeint.
84.
Vgl. Song/Zhu (2016), S. 366; Katal et al. (2013), S. 405.
85.
Vgl. Moffitt/Vasarhelyi (2013), S. 2; Jagadish et al. (2014), S. 94; Kee-Luen et al. (2017), S. 56.
86.
Vgl. Davenport (2012), S. 2; Sagiroglu/Sinanc (2013), S. 42; Serban (2017), S. 181.
87.
Vgl. Crookes/Conway (2018), S. 61.
88.
Vgl. Franks (2012), S. 3.
89.
Vgl. Cohen et al. (2009); Davenport (2012); Moffitt/Vasarhelyi (2013); Vasarhelyi et al. (2015); Sledgianowski et al. (2017); Al-Htaybat/Alberti-Alhtaybat (2017).
90.
Vgl. Mikalef et al. (2017), S. 552; Vasarhelyi et al. (2015), S. 381; Moffitt/Vasarhelyi (2013), S. 4.
91.
Vgl. Labrinidis/Jagadish (2012), S. 2032.
92.
Vgl. Diebold (2003), S. 116.
93.
Vgl. dazu Song/Zhu (2016), S. 365; Gandomi/Haider (2015), S. 139.
94.
Vgl. McAfee/Brynjolfsson (2012), S. 4 f.; Arnaboldi et al. (2017), S. 772.
95.
Gartner (2021).
96.
Vgl. Song/Zhu (2016), S. 365; Gandomi/Haider (2015), S. 139.
97.
Vgl. Gandomi/Haider (2015), S. 139.
98.
Eigene Darstellung.
99.
Vgl. Gandomi/Haider (2015), S. 139.
100.
Vgl. Moffitt/Vasarhelyi (2013), S. 4; Birch et al. (2018), S. 4.
101.
Vgl. Debortoli et al. (2014), S. 289.
102.
Vgl. Moffitt/Vasarhelyi (2013), S. 1.
103.
Vgl. Moffitt/Vasarhelyi (2013), S. 5.
104.
Vgl. Gandomi/Haider (2015), S. 138.
105.
Vgl. Gandomi/Haider (2015), S. 139.
106.
Vgl. Moffitt/Vasarhelyi (2013), S. 5.
107.
Vgl. Bhimani/Willcocks (2014), S. 486.
108.
Vgl. Moffitt/Vasarhelyi (2013), S. 5.
109.
Vgl. Vasarhelyi et al. (2015), S. 395.
110.
Vgl. Al-Htaybat/Alberti-Alhtaybat (2017), S. 851.
111.
Vgl. Vasarhelyi et al. (2015), S. 384; Song/Zhu (2016), S. 371.
112.
In diesem Zusammenhang als „learning-by-data“ bezeichnet. (Vgl. Song/Zhu (2016), S. 371).
113.
Vgl. Song/Zhu (2016), S. 371; Appelbaum et al. (2017), S. 22 Zu weiteren Anwendungen der Big Data Analytik siehe Abschnitt 2.3 und 2.3.1.
114.
Vgl. Hashem et al. (2015), S. 99 f.
115.
Vgl. Gartner (2021).
116.
Vgl. Cohen et al. (2009), S. 1481.
117.
Vgl. McAfee/Brynjolfsson (2012), S. 8.
118.
Eigene Darstellung. Die für diese Arbeit relevanten digitalen Ausprägungen wurden in die Säule Technologie integriert. Sie insbesondere in den Abschnitten 2.1 und 2.3 behandelt.
119.
Vgl. Peng et al. (2018), S. 202.
120.
Zu den Ausführungen ausgewählter Technologien, die in Zusammenhang mit dem Feld des Rechnungswesens und der Wirtschaftsprüfung stehen, wird auf die Abschnitt 2.1.1 und 2.1.2 verwiesen.
121.
Vgl. Brynjolfsson/McAfee (2012), S. 7.
122.
Vgl. Song/Zhu (2016), S. 366.
123.
Für die Wirtschaftsprüfungsbranche wichtige Big-Data-Technologien sind bspw. Data-Warehouse und Cloud Computing. (Vgl. Vasarhelyi et al. (2015), S. 384; Song/Zhu (2016), S. 371)
124.
Vgl. Moffitt/Vasarhelyi (2013), S. 2.
125.
Vgl. Mikalef et al. (2018), S. 8.
126.
Vgl. Fink/Neumann (2007), S. 455.
127.
Lerch/Gotsch (2015), S. 46.
128.
Vgl. Song/Zhu (2016), S. 366.
129.
Vgl. Mikalef et al. (2018), S. 1.
130.
Vgl. Song/Zhu (2016), S. 366.
131.
Als Humankapital wird nicht nur der Mensch an sich gefasst, sondern alles was mit Menschen zu tun hat. Dazu zählen neben dem Wissen, die Ausbildung als auch die Kompetenzen. Das Fundament des Humankapitals stellt die Ausbildung dar. Vgl. dazu Bertenrath et al. (2016), S. 15.
132.
Vgl. Bertenrath et al. (2016), S. 16.
133.
Eigene Darstellung. Die menschliche Komponente des Data Science-Modells wurde um die wichtigen Kompetenzbereiche eines Berufseinsteigers vom Forscher erweitert. Diese stellen gleichzeitig den wesentlichen Forschungsgegenstand dieser Arbeit dar.
134.
Vgl. Kavanagh et al. (2009), S. 3.
135.
Vgl. Kergroach (2017), S. 8; Janvrin/Weidenmier Watson (2017), S. 4.
136.
Vgl. Mikalef et al. (2018), S. 8; Song/Zhu (2016), S. 372.
137.
Vgl. Davenport/Patil (2012), S. 76; Davenport (2012), S. 10.
138.
Vgl. Fink/Neumann (2007), S. 452.
139.
Vgl. Güney (2014), S. 852.
140.
Vgl. Brynjolfsson/McAfee (2012), S. 7; Sledgianowski et al. (2017), S. 11.
141.
Vgl. Clayton/Clopton (2019), S. 6.
142.
Vgl. Beaman/Richardson (2007), S. 59; Janvrin/Weidenmier Watson (2017), S. 4.
143.
Zu der Ausbildung und den nachgefragten Kompetenzen der Berufseinsteiger im Zeitalter der Digitalisierung wird in Kapitel 3 eingegangen.
144.
Vgl. McKinney Jr et al. (2017), S. 78; Al-Htaybat/Alberti-Alhtaybat (2017), S. 870; Thomson (2017), S. 23.
145.
Vgl. Al-Htaybat/Alberti-Alhtaybat (2017), S. 868.
146.
Vgl. Brynjolfsson/McAfee (2012), S. 7; Davenport/Patil (2012), S. 74.
147.
Vgl. Davenport (2012), S. 6; Grundke et al. (2018), S. 20.
148.
Vgl. Liu/Vasarhelyi (2014), S. 13.
149.
Vgl. Hunton (2002), S. 67; Liu/Vasarhelyi (2014), S. 1; Al-Htaybat/Alberti-Alhtaybat (2017), S. 871.
150.
Vgl. Bhimani/Willcocks (2014), S. 479.
151.
Vgl. Mikalef et al. (2018), S. 2.
152.
Vgl. Wang (2017), S. 14.
153.
Vgl. Bhimani/Willcocks (2014), S. 479.
154.
Vgl. Balios et al. (2020), S. 217.
155.
Vgl. Fan et al. (2014), S. 294.
156.
Vgl. Kambatla et al. (2014), S. 2562.
157.
Russom (2011), S. 8.
158.
Vgl. Al-Htaybat/Alberti-Alhtaybat (2017), S. 862. Zu den Komponenten der Big Data Analytik zählen Datenerfassung, Datenspeicherung, eweiterte Datenanalyse, Datenvisualisierung und Entscheidungsfindung für die Wertschöpfung. (Vgl. Saggi/Jain (2018), S. 783.)
159.
Vgl. Saggi/Jain (2018), S. 758.
160.
Vgl. Al-Htaybat/Alberti-Alhtaybat (2017), S. 863.
161.
Vgl. Fan et al. (2014), S. 294 ff.
162.
Vgl. Al-Htaybat/Alberti-Alhtaybat (2017), S. 870; Chen et al. (2012), S. 1185.
163.
Vgl. Haryati (2017), S. 1; Puteh/Hamid (2014), S. 2794; Reinstein/Bayou (1997), S. 336.
164.
Vgl. Al-Htaybat/Alberti-Alhtaybat (2017), S. 866.
165.
Vgl. Kambatla et al. (2014), S. 2571.
166.
Vgl. Chen et al. (2012), S. 1175.
167.
Vgl. Salijeni et al. (2019), S. 95.
168.
Vgl. Gepp et al. (2018), S. 1.
169.
Vgl. Wang/Cuthbertson (2015), S. 160.
170.
Vgl. Fan et al. (2014), S. 296.
171.
Vgl. Gepp et al. (2018), S. 27.
172.
Vgl. Russom (2011), S. 11 Zu den spezifischen Einsatzmöglichkeiten der Big Data Analytik in der Wirtschaftsprüfungsbranche siehe Abschnitt 2.2.1, 2.3 und 2.3.1.
173.
Vgl. Mcbride/Philippou (2021), S. 1.
174.
Vgl. Balios et al. (2020), S. 211.
175.
Vgl. Richins et al. (2017), S. 34.
176.
Vgl. Kend/Nguyen (2020), S. 269.
177.
Vgl. Al-Htaybat/Alberti-Alhtaybat (2017), S. 863.
178.
Beispiele für neuen Technologien sind Big Data, Cloud Computing, Business Analytics, Künstliche Intelligenz oder Distributed Ledger Technology. (Vgl. Antoney/Augusthy (2019), S. 633)
179.
Vgl. Rausenberger/Prenrecaj (2017), S. 779.
180.
Vgl. Dai (2017), S. 34.
181.
Vgl. Dai/Vasarhelyi (2016), S. 2; Rausenberger/Prenrecaj (2017), S. 780; Dai (2017), S. 32.
182.
Vgl. Alao/Gbolagade (2019), S. 18.
183.
Vgl. Brandas et al. (2015), S. 93.
184.
Vgl. Wilson/Sangster A. (1992), S. 74 Diese Autoren erkannten ebenso vor knapp 30 Jahren, dass innovative Infomationstechnologie die Qualität von Informationen positiv beeinflussen und gleichzeitig zur Kostensenkung führen können.
185.
Vgl. Dai/Vasarhelyi (2016), S. 2; Kergroach (2017), S. 6; Srai/Lorentz (2019), S. 14; Tarmidi et al. (2014), S. 574.
186.
Vgl. Rozario/Vasarhelyi (2018), S. 1; Rausenberger/Prenrecaj (2017), S. 781; Wu et al. (2019), S. 100.097.
187.
Vgl. Baksa/Turoff (2010), S. 1.
188.
Vgl. Searcy et al. (2003), S. 10.
189.
Vgl. Zhang et al. (2015), S. 474.
190.
Vgl. Mertens et al. (2017), S. 83.
191.
Vgl. Dillerup et al. (2019), S. 47.
192.
Vgl. Langhein/Kiesow/Strobel et al. (2018), S. 419.
193.
Vgl. Meinhardt/Popp (2018), S. 229.
194.
Eigene Darstellung in Anlehnung an Langhein/Kiesow/Strobel et al. (2018), S. 419.
195.
Vgl. Langhein/Kiesow/Strobel et al. (2018), S. 419 f.
196.
Vgl. Langhein/Kiesow/Strobel et al. (2018), S. 420 ff.
197.
Vgl. Meinhardt/Popp (2018), S. 229.
198.
Vgl. Pflaum/Schulz (2018), S. 243 f.; Meinhardt/Popp (2018), S. 229.

Author information

Authors and Affiliations

Berlin, Deutschland
David Dang

Authors

David Dang
View author publications
You can also search for this author in PubMed Google Scholar

Rights and permissions

Reprints and permissions

Copyright information

About this chapter

Cite this chapter

Dang, D. (2022). Theoretische Grundlagen der Digitalisierung in der Wirtschaftsprüfungsbranche. In: Der Einfluss der Digitalisierung auf die Wirtschaftsprüfungsbranche und die Ausbildung zukünftiger Wirtschaftsprüfer. Controlling und Rechnungslegung - Managerial and Financial Accounting. Springer Gabler, Wiesbaden. https://doi.org/10.1007/978-3-658-37188-3_2

Download citation

DOI: https://doi.org/10.1007/978-3-658-37188-3_2
Published: 30 March 2022
Publisher Name: Springer Gabler, Wiesbaden
Print ISBN: 978-3-658-37187-6
Online ISBN: 978-3-658-37188-3
eBook Packages: Business and Economics (German Language)

Publish with us

Policies and ethics