Phạm Thị Lĩnh

Học viện Công nghệ Bưu chính Viễn thông - Cơ sở tại TP. Hồ Chí Minh

Email: linhpt@ptit.edu.vn

Tóm tắt

Trong bối cảnh chuyển đổi số và sự phát triển nhanh chóng của các công nghệ số, việc ứng dụng trí tuệ nhân tạo (AI) đang làm thay đổi căn bản hoạt động kế toán và báo cáo tài chính của các doanh nghiệp nhỏ và vừa. Nghiên cứu này nhằm đánh giá tác động của việc ứng dụng AI trong kế toán đến chất lượng báo cáo tài chính của các doanh nghiệp nhỏ và vừa tại Việt Nam. Mô hình nghiên cứu được xây dựng dựa trên Lý thuyết Dựa vào nguồn lực (RBV) và Mô hình Chất lượng báo cáo tài chính (FRQ). Dữ liệu được thu thập từ 250 doanh nghiệp nhỏ và vừa tại Việt Nam, phân tích bằng phương pháp PLS-SEM với phần mềm SmartPLS 4. Kết quả nghiên cứu cho thấy, việc Ứng dụng AI trong kế toán có ảnh hưởng tích cực đến Độ chính xác dữ liệu và Tính kịp thời của báo cáo tài chính, qua đó nâng cao Chất lượng thông tin tài chính; Năng lực công nghệ kế toán đóng vai trò điều tiết trong mối quan hệ này. Trên cơ sở đó, nghiên cứu đề xuất các khuyến nghị chính sách và quản trị giúp doanh nghiệp nhỏ và vừa tối ưu hóa lợi ích từ ứng dụng AI trong lĩnh vực kế toán - tài chính.

Từ khóa: Trí tuệ nhân tạo, kế toán, báo cáo tài chính, doanh nghiệp nhỏ và vừa, PLS-SEM

Summary

In the context of digital transformation and the rapid development of digital technologies, the application of artificial intelligence (AI) is fundamentally reshaping accounting practices and financial reporting among small and medium-sized enterprises. This study aims to assess the impact of AI adoption in accounting on the quality of financial reporting among Vietnamese small and medium-sized enterprises. The research model is built upon the Resource-Based View (RBV) and the Financial Reporting Quality (FRQ) framework. Data were collected from 250 small and medium-sized enterprises in Viet Nam and analyzed using the PLS-SEM method with SmartPLS 4 software. The results indicate that AI adoption in accounting positively influences data accuracy and the timeliness of financial reporting, thereby improving the overall quality of financial information. Furthermore, accounting technology capability plays a moderating role in this relationship. Based on these findings, the study proposes policy and managerial recommendations to help small and medium-sized enterprises optimize the benefits of AI adoption in accounting and finance.

Keywords: Artificial intelligence, accounting, financial reporting, small and medium-sized enterprises, PLS-SEM

GIỚI THIỆU

Trong bối cảnh toàn cầu hóa và chuyển đổi số diễn ra mạnh mẽ, công nghệ trí tuệ nhân tạo (Artificial Intelligence - AI) đã và đang trở thành động lực chính thay đổi phương thức vận hành của các tổ chức, đặc biệt là trong lĩnh vực kế toán và tài chính. Ở Việt Nam, sự phát triển nhanh chóng của các nền tảng số, cùng với xu hướng áp dụng công nghệ thông minh vào quản trị doanh nghiệp, đang tạo ra bước ngoặt lớn trong hoạt động kế toán của các doanh nghiệp nhỏ và vừa (DNNVV).

Theo báo cáo của Bộ Kế hoạch và Đầu tư (nay là Bộ Tài chính), năm 2024), DNNVV chiếm khoảng 97% tổng số doanh nghiệp hoạt động tại Việt Nam và đóng góp gần 45% GDP quốc gia. Tuy nhiên, phần lớn các doanh nghiệp này vẫn đang đối mặt với hạn chế về nguồn lực, năng lực quản trị và khả năng ứng dụng công nghệ mới (Nguyễn và Trần, 2023). Việc triển khai AI trong kế toán được kỳ vọng sẽ giúp các DNNVV cải thiện chất lượng thông tin tài chính, tăng cường tính minh bạch, giảm sai sót và nâng cao chất lượng quyết định quản trị.

Mặc dù các nghiên cứu quốc tế đã chứng minh tiềm năng của AI trong việc nâng cao hiệu quả công tác kế toán và kiểm toán (Davenport và Ronanki, 2018; Moll và Yigitbasioglu, 2019), song tại Việt Nam, số lượng nghiên cứu định lượng chuyên sâu về tác động của ứng dụng AI đối với chất lượng báo cáo tài chính của các DNNVV vẫn còn hạn chế. Các DNNVV tại Việt Nam thường chưa có hệ thống dữ liệu đồng bộ, thiếu nhân lực có kỹ năng số và đối mặt với nhiều rào cản trong chuyển đổi số kế toán (Phan và Nguyễn, 2022).

Do đó, nghiên cứu này được thực hiện nhằm xác định các yếu tố cấu thành việc ứng dụng AI trong kế toán tại các DNNVV; đánh giá mức độ ảnh hưởng của AI đến độ chính xác dữ liệu cũng như tính kịp thời của báo cáo; phân tích tác động tổng hợp của các yếu tố trên đến chất lượng báo cáo tài chính; xem xét vai trò điều tiết của năng lực công nghệ kế toán (công nghệ và nhân sự) trong mối quan hệ này.

Nghiên cứu kỳ vọng mang lại 2 đóng góp chính: (i) Về lý luận: mở rộng cơ sở lý thuyết về vai trò của AI trong cải thiện chất lượng báo cáo tài chính, trên nền tảng Lý thuyết Dựa vào nguồn lực (Resource-Based View - RBV); (ii) Về thực tiễn: cung cấp bằng chứng định lượng giúp các nhà quản lý DNNVV, cơ quan hoạch định chính sách và tổ chức nghề nghiệp kế toán hiểu rõ hơn về cách thức ứng dụng AI hiệu quả, phù hợp với điều kiện Việt Nam.

CƠ SỞ LÝ THUYẾT VÀ TỔNG QUAN NGHIÊN CỨU

Các lý thuyết nền tảng

Lý thuyết Dựa vào nguồn lực (Resource-Based View - RBV)

Theo Barney (1991), RBV cho rằng lợi thế cạnh tranh bền vững của doanh nghiệp phụ thuộc vào các nguồn lực nội tại có giá trị, hiếm, khó sao chép và khó thay thế. Trong bối cảnh chuyển đổi số, việc ứng dụng AI trong kế toán được xem là một nguồn lực công nghệ đặc biệt, giúp doanh nghiệp nâng cao hiệu quả sử dụng dữ liệu, cải thiện quy trình ra quyết định và chất lượng thông tin tài chính (Grant, 2016). Đối với các DNNVV, AI không chỉ là công cụ hỗ trợ mà còn là tài sản chiến lược góp phần nâng cao năng lực quản trị.

Mô hình Chất lượng báo cáo tài chính (Financial Reporting Quality - FRQ)

Theo Dechow và Schrand (2004), chất lượng báo cáo tài chính phản ánh mức độ mà thông tin tài chính cung cấp phản ánh trung thực, chính xác và kịp thời tình hình kinh doanh của doanh nghiệp. Các yếu tố chính tác động đến FRQ bao gồm: độ chính xác dữ liệu, tính kịp thời, tính minh bạch, khả năng so sánh và tuân thủ chuẩn mực kế toán. Việc ứng dụng AI trong quy trình kế toán có thể cải thiện đáng kể các khía cạnh này thông qua tự động hóa, phân tích dữ liệu lớn và giảm thiểu sai sót thủ công (Appelbaum và cộng sự, 2017).

Tổng quan nghiên cứu

Nghiên cứu quốc tế

Nhiều nghiên cứu quốc tế đã chỉ ra tác động tích cực của AI đến kế toán và báo cáo tài chính. Davenport và Ronanki (2018) cho rằng AI giúp tự động hóa các quy trình thu thập, phân loại và xử lý dữ liệu kế toán, qua đó nâng cao tính chính xác và tốc độ lập báo cáo. Theo Moll và Yigitbasioglu (2019), các hệ thống kế toán tích hợp AI có khả năng phân tích dữ liệu theo thời gian thực, phát hiện bất thường và hỗ trợ dự báo tài chính hiệu quả hơn.

Nghiên cứu của Kokina và Davenport (2017) cho rằng, việc ứng dụng AI giúp giảm thiểu sai sót trong lập báo cáo và kiểm toán nội bộ, đồng thời tạo điều kiện cho kế toán viên chuyển vai trò từ “ghi nhận” sang “phân tích và tư vấn chiến lược”. Tương tự, công trình của Issa và cộng sự (2016) cũng chỉ ra rằng AI góp phần phát hiện gian lận và nâng cao tính minh bạch trong báo cáo tài chính.

Ở góc độ nghiên cứu định lượng, Zhang và Da (2022) chứng minh rằng mức độ ứng dụng AI có tương quan dương với chất lượng thông tin tài chính thông qua 2 biến trung gian là độ chính xác dữ liệu và tính kịp thời của báo cáo. Các nghiên cứu của Li (2021), Rezaee và Wang (2020) cũng khẳng định vai trò của năng lực công nghệ và kỹ năng kế toán viên trong việc tối ưu hóa lợi ích từ AI.

Nghiên cứu tại Việt Nam

Tại Việt Nam, chủ đề nghiên cứu về ứng dụng AI trong kế toán và báo cáo tài chính mới chỉ được đề cập trong vài năm gần đây. Phan và Nguyễn (2022) phân tích thực trạng chuyển đổi số trong kế toán tại các DNNVV và cho rằng rào cản lớn nhất là chi phí đầu tư, hạ tầng công nghệ và trình độ nhân lực. Nghiên cứu của Trần và Lê (2023) cho thấy việc ứng dụng các phần mềm kế toán thông minh giúp giảm 25-30% sai sót trong nhập liệu và tăng tốc độ lập báo cáo lên 40%.

Tuy nhiên, hầu hết các nghiên cứu hiện tại mới dừng ở mức mô tả hoặc định tính, chưa có nghiên cứu định lượng nào đánh giá mối quan hệ giữa mức độ ứng dụng AI → độ chính xác dữ liệu → tính kịp thời của báo cáo → chất lượng báo cáo tài chính, đặc biệt là trong bối cảnh DNNVV. Do đó, khoảng trống nghiên cứu trên chính là cơ sở để nghiên cứu này được triển khai, nhằm cung cấp bằng chứng thực nghiệm về tác động của AI đối với chất lượng báo cáo tài chính trong điều kiện DNNVV tại Việt Nam.

MÔ HÌNH NGHIÊN CỨU VÀ GIẢ THUYẾT

Mô hình nghiên cứu đề xuất

Dựa trên cơ sở Lý thuyết RBV, Mô hình FRQ và tổng hợp các nghiên cứu trước (Barney, 1991; Davenport và Ronanki, 2018; Zhang và Da, 2022), nghiên cứu này đề xuất mô hình nghiên cứu thể hiện mối quan hệ giữa mức độ Ứng dụng trí tuệ nhân tạo trong kế toán (AI Adoption - AI), Độ chính xác dữ liệu (Data Accuracy - DA) và Tính kịp thời của báo cáo (Reporting Timeliness - RT) với Chất lượng báo cáo tài chính (Financial Reporting Quality - FRQ). Năng lực công nghệ kế toán (Technological Capability - TC) được giả định đóng vai trò điều tiết (moderating) trong mối quan hệ giữa Ứng dụng trí tuệ nhân tạo trong kế toán (AI) và Chất lượng báo cáo tài chính (FRQ).

Mô hình nghiên cứu được đề xuất như Hình.

Hình: Mô hình nghiên cứu đề xuất

Nguồn: Đề xuất của tác giả

Giả thuyết nghiên cứu

Dựa trên tổng quan nghiên cứu và mô hình đề xuất, 6 giả thuyết chính được đưa ra như sau:

H1: Ứng dụng trí tuệ nhân tạo trong kế toán (AI) có ảnh hưởng tích cực đến Độ chính xác dữ liệu kế toán (DA).

H2: Ứng dụng trí tuệ nhân tạo trong kế toán (AI) có ảnh hưởng tích cực đến Tính kịp thời của báo cáo tài chính (RT).

H3: Độ chính xác dữ liệu kế toán (DA) có ảnh hưởng tích cực đến Chất lượng báo cáo tài chính (FRQ).

H4: Tính kịp thời của báo cáo tài chính (RT) có ảnh hưởng tích cực đến Chất lượng báo cáo tài chính (FRQ).

H5: Độ chính xác dữ liệu kế toán (DA) có ảnh hưởng tích cực đến Tính kịp thời của báo cáo tài chính (RT).

H6: Năng lực công nghệ kế toán (TC) điều tiết mối quan hệ giữa Ứng dụng trí tuệ nhân tạo (AI) và Chất lượng báo cáo tài chính (FRQ).

PHƯƠNG PHÁP NGHIÊN CỨU

Nghiên cứu này sử dụng phương pháp nghiên cứu định lượng; mẫu khảo sát được lựa chọn theo phương pháp lấy mẫu thuận tiện có kiểm soát (Convenience Sampling with Control). Trước khi khảo sát chính thức, nhóm nghiên cứu đã tiến hành nghiên cứu thử (pilot test) với 30 DNNVV để điều chỉnh ngữ nghĩa câu hỏi, đảm bảo độ tin cậy và dễ hiểu. Sau khi hoàn thiện bảng hỏi, nhóm nghiên cứu đã gửi phiếu khảo sát điện tử qua Google Form và phỏng vấn trực tiếp đối tượng khảo sát gồm các kế toán trưởng, kế toán viên chính hoặc giám đốc tài chính tại các DNNVV có quy mô vốn dưới 100 tỷ VNĐ; số lao động dưới 200 người. Thời gian tiến hành khảo sát từ tháng 4 đến tháng 6/2025. Sau khi loại 17 phiếu không đạt yêu cầu, nhóm khảo sát thu được 250 phiếu hợp lệ để đưa vào phân tích.

Phương pháp PLS-SEM (Partial Least Squares Structural Equation Modeling) được sử dụng để phân tích dữ liệu, thông qua phần mềm SmartPLS 4.0, nhằm kiểm định các mối quan hệ giữa các biến tiềm ẩn, đánh giá mô hình đo lường và mô hình cấu trúc. Việc lựa chọn phương pháp PLS-SEM là phù hợp với nghiên cứu này vì: mẫu < 300, mô hình có yếu tố trung gian và điều tiết; không yêu cầu phân phối chuẩn của dữ liệu (Hair và cộng sự, 2021); cho phép ước lượng mối quan hệ phức tạp và đánh giá giá trị giải thích (R², f², Q²).

Tất cả các biến được đo lường bằng thang Likert 5 điểm (từ mức 1 - Hoàn toàn không đồng ý; đến mức 5 - Hoàn toàn đồng ý). Các thang đo được kế thừa từ những nghiên cứu trước và hiệu chỉnh phù hợp với bối cảnh DNNVV Việt Nam (Bảng 1).

Bảng 1: Các biến trong nghiên cứu

Nguồn: Tác giả tổng hợp

Dữ liệu được tiến hành phân tích qua 2 giai đoạn chính. Tại Giai đoạn 1, tiến hành đánh giá mô hình đo lường (Measurement Model) với các kỹ thuật phân tích, bao gồm: kiểm định độ tin cậy thang đo (Cronbach's Alpha), đánh giá độ tin cậy tổng hợp (CR), đánh giá giá trị hội tụ (AVE); đánh giá tính phân biệt thang đo (Fornell-Larcker và HTMT).

Giai đoạn 2: Đánh giá mô hình cấu trúc (Structural Model) trên phần mềm SmartPLS 4. Kiểm định hệ số đường dẫn (β) và ý nghĩa thống kê qua bootstrap (5.000 mẫu). Đánh giá mức độ giải thích (R²), tác động f², giá trị dự đoán (Q²). Kiểm tra tác động trung gian (DA, RT) và điều tiết (TC).

Các tiêu chí đánh giá theo hướng dẫn của Hair và cộng sự. (2021); Henseler và cộng sự. (2016). Nghiên cứu sử dụng cách viết số thập phân theo chuẩn quốc tế.

KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN

Đặc điểm mẫu khảo sát

Tổng cộng có 250 DNNVV tham gia khảo sát. Về loại hình sở hữu, 60% là công ty trách nhiệm hữu hạn, 28% là công ty cổ phần, còn lại là doanh nghiệp tư nhân. Khoảng 55% doanh nghiệp hoạt động trong lĩnh vực sản xuất - thương mại, 45% trong lĩnh vực dịch vụ - công nghệ.

Về quy mô nhân sự kế toán, 42% doanh nghiệp có từ 3-5 nhân viên kế toán, 36% có từ 6-10 người, và 22% có trên 10 người. Gần 70% doanh nghiệp cho biết đã ứng dụng ít nhất một công cụ AI trong hoạt động kế toán như OCR, Chatbot, RPA (Robotic Process Automation) hoặc phần mềm kế toán có tích hợp AI phân tích dữ liệu.

Đánh giá mô hình đo lường (Measurement Model)

Kiểm định độ tin cậy (Cronbach's Alpha), độ tin cậy tổng hợp (CR) và giá trị hội tụ (AVE) và giá trị hội tụ của các thang đo cho kết quả tại Bảng 2.

Bảng 2: Kết quả đánh giá mô hình đo lường

Nguồn: Tác giả tổng hợp từ kết quả nghiên cứu

Kết quả tại Bảng 2 cho thấy, toàn bộ các thang đo đều đạt yêu cầu về độ tin cậy, với hệ số Cronbach’s Alpha dao động từ 0.832 đến 0.910 và CR dao động từ 0.885 đến 0.934, đều lớn hơn 0.7; AVE dao động từ 0.653 đến 0.699, đều lớn hơn 0.5, tất cả đều vượt ngưỡng khuyến nghị (Hair và cộng sự, 2021; Henseler và cộng sự, 2016), chứng tỏ thang đo có độ tin cậy tốt.

Kiểm định phân biệt giá trị (Discriminant Validity) bằng tiêu chí HTMT < 0.85, kết quả cho thấy các biến tiềm ẩn có giá trị phân biệt rõ ràng. Như vậy, mô hình đo lường đạt yêu cầu và đủ điều kiện để tiếp tục phân tích mô hình cấu trúc.

Đánh giá mô hình cấu trúc (Structural Model)

Sau khi chạy Bootstrap 5.000 mẫu trong SmartPLS 4.0, kết quả hệ số đường dẫn (path coefficients) và ý nghĩa thống kê được thể hiện trong Bảng 3.

Bảng 3: Kết quả đánh giá mô hình cấu trúc

Nguồn: Tác giả tổng hợp từ kết quả nghiên cứu

Bảng 4: Kết quả đánh giá mức độ giải thích, mối quan hệ tác động

Nguồn: Tác giả tổng hợp từ kết quả nghiên cứu

Các hệ số R² cho thấy khả năng giải thích tốt với DA = 0.44; RT = 0.53; FRQ = 0.62. Điều này có nghĩa là mô hình giải thích được 62% sự biến thiên của Chất lượng báo cáo tài chính (FQR), một mức độ khá cao theo chuẩn PLS-SEM (Hair et al., 2021).

Kết quả tại Bảng 3 cho thấy tất cả 6 giả thuyết đều được chấp nhận với p < 0.05. Cụ thể, Ứng dụng trí tuệ nhân tạo trong kế toán (AI) có tác động tích cực tới các biến trung gian Độ chính xác dữ liệu (DA) và Tính kịp thời của báo cáo (RT), từ đó nâng cao Chất lượng báo cáo tài chính (FQR). Điều đó khẳng định AI ảnh hưởng gián tiếp đến chất lượng báo cáo thông qua cải thiện độ chính xác và kịp thời dữ liệu; trong đó, AI tác động mạnh hơn lên DA (β = 0.421), từ đó tạo tác động lớn hơn đến FQR (β = 0.346). Bên cạnh đó, Độ chính xác dữ liệu (DA) cũng có tác động tích cực tới Tính kịp thời của báo cáo (RT) (β = 0.384).

Ngoài ra, mối quan hệ giữa AI và FRQ được điều tiết tích cực bởi Năng lực công nghệ kế toán (TC), với β = 0.167.

Thảo luận kết quả nghiên cứu

Kết quả nghiên cứu ủng hộ toàn bộ 6 giả thuyết, chứng minh rằng AI đóng vai trò quan trọng trong việc nâng cao chất lượng báo cáo tài chính của các DNNVV Việt Nam. Cụ thể:

Ứng dụng AI giúp tăng Độ chính xác dữ liệu kế toán (H1): Kết quả tương đồng với nghiên cứu của Davenport và Ronanki (2018), Zhang và Da (2022), cho thấy AI giúp giảm thiểu sai sót thủ công, tăng khả năng đối chiếu và tự động kiểm tra dữ liệu kế toán.

Ứng dụng AI và Độ chính xác dữ liệu kế toán giúp cải thiện Tính kịp thời của báo cáo (H2, H5): Các hệ thống kế toán tích hợp AI có khả năng xử lý dữ liệu thời gian thực, giúp doanh nghiệp rút ngắn chu kỳ lập báo cáo và phản ứng nhanh với thay đổi (Moll & Yigitbasioglu, 2019).

Độ chính xác và Tính kịp thời nâng cao Chất lượng báo cáo (H3, H4): Kết quả phù hợp với Dechow và Schrand (2004), Rezaee và Wang (2020), khẳng định chất lượng thông tin tài chính phụ thuộc mạnh vào 2 yếu tố này.

Vai trò điều tiết của Năng lực công nghệ kế toán (H6): Khi năng lực công nghệ của doanh nghiệp cao, khả năng tận dụng AI vào các quy trình kế toán được tối ưu hơn, giúp cải thiện FRQ rõ rệt. Kết quả này tương đồng với nghiên cứu của Grant (2016), Phan và Nguyễn (2022).

KẾT LUẬN VÀ HÀM Ý QUẢN TRỊ

Kết luận

Nghiên cứu này đã khám phá mối quan hệ giữa Ứng dụng trí tuệ nhân tạo (AI) trong kế toán và Chất lượng báo cáo tài chính (FRQ) của DNNVV tại Việt Nam, thông qua 250 mẫu khảo sát và phân tích mô hình PLS-SEM.

Kết quả nghiên cứu cho thấy, việc ứng dụng AI trong kế toán có tác động tích cực và có ý nghĩa thống kê đến độ chính xác dữ liệu và tính kịp thời của báo cáo. Hai yếu tố này đóng vai trò trung gian quan trọng trong việc nâng cao chất lượng báo cáo tài chính. Ngoài ra, năng lực công nghệ kế toán của doanh nghiệp có tác động điều tiết, làm tăng cường mối quan hệ giữa việc ứng dụng AI trong kế toán và nâng cao chất lượng báo cáo tài chính.

Những phát hiện này củng cố lập luận rằng AI là nguồn lực chiến lược (theo lý thuyết RBV) có thể giúp các DNNVV Việt Nam cải thiện hiệu quả kế toán và minh bạch tài chính - 2 yếu tố then chốt trong quá trình phát triển bền vững và hội nhập quốc tế.

Hàm ý quản trị

Từ kết quả nghiên cứu, có thể rút ra 3 hàm ý quan trọng:

Đối với nhà hoạch định chính sách

Nhà nước cần có cơ chế hỗ trợ tài chính và thuế để khuyến khích các DNNVV đẩy mạnh ứng dụng công nghệ kế toán số để cải thiện hiệu quả kế toán và minh bạch tài chính.

Bên cạnh đó, cần xây dựng khung hướng dẫn về chuẩn mực kế toán điện tử (E-Accounting Standards) phù hợp với bối cảnh Việt Nam.

Đối với tổ chức nghề nghiệp và cơ sở đào tạo

Các hiệp hội kế toán (như VAA, VACPA) nên xây dựng chương trình bồi dưỡng chuyên đề “AI trong kế toán - kiểm toán”.

Các trường đại học cần cập nhật chương trình đào tạo kế toán số, gắn kết giữa lý thuyết kế toán và công nghệ dữ liệu.

Đối với doanh nghiệp nhỏ và vừa

Cần ưu tiên đầu tư vào các nền tảng kế toán thông minh, tích hợp công nghệ AI để cải thiện độ chính xác và kịp thời của báo cáo. Bên cạnh đó, chú trọng đào tạo nhân sự kế toán theo hướng “lai” - kết hợp kỹ năng kế toán và kỹ năng công nghệ.

Đóng góp và hạn chế của nghiên cứu

Về mặt lý luận, nghiên cứu mở rộng khung phân tích của Lý thuyết Dựa vào nguồn lực (RBV) sang lĩnh vực kế toán kỹ thuật số; cung cấp bằng chứng định lượng về mối quan hệ giữa ứng dụng AI trong kế toán và nâng cao chất lượng báo cáo tài chính trong bối cảnh DNNVV tại các nền kinh tế đang phát triển như Việt Nam.

Về mặt thực tiễn, kết quả nghiên cứu cũng cho thấy, Nhà nước, các hiệp hội kế toán, cơ sở đào tạo và trực tiếp là các DNNVV cần quan tâm khuyến khích, có chính sách và đầu tư hợp lý vào hạ tầng công nghệ, tăng cường đào tạo nhân sự kế toán về kỹ năng công nghệ, nhất là công nghệ AI, xây dựng chiến lược chuyển đổi số dài hạn trong lĩnh vực kế toán - tài chính...

Dù đạt được một số kết quả tích cực, nghiên cứu vẫn tồn tại 3 hạn chế chính, đó là: (1) Mẫu khảo sát mới chỉ giới hạn ở các DNNVV tại Việt Nam, nên kết quả có thể chưa phản ánh hết đặc điểm của các doanh nghiệp lớn hoặc khu vực khác; (2) Dữ liệu tự báo cáo (self-reported data) có thể tiềm ẩn sai lệch nhận thức của người trả lời; và (3) Mô hình hiện tại chưa xét đến các yếu tố vĩ mô như quy định pháp lý, chuẩn mực kế toán quốc tế (IFRS) hoặc văn hóa doanh nghiệp.

Do đó, các nghiên cứu tiếp theo có thể mở rộng mẫu sang doanh nghiệp niêm yết hoặc doanh nghiệp FDI; kết hợp phương pháp hỗn hợp (Mixed-Methods) để làm rõ cơ chế tác động của AI; tích hợp thêm biến “niềm tin công nghệ” hoặc “mức độ chấp nhận đổi mới” vào mô hình phân tích.

Tài liệu tham khảo:

1. Appelbaum, D., Kogan, A., Vasarhelyi, M., & Yan, Z. (2017). International Journal of Accounting Information Systems, 25, 29-44. https://doi.org/10.1016/j.accinf.2017.03.003.

2. Barney, J. (1991). Journal of Management, 17(1), 99-120. https://doi.org/10.1177/014920639101700108.

3. Davenport, T. H., & Ronanki, R. (2018). Harvard Business Review, 96(1), 108-116.

4. Dechow, P. M., & Schrand, C. M. (2004). Earnings quality. The Research Foundation of CFA Institute.

5. Grant, R. M. (2016). Contemporary strategy analysis: Text and cases edition (9th ed.). John Wiley & Sons.

6. Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2021). A primer on partial least squares structural equation modeling (PLS-SEM) (3rd ed.). SAGE Publications.

7. Henseler, J., Hubona, G., & Ray, P. A. (2016). Industrial Management & Data Systems, 116(1), 2-20.

8. Issa, H., Sun, T., & Vasarhelyi, M. (2016). Journal of Emerging Technologies in Accounting, 13(2), 1-20.

9. Kokina, J., & Davenport, T. H. (2017). Journal of Emerging Technologies in Accounting, 14(1), 115-122.

10. Li, W. (2021). Accounting & Finance, 61(5), 6243-6274.

11. Moll, J., & Yigitbasioglu, O. M. (2019). The British Accounting Review, 51(6), 100833.

12. Nguyễn, T. H., & Trần, M. T. (2023). Tạp chí Kinh tế & Phát triển, 305(2), 45-53.

13. Phan, H. N., & Nguyễn, Q. P. (2022). Tạp chí Kế toán & Kiểm toán, 10(311), 27-35.

14. Rezaee, Z., & Wang, J. (2020). Journal of Forensic and Investigative Accounting, 12(2), 271-286.

15. Trần, Q. T., & Lê, T. T. (2023). Tạp chí Tài chính, 9(2), 56-62.

16. Zhang, H., & Da, Z. (2022). Journal of Accounting and Public Policy, 41(5), 106925.