Transformasi Digital dalam Perakaunan untuk Pembangunan Mampan: Analisis Struktur Intelektual

1. Pengenalan

Kertas penyelidikan ini membentangkan analisis bibliometrik untuk memetakan struktur intelektual di persimpangan transformasi digital, sistem maklumat perakaunan (AIS), dan pembangunan mampan. Kajian ini menganalisis 7,302 penerbitan yang diindeks Scopus dari tahun 2000 hingga 2024 untuk mengenal pasti tren, penyumbang utama, dan evolusi tematik.

Motivasi teras adalah kesan mendalam teknologi seperti Kecerdasan Buatan (AI), blockchain, sistem ERP, dan analisis data terhadap amalan perakaunan dan peranannya dalam memungkinkan matlamat pembangunan mampan (SDGs). Kertas ini bertujuan untuk memberikan gambaran menyeluruh dan berasaskan data mengenai bidang yang sedang berkembang ini.

2. Metodologi & Data

Kajian ini menggunakan metodologi bibliometrik yang ketat untuk memastikan analisis yang sistematik dan boleh dihasilkan semula.

2.1 Pengumpulan Data

Data diperoleh secara eksklusif daripada pangkalan data Scopus, merangkumi penerbitan dari tahun 2000 hingga 2024. Carian kata kunci menggabungkan istilah berkaitan "transformasi digital," "perakaunan," "sistem maklumat," dan "kemampanan." Set data akhir terdiri daripada 7,302 dokumen, termasuk artikel, kertas persidangan, dan ulasan.

Ringkasan Set Data

Jumlah Penerbitan: 7,302

Jangka Masa: 2000 - 2024

Sumber: Scopus

Jenis Dokumen Utama: Artikel Jurnal, Prosiding Persidangan

2.2 Alat Analisis

VOSviewer: Digunakan untuk visualisasi rangkaian, khususnya untuk mencipta peta kerjasama pengarang, sitasi bersama, dan kejadian bersama kata kunci. Visualisasi ini membantu mengenal pasti kelompok penyelidikan dan hubungan intelektual.

Microsoft Excel: Digunakan untuk analisis statistik deskriptif untuk menjejaki jumlah penerbitan mengikut masa, jurnal utama, pengarang, institusi, dan negara.

3. Keputusan & Penemuan

3.1 Tren Penerbitan

Analisis mendedahkan titik perubahan ketara sekitar tahun 2017, dengan peningkatan mendadak dan berterusan dalam output penerbitan. Lonjakan ini berkait rapat dengan peningkatan minat ilmiah dan praktikal terhadap teknologi blockchain, aplikasi AI dalam audit dan pelaporan, serta formalisasi rangka kerja pelaporan Alam Sekitar, Sosial dan Tadbir Urus (ESG).

Nota Visualisasi: Carta garis akan menunjukkan tren yang agak rata dari 2000-2016, diikuti oleh lengkung pertumbuhan yang curam, hampir eksponen dari 2017-2024.

3.2 Penyumbang Utama

Dominasi Geografi: Amerika Syarikat dan China adalah peneraju yang tidak dipertikaikan dalam jumlah output penyelidikan, mencerminkan ekosistem teknologi maju dan asas akademik yang besar mereka. Walau bagaimanapun, hab penyelidikan baru muncul di Indonesia dan India semakin menonjol, menunjukkan kepelbagaian geografi minat.

Rangkaian Institusi & Pengarang: Analisis kerjasama pengarang menunjukkan kelompok berpusat di sekitar universiti utama di AS, UK, Australia, dan China. Rangkaian ini mempunyai sambungan sederhana, dengan beberapa pengarang utama bertindak sebagai penghubung antara kumpulan penyelidikan yang berbeza.

3.3 Struktur Intelektual & Tema

Analisis kejadian bersama kata kunci dan sitasi bersama mendedahkan struktur intelektual berbilang lapisan:

Teori Asas: Bidang ini berasaskan teori Sistem Maklumat tradisional seperti Model Penerimaan Teknologi (TAM), Teori Tingkah Laku Terancang (TPB), dan Model Kejayaan IS. Teori organisasi seperti Pandangan Berasaskan Sumber (RBV) juga lazim.
Evolusi Tematik: Penyelidikan telah berkembang daripada fokus awal pada penggunaan ERP dan Sistem Maklumat Pengurusan (MIS) kepada tema kontemporari seperti pembelajaran mesin, analisis ramalan, fintech, dan integrasi faktor ESG ke dalam proses perakaunan dan jaminan.
Kelompok Teknologi Teras: Kelompok berbeza terbentuk di sekitar:
1. AI & Analisis Data: Fokus pada automasi, pengesanan penipuan, dan ramalan ramalan.
2. Blockchain: Fokus pada jejak audit, integriti transaksi, dan kontrak pintar untuk pematuhan automatik.
3. Pelaporan Kemampanan: Fokus pada metrik ESG, pelaporan bersepadu, dan jaminan data bukan kewangan.

4. Perbincangan & Analisis: Perspektif Penganalisis Industri

4.1 Inti Pandangan

Landskap penyelidikan sedang mengalami peralihan paradigma asas, beralih daripada melihat teknologi sebagai sekadar alat kecekapan untuk perakaunan kepada mengiktirafnya sebagai sistem saraf pusat untuk penciptaan dan pengesahan nilai mampan. Pertemuan kuasa analitikal AI, kepercayaan tidak berubah blockchain, dan keperluan pelaporan ESG sedang mencipta disiplin bersepadu yang baharu. Ini bukan sekadar tentang pembukuan yang lebih pantas; ia tentang membolehkan kecerdasan kemampanan masa nyata yang dijamin yang secara langsung memaklumkan peruntukan modal dan strategi korporat.

4.2 Aliran Logik

Logik kertas ini kukuh tetapi mendedahkan bidang yang sedang mengejar. Ia bermula dengan memerhatikan gangguan teknologi (AI, blockchain) dan desakan peraturan/sosial (ESG). Kemudian ia menggunakan bibliometrik untuk memetakan bagaimana dunia akademik telah bertindak balas. Aliran ini menunjukkan kelewatan: amalan (didorong oleh fintech dan korporat yang berpandangan jauh) mendahului teori akademik terkumpul. Struktur intelektual masih sebahagiannya berlabuh pada teori penggunaan IS 1990-an (TAM, TPB), manakala yang terkini adalah dalam sistem kompleks yang mengintegrasikan rangkaian neural untuk penilaian materialiti atau bukti kriptografi untuk penjejakan kredit karbon. Langkah logik seterusnya, yang diisyaratkan oleh kertas ini, adalah membangunkan rangka kerja teori hibrid baharu yang dapat menjelaskan pertemuan ini.

4.3 Kekuatan & Kelemahan

Kekuatan: Skala (7,302 dokumen) memberikan kredibiliti makro-trend yang tidak dapat dinafikan. Mengenal pasti titik perubahan 2017 adalah penting—ia selari dengan arus perdana cadangan TCFD dan ledakan kripto/blockchain. Menonjolkan kebangkitan Indonesia dan India adalah bijak, menunjuk kepada pasaran pertumbuhan masa depan untuk penyelidikan dan aplikasi.

Kelemahan Kritikal: Bergantung sepenuhnya pada Scopus adalah titik buta utama. Ia secara sistematik mengecualikan literatur kelabu berpengaruh (laporan perundingan dari McKinsey, PwC), pra-cetak (arXiv, SSRN), dan karya ilmiah bukan Inggeris, berpotensi terlepas kerja inovatif dari Eropah (contohnya, penyelidikan perakaunan "Industrie 4.0" Jerman) atau Jepun. Metodologi ini deskriptif, bukan ramalan atau preskriptif. Ia memberitahu kita di mana bidang ini telah berada, bukan ke mana ia mesti pergi. Terdapat kekurangan penglibatan kritikal dengan risiko "teknologi hijau palsu"—bagaimana alat ini boleh digunakan untuk mengaburi prestasi kemampanan dan bukannya menjelaskannya.

4.4 Pandangan Boleh Tindak

Untuk Pemimpin Kewangan & Perakaunan Korporat: Bergerak melebihi projek perintis. Data menunjukkan tren ini tidak dapat dipulihkan. Melabur dalam platform bersepadu yang menggabungkan analisis data kewangan dan ESG, dan utamakan kemahiran dalam sains data dan pemikiran sistem untuk pasukan perakaunan anda.

Untuk Ahli Akademik & Editor Jurnal: Secara aktif memohon penyelidikan yang menjambatani kelompok yang dikenal pasti. Galakkan kajian yang menggabungkan mekanik blockchain dengan perakaunan tingkah laku atau etika AI dengan kualiti audit. Kembangkan ulasan literatur di luar Scopus.

Untuk Pembekal Teknologi (SAP, Oracle, Workiva): Penyelidikan mengesahkan permintaan pasaran untuk pertemuan. Bangunkan dan pasarkan dengan jelas "modul jaminan kemampanan" dalam tawaran teras AIS/ERP anda, memanfaatkan keupayaan AI dan data terbenam anda.

Untuk Pengawal Selia & Penetap Piawaian (IASB, ISSB): Struktur intelektual terpecah. Anda mempunyai peranan untuk memupuk koheren. Keluarkan panduan atau kertas perbincangan mengenai penggunaan teknologi tertentu (contohnya, "prinsip untuk penggunaan blockchain dalam pengumpulan bukti audit") untuk mengarahkan amalan dan penyelidikan ke arah aplikasi yang kukuh dan standard.

5. Kerangka Teknikal & Contoh Kes

Kerangka Konseptual untuk Pengukuran Impak: Satu cabaran utama dalam perakaunan kemampanan adalah mengukur impak kausal aktiviti korporat. Berinspirasi daripada kaedah inferens kausal dalam pembelajaran mesin, seperti yang dibincangkan dalam Journal of Causal Inference, satu kerangka berpotensi boleh dicadangkan:

"Hasil kemampanan" $Y$ (contohnya, pengurangan pencemaran air tempatan) dimodelkan sebagai fungsi campur tangan korporat $T$ (contohnya, teknologi penapisan baharu), pembaur boleh diperhatikan $X$ (contohnya, saiz kilang, industri, hujan serantau), dan istilah ralat $\epsilon$:

$Y_i = \tau T_i + \beta X_i + \epsilon_i$

Di mana $\tau$ adalah Kesan Rawatan Purata (ATE)—impak tepat dan terpencil campur tangan kemampanan. AIS lanjutan boleh direka untuk mengumpul data frekuensi tinggi secara berterusan pada $T$ dan pembaur berpotensi $X$, membolehkan reka bentuk kuasi-eksperimen (contohnya, Perbezaan-dalam-Perbezaan, Pemadanan Skor Kecenderungan) untuk menganggarkan $\tau$ dengan lebih dipercayai daripada perbandingan sebelum-selepas mudah. Ini mengalihkan pelaporan kemampanan daripada tuntutan naratif kepada kenyataan impak berasaskan bukti dan data.

Contoh Kes Bukan Kod: Blockchain untuk Jaminan Rantaian Bekalan ESG

Skenario: Sebuah syarikat pakaian multinasional mendakwa kapasnya "100% daripada sumber mampan."

Kelemahan AIS Tradisional: Bergantung pada sijil manual dan berkala dari pembekal, terdedah kepada penipuan, kehilangan, dan kelewatan masa.

Penyelesaian Digital Bersepadu:

IoT & ERP: Di ladang, sensor IoT merekodkan penggunaan air/baja, menghantar data terus ke sistem ERP petani (dan akhirnya pembeli).
Lapisan Blockchain: Peristiwa pengesahan utama (kelompok tuaian disahkan, penghantaran diterima di kilang) di-hash dan ditulis ke blockchain yang dibenarkan. Setiap peristiwa termasuk tandatangan digital unik dan pautan ke data ERP sumber.
Lapisan Analisis AI: Model AI menganalisis aliran data IoT/ERP secara berterusan terhadap ambang kemampanan (contohnya, penggunaan air per kg kapas).
Output Pelaporan Bersepadu: AIS syarikat secara automatik menjana papan pemuka masa nyata untuk pengurus dan laporan boleh disahkan, bukti pengubahan untuk juruaudit dan pengguna. Kod QR pada tag pakaian menghubungkan ke rekod blockchain tidak berubah perjalanan kelompok itu.

Kerangka ini menunjukkan bagaimana kelompok intelektual yang dikenal pasti dalam kertas (ERP/data, blockchain, AI, pelaporan kemampanan) bertemu menjadi satu aliran kerja yang boleh diaudit.

6. Aplikasi & Hala Tuju Masa Depan

Trajektori menunjuk ke arah beberapa hala tuju masa depan yang kritikal:

Penentuan Materialiti Berkuasa AI: Bergerak melebihi senarai semak statik, model NLP akan menganalisis berita, media sosial, fail peraturan, dan laporan saintifik untuk mengenal pasti dan menimbang isu ESG yang paling material untuk syarikat tertentu dan pemegang kepentingannya secara dinamik, seperti yang dicadangkan oleh penyelidikan dari Pusat Kecerdasan Kolektif MIT.
Organisasi Autonomi Terpencar (DAO) dan Perakaunan: Apabila DAO menjadi lebih lazim, sistem perakaunan dan audit baharu sepenuhnya berasaskan kod yang terbenam dalam tadbir urus kontrak pintar mereka akan diperlukan, satu sempadan yang hampir tidak disentuh oleh literatur semasa.
Integrasi dengan Sensor Fizikal (Kembar Digital): Sistem perakaunan akan diberi data masa nyata dari kembar digital kilang, rantaian bekalan, dan malah modal semula jadi (hutan, lembangan air), membolehkan perakaunan kos alam sekitar dan perakaunan penipisan berterusan.
AI Boleh Diterangkan (XAI) untuk Jejak Audit: Masalah "kotak hitam" model AI kompleks adalah halangan audit utama. Penyelidikan masa depan mesti fokus pada membangunkan dan menstandardkan teknik XAI yang memberikan rasional boleh ditafsir manusia untuk pertimbangan perakaunan berasaskan AI, penting untuk memenuhi piawaian audit.
Protokol Kebolehoperasian: Kuasa sebenar akan dibuka bukan oleh sistem tunggal, tetapi oleh protokol selamat yang membolehkan AIS organisasi berbeza, rangkaian blockchain, dan platform data ESG berkomunikasi dengan lancar, mencipta rangkaian maklumat kemampanan yang dipercayai.

7. Rujukan

Asare, K. N. (2025). Digital Transformation in Accounting for Sustainable Development: Mapping the Intellectual Structure. Financial Markets, Institutions and Risks, 9(4), 1-15.
Davis, F. D. (1989). Perceived Usefulness, Perceived Ease of Use, and User Acceptance of Information Technology. MIS Quarterly, 13(3), 319-340. (Teori TAM)
DeLone, W. H., & McLean, E. R. (2003). The DeLone and McLean Model of Information Systems Success: A Ten-Year Update. Journal of Management Information Systems, 19(4), 9-30.
International Financial Reporting Standards (IFRS) Foundation. (2023). ISSB Standards IFRS S1 and S2. Diperoleh dari https://www.ifrs.org
Pearl, J., & Mackenzie, D. (2018). The Book of Why: The New Science of Cause and Effect. Basic Books. (Inferens Kausal)
World Economic Forum. (2020). Digital Transformation of Industries: Sustainability. Diperoleh dari https://www.weforum.org
Zhu, J., et al. (2017). Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks. Proceedings of the IEEE International Conference on Computer Vision (ICCV). (CycleGAN sebagai contoh AI generatif relevan untuk penjanaan data sintetik dalam ujian audit).