Khi dữ liệu về thu, chi ngân sách, đầu tư công và tài sản công được lưu trữ ngày càng nhiều trên các hệ thống số, vấn đề đặt ra cho Kiểm toán nhà nước (KTNN) không chỉ là có sử dụng phân tích dữ liệu hay không, mà là làm thế nào để kết quả phân tích được chuyển hóa thành bằng chứng kiểm toán đầy đủ, thích hợp.
Bài viết phân tích quá trình chuyển hóa này qua chuỗi năm chặng, từ tiếp nhận dữ liệu nguồn, chuẩn bị và chuyển đổi dữ liệu, phân tích và tạo cảnh báo, xác minh cảnh báo đến hình thành bằng chứng và lưu hồ sơ; đồng thời đề xuất ba mức sử dụng kết quả phân tích tương ứng với mức độ xác minh và bốn tiêu chí đánh giá mức độ sẵn sàng của từng lĩnh vực dữ liệu.
Kết quả cho thấy giá trị của phân tích dữ liệu trong kiểm toán nhà nước phụ thuộc vào việc phân định rõ ranh giới giữa cảnh báo và bằng chứng, vào khả năng truy xuất, tái lập các bước phân tích và vào xét đoán chuyên môn của kiểm toán viên nhà nước. Trên cơ sở đó, bài viết gợi ý một số định hướng để KTNN triển khai theo hướng thí điểm có đánh giá.
Từ khóa: KTNN; kinh tế số; phân tích dữ liệu; bằng chứng kiểm toán; kiểm soát chất lượng; kiểm toán viên nhà nước.
Abstract
As data on government revenue, expenditure, public investment and public assets increasingly sit in digital systems, the question for the State Audit Office of Vietnam (SAV) is no longer only whether to use data analytics, but how analytics outputs can be turned into sufficient and appropriate audit evidence. The article describes this transformation as a five-stage chain, from receiving source data, preparing and transforming it, analysing it and generating alerts, verifying those alerts, to forming evidence and keeping the audit file. It also proposes three levels of use of analytics results, matched to the degree of verification, and four criteria for assessing the readiness of each data domain. The analysis shows that the value of analytics in state auditing depends on separating alerts from evidence, on keeping analytical steps traceable and reproducible, and on the professional judgment of state auditors. On this basis, the article suggests directions for the SAV to proceed through piloting with evaluation.
Keywords: State Audit Office; digital economy; data analytics; audit evidence; quality control; state auditor.
1. Đặt vấn đề
Khi hoạt động quản lý ngân sách, đầu tư công và tài sản công được thực hiện trên các hệ thống thông tin, thứ mà kiểm toán viên nhà nước (KTVNN) nhận được ngày càng ít là chứng từ giấy và ngày càng nhiều là dữ liệu trích xuất, bảng tính và báo cáo do hệ thống tạo lập. Thay đổi này không chỉ nằm ở khối lượng thông tin. Nó làm thay đổi câu hỏi mà người kiểm toán phải đặt ra: không chỉ là số liệu bằng bao nhiêu, mà còn là số liệu được tạo ra như thế nào, ai có quyền chỉnh sửa, đã qua những bước xử lý nào trước khi đến tay người kiểm toán.
Chiến lược quốc gia về phát triển kinh tế số và xã hội số (Thủ tướng Chính phủ, 2022) đặt ra định hướng phát triển dữ liệu và nền tảng số, tạo điều kiện để Kiểm toán nhà nước (KTNN) khai thác dữ liệu phục vụ nhận diện rủi ro và lựa chọn nội dung kiểm toán. Các nghiên cứu về kiểm toán khu vực công cũng thường nhấn mạnh tiềm năng của phân tích dữ liệu trong những khâu này (Dharma & Hendri, 2022; Sofyani và cộng sự, 2025). Tuy nhiên, phần lớn thảo luận dừng ở việc liệt kê cơ hội và thách thức. Điều ít được làm rõ hơn là khâu trung gian có tính quyết định: một cảnh báo do công cụ phân tích tạo ra phải trải qua những bước nào để trở thành căn cứ cho phát hiện, kết luận và kiến nghị kiểm toán, và ai chịu trách nhiệm ở từng bước.
Khoảng trống này có ý nghĩa thực tiễn vì kết quả kiểm toán của KTNN phải có căn cứ, có thể giải trình và có thể được kiểm tra lại. Một cảnh báo chưa được xác minh có thể xuất phát từ sai sót dữ liệu hoặc từ một đặc thù nghiệp vụ hợp lý; ngược lại, rủi ro nằm ngoài tiêu chí phân tích có thể bị bỏ sót. Nếu không phân định rõ ranh giới giữa tín hiệu hỗ trợ và bằng chứng kiểm toán, việc ứng dụng công nghệ có thể làm tăng khối lượng cảnh báo mà không làm tăng độ tin cậy của kết luận.
Bài viết tìm lời giải cho hai câu hỏi: (1) quá trình chuyển hóa từ dữ liệu số thành bằng chứng kiểm toán có thể được mô tả như một chuỗi các chặng kiểm soát như thế nào; (2) mức độ sử dụng kết quả phân tích dữ liệu nên được gắn với mức độ xác minh ra sao để bảo đảm tính đầy đủ, thích hợp của bằng chứng. Đóng góp của bài viết là đề xuất một khung diễn giải và vận hành hóa cho hai câu hỏi này, tập trung vào khâu trung gian giữa phân tích dữ liệu và kết luận kiểm toán.
2. Tổng quan nghiên cứu
Các nghiên cứu liên quan có thể chia thành bốn nhóm. Nhóm thứ nhất bàn về phân tích dữ liệu lớn trong cuộc kiểm toán và các vấn đề đặt ra đối với bằng chứng; Appelbaum và cộng sự (2017) nêu các vấn đề nghiên cứu về tính phù hợp và độ tin cậy của thông tin được sử dụng. Nhóm thứ hai xem xét chuyển đổi số và phân tích dữ liệu trong kiểm toán khu vực công, gồm góc nhìn của các cơ quan kiểm toán tối cao (Otia & Bracci, 2022), tính cấp thiết của phân tích dữ liệu lớn (Dharma & Hendri, 2022) và mối quan hệ giữa việc áp dụng phân tích dữ liệu với kết quả kiểm toán (Sofyani và cộng sự, 2025). Nhóm thứ ba là nghiên cứu về đo lường hiệu quả hoạt động của tổ chức công bằng dữ liệu lớn (Rogge và cộng sự, 2017), hữu ích cho việc đặt kết quả phân tích định lượng trong bối cảnh đánh giá chương trình. Nhóm thứ tư là các nghiên cứu trong nước về chuyển đổi số trong kiểm toán và kế toán (Trần Thị Kim Anh & Hoàng Hà Anh, 2021; Ngô Thế Chi & Ngô Thị Minh, 2023) và ứng dụng blockchain trong kiểm toán nội bộ (Lê Hữu Nghĩa & Lâm Thị Hồng Hoa, 2022).
Nhìn chung, các tài liệu này chủ yếu bàn về mức độ ứng dụng, lợi ích và rào cản của công nghệ, trong khi quá trình một kết quả phân tích được kiểm soát và xác minh để trở thành bằng chứng chưa được mô tả cụ thể, nhất là trong bối cảnh kiểm toán nhà nước. Cần lưu ý các nghiên cứu nước ngoài phản ánh những bối cảnh thể chế và công nghệ khác nhau, còn các nghiên cứu trong nước chủ yếu bàn về kiểm toán, kế toán nói chung hoặc kiểm toán nội bộ, nên chỉ có giá trị tham khảo đối với KTNN. Những yêu cầu về bằng chứng kiểm toán, đánh giá rủi ro, năng lực chuyên môn và kiểm soát chất lượng trong hệ thống chuẩn mực kiểm toán nhà nước (Kiểm toán nhà nước, 2026) là khuôn khổ để vận dụng các kết quả này.
3. Từ dữ liệu nguồn đến bằng chứng kiểm toán: chuỗi các chặng kiểm soát
Có thể hình dung việc chuyển hóa dữ liệu số thành bằng chứng kiểm toán như một chuỗi năm chặng nối tiếp. Mỗi chặng trả lời một câu hỏi kiểm soát riêng, gắn với một nhóm rủi ro riêng và để lại hồ sơ riêng. Cách nhìn này xuất phát từ nhận định chung của các nghiên cứu: giá trị của kết quả phân tích phụ thuộc vào chất lượng của mọi khâu phía trước, chứ không chỉ vào độ tinh vi của công cụ ở khâu phân tích.
3.1. Tiếp nhận và xác thực dữ liệu nguồn
Chặng đầu tiên xác định dữ liệu đến từ đâu, do ai tạo lập, ai có quyền chỉnh sửa, thuộc thời kỳ nào và bao phủ những đối tượng, giao dịch nào. Dữ liệu phục vụ kiểm toán thường nằm ở nhiều cơ quan và nhiều hệ thống, với khác biệt về cấu trúc, mã định danh, định dạng và thời điểm cập nhật; sự không đồng đều về hạ tầng và mức độ ứng dụng công nghệ giữa các tổ chức cũng đã được ghi nhận trong nghiên cứu trong nước (Ngô Thế Chi & Ngô Thị Minh, 2023). Vì vậy, một tập dữ liệu đầy đủ về hình thức vẫn có thể thiếu đối tượng cần kiểm tra, và kết quả phân tích trên tập đó sẽ phản ánh phần dữ liệu có sẵn chứ không phải toàn bộ thực tế.
Điều KTVNN cần làm ở chặng này là ghi nhận nguồn, thời điểm và phương pháp trích xuất, đồng thời nêu rõ phạm vi bao phủ cùng những hạn chế đã biết. Sự thận trọng ở chặng đầu có tác dụng lan truyền: nếu nguồn không xác định được thì mọi kết quả phía sau, dù được xử lý bằng công cụ hiện đại, đều khó đạt yêu cầu về độ tin cậy của bằng chứng (Appelbaum và cộng sự, 2017).
3.2. Chuẩn bị, chuyển đổi và bảo toàn tính toàn vẹn của dữ liệu
Dữ liệu hiếm khi được phân tích ở dạng nguyên bản. Nó được làm sạch, ghép nối với dữ liệu từ nguồn khác, chuẩn hóa mã định danh và chuyển đổi định dạng. Mỗi thao tác này có thể làm mất hoặc làm sai lệch thông tin mà không để lại dấu hiệu rõ ràng, chẳng hạn khi hai hệ thống dùng mã khác nhau cho cùng một đối tượng hoặc khi bản ghi trùng lặp bị loại bỏ không đúng quy tắc.
Vì thế chặng này đòi hỏi hai việc: lưu lại nhật ký các bước xử lý để người khác có thể kiểm tra, và đối chiếu tổng giữa dữ liệu sau xử lý với số liệu gốc để bảo đảm không mất hoặc thêm bản ghi ngoài ý muốn. Đây là chặng thường ít được nhắc đến trong các thảo luận về công nghệ, nhưng lại là nơi sai sót dễ phát sinh nhất mà không bị phát hiện, vì kết quả cuối cùng vẫn trông hợp lý về hình thức.
3.3. Phân tích và tạo cảnh báo
Ở chặng này, các tiêu chí, quy tắc hoặc mô hình phân tích được áp dụng lên dữ liệu đã chuẩn bị để nhận diện dấu hiệu bất thường, trùng lặp hay biến động. Điểm đáng chú ý là các tiêu chí không trung lập: việc chọn ngưỡng, quy tắc nào được xem là bất thường quyết định cảnh báo nào xuất hiện và rủi ro nào bị bỏ sót. Một rủi ro không được phản ánh trong tiêu chí sẽ không bao giờ được cảnh báo, dù dữ liệu có đầy đủ đến đâu.
Do đó, KTVNN cần ghi lại tiêu chí, công cụ, phiên bản và tham số đã sử dụng, kèm lý do lựa chọn, để việc phân tích có thể giải trình và thực hiện lại. Đồng thời cần nhìn nhận rằng kết quả của chặng này chỉ là cảnh báo; nó chỉ ra nơi nên nhìn kỹ hơn chứ chưa chỉ ra điều gì đã sai.
3.4. Xác minh cảnh báo: ranh giới giữa tín hiệu và bằng chứng
Đây là chặng then chốt của khung. Một cảnh báo có thể xuất phát từ sai sót dữ liệu, từ đặc thù nghiệp vụ hợp lý, hoặc từ một vấn đề thực sự cần kiểm tra. Công cụ không tự phân biệt được ba khả năng này; chỉ KTVNN, bằng thủ tục kiểm toán bổ sung và xét đoán chuyên môn, mới làm được. Việc xác minh vì vậy cần đối chiếu với hồ sơ, hiện trạng và các nguồn thông tin độc lập, đồng thời tránh hai xu hướng sai lệch: coi cảnh báo là sai phạm, hoặc chỉ tìm kiếm thông tin xác nhận cho cảnh báo.
Có thể xem chặng này như điểm phân ranh. Trước nó, kết quả phân tích chỉ có giá trị định hướng; sau nó, phần thông tin đã được xác minh mới có thể được xem xét như một phần của bằng chứng. Việc nhấn mạnh ranh giới này phù hợp với nhận định của Appelbaum và cộng sự (2017) rằng tính phù hợp và độ tin cậy của thông tin cần được xem xét thay vì mặc nhiên chấp nhận kết quả phân tích.
3.5. Hình thành bằng chứng và lưu trữ hồ sơ
Chặng cuối cùng đánh giá liệu thông tin đã xác minh có đầy đủ và thích hợp cho mục tiêu, nội dung của cuộc kiểm toán hay chưa, rồi hình thành phát hiện, kết luận và kiến nghị. Các yêu cầu về bằng chứng, năng lực chuyên môn và kiểm soát chất lượng trong hệ thống chuẩn mực (Kiểm toán nhà nước, 2026) cần được vận dụng phù hợp với loại hình và mục tiêu của từng cuộc kiểm toán. Hồ sơ kiểm toán điện tử cần lưu đủ dữ liệu đầu vào, nhật ký xử lý, tiêu chí phân tích, kết quả xác minh và người chịu trách nhiệm phê duyệt, để người kiểm tra có thể lần ngược chuỗi từ kết luận về dữ liệu nguồn.
Khả năng lần ngược này là yêu cầu chung của cả chuỗi chứ không riêng chặng cuối. Một số nghiên cứu trong nước đề cập tiềm năng của blockchain trong lưu vết hồ sơ (Lê Hữu Nghĩa & Lâm Thị Hồng Hoa, 2022). Tuy vậy, khả năng lưu vết không đồng nghĩa với việc dữ liệu được ghi nhận là chính xác, và chưa đủ cơ sở để kết luận một công nghệ cụ thể phù hợp với KTNN.
4. Mức độ sử dụng kết quả phân tích và điều kiện sẵn sàng
4.1. Ba mức sử dụng gắn với mức độ xác minh
Không phải mọi kết quả phân tích đều giữ cùng một vai trò trong cuộc kiểm toán, nên không cần cùng một mức xác minh. Khung đề xuất ba mức. Ở mức A, kết quả chỉ định hướng rủi ro: hỗ trợ thu thập thông tin, nhận diện dấu hiệu bất thường và gợi ý nội dung cần kiểm tra. Mức này đòi hỏi hoàn thành các chặng từ 1 đến 3 và ghi rõ giới hạn của dữ liệu cùng công cụ. Ở mức B, kết quả hỗ trợ lựa chọn phạm vi và phần tử kiểm tra, tức là ảnh hưởng đến nơi nguồn lực kiểm toán được tập trung. Mức này cần thêm việc kiểm tra tính đầy đủ của tập dữ liệu và sự phê duyệt của người có thẩm quyền đối với tiêu chí lựa chọn. Ở mức C, kết quả sau xác minh được dùng làm một phần cơ sở cho phát hiện, kết luận và kiến nghị. Đây là mức đòi hỏi cao nhất: phải hoàn thành đủ năm chặng, đối chiếu với nguồn độc lập và bảo đảm khả năng truy xuất, tái lập.
Lập luận chung của cách phân mức là mức xác minh tăng theo mức độ kết quả ảnh hưởng đến kết luận kiểm toán. Cách phân mức giúp tránh hai thái cực: coi mọi kết quả phân tích là bằng chứng, hoặc bác bỏ tất cả vì chưa đạt chuẩn của bằng chứng. Nó cũng cho thấy việc triển khai mức A và B có thể đi trước, còn mức C cần điều kiện chặt chẽ hơn.
4.2. Bốn tiêu chí đánh giá mức độ sẵn sàng
Để quyết định một lĩnh vực dữ liệu có thể được sử dụng ở mức nào, khung đề xuất bốn tiêu chí. Tiêu chí thứ nhất là tính liên quan: dữ liệu và tiêu chí phân tích có gắn với mục tiêu, nội dung kiểm toán hay không. Tiêu chí thứ hai là độ tin cậy: nguồn, quyền chỉnh sửa, nhật ký hệ thống và phạm vi bao phủ đã được xem xét ở mức nào. Tiêu chí thứ ba là khả năng tái lập: các bước có thể được lặp lại với cùng dữ liệu, công cụ và tham số hay không. Tiêu chí thứ tư là khả năng giải trình: có xác định được người chịu trách nhiệm và căn cứ cho mỗi quyết định hay không.
Mỗi tiêu chí có thể tự đánh giá theo ba mức: chưa đáp ứng, đáp ứng một phần, đáp ứng. Nguyên tắc ghép đề xuất là một lĩnh vực chỉ nên sử dụng ở mức C khi cả bốn tiêu chí đáp ứng; mức B cần tối thiểu tiêu chí liên quan và độ tin cậy đáp ứng; mức A có thể áp dụng khi các tiêu chí được ghi nhận rõ cùng các giới hạn. Đây là nguyên tắc đề xuất, cần được thí điểm và điều chỉnh qua thực tiễn, chưa phải quy định đã được kiểm chứng.
4.3. Diễn giải khi vận dụng theo lĩnh vực dữ liệu
Để làm rõ cách vận dụng, bài viết xem xét một số lĩnh vực dữ liệu mà các nghiên cứu và định hướng chung về kiểm toán công thường đề cập: đối chiếu số liệu thu, chi ngân sách; dữ liệu thanh toán và tiến độ dự án đầu tư công; danh mục tài sản công; theo dõi thực hiện kiến nghị kiểm toán. Cần nhấn mạnh rằng đây là tình huống giả định nhằm minh họa lập luận, không phản ánh mức độ sẵn sàng thực tế của dữ liệu tại KTNN.
Với những lĩnh vực mà mã định danh chưa thống nhất hoặc phạm vi bao phủ chưa rõ, việc sử dụng hợp lý trước mắt là mức A, trong đó kết quả chỉ dùng để định hướng. Với lĩnh vực có dữ liệu tương đối đầy đủ và mục tiêu đánh giá rõ, như đối chiếu số liệu giữa các nguồn hay theo dõi trạng thái thực hiện kiến nghị, có thể tiến tới mức B khi điều kiện về đối chiếu tổng và phê duyệt tiêu chí được bảo đảm. Lấy ví dụ dữ liệu thanh toán và tiến độ dự án: nếu giá trị thanh toán tăng nhanh nhưng tiến độ ghi nhận không đổi, cảnh báo đó chưa nói lên điều gì về bản chất. Nguyên nhân có thể là việc cập nhật tiến độ chậm, thanh toán theo giai đoạn hợp lý, hoặc một vấn đề thực sự cần kiểm tra. Chỉ khi KTVNN đối chiếu với hồ sơ, hiện trạng và nguồn độc lập, phần thông tin đã xác minh mới có thể được xem xét như một phần của bằng chứng; nếu dữ liệu tiến độ chưa đáng tin cậy thì kết quả nên dừng ở mức A.
Đối với kiểm toán hoạt động, cần thận trọng thêm. Rogge và cộng sự (2017) cho thấy dữ liệu lớn có thể hỗ trợ đo lường hiệu quả hoạt động của tổ chức công, nhưng các chỉ số dễ định lượng không phản ánh hết chất lượng dịch vụ, bối cảnh thực hiện và tác động dài hạn. Vì vậy, kết quả phân tích định lượng trong kiểm toán hoạt động cần được đặt cạnh hệ thống tiêu chí đánh giá phù hợp với mục tiêu từng cuộc kiểm toán.
5. Hàm ý chính sách và định hướng triển khai
5.1. Phân định rõ ranh giới giữa cảnh báo và bằng chứng trong quy trình nghiệp vụ
Bài viết gợi ý KTNN làm rõ trong quy trình nghiệp vụ ranh giới giữa kết quả phân tích mang tính cảnh báo và bằng chứng kiểm toán, cùng mức xác minh tối thiểu tương ứng với từng mức sử dụng, phù hợp với hệ thống chuẩn mực kiểm toán nhà nước hiện hành. Việc quy định rõ không nhằm thêm thủ tục, mà nhằm bảo đảm các KTVNN thống nhất về điều kiện để một kết quả phân tích được dùng làm căn cứ. Cùng với đó, có thể chuẩn hóa mẫu hồ sơ lưu cho các chặng của chuỗi, gồm nguồn dữ liệu, nhật ký xử lý, tiêu chí phân tích, phiên bản công cụ và kết quả kiểm tra đối chứng, để phục vụ việc truy xuất, tái lập và kiểm soát chất lượng.
5.2. Thí điểm theo lĩnh vực và đánh giá bằng giá trị thực tế
Việc triển khai nên bắt đầu ở những lĩnh vực có dữ liệu tương đối đầy đủ và mục tiêu đánh giá rõ ràng, ở mức A và B, rồi sử dụng bộ tiêu chí để quyết định có nâng mức hay không. Việc đánh giá thí điểm nên tập trung vào giá trị thực tế đối với cuộc kiểm toán, như chất lượng và mức độ bao phủ dữ liệu, thời gian thực hiện thủ tục, khả năng xác minh cảnh báo và khả năng tái lập kết quả, thay vì căn cứ vào số lượng phần mềm, khối lượng dữ liệu hoặc số cảnh báo được tạo ra. Cách làm này giúp KTNN chọn đúng trọng tâm đầu tư và điều chỉnh kịp thời, đúng với tinh thần của nhận định rằng giá trị của công nghệ chỉ thể hiện khi gắn với quy trình, dữ liệu và con người sử dụng nó (Sofyani và cộng sự, 2025; Otia & Bracci, 2022).
5.3. Phát triển năng lực, phối hợp dữ liệu và bảo đảm an toàn thông tin
Chuỗi kiểm soát chỉ vận hành tốt khi KTVNN có năng lực đánh giá dữ liệu nguồn, hiểu giới hạn của phương pháp phân tích và xác minh cảnh báo. Trong bối cảnh nhận thức về tác động của chuyển đổi số đối với chất lượng kiểm toán đang được nghiên cứu ở Việt Nam (Trần Thị Kim Anh & Hoàng Hà Anh, 2021), việc đào tạo nên gắn với từng chặng của chuỗi và với vị trí việc làm cụ thể, đồng thời tăng cường phối hợp giữa KTVNN, chuyên gia công nghệ thông tin và người phê duyệt, với trách nhiệm được phân định rõ.
Việc khai thác dữ liệu từ nhiều cơ quan cũng cần đi kèm quy chế phối hợp về quyền truy cập, mục đích sử dụng và bảo mật, bởi dữ liệu phục vụ kiểm toán có thể liên quan đến ngân sách nhà nước, tổ chức và cá nhân. An toàn dữ liệu nên được tính đến từ chặng tiếp nhận dữ liệu nguồn đến chặng lưu trữ hồ sơ, gồm quản lý quyền truy cập, ghi nhật ký thao tác, sao lưu và ứng phó sự cố.
6. Kết luận
Bài viết đề xuất khung gồm chuỗi năm chặng từ dữ liệu nguồn đến bằng chứng kiểm toán, ba mức sử dụng kết quả phân tích gắn với mức độ xác minh và bốn tiêu chí tự đánh giá mức độ sẵn sàng. Điểm cốt lõi là giá trị của phân tích dữ liệu trong kiểm toán nhà nước không nằm ở số lượng cảnh báo mà ở việc cảnh báo được kiểm soát, xác minh và lưu hồ sơ như thế nào trước khi trở thành căn cứ cho kết luận kiểm toán. Trong chuỗi đó, xét đoán chuyên môn của KTVNN không bị thay thế mà được đặt vào đúng khâu cần thiết, tức là chặng xác minh.
Bài viết còn một số hạn chế. Khung đề xuất chưa được kiểm định thực nghiệm, các ví dụ ở mục 4.3 chỉ mang tính minh họa, và nguyên tắc ghép giữa tiêu chí với mức sử dụng cần được thí điểm. Các nghiên cứu tiếp theo có thể thử nghiệm khung trên một số lĩnh vực dữ liệu, phỏng vấn chuyên gia và KTVNN để hiệu chỉnh tiêu chí, và so sánh với thực tiễn của một số cơ quan kiểm toán tối cao.
Tài liệu tham khảo
Appelbaum, D., Kogan, A., & Vasarhelyi, M. A. (2017). Big data and analytics in the modern audit engagement: Research needs. Auditing: A Journal of Practice & Theory, 36(4), 1–27. https://doi.org/10.2308/ajpt-51684
Dharma, A., & Hendri, N. (2022). Urgensi penggunaan Big Data Analytics dalam audit sektor publik. Akuisisi: Jurnal Akuntansi, 18(2), 107–120. https://doi.org/10.24127/akuisisi.v18i2.852
Kiểm toán nhà nước. (2026). Thông tư số 04/2026/TT-KTNN ngày 10 tháng 02 năm 2026 ban hành Hệ thống chuẩn mực kiểm toán nhà nước. Công báo nước Cộng hòa xã hội chủ nghĩa Việt Nam. https://congbao.chinhphu.vn/van-ban/thong-tu-so-04-2026-tt-ktnn-469002/62992.htm
Lê Hữu Nghĩa, & Lâm Thị Hồng Hoa. (2022). Ứng dụng Blockchain vào hoạt động kiểm toán nội bộ – Bài học kinh nghiệm cho Việt Nam. HCMCOUJS – Kinh tế và Quản trị Kinh doanh, 17(5), 44–58. https://doi.org/10.46223/HCMCOUJS.econ.vi.17.5.2072.2022
Ngô Thế Chi, & Ngô Thị Minh. (2023). Phát triển kế toán, kiểm toán Việt Nam trong kỷ nguyên công nghệ số. Tạp chí Nghiên cứu Tài chính Kế toán, (244), 5–10.
Otia, J. E., & Bracci, E. (2022). Digital transformation and the public sector auditing: The SAI’s perspective. Financial Accountability & Management, 38(2), 252–280. https://doi.org/10.1111/faam.12317
Rogge, N., Agasisti, T., & De Witte, K. (2017). Big data and the measurement of public organizations’ performance and efficiency: The state-of-the-art. Public Policy and Administration, 32(4), 327–346. https://doi.org/10.1177/0952076716687355
Sofyani, H., Saud, I. M., Amalia, R., & Irawan, D. (2025). The determinant and impact of Big Data Analytics adoption on public sector audit outcomes. Journal of Accounting Research, Organization and Economics, 8(1), 43–54. https://doi.org/10.24815/jaroe.v8i1.43259
Thủ tướng Chính phủ. (2022). Quyết định số 411/QĐ-TTg ngày 31 tháng 3 năm 2022 phê duyệt Chiến lược quốc gia phát triển kinh tế số và xã hội số đến năm 2025, định hướng đến năm 2030. Công báo. https://congbao.chinhphu.vn/van-ban/quyet-dinh-so-411-qd-ttg-36976/40198.htm
Trần Thị Kim Anh, & Hoàng Hà Anh. (2021). Perception of digital transformation effect on audit quality: The case of Vietnam. Journal of International Economics and Management, 21(3), 91–107. https://doi.org/10.38203/jiem.021.3.0037
Nguyễn Ánh Linh - Kiểm toán nhà nước