Mahitaji ya vipaji vya kidijitali katika uhasibu (accounting digital talent demand), ni mahitaji ya nguvukazi katika ngazi ya kampuni yanayoonyeshwa kupitia matangazo ya kazi kwa wafanyakazi wanaohitajika kuwa na ujuzi wa kidijitali katika kazi ya uhasibu ya kampuni. Utafiti wa Jianyu Zhao ulichanganua kwa uchambuzi wa maandishi matangazo ya kazi mtandaoni ya kampuni za A-share za China katika kipindi cha 2014–2022, ukapima mahitaji hayo katika ngazi ya kampuni-mwaka na kuchunguza uhusiano wake na ubora wa utoaji taarifa za kifedha. Sampuli kuu ya mwisho ina uchunguzi 18.075 wa kampuni-mwaka kutoka kampuni 2204. Katika modeli ya msingi, mahitaji makubwa zaidi ya vipaji vya kidijitali katika uhasibu yanahusishwa na kiwango cha chini cha usimamizi wa faida unaotegemea accruals. Katika regresheni yenye udhibiti kamili, mgawo wa DigitalJob ni −0,055 na una umuhimu wa kitakwimu katika kiwango cha %1. Hata hivyo, kwa kuwa utafiti haupimi matangazo ya kazi kama uajiri halisi au uwezo halisi wa kidijitali wa wafanyakazi, na kwa kuwa mishtuko ya pamoja isiyoonekana haiwezi kuondolewa kabisa, matokeo yanapaswa kufasiriwa si kama ushahidi wa sababu na athari, bali kama uhusiano thabiti uliopitia majaribio mengi ya uimara.

DigitalJob ni idadi ya matangazo ya kazi za uhasibu ambayo kampuni imechapisha katika mwaka fulani na ambayo yanahitaji ujuzi wa kidijitali. Mtafiti kwanza alitambua kazi za uhasibu kwa kutumia taarifa za jina la nafasi na kazi yake, kisha akatumia kamusi inayojumuisha ujuzi wa kidijitali kama Python, SQL, akili bandia, upangaji wa rasilimali za biashara, mifumo ya taarifa, machine learning, business intelligence, cloud computing, big data, data mining, data science, natural language processing na automation. Tangazo liliingizwa katika kipimo cha DigitalJob tu baada ya kwanza kutambuliwa kuwa nafasi ya uhasibu na kisha kubainika kuwa maelezo yake yana angalau istilahi moja ya ujuzi wa kidijitali. Katika ukaguzi wa mkono wa matangazo 200 yaliyochaguliwa kwa nasibu, uainishaji wa kamusi ulitoa matokeo sawa kwa matangazo 186 na usahihi wa jumla wa uainishaji wa %93 uliripotiwa.

Ugunduzi mkuu uliendelea kuwa katika mwelekeo uleule chini ya miundo mbalimbali ya utafiti. Baada ya propensity score matching, entropy balancing, uchambuzi wa instrumental variable, vipimo mbadala vya usimamizi wa faida unaotegemea accruals, ufafanuzi mbadala wa DigitalJob unaotegemea asilimia, kuondoa matangazo mafupi na yenye taarifa chache, na kudhibiti mahitaji ya ujuzi mwingine wa uhasibu, mgawo wa DigitalJob uliendelea kuwa hasi. Utafiti pia unatoa matokeo ya kimfumo yanayoonyesha kuwa mahitaji makubwa zaidi ya vipaji vya kidijitali vya uhasibu yanahusishwa na akiba ndogo ya fedha taslimu na kutokuwa na ufanisi mdogo wa uwekezaji; hata hivyo, mwandishi anatafsiri matokeo haya ya kimfumo si kama ushahidi wa upatanishi wa kisababishi, bali kama ushahidi wa kuunga mkono na wa kuashiria.

Tatizo kuu la utafiti

Kampuni inaponunua programu mpya ya uhasibu, jukwaa la data au mfumo wa automation, hakuna hakikisho kwamba ubora wa utoaji taarifa za kifedha utaongezeka wenyewe. Mchango wa mifumo ya kiteknolojia katika mchakato wa uhasibu unategemea kuwepo kwa wafanyakazi wanaoweza kutumia mifumo hiyo na uwezo wao wa kuingiza zana za kidijitali katika michakato ya kukusanya, kuthibitisha, kuchanganua na kuripoti taarifa za kifedha.

Kwa hiyo, utafiti unalenga swali finyu na la kiutendaji zaidi kuliko kauli za jumla za “mabadiliko ya kidijitali” katika ngazi ya kampuni: Je, ujuzi wa kidijitali ambao kampuni zinahitaji moja kwa moja ndani ya kazi ya uhasibu unahusiana na ubora wa utoaji taarifa za kifedha?

Tafiti za awali mara nyingi hupima udijitalishaji kwa idadi ya istilahi za teknolojia ya kidijitali katika ripoti za mwaka au kwa uwekezaji wa teknolojia ya habari katika ngazi ya kampuni. Mbinu hizi zinaweza kuonyesha mabadiliko ya kidijitali ya kampuni; lakini hazionyeshi ni katika sehemu gani ya shirika uwezo wa kidijitali unajengwa. Matangazo ya kazi za uhasibu hutoa uchunguzi ulio karibu zaidi na kuonyesha ni ujuzi gani kampuni inahitaji hasa katika majukumu ya fedha, uhasibu, kodi, ukaguzi au uchambuzi wa kifedha.

Mahitaji ya vipaji vya kidijitali katika uhasibu yanapimwaje?

Mahitaji ya vipaji vya kidijitali katika uhasibu yanapimwa kwa kigezo cha DigitalJob, ambacho ni idadi ya matangazo ya kazi ambayo kampuni huchapisha katika mwaka mmoja na ambayo yote yanahusiana na kazi ya uhasibu na yanahitaji angalau ujuzi mmoja wa kidijitali uliobainishwa. Kipimo hiki hakiwakilishi uajiri halisi, bali mahitaji ya kampuni ya ujuzi wa kidijitali wa uhasibu yanayotangazwa katika soko la ajira.

Matangazo ya kazi yalipatikana kupitia CnOpenData. Data ya chanzo inajumuisha sehemu kama jina la kazi, maelezo ya kazi, kazi/kitengo, idadi ya nafasi zilizo wazi, uzoefu na mahitaji ya elimu.

Uainishaji ulifanywa kwa hatua mbili:

1. Ilibainishwa kama tangazo linahusiana na kazi ya uhasibu kwa kutumia jina la nafasi na sehemu ya kazi/kitengo.
2. Ilikaguliwa kama maelezo ya tangazo la uhasibu yana angalau istilahi moja kutoka kamusi ya ujuzi wa kidijitali.

Ili kutambua nafasi za uhasibu, pia zilitumika tafsiri za Kichina za dhana kama fedha, uhasibu, cashier, settlement, kodi, ukaguzi, uchambuzi wa kifedha na usimamizi wa fedha.

Kamusi ya ujuzi wa kidijitali inajumuisha eneo pana kuanzia zana za programu na hifadhidata hadi matumizi ya akili bandia. Miongoni mwa istilahi za Kiingereza zilizoripotiwa katika Kiambatisho A cha chanzo ni Python, SQL, artificial intelligence, enterprise resource planning, information system, predictive model, machine learning, business intelligence, cloud computing, big data, SPSS, data mining, data science, data lake, data visualization, deep learning, random forest, sentiment analysis, supervised learning, text mining, semantic analysis, natural language processing na automation.

Lengo la mbinu ya hatua mbili ni kuepuka kuhesabu kimakosa tangazo la jumla la teknolojia ya habari kuwa tangazo la vipaji vya kidijitali vya uhasibu kwa sababu tu lina istilahi ya kidijitali.

Je, uainishaji ulihakikiwa kweli?

Mtafiti alitathmini upya kwa mkono matangazo 200 ya kazi yaliyochaguliwa kwa nasibu. Uainishaji wa kamusi ulitoa matokeo sawa na tathmini ya mkono katika 186 kati yake na kiwango cha usahihi wa jumla cha %93 kiliripotiwa. Jaribio hili halithibitishi kuwa kipimo cha DigitalJob hakina makosa; lakini linaonyesha kuwa uainishaji wa kiotomatiki unaendana kwa kiwango cha juu na seti ya mfano ya ukaguzi wa mkono.

Kwa nini DigitalJob inatumika ikiwa imecheleweshwa kwa mwaka mmoja?

Tangazo la kazi linaonyesha mahitaji ya nguvukazi ya kampuni; lakini halionyeshi kuwa uajiri umetokea mara tu tangazo linapotolewa au kwamba mfanyakazi mpya amebadilisha mchakato wa utoaji taarifa za kifedha mara moja. Kwa hiyo, DigitalJob ilitumika ikiwa imecheleweshwa kwa mwaka mmoja katika regresheni.

Chaguo hili pia linaweka mpaka wa tafsiri: DigitalJob haipimi moja kwa moja uwezo halisi wa kidijitali wa wafanyakazi wa sasa wa uhasibu wa kampuni, matumizi ya mishahara, au kiwango halisi cha matumizi ya teknolojia ya kidijitali.

Ubora wa utoaji taarifa za kifedha unapimwaje katika utafiti huu?

Kiashiria kikuu cha ubora wa utoaji taarifa za kifedha ni kigezo cha DA kilichoundwa kutokana na thamani kamili ya discretionary accruals zilizokadiriwa kwa modified Jones model. DA imezidishwa kwa 100 kwa urahisi wa kusoma; DA ya juu inaashiria usimamizi mkubwa zaidi wa faida unaotegemea accruals na hivyo ubora wa chini wa utoaji taarifa za kifedha unaotegemea accruals.

Usimamizi wa faida unaotegemea accruals unahusu uwezo wa uamuzi wa usimamizi katika makadirio ya uhasibu na chaguo za kuripoti kubadilisha faida iliyoripotiwa. Vipengele kama akiba ya madeni yenye mashaka, muda wa depreciation au kipindi ambacho mapato yanatambuliwa vinahitaji tathmini na makadirio. Hoja ya kinadharia ya utafiti ni kwamba wafanyakazi wa uhasibu wenye ujuzi wa kidijitali wanaweza kupunguza nafasi ya makosa na udanganyifu katika maeneo haya kupitia uthibitishaji wa data, ufuatiliaji wa kiuchambuzi na usanifishaji wa michakato.

Dhana ya utafiti

Dhana ya H1 ya utafiti wa chanzo ni kwamba mahitaji makubwa zaidi ya vipaji vya kidijitali katika uhasibu yatahusishwa na ubora wa juu wa utoaji taarifa za kifedha, yaani kiwango cha chini cha usimamizi wa faida unaotegemea accruals.

Njia mbili zinazowezekana za maelezo

Mfumo wa kinadharia wa utafiti unapendekeza njia mbili zinazokamilishana.

Njia ya ufanisi wa maamuzi: Wafanyakazi wa uhasibu wenye ujuzi wa kidijitali wanaweza kuunganisha vizuri zaidi data za shughuli na fedha, kufuatilia mtiririko wa fedha na matumizi ya rasilimali, na kusaidia upangaji wa bajeti na tathmini ya uwekezaji. Upangaji bora wa ukwasi na uwekezaji unaweza kupunguza michakato inayohusiana na motisha za mameneja kuficha matokeo duni ya kiuchumi kupitia utoaji taarifa za kifedha.

Njia ya uzalishaji wa taarifa: Wafanyakazi wa uhasibu wanaweza kuthibitisha vipengele vya accruals kwa utaratibu zaidi kwa kutumia zana za kidijitali, kupunguza makosa ya uchakataji wa data na kufanya mchakato wa utoaji taarifa za kifedha uwe na kiwango zaidi. Muundo huu unahusishwa na mazingira ya taarifa yanayofuatilika zaidi ambayo yanaweza kurahisisha kutambua accruals zisizo za kawaida.

Njia hizi ni maelezo ya kinadharia ya utafiti. Majaribio ya kimfumo ya utafiti yanaonyesha mahusiano yanayolingana na tafsiri hizi; hata hivyo, mtafiti anasisitiza kwamba si ushahidi wa mwisho wa upatanishi wa kisababishi.

Sampuli iliundwaje?

Sampuli inajumuisha kampuni za A-share za China katika kipindi cha 2014–2022. Matangazo ya kazi yalitoka CnOpenData, huku taarifa za kifedha za kampuni zikitoka katika hifadhidata ya China Stock Market and Accounting Research (CSMAR).

Kwa matangazo yaliyorudiwa ya aina ileile ya kazi yaliyotolewa na kampuni ileile katika mwezi uleule, tangazo la kwanza pekee lilibakizwa. Kampuni zenye hadhi ya ST na ST*, kampuni za kifedha, na uchunguzi wenye upungufu wa vigezo muhimu ziliondolewa.

Ni muhimu kwamba mgawanyo wa DigitalJob umepinda kuelekea kulia. Katika uchunguzi wa kawaida wa kampuni-mwaka kuna idadi ndogo tu ya matangazo ya uhasibu yanayohitaji ujuzi wa kidijitali, ilhali katika kundi dogo zaidi la kampuni idadi hiyo huongezeka kwa kiasi kikubwa.

Mbinu na Matokeo ya Utafiti

Muundo mkuu wa econometrics

Mtafiti alikadiria kigezo cha DA kinachowakilisha usimamizi wa faida unaotegemea accruals kwa regresheni ya OLS dhidi ya DigitalJob iliyocheleweshwa kwa mwaka mmoja na vigezo vya udhibiti katika ngazi ya kampuni.

Vigezo vya udhibiti vinajumuisha ukubwa wa kampuni, Tobin's Q, faida kwenye mali, ukuaji wa mapato, leverage, uwekezaji wa Ar-Ge, uwiano wa gharama za jumla/kiutawala, kiashiria cha hasara, nafasi mbili za CEO–mwenyekiti wa bodi, uwiano wa wajumbe huru wa bodi, na umri wa kampuni.

Athari thabiti za kampuni na athari thabiti za mwaka ziliingizwa katika modeli, na makosa sanifu yalipangwa kwa makundi katika ngazi ya kampuni. Vigezo endelevu vili-winsorize katika percentile za 1. na 99. ili kupunguza athari za thamani zilizokithiri.

Matokeo ya regresheni kuu yanapaswa kufasiriwaje?

Katika modeli kuu yenye udhibiti kamili, mgawo wa DigitalJob ni −0,055 na kosa sanifu ni 0,016; mgawo una umuhimu wa kitakwimu katika kiwango cha %1. Kwa kuwa DA ya juu ina maana ya usimamizi mkubwa zaidi wa faida unaotegemea accruals, mgawo hasi unaonyesha kuwa matangazo mengi zaidi ya kazi za uhasibu yanayohitaji ujuzi wa kidijitali yanahusishwa na kiwango cha chini cha usimamizi wa faida unaotegemea accruals. Hata hivyo, mgawo unaonyesha uhusiano wa kiuchunguzi na peke yake hauthibitishi kwamba mahitaji ya vipaji vya kidijitali husababisha kupungua kwa usimamizi wa faida.

Kuongezeka kwa DigitalJob kutoka matangazo sifuri, ambayo ni thamani ya percentile ya 25., hadi matangazo matatu, ambayo ni thamani ya percentile ya 75., kunahusishwa chini ya mgawo wa modeli na DA iliyo chini kwa pointi 0,165. Mtafiti anaripoti hii kuwa takriban %3 ya wastani wa DA katika sampuli.

Propensity score matching na entropy balancing

Ili kukabiliana na uwezekano kwamba kampuni zenye ubora wa juu wa utoaji taarifa za kifedha tayari zina sifa tofauti na zinaweza kuwa na mwelekeo mkubwa zaidi wa kutafuta wafanyakazi wa uhasibu wenye ujuzi wa kidijitali, mbinu mbili za ziada za kusawazisha zilitumika.

Makadirio yote mawili yana mwelekeo hasi sawa na modeli ya msingi. Matokeo haya yanaendana na wazo kwamba tofauti katika sifa za kampuni zinazoonekana hazielezi uhusiano wa msingi peke yake; lakini hayaondoi sababu zisizoonekana.

Uchambuzi wa instrumental variable

Katika ukaguzi wa ziada wa endogeneity, wastani wa matangazo ya vipaji vya kidijitali vya uhasibu ya kampuni nyingine katika sekta hiyo hiyo ulitumika kama instrumental variable. Katika hatua ya kwanza, mgawo wa instrumental variable na DigitalJob ulikuwa 0,564 na ulikuwa muhimu katika kiwango cha %1.

Katika hatua ya pili, mgawo uliokadiriwa wa DigitalJob ulikuwa −0,834 na ulionekana kuwa muhimu katika kiwango cha %1. Thamani ya Kleibergen–Paap Wald F iliripotiwa kuwa 139,58, huku takwimu ya LM ikiwa 118,54.

Hata hivyo, mtafiti hatafsiri matokeo haya kama utambuzi wa mwisho wa kisababishi. Mahitaji ya vipaji vya kidijitali vya uhasibu katika sekta hiyo hiyo yanaweza kubeba mishtuko ya pamoja kama uwekezaji wa teknolojia katika sekta nzima, mabadiliko ya udhibiti, shinikizo la ukaguzi, ushindani au mielekeo ya utoaji taarifa za kifedha ambayo pia inaweza kuathiri usimamizi wa faida wa kampuni lengwa. Kwa hiyo, uhusiano mkubwa wa instrument hauonyeshi kwamba sharti la exclusion restriction limetimizwa kwa uhakika.

Vipimo mbadala vya usimamizi wa faida

Matokeo ya msingi hayategemei tu ufafanuzi wa DA katika modified Jones model. Mtafiti alitumia vipimo vitatu mbadala vinavyotegemea accruals.

Kuendelea kuwa hasi kwa mgawo wa DigitalJob katika vipimo vyote mbadala kunaonyesha kwamba ugunduzi mkuu hautokani tu na muundo wa kipimo kimoja cha usimamizi wa faida.

Je, matokeo hubadilika DigitalJob inapopimwa kwa asilimia?

DigitalJob% ni asilimia ya uwiano wa matangazo ya uhasibu yanayohitaji ujuzi wa kidijitali kwa matangazo yote ya uhasibu. Kwa njia hii, uwezekano kwamba idadi ya DigitalJob inaonyesha tu kiasi cha matangazo cha kampuni kubwa au kampuni zinazotafuta wafanyakazi wengi zaidi wa uhasibu ulijaribiwa kando.

Katika modeli yenye udhibiti kamili, mgawo wa DigitalJob% ni −0,022 na kosa sanifu ni 0,011; matokeo ni muhimu katika kiwango cha %5. Ongezeko la pointi moja ya asilimia katika sehemu ya matangazo ya uhasibu wa kidijitali linahusishwa na DA iliyo chini kwa pointi 0,022.

Je, kampuni huhama kutoka udanganyifu wa accruals kwenda udanganyifu wa shughuli halisi?

Utafiti pia ulijaribu kama kiwango cha chini cha usimamizi wa faida unaotegemea accruals kina maana tu kwamba mbinu ya udanganyifu imebadilishwa. Hakuna uhusiano wenye umuhimu wa kitakwimu katika viwango vya kawaida vya umuhimu uliopatikana kati ya DigitalJob na usimamizi wa jumla wa faida unaotegemea shughuli halisi, mtiririko usio wa kawaida wa fedha za uendeshaji, gharama zisizo za kawaida za uzalishaji na matumizi ya hiari yasiyo ya kawaida.

Kwa hiyo, data ya chanzo haiungi mkono dai kwamba udanganyifu wa chini wa accruals unaohusishwa na mahitaji ya vipaji vya kidijitali vya uhasibu huhamishwa kwa utaratibu kwenda udanganyifu wa shughuli halisi.

Nini hutokea matangazo mafupi na yenye taarifa chache yanapoondolewa?

Matangazo ya uhasibu yenye maelezo ya kazi mafupi kuliko herufi 100 za Kichina yalipoondolewa na DigitalJob kuhesabiwa upya, mgawo ulikuwa −0,041 na uliendelea kuwa muhimu katika kiwango cha %1. Jaribio hili linaendana na wazo kwamba matokeo ya msingi hayatokani tu na uainishaji usio sahihi wa matangazo mafupi au ya muundo wa kawaida.

Je, DigitalJob hupima tu mahitaji ya wafanyakazi wenye ujuzi wa juu kwa ujumla?

Modeli pia ilipanuliwa kwa vigezo vinavyowakilisha mahitaji ya ujuzi wa kijamii, ujuzi wa kiakili na maeneo ya utaalamu wa uhasibu katika matangazo ya uhasibu. Baada ya kuongeza udhibiti huu, mgawo wa DigitalJob uliendelea kuwa −0,040 na kosa sanifu 0,018, na ukawa muhimu katika kiwango cha %5.

Matokeo haya yanaendana na wazo kwamba sehemu ya kidijitali, zaidi ya kuwa proxy rahisi ya kiwango cha juu cha ujuzi kwa ujumla, hubeba taarifa tofauti ya kueleza.

Majaribio ya kimfumo ya upangaji wa fedha taslimu na ufanisi wa uwekezaji

Majaribio haya ya kimfumo yana asili ya kiuhusiano. Hasa, haijathibitishwa kwamba kupungua kwa akiba ya fedha taslimu au kutokuwa na ufanisi wa uwekezaji kunapitisha kwa njia ya kisababishi uhusiano kati ya DigitalJob na ubora wa utoaji taarifa za kifedha.

Kwa nini ubora wa udhibiti wa ndani ni muhimu?

Katika kampuni zenye ubora wa juu wa udhibiti wa ndani, mgawo wa DigitalJob ni −0,070 na ni muhimu katika kiwango cha %1. Katika kundi lenye ubora wa chini wa udhibiti wa ndani, mgawo ni −0,008 na hauna umuhimu wa kitakwimu. Tofauti kati ya migawo miwili ni 0,061 na ni muhimu katika kiwango cha %10.

Muundo huu unaendana na tafsiri kwamba ujuzi wa kidijitali wa uhasibu unaweza kuonyesha uhusiano wenye nguvu zaidi unapokuwa pamoja na mazingira ya udhibiti yenye data ya kuaminika, taratibu sanifu na uwezo wa kutumia taarifa zinazozalishwa na wafanyakazi.

Je, udijitalishaji wa jumla wa kampuni unaeleza matokeo?

Kampuni zinapogawanywa katika makundi mawili kwa kiwango cha jumla cha udijitalishaji kilichopimwa kutoka maandishi ya ripoti za mwaka, mgawo wa DigitalJob ni hasi katika kundi la udijitalishaji wa juu na katika kundi la udijitalishaji wa chini: −0,067 na −0,052 mtawalia.

Kwa hiyo, mahitaji ya ujuzi wa kidijitali maalumu kwa kazi ya uhasibu si jambo linaloonekana tu katika kampuni ambazo tayari zimedijitalishwa sana. Hata hivyo, ushahidi kwamba tofauti ya mgawo kati ya makundi ya udijitalishaji wa juu na wa chini inaonyesha tofauti kubwa katika viwango vya kawaida vya umuhimu ni mdogo.

Uhusiano hubadilikaje kulingana na ufuatiliaji wa ukaguzi wa nje?

Katika kampuni ambako ufuatiliaji wa ukaguzi wa nje unachukuliwa kuwa wenye nguvu, mgawo wa DigitalJob ni −0,072 na ni muhimu katika kiwango cha %1. Katika kundi lenye ukaguzi wa nje dhaifu zaidi, mgawo ni −0,025 na hauna umuhimu wa kitakwimu. Tofauti ya 0,047 kati ya migawo miwili ni muhimu katika kiwango cha %5.

Utafiti wa chanzo unajadili hili kama ugunduzi kwamba mahitaji ya vipaji vya kidijitali vya uhasibu na ukaguzi wa nje yanaweza kukamilishana. Ukaguzi wenye nguvu zaidi unaweza kuleta nidhamu katika chaguo za kuripoti na pia kurahisisha matumizi ya taarifa za uhasibu zenye ubora zaidi zinazozalishwa ndani ya kampuni.

Matokeo yanayoungwa mkono na utafiti

• Mahitaji makubwa zaidi ya ujuzi wa kidijitali katika matangazo ya kazi za uhasibu yanahusishwa kitakwimu na kiwango cha chini cha usimamizi wa faida unaotegemea accruals.
• Uhusiano huu hasi unaendelea kuwepo chini ya modeli na vipimo mbalimbali mbadala.
• Uhusiano hubeba taarifa maalumu kwa kazi ya uhasibu zaidi ya udijitalishaji wa jumla wa kampuni.
• Uhusiano unaonekana wazi zaidi katika mazingira yenye udhibiti wa ndani wenye nguvu zaidi na ukaguzi wa nje wenye nguvu zaidi.
• Uchambuzi wa akiba ya fedha taslimu na kutokuwa na ufanisi wa uwekezaji unatoa matokeo ya kuashiria yanayoendana na mifumo ya upangaji na ugawaji wa rasilimali iliyo bora zaidi.

Matokeo ambayo utafiti hauungi mkono

• Idadi ya matangazo ya kazi si idadi halisi ya wafanyakazi walioajiriwa.
• DigitalJob haipimi moja kwa moja kiwango halisi cha ujuzi wa kidijitali wa wafanyakazi wa sasa wa uhasibu.
• Utafiti hauthibitishi kwamba mahitaji ya vipaji vya kidijitali hupunguza usimamizi wa faida kwa njia ya kisababishi kwa uhakika.
• Jaribio la instrumental variable halithibitishi kwa uhakika sharti la exclusion restriction.
• Matokeo kutoka kampuni za A-share za China hayapaswi kujumlishwa kwa nchi zote na miundo yote ya biashara bila uthibitishaji.
• Utafiti haujaribu moja kwa moja kama programu fulani, mfumo wa akili bandia au zana ya automation huongeza ubora wa utoaji taarifa za kifedha.

Vikwazo vikuu

DigitalJob hupima mahitaji ya nguvukazi yaliyoelezwa, si uajiri halisi. Data ya chanzo haionyeshi ni watu wangapi waliokuwa wameajiriwa kweli kutoka kila tangazo, jumla ya wafanyakazi katika idara ya uhasibu, kiwango halisi cha ujuzi wa wafanyakazi, uwekezaji katika mishahara, au jinsi wafanyakazi walioajiriwa walivyotumia zana za kidijitali kwa vitendo.

Mishtuko ya kampuni au sekta isiyoonekana inaweza kuathiri kwa wakati mmoja mahitaji ya vipaji vya kidijitali vya uhasibu na chaguo za utoaji taarifa za kifedha. Athari thabiti, mbinu za kusawazisha na muundo wa instrumental variable hulenga kupunguza tatizo hili, lakini haijaonyeshwa kwamba huondoa tatizo hilo kabisa.

Tafiti zijazo zinapendekezwa kutumia data halisi za ajira, viwango vilivyosawazishwa vya uajiri wa kidijitali katika uhasibu, na mishtuko ya ndani ya usambazaji wa vipaji vya kidijitali.

Maelezo ya Chanzo na Mbinu

Kichwa asilia: Accounting Digital Talent Demand and Financial Reporting Quality: Evidence from Job Posting

Mwandishi: Jianyu Zhao.

Taasisi: School of Accountancy, Central University of Finance and Economics, Beijing 100081, China.

Jarida: Accounting and Auditing.

Mchapishaji: MDPI, Basel, Switzerland.

Rekodi ya bibliografia: Accounting and Auditing, 2026, Volume 2, Issue 3, Article 14.

DOI: 10.3390/accountaudit2030014

Tarehe ya kuchapishwa: 4 Agosti 2026.

Tarehe za uhariri: Received 20 May 2026; Revised 14 July 2026; Accepted 31 July 2026.

Aina ya chanzo: Makala ya utafiti wa kisayansi wa kimajaribio iliyopitiwa na wataalamu.

Leseni: Creative Commons Attribution (CC BY). Maandishi ya Verianla si tafsiri ya moja kwa moja ya makala ya chanzo; mbinu ya kisayansi, data na matokeo yaliyoripotiwa katika chanzo yameelezwa kwa maelezo huru ya kisayansi kwa Kiswahili.

Vyanzo vya data: Matangazo ya kazi mtandaoni yalipatikana kupitia CnOpenData; data za fedha na uhasibu katika ngazi ya kampuni zilichukuliwa kutoka hifadhidata ya China Stock Market and Accounting Research (CSMAR).

Sampuli: Uchunguzi 18.075 wa kampuni-mwaka kutoka kampuni 2204 za A-share za China katika kipindi cha 2014–2022.

Kigezo kikuu cha maelezo: DigitalJob; ni idadi ya kila mwaka katika ngazi ya kampuni ya matangazo ya kazi za uhasibu yanayohitaji ujuzi wa kidijitali, na katika regresheni kuu imetumika ikiwa imecheleweshwa kwa mwaka mmoja.

Kigezo kikuu tegemezi: DA; ni thamani ya accruals za hiari za jumla zilizokadiriwa kwa kutumia modified Jones model na kuzidishwa kwa 100. DA ya juu ina maana ya usimamizi mkubwa zaidi wa faida unaotegemea accruals.

Mbinu kuu: Regresheni za paneli za OLS zenye athari thabiti za kampuni na mwaka; makosa sanifu yaliyopangwa kwa makundi katika ngazi ya kampuni. Vigezo endelevu vili-winsorize katika percentile za 1. na 99.

Uchambuzi wa uimara na endogeneity: Propensity score matching, entropy balancing, mbinu ya instrumental variable inayotegemea mahitaji ya vipaji vya kidijitali vya uhasibu ya kampuni nyingine katika sekta hiyo hiyo, viashiria mbadala vya usimamizi wa faida unaotegemea accruals, kipimo cha DigitalJob cha asilimia, majaribio ya usimamizi wa faida unaotegemea shughuli halisi, kuondoa matangazo yenye taarifa chache, na kudhibiti mahitaji ya ujuzi wa kijamii/kiakili/kitaaluma.

Ufadhili: National Natural Science Foundation of China, grant number 72102246.

Institutional Review Board: Haitumiki.

Ridhaa iliyoarifiwa: Haitumiki.

Upatikanaji wa data: Ufikiaji wa data ya matangazo ya kazi ya CnOpenData umewekewa vikwazo na unahitaji ruhusa ya CnOpenData.

Mgongano wa maslahi: Mwandishi ametangaza kwamba hakuna mgongano wa maslahi.

Mchango wa mwandishi: Utafiti una mwandishi mmoja. PDF ya chanzo hairipoti sehemu tofauti ya mchango wa mwandishi ya CRediT.

Mpaka mkuu wa tafsiri: Matokeo yanaonyesha uhusiano thabiti wa kitakwimu kati ya mahitaji ya vipaji vya kidijitali katika uhasibu na kiwango cha chini cha usimamizi wa faida unaotegemea accruals; hata hivyo, kwa kuwa matangazo ya kazi hayapimi uajiri halisi na mishtuko isiyoonekana haijaondolewa kabisa, matokeo hayapaswi kufasiriwa kama athari ya kisababishi ya uhakika.