Megjelent két kutatónk közös tanulmánya az INTERNATIONAL JOURNAL OF SCIENCE AND SOCIAL SCIENCE RESEARCH c. folyóirat 2025, 3(3) számában:
FEJES Judit Katalin MSc, Dr. habil KATITS Etelka Éva PhD
CityMindX:AI-Based Mobility and Infrastructure Optimisation in Smart Cities
A tanulmány IDE KATTINTVA érhető el.
Két kutatónk közös munkája megjelent a XXXIII. Országos Könyvvizsgálói Konferencia"A könyvvizsgálat megbízhatósága, felelőssége az AI és a digitalizáció korszakában" című tanulmánykötet 32-47. oldalán (ISBN: 9786155832093)
Dr. habil KATITS Etelka PhD - FEJES Judit MSc: A MESTERSÉGES INTELLIGENCIA ÉS A KORAI FIGYELMEZTETŐ RENDSZER A SZÁMVITELBEN: Hatékonyság és kihívás
Absztrakt
A mesterséges intelligencia (Artificial Intelligence=AI) számviteli és pénzügyi döntéshozatalba való integrációja paradigma-váltást eredményez, különösen a korai figyelmeztető rendszerek (Early Warning Systems=EWS) terén. Az EWS-rendszerek négy generációján át az AI beépülése fokozatosan javította a prediktív elemzések pontosságát és hatékonyságát. Ugyanakkor a jelenlegi, 4. generációs AI-alapú EWS modellek esetében további kutatásra van szükség a megbízhatóság és pontosság mérése, valamint az AI-alapú EWS modellek és a hagyományos EWS rendszerek teljesítményének összehasonlítása tekintetében. A kutatás célja e két kérdéskör vizsgálata a számvitel és a pénzügyi döntéshozatal területén. A kutatás kvalitatív és kvantitatív módszereket kombinál: nagy méretű pénzügyi adathalmazok (vállalati jelentések, makrogazdasági adatok) elemzése, valamint történeti adatok elemzésével AI-alapú és hagyományos EWS modelleket összehasonlítja, továbbá esettanulmányokkal értékeli az EWS rendszerek szerepét válsághelyzetekben, kitérve a pénzügyi predikciók vizsgálatára is. A kutatás áttekinti a 4. generációs EWS rendszerek fejlődését, hatékonyságát és korlátait, integrálva a legújabb Q-rangú nemzetközi kutatásokat és a közép-kelet-európai régióból származó eredményeket. A kutatási eredmények szerint az AI-támogatott EWS modell szignifikánsan pontosabb és gyorsabb a pénzügyi kockázatok előrejelzésében, mint a hagyományos statisztikai módszerek (pl. AUC>0,80). Ugyanakkor a megbízhatóság további növelése érdekében ezeknek az intelligens rendszereknek az alapos tesztelése és finomhangolása szükséges. Gyakorlati szempontból az eredmények azt igazolják, hogy a megbízható, átlátható és etikus pénzügyi döntéshozatal érdekében elengedhetetlen az AI-alapú döntéstámogató rendszerek és az emberi szakértelem ötvözése, valamint rámutatnak a szabályozási keretek és a legjobb gyakorlatok továbbfejlesztésének szükségességére. Elméleti téren pedig az AI integrációja az EWS rendszerekbe új távlatokat nyit a pénzügyi előrejelzésben, és megalapozza a többszintű AI-megoldások (pl. dupla/tripla AI) alkalmazását.
Abstract
The integration of Artificial Intelligence (AI) into accounting and financial decision-making represents a paradigm shift, particularly in the field of Early Warning Systems (EWS). Through the four generations of EWS systems, the incorporation of AI has gradually improved the accuracy and efficiency of predictive analytics. However, in the case of current, fourth-generation AI-based EWS models, further research is needed regarding the measurement of reliability and accuracy, as well as the comparison of the performance of AI-based and traditional EWS systems. The aim of the research is to examine these two areas within the field of accounting and financial decision-making. The research combines qualitative and quantitative methods: it analyses large-scale financial data sets (corporate reports, macroeconomic data) and compares AI-based and traditional EWS models using historical data. It also evaluates the role of EWS systems in crisis situations through case studies, with special attention to the examination of financial forecasts. The study reviews the development, efficiency, and limitations of fourth-generation EWS systems, integrating the latest Q-ranked international research and findings from the Central and Eastern European region. According to the research results, the AI-supported EWS model is significantly more accurate and faster in forecasting financial risks than traditional statistical methods (e.g., AUC > 0.80). However, to further enhance reliability, these intelligent systems require thorough testing and fine-tuning.
From a practical perspective, the findings confirm that in order to ensure reliable, transparent, and ethical financial decision-making, it is essential to combine AI-based decision support systems with human expertise. Moreover, the results highlight the need to further develop regulatory frameworks and best practices. On a theoretical level, the integration of AI into EWS systems opens up new horizons in financial forecasting and lays the groundwork for the application of multi-level AI solutions (e.g., dual/triple AI).