Abstract

Veri ve bilgi teknolojilerinde yaşanan hızlı gelişmeler, günümüzde işletmelerin muhasebe, denetim ve vergi süreçlerini önemli ölçüde dönüştürmektedir. Makine öğrenmesi, büyük veri analitiği ve otomatik karar destek sistemlerinin entegrasyonu sayesinde, muhasebe ve finansal yönetim alanlarında dikkate değer fırsatlar ortaya çıkmaktadır. Makine öğrenimi yöntemleri, muhasebe kayıtlarının analiz edilmesinden denetim süreçlerinin verimliliğinin artırılmasına ve vergi planlama ile uyum mekanizmalarının güçlendirilmesine kadar pek çok alanda kritik bir rol oynamaktadır. Bu çalışmanın amacı, Web of Science (WoS) ve Scopus veri tabanlarını kullanarak makine öğrenmesinin muhasebe, denetim ve vergi literatüründeki yerini bibliyometrik analiz ve Bradford-Lotka yasaları yoluyla ayrıntılı bir şekilde incelemektir.

1970–2025 dönemini kapsayan bu araştırmada toplam 342 yayın değerlendirilmiştir. Bulgular, yıllık ortalama büyüme oranının %7,45 olduğunu ve bu alandaki akademik ilginin son on yılda belirgin biçimde artış gösterdiğini ortaya koymaktadır. İncelenen yayınların büyük bölümü makale türünde (n=219) olup, belgeler ortalama olarak 22,79 atıf almıştır. Araştırma kapsamında 1.400 yazar tespit edilmiş; her belge için ortalama 5,04 ortak yazarlık ve %13,16 uluslararası iş birliği oranı belirlenmiştir. En sık kullanılan anahtar kelimeler arasında machine learning, artificial intelligence, accounting, audit ve taxation bulunurken yayınların büyük çoğunluğu İngilizce dilinde hazırlanmıştır. Çalışmalar, genel olarak muhasebe denetimi ve vergi planlaması temalarına odaklanmaktadır. Elde edilen sonuçlar, makine öğrenmesinin muhasebe ve denetim literatüründe veri odaklı karar destek sistemleri, hile tespiti ve tahmine dayalı analizler alanlarında giderek artan stratejik bir öneme sahip olduğunu göstermektedir.

Abstract

Rapid developments in data and information technologies are significantly transforming accounting, auditing and tax processes for businesses today. Thanks to the integration of machine learning, big data analytics and automated decision support systems, noteworthy opportunities are emerging in the fields of accounting and financial management. Machine learning methods play a critical role in many areas, from analysing accounting records to increasing the efficiency of auditing processes and strengthening tax planning and compliance mechanisms. The purpose of this study is to examine in detail the place of machine learning in accounting, auditing and taxation literature using bibliometric analysis and Bradford-Lotka laws, using the Web of Science (WoS) and Scopus databases. 

This research, covering the period 1970–2025, evaluated a total of 342 publications. The findings reveal that the average annual growth rate was 7,45% and that academic interest in this field has increased significantly over the last decade. The majority of the publications examined were articles (n=219), and the documents received an average of 22,79 citations. The study identified 1.400 authors; an average of 5,04 co-authors and a 13,16% international collaboration rate were determined for each document. The most frequently used keywords included machine learning, artificial intelligence, accounting, audit, and taxation, while the vast majority of publications were prepared in English. The studies generally focused on the themes of accounting audit and tax planning. The results obtained show that machine learning is gaining strategic importance in the accounting and auditing literature in the areas of data-driven decision support systems, fraud detection, and predictive analytics.

Muhasebe, denetim ve vergi alanlarında veri üretiminin hızlanması, makine öğrenmesi yöntemlerinin bilimsel araştırmalardaki konumunu anlamayı önemli bir araştırma problemine dönüştürmüştür. Finansal raporlamanın otomasyonu, denetim riskinin belirlenmesi ve vergi uyumunun değerlendirilmesi gibi uygulamalar farklı araştırma gelenekleri içinde gelişmektedir. Ancak bu alanlara ilişkin birikimin tek bir bibliyometrik çerçevede birlikte değerlendirilmesi sınırlıdır. Bu araştırmanın amacı, makine öğrenmesinin muhasebe, denetim ve vergi literatüründeki gelişimini bilimsel üretim, atıf etkisi, iş birliği ilişkileri ve kavramsal yönelimler bakımından ortaya koymaktır. Araştırma ayrıca yayınların dergiler arasındaki dağılımını Bradford Yasası, araştırmacı üretkenliğinin dağılımını ise Lotka Yasası aracılığıyla değerlendirmeyi hedeflemektedir. Böylece yalnızca yayın sayısındaki büyümenin değil, bilgi üretiminin hangi kaynaklarda yoğunlaştığının ve araştırmacılar arasında nasıl dağıldığının da açıklanması amaçlanmıştır. Muhasebe ve denetim konularının daha görünür olduğu literatürde vergi uygulamalarının konumunun belirlenmesi, gelecekteki araştırma önceliklerinin değerlendirilmesi açısından ayrı bir önem taşımaktadır. Çalışma bu yönüyle birbirine yakın ancak farklı olgunlaşma düzeylerine sahip üç araştırma alanını ortak bir gözlem düzleminde karşılaştırmaktadır.

Araştırma, nicel ağırlıklı tanımlayıcı ve ağ temelli bibliyometrik analiz tasarımıyla yürütülmüştür. Veri kaynağı Web of Science ve Scopus veri tabanlarıdır. İnceleme dönemi 1970–2025 yıllarını kapsamaktadır. Tarama aşamasında “machine learning in accounting”, “machine learning in accounting audit” ve “machine learning in tax” ifadeleri kullanılmıştır. İlk taramada Web of Science üzerinden 269, Scopus üzerinden 122 kayıt belirlenmiştir. PRISMA yaklaşımına dayalı kayıt belirleme, tarama, uygunluk değerlendirmesi ve dâhil etme aşamaları izlenmiştir. Tekrarlanan kayıtlar, eksik üst veriler ve araştırma sorusuyla doğrudan ilişkili olmayan yayınlar değerlendirilerek toplam 49 kayıt analiz kapsamından çıkarılmıştır. Son veri seti 225 farklı yayın kaynağından gelen 342 bilimsel belgeden oluşmuştur. Hakemli makalelerle birlikte bildiriler, derlemeler ve kitap bölümleri gibi bilimsel yayın türleri de değerlendirmeye alınmıştır. Bibliyometrik göstergeler RStudio ortamında Bibliometrix paketi kullanılarak incelenmiştir. Yıllık bilimsel üretim, belge türleri, belge başına atıf sayıları, yayın dili, ülke dağılımı, kaynakların üretkenliği ve ortak yazarlık göstergeleri betimsel düzeyde analiz edilmiştir. Araştırma temalarını değerlendirmek amacıyla anahtar kelime birlikte görülme ilişkilerinden ve ağ temelli incelemelerden yararlanılmıştır. Bradford Yasası kapsamında yayınların çekirdek ve çevre kaynaklara dağılımı, Lotka Yasası kapsamında ise yazarların yayın sayısına göre üretkenlik örüntüsü incelenmiştir. Dolayısıyla bu araştırmada makine öğrenmesi algoritmalarının tahmin performansı ölçülmemiş, bu algoritmalar hakkında oluşan bilimsel literatürün yapısı değerlendirilmiştir.

Bulgular, incelenen literatürün yıllık ortalama büyüme oranının %7,45 olduğunu göstermektedir. Belgelerin ortalama yaşı 4,56 yıl, belge başına ortalama atıf sayısı 22,79 olarak hesaplanmıştır. İlk dönemlerde sınırlı kalan yayın üretimi özellikle 2018 sonrasında hızlanmıştır. Yıllık yayın sayısı 2020’de 20, 2021’de 32 ve 2022’de 56 olmuştur. İncelenen dönemin en yüksek değeri 2024 yılında 64 yayınla gerçekleşmiştir. Toplam 342 belgenin 219’u araştırma makalesidir. Bu sayı veri setinin yaklaşık %64’üne karşılık gelmektedir. Analizde 1.400 yazar belirlenmiş ve belge başına ortalama ortak yazar sayısı 5,04 olarak raporlanmıştır. Uluslararası ortak yazarlık oranı %13,16’dır. Bu göstergeler araştırma üretiminin çoğunlukla ortak çalışmalar üzerinden ilerlediğini, uluslararası iş birliğinin ise daha sınırlı kaldığını göstermektedir. Yayınların 334’ü İngilizcedir ve bu sayı toplamın yaklaşık %97,7’sini oluşturmaktadır. Ülke bazında ABD 76 yayınla ilk sıradadır. Çin 34, Almanya 12 ve Birleşik Krallık 9 yayınla izleyen ülkeler arasındadır. Anahtar kelime analizinde “machine learning” 90, “artificial intelligence” 77, “accounting” 32 ve “big data” 23 kez görülmüştür. “Data analytics” 17, “audit/auditing” 16 ve “fraud” 15 kullanım ile diğer belirgin kavramlardır. Bu örüntü, veri analitiği, finansal raporlama, denetim otomasyonu, hile tespiti ve tahmine dayalı değerlendirmelerin araştırma gündemindeki ağırlığını göstermektedir. Kaynak düzeyinde International Journal of Accounting Information Systems 12 yayınla öne çıkmaktadır. Journal of Emerging Technologies in Accounting 11, Accounting Horizons ve British Accounting Review ise dokuzar yayınla bu kaynağı izlemektedir. Bradford dağılımında birinci bölgede 25 kaynak ve 107 makale, ikinci bölgede 94 kaynak ve 108 makale, üçüncü bölgede 105 kaynak ve 105 makale raporlanmıştır. Makalelerin birbirine yakın büyüklükteki grupları için gereken kaynak sayısının merkezden çevreye artması, yayınların sınırlı sayıda çekirdek dergide yoğunlaştığını göstermektedir. Lotka analizinde tek yayın üreten 1.286 yazar toplam yazarların %91,8’ini oluşturmaktadır. İki yayın üretenlerin payı %4,2, üç yayın üretenlerin payı %1,9’dur. Bu iki grup için raporlanan kuramsal oranlar sırasıyla %16 ve %7,1 olup gözlenen oranlardan yüksektir. Dolayısıyla üretkenlik dağılımı az sayıda üretken yazara karşılık çok sayıda tek yayınlı yazar örüntüsü sergilerken kuramsal dağılımla tam olarak örtüşmemektedir.

Bu araştırma, makine öğrenmesi odaklı muhasebe, denetim ve vergi yayınlarının büyüyen ancak tematik ve kurumsal bakımdan eşit dağılmayan bir bilimsel alan oluşturduğunu ortaya koymaktadır. Yayın artışı, yakın dönemde oluşan araştırma hareketliliğini doğrularken anahtar kelime dağılımı muhasebe ve denetim uygulamalarının daha belirgin bir gündem oluşturduğunu göstermektedir. Vergi ile ilgili uygulamalar ise karşılaştırmalı olarak geliştirilmesi gereken araştırma yönlerinden biri olarak öne çıkmaktadır. Bradford bulguları, alanı izlemek isteyen araştırmacılar için çekirdek yayın kaynaklarının belirlenmesine katkı sunmaktadır. Lotka bulguları, yazar üretkenliğindeki yoğunlaşmayı ve kuramsal dağılımdan sapmaları görünür kılmaktadır. Çalışmanın özgün katkısı, üç uygulama alanını WoS ve Scopus verileri üzerinde birlikte incelemesi ve tematik ağları iki klasik bibliyometrik yasa ile aynı çerçevede değerlendirmesidir. Elde edilen görünüm, açıklanabilir yapay zekâ, veri güvenliği, denetim otomasyonu ve vergi uyumu gibi konularda daha odaklı araştırmalar için başlangıç noktası oluşturabilir. Bununla birlikte sonuçlar kullanılan veri tabanları, arama ifadeleri ve incelenen dönemin kapsamıyla sınırlıdır. Gelecek araştırmalarda daha geniş sorguların, alanlara özgü alt veri kümelerinin ve zaman içindeki tematik değişimlerin karşılaştırılması literatürün gelişimini daha ayrıntılı açıklayabilir.