AFM data-analyse niet-OOB-accountantsorganisaties. Kenmerken van niet-OOB-accountantsorganisaties in relatie tot de uitkomsten van kwaliteitstoetsingen

Verband tussen kenmerken van accountantsorganisaties zonder organisaties van openbaar belang in hun klantenkring en de uitkomsten van kwaliteitstoetsingen door de beroepsorganisatie en de samenwerkende registeraccountants. De AFM combineerde gegevens uit haar jaarlijkse monitor, haar register en de toetsingsuitkomsten over 2014 tot en met 2020 en analyseerde ongeveer vijftig kenmerken met machinaal leren. Drie kenmerken hangen significant samen met een negatieve uitkomst: minder dan vijftien wettelijke controles per jaar, minder dan anderhalf miljoen euro omzet en een gemiddelde vergoeding per controle onder de zestienduizend euro. Organisaties met die kenmerken hebben gemiddeld een ongeveer twee keer zo grote kans op een onvoldoende. Kantoren met minder dan vijftien controles vormen 42 procent van alle vergunninghouders maar doen 3,6 procent van de controles.

Marktverandering en concurrentieGovernance en verslaggevingDigitale disruptie, nieuwe technologie en AI

Waarom deze indeling: De analyse legt een verband tussen de omvang en het verdienmodel van accountantskantoren en de kwaliteit van hun wettelijke controles, wat de marktstructuur raakt. De uitkomsten dienen als input voor het toezicht op accountantsorganisaties en voor de discussie over duurzame verbetering van de controlekwaliteit. De analyse is uitgevoerd met machinaal lerende technieken op ongeveer vijftig organisatiekenmerken.

Toegekend met een AI-model (Opus 5) op basis van de zestien thema's van Risk in Focus; niet door mensen gevalideerd. Om de labels beter te onderbouwen gaan we ze gefaseerd herbeoordelen met een tweede, onafhankelijk model van een andere aanbieder (OpenAI naast Anthropic); vanwege tokenlimieten gebeurt dat stapsgewijs. Ziet u een fout? Laat het weten.

Ministerie

Ministerie van Financiën

Bron

Rijksinspecties en andere toezichthouders: Autoriteit Financiele Markten

Toegepaste standaard

Rijkstoezicht

Datum

2021-02-02

Het rapport zelf

originele publicatie

Omschrijving

samenvatting door een AI-model (Opus 5) op basis van de publicatie

Risicolabels

toegekend met een AI-model (Opus 5) volgens de zestien thema's van Risk in Focus (ECIIA), niet door mensen gevalideerd

Bijgewerkt

augustus 2026