會計師事務所的大數據審計轉型

應里孟 陽杰

【摘要】為應對大數據帶來的審計環境變化，提高審計質量和盈利能力，大型會計師事務所正在謀求大數據審計戰略轉型。然而，其在轉型中還面臨著審計數據質量較低、審計技術能力有限、大數據審計人才短缺、審計投入規模較大等諸多現實障礙。為此，會計師事務所可以從數據采集與積累、技術開發與使用、資金和時間投入、人力資源儲備和無形資源支持等路徑，逐步構建大數據審計能力，從而實現大數據審計轉型。

【關鍵詞】大數據;審計轉型;會計師事務所;審計技術

【中圖分類號】F239.4? ? ? 【文獻標識碼】A? ? ? 【文章編號】1004-0994（2020）05-0100-9

一、引言

大數據正不斷拓展著企業的數據生態系統，導致審計環境發生變化，客觀上要求審計人員利用大數據及其分析技術帶來的審計技術、審計方法和審計思維變革，邁向數據驅動的大數據審計，以滿足現代審計信息用戶對高質量審計的需求[1] 。

從制度層面來說，無論是世界范圍內的還是我國的審計準則制定機構或行業協會，都在不遺余力地指導、推動注冊會計師行業的大數據審計發展，為會計師事務所（簡稱“事務所”）向大數據審計轉型營造有利的行業環境，并提供明確的政策支持、技術指導和路徑指引。本文提出“大數據審計轉型”概念，是因為大數據審計帶來了若干審計創新的綜合效應，這些創新帶來了新的參與者、制度、實踐、價值觀和信念，它們改變、威脅、取代或補充了組織、生態系統、行業或領域內現有的游戲規則，目的是強調大數據審計對于事務所的影響不只是技術層面的改變，更是戰略層面的方向性變革，并且必須采取綜合行動來應對數字技術的挑戰。那么，是什么因素驅動事務所向大數據審計轉型？在轉型中會遇到什么障礙？如何實現轉型？這些問題值得研究。因此，本文擬通過對幾家典型事務所的調研，就這些問題進行初步的理論解答。

二、大數據審計轉型的動因

（一）環境動因

大數據帶來審計技術環境變化，是推動事務所向大數據審計轉型最直接的外部動因。我國企業從20世紀80年代初開始啟動會計電算化進程，進入20世紀90年代后開始逐漸使用ERP系統，實現財務業務一體化，邁向會計信息化階段。進入21世紀，企業借助互聯網發展浪潮，實現了網絡化應用，網絡財務開始出現。之后，“互聯網+”、物聯網、云計算、大數據、區塊鏈和人工智能技術蓬勃發展，進一步推動了企業信息化的縱深應用，財務業務實現深度融合，越來越多的結構化數據和非結構化數據被自動采集并整合進企業信息生態系統。同時，與企業業務相關的外部數據也更加廣泛。例如，社交媒體、博客中記錄了大量用戶對商品的評價信息。這些數據進一步充實和完善了企業信息生態系統。隨著企業信息生態系統的拓展，傳統業務數據和新增的非傳統業務數據通過整合形成的大數據，能夠更加完整地記錄經濟業務的軌跡，企業的信息鏈條不斷延伸，可以支持審計人員對企業的經濟業務進行更廣泛、更深入的分析。

大數據改變了采集、存儲、報告和使用業務信息的方法，進而對企業經營、內部控制、財務報表編制和財務報表審計的方式和方法帶來了重大影響。特別是大數據帶來的深度變革，使會計正面臨著潛在范式轉變，這無疑會對審計流程和審計模型產生重大影響。面對新的企業信息生態系統，審計人員在進行財務報表審計時必須轉向大數據審計，否則占大數據絕對主體地位的非結構化數據將無法納入審計人員的視野，而這些數據恰恰隱含了豐富的審計證據。因此，為了適應大數據帶來的全新審計環境，審計人員需要利用大數據平臺、云計算技術對審計技術和方法進行變革，不斷創新審計取證思維和模式。

（二）質量動因

大數據審計轉型的內在動力是審計人員對提高審計質量的承諾。大數據審計正在使審計模式回歸詳細審計，其技術能力有望提高審計質量。

1. 更全面的數據分析。大數據不僅導致了數據特點的變化，而且數據使用方式也變化明顯。技術的持續進步意味著審計人員比過去更容易采集、轉換、存儲和分析完整數據集，并能對全部交易和記錄的相關數據進行詳細測試，而非抽樣測試。由于大數據中的絕大部分為非結構化的非財務數據，審計人員可以突破過去從交易層面和賬戶層面開展審計的方式，運用新工具來提取數據，從而對更廣泛、更深入、非傳統意義上的審計數據集進行描述性分析、診斷性分析、預測性分析和規范性分析，更加深入地洞察所探究的問題，進而提高審計質量[2] 。

2. 更準確的審計判斷。傳統審計大量依賴于審計人員通過經驗積累的審計判斷，無法克服審計人員在審計判斷中普遍存在的過度自信、錨定效應、偏見、歧視等問題。而且審計人員在進行審計判斷時更多地依賴于直覺，而非數據。大數據借助高質量的算法模型和可視化技術，可以克服人為限制，提高決策的速度、準確性、一致性和透明度，從而帶來更加客觀的審計判斷結果。隨著人工智能的出現，審計人員將可以采取所謂的數據驅動型決策來輔助其判斷，甚至在某些環節或某種程度上替代其進行判斷，從而從根本上改變其決策方式。借助于人工智能，可以實現在審計業務中不斷“學習”，形成一個自我完善的審計知識庫，讓審計系統“越用越聰明”，這無疑有助于提高審計判斷的準確性。

3. 更高效的審計過程。審計大數據分析可用于單個審計任務的自動化以及整個審計周期。許多審計任務是結構化的、重復的，因此可以將其自動化。Kokina和Davenport[3] 發現，大多數的審計工作有結構化的任務（39%）和半結構化的任務（41%），只有小部分為非結構化的任務（20%）。在大數據審計中應用人工智能技術，可以支持完成部分半結構化的任務。將審計流程最大可能地自動化，就可以將審計人員的時間釋放出來，集中用于那些半結構化的需要充分運用審計判斷的任務。例如，自動化的審計大數據分析如果發現審計風險點，但又無法實現自動確認，就會通過“例外報告”的形式發送給審計人員，然后審計人員只需對例外情況進行審計即可[2] 。

4. 更直觀的審計結果。可視化技術是大數據技術的重要組成部分。如果數據分析結果以復雜的數據報告形式呈現給用戶，那么用戶依然需要花費大量時間進行解讀，并且這對用戶的專業性要求很高。而利用數字化儀表盤形式呈現的數據分析報告，主要運用簡潔大方、色彩鮮艷、布局合理的圖表、圖形形式，非常有利于用戶快速了解問題之所在，減輕信息過載問題。通過可視化技術，審計人員可以更容易地識別基于文本的數據中可能未被注意的模式、趨勢、相關性和異常值，從而及時發現更復雜和風險更高的審計領域，更有效和高效地理解實體及其環境。更重要的是，審計人員可以利用可視化結果與客戶的審計委員會或董事會、管理層進行無專業障礙的溝通，從而提高審計溝通效能。

5. 更高質量的審計證據。更高質量意味著審計證據更加充分、適當。充分性是衡量審計證據量的方面的指標，它是基于審計人員對重大錯報風險評估所需審計證據標準作出的判斷。大數據審計的分析測試對象是交易和余額的總體數據，審計證據的充分性并不是需要關心的主要問題。大量新形態的審計證據不斷被納入進來，成為傳統審計證據的補充或替代。適當性是衡量審計證據質的方面的指標，可以為審計人員形成審計意見提供相關性和可靠性方面的支持。傳統評價相關性和可靠性的方法可能不再適用。但是，相關性將可能繼續由審計人員的判斷來決定，這種判斷將受到規范化方式評價的影響，因為許多審計測試將通過規范化方式進入計算機程序，這些程序是當前所不存在的。相比而言，可靠性可能會提高，因為一般通過正式模型完成的自動化數據提取和利用比手工程序更加可靠。

（三）市場動因

不斷拓展審計服務空間、提高盈利能力是推動事務所向大數據審計轉型的市場動因。大數據分析能力已經引領新的商業模式并重塑行業競爭力。對事務所而言，運用大數據并不只是為了審計而審計，它在完成審計工作的同時，也衍生出了更多的鑒證和咨詢服務機會。目前，以國際“四大”為代表的事務所在大數據、區塊鏈、人工智能服務方面能力的提升，并非單純地為了服務于審計目的，而是為了拓展更廣泛的鑒證和咨詢服務空間，創造利潤更加豐厚的新業務，甚至拓展到其他專業的技術服務公司的市場范圍。

大數據具有改進客戶服務的能力，因為越來越精細的大數據可以支持審計人員為客戶提供更多個性化的產品和服務。在大數據時代，數據的價值更勝以往，互聯網企業一般都愿意通過為客戶提供免費服務來積累必要的數據。通過數據積累，可為企業進入新領域帶來重大機會。例如，蘋果公司利用其獨特的數據、基礎設施優勢和產品平臺，通過Apple Pay進入金融領域;阿里巴巴和京東通過利用商家交易的實時數據建立自己的信用評分系統，向在其平臺上運營的商家和用戶提供小額貸款。這就可能導致大型事務所以大數據審計為入口，通過主動放棄在傳統審計領域的高收費模式、降低審計收費來獲取客戶流量，從而使中小型事務所的“低價攬客”行為不再有效，給主要依靠審計收入的事務所帶來極大的盈利壓力。

在上述情況下，事務所只能選擇盡可能早地進行大數據審計轉型。一方面，利用大數據審計發展的戰略性機會搶占行業發展先機，綜合利用大數據審計帶來的符號價值和功能價值，爭取更多的客戶流量，贏得可能的“彎道超車”機會。另一方面，通過大數據審計轉型帶來的服務能力提升，逐步擺脫對傳統審計收費的依賴，逐步拓展其他鑒證和咨詢服務。例如，利用對客戶業務流程、風險領域和內部控制的深刻洞察，為其提供優化建議，以控制財務報告、欺詐、壞賬、稅務、控制缺陷和運營業務等風險，提高運營效率和績效;利用大數據分析的預測能力，更好地幫助客戶預測未來可能出現的問題并對其經濟業務作出戰略決策;利用事務所的信息技術能力，提供關于企業網絡安全、數據安全和隱私保護、IT治理等方面的鑒證或咨詢服務。

（四）戰略動因

應對審計行業競爭態勢變化進行戰略調整是推動事務所向大數據審計轉型的戰略動因。為應對大數據時代的新變革和新競爭態勢，目前國際“四大”不僅在大數據、人工智能和區塊鏈上進行重大投資，還與高科技公司合作開發出了一系列的創新性審計工具和新興業務，如表所示。

德勤已經開發了信息化、智能化程度很高的大數據審計工具。2016年，德勤宣布將與人工智能企業Kira Systems合作，開發能夠進行機器學習的文本挖掘軟件Argus，以便快速地從非結構化的商業文檔中提取信息，以支持其審計和咨詢服務。2018年，德勤服務于審計業務的智能財務數據平臺Spotlight正式上線，該平臺可以支持審計流程全面數字化、自動化和標準化。德勤的Cortex大數據平臺，可以無縫集成數據的采集、準備和分析，并對數據進行深度挖掘。

普華永道使用的名為Aura的全球ERP系統，可以保證每一個審計階段的質量和一致性，特別是在識別風險方面的功能強大，可以保證全球審計網絡中的審計團隊都使用一種一致、聚焦和高效的方式對風險點進行審計。普華永道自主開發的基于商業智能的Halo，可以實現對會計分錄的智能分析，目的是取代通用審計軟件ACL和IDEA，并成為僅使用一套算法來分析和保證數據的下一代軟件應用程序。此外，普華永道還運用了審計信息溝通工具Connect，存貨盤點工具Count，函證信息管理系統Confirmation System，數據溝通、提取和傳輸工具集Extract Platform。2017年，普華永道與硅谷人工智能公司H2O.ai合作開發的GL.ai，使用人工智能和機器學習來分析總賬中的異常和異常的會計活動。

安永承諾投入4億美元用于開發審計創新工具，包括新的審計支持工具（如大數據分析）。安永已經開始對大數據和區塊鏈技術將如何對財務報表審計產生影響制訂應對計劃，目前主要使用的是名為EY Canvas的在線審計平臺，該平臺中嵌入了EY Helix大數據分析套件。安永也有自己專用的機器人過程自動化系統，用于幫助其自動執行部分日常審計業務，并正在嘗試人工智能新應用，例如利用無人機搭載的計算機視覺功能輔助審計中的庫存盤點。

畢馬威已與技術企業（如McLaren）合作，設立了1億美元的投資基金，旨在通過開發大數據分析能力來推動審計轉型并為客戶創造價值。2016年，畢馬威宣布和IBM建立合作伙伴關系，使用IBM的Watson認知計算技術，通過機器學習來支持審計中的“判斷驅動過程”。2017年，畢馬威結合其戰略聯盟企業的技術力量，成功上線了名為KPMG Ignite的人工智能工具組合，著眼于通過高級數據分析和機器學習等技術，目的在于支持其客戶決策。

一般來說，大型事務所的客戶有更好的大數據環境，這就要求大型事務所在大數據審計技術方面進行重大投資。較小規模事務所的客戶擁有良好大數據環境的可能性相對較低，并且通常較小規模事務所也沒有冗余資源對大數據進行重大投資。這會導致“強者恒強”，較小規模的事務所將會逐步被邊緣化、低端化，甚至被淘汰出審計行業。更為嚴峻的是，隨著機器人過程自動化（RPA）應用帶來的審計自動化程度的提高，審計行業的專業門檻不斷降低，對大數據進行分析的專業能力則有望成為該行業新的競爭優勢。現在國際審計職業界有這樣一種認識，如果事務所沒能有效應對新一代信息技術帶來的挑戰，現在的高科技公司（如FinTech）就可能會抓住機會進入審計市場。這將使本已競爭激烈的事務所之間的競爭更加白熱化。

顯然，面對國際“四大”在大數據、人工智能技術方面的“裝備競賽”，高科技公司對審計行業的“虎視眈眈”，其他事務所如果沒有及時跟上大數據時代的發展步伐，其生存空間會越來越狹窄。對事務所而言，向大數據審計轉型有望為其帶來雙重戰略價值：符號價值和功能價值[4] 。功能價值主要體現在提高審計質量方面，而符號價值卻容易被忽視，其主要體現在通過大數據審計轉型，向利益相關者提供一個清晰的信號，表明事務所擁有先進的技術和方法或者跟上了行業主流，即作為一種“羊群效應”，從而為事務所帶來良好的聲譽和品牌形象。下圖說明了大數據審計的戰略角色。

當功能價值和符號價值都很高時，大數據審計可能是事務所提升內部價值和市場形象的戰略轉換器;當功能價值較高時，大數據審計可能成為提高生產力的良好績效增強器;當符號價值較高時，采用大數據審計可能是一種形象建立器，可以向利益相關者發送積極的信號;當功能價值和符號價值都不高時，事務所可能不會積極尋求大數據審計的價值，而是采取防御的立場[4] ，即形成一種被動防御器。

三、大數據審計轉型障礙

（一）審計數據質量較低

審計數據質量是保障審計質量的前提，評價審計數據質量是開展大數據審計面臨的最大挑戰之一。審計人員只有獲取了滿足審計大數據分析目標需求的高質量數據，才能充分挖掘出大數據審計的巨大潛力。高質量的審計數據應具備以下特征：

1. 可用性。在開展大數據審計時，審計人員面臨的首要障礙就是缺乏滿足審計大數據分析要求的數據源。審計人員通常是通過數據接口，根據事先對所需數據的定義，從客戶系統中提取所需的數據。但在實際審計業務中，許多數據可用性明顯不足。從技術角度來說，目前主流審計軟件的數據接口能夠導入的僅是結構化數據，企業系統內部和外部占比更高的非結構化數據則無法導入。結構化數據與非結構化數據不能在審計系統中融合，從而影響了審計大數據分析的廣度和深度。此外，在企業系統內部普遍存在“信息孤島”，數據分散存儲且缺乏明晰的數據體系規劃，這也給審計人員的數據采集帶來了困難。從客戶角度來說，審計人員并非“經濟警察”，他們對審計的認識很大程度上還局限在財務數據鑒證方面，而且從數據安全性和系統安全性角度考慮，他們也擔心審計人員是否有可能非法使用或泄露超出傳統審計范圍的敏感數據，往往會猶豫是否應該向審計人員完全開放其信息系統。

2. 可靠性。審計所用數據如果不可靠，數據量再大、數據類型再豐富，對審計大數據分析也不會有價值。對內部數據來說，其可靠性主要依賴于客戶的內部控制系統，因而需要評估控制數據采集或生成的相關內部控制的設計和運行是否可信。大數據審計中，外部數據是對內部數據的補充或替代，其來源非常關鍵。一方面，從審計證據的特點來說，外部數據通常會比內部數據更可靠。例如，銀行數據、網絡交易平臺數據。另一方面，外部數據更加魚龍混雜、虛實難辨。例如，消費者在社交媒體上發布的信息就可能存在很大的主觀性，通過這種信息來推斷企業的產品和銷售情況，有可能產生偏差。因此，區分大數據中的“惡意”和“有效”數據將會變得越發重要。

3. 相關性。用于審計大數據分析的數據雖然越多越好，但無論是從大數據分析的技術角度，還是從經濟角度來看，都不支持將所有數據“眉毛胡子一把抓”[2] 。如果分析的是不相關的數據，那么這種審計大數據分析將是徒勞無功的。所以，審計人員必須對審計大數據分析所需數據范圍進行規劃，并且能夠充分理解可以采集的企業內部和外部數據來源，這對審計人員的財務審計能力和大數據技術能力均提出了很高的要求。

4. 安全性。客戶對數據安全性的考慮是審計數據采集面臨的重要障礙。例如，客戶有可能擔心審計人員會損壞或篡改系統中的數據。此外，一些客戶可能擔心將公司的數據導入審計人員的審計系統，會引發數據安全漏洞問題（如被未經授權的第三方訪問）。還有一種特殊情況是，一些國家和地區對數據安全和隱私方面有著特殊的法律和監管要求，在某些情況下，會禁止將數據從客戶所在地移到客戶司法管轄范圍之外的地方，從而限制了審計人員獲取所需數據來開展審計大數據分析的能力。這對那些集團審計或多地點審計的影響更加明顯。如果審計人員要采集涉及個人信息的數據，還需遵循我國法律法規對個人信息保護的有關規定。

（二）審計技術能力有限

如果能夠獲取合乎質量標準的審計數據，接下來有可能面臨處理大型數據集（針對數據規模和復雜性方面）的挑戰。這種挑戰是相對于當前基于關系型數據庫系統的審計軟件及其配套信息技術基礎設施而言的。大數據審計的數據處理通常包括數據采集、數據存儲、數據清理、數據集成和數據分析等步驟，其中每個步驟的技術要求都遠超傳統審計，這也是事務所向大數據審計轉型所面對的新挑戰。

1. 審計數據采集。大數據審計需要用到的審計數據包括客戶內部和外部的各類數據。這些數據來源多樣、結構復雜，增加了數據采集的難度。一些客戶可能使用的是眾多拼湊在一起的系統，包括大量的過去沿用下來的系統，或者使用的是多個小型應用。這些問題使得審計人員難以高效地只使用一種格式來獲取數據。特別是對于那些使用專用系統或者各種獨立的非集成化系統（如從不同系統中獲取不同的數據集）的客戶來說，數據獲取的挑戰更大。如果審計人員沒有恰當地開展數據采集，并對所獲取數據的可用性保持合理判斷，那么將需要投入大量的時間和工作來理解各類系統中的數據結構，并嘗試用各種手段、花費大量時間來采集所需的數據。如果客戶的技術部門不能有效配合審計人員完成數據采集，則不利于審計人員的審計大數據分析。

2. 審計數據存儲。在大多數情況下，客戶的數據需要轉移到事務所的審計系統中，除了與數據安全和隱私相關的問題，事務所是否具有足夠的信息技術基礎設施來存儲這些數據，也是一個需要關注的重要問題。事務所的審計系統通常是基于關系型數據庫，因而只能存儲結構化數據，這并不能適應大數據的存儲要求。為應對大數據存儲要求，需要從審計系統的存儲架構著手，建立一個主題導向的（根據商業概念進行建模）、集成的（標準化）、支持更新的（允許新版本）和不易丟失的（未經修改和保存）數據倉庫或數據湖。對系統的技術架構進行重新設計，完善配套的數據存儲基礎設施，非常艱巨且成本高昂，這是影響事務所大數據審計轉型的關鍵障礙。

3. 審計數據清理。隨著可用審計數據規模、程度和復雜性的急劇增加，帶來了更多的數據冗余（如某些數據點在不同系統中重復采集）、數據不一致（如在不同系統中采集的相同數據點的數據值不一致）、數據丟失（如數據字段是空白的）、數據不協調（如在不同系統中對相同數據的定義不同，從而不能與其他系統中的數據建立聯系）等問題。如果不對審計數據進行清理，就會降低數據集的代表性，并可能扭曲從數據中得出的推論和結論。為了保證審計數據質量，提高審計大數據分析的效率和準確性，在進行數據處理前，有必要對數據庫中的損壞、遺漏、不準確、不一致或不相關的記錄進行檢測、糾正、過濾或刪除。然而從技術方面來看，對充滿噪音、實時產生、類型多樣、相互關聯和不太可靠的大數據進行清理是極具挑戰性的。

4. 審計數據集成。大數據審計還必須應對客戶內部數據和外部數據進行集成的相關挑戰。數據集成是將從各種數據源或同一數據源中的不同數據表采集的數據組合在一起，借以獲得用于大數據分析的最終數據集的過程。大數據分析通常要匯集各種在線活動數據，如社交媒體、購物網站中的用戶評論等信息，這些信息對某一事項可能有多種不同的解釋，也可能存在較大的模糊性。匯集這些數據顯然超出了當前數據集成系統的能力。根據大容量數據的可用性和數據呈現類型的多樣化，要智能化地整合這些數據并創造新知識，依然是一大關鍵挑戰。

5. 審計數據分析。一旦數據的采集、存儲、清理和集成工作完成，接下來就是數據分析。當前審計系統針對關系型數據庫的數據分析和建模方式，將不再適用于非結構化的非關系型數據。從大數據和傳統數據倉庫系統之間的差異視角來看，盡管兩者有相似的目標，即通過對數據的分析來發現審計線索，但它們在數據分析方法和數據組織方面存在差異。因此，過去的數據建模方法不再適用，更多的是進行基于算法的審計決策。隨著大數據審計可用數據的增加，需要廣泛地進行并行處理，也需要新的分析算法，對數據分析速度、成本的要求也隨之提高。如何對復雜的數據進行建模、學習、分析和挖掘，實現深度分析、學習和知識發現，需要對基于數據驅動和模型問題的解決方法進行集成。在分析完成階段，需要充分運用可視化技術來支持用戶更加直觀、高效地理解分析結果，方便審計人員進行審計判斷，以及與利益相關者進行溝通。

（三）大數據審計人才短缺

從審計工作的特殊性來說，要將大數據及大數據分析技術整合到審計中，審計人員應該具備通過大數據分析來獲取審計證據、得出審計結論、獲取對客戶更加有價值的洞察的能力。這些技能通常包括：①從審計使用的視角來理解大數據分析工具的收益和局限性;②當使用大數據分析或其他技術時能運用職業懷疑;③開發使用大數據分析工具所需的恰當的審計程序，包括控制測試和實質性測試;④考慮并恰當評價通過大數據分析工具和程序發現的異常、偏差和其他結果，決定是否需要開展額外的審計測試和獲取額外的審計證據，使得審計證據充分、適當，借以形成審計結論;⑤評價在大數據分析工具和程序中使用的信息對審計目標的實現是否充分和適當，包括數據是否有一個可靠的來源、是否完整和準確;⑥確保審計程序既能可靠地滿足審計目標，又能避免過度依賴這些程序進行數據采集、計算或處理，進而獲得輸出和結果方面的知識。

雖然隨著人工智能和機器學習領域的持續發展，以及大數據分析能力的提升，大部分的審計工作最終將會實現自動化，但以上六類代表性的技能要求明顯離不開審計人員的人工技能需求，至少在較長的時期內，這些審計技能是難以被人工智能所取代的[2] 。然而，掌握這些技能對于傳統審計人員來說并不容易。因此，缺乏具有適當技能的大數據審計人員是實現這些大數據審計全部潛力的主要制約因素。

（四）審計投入規模較大

與大數據審計實施相伴的大規模投入，依然是不得不考慮的重要影響因素之一。從大數據審計的技術能力來看，大量的傳統審計工作將實現自動化，這無疑會有助于降低這部分工作的成本。但大數據審計需要投入成本更高的專用審計資源，從而帶來更高的審計成本。大數據審計新增的成本主要體現在兩個方面：

1. 技術成本。技術成本涉及數據采集、數據存儲、數據清理、數據集成和數據分析相關的成本增加。大數據審計需要對事務所現有的信息技術基礎設施進行更新換代，而這種更新換代并非傳統意義上對軟、硬件的常規更換，而是一種在數量和質量方面的全面躍升。如果大型事務所選擇自建大數據分析的計算架構和基礎設施，自主開發智能審計作業云平臺，雖然在技術方面不存在很大的障礙，但由于系統建設周期長，平臺的后續維護、開發、升級成本高，技術能力有限且技術開發風險高，因此平臺的可持續性是一個不得不考慮的問題。如果選擇與技術公司聯盟，則可能有助于降低技術成本和技術風險。對小型事務所而言，往往無法承受這么高的投入，所以可能會選擇共享“審計云”平臺，使用共享軟件或付費軟件來開展大數據審計。這種技術成本相對較低，但技術能力又會受到限制。

2. 人力成本。大數據審計需要新的技術和管理能力，就需要招聘大量滿足大數據審計要求的新人才，并對現有員工進行專門的培訓。擁有大數據專業知識的審計人員比擁有財務報表專業知識的傳統審計人員的人力成本要高得多。從人才市場的供需角度來看，大數據相關技術和管理人員的供給少、需求大，以數據科學家為代表的高端人才更是極度稀缺，導致這方面的人員招聘成本高且難度很大。在大數據審計實施初期，可能不僅不會減少審計人員的數量，反而會增加對初級審計人員的需求，因為要讓他們來處理和標記異常值，促進機器學習，幫助改進審計模型的效率。從對現有審計人員進行培訓的角度來看，這類人員的知識、經驗和技能都是通過傳統審計業務積累的，已經形成了較為固定的思維定式，要讓他們使用大數據審計取證的新思維和新技能，需要在培訓方面安排大量的時間和投資。

大數據審計帶來的審計成本增加，可能會進一步帶來審計收費的增加，這對于事務所在審計市場中的競爭是不利的。然而，大數據審計所開展的傳統財務報表審計業務，可能并非事務所轉型大數據審計的主要目的，因為其希望通過大數據審計開發更多的高附加值的鑒證和咨詢業務，用來補償其在傳統審計業務中增加的審計成本，為此其甚至會主動降低審計收費。

四、大數據審計轉型路徑

從轉型的內在要求來看，大數據審計轉型并非純技術層面的改變，而是要求事務所進行一次根本的制度性變革，并采取綜合行動來應對各種挑戰。借鑒大數據分析能力框架[5] ，本文建議事務所通過以下路徑來逐步形成大數據審計能力，從而實現大數據審計轉型。

（一）數據采集與積累

數據采集與積累是事務所開展大數據審計的前提。未來注冊會計師行業的核心競爭力之一將體現為擁有大規模的高價值數據庫。審計人員的數據采集能力直接受制于客戶系統的規模和質量。進入大數據時代，客戶本身就存在利用大數據的強大內生動力，這給審計人員提供了充分的數據源。因此，事務所首先應該考慮如何開發數據接口，從客戶系統中獲取更加合乎審計數據質量要求的各類數據。首先應在數據量上進行擴大，也就是實現結構化的財務數據和業務數據在審計系統的匯總集成。利用數據量來支持審計系統能力的提升，將會持續較長的時間。

隨著事務所技術基礎設施的完善，審計人員數據采集能力的提高，大數據及相關技術能力的提升，或者在中注協的組織和推動下，建立起行業共享的大數據庫，事務所可利用的外部共享數據、行業共享數據、企業內部的各類非結構化數據會越來越多。這時，有的放矢地制定相應的審計大數據質量標準，并就如何采集和清理數據提供簡易可行的指南，對于保證采集的數據質量就變得至關重要。

從大數據的特點來說，數據積累越多，審計大數據分析的作用就會越大。事務所要積累豐富的審計數據，在技術上并不存在障礙，但受制于客戶的意愿和相關法律法規的約束。事務所在用審計軟件開展業務時，客戶往往會要求審計人員在分析完成之后將數據刪除，也會在審計項目約定書中明示相關的保密性和安全性要求。所以，事務所要積累客戶數據，一方面可能需要中注協組織制定行業數據采集標準及使用規范，以消除客戶對事務所為什么留存數據、如何保證數據的保密性和安全性等方面的顧慮;另一方面，還需要建立嚴格的質量控制規范，與客戶協商數據使用條款，向客戶闡明留存數據對其可能帶來的附加價值。

（二）技術開發與使用

對事務所而言，如果不以拓展新的鑒證和咨詢服務為目的，僅為審計目的而投入大量資源進行軟件開發和硬件升級，其經濟動機會大打折扣，畢竟在激烈的審計市場競爭下，傳統審計業務對事務所的邊際貢獻越來越低。但從其他鑒證和咨詢服務市場拓展需求角度來看，事務所還是有必要在技術開發方面進行大量新的投資的，具體可以從以下兩條路徑進行技術開發。

1. “拿來主義”，整合應用。大數據技術發展日新月異且門檻較高，如果事務所自己開發審計大數據分析技術，不僅進程緩慢，而且成本、失敗風險高。所以，現階段事務所應從自身條件出發，不宜盲目地“自主創新”，也不要特別強調將新的大數據應用嵌入自己的審計系統，而是要選擇整合應用。市面上可供選擇的用于審計自動化的工具頗多，這些工具既可以獨立使用，也可以結合起來使用。例如，Python和R都是免費的開源軟件，可用于對賬、分析性程序和內部控制測試等工作。Hadoop及其生態系統和分布式并行處理框架這兩類技術都被廣泛用于大數據中，可用來處理點擊流數據、社交網絡數據、來自傳感器的地理定位流數據以及網站日志數據。其他重要的大數據技術包括NoSQL數據庫、云計算、大數據倉庫技術和數據可視化技術。

2. 引入外援，借力優勢。隨著注冊會計師行業越來越快地向咨詢行業拓展，已經開始在技術咨詢領域與技術公司發生正面競爭。但大型事務所在技術方面的專業化程度并不一定優于規模小但在大數據、云計算、區塊鏈和人工智能等特定技術領域有技術優勢的公司。典型的如國際“四大”一開始也是選擇的大數據審計軟件或平臺，但因發現其效率不高，最終選擇與先進的自主開發技術公司合作，取得了非常明顯的效果。畢竟在這個技術日新月異的時代，技術公司的創新速度遠超事務所。而面對繁重的日常審計業務，以目前國內事務所信息系統審計隊伍的力量，是沒有充足的時間來研究和應用前沿大數據及相關技術的。所以，與合適的技術公司建立聯盟關系，借力其專業優勢，是一條可行之路。

（三）資金和時間投入

除了數據和技術，事務所還需要在資金和時間方面進行充足的投資。鑒于大數據及其相關技術和工作的新穎性，事務所目前尚未探索出一種標準程序來實施這些活動。雖然許多事務所決策層在各種場合對于加大信息化建設投入多有提及，但尚未形成明確的發展規劃，也未有明確的預算安排。這對于大數據審計轉型非常不利。而且，大數據審計轉型是一個長期過程，在每個階段都可能要探索較長的時間，事務所是否有扎實的定力、足夠的耐心、充分的時間朝著既定目標不斷探索，是事務所決策層需要慎重考慮的。在此過程中，難免會出現某一時期大數據審計投入和產出比達不到預期的情況，如果沒有足夠的戰略定力，繼續在資金和時間方面進行投入，很可能導致大數據審計轉型功虧一簣。

（四）人力資源儲備

事務所是知識型、技術型企業，人力資源是其生存之基、發展之本，也是核心競爭力所在。前三類資源屬于事務所需要著力構建的有形資源，而這些有形資源作用的發揮離不開人力資源[6] 。事務所在大數據審計轉型中，需要著力建立一支技術型和管理型人才隊伍。

1. 技術型人才隊伍建設。技術型人才主要是能夠通過審計大數據分析獲取新洞察的相關人員。這類人才類別比較廣泛，并不局限于審計領域，更重要的是在機器學習、數據提取、數據清理、統計分析和理解編程范式（如MapReduce）方面的能力。事務所在技術型人才隊伍建設中，不僅需要傳統的會計、審計、稅務等專業背景的財務審計人才，更需要考慮以下四個方面的人才：①設計數據系統和相關流程的數據架構師;②設計數據解決方案和構建產品的數據工程師;③通過數據分析獲得洞察的數據科學家;④具有某一技術或職能特定業務知識的“業務翻譯”，能夠將數據科學家獲得的洞察轉化為對財務報表相關項目的影響。此外，數據可視化是一項重要的技能組合，對于發現價值的“最后一公里”挑戰至關重要，它可以由數據科學家和“業務翻譯”人員執行，也可以是獨立的角色。數據可視化人員需要創造性地運用視覺設計技能，創建有效的用戶界面，提升用戶體驗。通過與技術型人員的有效搭配，組建起一支能勝任大數據審計的團隊。

2. 管理型人才隊伍建設。雖然事務所可以通過聘請新人或對現有員工進行培訓來組建技術型人才隊伍，但管理型人才所具備的管理技能并不具備很強的通用性，而是個體在同一組織長期工作中形成的技能，并且是適合該組織的高度專門化的。這些技能是建立組織成員之間強有力的人際紐帶的支持。簡言之，管理技能是隱性的，因而在不同事務所之間存在異質性。事務所當前亟需解決的是建設一支大數據審計項目管理人才隊伍。大數據審計項目管理者需要深刻理解如何運用、在何處運用由大數據審計技術團隊所獲取的新洞察。只有這樣，大數據審計項目管理者才有理解大數據的能力，預測客戶將來可能的需求，幫助事務所拓展新的鑒證和咨詢業務，充分發揮大數據審計的潛能。反之，如果大數據審計項目管理者不能預見通過大數據審計獲取新洞察的潛力，那么從大數據中獲取的新洞察將很難發揮出應有的作用。

（五）無形資源支持

無形資源被認為是企業績效的核心貢獻力量，并且在企業之間存在高度的異質性[6] 。其中，數據驅動的決策文化和組織學習強度被認為是可以讓企業從大數據中獲取收益的異質性資源[5] 。

1. 數據驅動的決策文化。事務所的企業文化建設對于大數據審計項目的成功至關重要。例如，一些企業的大數據項目通常沒有產生應有的效果，主要是與企業文化有關，而不是因為數據質量問題或缺少技術。企業文化具有抑制（或促進）組織從大數據中獲取收益的能力。雖然不同行業的許多組織采集了巨量數據，但僅有少部分的組織能夠從其數據分析投資中獲取實際收益[7] 。這是因為大部分的組織是依靠過去的經驗或其高層經理人的直覺進行重要決策的。因此，事務所要實現大數據審計項目的全部潛能，至關重要的就是在事務所內部形成一種數據驅動的決策文化。數據驅動的決策文化就是組織成員（包括高級經理層、中層管理者和基層員工）都是基于從數據中獲取的洞察進行決策。審計人員的決策如果受到事務所某些人員的職位影響，是不太可能做出準確、客觀判斷的。而且，由于事務所中所有級別的員工都需要做出某些決策，這就需要數據驅動的決策文化能夠影響到事務所的所有成員，無論他們的工作頭銜如何，都有能力根據從數據中獲得的某些證據來做出良好的決策。

2. 組織學習強度。在快速變化的市場條件下，事務所如果僅靠以前的有形資源和人力資源積累，是難以獲得持續競爭優勢的。一家企業如果能夠根據外部環境的變化來重構資源，就有可能獲得持續競爭優勢[6] 。同時，企業的這種能力可能會受到組織學習強度的影響[8] 。因此，如果事務所想讓大數據審計為其帶來持續競爭優勢，就需要加強組織學習，只有不斷學習、利用和探索新知識，建立充足的知識儲備，才能應對技術、市場條件的不斷變化。這些知識儲備與從大數據中獲取的洞察相結合，可以支持當事人做出明智的決策。大數據審計無論怎么發展，都不可能自動解決審計中的所有問題，而是僅僅提供審計線索或建議，最終還是需要審計團隊成員運用自己的知識來解決問題。

五、結語

推動事務所向大數據審計轉型不只是制度層面的規定，更是事務所順應大數據技術環境要求、保障審計質量、拓展更廣泛盈利空間、應對新的行業競爭的必由之路。在轉型過程中，還存在需要面對并著力突破的諸多障礙，主要包括審計數據質量較低、審計技術能力有限、大數據審計人才短缺、審計投入規模較大。事務所要系統地構建大數據審計能力，還需要從數據采集與積累、技術開發與使用、資金和時間投入、人力資源儲備和無形資源支持等方面采取綜合行動。

大數據審計畢竟是一種新生事物，無論是在國際還是在國內，都沒有一部具有可操作性的指南。大部分的資料還停留在觀念普及上，沒有具體的實踐指導價值。如果只是在審計過程中進行大數據分析，從技術方面來說難度并不是很大。主要問題是，如何將大數據分析與審計相結合，需要有具體的大數據審計指南或者審計大數據分析應用指引之類的文件來指導。本文建議中注協多借鑒前述機構的經驗，集合行業的精干力量，盡快制定出涉及大數據審計的實務應用指引，待大數據審計經驗積累到一定程度，再著手修訂相關的審計準則條款。

【 主 要 參 考 文 獻 】

[ 1 ]? ?陽杰，應里孟.大數據時代的審計證據與審計取證研究[ J].財會月刊，2017（1）：115 ～ 124.

[ 2 ]? ?陽杰，應里孟.審計大數據分析人才需求及其培養——基于CDIO理念的模式建構[ J].財會月刊，2019（4）：108 ～ 119.

[ 3 ]? ?Kokina J.，Davenport T. H.. The emergence of artificial intelligence： How automation is changing auditing[ J].Journal of EmergingTechnologies in Accounting，2017（1）：115 ～ 122.

[ 4 ]? ?Grover V.， Chiang R. H. L.， Liang T. P.， et al.. Creating strategic business value from big data analytics： A research framework[ J].Journalof Management Information Systems，2018（2）：388 ～ 423.

[ 5 ]? ?Gupta M.， George J. F.. Toward the development of a big data analytics capability[ J].Information & Management， 2016（8）：1049 ～ 1064.

[ 6 ]? ?Teece D. J.， Pisano G.， Shuen A.. Dynamic capabilities and strategic management[ J].Strategic Management Journal，1997（7）：509 ～ 533.

[ 7 ]? ?Ross J. W.， Beath C. M.， Quaadgras A.. You may not need Big Data after all[ J].Harvard Business Review，2013（12）：90 ～ 98.

[ 8 ]? ?Grant R. M.. Toward a knowledge-based theory of the firm[ J].Strategic Management Journal，1996（S2）：109 ～ 122.