知識挖掘技術(shù)驅(qū)動的電網(wǎng)企業(yè)內(nèi)部審計風險預警體系研究

蔡光程 曹麗霞 劉興 余建波 陸明

[摘要]電網(wǎng)企業(yè)的競爭日趨激烈，其內(nèi)部結(jié)構(gòu)也日趨復雜，但風險預警系統(tǒng)的建設仍然比較滯后。本文從電網(wǎng)企業(yè)內(nèi)部審計角度出發(fā)，以知識挖掘技術(shù)為手段，構(gòu)建電網(wǎng)企業(yè)內(nèi)部審計風險預警體系，包含風險監(jiān)測系統(tǒng)、風險預警系統(tǒng)和風險反饋系統(tǒng)。以M電網(wǎng)公司為例，使用模糊神經(jīng)網(wǎng)絡（Fuzzy Neural Network，F(xiàn)NN）對電網(wǎng)企業(yè)的財務狀況進行內(nèi)部審計，對風險進行預警、分級和跟蹤反饋，實現(xiàn)對電網(wǎng)企業(yè)財務狀況全面、客觀、多維度的審計。

[關鍵詞]內(nèi)部審計? ?風險預警? ?知識挖掘? ?模糊神經(jīng)網(wǎng)絡

本文系國網(wǎng)山東省電力公司科技項目（5206061900G4）

一、電網(wǎng)企業(yè)內(nèi)部審計風險預警體系

近年來，隨著電力體制的改革、相關政策調(diào)整及能源市場的波動，電網(wǎng)企業(yè)的財務狀況也日趨復雜多變。大數(shù)據(jù)和新經(jīng)濟時代的到來為電網(wǎng)企業(yè)經(jīng)營提出了新挑戰(zhàn)，而電網(wǎng)企業(yè)內(nèi)部經(jīng)營者因缺乏有效的約束監(jiān)督機制，主觀性決策為企業(yè)內(nèi)部審計帶來一定的困難和風險。電網(wǎng)企業(yè)的內(nèi)部審計風險主要包括財務風險、安全運行風險、投資風險、設備故障風險、工程管理風險等。電網(wǎng)企業(yè)的大規(guī)模性導致企業(yè)信息分散于各個部門，而企業(yè)風險預警的有效性依賴風險信息數(shù)據(jù)的全面性和綜合性。企業(yè)內(nèi)部審計部門因工作的特殊性，需要對所有職能部門開展審計工作，更容易獲得全面的風險信息，因此十分適合開展風險預警體系的構(gòu)建。

電網(wǎng)企業(yè)內(nèi)部審計風險預警體系從獨立、綜合的內(nèi)部審計角度，分析企業(yè)內(nèi)外部相關數(shù)據(jù)，構(gòu)建風險預警系統(tǒng)，科學有效地識別電網(wǎng)企業(yè)內(nèi)部發(fā)生風險的可能性，并向管理層發(fā)出預警信號。內(nèi)部審計風險預警體系的目標是揭示企業(yè)運行過程中未被揭示的風險領域，從風險等級和來源等方面給出建設性意見，幫助企業(yè)制定彌補措施和預防措施，在短時間內(nèi)消除或降低風險，并避免以后出現(xiàn)同類風險。

二、電網(wǎng)企業(yè)內(nèi)部審計風險預警體系構(gòu)建

（一）電網(wǎng)企業(yè)內(nèi)部審計風險預警體系構(gòu)建思路

電網(wǎng)企業(yè)與其他企業(yè)的主要區(qū)別在于其規(guī)模龐大和資產(chǎn)復雜，內(nèi)部經(jīng)營管理長期以來缺乏有效的約束監(jiān)督機制。因此，需要對電網(wǎng)企業(yè)財務狀況進行全面、客觀、多維度的審計，并構(gòu)建企業(yè)內(nèi)部審計風險預警體系，以減少發(fā)生審計風險和財務危機的可能性。電網(wǎng)企業(yè)內(nèi)部審計風險預警體系需要滿足以下要求：

1.電網(wǎng)企業(yè)數(shù)據(jù)的全面性和準確性。企業(yè)數(shù)據(jù)質(zhì)量的好壞直接影響風險預警的結(jié)果。如果數(shù)據(jù)質(zhì)量不佳，會給內(nèi)部審計帶來以下影響：干擾內(nèi)部審計分析，影響決策;影響模型預警結(jié)果，導致內(nèi)部審計不夠準確。因此，電網(wǎng)企業(yè)內(nèi)部審計風險預警要從數(shù)據(jù)全面性、準確性甚至及時性和一致性等方面來確保數(shù)據(jù)質(zhì)量。

2.風險預警模型的科學性與準確性。風險預警模型是企業(yè)內(nèi)部審計風險預警體系的根本導向，指引并實現(xiàn)相應的預警功能，預警模型的準確性與科學性會對內(nèi)部審計的效率和結(jié)果產(chǎn)生巨大影響。因此，必須選擇適合的風險預警模型，及時準確地識別電網(wǎng)企業(yè)的內(nèi)部風險。

3.內(nèi)部審計風險預警體系的專業(yè)性和靈活性。電網(wǎng)企業(yè)內(nèi)部審計風險預警體系不僅需要及時識別風險信號，還要對信號的風險水平進行分級，進一步確定風險的來源，幫助內(nèi)部審計部門制定相關措施以消除或降低企業(yè)風險，這對風險預警的專業(yè)性和靈活性提出了更高要求。

本文構(gòu)建的電網(wǎng)企業(yè)內(nèi)部審計風險預警體系如圖1所示，主要包括風險監(jiān)測系統(tǒng)、風險預警系統(tǒng)和風險反饋系統(tǒng)。

1.風險監(jiān)測系統(tǒng)。風險監(jiān)測系統(tǒng)是電網(wǎng)企業(yè)內(nèi)部審計風險預警體系的信息輸入接口，通過內(nèi)部審計機構(gòu)收集企業(yè)內(nèi)部的財務數(shù)據(jù)，構(gòu)建財務風險預警指標選取數(shù)據(jù)，并對數(shù)據(jù)進行預處理。首先，其數(shù)據(jù)來源并非局限于某電網(wǎng)企業(yè)內(nèi)部的封閉體，而是包含外部相關數(shù)據(jù)的一個開放體系。在大數(shù)據(jù)和人工智能背景下，外部經(jīng)濟和政策環(huán)境對電網(wǎng)企業(yè)的經(jīng)濟發(fā)展具有較大影響，審計和經(jīng)濟等相關數(shù)據(jù)可通過外部機構(gòu)獲取。風險監(jiān)測的目的是根據(jù)財務風險預警指標采集相關財務數(shù)據(jù)，對財務和審計風險進行常規(guī)監(jiān)控。電網(wǎng)企業(yè)財務風險預警指標的選取應遵循全面性和有效性原則。選取的財務風險預警指標首先應全面、準確地反映企業(yè)真實的財務狀況。其次，能夠?qū)υ撈髽I(yè)的財務和審計風險進行有效識別。在此基礎上，結(jié)合電網(wǎng)企業(yè)的實際財務情況，選取償債能力、盈利能力、經(jīng)營能力、發(fā)展能力和其他5個一級指標分析公司的財務狀況，并從中選取12個二級指標建立了財務指標體系，如表1所示。

2.風險預警系統(tǒng)。風險預警系統(tǒng)是電網(wǎng)企業(yè)內(nèi)部審計風險預警體系的核心模塊，通過相關的審計財務數(shù)據(jù)進行因子分析，提取主成分輸入風險預警模型，然后識別審計風險并對風險水平進行分級。風險預警系統(tǒng)中最關鍵的部分是風險預警模型的構(gòu)建，由于電網(wǎng)企業(yè)大規(guī)模和財務復雜的特點，需要建立一個高效、準確的風險預警模型，以快速識別企業(yè)內(nèi)部的審計風險，評價企業(yè)運營的風險水平狀態(tài)。

3.風險反饋系統(tǒng)。風險反饋系統(tǒng)建立在風險預警系統(tǒng)的基礎之上，當系統(tǒng)發(fā)出預警信號時，首先根據(jù)不同的風險水平分析預警信號產(chǎn)生的風險來源。風險反饋系統(tǒng)的目的是對風險進行跟蹤分析，根據(jù)風險來源確定可采取的風險應對措施，通過反饋判斷采取措施后的預警信號是否降低或排除，在最短時間內(nèi)減少該風險對電網(wǎng)企業(yè)造成的負面影響。

（二）內(nèi)部審計風險預警模型構(gòu)建

在大數(shù)據(jù)和新電力政策背景下，電網(wǎng)企業(yè)的內(nèi)部環(huán)境不斷變化，并呈現(xiàn)出高度的復雜性和不確定性。傳統(tǒng)的風險預警模型難以處理非線性和非結(jié)構(gòu)化的大規(guī)模數(shù)據(jù)，也無法適應企業(yè)內(nèi)部環(huán)境的快速變化。針對現(xiàn)代審計數(shù)據(jù)規(guī)模大但知識匱乏的問題，采用模糊神經(jīng)網(wǎng)絡等知識挖掘技術(shù)提取數(shù)據(jù)中存在的關系和規(guī)則，從而增強審計能力，實現(xiàn)對電網(wǎng)企業(yè)內(nèi)部審計的風險預警。

模糊神經(jīng)網(wǎng)絡中常用的模糊推理方法包括Mamdani型（簡稱M型）和Tagagi-Sugeno型（簡稱TS型），本文基于自適應神經(jīng)模糊系統(tǒng)（ANFIS），采用TS型模糊推理方法。TS型模糊推理方法具有利于計算、與自適應方法結(jié)合容易的優(yōu)點，能夠?qū)崿F(xiàn)建模過程的自適應和優(yōu)化處理。

模糊神經(jīng)網(wǎng)絡結(jié)構(gòu)如圖2所示，一般包括五層結(jié)構(gòu)：輸入層、模糊化層、規(guī)則層、反模糊化層和輸出層。

模糊神經(jīng)網(wǎng)絡的具體算法如下：

1.初始化網(wǎng)絡的權(quán)重值wij、隸屬度函數(shù)的中心值cij和寬度值σij。隸屬度函數(shù)是對模糊概念的定量化處理，常用高斯函數(shù)作為隸屬度。

2.輸入網(wǎng)絡的輸入向量Xn和目標輸出Yn。

3.計算網(wǎng)絡的實際輸出和目標輸出之間的誤差：

其中，pn和yn分別表示網(wǎng)絡的實際輸出和目標輸出。

4.采用誤差反向傳播算法對系統(tǒng)的條件參數(shù)進行調(diào)整以降低預測誤差。計算權(quán)重值wij、隸屬度函數(shù)的中心值cij和寬度值σij的修正加權(quán)系數(shù)：

其中，η為學習率，m為網(wǎng)絡的迭代次數(shù)。

三、實例研究

在電網(wǎng)工程中，財務審計預警是企業(yè)在經(jīng)營管理活動中對潛在的經(jīng)營風險與財務風險進行有效預測的重要工具。本節(jié)根據(jù)電網(wǎng)公司內(nèi)部審計風險預警指標涉及的部門提取相關數(shù)據(jù)，利用內(nèi)部審計部門調(diào)查相關資料，如公司統(tǒng)計報表、電網(wǎng)診斷報告、電網(wǎng)規(guī)劃報告、財務管控報表等，以M電網(wǎng)公司為例，選取2002—2019年所有季度的相關數(shù)據(jù)來驗證內(nèi)部審計風險預警體系的有效性和準確性。本文中審計預警方式采用Z值預警法，Z值模型是預測企業(yè)破產(chǎn)可能性、檢測財務風險與危機預警的主流模型之一，當企業(yè)的Z值低于2.675時表示存在風險。

（一）數(shù)據(jù)預處理和因子分析

當內(nèi)部審計數(shù)據(jù)中存在缺失值時，需要采用一定方法對數(shù)據(jù)進行清洗以補充完整，如均值法、最大頻率法等。由于內(nèi)部審計風險預警的各項指標之間存在量綱不一致的現(xiàn)象，因此必須對其進行歸一化處理。所采用的預警數(shù)據(jù)極差較大，適合采用Z-score標準化的方式對數(shù)據(jù)進行處理，計算公式如下：

其中，u和σ分別代表對應指標同年度的行業(yè)均值和行業(yè)標準差。

內(nèi)部審計風險預警體系共選取了12個財務指標，由于指標之間存在一定的多重共線性和自相關性，而過多的變量會影響網(wǎng)絡模型的訓練效率和預測結(jié)果，因此對預警數(shù)據(jù)進行因子分析和主成分分析，將多個相互關聯(lián)的變量精簡為少數(shù)幾個主成分因子，從而達到數(shù)據(jù)降維的目的。采用SPSS統(tǒng)計分析軟件進行KMO檢驗和Bartlett球形檢驗來判別數(shù)據(jù)的分布情況，檢驗結(jié)果如表2所示。其中KMO統(tǒng)計量的值為0.624，Bartlett球形檢驗的p值為0.000，說明可以通過主成分分析進行降維并篩選變量。

使用主成分分析提取風險預警體系的關鍵因子時，選擇保留特征值大于0.8的主成分。各主成分的特征值和方差貢獻率如圖3和圖4所示，選擇前6個主成分作為輸入變量，這6個主成分的累計貢獻率為98.489%，已經(jīng)包含了風險預警指標中絕大部分信息。

（二）結(jié)果分析

首先使用genfis1函數(shù)訓練ANFIS，產(chǎn)生TS型模糊推理系統(tǒng)中隸屬度函數(shù)參數(shù)的初值并提取數(shù)據(jù)中的規(guī)則知識，然后調(diào)用ANFIS圖形界面編輯器完成模糊神經(jīng)網(wǎng)絡的構(gòu)建和訓練。模糊神經(jīng)網(wǎng)絡的訓練參數(shù)如下：模型訓練樣本共56個，包含6個輸入變量和1個輸出變量，6個輸入變量的模糊子集數(shù)均設為2;隸屬度函數(shù)采用高斯型，訓練誤差設為0.0001，訓練步數(shù)設為20。

隸屬度函數(shù)是對模糊概念的定量化處理，確定研究中各輸入變量合適的隸屬度是運用模糊神經(jīng)網(wǎng)絡解決現(xiàn)實問題的前提。模糊神經(jīng)網(wǎng)絡會在訓練時調(diào)整隸屬度函數(shù)的參數(shù)值來減少預測誤差，6個輸入變量的隸屬度函數(shù)訓練前后的參數(shù)值如表3所示。

為更好地理解本文方法的有效性，采用T-SNE（T-distributed Stochastic Neighbor Embedding）算法對原始數(shù)據(jù)和本文方法的降維特征進行可視化。

如圖5所示，原始數(shù)據(jù)中正常樣本和不正常樣本隨機分布，部分數(shù)據(jù)出現(xiàn)重疊難以分辨;而經(jīng)過本文方法降維提取特征后，兩類數(shù)據(jù)出現(xiàn)聚類現(xiàn)象，可以完全分開，這說明本文方法可以有效提取該電網(wǎng)公司財務數(shù)據(jù)的關鍵特征。

訓練階段，F(xiàn)NN從輸入數(shù)據(jù)中共提取了64條規(guī)則，測試階段使用16個樣本進行測試。將FNN的預測結(jié)果與BP神經(jīng)網(wǎng)絡（BPN）進行對比，測試樣本的預測值與真實值對比情況如圖6所示。根據(jù)Z值模型的判定準則，當Z值低于2.675時，企業(yè)的財務狀況可能存在風險。從圖中可以看出，F(xiàn)NN可以識別出所有的風險樣本（5個），預警正確率為100%;BPN共識別出4個風險樣本，預警正確率為80%。進一步將測試樣本的風險預警進行分級，將Z值在1.81—2.675的樣本視為中等風險，Z值低于1.81的樣本視為高風險。預警分級結(jié)果如表4所示，其中高風險樣本3個，中等風險樣本2個，F(xiàn)NN模型的預警分級的準確率為100%，BPN模型預警分級的準確率為87.5%。證明了本文所提出的基于知識挖掘的FNN模型可以為電網(wǎng)企業(yè)內(nèi)部審計風險預警提供科學可行的評價方法。

四、結(jié)論

本文從內(nèi)部審計角度出發(fā)，重點分析了電網(wǎng)企業(yè)內(nèi)部審計如何與風險預警相結(jié)合，介紹了電網(wǎng)企業(yè)內(nèi)部審計風險預警體系的定義與目標，并將知識挖掘技術(shù)應用于企業(yè)內(nèi)部審計與風險預警。闡述了電網(wǎng)企業(yè)內(nèi)部審計風險預警體系的構(gòu)建思路和應用流程，將該體系分為風險監(jiān)測系統(tǒng)、風險預警系統(tǒng)和風險反饋系統(tǒng)，并以M電網(wǎng)公司為例進行內(nèi)部審計風險預警實驗，測試結(jié)果證明了基于模糊神經(jīng)網(wǎng)絡的內(nèi)部審計風險預警模型可以有效識別電網(wǎng)企業(yè)內(nèi)部的風險并進行預警分級，從而為電網(wǎng)企業(yè)的內(nèi)部審計提供決策思路，提高審計效率。

（作者單位：國網(wǎng)山東省電力公司? 同濟大學機械與能源工程學院? 國網(wǎng)山東省電力公司濟寧供電公司，郵政編碼：201804，電子郵箱：jbyu@tongji.edu.cn）

主要參考文獻

韓錕，李有華，張俊民.國家電網(wǎng)公司內(nèi)部審計工作的創(chuàng)新與實踐[J].財務與會計， 2018（19）：80-81

李猛，朱迎際，莊軼.基于自然語言技術(shù)的內(nèi)部審計風險預警框架構(gòu)建與應用：以NJ銀行授信業(yè)務為例[J].中國內(nèi)部審計， 2019（6）：4-9

王宏巍，李仁昊.審計預警體系研究：基于農(nóng)配網(wǎng)工程物資異常領用風險[J].會計之友， 2020（10）：

128-135

楊熳.非結(jié)構(gòu)化內(nèi)部審計數(shù)據(jù)及其處理探析[J].中國內(nèi)部審計， 2019（4）：23-27

張月.企業(yè)內(nèi)部審計創(chuàng)新研究：以電網(wǎng)公司為例[J].現(xiàn)代營銷（下旬刊）， 2020（7）：250-251