基于大數據挖掘分析的財務報表舞弊審計

吳勇 何長添 方君 張超

【摘要】準確識別客戶可能存在的異常行為和舞弊風險是財務報表審計中的關鍵步驟， 面對審計過程中的海量數據， 審計人員亟需使用新的理論方法和技術工具， 系統地挖掘和分析數據背后隱藏的反映公司舞弊的規律和特征。 為了指導審計人員將相關數據挖掘技術高效地應用于具體審計活動， 在系統總結和梳理審計大數據的本質內涵與特征分類的基礎上， 明晰審計大數據挖掘分析與傳統數據分析的差異， 探尋數據挖掘技術在財務報表舞弊審計中的最佳應用模式， 建立數據挖掘技術應用于財務報表舞弊審計中的整合性框架。

【關鍵詞】大數據;財務報表;舞弊審計;數據挖掘;數據分析

【中圖分類號】 F230? ? ?【文獻標識碼】A? ? ? 【文章編號】1004-0994（2021）03-0090-9

一、引言

伴隨著云計算、大數據、物聯網、區塊鏈、數據分析與可視化、流程自動化以及人工智能等創新技術在會計、審計和財務領域的廣泛應用， 數字化信息呈爆發性增長， 大數據已成為企業獲取競爭優勢的關鍵性基礎， 也是未來企業提高生產率、創新以及進行價值創造的重要源泉。 在對大型組織實施審計的過程中， 審計人員雖然可以獲取客戶組織內、外部的大量數據， 但同時也易于被這些數據所淹沒[1] ， 因此系統地挖掘和分析大量數據背后公司的行為特征， 特別是準確識別客戶可能存在的異常行為和舞弊風險就顯得尤為重要[2] 。 此外， 在高度自動化的環境下， 財務報告使用者對報告時效性的要求越來越高， 這就需要對大量自動生成、即時可訪問的海量數據實施持續性審計。 為此， 審計人員亟需使用新的理論方法和技術工具， 實現由傳統人工審計到大數據分析的轉化， 從而進一步拓展審計的深度和廣度， 提高審計工作效率， 提升審計質量和價值。

數據挖掘是指運用專業的工具、技術、模型和方法， 對大量無序的數據進行采集、加載、分析和集成， 以便從海量數據中發現隱含的、有效的、有價值的、可理解的模式、規則和知識， 并對結果加以解釋， 從而為解決相關復雜決策問題提供依據和輔助支持。 舞弊偵測是數據挖掘技術在財務報表舞弊審計中的重要應用， 然而其在實際運用過程中面臨著一系列挑戰。 一般而言， 當發現某一審計客戶存在舞弊行為時， 審計人員會面臨三方面決策：特定客戶的審計計劃中應涵蓋哪些具體類型的舞弊行為（如收入確認、高估資產、少計負債等）？ 哪些數據來源（如日記賬、系統工作日志、電子郵件等）可以為識別各類舞弊提供證據？ 采取何種數據挖掘技術（如定向技術或非定向技術）才能最有效地找到潛在的舞弊證據？

為了解決上述三方面問題， 本研究在系統總結和梳理審計大數據的本質內涵與特征分類的基礎上， 明晰了審計大數據挖掘分析與傳統數據分析的差異， 探尋數據挖掘技術在財務報表舞弊審計中的最佳應用模式， 建立了數據挖掘技術應用于財務報表舞弊審計中的整合性框架， 以便指導審計人員將相關數據挖掘技術高效地應用于具體審計活動。

二、審計大數據的內涵

（一）審計大數據的定義

近年來， 學術界和產業界基于不同的視角， 對大數據做出了不同的定義。 大數據作為組織中一類重要的信息資產， 是與固定資產和人力資本類似的生產要素， 對經濟社會發展具有重要價值。 大數據具有規模性（Volume）、高速性（Velocity）、多樣性（Variety）和真實性（Veracity）等技術特征（被稱為“4V”特征）。 基于大數據資源觀視角， 可以認為大數據是企業的戰略性資源， 其來源多樣、特征復雜， 企業如果能夠快速有效地進行大數據分析， 并通過直觀、可視化的方式獲得大數據分析背后隱藏的知識和規律， 增強管理洞察力和價值發現能力， 那么大數據將成為支持企業管理決策的一類重要資源， 具有重要的決策價值。 但是， 如果企業看不懂或不會用大數據， 那么其決策有用性的價值將受限[3] 。

對于審計工作而言， 通過分析、挖掘發現被審計單位大量交易數據背后隱藏的信息， 特別是通過對大量交易數據的統計特征分析、分類、聚類和關聯特征分析， 能夠有效識別潛在的異常交易和舞弊特征信息， 從而為舞弊風險偵測、審計風險評估等提供有益的決策支持。

（二）審計大數據的分類

大數據環境下， 企業在經營管理過程中會產生各類數據信息， 大數據的形式和特征極其復雜， 不僅表現在其數量規模大、來源廣、形態結構多樣， 還表現在其狀態變化和開發方式等具有不確定性。 就審計工作而言， 可以從數據來源、數據類型和數據獲取三個方面對審計大數據進行分類。

就數據來源而言， 大數據環境下審計人員能夠獲得企業內部眾多數據資料， 例如：ERP系統、財務處理系統、交易處理系統以及客戶關系管理系統提供的交易數據， 從企業生產制造設備、各類傳感器中采集的生產、倉儲、運輸等生產運營過程中的業務數據， 企業內部辦公系統中的電子郵件、公文處理和會議檔案等數據。 同時， 審計人員還能從外部網站及社交媒體平臺中獲取包括對被審計單位的各種分析評論、網絡輿情以及分析研究報告。 就數據類型而言， 審計人員不僅能夠獲得傳統的數值型、文本型數據， 還能夠獲取諸如圖像、音頻、視頻等多種類型的數據。 就數據獲取而言， 審計人員可以從物聯網平臺、ERP系統、各類傳感器、網絡平臺和社交媒體以及視頻監控設備上獲取數據。 對于上述多種類型、多種來源、多方采集的多源異構的海量數據， 需要建立數據分析處理模型， 以提取出相關信息、識別潛在關系、建立內在關聯， 有效識別數據背后隱藏的規律性認識， 增強數據洞察力， 從而為相關舞弊識別、風險評估等審計決策提供依據。

（三）審計大數據分析

審計大數據分析是指審計人員為了實現既定的審計目標， 通過數據抽取、轉換、裝載（Extract-Transform-Load， 縮寫為ETL）程序獲取內、外部多種類型的數據， 運用大數據分析模型、方法和技術， 分析全部交易及不同來源數據背后隱藏的異常情況， 有效識別舞弊、錯誤以及違反內部控制等情形。 例如， 通過計算數據的平均數、標準差、最大值及最小值等統計參數， 有效識別異常交易， 或通過數據分類、聚類及關聯分析， 有效識別數據的特征及其內在關聯等， 從而為舞弊識別、審計風險評估、審計報告出具等提供有效的決策支持。

傳統的信息系統僅僅能夠獲取及分析企業內部的結構化數據， 編制靜態報表， 基于有限的數據進行有限的分析。 在數據具有海量、實時與多元特征的大數據環境下， 大數據分析工具已經成熟， 其可以快速向下挖掘數據特性， 為使用者實時提供適應各種營運變化的解決方案， 采取交互式儀表盤的操作， 快速洞析數據， 且通過可視化分析與展示技術， 以更加直觀、更易于理解的方式呈現大數據分析的結果。 大數據分析與傳統數據分析的對比如表1所示。

雖然大數據和數據分析是兩個獨立的概念， 但兩者緊密關聯， 圖1就表明了審計領域中兩者之間的內在聯系。

多年來， 會計師事務所習慣于在路徑A中使用傳統的數據分析工具（如Excel、ACL和Case-Ware IDEA）來分析會計數據的樣本。 美國會計學會對相關從業人員的最新調查結果顯示， 會計師事務所已開始進入路徑B并遠離抽樣審計方法， 數據可視化的審計工具（如Tableau）越來越受到審計人員的歡迎， 但審計的重點仍然是傳統的會計數據和審計程序， 如查找重復的發票。 調查結果也提及社交媒體分析已經作為審計的一部分， 并開始向路徑C方向發展， 而路徑D才是真正地將大數據和高級數據分析工具進行有機融合， 在傳統審計注重會計與財務數據的描述性分析基礎上， 引入非財務數據以及外部的宏觀經濟、制度環境、社交媒體等海量的多源異構大數據， 更加關注現狀背后的問題與成因分析、未來的趨勢預測以及如何針對問題給出優化解決方案和處置策略。

三、數據挖掘分析技術的概念和分類

（一）數據挖掘技術的概念

在闡述數據挖掘的概念內涵時， 需要明晰數據抽取與查詢、數據分析和數據挖掘三者之間的關系。

1. 數據抽取與查詢。 在財務報表審計中， Excel、ACL和Case-Ware IDEA等計算機輔助審計工具和技術（CAATTs）是審計人員檢查客戶數據時最常用的工具， 其內置的多種函數功能等可以進行描述性統計和簡單的數據分析， 有效地識別客戶數據集中的可疑數據模式， 而且還能作為進一步審計程序的樣本選擇工具。 例如， 如果某公司的內部控制制度規定支付給供應商超過50000元的貨款需要財務總監簽字， 為了防止存在開出低于50000元的舞弊性支票以避免財務總監審查的情形發生， 可以利用數據提取工具抽取金額在49000 ～ 49999元之間的支票， 以確定是否有違反內部控制的舞弊行為存在。

2. 數據分析。 數據分析工具集為審計人員提供了從簡單到復雜的一系列分析技術。 例如， 簡單的數據分析包括基本的描述性統計（如計數、最小值、最大值、平均值和離散度等）以及比率分析， 而相對復雜的數據分析包括單變量和多變量回歸等推理統計以及相關分析等。 數據分析可以進一步分為描述性分析、診斷性分析、預測性分析和處方式分析。

（1）描述性分析（Descriptive analysis）。 描述性分析主要回答過去發生了什么， 通過將過去和當前數據轉換為總結性、概括性的報告、圖表、數據透視表等形式， 幫助審計人員全面、高效地了解被審計單位當前的經營狀況和財務業績。 例如， 將營業收入增長率與前期數據相比可以幫助管理會計師了解公司的成長能力， 與行業基準相比可以看出公司是否保持了競爭優勢。 除此之外， 描述性分析在顧客、企業、員工層面也有助于管理會計師發揮職能。 例如：退貨率和保修索賠率可以反映客戶對公司新產品的滿意程度; 研發費用占比可以衡量公司對開發新產品或服務的重視程度; 員工技能、生產力等特征可以識別高效率的員工。

（2）診斷性分析（Diagnostic analysis）。 診斷性分析旨在分析為什么會發生， 詮釋當前結果的原因。 例如：相比于同行業的其他企業， 為什么企業的經營費用、銷售費用和管理費用會增加？ 為什么平均有效所得稅率會變化？ 為什么應收所得和凈收益之間的差異會越來越大等？ 與同期相比， 為什么銷售收入會下降？ 診斷性分析可以進一步細分為兩類：識別異常， 以及發現兩個或多個變量之間未知的連接、模式和關系。

（3）預測性分析（Predictive analysis）。 預測性分析旨在回答未來可能會發生什么， 它利用各種統計、建模、數據挖掘工具對某段時間內累積的歷史數據進行研究， 計算未來事件發生的可能性， 從而對未來進行預測。 預測性分析采用的數據大部分是定量的數據， 主要的算法有分類分析、回歸分析和時間序列分析等。

（4）處方式分析（Prescriptive analysis）。 處方式分析（或稱為規范性分析）是在前述分析的基礎上， 給出相應問題的解決方案和行動建議， 主要回答如何做得更好或該朝哪個方向努力。 它是在描述性和預測性分析結果的基礎上， 通過探尋一個或多個解決方案， 并分析每個解決方案的可能結果， 給出最優解決方案， 以便有效地指導我們如何才能取得更好的結果。 具體的分析方法主要包括情景假設分析、單變量分析、邊際分析、現金流量分析、敏感性分析， 以及機器學習、仿真優化等智能決策和優化算法。

3. 數據挖掘。 數據挖掘是基于海量數據來揭示、發現有意義的關系、規則、模式或趨勢的過程， 它融合了人工智能、數據庫和數據倉庫技術、模式識別、機器學習、統計學、數據可視化和高性能計算等多個領域的理論和技術， 是數據庫中知識發現的核心步驟。 針對財務報表舞弊審計而言， 超出正常范圍或預測范圍的數據挖掘結果能為審計人員提供重要的風險信號。

（二）數據挖掘技術的分類

數據挖掘的模型、工具和技術手段多種多樣， 按照數據挖掘技術中變量之間關系的不同， 可將其分為定向（或自頂向下的方法）和無定向（或自底向上的方法）兩大類。 其中： 定向數據挖掘用于識別感興趣的特定目標變量， 探究該變量與選定的其他變量之間的關系; 而無定向數據挖掘沒有特定的目標變量（因變量）， 可用于探尋數據總體中任何變量之間的關系。 換言之， 定向數據挖掘適用于檢驗特定的假設， 而非定向數據挖掘適用于檢驗新的假設。

1. 定向數據挖掘。 定向數據挖掘技術包括：

（1）分類（Classification）。 分類的核心目的是把具有某些特征的數據項映射到特定類別上， 它通過對帶有類標號的訓練數據集的學習來建立分類模型， 常以分類規則、決策樹或數學表達式的形式予以表達， 并利用分類模型將新對象準確劃分到相對離散的類別中。 分類的準確性、魯棒性以及對分類結果的解釋能力是衡量分類質量的重要指標。 常用的分類技術包括決策樹歸納、貝葉斯信念網絡、神經網絡、支持向量機和遺傳算法等。 例如， 針對財務報表審計， 可以依據財務報表相關信息、股價波動和成交量等變量的特征， 將審計客戶劃分為低風險、中風險和高風險三大類。

（2）估計（Estimation）。 估計模式的函數定義與分類模式相似， 主要差別在于分類模式采用離散預測值（如類標號）， 而估計使用的是連續的預測值。 此種觀點下分類和估計都是預測問題， 但數據挖掘界普遍認為：用預測法預測類標號為分類， 預測連續值（如使用回歸方法）則為估計。 例如， 針對財務報表審計而言， 估計技術不是將客戶風險劃分為低、中、高三類， 而是給出一個風險評分（例如0 ～ 10）， 估計值適用于對象的總體排序， 并生成閾值得分， 隨后可以通過類似于邏輯回歸的技術實現對象分類。 例如， 將風險評分超過7.5分的客戶界定為高風險客戶， 對其實施更加嚴格的審計程序。

（3）預測（Prediction）。 “描述”和“預測”是數據挖掘的兩個重要目標， 描述性數據挖掘的任務主要是找到描述數據的可理解模式， 以便更好地刻畫目標數據中數據的一般性質， 例如分類和估計等數據挖掘技術通常用于揭示數據集中先前確定的變量的特征。 而預測性挖掘的任務是對當前數據進行歸納以便做出預測。 因此， 數據挖掘領域的學者經常將預測技術與分類和估計技術區分開來。 預測技術主要是利用歷史數據建立模型來找出變化規律， 并用此模型預測數據集中其他感興趣的變量或字段的可能值或一個數據集合中某種屬性值的分布情況。 與分類技術類似， 預測技術也使用訓練集來構建初始模型。 在財務報表審計中， 若找出某一因素超出預測范圍的異常值， 則能為識別審計疑點和確定重點審計領域和方向提供重要支持。

2. 非定向數據挖掘。 非定向數據挖掘技術的典型應用主要包括：

（1）關聯規則（Affinity grouping）。 關聯規則是指在沒有特定的因變量和自變量的情形下， 尋找數據集中相關變量之間的關聯關系和相關關系。 最著名的關聯規則挖掘算法是Apriori算法， 該算法的基本思想是：統計多種商品在一次購買中共同出現的頻數， 然后將出現頻數多的搭配轉換為關聯規則。 在財務報表審計應用中， 審計人員可以利用數據挖掘技術分析收入與成本費用以及資產、廠房、設備和工廠維護費等分類賬之間的關聯規則， 那些不在預期關聯分組之內的分類賬將是審查的重點。 此外， 關聯規則分析還能應用于遵循特定序列（如時間模式）的數據上。 例如， 銀行針對洗黑錢的審查， 可以根據相關事件發生的順序查找潛在的關系， 有助于識別出一系列不正常的、但金額相對較小的賬號間轉賬的舞弊行為。

（2）聚類（Clustering）。 聚類是數據挖掘中用來發現數據分布和隱含模式的一項重要技術， 其核心目的是根據數據集中的變量關系將數據項聚為多個子類或簇。 按照“最小化類間的相似性、最大化類內的相似性”原則， 使得類內的數據差異盡可能小， 類間的數據差異盡可能大。 聚類技術包括層次方法、基于神經網絡的自組織映射和基于密度的技術。 與分類模式不同的是， 聚類中要劃分的類別是未知的， 它是一種不依賴于預先定義的類和帶類標號的訓練數據集的無監督學習（Unsupervised learning）， 無需背景知識， 其中類的數量由系統按照某種性能指標自動確定。 例如， 在一組分類賬集合中， 審計人員可以按照銷售收入、應收賬款、產品成本和庫存聚類為幾個子類。

（3）描述和可視化（Description & Visualization）。 數據挖掘的重要目標是在數據庫中發現“有趣的、有價值的”知識， 并利用可視化技術將其以圖形、圖像等易于理解的方式予以呈現， 以便用戶更加直觀、清晰地理解數據挖掘的結果。 當然， 對數據挖掘結果潛在含義的解釋有賴于審計人員所掌握的專業知識以及對客戶業務模型的深刻理解。

（三）不同數據分析工具之間的內在關系

圖2列示了數據抽取與查詢、數據分析和數據挖掘三個概念之間的關系。

隨著審計人員對審計技術工具的應用從數據抽取與查詢轉向數據分析和數據挖掘， 軟件在功能方面變得更加復雜， 診斷性分析和預測性分析能力也更強。 通過系統的文獻梳理可以發現， 審計人員使用以上三種技術的頻率存在差異， 數據抽取和查詢工具的使用頻率很高， 而數據挖掘工具的復雜性及對審計相關知識的要求更高， 使其應用受到制約。

四、基于全生命周期的大數據挖掘技術在審計中的應用

注冊會計師發表的無保留審計意見是對財務報表不存在由錯誤或舞弊引起的重大錯報的合理保證。 針對財務報表舞弊審計， 美國注冊會計師協會（AICPA）發布的第99號審計準則《財務報表審計中對舞弊的考慮》（SAS第99號）將舞弊分為財務報表舞弊和資產侵占舞弊兩類， 雖然后一類舞弊發生的頻率可能更高、涉及面更廣， 但其重要性并不如財務報告舞弊。 SAS第99號將財務報表舞弊定義為“在財務報表中故意錯報或遺漏金額， 旨在欺騙財務報表使用者， 導致財務報表在所有重大方面均無法按一般公認會計原則（GAAP）公允列報”。 審計準則體系要求審計人員制訂周密的審計計劃、執行嚴格的審計分析以及實質性審計程序， 以便檢查財務報表中出現的錯誤， 按照“審計計劃—審計實施—審計報告”的審計業務全生命周期[4] ， 審計各個階段的步驟可列示為圖3。

本文基于審計業務全生命周期各階段的地位、目的和性質， 探討數據挖掘技術在各階段可能發揮的潛在作用。

（一）審計計劃階段

審計計劃階段應聚焦于企業利益相關者關注的領域， 并衡量使用大數據分析技術、方法的可行性， 同時識別企業各作業流程所存在的風險， 制訂合理的審計計劃。

1.了解被審計單位。 無論被審計單位財務報表是否出現錯誤或舞弊， 對重大錯報風險的評估都是審計計劃階段的重要工作， 而了解被審計單位是審計計劃早期階段的關鍵內容。 審計人員必須了解各種與客戶相關的風險因素， 包括所有權結構和組織架構、價值創造過程的本質、與業務合作伙伴和關聯方的關系， 以及客戶運營的監管環境。 鑒于被審計單位在業務流程、組織結構以及與業務合作伙伴關系方面的復雜性， 審計人員有可能利用數據挖掘工具和技術提高對被審計單位績效、外部關系和網絡數據的分析能力。 通常， 在預審計環節， 可以利用數據挖掘技術對被審計單位的外部數據（如公布的財務報表、新聞報道、分析報告、股價、監管文件等）以及內部的財務數據等進行多維度分析， 并選擇行業數據進行對標分析， 以有效識別風險。

2.制訂審計計劃。 被審計單位評估的風險越高， 越需要制訂更詳細的基于風險導向的審計計劃。 作為審計計劃的一部分， 審計人員通常會采取各種分析性程序來制訂預期的賬戶余額， 如債務水平、現金水平和應計水平。 審計人員還會對財務報表核心數據進行比率分析， 以得到預期值。 同時， 國家和行業的產出、收入和盈利水平是一個重要的比較基準， 將國家和行業的外部數據分析與被審計單位內部數據相結合， 利用內、外部數據集的有效組合進行數據挖掘， 有助于制訂更加有效的審計計劃， 提升審計效率和質量。

在基于大數據審計的過程中， 審計計劃階段最具挑戰性的工作是采集與準備所需的數據資料， 包括向企業信息部門提出具體的數據需求以及從外部獲取相關審計大數據。 如何確保所取得數據的準確性和完整性， 如何對多種來源和類型的審計大數據進行數據預處理等都會影響審計工作的有效性。

3.與舞弊相關程序的計劃。 舞弊風險作為審計計劃的一部分， SAS第99號要求審計人員系統地解決因舞弊而產生重大錯報的風險。 審計人員必須以謹慎的方式（包括審計團隊進行積極的頭腦風暴）討論審計計劃中的財務報表舞弊風險， 完成各種分析性程序。 例如， 針對可能存在舞弊的收入報告， 在審計計劃階段， 審計人員應執行與收入相關的分析性程序， 如將收入、銷售量與企業的生產能力進行比較， 若銷售量超過產能， 則表明可能存在虛假銷售。 此外， 在報告期間和報告結束后一段時間內， 對月銷售收入的趨勢分析有助于識別出可能存在與客戶簽訂未公開的合同， 以及退回已確認收入的商品等收入賬戶舞弊的異常情形， 這種基于時間維度的數據挖掘分析， 為大數據環境下審計風險評估提供了新的有效思路。 例如， 不是對已知指標（如庫存周轉率和產品盈利能力）直接進行比率分析， 而是通過對多個指標的數據挖掘開發更復雜的客戶增值流程和風險概況模型， 有效識別潛在的舞弊風險。

此外， 審計計劃階段的另一個重要內容是考慮內部控制缺陷所帶來的風險， 要求審計人員評估內部控制的設計和執行情況。 被審計單位通常會準備大量的會計流程文件來證明其內部控制設計和執行的有效性， 審計人員可以對這些會計流程進行系統的數據分析， 以評估風險和后續測試的關鍵控制點。

（二）審計實施階段

在審計實施過程中， 需要利用所獲取的審計大數據進行審計測試， 傳統審計抽樣及抽查等技術方法已無法有效發現錯誤及異常交易， 審計人員需要利用大數據分析技術， 基于特定審計目標， 開發出相應審計測試的大數據分析處理模型和方法來分析所有交易數據， 以便發現異常情形， 幫助審計人員聚焦高風險審計范圍和領域。

1.關于控制的審計證據。 審計實施階段的重點工作是通過符合性測試和實質性測試， 收集充分、適當的審計證據。 符合性測試旨在評估內部控制設計和運行的有效性， 對控制過程進行過程挖掘是數據挖掘在此階段的重要應用。 過程挖掘通常在ERP系統的系統日志上運行， 對控制過程進行過程挖掘是數據挖掘技術應用于內部控制測試收集審計證據的一種重要方法。

2. 關于會計判斷的審計證據。 隨著“輕資產”類型公司的大量涌現，無形資產在企業資產結構中的比重越來越高，與此相關的會計要素的確認、計量、記錄和報告的過程等涉及復雜的價值評估和判斷，科學合理利用大數據資源能夠為相關價值判斷提供更好的審計證據。

3.關于舞弊的審計證據。 現場審計中， 審計人員會開展大量的實質性測試， 其中的一些程序涉及舞弊審計。 例如， 關于收入的實質性分析程序可能會利用分類數據， 如按月比較產品線或業務部門報告的收入。 實質性測試作為舞弊相關分析程序的一部分， 對公司績效數據、收入數據庫以及其他客戶數據庫的數據挖掘將具有重要的潛在意義。

（三）審計報告階段

審計人員應評估“在現場工作完成時或接近完成時”因舞弊行為導致重大錯報的可能性， 并做出適當回應。 回應可能包括重新評估在審計計劃階段被拒絕使用的數據挖掘程序， 或在審計實施階段觀察到的異常情況而開展的新數據挖掘程序。 例如， 實質性分析程序或其他收入測試可能表明需要數據挖掘。 之后， 對審計證據進行最終審查， 從而決定審計報告最終的性質。

綜上， 本文構建的基于大數據挖掘分析的財務報表舞弊審計應用框架如圖4所示。

針對上述審計計劃、數據準備、審計實施過程的大數據分析程序及結果， 應加強審計復核和質量監控， 以確保基于大數據分析結果的可靠性。 同時， 充分利用可視化分析和儀表盤展示平臺， 構建風險預警機制， 增強洞察力， 提高審計效率和效果。

五、面向審計全生命周期的各類大數據挖掘技術的具體應用

伴隨著數據量的爆炸式增長以及數據挖掘技術和工具的出現， 會計師事務所亟需從客戶的海量數據中發現更有價值的信息和知識， 以便為制訂審計計劃、評估審計風險和內部控制的有效性、確定重點審計領域和方向、識別舞弊行為等提供有益的支持。 相關研究表明， 數據挖掘技術已成功應用于財務報表虛假信息披露、日記分類賬挖掘分析、公司內部業務流程分析和角色建模分析、公司內外部文本信息的挖掘分析以及其他舞弊欺詐檢測模型等。

對財務報告披露信息進行挖掘分析以便識別出可能存在舞弊的公司報告， 是數據挖掘在財務報表審計領域的典型應用[5，6] 。 Ravisankar等[7] 利用支持向量機、神經網絡和遺傳算法等數據挖掘技術， 分析財務報表的重要數據（如凈利潤和毛利潤）和核心比率（如長期債務/總資產）， 識別出虛假報告。 Alden等[2] 利用進化遺傳算法（Evolutionary Algorithms， EAs）識別財務報表中的舞弊行為。 Perols[8] 的研究表明， 邏輯回歸和支持向量機（SVM）分類技術在財務報表舞弊識別中有很好的表現。 Glancy和Yadav[9] 建立了一種新型的欺詐檢測模型， 能夠生成具有典型數據挖掘特征的奇異值分解向量（SVD）， 用于分析財務報表附注中的欺詐行為。

現代會計信息系統的基礎業務流程特性決定了日記分類賬能夠完整地列示業務的所有方面， 因此， 目前審計人員對大規模數據集進行最多分析的領域是客戶的日記分類賬。 Debreceny和Gray[10] 將數據挖掘技術應用于客戶日記分類賬分析， 挖掘了29套分類賬。 Argyrou[11] 使用自組織映射（Self Organizing Map，SOM）識別單個公司的一組會計分錄中存在的可疑交易。

近年來， 數據挖掘技術在審計領域的另一個重要應用是過程挖掘[12] 。 該技術從企業信息系統（通常是ERP系統的工作流和角色分析）生成的事件日志中提取業務流程知識， 對企業決策過程[13] 、合規與風險管理[14] 和控制結構[15] 等進行過程挖掘。 了解用戶在企業系統中的作用與角色是對企業內部控制和具體交易進行審計的前提， 在有關角色挖掘的研究中， Colantonio等[16] 建立了角色建模方法， 并成功應用于某大型企業員工舞弊行為偵測。 針對員工舞弊問題， Jans等[17] 采用單變量和多變量聚類技術用于識別潛在的舞弊交易。

大數據環境下， 被審計單位充斥著大量的內、外部文字信息， 文本挖掘技術在審計中的應用日益受到關注。 電子郵件是企業內部員工之間以及企業與外部供應商、客戶等溝通的重要工具。 而且電子郵件也為相關法律訴訟以及監管要求提供了重要的證據信息， 組織也會更加重視保存結構良好的電子郵件信息。 電子郵件涵蓋日期、收件人和主題字段等信息， 此種半結構化特性為電子郵件的數據挖掘添加了重要的時間和社交網絡維度。 Debreceny和Gray[4] 將文本挖掘和社交網絡分析成功應用于電子郵件數據挖掘。 Humpherys等[18] 建立了一個涵蓋慣用語言、情感、單詞長度和句子復雜度等特征的財務報表欺詐識別模型， 實驗數據結果顯示模型對財務報表欺詐行為識別的準確率達到67%。

大數據環境下， 眾多公司利用商業分析（Business analytics）來服務于其戰略決策和運營管理。 審計人員在審計過程中， 也應該拓展傳統的審計分析方法， 更多地采用商業分析工具來提升審計工作效率以及審計工作質量。? Appelbaum等[19] 、Vasarhelyi等[20] 構建了數據挖掘分析技術在審計業務全流程的應用框架， 系統總結和梳理了審計過程中應該運用哪些商業分析技術方法， 以及審計過程的不同階段應該選用哪些合適的商業分析技術方法， 具體如表2所示。

在審計計劃階段， 簽訂審計業務約定書時， 審計人員可以查閱經審計的財務報表、其他公共信息以及其他外部數據來源， 并從定量和定性數據中得出預期模型。 在此過程中， 常用的大數據挖掘分析技術主要包括：比率分析、文本挖掘、可視化、回歸模型和描述性統計等。 在制定計劃與風險評估的過程中， 審計人員可以在獲取未經審計財務報表的基礎上， 構建可能發生和應該發生的風險預測模型。 此時除了比率分析， 還可以使用聚類、可視化、回歸模型、信度網絡、專家系統和描述性統計等。

審計實施階段的重要工作是執行審計測試， 可以考慮根據客戶的環境， 選擇將抽樣測試與全樣本測試的結果進行比較， 并根據基準和預期結果的差異， 聚焦確定符合性測試和實質性測試的范圍和重點方向， 如果測試結果顯示有問題或預示著需要進一步調查， 可能需要進一步測試和收集證據。 該階段除了會用到所有目前常用的審計檢查技術， 還會使用聚類、文本挖掘、過程挖掘、可視化、支持向量機、人工神經網絡、專家系統、信度網絡、回歸模型、本福德定律、描述性統計、結構模型以及假設檢驗。

在審計報告階段， 進行審計復核時， 需要使用不同的技術對異常結果進行交叉驗證測試和分析， 前述實質性測試階段用到的所有技術方法都適用。 在此過程中， 還會用到專家系統、概率模型、信度網絡、支持向量機、人工神經網絡、遺傳算法等。 隨著2016年審計報告準則的頒布實施， 如何提高審計過程透明度、增加審計意見和審計報告的信息含量和價值有用性顯得尤為重要。 在確定審計意見時， 主要使用的大數據挖掘分析方法包括時間序列回歸、概率模型、信度網絡、專家系統和蒙特卡洛模擬等。 此外， 如何應用數據挖掘分析技術以得到更細致、定量化的審計意見， 以及拓展目前無保留審計意見和非無保留審計意見的二分法結果， 也是值得探究的重要領域。

六、結論

基于大數據的挖掘分析已經在財務危機預警、財務欺詐檢測、股票市場預測和量化投資決策等會計與財務領域有著廣泛的應用， 然而其在審計領域的應用稍顯滯后。 基于客戶內、外部海量大數據的深度挖掘分析， 為審計功能的發揮提供了一個補充的證據來源， 而且審計人員能夠分析客戶公司財務報告相關數據的生成過程， 洞察被審計單位經營管理過程中的各類問題， 有助于使審計行業向價值鏈上游移動， 真正成為客戶公司的商業伙伴。 基于海量數據的挖掘分析將改變審計人員的工作方式， 同時， 海量數據涉及的諸如信息超載、信息相關性、可靠性、模糊性等問題也會影響審計人員的職業判斷， 這里尤為關鍵的是面向具體審計領域和工作內容選擇最合適的數據挖掘技術工具。

本研究通過系統的文獻梳理， 旨在探尋數據挖掘技術工具在財務報表舞弊審計中的最佳應用模式， 構建數據挖掘技術應用于財務報表舞弊審計的整合性框架， 以便指導審計人員將相關數據挖掘技術高效地應用于具體審計活動中。 未來的研究中， 一方面， 基于大數據挖掘分析的審計范式變革， 會改變審計人員的行為方式、工作流程和執業風險， 而相關會計和審計準則并沒有跟上技術變革的步伐; 另一方面， 大數據挖掘分析為審計人員提供了補充的證據來源， 然而由于海量數據的多源異構特征， 使得在數據質量、可靠性等方面存在巨大差異， 如何依據充分性、可靠性和相關性的審計證據標準框架對其適用性進行科學評估值得探究。

【 主 要 參 考 文 獻 】

[1] Eppler M. J.， Mengis J.. The concept of information overload：A review of literature from organization science，accounting，? marketing， MIS，? and related disciplines[ J].The Information Society，2004（5）：325 ～ 344.

[2] Alden M.， Bryan D.， Lessley B.， et al.. Detection of financial statement fraud using evolutionary algorithms[J].Journal of Emerging Technologies in Accounting，2012（1）：71 ～ 94.

[3] 楊善林，周開樂.大數據中的管理問題：基于大數據的資源觀[ J].管理科學學報，2015（5）：1 ～ 8.

[4] Debreceny R. S.， Gray G. L.. Data mining of electronic mail and auditing：A research agenda[ J].Journal of? Information System，2011（2）：195 ～ 226.

[5] Green B. P.， Choi J. H.. Assessing the risk of management fraud through neural network technology[ J].Auditing a Journal of Practice & Theory，1997（1）：14 ～ 28.

[6] Feroz E.， Kwon T.， Pastena V.， et al.. The efficacy of red flags in predicting the SEC's targets：An artificial neural networks approach[ J].Intelligent Systems in Accounting，Finance & Management，2000（3）：145 ～ 157.

[7] Ravisankar P.， Ravi V.， Raghava Rao G.， et al.. Detection of financial statement fraud and feature selection using data mining techniques[ J].Decision Support Systems，2010（2）：491 ～ 500.

[8] Perols J.. Financial statement fraud detection：An analysis of statistical and machine learning algorithms[ J].Auditing，2011（2）：19 ～ 50.

[9] Glancy F. H.， Yadav S. B.. A computational model for financial reporting fraud detection[ J].Decision Support Systems，2010（3）：595 ～ 601.

[10] Debreceny R. S.， Gray G. L.. Data mining journal entries for fraud detection：An exploratory study[ J].International Journal of Accounting Information Systems，2010（3）：157 ～ 181.

[11] Argyrou A.. Auditing journal entries using self-organizing map[A].18th Americas Conference on Information Systems[C].Seattle：Association for Information Systems，2012.

[12] Jans M.， Alles M.， Vasarhelyi M.. The case for process mining in auditing：Sources of value added and areas of application[ J].International Journal of Accounting Information Systems，2013（1）：1 ～ 20.

[13] van der Aalst W.， van Hee K.， van der Werf J. M.， et al.. Conceptual model for online auditing[ J].Decisin Support System，? 2010（3）：636 ～ 647.

[14] Caron F.， Vanthienen J.， Baesens B.. Comprehensive rule-based compliance checking and risk management with process mining[ J].Decision Support Systems，2013（3）：1357 ～ 1369.

[15] Elsas P.. X-raying segregation of duties：Support to illuminate an enterprise's immunity to solo-fraud[ J].International Journal of Accounting Information Systems，2007（2）：82 ～ 93.

[16] Colantonio A.， Di Pietro R.， Ocello A.， et al.. A new role mining framework to elicit business roles and to mitigate enterprise risk[ J].Decision Support Systems，2010（4）：715 ～ 731.

[17] Jans M.， Lybaert N.， Vanhoof K.. Internal fraud risk reduction：Results of a data mining case study[ J].International Journal of Accounting Information Systems，2009（1）：17 ～ 41.

[18] Humpherys S. L.， Moffitt K. C.， Burns M. B.， et al.. Identification of fraudulent financial statements using linguistic credibility analysis[ J].Decision Support Systems，2010（3）：585 ～ 594.

[19] Appelbaum D. A.， Kogan A.， Vasarhelyi M. A.. Analytical procedures in external auditing：A comprehensive literature survey and framework for external audit analytics[ J].Journal of Accounting Literature， 2018（6）：83 ～ 101.

[20] Vasarhelyi M. A.， Rozario A. M.. How robotic process automation is transforming accounting and auditing[ J].The CPA Journal，2018（6）：46 ～ 49.