基于數據挖掘技術的虛擬企業審計風險評估模型

袁陽春, 劉森

(南方電網數字電網研究院有限公司， 廣東 廣州 510006)

0 引言

以共同利益為終極目標構建的動態聯盟——基于信息網絡技術的虛擬企業，匯集大量優勢資源，成為經濟全球化的當代社會中主流企業模式[1]。虛擬企業的審計工作是當前國家審計部門的關鍵內容，能夠反映其財務狀況與經營成果[2]，對于虛擬企業審計的相關研究也成為審計部門理論研究的熱點問題。

審計工作的發展可歸納為以賬項基礎、制度基礎和風險導向為特征的3個不同審計階段[3]。以風險導向為特征的審計不僅是審計部門工作意義存在與發展的必然要求，同樣也是經濟全球化時代下審計方法應用與戰略定位的發展方向，在風險導向為特征的設計階段下以審計風險評估為核心，通過審計風險因素定性分析可知，審計風險評估對審計風險因素進行定量分析與評價，是實施審計風險處理的先決條件[4-5]。

數據挖掘技術是在海量的、含噪的、缺失的、隨機的數據中采集數據內隱藏的、具有價值的信息與知識的過程[6]。作為決策支持理論，數據挖掘技術能夠幫助決策者進行相應的戰略決策，從而降低風險。作為數據挖掘技術中的常用技術之一，人工神經網絡具有高度自適應性與容錯性，且魯棒性較高，對于數據挖掘問題的處理具有明顯優勢。基于此本文設計基于數據挖掘技術的虛擬企業審計風險評估模型，在虛擬企業審計風險因素分析的基礎上，利用BP神經網絡構建風險評估模型，準確評估虛擬企業審計風險。

1 基于數據挖掘技術的虛擬企業審計風險評估模型設計

1.1 虛擬企業審計風險評估指標體系構建

作為虛擬企業審計風險評估的基礎，在虛擬企業審計風險評估指標體系構建過程中，需嚴格遵守客觀性、合理性與完整性進行風險評估指標選取[7]，確保不同評估指標間不存在依附關系。

虛擬企業審計風險的主要特征可歸納為三點[8]：(1)審計環境的復雜化；(2)審計對象的動態性；(3)審計方法的多樣性。由于虛擬企業的主要特征是以信息技術與電子商務模式為基礎和平臺，因此在虛擬企業審計過程中網絡信息技術的安全性與可靠性已成為審計風險形成的主要因素，并且虛擬企業中業務范圍與形式突破以往傳統的審計范圍，擴大了審計工作范疇。虛擬企業的經營模式具有多變性、靈活性以及邊界模糊性等特征，在其作為審計對象的條件下，其經營模式特征造成審計部門工作過程中審計證據獲取與審計線索追蹤難度均有不同程度的提升，導致審計部門審計風險增加。虛擬企業審計是通過計算機與網絡完成的實時審計，因此要求審計部門相關人員具有熟練的計算機技術、網絡技術與審計軟件應用技術，這些技術的熟練程度對于審計風險產生直接影響。

基于虛擬企業審計風險的主要特征，根據我國審計相關標準中的審計準則，參考國際相關審計標準中風險導向思想，從重大報錯風險、審計人員風險和審計程序風險三方面選取造成虛擬企業審計風險的不同因素作為虛擬企業審計風險評估指標[9]。

由于不同的風險評估指標對風險評估結果的影響有所差異，甚至部分指標不僅不會對評估結果有所貢獻，還會對風險評估結果產生消極影響。為選取對風險評估結果貢獻較大的指標，需通過權重值對比各評估指標，獲取對虛擬企業審計風險評估的影響。采用層次分析法構建風險評估指標的判斷矩陣B,如式(1)。

(1)

式中，xi,j為兩種指標xj對xi的關鍵程度。

指標判斷矩陣B的各行元素乘積Li的計算如式(2)。

(2)

式中，bij表示第j行第i個元素。確定Li的n次方根可用式(3)。

(3)

歸一化處理式(3)，獲取式(4)。

(4)

計算風險評估指標判斷矩陣B的最大特征值可用式(5)。

(5)

最后獲取第i層指標的權重：Ci=(ci1,ci2,ci3)，其中ci為第i個指標的權重。

設定指標權重閾值，選取權重大于閾值的指標構建虛擬企業審計風險評估指標體系，如表1所示。

表1 虛擬企業審計風險評估指標體系

1.2 風險評估指標標準化處理

由于虛擬企業審計風險評估指標體系內不僅存在定性指標，也存在定量指標，通過不同風險評估指標的標準化處理過程，可令不同風險評估指標具有可比性。

1.2.1 定量指標標準化處理

針對虛擬企業審計風險評估指標體系內的定量指標，標準化處理過程如下。

當目標值與評估結果為正比例關系時，有式(6)。

(6)

當目標值與評估結果為反比例關系時，有式(7)。

(7)

式(6)與式(7)內，Di、ximin和ximax分別為目標值xi標準化值、提前設定的第i個指標的最小值和提前設定的第i個指標的最大值。

1.2.2 定性指標標準化處理

針對虛擬企業審計風險評估指標體系內的定性指標，標準化處理過程如下。

采用專家評分法指標進行量化處理，利用定量指標標準化處理過程對量化處理后的定性指標進行標準化處理，以保障定性指標與定量指標間存在可比性。

1.3 基于BP神經網絡的評估模型構建

基于虛擬企業審計風險評估指標體系內各指標，采集指標相關數據，利用BP神經網絡模型訓練指標數據，輸出虛擬企業審計風險評估結果。

1.3.1 BP神經網絡學習過程

作為單規則層網絡，BP神經網絡由輸入層、中間層、輸出層共同組成，選取前向連接方式連接各層之間的節點，BP神經網絡學習過程共分為六個步驟。

步驟一：賦值。用eij和?j分別表示神經元i至神經元j的連接權重和輸入層與規則層內神經元j的閾值，對eij和?j賦予[0,1]之間的任意值。

步驟二：輸出預處理。用{xpt}和{ypt}分別為訓練樣本集與對應的期望輸出集；p和t分別為樣本數與輸入向量數，對{xpt}和{ypt}實施預處理。

步驟五：神經網絡學習。利用自學習模型eji(n+1)=ζopjδpj+eji(n)確定上下層之間的權重矩陣與誤差，ζ為學習速度。

1.3.2 風險評估模型結構設計

輸入層：依照虛擬企業審計風險評估指標體系中二級指標數量作為風險評估模型輸入層神經元數量，即輸入層神經元數量為13。

輸出層：輸出層神經元數量為1，輸出結果區間為[0,1]，將輸出結果劃分為5個等級： [0,0.2)低風險；[0.2,0.4)較低風險；[0.4,0.6)中等風險；[0.6,0.8)較高風險；[0.8,1.0)高風險。

2 模型測試

實驗為驗證本文設計的基于數據挖掘技術的虛擬企業審計風險評估模型的評估效果，在MATLAB商業數據軟件內進行模型測試，選取在我國注冊的9個虛擬企業為研究對象，采用本文模型評估其審計風險，評估結果如下。

2.1 測試條件設定

在MATLAB商業數據軟件神經網絡工具箱中進行函數設定，設定本文模型輸入層與中間層之間采用Tansig(·)函數，中間層與輸出層間采用Logsig(·)函數。模型初始化后，選取Traingdx函數訓練模型，設定模型訓練誤差為0.000 1。

2.2 評估結果

本文模型訓練誤差變化情況如圖1所示。

圖1 訓練誤差變化

分析圖1得到，本文模型在訓練次數達到156次時，模型訓練誤差滿足模型訓練誤差要求，模型訓練誤差達到0.000 099。

本文模型對研究對象的審計風險評估結果，如表2所示。

表2 研究對象審計風險評估結果

表2內數據顯示本文模型能夠有效進行研究對象審計風險評估。將本文模型審計風險評估結果與專家對研究對象審計風險評估的結果相對比，所得結果如圖2所示。

圖2 本文模型評估結果與專家評估結果對比

分析圖2能夠得到，本文模型對于研究對象審計風險評估結果與專家評估結果之間最大差值與最小差值分別為0.006和0，由此可知本文模型評估結果與專家評估結果基本一致，驗證了本文模型的評估精度。

通過研究對象審計風險評估能夠確定研究對象審計過程中的薄弱環節，針對研究對象審計過程中的薄弱環節，采取有效措施進行針對性處理與嚴格把控，能夠有效降低研究對象審計風險。采用本文模型對研究對象進行審計風險評估后，根據評估結果針對審計過程中的薄弱環節進行針對性處理后，二次實施審計風險評估，二次審計風險評估結果以及兩次審計風險評估結果的變化情況(與表2中本文模型評估結果相對比),如表3所示。

表3 二次審計風險評估結果

表3中研究對象前后兩次審計風險評估結果具有顯著下降趨勢，一次審計風險評估結果為較高風險與中等風險的研究對象在二次審計風險評估時風險等級均下降一級，風險等級較低的研究對象二次審計風險評估結果與前次相比評估值也有明顯下降趨勢。由此表明利用本文模型進行研究對象審計風險評估能夠有效降低研究對象審計風險。

3 總結

作為近年來企業發展的潛在模式，虛擬企業發展模式在為企業提供更靈活反應能力的同時，也同樣存在更大、更多的風險因素。本文設計基于數據挖掘技術的虛擬企業審計風險評估模型，在虛擬企業審計風險評估指標體系的基礎上，利用BP神經網絡構建評估模型，準確評估虛擬企業審計風險，改善虛擬企業審計過程薄弱環節。