審計數據分析探索和思考

方鄭亮

[摘要]本文從審計數據分析的三種基本方法出發，介紹了中國遠洋海運集團相關信息系統的功能特點和配套工作組織模式，并結合實踐經驗將審計數據分析結果歸納為審計描述、審計線索、審計提示三種應用形式，介紹了審計數據分析對提升審計工作能效、增強審計權威、促進審計成果應用、強化團隊建設方面的成效，提出企業發展審計數據分析的四個普適性關鍵要素為信息化、動態建模、能效評價和工學平衡，對目前審計數據分析在數據來源、數據處理、分析算法、工作流程等方面的重大挑戰進行了分析，梳理列舉了6類對審計工作具有較高實現價值的應用場景。

[關鍵詞]審計數據分析? ?審計信息化? ?算法? ?應用場景

一、審計數據分析概述

審計數據分析主要結合財務、業務和管理數據，通過對“表、賬、證”各類指標比對分析，發現數據異常，識別審計問題線索，確定核查要點。一是報表分析，主要對財報結果進行分析，是審計發揮“經濟體檢”作用、掌握企業整體經營情況的重要手段。二是賬務分析，除了財務賬簿類數據外，還包括業務、管理的各類臺賬、明細賬、記錄等，通過利用財務輔助賬以及業務、管理上提供額外數據分類維度開展分析。三是抽樣查證，傳統審計無法對全體數據進行檢查，抽樣成為應對大量底層數據（主要是會計憑證及附件）的主要查證手段，基于數據分布情況，根據審計關注的重要性抽取部分數據進行深入核對核查。

三種分析方法在實踐應用中涉及算法都比較相似，目前以匯總、趨勢、比例等容易結合實際業務解釋的分析算法為主，概率、聚類、邏輯判斷等算法應用較少。此外，大部分審計數據分析中基本不考慮對文本、圖片、視頻等非結構化數據的批量處理問題，涉及少量的非結構化數據，也是先通過手工梳理實現結構化后再進行分析處理。

二、審計數據分析的實踐探索

（一）信息系統建設

2016年，中國遠洋海運集團（以下簡稱中遠海運）開始建設聯網審計系統，數據分析是該系統的核心功能之一。截至2021年底，聯網審計系統實現了對集團主數據系統、投資管理系統和所屬千余家企業財務系統的數據采集，根據審計需求規范了數據標準，采用大數據技術建立了審計數據庫。聯網審計系統為集團各級審計人員提供了界面統一的財務數據查詢功能，提供“表、賬、證”數據穿透和輔助核查等功能。系統設有“數據實驗室”功能，允許所有審計人員利用系統內置的一些“大數據”算法，開展數據分析研究和實踐，并通過數據接口允許掌握編程技能的審計人員自行編寫程序，以完成更為靈活的審計分析建模，實現跨系統、跨地域、跨業務的數據挖掘和分析。此外，系統采用單點登錄技術，對集團及所屬單位的30余個重要管理、費控等信息系統進行聯網，根據審計項目和日常監督需要動態分配訪問權限，達到利用相關系統的查詢分析功能進行監督核查的效果。

（二）工作組織模式

中遠海運在集團總部層面組建了IT人員和審計骨干共同協作的聯網審計工作小組，并通過兩種模式開展工作：一是專題式工作模式。根據企業管理層關注重點、行業重大變化、年度審計計劃等需求，結合聯網審計系統的數據質量和分布情況，制定聯網審計專項主題，工作小組圍繞主題，依托集團各級審計機構上下協同的工作機制，按照“總體分析、發現疑點、分散核查、系統研究”的流程，獨立開展審計核查，形成審計結論和報告。二是融合式工作模式。將聯網審計與審計項目緊密結合，以審計組向聯網審計工作小組委托任務的形式開展工作，審前利用聯網審計系統開展初步調查，為審計組提供線索指引和相關培訓；審中為審計組提供遠程技術支持，開展數據采集和分析處理，提供咨詢建議；審后利用系統對相關整改落實情況進行核實，對相關問題進行跟蹤延伸審計。工作小組不定期總結審計數據分析方面的案例和成熟經驗，向直屬單位推廣應用，并結合基層單位貼近業務的優勢對現有分析思路和模型進行改進，以點帶面促進集團審計數字化工作水平提升。

（三）分析結果應用

審計數據分析的思路和算法很多，但從分析結果的應用形式上可以歸納為以下三種。

1.審計描述。審計描述通過計算企業關鍵領域的指標信息，得到基于審計需求的分析結果，作為審計鑒證的一部分或審計結論的基礎，是一種基于時間點或期間的靜態分析。比如，根據盈利能力、資產質量、債務風險、經營增長和其他等5個方面22個指標，建立行業和集團內部對標體系，結合審計覆蓋周期，為制訂年度審計計劃和明確重點核查單位提供參考信息。

2.審計線索。根據審計需求選定數據范圍、分析算法和參數等信息，獲得審計需要關注的重點或問題線索，再通過線下核查檢驗分析的有效性。不同審計人員可以根據自身的經驗總結，結合驗證結果，通過調整數據范圍和參數進行更大規模應用，屬于一種主動式分析。比如，中遠海運的審前調查，除了利用聯網審計系統中提供的現有查詢分析功能，分析被審計單位組織架構、財務、業務等方面的情況變化之外，還利用對其他重要信息系統的訪問權限，對審計對象的相關數據進行匯總和梳理分析，并通過趨勢分析、數據比對、異常檢測等方法，運用大數據篩查手段發現問題疑點線索。

3.審計提示。通過預設篩選算法和閾值，對歷史數據、新增數據進行排查，提示審計人員需要關注的事項，屬于被動式分析。簡單的審計提示與財務、業務、管理部門的預警分析一致，如預算執行進度、收入成本同比變化都可以納入審計提示。復雜情況下，可以從歷史數據中提取相關業務的供應商、記賬等關鍵信息，建立行為特征的數據映射，固化為篩選算法，使計算機定期根據算法檢查新增數據是否具備相應特征，以判定是否存在違規違紀的可能。

（四）工作成效

1.提升審計監督工作效能。審計描述能夠提高審計人員對被審計單位各類重要數據的核查和分析速度；審計線索可以幫助審計人員快速驗證自己審計思路，通過團隊中共享提高核查效率；審計提示直接將部分固化程序的人工核查工作轉移至計算機處理。

2.強化審計監督工作威懾力。審計數據分析突破了常規審計項目的邊界，極大提升了審計監督的覆蓋面，變相增加了對被審計單位的審核頻率，一些風險點和違規手法，在特殊的算法和反復的數據分析過程中更容易凸顯。在實踐中，數據分析的專業性和實時監督能力能較好提升審計的權威性，審計結論和建議也更容易獲得被審計單位認可。

3.促進審計成果應用。審計在針對單一審計對象發現的一些具有典型性、苗頭性的問題和風險點，如果可以通過反向總結、抽取數據篩查標準，就可以借助審計數據分析在更廣范圍進行排查，幫助審計發現系統性、普遍性的問題和風險點，防止小問題變成大問題，避免企業產生更大的損失。

4.強化審計隊伍建設。審計數據分析工作本身會要求審計人員更多關注企業信息系統的各個方面，熟悉如何利用各種現有工具在信息化環境下服務于審計工作，這個過程會拓展審計人員的知識視野，促進審計數字化思維的形成。數據分析工作的復雜性，要求審計團隊必須摸索總結出一套穩定有效的工作模式，處理與IT、數據專家等多個專業領域協同工作，引導前沿數據技術在審計實踐中落地，為審計增值發揮效果。

（五）實踐啟示

雖然對于不同企業，審計數據分析的具體成效因受到審計需求、數據質量、模型算法、核查流程等因素的影響而不同，但其發展仍具有一些普適性的關鍵要素。

1.信息化建設是基礎。審計數據分析所需的數據、計算工具、流程管理等都離不開信息系統的支撐，建立獨立的數據分析平臺或者依托企業統一的數據集成、云計算平臺開展建設，是大多數企業開展審計數據分析、實現審計業務數字化的基礎。通過信息化建設，一方面，審計可以通過數據分析，發現揭示各類信息系統建設過程存在問題和風險，發揮審計核查監督作用，為企業數字化轉型保駕護航；另一方面，通過信息化推動審計自身業務的標準化、規范化，并向企業管理層和相關利益單位輸出審計數據分析結果，提供審計增值服務。但在實踐中，審計監督類信息系統的價值更多體現在企業的軟實力方面，與企業營收的直接相關性較弱，相關建設需求在企業整體信息化建設中處于靠后的位置，因此，企業對審計信息化建設持續穩定投入是開展后續數據分析工作的關鍵。

2.動態建模是重點。審計數據分析的建模過程與財務、業務在本質上沒有區別，都可以簡單表達為：輸入數據和參數，通過固定算法和計算過程得到與期望一致的輸出。不同的是，審計數據分析的目的是發現現實中問題、風險、不足等情況，相關分析模型的主要價值體現為“篩選”審計關注的電子數據。在實踐中我們發現，基于財務關鍵指標等審計描述類模型長期有效，但只能為審計人員提供方向性建議，對問題根源指向性不清晰；提示“某筆報銷費用異常”這類能精確指向細節的審計線索或審計提示類模型，在被審計單位實施整改后，相關數據特征發生變化會導致模型立刻失效。因此設計、測試、應用、推廣各類審計數據分析模型，需要考慮模型生命周期和應用價值，根據審計工作需要進行動態平衡。

3.能效評價是關鍵。實際工作中，審計數據分析模型的結果一般只能代表問題線索，大部分情況還需進一步進行查證。假設審計分析從原始數據到問題線索的比率為K1，從問題線索到核查確認的比例為K2，K1和K2的乘積代表了審計分析的工作能效。基于同一分析模型，在不同數據范圍上的應用效果可能差異巨大，如果K1和K2都是百分之一，原始數據1萬條，對100條分析結果進行核查并可以核實1個問題，工作能效為萬分之一；原始數據上升到1000萬條，則需要對10萬條分析結果進行核查，期望發現1000個問題，這樣的實踐結果是不現實的。并且，受歷史數據質量分布不均、核查人員能力差異、審計資源分配不均衡等具體情況影響，K1和K2往往呈非線性且無關分布。因此，需要建立起一套科學、系統地反映審計數據分析能效的評價體系，配合分析算法的預估、研發、檢驗、優化工作，這樣才能保證審計分析模型的應用實效。目前業界有一些研究成果，但尚無突出的優秀實踐案例。

4.工學平衡是保障。審計資源與工作任務增長的不平衡由來已久。隨著國家、企業在數字化戰略上的部署和實施，“向系統要資源、向數據要效率”是審計數字化的基本需求。但是，一方面，審計分析的關鍵技術和核心算法雖然在統計、概率等領域有相同的知識需求，但在具體應用場景下所需的專業知識和技能又有很大區別，數據科學的專業化細分、科研創新工作自身的不確定性，與審計任務在工作周期和成果的需求上很難匹配；另一方面，在大型企業中審計數據分析工作的成果應用可能比研究、創新工作更為重要，一個優秀的審計分析模型、案例通過試點和推廣，就能夠直接影響企業成本效益，充分反映審計價值。為此部分審計人員還需要兼顧相關信息系統的運營、管理、培訓等工作，這些工作內容均不在傳統審計崗位考慮范圍。長期來看，審計的工學平衡依然仍重道遠，無論是加強專業隊伍建設，還是引進第三專家、專業機構等措施，依然需要進一步對現有的審計資源進行重新規劃配置。

三、審計數據分析面臨的新變化

（一）數據來源復雜化

在結構化數據方面，隨著企業內部大量的信息系統被廣泛應用，數據的體量和類型相對于傳統審計范圍發生了指數級增長，企業外部的市場指數、政府公開信息、第三方增值服務等數據來源也趨于豐富多樣；在非結構化數據方面，隨著在審計工作中增值服務和風險防范重要性的提升，如決策文件、會議記錄、票據圖片、合同條款等非結構數據需要審計進行檢索分析的應用場景不斷增多。由于建設歷史、管控范圍等原因，無論哪類數據均難以完全實現規范統一，而且隨著市場經濟和企業業務發展變化和信息系統的持續更新，可以預見很長一段時間內，審計都需要面對大量在時間、口徑上均無法統一數據來源。

（二）數據處理常態化

在傳統審計中，數據采集和清洗在數據分析工作中所占比重較小，隨著大數據時代的到來，審計在獲得接觸海量原始數據、可以直接進行電子取證的同時，也要求審計具備獨立采集、清洗數據能力，如何對多元異構、跨領域關聯的海量數據進行歸集和處理是數據分析的前置問題。同時，審計部門也是數據和服務輸出機構，審計自身業務的數據規范和質量也直接影響數據分析效果，基于審計視角的數據處理方法與能夠提供的價值服務密切相關，數據治理問題不再僅是企業管理和IT部門的問題，也成為監督機構發展數字化業務需要面對的挑戰。

（三）分析算法專業化

傳統的數據分析方法對數據樣本的總量、質量和規范性有嚴格要求，分析過程涉及的計算往往清晰明了，分析結果也具有明確的指向性。隨著計算機硬件性能的提升，分布式數據庫、云計算等技術的廣泛應用，互聯網企業為世界展現了自動推薦、神經網絡、支持向量機、決策森林等算法在商業領域的應用價值。但是大部分算法都無法做到完全準確。在實際應用過程中，具備深度數學知識的工程師對算法的調優、對分析結果的解釋變得至關重要。由于數據科學的深度分類，企業需要同時精通算法和業務的專業化人才，考慮到企業不同崗位對人才吸引力的差異，內部審計數據分析人才專業化的需求會比管理和業務部門更加凸顯。

（四）工作流程獨立化

傳統審計中，數據分析主要作為審計的一種技術方法或工具，發揮輔助作用。隨著時代發展，出現面向系統和電子數據的數據式審計概念，普遍認為數據式審計區別于傳統審計的一個顯著特點是將搭建審計分析模型作為審計的核心環節。大數據時代業界對數據式審計尚未統一定義，審計署和部分企業對自身數據式審計都設置了特有工作流程和管理方法。中遠海運自2016年開始在集團總部和直屬單位推廣聯網審計，也專門設計了配套的工作機制。隨著企業數字化轉型，圍繞如何挖掘數據價值、發揮增值服務作用，審計數據分析已經發展出獨立、區別于傳統審計項目的工作程序和管理模式。

四、對審計數據分析新應用場景的思考

根據審計數據分析實踐，梳理出部分目前較有可能通過關鍵技術突破，凸顯價值、形成核心競爭力的六個審計數據分析應用場景。

（一）企業側寫

建立以財務數據為主的企業指標庫，并不斷增加審計關注業務指標形成對企業側寫描述。可以通過傳統分析方法建立小體量指標體系，也可以利用特征工程、無監督學習等技術建立上千個指標的超大體量指標體系，結合審計歷史問題等信息，相關統計分布情況可以直接形成審計風險地圖、預警分析等效果。此類分析還可以進一步通過指標歸集企業的特征值，將企業進行跨板塊、跨行業分類，進而根據歸屬同組企業存在同類問題概率較大、不同組企業存在獨立特殊問題的概率較大的思路，進一步推動審計分析成果應用。

（二）異常檢測

基于兩個假設：一是業務的異常情況會反應在數據上，二是數據的特征總體是符合某種分布規律的。根據這兩個假設有兩種基于概率統計技術的建模思路：一是可以通過特殊篩選方法將數據中比例較小的部分作為異常部分篩選出來，對“孤立點”檢測的方法；二是從數據比例較大的部分入手，通過交叉篩查條件構建異常檢測模型，將交叉篩選結果作為審計關注和重點核查方向。

（三）預測和周期性匹配

主要研究企業經營與市場規律匹配情況和成因。市場是存在周期性波動的，理論上企業的收入、成本類的數據應該與市場變化規律存在某種關系，利用時序數據分析方法發現這種規律，結合歷史數據可以預估出未來一個時間節點企業某種指標的合理范圍，實現預測。此類分析在金融領域，如股票、外匯分析等方面已經有不少成熟的應用。在借鑒相關思路和技術的基礎上，通過預測結果與實際情況進行比對，可以對偏差進行深入核查發現問題，也可以對部分風險進行預判提示。

（四）數據相關性挖掘

通過數據挖掘技術找到隱藏在海量數據中的新知識。審計通過“相關性”分析結果，核查是否存在以前未被識別的“因果性”，進而發現是否存在薄弱環節或風險點。在具體操作中可以利用線性相關性計算等簡單算法，也可以利用如神經網絡、支持向量機等復雜算法，審計機構可以根據自身的數據體量和算力選擇適合的算法。數據相關性知識挖掘是開展研究型審計、建立審計獨立分析視角的最佳途徑。

（五）審計問題的分類

企業的不同管理層級在不同時間、不同需求下，對審計問題的分類、定性以及重要程度有不同的分類需求。過去依靠人工梳理，耗時長也嚴重依賴操作人員的專業水平，不僅影響審計問題歸類統計的嚴肅性，也制約審計的深度。目前，可以利用自然語言處理技術（NPL）相關算法，通過計算機進行自動分類判定，根據審計問題的一段描述，按照指定分類對歷史問題進行歸類，輔助人工抽樣糾正，對部分錯誤數據進行標注，再利用機器學習技術改進分類算法參數，進而為審計管理和成果應用提供更有參考價值的統計數據。

（六）非結構化數據處理

隨著審計對企業問題成因、本質的深入分析，被審計單位提供的資料中，合同、報告、總結、規章制度等文本數據價值會逐漸增加，全文關鍵字檢索是此類分析的入門應用，利用特殊計算工具，批量處理文字性材料，并以結構圖、摘要信息、文檔關系等形式呈現，進而提高審計人員閱讀和理解效率。此外，發票、照片、錄像、錄音等電子數據也是審計實踐中的常見資料，利用圖片識別、機器學習等技術可以批量識別圖片、視頻、音頻等非結構化數據，提取關鍵信息進行結構化處理，提高審計人員核查效率，為進一步分析夯實基礎。

（作者單位：中國遠洋海運集團有限公司，郵政編碼：100031，電子郵箱：fang.zhengliang@coscoshipping.com）

主要參考文獻

[1]陳偉.聯網審計技術方法與績效評價[M].北京：清華大學出版社， 2012

[2]董伯坤.預算執行的數據式審計模式探索[J].審計研究， 2007（6）：16-20

[3]付慧麗.數據式審計在企業集團公司的應用：以京東方為例[J].財會通訊， 2022（7）：130-135