電網企業基于AI的主動式風險管理審計體系構建

□ 廣州 陳青松 等

現階段我國經濟發展面臨著三重壓力，電網企業在復雜嚴峻的國內外經濟環境下，面對更加復雜多樣且日益加劇的新風險和新挑戰。作為企業風險防控第三道防線的內部審計需積極適應大智移云技術環境，有效利用人工智能（AI）應對企業風險，構建電網企業基于AI的風險管理主動式審計體系，通過多源數據采集融合、審計業務模型工廠、審計業務知識庫、審計工具庫的智能集成，加強內部審計對風險的常態化監測、智能化管理、系統化應對，并以基建項目風險管理為例進行應用研究，取得良好成效。

一、引言

新形勢下，電網企業面臨的外部環境發生了深刻變化。首先，從需求收縮來看，中國經濟進入新常態，疫情進一步影響消費，而電源電網發展不協調，新能源電力相對過剩，存在源網脫節風險。未來的產業轉型方向是高技術產業和高附加值服務業，原有的高增長模式下的能源發展邏輯受到挑戰，加上“雙碳”、“雙控”等政策的提出，以新能源為主體的新型電力系統的建設都給電網企業帶來了項目投資的風險。其次，從供給沖擊來看，外部貿易沖突等引發的貿易禁運和經濟制裁、國際產業鏈受到疫情沖擊，以及全球范圍流動性泛濫導致的大宗商品價格背離基本面等，導致工業上游煤電等傳統能源供給結構性短缺，以及部分地區政府部門在“能耗雙控”約束下拉閘限電，給電網企業穩增長、保障電力供應帶來挑戰。再其次，從預期轉弱來看，電力需求增長面臨較大的不確定性，電網企業增供擴銷壓力進一步擴大，導致低效甚至無效投資的風險。在這一背景下，作為企業風險防控第三道防線的內部審計受到越來越高的重視。2022年中國內審協發布的《中國內部審計協會2022年工作要點》中更是將內部審計在應對風險中的地位與作用作為一項研究重點，體現了內部審計在企業風險管理中的價值。

面對復雜多變的內外部環境時，企業管理層往往需要依賴內部審計來揭示企業存在或潛在的經營管理風險，并通過提出針對性防范策略或應對措施來化解或控制風險發生。目前，多數企業通過對財務、生產、市場、投資等業務領域的專項審計來發現風險，導致管理者對企業運營風險掌握不精細、風險管理以事后為主、信息獲取的渠道較為單一、分析主要依靠人員經驗等，缺乏連續性和深入的介入式管理。隨著信息技術的發展，大數據與云計算技術的成熟也為人工智能（簡稱AI）的應用提供了支撐。目前，以深度學習、機器學習為主的AI分支技術已廣泛應用于金融、會計、審計領域，這也為內部審計運用來助力企業應對風險挑戰奠定了基礎。因此，電網企業內部審計亟需總結經驗、順應新形勢發展、探索應用新技術來助力組織完善風險管理。

二、AI在內部審計防范化解風險中的應用

1.AI在審計領域中的應用歷程。我國審計領域對AI最早的研究是結合金融審計提出神經網絡模型，后來出現對專家系統的研究，2010年后轉向真正、全面的人工智能技術的研究。當前主要集中在利用大數據技術，依托云計算、云儲存等平臺開展智能審計，例如：利用大數據技術構建智能審計平臺。

2.機器學習在風險管理中的優勢。AI可定義為機器對人類智能的模擬。機器學習（ML）是AI的一個子領域，計算機模擬或實現人類的學習行為，獲取新的知識或技能，重新組織已有的知識不斷改善自身的性能，是人工智能技術的核心。計算能力的進步促成了各種機器學習算法，例如深度學習、隨機森林、梯度提升算法（如XGBoost和LightGBM）、聚類分析（如k-means和DBSCAN）等。其中常見的程序包括回歸、分類、形成網絡和判別分析（聚類），都十分適用于風險管理。德勤研究發現，機器學習算法在各種應用的預測能力（例如預測違約）都優于傳統審計模型。

3.基于AI的風險管理路徑。應用AI為審計人員提供了另外一種基于數據的風險洞察和識別路徑，通過有監督和無監督機器學習模型，直接對大量審計對象數據進行分析處理，產出相應的風險預測和假設結果，從而幫助審計人員揭示隱形數據關系。如：將企業政策法規歸集、分類，利用機器學習的語義分析，將制度法規中禁止性、遵循性的重要條款識別出來，并總結審計領域專家的知識和經驗，設計相應的人工智能專家推理算法，最終實現自動判斷某一個業務流程所包含的各要素是否遵循相關的政策法規要求，將不滿足制度要求的疑點數據進行可視化管理，推送審計人員、管理人員主動預警，推動審計關口前移，對發現問題建立動態監督和閉環管理。

三、電網企業基于AI應對風險挑戰的策略

1.政策導向與數據驅動結合的審計規則提取。審計規則既需要基于政策法規及業務專家經驗，自上而下構建審計規則，也需要基于特定應用場景的數據，自下而上提取相關的審計規則。通過機器學習海量的文本型政策法規和多種非結構化、半結構化應用場景數據，進而構建既能體現政策法規精神，又能適應特定應用審計場景的審計規則庫。

2.基于審計規則與審計對象的審計模型構建。利用AI深度理解審計規則，自動發現關聯性高的變數，快速建立審計模型，針對特定審計對象的實際數據環境，構建相關的審計數據輸入、審計規則的執行及審計數據分析結果的呈現等自動化智能化執行的審計業務流程。

3.基于審計模型與審計數據的審計疑點挖掘。基于構建的審計規則、審計模型及特定審計場景的數據，可進行諸如程序違規、記錄瞞報、執行低效等問題篩查和審計疑點挖掘，相關的結構化或非結構化數據可通過多源異構采集、非結構化信息提取及規則和模型自動執行，實現自動化智能化的智慧審計目標。

4.基于審計疑點與審計場景的領域風險監測。通過特定審計業務場景中頻繁發生、影響重大的共性審計疑點問題的梳理，形成各業務領域的風險，構建領域型的風險庫，當相關的監測指標達到預警閾值時，可實現事前預警、事中控制的智能化風險預警目標。

5.基于領域風險的全面持續自動跟蹤審計。通過AI技術建立定期全面掃描機制，對相關數據指標開展定期監測，對于可能出現的重大風險問題，早發現，早整改，以非現場的方式持續跟蹤審計建議的長期落實情況，提升內部審計防控內部風險的效能，提高審計結果的利用效率。

四、電網企業基于AI的主動式風險管理審計體系

1.審計智能技術應用平臺構建。面向電網風險管理的審計業務需求，基于底層的數據庫、知識庫及工具庫，構建審計綜合服務信息網、審計智能技術應用系統及審計單兵作業平臺，實現持續監控、智慧畫像、智能分析及可視化展示的功能。要實現相關的智能化應用，需要通過多源數據融合、業務模型構建、專家知識提取及專業工具開發，形成智慧審計相關的數據庫、模型庫、知識庫及工具庫。

2.多源數據采集和融合。基于AI的電網企業風險管理主動式審計系統貫穿風險管理各流程，在風險信息收集階段，通過構建智慧審計數據集市，能夠將審計業務數據、各類業務支撐數據以及外部數據信息進行多源采集和融合，其中，既包括結構化的財務、物資、營銷等結構化數據的信息匯總，也包括報告、標準、合同等非結構化數據的信息提取，能夠圍繞風險管理的目標進行有機融合多源信息數據。數據清洗是進行下一步審計的關鍵，它能有效提高審計數據的質量，AI帶來基于聚類分析與遺傳神經網絡的清洗技術以及優先隊列算法、排序鄰居算法等對這些不同來源的數據進行清洗。再經過轉換、集成，最后加載到數據倉庫或風控數據集市中使用。

3.審計業務模型工廠構建。傳統的審計模型是對數據庫中的數據按照制定的規則進行篩查的數據分析模型，規則固定不變。AI為審計人員提供了另外一種建模路徑，通過AI算法理解語言、操作步驟、經驗等，由機器學習自動生成新的規則，實現從審計模型到審計算法的轉變。通過多維財務及業務指標數據的無監督、半監督或監督機器學習，挖掘相關指標變量間的關聯性條件依賴性規則，實現自下而上的審計業務規則自動提取，進而既能夠豐富專業人員基于經驗的審計規則構建，又能夠實現符合實際數據場景的審計規則構建。相關的審計規則可對大量審計對象數據直接進行分析處理，得出相應的假設和預測結果，豐富與補充了數據審計模型，而不是過去的從風險事件出發進行數據建模。通過審計模型工廠，并基于審計模型架構標準，構建營銷域、財務域、資產域及綜合域的審計模型，并能夠圍繞風險管理目標，實現對相關審計模型的自動化智能化管理。

4.審計業務知識庫構建。通過調研審計業務專家、電網行業業務專家及數據分析技術專家，構建契合電網企業智慧審計風險管理的法律法規庫、審計風險庫、審計問題庫及審計成果庫等審計業務相關的知識庫，并對知識庫中實體、對象建立邏輯映射、內容勾稽關系，形成知識圖譜，優化傳統信息檢索和查詢方式。

5.風險管理應用。AI主動式審計平臺構建了營銷、財務、資產及綜合等領域的風險預警防線，以智能調度、精準掃描、智慧預警和多維提醒的方式，針對重點業務領域的風險情況，即時、主動地推送、展示給審計人員和風險發生部門專責，可通過主動式審計平臺開展遠程核實，自動下發到風險發生部門，提示風險事項，并督促整改；重點業務領域頻發、多發風險則智能提供審計項目計劃，支撐開展專項審計項目；對于正在開展審計項目的被審單位則可直接將風險推動到單兵審計裝備，支撐現場審計，開展現場核實取證，以此來降低風險。

五、基于AI的主動式審計應用——以基建項目風險管理為例

1.基建項目概述。2022年，南方電網固定資產投產計劃超過1200億元，截至2022年2月底，南方電網固定資產投資達107.29億元，其中電力基建工程項目投資91.22億元，同比增長40%。電力工程建設項目一般建設周期較長，電力基建的專業性也較高。電網企業基建項目的建設過程中存在大量的資金流動，這就需要重視基建項目的風險管理工作，以確保電網企業小型基建項目資金使用的科學性和合理性。

目前電網企業的基建項目風險管理存在諸多問題，例如在項目前期階段無法精確識別可能存在的風險、在項目執行階段對項目風險無法實時監測和預警、無法支撐對項目預算執行規范性的在線審查等。存在這些問題的原因主要有三點：一是未能充分挖掘數據信息，綜合分析欠缺，缺乏對機器學習、AI等智能分析技術的應用。二是未能充分利用項目全過程業務大數據，實現對項目全過程業務和風險的在線分析和監測。三是信息系統功能尚需完善，業財數據價值有待深度挖掘，尤其是在綜合財務分析和風險預警方面有待進一步加強。

2.基于AI的基建項目風險管理主動式審計。通過本文所構建的基于AI的主動式審計平臺，能夠實現對多源數據的采集和融合，并形成知識庫、模型庫與工具庫，從而對基建項目相關風險自動識別、預警以及應對。首先，對于數據來說，通過OCR技術對包含基建項目相關資料數據的合同、文件等自動提取，并對接可能提供有用信息的財務系統、資產級管理系統等，通過優先隊列、排列鄰居等算法對獲取到的數據進行智能清洗，最終輸入數據集市以備使用。其次，利用AI的機器學習對以前年度的審計經驗進行學習，如基建項目管理制度、法律法規庫、歷史審計問題庫等，對相關的審計規則進行自動提取。再其次，利用AI深度理解審計規則，形成一系列電力基建項目審計模型，實現可自動獲取、對比分析數據并輸出疑點結果的審計模型，并在審計業務知識庫、審計工具庫等的支持下，實現對基建項目中風險的常態化監測、智能化預警、系統化應對。下面以項目超概算風險應對為例，介紹AI機器學習在提取出審計規則后構建起的具體審計模型與運用成果。

基建項目造價應遵循全過程管理、分階段控制原則。AI通過機器學習政策法規自動識別出估算是基建項目總投資最高限額，沒有特殊原因不得突破，為應對項目超概算風險，在自動提取審計規則后，主動式審計平臺運行步驟如下。

步驟一：基建項目相關數據收集。利用OCR識別合同、施工圖等非結構化數據；利用爬蟲技術爬取物資信息價數據；利用數據中心獲取結構化資產業務數據。

步驟二：數據準備。為機器學習準備特定的數據格式，融合算法和數據源生產標準數據格式，重點關注算法相關的目標變量和特征值的數據類型，格式必須符合要求。根據項目超概算判斷規則、各類物資超概算判斷規則、各類物資結算價異常判斷規則進行聚類、關聯等分析，形成數據集或模型，確保數據集中沒有垃圾數據。

步驟三：AI訓練。根據AI機器學習算法，執行審計規則訓練，將前兩步得到的格式化數據輸入到機器學習算法模塊，從中抽取結算金額大于概算金額則為異常情況、結算價格遠超信息價的異常等信息，方便后續步驟使用。

步驟四：測試算法。將實際使用機器學習得到的異常信息進行驗證，確保得出的疑點數據確認是問題風險。對于監督學習，已知用于評估算法的目標變量值，對于非監督學習，則用到交叉驗證等手段來檢驗算法的成功率。無論何種情形，如果算法的輸出結果不滿意，則執行退回操作，改正并加以測試。

步驟五：風險輸出。將機器學習算法固化的主動式智能審計平臺，根據智能調度策略，執行實際任務，并將風險信息主動推送到審計人員、風險發生業務管理部門專責以及責任單位，如果遇到新的問題，則重復執行上述的步驟。實際應用中，項目的概算書中會提供各種物資的概算，而這些物資的結算金額則能在項目的結算書中獲取。

3.基于AI的主動式審計的應用成效。電網企業基建項目風險管理涉及數據眾多，僅憑人力將難以實現全覆蓋審計。而跨系統的多源數據獲取與對比，也給目前大多數省公司半自動化半手工的審計方式帶來了挑戰。AI技術的應用使得多源數據的自動采集、分析、結果輸出成為了現實，也為電網基建項目全過程風險監控，自動識別、預警提供了技術支撐。對于南方電網A省公司的基建項目，在前期工作階段，輸出前期項目儲備庫項目未經規劃、前期費超范圍列支等疑點數據264個；在招投標階段，輸出合同主要專用條款與招標文件不符、達到招標規模未招標等疑點數據166個；在設計階段，輸出基建項目可研未執行標準設計和典型造價等疑點數據279個；在實施階段，輸出未按期完成竣工驗收、工程竣工后仍發生領料等疑點數據169個。對發現的基建領域的878個疑點數據，按照業務風險對其中15個高風險問題，主動式審計平臺將問題推送至審計人員，進行核實。對于發現的48個中風險問題，推送業務管理部門進行風險提示，核實后反饋準確性。對于815條低風險問題，下發責任單位核實反饋。

六、結語

當前我國經濟發展面臨著三重壓力，內部審計應正確分析新風險和新挑戰，科學把握新時代賦予的新職責和新使命，運用AI實現企業全域主動式智能風控，充分發揮風險管理的建設性和預防性作用，推進和落實好國家關于防范和化解重大風險的政策和措施，并幫助組織強化治理和管理，提升應對風險的能力和水平，促進我國經濟高質量發展。