基于深度學習的智慧審計系統

李云香 周成軒 張鋮怡 余建波 楊林

[摘要]本文針對審計信息化、智能化提升的要求，基于數據挖掘技術和深度學習算法設計智慧審計框架，開發智慧審計平臺，闡述如何將創新的深度學習方法運用于審計過程，解決項目審計過程的數據集合與整理、多源異構數據特征提取、項目異常識別及項目異常分析等關鍵性問題。

[關鍵詞]智慧審計 ? ?大數據 ? ?深度學習 ? ?多源異構數據

內部審計在企業中承擔著監督管理的重要職責，其高效開展與企業健康發展緊密相連。隨著互聯網信息技術的發展和企業數字化轉型步伐的加快，內部審計必然要面對更多紛繁復雜的異構多源數據。在此背景下，傳統審計模式已無法滿足要求。綜合運用網絡爬蟲、可視化分析、循環神經網絡、自然語言處理、卷積神經網絡圖像處理等深度學習技術，構建智慧審計系統，打通管理、資產、業務等不同領域的信息壁壘和數據壁壘，快速、準確地對審計發現問題進行定位和描述，完成審計業務的大部分基礎性工作，提升業務流程速度，同時減少審計人員的機械勞動時間，已成大勢所趨。

一、文獻綜述

（一）大數據環境下的智慧審計

大數據、云計算是新時代的一種嶄新的計算模式，它集計算機技術與網絡技術為一體，運用網絡存儲、網絡計算、負載平衡、分布式處理等技術將大量虛擬化計算機技術運用到計算機系統中，實現計算機資源的遠程配置，供遠程用戶獲取信息資源。大數據是傳統數據庫軟件在數據采集、管理和分析能力之外的數據集合，數據量較大，數據流動較快，且包含多種類型數據。云計算與大數據關系密不可分，如圖1所示。

隨著國家大數據戰略的實施，基于大數據的智慧企業快速發展。在大數據環境下，企業的數據管理模式也隨之改變。有了云計算的支撐，企業就能從海量動態、多元化數據中快速獲取有用信息，從而提高決策能力。大數據具有價值高的特性，海量數據可以通過新型數據處理模式進行高效轉換與利用。大數據主要技術涵蓋采集、預處理、存儲與管理、分析與挖掘、展現與應用五大技術層面。

為適應審計工作新要求，智慧審計的概念被相關學者提出。將大數據運用于審計工作，可以為審計過程提供多樣化的數據分析，審計人員可以從復雜數據中獲取深層信息，迅速發現異常數據和審計疑點，為審計工作帶來不可估量的增值。智慧審計以被審計單位計算機信息系統和底層數據庫原始數據為切入點，首先對信息系統進行檢查測評，再通過對底層數據的采集、轉換、清理、驗證，運用查詢分析、多維分析、數據挖掘等多種技術方法構建模型并進行數據分析，發現趨勢、異常和錯誤，把握總體、突出重點、精確延伸，從而收集審計證據，實現審計目標。

大數據環境下的智慧審計，關鍵在于數據獲取，數據的質量和數量最為重要。多方數據采集是從數據中挖掘隱藏信息的有效前提，由于大數據技術的進步，大數據的數據來源已經得到一定程度的優化，如何進一步實現跨專業、跨地域、跨類型的全量數據采集、分析與應用，是審計工作的重大創新點。目前，國內對智慧審計的研究還處于起步階段，大數據在審計中的應用包括審計取證模式研究、全流程風險防范、證據獲取和檢驗等。孫玥璠和宋迪（2015）以政府審計中的高校基建工程結算審計為例，在大數據環境下構建了基于孤立點分析的審計抽樣模型。呂勁松和王忠針（2014）對國家審計中的金融審計構建數據分析平臺，從整個平臺的建設過程、主要功能、主要特點進行了詳細說明。張玉嶺（2019）基于深度學習構建了智能審計模型，采用自動編碼原理提取內部審計非結構化數據的深層特征，并開展審計數據與比較基準數據之間的對比分析。馬志娟和梁思源（2018）通過對大數據給政府責任審計監督全覆蓋帶來的影響及現有的發展困境進行分析，提出了大數據背景下政府環境責任審計的實施路徑。基于大數據的智慧審計在財政、金融、電信、保險等具有海量數據的行業展現出極強的生命力和效能，并逐步在財政審計、工程審計、民生專項資金和社保資金審計等方面獲得了較高的關注度。

（二）深度學習的演變與發展

隨著互聯網的發展，大數據、云計算等技術被廣泛應用于各個領域，其背后的“大腦”——人工智能技術的普及，引發了一系列顛覆性的科技革命和產業變革，推動了經濟和新興產業的發展。當前，人工智能的作用主要在于信息收集、分析與開展決策。大數據為人工智能的發展帶來了難得的契機，人工智能的核心思想是在海量數據的基礎上不斷更新參數以優化決策，大數據技術能為人工智能開展學習帶來豐富的素材。云計算技術是人工智能的另一個重要支撐，云計算相關技術的發展使人工智能成為一個能獨立思考的“大腦”。

人工智能的分支學科包括機器學習、深度學習、認知分析和自動機器人程序等。深度學習（Deep Learning）的概念由Hinton等人于2006年提出，其已經成為人工智能的研究熱點之一，并在許多應用中取得了巨大成功。深度學習不僅比淺層神經網絡擁有更復雜的網絡結構，而且在特征學習、模型構建和模型訓練等方面也明顯優于淺層神經網絡。基于深度學習的人工智能技術能夠吸收環境中的知識和經驗，并從中學習隱藏的信息，從而提高決策能力。經典的深度神經網絡包括卷積神經網絡（Convolutional Neural Network，簡稱CNN）、深度置信網絡（Deep Belief Betwork，簡稱DBN）、堆棧自編碼器（Stacked AutoEncoder，簡稱SAE）、循環神經網絡（Recurrent Neural Network，簡稱RNN）等，此外還有深度殘差學習、長短期記憶網絡（Long Short-Term Memory，簡稱LSTM）等已經應用在知識發現、模式識別、信息生成、趨勢預測、異常探測等領域。這些網絡呈現多層級聯的結構，可以從復雜的數據中提取有助于判斷的特征信息。

目前，國內外學者已經對深度學習及其應用有了相當客觀的研究成果。國內方面，趙旻昊（2013）將深度學習算法與數據融合技術相結合，構建了可應用于浮式儲油卸油裝置（Floating Production Storage and Offloading，簡稱FPSO）系統的深度學習網絡模型，驗證了該技術在FPSO預警功能方面具有很高的效率和準確性，可以應用到風險預警領域。江舒宇分階段討論了人工智能在審計工作中的應用前景、應用流程等問題，并且指出人工智能在審計中面臨的困難。國外方面，Lee和Kwon（2017）采用一種新的CNN網絡，它比現有的用于高光譜圖像分類的深度網絡更深更廣，可以通過聯合利用相鄰單個像素矢量的局部空間光譜關系最佳地探索局部信息。Tang（2018）等人提出了一種數據驅動的故障檢測方法，該方法將DBN與多元靜態相結合，以應對非線性問題。Park和Yun（2018）提出了一種基于RNN的編碼—解碼器的快速自適應異常檢測模型。綜上所述，國內外對于深度學習網絡的研究已從多個方向有所發展，深度學習網絡的實際應用也取得不錯效果。

二、基于深度學習的智慧審計體系結構

（一）基于深度學習的智慧審計框架構建

審計工作是一項系統工程，在企業信息化廣泛應用的背景下，傳統審計正逐漸向智能審計轉變，深度學習的發展為這一轉變提供了一種新思路，即本文提出的基于深度學習的智慧審計實現框架，如圖2所示。首先將審計數據從源數據庫中提取出來，然后運用優先隊列算法、排序鄰居算法及基于粗糙集、聚類分析與遺傳神經網絡的清洗技術等進行清洗。數據清洗能有效提高審計數據的質量，是進行下一步審計的關鍵。預處理后的數據進入審計流程，通過一系列深度學習方法從審計數據中挖掘隱藏其中的有用信息。將深度學習應用于審計流程，可實現從審計數據中獲取項目疑點、幫助審計人員尋找線索及項目異常識別等功能。

（二）基于深度學習的智慧審計平臺

基于深度學習的智慧審計平臺如圖3所示，該平臺依托云服務器和云端數據庫，錄入存儲企業歷史財務數據和行業經濟數據，采集互聯網平臺、審計機關等API端口包括圖像、政策法規、財務經濟指標在內的結構化或非結構化數據并在云端存儲。基于海量大數據，以深度學習算法模型作為基礎，從分類分析、關聯分析、聚類分析、預測分析和知識發現五個角度進行集成建模，實現對審計管理、審計作業過程中的數據挖掘和數據處理，全方位、多角度提取并應用財務數據。針對日常票據等非結構化數據采集、數據預處理和異常檢測開發了基于深度學習的圖像審計系統;針對部分審計作業開發了基于深度學習的存貨監盤智慧審計系統;針對財務證據驗證、財務欺詐和財務指標預測構建了基于深度學習和數據挖掘技術的財務分析預測系統。

（三）智慧審計任務分析

在傳統的審計抽樣中，審計人員依靠審計經驗及專業能力進行人工抽樣，樣本選擇的數量及質量都無法體現客觀性、科學性，樣本選擇過少，將導致審計抽樣工作無效;樣本選擇過多，將增加審計人員的工作量。同時，審計人員往往只能以樣本結果為基礎預估結論。如何擴大審計范圍，提升審計精度，減輕審計人員負擔，是當前智慧審計的重要任務。此外，許多企業都面臨較高的經營風險，包括財務造假、治理結構不合理、違規擔保等。這些長期積累的問題使企業財務狀況不斷惡化，最終陷入財務困境。研究結果表明，企業陷入財務困境有先兆且可預測。因此，通過審計分析和預測為企業經營管理保駕護航，同樣成為智慧審計的任務之一。

（四）基于深度學習的智慧審計流程

依托智慧審計平臺設計深度學習智慧審計流程，如圖4所示。通過企業數據庫，采集多渠道、全方位財務相關信息，對數據進行預處理，之后利用數據挖掘技術和深度學習算法實時審計企業當前財務狀態，對異常指標以及可能導致的財務欺詐行為進行預警，從分類分析、關聯分析、聚類分析、預測分析和知識發現五個方面，給出問題診斷及處置方案建議，并利用深度學習算法挖掘大數據隱含信息，對發現的問題進行問題成因分析，完成風險控制。同時，對于診斷結果進行跟蹤驗證，采用遠程審計、數據采集實現審計期中的取證，從而進一步降低期末審計舞弊及相關風險。

因此構建智慧審計平臺，可根據審計人員的需求，通過數據庫和資料庫實時提取歷史財務數據、動態經營數據。此外，基于會計資源和會計信息高度共享，智慧審計平臺可通過證監會、銀行、生產部門、人事部門、客戶的會計系統記錄和業務活動與外部機構的聯系，通過數據獲取端口API或爬蟲技術，獲取公開數據集信息，包括同行業的年報、季報以及運營數據信息等。基于獲取的海量大數據，進行橫向同業間與縱向歷史發展狀況的對比，制訂審計方案計劃。

通過數據挖掘技術和深度學習算法，對被審計單位的全部財務數據進行核查，自動形成核查文件中的異常項，包括數據錯漏、偽造、數據過大或過小以及被審計企業的其他差異情況，并將所有異常項內容以預警的形式體現出來，幫助審計人員形成第一階段的審計意見，篩選相關的細分財務項、證、賬、簿進行識別，輔助審計人員快速發現原因。該審計平臺可以迅速進行財務信息的核查并形成評判意見，在提升工作效率的同時，避免人工操作造成的各類風險。

三、關鍵審計技術

（一）基于深度學習的異構多源數據融合集成

如何快速、準確地錄入日常往來業務紙質單據數據并調用，是企業信息化審計在效率方面追求的方向，特別是近幾年，隨著數據挖掘技術和深度學習算法的快速發展，諸如卷積神經網絡的圖像識別、關聯算法和循環神經網絡的數據挖掘技術正不斷創新并大規模嘗試將異構財務數據審計應用于企業發展的各個方面，從而提升業務處理的效率，如圖5所示。

異構多源數據一般包括圖像、紙質憑證、紙質會議紀要、決議規章等。以增值稅專用發票為例，增值稅發票是最常見的紙質原始業務憑證和企業經濟活動繳稅依據，也是銷項稅和進項稅的合法證明。依托紙質票據進行的合規審計也是審計人員較多接觸的異構數據審計業務。

異構多源數據的錄入和識別多基于OCR圖文識別和深度學習圖像處理技術，通過掃描儀、相機等設備對圖像審計信息進行采集。對于擬錄入的圖像數據，傳統審計模式下需要人工進行預處理，包括圖像矯正、灰度化處理、圖像去噪、提高對比度、銳化等處理步驟，而采用OCR圖文識別技術對圖像中的自然文本語言進行提取，借助深度學習算法，基于卷積神經、LSTM神經網絡對自然語言進行分類，從而完成自動化異構多源數據的錄入，省去了人工預處理的步驟，精確度也更高。

（二）基于深度學習的業務審計

按照審計計劃，整體審計任務被拆解成小的審計單元模塊并根據業務流進行分類審計，如圖6所示。基于智慧審計系統的審計業務主要由線下內控審計和線上內控審計兩部分組成。

以審計業務中的存貨內控審計為例。在使用智慧審計系統前，審計人員需完成線上內控審計的相關布置，針對信息系統的控制審計，對信息系統的運行和維護情況進行審查，查看信息系統的管理制度是否健全，系統操作是否規范，系統運轉是否正常，不相容職務是否建立了分離制度等。對存貨業務相關應用的內控審計，首先要重點關注內控設計是否合理、內控系統運行是否正常、是否能夠與智慧審計系統連接、信息輸入及反饋是否匹配。其次要對崗位設置合理性進行審計。審計人員應對庫存相關業務進行梳理，掌握相關崗位的職責和權限，了解各崗位之間的相容性，并查證被審計單位是否對不相容職務進行分離，在數據庫管理的重點環節要納入密碼管理，通過特定權限確保系統操作安全，同時將重要審核崗位成員的管理范圍、變動情況、手寫簽名等信息通過ERP系統錄入智慧審計系統。針對業務環節進行審核，尤其對業務環節核準簽字的流程情況進行調查，查看審核批準環節是否合理。

線上內控審計完成后，基于智慧審計系統，需搭配調試智能監盤設備從而輔助開展存貨基本情況審計。傳統人工盤點方法是由盤點人員手工記錄盤點的設備信息，再與之前的記錄進行比對和更新，而智慧審計系統則依靠硬件設施，按照存貨的分類和存放，進行大規模圖像錄入和信息讀取，然后與ERP或企業內網系統數據進行比對，上傳盤點結果。

對于存貨、設備的固定信息，如設備類型、客戶信息、設備序列號等，可放到二維碼中，通過帶有攝像頭功能或者FID讀寫功能的盤點設備讀取存貨或設備的標簽信息，還可通過互聯網獲取GPS地理定位信息，基于錄入圖像使用卷積神經網絡、循環神經網絡自動識別貨物大小、數量、質量，對于出庫入庫的圖像再搭配數據挖掘算法，對于不同地點分布的存貨監盤可依托分布式審計子系統進行審計，監盤后智慧審計平臺匯總至實時動態數據庫。審計人員僅需確認監盤過程中是否全部貨物都已盤點，是否存在不列入盤點范圍內的貨物，同時詢問原因并進行記錄。盤點結束后，對于盤點差異的部分，監督盤點人與貨物保管人的核對過程，相關的支持依據如出入庫單等，可作為數據信息錄入智慧審計平臺，進行集成建模，基于以往數據可通過Apriori算法和FP-Tree算法關聯企業營業收入、營業支出等賬戶，實現關聯規則的挖掘，確認是否存在貨物挪用，也可利用基于SDAE-LSTM的深度學習神經網絡，對企業的經營業績進行預測，以輔助出具審計意見。

除上述關于存貨業務的審計，智慧審計平臺還可分析線下審計錄入數據間的關聯性，如通過貝葉斯和決策樹分類算法比對入庫貨物清單上的品名、規格、數量等與ERP系統中的入庫信息是否一致，發票上的品名、價格、金額、編號等和入庫信息比對是否一致，領料單信息與存貨變動信息是否一致，庫存盤點信息是否和錄入數據一致，業務發生信息是否屬于正確會計科目，應收賬款信息是否與回函信息一致等。

四、總結

本文深入討論了大數據環境下智慧審計體系的構建。在大數據時代，未來審計將依托智慧審計平臺，基于神經網絡等新型智能算法模型，對從各種接口匯入的各類數據進行全樣本大數據分析，從海量審計數據中獲取深層特征信息，幫助審計人員快速鎖定疑點，找尋線索，把握總體，精準定位，實現對關鍵環節和風險點的全面排查。在審計過程中，深度學習能解決項目審計過程中的數據集合與整理、多源異構數據特征提取、項目異常識別及項目異常分析等關鍵性問題。深度學習快速、高效的提取能力使審計系統更具靈活性，能針對不同審計目標選擇有針對性的審計方法，在傳統審計方法的基礎上融入先進技術，提高審計效率和效果。

（作者單位：國網山東省電力公司濟寧供電公司 ?同濟大學 ?國網山東省電力公司，郵政編碼：201804，電子郵箱：jbyu@tongji.edu.cn）

主要參考文獻

高麗陽，馮均科.大數據環境下的社會審計取證模式研究[J].中國內部審計， 2018（3）：80-83

蔣鳳芹，陳松，吳洵，汪波，闞海湄，鞏浩.大數據審計在銀行的應用[J].中國內部審計， 2018（3）：46-51

劉國城，王會金.大數據審計平臺構建研究[J].審計研究， 2017（6）：36-41

王鳳領.大數據云計算環境下的數據安全分析與對策研究[J].網絡安全技術與應用， 2020（6）：88-91

張玉嶺.智能審計在企業內部審計中的運用分析[J].財會通訊， 2019（4）：87-91