審計預警體系研究

王宏巍 李仁昊

【摘 要】 針對當前地市級供電公司配電網工程中物資管理缺乏有效監督的情況，基于用戶畫像理論，結合C均值聚類算法、3σ原則、變異系數法、Critic權重確認法等數學方法，使用SQL、Eclipse等信息化工具，通過構建輪廓畫像、描繪局部畫像、雕琢細節畫像三步還原典型工程的物資畫像，并計算畫像風險系數，以此實現在建工程的物資持續審計。通過“數學工具+信息化手段”可以促進內部審計由被動到主動、由抽樣到全量、由事后到事中的轉變，實現技術方法創新推動內部審計高質量發展。

【關鍵詞】 物資異常領用; 用戶畫像; 聚類算法; 持續審計; 風險預警

【中圖分類號】 F239.45 ?【文獻標識碼】 A ?【文章編號】 1004-5937（2020）10-0128-08

一、引言

所謂農配網工程，是指在20kV及以下電網上實施的線路或設備新建、改造、修理工程。近年來，為滿足人民日益增長的美好生活需要，國家電網公司每年投入大量資金實施電網建設，其中農配網工程投資一直是一大重頭。尤其在地市級供電公司的電網建設中，農配網工程投資的高比重表現得尤為明顯。以某地市級供電公司（以下簡稱某公司）2015—2018年電網建設投資狀況（具體見表1）為例分析可知，近4年間農配網工程投資占公司整體投資的比例均在50%以上，年均占比高達約71%，由此可窺農配網工程投資大、占比高的特點。這凸顯了加強農配網工程資金使用、物資費用等管控的重要性與緊迫性。

確保工程資金合規合法使用，并合理確定和有效控制工程造價是供電公司內審部門肩負的重要職責。一直以來，對農配網工程甲供物資費用的監控不僅是內部審計的重點，更是難點所在。具體表現有三：一是審計手段相對滯后，對于工程項目尤其是成本項目是否按照甲供物資的審計結果進行退料，缺乏機制上的有效管控;二是工程點多面廣，年度涉及的物資條目往往多達數十萬條，現場審計人員對甲供物資的審核尤其是零星鐵附件等無法做到逐條全覆蓋;三是工程物資異常領用風險較高，部分建設單位盲目追求資金預算完成率等指標，通過項目中領用無關物資提高預算完成率的情況甚為普遍。由此，對農配網工程甲供物資進行有效、全面管控已成為基層供電公司內審部門乃至全公司迫切需要解決的重要問題，而管控的核心則是杜絕各類工程未使用的物資有意或無意地截留在施工單位手中。

在此背景下，某公司審計部數字化審計團隊基于用戶畫像理論[ 1 ]，以SQLServer、Eclipse為載體，通過3σ原則、C均值聚類算法、變異系數法以及Critic權重確認法等數學算法，描繪出典型農配網工程的物資畫像，摸索建立了農配網工程物資異常領用風險審計預警體系，通過前移審計關口，實現了內部審計由主觀到客觀、由抽樣到全體、由事后到事中的轉變，是技術方法創新推動內部審計高質量發展的良好實踐。本文旨在對某公司已有實踐與創新加以理論提煉與經驗總結，以期架構可資借鑒的農配網工程物資異常領用風險審計預警體系，有效緩解當前農配網甲供物資難以管控到位的現實困境。

二、審計預警體系構建的理論依據

（一）持續改善理論

信息化技術的日益普及與提高，深刻影響了經濟與管理乃至審計領域。隨著信息與人類行為實時互動的實現，經濟管理與審計對客觀對象動態觀測和改進的目標有了實現的可能。西方管理實踐中形成了管理職能與經營活動良性互動不斷改善的局面，對此實務發展理性總結形成持續改善理論。與此相適應，審計也推進到了連續審計階段，傳統的滯后性審計拓展成嵌入經濟活動中的實時審計，審計職能因此得以鞏固與拓展，對實際經濟與管理的保障及促進作用更為直接而有效。在實時審計背景下，自然產生了審計預警功能，即對即將發生的經濟與管理基于以往審計掌握的信息，做出過程與結果方面的預判，從而在實際審計工作中對經濟與管理發表審計意見，提供分析判斷依據。由此決定了審計預警，對于現代審計尤其是本來就與經濟管理系統融為一體的內部審計而言，是適應信息化全新技術環境帶來挑戰的積極應對之舉。但目前審計理論對這方面缺乏制度層面的系統研究，相應的做法也處于零打碎敲狀況。正是基于此，某公司圍繞審計預警制度建設，以工程物資審計工作為抓手，嘗試利用信息化先進技術進行審計預警，從而有效提高內部審計工作的質量與水平，其間形成了一些經驗性做法與感受。本文對此做出理論總結，以期為中國企業內部審計做好審計預警工作提供有益的參考。

（二）用戶畫像理論

“畫像”技術最早應用于刑事偵查破案，其原理是根據目擊者的敘述，將犯罪嫌疑人的外貌特征描繪、復原。近年來，互聯網企業利用“畫像”技術把數據轉化為商業價值，通過用戶網絡數據行為，還原用戶的消費特征、消費喜好和消費需求的“畫像”，針對特定畫像的用戶進行產品推銷，從而形成了“用戶畫像理論”。該理論的運作邏輯可表述為：基于“全樣本定量分析”，到“個體特征定性描述”，再“對新樣本進行畫像描繪”，具體見圖1所示。用戶畫像又稱用戶角色，作為一種勾畫目標用戶、聯系用戶訴求與設計方向的有效工具，在各領域得到了廣泛應用。在實際操作過程中，往往會以最為淺顯和貼近生活的話語將用戶的屬性、行為與期待聯結起來，進而形成對用戶加以畫像描述的標簽。

“用戶畫像理論”同樣適用于內部審計工作。隨著國家電網信息化、數字化業務系統的不斷構建，生產、營銷、管理等信息系統不斷完善，審計關注的財務、營銷、業務數據已經完全信息化。綜合利用相關系統，搭建系統數據關聯，從海量數據中識別出用于描述審計對象的“標簽”，對審計對象進行形象化展示，可幫助審計人員更加客觀、科學地進行審計分析和評價，大大提升審計人員的工作效率;同時，使審計工作重心從查錯糾弊向提供咨詢等增值型服務轉變，助力內部審計價值提升。

（三）聚類分析（Clustering）

聚類分析主要研究樣品或指標分類問題，不僅是一種統計分析方法，也是數據挖掘的一個重要算法[ 2 ]。用戶畫像理論的核算就是聚類算法。聚類分析基于“物以類聚，人以群分”的理論思想，起源于分類學。在古老的分類學中，人們主要依靠經驗和專業知識來實現分類。隨著信息化水平日益提高，人們對分類的精確度要求越來越高，僅僅依靠經驗和專業知識已經難以確切地進行分類，把數學工具和分類學進行融合成為必然選擇，由此形成了數值分類交叉學科。此后又將多元分析的技術引入到數值分類學，形成了聚類分析或聚類算法。

聚類算法的主要做法是按照特定標準——可理解為按照“用戶畫像的標簽”，把海量數據聚合成不同的類，使同一類內數據特征的相似性盡可能大，亦即把相似的對象分到同一組。聚類算法種類很多，有系統聚類法、有序樣品聚類法、動態聚類法、模糊聚類法、圖論聚類法、聚類預報法等。本文主要采用模糊C均值聚類算法（即FCM算法）開展研究。該算法是一種基于目標函數的模糊聚類算法，其聚類核心是根據每個數據點對聚類中心的隸屬度來實現無監督的模糊聚類[ 3 ]。該算法的目標函數（即FCM目標函數）及其約束條件如公式（1）、（2）：

（四）Critic權重確認法

Critic權重確認法又稱Critic賦值法，是依據指標客觀性進行權重分配的方法。指標客觀權數的確定依據有二：一是對比強度，以標準差的形式來表現同一指標各個評價方案取值差距的大小，即標準差的大小表明了在同一指標內各方案取值差距的大小，標準差越大各方案取值差距越大;二是沖突性，即評價指標間的沖突性，是指標間相關性的互補概念，如兩個指標之間具有較強的正相關，則兩個指標之間的沖突性較低[ 4 ]。第j個指標與其他指標沖突性的量化指標為n i=1（1-rij），其中rij表示指標i和指標j的相關系數。

在Critic權重確認法下，各個指標的客觀權重確定就是以對比強度和沖突性來綜合衡量的。設Cj表示第j個評價指標所包含的信息量，則Cj的計算公式為：Cj=σjn i=1（1-rij）（其中n為同一指標的評價數量，σj為第j個評價指標的標準差）。一般而言，Cj越大，第j個評價指標所包含的信息量越大，其相對重要性也越大。設Wj為第j個指標的客觀權重，則Wj的計算公式為：

其中m為所有指標的數量。

三、審計預警體系構建的邏輯框架

某公司針對農配網工程物資異常領用風險，綜合運用用戶畫像理論以模糊C均值聚類算法、Critic權重確認法等，按照如下邏輯搭建了審計預警體系框架：（1）利用底層數據即近年農配網工程的全樣本數據，開展數據清洗，實施用戶畫像，包括輪廓畫像、局部畫像和細節畫像。（2）構建用戶畫像，即綜合運用模糊C均值聚類算法、變異系數法、3σ原則，計算并確定包括物資費用占總投資費用的比例、出現頻次極少的異常物資占項目中物資的比例、同類型項目不同物資的配比關系等指標在內的不同維度的數據，逐步雕琢出發生異常領用的物資的模型。（3）構建異常預警，即通過Critic權重確認法，計算不同維度畫像的權重系數，得出預警模型的準確描述。（4）在此基礎上，開展實時監控，包括進一步掃描在建工程的實時基礎數據，實現對在建工程的疑點篩查，同時將結果進行反饋，進一步修正畫像，提高準確性。某公司構建農配網工程物資異常領用風險審計預警體系的邏輯框架，具體如圖2所示。

四、審計預警體系的系統搭建

按照圖2所示的邏輯框架，某公司依次運用如下步驟系統搭建了農配網工程物資異常領用風險審計預警體系框架。需說明的是，樣本數據畫像勾勒的前提是充分且必要的基礎數據，為方便描述，這里所用例證為配電變壓器類項目，樣本時間跨度為2015—2018年。

（一）基礎數據歸集及數據清洗

首先從項目ERP系統中導出2015—2018年公司實施的所有配網工程，將其中配電變壓器類工程篩選出來。再根據系統唯一的“項目定義號”即wps碼，在物資系統導出項目出庫物資清單。同時，在審計系統或財務系統導出項目的總成本、服務費成本（含施工、設計、監理等）、物資成本等項目成本信息。經過清洗，共篩選出配電變壓器項目9 551個，項目總投資共計8.62億元，其中物資費用5.42億元，涉及物資條目28.42萬條。

（二）構建畫像

例證中所用的配電變壓器類項目物資畫像由輪廓畫像、局部畫像和細節畫像三部分組成，三部分在邏輯上不是包含關系，而是不同維度的畫像構建。通過對將三類畫像定性為“可疑”的標簽進行權重計算，定性項目畫像整體風險等級。

1.構建輪廓畫像

輪廓畫像是指較為粗糙的用戶畫像，即不能精確定位到異常項目，僅在大體輪廓上為定位異常項目提供“可疑”標簽，后續需要其他畫像一并驗證的用戶畫像。農配網工程中同類型的項目，其使用物資的種類數量、實施的方法工藝等應該大體一致。例證中所用的配電變壓器類項目的物資狀況為：新安裝或更換一臺配電變壓器，安裝此變壓器的相關配件，并實施相應的調試，使之具備送電投運的功能。由此可見，物資種類相對單一，安裝工作也相對一致，故該類項目的物資費和施工費應呈現出相似的比例。依據這一邏輯，生成輪廓畫像的第一個標簽，稱之為“異常比例”。

物資費占總投資的比例數據應當呈現正態分布或近似正態分布。根據正態分布的3σ原則，不在橫軸區間（？滋-3σ，？滋+3σ）內的數據，可以貼為可疑標簽。如前所述，該項目總數為9 551個，總投資共計8.62億元，總物資金額占總投資金額比例為66.61%。據此，可描繪所有項目占比的正態分布曲線和直方圖，具體見圖3所示。

該正態分布的期望值？滋為66.61%，標準值σ為0.152463，所以（？滋-3σ，？滋+3σ）區間為20.8711%～100%，即物資費占總投資比例小于20.87%的項目為異常項目，需貼上可疑標簽。經篩選共有138個項目。

2.描繪局部畫像

局部畫像是比輪廓畫像更精致一些的畫像，但不是輪廓畫像的精細化，而是由不同維度數據進行的精致描繪。如前所述，類型相同的項目，其建設施工工藝、各類費用占比應呈一定類似比例。梳理9 551個配變項目涉及的28.42萬條物資領用條目，僅涉及324個物料編碼，即只領用了324種物資，說明同類型項目使用的物資類型也大致一致。本文針對例證中所用配電變壓器類項目，描繪其局部畫像的邏輯是：如果項目單位通過此類項目虛領物資，達到清倉利庫目的，那么虛領物資的類型不由項目實際需要何種類型的物資決定，而是由倉庫現在庫存了什么物資來決定，而庫存物資的類型不一定是項目常用物資。反言之，若項目中出現一定比例的非常用物資，則有可能存在虛領物資的嫌疑。

（1）確定異常物料編碼庫。異常物料編碼庫的建立包括兩個步驟：第一步，從實際工程建設的角度，將出現頻率極低的物料編碼定義為異常物料編碼。由于“頻率極低”無法定量描述，僅能根據經驗值進行判斷，則需要第二步對結果進行修正。第二步，將異常物料編碼與國網公司頒布的配網工程典型設計中的物料編號進行對比，不在典型設計中的異常物料編碼將納入異常物料編碼庫。

將28.42萬條物資領用條目導入SQLServer數據庫，計算每條物資在多少項目中出現過。具體SQL語句如下：

--計算一項物料在整個領用物資項目的占比 物料出現的頻次/項目總數

with a as （select 項目定義，物料編碼，sum（實發數量） as 物資數量 from[2015-2018年變壓器項目導出清單]group by 物料編碼，項目定義）

b as （select 物料描述，物料編碼，sum（金額）as 金額 from[2015-2018年變壓器項目導出清單] group by 物料編碼，物料描述）

select a.物料編碼，count（a.項目定義） as 頻次， cast（round（convert（decimal，（count（a.項目定義）））/（select count（distinct（項目定義）） as 項目數 from ?a where a.物資數量！=0）*100，4） as varchar） +'%' as 百分比，b.物料描述，b.金額

from a left join b on a.物料編碼=b.物料編碼

where a.物資數量！=0 group by a.物料編碼，b.物料描述，b.金額

根據篩查結果，暫定義出現頻次小于2.45%①的物資為異常物資，共涉及156個項目編碼，涉及金額3 230.5萬元。為提高該閾值精度，將這156個項目編碼與國網公司頒布的配網工程典型設計中的材料清冊進行對比，確定其中的137條物資為異常物資，形成異常物料編碼庫。

（2）數據篩選及清洗。將異常物料編碼庫導入SQLServer數據庫，結合前期導入數據庫的項目數據、物資領用數據，形成兩個維度的物資異常領用表現：一是物資異常領用條目數占本項目條目數的比例，二是物資異常領用金額占本項目物資總金額的比例。具體SQL語句如下：

select a.項目定義，cast（round（b.異常物資數量/a.物資數量*100，4） as varchar） +'%' as 異常物料數量占比，cast（round（b.異常金額/a.金額*100，4） as varchar） +'%' as 異常物資金額占比 from

（select 項目定義，sum（實發數量） as 物資數量，sum（金額） as 金額 from[2015-2018年變壓器項目導出清單]group by 項目定義） as a inner join

（select 項目定義，sum（實發數量） as 異常物資數量，sum（金額） as 異常金額 from[2015-2018年變壓器項目導出清單]where 物料編碼 in（select 物料編碼 from [ntsj].[dbo].[異常物料編碼庫]） group by 項目定義） as b

on a.項目定義=b.項目定義

（3）模糊C均值聚類分析。FCM算法的一般步驟為：第一步，確定分類數，指數m的值，確定迭代次數（這是結束的條件，可以根據需求確定，可以多種）;第二步，初始化一個隸屬度U（必須滿足公式（2），總和為1）;第三步，根據U計算聚類中心C;第四步，計算目標函數J;第五步，根據C返回去計算U，回到步驟三，一直循環直到結束[ 5 ]。

本文主要借助Python語言編程來實現上述C均值模糊聚類算法公式（3）。為了可視化方便，生成一個二維數據在坐標軸上顯示，具體如圖4所示。在圖4中，橫軸代表異常物料占比情況，縱軸代表異常物料金額占比情況。基于聚類實驗目的，將數據分為異常物資和正常物資兩大類。通過參數實驗的調整，設定分類數n_clusters為3。通過對9 951個項目中存在異常物料的3 874個項目進行聚類實驗，得到聚類結果。

分析聚類實驗結果，可以發現這些項目分成了三類：紅色類項目（數量3 356），綠色類項目（數量314），藍色類項目（數量204）②。據此可以認為，藍色和綠色類項目遠離數量群存在異常。結合圖4中橫縱坐標可知，一個項目異常物料數量占項目總物料比大于28.5%，或異常物資金額占項目總額比大于32.2%，均可大概率認為其存在異常。按照這一邏輯，本文共發現518個項目存在異常。

3.雕琢細節畫像

因局部畫像仍不能精準描繪出異常領料的完整邏輯特征，故本文進一步借助不同類型領用物資之間的比值關系，對配電變壓器類項目雕琢細節畫像。理論上，同類型項目使用的不同類型物資之間應呈一定的比例關系，比如一臺變壓器配置一臺JP柜、一根電桿配置50米的導線等。這里運用變異系數法，通過計算數據之間的相關關系查找不同類型物資配比關系，構建異常邏輯矩陣。