數智時代注冊會計師數據分析能力提升的框架、策略與路徑

| 吳勇 汪凡 陸藝 張超

一、引言

科技強審是21世紀以來審計發展最顯著的特征之一，審計的數字化和智能化特征日益凸顯。數智時代，傳統審計取證模式、審計流程和審計技術方法不夠有效和高效，亟需做出適應性變革。為了有效應對數字化轉型的變化與挑戰，審計理論和實踐發展越來越呈現出跨學科融合的特征，這對審計人員數據分析能力素養提出了更高的要求（畢秀玲和陳帥,2019;張慶龍等,2020）。注冊會計師應當具備堅實的審計數據分析知識基礎，掌握審計數據分析必備的技能，超越傳統的比率分析和抽樣分析，以便更高效地利用先進數據分析技術提高審計效率、提升審計質量。雖然會計師事務所已經使用了某些標準化的商業審計軟件包，但這些工具軟件包主要用于實現傳統手工測試的自動化，未能將數據分析工具完美嵌入審計流程中，通常難以滿足數智時代的審計需求，例如對文本挖掘、情緒分析、語言識別、圖像分析以及其他數據挖掘的解決方案（Forbes Insights, 2018）。2022年3月25日財政部辦公廳印發《關于加強新時期注冊會計師行業人才工作的指導意見（征求意見稿）》，其中在加強注冊會計師專業方向學歷教育與行業需求的銜接部分，提出要持續完善注冊會計師專業方向的課程體系，強化信息化、數字化等方面的技能儲備。然而，大數據、云計算、人工智能、移動互聯、物聯網和區塊鏈等新興數字化技術類型多樣，在具體審計實務過程中，注冊會計師的信息化專業能力短板日益突顯（汪軼民和曾琦,2022）。因此，如何對審計師數字化技術應用能力進行系統性集成，研究構建審計師數據分析能力的整合性框架，以科學的策略和有效的路徑，綜合提升審計師數據分析能力是亟待解決的重要課題。

為此，立足于以信息為中心的數字化商業環境特征以及大數據分析對審計行業的系統性影響，考慮審計數據分析知識、技能和工具之間的互補性關系，構建了“全面的數據采集和處理能力、高效的數據統計和分析能力、深度的數據挖掘和洞察能力”三層遞進式審計師數據分析素養框架，面向審計師不同的角色任務和崗位職責，提出差異化的審計數據分析能力提升策略，并從CPA考試、審計準則以及課程教學改革等多個維度，提出系統提升審計師數據分析能力的策略路徑。

二、數字化轉型對審計師數據分析能力的系統性影響

1.“以信息為中心”成為數字經濟時代企業商業環境的重要特征。新一代信息技術的廣泛應用和各行業數字化轉型的持續推進，產生了豐富的業務、財務、市場和客戶等大數據。全球信息技術連接、數據收集技術（如RFID和條形碼）、區塊鏈和加密貨幣、可擴展商業報告語言（XBRL）、電子數據交換（EDI）、云計算、大數據、人工智能等技術的發展，促進了業務數據的創建、收集和利用，以信息為中心成為數字經濟時代企業商業環境的重要特征。通過UPC掃描儀可以在收銀機上獲取所購物品的詳細信息，無線電頻率識別（RFID）允許企業識別庫存和產品，并在整個供應鏈中跟蹤它們。此外，還能夠獲得外部社交媒體（如論壇、博客）上的海量信息。這種數字化商業環境要求所有參與者能夠以靈活、創造性、有說服力的方式進行數據分析，以便能夠挖掘洞察海量數據背后隱藏的模式特征和規律。

2.數字化轉型對審計師的數據分析能力提出更高要求。人工智能技術增強了對文本、語音、視頻等多模態大數據信息的感知洞察能力，數據資產成為企業價值創造的重要驅動因素。數字化轉型背景下，企業商業環境的重要特征是形成了以大數據信息為中心的經濟。大數據作為一種重要的戰略性資源，有助于審計師提升審計效率、提高審計質量。與標準數據分析工具可以理解的結構化財務或交易數據不同，大數據更多的以半結構化或非結構化等數據型態存在，這就需要對數據進行清洗、轉化、標記和分類，以生成元數據，形成對決策有用的信息，這對大數據環境下審計師的數據分析能力提出了更高的目標，要求審計師增強數據分析能力和信息技術應用能力，注重批判性思維和解決復雜問題的能力，更加頻繁地使用數據分析技術和工具，更加強調測試總體而不是子集或樣本，充分利用區塊鏈技術和智能合約，并在審計過程中使用機器學習和其他人工智能技術，推進審計流程的高度自動化和智能化，推動持續審計和持續監測（Sun和Sales,2018; Zhang, 2019）。

隨著業務越來越以信息和數據為中心，企業領導者常常擔心包括審計人員在內的員工是否擁有從數據中提取價值的基本分析技能，而這些需求也隨著數字化技術的深度應用以及大數據資源的持續累積而進一步擴大。數據分析知識是數字化轉型背景下畢業生最需要具備的技能。Forbes Insights（2017）和畢馬威（KPMG,2018）的調查也得出類似結論，近80%的受訪者認為審計師應該使用更大的數據樣本，78%的受訪者認為審計師應該在審計業務中使用更先進的技術和分析方法，可視化和人工智能技術在未來將是審計師必備的能力。

三、數智時代審計人員數據分析能力的遞進式整合框架

審計數據分析（Auditdata analytics,ADA）是“通過分析、建模和可視化來發現和分析模式，以識別異常，并提取審計主題相關數據中的其他有用信息，以規劃或執行審計的科學和藝術”（AICPA, 2017）。大數據環境下，審計人員面對內外部海量動態、多源異構的大數據資源，如何加以系統性整合集成，以便服務于相關審計目標、輔助審計決策判斷，這對審計人員的數據分析能力提出了更高的要求。為了充分發揮大數據、人工智能等新一代信息技術的優勢，有效應對挑戰，必須要重構審計人員數據分析能力的框架，論文提出了大數據環境下審計人員數據分析能力素養的三層遞進式框架，其中：“全面的數據采集和處理能力”是基礎，只有能夠全面高質量地獲取與審計目標和審計任務相關的內外部大數據，才能為后續的深度數據分析提供基礎性數據資源；“高效的數據統計和分析能力”是復雜數據分析的常規方法，有助于從定量和定性兩個維度，對被審計對象形成更為深刻的認識。前兩個層次作為整體能力框架的底層，為審計師全面理解和分析數據奠定了基礎，而對于第三層的“大數據的深度挖掘分析和洞察能力”，旨在結合計算機科學和數據科學最新的理論、方法和工具，通過整合各種功能強大的先進數據分析技術，實現對復雜海量數據的分析、整合和集成，挖掘洞察海量數據中所蘊含的模式和規律，為審計目標完成和審計決策判斷提供有價值的建議。研究過程中系統總結梳理了當前9種先進的數據分析技術，包括可視化、機器學習、關聯分析、文本挖掘、過程挖掘、深層神經網絡、計算機輔助審計技術，區塊鏈智能合約和機器人流程自動化。

（一）全面的數據采集與處理能力

審計師開展審計工作，制定審計計劃之前，應該充分了解被審計單位及其環境，以評估重大錯報風險。大數據環境下，審計師應在充分了解客戶商業環境和所處行業狀況的的基礎上，充分關注與企業經營相關的內外部海量數據。

1.全面的數據采集能力。大數據環境下，企業數據類型多樣，包括結構化數據，半結構化數據和文本、圖像、聲音、視頻等非結構化數據，具有體量大、維度多、更新快、價值密度低和數據形式多樣的特點。海量數據存儲的數據庫既有傳統的關系型數據庫如MySQL、Oracle等，也有適用于處理大量數據的高訪問負載以及日志系統的鍵值數據庫、適用于分布式大數據管理的列存儲數據、適用于Web應用的文檔型數據庫和適用于社交網絡的圖形數據庫等非關系型數據庫。內外部多個數據源對審計人員的數據采集能力提出了更高的要求，一方面，對于內部數據采集，可使用SQL抽取內部關系型數據庫中的數據，或使用NoSQL將分布的、異構數據源中的數據文件如圖片、文本等抽取出來，此種情形下審計師獲取的大量財務和業務數據均源自于公司內部的ERP系統，因此，審計人員應該充分了解公司ERP系統的性質和結構，同時還必須熟悉數據庫的術語、概念、主要數據庫用戶以及數據庫管理系統的基礎知識，掌握數據建模的基本知識，以便了解數據字段之間的連接關系，以及數據在系統內部的處理、連接和存儲過程，深刻理解公司發生實際交易的記錄過程。另一方面，對于外部數據，通常會用到網絡爬蟲技術，從web中獲取所需的海量數據，如政府、研究機構或新聞網站上發布的信息等。為了將不同系統、不同數據庫、不同類型格式的混雜數據轉化為一致可用的清潔數據，以便后續的深度數據分析。在采集到海量的內外部數據后，審計人員還需在數據預處理方面付出大量的努力，對其進行提取、轉換和加載過程（Extract-Transform-Load, ETL），整合到目標數據倉庫和數據集市中，以便獲得對被審計單位更多的業務洞察力。

2.高效的數據處理能力。一方面，由于復雜數據分析所面對的數據通常體量巨大且形式多樣，通常需要用到更高性能的計算架構和存儲系統。例如在處理用戶APP瀏覽記錄等體量巨大的數據時，使用分布式計算的MapReduce、Spark計算框架，可以有效提升計算能力，以應對更復雜的數據并減少數據處理時間；使用分布式文件存儲HDFS進行大規模數據協同處理，有助于提升數據的吞吐能力和速度。針對語音、圖片、視頻等非結構化的數據，通常需要在深刻了解的基礎上，通過復雜數據分析將結構多樣、語義多樣的非結構化數據進行結構化處理，提取出可以直接進行分析的數據。例如使用數據抽取來處理半結構化數據，使用自然語言處理來應對非結構化數據等。另一方面，大數據是大量結構化、半結構化和非結構化數據的混合體，傳統分析法難以處理，應該動態地對數據進行分類、定性和標記，這些數據都會生成額外的大量元數據（Metadata）。元數據是關于數據的數據，提供對數據及信息資源的描述性信息，目的在于識別資源、評價資源、追蹤資源在使用過程中的變化，實現信息資源的有效發現、查找、一體化組織和對使用資源的有效管理。例如，關于手機通話的元數據包括電話號碼、GPS位置和通話長度，但不包括通話文本。而視頻數據的元數據則包括作者、關鍵詞、文件大小、媒體格式、人物、地點、字幕信息等，為審計人員提供了有關視頻的充分信息，不僅便于視頻內容的搜索，還可以利用視頻數據識別偏遠地區的廠房、財產和設備受損情況，或評估自然災害造成的損失，因為有些情況下審計人員可能難以或不可能親自到場，分析音頻、圖像、視頻等各種類型大數據的元數據進一步增強了審計人員對大數據的處理能力。

表1 審計人員需要掌握的統計學及數據分析的相關知識和技能

（二）高效的數據統計和分析能力

統計學是“對數據收集、分析、解釋、呈現和組織的研究”。審計人員掌握統計學概念、原理和理論有助于理解、呈現和解釋數據，以及更有效地使用各種統計軟件和數據分析工具。

1.描述性統計。描述數據是審計數據分析的第一步。描述性統計是綜合應用數字、表格、圖表和圖形等多種方式來呈現數據的特征和狀態。描述性統計常用于檢查數據的中心趨勢（位置）、離散度（可變性）、傾斜度（對稱性）和峰度（峰值）。此外，在進行假設檢驗、相關性分析、回歸分析以及其他規范性和因果性的統計分析之前，必須要進行描述性統計分析。

當審計分析含有大量數據集時，通常使用描述性統計分析方法，對所有變量的有關數據進行統計性描述，以便從全局和總體上把握數據。描述性統計的數據分析工具集包括從簡單到相對復雜的一系列分析技術，簡單的數據分析包括基本的描述性統計，例如數據的頻數分析（檢驗異常值）、集中趨勢分析（平均值、中位數和眾數等）、離散程度分析（方差、標準差、變異系數等）、分布形態（偏度和峰度等）以及繪制一些基本的統計圖形（條形圖、餅圖和折線圖等），而相對復雜的數據分析可以包括單變量和多變量回歸等推理統計以及相關分析等。

2.統計推理。目前使用的統計推理方法主要包括兩類：經典統計推理和貝葉斯推理。經典統計學堅持真理是固定的，觀察是隨機的，因此經典統計推斷基于從當前數據樣本中獲得的信息，來推斷總體屬性或作出預測，這有助于審計人員探究數據之間的關聯關系或因果關系。例如，客戶的哪些特征（如財務特征、董事會特征、違規處理特征、審計意見等）與公司舞弊有關？與經典統計歸納推理方法相比，貝葉斯推理強調在得出結論時不僅要根據當前所觀察到的樣本信息，還要根據推理者過去有關的經驗和知識（先驗概率）。貝葉斯推理基于“貝葉斯定理”，該定理提供了關于使用樣本數據修改概率分布的思路，在有更多證據及信息時，可以更新特定假設的概率。貝葉斯推理為審計師根據新的審計證據做出判斷提供了一個有用的框架，特別是當這些證據比較復雜或與審計師的期望相互沖突矛盾時。在審計決策過程中，審計師應掌握如何在審計預審判斷過程中應用貝葉斯推理的知識，不斷尋求達成更符合邏輯、更有效、更客觀的判斷。例如，例如，審計師在決定是否接受客戶委托時，除了基于自身的知識經驗給出先驗概率分布外，還會考慮公司特征、前任審計師的意見等其他多個維度的證據，做出最終決策判斷。

3.商業數據分析。商業數據分析（Business data analytics）可以進一步分為描述性分析、診斷性分析、預測性分析和規范性分析，其中描述性分析（Descriptive analysis)，旨在回答過去發生了什么，通過將過去和當前數據轉換為總結性、概括性的報告、圖表、數據透視表等形式，幫助審計人員全面、高效地了解被審計單位公司當前經營狀況和財務業績。例如，將營業收入增長率與前期數據相比可以幫助管理會計師了解公司成長能力，與行業基準相比可以看出公司是否保持競爭優勢。診斷性分析(Diagnostic analysis)旨在分析為什么會發生，詮釋當前結果的原因，能夠有效識別異常并發現兩個或多個變量之間未知的連接、模式和關系，例如相比于同行業的其他企業，企業的銷售收入下降和期間費用增加的原因。預測性分析（Predictive analysis）旨在回答未來可能會發生什么，它利用各種統計、建模、數據挖掘工具對某段時間內累積的歷史數據進行研究，計算預測未來事件發生的可能性。規范性分析（Prescriptive analysis)旨在前述分析的基礎上，給出相應問題的最優解決方案和可行行動建議，以便能夠有效地指導我們如何才能取得更好的結果。具體的分析方法主要包括情景假設分析、單變量分析、邊際分析、現金流量分析、敏感性分析以及機器學習、仿真優化等智能決策和優化算法。

（三）深度的數據挖掘和洞察能力

圖1 大數據環境下審計師數據分析能力素養的遞進式框架

大數據環境下，利用機器學習、深度學習、過程挖掘等先進的數據分析技術，能夠將特定過程的結果與相關數據擬合，有效辨識出海量數據背后的模式特征和規律認知，以便發現異常、預測趨勢，將對舞弊偵測、審計風險評估以及審計決策判斷產生重要影響，這種數據驅動的決策改變了傳統的審計范式、工作流程和執業方式，人機協同將成為常態，這將引發會計和審計領域的研究范式實現由演繹推理向歸納分析的轉變，同時也對審計人員深度的數據挖掘和洞察能力提出了更高的要求。為了使審計師能夠更加全面地了解客戶，深度挖掘分析與審計任務相關的各類大數據資源的價值，本文系統總結梳理出大數據環境下的9種高級數據分析技術，具體包括可視化、機器學習、關聯分析、文本挖掘、過程挖掘、深層神經網絡、計算機輔助審計、區塊鏈智能合約和機器人流程自動化。

1.可視化技術。大數據環境下，數字、文本、語音、圖像、視頻等種類繁多的信息源產生的海量數據，遠遠超出了審計師人腦分析解釋這些數據的能力，簡單地檢查或顯示這些數據難以完全揭示數據背后的模式和特征，在某些情況下甚至可能誤導審計師得出的錯誤結論。可視化作為解釋大量數據背后潛在模式和關系的最有效手段，是利用計算機圖形學和圖像處理技術，將數據轉換成圖形或圖像，在動態交互過程中有效識別大量數據之間的模式和關系，提升人們的洞察力。數據可視化工具（如Tableau和Power BI等）可以構建多種輸出風格的分析樣式圖、地圖和圖表，生成服務于特定任務的圖形，能夠高效、直觀地呈現結果，增強結果的可理解性和互動性。近年來，隨著計算機圖形學、圖像處理、計算機視覺等研究領域的不斷發展，促進了更具動態性和交互性的業務圖形的使用，如熱力圖、地理圖、以及隨著數據變化而自動更新的實時儀表盤和圖表，這些高級數據可視化技術能夠以動態、交互、實時的方式呈現出復雜數據背后的模式和規律，提升審計人員的數據洞察力。

2.機器學習技術。機器學習分為監督學習和無監督學習兩類學習方法，其中有監督學習，主要用于決策支持，它利用有標識的歷史數據進行訓練，以實現對新數據的標識的預測，有監督學習方法主要包括分類和回歸；無監督學習，主要用于知識發現，它在歷史數據中發現隱藏的模式或內在結構，無監督學習方法主要包括聚類。

分類和回歸本質都是對輸入做出預測，并且都是監督學習。分類方法是一種對離散型隨機變量建模或預測的監督學習算法，旨在找出數據庫中的一組數據對象的共同特點，并按照分類模式將其劃分為不同的類別，其目的是通過分類算法模型得到一個決策面，將數據庫中的數據項映射到某個給定的類別中，應用情境包括垃圾郵件過濾、金融欺詐和預測雇員異動等輸出為類別的任務。回歸方法是一種對數值型連續隨機變量進行預測和建模的監督學習算法，揭示數據庫中數據的屬性值的特性，通過函數表達數據映射的關系來發現屬性值之間的依賴關系，其目的是通過回歸算法得到是一個最優擬合線，可以最好地接近數據集中的各個點，應用情境包括價格預測、股票走勢或等連續型數據對象。聚類方法作為一種無監督學習任務，基于數據的內部結構尋找觀察樣本的自然族群，在數據中尋找隱藏的模式或分組。其目的與分類不同，是針對數據的相似性和差異性將一組數據分為幾個類別，同一類別的數據間的相似性很大，不同類別之間數據的相似性很小。

3.關聯分析技術。關聯分析旨在大型數據集中發現隱藏的、有趣的、有價值的關系。它根據數據集合中一個數據點出現和其他數據點出現的關系，發掘數據背后頻繁的模式和關聯，并以關聯規則的形式呈現出所發現的關系特征。關聯規則挖掘過程的兩個重要階段是從海量原始數據中找出所有的高頻項目組，并從這些高頻項目組提取生成關聯規則。例如銷售業務循環中銷售收入與銷售退回之間的關聯關系。由于能夠揭示數據之間的模式或關聯，關聯分析已廣泛應用于商業領域，協助管理者的商業決策。在財務報表審計應用中，審計人員可以建立收入、成本費用，以及資產、廠房、設備和工廠維護費等分類賬之間的關聯規則，那些不在預期關聯分組之內的分類賬將是審查的重點。此外，關聯規則分析還能應用于遵循特定序列（如時間模式）的數據上，例如銀行針對洗黑錢的審查，可以根據相關事件發生的順序查找潛在的關系，有助于識別出一系列不正常的、但相對較小金額的賬號間轉賬的舞弊行為。

4.文本挖掘技術。公司公開披露的財務報告與公告、交易所的問詢函、社交媒體的新聞評論以及公司內部的電子郵件等均含有大量的文本信息，文本數據作為大數據的一種主要類型，如何有效挖掘分析文本數據中所包含的決策有用的信息，并為審計決策過程提供更加獨立和豐富的支持證據顯得尤為重要。Debreceny和Gray（2011）利用文本挖掘技術分析安然公司的電子郵件數據庫，為揭示安然公司的舞弊提供了重要的支持性證據。文本挖掘作為一種面向大數據的分析方法，包括文本結構分析（例如：詞袋模型、詞性標注、命名實體識別等），文本內容分析（例如：主題分類、情感分析、文檔總結、觀點挖掘等）和智能語義理解（詞嵌入模型、語義類比和因果推理等）等多種方法。SAS、IBM Watson、OpenText、Lexalytics等多種文本挖掘軟件，能夠幫助審計人員高效實現文本分析程序自動化，例如，對于文本型數據的情感分析，SAS的文本挖掘模塊已嵌入復雜的語言規則和分析建模工具，能夠進行上下文分析；IBM Watson的自然語言理解具有高級文本分析功能，可提取概念、情感、情緒、實體、關系、關鍵字、語義角色等，不需要審計人員理解復雜的語言理論或手動創建詞典（Sun,2018b）。

5.流程挖掘技術。不同于文本挖掘，流程挖掘側重于程序和工作流程而不是文本。它從完整記錄業務流程執行情況的系統事件日志中獲得數據和提取知識，審查全部的流程活動，通過流程分析、流程建模與流程圖可視化呈現，建立流程與數據間的聯系，偵查、定位和解釋實際流程與預設模型間的偏差，從而發現、監測和改善實際流程。通過流程挖掘技術，可以開展流程合規審核，實時監控業務流程的運營狀況、效率和風險，有效識別異常和瓶頸，實現對業務流程和財務報告流程進行持續監控和持續保證。在審計分析中，事件日志的流程挖掘提供了一種全面審核機制，可以處理全樣本所有可用數據，而非傳統實質性程序中的抽樣，這樣可以在分析程序中利用更加完整的數據來有效辨識異常交易，識別潛在的風險（Chiu、Brown Liburd和Vasarhelyi,2019）。

6.深度神經網絡技術。作為一種新興的解決分類和回歸問題的機器學習技術，深度神經網絡（Deep Neural Networks,DNN）是一種信息處理范式，其靈感來源于生物神經系統（如大腦）處理信息的方式。DNN特別適用于基礎流程復雜，影響因素眾多且存在復雜動態交互的場景，例如消費者需求、股票市場預測、風險評估和欺詐檢測等（Sun,2019）。傳統的人工神經網絡已成功應用于多項審計相關的任務，如破產預測、財務狀況評估、審計計劃、以及報表舞弊風險預測等。而深度神經網絡由于其多層次結構和一個層次內的眾多單元，使得其在自然語言處理、圖像和視頻等非結構化數據分析方面更具優勢。大數據環境下，社交媒體的互動評論、5G和物聯網的各種音頻、視頻、圖片等提供了海量的訓練數據，DNN會模仿人類的直覺，自動學習內部特征。早在2016年畢馬威便成功將IBM的沃森認知計算技術融入了財務報表審計流程，現在已有越來越多的深度學習和人工智能技術應用于會計和審計領域（Sun,2018a）。

7.計算機輔助審計技術。計算機輔助審計技術旨在利用計算機和相關軟件，提升審計工作的規范化和自動化程度，能有助于綜合提升審計效率和審計質量。常用的計算機輔助審計工具包括：Microsoft Office系列的通用類軟件；ACL、Arbutus和IDEA等專業審計軟件；Microsoft SQL Server、MySQL、Oracle等數據庫軟件；MATLAB、SAS等數據統計分析軟件；Python、R等可用于數據分析、深度學習的高級編程語言，以及Tableau、Qlik View等數據分析及可視化軟件。審計人員綜合運用這些工具，能夠提升審計分析功能的規范化、自動化程度，綜合提升風險評估、異常識別、控制測試、實質性程序以及審計檔案管理等審計任務完成的效率和效果。

8.區塊鏈和智能合約。區塊鏈技術作為一種分布式賬本技術，提供了一種安全、高效、穩定、透明且可追溯信息記錄及數據交互的技術方案，可以有效解決現有審計模式存在的證據查核工作量大、效率低、成本高、信任缺失以及人為操作風險高等問題。AICPA（2018b）指出“區塊鏈對財務、審計和其他需要驗證和確認的復雜流程會產生重大影響”，許多需要確認和三方匹配進行驗證的流程現在都可以通過區塊鏈技術更高效地完成。未來的審計師可能需要應用區塊鏈和智能合約技術來完成審計任務，審計師應該在了解分布式賬本技術的基礎上，驗證諸如哈希算法、編碼過程、應用程序治理以及可能發生的任何分布式賬本異常等功能，并且在使用智能合約評估交易和控制過程中，全面參與智能合約和智能控件的設計、創建和執行，并對相關事項的執行績效進行檢查、監督與評估（Appelbaum和Nehmer,2020）。

9.機器人流程自動化。傳統的審計程序是勞動密集型和耗時的，為了將審計人員從重復性和低判斷力的審計任務中解放出來，使他們專注于更高附加值和專業判斷的審計任務，可以利用機器人流程自動化（RPA）技術，來提升審計程序的自動化程度。RPA是一種執行常規業務流程的方法，它通過用戶界面將審計人員與多個應用程序或分析的交互方式自動化，并遵循簡單的規則來做出決策（德勤,2017）。諸如對賬、內部控制測試和細節測試等重復性、結構化和勞動密集型的審計任務是RPA的理想應用情境（KPMG,2017）。在審計實踐過程中，審計任務復雜多樣，相關統計表明大約39%是結構化任務，其余61%是半結構化或非結構化任務。由于RPA只能自動處理結構化的任務，而人工智能擅長處理半結構化和非結構化的任務，因此將RPA、人工智能和其他新興技術有效整合，形成靈活和智能的智能流程自動化（Intelligent Process Automation,IPA），這將使得審計程序不再受到人類有限的處理能力的限制，可以在更大范圍內收集更全面的證據，有助于提高審計質量(Feiqi Huang, Miklos A. Vasarhelyi,2019; Abigail Zhang,2019)。盡管RPA、IPA不是審計數據分析，但審計人員需要習慣于將RPA應用在日常重復性、耗時的常規審計業務中，學會與“機器人共舞”，使得人類審計師能夠專注于更多非結構化、更高附加值和更具專業判斷的領域（德勤,2017）。

表2 基于不同崗位責任的審計人員數據分析能力差異化配置

四、面向審計人員崗位職責的審計數據分析能力差異化提升策略

審計師所需掌握的審計數據分析能力是基于審計師的角色和特定的審計任務，要求所有審計人員具備相同水平的審計數據分析能力既成本高也不必要。因此，制定審計人員數據分析能力提升策略時，應充分考慮不同職位審計人員的角色性質和職責分工的差異，在前述大數據環境下審計師數據風險能力遞進式框架的基礎上，面向審計人員不同的崗位職責，提出針對性、差異化的審計數據分析能力標準。AICPA將會計師事務所的職位分為四種類型：普通員工、高級員工、經理和合伙人。其中：普通審計人員在高級審計人員的監督下執行財務審計的細節工作；高級審計人員在經理的總體指導下指導審計現場工作；經理則是指導、監督高級審計人員和普通員工；合作人責任重大，需要對審計工作總體負責。

審計人員在會計師事務所中任職于不同的職位，承擔不同的責任，因此，在確立審計人員數據分析能力提升策略時，應對審計人員數據分析能力的要求有所差異，特別是對復雜的審計大數據深度挖掘分析能力，針對性地提出了基礎、中等和高級三個不同層次的能力標準，其中：基礎水平要求審計人員能夠理解審計大數據分析的基本概念和理論，使用相關工具和應用程序的基本功能，并能夠解釋結果；中等水平要求審計人員理解審計大數據分析的關鍵概念和理論，能夠使用相關技術工具和應用程序的關鍵功能，能夠解釋結果，并且還能夠參與設計和開發服務于特定審計任務的大數據挖掘分析模型，而高級水平則要審計人員充分理解所有審計大數據分析的關鍵概念和理論，能夠根據數據特征和審計任務的特點選擇適當的工具，并能夠將方法或工具整合到審計計劃和審計程序中，參與設計和開發統計或機器學習模型，并能夠衡量評估模型的有效性，能夠解釋結果并將結果用于相關的審計決策。考慮到審計大數據挖掘分析理論方法和技術工具的復雜性，很多時候很難要求包括合伙人在內的審計人員對這些技術有全面而深入的掌握，此時，更多依賴于高水平的技術團隊，也即會計師事務所應該組建由審計人員、數據科學家和信息系統和計算機科學專家組成的數字化技術應用團隊。在發揮相關人員專業特長的同時，團隊成員有效實現知識互補、技術協同，共同提升會計師事務所的審計大數據分析能力，提升審計效率和審計質量。

對于這些先進的數據分析技術，在具體的應用過程中，則應根據審計人員的崗位職責和目標任務的不同而有所差異。不同于數據科學、信息系統和計算機科學的專家，審計師不需要對復雜數據分析技術有全面而深入的掌握，只需要具備相應的知識和技能，以便能夠使用這些工具進行有效的審計數據分析。由于許多先進的數據分析工具都采用了經過嚴格質量測試的機器學習算法，這些算法會不斷迭代更新、持續尋優，并自動為輸入數據選擇最合適的算法，因此審計員不需要對這些算法和統計方法有深入的理解，只需要了解如何選擇和應用這些方法和工具來實現特定的審計目標。不過為了能夠更加高效地應用這些工具，審計員應該了解數據庫、數據倉庫和會計信息系統的使用情況，以及機器人流程自動化、機器學習、區塊鏈和動態可視化等新興技術的最新發展，具備良好的數據準備、數據預處理和數據分析以及結果解釋能力也至關重要（Dai和Vasarhelyi,2017；Issa、Sun和Vasarhelyi,2016）。

五、提升審計人員數據分析能力的路徑

1.建立健全審計數據分析相關的制度規范。認識到審計師數據分析能力的重要性，美國全國州會計委員會聯合會（NASBA）和美國注冊會計師協會啟動了CPA適應性變革的研究工作，以評估會計行業的變化趨勢，要求考生“認識到大數據/數據分析和統計在支持商業決策中的作用”，并對相關課程體系和資格證書的認證模式進行改革，也針對注冊會計師考試中是否應該增加更多的技術題目以及將技術能力作為CPA注冊要求等廣泛征求意見（AICPA, 2018）。美國管理會計師協會（IMA,2020）已在資格認證考試中涵蓋了技術和分析部分的內容。國際商學院協會（AACSB）已經更新了其商業和會計課程的認證要求，要求在每門學位課程中滲透技術能力，最新頒布的AACSB的A5標準要求會計專業需要展示數據分析技術是如何整合到各類課程中。但是從目前相關審計準則的和注冊會計師考試來看，對審計數據分析要求的模糊性嚴重制約了其有效應用，相關準則幾乎沒有提供關于審計數據分析的具體指導，也未對注冊會計師要進行的數據分析的類型和水平進行具體規定，這為審計師留下了巨大的靈活性。為此，研究制定注冊會計師審計數據分析應用相關指引，鼓勵注冊會計師事務所和審計師依法依規利用審計數據分析技術，對提升審計師的數據分析能力至關重要。

2.系統推進會計審計相關學科的課程教學改革。技術能力已成為客戶遴選審計師的的首要技能，現有會計和審計相關專業課程主要集中于會計、審計、管理、稅務、金融等相關理論，而忽略了對學生數據分析能力產生重要影響的一些實用性領域，例如應用統計、審計數據分析技術、計算機應用和會計信息系統（涵蓋ERP、XBRL和電子商務等主題），很難滿足大數據環境下對審計人員數據分析技術的要求。為了有效應對大數據環境下審計數據分析的挑戰，首先，需要重新審視數字化轉型背景下，會計學科人才培養目標及其知識能力結構。特別是數字經濟的發展，注冊會計師審計鑒證的范圍迅速拓展至包括可持續發展、網絡安全風險、供應鏈等領域，大部分審計工作將成為審計數據科學的職業，為此，亟需優化整個課程體系，系統性整合融入更多數據科學、計算機科學相關知識。其次，應該在現有課程的基礎上，拓展相關課程的內容和深度，融入更多的數據分析內容，涵蓋更多的新興數字化技術，幫助學生在掌握會計和審計核心技能的基礎上，熟練使用更多類型的技術工具和軟件，培養學生良好的數據分析能力。再次，為了有效應對數字化商業環境，會計專業的學生應該具備廣泛的軟性技能，如領導能力、商業思維、全球敏銳度和社交能力等，通過案例研究和實訓操作，引導學生以團隊合作的方式，有效地使用技術工具與真實世界的數據，通過理論與實踐的有效結合，協同提升學生的審計數據分析能力。