科技強審中的審計法專家系統建構分析

【關鍵詞】審計法治；數字化治理；審計法專家系統；科技強審

審計法擔負著服務經濟社會發展、推進國家治理能力現代化的歷史重任，中央審計委員會第一次會議強調：“要堅持‘科技強審’，加強審計信息化建設，建立審計大數據中心和大數據審計綜合分析管理平臺”[1]。中央審計委員會辦公室及審計署也將“提升信息化支撐業務能力、提升數據管理水平、加強數據資源分析利用”列入《“十四五”國家審計工作發展規劃》，對此，本文將以審計法專家系統構建的一般步驟為脈絡，論證構建審計法專家系統的可能性與法治意義。從專家系統有效運行的必要步驟分析出其組件自身的固有局限，分析人工智能中的自動建模、對象分類模型、增量技術等思想在審計法專家系統構建過程中的應用價值。

一、構建審計法專家系統的法治動因

（一）強化審計法治共識

人工智能的法律推理難點在于用自然語言表述的法律本身的模糊、多義性[2]。比如，《審計法》第37條第3款規定審計機關查詢權的行使需要一個前提，就是“有證據證明”。但用于證明的證據種類繁多，此處到底是指法律證據還是既包括法律證據又包括審計證據？由于形式邏輯的非此即彼，在專家系統將《審計法》條文代碼化的過程中，“證據”的內涵和類別將會被界定。Otto（2007）指出信息技術人員在對《美國健康保險便攜性和責任法案》進行文本處理時，必須就“保護受保護的健康信息免受任何合理預期的安全或者完整性威脅或危害”中的“合理預期”做出準確界定。Toval等人創建了一個可重復使用的法律要求目錄，將該技術運用到審計法規中可以讓分析人員更容易發現歧義和不一致，在分析的過程中，目錄的質量也會隨著分析次數的增加而提高。專家系統的建立不僅能夠對對象的內涵和類別進行界定，而且可以在解釋歧義之后建立可重復使用的法律要求目錄，使得發現歧義的過程更加容易，通過對其不斷維護和更新可以實時追蹤法律法規的最新動態，回答用戶的疑問，在此基礎上統一審判機關、審計機關以及企事業單位對審計法規的認知，并提示立法者在今后的法律修正案中解決已知的模棱兩可的問題。

（二）規避模糊地帶的處罰

專家系統可以幫助用戶判斷自己是否違規，避免模糊地帶的處罰，Massacci等人在生成定義后根據參與者、參與者之間的依賴關系、信任關系、委托關系和目標細化來建模，用于評估大學是否遵守《意大利數據保護法》。僅以對行政單位進行政府審計為例，《行政事業單位資金、資產管理法規行為》《違反票據管理法規行為》《違法行政事業單位預算管理法規行為》《違法行政事業單位業務管理法規行為》中規定的違規行為共四大類469項，其中難免存在模糊地帶，如果能將這些信息輸入專家系統，由專家系統判定該行為是否違規，那么審計主客體都可以將此作為模糊地帶的通行標準作為參考。這樣一來，行政單位工作人員作為審計客體，其因業務不熟悉而違規的風險就會減小，而審計人員只需要進行程序操作就可以得出審計客體是否違規的輔助性結論，大幅度提高審計效率。

（三）統一審計法規體系

審計法規的立法分散且更新快，法規之間存在沖突或者下位法有規定但上位法卻空白時常發生。例如，2017年《軍隊審計條例》第六十六條規定了軍隊審計人員審計工作受干預時，應將干預審計工作的行為強制登記并歸入審計檔案。天津市、福建省、重慶市等審計廳（局）都用“辦法”的方式建立了干預審計工作行為登記報告制度，如2016年印發的《福建省登記報告干預審計工作行為辦法》等政策性文件。但是，在2021年新頒布的《中華人民共和國審計法》及《審計法實施條例》中，卻不見關于“有干預審計工作的行為，應強制報告登記”的規定，《審計法》和《審計實施條例》作為上位法出現這樣的空白，不僅使得地方立法實踐于法無據，而且與《軍隊審計條例》的相關條文不相協同，也不利于強化審計機關和審計工作人員依法獨立履職。審計法專家系統能夠對審計法規體系進行整合梳理，通過邏輯編程使用事件演算來跟蹤法律文本隨時間的變化，Martinek已經創建出一個知識庫，用于維護并監管文本何時變化，將這個數據庫運用于審計法專家系統中，可以在上位法與下位法不相對應的地方做出提示與修改，既維護了審計法制的統一性，也保證了法律體系的協同和地方審計法規實踐的可操作性。

二、審計法專家系統構建流程的底層邏輯

（一）建立審計法專家知識庫

1.專業知識的收集是專家系統的基礎。這里的知識不僅包括從憲法到民法等各個制定法的知識，還包括為了解決某一審計法相關案件作出的判決，甚至是存在于法律工作者頭腦中的隱性知識以及為解釋上述知識所做的注釋。將這些知識收集起來是法律專家系統構筑的第一步。

2.確定語言分析對象。專家系統的錄入對象是形式化的法律，但是由于語言本身的模糊性以及法律適用者的主觀性，對同一法律的解釋是多元的。鑒于此，吉野一（日本研發法律專家系統的主導者）建立了邏輯法學并認為“制定出來并經過法律使用者解釋的法”才是法理學討論的客觀對象，因此，專家系統進行語言分析的對象是法律專家對“法的印象”。

3.法律語句分析。語言分析是在專家系統中進行法律推理的前提，法律語句由一定的符號組成，按照一定的標準被區分為規則語句與事實語句、法律對象語句與法律元語句、基本語句和復合語句三種；法律語句的效力就是在邏輯上的真假，語句有效則邏輯命題為真，語句無效則邏輯命題為假，語句的效力通過法律推理來判斷。

（二）形成審計法知識結構

1.確定知識表現形式。選擇知識表示方式需要滿足以下幾個標準：第一，該方式易于法律工作者理解和學習；第二，可以清晰地表述各項法律要素；第三，其邏輯基礎與之后進行形式化推理所使用的技術適配。

2.使用邏輯流程圖搭建框架。使用邏輯流程圖表示知識的優勢在于：表達形式易理解、有利于法律知識的體系化，另外，對流程圖的編寫還可以解釋法律工作者在進行法律判斷時遵循的時間和邏輯順序。

3.使用CPF（復合謂詞邏輯），CPF的優勢在于可以將傳統一階邏輯語言無法表示的代詞（如“這”、“該”等指代詞）通過引入自然語言中代詞功能的ID符號對單獨的法律行為作出表述，彌補邏輯流程圖在知識表達方面的不足之處。

（三）進行審計法推理，生成答案

為了滿足用戶不同的功能需求，專家系統需要結合應用場景添加不同的推理方法，常用于專家系統的經典推理方法有前向推理、后向推理以及模糊推理。

1.前向推理。前向推理從已知的事實和規則出發，逐步得出新的結論，主要用于自動化決策和問題解決場景。前向推理回答問題的策略是使用前向推理的引擎會搜索結論，直到滿足前件式“if”時進行推理，然后將推理結果添加到數據組的新信息中，通過考慮所有事實和規則并進行整理，最終得出解決方案。

2.后向推理從目標出發，反向追蹤規則和知識，以找到滿足目標的事實或者結論。后向推理在低層次概念之前定義高層次概念，這保證了在知識提煉過程的每個階段，知識的當前狀態都與解決的問題類別相關并適用。

3.模糊推理在經典的邏輯命題中，只有是或者否，不存在中間值。專家系統用模糊集來表達語言變量，用模糊成員函數和規則將前提和結論聯系起來，通過模糊的事實和規則生成模糊的結論，從而處理一些不精確的數據。除了以上三種主流推理方法，審計法專家系統的成功實踐還需要根據不同的應用場景對多種推理方法進行集成，如基于案例的推理、基于邏輯的推理以及基于知識圖譜的推理等。

三、審計法專家系統的技術局限與解決路徑

（一）數據挖掘、增量技術提高知識庫質量

專家系統的構建過程被稱為知識工程。在此過程中，知識工程師需要從專家或者其他來源獲取要建模的知識，這不僅要求工程師和專家持續合作，而且工程師需要長時間從事對新增知識的采集和新舊知識之間的匹配兩項工作。例如，MYCIN系統是一個用于診斷細菌感染的經典專家系統，雖然在知識表示和規則推理方面表現優異，但是每一次的知識更新都需要知識工程師從專家領域中手動抽取，而且需要用戶手動錄入患者疾病的所有信息。由于無法及時獲得足夠準確和完整的領域知識，系統的決策能力和問題解決能力受到限制，用戶的需求無法滿足。現有的數據挖掘技術和增量技術可以用于解決這一問題。

數據挖掘可以實現對審計法知識的自動獲取。數據挖掘旨在從大規模數據中自動發現有用的模式、關系和知識，以支持決策和知識發現。研究人員就解決人類智識與專家系統之間的知識轉移問題進行了大量研究，但都或多或少存在缺陷。例如，Crowther提出的再現網格技術根據概念對對象進行排序，以減少知識獲取過程中的內生阻力，卻缺少對知識生成過程的研究。Rybina提出了一種基于ATTECHNOLOGY工作臺和面向問題的方法論的自動時態知識獲取技術，但是只解決了時態數據的知識轉移問題。Oladipupo使用 Apriori 關聯規則數據挖掘算法從歷史數據集中挖掘知識，但未使用數據挖掘算法確定其相關性與有效性。在總結以往研究的經驗與局限的基礎上，穆罕默德提出“通過模糊規則驅動的數據挖掘框架”，不僅可以利用數據挖掘技術自動獲取知識（甚至隱性知識），而且能夠根據人類專家的感知和咨詢，定義成員函數和后果規則，以盡量減少專家系統中的知識錯誤。

增量學習技術則可以使新增知識與原有知識庫適配。增量技術通過連續學習對新數據持續改進，避免對整個模型重新訓練。專家系統的有效運行依賴于數據庫的實時更新，這意味著數據庫中的記錄以幾何倍數增長，且時常會出現現有的數據與原來規定的規則相沖突或者現有的規則無法支配新輸入的數據的情況。為了解決動態數據庫問題，信息技術人員在決策樹、神經網絡、關聯規則等領域開發了各種數據挖掘的算法，但是這些方法在使用時需要進行統計假設，且無法捕捉非線性數據的關鍵信息。而增量技術的運用可以解決這一問題，Yu-Neng Fan等人提出利用增量規則抽取算法，當信息系統中添加新對象時，不必從一開始重新計算規則集，這就解決了新增數據的問題。此外，增量規則算法還不受數據挖掘算法需要統計假設的前提限制，在捕捉非線性數據的關鍵信息時表現優異。

由于全球化和跨國公司的存在，審計法相較于其他法律需要在國際層面進行協調，例如，我國注冊會計師準則屬于廣義的審計法規，這一規定應與國際審計準則（如國際財務報告準則）相銜接并不斷更改，以適應政策環境以及貿易環境的變化。將數據挖掘技術和增量技術應用于審計法專家系統，不僅有利于我國審計法與國際審計法規接軌做到實時更新，而且可以為各國審計法的交流合作提供一個去國家化、去社會化的技術平臺。

（二）對象分類、自動建模、混合推理規則降低規則維護成本

經典專家系統的維護需要對底層邏輯進行增刪修改，這一過程成本高昂且衍生出對知識工程師和領域專家長期合作的強烈需求，Deshmukh （1998）在開發評估審計舞弊風險的專家系統時就表示，開發一個完整的模糊專家系統時不僅成本高昂，而且需要強有力的持續合作。如果專家系統的維護者不是一開始的開發者，那么難度就會進一步加大。Gill（1995）通過對早期專家系統的調查發現，持續的高成本維護是導致專家系統難以為繼的重要原因，例如，美國數字設備公司（DEC）研發的專家系統XCON可以幫助客戶定制計算機硬件和軟件，這個系統早期在計算機行業得以廣泛適用，但是隨著XCON中的規則從1980年的850條增加到1988年的10000多條，對于系統規則庫的維護和更新就變成了一項艱巨的任務。對象分類模型、自動建模技術以及混合推理規則可以有效解決這一問題。

對象分類模型是一種在計算機視角和機器學習領域中常用的模型，可以對圖像或其他感知數據中的對象進行分類，將其運用于專家系統可以降低維護規則庫的時間成本。大多數開發人員通過專家與知識工程師的互動對專家系統的知識庫進行更新，知識數據和決策規則被碎片式地添加到系統中，Higa（1998）在模塊化思想的指導下建立對象分類模型來維護規則庫，這種方法基于圖形將大量數據和信息轉化為可視化的形式，再將對象的各個方面和特殊因素納入關系圖中，使得用戶可以感知信息的含義和關系，將其與編程范式的模塊化優勢結合起來可以顯著提高知識工程師維護規則庫的實效，降低維護規則庫的時間成本。

基于用戶的行為特征自動建模是機器學習和數據科學領域的常用技術，能夠根據用戶在互聯網上的行為構建模型。Bieliková等人（2009）提出基于自動獲取用戶行為及其規則自動建模方法，將所有與審計領域有關的邏輯都通過日志事件的形式存儲在外部規則中，再運用基于本體的用戶模型方法，就可以大幅降低對用戶建模過程的執行及維護成本。另外，在基于用戶的行為特征自動建模的語境中，推理的規則存儲了代理處理事件日志和更新用戶模型所需要的所有信息，從而使代理具有高度的可配置性和可重用性，為其他領域專家系統的構建提供技術基礎。

混合推理規則是一種將不同類型的推理規則和方法結合使用以解決復雜問題的方法。Ioannis 和 Jim（2003）注意到傳統的混合專家系統通常集成兩種智能技術，在研究相關項目的基礎上提出將基于規則的推理、神經計算和基于案例的推理結合的混合規則，一方面神經網絡即使在審計專家缺席時也可以自動從訓練實例中獲取知識，另一方面神經元可以由符號規則中產生，從而驗證符號規則產生的知識是否完整。另外，使用這種規則構建的知識還因以神經元為組成單位保留了自然性，與等效的符號規則庫相比，有神經元參與構建的知識庫的規模大大縮小，可以顯著提高推理效率。

（三）XAI技術、徑向基神經網絡打破黑箱效應

“黑箱效應”是指模型或系統的內部操作對外部用戶或者開發者不透明、涉及系統內部復雜的模型、用戶對代碼的陌生以及數據之間的非線性關系，將導致其生成的法律建議或者答案失去可解釋性。專家系統乃至人工智能的黑箱效應導致社會公眾無法理解代碼社會的運行邏輯，進而擔心被人工智能的生產者暗中操控，法律領域的專家系統尤其需要滿足決策過程的透明性與可解釋性要求。歐洲電信標準化協會下轄的人工智能安全規范小組（ISG SAI）在2023年3月發布的ETSI GR SAI 007號報告中詳細規定了“透明”和“可解釋”的含義。“透明”的核心含義是“開放供檢查”或者“沒有可隱藏的部分”，“可解釋”一詞簡單來說就是能夠顯示任何結果是如何實現的，與透明度結合起來，就可以保證沒有任何隱藏的部分。但是，經典專家系統面臨著知識表示與過程解釋的兩難抉擇，線性模型易于解釋但知識表示能力有限，非參數方法可以表征豐富的函數卻難以解釋。隨著深度學習的興起，多層神經網絡學習的權重如何解釋更是一大難題。XAI技術與徑向基神經網絡的運用提供解決這一問題的可能途徑。

XAI（可解釋的人工智能）是人工智能領域可用于解決黑箱效應的技術，XAI方法試圖通過直接傳達模型的工作原理或者證明模型為何會得出預測結果來提高模型的可解釋性（事后解釋）。事后解釋的一種類型是舉例說明，通過提供實例或者事例證明模型得出特定預測的路徑。例如，在測試圖像分類系統時，6很可能被分類為0，證據是其他被分類為0的圖像與這張圖像極其相似。Kenny等人提出通過實例進行事后解釋的人工智能（XAI）方法，大致運行過程如下：找到一個待解釋的目標模型和一個相對更透明的代理模型，通過參考透明的代理模型（如基于案例的推理器）來解釋目標模型，這種方法的基礎是對代理模型的權重分析，在利用透明度更高的代理模型找到可解釋的案例后從目標模型中提取權重，最后將提取到的特征權重用于探測目標實例的可解釋性領域。

徑向基神經網絡（簡稱RBFNN）是一種人工神經網絡，可以抵抗非線性數據的干擾降低黑箱效應。得益于在特征映射階段的非線性性質，RBFNN在處理非線性問題方面非常有效，被廣泛用于專家系統的構建中。例如，Pang，Hui等人將徑向基神經網絡與最小參數學習方法相結合，開發基于雙曲線函數的自適應滑動姿態模式控制器，以消除非線性外部干擾對兩輪移動機器人的影響。

審計法關注審計活動的公正性，既要關注審計對象的公平對待，也要關注審計規則的公開透明，還要關注審計活動是否最大程度讓民眾參與，接受民眾監督。審計法專家系統對以上技術的運用可以打破黑箱效應，允許不熟悉代碼知識的社會公眾通過該系統理解審計法決策過程，實現對審計權的再監督，從而保證審計活動的公正性。將上述多種技術融合于一個專家系統中是可以實現的，在以prolog推理語言為主導的前提下，信息工程研究員以黑板系統作為中央處理工具，通過擴展C++語言的功能為黑板系統設計多種專家模塊提供框架，并將這種理論成功運用于涉及多個專家系統的“數據融合”方案，這一實踐為延展專家系統的適用場景與生命周期提供現實可能。