基于大數(shù)據(jù)挖掘分析的財務(wù)報表舞弊審計

吳勇 何長添 方君 張超

【摘要】準確識別客戶可能存在的異常行為和舞弊風(fēng)險是財務(wù)報表審計中的關(guān)鍵步驟， 面對審計過程中的海量數(shù)據(jù)， 審計人員亟需使用新的理論方法和技術(shù)工具， 系統(tǒng)地挖掘和分析數(shù)據(jù)背后隱藏的反映公司舞弊的規(guī)律和特征。 為了指導(dǎo)審計人員將相關(guān)數(shù)據(jù)挖掘技術(shù)高效地應(yīng)用于具體審計活動， 在系統(tǒng)總結(jié)和梳理審計大數(shù)據(jù)的本質(zhì)內(nèi)涵與特征分類的基礎(chǔ)上， 明晰審計大數(shù)據(jù)挖掘分析與傳統(tǒng)數(shù)據(jù)分析的差異， 探尋數(shù)據(jù)挖掘技術(shù)在財務(wù)報表舞弊審計中的最佳應(yīng)用模式， 建立數(shù)據(jù)挖掘技術(shù)應(yīng)用于財務(wù)報表舞弊審計中的整合性框架。

【關(guān)鍵詞】大數(shù)據(jù);財務(wù)報表;舞弊審計;數(shù)據(jù)挖掘;數(shù)據(jù)分析

【中圖分類號】 F230? ? ?【文獻標(biāo)識碼】A? ? ? 【文章編號】1004-0994（2021）03-0090-9

一、引言

伴隨著云計算、大數(shù)據(jù)、物聯(lián)網(wǎng)、區(qū)塊鏈、數(shù)據(jù)分析與可視化、流程自動化以及人工智能等創(chuàng)新技術(shù)在會計、審計和財務(wù)領(lǐng)域的廣泛應(yīng)用， 數(shù)字化信息呈爆發(fā)性增長， 大數(shù)據(jù)已成為企業(yè)獲取競爭優(yōu)勢的關(guān)鍵性基礎(chǔ)， 也是未來企業(yè)提高生產(chǎn)率、創(chuàng)新以及進行價值創(chuàng)造的重要源泉。 在對大型組織實施審計的過程中， 審計人員雖然可以獲取客戶組織內(nèi)、外部的大量數(shù)據(jù)， 但同時也易于被這些數(shù)據(jù)所淹沒[1] ， 因此系統(tǒng)地挖掘和分析大量數(shù)據(jù)背后公司的行為特征， 特別是準確識別客戶可能存在的異常行為和舞弊風(fēng)險就顯得尤為重要[2] 。 此外， 在高度自動化的環(huán)境下， 財務(wù)報告使用者對報告時效性的要求越來越高， 這就需要對大量自動生成、即時可訪問的海量數(shù)據(jù)實施持續(xù)性審計。 為此， 審計人員亟需使用新的理論方法和技術(shù)工具， 實現(xiàn)由傳統(tǒng)人工審計到大數(shù)據(jù)分析的轉(zhuǎn)化， 從而進一步拓展審計的深度和廣度， 提高審計工作效率， 提升審計質(zhì)量和價值。

數(shù)據(jù)挖掘是指運用專業(yè)的工具、技術(shù)、模型和方法， 對大量無序的數(shù)據(jù)進行采集、加載、分析和集成， 以便從海量數(shù)據(jù)中發(fā)現(xiàn)隱含的、有效的、有價值的、可理解的模式、規(guī)則和知識， 并對結(jié)果加以解釋， 從而為解決相關(guān)復(fù)雜決策問題提供依據(jù)和輔助支持。 舞弊偵測是數(shù)據(jù)挖掘技術(shù)在財務(wù)報表舞弊審計中的重要應(yīng)用， 然而其在實際運用過程中面臨著一系列挑戰(zhàn)。 一般而言， 當(dāng)發(fā)現(xiàn)某一審計客戶存在舞弊行為時， 審計人員會面臨三方面決策：特定客戶的審計計劃中應(yīng)涵蓋哪些具體類型的舞弊行為（如收入確認、高估資產(chǎn)、少計負債等）？ 哪些數(shù)據(jù)來源（如日記賬、系統(tǒng)工作日志、電子郵件等）可以為識別各類舞弊提供證據(jù)？ 采取何種數(shù)據(jù)挖掘技術(shù)（如定向技術(shù)或非定向技術(shù)）才能最有效地找到潛在的舞弊證據(jù)？

為了解決上述三方面問題， 本研究在系統(tǒng)總結(jié)和梳理審計大數(shù)據(jù)的本質(zhì)內(nèi)涵與特征分類的基礎(chǔ)上， 明晰了審計大數(shù)據(jù)挖掘分析與傳統(tǒng)數(shù)據(jù)分析的差異， 探尋數(shù)據(jù)挖掘技術(shù)在財務(wù)報表舞弊審計中的最佳應(yīng)用模式， 建立了數(shù)據(jù)挖掘技術(shù)應(yīng)用于財務(wù)報表舞弊審計中的整合性框架， 以便指導(dǎo)審計人員將相關(guān)數(shù)據(jù)挖掘技術(shù)高效地應(yīng)用于具體審計活動。

二、審計大數(shù)據(jù)的內(nèi)涵

（一）審計大數(shù)據(jù)的定義

近年來， 學(xué)術(shù)界和產(chǎn)業(yè)界基于不同的視角， 對大數(shù)據(jù)做出了不同的定義。 大數(shù)據(jù)作為組織中一類重要的信息資產(chǎn)， 是與固定資產(chǎn)和人力資本類似的生產(chǎn)要素， 對經(jīng)濟社會發(fā)展具有重要價值。 大數(shù)據(jù)具有規(guī)模性（Volume）、高速性（Velocity）、多樣性（Variety）和真實性（Veracity）等技術(shù)特征（被稱為“4V”特征）。 基于大數(shù)據(jù)資源觀視角， 可以認為大數(shù)據(jù)是企業(yè)的戰(zhàn)略性資源， 其來源多樣、特征復(fù)雜， 企業(yè)如果能夠快速有效地進行大數(shù)據(jù)分析， 并通過直觀、可視化的方式獲得大數(shù)據(jù)分析背后隱藏的知識和規(guī)律， 增強管理洞察力和價值發(fā)現(xiàn)能力， 那么大數(shù)據(jù)將成為支持企業(yè)管理決策的一類重要資源， 具有重要的決策價值。 但是， 如果企業(yè)看不懂或不會用大數(shù)據(jù)， 那么其決策有用性的價值將受限[3] 。

對于審計工作而言， 通過分析、挖掘發(fā)現(xiàn)被審計單位大量交易數(shù)據(jù)背后隱藏的信息， 特別是通過對大量交易數(shù)據(jù)的統(tǒng)計特征分析、分類、聚類和關(guān)聯(lián)特征分析， 能夠有效識別潛在的異常交易和舞弊特征信息， 從而為舞弊風(fēng)險偵測、審計風(fēng)險評估等提供有益的決策支持。

（二）審計大數(shù)據(jù)的分類

大數(shù)據(jù)環(huán)境下， 企業(yè)在經(jīng)營管理過程中會產(chǎn)生各類數(shù)據(jù)信息， 大數(shù)據(jù)的形式和特征極其復(fù)雜， 不僅表現(xiàn)在其數(shù)量規(guī)模大、來源廣、形態(tài)結(jié)構(gòu)多樣， 還表現(xiàn)在其狀態(tài)變化和開發(fā)方式等具有不確定性。 就審計工作而言， 可以從數(shù)據(jù)來源、數(shù)據(jù)類型和數(shù)據(jù)獲取三個方面對審計大數(shù)據(jù)進行分類。

就數(shù)據(jù)來源而言， 大數(shù)據(jù)環(huán)境下審計人員能夠獲得企業(yè)內(nèi)部眾多數(shù)據(jù)資料， 例如：ERP系統(tǒng)、財務(wù)處理系統(tǒng)、交易處理系統(tǒng)以及客戶關(guān)系管理系統(tǒng)提供的交易數(shù)據(jù)， 從企業(yè)生產(chǎn)制造設(shè)備、各類傳感器中采集的生產(chǎn)、倉儲、運輸?shù)壬a(chǎn)運營過程中的業(yè)務(wù)數(shù)據(jù)， 企業(yè)內(nèi)部辦公系統(tǒng)中的電子郵件、公文處理和會議檔案等數(shù)據(jù)。 同時， 審計人員還能從外部網(wǎng)站及社交媒體平臺中獲取包括對被審計單位的各種分析評論、網(wǎng)絡(luò)輿情以及分析研究報告。 就數(shù)據(jù)類型而言， 審計人員不僅能夠獲得傳統(tǒng)的數(shù)值型、文本型數(shù)據(jù)， 還能夠獲取諸如圖像、音頻、視頻等多種類型的數(shù)據(jù)。 就數(shù)據(jù)獲取而言， 審計人員可以從物聯(lián)網(wǎng)平臺、ERP系統(tǒng)、各類傳感器、網(wǎng)絡(luò)平臺和社交媒體以及視頻監(jiān)控設(shè)備上獲取數(shù)據(jù)。 對于上述多種類型、多種來源、多方采集的多源異構(gòu)的海量數(shù)據(jù)， 需要建立數(shù)據(jù)分析處理模型， 以提取出相關(guān)信息、識別潛在關(guān)系、建立內(nèi)在關(guān)聯(lián)， 有效識別數(shù)據(jù)背后隱藏的規(guī)律性認識， 增強數(shù)據(jù)洞察力， 從而為相關(guān)舞弊識別、風(fēng)險評估等審計決策提供依據(jù)。

（三）審計大數(shù)據(jù)分析

審計大數(shù)據(jù)分析是指審計人員為了實現(xiàn)既定的審計目標(biāo)， 通過數(shù)據(jù)抽取、轉(zhuǎn)換、裝載（Extract-Transform-Load， 縮寫為ETL）程序獲取內(nèi)、外部多種類型的數(shù)據(jù)， 運用大數(shù)據(jù)分析模型、方法和技術(shù)， 分析全部交易及不同來源數(shù)據(jù)背后隱藏的異常情況， 有效識別舞弊、錯誤以及違反內(nèi)部控制等情形。 例如， 通過計算數(shù)據(jù)的平均數(shù)、標(biāo)準差、最大值及最小值等統(tǒng)計參數(shù)， 有效識別異常交易， 或通過數(shù)據(jù)分類、聚類及關(guān)聯(lián)分析， 有效識別數(shù)據(jù)的特征及其內(nèi)在關(guān)聯(lián)等， 從而為舞弊識別、審計風(fēng)險評估、審計報告出具等提供有效的決策支持。

傳統(tǒng)的信息系統(tǒng)僅僅能夠獲取及分析企業(yè)內(nèi)部的結(jié)構(gòu)化數(shù)據(jù)， 編制靜態(tài)報表， 基于有限的數(shù)據(jù)進行有限的分析。 在數(shù)據(jù)具有海量、實時與多元特征的大數(shù)據(jù)環(huán)境下， 大數(shù)據(jù)分析工具已經(jīng)成熟， 其可以快速向下挖掘數(shù)據(jù)特性， 為使用者實時提供適應(yīng)各種營運變化的解決方案， 采取交互式儀表盤的操作， 快速洞析數(shù)據(jù)， 且通過可視化分析與展示技術(shù)， 以更加直觀、更易于理解的方式呈現(xiàn)大數(shù)據(jù)分析的結(jié)果。 大數(shù)據(jù)分析與傳統(tǒng)數(shù)據(jù)分析的對比如表1所示。

雖然大數(shù)據(jù)和數(shù)據(jù)分析是兩個獨立的概念， 但兩者緊密關(guān)聯(lián)， 圖1就表明了審計領(lǐng)域中兩者之間的內(nèi)在聯(lián)系。

多年來， 會計師事務(wù)所習(xí)慣于在路徑A中使用傳統(tǒng)的數(shù)據(jù)分析工具（如Excel、ACL和Case-Ware IDEA）來分析會計數(shù)據(jù)的樣本。 美國會計學(xué)會對相關(guān)從業(yè)人員的最新調(diào)查結(jié)果顯示， 會計師事務(wù)所已開始進入路徑B并遠離抽樣審計方法， 數(shù)據(jù)可視化的審計工具（如Tableau）越來越受到審計人員的歡迎， 但審計的重點仍然是傳統(tǒng)的會計數(shù)據(jù)和審計程序， 如查找重復(fù)的發(fā)票。 調(diào)查結(jié)果也提及社交媒體分析已經(jīng)作為審計的一部分， 并開始向路徑C方向發(fā)展， 而路徑D才是真正地將大數(shù)據(jù)和高級數(shù)據(jù)分析工具進行有機融合， 在傳統(tǒng)審計注重會計與財務(wù)數(shù)據(jù)的描述性分析基礎(chǔ)上， 引入非財務(wù)數(shù)據(jù)以及外部的宏觀經(jīng)濟、制度環(huán)境、社交媒體等海量的多源異構(gòu)大數(shù)據(jù)， 更加關(guān)注現(xiàn)狀背后的問題與成因分析、未來的趨勢預(yù)測以及如何針對問題給出優(yōu)化解決方案和處置策略。

三、數(shù)據(jù)挖掘分析技術(shù)的概念和分類

（一）數(shù)據(jù)挖掘技術(shù)的概念

在闡述數(shù)據(jù)挖掘的概念內(nèi)涵時， 需要明晰數(shù)據(jù)抽取與查詢、數(shù)據(jù)分析和數(shù)據(jù)挖掘三者之間的關(guān)系。

1. 數(shù)據(jù)抽取與查詢。 在財務(wù)報表審計中， Excel、ACL和Case-Ware IDEA等計算機輔助審計工具和技術(shù)（CAATTs）是審計人員檢查客戶數(shù)據(jù)時最常用的工具， 其內(nèi)置的多種函數(shù)功能等可以進行描述性統(tǒng)計和簡單的數(shù)據(jù)分析， 有效地識別客戶數(shù)據(jù)集中的可疑數(shù)據(jù)模式， 而且還能作為進一步審計程序的樣本選擇工具。 例如， 如果某公司的內(nèi)部控制制度規(guī)定支付給供應(yīng)商超過50000元的貨款需要財務(wù)總監(jiān)簽字， 為了防止存在開出低于50000元的舞弊性支票以避免財務(wù)總監(jiān)審查的情形發(fā)生， 可以利用數(shù)據(jù)提取工具抽取金額在49000 ～ 49999元之間的支票， 以確定是否有違反內(nèi)部控制的舞弊行為存在。

2. 數(shù)據(jù)分析。 數(shù)據(jù)分析工具集為審計人員提供了從簡單到復(fù)雜的一系列分析技術(shù)。 例如， 簡單的數(shù)據(jù)分析包括基本的描述性統(tǒng)計（如計數(shù)、最小值、最大值、平均值和離散度等）以及比率分析， 而相對復(fù)雜的數(shù)據(jù)分析包括單變量和多變量回歸等推理統(tǒng)計以及相關(guān)分析等。 數(shù)據(jù)分析可以進一步分為描述性分析、診斷性分析、預(yù)測性分析和處方式分析。

（1）描述性分析（Descriptive analysis）。 描述性分析主要回答過去發(fā)生了什么， 通過將過去和當(dāng)前數(shù)據(jù)轉(zhuǎn)換為總結(jié)性、概括性的報告、圖表、數(shù)據(jù)透視表等形式， 幫助審計人員全面、高效地了解被審計單位當(dāng)前的經(jīng)營狀況和財務(wù)業(yè)績。 例如， 將營業(yè)收入增長率與前期數(shù)據(jù)相比可以幫助管理會計師了解公司的成長能力， 與行業(yè)基準相比可以看出公司是否保持了競爭優(yōu)勢。 除此之外， 描述性分析在顧客、企業(yè)、員工層面也有助于管理會計師發(fā)揮職能。 例如：退貨率和保修索賠率可以反映客戶對公司新產(chǎn)品的滿意程度; 研發(fā)費用占比可以衡量公司對開發(fā)新產(chǎn)品或服務(wù)的重視程度; 員工技能、生產(chǎn)力等特征可以識別高效率的員工。

（2）診斷性分析（Diagnostic analysis）。 診斷性分析旨在分析為什么會發(fā)生， 詮釋當(dāng)前結(jié)果的原因。 例如：相比于同行業(yè)的其他企業(yè)， 為什么企業(yè)的經(jīng)營費用、銷售費用和管理費用會增加？ 為什么平均有效所得稅率會變化？ 為什么應(yīng)收所得和凈收益之間的差異會越來越大等？ 與同期相比， 為什么銷售收入會下降？ 診斷性分析可以進一步細分為兩類：識別異常， 以及發(fā)現(xiàn)兩個或多個變量之間未知的連接、模式和關(guān)系。

（3）預(yù)測性分析（Predictive analysis）。 預(yù)測性分析旨在回答未來可能會發(fā)生什么， 它利用各種統(tǒng)計、建模、數(shù)據(jù)挖掘工具對某段時間內(nèi)累積的歷史數(shù)據(jù)進行研究， 計算未來事件發(fā)生的可能性， 從而對未來進行預(yù)測。 預(yù)測性分析采用的數(shù)據(jù)大部分是定量的數(shù)據(jù)， 主要的算法有分類分析、回歸分析和時間序列分析等。

（4）處方式分析（Prescriptive analysis）。 處方式分析（或稱為規(guī)范性分析）是在前述分析的基礎(chǔ)上， 給出相應(yīng)問題的解決方案和行動建議， 主要回答如何做得更好或該朝哪個方向努力。 它是在描述性和預(yù)測性分析結(jié)果的基礎(chǔ)上， 通過探尋一個或多個解決方案， 并分析每個解決方案的可能結(jié)果， 給出最優(yōu)解決方案， 以便有效地指導(dǎo)我們?nèi)绾尾拍苋〉酶玫慕Y(jié)果。 具體的分析方法主要包括情景假設(shè)分析、單變量分析、邊際分析、現(xiàn)金流量分析、敏感性分析， 以及機器學(xué)習(xí)、仿真優(yōu)化等智能決策和優(yōu)化算法。

3. 數(shù)據(jù)挖掘。 數(shù)據(jù)挖掘是基于海量數(shù)據(jù)來揭示、發(fā)現(xiàn)有意義的關(guān)系、規(guī)則、模式或趨勢的過程， 它融合了人工智能、數(shù)據(jù)庫和數(shù)據(jù)倉庫技術(shù)、模式識別、機器學(xué)習(xí)、統(tǒng)計學(xué)、數(shù)據(jù)可視化和高性能計算等多個領(lǐng)域的理論和技術(shù)， 是數(shù)據(jù)庫中知識發(fā)現(xiàn)的核心步驟。 針對財務(wù)報表舞弊審計而言， 超出正常范圍或預(yù)測范圍的數(shù)據(jù)挖掘結(jié)果能為審計人員提供重要的風(fēng)險信號。

（二）數(shù)據(jù)挖掘技術(shù)的分類

數(shù)據(jù)挖掘的模型、工具和技術(shù)手段多種多樣， 按照數(shù)據(jù)挖掘技術(shù)中變量之間關(guān)系的不同， 可將其分為定向（或自頂向下的方法）和無定向（或自底向上的方法）兩大類。 其中： 定向數(shù)據(jù)挖掘用于識別感興趣的特定目標(biāo)變量， 探究該變量與選定的其他變量之間的關(guān)系; 而無定向數(shù)據(jù)挖掘沒有特定的目標(biāo)變量（因變量）， 可用于探尋數(shù)據(jù)總體中任何變量之間的關(guān)系。 換言之， 定向數(shù)據(jù)挖掘適用于檢驗特定的假設(shè)， 而非定向數(shù)據(jù)挖掘適用于檢驗新的假設(shè)。

1. 定向數(shù)據(jù)挖掘。 定向數(shù)據(jù)挖掘技術(shù)包括：

（1）分類（Classification）。 分類的核心目的是把具有某些特征的數(shù)據(jù)項映射到特定類別上， 它通過對帶有類標(biāo)號的訓(xùn)練數(shù)據(jù)集的學(xué)習(xí)來建立分類模型， 常以分類規(guī)則、決策樹或數(shù)學(xué)表達式的形式予以表達， 并利用分類模型將新對象準確劃分到相對離散的類別中。 分類的準確性、魯棒性以及對分類結(jié)果的解釋能力是衡量分類質(zhì)量的重要指標(biāo)。 常用的分類技術(shù)包括決策樹歸納、貝葉斯信念網(wǎng)絡(luò)、神經(jīng)網(wǎng)絡(luò)、支持向量機和遺傳算法等。 例如， 針對財務(wù)報表審計， 可以依據(jù)財務(wù)報表相關(guān)信息、股價波動和成交量等變量的特征， 將審計客戶劃分為低風(fēng)險、中風(fēng)險和高風(fēng)險三大類。

（2）估計（Estimation）。 估計模式的函數(shù)定義與分類模式相似， 主要差別在于分類模式采用離散預(yù)測值（如類標(biāo)號）， 而估計使用的是連續(xù)的預(yù)測值。 此種觀點下分類和估計都是預(yù)測問題， 但數(shù)據(jù)挖掘界普遍認為：用預(yù)測法預(yù)測類標(biāo)號為分類， 預(yù)測連續(xù)值（如使用回歸方法）則為估計。 例如， 針對財務(wù)報表審計而言， 估計技術(shù)不是將客戶風(fēng)險劃分為低、中、高三類， 而是給出一個風(fēng)險評分（例如0 ～ 10）， 估計值適用于對象的總體排序， 并生成閾值得分， 隨后可以通過類似于邏輯回歸的技術(shù)實現(xiàn)對象分類。 例如， 將風(fēng)險評分超過7.5分的客戶界定為高風(fēng)險客戶， 對其實施更加嚴格的審計程序。

（3）預(yù)測（Prediction）。 “描述”和“預(yù)測”是數(shù)據(jù)挖掘的兩個重要目標(biāo)， 描述性數(shù)據(jù)挖掘的任務(wù)主要是找到描述數(shù)據(jù)的可理解模式， 以便更好地刻畫目標(biāo)數(shù)據(jù)中數(shù)據(jù)的一般性質(zhì)， 例如分類和估計等數(shù)據(jù)挖掘技術(shù)通常用于揭示數(shù)據(jù)集中先前確定的變量的特征。 而預(yù)測性挖掘的任務(wù)是對當(dāng)前數(shù)據(jù)進行歸納以便做出預(yù)測。 因此， 數(shù)據(jù)挖掘領(lǐng)域的學(xué)者經(jīng)常將預(yù)測技術(shù)與分類和估計技術(shù)區(qū)分開來。 預(yù)測技術(shù)主要是利用歷史數(shù)據(jù)建立模型來找出變化規(guī)律， 并用此模型預(yù)測數(shù)據(jù)集中其他感興趣的變量或字段的可能值或一個數(shù)據(jù)集合中某種屬性值的分布情況。 與分類技術(shù)類似， 預(yù)測技術(shù)也使用訓(xùn)練集來構(gòu)建初始模型。 在財務(wù)報表審計中， 若找出某一因素超出預(yù)測范圍的異常值， 則能為識別審計疑點和確定重點審計領(lǐng)域和方向提供重要支持。

2. 非定向數(shù)據(jù)挖掘。 非定向數(shù)據(jù)挖掘技術(shù)的典型應(yīng)用主要包括：

（1）關(guān)聯(lián)規(guī)則（Affinity grouping）。 關(guān)聯(lián)規(guī)則是指在沒有特定的因變量和自變量的情形下， 尋找數(shù)據(jù)集中相關(guān)變量之間的關(guān)聯(lián)關(guān)系和相關(guān)關(guān)系。 最著名的關(guān)聯(lián)規(guī)則挖掘算法是Apriori算法， 該算法的基本思想是：統(tǒng)計多種商品在一次購買中共同出現(xiàn)的頻數(shù)， 然后將出現(xiàn)頻數(shù)多的搭配轉(zhuǎn)換為關(guān)聯(lián)規(guī)則。 在財務(wù)報表審計應(yīng)用中， 審計人員可以利用數(shù)據(jù)挖掘技術(shù)分析收入與成本費用以及資產(chǎn)、廠房、設(shè)備和工廠維護費等分類賬之間的關(guān)聯(lián)規(guī)則， 那些不在預(yù)期關(guān)聯(lián)分組之內(nèi)的分類賬將是審查的重點。 此外， 關(guān)聯(lián)規(guī)則分析還能應(yīng)用于遵循特定序列（如時間模式）的數(shù)據(jù)上。 例如， 銀行針對洗黑錢的審查， 可以根據(jù)相關(guān)事件發(fā)生的順序查找潛在的關(guān)系， 有助于識別出一系列不正常的、但金額相對較小的賬號間轉(zhuǎn)賬的舞弊行為。

（2）聚類（Clustering）。 聚類是數(shù)據(jù)挖掘中用來發(fā)現(xiàn)數(shù)據(jù)分布和隱含模式的一項重要技術(shù)， 其核心目的是根據(jù)數(shù)據(jù)集中的變量關(guān)系將數(shù)據(jù)項聚為多個子類或簇。 按照“最小化類間的相似性、最大化類內(nèi)的相似性”原則， 使得類內(nèi)的數(shù)據(jù)差異盡可能小， 類間的數(shù)據(jù)差異盡可能大。 聚類技術(shù)包括層次方法、基于神經(jīng)網(wǎng)絡(luò)的自組織映射和基于密度的技術(shù)。 與分類模式不同的是， 聚類中要劃分的類別是未知的， 它是一種不依賴于預(yù)先定義的類和帶類標(biāo)號的訓(xùn)練數(shù)據(jù)集的無監(jiān)督學(xué)習(xí)（Unsupervised learning）， 無需背景知識， 其中類的數(shù)量由系統(tǒng)按照某種性能指標(biāo)自動確定。 例如， 在一組分類賬集合中， 審計人員可以按照銷售收入、應(yīng)收賬款、產(chǎn)品成本和庫存聚類為幾個子類。

（3）描述和可視化（Description & Visualization）。 數(shù)據(jù)挖掘的重要目標(biāo)是在數(shù)據(jù)庫中發(fā)現(xiàn)“有趣的、有價值的”知識， 并利用可視化技術(shù)將其以圖形、圖像等易于理解的方式予以呈現(xiàn)， 以便用戶更加直觀、清晰地理解數(shù)據(jù)挖掘的結(jié)果。 當(dāng)然， 對數(shù)據(jù)挖掘結(jié)果潛在含義的解釋有賴于審計人員所掌握的專業(yè)知識以及對客戶業(yè)務(wù)模型的深刻理解。

（三）不同數(shù)據(jù)分析工具之間的內(nèi)在關(guān)系

圖2列示了數(shù)據(jù)抽取與查詢、數(shù)據(jù)分析和數(shù)據(jù)挖掘三個概念之間的關(guān)系。

隨著審計人員對審計技術(shù)工具的應(yīng)用從數(shù)據(jù)抽取與查詢轉(zhuǎn)向數(shù)據(jù)分析和數(shù)據(jù)挖掘， 軟件在功能方面變得更加復(fù)雜， 診斷性分析和預(yù)測性分析能力也更強。 通過系統(tǒng)的文獻梳理可以發(fā)現(xiàn)， 審計人員使用以上三種技術(shù)的頻率存在差異， 數(shù)據(jù)抽取和查詢工具的使用頻率很高， 而數(shù)據(jù)挖掘工具的復(fù)雜性及對審計相關(guān)知識的要求更高， 使其應(yīng)用受到制約。

四、基于全生命周期的大數(shù)據(jù)挖掘技術(shù)在審計中的應(yīng)用

注冊會計師發(fā)表的無保留審計意見是對財務(wù)報表不存在由錯誤或舞弊引起的重大錯報的合理保證。 針對財務(wù)報表舞弊審計， 美國注冊會計師協(xié)會（AICPA）發(fā)布的第99號審計準則《財務(wù)報表審計中對舞弊的考慮》（SAS第99號）將舞弊分為財務(wù)報表舞弊和資產(chǎn)侵占舞弊兩類， 雖然后一類舞弊發(fā)生的頻率可能更高、涉及面更廣， 但其重要性并不如財務(wù)報告舞弊。 SAS第99號將財務(wù)報表舞弊定義為“在財務(wù)報表中故意錯報或遺漏金額， 旨在欺騙財務(wù)報表使用者， 導(dǎo)致財務(wù)報表在所有重大方面均無法按一般公認會計原則（GAAP）公允列報”。 審計準則體系要求審計人員制訂周密的審計計劃、執(zhí)行嚴格的審計分析以及實質(zhì)性審計程序， 以便檢查財務(wù)報表中出現(xiàn)的錯誤， 按照“審計計劃—審計實施—審計報告”的審計業(yè)務(wù)全生命周期[4] ， 審計各個階段的步驟可列示為圖3。

本文基于審計業(yè)務(wù)全生命周期各階段的地位、目的和性質(zhì)， 探討數(shù)據(jù)挖掘技術(shù)在各階段可能發(fā)揮的潛在作用。

（一）審計計劃階段

審計計劃階段應(yīng)聚焦于企業(yè)利益相關(guān)者關(guān)注的領(lǐng)域， 并衡量使用大數(shù)據(jù)分析技術(shù)、方法的可行性， 同時識別企業(yè)各作業(yè)流程所存在的風(fēng)險， 制訂合理的審計計劃。

1.了解被審計單位。 無論被審計單位財務(wù)報表是否出現(xiàn)錯誤或舞弊， 對重大錯報風(fēng)險的評估都是審計計劃階段的重要工作， 而了解被審計單位是審計計劃早期階段的關(guān)鍵內(nèi)容。 審計人員必須了解各種與客戶相關(guān)的風(fēng)險因素， 包括所有權(quán)結(jié)構(gòu)和組織架構(gòu)、價值創(chuàng)造過程的本質(zhì)、與業(yè)務(wù)合作伙伴和關(guān)聯(lián)方的關(guān)系， 以及客戶運營的監(jiān)管環(huán)境。 鑒于被審計單位在業(yè)務(wù)流程、組織結(jié)構(gòu)以及與業(yè)務(wù)合作伙伴關(guān)系方面的復(fù)雜性， 審計人員有可能利用數(shù)據(jù)挖掘工具和技術(shù)提高對被審計單位績效、外部關(guān)系和網(wǎng)絡(luò)數(shù)據(jù)的分析能力。 通常， 在預(yù)審計環(huán)節(jié)， 可以利用數(shù)據(jù)挖掘技術(shù)對被審計單位的外部數(shù)據(jù)（如公布的財務(wù)報表、新聞報道、分析報告、股價、監(jiān)管文件等）以及內(nèi)部的財務(wù)數(shù)據(jù)等進行多維度分析， 并選擇行業(yè)數(shù)據(jù)進行對標(biāo)分析， 以有效識別風(fēng)險。

2.制訂審計計劃。 被審計單位評估的風(fēng)險越高， 越需要制訂更詳細的基于風(fēng)險導(dǎo)向的審計計劃。 作為審計計劃的一部分， 審計人員通常會采取各種分析性程序來制訂預(yù)期的賬戶余額， 如債務(wù)水平、現(xiàn)金水平和應(yīng)計水平。 審計人員還會對財務(wù)報表核心數(shù)據(jù)進行比率分析， 以得到預(yù)期值。 同時， 國家和行業(yè)的產(chǎn)出、收入和盈利水平是一個重要的比較基準， 將國家和行業(yè)的外部數(shù)據(jù)分析與被審計單位內(nèi)部數(shù)據(jù)相結(jié)合， 利用內(nèi)、外部數(shù)據(jù)集的有效組合進行數(shù)據(jù)挖掘， 有助于制訂更加有效的審計計劃， 提升審計效率和質(zhì)量。

在基于大數(shù)據(jù)審計的過程中， 審計計劃階段最具挑戰(zhàn)性的工作是采集與準備所需的數(shù)據(jù)資料， 包括向企業(yè)信息部門提出具體的數(shù)據(jù)需求以及從外部獲取相關(guān)審計大數(shù)據(jù)。 如何確保所取得數(shù)據(jù)的準確性和完整性， 如何對多種來源和類型的審計大數(shù)據(jù)進行數(shù)據(jù)預(yù)處理等都會影響審計工作的有效性。

3.與舞弊相關(guān)程序的計劃。 舞弊風(fēng)險作為審計計劃的一部分， SAS第99號要求審計人員系統(tǒng)地解決因舞弊而產(chǎn)生重大錯報的風(fēng)險。 審計人員必須以謹慎的方式（包括審計團隊進行積極的頭腦風(fēng)暴）討論審計計劃中的財務(wù)報表舞弊風(fēng)險， 完成各種分析性程序。 例如， 針對可能存在舞弊的收入報告， 在審計計劃階段， 審計人員應(yīng)執(zhí)行與收入相關(guān)的分析性程序， 如將收入、銷售量與企業(yè)的生產(chǎn)能力進行比較， 若銷售量超過產(chǎn)能， 則表明可能存在虛假銷售。 此外， 在報告期間和報告結(jié)束后一段時間內(nèi)， 對月銷售收入的趨勢分析有助于識別出可能存在與客戶簽訂未公開的合同， 以及退回已確認收入的商品等收入賬戶舞弊的異常情形， 這種基于時間維度的數(shù)據(jù)挖掘分析， 為大數(shù)據(jù)環(huán)境下審計風(fēng)險評估提供了新的有效思路。 例如， 不是對已知指標(biāo)（如庫存周轉(zhuǎn)率和產(chǎn)品盈利能力）直接進行比率分析， 而是通過對多個指標(biāo)的數(shù)據(jù)挖掘開發(fā)更復(fù)雜的客戶增值流程和風(fēng)險概況模型， 有效識別潛在的舞弊風(fēng)險。

此外， 審計計劃階段的另一個重要內(nèi)容是考慮內(nèi)部控制缺陷所帶來的風(fēng)險， 要求審計人員評估內(nèi)部控制的設(shè)計和執(zhí)行情況。 被審計單位通常會準備大量的會計流程文件來證明其內(nèi)部控制設(shè)計和執(zhí)行的有效性， 審計人員可以對這些會計流程進行系統(tǒng)的數(shù)據(jù)分析， 以評估風(fēng)險和后續(xù)測試的關(guān)鍵控制點。

（二）審計實施階段

在審計實施過程中， 需要利用所獲取的審計大數(shù)據(jù)進行審計測試， 傳統(tǒng)審計抽樣及抽查等技術(shù)方法已無法有效發(fā)現(xiàn)錯誤及異常交易， 審計人員需要利用大數(shù)據(jù)分析技術(shù)， 基于特定審計目標(biāo)， 開發(fā)出相應(yīng)審計測試的大數(shù)據(jù)分析處理模型和方法來分析所有交易數(shù)據(jù)， 以便發(fā)現(xiàn)異常情形， 幫助審計人員聚焦高風(fēng)險審計范圍和領(lǐng)域。

1.關(guān)于控制的審計證據(jù)。 審計實施階段的重點工作是通過符合性測試和實質(zhì)性測試， 收集充分、適當(dāng)?shù)膶徲嬜C據(jù)。 符合性測試旨在評估內(nèi)部控制設(shè)計和運行的有效性， 對控制過程進行過程挖掘是數(shù)據(jù)挖掘在此階段的重要應(yīng)用。 過程挖掘通常在ERP系統(tǒng)的系統(tǒng)日志上運行， 對控制過程進行過程挖掘是數(shù)據(jù)挖掘技術(shù)應(yīng)用于內(nèi)部控制測試收集審計證據(jù)的一種重要方法。

2. 關(guān)于會計判斷的審計證據(jù)。 隨著“輕資產(chǎn)”類型公司的大量涌現(xiàn)，無形資產(chǎn)在企業(yè)資產(chǎn)結(jié)構(gòu)中的比重越來越高，與此相關(guān)的會計要素的確認、計量、記錄和報告的過程等涉及復(fù)雜的價值評估和判斷，科學(xué)合理利用大數(shù)據(jù)資源能夠為相關(guān)價值判斷提供更好的審計證據(jù)。

3.關(guān)于舞弊的審計證據(jù)。 現(xiàn)場審計中， 審計人員會開展大量的實質(zhì)性測試， 其中的一些程序涉及舞弊審計。 例如， 關(guān)于收入的實質(zhì)性分析程序可能會利用分類數(shù)據(jù)， 如按月比較產(chǎn)品線或業(yè)務(wù)部門報告的收入。 實質(zhì)性測試作為舞弊相關(guān)分析程序的一部分， 對公司績效數(shù)據(jù)、收入數(shù)據(jù)庫以及其他客戶數(shù)據(jù)庫的數(shù)據(jù)挖掘?qū)⒕哂兄匾臐撛谝饬x。

（三）審計報告階段

審計人員應(yīng)評估“在現(xiàn)場工作完成時或接近完成時”因舞弊行為導(dǎo)致重大錯報的可能性， 并做出適當(dāng)回應(yīng)。 回應(yīng)可能包括重新評估在審計計劃階段被拒絕使用的數(shù)據(jù)挖掘程序， 或在審計實施階段觀察到的異常情況而開展的新數(shù)據(jù)挖掘程序。 例如， 實質(zhì)性分析程序或其他收入測試可能表明需要數(shù)據(jù)挖掘。 之后， 對審計證據(jù)進行最終審查， 從而決定審計報告最終的性質(zhì)。

綜上， 本文構(gòu)建的基于大數(shù)據(jù)挖掘分析的財務(wù)報表舞弊審計應(yīng)用框架如圖4所示。

針對上述審計計劃、數(shù)據(jù)準備、審計實施過程的大數(shù)據(jù)分析程序及結(jié)果， 應(yīng)加強審計復(fù)核和質(zhì)量監(jiān)控， 以確保基于大數(shù)據(jù)分析結(jié)果的可靠性。 同時， 充分利用可視化分析和儀表盤展示平臺， 構(gòu)建風(fēng)險預(yù)警機制， 增強洞察力， 提高審計效率和效果。

五、面向?qū)徲嬋芷诘母黝惔髷?shù)據(jù)挖掘技術(shù)的具體應(yīng)用

伴隨著數(shù)據(jù)量的爆炸式增長以及數(shù)據(jù)挖掘技術(shù)和工具的出現(xiàn)， 會計師事務(wù)所亟需從客戶的海量數(shù)據(jù)中發(fā)現(xiàn)更有價值的信息和知識， 以便為制訂審計計劃、評估審計風(fēng)險和內(nèi)部控制的有效性、確定重點審計領(lǐng)域和方向、識別舞弊行為等提供有益的支持。 相關(guān)研究表明， 數(shù)據(jù)挖掘技術(shù)已成功應(yīng)用于財務(wù)報表虛假信息披露、日記分類賬挖掘分析、公司內(nèi)部業(yè)務(wù)流程分析和角色建模分析、公司內(nèi)外部文本信息的挖掘分析以及其他舞弊欺詐檢測模型等。

對財務(wù)報告披露信息進行挖掘分析以便識別出可能存在舞弊的公司報告， 是數(shù)據(jù)挖掘在財務(wù)報表審計領(lǐng)域的典型應(yīng)用[5，6] 。 Ravisankar等[7] 利用支持向量機、神經(jīng)網(wǎng)絡(luò)和遺傳算法等數(shù)據(jù)挖掘技術(shù)， 分析財務(wù)報表的重要數(shù)據(jù)（如凈利潤和毛利潤）和核心比率（如長期債務(wù)/總資產(chǎn)）， 識別出虛假報告。 Alden等[2] 利用進化遺傳算法（Evolutionary Algorithms， EAs）識別財務(wù)報表中的舞弊行為。 Perols[8] 的研究表明， 邏輯回歸和支持向量機（SVM）分類技術(shù)在財務(wù)報表舞弊識別中有很好的表現(xiàn)。 Glancy和Yadav[9] 建立了一種新型的欺詐檢測模型， 能夠生成具有典型數(shù)據(jù)挖掘特征的奇異值分解向量（SVD）， 用于分析財務(wù)報表附注中的欺詐行為。

現(xiàn)代會計信息系統(tǒng)的基礎(chǔ)業(yè)務(wù)流程特性決定了日記分類賬能夠完整地列示業(yè)務(wù)的所有方面， 因此， 目前審計人員對大規(guī)模數(shù)據(jù)集進行最多分析的領(lǐng)域是客戶的日記分類賬。 Debreceny和Gray[10] 將數(shù)據(jù)挖掘技術(shù)應(yīng)用于客戶日記分類賬分析， 挖掘了29套分類賬。 Argyrou[11] 使用自組織映射（Self Organizing Map，SOM）識別單個公司的一組會計分錄中存在的可疑交易。

近年來， 數(shù)據(jù)挖掘技術(shù)在審計領(lǐng)域的另一個重要應(yīng)用是過程挖掘[12] 。 該技術(shù)從企業(yè)信息系統(tǒng)（通常是ERP系統(tǒng)的工作流和角色分析）生成的事件日志中提取業(yè)務(wù)流程知識， 對企業(yè)決策過程[13] 、合規(guī)與風(fēng)險管理[14] 和控制結(jié)構(gòu)[15] 等進行過程挖掘。 了解用戶在企業(yè)系統(tǒng)中的作用與角色是對企業(yè)內(nèi)部控制和具體交易進行審計的前提， 在有關(guān)角色挖掘的研究中， Colantonio等[16] 建立了角色建模方法， 并成功應(yīng)用于某大型企業(yè)員工舞弊行為偵測。 針對員工舞弊問題， Jans等[17] 采用單變量和多變量聚類技術(shù)用于識別潛在的舞弊交易。

大數(shù)據(jù)環(huán)境下， 被審計單位充斥著大量的內(nèi)、外部文字信息， 文本挖掘技術(shù)在審計中的應(yīng)用日益受到關(guān)注。 電子郵件是企業(yè)內(nèi)部員工之間以及企業(yè)與外部供應(yīng)商、客戶等溝通的重要工具。 而且電子郵件也為相關(guān)法律訴訟以及監(jiān)管要求提供了重要的證據(jù)信息， 組織也會更加重視保存結(jié)構(gòu)良好的電子郵件信息。 電子郵件涵蓋日期、收件人和主題字段等信息， 此種半結(jié)構(gòu)化特性為電子郵件的數(shù)據(jù)挖掘添加了重要的時間和社交網(wǎng)絡(luò)維度。 Debreceny和Gray[4] 將文本挖掘和社交網(wǎng)絡(luò)分析成功應(yīng)用于電子郵件數(shù)據(jù)挖掘。 Humpherys等[18] 建立了一個涵蓋慣用語言、情感、單詞長度和句子復(fù)雜度等特征的財務(wù)報表欺詐識別模型， 實驗數(shù)據(jù)結(jié)果顯示模型對財務(wù)報表欺詐行為識別的準確率達到67%。

大數(shù)據(jù)環(huán)境下， 眾多公司利用商業(yè)分析（Business analytics）來服務(wù)于其戰(zhàn)略決策和運營管理。 審計人員在審計過程中， 也應(yīng)該拓展傳統(tǒng)的審計分析方法， 更多地采用商業(yè)分析工具來提升審計工作效率以及審計工作質(zhì)量。? Appelbaum等[19] 、Vasarhelyi等[20] 構(gòu)建了數(shù)據(jù)挖掘分析技術(shù)在審計業(yè)務(wù)全流程的應(yīng)用框架， 系統(tǒng)總結(jié)和梳理了審計過程中應(yīng)該運用哪些商業(yè)分析技術(shù)方法， 以及審計過程的不同階段應(yīng)該選用哪些合適的商業(yè)分析技術(shù)方法， 具體如表2所示。

在審計計劃階段， 簽訂審計業(yè)務(wù)約定書時， 審計人員可以查閱經(jīng)審計的財務(wù)報表、其他公共信息以及其他外部數(shù)據(jù)來源， 并從定量和定性數(shù)據(jù)中得出預(yù)期模型。 在此過程中， 常用的大數(shù)據(jù)挖掘分析技術(shù)主要包括：比率分析、文本挖掘、可視化、回歸模型和描述性統(tǒng)計等。 在制定計劃與風(fēng)險評估的過程中， 審計人員可以在獲取未經(jīng)審計財務(wù)報表的基礎(chǔ)上， 構(gòu)建可能發(fā)生和應(yīng)該發(fā)生的風(fēng)險預(yù)測模型。 此時除了比率分析， 還可以使用聚類、可視化、回歸模型、信度網(wǎng)絡(luò)、專家系統(tǒng)和描述性統(tǒng)計等。

審計實施階段的重要工作是執(zhí)行審計測試， 可以考慮根據(jù)客戶的環(huán)境， 選擇將抽樣測試與全樣本測試的結(jié)果進行比較， 并根據(jù)基準和預(yù)期結(jié)果的差異， 聚焦確定符合性測試和實質(zhì)性測試的范圍和重點方向， 如果測試結(jié)果顯示有問題或預(yù)示著需要進一步調(diào)查， 可能需要進一步測試和收集證據(jù)。 該階段除了會用到所有目前常用的審計檢查技術(shù)， 還會使用聚類、文本挖掘、過程挖掘、可視化、支持向量機、人工神經(jīng)網(wǎng)絡(luò)、專家系統(tǒng)、信度網(wǎng)絡(luò)、回歸模型、本福德定律、描述性統(tǒng)計、結(jié)構(gòu)模型以及假設(shè)檢驗。

在審計報告階段， 進行審計復(fù)核時， 需要使用不同的技術(shù)對異常結(jié)果進行交叉驗證測試和分析， 前述實質(zhì)性測試階段用到的所有技術(shù)方法都適用。 在此過程中， 還會用到專家系統(tǒng)、概率模型、信度網(wǎng)絡(luò)、支持向量機、人工神經(jīng)網(wǎng)絡(luò)、遺傳算法等。 隨著2016年審計報告準則的頒布實施， 如何提高審計過程透明度、增加審計意見和審計報告的信息含量和價值有用性顯得尤為重要。 在確定審計意見時， 主要使用的大數(shù)據(jù)挖掘分析方法包括時間序列回歸、概率模型、信度網(wǎng)絡(luò)、專家系統(tǒng)和蒙特卡洛模擬等。 此外， 如何應(yīng)用數(shù)據(jù)挖掘分析技術(shù)以得到更細致、定量化的審計意見， 以及拓展目前無保留審計意見和非無保留審計意見的二分法結(jié)果， 也是值得探究的重要領(lǐng)域。

六、結(jié)論

基于大數(shù)據(jù)的挖掘分析已經(jīng)在財務(wù)危機預(yù)警、財務(wù)欺詐檢測、股票市場預(yù)測和量化投資決策等會計與財務(wù)領(lǐng)域有著廣泛的應(yīng)用， 然而其在審計領(lǐng)域的應(yīng)用稍顯滯后。 基于客戶內(nèi)、外部海量大數(shù)據(jù)的深度挖掘分析， 為審計功能的發(fā)揮提供了一個補充的證據(jù)來源， 而且審計人員能夠分析客戶公司財務(wù)報告相關(guān)數(shù)據(jù)的生成過程， 洞察被審計單位經(jīng)營管理過程中的各類問題， 有助于使審計行業(yè)向價值鏈上游移動， 真正成為客戶公司的商業(yè)伙伴。 基于海量數(shù)據(jù)的挖掘分析將改變審計人員的工作方式， 同時， 海量數(shù)據(jù)涉及的諸如信息超載、信息相關(guān)性、可靠性、模糊性等問題也會影響審計人員的職業(yè)判斷， 這里尤為關(guān)鍵的是面向具體審計領(lǐng)域和工作內(nèi)容選擇最合適的數(shù)據(jù)挖掘技術(shù)工具。

本研究通過系統(tǒng)的文獻梳理， 旨在探尋數(shù)據(jù)挖掘技術(shù)工具在財務(wù)報表舞弊審計中的最佳應(yīng)用模式， 構(gòu)建數(shù)據(jù)挖掘技術(shù)應(yīng)用于財務(wù)報表舞弊審計的整合性框架， 以便指導(dǎo)審計人員將相關(guān)數(shù)據(jù)挖掘技術(shù)高效地應(yīng)用于具體審計活動中。 未來的研究中， 一方面， 基于大數(shù)據(jù)挖掘分析的審計范式變革， 會改變審計人員的行為方式、工作流程和執(zhí)業(yè)風(fēng)險， 而相關(guān)會計和審計準則并沒有跟上技術(shù)變革的步伐; 另一方面， 大數(shù)據(jù)挖掘分析為審計人員提供了補充的證據(jù)來源， 然而由于海量數(shù)據(jù)的多源異構(gòu)特征， 使得在數(shù)據(jù)質(zhì)量、可靠性等方面存在巨大差異， 如何依據(jù)充分性、可靠性和相關(guān)性的審計證據(jù)標(biāo)準框架對其適用性進行科學(xué)評估值得探究。

【 主 要 參 考 文 獻 】

[1] Eppler M. J.， Mengis J.. The concept of information overload：A review of literature from organization science，accounting，? marketing， MIS，? and related disciplines[ J].The Information Society，2004（5）：325 ～ 344.

[2] Alden M.， Bryan D.， Lessley B.， et al.. Detection of financial statement fraud using evolutionary algorithms[J].Journal of Emerging Technologies in Accounting，2012（1）：71 ～ 94.

[3] 楊善林，周開樂.大數(shù)據(jù)中的管理問題：基于大數(shù)據(jù)的資源觀[ J].管理科學(xué)學(xué)報，2015（5）：1 ～ 8.

[4] Debreceny R. S.， Gray G. L.. Data mining of electronic mail and auditing：A research agenda[ J].Journal of? Information System，2011（2）：195 ～ 226.

[5] Green B. P.， Choi J. H.. Assessing the risk of management fraud through neural network technology[ J].Auditing a Journal of Practice & Theory，1997（1）：14 ～ 28.

[6] Feroz E.， Kwon T.， Pastena V.， et al.. The efficacy of red flags in predicting the SEC's targets：An artificial neural networks approach[ J].Intelligent Systems in Accounting，F(xiàn)inance & Management，2000（3）：145 ～ 157.

[7] Ravisankar P.， Ravi V.， Raghava Rao G.， et al.. Detection of financial statement fraud and feature selection using data mining techniques[ J].Decision Support Systems，2010（2）：491 ～ 500.

[8] Perols J.. Financial statement fraud detection：An analysis of statistical and machine learning algorithms[ J].Auditing，2011（2）：19 ～ 50.

[9] Glancy F. H.， Yadav S. B.. A computational model for financial reporting fraud detection[ J].Decision Support Systems，2010（3）：595 ～ 601.

[10] Debreceny R. S.， Gray G. L.. Data mining journal entries for fraud detection：An exploratory study[ J].International Journal of Accounting Information Systems，2010（3）：157 ～ 181.

[11] Argyrou A.. Auditing journal entries using self-organizing map[A].18th Americas Conference on Information Systems[C].Seattle：Association for Information Systems，2012.

[12] Jans M.， Alles M.， Vasarhelyi M.. The case for process mining in auditing：Sources of value added and areas of application[ J].International Journal of Accounting Information Systems，2013（1）：1 ～ 20.

[13] van der Aalst W.， van Hee K.， van der Werf J. M.， et al.. Conceptual model for online auditing[ J].Decisin Support System，? 2010（3）：636 ～ 647.

[14] Caron F.， Vanthienen J.， Baesens B.. Comprehensive rule-based compliance checking and risk management with process mining[ J].Decision Support Systems，2013（3）：1357 ～ 1369.

[15] Elsas P.. X-raying segregation of duties：Support to illuminate an enterprise's immunity to solo-fraud[ J].International Journal of Accounting Information Systems，2007（2）：82 ～ 93.

[16] Colantonio A.， Di Pietro R.， Ocello A.， et al.. A new role mining framework to elicit business roles and to mitigate enterprise risk[ J].Decision Support Systems，2010（4）：715 ～ 731.

[17] Jans M.， Lybaert N.， Vanhoof K.. Internal fraud risk reduction：Results of a data mining case study[ J].International Journal of Accounting Information Systems，2009（1）：17 ～ 41.

[18] Humpherys S. L.， Moffitt K. C.， Burns M. B.， et al.. Identification of fraudulent financial statements using linguistic credibility analysis[ J].Decision Support Systems，2010（3）：585 ～ 594.

[19] Appelbaum D. A.， Kogan A.， Vasarhelyi M. A.. Analytical procedures in external auditing：A comprehensive literature survey and framework for external audit analytics[ J].Journal of Accounting Literature， 2018（6）：83 ～ 101.

[20] Vasarhelyi M. A.， Rozario A. M.. How robotic process automation is transforming accounting and auditing[ J].The CPA Journal，2018（6）：46 ～ 49.