基于知識圖譜的審計風險點識別研究

　　摘　要：傳統審計模式在大數據時代已顯疲態，審計智能化已經成為了行業未來發展的必然趨勢。審計收費高昂、抽樣審計覆蓋率低以及審計失敗加劇了傳統審計模式面臨的威脅，基于專家先驗知識的知識圖譜可以有效幫助提升審計效率，實現審計智能化與審計風險點全覆蓋。審計數據經過知識抽取轉化成三元組的形式構造審計知識圖譜，專家審計經驗經過量化等處理形成專家審計經驗庫，審計知識圖譜通過遍歷專家審計經驗庫中的閾值、條件，最終實現審計風險點的識別。

　　本文源自商訊 2021-01-28《商訊》本刊創刊于1983年，以研究商業經濟理論和實踐探索，發展大流通、大商業，建設大市場，搞活商業經濟和轉換企業經營管理機制，提供專業的、有價值的經濟信息服務為宗旨。

　　關鍵詞：知識圖譜;審計;人工智能;大數據;審計風險識別

　　在人力成本日漸高昂的今天，審計行業仍存在著大量的人力資源輸出，并且在分析處理數據方面片面且效率較低，還存在財務舞弊的可能性。為發揮信息技術在內部審計中的作用，提升審計工作質量，拓展審計監督深度和廣度，審計技術亟需一次安全性與實時性上的革命。2012年，谷歌提出知識圖譜并將其用于語義搜索中后，知識圖譜再度引起了關注，基于知識圖譜的可視化與知識推理可以有效幫助緩解當前審計行業面臨的困境。

　　知識圖譜的應用使得抽樣審計將成為過去，審計數據的全覆蓋可以幫助審計人員降低檢查風險，基于專家審計經驗的推理機使審計知識圖譜具備知識推理的能力，并排查所有潛在的審計風險點，并且對審計風險點排查的能力隨著專家審計經驗庫的完善而提升，審計人員可以根據排查出的審計風險點進行有針對性地排查以避免重復性的工作，提升審計工作效率。

　　一、智能審計近年發展動態智能審計的概念自1994年初次被提出已經經歷了二十多年的發展。2019年，學者們研究對比了中外人工智能審計，總結國內外人工智能審計的熱點及趨勢，提出了對人工智能審計的展望[1];針對圖形化云桌面面臨的安全審計問題，有學者設計并實現一種基于光學字符識別(Optical Character Recognition)技術的操作行為審計方案，實現在代理服務器上對用戶操作圖片的采集、識別以及行為審計的相關工作，無需在遠程云主機上安裝任何Agent軟件，是一種非侵入式的輕量級審計方案，實現了智能審計[2]。通過人工智能的專家系統、神經網絡、模糊邏輯等方法，有學者建立了dialing工程審計平臺，實現了更方便、快捷、有效的電力工程審計工作[3];為了提升審計質量與效率，有學者提出了財務共享體系，以及該體系下智能審計的方法設計[4];人工智能的發展勢必會給審計行業帶來一定的沖擊，因此有學者探討了人工智能對審計工作的影響，以及如何正確認識和應用人工智能給審計帶來的影響和發展[5]。隨著5G、物聯網、人工智能與區塊鏈等新興技術的發展給智能審計注入了新的生命力，“審計智能+”通過整合這些前沿的新興技術，保證審計數據自產生開始便在線上真實、完整地運行，實現數據采集、分析到報告生成全過程自動化，完成智能審計升級。

　　二、基于知識圖譜的審計智能化

　　在傳統審計工作中，往往采取業務驅動數據的模式，限制了審計工作的效率，也不易于發現隱藏的審計線索。為實現審計平臺的信息化、透明化。將知識圖譜算法體系融入自動化審計中，能夠將審計數據高效地組織利用，減少了數據冗余。同時，知識圖譜的數據可視化能力，使得審計數據間的關系也更加形象化，直觀呈現出審計數據的知識網絡構架。對比傳統數據庫的管理能力，知識圖譜通過數據挖掘算法與語義引擎進行數據結構化儲存，與審計工作的需要更為契合，在未來的審計工作中將發揮重要作用。

　　(一)基于神經網絡的審計數據知識抽取

　　大數據時代的海量數據背景，對數據審計提出了新的要求。由于大量非結構化和半結構化數據的存在，亟需一種文本挖掘方案，便捷、有效、安全地實現非結構化數據的知識抽取。為此，提出了一種基于神經網絡的審計數據知識抽取方案，能夠提取出數據中的實體、屬性、關系等，并將這些非結構化數據以三元組形式關聯起來。

　　我們使用selenium爬蟲框架，與requests庫、re庫、 BeautifulSoup庫等相結合，從巨潮資訊自動獲取目標公司的公告。在對原始數據收集、清洗、加工、處理及整合后，將數據模型化，基于神經網絡模型對文本進行深入分析，提煉出有價值的信息。為保證模型準確、可靠，引入google 開源的BERT預訓練網絡。BERT模型因其獨特的Masked 語言模型和NextSentencePrediction等機制，解決了傳統的 word2vec模型無法解決的多義詞表達問題，從而使得該模型訓練出的詞向量可以更加準確地表示出詞語間的語義關系，可認為是當下自然語言處理領域內最先進框架。通過審計數據三元組，即<實體 (公司名稱，會計師事務所名稱，人員名稱等) -關系 (關聯交易、子母公司、職位) -實體>的構建，以集中整理分析員對企業的信用研究，將不同信息之間的內在聯系挖掘出來，幫助審計工作人員形成完整清晰的業務邏輯，大幅提高研究工作的效率，有望深刻改變策略模型的產生、驗證、優化和運用方式，同時提高突發事件響應速度，提高分析工作的質量。

　　(二)審計數據知識圖譜自動生成

　　圖數據庫是當前主流高性能NOSQL數據庫，將結構化數據以知識圖譜的形式進行存儲。該數據庫善于處理復雜、互連接、結構化的數據，因而應用場景豐富。通過解析審計數據構建審計數據知識圖譜，將審計數據表層數據關系和隱含數據關系可視化。數據經過格式化處理后存入數據存儲列表，之后通過匹配、篩選數據存儲列表中的格式化數據存入關系圖譜所需的結點列表以及關系列表。

　　通過自然語言處理技術對非結構化數據進行實體關系的抽取，構建審計知識圖譜。圖中使用了平安銀行近年的關聯交易公告構建的平安銀行關聯交易知識圖譜 (如圖1所示)，該知識圖譜清晰且詳細地展示了平安銀行近年來在公告中披露的關聯交易，同時，在公告中披露的子母公司關系也展示在了此知識圖譜中，除子母公司間的關聯交易外，平安銀行與其他關聯方的關聯關系仍需對發布的公告和其他公司非結構化數據進行進一步處理獲得。

　　(三)基于知識圖譜和推理機的審計異常識別

　　針對目前人工可疑數據排查的片面性，發揮計算機能處理大量數據的能力，以審計規則構建的推理機作為審計工具，達到全面比對、審查數據疑點，不斷更新知識圖譜反饋給審計人員，通過這樣的方式逐步提高審計風險預警的正確性。

　　行業專家的經驗可以經過量化等處理被轉化成計算機可以理解的形式以此來構建專家審計經驗庫。推理機通過讀取知識圖譜中相關數據進行搜索、匹配以獲取相關審計規則需要的數據，根據審計經驗的閾值和條件，對審計數據進行遍歷并得到最終的判斷結果，根據判斷結果返回審計知識圖譜并進行可疑風險點的標注。同時，根據審計經驗和關系規則可以幫助發現知識圖譜中的隱含，并能夠同時對沖突即異常進行檢測，以實現全面高效的審計，增強審計可疑點的可發現性。

　　三、結語

　　在大數據時代背景下，傳統審計模式暴露的種種弊端表明傳統審計模式亟需一次巨大的變革。基于知識圖譜的審計風險點識別流程通過數據獲取、數據處理、比對審計規則庫和最終結果推演分析幾個層面致力于為專業注冊會計師大幅度減輕重復工作，一改現今審計工作中可能會遺漏重要風險點的抽查模式，通過全面審查計量分析公司各項經營交易，最終推演出潛在風險點。為注冊會計師提供目標，精簡注冊會計師的工作，輔助注冊會計師出具恰當的審計報告。審計人員可以更加直觀地審查可疑審計實體與審計關系，并將精力著重于篩除企業財務風險點知識圖譜上的企業財務風險，節省大量時間成本并提高了審計效率。

　　隨著國家對上市公司、預上市公司透明度要求的提高。審計工作成了常態化，人工智能化審計是必然的需求。把握大數據時代對智能審計的需求，以各大上市及預上市公司內部審計與國家審計機關為基點，利用知識圖譜能夠處理并展現復雜關聯交易的特點對企業進行全面高效的審計，可以有效規范企業行為，促進資本市場的健康發展。