论文部分内容阅读
本文概述了新的大数据技术于审计中的应用，审计行业拥有大量且不断增长的数据，而且其种类和准确性也在不断提高。不同行业需要不同的大数据分析模型和开发环境，审计行业需要加强适合自身特点的大数据分析模型和软件的研究与开发。审计数据分析可以分为查询型分析、多维分析和挖掘型分析等类型。大数据审计分析模型和审计软件的预测功能，是把数字算法运用到海量的数据分析上来预测事情发生的可能性。
在大数据时代，不依赖抽样分析，而可以采集和处理事物整体的全部数据。19世纪以来，当面临大的样本量时，人们都主要依靠抽样来分析总体。如今，科学技术条件已经有了很大的提高。随着大数据分析取代抽样分析，社会科学不再单纯依赖于抽样调查和分析实证数据，现在可以收集过去无法收集到的数据，更重要的是，现在可以不再依赖抽样分析。其次是在大数据时代，人们难以寻求事物直接的因果关系，而是深入认识和利用事物的相关关系。人们可以通过找到一个事物的相关關系，帮助其捕捉到事物的现在和预测未来。所以在审计行业中建立模型对大数据进行系统的研究，不仅能够摆脱对抽样分析的依赖还可以运用所有的数据之间的相关关系对未来进行一定的预测。本文将分析三种新型大数据分析模型：（1）财务困境模型（financial distress modelling），（2）财务舞弊模型（financial fraud modelling），（3）股票市场情绪预测模型（stock market sentiment prediction modelling）。
一、财务困境模型
财务困境模型中的论文使用数据挖掘技术来检测和预测公司的财务困境，并且这些技术也是审计员感兴趣的，以协助他们进行持续经营评估。
Sun， J.和Li， H. （2008）应用基于决策树的数据挖掘技术来预测财务困境。从135个上市公司对开始，研究人员设计并测试预测模型，以显示理论上的可行性和实际的有效性。Koyuncugil和Ozgulbas（2012）使用数据挖掘方法为中小型企业设计财务困境预警系统。他们在7000多家中小型企业中测试该模型，并开发了许多可用于降低财务风险的风险概况，风险指标，预警系统和财务路线图。Chen， W. S.和Du， Y. K. （2009）提出了一种不同的方法，并以神经网络的形式应用数据挖掘技术来构建和测试财务困境预测模型。他们使用了68家上市公司的数据，证明了他们建模的可行性和有效性。
二、财务舞弊模型
财务舞弊是全球组织和经济体的一个重要问题。美国注册舞弊审查员协会估计，平均来说公司每年会因舞弊而损失5%的收入。这促使研究人员考虑将大数据技术应用于舞弊检测，预测和预防。Chang， R.， Lee， A. （2008）建议使用可视化数据分析来交互式地检查数百万银行电汇交易，他们认为这种方法既可行又有效。相比之下，Abbasi，Albrecht，Vance和Hansen（2012）使用机器学习的专门形式来模拟金融舞弊，它以自适应的方式结合多种机器学习技术的输出来提高准确性。他们发现这种方法比其他单一方法更有效。
上述评论表明，尽管金融舞弊的成本在不同案例之间差异很大，并且具有明显的经济影响，但目前对于金融舞弊检测仍停留于理论阶段。舞弊模型还有机会利用多个人之间的勾结经常发生在舞弊案件中的事实。Free， C.和Murphy， P. R. （2015）得出结论，舞弊的社会性质可能有助于识别特点。这些功能可以合并到舞弊模型中，以提高其准确性。
内部审计师也可以使用这些模型来引起对需要调查的情况的关注。监察人员也可以使用这些模型来确定舞弊发生的可能性，以便提供初步确认。
三、股市情绪预测模型
除了上面概述的两个研究流程之外，第三个流程主要关注股票市场预测。这一研究流程对预测分析特别感兴趣，并为管理者和投资者提供投资建议。尽管与审计没有直接关系，但其关联将从大数据技术应用于该领域的过程中体现。
许多研究分析了新闻文章，以便进行股票市场预测。Tetlock， P. C.（2007）使用来自华尔街日报热门专栏的每日内容，发现当媒体悲观情绪高涨时股价下跌。此外，异常高或低的媒体悲观情绪有助于预测高交易量。Alanyali， M.， Moat， H. S.和Preis， T. （2013）发现，在新闻发布之前和当天，“金融时报”每日提及股票的数量与每日交易量正相关。
大数据情绪分析在审计方面具有潜在的应用价值。在线新闻，社交媒体和其他在线资源中出现的负面情绪可能会影响基于风险的审计。例如，对某些产品持续的负面情绪可能会引导审计师检查产品退货或保修索赔的准备金。关于客户的情绪也可能影响审计公司接受或继续参与的决定。
四、结语
根据上述三种新型的审计模型，审计师可以利用大数据技术和方法来预测财务困境，并结合他们的专业判断，更好地判断公司未来的财务可行性。纳入大数据模型有助于在破产前改正代价高昂的错误。虽然重点可能放在与持续经营意见相关的一年预测上，但财务困境模型也可用于更长期的预测，这些较长的预测也可供内部审计师使用。审计师可以利用大数据技术和方法来预测财务困境，并结合他们的专业判断，更好地判断公司未来的财务可行性。财务困境模型由内部审计团队关于预测准确性的意见补充，可为高级管理层和董事会提供有价值的信息。较长期的预测和意见使管理层有更多时间进行战略性变革，以最大限度地降低财务困境发生的可能性，这些都是传统审计模型所不具有的优势。
而在财务舞弊模型中，可以帮助审计人员在进行舞弊风险评估时评估舞弊风险。通过采用当代大数据模型，可以帮助审计师提供合理保证整个财务报表是否存在由于舞弊或错误导致的重大错误陈述。目前许多公司对上市趋之若鹜，主要因为上市益处颇多。同时上市也面临接受会计师事务所的审计，公司的管理层经常会为了提升自己的经营业绩而操纵舞弊，而一些串通舞弊也是会计师事务所最难发现的。大数据技术的发展将有效减少会计舞弊，降低重大错报风险。许多企业的管理层迫于经营业绩的压力或受自身利益的驱使联合治理层有目的、有针对性地违背国家法律、法规、政策、制度，违背真实性原则，通过提前确认收入、扩大销售核算范围虚增利润、利用财务报表合并技术进而虚增收入等手段，致使会计信息失真，达到其不可告人的目的。大数据时代，数据更加透明化，很多从前不为人知的信息都公之于众，在这样的情况下，通过种种手段来修改会计信息以达到非法目的的行为将会越来越不可行。在CPA审计的过程中，舞弊是较难查出的一个点，很多审计失败的案例均因舞弊而生，大数据的推广与应用使得舞弊的可能性降低，CPA审计中重大错报风险就降低，从而为CPA采取恰当合适的审计程序奠定基础。
通过研究其在其他领域的应用，可以发现审计中分析的其他潜在风险。例如：对使用模式和任何异常值的了解是否有助于审计团队了解其客户及其在计划审计时面临的风险？此外，电子邮件使用中的异常值是否有助于内部审计人员识别合规或控制违规和未授权活动等风险？情感分析也是通过新颖且有价值的信息为审计服务增加价值的机会。
本文回顾了有关数据分析和大数据的会计和财务研究。审计在利用大数据技术方面进展并不如其他行业有显著的应用。但无论客户公司是否使用大数据技术，审计都将大大受益于大数据技术的使用。在审计中使用大数据技术的机会很多，特别是严格的分析程序与传统的审计技术和专家判断相结合时。还有很多有前途的审计工具，需要更多的研究。展望未来，开展强有力的大数据审计研究是一项挑战，可以及时更好地为审计实践提供信息。这包括上面提出的未来研究，评估不同的大数据技术在审计环境中的有效性，以及相关的成本效益分析和研究，这些分析和研究考虑了将大数据建模与专家判断相结合的最佳方法。（作者单位：哈尔滨商业大学）
在大数据时代，不依赖抽样分析，而可以采集和处理事物整体的全部数据。19世纪以来，当面临大的样本量时，人们都主要依靠抽样来分析总体。如今，科学技术条件已经有了很大的提高。随着大数据分析取代抽样分析，社会科学不再单纯依赖于抽样调查和分析实证数据，现在可以收集过去无法收集到的数据，更重要的是，现在可以不再依赖抽样分析。其次是在大数据时代，人们难以寻求事物直接的因果关系，而是深入认识和利用事物的相关关系。人们可以通过找到一个事物的相关關系，帮助其捕捉到事物的现在和预测未来。所以在审计行业中建立模型对大数据进行系统的研究，不仅能够摆脱对抽样分析的依赖还可以运用所有的数据之间的相关关系对未来进行一定的预测。本文将分析三种新型大数据分析模型：（1）财务困境模型（financial distress modelling），（2）财务舞弊模型（financial fraud modelling），（3）股票市场情绪预测模型（stock market sentiment prediction modelling）。
一、财务困境模型
财务困境模型中的论文使用数据挖掘技术来检测和预测公司的财务困境，并且这些技术也是审计员感兴趣的，以协助他们进行持续经营评估。
Sun， J.和Li， H. （2008）应用基于决策树的数据挖掘技术来预测财务困境。从135个上市公司对开始，研究人员设计并测试预测模型，以显示理论上的可行性和实际的有效性。Koyuncugil和Ozgulbas（2012）使用数据挖掘方法为中小型企业设计财务困境预警系统。他们在7000多家中小型企业中测试该模型，并开发了许多可用于降低财务风险的风险概况，风险指标，预警系统和财务路线图。Chen， W. S.和Du， Y. K. （2009）提出了一种不同的方法，并以神经网络的形式应用数据挖掘技术来构建和测试财务困境预测模型。他们使用了68家上市公司的数据，证明了他们建模的可行性和有效性。
二、财务舞弊模型
财务舞弊是全球组织和经济体的一个重要问题。美国注册舞弊审查员协会估计，平均来说公司每年会因舞弊而损失5%的收入。这促使研究人员考虑将大数据技术应用于舞弊检测，预测和预防。Chang， R.， Lee， A. （2008）建议使用可视化数据分析来交互式地检查数百万银行电汇交易，他们认为这种方法既可行又有效。相比之下，Abbasi，Albrecht，Vance和Hansen（2012）使用机器学习的专门形式来模拟金融舞弊，它以自适应的方式结合多种机器学习技术的输出来提高准确性。他们发现这种方法比其他单一方法更有效。
上述评论表明，尽管金融舞弊的成本在不同案例之间差异很大，并且具有明显的经济影响，但目前对于金融舞弊检测仍停留于理论阶段。舞弊模型还有机会利用多个人之间的勾结经常发生在舞弊案件中的事实。Free， C.和Murphy， P. R. （2015）得出结论，舞弊的社会性质可能有助于识别特点。这些功能可以合并到舞弊模型中，以提高其准确性。
内部审计师也可以使用这些模型来引起对需要调查的情况的关注。监察人员也可以使用这些模型来确定舞弊发生的可能性，以便提供初步确认。
三、股市情绪预测模型
除了上面概述的两个研究流程之外，第三个流程主要关注股票市场预测。这一研究流程对预测分析特别感兴趣，并为管理者和投资者提供投资建议。尽管与审计没有直接关系，但其关联将从大数据技术应用于该领域的过程中体现。
许多研究分析了新闻文章，以便进行股票市场预测。Tetlock， P. C.（2007）使用来自华尔街日报热门专栏的每日内容，发现当媒体悲观情绪高涨时股价下跌。此外，异常高或低的媒体悲观情绪有助于预测高交易量。Alanyali， M.， Moat， H. S.和Preis， T. （2013）发现，在新闻发布之前和当天，“金融时报”每日提及股票的数量与每日交易量正相关。
大数据情绪分析在审计方面具有潜在的应用价值。在线新闻，社交媒体和其他在线资源中出现的负面情绪可能会影响基于风险的审计。例如，对某些产品持续的负面情绪可能会引导审计师检查产品退货或保修索赔的准备金。关于客户的情绪也可能影响审计公司接受或继续参与的决定。
四、结语
根据上述三种新型的审计模型，审计师可以利用大数据技术和方法来预测财务困境，并结合他们的专业判断，更好地判断公司未来的财务可行性。纳入大数据模型有助于在破产前改正代价高昂的错误。虽然重点可能放在与持续经营意见相关的一年预测上，但财务困境模型也可用于更长期的预测，这些较长的预测也可供内部审计师使用。审计师可以利用大数据技术和方法来预测财务困境，并结合他们的专业判断，更好地判断公司未来的财务可行性。财务困境模型由内部审计团队关于预测准确性的意见补充，可为高级管理层和董事会提供有价值的信息。较长期的预测和意见使管理层有更多时间进行战略性变革，以最大限度地降低财务困境发生的可能性，这些都是传统审计模型所不具有的优势。
而在财务舞弊模型中，可以帮助审计人员在进行舞弊风险评估时评估舞弊风险。通过采用当代大数据模型，可以帮助审计师提供合理保证整个财务报表是否存在由于舞弊或错误导致的重大错误陈述。目前许多公司对上市趋之若鹜，主要因为上市益处颇多。同时上市也面临接受会计师事务所的审计，公司的管理层经常会为了提升自己的经营业绩而操纵舞弊，而一些串通舞弊也是会计师事务所最难发现的。大数据技术的发展将有效减少会计舞弊，降低重大错报风险。许多企业的管理层迫于经营业绩的压力或受自身利益的驱使联合治理层有目的、有针对性地违背国家法律、法规、政策、制度，违背真实性原则，通过提前确认收入、扩大销售核算范围虚增利润、利用财务报表合并技术进而虚增收入等手段，致使会计信息失真，达到其不可告人的目的。大数据时代，数据更加透明化，很多从前不为人知的信息都公之于众，在这样的情况下，通过种种手段来修改会计信息以达到非法目的的行为将会越来越不可行。在CPA审计的过程中，舞弊是较难查出的一个点，很多审计失败的案例均因舞弊而生，大数据的推广与应用使得舞弊的可能性降低，CPA审计中重大错报风险就降低，从而为CPA采取恰当合适的审计程序奠定基础。
通过研究其在其他领域的应用，可以发现审计中分析的其他潜在风险。例如：对使用模式和任何异常值的了解是否有助于审计团队了解其客户及其在计划审计时面临的风险？此外，电子邮件使用中的异常值是否有助于内部审计人员识别合规或控制违规和未授权活动等风险？情感分析也是通过新颖且有价值的信息为审计服务增加价值的机会。
本文回顾了有关数据分析和大数据的会计和财务研究。审计在利用大数据技术方面进展并不如其他行业有显著的应用。但无论客户公司是否使用大数据技术，审计都将大大受益于大数据技术的使用。在审计中使用大数据技术的机会很多，特别是严格的分析程序与传统的审计技术和专家判断相结合时。还有很多有前途的审计工具，需要更多的研究。展望未来，开展强有力的大数据审计研究是一项挑战，可以及时更好地为审计实践提供信息。这包括上面提出的未来研究，评估不同的大数据技术在审计环境中的有效性，以及相关的成本效益分析和研究，这些分析和研究考虑了将大数据建模与专家判断相结合的最佳方法。（作者单位：哈尔滨商业大学）