论文部分内容阅读
[摘要]电网企业的竞争日趋激烈，其内部结构也日趋复杂，但风险预警系统的建设仍然比较滞后。本文从电网企业内部审计角度出发，以知识挖掘技术为手段，构建电网企业内部审计风险预警体系，包含风险监测系统、风险预警系统和风险反馈系统。以M电网公司为例，使用模糊神经网络（Fuzzy Neural Network，FNN）对电网企业的财务状况进行内部审计，对风险进行预警、分级和跟踪反馈，实现对电网企业财务状况全面、客观、多维度的审计。
[关键词]内部审计 风险预警 知识挖掘 模糊神经网络
本文系国网山东省电力公司科技项目（5206061900G4）
一、电网企业内部审计风险预警体系
近年来，随着电力体制的改革、相关政策调整及能源市场的波动，电网企业的财务状况也日趋复杂多变。大数据和新经济时代的到来为电网企业经营提出了新挑战，而电网企业内部经营者因缺乏有效的约束监督机制，主观性决策为企业内部审计带来一定的困难和风险。电网企业的内部审计风险主要包括财务风险、安全运行风险、投资风险、设备故障风险、工程管理风险等。电网企业的大规模性导致企业信息分散于各个部门，而企业风险预警的有效性依赖风险信息数据的全面性和综合性。企业内部审计部门因工作的特殊性，需要对所有职能部门开展审计工作，更容易获得全面的风险信息，因此十分适合开展风险预警体系的构建。
电网企业内部审计风险预警体系从独立、综合的内部审计角度，分析企业内外部相关数据，构建风险预警系统，科学有效地识别电网企业内部发生风险的可能性，并向管理层发出预警信号。内部审计风险预警体系的目标是揭示企业运行过程中未被揭示的风险领域，从风险等级和来源等方面给出建设性意见，帮助企业制定弥补措施和预防措施，在短时间内消除或降低风险，并避免以后出现同类风险。
二、电网企业内部审计风险预警体系构建
（一）电网企业内部审计风险预警体系构建思路
电网企业与其他企业的主要区别在于其规模庞大和资产复杂，内部经营管理长期以来缺乏有效的约束监督机制。因此，需要对电网企业财务状况进行全面、客观、多维度的审计，并构建企业内部审计风险预警体系，以减少发生审计风险和财务危机的可能性。电网企业内部审计风险预警体系需要满足以下要求：
1.电网企业数据的全面性和准确性。企业数据质量的好坏直接影响风险预警的结果。如果数据质量不佳，会给内部审计带来以下影响：干扰内部审计分析，影响决策;影响模型预警结果，导致内部审计不够准确。因此，电网企业内部审计风险预警要从数据全面性、准确性甚至及时性和一致性等方面来确保数据质量。
2.风险预警模型的科学性与准确性。风险预警模型是企业内部审计风险预警体系的根本导向，指引并实现相应的预警功能，预警模型的准确性与科学性会对内部审计的效率和结果产生巨大影响。因此，必须选择适合的风险预警模型，及时准确地识别电网企业的内部风险。
3.内部审计风险预警体系的专业性和灵活性。电网企业内部审计风险预警体系不仅需要及时识别风险信号，还要对信号的风险水平进行分级，进一步确定风险的来源，帮助内部审计部门制定相关措施以消除或降低企业风险，这对风险预警的专业性和灵活性提出了更高要求。
本文构建的电网企业内部审计风险预警体系如图1所示，主要包括风险监测系统、风险预警系统和风险反馈系统。
1.风险监测系统。风险监测系统是电网企业内部审计风险预警体系的信息输入接口，通过内部审计机构收集企业内部的财务数据，构建财务风险预警指标选取数据，并对数据进行预处理。首先，其数据来源并非局限于某电网企业内部的封闭体，而是包含外部相关数据的一个开放体系。在大数据和人工智能背景下，外部經济和政策环境对电网企业的经济发展具有较大影响，审计和经济等相关数据可通过外部机构获取。风险监测的目的是根据财务风险预警指标采集相关财务数据，对财务和审计风险进行常规监控。电网企业财务风险预警指标的选取应遵循全面性和有效性原则。选取的财务风险预警指标首先应全面、准确地反映企业真实的财务状况。其次，能够对该企业的财务和审计风险进行有效识别。在此基础上，结合电网企业的实际财务情况，选取偿债能力、盈利能力、经营能力、发展能力和其他5个一级指标分析公司的财务状况，并从中选取12个二级指标建立了财务指标体系，如表1所示。
2.风险预警系统。风险预警系统是电网企业内部审计风险预警体系的核心模块，通过相关的审计财务数据进行因子分析，提取主成分输入风险预警模型，然后识别审计风险并对风险水平进行分级。风险预警系统中最关键的部分是风险预警模型的构建，由于电网企业大规模和财务复杂的特点，需要建立一个高效、准确的风险预警模型，以快速识别企业内部的审计风险，评价企业运营的风险水平状态。
3.风险反馈系统。风险反馈系统建立在风险预警系统的基础之上，当系统发出预警信号时，首先根据不同的风险水平分析预警信号产生的风险来源。风险反馈系统的目的是对风险进行跟踪分析，根据风险来源确定可采取的风险应对措施，通过反馈判断采取措施后的预警信号是否降低或排除，在最短时间内减少该风险对电网企业造成的负面影响。
（二）内部审计风险预警模型构建
在大数据和新电力政策背景下，电网企业的内部环境不断变化，并呈现出高度的复杂性和不确定性。传统的风险预警模型难以处理非线性和非结构化的大规模数据，也无法适应企业内部环境的快速变化。针对现代审计数据规模大但知识匮乏的问题，采用模糊神经网络等知识挖掘技术提取数据中存在的关系和规则，从而增强审计能力，实现对电网企业内部审计的风险预警。
模糊神经网络中常用的模糊推理方法包括Mamdani型（简称M型）和Tagagi-Sugeno型（简称TS型），本文基于自适应神经模糊系统（ANFIS），采用TS型模糊推理方法。TS型模糊推理方法具有利于计算、与自适应方法结合容易的优点，能够实现建模过程的自适应和优化处理。 模糊神经网络结构如图2所示，一般包括五层结构：输入层、模糊化层、规则层、反模糊化层和输出层。
模糊神经网络的具体算法如下：
1.初始化网络的权重值wij、隶属度函数的中心值cij和宽度值σij。隶属度函数是对模糊概念的定量化处理，常用高斯函数作为隶属度。
2.输入网络的输入向量Xn和目标输出Yn。
3.计算网络的实际输出和目标输出之间的误差：
其中，pn和yn分别表示网络的实际输出和目标输出。
4.采用误差反向传播算法对系统的条件参数进行调整以降低预测误差。计算权重值wij、隶属度函数的中心值cij和宽度值σij的修正加权系数：
其中，η为学习率，m为网络的迭代次数。
三、实例研究
在电网工程中，财务审计预警是企业在经营管理活动中对潜在的经营风险与财务风险进行有效预测的重要工具。本节根据电网公司内部审计风险预警指标涉及的部门提取相关数据，利用内部审计部门调查相关资料，如公司统计报表、电网诊断报告、电网规划报告、财务管控报表等，以M电网公司为例，选取2002—2019年所有季度的相关数据来验证内部审计风险预警体系的有效性和准确性。本文中审计预警方式采用Z值预警法，Z值模型是预测企业破产可能性、检测财务风险与危机预警的主流模型之一，当企业的Z值低于2.675时表示存在风险。
（一）数据预处理和因子分析
当内部审计数据中存在缺失值时，需要采用一定方法对数据进行清洗以补充完整，如均值法、最大频率法等。由于内部审计风险预警的各项指标之间存在量纲不一致的现象，因此必须对其进行归一化处理。所采用的预警数据极差较大，适合采用Z-score标准化的方式对数据进行处理，计算公式如下：
其中，u和σ分别代表对应指标同年度的行业均值和行业标准差。
内部审计风险预警体系共选取了12个财务指标，由于指标之间存在一定的多重共线性和自相关性，而过多的变量会影响网络模型的训练效率和预测结果，因此对预警数据进行因子分析和主成分分析，将多个相互关联的变量精简为少数几个主成分因子，从而达到数据降维的目的。采用SPSS统计分析软件进行KMO检验和Bartlett球形检验来判别数据的分布情况，检验结果如表2所示。其中KMO统计量的值为0.624，Bartlett球形检验的p值为0.000，说明可以通过主成分分析进行降维并筛选变量。
使用主成分分析提取风险预警体系的关键因子时，选择保留特征值大于0.8的主成分。各主成分的特征值和方差贡献率如图3和图4所示，选择前6个主成分作为输入变量，这6个主成分的累计贡献率为98.489%，已经包含了风险预警指标中绝大部分信息。
（二）结果分析
首先使用genfis1函数训练ANFIS，产生TS型模糊推理系统中隶属度函数参数的初值并提取数据中的规则知识，然后调用ANFIS图形界面编辑器完成模糊神经网络的构建和训练。模糊神经网络的训练参数如下：模型训练样本共56个，包含6个输入变量和1个输出变量，6个输入变量的模糊子集数均设为2;隶属度函数采用高斯型，训练误差设为0.0001，训练步数设为20。
隶属度函数是对模糊概念的定量化处理，确定研究中各输入变量合适的隶属度是运用模糊神经网络解决现实问题的前提。模糊神经网络会在训练时调整隶属度函数的参数值来减少预测误差，6个输入变量的隶属度函数训练前后的参数值如表3所示。
为更好地理解本文方法的有效性，采用T-SNE（T-distributed Stochastic Neighbor Embedding）算法对原始数据和本文方法的降维特征进行可视化。
如图5所示，原始数据中正常样本和不正常样本随机分布，部分数据出现重叠难以分辨;而经过本文方法降维提取特征后，两类数据出现聚类现象，可以完全分开，这说明本文方法可以有效提取该电网公司财务数据的关键特征。
训练阶段，FNN从输入数据中共提取了64条规则，测试阶段使用16个样本进行测试。将FNN的预测结果与BP神经网络（BPN）进行对比，测试样本的预测值与真实值对比情况如图6所示。根据Z值模型的判定准则，当Z值低于2.675时，企业的财务状况可能存在风险。从图中可以看出，FNN可以识别出所有的风险样本（5个），预警正确率为100%;BPN共识别出4个风险样本，预警正确率为80%。进一步将测试样本的风险预警进行分级，将Z值在1.81—2.675的样本视为中等风险，Z值低于1.81的样本视为高风险。预警分级结果如表4所示，其中高风险样本3个，中等风险样本2个，FNN模型的预警分级的准确率为100%，BPN模型预警分级的准确率为87.5%。证明了本文所提出的基于知识挖掘的FNN模型可以为电网企业内部审计风险预警提供科学可行的评价方法。
四、结论
本文从内部审计角度出发，重点分析了电网企业内部审计如何与风险预警相结合，介绍了电网企业内部审计风险预警体系的定义与目标，并将知识挖掘技术应用于企业内部审计与风险预警。阐述了电网企业内部审计风险预警体系的构建思路和应用流程，将该体系分为风险监测系统、风险预警系统和风险反馈系统，并以M电网公司为例进行内部审计风险预警实验，测试结果证明了基于模糊神经网络的内部审计风险预警模型可以有效识别电网企业内部的风险并进行预警分级，从而为电网企业的内部审计提供决策思路，提高审计效率。
（作者单位：国网山东省电力公司 同济大学机械与能源工程学院 国网山东省电力公司济宁供电公司，邮政编码：201804，电子邮箱：jbyu@tongji.edu.cn）
主要参考文献
韩锟，李有华，张俊民.国家电网公司内部审计工作的创新与实践[J].财务与会计， 2018（19）：80-81
李猛，朱迎际，庄轶.基于自然语言技术的内部审计风险预警框架构建与应用：以NJ银行授信业务为例[J].中国内部审计， 2019（6）：4-9
王宏巍，李仁昊.审计预警体系研究：基于农配网工程物资异常领用风险[J].会计之友， 2020（10）：
128-135
杨熳.非结构化内部审计数据及其处理探析[J].中国内部审计， 2019（4）：23-27
张月.企业内部审计创新研究：以电网公司为例[J].現代营销（下旬刊）， 2020（7）：250-251
[关键词]内部审计 风险预警 知识挖掘 模糊神经网络
本文系国网山东省电力公司科技项目（5206061900G4）
一、电网企业内部审计风险预警体系
近年来，随着电力体制的改革、相关政策调整及能源市场的波动，电网企业的财务状况也日趋复杂多变。大数据和新经济时代的到来为电网企业经营提出了新挑战，而电网企业内部经营者因缺乏有效的约束监督机制，主观性决策为企业内部审计带来一定的困难和风险。电网企业的内部审计风险主要包括财务风险、安全运行风险、投资风险、设备故障风险、工程管理风险等。电网企业的大规模性导致企业信息分散于各个部门，而企业风险预警的有效性依赖风险信息数据的全面性和综合性。企业内部审计部门因工作的特殊性，需要对所有职能部门开展审计工作，更容易获得全面的风险信息，因此十分适合开展风险预警体系的构建。
电网企业内部审计风险预警体系从独立、综合的内部审计角度，分析企业内外部相关数据，构建风险预警系统，科学有效地识别电网企业内部发生风险的可能性，并向管理层发出预警信号。内部审计风险预警体系的目标是揭示企业运行过程中未被揭示的风险领域，从风险等级和来源等方面给出建设性意见，帮助企业制定弥补措施和预防措施，在短时间内消除或降低风险，并避免以后出现同类风险。
二、电网企业内部审计风险预警体系构建
（一）电网企业内部审计风险预警体系构建思路
电网企业与其他企业的主要区别在于其规模庞大和资产复杂，内部经营管理长期以来缺乏有效的约束监督机制。因此，需要对电网企业财务状况进行全面、客观、多维度的审计，并构建企业内部审计风险预警体系，以减少发生审计风险和财务危机的可能性。电网企业内部审计风险预警体系需要满足以下要求：
1.电网企业数据的全面性和准确性。企业数据质量的好坏直接影响风险预警的结果。如果数据质量不佳，会给内部审计带来以下影响：干扰内部审计分析，影响决策;影响模型预警结果，导致内部审计不够准确。因此，电网企业内部审计风险预警要从数据全面性、准确性甚至及时性和一致性等方面来确保数据质量。
2.风险预警模型的科学性与准确性。风险预警模型是企业内部审计风险预警体系的根本导向，指引并实现相应的预警功能，预警模型的准确性与科学性会对内部审计的效率和结果产生巨大影响。因此，必须选择适合的风险预警模型，及时准确地识别电网企业的内部风险。
3.内部审计风险预警体系的专业性和灵活性。电网企业内部审计风险预警体系不仅需要及时识别风险信号，还要对信号的风险水平进行分级，进一步确定风险的来源，帮助内部审计部门制定相关措施以消除或降低企业风险，这对风险预警的专业性和灵活性提出了更高要求。
本文构建的电网企业内部审计风险预警体系如图1所示，主要包括风险监测系统、风险预警系统和风险反馈系统。
1.风险监测系统。风险监测系统是电网企业内部审计风险预警体系的信息输入接口，通过内部审计机构收集企业内部的财务数据，构建财务风险预警指标选取数据，并对数据进行预处理。首先，其数据来源并非局限于某电网企业内部的封闭体，而是包含外部相关数据的一个开放体系。在大数据和人工智能背景下，外部經济和政策环境对电网企业的经济发展具有较大影响，审计和经济等相关数据可通过外部机构获取。风险监测的目的是根据财务风险预警指标采集相关财务数据，对财务和审计风险进行常规监控。电网企业财务风险预警指标的选取应遵循全面性和有效性原则。选取的财务风险预警指标首先应全面、准确地反映企业真实的财务状况。其次，能够对该企业的财务和审计风险进行有效识别。在此基础上，结合电网企业的实际财务情况，选取偿债能力、盈利能力、经营能力、发展能力和其他5个一级指标分析公司的财务状况，并从中选取12个二级指标建立了财务指标体系，如表1所示。
2.风险预警系统。风险预警系统是电网企业内部审计风险预警体系的核心模块，通过相关的审计财务数据进行因子分析，提取主成分输入风险预警模型，然后识别审计风险并对风险水平进行分级。风险预警系统中最关键的部分是风险预警模型的构建，由于电网企业大规模和财务复杂的特点，需要建立一个高效、准确的风险预警模型，以快速识别企业内部的审计风险，评价企业运营的风险水平状态。
3.风险反馈系统。风险反馈系统建立在风险预警系统的基础之上，当系统发出预警信号时，首先根据不同的风险水平分析预警信号产生的风险来源。风险反馈系统的目的是对风险进行跟踪分析，根据风险来源确定可采取的风险应对措施，通过反馈判断采取措施后的预警信号是否降低或排除，在最短时间内减少该风险对电网企业造成的负面影响。
（二）内部审计风险预警模型构建
在大数据和新电力政策背景下，电网企业的内部环境不断变化，并呈现出高度的复杂性和不确定性。传统的风险预警模型难以处理非线性和非结构化的大规模数据，也无法适应企业内部环境的快速变化。针对现代审计数据规模大但知识匮乏的问题，采用模糊神经网络等知识挖掘技术提取数据中存在的关系和规则，从而增强审计能力，实现对电网企业内部审计的风险预警。
模糊神经网络中常用的模糊推理方法包括Mamdani型（简称M型）和Tagagi-Sugeno型（简称TS型），本文基于自适应神经模糊系统（ANFIS），采用TS型模糊推理方法。TS型模糊推理方法具有利于计算、与自适应方法结合容易的优点，能够实现建模过程的自适应和优化处理。 模糊神经网络结构如图2所示，一般包括五层结构：输入层、模糊化层、规则层、反模糊化层和输出层。
模糊神经网络的具体算法如下：
1.初始化网络的权重值wij、隶属度函数的中心值cij和宽度值σij。隶属度函数是对模糊概念的定量化处理，常用高斯函数作为隶属度。
2.输入网络的输入向量Xn和目标输出Yn。
3.计算网络的实际输出和目标输出之间的误差：
其中，pn和yn分别表示网络的实际输出和目标输出。
4.采用误差反向传播算法对系统的条件参数进行调整以降低预测误差。计算权重值wij、隶属度函数的中心值cij和宽度值σij的修正加权系数：
其中，η为学习率，m为网络的迭代次数。
三、实例研究
在电网工程中，财务审计预警是企业在经营管理活动中对潜在的经营风险与财务风险进行有效预测的重要工具。本节根据电网公司内部审计风险预警指标涉及的部门提取相关数据，利用内部审计部门调查相关资料，如公司统计报表、电网诊断报告、电网规划报告、财务管控报表等，以M电网公司为例，选取2002—2019年所有季度的相关数据来验证内部审计风险预警体系的有效性和准确性。本文中审计预警方式采用Z值预警法，Z值模型是预测企业破产可能性、检测财务风险与危机预警的主流模型之一，当企业的Z值低于2.675时表示存在风险。
（一）数据预处理和因子分析
当内部审计数据中存在缺失值时，需要采用一定方法对数据进行清洗以补充完整，如均值法、最大频率法等。由于内部审计风险预警的各项指标之间存在量纲不一致的现象，因此必须对其进行归一化处理。所采用的预警数据极差较大，适合采用Z-score标准化的方式对数据进行处理，计算公式如下：
其中，u和σ分别代表对应指标同年度的行业均值和行业标准差。
内部审计风险预警体系共选取了12个财务指标，由于指标之间存在一定的多重共线性和自相关性，而过多的变量会影响网络模型的训练效率和预测结果，因此对预警数据进行因子分析和主成分分析，将多个相互关联的变量精简为少数几个主成分因子，从而达到数据降维的目的。采用SPSS统计分析软件进行KMO检验和Bartlett球形检验来判别数据的分布情况，检验结果如表2所示。其中KMO统计量的值为0.624，Bartlett球形检验的p值为0.000，说明可以通过主成分分析进行降维并筛选变量。
使用主成分分析提取风险预警体系的关键因子时，选择保留特征值大于0.8的主成分。各主成分的特征值和方差贡献率如图3和图4所示，选择前6个主成分作为输入变量，这6个主成分的累计贡献率为98.489%，已经包含了风险预警指标中绝大部分信息。
（二）结果分析
首先使用genfis1函数训练ANFIS，产生TS型模糊推理系统中隶属度函数参数的初值并提取数据中的规则知识，然后调用ANFIS图形界面编辑器完成模糊神经网络的构建和训练。模糊神经网络的训练参数如下：模型训练样本共56个，包含6个输入变量和1个输出变量，6个输入变量的模糊子集数均设为2;隶属度函数采用高斯型，训练误差设为0.0001，训练步数设为20。
隶属度函数是对模糊概念的定量化处理，确定研究中各输入变量合适的隶属度是运用模糊神经网络解决现实问题的前提。模糊神经网络会在训练时调整隶属度函数的参数值来减少预测误差，6个输入变量的隶属度函数训练前后的参数值如表3所示。
为更好地理解本文方法的有效性，采用T-SNE（T-distributed Stochastic Neighbor Embedding）算法对原始数据和本文方法的降维特征进行可视化。
如图5所示，原始数据中正常样本和不正常样本随机分布，部分数据出现重叠难以分辨;而经过本文方法降维提取特征后，两类数据出现聚类现象，可以完全分开，这说明本文方法可以有效提取该电网公司财务数据的关键特征。
训练阶段，FNN从输入数据中共提取了64条规则，测试阶段使用16个样本进行测试。将FNN的预测结果与BP神经网络（BPN）进行对比，测试样本的预测值与真实值对比情况如图6所示。根据Z值模型的判定准则，当Z值低于2.675时，企业的财务状况可能存在风险。从图中可以看出，FNN可以识别出所有的风险样本（5个），预警正确率为100%;BPN共识别出4个风险样本，预警正确率为80%。进一步将测试样本的风险预警进行分级，将Z值在1.81—2.675的样本视为中等风险，Z值低于1.81的样本视为高风险。预警分级结果如表4所示，其中高风险样本3个，中等风险样本2个，FNN模型的预警分级的准确率为100%，BPN模型预警分级的准确率为87.5%。证明了本文所提出的基于知识挖掘的FNN模型可以为电网企业内部审计风险预警提供科学可行的评价方法。
四、结论
本文从内部审计角度出发，重点分析了电网企业内部审计如何与风险预警相结合，介绍了电网企业内部审计风险预警体系的定义与目标，并将知识挖掘技术应用于企业内部审计与风险预警。阐述了电网企业内部审计风险预警体系的构建思路和应用流程，将该体系分为风险监测系统、风险预警系统和风险反馈系统，并以M电网公司为例进行内部审计风险预警实验，测试结果证明了基于模糊神经网络的内部审计风险预警模型可以有效识别电网企业内部的风险并进行预警分级，从而为电网企业的内部审计提供决策思路，提高审计效率。
（作者单位：国网山东省电力公司 同济大学机械与能源工程学院 国网山东省电力公司济宁供电公司，邮政编码：201804，电子邮箱：jbyu@tongji.edu.cn）
主要参考文献
韩锟，李有华，张俊民.国家电网公司内部审计工作的创新与实践[J].财务与会计， 2018（19）：80-81
李猛，朱迎际，庄轶.基于自然语言技术的内部审计风险预警框架构建与应用：以NJ银行授信业务为例[J].中国内部审计， 2019（6）：4-9
王宏巍，李仁昊.审计预警体系研究：基于农配网工程物资异常领用风险[J].会计之友， 2020（10）：
128-135
杨熳.非结构化内部审计数据及其处理探析[J].中国内部审计， 2019（4）：23-27
张月.企业内部审计创新研究：以电网公司为例[J].現代营销（下旬刊）， 2020（7）：250-251