<form id="ljnbl"></form>

<span id="ljnbl"></span>

      <noframes id="ljnbl">
      <address id="ljnbl"></address>

      <address id="ljnbl"></address>

      INDUSTRY NEWS
      業內資訊

      大數據審計:五大趨勢與五大挑戰

      聲明:本文來源于網絡,由作者張敏中國人民大學商學院撰寫,觀點僅代表個人,文中部分圖片來自于網絡,感謝原作者。

      摘要:大數據審計代替傳統審計是大勢所趨。本文在介紹人工智能和大數據等技術的基礎上,提出了大數據審計的五大趨勢,即:審計智能化、審計平臺化、審計信息多維化、從抽樣審計向詳細審計轉變以及審計可視化。同時,本文還指出了大數據審計面臨的五大挑戰,即:大數據獲取成本高、觀念與習慣轉變困難、人才難得、審計業務的復雜性與大數據審計體系設計的復雜性。本文的研究結論對于大數據審計實踐具有一定的借鑒意義。


      關鍵詞:大數據審計 五大趨勢 五大挑戰


      會計智能化的趨勢已經日漸清晰。無論是實務界,學術界,還是監管機構,關注的重點應該盡快從會計工作是否會智能化、是否會被機器代替,轉向如何盡快引進人工智能、大數據等技術推動會計工作、會計教育、會計監管全面向智能化轉型。


      我們可以在大腦中假想這樣三幅圖:第一幅圖是一條泥濘的土路以及路上的行人;第二 幅圖是一條高速公路以及路上的行人;第三幅圖是一條高速公路以及飛馳的跑車。這三幅圖分別代表會計工作的過去、現在和未來。在過去,會計“基礎設施”簡陋,因而形成了一套人工會計規則?,F在,人工智能、大數據等技術正在蓬勃發展,已經初步具備了會計智能化條件,但我們仍然以人工會計為主。這種狀態不具有可持續性,未來一定會形成與技術一致的智能會計體系,即第三幅圖。


      本文擬從大數據審計角度,嘗試分析新技術對審計的影響。具體而言,本文提出大數據審計的五大趨勢與五大挑戰。


      一、大數據審計:五大趨勢


      審計工作的核心是從紛繁蕪雜的結構與非結構化數據中發現風險點進而找出重大錯報。隨著人工智能(AI)、大數據等技術的飛速發展,這一過程正在進行一場深刻的變革,并且呈現出與以往任何形式的審計變革都不一樣的特點。具體而言,近期審計工作可能會呈現出如下五大趨勢。


      趨勢一:審計智能化。技術的進步讓審計工作從手工模式向智能化模式轉變成為可能,下面結合幾項具體的技術來闡述審計智能化趨勢。


      (1)機器學習

      簡而言之,機器學習就是要讓電腦像人一樣學習知識,然后利用學到的知識解決問題。其中最重要的角度之一是基于歷史數據訓練模型,利用訓練好的模型進行預測。機器學習不拘泥于“可解釋性”,靈活地選擇函數形式進行擬合數據,這使得其預測能力強于傳統計量方法(陳碩和王宣藝,2018)。例如,Bao et al. (2019)提出了一套利用機器學習技術預測上市公司舞弊概率的方法,發現新模型的預測準確性比傳統的邏輯回歸模型提高了近5倍 。


      另外,我們用機器學習的方法來嘗試預測上市公司的業績(如圖1)。圖1中的藍線是所有上市公司實際的EPS均值,紅線是我們的預測值,白線是分析師的一致性預測??梢钥闯?,基于機器學習的方法得到的預測值與實際的業績非常接近,比分析師的一致性預測更準確。


      圖片關鍵詞



      正因為有著傳統計量方法所不具備的優勢,機器學習技術在審計中具有廣闊的應用前景。從短期來看,主要的應用場景包括業務承接、風險評估與控制測試等環節。在業務承接與風險評估環節,可以基于訓練好的模型,輸入客戶公司的數據,自動分析它們的舞弊概率、風險高低、預測的關鍵財務指標與實際指標之間的差異度等,然后自動判斷審計風險的高低,進而確定是否承接該業務;如果承接該業務,則進一步自動分析客戶主要的風險點有哪些。在控制測試環節,可以基于以前年度的內控運行數據,訓練模型,預測可能的薄弱環節??傊?,機器學習技術可以幫助審計師更多地進行非現場審計、智能化審計,在提升效率的同時,大幅度提升審計的質量。


      (2)自然語言處理

      自然語言處理的核心理念是讓計算機學習并處理(尤其是人機交互)人類語言,是一個前景廣闊的研究與應用領域。目前的技術已經足夠我們用來提升會計審計的智能化水平。在具體應用方面,Chan and Zhong (2019)利用自然語言技術,研究了一個有趣的問題。作者將人民日報從創刊到2018年的所有文章都“喂給”計算機,然后訓練模型,預測每一篇文章成為頭版頭條的概率,并將預測值與實際值進行比較,構建了一個PCI指數。該指數的值越小,表明從時間序列來看,國家政策比較平穩;反之,則表明國家政策波動較大。如圖2所示,在1966-1976期間,PCI的值較小,說明預測值與實際值比較一致。但是在1970年代末期,PCI的值突然顯著上升,表明國家政策正在發生大的變化。例如,關于真理討論、經濟改革等主題的文章成為頭版頭條的概率大幅度上升。計算機會根據這個指數的變化,提示國家政策正在發生變化。這正如一個人每天閱讀人民日報,如果他是有心人并具備很強的邏輯分析能力,就能夠根據文章主題的變化,推斷國家政策的風向標正在發生變化。不過,機器學習無論是效率還是效果,可能都要優于人類。


      圖片關鍵詞



      自然語言處理技術在審計工作中大有用武之地。它能夠幫助審計師自動分析海量的文本,并提煉出大量有價值的信息,這恰恰是傳統人工審計的薄弱環節。雖然審計準則要求審計師對被審計單位的各種文件、規章制度、會議記錄等文本信息進行分析,從而獲取審計證據,但受限于高昂的審計成本,審計師只能分析其中很少一部分,而且效果較差。而計算機可以對這些非結構化數據進行全面高效的分析。例如,通過對報表期間的會議記錄等文本信息進行文本分析,判斷公司戰略、經營管理等方面是否發生了重大變化、如何變化,進而分析可能的審計風險。


      在訪談信息處理方面,自然語言處理也很有優勢。審計準則要求審計師對相關人員進行訪談,發現進一步審計的線索,尤其是當不同訪談對象針對同一問題給出的回答不一致時,更容易發現線索。然而,人工分析的效率和效果都比較差,會嚴重影響訪談這一審計程序的應用效果?;谧匀徽Z言處理技術,可以實現智能分析。具體步驟如圖3所示。首先,通過現場訪談,形成音頻文件;其次,自動將語音轉為文本信息;再次,利用自然語言處理技術,自動對文本信息進行分析,提取關鍵信息。例如,通過分析不同訪談對象針對同一問題的回答,分析是否存在矛盾之處;通過分析訪談信息中的高頻詞,構建詞云圖(word clouds),判斷公司最關心的事項有哪些等等??傊?,采用自然語言處理技術,可以基本實現訪談信息分析的自動化與智能化。


      圖片關鍵詞



      自然語言處理技術也可以用于內控測試。例如,可以自動分析企業內控運行情況是否與內控手冊的要求一致。以授權這一重要的控制活動為例,計算機可以自動分析每項業務的授權人是誰,并自動與內控手冊中的規定進行比較,看兩者是否一致。如果發現不一致,則自動標記為一項內控偏差。


      自然語言處理技術也適用于審計質量控制環節。例如,計算機可以自動將工作底稿與審計準則、職業規范等進行對比分析,自動判斷審計工作是否符合審計準則和職業規范的要求。比較的點包括重要性水平的確定標準;具體審計項目的抽樣比例、審計證據數量、審計程序性質與數量等等。


      此外,也可以利用自然語言處理技術自動生成審計報告。計算機會基于工作底稿,自動提取關鍵信息,基于固定的模板,自動生成審計報告。從技術上說,目前已經可以實現。


      (3)社會網絡分析

      社會網絡分析的核心思想是利用圖論等技術研究社會網絡關系,即將研究的視角從“點”拓展為“網絡”,從而發現更多隱藏在數據背后的信息。以一篇利用網絡分析方法研究內控的論文為例(Jans et al., 2011)。其中一個例子是很多單據無人簽字的內控缺陷。作者根據所有簽字人之間的網絡關系將他們繪制成網絡圖,最終形成三個群落(上方、下方、右方),如圖4所示,其中每個點表示一個簽字人。上、下兩個群落通過中間的兩個人聯系在一起,但右方群落中的三個人是孤立的,從未和其他人員發生關系。作者推測,很可能這三個人之間相互共享ERP的賬號和密碼。例如按照規定,張三制單,李四復核。但李四覺得太麻煩,干脆將賬號和密碼告知張三。張三制單之后,再用李四的賬號登錄系統進行復核,從而導致張三和李四的姓名總是成對出現在單據上。這種網絡分析圖為審計師進一步搜集證據提供了很直接的線索。



      圖片關鍵詞




      圖5的例子也很直觀(Lookman and Nurcan, 2015),這張圖展示了某個企業全部供應商的分布圖,每個大圓點代表一個部門或一個人員,紅線代表已付款的供應商,藍線代表未付款的供應商。網絡圖很直觀地展示了供應商信息,可以幫助審計師清晰地辨識可能的異常供貨行為。



      圖片關鍵詞



      在審計工作中應用社會網絡分析技術具有諸多優勢:


      其一,社會網絡分析技術能夠幫助審計師在紛繁蕪雜的數據中發現隱藏的信息。審計師在審計過程中需要分析大量結構化和非結構化數據,難點在于如何分析這些數據之間的關系,以及這種關系所揭示的隱含信息。利用網絡分析技術,可以將一個一個的“點數據”變為網狀結構,從而快速揭示這些隱含信息,并且實現實時、動態的分析。例如圖5所展示的供應商網絡關系。


      其二,社會網絡分析技術能夠通過可視化技術直觀地展示數據之間的關系??梢暬膬烖c在于將所有結構化和非結構化數據圖形化,一目了然,不僅能幫助審計師提高數據分析的效率,更重要的是能夠幫助審計師從海量的數據中發現異常、找到進一步審計的線索。


      趨勢二:審計平臺化。隨著技術的進步,審計工作的組織形式將由現在的分部門“單打獨斗”模式轉變為以平臺為中心的模式。


      傳統的審計組織是一種垂直結構(如圖6),團隊之間是割裂的,每個團隊獨自完成從業務承接到出具審計報告的全過程 。這種組織形式存在很多缺陷:其一,無法整合整個事務所的資源,實現資源互補;其二,無法形成專業化運營?,F有組織形式下,每個團隊都是“全面型”團隊,包攬了審計溝通、審計取證、數據分析等等所有業務,但在每個方面都無法做到專業化。


      圖片關鍵詞



      實際上,審計業務的核心在于通過數據分析找出風險點和錯報,因此數據分析是重中之重。既然如此,審計組織應該以數據分析平臺為中心,構建一個敏捷反應組織。阿里巴巴之所以建立數據中臺,正是因為它的電商等業務是數據驅動的,離開了全球一流的數據分析系統,就不可能有今天的阿里巴巴。作為新型審計組織核心的數據分析平臺也是一種數據中臺。


      新型的審計組織形式如圖7所示。居于中心位置的是數據處理中心,它將現場小組、協調小組、質控小組、技術支持小組等業務小組鏈接起來。數據處理中心就是數據加工廠,它的工作內容包括數據收集、數據分析與結果反饋等方面,并且24小時不間斷工作。事務所內部和外部每時每刻都在產生海量數據,包括宏觀政策、行業信息、產品信息、客戶數據等外部數據;歷史業務數據、決策數據、審計師特征信息等內部數據。在現有審計模式下,這些數據中的大多數都未能受到重視。在新型審計組織模式下,數據處理中心是一個專業化中心,能夠24小時不間斷地收集與分析各方面數據、優化各種模型。各業務小組可以隨時向中心輸入數據,提出數據處理要求,中心實時分析,實時輸出結果。在這種模式下,各業務小組也變成了專業中心,能夠在各自最擅長的領域將工作做到極致。


      與傳統審計組織形式相比,新型審計組織形式具有很多優點:


      其一,事務所內部的垂直型組織變成了具有專長的專業小組。各小組最大化發展自己的專長,整個事務所從一個個割裂的部門的集合變成了眾多專長型小組的有機集合體。


      其二,事務所由一個反應遲鈍的組織變成了一個敏捷反應組織。各業務小組在強大的數據處理中心的支持下,在各自工作范圍內敏捷出擊,實時反應。


      其三,以數據處理中心為紐帶,將整個事務所的資源有機整合起來。每個專長型小組各司其職,各自發揮專長,互相補充,互相支援,共同對外。

      目前,國際“四大”已經在構建數據處理中心,在未來幾年內,可能會有越來越多的事務所向這一方向轉型。


      圖片關鍵詞



      趨勢三:審計信息多維化。在大數據審計模式下,審計信息將是多維的大數據。傳統審計模式下,審計師用于分析的數據主要以結構化數據為主,而且只是可用的結構化數據里很小的一部分。既然要將審計風險盡量降低,那么就不應該只局限于分析有限的信息,只要是有用的信息,都應該納入數據池,包括內部信息與外部信息、財務信息與非財務信息、結構化信息與非結構化信息等等。在大數據審計模式下,通過引入大數據技術,能夠突破傳統審計模式下所面臨的各種限制,對這些大數據進行整理和分析。


      大數據審計中用到的信息除了傳統的結構化數據之外,還可以包括文本信息、音頻信息、視頻與圖像信息等多維度信息。


      (1)文本信息。審計師可用的文本信息包括客戶內控文檔、生產記錄、會議記錄、訪談記錄、新聞報道等;微博、朋友圈信息、郵件等社交媒體信息;宏觀層面的政策文件、行業信息等等。在傳統審計模式下,大量的這類信息都被束之高閣。隨著自然語言處理等技術的發展,如今已經有能力對這些信息進行收集和分析?,F有不少研究已經證明,文本信息是非常有用的信息,有些時候有用性甚至超過結構化數據。例如,有研究發現,上市公司年報中文本信息的語氣以及它們所反映的情緒會顯著影響企業風險和股票收益(Campbell et al., 2019; Jiang et al.,2019)。Hoberg et al. (2016)發現,基于上市公司年報中的產品介紹文本信息提取的行業分類比傳統的行業分類更準確。


      將文本信息“喂給”計算機后,可以做多維度的分析。如前文提及的讓計算機學習并預測人民日報文章的例子,就是基于文本信息進行預測的經典用法。還可以從文本信息中提煉情緒指數。圖8是IBM開發的文本信息分析平臺,在平臺上輸入相關文本信息后,將自動輸出作者的情緒。例如,將蘋果公司年報中“管理層討論”部分輸入平臺后,顯示該公司管理層的情緒比較負面;當輸入IPAD這一產品名稱時,顯示的負面情緒更嚴重。


      上述文本信息分析技術能夠廣泛應用于審計工作。例如,將公司的相關文本信息輸入文本分析平臺,可以分析管理層的情緒,判斷公司的持續經營能力。如果管理層都比較悲觀,說明公司的發展前景確實堪憂。這種分析可以應用于業務承接、風險評估等諸多環節。再比如,可以將文本信息與結構化的財務指標進行比較,看這兩類信息是否一致,例如,文本信息顯示公司業務增長迅速,但財務指標并未反映這一趨勢,則表明公司財務數據或者業務數據可能值得關注。由于文本信息量遠大于結構化的財務數據量,將這部分一直被忽略的信息挖掘出來后,能夠大大提升審計師發現問題的概率,大幅度降低審計風險。



      圖片關鍵詞




      (2)視頻與圖像信息。這類信息在傳統審計模式下基本上未納入分析范疇,但非常重要。目前,基于AI的圖像識別技術已經有很大進展,實用性很強。例如,Choudhury et al.(2019)利用大量圖片作為訓練集,訓練出一套模型,能夠非常準確地識別圖片中人物的表情。圖9是研究者訪談過的一些CEO的照片,作者利用訓練好的模型識別他們的表情,準確率非常高。最近,不少高科技養殖公司引入了“豬臉識別”技術,能夠隨時識別每頭豬的身份,實時監控。比如,如果某頭豬突然食欲不振,系統會自動識別并發出警報,養殖人員馬上進場干預。與傳統養殖業相比,這種技術能夠大幅度提高預警能力,降低養殖風險。根據報道,京東通過采用這種技術,能將養殖成本降低30%-50%。


      圖片關鍵詞



      在審計過程中,會涉及到很多視頻與圖像信息,可以充分利用。例如,在訪談過程中,可以利用訓練好的模型,對訪談對象的表情和肢體語言進行分析,判斷他們所提供信息的可靠性。在審計過程中,還可以充分利用客戶公司在生產經營場所的視頻信息,利用AI進行自動分析,例如可以分析內控的缺陷,將根據生產經營視頻提取的信息與財務指標進行對比,考察財務業務數據的一致性,利用攝像頭進行遠程智能存貨盤點等等。


      (3)音頻信息?,F有研究發現,在資本市場上,音頻信息具有信息含量,例如,Campbell et al.(2019)發現,上市公司電話會議音頻的語氣會影響投資者的交易行為。在審計中,音頻信息在訪談環節非常有用。前文圖3已經展示了如何在審計中利用音頻信息。此外,還可以根據對訪談錄音進行智能分析,判斷訪談對象的性格特征、訪談時的態度等等,據此判斷訪談信息的可靠性,或者為進一步采取哪些措施獲取進一步審計證據提供線索。


      (4)其他信息。除了上述幾種信息之外,還有很多其他類型的信息可以用于分析,例如移動互聯時代產生的特有信息——定位信息。我們在使用智能手機時,會用到很多互聯網公司或大數據公司的產品或服務,其中很多會留下定位信息。對于這些公司而言,通過分析這些定位信息可以產生很多商業模式,例如,通過定位信息分析某區域的人流量以及他們的特征(例如每個人的來源地),從而幫助商場選址、精準營銷等等。圖10是深圳極光公司利用定位信息繪制的中國人民大學實時人流分布圖。顏色越深,表明人流越密集。這種圖可以是動態的,反映不同時點人流量的變化。


      圖片關鍵詞



      這種定位信息可以幫助審計師足不出戶就能非常準確地核實客戶公司的經營情況。舉一個簡單的例子。以中國資本市場上經典的舞弊案例之一“藍田舞弊案”為例,藍田2000年主營業務收入是12.7個億,每天銷售額大概是300萬,估算一下,大約每天銷售100萬斤的水產品。水產品運輸需要用卡車,估算一下,大概需要200多輛輕型卡車。據此估算出來每天的人流量至少是2000人。加上公司員工,每天在養殖基地進出的人流量至少是2000人以上。審計師可以利用定位信息,遠程判斷人流量與公司披露的收入是否配比。


      趨勢四:從抽樣審計向詳細審計轉變。隨著技術的進步,傳統的抽樣審計方法可能會慢慢消失,詳細審計又重新回歸。


      眾所周知,審計產生之初采用的是詳細審計方法,但隨著企業規模越來越大,業務越來越復雜,詳細審計越來越不符合成本效益原則,從而被迫讓位于抽樣審計。抽樣審計雖然能提高審計效率,但它將審計的不確定性帶入一個讓人日益無法接受的區域,導致審計師時刻面臨訴訟風險。


      隨著人工智能、大數據等技術的日益完善,審計方法重新回歸詳細審計模式越來越成為可能。從技術角度來說,風險評估、內控測試等環節更容易實現完全智能化,因此它們可能會首先完成智能化轉型。而細節測試的智能化轉型的難度較大,主要是由于用于準確識別錯報的智能模型開發難度較大,涉及到大量的職業判斷,因此,細節測試的完全智能化可能尚需時日。


      不過,目前的技術可以實現準詳細審計,具體步驟如下:首先,讓計算機學習規則,例如會計準則、審計準則等。如同戰勝圍棋冠軍李世石的阿爾法狗,首先需要讓它學會圍棋規則。雖然會計和審計規則比圍棋規則更復雜,但從技術角度來說是完全可以實現的。其次,讓計算機學習過去已經完成的審計業務數據,用機器學習技術,訓練錯報識別模型。阿爾法狗之所以能戰勝李世石,是因為它學習了三千萬盤棋局,訓練出一個高質量模型。通過機器學習,可以讓計算機像審計師一樣進行職業判斷。而且隨著訓練集越來越大,訓練的模型越來越精確,計算機會越來越聰明,達到完全代替審計師的程度。最后,利用訓練好的模型進行錯報識別。與傳統的人工審計相比,智能化的詳細審計不僅是對所有報表項目進行審計,而且會用到多維度的大數據,審計效率和效果會遠遠超過審計師。


      趨勢五:審計可視化。可視化技術將改變傳統審計模式下的數據界面,代之以直觀的各種動態圖表。目前,已經有很多公司開發出可視化商業智能(BI)產品,商業化應用日益普遍,無論是企業的生產部門,安監部門,還是管理部門,都在大量使用可視化技術。例如儀表盤(駕駛艙)是目前應用很廣的可視化產品,它能夠直觀地實時反映各環節、各產品、各部門的實時狀態,大幅度提升企業決策的效率。


      一直以來,審計師在審計過程中面對的大多是數據界面,很難快速找出數據中隱藏的規律和問題,即便是已經加工過的數據。而可視化界面可以直觀地將數據形象地展示出來,便于審計師快速分析并得出結論。圖11是一個氣泡圖的例子(陳偉,2019)。橫軸是審計客戶,縱軸是這些客戶公司購買的股票的代碼,圖中每個點對應的就是每家客戶購買的股票,氣泡的大小代表投資收益的大小。從圖中可以看出,有些公司投資的上市公司數量不多,但每項投資的收益都很可觀,這因此,應該將這些公司的股票投資業務作為審計重點,看是否存在內幕交易等行為。實際上,在審計的全過程中,都可以基于BI等工具,自動將所有數據都以圖表形式展現出來。未來的趨勢是將AI與BI結合,讓可視化技術更加智能。


      此外,在審計過程中,可以以儀表盤的形式展示審計項目的實時動態實時展示各小組工作完成情況、所需資源、遇到的困難、發現的問題等等。從項目負責人角度來說,他們可以隨時了解項目進展并協調各小組的工作;從項目小組的角度來說,小組之間、小組內部可以實現實時資源共享。在移動互聯時代,這些都可以在移動端實現,讓審計工作更加便捷高效。


      圖片關鍵詞



      可視化技術不僅適用于審計過程,也適用于審計報告階段。在出具審計報告之前,審計師要實施分析程序,最后確認審計后的報表是否存在異常。在此階段,除了可以采用機器學習等方法將審計后的報表與歷年報表以及同行業其他公司的報表進行對比分析之外,還可以采用可視化技術,直觀而形象地呈現報表項目,便于與歷年報表以及同行業其他公司的報表進行比較。關彥慶、楊喜梅和博斌(2014)僅基于Excel中的Microsoft Research Treemapper控件,就將傳統的數字型報表變成了圖形報表(如圖12所示)。報表中每一個方框的大小代表相應報表項目的金額,顏色代表增長率。與傳統報表相比,這種改進后的報表一目了然。當然,基于BI等工具,能夠畫出更精致更有價值的圖形報表。


      在審計報告階段,也可以更多用圖表的形式展示審計結果。目前的審計報告屬于一維模式,未來的報告應該是多維的,可以用動態圖、立體圖等形式展示更豐富的細節。


      圖片關鍵詞



      綜上所述,我們可以構建如圖13所示的大數據審計框架。大數據審計的核心組織是數據處理中心,它24小時不間斷地收集、整理、分析數據,反饋結果。以該中心為平臺,首先讓計算機儲備知識,即讓它學習會計、審計等規則以及歷史審計數據。學習規則的目的是為了讓計算機“懂”會計、審計知識;學習歷史審計數據的目的是為了讓它成為會計、審計專家,會像人一樣進行職業判斷。儲備了足夠的知識和經驗之后,計算機就可以開始執行審計業務。在風險評估階段,可以基于大數據進行自動分析,查找異常。在內控測試階段,可以基于社會網絡分析等技術自動檢測各個內控點,自動判斷是否存在內控偏差。在細節測試階段,基于學習的規則和歷史審計數據,對所有報表項目進行自動核對,重點根據風險評估和內控測試階段發現的線索進行強化檢測。在審計報告階段,自動生成審計報告。


      圖片關鍵詞




      二、大數據審計:五大挑戰


      雖然大數據審計代替傳統審計是大勢所趨,然而,在目前階段還存在諸多困難和挑戰,需要學術界、實務界和監管層共同合作,逐步加以克服,推動大數據審計的快速落地與迭代。


      挑戰一:大數據獲取成本高

      能否以合適的成本獲取所需的數據是進行大數據分析的關鍵。然而,目前很多數據的獲取成本很高。從客戶數據來看,在實踐中,由于保密性等原因,客戶只會提供部分電子數據,而且主要局限于部分財務數據,其中還有不少匯總性數據,不適合進行大數據分析。從外部數據來看,從網絡上爬取公開數據也會面臨高昂的成本,除了存儲成本、人員成本、數據清洗成本等,更大的成本是公開數據的不可獲得性或者數據質量較差。例如,要讓計算機自動分析客戶銷售收入的合理性,就需要獲取客戶具體產品的實時的市場價格、市場份額、技術指標等數據,然而,目前網絡上關于這方面的數據非常匱乏。而且,隨著大數據監管政策趨嚴,從網絡上爬取公開數據的成本會越來越高。從事務所內部積累的數據來看,由于我國事務所的信息化水平尚處于一個較低的水平,電子版的歷史審計數據積累不夠,很難滿足機器學習所需要的數據量。


      挑戰二:觀念與習慣轉變困難

      人們很難改變已經習慣的生活方式。因此,企業要進行變革,首先就會遇到來自企業內部的阻力。如果是自上而下的變革,往往會面臨來自中層和基層員工的阻力。因為從傳統審計模式向大數據審計模式轉變,需要員工重新學習新知識、拋棄多年來積累的經驗和工作方式,必然會引發他們的抵觸心理。如果是自下而上的變革,又往往需要說服上層管理者和兄弟部門支持變革,在未取得實質性變革成效之前,要獲得他們的支持存在很大難度。從我國目前的審計市場現狀來看,事務所之間的競爭還處于爭奪客戶階段,尚未進化到技術競爭階段,事務所在審計模式轉變方面的壓力較小,主動變革的動力會較弱。


      挑戰三:人才難得

      大數據審計需要專業的復合型人才,既掌握會計審計知識,又掌握大數據技術。然而,目前這方面的人才極為缺乏。作為人才的主要供給方,目前高校教育普遍還是傳統的培養模式,培養的還是傳統的會計審計人才。雖然已經有部分高校開始開設智能會計、大數據會計課程或方向,但尚處于起步階段。很多高校已經意識到向智能會計、大數據會計轉型是大勢所趨,希望轉型,但它們普遍面臨的問題是缺教材、缺師資、缺方案。因此,高校還無法向實務界大規模供給大數據審計專業人才。


      挑戰四:審計業務的復雜性

      隨著企業規模越來越大、業務越來越復雜,審計業務也越來越復雜。為了應對這種復雜性,現代審計發展出了一套完整而精致的方法體系。然而,即便如此,審計團隊花費數月時間,也很難將所有重大錯報找出來,更勿論所有錯報。作為一種新型審計模式,大數據審計在很多方面優于傳統審計,但囿于審計業務自身的復雜性,要很好地實現存在諸多困難,尤其是在細節測試階段。企業往往會提供多種產品或服務,即使是同一種產品或服務,還存在不同的型號或類型,如果要深入分析每種產品或服務的賬務處理是否合理,就需要讓計算機學習每種產品的相關知識,而這顯然是有難度的。


      挑戰五:大數據審計體系設計的復雜性

      大數據審計系統應該是一個標準化或者準標準化的系統,能夠用于各種審計場景。然而,在實踐中,審計師面對的往往并非標準化的場景:不同的企業、不同的產品或服務、不同的商業模式、不同的行業慣例等等。因此,要想設計出一個標準化的審計系統,訓練通用性的審計模型,確實存在很大難度。此外,大數據審計模式應該遵循什么思路來構建?是繼承傳統審計的風險評估、內控測試、細節測試三階段模式,還是另起爐灶,采用完全不同的模式?目前還沒有明確的答案,還需要在審計實務中慢慢摸索出可行的方案。


      三、結語

      美國科幻小說家凡爾納曾經說過:“但凡人能想到的事,必定有人能將它實現?!痹诩夹g大爆炸的今天,越來越多的顛覆性技術不斷涌現,不斷重塑企業的商業模式。我們應該堅信,大數據審計代替傳統審計是大勢所趨,我們應該主動擁抱這種變革,并努力引進技術,一步步實現它。


      世界審計創新的引擎在中國,中國審計創新的關鍵在產學合作。中國為大數據審計的發展提供了沃土。例如,根據金融公司Pitchbook的統計,2018年,中國的BAT(百度、阿里巴巴和騰訊)在AI領域共投入了128億美元,而美國的四大巨頭(谷歌、亞馬遜、臉書、蘋果)合起來才投入17億美元 。中國在技術方面大規模的投入以及更加寬松的大數據應用環境為大數據審計的發展提供了難得的發展機遇。不過,中國審計要真正引領世界審計的創新,必須加大產學合作力度,單靠實務界或者學術界都很難實現


      TG反波胆足球平台