企业数字化程度对审计实施模式和路径影响探析

冯嘉诚，赵平伟

（1.云南大学经济学院，昆明 650500；2.云南大学审计处，昆明 650500）

1 企业数字化审计技术简介

1.1 数据采集技术

1.1.1 数据采集的工具介绍

目前，工作中常用的数据采集工具和技术主要可分为通用软件、专用审计软件、语言类工具、数据访问端口4 类。通用软件主要有：Excel、Access、SQL Server、Oracle；专用审计软件主要有：基于AO 的数据采集、基于IDEA 的数据采集；语言类工具主要有：基于R 语言的数据采集、基于Python 语言的数据采集；数据访问端口主要有：国内通常使用的ODBC 访问技术。

1.1.2 数据采集的原理及特点介绍

对于数据采集的原理来说，其实就是一个收集以及归纳的过程，目的是将现有的以及隐藏在现象背后的数据进行总结和归纳，为之后的数据分析，乃至最后的结论设想提供基础，若这一步进行得不扎实，后续的审计过程也会受到影响。

对于数字化审计，数据采集模式可归纳为直接采集和间接采集（见图1）。直接采集即从被审计对象数据系统中调取所需数据，此方式需要提前了解被审计单位数据系统，最优解是提前对被审计单位数据管理系统进行规范；对于间接采集来说，采集对象不局限于被审计方，而是采用模糊目标的方式利用目前的数据采集手段根据审计目标为指引进行关联性数据提取与分析。

图1 数字化审计数据采集示意图

数据的采集方法可以归纳为：直接复制、通过中间文件采集、通过ODBC 接口采集、通过云端（备份/恢复）的方式采集、通过专用模板采集等（见表1）。

表1 数字化审计数据采集影响分析表

1.2 数据分析技术

1.2.1 数字化数据分析的作用

数据分析是数字化审计4 个步骤中的关键一步，发挥了承上启下的作用。在数据收集和数据处理的基础上，分析数据、发现审计线索和获取审计证据都在数据分析这一步骤，同时，为下一步——形成审计结论提供了依据和支撑。

1.2.2 数字化数据分析的工具

通常，数字化数据分析技术分为3 类：一是常用的Excel、Access 和SQL Server。此类工具在执行数据分析时可以具备以下数据分析功能：在大量结构化数据中查找多种条件限制下的内容。二是AO 系统和IDEA 系统。此类现场审计系统可以利用软件内嵌功能，遵循统计抽样原理对数据进行抽样，包括Benford 抽样、统计数值分析、重复分析、断号分析、账龄分析等。三是大数据智能分析技术。目前，大数据分析技术主要分为三大应用方向：智能分析技术、可视化分析技术、多数据源综合分析技术。具体来说，首先智能分析技术主要采用人工智能模型，依托于计算机计算能力，实现智能化与无人化数据处理分析，并得出结论，目前主流的技术包括：自然语言处理技术，一般用于文本相似度计算、机器翻译、信息检索；社会网络分析技术一般采用Pajek、Gephi、R 语言、Python 等工具实现数据间的联系网络绘制，从中发现审计线索。其次，大数据可视化分析技术包括三维数据分析、标签云分析、散点图分析、条形图分析、气泡图分析、热力图分析等。最后，多数据源综合分析技术。多数据源综合分析技术是一种基于上述大数据分析技术的综合性分析方法，主要应用逻辑是以审计目的为导向，多方位、多源头获取数据，通过综合对比、关联分析，获得审计证据，验证审计思路，得出审计结果。

2 企业数字化程度对数字化审计模式的影响

随着社会和科技的发展，信息、生产资料的载体不断变化，信息化以及数据化是必然的趋势，因此，数字化审计的发展也是企业发展的必由之路。可以看出，审计是公司管理与治理的工具，其功能和意义是依附于公司发展之上的，因此，企业审计的数字化程度直接与企业的数字化程度挂钩，企业的数字化能力也决定企业数字化审计程度的边界。

在探究企业数字化程度对数字化审计模式的影响之前，需要明确数字化审计的模式有从低到高哪几种，企业的数字化程度可分为：管理批处理模式、准实时管理模式、实时管理模式。对应的数字化审计模式同样分为三大类：信息批处理模式、审计准实时模式、审计实时模式（见图2）。

图2 数字化审计进阶示意图

在批处理模式下，主要可以运用的审计技术手段有数据存储与联机查询、统计分析，其能够实现的功能是生产数据的及时复制储存，历史数据的在线查询、简单筛选，业务统计报表的自助分析，客户细分统计分析等。随着企业数字化程度以及数字化能力的提高，企业审计数字化可从批处理模式过渡到准实时模式，在此模式下的企业可以实现业务趋势预测、客户行为预测等具有预估性质的决策判断。从审计层面看，准实时模式下主要可以运用的审计技术手段为运用SQL、数据库、R 语言，结合AO、IDEA 审计办公平台等工具，实现业务数据探索模型的测试验证。在此基础上，如能够对企业的管理内核以及业务流程进行数字化改造，便可以将企业数字化程度提升到实时管理模式，在此模式下，公司可运用智能化大数据分析技术，实现之前的所有功能，并且在业务上可实现自主反欺诈识别，在公司管理上可实现智能化，实现公司管理系统的自然语言理解与人工智能功能，对这个层级的数字化企业进行审计时，可以运用智能分析技术、可视化分析技术、多数据源综合分析技术，从各种关联数据中进行信用风险评估、催收分析、关联风险防控等，甚至将审计系统设计成可以实时监督、深度学习新情况的实时、持续、可联网的审计系统。

3 企业数字化审计发展各阶段的问题及原因

3.1 从传统纸质化模式审计到信息批处理审计模式

从传统纸质化模式审计到信息批处理审计模式阶段的数字化审计一般是由企业审计部门推动、业务需求主导，通过数据整合，建立内部审计自己的数据集市，或者基于公司的数据仓库搭建审计支持系统。这一阶段的数字化审计往往由内部审计部门的业务人员主导，通过将审计经验和检查思路特征化、模型化、指标化的方式，构建审计分析系统和审计监测系统。审计分析系统为审计检查提供实时、全量的数据查询支持，审计监测系统可以基于规则生成风险预警或问题线索清单，为内部审计人员进行持续非现场审计提供支撑，这一阶段往往是数字化审计“最出彩”的高光阶段。这是由于在大多数公司的大多数部门还在“部门墙”“数据孤岛”内“自娱自乐”时，内部审计部门首先打通了数据壁垒，实现了全公司、全业务、全流程数据的“所思即所得”，仿佛“打通了任督二脉”，使内部审计检查的广度和深度都有了突飞猛进的提升，内部审计部门也凭实力赢得了公司内部的话语权。在此阶段存在如下亟需改进的方面：第一，企业相关管理部门的数据和流程隔断导致数据的打通只解决了数据的引入问题，整合多源数据的方式仍然较为原始；第二，系统以“点”解决方案为主，缺乏对业务或风险的全面画像能力，对板块的全面画像能力依赖于技术和业务复合型人才的二次分析和整理，不具有可复制性。

3.2 从信息批处理模式到准实时审计模式

随着时间的推移，数字化审计如果没有及时进化或迭代，往往会面临“出道即巅峰”的困境，这样的案例并不鲜见。这是由于从无到有阶段的数字化审计存在以下几个天然的不足：一是业务条线的锁定、管理部门的流程隔断、数据割裂，数据的打通只解决了数据的引入问题，整合多源数据的方式还很原始。二是基于法律法规、审计经验、检查思路等线性规则的模型或者指标在被审计对象的内部控制水平提升后，很容易“见光死”。三是系统以“点”解决方案为主，缺乏对业务或风险的全面画像能力。对板块的全面画像能力依赖于技术和业务复合型人才的二次分析和整理，不具有可复制性。此外，部分内部审计人员存在有了数字化审计系统就“一招鲜吃遍天”的心理，固步自封、自我封印。

3.3 从准实时审计模式到实时审计模式

数字化审计取得的成果带来的示范效应，以及条线数字化转型上到新台阶，也使其他条线管理部门纷纷加快了数字化系统的建设进程，借鉴数字化审计的经验，进行风险预警、异常监测等。

以商业银行为例，随着金融科技的发展，随着“智慧银行”的兴起，银行的客户体验大大提升，营运效率优化了、风险管理改善了，同时，由于业务场景发生了革命性变革，银行内部控制和内部审计也迎来了新的挑战。产品、服务、应用，都在快速迭代，以“人”为核心的数字化审计也会在“赶场”过程中“疲于奔命”、无暇创新。在经营管理过程中，大量模型和算法的采用，让人工智能等新技术专注于事前的预判和事中的执行，事后的查漏补缺已不再是关注的重点。审计部门不仅要能“洞悉风险”，还要能“防范和化解风险”，按部就班的内部审计可能会在业务条线智慧风控的挤压下逐步边缘化。

在这一阶段，数字化审计要面对的问题是：如何通过优化价值链，提升公司整体价值创造能力，在公司的内部管理过程中发挥更大的作用。数字化审计如何进行进化和迭代，从优到专，这还需要审计人员共同探讨。

4 应对企业数字化审计各阶段问题的对策和建议

4.1 顶层设计，不断完善规则指南

在基于数字化转型的内部控制环境中，要逐步树立数字化审计观，审计思维要由“从抽样到全体”转向“从全局到部分”、由关注因果关系转向因果关系和相关关系并重，在引入各种模型和算法支撑数字化审计后，需要在审计风险的评估中考量模型风险带来的影响。

4.2 强化平台，持续迭代优化系统功能

数字化审计支持平台至少要包括两个部分：后台数据端和前台应用端。后台数据端一般包括数据仓库或者数据湖，以及相应的数据采集、管理工具。前台应用端一般采用B/S 架构，将思路特征化、模型化、指标化后构建的审计分析系统和审计监测系统主要为审计提供查询、分析、监测和预警功能。审计平台的生命力在于使用，审计部门一方面需要与业务部门保持紧密沟通联系，及时将业务系统开发上线的新功能、新台账的相关数据引入审计支持平台，快速定制查询模板，开放查询权限，供审计人员查询下载各类业务数据；另一方面需要从数字化审计循环中不断提炼和总结，对图数据库、复杂网络分析等新技术进行迁移学习和应用，持续进行功能优化迭代。

4.3 目标导向，多场景运用数据分析工具

数字化审计是一项高度目标导向的工作，为达成目标需要六大支柱协同发挥作用。数据分析技术快速更新迭代，已经从传统的关系型数据库发展到大数据挖掘、社会网络分析等高阶运用。审计人员可通过对业务系统相关数据结构和字段信息的解读，并进行充分挖掘、分析和应用，结合条线部门的内部管理与评价标准，或在适当的情况下建立合理的数理分析模型，评价被审计对象的经营业绩、业务风险，配置企业资源，引导各级部门科学健康发展，提升公司核心竞争力，实现增值的目标。例如，可以综合SQL、SPSS、Excel 等工具，对财务资源投入的效益情况建立模型进行探索性挖掘、分析，对结果提出相应的应用展望，发挥内审的咨询、建议职能，促进被审计单位的经营效果提升，优化经营管理。

4.4 展望未来，探索数字化审计前沿技术

未来的数字化审计只有利用信息技术，通过运用数据挖掘、人工智能、自然语言处理、多媒体数据分析等技术才能实现“让数据自己说话”的目标，即通过运用成熟的工具和算法，从更深的层次对海量数据进行分析，揭示数据中隐藏的规则，展现其本来特征和内在联系，获取有效的审计线索、发现审计疑点、准确定位风险。此外，企业要进一步加强对非结构化数据的挖掘和应用。非结构化数据是指数据结构不规则或不完整，没有预定义的数据模型，不方便用数据库二维逻辑表来表现的数据。例如，商业银行内部的会议影像、监控视频、调查报告文本、客户签名，外部的法律判决文书、公司公告信息、社交网络数据等。随着中文分词、文本检索、自然语言处理、视频和音频识别等技术的日趋成熟，数字化审计可以越来越有效地利用非结构化数据。利用图像识别技术，可以对客户存取款的签名进行识别和比对，确认员工是否严格遵循“谁办理，谁签字”的原则办理业务，通过对管理层历年的讲话、工作总结等文本进行词频分析、情感分析、内容分类，更准确地了解管理层的经营管理理念、风险偏好的变化。

审计部门需要始终保持对最新数据分析技术的敏感性，借鉴反洗钱、信用卡风控等领域的经验，通过迁移学习，不断探索、引入新技术，着力提升审计发现问题的广度、深度，同时，提升审计效率。