基于數據中臺的審計預警體系構建方法研究

問志光 劉成波 李飛 李超 劉海飛

[摘要]本文提出加快實現數智化技術與審計業務深度融合，運用先進的規則引擎技術建立“指標—單一規則—復雜規則”審計預警規則中心，運用集成機器學習、知識圖譜等建立審計智能預警模型方法中心，將數據資源、特征工程、機器學習模型與審計預警分析有效集成，實現從“人審”為主向“機審”為主的轉變，構建了數字化、智能化、自動化數字審計新生態，對加快實現數智化技術與審計業務融合具有重要意義。

[關鍵詞]數字化? ?數據中臺? ?審計預警體系

以數字技術為代表的技術革命正快速推動著我

國治理體系重大轉型。在此背景下，國網臨沂供電公司（以下簡稱“公司”）圍繞核心業務的重點領域、關鍵環節，采用大數據處理、規則引擎、機器學習、知識圖譜等技術，創新大數據環境下的審計工作新模式，建立“指標+規則”審計預警風險研判基礎特征中心、“經驗導向+數據科學”審計預警模型方法中心，以數字化、智能化、自動化構建數字審計新生態，加快實現數智化技術與審計業務的深度融合，實現持續審計與適時預警，進一步擴大了審計的覆蓋面，提升了審計數據分析的規范化水平。

一、構建基于數據中臺的審計預警體系的重要意義

（一）為審計數字化轉型提供新思路

建立面向數據中臺的審計數據全覆蓋和重點業務全覆蓋的審計預警監督體系，能夠為開創審計數字化轉型新局面提供思路。通過系統梳理數據中臺數據資源和可擴展外圍數據，此次研究提出了公司內外部經營環境風險預警思路和方法，明確審計重點關注內容，助力查找異常、疑點和風險，支持公司深入貫徹黨和國家強化審計監督各項要求，為企業安全、穩定、健康運轉提供保障和支撐。

（二）為審計數字化轉型提供新舉措

傳統審計數據監督滯后，風險無法被及時發現，容易造成損失擴大化，無法有效實現監督全覆蓋。運用數字化技術能夠為審計數字化轉型提供可行、有效的實施方案和關鍵方法。此次研究將大數據思維、智能化技術與審計監督預警緊密融合，提出面向電網數據中臺的數據資源優化方案，建立“指標—單一規則—復雜規則”層級遞進的規則構建方案，并進行“經驗導向+數據科學”的預警分析模型設計。整體設計可滿足審計大數據分析模型靈活性、實用性、可靠性等方面的要求，有助于實現審計預警實時化、智能化和科學化。

（三）為審計數字化轉型提供新模式

此次研究聚焦公司核心業務、重點管理領域及關鍵風險環節，以全生命周期工程項目費用偏離預警和營銷電費回收風險為應用場景，建立靈活審計規則，運用多視角分析方法庫，發揮智能實時監控作用，為充分利用數據中臺資源，科學揭示和有效防范公司經營管理風險，起到良好示范作用。

二、基于數據中臺的審計預警體系基本原理

數據中臺的建設內容包括數據體系（數據中心）、技術體系（預警規則中心）、服務體系（模型方法中心）和運營體系（預警應用中心）四大體系。此次研究基于數據中心內營銷、物資、工程等審計相關的全量跨域數據，結合規則中心不同業務的預警閾值，通過分析中心，分析多模型關聯數據并發出預警提醒，構建了“以風險為導向，以指標為衡量依據”的審計預警體系，如圖1所示。

（一）數據體系（數據中心）

數據中臺是一個軟件系統，是微服務的集合，其中DataWorks數據工程是基于MaxCompute計算引擎，從工作室、車間到工具集都齊備的一站式大數據工場，它能助力企業快速完成數據集成、開發、治理、服務、質量、安全等全套數據研發工作。數據中臺可以獲取的數據來源主要有兩部分：一是從公司內部的財務共享服務中心或ERP系統中獲取的企業經營數據、財務數據、管理數據等；二是從企業外部的互聯網平臺、政府統計數據庫、第三方數據庫等獲取的市場信息、行業信息等。目前，數據中臺已存儲各大信息系統提取的中間表。第三方外圍數據有待擴展，需要應用RPA技術、模式識別技術、自然語言處理等智能化技術進行處理。數據中臺能夠結合一定自動更新、處理化和存儲的制度和技術，為智能審計預警指標、規則和分析提供數據基礎。

（二）技術體系（預警規則中心）

審計預警體系將預警規則分解為指標特征、決策規則、規則節點、預警流編排、引擎管理等多維度，全部實現基于圖形用戶界面的可配置化。審計預警體系具有負責邏輯解耦能力，即只需業務邊界的逐層分解，通過指標、規則、節點就可以定義復雜處理邏輯規則，支持即時調整，實現瞬時規則切換。這些規則形成分類對應企業中長期規劃、項目建設、營銷管理、人力資源、財務管理等風險分類，設計時參考審計人員經驗、新出臺的相關制度政策、內部控制要求等，可通過靈活的規則引擎管理加以個性化配置。這些規則，一方面可以直接用于審計風險預警；另一方面，也可應用更加復雜、系統、科學的模型，儲備風險預警特征標簽。

（三）服務體系（模型方法中心）

數據分析方法種類繁多，且用途和功能各不相同，需要分類設置分析模型方法庫。審計預警體系結合審計數據分析發展過程，將其分為經驗預警、監管評分、自學習三大類模型方法庫。其中，經驗常規預警對應審計人員的傳統常用分析方法，如對比、結構、趨勢、分層、Benford檢測等。監管綜合評分，是建立多種評價對象的預警風險指標體系（可源于規則中心的指標、規則組合），如子公司運營績效、某類政策執行效果、工程項目執行等，再通過權重賦值方法、得分組合、排序方法等綜合評價方法，形成全面的監管評分模型，實現被監管對象的全維畫像。自學習預警，主要運用機器學習、數據挖掘等先進的數據分析模型，利用異常值檢測、知識圖譜、人工神經網絡、深度學習等，實現企業相關預警風險指標的預警。此外，應用模型方法中心的重要指標或規則，學習后還可將有價值的規則再豐富至預警規則中心。

（四）運營體系（預警應用中心）

審計預警體系設置的預警應用中心，可以從外部環境、業務分類、重點對象等方面進行大類劃分，每一個大類再劃分為相關小類。比如，外部環境，可以分為綠色低碳、鄉村振興、社會責任履行等類別；業務分類依據企業中長期規劃要求，分為工程項目、營銷管理、人力資源、財務管理等類別；重點對象依據動態監管要求，形成重點客戶、重大工程、重要政策等類別。這些預警對象是預警規則中心和模型方法中心的具體應用場景，實時監控審計對象現狀，并及時展示智能可視化數據結果，以多種形式自動啟動預警結果，通知預警信息，便于審計人員進行職業分析判斷和進一步的延伸審計，完成內部審計在線審計監督。

三、基于數據中臺的審計預警體系主要內容

審計預警體系建設主要內容包括三部分：第一部分研究公司內外經營環境風險分類、關鍵指標計算，利用知識圖譜發現內外經營風險指標的關聯關系；第二部分從體系構建的技術角度，研究數據中臺資源優化、審計預警規則庫和模型方法庫的建立；第三部分從公司重點關注的工程項目審計和營銷電費回收為應用場景，驗證審計預警體系有效性，內容如圖2所示。

（一）公司內外部經營環境風險分類與特征

在正確認識和把握公司內外部經營環境變化趨勢及特征基礎上，通過內外部數據資源，企業可以建立公司內外部風險預警分類體系、內外部指標關聯關系和某類風險重要影響因素，初步建立公司內外部環境風險分類體系。內部經營環境風險，主要基于數據中臺資源進行分類；外部經營環境風險，主要基于公開宏觀數據和政策文本數據，明確哪些數據可以用于風險建模計算，確定關鍵指標計算方法。

本研究利用傳統評價方法，對多種風險變動進行描述性統計，分析其特征及趨勢，進而利用機器學習的特征重要性排序，提煉重要影響因素，利用知識圖譜技術建立微觀經營數據與宏觀指標的關聯關系和發展趨勢。

（二）面向數據中臺的審計預警體系構建步驟與方法

結合數據中臺構建的四個體系，此次研究采用以下5個步驟對審計預警體系進行了構建，如圖3所示。

1.理現狀。梳理企業已擁有的數據、業務特點，使用的技術，部門等企業組織形態現狀。

2.立架構。體系中包含“組織架構”“業務架構”“技術架構”“應用架構”。

3.建資產。數據資產建設包含數據匯集、數據倉庫建設、數據治理、模型體系建設，其中最重要的就是模型體系建設。所謂模型體系建設，就是面向具體對象構建的全維度數據模型，通過模型體系可以方便地支撐應用。

4.用數據?；跀祿信_構建的數據資產，可以通過服務化的方式應用到具體的業務中，發揮其價值。

5.做運營。運營主要包含數據監控審計、數據價值評估等內容，通過數據運營，可以讓更多人感知到數據的價值。

（三）面向數據中臺的審計預警風險應用實例

從公司工程項目費用偏離預警與營銷電費回收風險預警兩大場景出發，此次研究繼續對構建的審計預警體系進行驗證與實驗。這兩大場景的風險預警各具特點，結合實驗結果再對預警體系構建進行修訂和完善。

針對公司工程項目審計，此次研究選擇了全生命周期的工程項目中費用控制為預警分析對象，利用數據中心和外圍數據資源建立此類工程項目全過程鏈的業財指標和規則集，運用聚類算法確定費用偏離閾值，通過神經網絡預警方法預測下一環節的費用偏離程度，及時提示風險程度，以提高工程建設項目的經濟效益。

對于公司營銷電費回收風險預警，此次研究運用多源微觀客戶行為數據和宏觀行情數據，形成客戶行為全業務鏈的畫像特征集，運用機器學習方法提取客戶重要風險標簽，再利用提取的重要標簽實現營銷客戶之間的關系發現，最終形成高風險營銷客戶清單，以精準識別風險用戶，提高電費管理效率。

四、基于數據中臺的審計預警體系實施方案

（一）基于公司內外部經營環境風險分類與特征技術實施方案

公司內外部經營環境風險分類與特征技術實施路線，如圖4所示。

通過調研訪談與文獻收集，本研究系統梳理了電網經營內外經濟風險分類方法和審計實踐經驗。對于外部環境風險，企業可以電網相關國家層面的經濟政策會議文件、公報、通稿為基礎，結合電網經濟論文、經濟研報等，對經濟指標、政策等內容進行收集、歸類、標簽化、分層，擬形成審批環境、規劃環境、經濟環境、政策環境、法律環境、市場環境、技術環境及輿論環境相關指標，研究這些環境的衡量方法或替代指標。對于內部環境經營風險，企業可以傳統審計重點關注的營銷、人資、工程、物資、財務、產業等業務為基礎，明確哪些微觀環境數據可以用于哪些指標體系的建模計算，并與上述外部環境的分類指標集成，形成內外環境風險多層次矩陣。

利用傳統評價方法，本研究對多種風險變動進行了描述性統計，分析其特征及趨勢。運用知識圖譜技術及機器學習等大數據分析技術建立微觀數據與審計指標間的關聯關系。一是利用機器學習模型對相關指標進行建模，提取重要影響因素；二是通過知識圖譜技術，直觀地對各類實體和關系進行展示和查詢，挖掘風險體系中的指標聯系，為各種類型的審計監測預警提供依據。

（二）面向數據中臺構建審計預警體系的實施方案

面向數據中臺構建審計預警體系的技術實施路線，如圖5所示。

數據中臺架構能夠在數據組織層面，針對多源異構的數據場景，為數據的接入、融合及智能應用服務等提供穩定、高效的支撐。

1.優化預警風險數據資源庫（數據中心）。

預警風險信息采集是大數據環境下動態審計預警體系的首要和基礎環節。企業通過對外圍異構數據和非結構化數據的采集、處理和存儲，能夠實現對涵蓋電子政務（政府采購）、互聯網、社交媒體、電子商務等數據的整合性吸收。在此基礎上，還可以利用數據挖掘、可視化分析、SQL查詢等大數據分析技術對數據庫中的相關的風險信息進行進一步挖掘、提取、核對、分析，以此來支撐審計工作準確、可靠的旁證數據資源。此外，針對跨系統不能互通的業財相關數據，提出RPA實時數據采集和處理方案。

2.建立審計預警規則業務庫（預警規則中心）。

首先，參考國資委業績考核體系與電網行業及單位內部管理的相關規定，企業可以梳理傳統監督對象（運營績效、資產管理等）或新興監督對象等常見的業務與財務指標，并把非貨幣化、非結構化的行業指標、社會指標納入監督范疇，形成指標實時計算或提取方案：一是在調用引擎時作為參數傳入；二是實現大數據監督的中心接口方式。其次，參考電網行業內部控制流程控制點，從數據元素和業財指標中，構建電網企業規則體系。在技術實現上，對于指標的構建，可以利用規則引擎管理策略，即指標是規則設立的基本元素，通過“指標+條件+動作”形成單一規則的設計，進而形成復雜規則，這些指標與規則加在一起最終形成審計預警特征工程庫。

3.構建審計預警模型方法庫（模型方法中心）。

本研究將審計預警模型分為三大類。一是經驗常規預警模型，主要是傳統審計數據分析的基本通用操作。二是監管綜合評分模型，結合預警風險分類中的評分對象，不僅是工程項目、子公司運營績效、人力資源等業務分類，還可以擴展至綠色低碳經營、鄉村振興等企業社會責任、生態類評分對象，集成多種主觀與客觀權重賦值和得分計算方法，如AHP、功效系數法、熵值、TOPSIS等，審計人員可自定義計算權重，最后直觀呈現預警評分結果。三是數據科學支持下的智能化自學習預警模型。主要利用數據科學方法來強化預警的智能化、科學化效果，將其分為傳統數據挖掘、新興深度學習和知識圖譜三大類，研究過程主要強調模型參數優化和模型可解釋性等方面。

（三）面向數據中臺審計預警風險應用實例

此次研究進行了審計預警體系典型場景的驗證實驗：一是進行工程項目偏離預警分析，場景強調經驗閾值的科學設置、費用偏離原因分析和預測；二是營銷電費回收風險預警，場景強調客戶畫像的標簽提取和隱藏關系發現，實施步驟分別闡述。

1.電網工程項目全生命周期預警模型及應用——以工程費用偏離預警為例。

（1）了解當前電網工程項目審計實施現狀，搜集國內外文獻，以電網同類可比工程項目全生命周期的費用控制為預警分析對象，了解此類電網工程建設項目不同階段工作內容和費用控制風險點、可利用數據表存儲情況，同時搜集行業相關標準值。

（2）費用偏離閾值設置。為實現精準費用預警，需要科學設置閾值，采用無監督聚類分析計算閾值范圍，避免閾值主觀隨意性和警情區間不連續問題。

（3）利用機器學習的BP神經網絡進行預測性分析。費用偏離受整個生命周期費用活動影響，結合神經網絡自學習、自適應的特點，將各項費用活動階段發生費用偏離度作為神經網絡輸入元素，將實際總偏差作為輸出值，對模型進行訓練，獲得偏離預測模型。同時，將費用偏離進行子目費用分析，把總偏差最終分解至每一個子目費用，分析建設項目中不同活動對費用偏離的影響程度。

（4）通過分析關鍵風險點重要影響因素和因素關聯性，通過改變影響因素的輸入值，完成對下一個施工節點的偏差預警，以警示相關管理方及時采取措施進行處理，達到預警目的。

2.營銷電費回收風險預警模型及應用。

（1）基于電網數據中臺客戶的應收賬款、工商登記、信用評級、信用政策、完稅證明、電力消耗、銀行流水、法律訴訟、合同期限等相關數據，建立這些數據之間的關聯關系，運用數據處理技術彌補數據質量問題。

（2）運用規則引擎技術，對其營銷電費回收全過程中的業財指標提取、規則生成，通過機器學習的特征計算方法，形成營銷電費回收全業務鏈的風險預警特征集。

（3）運用多種Boost機器學習模型，解釋每個風險因素對模型預測值的影響，提取重要風險標簽，并對標簽進行解釋。

（4）將提取標簽繪制客戶畫像，運用關系網絡圖方法，綜合研判預警對象與相關對象之間的隱藏關系和特殊聯系，生成營銷客戶的預警對象清單，便于相關部門提前部署預防。

五、基于數據中臺的審計預警體系預期效益

（一）直接效益

一是基于數據中臺的審計預警體系可以提供全生命周期的關鍵技術支撐，涵蓋數據資源優化、指標與規則體系設計與管理、前沿實用模型方法庫的設計與應用，支持公司重點風險領域的實時預警與監控?；跀祿信_的審計預警體系有助于把審計人員從繁重的數據處理中解脫出來，將更多的精力投入規則設計和模型應用，提出更多有價值的審計管理對策。二是基于數據中臺審計預警體系可全面增強審計預防與預警、提示與警示、督查與督導相結合的多方面職能，通過審計智能實時預警分析提高企業防范風險能力，更好提升企業經營管理水平。三是企業通過匯聚各類數據資產、消除數據孤島、將數據進行融合，可以構建統一的數據資產，并在構建過程中進行數據治理，使數據資產符合生產要求，通過數據服務化的能力，快速服務于業務。通過不斷地運營優化數據資產的使用和內容，使得企業數據越用越有價值。

（二）間接效益

一是通過基于數據中臺的審計預警體系的應用，企業能夠充分運用數智化技術開展數據挖掘、異動監測、問題分析、成因追溯，促進審計數字化轉型，實現內外經營風險的持續監控，為建設中國特色國網保駕護航。二是通過基于數據中臺的審計預警體系的應用，企業能夠建立豐富的數據內外部共享和服務渠道，實現數據價值釋放和交換。構建數據中臺時，企業可以從組織架構層面成立單獨的數據資產管理機構來統籌數據資產的管理，包括牽頭制定數據資產的管理政策、擬定數據資產運營規則并監督各個部門執行，同時負責整個數據資產平臺的運營、組織和協調工作。該階段主要是企業基于大數據和人工智能相關技術之上，構建一套源源不斷把數據變成資產并服務于業務、讓數據用起來的機制，形成數據閉環，通過運營優化持續發揮數據業務價值。

（作者單位：國網臨沂供電公司，郵政編碼：276001，電子郵箱：honghe166@126.com）

主要參考文獻

[1]蔡光程，曹麗霞，劉興，等.知識挖掘技術驅動的電網企業內部審計風險預警體系研究[J].中國內部審計， 2021（5）：31-36

[2]馬國瀚，楊昕，卓俊宇，等.基于電力數據的企業運營風險預警模型研究[J].供用電， 2021， 38，（4）：

16-21

[3]龐圣玉，廖亦韻.電網企業風險、內控、合規融合管理研究[J].中國電力企業管理， 2020（31）：84-85

[4]吳勇，方君，王尚純，等.基于機器學習模型的審計應用：內涵、模式與風險[J].中國注冊會計師， 2021（9）：34-40+3

[5]徐鋅.數據可視化技術在電力公司審計中的應用[J].環渤海經濟瞭望， 2021（12）：143-145

[6]閻璽，李曉華.“大云智”等新技術條件下的電網企業智能審計研究與實踐[J].中國內部審計， 2020（3）：15-21