基于数据挖掘的业务审计系统[模版].docx

基于数据挖掘的业务审计系统[模版]

第一篇：基于数据挖掘的业务审计系统[模版]1引言Anron（美国）、Ahold（荷兰）、Parmalat（意大利）和Addeco（瑞士）财务丑闻的发生，揭示了财务报告舞弊是一个世界性的问题，王泽霞(2004)也认为：美国法律案件中管理层舞弊占绝大多数、中国会计信息失真主要是单位负责人造成的、我国财务报表审计中存在的重大错报主要为管理舞弊。舞弊已成为财务报告团体的流行病。舞弊是一个很重要的问题，据估计舞弊使美国企业每一美元的收入损失近6%。[1]欺诈性的财务报告不仅损害了商业团体和会计职业的信誉，也损害了利益相关者。尽管各国监管机构等相关部门多次出台各种政策、不断完善会计及审计准则，财务报告舞弊仍屡禁不止。财务报告使用者期望审计人员提高舞弊审计的能力，以发现和报告更多的舞弊。识别管理舞弊迹象因此成为风险导向审计中审计人员从总体上考察会计报表的公允表达，寻找潜在错报高风险领域的主要任务。与此同时各行各业信息系统的流行与普及使得各种组织实体使用的信息系统，生产着大量的电子数据，造成被审计的电子数据也是海量的，增加了舞弊审计的难度。如:某省某银行某年仅2月份会计传票流水多达562783条；某海关半年内的进口报关单的数目多达61458条。不仅如此，计算机技术应用，计算机舞弊手段也不断发展。电子化和网络化环境使得作弊手法越发隐蔽，数据难以追踪，审计无从下手。因此，舞弊审计不仅需要从大量的公司年报、中报等财务数据中提取财务信息，还要从企业本身的组织结构特征、行业特征、经营决策特征等相关非财务信息中寻找线索，面对浩如烟海的财务与非财务数据，仅仅根据审计人员的经验和手工劳动，其识别效果和效率都不理想。数据挖掘技术作为一种决策支持技术，能够从海量的、不完全的、模糊的、随机的实际数据中，帮助人们发现那些重要且较为隐蔽的线索，从而来辅助审计人员进行审计数据分析，提高识别舞弊的质量和效率。2007年开始实施的《中国注册会计师审计准则第1141号财务报表审计中对舞弊的考虑》要求加强财务报表审计中的舞弊审计，但相对于舞弊方式的隐蔽性、专业性和创新性，目前的状况很难适应反舞弊形势的需要，迫切需要设计我国的舞弊审计数据挖掘系统，提高我国舞弊发现效率，有效打击舞弊违法活动。数据挖掘概述数据挖掘又称数据开采、数据发掘等，指从大量的、不完全的、有噪声的、模糊的、随机的数据中，提取隐含在其中的、事先不知道的、但又是潜在有用的信息和知识的过程。该技术特别适合处理海量数据，能够建立预测模型，分析历史及当前数据，自动地、智能地对各种数据资料进行反复的、全面充分的调用分析，转化为有用的信息和知识，从中发现隐藏的关系和模式，并帮助预测未来可能发生的事件。该技术高度程序化的特征决定其分析、判断的客观性，能够排除人为干扰，提高审计数据分析结论的准确性。数据挖掘技术可以通过对舞弊案例进行机器学习(machinelearning)，总结有关舞弊渠道、环节等的特征与规律，与待处理数据进行对照和比较，提高数据处理、分析的广度及深度，不断获得新知识对模型进行动态更新，为审计人员提供更多线索。数据挖掘技术也可以从大量的复杂关联数据，将会计人员眼中不显著的虚假财务报告与自然形成财务报告之间的内在差异放大到存在某种数据结构和统计显著性差异，在一定程度上提高了舞弊性财务报告的识别效率和效果。数据挖掘技术分析方法很多，在此列举目前最可能运用于舞弊审计工作中的几种常用方法，主要有:1.数据概化。数据库中通常存放着大量的细节数据，通过数据概化可将大量与任务相关的数据集从较低的概念层抽象到较高的概念层。一般有两类方法:数据立方体方法和面向属性的归纳方法。2.分类与预测。它是基于模型的方法，包括回归分析、因子分析和判别分析等，用此方法可对数据进行分类和预测。3.聚类分析。聚类分析是把一组个体按照相似性归成若干类别，目的是使得同一类别的个体之间的距离尽可能地小，而不同类别的个体间的距离尽可能地大，该方法可为不同的信息用户提供不同类别的信息集。聚类已经被广泛地应用在许多领域中，如模式识别、数据分析、图像处理，以及市场研究。4.关联分析。它通过利用关联规则可以从操作数据库的所有细节或事务中抽取频繁出现的模式，其目的是挖掘隐藏在数据间的相互关系。它通过量化的数字描述对象甲的出现对对象乙的出现有多大的影响。特别是在会计领域，会计数据之间存在严密的勾稽关系，这种方法非常适用。数据挖掘技术在舞弊审计中的应用前景3.1采用数据挖掘技术的必要性随着数据库技术的迅速发展及数据管理系统的广泛应用，大部分企业已经引入信息系统对企业的交易活动、经营状况及整个市场的相关行业状况等进行记录，因此企业积累的数据越来越多，形成了包含大量财务数据乃至各方面经营管理信息的数据库。激增的数据背后隐藏的许多重要信