王敏?申文逸

摘要：隨著信息化技術和互聯(lián)網(wǎng)技術的發(fā)展，企業(yè)內(nèi)部控制越來越復雜。傳統(tǒng)手工方式對企業(yè)內(nèi)控進行審計已經(jīng)不能滿足現(xiàn)代企業(yè)管理的需要，而且也會造成人力、物力資源等不必要浪費。因此，利用計算機輔助審計軟件來完成審計工作成為一種趨勢。通過對人工智能技術和大數(shù)據(jù)審計進行分析，提出并實現(xiàn)一個基于BP_Adaboost的智能審計系統(tǒng)。該系統(tǒng)可以通過設置不同的訓練樣本集來自動學習大量的歷史數(shù)據(jù)，并使用測試樣本集檢驗所建立的模型是否正確以及預測結果是否可信，不僅能提高審計效率，還可以降低審計風險，為相關領域提供了新思路和新方法。

關鍵詞：人工智能；神經(jīng)網(wǎng)絡；審計系統(tǒng)

一、前言

隨著信息技術和互聯(lián)網(wǎng)的不斷發(fā)展，各行各業(yè)都在積極探索新的管理模式。傳統(tǒng)審計方式已經(jīng)無法滿足現(xiàn)代化企業(yè)對財務數(shù)據(jù)準確性、時效性等方面的要求。而人工智能作為一種新興技術手段，可以有效地解決這些問題。因此，將人工智能應用到審計領域中是未來發(fā)展的必然趨勢。本文以BP神經(jīng)網(wǎng)絡為主要工具，設計了一套智能審計系統(tǒng)，旨在提高審計工作效率與質(zhì)量。

本文以BP_Adaboost為主要工具，設計了一套適用于中小型會計師事務所的智能審計系統(tǒng)。該系統(tǒng)具有高效率、高精度、低成本等優(yōu)點，可大大提高審計工作效率與質(zhì)量，降低人工操作風險。同時也有助于推動我國會計行業(yè)向更加規(guī)范化、標準化方向轉(zhuǎn)型升級。

二、BP神經(jīng)網(wǎng)絡技術和方法

（一）人工神經(jīng)網(wǎng)絡

人工神經(jīng)網(wǎng)絡（Artificial Neural Network）是一種模擬人腦神經(jīng)元之間相互連接關系的計算模型。其基本結構包括輸入層、隱藏層和輸出層，其中隱藏層可以有多個。通過對大量數(shù)據(jù)進行訓練，使得每個神經(jīng)元都具有一定的學習能力，從而實現(xiàn)對未知數(shù)據(jù)的預測或分類等功能。在實際應用中，通常將多層人工神經(jīng)網(wǎng)絡作為一個整體來使用，也稱深度學習（Deep Learning）。

深度學習技術已經(jīng)被廣泛運用到各個領域，如自然語言處理、計算機視覺、語音識別、推薦系統(tǒng)等等。但是傳統(tǒng)的深度學習算法存在著一些問題，例如需要大量的標注數(shù)據(jù)才能保證準確率，容易陷入局部最優(yōu)解等。因此，近年來出現(xiàn)了很多新的深度學習算法，如卷積神經(jīng)網(wǎng)絡（Convolutional Neural Networks）、循環(huán)神經(jīng)網(wǎng)絡（Recurrent Neural Networks）以及自編碼器（Autoencoder）等。這些算法不僅解決了傳統(tǒng)算法面臨的問題，還提高了模型的泛化能力和魯棒性。

（二）BP神經(jīng)網(wǎng)絡算法理論

1.BP神經(jīng)網(wǎng)絡模型

BP神經(jīng)網(wǎng)絡模型是一種前向階層型人工神經(jīng)網(wǎng)絡，由輸入層、隱含層和輸出層組成。由Rumellhart、Hinton在1986年共同提出。該模型的運行方式是通過誤差反向傳播算法逐步優(yōu)化各層間神經(jīng)元的連接權重，直到計算誤差達到預設目標值。BP神經(jīng)網(wǎng)絡模型廣泛應用于優(yōu)化計算、函數(shù)逼近、圖像處理、數(shù)值預測等多個領域。由于其具有較高的處理速度和精度，因此被認為是目前應用最為廣泛的神經(jīng)網(wǎng)絡模型之一[1]。

2.BP神經(jīng)網(wǎng)絡運行機制與優(yōu)化

BP神經(jīng)網(wǎng)絡算法的核心思想是誤差梯度下降法。該算法首先將經(jīng)過歸一化處理的學習樣本的輸入信號從輸入層傳遞到隱含層，再傳遞到輸出層，計算出預測值。如果預測誤差不滿足精度要求，則從輸出層開始逐層反向傳播誤差信息，并通過調(diào)整各層間的權值和閾值來逐步減小誤差。通過反復迭代優(yōu)化，直到達到設定的循環(huán)次數(shù)或精度要求，網(wǎng)絡的學習過程結束，并獲得優(yōu)化后的權值和閾值。利用這些內(nèi)在關系，可以提取未知樣本的輸入信息，進而得到對未知樣本的預測結果。因此，BP神經(jīng)網(wǎng)絡算法能夠通過學習和發(fā)現(xiàn)數(shù)據(jù)中的模式和規(guī)律來實現(xiàn)對數(shù)據(jù)的建模和預測。

3.BP_Adaboost模型

BP_Adaboost模型即把BP神經(jīng)網(wǎng)絡作為弱分類器，反復訓練BP神經(jīng)網(wǎng)絡預測樣本輸出，通過Adaboost算法得到多個BP神經(jīng)網(wǎng)絡弱分類器組成的強分類器。

BP_Adaboost模型是一種集成學習方法，它將BP神經(jīng)網(wǎng)絡和AdaBoost算法結合起來使用。AdaBoost算法是一種集成學習方法，它可以將多個弱分類器組合成一個強分類器。在BP_Adaboost模型中，首先使用BP神經(jīng)網(wǎng)絡訓練出多個弱分類器。然后，將這些弱分類器傳入AdaBoost算法中進行組合，得到一個強分類器。這樣可以利用BP神經(jīng)網(wǎng)絡的優(yōu)點，加強非線性擬合能力和自適應性，同時還能通過AdaBoost算法來提高模型的準確性和健壯性[2]。

三、基于人工智能的審計系統(tǒng)設計

（一）審計模式分析

傳統(tǒng)手工審計方式存在著效率低、易出現(xiàn)錯誤等問題，而采用智能化技術進行審計可以有效地解決這些問題。在實際應用中，將人工智能與審計相結合是未來發(fā)展趨勢，也是必然選擇。本文通過對現(xiàn)有文獻和案例的綜合分析，提出了一種以BP神經(jīng)網(wǎng)絡為基礎的人工智能審計模型，該模型具有較高的準確性和穩(wěn)定性，并且可以實現(xiàn)自動化處理大量數(shù)據(jù)。具體來說，該模型主要包括以下幾個方面內(nèi)容：首先，利用大數(shù)據(jù)分析技術從海量的財務報表數(shù)據(jù)中提取有用信息，建立一個完整的數(shù)據(jù)庫；其次，構建一個基于BP神經(jīng)網(wǎng)絡算法的分類器，用于判斷企業(yè)是否存在異常情況或重大錯報風險；最后，針對不同類型的公司設計相應的審計策略，提高審計工作效率和精度?？傮w而言，該模型不僅可以幫助審計人員更好地理解被審計單位的經(jīng)營狀況，還可以提供更為全面、精準的審計結果，有利于保障投資者利益以及維護市場秩序[3]。

（二）審計智能化系統(tǒng)設計

1.總體架構設計

數(shù)據(jù)采集層、數(shù)據(jù)處理層、數(shù)據(jù)分析層和應用展示層，具體如下：

（1）數(shù)據(jù)采集層。該層主要負責從外部獲取大量的原始數(shù)據(jù)，包括企業(yè)財務報表、業(yè)務信息等各種類型的數(shù)據(jù)。在數(shù)據(jù)采集過程中需要注意保證數(shù)據(jù)質(zhì)量，避免出現(xiàn)重復或錯誤的數(shù)據(jù)對后續(xù)處理分析造成影響。同時還需考慮到數(shù)據(jù)來源的可靠性以及數(shù)據(jù)規(guī)模的大小問題。

（2）數(shù)據(jù)處理層。該層主要是針對已經(jīng)采集好的原始數(shù)據(jù)進行一系列的預處理工作，以便于后續(xù)的數(shù)據(jù)分析與挖掘。其中包括數(shù)據(jù)清洗、去重、缺失值填充、異常值檢測等等。這一步驟非常重要，如果數(shù)據(jù)存在缺陷或者不準確將會直接導致后面的數(shù)據(jù)分析結果不可靠，甚至完全錯誤。因此，必須認真仔細地完成每一項預處理工作。

（3）數(shù)據(jù)分析層。該層是整個系統(tǒng)最核心的部分之一，其主要任務就是利用前面兩個層次所提供的基礎數(shù)據(jù)進行BP_Adaboost算法的訓練和測試。通過使用機器學習算法來發(fā)現(xiàn)數(shù)據(jù)之間的內(nèi)在規(guī)律并從中提取有用的特征信息。最終實現(xiàn)智能化的風險評估和輔助決策功能。

（4）應用展示層。該層將前面各個模塊所提供的服務整合起來，形成一個完整的綜合管理臺。用戶可以通過這個平臺方便快捷地查看公司的各項經(jīng)營指標情況，及時掌握公司的運營狀況，做出相應的戰(zhàn)略調(diào)整和決策支持。

（三）智能化計算分析

利用BP神經(jīng)網(wǎng)絡實現(xiàn)對企業(yè)財務報表進行自動化、高效率的智能化處理，需要構建一個完整的數(shù)據(jù)集來訓練模型并測試其性能。該數(shù)據(jù)集應包含大量真實且全面的企業(yè)財務信息以及相關業(yè)務指標等內(nèi)容。同時，為了保證模型的準確性和穩(wěn)定性，還需對數(shù)據(jù)集進行預處理和篩選工作。具體而言，可以通過數(shù)據(jù)清洗、缺失值填充、異常值檢測等手段來提高數(shù)據(jù)質(zhì)量，減少數(shù)據(jù)噪聲干擾；然后再將經(jīng)過預處理后的數(shù)據(jù)集劃分成訓練集和測試集兩部分，其中訓練集用于訓練模型，而測試集則用于評估模型的預測能力。

接下來，采用BP_Adaboost作為主要算法工具來完成財務報表的智能化計算與分析任務。相比傳統(tǒng)的線性回歸方法，BP_Adaboost兼具BP神經(jīng)網(wǎng)絡更強的非線性擬合能力和更高的預測精度，同時通過多個弱分類器之間的協(xié)作，尤其適用于復雜的非線性關系建模任務。因此，我們選擇BP_Adaboost作為核心算法模塊。最后，我們將所建立的智能化財務分析模型應用到實際場景中，以驗證其實際效果和可靠性。

四、審計系統(tǒng)展示和實證分析

（一）智能審計系統(tǒng)

公司財務指標有四大方面共33項指標，但其中通過顯著性分析和因子分析可以提取出資產(chǎn)負債率、成分費用利潤率、資產(chǎn)營運能力、公司總資產(chǎn)、總資產(chǎn)增長率、營業(yè)現(xiàn)金流量、審計意見類型、每股收益、存貨周轉(zhuǎn)率作為審計系統(tǒng)指標，且最終輸出為1維，代表公司財務狀況，為1時表示財務無風險，為-1時表示有風險，最終在分類器實現(xiàn)預測后將1/-1輸入到用戶可視化界面[4]。

（二）智能審計實證研究

本文選取了S公司2018年至2020年度財務報表作為樣本，通過對數(shù)據(jù)進行預處理和特征工程后，將其輸入到訓練好的BP_Adaboost神經(jīng)網(wǎng)絡中。經(jīng)過多次試驗調(diào)整模型參數(shù)，最終得到了一個強分類器分類誤差率為0.0400智能審計模型，且在第20個epoch（訓練周期）時，模型的最佳驗證性能是4.2158e-07，具有很強的泛化能力。在訓練好分類器后，可以用其對新數(shù)據(jù)進行分類。具體步驟如下：將新數(shù)據(jù)進行預處理，包括歸一化等操作，使其與訓練數(shù)據(jù)具有相同的特征。將預處理后的新數(shù)據(jù)輸入到分類器中，通過分類器的計算輸出分類結果。將分類結果反歸一化，得到原始數(shù)據(jù)的分類結果如圖1。

經(jīng)過Adaboost算法思想改善后的強預測期有了明顯的效益提升。

具體來說，采用了以下幾個步驟來實現(xiàn)智能審計：第一步，從原始憑證中提取有用信息并轉(zhuǎn)換成計算機可識別的格式；第二步，建立分類器模型；第三步，利用訓練集對模型進行訓練，然后用測試集檢驗模型性能；第四步，結合實際業(yè)務場景設計規(guī)則庫，當新的交易或事項發(fā)生時觸發(fā)規(guī)則引擎自動判斷是否存在異常情況；第五步，輸出審計結果及相應建議。

在實驗過程中發(fā)現(xiàn)，該智能審計模型具有較高的實用性和可靠性。首先，它可以快速地完成大量重復、繁瑣的工作，有效提高了審計效率；其次，由于引入了機器學習技術，使得審計人員不必再花費大量時間去手動查找問題根源，而是直接依據(jù)模型給出的結論即可做出決策；最后，該模型還具備一定的自適應能力，可以不斷優(yōu)化以滿足不同領域、不同規(guī)模企業(yè)的需求。

五、結語

本文通過對人工智能技術和大數(shù)據(jù)審計進行分析，提出了一種基于BP_Adaboost的人工智能審計模型。該模型可以有效地提高審計效率、減少錯誤率并降低成本。在未來的發(fā)展中，將繼續(xù)完善該模型，使其更加智能化和高效化。同時也需要進一步探索如何應用該模型來應對復雜多變的經(jīng)濟環(huán)境下的審計工作。總之，本研究為相關領域提供了新思路和方法，具有一定的理論意義與實踐價值。但是由于時間和資源限制等原因，本研究還存在一些不足之處，有待改進和深入研究。

參考文獻

[1]蔣書閱.企業(yè)內(nèi)部人工智能審計系統(tǒng)架構研究[J].金融文壇，2022（9）：50-52.

[2]朱苡嘉.人工智能背景下建誠會計師事務所審計流程優(yōu)化研究[D].北京：中國政法大學，2022.

[3]趙華，石璐瑩，王楨鑫.人工智能影響國家審計效能的研究[J].吉林工商學院學報，2022，38（2）：70-78.

[4]楊萃.智能審計背景下審計人員轉(zhuǎn)型研究[J].老字號品牌營銷，2022（8）：167-169.

作者單位：王敏，中央民族大學；申文逸，湖北汽車工業(yè)學院