知識挖掘技術驅動的電網企業(yè)內部審計風險預警體系研究

蔡光程 曹麗霞 劉興 余建波 陸明

[摘要]電網企業(yè)的競爭日趨激烈，其內部結構也日趨復雜，但風險預警系統(tǒng)的建設仍然比較滯后。本文從電網企業(yè)內部審計角度出發(fā)，以知識挖掘技術為手段，構建電網企業(yè)內部審計風險預警體系，包含風險監(jiān)測系統(tǒng)、風險預警系統(tǒng)和風險反饋系統(tǒng)。以M電網公司為例，使用模糊神經網絡（Fuzzy Neural Network，F(xiàn)NN）對電網企業(yè)的財務狀況進行內部審計，對風險進行預警、分級和跟蹤反饋，實現(xiàn)對電網企業(yè)財務狀況全面、客觀、多維度的審計。

[關鍵詞]內部審計? ?風險預警? ?知識挖掘? ?模糊神經網絡

本文系國網山東省電力公司科技項目（5206061900G4）

一、電網企業(yè)內部審計風險預警體系

近年來，隨著電力體制的改革、相關政策調整及能源市場的波動，電網企業(yè)的財務狀況也日趨復雜多變。大數據和新經濟時代的到來為電網企業(yè)經營提出了新挑戰(zhàn)，而電網企業(yè)內部經營者因缺乏有效的約束監(jiān)督機制，主觀性決策為企業(yè)內部審計帶來一定的困難和風險。電網企業(yè)的內部審計風險主要包括財務風險、安全運行風險、投資風險、設備故障風險、工程管理風險等。電網企業(yè)的大規(guī)模性導致企業(yè)信息分散于各個部門，而企業(yè)風險預警的有效性依賴風險信息數據的全面性和綜合性。企業(yè)內部審計部門因工作的特殊性，需要對所有職能部門開展審計工作，更容易獲得全面的風險信息，因此十分適合開展風險預警體系的構建。

電網企業(yè)內部審計風險預警體系從獨立、綜合的內部審計角度，分析企業(yè)內外部相關數據，構建風險預警系統(tǒng)，科學有效地識別電網企業(yè)內部發(fā)生風險的可能性，并向管理層發(fā)出預警信號。內部審計風險預警體系的目標是揭示企業(yè)運行過程中未被揭示的風險領域，從風險等級和來源等方面給出建設性意見，幫助企業(yè)制定彌補措施和預防措施，在短時間內消除或降低風險，并避免以后出現(xiàn)同類風險。

二、電網企業(yè)內部審計風險預警體系構建

（一）電網企業(yè)內部審計風險預警體系構建思路

電網企業(yè)與其他企業(yè)的主要區(qū)別在于其規(guī)模龐大和資產復雜，內部經營管理長期以來缺乏有效的約束監(jiān)督機制。因此，需要對電網企業(yè)財務狀況進行全面、客觀、多維度的審計，并構建企業(yè)內部審計風險預警體系，以減少發(fā)生審計風險和財務危機的可能性。電網企業(yè)內部審計風險預警體系需要滿足以下要求：

1.電網企業(yè)數據的全面性和準確性。企業(yè)數據質量的好壞直接影響風險預警的結果。如果數據質量不佳，會給內部審計帶來以下影響：干擾內部審計分析，影響決策;影響模型預警結果，導致內部審計不夠準確。因此，電網企業(yè)內部審計風險預警要從數據全面性、準確性甚至及時性和一致性等方面來確保數據質量。

2.風險預警模型的科學性與準確性。風險預警模型是企業(yè)內部審計風險預警體系的根本導向，指引并實現(xiàn)相應的預警功能，預警模型的準確性與科學性會對內部審計的效率和結果產生巨大影響。因此，必須選擇適合的風險預警模型，及時準確地識別電網企業(yè)的內部風險。

3.內部審計風險預警體系的專業(yè)性和靈活性。電網企業(yè)內部審計風險預警體系不僅需要及時識別風險信號，還要對信號的風險水平進行分級，進一步確定風險的來源，幫助內部審計部門制定相關措施以消除或降低企業(yè)風險，這對風險預警的專業(yè)性和靈活性提出了更高要求。

本文構建的電網企業(yè)內部審計風險預警體系如圖1所示，主要包括風險監(jiān)測系統(tǒng)、風險預警系統(tǒng)和風險反饋系統(tǒng)。

1.風險監(jiān)測系統(tǒng)。風險監(jiān)測系統(tǒng)是電網企業(yè)內部審計風險預警體系的信息輸入接口，通過內部審計機構收集企業(yè)內部的財務數據，構建財務風險預警指標選取數據，并對數據進行預處理。首先，其數據來源并非局限于某電網企業(yè)內部的封閉體，而是包含外部相關數據的一個開放體系。在大數據和人工智能背景下，外部經濟和政策環(huán)境對電網企業(yè)的經濟發(fā)展具有較大影響，審計和經濟等相關數據可通過外部機構獲取。風險監(jiān)測的目的是根據財務風險預警指標采集相關財務數據，對財務和審計風險進行常規(guī)監(jiān)控。電網企業(yè)財務風險預警指標的選取應遵循全面性和有效性原則。選取的財務風險預警指標首先應全面、準確地反映企業(yè)真實的財務狀況。其次，能夠對該企業(yè)的財務和審計風險進行有效識別。在此基礎上，結合電網企業(yè)的實際財務情況，選取償債能力、盈利能力、經營能力、發(fā)展能力和其他5個一級指標分析公司的財務狀況，并從中選取12個二級指標建立了財務指標體系，如表1所示。

2.風險預警系統(tǒng)。風險預警系統(tǒng)是電網企業(yè)內部審計風險預警體系的核心模塊，通過相關的審計財務數據進行因子分析，提取主成分輸入風險預警模型，然后識別審計風險并對風險水平進行分級。風險預警系統(tǒng)中最關鍵的部分是風險預警模型的構建，由于電網企業(yè)大規(guī)模和財務復雜的特點，需要建立一個高效、準確的風險預警模型，以快速識別企業(yè)內部的審計風險，評價企業(yè)運營的風險水平狀態(tài)。

3.風險反饋系統(tǒng)。風險反饋系統(tǒng)建立在風險預警系統(tǒng)的基礎之上，當系統(tǒng)發(fā)出預警信號時，首先根據不同的風險水平分析預警信號產生的風險來源。風險反饋系統(tǒng)的目的是對風險進行跟蹤分析，根據風險來源確定可采取的風險應對措施，通過反饋判斷采取措施后的預警信號是否降低或排除，在最短時間內減少該風險對電網企業(yè)造成的負面影響。

（二）內部審計風險預警模型構建

在大數據和新電力政策背景下，電網企業(yè)的內部環(huán)境不斷變化，并呈現(xiàn)出高度的復雜性和不確定性。傳統(tǒng)的風險預警模型難以處理非線性和非結構化的大規(guī)模數據，也無法適應企業(yè)內部環(huán)境的快速變化。針對現(xiàn)代審計數據規(guī)模大但知識匱乏的問題，采用模糊神經網絡等知識挖掘技術提取數據中存在的關系和規(guī)則，從而增強審計能力，實現(xiàn)對電網企業(yè)內部審計的風險預警。

模糊神經網絡中常用的模糊推理方法包括Mamdani型（簡稱M型）和Tagagi-Sugeno型（簡稱TS型），本文基于自適應神經模糊系統(tǒng)（ANFIS），采用TS型模糊推理方法。TS型模糊推理方法具有利于計算、與自適應方法結合容易的優(yōu)點，能夠實現(xiàn)建模過程的自適應和優(yōu)化處理。

模糊神經網絡結構如圖2所示，一般包括五層結構：輸入層、模糊化層、規(guī)則層、反模糊化層和輸出層。

模糊神經網絡的具體算法如下：

1.初始化網絡的權重值wij、隸屬度函數的中心值cij和寬度值σij。隸屬度函數是對模糊概念的定量化處理，常用高斯函數作為隸屬度。

2.輸入網絡的輸入向量Xn和目標輸出Yn。

3.計算網絡的實際輸出和目標輸出之間的誤差：

其中，pn和yn分別表示網絡的實際輸出和目標輸出。

4.采用誤差反向傳播算法對系統(tǒng)的條件參數進行調整以降低預測誤差。計算權重值wij、隸屬度函數的中心值cij和寬度值σij的修正加權系數：

其中，η為學習率，m為網絡的迭代次數。

三、實例研究

在電網工程中，財務審計預警是企業(yè)在經營管理活動中對潛在的經營風險與財務風險進行有效預測的重要工具。本節(jié)根據電網公司內部審計風險預警指標涉及的部門提取相關數據，利用內部審計部門調查相關資料，如公司統(tǒng)計報表、電網診斷報告、電網規(guī)劃報告、財務管控報表等，以M電網公司為例，選取2002—2019年所有季度的相關數據來驗證內部審計風險預警體系的有效性和準確性。本文中審計預警方式采用Z值預警法，Z值模型是預測企業(yè)破產可能性、檢測財務風險與危機預警的主流模型之一，當企業(yè)的Z值低于2.675時表示存在風險。

（一）數據預處理和因子分析

當內部審計數據中存在缺失值時，需要采用一定方法對數據進行清洗以補充完整，如均值法、最大頻率法等。由于內部審計風險預警的各項指標之間存在量綱不一致的現(xiàn)象，因此必須對其進行歸一化處理。所采用的預警數據極差較大，適合采用Z-score標準化的方式對數據進行處理，計算公式如下：

其中，u和σ分別代表對應指標同年度的行業(yè)均值和行業(yè)標準差。

內部審計風險預警體系共選取了12個財務指標，由于指標之間存在一定的多重共線性和自相關性，而過多的變量會影響網絡模型的訓練效率和預測結果，因此對預警數據進行因子分析和主成分分析，將多個相互關聯(lián)的變量精簡為少數幾個主成分因子，從而達到數據降維的目的。采用SPSS統(tǒng)計分析軟件進行KMO檢驗和Bartlett球形檢驗來判別數據的分布情況，檢驗結果如表2所示。其中KMO統(tǒng)計量的值為0.624，Bartlett球形檢驗的p值為0.000，說明可以通過主成分分析進行降維并篩選變量。

使用主成分分析提取風險預警體系的關鍵因子時，選擇保留特征值大于0.8的主成分。各主成分的特征值和方差貢獻率如圖3和圖4所示，選擇前6個主成分作為輸入變量，這6個主成分的累計貢獻率為98.489%，已經包含了風險預警指標中絕大部分信息。

（二）結果分析

首先使用genfis1函數訓練ANFIS，產生TS型模糊推理系統(tǒng)中隸屬度函數參數的初值并提取數據中的規(guī)則知識，然后調用ANFIS圖形界面編輯器完成模糊神經網絡的構建和訓練。模糊神經網絡的訓練參數如下：模型訓練樣本共56個，包含6個輸入變量和1個輸出變量，6個輸入變量的模糊子集數均設為2;隸屬度函數采用高斯型，訓練誤差設為0.0001，訓練步數設為20。

隸屬度函數是對模糊概念的定量化處理，確定研究中各輸入變量合適的隸屬度是運用模糊神經網絡解決現(xiàn)實問題的前提。模糊神經網絡會在訓練時調整隸屬度函數的參數值來減少預測誤差，6個輸入變量的隸屬度函數訓練前后的參數值如表3所示。

為更好地理解本文方法的有效性，采用T-SNE（T-distributed Stochastic Neighbor Embedding）算法對原始數據和本文方法的降維特征進行可視化。

如圖5所示，原始數據中正常樣本和不正常樣本隨機分布，部分數據出現(xiàn)重疊難以分辨;而經過本文方法降維提取特征后，兩類數據出現(xiàn)聚類現(xiàn)象，可以完全分開，這說明本文方法可以有效提取該電網公司財務數據的關鍵特征。

訓練階段，F(xiàn)NN從輸入數據中共提取了64條規(guī)則，測試階段使用16個樣本進行測試。將FNN的預測結果與BP神經網絡（BPN）進行對比，測試樣本的預測值與真實值對比情況如圖6所示。根據Z值模型的判定準則，當Z值低于2.675時，企業(yè)的財務狀況可能存在風險。從圖中可以看出，F(xiàn)NN可以識別出所有的風險樣本（5個），預警正確率為100%;BPN共識別出4個風險樣本，預警正確率為80%。進一步將測試樣本的風險預警進行分級，將Z值在1.81—2.675的樣本視為中等風險，Z值低于1.81的樣本視為高風險。預警分級結果如表4所示，其中高風險樣本3個，中等風險樣本2個，F(xiàn)NN模型的預警分級的準確率為100%，BPN模型預警分級的準確率為87.5%。證明了本文所提出的基于知識挖掘的FNN模型可以為電網企業(yè)內部審計風險預警提供科學可行的評價方法。

四、結論

本文從內部審計角度出發(fā)，重點分析了電網企業(yè)內部審計如何與風險預警相結合，介紹了電網企業(yè)內部審計風險預警體系的定義與目標，并將知識挖掘技術應用于企業(yè)內部審計與風險預警。闡述了電網企業(yè)內部審計風險預警體系的構建思路和應用流程，將該體系分為風險監(jiān)測系統(tǒng)、風險預警系統(tǒng)和風險反饋系統(tǒng)，并以M電網公司為例進行內部審計風險預警實驗，測試結果證明了基于模糊神經網絡的內部審計風險預警模型可以有效識別電網企業(yè)內部的風險并進行預警分級，從而為電網企業(yè)的內部審計提供決策思路，提高審計效率。

（作者單位：國網山東省電力公司? 同濟大學機械與能源工程學院? 國網山東省電力公司濟寧供電公司，郵政編碼：201804，電子郵箱：jbyu@#edu.cn）

主要參考文獻

韓錕，李有華，張俊民.國家電網公司內部審計工作的創(chuàng)新與實踐[J].財務與會計， 2018（19）：80-81

李猛，朱迎際，莊軼.基于自然語言技術的內部審計風險預警框架構建與應用：以NJ銀行授信業(yè)務為例[J].中國內部審計， 2019（6）：4-9

王宏巍，李仁昊.審計預警體系研究：基于農配網工程物資異常領用風險[J].會計之友， 2020（10）：

128-135

楊熳.非結構化內部審計數據及其處理探析[J].中國內部審計， 2019（4）：23-27

張月.企業(yè)內部審計創(chuàng)新研究：以電網公司為例[J].現(xiàn)代營銷（下旬刊）， 2020（7）：250-251