基于BP神經(jīng)網(wǎng)絡(luò)的人工智能審計(jì)系統(tǒng)研究

王敏?申文逸

摘要：隨著信息化技術(shù)和互聯(lián)網(wǎng)技術(shù)的發(fā)展，企業(yè)內(nèi)部控制越來越復(fù)雜。傳統(tǒng)手工方式對(duì)企業(yè)內(nèi)控進(jìn)行審計(jì)已經(jīng)不能滿足現(xiàn)代企業(yè)管理的需要，而且也會(huì)造成人力、物力資源等不必要浪費(fèi)。因此，利用計(jì)算機(jī)輔助審計(jì)軟件來完成審計(jì)工作成為一種趨勢(shì)。通過對(duì)人工智能技術(shù)和大數(shù)據(jù)審計(jì)進(jìn)行分析，提出并實(shí)現(xiàn)一個(gè)基于BP_Adaboost的智能審計(jì)系統(tǒng)。該系統(tǒng)可以通過設(shè)置不同的訓(xùn)練樣本集來自動(dòng)學(xué)習(xí)大量的歷史數(shù)據(jù)，并使用測(cè)試樣本集檢驗(yàn)所建立的模型是否正確以及預(yù)測(cè)結(jié)果是否可信，不僅能提高審計(jì)效率，還可以降低審計(jì)風(fēng)險(xiǎn)，為相關(guān)領(lǐng)域提供了新思路和新方法。

關(guān)鍵詞：人工智能；神經(jīng)網(wǎng)絡(luò)；審計(jì)系統(tǒng)

一、前言

隨著信息技術(shù)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(jì)方式已經(jīng)無法滿足現(xiàn)代化企業(yè)對(duì)財(cái)務(wù)數(shù)據(jù)準(zhǔn)確性、時(shí)效性等方面的要求。而人工智能作為一種新興技術(shù)手段，可以有效地解決這些問題。因此，將人工智能應(yīng)用到審計(jì)領(lǐng)域中是未來發(fā)展的必然趨勢(shì)。本文以BP神經(jīng)網(wǎng)絡(luò)為主要工具，設(shè)計(jì)了一套智能審計(jì)系統(tǒng)，旨在提高審計(jì)工作效率與質(zhì)量。

本文以BP_Adaboost為主要工具，設(shè)計(jì)了一套適用于中小型會(huì)計(jì)師事務(wù)所的智能審計(jì)系統(tǒng)。該系統(tǒng)具有高效率、高精度、低成本等優(yōu)點(diǎn)，可大大提高審計(jì)工作效率與質(zhì)量，降低人工操作風(fēng)險(xiǎn)。同時(shí)也有助于推動(dòng)我國會(huì)計(jì)行業(yè)向更加規(guī)范化、標(biāo)準(zhǔn)化方向轉(zhuǎn)型升級(jí)。

二、BP神經(jīng)網(wǎng)絡(luò)技術(shù)和方法

（一）人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network）是一種模擬人腦神經(jīng)元之間相互連接關(guān)系的計(jì)算模型。其基本結(jié)構(gòu)包括輸入層、隱藏層和輸出層，其中隱藏層可以有多個(gè)。通過對(duì)大量數(shù)據(jù)進(jìn)行訓(xùn)練，使得每個(gè)神經(jīng)元都具有一定的學(xué)習(xí)能力，從而實(shí)現(xiàn)對(duì)未知數(shù)據(jù)的預(yù)測(cè)或分類等功能。在實(shí)際應(yīng)用中，通常將多層人工神經(jīng)網(wǎng)絡(luò)作為一個(gè)整體來使用，也稱深度學(xué)習(xí)（Deep Learning）。

深度學(xué)習(xí)技術(shù)已經(jīng)被廣泛運(yùn)用到各個(gè)領(lǐng)域，如自然語言處理、計(jì)算機(jī)視覺、語音識(shí)別、推薦系統(tǒng)等等。但是傳統(tǒng)的深度學(xué)習(xí)算法存在著一些問題，例如需要大量的標(biāo)注數(shù)據(jù)才能保證準(zhǔn)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(xué)習(xí)算法，如卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks）、循環(huán)神經(jīng)網(wǎng)絡(luò)（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(luò)算法理論

1.BP神經(jīng)網(wǎng)絡(luò)模型

BP神經(jīng)網(wǎng)絡(luò)模型是一種前向階層型人工神經(jīng)網(wǎng)絡(luò)，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(yùn)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(quán)重，直到計(jì)算誤差達(dá)到預(yù)設(shè)目標(biāo)值。BP神經(jīng)網(wǎng)絡(luò)模型廣泛應(yīng)用于優(yōu)化計(jì)算、函數(shù)逼近、圖像處理、數(shù)值預(yù)測(cè)等多個(gè)領(lǐng)域。由于其具有較高的處理速度和精度，因此被認(rèn)為是目前應(yīng)用最為廣泛的神經(jīng)網(wǎng)絡(luò)模型之一[1]。

2.BP神經(jīng)網(wǎng)絡(luò)運(yùn)行機(jī)制與優(yōu)化

BP神經(jīng)網(wǎng)絡(luò)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(xué)習(xí)樣本的輸入信號(hào)從輸入層傳遞到隱含層，再傳遞到輸出層，計(jì)算出預(yù)測(cè)值。如果預(yù)測(cè)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(quán)值和閾值來逐步減小誤差。通過反復(fù)迭代優(yōu)化，直到達(dá)到設(shè)定的循環(huán)次數(shù)或精度要求，網(wǎng)絡(luò)的學(xué)習(xí)過程結(jié)束，并獲得優(yōu)化后的權(quán)值和閾值。利用這些內(nèi)在關(guān)系，可以提取未知樣本的輸入信息，進(jìn)而得到對(duì)未知樣本的預(yù)測(cè)結(jié)果。因此，BP神經(jīng)網(wǎng)絡(luò)算法能夠通過學(xué)習(xí)和發(fā)現(xiàn)數(shù)據(jù)中的模式和規(guī)律來實(shí)現(xiàn)對(duì)數(shù)據(jù)的建模和預(yù)測(cè)。

3.BP_Adaboost模型

BP_Adaboost模型即把BP神經(jīng)網(wǎng)絡(luò)作為弱分類器，反復(fù)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)樣本輸出，通過Adaboost算法得到多個(gè)BP神經(jīng)網(wǎng)絡(luò)弱分類器組成的強(qiáng)分類器。

BP_Adaboost模型是一種集成學(xué)習(xí)方法，它將BP神經(jīng)網(wǎng)絡(luò)和AdaBoost算法結(jié)合起來使用。AdaBoost算法是一種集成學(xué)習(xí)方法，它可以將多個(gè)弱分類器組合成一個(gè)強(qiáng)分類器。在BP_Adaboost模型中，首先使用BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練出多個(gè)弱分類器。然后，將這些弱分類器傳入AdaBoost算法中進(jìn)行組合，得到一個(gè)強(qiáng)分類器。這樣可以利用BP神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)，加強(qiáng)非線性擬合能力和自適應(yīng)性，同時(shí)還能通過AdaBoost算法來提高模型的準(zhǔn)確性和健壯性[2]。

三、基于人工智能的審計(jì)系統(tǒng)設(shè)計(jì)

（一）審計(jì)模式分析

傳統(tǒng)手工審計(jì)方式存在著效率低、易出現(xiàn)錯(cuò)誤等問題，而采用智能化技術(shù)進(jìn)行審計(jì)可以有效地解決這些問題。在實(shí)際應(yīng)用中，將人工智能與審計(jì)相結(jié)合是未來發(fā)展趨勢(shì)，也是必然選擇。本文通過對(duì)現(xiàn)有文獻(xiàn)和案例的綜合分析，提出了一種以BP神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的人工智能審計(jì)模型，該模型具有較高的準(zhǔn)確性和穩(wěn)定性，并且可以實(shí)現(xiàn)自動(dòng)化處理大量數(shù)據(jù)。具體來說，該模型主要包括以下幾個(gè)方面內(nèi)容：首先，利用大數(shù)據(jù)分析技術(shù)從海量的財(cái)務(wù)報(bào)表數(shù)據(jù)中提取有用信息，建立一個(gè)完整的數(shù)據(jù)庫；其次，構(gòu)建一個(gè)基于BP神經(jīng)網(wǎng)絡(luò)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(cuò)報(bào)風(fēng)險(xiǎn)；最后，針對(duì)不同類型的公司設(shè)計(jì)相應(yīng)的審計(jì)策略，提高審計(jì)工作效率和精度。總體而言，該模型不僅可以幫助審計(jì)人員更好地理解被審計(jì)單位的經(jīng)營狀況，還可以提供更為全面、精準(zhǔn)的審計(jì)結(jié)果，有利于保障投資者利益以及維護(hù)市場秩序[3]。

（二）審計(jì)智能化系統(tǒng)設(shè)計(jì)

1.總體架構(gòu)設(shè)計(jì)

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

（1）數(shù)據(jù)采集層。該層主要負(fù)責(zé)從外部獲取大量的原始數(shù)據(jù)，包括企業(yè)財(cái)務(wù)報(bào)表、業(yè)務(wù)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(fù)或錯(cuò)誤的數(shù)據(jù)對(duì)后續(xù)處理分析造成影響。同時(shí)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(duì)已經(jīng)采集好的原始數(shù)據(jù)進(jìn)行一系列的預(yù)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(cè)等等。這一步驟非常重要，如果數(shù)據(jù)存在缺陷或者不準(zhǔn)確將會(huì)直接導(dǎo)致后面的數(shù)據(jù)分析結(jié)果不可靠，甚至完全錯(cuò)誤。因此，必須認(rèn)真仔細(xì)地完成每一項(xiàng)預(yù)處理工作。

（3）數(shù)據(jù)分析層。該層是整個(gè)系統(tǒng)最核心的部分之一，其主要任務(wù)就是利用前面兩個(gè)層次所提供的基礎(chǔ)數(shù)據(jù)進(jìn)行BP_Adaboost算法的訓(xùn)練和測(cè)試。通過使用機(jī)器學(xué)習(xí)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(shí)現(xiàn)智能化的風(fēng)險(xiǎn)評(píng)估和輔助決策功能。

（4）應(yīng)用展示層。該層將前面各個(gè)模塊所提供的服務(wù)整合起來，形成一個(gè)完整的綜合管理臺(tái)。用戶可以通過這個(gè)平臺(tái)方便快捷地查看公司的各項(xiàng)經(jīng)營指標(biāo)情況，及時(shí)掌握公司的運(yùn)營狀況，做出相應(yīng)的戰(zhàn)略調(diào)整和決策支持。

（三）智能化計(jì)算分析

利用BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)企業(yè)財(cái)務(wù)報(bào)表進(jìn)行自動(dòng)化、高效率的智能化處理，需要構(gòu)建一個(gè)完整的數(shù)據(jù)集來訓(xùn)練模型并測(cè)試其性能。該數(shù)據(jù)集應(yīng)包含大量真實(shí)且全面的企業(yè)財(cái)務(wù)信息以及相關(guān)業(yè)務(wù)指標(biāo)等內(nèi)容。同時(shí)，為了保證模型的準(zhǔn)確性和穩(wěn)定性，還需對(duì)數(shù)據(jù)集進(jìn)行預(yù)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(cè)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(yù)處理后的數(shù)據(jù)集劃分成訓(xùn)練集和測(cè)試集兩部分，其中訓(xùn)練集用于訓(xùn)練模型，而測(cè)試集則用于評(píng)估模型的預(yù)測(cè)能力。

接下來，采用BP_Adaboost作為主要算法工具來完成財(cái)務(wù)報(bào)表的智能化計(jì)算與分析任務(wù)。相比傳統(tǒng)的線性回歸方法，BP_Adaboost兼具BP神經(jīng)網(wǎng)絡(luò)更強(qiáng)的非線性擬合能力和更高的預(yù)測(cè)精度，同時(shí)通過多個(gè)弱分類器之間的協(xié)作，尤其適用于復(fù)雜的非線性關(guān)系建模任務(wù)。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(cái)務(wù)分析模型應(yīng)用到實(shí)際場景中，以驗(yàn)證其實(shí)際效果和可靠性。

四、審計(jì)系統(tǒng)展示和實(shí)證分析

（一）智能審計(jì)系統(tǒng)

公司財(cái)務(wù)指標(biāo)有四大方面共33項(xiàng)指標(biāo)，但其中通過顯著性分析和因子分析可以提取出資產(chǎn)負(fù)債率、成分費(fèi)用利潤率、資產(chǎn)營運(yùn)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(jì)意見類型、每股收益、存貨周轉(zhuǎn)率作為審計(jì)系統(tǒng)指標(biāo)，且最終輸出為1維，代表公司財(cái)務(wù)狀況，為1時(shí)表示財(cái)務(wù)無風(fēng)險(xiǎn)，為-1時(shí)表示有風(fēng)險(xiǎn)，最終在分類器實(shí)現(xiàn)預(yù)測(cè)后將1/-1輸入到用戶可視化界面[4]。

（二）智能審計(jì)實(shí)證研究

本文選取了S公司2018年至2020年度財(cái)務(wù)報(bào)表作為樣本，通過對(duì)數(shù)據(jù)進(jìn)行預(yù)處理和特征工程后，將其輸入到訓(xùn)練好的BP_Adaboost神經(jīng)網(wǎng)絡(luò)中。經(jīng)過多次試驗(yàn)調(diào)整模型參數(shù)，最終得到了一個(gè)強(qiáng)分類器分類誤差率為0.0400智能審計(jì)模型，且在第20個(gè)epoch（訓(xùn)練周期）時(shí)，模型的最佳驗(yàn)證性能是4.2158e-07，具有很強(qiáng)的泛化能力。在訓(xùn)練好分類器后，可以用其對(duì)新數(shù)據(jù)進(jìn)行分類。具體步驟如下：將新數(shù)據(jù)進(jìn)行預(yù)處理，包括歸一化等操作，使其與訓(xùn)練數(shù)據(jù)具有相同的特征。將預(yù)處理后的新數(shù)據(jù)輸入到分類器中，通過分類器的計(jì)算輸出分類結(jié)果。將分類結(jié)果反歸一化，得到原始數(shù)據(jù)的分類結(jié)果如圖1。

經(jīng)過Adaboost算法思想改善后的強(qiáng)預(yù)測(cè)期有了明顯的效益提升。

具體來說，采用了以下幾個(gè)步驟來實(shí)現(xiàn)智能審計(jì)：第一步，從原始憑證中提取有用信息并轉(zhuǎn)換成計(jì)算機(jī)可識(shí)別的格式；第二步，建立分類器模型；第三步，利用訓(xùn)練集對(duì)模型進(jìn)行訓(xùn)練，然后用測(cè)試集檢驗(yàn)?zāi)Ｐ托阅?；第四步，結(jié)合實(shí)際業(yè)務(wù)場景設(shè)計(jì)規(guī)則庫，當(dāng)新的交易或事項(xiàng)發(fā)生時(shí)觸發(fā)規(guī)則引擎自動(dòng)判斷是否存在異常情況；第五步，輸出審計(jì)結(jié)果及相應(yīng)建議。

在實(shí)驗(yàn)過程中發(fā)現(xiàn)，該智能審計(jì)模型具有較高的實(shí)用性和可靠性。首先，它可以快速地完成大量重復(fù)、繁瑣的工作，有效提高了審計(jì)效率；其次，由于引入了機(jī)器學(xué)習(xí)技術(shù)，使得審計(jì)人員不必再花費(fèi)大量時(shí)間去手動(dòng)查找問題根源，而是直接依據(jù)模型給出的結(jié)論即可做出決策；最后，該模型還具備一定的自適應(yīng)能力，可以不斷優(yōu)化以滿足不同領(lǐng)域、不同規(guī)模企業(yè)的需求。

五、結(jié)語

本文通過對(duì)人工智能技術(shù)和大數(shù)據(jù)審計(jì)進(jìn)行分析，提出了一種基于BP_Adaboost的人工智能審計(jì)模型。該模型可以有效地提高審計(jì)效率、減少錯(cuò)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(shí)也需要進(jìn)一步探索如何應(yīng)用該模型來應(yīng)對(duì)復(fù)雜多變的經(jīng)濟(jì)環(huán)境下的審計(jì)工作。總之，本研究為相關(guān)領(lǐng)域提供了新思路和方法，具有一定的理論意義與實(shí)踐價(jià)值。但是由于時(shí)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(jìn)和深入研究。

參考文獻(xiàn)

[1]蔣書閱.企業(yè)內(nèi)部人工智能審計(jì)系統(tǒng)架構(gòu)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(huì)計(jì)師事務(wù)所審計(jì)流程優(yōu)化研究[D].北京：中國政法大學(xué)，2022.

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

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

作者單位：王敏，中央民族大學(xué)；申文逸，湖北汽車工業(yè)學(xué)院