牛艷芳　鄧雪梅　陳偉

數(shù)據(jù)科學工具之R語言在審計數(shù)據(jù)分析中的應用探索

牛艷芳鄧雪梅陳偉

大數(shù)據(jù)時代背景下，傳統(tǒng)以經驗導向的計算機審計輔助工具，例如SQL 查詢、審計軟件顯得力不從心，亟需數(shù)據(jù)科學技術和方法提高審計數(shù)據(jù)分析的查核、評價和宏觀分析能力，而R語言正是集統(tǒng)計學、數(shù)據(jù)挖掘、計算機科學為一體的流行數(shù)據(jù)科學分析工具之一。本文首先從數(shù)據(jù)科學視角詮釋了審計數(shù)據(jù)分析概念，繼而從審計數(shù)據(jù)的獲取、處理、分析和可視化的步驟來介紹R語言在審計數(shù)據(jù)分析的可行性和優(yōu)缺點及應用實例，最后簡要指出R語言在審計數(shù)據(jù)分析中的應用建議。

審計數(shù)據(jù)分析數(shù)據(jù)科學R語言

一、前言

大數(shù)據(jù)是當前It界最熱門的話題之一，政府、學術界和產業(yè)界皆對其投入極大熱情。按審計主體劃分為國家審計、內部審計和社會審計，同樣無一例外會受到巨大沖擊。大數(shù)據(jù)一般具有數(shù)據(jù)量大、結構復雜、產生速度快、價值密度低等特點，進一步細分為靜態(tài)數(shù)據(jù)的批量處理模式和在線數(shù)據(jù)的實時處理模式（程學旗等，2014）。不同審計主體的大數(shù)據(jù)各具特點：國家審計和社會審計屬于外部監(jiān)督，審計大數(shù)據(jù)特點屬于先存儲后計算，實時性要求不高，而數(shù)據(jù)準確性和全面性要求較高的靜態(tài)模式；內部審計屬于內部監(jiān)督，因為要支持組織目標實現(xiàn)，其大數(shù)據(jù)特點與組織經營活動所產生的數(shù)據(jù)特征一致，例如互聯(lián)網、金融、通信等行業(yè)的內部審計大數(shù)據(jù)就屬于實時計算分析的動態(tài)模式。本文不強調審計主體所面臨的審計大數(shù)據(jù)差異，而是探索大數(shù)據(jù)分析工具在審計工作中的應用，以彌補傳統(tǒng)計算機輔助審計工具（Computer Assisted Audit techniques，簡稱CAAtS）的不足。

據(jù)筆者對我國CAAtS應用的了解，不同審計主體的審計人員所熟練掌握的CAAtS有較大差異：政府審計人員比較熟悉SQL和審計軟件AO；事務所審計人員比較熟悉面向賬套審計的審計軟件和EXCEL；內部審計不能一概而論，實力較強的公司會在ERP中嵌入內部審計模塊或者開發(fā)專門的審計分析平臺，而實力較弱的審計人員比較依賴EXCEL。反觀現(xiàn)在的大數(shù)據(jù)技術，一系列名詞一貫而出：Hadoop、Spark、Storm、Mahout、R、Python等。R和Python是當前最流行的大數(shù)據(jù)分析工具，兩者都能夠支持不同格式、不同數(shù)據(jù)源；支持絕大部分模型算法；支持多平臺（如Hadoop、Spark）運行，本文主要介紹R語言在審計領域的應用。

R語言對于絕大多數(shù)審計人員是陌生的，學習并熟練應用必然有一個過程。然而，要推動大數(shù)據(jù)技術在審計領域的應用，需要從大數(shù)據(jù)催生的數(shù)據(jù)科學視角重新審視審計數(shù)據(jù)分析范圍，在理解傳統(tǒng)審計數(shù)據(jù)分析和數(shù)據(jù)科學視角的審計數(shù)據(jù)分析的真正差異后，審計人員才能明白新興大數(shù)據(jù)工具如何彌補傳統(tǒng)CAAtS的不足，才能促進大數(shù)據(jù)環(huán)境下的審計技術和方法向“數(shù)據(jù)化、及時性、智能化和預見性”轉變（秦榮生，2014）。

二、數(shù)據(jù)科學視角下的審計數(shù)據(jù)分析詮釋

（一）傳統(tǒng)審計數(shù)據(jù)分析發(fā)展

目前我國It環(huán)境下的審計數(shù)據(jù)分析方法主要有：賬表分析、數(shù)據(jù)查詢、審計抽樣、統(tǒng)計分析和數(shù)值分析等（陳偉，2012），常用CAAtS工具有：審計軟件、SQL、EXCEL、ACCESS等。審計人員運用SQL查詢、審計軟件對結構化數(shù)據(jù)的微觀審計方法極大促進了我國審計信息化發(fā)展，但是時過盡遷，在面臨大數(shù)據(jù)分析時，傳統(tǒng)輔助審計工具在提升審計查核、評價和宏觀分析能力方面顯得力不從心。

（二）數(shù)據(jù)科學視角下的審計數(shù)據(jù)分析

大數(shù)據(jù)催生了數(shù)據(jù)科學產生與發(fā)展，它是基于統(tǒng)計學、計算機科學、機器學習、數(shù)據(jù)挖掘等方法從結構化數(shù)據(jù)、半結構化和非結構化的復雜海量數(shù)據(jù)高效獲取有價值信息過程的新興交叉科學（魏瑾瑞等，2014）。近幾年與數(shù)據(jù)科學有關的理論、方法和工具在多個領域得到推廣與應用，相比較之下，審計數(shù)據(jù)分析發(fā)展遠落后于數(shù)據(jù)科學發(fā)展。美國注冊會計師協(xié)會（AICPA）在2014年發(fā)布的《在無線世界中重構審計》白皮書中指出：“數(shù)據(jù)科學領域中的各種技術與方法如果能夠應用在審計實踐中，審計人員就可以更有效地執(zhí)行審計，提供以前無法提供的多種形式的審計證據(jù)?！痹谠摪灼校珹ICPA對審計數(shù)據(jù)分析的定義也具有了數(shù)據(jù)科學味道。

AICPA認為審計數(shù)據(jù)分析是為執(zhí)行審計計劃、完成審計業(yè)務目標，對被審計單位數(shù)據(jù)進行數(shù)據(jù)發(fā)現(xiàn)、分析數(shù)據(jù)模式、識別異常、提取有用信息，或者進行相關分析、建模和可視化的科學和藝術。具體包括：（1）識別和分析數(shù)據(jù)中的異常模式和異常值；（2）為聚焦審計風險對財務業(yè)績及其他經營單元、系統(tǒng)、產品或其他維度的數(shù)據(jù)進行映射和可視化；（3）建立統(tǒng)計模型（如回歸模型）或其他模型來解釋數(shù)據(jù)與相關因素的關系，并從模型中識別顯著波動；（4）組合多種數(shù)據(jù)源或多種分析結果，從而產生更有意義的額外信息（AICPA，2014）?？梢夾ICPA對審計數(shù)據(jù)分析的界定并沒有特別突出“大數(shù)據(jù)”，而是強調數(shù)據(jù)科學的模式識別、數(shù)據(jù)建模和數(shù)據(jù)可視化應用，而要實現(xiàn)這些功能必須依賴高級數(shù)據(jù)分析工具。

從大數(shù)據(jù)角度來講，學者認為對于審計師而言的大數(shù)據(jù)是多種數(shù)據(jù)類型的混合，包括傳統(tǒng)結構化的財務與非財務數(shù)據(jù)、業(yè)務數(shù)據(jù)、傳感器數(shù)據(jù)、EMAIL、通話紀錄、社交媒體數(shù)據(jù)以及其他內外部數(shù)據(jù)，對于這些復雜數(shù)據(jù)的分析可以更好支持審計證據(jù)發(fā)現(xiàn)，增強審計證據(jù)的充分性、可靠性和相關性（Alles，2015）。復雜審計數(shù)據(jù)分析與學術領域研究的社交網絡分析、文本挖掘、數(shù)據(jù)匹配、機器學習有很多相似之處，學術研究方法和成果應盡快向審計實務界轉移（Kyunghee，2015）。我國當前It審計學術研究不乏應用數(shù)據(jù)挖掘方法取得良好審計結論的研究成果，但學術研究強調了數(shù)據(jù)分析算法與模型應用，卻較少考慮審計人員如何在實踐中加以運用。

本文認為，數(shù)據(jù)科學視角下的審計數(shù)據(jù)分析是傳統(tǒng)審計數(shù)據(jù)分析的擴展和延伸，其數(shù)據(jù)對象由微量的結構化數(shù)據(jù)擴展為復雜多變的海量混合型數(shù)據(jù)，其數(shù)據(jù)分析方法由傳統(tǒng)審計經驗導向的數(shù)據(jù)匯總與查詢轉變?yōu)閿?shù)據(jù)導向的數(shù)據(jù)挖掘、機器學習分析方法（AICPA，2014），那么分析工具就應該由從傳統(tǒng)CAAtS轉變?yōu)榧y(tǒng)計學、數(shù)據(jù)挖掘、計算機科學為一體的數(shù)據(jù)科學分析工具，而R語言正是將傳統(tǒng)審計數(shù)據(jù)分析引入數(shù)據(jù)科學分析的有力利器之一。

三、R語言及在審計數(shù)據(jù)分析中的應用步驟

R語言是統(tǒng)計學界知名的開源數(shù)據(jù)分析工具，兼?zhèn)渫暾臄?shù)據(jù)處理、分析和繪圖功能， R通過程序內置函數(shù)和用戶自編函數(shù)實現(xiàn)全面的數(shù)據(jù)分析，這些函數(shù)集合可以從公共網站上免費下載，又稱為軟件包或擴展包（Packages）。目前，R軟件包已經擴展到6000多個，能夠支持多種架構多種類型的數(shù)據(jù)分析，例如基于Hadoop擴展包，R可以實現(xiàn)Hadoop平臺上的深度集成分析。鑒于R強大的數(shù)據(jù)分析能力，許多知名It巨頭公司基于R研發(fā)了新產品，例如IBM的Big R、甲骨文的Oracle R Enterprise、SAP的R for HANA等，微軟的Azure Machine Learning，而且微軟最近正式宣布在SQL Server2016版中全面支持R，阿里云基于R開發(fā)了XFILE平臺。R已成為大數(shù)據(jù)科學家和開發(fā)者的必備技能，下面就結合審計數(shù)據(jù)分析步驟來說明R語言如何實現(xiàn)的。

（一）R支持多種審計數(shù)據(jù)類型采集

傳統(tǒng)結構化數(shù)據(jù)是審計人員接觸最多的數(shù)據(jù)來源，即用數(shù)據(jù)庫二維邏輯表存儲及表現(xiàn)數(shù)據(jù)，對于傳統(tǒng)數(shù)據(jù)R可以通過加載RODBC包，通過建立ODBC數(shù)據(jù)庫連接，即可以通過該包實現(xiàn)數(shù)據(jù)庫中的數(shù)據(jù)讀取，該包中Sqlquery函數(shù)支持SQL語句將符合條件的數(shù)據(jù)加載到R中，以便進行下一步分析。對于常見的結構化數(shù)據(jù)保存格式，如tXt、CSV，讀取更是十分簡單。

在大數(shù)據(jù)環(huán)境下，越來越多非結構數(shù)據(jù)成為審計人員發(fā)現(xiàn)審計線索的數(shù)據(jù)來源，例如基于Word、PDF會議文檔、XML標準數(shù)據(jù)、HtML網頁報告、以及各種工程圖紙、音頻或視頻文件等等，對這些數(shù)據(jù)類型進行單個查閱并不是難事，難點在于實現(xiàn)這些文件的批量讀取，而且還要進行一定深度、廣度的分析。審計人員往往安裝支持不同數(shù)據(jù)格式的分析軟件，分析效果有限。在R中，可以加載多個軟件包來讀取和分析這些非結構化數(shù)據(jù)類型，例如支持XML格式的XML包，支持網頁數(shù)據(jù)抓取的RCurl包、支持中文文本挖掘的tmcn包等，這些包可以輕松將非結構化數(shù)據(jù)轉換為結構化數(shù)據(jù)，并包括對此類格式的處理和分析的函數(shù)和模型，極大彌補傳統(tǒng)CAAtS對非結構化數(shù)據(jù)分析的不足。在審計實踐中，用XLconnect包批量讀取半結構化的財務報表數(shù)據(jù)，進行處理之后就可以轉換為結構化數(shù)據(jù)，從而進行批量財務指標計算。

（二）R支持靈活的審計數(shù)據(jù)處理

由于被審計單位多樣，數(shù)據(jù)標準不一，審計人員必須做大量的數(shù)據(jù)處理和清洗工作，統(tǒng)稱為審計預處理。R有關數(shù)據(jù)處理的強大包可以滿足較難實現(xiàn)的審計預處理問題。例如R基礎包的apply函數(shù)，可以實現(xiàn)表中行、列的自定義操作，對于行的操作可以大大彌補SQL游標處理效率較低的缺陷，對于SQL不易實現(xiàn)的復雜行數(shù)據(jù)操作，利用R強大的處理功能，往往是事半功倍的作用。此外，plyr包利用R的數(shù)據(jù)框、向量、列表多個數(shù)據(jù)對象，可以實現(xiàn)高效的數(shù)據(jù)分割和整合操作；reshape2包可以實現(xiàn)融（melt）數(shù)據(jù)和揉（cast）數(shù)據(jù)操作，輕松實現(xiàn)長寬數(shù)據(jù)的靈活轉換，以適應不同場合的數(shù)據(jù)分析需求，例如表1和表2的轉換，僅僅是用melt函數(shù)一句話就可以實現(xiàn)。

需要指出，對結構化數(shù)據(jù)庫中的后臺數(shù)據(jù)表轉換會涉及多表關聯(lián)、合并，且數(shù)據(jù)量較大，這種數(shù)據(jù)處理SQL操作會相對容易，而對于復雜操作或者涉及數(shù)據(jù)游標操作時，R操作會相對容易，且效率更高。

表1　原始寬數(shù)據(jù)示例

表2　轉換之后的長數(shù)據(jù)示例

圖1　某公司損益類科目關鍵詞發(fā)生頻數(shù)圖

（三）R具備豐富的科學數(shù)據(jù)分析模型

數(shù)據(jù)分析模型是It審計核心，審計人員基于多年審計實踐經驗，形成系統(tǒng)分析——類別分析——個體模型的審計分析思路，建立了多種基于業(yè)務處理邏輯、勾稽關系、法律法規(guī)等審計數(shù)據(jù)分析方法，這與AICPA提出的科學審計數(shù)據(jù)分析仍存有較大差距。R語言包含豐富的統(tǒng)計分析、數(shù)據(jù)挖掘和機器學習模型，其中分類、聚類、關聯(lián)規(guī)則等成熟算法十分有助于審計數(shù)據(jù)模式歸納、審計異常點發(fā)現(xiàn)和審計預測。一些審計人員會認為其他統(tǒng)計軟件SPSS、EVIEWS也可以提供這些算法，而正是因為R語言的開源性、更新速度快、可編程的特點，所提供的數(shù)據(jù)挖掘或統(tǒng)計分析功能的數(shù)量遠遠超過傳統(tǒng)統(tǒng)計分析軟件，其算法準確性與國際一流數(shù)據(jù)挖掘軟件SAS相媲美，R的CRAN網站現(xiàn)已經成為世界一流數(shù)據(jù)分析專家發(fā)布先進算法和模型的重要平臺。

本文認為審計數(shù)據(jù)分析的創(chuàng)新重點不是數(shù)據(jù)算法的創(chuàng)新，這是統(tǒng)計學家、計算機專家應該做的事情，審計人員應該做的是選擇合適模型應用在合適審計場景，并對模型進行選優(yōu)，從而進行科學審計數(shù)據(jù)分析。例如，在高速公路審計的收費審計中，運用R基礎包中的kmeans模型（常用的聚類算法之一）對審計人員最關注的車貨總重、行駛里程和通行次數(shù)三個變量進行聚類，分析結果快速定位到全年超載最嚴重的10個收費站。這些收費站中，除J是省內收費站外，其他全部是省際邊界收費站，且以B收費站超載最嚴重，那么J和B收費站就成為審計重點；可以對其超載原因進行分析。另外，審計人員也可以把這10個收費站作為篩選條件，進一步查詢來往頻繁的車輛、來源入口站號和路段，重點超載路段的收入、成本和費用分析，特別大、中修費用花銷情況。可見，簡單的聚類分析可以給審計人員提供相對科學的審計線索，進而結合傳統(tǒng)審計查詢深入分析。

（四）R具備強大的數(shù)據(jù)可視化功能

數(shù)據(jù)可視化是數(shù)據(jù)分析的共性技術，可用于探索性分析和總結性的模型分析結果展示。Dilla 認為根據(jù)任務特征、任務復雜度和審計人員特點提出數(shù)據(jù)可視化的技術框架，以提高異常數(shù)據(jù)分析的效率和準確性（Dilla等，2015）。R的可視化功能十分卓越，被公認為業(yè)界的佼佼者。R基礎包的畫圖功能就可以運用圖形參數(shù)來指定字體、顏色、線條類型和標注等，可以滿足一般圖形展示要求。對于高級數(shù)據(jù)圖形展示，會用到ggplot2包，其理念是將繪圖與數(shù)據(jù)分離，以圖層作圖的理念，并把常見的統(tǒng)計數(shù)據(jù)變換融入到繪圖中，可以創(chuàng)建優(yōu)雅、信息豐富、定制化的圖形。這些圖形在其他軟件中不僅費時費力，且可能根本無法做到。憑證是審計人員最常見的數(shù)據(jù)分析對象，審計人員一般用審計軟件查詢或EXCEL篩選或SELECt語句查詢某一會計科目的大額收支情況，例如主營業(yè)務收入、應收賬款發(fā)生的收入來源、管理費用的招待費，每一次查詢事項有限?？梢赃\用大數(shù)據(jù)文獻中見到的詞云圖來展現(xiàn)摘要關鍵詞，形成的憑證詞云圖如圖1所示，審計人員可以看到該單位某類會計科目發(fā)生頻次較多的業(yè)務有哪些。此外，審計人員不僅關注關鍵詞的發(fā)生頻數(shù)，還需要關注發(fā)生次數(shù)較少而金額較大的經濟業(yè)務，那么將金額進行標準化處理，生成金額維度的詞云圖。這樣，該會計科目發(fā)生金額較大的業(yè)務和發(fā)生頻數(shù)較多的業(yè)務可以生成在一張圖中，有助于審計人員迅速把握下一步查詢事項。如果是在審計全覆蓋的要求下，可以將多家被審計單位批量生成詞云圖，方便進行集中比較和分析。

通過上述審計數(shù)據(jù)分析步驟的介紹，我們可以大體了解R語言能夠在審計數(shù)據(jù)分析中的用途。同時，還需要考慮R語言的缺點：（1）R是在內存中加載數(shù)據(jù)分析對象，會受到內存大小限制，對于大數(shù)據(jù)處理，需要專門的軟件包支持，例如不受內存限制的ff包、filehash包，或者支持中量級數(shù)據(jù)規(guī)模的data.table包，更可以加載支持分布式的Hadoop包，學習略有難度；（2）R的強大是因為有無限可擴展的軟件包支持，同時也會帶來R包的良萎不全，建議初學者運用成熟的R包進行分析；（3）由于R語言靈活的語法規(guī)則和繁多的數(shù)據(jù)包，學習具有一定學習曲線。

四、R語言在審計數(shù)據(jù)分析中的應用建議

熟練掌握一門優(yōu)秀的數(shù)據(jù)分析工具是大數(shù)據(jù)環(huán)境下審計人員必備的專業(yè)勝任能力。審計人員在強有力的數(shù)據(jù)科學分析工具支持下，融合傳統(tǒng)審計分析經驗和科學數(shù)據(jù)分析模型、算法，才能真正達到利用數(shù)據(jù)分析手段提高審計查核和宏觀評價能力。R作為流行的數(shù)據(jù)科學分析工具之一，具有免費、高效、功能多、可視化強的優(yōu)點，是本文推薦審計人員學習的主要原因。結合筆者學習R語言過程，提出以下應用建議。

1.結合審計數(shù)據(jù)處理熟悉R語言的環(huán)境和語法。對于熟練數(shù)據(jù)處理技術的審計人員來講，學習R語言的技術門檻并不高。審計人員對應常見數(shù)據(jù)處理中的數(shù)據(jù)匯總、排序、查詢等操作學習在R中如何實現(xiàn)，很快就發(fā)現(xiàn)R語言代碼靈活、簡練，且處理效率高，可以較好調動審計人員的學習積極性。對于熟悉SQL的審計人員，R的sqldf包更是為熟練掌握SQL人員研發(fā)，可以輕松實現(xiàn)R與SQL語句的配合。對于審計數(shù)據(jù)的分割、合并、轉換等操作，則建議應用plyr和reshape2包，大大提高審計處理效率。

2.數(shù)據(jù)可視化應用。數(shù)據(jù)可視化因為受傳統(tǒng)分析工具限制，在審計實踐中未能引起足夠重視。對于R超強的可視化功能，可以在基礎包、Lattice包、ggplot2包等協(xié)助下，考慮運用哪些圖形來生動探索數(shù)據(jù)、直觀展現(xiàn)審計分析結果，審計人員可以發(fā)現(xiàn)數(shù)據(jù)可視化帶來的好處，更好地學以致用。

3.非結構化數(shù)據(jù)的處理與分析。對于文本、網頁、圖像、空間數(shù)據(jù)等非結構化的數(shù)據(jù)類型，需要專門軟件包支持，審計人員可以通過借鑒多個經典數(shù)據(jù)分析案例來熟悉這些包的應用，探索從非結構化數(shù)據(jù)中發(fā)現(xiàn)更多的審計證據(jù)和線索。

4.數(shù)據(jù)模型應用。數(shù)據(jù)模型的學習難度相對大一些，但是審計人員無需從底層的概率論、線性代數(shù)、科學算法學起，而是了解常用的分類、聚類、預測的模型有哪些，適合于哪些數(shù)據(jù)，模型的優(yōu)缺點何在，如何實現(xiàn)模型選優(yōu)。在這方面，建議和高校、科研機構合作，全面梳理各種代表性的數(shù)據(jù)分析模型適用的審計分析場景，通過案例展現(xiàn)如何應用。只有讓審計人員了解科學數(shù)據(jù)模型的原理以及能夠達到的分析效果，才能結合審計需求拓展分析思路，才能真正踐行大數(shù)據(jù)技術的應用指導方針。

本文是山東省自然科學基金（編號：ZR2014GM013），教育部人文社會科學研究青年基金（編號：14YJCZH111），國家自然科學基金（編號：71572080）階段性研究成果。

作者單位：審計署審計科研所 山東省審計廳南京審計大學審計科學院

主要參考文獻

1.程學旗，靳小龍，王元卓，郭嘉豐，張鐵贏，李國杰.大數(shù)據(jù)系統(tǒng)和分析技術綜述.軟件學報.2014（9）

2.秦榮生.大數(shù)據(jù)、云計算對審計的影響研究.審計研究.2014（6）

3.魏瑾瑞、蔣萍.數(shù)據(jù)科學的統(tǒng)計學內涵.統(tǒng)計研究.2014（5）

4.AICPA. （2014）. Reimagining auditing in a wired world （WhitePaper）［EB/OL］. New York: American Institute of Certified Public Accountants.

5.Michael G. Alles. 2015.Drivers of the Use and Facilitators and Obstacles of the Evolution of Big Data by the Audit Profession［J］. Accounting Horizons，2:439-449.

6.Kyunghee Yoon， Lucas Hoogduin， and Li Zhang. 2015. Big Data as Complementary Audit Evidence［J］. Accounting Horizons， （2）: 431-438.

7.William N. Dilla， Robyn L. 2015.Raschke Data visualization for fraud detection: practice implications and a call for future research［J］. International Journal of Accounting Information Systems 16:1-22.