王彥博 施京華 張軍

隨著計算機信息科技的迅猛發(fā)展，大量的銀行業(yè)務(wù)數(shù)據(jù)以電子信息形式存儲于銀行的數(shù)據(jù)庫系統(tǒng)中，為大數(shù)據(jù)技術(shù)在商業(yè)銀行審計業(yè)務(wù)中的應(yīng)用提供了豐富的素材。然而，商業(yè)銀行業(yè)務(wù)領(lǐng)域具有客戶數(shù)眾多、數(shù)據(jù)量龐大、產(chǎn)品服務(wù)個性化、操作處理批量化、未來業(yè)務(wù)發(fā)展不確定性高等特點，如何從浩瀚的審計對象中有效地發(fā)現(xiàn)實質(zhì)性違規(guī)與風(fēng)險是商業(yè)銀行審計工作必須攻克的難題。在現(xiàn)有審計人力資源有限的情況下，完全依靠現(xiàn)場審計不現(xiàn)實，銀行需要運用先進的信息科技手段推進非現(xiàn)場審計，以達到業(yè)務(wù)“全方位、全覆蓋”檢查的審計目標(biāo)，為此“大數(shù)據(jù)審計”應(yīng)運而生。發(fā)展大數(shù)據(jù)審計因此成為了商業(yè)銀行審計工作的必然趨勢。

商業(yè)銀行大數(shù)據(jù)審計是銀行合規(guī)內(nèi)控的重要技術(shù)手段，其主要目標(biāo)是依托銀行內(nèi)部數(shù)據(jù)倉庫、數(shù)據(jù)集市等大數(shù)據(jù)綜合平臺，在大量錯綜復(fù)雜的銀行業(yè)務(wù)數(shù)據(jù)中抽絲剝繭、追根溯源，穿透式地發(fā)現(xiàn)隱藏在海量數(shù)據(jù)背后的業(yè)務(wù)違規(guī)與風(fēng)險狀況。其核心思想是通過構(gòu)建一個用以衡量審計對象在審計期內(nèi)業(yè)務(wù)數(shù)據(jù)是否存在異常的標(biāo)準(zhǔn)，從而支持對非現(xiàn)場審計任務(wù)的狀態(tài)進行標(biāo)記，必要時觸發(fā)預(yù)警，為現(xiàn)場審計人員后續(xù)有的放矢的深入查找問題所在提供依據(jù)。

然而，在商業(yè)銀行具體內(nèi)部審計工作中，審計任務(wù)門類眾多，審計應(yīng)用數(shù)量龐大，如何構(gòu)建一套大數(shù)據(jù)審計應(yīng)用模式體系，支持對各項審計任務(wù)進行有效管理，已經(jīng)成為了對當(dāng)下銀行內(nèi)部審計核心課題之一。本文著重從“衡量標(biāo)準(zhǔn)”入手，探索提出商業(yè)銀行大數(shù)據(jù)審計的“5S”應(yīng)用模式框架體系，并以國內(nèi)某商業(yè)銀行為例進行大數(shù)據(jù)審計案例研究，展現(xiàn)在“5S”框架下商業(yè)銀行大數(shù)據(jù)審計應(yīng)用實踐效果。

商業(yè)銀行大數(shù)據(jù)審計應(yīng)用模式體系

在大數(shù)據(jù)審計工作中，審計人員對存儲于計算機信息系統(tǒng)中以電子數(shù)據(jù)形式所反映的企業(yè)經(jīng)濟業(yè)務(wù)進行審查，通過數(shù)據(jù)分析技術(shù)手段把握審計重點，收集審計證據(jù)，實現(xiàn)審計目標(biāo)。其中，最為關(guān)鍵的技術(shù)點是構(gòu)建一個用以衡量審計對象在審計期內(nèi)業(yè)務(wù)數(shù)據(jù)是否存在異常的標(biāo)準(zhǔn)，而該標(biāo)準(zhǔn)往往是一種知識模型（Knowledge?Model）。通過對國內(nèi)某商業(yè)銀行過往非現(xiàn)場審計任務(wù)進行歸納整理，相關(guān)知識模型主要分為五類：

Specialist?Knowledge?Model，即基于專家經(jīng)驗知識的審計模型。該類標(biāo)準(zhǔn)主要依賴審計專家的業(yè)務(wù)經(jīng)驗知識，相關(guān)模型是基于“業(yè)務(wù)邏輯驅(qū)動”的，尤其在大數(shù)據(jù)時代到來之前或相關(guān)業(yè)務(wù)領(lǐng)域無法采集到充足的過往數(shù)據(jù)以支持建模時，開展非現(xiàn)場審計則主要運用該類模型方法形成比照標(biāo)準(zhǔn);當(dāng)涉及多名專家共同貢獻經(jīng)驗知識時，可采用頭腦風(fēng)暴法、德爾菲法等具體操作方法予以實現(xiàn);

Static?Knowledge?Model，即基于靜態(tài)知識的審計模型。不同于“專家經(jīng)驗知識模型”，該類標(biāo)準(zhǔn)是純粹基于“數(shù)據(jù)邏輯驅(qū)動”的，通過過往大量數(shù)據(jù)經(jīng)驗形成靜態(tài)數(shù)學(xué)公式化模型，模型一旦形成將不再改變，并上升為通用知識定律;該類標(biāo)準(zhǔn)中，經(jīng)典模型包括Benford定律、二八定律黃金法則等;

Statistical?Knowledge?Model，即基于統(tǒng)計分析的審計模型。該類標(biāo)準(zhǔn)是以“數(shù)據(jù)邏輯驅(qū)動”為主的，同時也涉及一定的“業(yè)務(wù)邏輯”，通過采集過往相關(guān)業(yè)務(wù)數(shù)據(jù)，綜合運用概率論、計量方法、假設(shè)檢驗等統(tǒng)計分析技術(shù)，形成模型化比照標(biāo)準(zhǔn)，相關(guān)模型隨輸入數(shù)據(jù)的變化而發(fā)生變化;典型的統(tǒng)計分析方法包括遷徙分析模型、馬爾可夫模型等;

Smart?Knowledge?Model，即基于智能分析的審計模型。該類標(biāo)準(zhǔn)與“統(tǒng)計分析知識模型”相近，但其模型化標(biāo)準(zhǔn)生成方式從以傳統(tǒng)統(tǒng)計技術(shù)為主，發(fā)展成為以大數(shù)據(jù)挖掘及機器學(xué)習(xí)、人工智能技術(shù)為主;典型的建模方法包括有監(jiān)督分類學(xué)習(xí)、無監(jiān)督聚類學(xué)習(xí)、半監(jiān)督學(xué)習(xí)、深度學(xué)習(xí)、自然語言文本挖掘、社交網(wǎng)絡(luò)圖挖掘、關(guān)聯(lián)規(guī)則挖掘家族等。

Simulation?Knowledge?Model，即基于仿真模擬的審計模型。該類標(biāo)準(zhǔn)是“數(shù)據(jù)邏輯驅(qū)動”與“業(yè)務(wù)邏輯驅(qū)動”相融合的，可以將其看作為“專家經(jīng)驗知識模型”在大數(shù)據(jù)時代的拓展和延伸，其面向某些無法獲取充足過往數(shù)據(jù)支持智能建模的領(lǐng)域，通過有效的專家業(yè)務(wù)經(jīng)驗應(yīng)用（及形式化驗證）構(gòu)建準(zhǔn)確的業(yè)務(wù)流程，并通過對業(yè)務(wù)流程中關(guān)鍵節(jié)點進行隨機化數(shù)據(jù)處理，以反復(fù)模擬的方式批量產(chǎn)生近似于真實的業(yè)務(wù)數(shù)據(jù)，并輔以“統(tǒng)計分析知識模型”或“智能分析知識模型”，生成比照標(biāo)準(zhǔn);典型的技術(shù)方法包括壓力測試、沙盤推演、多元代理模型與模擬等。

商業(yè)銀行大數(shù)據(jù)審計應(yīng)用實踐研究

專家經(jīng)驗知識模型化標(biāo)準(zhǔn)應(yīng)用實踐

“專家經(jīng)驗知識模型化標(biāo)準(zhǔn)”主要應(yīng)用于“商業(yè)銀行宏觀風(fēng)險把控”、“以風(fēng)險為導(dǎo)向的銀行業(yè)務(wù)審計”等方面。例如，獲取經(jīng)營機構(gòu)各時間點的業(yè)務(wù)和財務(wù)數(shù)據(jù)，分析其當(dāng)年的業(yè)務(wù)狀況和發(fā)展趨勢，根據(jù)以往經(jīng)驗，快速增長點往往會存在風(fēng)險管理跟不上業(yè)務(wù)發(fā)展的狀況，如制度不健全、管理手段粗放、重量輕質(zhì)等問題，故直接憑業(yè)務(wù)經(jīng)驗形成比照規(guī)則以明確審計重點。具體來看，某些分行小微貸款余額在2012、2013年大幅攀升，根據(jù)經(jīng)驗其中后臺人員數(shù)量應(yīng)按比例有所提升，然而業(yè)務(wù)數(shù)據(jù)顯示其中后臺人員數(shù)量保持不變甚至減少，與經(jīng)驗標(biāo)準(zhǔn)存有差異，由此判斷該期間發(fā)放的貸款更易隱含風(fēng)險，事實數(shù)據(jù)表明相關(guān)貸款業(yè)務(wù)在日后出現(xiàn)了風(fēng)險集中爆發(fā)。

更進一步，在以風(fēng)險為導(dǎo)向的零售業(yè)務(wù)審計工作中，“預(yù)先提出存在風(fēng)險隱患的業(yè)務(wù)模式”是該項工作的核心。審計人員通過充分利用銀行內(nèi)部數(shù)據(jù)倉庫的現(xiàn)有數(shù)據(jù)資源，設(shè)計了多種經(jīng)驗數(shù)據(jù)模型，如客戶基本信息、客戶工商登記信息、資金流水信息、授信評審信息、臺賬信息等共計五大類、二十多種經(jīng)驗數(shù)據(jù)模型，有效識別了客戶異常流水交易、零售貸款資金挪用或流入股市、假批量和假小微、飛單、股東分拆授信、多通道授信、貸款資金回流和員工舞弊等多種業(yè)務(wù)風(fēng)險。以工商登記信息為例，根據(jù)專家經(jīng)驗，小微客戶無工商登記信息或已全部處于注銷狀態(tài)、小微客戶投資房地產(chǎn)/小貸公司/擔(dān)保公司/典當(dāng)?shù)雀叨让舾行袠I(yè)、小微客戶名下?lián)碛羞^多不同行業(yè)的企業(yè)、小微客戶名下企業(yè)的注冊資本不符合小微企業(yè)特性、小微客戶在多地開辦企業(yè)、同一分行多名借款人存在用款主體之外的關(guān)聯(lián)關(guān)系等均可作為業(yè)務(wù)風(fēng)險線索。

靜態(tài)知識模型化標(biāo)準(zhǔn)應(yīng)用實踐

在“靜態(tài)知識模型化標(biāo)準(zhǔn)”應(yīng)用方面，筆者以Benford定律為例，介紹其原理及使用方法，并依托銀行審計業(yè)務(wù)實際，展示其應(yīng)用實踐情況。

發(fā)現(xiàn)Benford定律

自然界的眾多事物在多種因素影響下隨機發(fā)生，往往會呈現(xiàn)某種特定規(guī)律。Benford定律則反映了數(shù)字出現(xiàn)頻率上的一種內(nèi)在規(guī)律，簡而言之，是指所有自然隨機變量，只要樣本空間足夠大，每一樣本首位數(shù)字為“1”至“9”各數(shù)字的概率在一定范圍內(nèi)具有穩(wěn)定性。該現(xiàn)象由美國天文學(xué)家西蒙·紐康伯在1881年首次發(fā)現(xiàn)。他在偶然間發(fā)現(xiàn)圖書館中對包含以“1”起首的數(shù)字的前幾頁較其它頁破爛，經(jīng)過對其他隨機數(shù)據(jù)的進一步分析，他得出如下結(jié)論：以“1”為第一位數(shù)字的隨機數(shù)比以“2”為第一位數(shù)字的隨機數(shù)出現(xiàn)的概率要大，而以“2”為第一位數(shù)字的隨機數(shù)出現(xiàn)的概率則大于以“3”為第一位數(shù)字的隨機數(shù)出現(xiàn)概率，?以此類推。1938年，美國物理學(xué)家法蘭克·本福特重新發(fā)現(xiàn)了這個現(xiàn)象，并收集了很多數(shù)據(jù)進行分析來驗證這一規(guī)律，他發(fā)現(xiàn)各種完全不相同的數(shù)據(jù)，比如人口、物理和化學(xué)常數(shù)、棒球統(tǒng)計表等數(shù)字均符合這一定律。根據(jù)該定律可以計算出“1”至“9”各數(shù)字出現(xiàn)的概率，結(jié)果見表1。

Benford定律在銀行業(yè)中的應(yīng)用

Benford定律反映了數(shù)據(jù)中的一種通用知識規(guī)律，當(dāng)數(shù)字被有意識地操控以達到某種目的時，這種客觀規(guī)律將會被破壞，并出現(xiàn)異常。通過發(fā)現(xiàn)和分析這種異常，則有可能追蹤舞弊行為，?又由于Benford定律的使用無需其他先驗信息（本文稱其為“靜態(tài)知識模型”），其使用方法簡單明了，因此多被用于審查數(shù)據(jù)準(zhǔn)確性以及數(shù)據(jù)背后行為的合理性。這兩點正是銀行業(yè)關(guān)注的重點，因此Benford定律在銀行業(yè)已有諸多應(yīng)用，如檢查財務(wù)數(shù)字信息是否真實、發(fā)現(xiàn)信用卡套現(xiàn)商戶等。

綜合已有的研究成果發(fā)現(xiàn)，數(shù)據(jù)符合以下條件即能夠使用Benford定律來進行數(shù)值分析：（1）數(shù)據(jù)不能是規(guī)律排序的，比如交易流水號、銀行卡號等，即數(shù)值不存在間斷或間斷區(qū)間，而是在一個寬幅范圍內(nèi)連續(xù)變動，不存在上下限;（2）數(shù)據(jù)不能經(jīng)過人為修飾，即數(shù)值的形成受多種因素的影響，不能過度集中也不能完全隨機。從銀行數(shù)據(jù)的角度看，商戶交易流水、個人交易流水的交易金額，甚至各公司的財務(wù)報表均基本符合Benford?定律的應(yīng)用條件。換言之，若相關(guān)數(shù)據(jù)違背Benford定律檢驗標(biāo)準(zhǔn)，則可視為異常信號，需作為疑點數(shù)據(jù)進行深入審計分析。

應(yīng)用案例實證分析

為識別國內(nèi)某商業(yè)銀行某一特定客戶群體的高風(fēng)險性資金往來，使用SQL語言從企業(yè)級數(shù)據(jù)倉庫中提取審計期內(nèi)流水?dāng)?shù)據(jù)268，731條，涉及36，596個賬戶，進行Benford定律分析。在數(shù)據(jù)理解和數(shù)據(jù)準(zhǔn)備階段，忽略流水?dāng)?shù)據(jù)具體金額，只摘取流水發(fā)生金額的首位數(shù)字，若金額為小于1的小數(shù)，則首位數(shù)字記為“0”。隨后統(tǒng)計各賬戶從“0”至“9”的首位數(shù)字出現(xiàn)次數(shù)占總流水次數(shù)的比例。

在數(shù)據(jù)分析階段，統(tǒng)計學(xué)中經(jīng)常使用Pearson相關(guān)系數(shù)r來評估兩個變量之間的密切程度。若r大于0，則代表兩個變量為正相關(guān)，且數(shù)值越接近1，正相關(guān)越強。為評價每一個賬戶的流水與Benford定律的符合程度，本研究使用相關(guān)性系數(shù)予以定量計算。經(jīng)計算，64.69%的賬戶其流水與Benford定律的相關(guān)系數(shù)≥0.8，?呈現(xiàn)強相關(guān)關(guān)系，可見賬戶的流水基本符合Benford定律。

為縮小疑點數(shù)據(jù)范圍和提高疑點數(shù)據(jù)命中度，本研究重點分析流水次數(shù)≥500的賬戶，共計964個，然后按相關(guān)系數(shù)r升序排序，關(guān)注排名前十的賬戶。通過查詢交易金額、交易品種、交易對手、交易對手所在單位等信息對這些客戶進行補充信息分析。據(jù)排查，有五個賬戶的交易對手多為客戶所在單位的內(nèi)部人員，?故認為是正常的內(nèi)部資金往來，排除嫌疑;有三個賬戶的異常流水多為正常消費類，且金額較小，基本排除嫌疑;發(fā)現(xiàn)兩個賬戶的交易對手多至幾十位，且均非單位內(nèi)部人員，金額多為幾十萬至一百萬不等，并且流水次數(shù)頻繁，經(jīng)查，這兩個賬戶與融資擔(dān)保公司資金往來頻繁，視為可疑。可見，Benford定律能夠從幾十萬條數(shù)據(jù)中有效識別包含認為操縱的非自然流水，迅速定位疑點數(shù)據(jù)供后續(xù)人工驗證分析，減少了大量人力資源投入。未來其他相關(guān)應(yīng)用還包括識別非法商戶、資金掮客等。

統(tǒng)計分析知識模型化標(biāo)準(zhǔn)應(yīng)用實踐

在“統(tǒng)計分析知識模型化標(biāo)準(zhǔn)”應(yīng)用方面，筆者通過構(gòu)建“不良遷徙分析模型”和“馬爾可夫模型”，來預(yù)測某商業(yè)銀行小微金融弱擔(dān)保貸款管控后的風(fēng)險度（不良率）以及自然風(fēng)險度，并借這兩個模型對該商業(yè)銀行華東區(qū)域各家分行的小微弱擔(dān)保貸款的風(fēng)險狀況進行評估比較。

應(yīng)用背景

貸款的風(fēng)險可分兩個層面來看：一是貸款的自身質(zhì)量，即客戶通過銀行準(zhǔn)入門檻、排除銀行后續(xù)風(fēng)險管理手段后，貸款所呈現(xiàn)的自然不良率;二是目前常用的不良率指標(biāo)，即銀行通過自身的風(fēng)險管理能力以及代償、核銷、打包轉(zhuǎn)讓等一系列措施，對貸款風(fēng)險度進行管控后的結(jié)果。對于銀行而言，貸款的自身質(zhì)量很大程度上決定了銀行的信貸質(zhì)量。在小微金融弱擔(dān)保貸款中，?由于銀行對于小微弱擔(dān)?？蛻舻娘L(fēng)險控制缺乏有效抓手，因此貸款自身質(zhì)量更是尤為重要了，也就是獲得貸款自然風(fēng)險度的量化值。另一方面，不良率往往是對以往數(shù)據(jù)情況的反映，有效預(yù)測未來不良率也一直是銀行精細化管理的訴求。

基于遷徙分析模型的不良預(yù)測

根據(jù)銀行五級分類政策，擔(dān)保類貸款逾期90天以上為不良。以30天為周期，將未逾期貸款的狀態(tài)設(shè)為a、逾期1～30天的狀態(tài)為b、逾期31～60天的狀態(tài)為c、逾期61～90天的狀態(tài)為d、逾期91～120天的狀態(tài)為e，逾期120天以上的狀態(tài)為f。以一家分行為例，用2015年1月至2016年3月的每個月月末的數(shù)據(jù)計算出各個狀態(tài)之間的平均遷徙概率，分別可獲得a->b、b->c、c->d、d->e、e->f的概率，通過這幾個概率的乘積即可獲得從各個狀態(tài)轉(zhuǎn)向不良狀態(tài)的概率，如P（a->e）=?P（a->b）*P?（b->c）*P（c->d）*P（d->e）。再根據(jù)2016年3月末各家分行在各個狀態(tài)的余額，即可獲知這些余額最終轉(zhuǎn)為不良的金額，從而獲得不良率。最終，通過為每家分行建立“不良遷徙模型”，獲知各家分行的年末不良金額。此模型類似于移動平均的預(yù)測方法，將計算結(jié)果對比分行“一戶一策”排查所得的年末不良金額，模型結(jié)果基本可信。由于此模型使用了每個月末的余額數(shù)據(jù)，這些數(shù)據(jù)是分行風(fēng)險管理結(jié)果的體現(xiàn)，故采取該模型的結(jié)果作為一個分析維度，即不良率這一定量指標(biāo)的預(yù)測結(jié)果。

基于馬爾可夫模型的不良預(yù)測

（1）馬爾可夫過程簡介：馬爾可夫過程旨在描述這樣一類隨機過程-即在已知過程現(xiàn)在狀態(tài)的條件下，過程將來的狀態(tài)與過去無關(guān)，而只與當(dāng)前狀態(tài)有關(guān)，即“無后效性”。

（2）模型前提條件：貸款的各個狀態(tài)之間的遷徙可視作為馬爾可夫過程，因此可使用該理論計算狀態(tài)之間的遷徙概率。

（3）減少分行風(fēng)險管理措施干預(yù)的辦法：為盡量減少分行的風(fēng)險管理手段對于貸款狀態(tài)轉(zhuǎn)移的干預(yù)，從而獲得更貼近貸款的自然不良率，本模型避開季末數(shù)據(jù)，而使用某分行2016年1～?2月的小微金融弱擔(dān)保貸款計算一步轉(zhuǎn)移概率矩陣P。筆者認為2016年1～2月的數(shù)據(jù)一方面更能反映審計期相近的貸款狀況，另一方面在年初時分行大部分風(fēng)險管理精力投身于上一年的總結(jié)之中，對這期間的貸款管控較少。

（4）計算過程：因計算過程較為復(fù)雜，此處僅作簡要描述。此模型從某分行2016年1月末的每個借據(jù)出發(fā)，跟蹤其在2月末的狀態(tài)，如狀態(tài)a可能仍為狀態(tài)a，也可進入狀態(tài)b，或者直接結(jié)清（狀態(tài)g），狀態(tài)b則可能遷移至狀態(tài)a、狀態(tài)b、狀態(tài)c和狀態(tài)g。以此類推，構(gòu)建一個7*7矩陣，通過矩陣運算，最終獲得2016年3月末各個狀態(tài)的余額數(shù)據(jù)在2016年年末的情況。

通過以上模型設(shè)計，盡量使這個模型不考慮結(jié)清貸款的續(xù)貸問題、不考慮貸款敞口壓縮措施、也不考慮分行采取催清收、代償、核銷和資產(chǎn)轉(zhuǎn)讓等處理方法，而只是單純的計算各個借據(jù)在分行無風(fēng)險管理的情況下自然遷徙概率，從而反映貸款自身的風(fēng)險度。采取這個模型的結(jié)果作為另一個分析維度，即貸款自然風(fēng)險度這一預(yù)測指標(biāo)。

模型結(jié)果應(yīng)用

以2016年3月末被觀測銀行華東區(qū)域小微金融弱擔(dān)保貸款余額為基礎(chǔ)，經(jīng)“遷徙分析模型”不良預(yù)測，得到預(yù)計至2016年末的相關(guān)不良余額A，即根據(jù)以往的平均遷徙概率得出的不良情況;經(jīng)“馬爾可夫模型”不良預(yù)測，得到預(yù)計至2016年末的相關(guān)自然不良余額B，即貸款發(fā)生逾期后不采取任何催清收等管理措施的不良情況。

由“馬爾可夫模型”預(yù)測的自然不良余額B與由“遷徙分析模型”預(yù)測的不良余額A之剪刀差，反映了各家分行風(fēng)險控制的難易程度。針對存量小微金融弱擔(dān)保授信業(yè)務(wù)，華東區(qū)域中南京分行風(fēng)險控制難度較大，這主要是由于南京分行目前存量小微金融弱擔(dān)保貸款余額偏高所致，其次是杭州、蘇州、寧波、合肥等幾家分行。

智能分析知識模型化標(biāo)準(zhǔn)應(yīng)用實踐

在“智能分析知識模型化標(biāo)準(zhǔn)”應(yīng)用方面，比較典型的應(yīng)用實踐包括：

違約預(yù)測模型：這是目前廣泛使用的貸前風(fēng)險控制模型，通過納入具有貸后特點的屬性（如客戶的金融資產(chǎn)變化情況、交易流水中的借方/貸方筆數(shù)和金額、是否持有某些特定產(chǎn)品等），?使用邏輯回歸、樸素貝葉斯、決策樹、隨機森林、深度神經(jīng)網(wǎng)絡(luò)等有監(jiān)督分類學(xué)習(xí)構(gòu)建違約預(yù)測模型，形成可與后續(xù)實際業(yè)務(wù)發(fā)展進行比對的標(biāo)準(zhǔn)，可助力于貸后管理及相關(guān)審計工作。

自然語言文本挖掘模型：筆者將相關(guān)技術(shù)運用于2013年“小微金融風(fēng)險管理”專項審計項目中，取得了良好實踐收效。在項目中，大數(shù)據(jù)技術(shù)人員利用中文分詞、詞頻統(tǒng)計、關(guān)鍵詞識別、主題提取、半監(jiān)督文本聚類等自然語言文本挖掘技術(shù)方法，以小微金融不良責(zé)任認定報告作為對象，從中快速挖掘、確定每一筆貸款的不良形成原因，并將不良形成原因按主題歸類，從而形成各類不良形成原因的歷史數(shù)據(jù)統(tǒng)計指標(biāo)，作為比對標(biāo)準(zhǔn)以支持發(fā)現(xiàn)后續(xù)業(yè)務(wù)中的異常情況。該項工作超出人力所及，充分展現(xiàn)了大數(shù)據(jù)智能技術(shù)的在審計工作中的增強效用。

小結(jié)

以大數(shù)據(jù)技術(shù)助力審計業(yè)務(wù)發(fā)現(xiàn)疑點數(shù)據(jù)，審計人員可在千萬條以上的海量數(shù)據(jù)中迅速發(fā)現(xiàn)風(fēng)險線索，進而采取數(shù)據(jù)詳查、抽調(diào)檔案、訪談客戶經(jīng)理和評審人員甚至下戶檢查等多種審計手段，從而發(fā)現(xiàn)實質(zhì)性風(fēng)險。大數(shù)據(jù)審計為進一步審計抽樣提供了精確制導(dǎo)，再加上其他審計方法的有效配合，極大地增強了審計工作的效率和效果。

為將大數(shù)據(jù)審計的效果從定性認識提升至定量評價，實現(xiàn)審計工作的精細化管理，本研究開展了對比試驗：對被觀測銀行某分行的零售業(yè)務(wù)審計采取非現(xiàn)場大數(shù)據(jù)審計為主、現(xiàn)場檢查為輔的工作方法，發(fā)現(xiàn)在保證審計質(zhì)量的前提下，人員數(shù)量下降30%、現(xiàn)場檢查時間壓縮50%、差旅費用節(jié)省75%（見表2）。大數(shù)據(jù)審計節(jié)能增效的作用可見一斑。目前，大數(shù)據(jù)審計已在被觀測銀行零售專項審計中廣泛應(yīng)用于十余家分行的審計過程，應(yīng)用效果顯著。

結(jié)語

大數(shù)據(jù)時代為商業(yè)銀行審計工作帶來了新的發(fā)展機遇，激發(fā)了非現(xiàn)場審計領(lǐng)域的大數(shù)據(jù)智能化發(fā)展，同時也帶來了管理上的新挑戰(zhàn)-若不能構(gòu)建出一套大數(shù)據(jù)審計應(yīng)用模式體系，則難以對門類眾多、數(shù)量龐大的大數(shù)據(jù)審計應(yīng)用進行有效的管理、協(xié)調(diào)相關(guān)的資源。本文從衡量審計對象在審計期內(nèi)業(yè)務(wù)數(shù)據(jù)是否異常的模型化標(biāo)準(zhǔn)入手，為大數(shù)據(jù)審計應(yīng)用提出了“5S”應(yīng)用框架，基于“業(yè)務(wù)邏輯驅(qū)動?vs.?數(shù)據(jù)邏輯驅(qū)動”、“通用靜態(tài)模型?vs.?專用動態(tài)模型”、“經(jīng)典數(shù)理統(tǒng)計?vs.?數(shù)據(jù)智能仿真”等方面，闡述了相關(guān)模型化標(biāo)準(zhǔn)從專家經(jīng)驗（Specialist?Knowledge）向靜態(tài)定律（Static?Knowledge）向統(tǒng)計分析（Statistical?Knowledge）向智能分析（Smart?Knowledge）再向仿真模擬（Simulation?Knowledge）演化發(fā)展。

通過以國內(nèi)某商業(yè)銀行的實際審計業(yè)務(wù)為例，展開案例研究，本文闡述了前四類模型化標(biāo)準(zhǔn)的應(yīng)用實踐情況，并通過開展對比組試驗反映出大數(shù)據(jù)審計應(yīng)用在商業(yè)銀行節(jié)能增效方面的顯著效果。在大數(shù)據(jù)挖掘與人工智能技術(shù)發(fā)展日益精進的時代，依靠大數(shù)據(jù)智能模型來分析和預(yù)測各事物的發(fā)展趨勢已是被普遍認可的方法，筆者認為銀行有必要引入更多、更強的數(shù)據(jù)預(yù)測模型，與定性方法相輔相成，有利于提升銀行審計能力以及全面精細化管理程度。此外，未來研究還將聚焦探索基于仿真模擬的模型化審計標(biāo)準(zhǔn)應(yīng)用。

（本文僅代表個人學(xué)術(shù)觀點，不代表供職單位意見）

（作者單位：對外經(jīng)濟貿(mào)易大學(xué)金融科技研究中心、中國民生銀行）