蔣雪瑛　張良

[摘要]本文就商業(yè)銀行如何在海量防疫物資交易中通過大數(shù)據(jù)建?？焖俣ㄎ慌c物資采購使用相關(guān)的交易流水這一核心問題，提出基于詞頻分析和OCR識(shí)別技術(shù)的審計(jì)建模路徑，并對(duì)建模思路、實(shí)踐及應(yīng)用效果進(jìn)行闡述。

[關(guān)鍵詞]智慧審計(jì)? ? 防疫? ? 特殊時(shí)期? ? 詞頻分析

一、防疫物資審計(jì)背景

2020年初全國新冠肺炎疫情暴發(fā)，各大商業(yè)銀行積極行動(dòng)，快速響應(yīng)，緊急采購、領(lǐng)用并分發(fā)了大量物資應(yīng)對(duì)疫情防控。為監(jiān)督防疫資金的合理使用、促進(jìn)物資采購依法合規(guī)，滿足董事會(huì)和管理層精準(zhǔn)決策、精準(zhǔn)指導(dǎo)、有效監(jiān)督的需要，銀行審計(jì)部門緊急啟動(dòng)了防疫物資的實(shí)際采購與使用情況審計(jì)流程。審計(jì)時(shí)間緊迫且面臨疫情期間辦公人力緊缺、居家分散、高度依賴非現(xiàn)場(chǎng)分析等特殊挑戰(zhàn)下，如何在有限的時(shí)間內(nèi)通過建模從海量交易信息中快速、精準(zhǔn)定位與防疫工作相關(guān)的物資交易，是完成此次審計(jì)工作的重要基礎(chǔ)。

二、防疫物資審計(jì)建模

（一）明確建模范圍、目標(biāo)和流程

商業(yè)銀行防疫資金主要有行內(nèi)財(cái)務(wù)資金、黨費(fèi)支出、工會(huì)費(fèi)支出及員工捐款四大來源，主要用于防疫物資采購（如口罩、消毒液等防疫必需品）、員工慰問補(bǔ)助以及統(tǒng)一的對(duì)外現(xiàn)金捐贈(zèng)三大支出上。其中，行內(nèi)財(cái)務(wù)資金支出主要在財(cái)務(wù)內(nèi)部戶中列支，單列科目標(biāo)示;員工捐款則全部用于對(duì)外現(xiàn)金捐贈(zèng)，是點(diǎn)對(duì)點(diǎn)的賬戶交易，兩者都較容易排查。而黨費(fèi)、工會(huì)費(fèi)支出由于資金列支于行內(nèi)各層級(jí)機(jī)構(gòu)的黨費(fèi)、工會(huì)費(fèi)專戶，這些專戶隸屬于法人往來戶，交易量龐大且無直觀標(biāo)識(shí)，排查難度較大。因此，防疫物資交易審查建模工作的最大目標(biāo)就是從海量交易中精準(zhǔn)“打撈”出與防疫收支相關(guān)的交易，快速完成交易“定靶”工作。數(shù)據(jù)“打撈”的精確度越高，審計(jì)分析的基礎(chǔ)就越穩(wěn)固。

構(gòu)建防疫物資交易審查模型主要包含四個(gè)步驟：確定數(shù)據(jù)范圍、確認(rèn)賬戶特征、鎖定事件流水和定點(diǎn)樣本分析，如圖1所示。隨著步驟層層推進(jìn)，需要關(guān)注的數(shù)據(jù)邊界逐步清晰，聚焦的數(shù)據(jù)范圍也會(huì)逐漸縮小。

（二）確定模型數(shù)據(jù)范圍

用于防疫支出的黨費(fèi)、工會(huì)費(fèi)交易屬于往來戶事件交易，交易數(shù)據(jù)全部都在往來戶事件流水大表中。進(jìn)一步探索表內(nèi)數(shù)據(jù)情況，疫情高發(fā)時(shí)段為2020年1月1日至2020年3月31日，期間往來戶事件流水表中共有上億條記錄，是建模最基礎(chǔ)的數(shù)據(jù)范圍。

（三）詞頻抽樣勾勒交易特征

顯然，基礎(chǔ)數(shù)據(jù)范圍遠(yuǎn)超人力直接排查極限，需進(jìn)一步細(xì)化數(shù)據(jù)的賬戶特征以鎖定核心交易。往來戶事件流水表中包含了（行內(nèi)外）所有法人賬戶交易記錄，可以通過勾勒行內(nèi)黨費(fèi)、工會(huì)費(fèi)專用賬戶的賬戶特征，將符合特征的賬戶從全量基礎(chǔ)數(shù)據(jù)中“打撈”出來，進(jìn)一步明晰交易邊界。

1.提取黨委、工會(huì)賬戶特征，勾勒交易邊界。主要細(xì)分三個(gè)步驟：一是抽樣非疫情期間（往年同期）的黨費(fèi)、工會(huì)費(fèi)日常流水，獲取黨費(fèi)、工會(huì)費(fèi)賬戶的懷疑清單。二是抽取懷疑清單內(nèi)的賬戶在疫情前三個(gè)月內(nèi)的流水，檢驗(yàn)是否存在“黨費(fèi)繳納”“工會(huì)費(fèi)繳納”等黨委、工會(huì)賬戶日常業(yè)務(wù)特征，剔除近期無日常業(yè)務(wù)流水的疑似凍結(jié)戶，縮小清單范圍;然后，以縮小后的懷疑清單為學(xué)習(xí)樣本，使用Text? Rank詞頻分析算法，對(duì)樣本賬戶的戶名進(jìn)行關(guān)鍵詞解析，提取黨委、工會(huì)賬戶戶名命名規(guī)則。三是使用提取的戶名命名規(guī)則排查全量法人客戶基礎(chǔ)信息，篩選出符合戶名命名規(guī)則的法人客戶，并提取這些客戶在疫情暴發(fā)觀察時(shí)段內(nèi)的全量交易流水，作為基于賬戶特征勾勒的交易邊界數(shù)據(jù)。

2.抽樣正反雙向高頻詞，建立三大關(guān)鍵詞庫。確定賬戶范圍后，需要關(guān)注的交易范圍從億量級(jí)數(shù)據(jù)銳減至十萬量級(jí)，仍有壓降空間，為此進(jìn)一步分析交易目的，提取與防疫事件相關(guān)度較高的交易。通常交易信息中的摘要、用途、附言與交易目的最為相關(guān)，一般以一段話、一句話或一個(gè)詞組的形式展現(xiàn)。為剔除與防疫事件無關(guān)的交易噪聲，需要抽樣疫情暴發(fā)時(shí)期（實(shí)驗(yàn)組）、往年同期（對(duì)照組）兩個(gè)時(shí)間段中符合交易賬戶規(guī)則的交易流水，使用TF-IDF詞頻分析算法分別進(jìn)行詞頻學(xué)習(xí)，即可生成防疫事件的相關(guān)詞庫和無關(guān)詞庫：首先，對(duì)對(duì)照組（無疫情暴發(fā)的往年同期交易）的摘要、用途、附言作詞頻分析，提取對(duì)照組高頻詞，將其納入防疫事件無關(guān)詞庫（無效關(guān)鍵詞庫）;其次，對(duì)實(shí)驗(yàn)組的摘要、用途、附言作詞頻分析，提取實(shí)驗(yàn)組高頻詞，并剔除同時(shí)存在于實(shí)驗(yàn)組、對(duì)照組高頻詞中的詞語，將剔除后的結(jié)果集納入防疫事件相關(guān)詞庫（柔性關(guān)鍵詞庫），根據(jù)此相關(guān)詞庫內(nèi)容檢索全量交易，定位防疫事件相關(guān)流水。

然而，進(jìn)一步核實(shí)發(fā)現(xiàn)，若僅依賴相關(guān)詞庫定位交易流水，在一些復(fù)合性場(chǎng)景中數(shù)據(jù)挖掘精度明顯不足，如“黨員慰問”為黨費(fèi)常規(guī)支出（與疫情事件無關(guān)的支出），而疫情期間出現(xiàn)的“抗疫一線黨員慰問”卻是一項(xiàng)與疫情高度相關(guān)的交易，此類交易會(huì)因“黨員慰問”為高頻詞而納入無關(guān)詞庫，被剔除出模型結(jié)果。為提高模型精度，需要進(jìn)一步勾勒更加重要的關(guān)鍵詞庫，即剛性關(guān)鍵詞庫，“剛性詞”即疫情極強(qiáng)相關(guān)詞，這類詞一旦在交易的摘要、用途或附言中出現(xiàn)，無論交易信息中是否存在無關(guān)詞（無效關(guān)鍵詞庫中的詞語），該條交易都應(yīng)納入模型結(jié)果集，不會(huì)被剔除，有效提升了模型在符合場(chǎng)景中的精準(zhǔn)程度。

確認(rèn)“剛性詞”范圍主要依賴外部輿情檢索，輿情檢索步驟包含：使用網(wǎng)絡(luò)爬蟲抓取20—30篇疫情期間商業(yè)銀行下轄各機(jī)構(gòu)（如不同地區(qū)分行）發(fā)布的新聞資訊，整合為一份咨詢數(shù)據(jù)包，對(duì)其作非結(jié)構(gòu)化詞頻分析，提取新聞熱詞;整合的熱詞包與柔性關(guān)鍵詞庫作比對(duì)，取兩者的交集部分，驗(yàn)證確認(rèn)后納入剛性關(guān)鍵詞庫。這里的非結(jié)構(gòu)化詞頻分析統(tǒng)一使用Python技術(shù)，基于Anaconda平臺(tái)加載jieba分詞包，導(dǎo)入待分析的數(shù)據(jù)文件，運(yùn)行即可獲取數(shù)據(jù)包中的高頻熱詞及其權(quán)重，如圖2所示。因此，通過正逆雙向詞頻抽樣分析之后，防疫事件的剛性（與防疫事件直接相關(guān)）、柔性（與防疫事件間接相關(guān)）、無效（與防疫事件無關(guān)）三大關(guān)鍵詞庫建立完畢，聚焦的交易數(shù)量從十萬量級(jí)銳減至萬量級(jí)。

3.整合三大詞庫內(nèi)容，完成數(shù)據(jù)挖掘模型搭建。將三大關(guān)鍵詞庫融入模型挖掘規(guī)則，完成模型的最終構(gòu)建，詞庫內(nèi)容樣例如圖3所示。對(duì)于疫情期間行內(nèi)黨委、工會(huì)專戶列支的交易，摘要、用途或附言內(nèi)含剛性關(guān)鍵詞的，直接納入防疫物資審計(jì)模型結(jié)果集;含柔性關(guān)鍵詞的，進(jìn)一步篩查是否包含無效關(guān)鍵詞，包含的直接剔除，不包含的納入模型結(jié)果集。

（四）引入OCR技術(shù)，提高線索核實(shí)效率

定位防疫物資核心交易后，審計(jì)人員需投入大量時(shí)間精力核實(shí)交易的真實(shí)性。非現(xiàn)場(chǎng)條件下，需要遠(yuǎn)程復(fù)核大量物資采購、簽領(lǐng)單據(jù)。這些文件一般為掃描件格式，數(shù)量巨大。為進(jìn)一步提高審計(jì)線索核實(shí)效率，在此步驟中引入OCR技術(shù)，使用InkScape、PDFedit等開源工具，將圖片或PDF文件轉(zhuǎn)換為Excel或者Word文檔，再作簡單的格式處理，即可直接用于匯總統(tǒng)計(jì)。實(shí)際項(xiàng)目實(shí)施過程中，在掃描件清晰度較高的情況下，對(duì)打印格式的中英文識(shí)別準(zhǔn)確度很高，簽名、手寫體識(shí)別率較低。

三、防疫物資交易定靶模型的實(shí)踐效果

（一）精準(zhǔn)鎖定核心交易，有效支持審計(jì)進(jìn)展

在實(shí)際項(xiàng)目進(jìn)程中，防疫物資交易定靶模型的結(jié)果精準(zhǔn)鎖定了核心交易流水，將需要關(guān)注的交易從億量級(jí)數(shù)據(jù)量縮減到萬量級(jí)乃至千量級(jí)，有效解決了防疫物資采購與使用交易問題的定位痛點(diǎn)，有力支持了行內(nèi)員工收受供應(yīng)商轉(zhuǎn)賬還款、個(gè)別機(jī)構(gòu)向物業(yè)公司人員重復(fù)發(fā)放慰問金等風(fēng)險(xiǎn)的審計(jì)線索排查。

（二）拓展應(yīng)急事件審計(jì)方法論，創(chuàng)建建模工具包

基于大數(shù)據(jù)的防疫物資交易定靶模型構(gòu)建了防疫事件關(guān)鍵詞庫群，建立了剛性關(guān)鍵詞庫（5個(gè)關(guān)鍵詞）、柔性關(guān)鍵詞庫（22個(gè)關(guān)鍵詞）和無效關(guān)鍵詞庫（59個(gè)關(guān)鍵詞），為防疫事件相關(guān)其他審計(jì)模型的快速構(gòu)建打下了堅(jiān)實(shí)基礎(chǔ)。同時(shí)，也為特殊時(shí)期應(yīng)急事件型審計(jì)的非現(xiàn)場(chǎng)數(shù)據(jù)挖掘提供了行之有效的方法論探索和實(shí)施路徑參照。

（作者單位：中國工商銀行內(nèi)部審計(jì)局上海分局，郵政編碼：200002，電子郵箱：jxy163@126.com）