邢春玉（副教授），張立民（博士生導師），張 莉（教授）

一、引言

隨著社會逐步邁入大數(shù)據(jù)和智能化時代，審計人員應該重視計算機審計技術的發(fā)展，并運用大數(shù)據(jù)技術、機器學習等新興方法查找審計線索，以計算機代替人工，去發(fā)現(xiàn)更為復雜的函數(shù)關系，學習數(shù)據(jù)分布，挖掘傳統(tǒng)審計手段難以發(fā)現(xiàn)的審計疑點。尤其在大氣污染防治領域，迫于環(huán)保壓力，部分地區(qū)存在大氣污染監(jiān)測數(shù)據(jù)造假的情況，如2016年西安監(jiān)測站空氣采樣器“戴口罩”現(xiàn)象，2017年寧夏監(jiān)測站點周邊被人為噴水霧等操作時有發(fā)生。北京地區(qū)的大氣污染形勢一直以來都受到人們的極大關注，2010～2020年出現(xiàn)了800多次重度污染，且持續(xù)時間長。同時，污染物來源的增加，使大氣污染的監(jiān)控和預防更加困難，因此需要新的大氣污染監(jiān)測技術，來滿足環(huán)境監(jiān)測與大氣污染防治和預警的要求。我國的大氣污染防治缺乏系統(tǒng)性技術和實踐方案，在目前的審計工作中，很多審計人員還是采用SQL數(shù)據(jù)庫導入數(shù)據(jù)進行數(shù)據(jù)查詢和分析、利用Excel等電子表格軟件進行數(shù)據(jù)處理和分析，在處理百萬級審計數(shù)據(jù)時，無法通過簡單查詢語句、分類匯總、數(shù)據(jù)透視表等功能發(fā)現(xiàn)舞弊問題。此外，受限于計算機審計技術的發(fā)展，處理大量數(shù)據(jù)給審計人員造成很大困難，加之大氣污染防治審計涉及主體較多（包括政府部門、相關企業(yè)、財政部門等），需要多個單位的協(xié)作，導致我國大氣污染監(jiān)測信息難以充分披露，透明度不高，信息質(zhì)量難以保證。

針對以上問題和挑戰(zhàn)，在大氣污染防治審計中，運用大數(shù)據(jù)方法分析污染物成分，采用人工智能技術進行預測分析，有助于對大氣污染實現(xiàn)防控和治理，能顯著提升大氣污染監(jiān)測數(shù)據(jù)的透明度，減少政府在大氣污染防治方面的經(jīng)濟損失，促進京津冀區(qū)域乃至全國其他地區(qū)的生態(tài)文明建設。

本文的創(chuàng)新之處主要有以下兩點：一是將計算機信息技術與大氣污染防治審計理論方法相結(jié)合，利用數(shù)字化技術與人工智能技術賦能審計過程，探索環(huán)境審計中異常數(shù)據(jù)的智能分析與挖掘方法，對于提升審計工作的效率和質(zhì)量，豐富和促進“計算審計學”的理論發(fā)展具有重要的學術價值，同時該研究也將豐富人工智能技術的應用場景，對人工智能理論的應用具有重要的學術價值。二是研究成果將大大降低環(huán)境審計人員的勞動強度，便于開展全覆蓋、全流程的環(huán)境審計，對于提升審計工作效率和質(zhì)量具有重要作用，同時，可減少審計單位的經(jīng)費投入，產(chǎn)生良好的經(jīng)濟效益和社會效益，且研究成果可供其他審計領域借鑒，具有重要的應用價值。

二、文獻回顧

環(huán)境審計研究領域普遍認為，政府環(huán)境審計產(chǎn)生于受托環(huán)境責任理論，受托責任是指環(huán)保部門和審計機關的受托責任。自然資源是公眾公有財產(chǎn)，企業(yè)、個人和社會發(fā)展在追求經(jīng)濟利益及社會效益時，對自然資源造成浪費和破壞，最終給人民生活帶來負面影響，這種環(huán)境成本最終由公眾來承擔。為保證政府受托環(huán)境責任全面履行，公眾有權委托審計機關對政府管理成果進行評價和考量，審查政府受托責任履行情況，以改善政府管理制度，促進政府部門高效工作并更好地履行環(huán)境保護責任[1]。史曉燕和班景剛[2]、卞興忠[3]等總結(jié)了環(huán)境審計的定義和內(nèi)容，提出了健全的環(huán)境審計理論體系并進行了實證研究。曹鍵和李曉琴[4]對企業(yè)環(huán)境管理進行績效評價并將環(huán)境績效審計作為環(huán)境管理的工具。周暢[5]分析了政府環(huán)境履責審計的定義、內(nèi)容和作用機制，研究了政府環(huán)境履責績效審計。趙慧琪和李宏欣[6]回顧了大氣環(huán)境審計現(xiàn)狀，通過對現(xiàn)存問題進行分析，對豐富審計內(nèi)容、創(chuàng)新大氣環(huán)境審計技術方法做出了貢獻。劉桂春和王碧玉[7]通過對北京地區(qū)大氣污染防治情況的分析，提出了區(qū)域性環(huán)境績效審計，建立了區(qū)域績效審計評價指標體系，指出可運用環(huán)境費用效益分析進行績效審計。張璐[8]對政府環(huán)境績效審計目標和方法進行了研究，將審計目標分為根本目標、具體目標和最終目標，并指出指標設計是政府環(huán)境審計的重要環(huán)節(jié)。

我國對大氣污染防治審計的研究是近幾年才開始的。喻亞敏[9]研究了大氣污染防治審計的依據(jù)，認為目前并未形成統(tǒng)一完整的大氣污染環(huán)境審計依據(jù)。國內(nèi)現(xiàn)有文獻主要是翻譯其他國家在大氣污染防治審計方面的法律法規(guī)和一些經(jīng)驗做法。劉譽澤[10]認為，我國的大氣污染環(huán)境審計在制度制定方面、審計人員使用審計工具技術方面、政府財政撥款方面都存在很多不足，并借鑒英國和美國的霧霾治理經(jīng)驗，對我國審計部門執(zhí)行大氣污染防治審計工作提出了建設性意見。鐘廷勇等[11]指出我國環(huán)境審計方面的不足，如缺少完整的大氣污染環(huán)境審計方面的法律法規(guī)，存在對環(huán)境專項資金管理使用不當、不及時的情況，同時資金的使用也缺少監(jiān)督，以至于存在專項資金不能及時分發(fā)、被占用貪污的現(xiàn)象。《大氣十條》對大氣污染治理工作做出指示，即在大氣污染防治工作開展過程中，對于政府對大氣污染治理的經(jīng)濟性、效率性、效果性是否與預期目標相匹配，投入和產(chǎn)出是否合理，有必要通過績效審計做出客觀評價[12]。

國外學者在較早時期就開展了大氣污染防治審計方面的研究。英美等國進入工業(yè)化時代較早。在空氣污染問題頻發(fā)之后，英國審計署于20世紀60年代就頒布了相應法案，近幾年又頒布了審計相關法律來規(guī)范大氣污染防治工作。美國審計署也十分重視空氣質(zhì)量狀況，十分重視對大氣污染防治及相關工作的審計監(jiān)督，逐漸發(fā)展形成了多種模型方法輔助空氣質(zhì)量預測[13，14]，并發(fā)布審計報告。在大氣污染監(jiān)測技術和方法領域，國外運用的模型主要有統(tǒng)計預測模型、模糊時間序列模型、機器學習預測模型和綜合評價模型等，但上述方法在我國大氣污染防治審計領域的應用卻十分少見。因此，借鑒國外機器學習預測模型的應用，本文嘗試在大氣污染防治審計中基于無監(jiān)督和監(jiān)督學習的相關理論，運用DBSCAN聚類算法和長短期記憶網(wǎng)絡的方法，對大氣污染相關數(shù)據(jù)的異常情況進行審計。

三、研究設計

2013～2015年北京出現(xiàn)了280次重度污染，且持續(xù)時間長、數(shù)據(jù)量較大，因此本文選擇利用2013年12月31日～2015年8月10日北京地區(qū)95個監(jiān)測站點的165140條大氣污染物濃度數(shù)據(jù)，分析北京地區(qū)大氣污染物的濃度變化，對大氣監(jiān)測數(shù)據(jù)進行審計。通過對不同監(jiān)測點多年數(shù)據(jù)的分析，找出在大氣監(jiān)測數(shù)據(jù)集中存在的與模型預測值不同的數(shù)據(jù)，最終統(tǒng)計出異常數(shù)據(jù)出現(xiàn)次數(shù)較多的監(jiān)測站點，發(fā)現(xiàn)審計疑點，從而助力審計人員的進一步調(diào)查分析。選擇的六個大氣污染物度量指標為：SO2、NO2、O3、CO、PM2.5、PM10的24小時滑動平均值。在大氣污染防治審計中，本文采用監(jiān)督學習和無監(jiān)督學習的機器學習方法分別進行空氣質(zhì)量數(shù)據(jù)舞弊的監(jiān)測。

（一）DBSCAN聚類算法

DBSCAN屬于無監(jiān)督學習方法的一種，是具有噪聲的基于密度的空間聚類算法。該算法按照設定好的參數(shù)（根據(jù)參數(shù)可進一步確定密度），把數(shù)據(jù)歸為不同的類。噪聲點會被聚類算法孤立出來，異常檢測就是要找出這些噪聲點。由于獲取的北京地區(qū)大氣監(jiān)測數(shù)據(jù)中存在的異常情況并沒有被標注，不清楚具體是哪一條數(shù)據(jù)，而利用DBSCAN聚類算法可以對大量的樣本集進行聚類，進一步找出異常數(shù)據(jù)。

1.模型設置和調(diào)參。研究樣本的數(shù)據(jù)集中一共有六個指標，包括CO濃度、NO2濃度、O3濃度、PM10濃度、PM2.5濃度、SO2濃度，其中完整特征如表1所示。

表1 數(shù)據(jù)集的六個指標

在該算法中，需要設定兩個超參數(shù)——eps（半徑）和MinPts（半徑內(nèi)數(shù)據(jù)點的個數(shù)），參數(shù)的設置需要經(jīng)過不斷擬合，然后確定最優(yōu)的eps和MinPts。模型結(jié)果對這兩個參數(shù)的變化較為敏感，參數(shù)的變化會嚴重影響模型的聚類效果。

DBSCAN聚類算法對數(shù)據(jù)的處理過程是：①人為確定后輸入eps和MinPts這兩個參數(shù)。②算法會從輸入的原始數(shù)據(jù)集中隨機抽取一個尚未訪問過的樣本x。③如果樣本x是核心對象，進入步驟④，否則重新回到步驟②。④找出從樣本x出發(fā)的所有密度可達的數(shù)據(jù)，劃分到同一個聚類，形成以x為核心對象的簇，并標記這些對象為已訪問。⑤當全部數(shù)據(jù)集都被訪問后，結(jié)束算法。否則再次回到步驟②。

最后，該聚類算法可以得到核心對象（coreSamples）和非核心對象（noiseSamples），將核心對象的數(shù)據(jù)標簽coreSampleMask設置為True，通過代碼coreSampleMask［db.core_sample_indices_］=True來實現(xiàn)。剩下的其他數(shù)據(jù)就是非核心對象，將其標簽設置為False。經(jīng)過不斷調(diào)試，最終確定MinPts=30、eps=30，代入聚類算法的學習。通過查看noiseSamples的Excel文件，發(fā)現(xiàn)一共有7771條數(shù)據(jù)被劃分為非核心數(shù)據(jù)（異常數(shù)據(jù)），該結(jié)果是在計算機現(xiàn)有內(nèi)存和該算法結(jié)構下能得到的最好的一個，因此確定超參數(shù)MinPts=30、eps=30。

測試結(jié)果見圖1。

圖1 MinPts=30和eps=30時的聚類結(jié)果

2.結(jié)果判定。通過對異常結(jié)果的分析發(fā)現(xiàn)，165140條大氣污染監(jiān)測數(shù)據(jù)中，運用DBSCAN算法聚類生成7771個非核心對象，并應用本福特定律進行異常分析，發(fā)現(xiàn)原始輸入數(shù)據(jù)中存在10處異常，算法生成的異常數(shù)據(jù)中存在21處異常，其中這21個異常中有7個與原始輸入數(shù)據(jù)的異常情況一致，其余未被標注的地方是原始數(shù)據(jù)與異常數(shù)據(jù)不同的地方。由此看來，該聚類算法可以劃分出異常數(shù)據(jù)，為大氣污染防治審計人員的后續(xù)審計工作提供技術支持，縮小審計范圍。

在10處異常中檢測出7處，說明DBSCAN聚類算法準確度不夠高，在處理輸入數(shù)據(jù)集的時候，并沒有考慮到獲取的大氣數(shù)據(jù)同時是一個時間序列，具有時序性。在整個算法處理過程中，只是簡單地對數(shù)據(jù)進行密度聚類，找出了很多值為0（最小值）和最大值這種極端情況，沒有充分利用原始數(shù)據(jù)的特征進行分析。如果聯(lián)系數(shù)據(jù)所處時間前后情況看，該極端情況可能是數(shù)據(jù)平緩增加或減少得到的，并不是數(shù)據(jù)激增或者迅速減少的結(jié)果，所以生成的近4.71%（7771/165140）的異常數(shù)據(jù)很有可能偏多。

對于DBSCAN算法模型，可以對數(shù)據(jù)進行聚類處理以發(fā)現(xiàn)異常數(shù)據(jù)，但是在準確度上需要進一步提升。因此，本文結(jié)合大氣污染物數(shù)據(jù)的時序性特點，進一步利用神經(jīng)網(wǎng)絡模型對異常數(shù)據(jù)進行更精確的檢測。

（二）長短期記憶網(wǎng)絡（LSTM）

LSTM是長短期記憶網(wǎng)絡，是一種改進后的循環(huán)神經(jīng)網(wǎng)絡（RNN），屬于監(jiān)督學習方法，其顯著的優(yōu)點是可以解決長序列訓練過程中的梯度消失和梯度爆炸問題。相比于普通的循環(huán)神經(jīng)網(wǎng)絡，長短期記憶網(wǎng)絡可以更好地處理時序性數(shù)據(jù)。該方法中的異常檢測是通過觀察大部分數(shù)據(jù)分布，識別出分布罕見或不同的情況。對于時間序列數(shù)據(jù)的異常檢測問題主要關注意外的峰值、意外的低谷、趨勢變化與水平平移?，F(xiàn)在個別大氣污染監(jiān)測站點存在數(shù)據(jù)造假現(xiàn)象，通過人為操控改變大氣污染監(jiān)測指標，這可能會使某個時點的數(shù)據(jù)與前一天相比出現(xiàn)很大變化，或者連續(xù)多天數(shù)據(jù)都保持不變。通過異常檢測可以發(fā)現(xiàn)造假現(xiàn)象或者機器統(tǒng)計錯誤，并及時對錯誤數(shù)據(jù)進行改正。

1.模型設置和調(diào)參。采取同樣的數(shù)據(jù)集并通過pycharm繪制子圖，可以看到2013年12月31日～2015年8月10日這一時間段中數(shù)據(jù)的大致分布情況，如圖2所示。

圖2 大氣污染監(jiān)測數(shù)據(jù)時間序列折線圖

首先，將數(shù)據(jù)集清洗后進行歸一化處理。為了應用多變量時間序列預測模型，通過The series_to_supervised（）函數(shù)對輸入數(shù)據(jù)進行處理，可以把輸入的北京地區(qū)大氣污染監(jiān)測數(shù)據(jù)（時間序列數(shù)據(jù)）轉(zhuǎn)化為監(jiān)督學習問題。在這里監(jiān)督學習就是由輸入（X）和輸出（Y）構成，能夠?qū)崿F(xiàn)輸入到輸出的預測。The series_to_supervised（）函數(shù)會返回DataFrame，從而將原始大氣監(jiān)測數(shù)據(jù)轉(zhuǎn)變?yōu)楸O(jiān)督學習的X和Y部分。在此，將前一刻時間（t-1）的六個大氣污染物指標和空氣質(zhì)量指數(shù)（AQI）作為X，將空氣污染狀況作為Y，創(chuàng)建一個X為t-1、Y為t的DataFrame。即通過過去時間（t-1）的污染物狀況，預測下一段時間（t）的空氣污染情況。

其次，把原始數(shù)據(jù)集分成訓練集和測試集。在165140條數(shù)據(jù)中，選擇使用25000條數(shù)據(jù)來擬合模型（選擇25000條數(shù)據(jù)是經(jīng)過多次模型優(yōu)化后獲得的最優(yōu)結(jié)果），然后用其余140140條數(shù)據(jù)進行評估。在訓練集中，實現(xiàn)把輸入（X）重構為長短期記憶網(wǎng)絡預期的格式，即［樣本，時間步，特征］（［samples，timesteps，features］）。samples為輸入數(shù)據(jù)的數(shù)量。timesteps=n，就意味著對前n個值的學習來預測目前狀態(tài)下的值。features為變量的個數(shù)。例如：一個長短期記憶網(wǎng)絡的輸入輸出格式是［samples，timesteps，features］，那么［［［0 1 2］［3 4 5］］］也就是1條樣本（samples），每條樣本2個步驟（timesteps），每個步驟3個維度（features）。

然后，建立并優(yōu)化LSTM模型，并對模型進行調(diào)參。在調(diào)參過程中，筆者發(fā)現(xiàn)epochs在達到50步左右的時候訓練集和測試集的損失函數(shù)中期達到最小值，基本處于一個水平線，已經(jīng)達到收斂，多增加步數(shù)會產(chǎn)生過擬合的效果；當在模型中設置較少數(shù)量的神經(jīng)元時，發(fā)現(xiàn)模型擬合效果并不好，出現(xiàn)欠擬合的現(xiàn)象，應該適當增加神經(jīng)元的數(shù)量，提升模型準確度；試著調(diào)整timesteps，改為7，即模型中每次細胞輸入門所輸入的數(shù)據(jù)量。將上一步驟中生成的變量和這一次的7行連續(xù)時間序列數(shù)據(jù)一起輸入，再產(chǎn)生新的變量傳遞下去；接下來選擇激活函數(shù)，雖然當數(shù)據(jù)值大小差異較大時，sigmoid會出現(xiàn)梯度消失的情況，但是在上文中已經(jīng)對數(shù)據(jù)進行了歸一化處理，不會出現(xiàn)梯度消失和梯度爆炸的情況，同時結(jié)合模型訓練效果，最終選擇sigmoid作為激活函數(shù)。通過多次調(diào)整參數(shù)，對比訓練集和測試集損失函數(shù)的不同表現(xiàn)，最后確定最優(yōu)參數(shù)：神經(jīng)元個數(shù)（units）=256，epochs=128，batch_size=128，訓練集數(shù)據(jù)量=25000，timesteps=1，激活函數(shù)選擇sigmoid，損失函數(shù)選擇mae，優(yōu)化器選擇Adam。測試結(jié)果如圖3所示，擬合效果良好。

圖3 units=256，epochs=128，batch_size=128，訓練集數(shù)據(jù)量=25000，timesteps=1時的訓練情況

2.結(jié)果判定。在完成對LSTM模型的訓練和優(yōu)化之后，下面對模型預測生成的數(shù)據(jù)進行進一步分析。通過代碼將numpy數(shù)據(jù)格式轉(zhuǎn)化生成Excel文件（.xlsx），對數(shù)據(jù)進行整理合并處理后，將數(shù)據(jù)實際值和預測值的差值進行排序，得到可能出現(xiàn)異常的數(shù)據(jù)，一共1630條。對篩選出的1630條數(shù)據(jù)進行本福特定律分析，發(fā)現(xiàn)1630條數(shù)據(jù)首位數(shù)字分布出現(xiàn)的異常情況與全北京地區(qū)大氣污染物數(shù)據(jù)異常情況是一致的，在165140條原始輸入數(shù)據(jù)中，本福特定律得出的異常分布有10處，這里生成的異常數(shù)據(jù)顯示異常分布有15處，其中有8處是一致的，2處不一致，剩下5處是新增的異常分布。例如在生成的異常數(shù)據(jù)當中，PM10都是在首位數(shù)字是7、8、9的數(shù)據(jù)偏離本福特定律分布，而且這里首位數(shù)字是6的分布也出現(xiàn)異常情況。在查詢異常數(shù)據(jù)出現(xiàn)的時間后，發(fā)現(xiàn)部分異常數(shù)據(jù)出現(xiàn)在數(shù)據(jù)突起的時候，即出現(xiàn)極大值時，空氣質(zhì)量指數(shù)真實值和預測值之間的差值很大，這符合對異常值的定義。

（三）兩種方法的對比

將DBSCAN聚類算法和LSTM模型進行比較，結(jié)果如表2所示。

表2 算法模型的結(jié)果準確度比較

通過對兩個算法模型能夠正確檢測出異常點的比例進行比較，LSTM模型能夠更準確地檢測出異常點的分布區(qū)域，進而對具體的每一條異常數(shù)據(jù)進行統(tǒng)計分析，重點關注出現(xiàn)異常頻率較高的大氣污染監(jiān)測站點，審計人員可以前往站點進行現(xiàn)場審計，檢查監(jiān)測站點空氣采樣器是否經(jīng)過處理，或者是否有噴水霧、周邊車輛限行的情況出現(xiàn)。

在排除這些情況后，可以對大氣污染監(jiān)測系統(tǒng)進行審計。進一步實施的審計流程包括：①了解站點大氣監(jiān)測系統(tǒng)基本情況。比如大氣監(jiān)測系統(tǒng)的使用和運行年限、人員的工作流程、是否有明確的規(guī)章制度，對此形成一個初步印象，進而明確審計難度，確定審計所需時間以及人員等后續(xù)審計工作安排。②檢測數(shù)據(jù)的生成過程，從數(shù)據(jù)處理流程入手，檢查是否存在防錯糾錯的保護機制，有助于減少機器誤差。③調(diào)查大氣污染監(jiān)測系統(tǒng)操作順序是否標準化，調(diào)查系統(tǒng)管理維護人員在大氣污染監(jiān)測系統(tǒng)中的權限，是否存在對數(shù)據(jù)進行修改等導致數(shù)據(jù)失真的操作。

四、研究結(jié)論及建議

本文通過運用DBSCAN聚類算法和長短期記憶網(wǎng)絡等機器學習算法，得到了相應的數(shù)據(jù)異常值。審計人員在審計工作中可以通過這些方法對不同大氣污染監(jiān)測站點的大氣污染監(jiān)測數(shù)據(jù)進行分析以及挖掘，了解大氣污染物濃度的真實情況。此外，在LSTM模型中，不同時刻的數(shù)據(jù)都對應生成了空氣質(zhì)量指數(shù)（AQI）的預測值（inv_yhat），根據(jù)真實值（inv_y）和預測值（inv_yhat）之間的差值，審計人員可以進一步劃分異常數(shù)據(jù)，特別是當審計時間和人力不足時，可以篩選出誤差最大的異常數(shù)據(jù)進行重點審計調(diào)查，以此來提升審計效率，盡快為審計人員確定審計方向，可以在較短時間內(nèi)及時確定需要進行審計的監(jiān)測站點。

另外，本文通過相關分析發(fā)現(xiàn)，在2013年之前北京對地方環(huán)境方面的財政支出很少，導致北京市對大氣污染的防控工作不能得到足夠的財政支持，加劇了當時持續(xù)數(shù)年的空氣污染；加之北京的發(fā)展十分迅速，經(jīng)濟增長也伴隨著環(huán)境治理的壓力。因此，加強監(jiān)測站能力建設、利用大數(shù)據(jù)手段進行環(huán)境審計監(jiān)督等就顯得尤為重要。

對于大氣污染防治審計工作，結(jié)合北京市具體情況提出以下建議：

第一，對能夠影響大氣污染防治審計的其他因素進行調(diào)查研究。文中主要選取了大氣中六個污染物指標進行分析研究，如果要做到更為準確的預測防控，需要審計人員跟進現(xiàn)有審計特點，明確大氣污染防治審計體系下的審計目標、審計主體、審計客體、審計范圍、審計技術方法，調(diào)整大氣污染審計報告出具標準等，使大氣污染防治審計報告更為規(guī)范。

第二，財政部門要給予足夠的資金支持，提高對大氣污染防治審計的重視程度。因為大氣污染防治審計數(shù)據(jù)量龐大，這就需要高性能計算機的支持，以有利于先進的大數(shù)據(jù)審計方法的施行。

第三，對于環(huán)保部門而言，應當不定期對大氣污染監(jiān)測站點的審計工作進行監(jiān)督，了解大氣污染防治審計人員是否真正落實審計工作，對各地大氣污染監(jiān)測站點是否執(zhí)行了充足的審計程序。同時，應向人民群眾普及大氣環(huán)境保護的知識，提高大氣污染監(jiān)測信息透明度。

第四，對于大氣污染防治審計部門而言，應當注重審計人員的培訓，提升審計人員的專業(yè)能力。在大數(shù)據(jù)時代，審計人員應學會使用大數(shù)據(jù)審計方法，運用機器學習、深度學習等領域的先進算法模型進行審計，熟悉業(yè)務流程，快速建立算法模型來發(fā)現(xiàn)異常，提升發(fā)現(xiàn)審計疑點的能力。

五、信息技術推動“計算審計學”新興學科的產(chǎn)生

隨著信息技術的不斷發(fā)展和廣泛應用，計算數(shù)學、計算金融學等“計算機+”交叉學科陸續(xù)出現(xiàn)。信息化是審計事業(yè)發(fā)展的不竭動力，信息技術為審計業(yè)務的開展提供了各種科學技術方法和手段，與“計算機+”緊密結(jié)合的交叉學科“計算審計學”應運而生。計算審計學側(cè)重審計業(yè)務邏輯和流程的研究，突破傳統(tǒng)審計模式的局限，可提高審計質(zhì)量和審計效率、節(jié)約審計成本，更加契合當前信息技術的發(fā)展以及新頒布的《審計法》對科技強審和審計功能全覆蓋的需求。經(jīng)過多年的發(fā)展與變革，我國審計對信息技術的應用逐步走向完善。計算審計學的提出，符合當前社會對計算機和審計領域復合型人才的需求，信息技術在大氣污染防治審計中的運用，也進一步推動了計算審計學的實踐應用。

信息技術在審計領域的應用具有重要意義。審計從業(yè)者要始終牢記科技強審的理念，在審計領域積極引入信息技術的應用，借助科技手段提高審計效率；信息技術能夠簡化審計實務中繁瑣復雜的工作流程，有助于審計單位節(jié)約成本、優(yōu)化審計實踐；通過對審計與信息技術領域的多學科融合，研究人員能夠加強“計算審計學”理論研究，構建“計審雙強”團隊，推動“計算審計學”學科體系的建設與發(fā)展；監(jiān)管機構和決策單位應順應信息技術的發(fā)展，推動審計信息化相關標準和應用指南的修訂，不斷完善審計準則和相關法律體系，加強審計人員在數(shù)字化和智能化審計領域的技能考評工作，推動審計改革浪潮的順利到來。