摘要：隨著企業(yè)財(cái)務(wù)數(shù)據(jù)復(fù)雜性和審計(jì)風(fēng)險(xiǎn)評(píng)估需求的增加，文章構(gòu)建了基于隨機(jī)森林的分類模型，利用中國(guó)上市公司2013-2023年間的財(cái)務(wù)數(shù)據(jù)，使用孤立森林算法檢測(cè)財(cái)務(wù)數(shù)據(jù)中的異常值，并通過(guò)K-means聚類分析對(duì)異常點(diǎn)進(jìn)行風(fēng)險(xiǎn)分類，并通過(guò)交叉驗(yàn)證和混淆矩陣評(píng)估了模型的準(zhǔn)確性和穩(wěn)健性。實(shí)驗(yàn)結(jié)果表明，基于機(jī)器學(xué)習(xí)的方法能夠顯著提高審計(jì)風(fēng)險(xiǎn)識(shí)別的效率和準(zhǔn)確性，為審計(jì)師提供更有力的決策支持工具。

關(guān)鍵詞：機(jī)器學(xué)習(xí)；審計(jì)風(fēng)險(xiǎn)評(píng)估；財(cái)務(wù)異常檢測(cè)；隨機(jī)森林

一、引言

在當(dāng)今全球化和信息化快速發(fā)展的背景下，企業(yè)的經(jīng)營(yíng)環(huán)境變得日益復(fù)雜，審計(jì)師在進(jìn)行財(cái)務(wù)報(bào)表審計(jì)時(shí)面臨的風(fēng)險(xiǎn)也在不斷增加。審計(jì)風(fēng)險(xiǎn)評(píng)估作為審計(jì)過(guò)程的關(guān)鍵環(huán)節(jié)，直接關(guān)系到審計(jì)質(zhì)量和審計(jì)師對(duì)企業(yè)財(cái)務(wù)狀況的判斷能力。傳統(tǒng)的審計(jì)風(fēng)險(xiǎn)評(píng)估方法，如財(cái)務(wù)比率分析和專家經(jīng)驗(yàn)判斷，往往依賴于審計(jì)師的專業(yè)知識(shí)和經(jīng)驗(yàn)，但對(duì)數(shù)據(jù)規(guī)模較大、結(jié)構(gòu)復(fù)雜的現(xiàn)代企業(yè)來(lái)說(shuō)，效率問(wèn)題逐漸凸顯。近年來(lái)，人工智能技術(shù)在各個(gè)領(lǐng)域的應(yīng)用不斷深入，其在處理非結(jié)構(gòu)化數(shù)據(jù)、識(shí)別復(fù)雜模式和發(fā)現(xiàn)異常方面的優(yōu)勢(shì)，使其在審計(jì)風(fēng)險(xiǎn)評(píng)估中展現(xiàn)了廣闊的應(yīng)用前景。通過(guò)機(jī)器學(xué)習(xí)算法，可以分析大規(guī)模的企業(yè)財(cái)務(wù)數(shù)據(jù)集，自動(dòng)識(shí)別其中隱藏的風(fēng)險(xiǎn)特征，并輔助審計(jì)師做出更為準(zhǔn)確的判斷。這種新的方法論突破了傳統(tǒng)審計(jì)技術(shù)的局限，為提高審計(jì)風(fēng)險(xiǎn)評(píng)估的效率和準(zhǔn)確性提供了新的路徑。

二、文獻(xiàn)綜述

（一）傳統(tǒng)審計(jì)風(fēng)險(xiǎn)評(píng)估方法的局限性

審計(jì)風(fēng)險(xiǎn)評(píng)估在財(cái)務(wù)審計(jì)過(guò)程中占據(jù)核心地位，其目的是通過(guò)系統(tǒng)的分析方法識(shí)別和評(píng)估財(cái)務(wù)報(bào)表中潛在的重大錯(cuò)報(bào)風(fēng)險(xiǎn)。傳統(tǒng)的審計(jì)風(fēng)險(xiǎn)評(píng)估方法主要依賴于審計(jì)師的經(jīng)驗(yàn)判斷和財(cái)務(wù)比率分析，這些方法在審計(jì)實(shí)踐中發(fā)揮了重要作用，能夠有效識(shí)別企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)。然而，這些方法存在顯著的局限性。傳統(tǒng)方法缺乏對(duì)數(shù)據(jù)之間復(fù)雜非線性關(guān)系的處理能力，而且主觀性較強(qiáng)，依賴于審計(jì)師的經(jīng)驗(yàn)和判斷，難以應(yīng)對(duì)復(fù)雜多變的市場(chǎng)環(huán)境和大規(guī)模企業(yè)數(shù)據(jù)的分析需求。隨著企業(yè)業(yè)務(wù)的多元化和全球化，單純依靠傳統(tǒng)的比率分析方法已無(wú)法全面反映企業(yè)的真實(shí)風(fēng)險(xiǎn)狀況和財(cái)務(wù)健康水平。因此，有必要引入新的方法來(lái)提升審計(jì)風(fēng)險(xiǎn)評(píng)估的科學(xué)性和準(zhǔn)確性。

（二）機(jī)器學(xué)習(xí)技術(shù)在審計(jì)風(fēng)險(xiǎn)評(píng)估中的應(yīng)用進(jìn)展

隨著大數(shù)據(jù)和人工智能技術(shù)的發(fā)展，機(jī)器學(xué)習(xí)算法在審計(jì)風(fēng)險(xiǎn)評(píng)估中的應(yīng)用逐漸受到重視。這些算法能夠有效處理大規(guī)模、高維度的企業(yè)財(cái)務(wù)數(shù)據(jù)，識(shí)別復(fù)雜的非線性模式，并自動(dòng)檢測(cè)潛在的異常點(diǎn)。近年來(lái)，學(xué)者逐漸嘗試采用人工智能技術(shù)，如隨機(jī)森林、孤立森林、支持向量機(jī)和深度神經(jīng)網(wǎng)絡(luò)，以改進(jìn)審計(jì)風(fēng)險(xiǎn)評(píng)估的效果。隨機(jī)森林在財(cái)務(wù)數(shù)據(jù)的異常檢測(cè)和特征重要性分析中表現(xiàn)出優(yōu)異的效果，尤其是在處理高維數(shù)據(jù)和復(fù)雜非線性關(guān)系方面。而孤立森林作為一種無(wú)監(jiān)督學(xué)習(xí)算法，專門(mén)用于異常檢測(cè)，已經(jīng)被廣泛應(yīng)用于財(cái)務(wù)欺詐檢測(cè)的識(shí)別中?；谏疃壬窠?jīng)網(wǎng)絡(luò)的模型能夠捕捉復(fù)雜的非線性關(guān)系，并在多維特征空間中識(shí)別風(fēng)險(xiǎn)模式，其應(yīng)用在金融和審計(jì)領(lǐng)域得到了驗(yàn)證。

三、研究數(shù)據(jù)與研究方法

（一）數(shù)據(jù)來(lái)源與描述

本研究的數(shù)據(jù)來(lái)源于中國(guó)A股上市公司2013-2023年間的財(cái)務(wù)報(bào)表和相關(guān)披露信息。這些數(shù)據(jù)涵蓋了多個(gè)行業(yè)和公司類型，為研究提供了豐富的審計(jì)風(fēng)險(xiǎn)評(píng)估信息。具體數(shù)據(jù)來(lái)源于SCMAR數(shù)據(jù)庫(kù)和公司年報(bào)披露的公開(kāi)財(cái)務(wù)數(shù)據(jù)，包括利潤(rùn)表、現(xiàn)金流量表、資產(chǎn)負(fù)債表及關(guān)鍵財(cái)務(wù)比率，如流動(dòng)比率、資產(chǎn)負(fù)債率、凈資產(chǎn)收益率（ROE）、總資產(chǎn)收益率（ROA）等。

本研究數(shù)據(jù)涵蓋我國(guó)A股上市公司從2013-2023年的財(cái)務(wù)報(bào)表數(shù)據(jù)，共42550條，確保了數(shù)據(jù)的連續(xù)性和完整性。數(shù)據(jù)包含財(cái)務(wù)報(bào)表的主要財(cái)務(wù)指標(biāo)及各項(xiàng)財(cái)務(wù)分析的比率，如表1所示。

這些數(shù)據(jù)為本研究提供了廣泛的分析基礎(chǔ)，有助于更深入地理解企業(yè)的財(cái)務(wù)健康狀況及其潛在的審計(jì)風(fēng)險(xiǎn)。

（二）研究方法

本研究采用實(shí)驗(yàn)研究法，主要步驟包括數(shù)據(jù)預(yù)處理、特征選擇、模型構(gòu)建與評(píng)估。研究數(shù)據(jù)預(yù)處理是確保機(jī)器學(xué)習(xí)模型訓(xùn)練和分析結(jié)果準(zhǔn)確性的重要步驟，特征選擇是為了簡(jiǎn)化模型，提取對(duì)企業(yè)審計(jì)風(fēng)險(xiǎn)評(píng)估最具代表性的特征，從而提供模型的效率及模型的魯棒性。模型構(gòu)建與評(píng)估包括數(shù)據(jù)集劃分、模型訓(xùn)練及評(píng)估及優(yōu)化三個(gè)部分。

1. 數(shù)據(jù)預(yù)處理

對(duì)收集的數(shù)據(jù)進(jìn)行了清洗，目的是去除噪聲數(shù)據(jù)并處理缺失值和異常值，從而提升數(shù)據(jù)的質(zhì)量和模型的穩(wěn)定性。由于財(cái)務(wù)數(shù)據(jù)對(duì)于審計(jì)風(fēng)險(xiǎn)的評(píng)估至關(guān)重要，因此存在缺失值的數(shù)據(jù)，直接選擇了刪除，以避免模型偏差。對(duì)于異常值，使用了四分位距的方法檢測(cè)異常，但是沒(méi)有做進(jìn)一步的處理，因?yàn)樨?cái)務(wù)數(shù)據(jù)的異常，通常預(yù)示著可能存在審計(jì)風(fēng)險(xiǎn)，因此對(duì)于異常值做了保留處理。經(jīng)過(guò)數(shù)據(jù)清洗，總體數(shù)據(jù)集保留了40164條數(shù)據(jù)，來(lái)開(kāi)展進(jìn)一步實(shí)驗(yàn)。

2. 數(shù)據(jù)標(biāo)準(zhǔn)化

在數(shù)據(jù)集中，包括的數(shù)據(jù)量綱有非常大的差異，如三大報(bào)表中的數(shù)據(jù)，金額可以達(dá)到百億級(jí)別，而財(cái)務(wù)比例數(shù)據(jù)為0到1的分布，在機(jī)器學(xué)習(xí)模型中，特征的量綱不一致可能會(huì)導(dǎo)致模型的訓(xùn)練結(jié)果偏差，因此對(duì)數(shù)據(jù)進(jìn)行了標(biāo)準(zhǔn)化處理。采用Z-score表轉(zhuǎn)化方法，將每個(gè)特征值轉(zhuǎn)化為均值為0、標(biāo)準(zhǔn)差為1的標(biāo)準(zhǔn)正態(tài)分布，標(biāo)準(zhǔn)化公式為：

X′＝■

其中，X′是標(biāo)準(zhǔn)化后的特征值，X為原值特征值，μ為特征的均值，σ為特征的標(biāo)準(zhǔn)差。

3. 特征選擇

在特征選擇過(guò)程中，采用PCA（Principal Component Analysis）主成分分析對(duì)特征進(jìn)行選擇。PCA在處理具有高維特征的財(cái)務(wù)數(shù)據(jù)時(shí)，對(duì)其進(jìn)行特征選擇非常有效的方法。選擇了能解釋90%方差的主成分進(jìn)行計(jì)算。

通過(guò)表2可知，PCA計(jì)算結(jié)果保留了13個(gè)主成分，解釋了數(shù)據(jù)的91.14%的方差。這意味著通過(guò)13個(gè)主成分，幾乎保留了原始數(shù)據(jù)的全部信息。這是一個(gè)較好的降維結(jié)果，說(shuō)明降維后仍然能夠捕捉數(shù)據(jù)中的關(guān)鍵信息。根據(jù)PCA計(jì)算結(jié)果最終保留了貢獻(xiàn)排名前十主要特征，分別為：銷售費(fèi)用率，總資產(chǎn)周轉(zhuǎn)率、營(yíng)業(yè)成本、非流動(dòng)負(fù)債、財(cái)務(wù)費(fèi)用率、總負(fù)債、管理費(fèi)用率、流動(dòng)資產(chǎn)、營(yíng)業(yè)利潤(rùn)及凈資產(chǎn)收益率。

4. 模型構(gòu)建與評(píng)估

（1）模型的構(gòu)建。

基于前述特征選擇的結(jié)果，對(duì)進(jìn)行模型構(gòu)建的數(shù)據(jù)集進(jìn)行整理和修改。本研究構(gòu)建了一個(gè)基于隨機(jī)森林（Random Forest）的分類模型，以對(duì)公司財(cái)務(wù)風(fēng)險(xiǎn)進(jìn)行評(píng)估。模型構(gòu)建過(guò)程包括數(shù)據(jù)集劃分、模型訓(xùn)練與優(yōu)化及模型評(píng)估三個(gè)階段。

為確保模型的有效性與魯棒性，數(shù)據(jù)集被隨機(jī)劃分為訓(xùn)練集（70%）和測(cè)試集（30%）。在模型訓(xùn)練過(guò)程中，采用交叉驗(yàn)證技術(shù)對(duì)模型性能進(jìn)行調(diào)優(yōu)，防止過(guò)擬合。使用基于PCA選擇的10個(gè)最重要的特征作為模型輸入，利用孤立森林進(jìn)行了異常檢測(cè)，并針對(duì)異常數(shù)據(jù)進(jìn)行了K-means聚類，隨后構(gòu)建了100棵決策樹(shù)的隨機(jī)森林分類模型對(duì)公司的審計(jì)風(fēng)險(xiǎn)等級(jí)進(jìn)行預(yù)測(cè)。隨機(jī)森林通過(guò)多數(shù)投票法（Majority Voting）對(duì)公司風(fēng)險(xiǎn)等級(jí)進(jìn)行預(yù)測(cè)：

其中，ｙ＾是最終的分類結(jié)果，Ti是第i棵決策樹(shù)，X1至X10是輸入特征。

（2）模型評(píng)估。

模型評(píng)估使用了分類報(bào)告（Classification Report）和混淆矩陣（Confusion Matrix）來(lái)分析模型在測(cè)試集上的表現(xiàn)。結(jié)果顯示，針對(duì)高風(fēng)險(xiǎn)和中風(fēng)險(xiǎn)類別的預(yù)測(cè)準(zhǔn)確率（Precision）、召回率（Recall）和F1分?jǐn)?shù)均表現(xiàn)優(yōu)異，而低風(fēng)險(xiǎn)類別由于數(shù)據(jù)不平衡問(wèn)題，表現(xiàn)相對(duì)較差。

四、實(shí)驗(yàn)結(jié)果與分析

本研究詳細(xì)展示了基于中國(guó)A股上市公司2013-2023年財(cái)務(wù)數(shù)據(jù)的審計(jì)風(fēng)險(xiǎn)評(píng)估實(shí)驗(yàn)結(jié)果。實(shí)驗(yàn)主要包括異常檢測(cè)、K-means聚類、風(fēng)險(xiǎn)評(píng)估模型的構(gòu)建與性能評(píng)估三個(gè)階段。各階段的結(jié)果分析如下。

（一）異常檢測(cè)

異常檢測(cè)是審計(jì)風(fēng)險(xiǎn)評(píng)估的關(guān)鍵步驟之一。本研究使用孤立森林（Isolation Forest）算法對(duì)財(cái)務(wù)數(shù)據(jù)中的異常點(diǎn)進(jìn)行了檢測(cè)。孤立森林是一種基于無(wú)監(jiān)督學(xué)習(xí)的異常檢測(cè)方法，通過(guò)隨機(jī)選擇特征和分裂值來(lái)構(gòu)建決策樹(shù)，從而隔離數(shù)據(jù)點(diǎn)。通常情況下，異常點(diǎn)更容易被隔離，其路徑長(zhǎng)度較短。

在本實(shí)驗(yàn)中，采用默認(rèn)的污染率（contamination rate）10%，即假設(shè)檢測(cè)結(jié)果顯示，在所有公司的財(cái)務(wù)數(shù)據(jù)中，有約10%的數(shù)據(jù)點(diǎn)被標(biāo)記為異常，總共4017條數(shù)據(jù)被檢測(cè)為異常，檢測(cè)結(jié)果如圖1所示。

（二）數(shù)據(jù)的風(fēng)險(xiǎn)分類

為了進(jìn)一步分析檢測(cè)到的異常點(diǎn)，本研究使用了K-means聚類算法對(duì)數(shù)據(jù)進(jìn)行分類。采用肘部法確定最佳聚類值為3，選擇了k=3的聚類數(shù)。將異常點(diǎn)分為風(fēng)險(xiǎn)1、風(fēng)險(xiǎn)2和風(fēng)險(xiǎn)3。通過(guò)進(jìn)一步的分析發(fā)現(xiàn)，風(fēng)險(xiǎn)1異常點(diǎn)主要集中在高負(fù)債率、低流動(dòng)比率等特征上，這些特征顯著影響企業(yè)的財(cái)務(wù)穩(wěn)定性和償債能力。風(fēng)險(xiǎn)2異常點(diǎn)集中在費(fèi)用異常高企且資產(chǎn)利用效率極低，存在嚴(yán)重財(cái)務(wù)危機(jī)和持續(xù)虧損的風(fēng)險(xiǎn)。風(fēng)險(xiǎn)3異常點(diǎn)特征為盈利和股東回報(bào)接近于零，缺乏增長(zhǎng)潛力。

（三）風(fēng)險(xiǎn)評(píng)估模型構(gòu)建與性能評(píng)估

基于上述異常檢測(cè)和數(shù)據(jù)分類的結(jié)果，本研究進(jìn)一步構(gòu)建了一個(gè)基于隨機(jī)森林（Random Forest）的分類模型，對(duì)公司審計(jì)風(fēng)險(xiǎn)進(jìn)行評(píng)估。

1. 模型構(gòu)建與訓(xùn)練

在模型構(gòu)建階段，將數(shù)據(jù)集隨機(jī)劃分為訓(xùn)練集（70%）和測(cè)試集（30%）。使用前10個(gè)最重要的特征作為自變量輸入模型。目標(biāo)變量是由K-means數(shù)據(jù)分類通過(guò)python構(gòu)建100棵決策樹(shù)的隨機(jī)森林分類模型，通過(guò)多數(shù)投票法對(duì)公司審計(jì)風(fēng)險(xiǎn)等級(jí)進(jìn)行預(yù)測(cè)。

2. 模型性能評(píng)估

本次實(shí)驗(yàn)過(guò)程中，模型性能評(píng)估使用分類報(bào)告（Classification Report）、混淆矩陣（Confusion Matrix）及5折交叉驗(yàn)證（Cross-Validation）來(lái)分析模型在測(cè)試集上的表現(xiàn)。

（1）分類報(bào)告結(jié)果。模型的分類報(bào)告結(jié)果顯示如表3所示，模型在預(yù)測(cè)高審計(jì)風(fēng)險(xiǎn)時(shí)，準(zhǔn)確率為0.95，召回率為0.98，F(xiàn)1分?jǐn)?shù)為0.96，這個(gè)結(jié)果表明模型對(duì)高風(fēng)險(xiǎn)數(shù)據(jù)的識(shí)別非常好，并且在這類風(fēng)險(xiǎn)識(shí)別的精確率和召回率之間取得了良好的平衡。中風(fēng)險(xiǎn)類別的模型性能稍遜于高風(fēng)險(xiǎn)類別，但仍然非常好，具有高精確率和召回率。模型能夠較為準(zhǔn)確地分類大多數(shù)中風(fēng)險(xiǎn)樣本，但偶爾會(huì)把其他類別的樣本誤分類為中風(fēng)險(xiǎn)。低風(fēng)險(xiǎn)類別的精確率和召回率都較低，表明模型在這方面的識(shí)別能力不如在高風(fēng)險(xiǎn)和中風(fēng)險(xiǎn)類別中。誤分類率較高，可能需要進(jìn)一步優(yōu)化，減少將低風(fēng)險(xiǎn)樣本誤分類為其他類別的情況。

（2）混淆矩陣結(jié)果。模型的混淆矩陣結(jié)果如表4所示，在高風(fēng)險(xiǎn)類別上的表現(xiàn)很好，603 個(gè)樣本中的大多數(shù)被正確分類為高風(fēng)險(xiǎn)，僅有少數(shù)樣本被錯(cuò)誤地分類為中風(fēng)險(xiǎn)或低風(fēng)險(xiǎn)，總共 20 個(gè)樣本，誤分類的比例相對(duì)較小。中風(fēng)險(xiǎn)類別總體表現(xiàn)良好，298個(gè)樣本被正確分類，但有20個(gè)中風(fēng)險(xiǎn)樣本被誤分類為高風(fēng)險(xiǎn)或低風(fēng)險(xiǎn)。低風(fēng)險(xiǎn)類別上有10個(gè)樣本被錯(cuò)誤分類高風(fēng)險(xiǎn)和中等風(fēng)險(xiǎn)，217個(gè)樣本被正確預(yù)測(cè)。

綜上，假陽(yáng)性錯(cuò)誤主要集中在將中風(fēng)險(xiǎn)樣本誤判為高風(fēng)險(xiǎn)（14 個(gè)），這一點(diǎn)需要關(guān)注，因?yàn)檫^(guò)高的假陽(yáng)性可能導(dǎo)致對(duì)實(shí)際中風(fēng)險(xiǎn)的過(guò)度處理。假陰性錯(cuò)誤主要集中在高風(fēng)險(xiǎn)和中風(fēng)險(xiǎn)類別，都有20個(gè)樣本分類錯(cuò)誤。

（3）5折交叉驗(yàn)證結(jié)果。通過(guò)5折交叉驗(yàn)證，來(lái)進(jìn)一步檢驗(yàn)?zāi)Ｐ偷姆€(wěn)健性，結(jié)果顯示，模型的平均準(zhǔn)確率達(dá)到了95.86%，表明模型具有良好的穩(wěn)健性和泛化能力。

（四）實(shí)驗(yàn)結(jié)果的意義與審計(jì)應(yīng)用

實(shí)驗(yàn)結(jié)果表明，基于機(jī)器學(xué)習(xí)的異常檢測(cè)與風(fēng)險(xiǎn)評(píng)估方法能夠顯著提高審計(jì)師在大數(shù)據(jù)環(huán)境下的風(fēng)險(xiǎn)識(shí)別效率和精準(zhǔn)度。通過(guò)結(jié)合孤立森林、隨機(jī)森林和K-means聚類算法，進(jìn)行模型的構(gòu)建，能夠幫助審計(jì)師更有效地鎖定公司財(cái)務(wù)數(shù)據(jù)中的異常和高風(fēng)險(xiǎn)領(lǐng)域，為審計(jì)決策提供科學(xué)依據(jù)。此外，模型結(jié)果為審計(jì)實(shí)踐中的風(fēng)險(xiǎn)導(dǎo)向?qū)徲?jì)策略提供了新的工具和視角，有助于優(yōu)化審計(jì)程序，提高審計(jì)質(zhì)量和效率。

五、結(jié)論與建議

（一）研究結(jié)論

本研究基于2013-2023年中國(guó)A股上市公司的財(cái)務(wù)數(shù)據(jù)，采用孤立森林、隨機(jī)森林和K-means聚類等多種機(jī)器學(xué)習(xí)方法，構(gòu)建了一個(gè)審計(jì)風(fēng)險(xiǎn)評(píng)估框架模型。通過(guò)數(shù)據(jù)預(yù)處理、特征選擇、異常檢測(cè)和分類分析，研究有效實(shí)現(xiàn)了對(duì)企業(yè)審計(jì)風(fēng)險(xiǎn)的識(shí)別與分類。研究結(jié)果顯示，孤立森林算法能夠準(zhǔn)確檢測(cè)財(cái)務(wù)數(shù)據(jù)中的異常點(diǎn)，尤其是在企業(yè)高負(fù)債、低流動(dòng)性等特征上，這些異常點(diǎn)表明企業(yè)可能存在較高的財(cái)務(wù)風(fēng)險(xiǎn)。構(gòu)建的隨機(jī)森林分類模型在高風(fēng)險(xiǎn)和中風(fēng)險(xiǎn)類別上表現(xiàn)出優(yōu)異的風(fēng)險(xiǎn)評(píng)估效果，其準(zhǔn)確率和F1分?jǐn)?shù)均超過(guò)了90%。通過(guò)5折交叉驗(yàn)證了模型的穩(wěn)健性，平均準(zhǔn)確率達(dá)到95.86%，顯示出模型在不同數(shù)據(jù)集上的較強(qiáng)泛化能力，適用于不同類型企業(yè)的審計(jì)風(fēng)險(xiǎn)評(píng)估任務(wù)。

本研究在方法上，研究創(chuàng)新性地結(jié)合了孤立森林、隨機(jī)森林和K-means聚類等多種機(jī)器學(xué)習(xí)算法，構(gòu)建了系統(tǒng)的審計(jì)風(fēng)險(xiǎn)評(píng)估框架，有效提升了風(fēng)險(xiǎn)檢測(cè)和分類的準(zhǔn)確性與效率。這一創(chuàng)新為風(fēng)險(xiǎn)導(dǎo)向?qū)徲?jì)策略提供了新的技術(shù)支持。研究利用中國(guó)A股上市公司十年財(cái)務(wù)數(shù)據(jù)進(jìn)行實(shí)證分析，驗(yàn)證了機(jī)器學(xué)習(xí)方法在審計(jì)風(fēng)險(xiǎn)評(píng)估中的有效性，為模型的實(shí)際應(yīng)用提供了堅(jiān)實(shí)的基礎(chǔ)。

（二）未來(lái)研究建議

盡管本研究在審計(jì)風(fēng)險(xiǎn)評(píng)估中取得了一定的進(jìn)展，仍有一些值得進(jìn)一步探索的領(lǐng)域。研究發(fā)現(xiàn)數(shù)據(jù)不平衡問(wèn)題對(duì)低風(fēng)險(xiǎn)類別的預(yù)測(cè)效果產(chǎn)生了影響，未來(lái)可以引入生成對(duì)抗網(wǎng)絡(luò)（GAN）等數(shù)據(jù)增強(qiáng)技術(shù)，以改善數(shù)據(jù)不平衡，提升模型的預(yù)測(cè)精度。另外，本次研究主要聚焦在企業(yè)的財(cái)務(wù)數(shù)據(jù)上，未來(lái)研究可結(jié)合更多的非財(cái)務(wù)數(shù)據(jù)，如市場(chǎng)環(huán)境、公司治理和行業(yè)動(dòng)態(tài)等，構(gòu)建更全面的風(fēng)險(xiǎn)評(píng)估模型，以提高審計(jì)風(fēng)險(xiǎn)評(píng)估的準(zhǔn)確性與可靠性。當(dāng)前機(jī)器學(xué)習(xí)模型雖在預(yù)測(cè)性能上表現(xiàn)優(yōu)異，但其“黑箱”性質(zhì)限制了在審計(jì)實(shí)踐中的廣泛應(yīng)用。未來(lái)研究應(yīng)探索如何提升模型的可解釋性，使審計(jì)師能夠更直觀地理解模型的決策依據(jù)，增強(qiáng)其應(yīng)用可信度。最后，現(xiàn)有研究基于中國(guó)A股上市公司，未來(lái)可以將該風(fēng)險(xiǎn)評(píng)估框架應(yīng)用于不同國(guó)家和地區(qū)的上市公司，驗(yàn)證其適應(yīng)性與普遍性，為全球?qū)徲?jì)實(shí)踐提供更多參考。

參考文獻(xiàn)：

[1]吳勇，陸藝，朱衛(wèi)東，等.深度學(xué)習(xí)模型應(yīng)用：面向?qū)徲?jì)業(yè)務(wù)全流程的整合性框架[J].財(cái)會(huì)月刊，2023，44（01）：9.

[2]劉聰粉，張庚珠.基于SAE-BP神經(jīng)網(wǎng)絡(luò)的審計(jì)風(fēng)險(xiǎn)識(shí)別研究——以計(jì)算機(jī)、通信和其他電子設(shè)備制造業(yè)行業(yè)為例[J].經(jīng)濟(jì)問(wèn)題， 2024（06）：123-129.

[3]文峰.基于貝葉斯原理的審計(jì)風(fēng)險(xiǎn)估計(jì)[J].中國(guó)注冊(cè)會(huì)計(jì)師，2024（05）：40-47+5.

[4]袁濤，黃寰.基于機(jī)器學(xué)習(xí)算法的上市企業(yè)內(nèi)部控制缺陷預(yù)測(cè)研究[J].財(cái)會(huì)月刊，2024，45（07）：30-35.

[5]陳青松，梁敏杰，陳鳳儀，等.基于大數(shù)據(jù)機(jī)器學(xué)習(xí)的主動(dòng)式審計(jì)方法與應(yīng)用研究[J].中國(guó)總會(huì)計(jì)師，2024（03）：53-55.

＊本文系陜西會(huì)計(jì)學(xué)會(huì)2023-2024年度立項(xiàng)課題“人工智能技術(shù)在審計(jì)風(fēng)險(xiǎn)評(píng)估與異常檢測(cè)中的應(yīng)用”（項(xiàng)目編號(hào)：skx202356）的階段性成果。

（作者單位：羅少康，西安歐亞學(xué)院、馬來(lái)西亞博特拉大學(xué)；曾蕾婷、王舒，西安歐亞學(xué)院）