基于迭代式聚类的审计疑点发现——以上市公司财报数据为例

数据库查询技术作为目前计算机审计的主要方法,是一种通过审计人员先验知识发现审计疑点的方法。但当缺乏相关审计知识时,便难以给出从海量数据中发现疑点的方法。为破解这一难题,提出基于迭代式聚类的审计疑点发现方法。该方法可在无先验知识的情形下,通过对审计指标的分析,将与大多数被审计对象行为明显相异的少数对象自主识别为审计疑点。利用多种非结构化信息及网络爬取技术,从140份审计报告中自动提取出高频审计问题并据此选定财务指标;归集2008—2012年913家上市公司的财报数据,应用迭代式聚类方法,挖掘出68家疑点公司进行分析。并利用证监会等机构的非结构化网络信息,验证了此方法的有效性。验证结果表明:迭代式聚类方法有助于从海量数据中自主发现审计疑点,缩小疑点筛查范围,提高审计效率。

基于改进Leaders算子的审计潜在疑点发现

数据库查询方法审计疑点发现依赖于审计人员先验知识,当经验不足且审计数据量巨大时,难以发挥大数据优势并从海量数据中发现疑点。为解决这一问题,提出基于改进Leaders算子迭代聚类的审计大数据潜在疑点发现方法。该方法在无先验知识的情形下,通过Leaders算法自动完成审计大数据的初始聚类,在此基础上通过随机抽样融合方法对初始聚类结果优化,最后通过多次迭代聚类的方法,对实例数较少或可疑程度易被掩盖的小簇进一步聚类,实现审计大数据的精确聚类,并将实例较少且行为明显异常的数据聚类识别为潜在疑点,配合审计人员审计经验快速精确定位审计疑点。实验结果验证了算法的有效性,表明算法有助于从海量数据中自主发现审计疑点,缩小疑点筛查范围,提高审计效率。