大語言模型驅(qū)動下審計智能體的構(gòu)建及財務(wù)舞弊識別實踐研究

一、前言

財務(wù)舞弊是指有目的、有預(yù)謀、有針對性的財務(wù)造假和欺騙，從而導(dǎo)致會計報表產(chǎn)生不真實反映的故意行為。財務(wù)舞弊行為會在某些方面留下蛛絲馬跡，諸如會計人員頻繁離職、變更注冊會計師事務(wù)所、關(guān)聯(lián)交易頻繁等情況。對于商業(yè)銀行來說，公司客戶的財務(wù)數(shù)據(jù)在授信額度確定、用信條件設(shè)定、貸后管理和風(fēng)險預(yù)警等方面發(fā)揮著重要作用，因此，如何更有效地識別公司客戶的財務(wù)舞弊行為，成為銀行控制風(fēng)險的關(guān)鍵舉措。

國內(nèi)很多學(xué)者通過建立財務(wù)舞弊模型來預(yù)測或識別企業(yè)的財務(wù)舞弊行為。從已有研究來看，主要分為三類：第一類是基于統(tǒng)計知識的模型，如多元判別分析、Logistic回歸和Probit回歸等（如趙英林和陳素華，2007；岳殿民等，2012；錢蘋，2015）。第二類是基于數(shù)據(jù)挖掘技術(shù)的模型，主要涵蓋人工神經(jīng)網(wǎng)絡(luò)、支持向量機、決策樹、機器學(xué)習(xí)、文本識別技術(shù)等（如張佳佳，2021；李心丹，2021等）。第三類是基于大語言模型和專家經(jīng)驗交互的模型、人工智能等技術(shù)的模型（如陳唯源和何嘉玉，2024；陳耿和王晨晗，2024；葉欽華和黃世忠，2025等）。

隨著算力、數(shù)據(jù)可得性和統(tǒng)計技術(shù)的不斷進步，以大模型和人工智能為基礎(chǔ)的方法成為財務(wù)舞弊研究的主要方向。從既有研究來看，運用人工智能方法開展財務(wù)舞弊預(yù)測研究的文獻(xiàn)數(shù)量逐漸增加，應(yīng)用“大模型+專家知識庫”的方式搭建智能體來避免人工智能幻覺、提升模型識別效率的研究相對較少。本文以大語言模型為核心搭建審計智能體，基于已有文獻(xiàn)研究成果和專家經(jīng)驗構(gòu)建財務(wù)舞弊風(fēng)險識別專家知識庫，選取2000-2021年間A股上市公司作為樣本學(xué)習(xí)集，以上市公告的財務(wù)舞弊公司對審計智能體進行訓(xùn)練，隨后在P銀行內(nèi)部審計項目中應(yīng)用審計智能體，對項目所涉及的公司信貸客戶的財務(wù)舞弊情況進行預(yù)測分析，并在項目現(xiàn)場檢查時對相關(guān)財務(wù)舞弊線索進行核查。研究發(fā)現(xiàn)，引入財務(wù)舞弊風(fēng)險識別專家知識庫的審計智能體在完成財務(wù)舞弊預(yù)測識別任務(wù)時召回率較高，彰顯出“智能體+專家知識庫”模式在銀行內(nèi)部審計和風(fēng)險管理領(lǐng)域的應(yīng)用價值。這為商業(yè)銀行系統(tǒng)化甄別客戶財務(wù)真實性、識別和防范客戶財務(wù)欺詐風(fēng)險，提出了可行性較強的人工智能模型構(gòu)建及發(fā)展建議。

二、引入專家機制的審計智能體

本文構(gòu)建的審計智能體（見圖1）主要包含以下核心功能模塊：（1）智能決策中樞，以大語言模型（LLM）為核心，協(xié)助處理感知到的財務(wù)數(shù)據(jù)輸入、財務(wù)舞弊識別體系模型，并在預(yù)設(shè)的審計邏輯約束下進行推理；（2）感知環(huán)境的輸入，多源異構(gòu)的財務(wù)數(shù)據(jù)、專家識別體系模型，被輸送到?jīng)Q策中樞，固化為可查詢到的知識庫，為審計決策提供核心依據(jù)；（3）行為輸出模塊，在知識庫的驅(qū)動和邏輯約束下，完成審計推理，最終輸出可執(zhí)行的審計結(jié)論。

在上述功能模塊的基礎(chǔ)上，將基于文獻(xiàn)研究和銀行審計專家經(jīng)驗的財務(wù)舞弊識別指標(biāo)體系，轉(zhuǎn)化為一個可計算、可迭代的審計規(guī)則執(zhí)行系統(tǒng)。智能體憑借LLM強大的文本理解與推理能力，運作機制如下：（1）數(shù)據(jù)整合層，對輸入的多源異構(gòu)上市公司財務(wù)數(shù)據(jù)開展預(yù)處理與融合工作；（2）規(guī)則固化與執(zhí)行，將復(fù)合指標(biāo)計算邏輯固化為審計規(guī)則，存儲于規(guī)則庫中。執(zhí)行任務(wù)時，審計智能體根據(jù)目標(biāo)激活相應(yīng)規(guī)則，調(diào)取關(guān)聯(lián)數(shù)據(jù)執(zhí)行指標(biāo)計算；（3）約束推理與結(jié)論生成，在審計邏輯約束層（確保合規(guī)性與業(yè)務(wù)邏輯）的管控下，基于計算結(jié)果完成審計分析，輸出舞弊識別結(jié)論。該審計智能體能夠動態(tài)、實時地驗證該指標(biāo)體系的有效性，從而形成完整的“理論構(gòu)建（指標(biāo)提出）→實證驗證（實時計算與識別）→模型迭代（規(guī)則與指標(biāo)優(yōu)化）”研究閉環(huán)。

為將專家知識庫融入審計智能體中，本文設(shè)計了三層審計邏輯鏈架構(gòu)（見圖2），確保大模型的推理嚴(yán)格遵循審計邏輯并服務(wù)于復(fù)合指標(biāo)體系的動態(tài)驗證。

1.數(shù)據(jù)注入層：負(fù)責(zé)將結(jié)構(gòu)化的上市公司財務(wù)數(shù)據(jù)精準(zhǔn)嵌入AI指令。核心任務(wù)是將數(shù)值型復(fù)合指標(biāo)的計算結(jié)果與相關(guān)文本描述錨定至提示詞，并支持按行業(yè)、年份等維度動態(tài)構(gòu)建分析場景，從而為后續(xù)的指標(biāo)驗證提供有針對性的數(shù)據(jù)輸入。

2.審計規(guī)則層：將依托專家經(jīng)驗構(gòu)建的舞弊識別知識庫轉(zhuǎn)化為可執(zhí)行的規(guī)則樹。該層嚴(yán)格限定大模型的鏈?zhǔn)酵评砺窂剑蛊浔仨氉裱爸笜?biāo)異常檢測—關(guān)聯(lián)會計科目定位—潛在舞弊假設(shè)生成—證據(jù)鏈指向分析”的專業(yè)審計流程，確保推理聚焦于指標(biāo)異常的可疑點。

3.推理約束層：對審計智能體的最終輸出施加嚴(yán)格約束，強制要求結(jié)論附帶精確到數(shù)據(jù)點或指標(biāo)值的可追溯證據(jù)來源，并將大模型可能產(chǎn)生的模糊判斷轉(zhuǎn)化為結(jié)構(gòu)化、基于規(guī)則和指標(biāo)證據(jù)的決策輸出，如舞弊風(fēng)險等級、具體科目疑點。

圖3展示了此三層邏輯鏈聯(lián)動下的工作流程，以及在復(fù)合指標(biāo)體系驅(qū)動下，大模型進行審計推理時的數(shù)據(jù)流動路徑與結(jié)構(gòu)化決策邏輯。該架構(gòu)是審計智能體動態(tài)執(zhí)行指標(biāo)計算、驗證指標(biāo)異常與舞弊關(guān)聯(lián)性，并輸出可審計結(jié)論的核心機制。

三層邏輯鏈架構(gòu)的協(xié)同聯(lián)動，為審計智能體建模動態(tài)驗證復(fù)合指標(biāo)體系提供了顯著的技術(shù)優(yōu)勢：一是審計軌跡具備顯性化與可驗證性。審計智能體所輸出的結(jié)論能夠完整追溯至原始數(shù)據(jù)源及復(fù)合指標(biāo)計算規(guī)則，為指標(biāo)有效性的實證分析提供透明、可審計的軌跡。二是專家知識庫的可復(fù)用固化與迭代。將復(fù)合指標(biāo)異常判定邏輯進行系統(tǒng)編碼，并沉淀為可迭代更新的規(guī)則庫，這不僅可以驅(qū)動當(dāng)前審計智能體，更構(gòu)建了持續(xù)優(yōu)化舞弊識別指標(biāo)體系的核心知識資產(chǎn)。三是可提供監(jiān)管合規(guī)與量化決策支撐。對關(guān)聯(lián)指標(biāo)值、數(shù)據(jù)點、規(guī)則等證據(jù)進行精確標(biāo)注，能夠滿足審計底稿索引要求；規(guī)則庫預(yù)設(shè)的指標(biāo)異常評分閾值，為風(fēng)險判斷提供了客觀、可審計的量化依據(jù)，顯著增強了結(jié)論的合規(guī)性與說服力。這些技術(shù)優(yōu)勢確保了本文提出的方法能夠在智能體建模框架下接受嚴(yán)格、透明、符合審計準(zhǔn)則的動態(tài)驗證，并支撐其持續(xù)優(yōu)化，最終達(dá)成研究閉環(huán)。

三、模型在銀行內(nèi)部審計實務(wù)中的應(yīng)用

（一）研究方案設(shè)計

為完成財務(wù)舞弊識別任務(wù)，數(shù)據(jù)注入層對企業(yè)年報、財報附注等結(jié)構(gòu)化數(shù)據(jù)與管理層討論、輿情等非結(jié)構(gòu)化文本進行整合；審計規(guī)則層構(gòu)建專家指標(biāo)規(guī)則庫（如存貸雙高等），為推理過程提供專家經(jīng)驗指導(dǎo)；推理約束層強制要求大模型必須從規(guī)則庫中選擇專家指標(biāo)作為推理過程中遵循的原則，實現(xiàn)輸出結(jié)論邏輯的合規(guī)性、可解釋的要求。驗證方案以證監(jiān)會處罰的355例舞弊樣本與行內(nèi)客戶數(shù)據(jù)作為觀測集來設(shè)置實驗組（見表1）。

（二）智能體調(diào)優(yōu)過程

1.規(guī)則庫的迭代優(yōu)化。通過分析新增樣本中的舞弊模式，持續(xù)擴充規(guī)則庫，以覆蓋更廣泛的異常場景；淘汰效力衰減或無效的規(guī)則，確保規(guī)則集的簡潔與高效；針對不同行業(yè)特性細(xì)分規(guī)則，建立多套具有行業(yè)特異性的判別邏輯，以增強泛化能力（見表2）。

2.判別閾值的動態(tài)設(shè)定。初期，為實現(xiàn)潛在風(fēng)險的最大限度識別，可適當(dāng)降低閾值，優(yōu)先保障較高的查全率。雖然此操作可能導(dǎo)致一定數(shù)量的誤報，但能夠有效控制漏檢風(fēng)險。隨著審計反饋數(shù)據(jù)的不斷積累，逐步優(yōu)化閾值參數(shù)，從而達(dá)成查全率與查準(zhǔn)率之間的平衡，持續(xù)提升智能體的實用性與可靠性（見表3）。

3.反饋閉環(huán)持續(xù)進化。智能體對客戶發(fā)出高風(fēng)險預(yù)警，并啟動審計驗證流程，將審計人員確認(rèn)后的結(jié)論（無論真?zhèn)危┓答佒料到y(tǒng)。經(jīng)過驗證的標(biāo)注樣本將用于后續(xù)訓(xùn)練，構(gòu)建“預(yù)警—驗證—更新”的自治循環(huán)，推動智能體在執(zhí)行過程中持續(xù)迭代、不斷提升判別能力。

4.可解釋性。每次風(fēng)險預(yù)警均需提供清晰的決策依據(jù)，包括觸發(fā)的具體規(guī)則、每條規(guī)則的權(quán)重及其對當(dāng)前決策的貢獻(xiàn)度，要求智能體輸出如下形式的結(jié)論：“該客戶被判為高風(fēng)險（概率87%），主要依據(jù)為：（1）營業(yè)收入與銷售商品收到現(xiàn)金的差異存在異常（貢獻(xiàn)度40%）；（2）毛利率持續(xù)高于行業(yè)中位數(shù)（貢獻(xiàn)度30%）；（3）前五大供應(yīng)商集中度出現(xiàn)顯著變動（貢獻(xiàn)度17%）。”此類具有可解釋性的輸出能夠顯著提升智能體的透明度和可接受度，促進人機協(xié)同效率的提高。

（三）引入專家機制的審計智能體

通過查詢相關(guān)文獻(xiàn)（葉欽華等，2022；周衛(wèi)華等，2022），并結(jié)合單位內(nèi)部審計工作經(jīng)驗總結(jié)，本文從基本情況、財務(wù)指標(biāo)、財務(wù)舞弊指標(biāo)、外部負(fù)面信息四個方面，建立公司財務(wù)舞弊識別模型體系，該體系涵蓋企業(yè)分紅情況、審計意見、貨幣資金占比、存貸雙高、公司被執(zhí)行次數(shù)等74個指標(biāo)。

本文選取“存貸雙高”“存貨異常”“應(yīng)收賬款異常”這三個常見財務(wù)異常指標(biāo)作為專家機制引入審計智能體，以進一步驗證其對模型效果的提升作用。大模型驗證對財務(wù)舞弊客戶預(yù)測的召回率見表4。

經(jīng)觀察可知，引入復(fù)合專家指標(biāo)后，模型的召回率實現(xiàn)顯著的跨越式提升（分別提升15.5%，14.1%，15.9%），這表明存貸雙高等復(fù)合特征能夠有效捕捉傳統(tǒng)模型所忽略的隱蔽性造假模式。如果將專家經(jīng)驗從單一規(guī)則（v1.0）升級至多指標(biāo)動態(tài)聯(lián)動分析（v2.0）時，召回率進一步提升7.2%，這意味著審計邏輯鏈的完備性對風(fēng)險識別起著決定性作用。

（四）在審計項目中的應(yīng)用

P銀行在2023年和2024年所開展的審計項目中，運用該智能體對審計項目涉及的公司信貸客戶的財務(wù)舞弊風(fēng)險進行識別，共識別出16個財務(wù)舞弊風(fēng)險程度較高的客戶，相關(guān)審計線索由審計組在審計項目現(xiàn)場展開核查。通過審計驗證發(fā)現(xiàn)5家公司信貸客戶涉及財務(wù)舞弊，這進一步驗證了模型的有效性。例如，模型識別出公司信貸客戶GT電子有限公司的財務(wù)舞弊風(fēng)險程度較高，通過非現(xiàn)場分析可知，該客戶呈現(xiàn)出毛利率顯著高于行業(yè)平均水平的特征。該客戶2021年末財務(wù)報表顯示，營業(yè)收入為25.62億元、凈利潤為7.38億元和所得稅為0元，客戶毛利率達(dá)到34.94%，而行業(yè)平均值為12.3%。現(xiàn)場審計發(fā)現(xiàn)，客戶實際營業(yè)收入為18.9億元，實際凈利潤為0.77億元，實際毛利率僅為12.17%。

四、結(jié)論

本文研究表明，引入專家經(jīng)驗的財務(wù)舞弊指標(biāo)知識庫后，審計智能體在上市公司驗證集上的召回率顯著提升。專家型審計智能體，能夠高效識別潛藏的財務(wù)舞弊風(fēng)險，精準(zhǔn)指引線索方向，強調(diào)路徑可實現(xiàn)，工具可復(fù)用，效果可驗證，使得審計證據(jù)含金量有了質(zhì)的飛躍。本文為基于大模型開展公司財務(wù)舞弊審計提出新的思路：一是“大模型外掛知識庫”是人工智能在審計領(lǐng)域應(yīng)用的重要范式，“通用+專業(yè)”雙軌協(xié)同模式將進一步推動審計向全量數(shù)據(jù)分析和預(yù)測性風(fēng)險管理方向演進。二是加快構(gòu)建完善的銀行客戶數(shù)據(jù)管理平臺，接入工商、司法、稅務(wù)、征信等外部數(shù)據(jù)，多渠道、多維度地收集客戶財務(wù)及非財務(wù)信息，引入更多“專家”來完善客戶畫像，為精準(zhǔn)識別客戶舞弊奠定基礎(chǔ)。三是加強大語言模型在銀行內(nèi)部審計場景的理論研究及應(yīng)用，強化專家經(jīng)驗和人工智能的交互，提升銀行內(nèi)部審計智能化水平和公司客戶財務(wù)舞弊風(fēng)險識別能力，努力實現(xiàn)“科技強審”目標(biāo)。

文章摘自《中國內(nèi)部審計》雜志2025年第11期

作者：徐佩利 曾鵬宇 阿古拉 張晉烽 熊文 王可瑞

單位：中國郵政儲蓄銀行審計局 中國郵政儲蓄銀行軟件研發(fā)中心 中國郵政儲蓄銀行審計局廣州分局

編輯：孫哲

目前190000+人已關(guān)注我們，您還等什么？