王鑫根

摘 要：采用層次分析法，從重大報錯風險、審計人員風險、審計程序風險3個維度構建了電力企業(yè)審計風險評估指標，對BP神經網絡初始權值、閾值進行優(yōu)化，提出了電力企業(yè)審計風險評估的BSA-BP模型。將提出的模型和專家評估結果進行對比，2種方法保持了一致性。采用BAS-BP神經網絡找出了電力企業(yè)審計工作開展過程中的薄弱環(huán)節(jié)，采取針對性的措施進行改進。2次審計評估結果表明，采取針對性的措施改進后，企業(yè)的審計風險明顯降低。

關鍵詞：BP神經網絡；天牛須搜索算法；審計風險評估；電力企業(yè)

中圖分類號：F407.6；TP391

文獻標志碼：A文章編號：1001-5922（2023）04-0187-05

Model establishment and algorithm optimization of enterprise audit based on data mining technology

WANG Xingen

（Guangzhou power trading center of China Southern Power Grid Co.，Ltd，Guangzhou 510800，China）

Abstract：Using the analytic hierarchy process，this paper constructed the audit risk assessment index of power enterprises from three dimensions of major error risk，auditor risk and audit procedure risk，optimized the initial weights and thresholds of BP neural network，and proposed the BSA-BP model for the audit risk assessment of power enterprises.Comparing with the proposed model with the expert evaluation results，the two methods were consistent.In addition，BAS-BP neural network was used to find out the weak links in the audit work of power enterprises，and targeted measures were taken to improve it.The results of the second audit evaluation showed that after taking targeted measures to improve，the audit risk of enterprises was significantly reduced.

Key words：BP neural network;beetle antennae search algorithm;audit risk assessment;electric power enterprises

電力企業(yè)的發(fā)展直接影響到國民經濟的發(fā)展，強化電力企業(yè)審計工作的開展對確保企業(yè)的正?；\營意義重大。企業(yè)審計包括3個階段，即賬項基礎、制度基礎、風險導向，其中風險導向是審計方法應用和戰(zhàn)略定位的發(fā)展方向。通過對電力企業(yè)審計風險因素的定性分析來及時有效處理審計風險，避免企業(yè)在經營過程中面臨財務危機［1］。電力企業(yè)對有機硅材料、橡膠材料等需求比較大，審計水平不高會導致經營決策不科學，進而導致資源的浪費，增加企業(yè)的經營成本［2］。數(shù)據挖掘技術是對海量、含噪、缺失、隨機的數(shù)據中挖掘具有隱藏價值信息的新技術，在各行各業(yè)得到了廣泛應用。陳鑫將數(shù)據挖掘技術應用于

洪水預報實時校正中，降低了洪峰預報、洪量預報、峰現(xiàn)時間預報誤差，對有效預警和防災減災發(fā)揮重要作用［3］。劉明將數(shù)據挖掘技術應用于網絡控制系統(tǒng)建模中，構建了控制參數(shù)預測模型，確定了最佳的控制參數(shù)，實現(xiàn)了對網絡系統(tǒng)的高精度控制［4］。數(shù)據挖掘應用中常常使用采用自適應強、容錯性佳、魯棒性好的人工神經網絡，其對數(shù)據的挖掘處理優(yōu)勢突出［5］。基于此，采用層次分析法構建審計風險評估指標，并建立基于改進BP神經網絡的審計風險評估模型，提升電力企業(yè)審計風險評估的精度。

1 電力企業(yè)審計風險評估指標構建

企業(yè)審計風險具有3個方面的特征，即審計環(huán)境復雜、審計對象動態(tài)和審計方法多樣。結合審計準則，從重大報錯風險、審計人員風險、審計程序風險3個角度來構建電力企業(yè)審計風險評估指標體系。不同審計風險評估指標對審計風險評估所產生的作用不同，部分的指標甚至不影響審計風險評估的結果。因此，采用層次分析法對比各評價指標權重，構建電力企業(yè)審計風險評估指標體系。設電力企業(yè)審計風險評估指標矩陣為A，即［6］：

A=x11x12…x1nx21x22…x2nMMOMxm1xm2Lxmn（1）

式中：xij為指標xi對指標xj的重要度。

對指標判斷矩陣A的各行元素相乘，即：

Li=∏mj=1xij（2）

對Li計算m次方根，即：

ω-i=mLi（3）

進行歸一化處理，即：

ωi=ω-i∑mi=1ω-i（4）

計算判斷矩陣A的最大特征值，即：

λmax=∑mi=1Aωimωi （5）

計算第i層評價指標權重，即：

Ci=ci1ci2ci3（6）

將指標權重和事先設定的閾值對比，選擇權重大于閾值的指標作為電力企業(yè)審計風險評估的指標，構建的電力企業(yè)審計風險評估指標體系如圖1所示。

從圖1可以看出，所構建的電力企業(yè)審計風險評估指標不僅有定量化指標，同時還有定性化指標。對定量化指標而言，為避免不同量化指標之間存在的量綱差異，需要進行歸一化處理。不同的定量化指標和評估結果之間的關系所不同，如果其和評估結果之間為正相關，那么采用式（7）進行歸一化處理；如果其和評估結果之間是負相關，那么采用式（8）進行歸一化處理，即［7］：

di=xi－ximinximax－ximin（7）

di=1－xi－ximinximax－ximin（8）

對定性化指標而言，采用專家評分法進行指標的量化處理，確保定性指標和定量指標之間具有可比性。

2 電力企業(yè)審計風險評估模型構建

2.1 BP神經網絡模型

BP神經網絡由Rumelhart提出，網絡訓練采用的是逆向傳播算法，屬于典型的多層前饋網絡。大量實踐表明，BP神經網絡具有良好的性能，典型BP神經網絡結構由輸入層、隱含層、輸出層組成，具體結果如圖2所示［8］。

BP神經網絡訓練的過程為數(shù)據x從輸入層輸入，傳遞到隱含層，再由隱含層傳遞到輸出層。將輸出層輸出的數(shù)據y和期望輸出進行對比。如果不滿足精度要求，就會進入到反向傳播階段。在誤差反向傳播的過程中對輸入層到隱含層、隱含層到輸出層之間的連接權重進行調整，降低輸出數(shù)據和期望輸出之間的誤差。設ω1、b1分別為輸入層到隱含層的權值矩陣、偏差矩陣，ω2、b2分別為隱含層到輸出層的權值矩陣、偏差矩陣，f1、f2為輸入層到隱含層和隱含層到輸出層的神經元傳遞函數(shù)，那么［9］

y=f2ω2·f1ω1x－b1－b2 （9）

BP神經網絡訓練的過程就是通過梯度下降法來調整連接權值、閾值的過程，使得網絡輸出和期望輸出之間誤差最小。定義目標函數(shù)為M，即：

M=min∑Ni=1y′i－yi2（10）

式中：N為訓練樣本數(shù)；y′i為BP神經網絡輸出值；yi為期望輸出值。

大量的實踐經驗表明，梯度下降法進行訓練學習效率不高，而且受到初始權值、閾值的影響大。當BP神經網絡的初始權值和閾值選擇不當時，網絡訓練學習可能會陷入局部最優(yōu)的狀態(tài)［10］。

2.2 天牛須搜索算法

天牛須搜索算法（BAS）也稱之為甲殼蟲須搜索算法，是研究人員根據天牛覓食行為構建的算法模型。由于BAS只需要一個個體，這使得其原理簡單、參數(shù)少、計算量小，受到了學術界的廣泛關注［11］。因此，運用BAS來優(yōu)化BP網絡的初始權值與閾值，達到提高算法性能的目的。

天牛覓食是根據食物氣味來工作的，其自身并不了解覓食食物的位置。天牛覓食的路徑選擇依賴于天牛的2只長觸角，當天牛的左觸角接收到的食物氣味強度比較大時，那么天牛就會向左邊移動；當天牛的右觸角接收到的食物氣味強度比較大時，那么天牛就會向右邊移動。天牛覓食的路徑依賴于其左右觸角接收到的食物氣味濃度，結合濃度來做出判斷，最終達到到達食物所在位置的目的［12］。天牛覓食示意如圖3所示。

為了問題的簡化，結合天牛須覓食過程做出假設，即天牛須的2個觸角位于天牛須質心的兩側，天牛須覓食的步長與2個觸角之間距離的比值是定值，同時天牛須每走一步，其頭的朝向是隨機的［13］。通過合理性假設確保了體積比較大的天牛須在實際的覓食過程中走大步，體積比較小的天牛須在實際的覓食過程中走小步，同時避免天牛須搜索陷入局部最優(yōu)的狀態(tài)。BAS簡化模型如圖4所示［14］。

食物氣味為空間的三維函數(shù)，在不同的位置，食物的氣味強度往往也是不同的，同時氣味強度是空間位置的連續(xù)函數(shù)。天牛覓食過程依賴于左右2須，通過判斷自身鄰近2個點食物的氣味強度來規(guī)劃下一步的移動方向。BAS主要包括4個步驟，具體如下［15］：

（1）對n維空間優(yōu)化問題，初始化天牛的左右須坐標和質心坐標分別為xl、xr、x，天牛左右2須的距離為d0，步長為step；

（2）考慮到天牛朝向是任意的，因此產生隨機向量dir來表示天牛右須指向左須的朝向，即：

dir=randn，1（11）

對產生的隨機向量dir歸一化，即

dir=dirnormdir（12）

天牛左右須位置可以通過質心位置、2須距離、歸一化的隨機向量來表示，即［16］：

xl=x+d0·dir2xr=x－d0·dir2（13）

（3）設f為待優(yōu)化函數(shù)，計算天牛左須與右須的值，構造如下迭代格式［17］：

xt+1=xt+step·dirxl－xrFlFr（14）

式中：Fl和Fr的計算公式：

Fl=fxl； Fr=fxr（15）

（4）判斷是否滿足迭代終止條件（尋優(yōu)精度、最大迭代次數(shù)），如果滿足，迭代終止，輸出為尋優(yōu)結果；如果不滿足，繼續(xù)迭代。

2.3 BAS-BP審計風險評估模型

對BP網絡的初始權值與閾值進行優(yōu)化，使得用于電力企業(yè)審計風險評估的BP神經網絡性能得到提升。BAS-BP審計風險評估模型流程如圖5所示。

3 實例分析

3.1 數(shù)據來源

電力企業(yè)審計對企業(yè)的發(fā)展具有至關重要的影響，通過審計風險評估來確保企業(yè)資產安全，這不僅能夠提升電力企業(yè)的內部管理水平，同時也可以大大增強企業(yè)抵御巨大市場風險的能力。選擇10家電力企業(yè)作為研究對象，采用BAS-BP審計風險評估模型進行審計風險評價。借助的平臺為MATLAB軟件，其中模型的輸入層和中間層連接函數(shù)為Tansig函數(shù)，中間層和輸出層連接函數(shù)為Logsig函數(shù)［18］，審計風險評估模型的訓練誤差為10-4。

3.2 結果分析

3.2.1 企業(yè)審計風險評估結果

采用MATLAB軟件編制程序，對BAS-BP神經網絡進行訓練學習，得到訓練次數(shù)和訓練誤差關系曲線，結果如圖6所示。

從圖6可以看出，當模型訓練次數(shù)在150次時，其訓練誤差滿足設定的要求。采用訓練好的模型對所選擇的10家電力企業(yè)審計風險實施評估，結果如表1所示。

3.2.2 審計評估模型有效性驗證

為了驗證BAS-BP神經網絡模型對電力企業(yè)審計風險評估的有效性，將其和專家對電力企業(yè)審計風險評估的結果進行對比［19］，結果如圖7所示。

從圖7可以看出，BAS-BP模型對電力企業(yè)審計風險評估的結果基本和專家的評估結果保持了一致性，即提出的BAS-BP評估模型可信。

3.2.3 審計風險評估結果對比

對電力企業(yè)審計風險實施評估，精準定位電力企業(yè)審計中存在的薄弱環(huán)節(jié)，采取針對性措施來處理和解決審計過程中的薄弱環(huán)節(jié)［20］，并進行2次審計風險評估，并和首次審計風險評估結果進行對比，結果如表2所示。

由表2可知，對所選擇的十家電力企業(yè)而言，第2次審計風險評估結果具有了不同程度的降低。由此可見，電力企業(yè)對審計薄弱環(huán)節(jié)采取更具針對性的處理和把控措施有助于審計風險的降低，對確保企業(yè)的財務安全，提升企業(yè)的市場競爭力具有現(xiàn)實價值。

4 結語

電力企業(yè)審計對企業(yè)風險識別、流程優(yōu)化、避免財務危機至關重要，通過審計風險評估來找出企業(yè)審計的薄弱環(huán)節(jié)。論文采用層次分析法，從重大報錯風險、審計人員風險、審計程序風險三個角度構建了審計風險評估指標。采用BAS優(yōu)化BP神經網絡的初始化權值和閾值，提出了基于BAS-BP的企業(yè)審計風險評估模型。將BAS-BP對企業(yè)審計風險評估的結果和專家評估結果進行對比，驗證了BAS-BP審計風險評估模型的有效性。這對電力企業(yè)更高高效開展審計風險評估，提升審計工作質量具有一定的參考。

【參考文獻】

［1］萬嬋.電力企業(yè)數(shù)據資產監(jiān)控體系的建立［J］.粘接，2020，42（6）：73-77.

［2］ 陳曉.10kV配電網線路常見的施工故障及運維技術難點分析［J］.粘接，2020，44（11）：150-154.

［3］ 陳鑫，劉艷麗，張建云，等.數(shù)據挖掘技術在洪水預報實時校正中的應用［J］.水力發(fā)電學報，2022，41（8）：54-62.

［4］ 劉明.基于數(shù)據挖掘技術的網絡控制系統(tǒng)建模與分析［J］.沈陽工業(yè)大學學報，2022，44（4）：446-450.

［5］ 尚福華，曹茂俊，王才志.基于人工智能技術的局部離群數(shù)據挖掘方法［J］.吉林大學學報（工學版），2021，51（2）：692-696.

［6］ 范棟林.基于AHP構建的專業(yè)技術實踐質量評價體系模型分析［J］.粘接，2022，49（12）：141-145.

［7］ 楊寒雨，趙曉永，王磊.數(shù)據歸一化方法綜述［J］.計算機工程與應用，2023，59（3）：13-22.

［8］ 李永鋒.改進的混沌理論和BP神經網絡化工產品需求預測模型設計［J］.粘接，2022，49（8）：177-181.

［9］ 劉宇，王偉偉，邸克，等.基于SA優(yōu)化BP神經網絡的室內外無縫定位算法［J］.計算機仿真，2022，39（12）：485-489.

［10］ 生萬寶，張本國，吳迪，等.基于蟻群算法-BP神經網絡的漏鋼預報模型研究［J］.特種鑄造及有色合金，2022，42（11）：1366-1369.

［11］ 單斌斌，李華，谷瑞政，等.基于天牛須搜索算法的短期風電功率組合預測［J］.科學技術與工程，2022，22（2）：540-546.

［12］ 田桂林，呂謀超，蘇楓，等.基于天牛須搜索算法的渠系優(yōu)化配水初步研究［J］.節(jié)水灌溉，2021，316（12）：38-42.

［13］ 汪祖民，田紀宇，王寶鳳.改進天牛須搜索算法的工控系統(tǒng)入侵檢測［J］.計算機工程與設計，2021，42（8）：2108-2114.

［14］ 廖列法，楊紅.天牛須搜索算法研究綜述［J］.計算機工程與應用，2021，57（12）：54-64.

［15］ 曲云霄，林升垚，徐晉勇，等.基于天牛須搜索算法的電池模型參數(shù)辨識［J］.電源技術，2021，45（6）：728-731.

［16］ 王道累，孫昊，胡松，等.基于天牛須搜索算法的單目相機標定方法［J］.濟南大學學報（自然科學版），2020，34（6）：568-574.

［17］ 高澤海，劉洋，陳杰，等.基于增強天牛須搜索算法的專色配方預測方法［J］.西北工業(yè)大學學報，2022，40（6）：1422-1430.

［18］ 陳玉坤，管會生，周磊，等.基于BP神經網絡的盤形滾刀磨損預測研究［J］.現(xiàn)代隧道技術，2021，58（5）：78-84.

［19］ 冷繼波.關于經濟審計風險優(yōu)化評估仿真研究［J］.計算機仿真，2017，34（4）：216-219.

［20］ 陳艷芬，彭俊英，姚莉.上市公司年報審計風險評估程序缺陷及對策研究［J］.中國注冊會計師，2021，269（10）：81-83.