| 吴勇 汪凡 陆艺 张超

一、引言

科技强审是21世纪以来审计发展最显著的特征之一，审计的数字化和智能化特征日益凸显。数智时代，传统审计取证模式、审计流程和审计技术方法不够有效和高效，亟需做出适应性变革。为了有效应对数字化转型的变化与挑战，审计理论和实践发展越来越呈现出跨学科融合的特征，这对审计人员数据分析能力素养提出了更高的要求（毕秀玲和陈帅,2019;张庆龙等,2020）。注册会计师应当具备坚实的审计数据分析知识基础，掌握审计数据分析必备的技能，超越传统的比率分析和抽样分析，以便更高效地利用先进数据分析技术提高审计效率、提升审计质量。虽然会计师事务所已经使用了某些标准化的商业审计软件包，但这些工具软件包主要用于实现传统手工测试的自动化，未能将数据分析工具完美嵌入审计流程中，通常难以满足数智时代的审计需求，例如对文本挖掘、情绪分析、语言识别、图像分析以及其他数据挖掘的解决方案（Forbes Insights, 2018）。2022年3月25日财政部办公厅印发《关于加强新时期注册会计师行业人才工作的指导意见（征求意见稿）》，其中在加强注册会计师专业方向学历教育与行业需求的衔接部分，提出要持续完善注册会计师专业方向的课程体系，强化信息化、数字化等方面的技能储备。然而，大数据、云计算、人工智能、移动互联、物联网和区块链等新兴数字化技术类型多样，在具体审计实务过程中，注册会计师的信息化专业能力短板日益突显（汪轶民和曾琦,2022）。因此，如何对审计师数字化技术应用能力进行系统性集成，研究构建审计师数据分析能力的整合性框架，以科学的策略和有效的路径，综合提升审计师数据分析能力是亟待解决的重要课题。

为此，立足于以信息为中心的数字化商业环境特征以及大数据分析对审计行业的系统性影响，考虑审计数据分析知识、技能和工具之间的互补性关系，构建了“全面的数据采集和处理能力、高效的数据统计和分析能力、深度的数据挖掘和洞察能力”三层递进式审计师数据分析素养框架，面向审计师不同的角色任务和岗位职责，提出差异化的审计数据分析能力提升策略，并从CPA考试、审计准则以及课程教学改革等多个维度，提出系统提升审计师数据分析能力的策略路径。

二、数字化转型对审计师数据分析能力的系统性影响

1.“以信息为中心”成为数字经济时代企业商业环境的重要特征。新一代信息技术的广泛应用和各行业数字化转型的持续推进，产生了丰富的业务、财务、市场和客户等大数据。全球信息技术连接、数据收集技术（如RFID和条形码）、区块链和加密货币、可扩展商业报告语言（XBRL）、电子数据交换（EDI）、云计算、大数据、人工智能等技术的发展，促进了业务数据的创建、收集和利用，以信息为中心成为数字经济时代企业商业环境的重要特征。通过UPC扫描仪可以在收银机上获取所购物品的详细信息，无线电频率识别（RFID）允许企业识别库存和产品，并在整个供应链中跟踪它们。此外，还能够获得外部社交媒体（如论坛、博客）上的海量信息。这种数字化商业环境要求所有参与者能够以灵活、创造性、有说服力的方式进行数据分析，以便能够挖掘洞察海量数据背后隐藏的模式特征和规律。

2.数字化转型对审计师的数据分析能力提出更高要求。人工智能技术增强了对文本、语音、视频等多模态大数据信息的感知洞察能力，数据资产成为企业价值创造的重要驱动因素。数字化转型背景下，企业商业环境的重要特征是形成了以大数据信息为中心的经济。大数据作为一种重要的战略性资源，有助于审计师提升审计效率、提高审计质量。与标准数据分析工具可以理解的结构化财务或交易数据不同，大数据更多的以半结构化或非结构化等数据型态存在，这就需要对数据进行清洗、转化、标记和分类，以生成元数据，形成对决策有用的信息，这对大数据环境下审计师的数据分析能力提出了更高的目标，要求审计师增强数据分析能力和信息技术应用能力，注重批判性思维和解决复杂问题的能力，更加频繁地使用数据分析技术和工具，更加强调测试总体而不是子集或样本，充分利用区块链技术和智能合约，并在审计过程中使用机器学习和其他人工智能技术，推进审计流程的高度自动化和智能化，推动持续审计和持续监测（Sun和Sales,2018; Zhang, 2019）。

随着业务越来越以信息和数据为中心，企业领导者常常担心包括审计人员在内的员工是否拥有从数据中提取价值的基本分析技能，而这些需求也随着数字化技术的深度应用以及大数据资源的持续累积而进一步扩大。数据分析知识是数字化转型背景下毕业生最需要具备的技能。Forbes Insights（2017）和毕马威（KPMG,2018）的调查也得出类似结论，近80%的受访者认为审计师应该使用更大的数据样本，78%的受访者认为审计师应该在审计业务中使用更先进的技术和分析方法，可视化和人工智能技术在未来将是审计师必备的能力。

三、数智时代审计人员数据分析能力的递进式整合框架

审计数据分析（Auditdata analytics,ADA）是“通过分析、建模和可视化来发现和分析模式，以识别异常，并提取审计主题相关数据中的其他有用信息，以规划或执行审计的科学和艺术”（AICPA, 2017）。大数据环境下，审计人员面对内外部海量动态、多源异构的大数据资源，如何加以系统性整合集成，以便服务于相关审计目标、辅助审计决策判断，这对审计人员的数据分析能力提出了更高的要求。为了充分发挥大数据、人工智能等新一代信息技术的优势，有效应对挑战，必须要重构审计人员数据分析能力的框架，论文提出了大数据环境下审计人员数据分析能力素养的三层递进式框架，其中：“全面的数据采集和处理能力”是基础，只有能够全面高质量地获取与审计目标和审计任务相关的内外部大数据，才能为后续的深度数据分析提供基础性数据资源；“高效的数据统计和分析能力”是复杂数据分析的常规方法，有助于从定量和定性两个维度，对被审计对象形成更为深刻的认识。前两个层次作为整体能力框架的底层，为审计师全面理解和分析数据奠定了基础，而对于第三层的“大数据的深度挖掘分析和洞察能力”，旨在结合计算机科学和数据科学最新的理论、方法和工具，通过整合各种功能强大的先进数据分析技术，实现对复杂海量数据的分析、整合和集成，挖掘洞察海量数据中所蕴含的模式和规律，为审计目标完成和审计决策判断提供有价值的建议。研究过程中系统总结梳理了当前9种先进的数据分析技术，包括可视化、机器学习、关联分析、文本挖掘、过程挖掘、深层神经网络、计算机辅助审计技术，区块链智能合约和机器人流程自动化。

（一）全面的数据采集与处理能力

审计师开展审计工作，制定审计计划之前，应该充分了解被审计单位及其环境，以评估重大错报风险。大数据环境下，审计师应在充分了解客户商业环境和所处行业状况的的基础上，充分关注与企业经营相关的内外部海量数据。

1.全面的数据采集能力。大数据环境下，企业数据类型多样，包括结构化数据，半结构化数据和文本、图像、声音、视频等非结构化数据，具有体量大、维度多、更新快、价值密度低和数据形式多样的特点。海量数据存储的数据库既有传统的关系型数据库如MySQL、Oracle等，也有适用于处理大量数据的高访问负载以及日志系统的键值数据库、适用于分布式大数据管理的列存储数据、适用于Web应用的文档型数据库和适用于社交网络的图形数据库等非关系型数据库。内外部多个数据源对审计人员的数据采集能力提出了更高的要求，一方面，对于内部数据采集，可使用SQL抽取内部关系型数据库中的数据，或使用NoSQL将分布的、异构数据源中的数据文件如图片、文本等抽取出来，此种情形下审计师获取的大量财务和业务数据均源自于公司内部的ERP系统，因此，审计人员应该充分了解公司ERP系统的性质和结构，同时还必须熟悉数据库的术语、概念、主要数据库用户以及数据库管理系统的基础知识，掌握数据建模的基本知识，以便了解数据字段之间的连接关系，以及数据在系统内部的处理、连接和存储过程，深刻理解公司发生实际交易的记录过程。另一方面，对于外部数据，通常会用到网络爬虫技术，从web中获取所需的海量数据，如政府、研究机构或新闻网站上发布的信息等。为了将不同系统、不同数据库、不同类型格式的混杂数据转化为一致可用的清洁数据，以便后续的深度数据分析。在采集到海量的内外部数据后，审计人员还需在数据预处理方面付出大量的努力，对其进行提取、转换和加载过程（Extract-Transform-Load, ETL），整合到目标数据仓库和数据集市中，以便获得对被审计单位更多的业务洞察力。

2.高效的数据处理能力。一方面，由于复杂数据分析所面对的数据通常体量巨大且形式多样，通常需要用到更高性能的计算架构和存储系统。例如在处理用户APP浏览记录等体量巨大的数据时，使用分布式计算的MapReduce、Spark计算框架，可以有效提升计算能力，以应对更复杂的数据并减少数据处理时间；使用分布式文件存储HDFS进行大规模数据协同处理，有助于提升数据的吞吐能力和速度。针对语音、图片、视频等非结构化的数据，通常需要在深刻了解的基础上，通过复杂数据分析将结构多样、语义多样的非结构化数据进行结构化处理，提取出可以直接进行分析的数据。例如使用数据抽取来处理半结构化数据，使用自然语言处理来应对非结构化数据等。另一方面，大数据是大量结构化、半结构化和非结构化数据的混合体，传统分析法难以处理，应该动态地对数据进行分类、定性和标记，这些数据都会生成额外的大量元数据（Metadata）。元数据是关于数据的数据，提供对数据及信息资源的描述性信息，目的在于识别资源、评价资源、追踪资源在使用过程中的变化，实现信息资源的有效发现、查找、一体化组织和对使用资源的有效管理。例如，关于手机通话的元数据包括电话号码、GPS位置和通话长度，但不包括通话文本。而视频数据的元数据则包括作者、关键词、文件大小、媒体格式、人物、地点、字幕信息等，为审计人员提供了有关视频的充分信息，不仅便于视频内容的搜索，还可以利用视频数据识别偏远地区的厂房、财产和设备受损情况，或评估自然灾害造成的损失，因为有些情况下审计人员可能难以或不可能亲自到场，分析音频、图像、视频等各种类型大数据的元数据进一步增强了审计人员对大数据的处理能力。

表1 审计人员需要掌握的统计学及数据分析的相关知识和技能

（二）高效的数据统计和分析能力

统计学是“对数据收集、分析、解释、呈现和组织的研究”。审计人员掌握统计学概念、原理和理论有助于理解、呈现和解释数据，以及更有效地使用各种统计软件和数据分析工具。

1.描述性统计。描述数据是审计数据分析的第一步。描述性统计是综合应用数字、表格、图表和图形等多种方式来呈现数据的特征和状态。描述性统计常用于检查数据的中心趋势（位置）、离散度（可变性）、倾斜度（对称性）和峰度（峰值）。此外，在进行假设检验、相关性分析、回归分析以及其他规范性和因果性的统计分析之前，必须要进行描述性统计分析。

当审计分析含有大量数据集时，通常使用描述性统计分析方法，对所有变量的有关数据进行统计性描述，以便从全局和总体上把握数据。描述性统计的数据分析工具集包括从简单到相对复杂的一系列分析技术，简单的数据分析包括基本的描述性统计，例如数据的频数分析（检验异常值）、集中趋势分析（平均值、中位数和众数等）、离散程度分析（方差、标准差、变异系数等）、分布形态（偏度和峰度等）以及绘制一些基本的统计图形（条形图、饼图和折线图等），而相对复杂的数据分析可以包括单变量和多变量回归等推理统计以及相关分析等。

2.统计推理。目前使用的统计推理方法主要包括两类：经典统计推理和贝叶斯推理。经典统计学坚持真理是固定的，观察是随机的，因此经典统计推断基于从当前数据样本中获得的信息，来推断总体属性或作出预测，这有助于审计人员探究数据之间的关联关系或因果关系。例如，客户的哪些特征（如财务特征、董事会特征、违规处理特征、审计意见等）与公司舞弊有关？与经典统计归纳推理方法相比，贝叶斯推理强调在得出结论时不仅要根据当前所观察到的样本信息，还要根据推理者过去有关的经验和知识（先验概率）。贝叶斯推理基于“贝叶斯定理”，该定理提供了关于使用样本数据修改概率分布的思路，在有更多证据及信息时，可以更新特定假设的概率。贝叶斯推理为审计师根据新的审计证据做出判断提供了一个有用的框架，特别是当这些证据比较复杂或与审计师的期望相互冲突矛盾时。在审计决策过程中，审计师应掌握如何在审计预审判断过程中应用贝叶斯推理的知识，不断寻求达成更符合逻辑、更有效、更客观的判断。例如，例如，审计师在决定是否接受客户委托时，除了基于自身的知识经验给出先验概率分布外，还会考虑公司特征、前任审计师的意见等其他多个维度的证据，做出最终决策判断。

3.商业数据分析。商业数据分析（Business data analytics）可以进一步分为描述性分析、诊断性分析、预测性分析和规范性分析，其中描述性分析（Descriptive analysis)，旨在回答过去发生了什么，通过将过去和当前数据转换为总结性、概括性的报告、图表、数据透视表等形式，帮助审计人员全面、高效地了解被审计单位公司当前经营状况和财务业绩。例如，将营业收入增长率与前期数据相比可以帮助管理会计师了解公司成长能力，与行业基准相比可以看出公司是否保持竞争优势。诊断性分析(Diagnostic analysis)旨在分析为什么会发生，诠释当前结果的原因，能够有效识别异常并发现两个或多个变量之间未知的连接、模式和关系，例如相比于同行业的其他企业，企业的销售收入下降和期间费用增加的原因。预测性分析（Predictive analysis）旨在回答未来可能会发生什么，它利用各种统计、建模、数据挖掘工具对某段时间内累积的历史数据进行研究，计算预测未来事件发生的可能性。规范性分析（Prescriptive analysis)旨在前述分析的基础上，给出相应问题的最优解决方案和可行行动建议，以便能够有效地指导我们如何才能取得更好的结果。具体的分析方法主要包括情景假设分析、单变量分析、边际分析、现金流量分析、敏感性分析以及机器学习、仿真优化等智能决策和优化算法。

（三）深度的数据挖掘和洞察能力

图1 大数据环境下审计师数据分析能力素养的递进式框架

大数据环境下，利用机器学习、深度学习、过程挖掘等先进的数据分析技术，能够将特定过程的结果与相关数据拟合，有效辨识出海量数据背后的模式特征和规律认知，以便发现异常、预测趋势，将对舞弊侦测、审计风险评估以及审计决策判断产生重要影响，这种数据驱动的决策改变了传统的审计范式、工作流程和执业方式，人机协同将成为常态，这将引发会计和审计领域的研究范式实现由演绎推理向归纳分析的转变，同时也对审计人员深度的数据挖掘和洞察能力提出了更高的要求。为了使审计师能够更加全面地了解客户，深度挖掘分析与审计任务相关的各类大数据资源的价值，本文系统总结梳理出大数据环境下的9种高级数据分析技术，具体包括可视化、机器学习、关联分析、文本挖掘、过程挖掘、深层神经网络、计算机辅助审计、区块链智能合约和机器人流程自动化。

1.可视化技术。大数据环境下，数字、文本、语音、图像、视频等种类繁多的信息源产生的海量数据，远远超出了审计师人脑分析解释这些数据的能力，简单地检查或显示这些数据难以完全揭示数据背后的模式和特征，在某些情况下甚至可能误导审计师得出的错误结论。可视化作为解释大量数据背后潜在模式和关系的最有效手段，是利用计算机图形学和图像处理技术，将数据转换成图形或图像，在动态交互过程中有效识别大量数据之间的模式和关系，提升人们的洞察力。数据可视化工具（如Tableau和Power BI等）可以构建多种输出风格的分析样式图、地图和图表，生成服务于特定任务的图形，能够高效、直观地呈现结果，增强结果的可理解性和互动性。近年来，随着计算机图形学、图像处理、计算机视觉等研究领域的不断发展，促进了更具动态性和交互性的业务图形的使用，如热力图、地理图、以及随着数据变化而自动更新的实时仪表盘和图表，这些高级数据可视化技术能够以动态、交互、实时的方式呈现出复杂数据背后的模式和规律，提升审计人员的数据洞察力。

2.机器学习技术。机器学习分为监督学习和无监督学习两类学习方法，其中有监督学习，主要用于决策支持，它利用有标识的历史数据进行训练，以实现对新数据的标识的预测，有监督学习方法主要包括分类和回归；无监督学习，主要用于知识发现，它在历史数据中发现隐藏的模式或内在结构，无监督学习方法主要包括聚类。

分类和回归本质都是对输入做出预测，并且都是监督学习。分类方法是一种对离散型随机变量建模或预测的监督学习算法，旨在找出数据库中的一组数据对象的共同特点，并按照分类模式将其划分为不同的类别，其目的是通过分类算法模型得到一个决策面，将数据库中的数据项映射到某个给定的类别中，应用情境包括垃圾邮件过滤、金融欺诈和预测雇员异动等输出为类别的任务。回归方法是一种对数值型连续随机变量进行预测和建模的监督学习算法，揭示数据库中数据的属性值的特性，通过函数表达数据映射的关系来发现属性值之间的依赖关系，其目的是通过回归算法得到是一个最优拟合线，可以最好地接近数据集中的各个点，应用情境包括价格预测、股票走势或等连续型数据对象。聚类方法作为一种无监督学习任务，基于数据的内部结构寻找观察样本的自然族群，在数据中寻找隐藏的模式或分组。其目的与分类不同，是针对数据的相似性和差异性将一组数据分为几个类别，同一类别的数据间的相似性很大，不同类别之间数据的相似性很小。

3.关联分析技术。关联分析旨在大型数据集中发现隐藏的、有趣的、有价值的关系。它根据数据集合中一个数据点出现和其他数据点出现的关系，发掘数据背后频繁的模式和关联，并以关联规则的形式呈现出所发现的关系特征。关联规则挖掘过程的两个重要阶段是从海量原始数据中找出所有的高频项目组，并从这些高频项目组提取生成关联规则。例如销售业务循环中销售收入与销售退回之间的关联关系。由于能够揭示数据之间的模式或关联，关联分析已广泛应用于商业领域，协助管理者的商业决策。在财务报表审计应用中，审计人员可以建立收入、成本费用，以及资产、厂房、设备和工厂维护费等分类账之间的关联规则，那些不在预期关联分组之内的分类账将是审查的重点。此外，关联规则分析还能应用于遵循特定序列（如时间模式）的数据上，例如银行针对洗黑钱的审查，可以根据相关事件发生的顺序查找潜在的关系，有助于识别出一系列不正常的、但相对较小金额的账号间转账的舞弊行为。

4.文本挖掘技术。公司公开披露的财务报告与公告、交易所的问询函、社交媒体的新闻评论以及公司内部的电子邮件等均含有大量的文本信息，文本数据作为大数据的一种主要类型，如何有效挖掘分析文本数据中所包含的决策有用的信息，并为审计决策过程提供更加独立和丰富的支持证据显得尤为重要。Debreceny和Gray（2011）利用文本挖掘技术分析安然公司的电子邮件数据库，为揭示安然公司的舞弊提供了重要的支持性证据。文本挖掘作为一种面向大数据的分析方法，包括文本结构分析（例如：词袋模型、词性标注、命名实体识别等），文本内容分析（例如：主题分类、情感分析、文档总结、观点挖掘等）和智能语义理解（词嵌入模型、语义类比和因果推理等）等多种方法。SAS、IBM Watson、OpenText、Lexalytics等多种文本挖掘软件，能够帮助审计人员高效实现文本分析程序自动化，例如，对于文本型数据的情感分析，SAS的文本挖掘模块已嵌入复杂的语言规则和分析建模工具，能够进行上下文分析；IBM Watson的自然语言理解具有高级文本分析功能，可提取概念、情感、情绪、实体、关系、关键字、语义角色等，不需要审计人员理解复杂的语言理论或手动创建词典（Sun,2018b）。

5.流程挖掘技术。不同于文本挖掘，流程挖掘侧重于程序和工作流程而不是文本。它从完整记录业务流程执行情况的系统事件日志中获得数据和提取知识，审查全部的流程活动，通过流程分析、流程建模与流程图可视化呈现，建立流程与数据间的联系，侦查、定位和解释实际流程与预设模型间的偏差，从而发现、监测和改善实际流程。通过流程挖掘技术，可以开展流程合规审核，实时监控业务流程的运营状况、效率和风险，有效识别异常和瓶颈，实现对业务流程和财务报告流程进行持续监控和持续保证。在审计分析中，事件日志的流程挖掘提供了一种全面审核机制，可以处理全样本所有可用数据，而非传统实质性程序中的抽样，这样可以在分析程序中利用更加完整的数据来有效辨识异常交易，识别潜在的风险（Chiu、Brown Liburd和Vasarhelyi,2019）。

6.深度神经网络技术。作为一种新兴的解决分类和回归问题的机器学习技术，深度神经网络（Deep Neural Networks,DNN）是一种信息处理范式，其灵感来源于生物神经系统（如大脑）处理信息的方式。DNN特别适用于基础流程复杂，影响因素众多且存在复杂动态交互的场景，例如消费者需求、股票市场预测、风险评估和欺诈检测等（Sun,2019）。传统的人工神经网络已成功应用于多项审计相关的任务，如破产预测、财务状况评估、审计计划、以及报表舞弊风险预测等。而深度神经网络由于其多层次结构和一个层次内的众多单元，使得其在自然语言处理、图像和视频等非结构化数据分析方面更具优势。大数据环境下，社交媒体的互动评论、5G和物联网的各种音频、视频、图片等提供了海量的训练数据，DNN会模仿人类的直觉，自动学习内部特征。早在2016年毕马威便成功将IBM的沃森认知计算技术融入了财务报表审计流程，现在已有越来越多的深度学习和人工智能技术应用于会计和审计领域（Sun,2018a）。

7.计算机辅助审计技术。计算机辅助审计技术旨在利用计算机和相关软件，提升审计工作的规范化和自动化程度，能有助于综合提升审计效率和审计质量。常用的计算机辅助审计工具包括：Microsoft Office系列的通用类软件；ACL、Arbutus和IDEA等专业审计软件；Microsoft SQL Server、MySQL、Oracle等数据库软件；MATLAB、SAS等数据统计分析软件；Python、R等可用于数据分析、深度学习的高级编程语言，以及Tableau、Qlik View等数据分析及可视化软件。审计人员综合运用这些工具，能够提升审计分析功能的规范化、自动化程度，综合提升风险评估、异常识别、控制测试、实质性程序以及审计档案管理等审计任务完成的效率和效果。

8.区块链和智能合约。区块链技术作为一种分布式账本技术，提供了一种安全、高效、稳定、透明且可追溯信息记录及数据交互的技术方案，可以有效解决现有审计模式存在的证据查核工作量大、效率低、成本高、信任缺失以及人为操作风险高等问题。AICPA（2018b）指出“区块链对财务、审计和其他需要验证和确认的复杂流程会产生重大影响”，许多需要确认和三方匹配进行验证的流程现在都可以通过区块链技术更高效地完成。未来的审计师可能需要应用区块链和智能合约技术来完成审计任务，审计师应该在了解分布式账本技术的基础上，验证诸如哈希算法、编码过程、应用程序治理以及可能发生的任何分布式账本异常等功能，并且在使用智能合约评估交易和控制过程中，全面参与智能合约和智能控件的设计、创建和执行，并对相关事项的执行绩效进行检查、监督与评估（Appelbaum和Nehmer,2020）。

9.机器人流程自动化。传统的审计程序是劳动密集型和耗时的，为了将审计人员从重复性和低判断力的审计任务中解放出来，使他们专注于更高附加值和专业判断的审计任务，可以利用机器人流程自动化（RPA）技术，来提升审计程序的自动化程度。RPA是一种执行常规业务流程的方法，它通过用户界面将审计人员与多个应用程序或分析的交互方式自动化，并遵循简单的规则来做出决策（德勤,2017）。诸如对账、内部控制测试和细节测试等重复性、结构化和劳动密集型的审计任务是RPA的理想应用情境（KPMG,2017）。在审计实践过程中，审计任务复杂多样，相关统计表明大约39%是结构化任务，其余61%是半结构化或非结构化任务。由于RPA只能自动处理结构化的任务，而人工智能擅长处理半结构化和非结构化的任务，因此将RPA、人工智能和其他新兴技术有效整合，形成灵活和智能的智能流程自动化（Intelligent Process Automation,IPA），这将使得审计程序不再受到人类有限的处理能力的限制，可以在更大范围内收集更全面的证据，有助于提高审计质量(Feiqi Huang, Miklos A. Vasarhelyi,2019; Abigail Zhang,2019)。尽管RPA、IPA不是审计数据分析，但审计人员需要习惯于将RPA应用在日常重复性、耗时的常规审计业务中，学会与“机器人共舞”，使得人类审计师能够专注于更多非结构化、更高附加值和更具专业判断的领域（德勤,2017）。

表2 基于不同岗位责任的审计人员数据分析能力差异化配置

四、面向审计人员岗位职责的审计数据分析能力差异化提升策略

审计师所需掌握的审计数据分析能力是基于审计师的角色和特定的审计任务，要求所有审计人员具备相同水平的审计数据分析能力既成本高也不必要。因此，制定审计人员数据分析能力提升策略时，应充分考虑不同职位审计人员的角色性质和职责分工的差异，在前述大数据环境下审计师数据风险能力递进式框架的基础上，面向审计人员不同的岗位职责，提出针对性、差异化的审计数据分析能力标准。AICPA将会计师事务所的职位分为四种类型：普通员工、高级员工、经理和合伙人。其中：普通审计人员在高级审计人员的监督下执行财务审计的细节工作；高级审计人员在经理的总体指导下指导审计现场工作；经理则是指导、监督高级审计人员和普通员工；合作人责任重大，需要对审计工作总体负责。

审计人员在会计师事务所中任职于不同的职位，承担不同的责任，因此，在确立审计人员数据分析能力提升策略时，应对审计人员数据分析能力的要求有所差异，特别是对复杂的审计大数据深度挖掘分析能力，针对性地提出了基础、中等和高级三个不同层次的能力标准，其中：基础水平要求审计人员能够理解审计大数据分析的基本概念和理论，使用相关工具和应用程序的基本功能，并能够解释结果；中等水平要求审计人员理解审计大数据分析的关键概念和理论，能够使用相关技术工具和应用程序的关键功能，能够解释结果，并且还能够参与设计和开发服务于特定审计任务的大数据挖掘分析模型，而高级水平则要审计人员充分理解所有审计大数据分析的关键概念和理论，能够根据数据特征和审计任务的特点选择适当的工具，并能够将方法或工具整合到审计计划和审计程序中，参与设计和开发统计或机器学习模型，并能够衡量评估模型的有效性，能够解释结果并将结果用于相关的审计决策。考虑到审计大数据挖掘分析理论方法和技术工具的复杂性，很多时候很难要求包括合伙人在内的审计人员对这些技术有全面而深入的掌握，此时，更多依赖于高水平的技术团队，也即会计师事务所应该组建由审计人员、数据科学家和信息系统和计算机科学专家组成的数字化技术应用团队。在发挥相关人员专业特长的同时，团队成员有效实现知识互补、技术协同，共同提升会计师事务所的审计大数据分析能力，提升审计效率和审计质量。

对于这些先进的数据分析技术，在具体的应用过程中，则应根据审计人员的岗位职责和目标任务的不同而有所差异。不同于数据科学、信息系统和计算机科学的专家，审计师不需要对复杂数据分析技术有全面而深入的掌握，只需要具备相应的知识和技能，以便能够使用这些工具进行有效的审计数据分析。由于许多先进的数据分析工具都采用了经过严格质量测试的机器学习算法，这些算法会不断迭代更新、持续寻优，并自动为输入数据选择最合适的算法，因此审计员不需要对这些算法和统计方法有深入的理解，只需要了解如何选择和应用这些方法和工具来实现特定的审计目标。不过为了能够更加高效地应用这些工具，审计员应该了解数据库、数据仓库和会计信息系统的使用情况，以及机器人流程自动化、机器学习、区块链和动态可视化等新兴技术的最新发展，具备良好的数据准备、数据预处理和数据分析以及结果解释能力也至关重要（Dai和Vasarhelyi,2017；Issa、Sun和Vasarhelyi,2016）。

五、提升审计人员数据分析能力的路径

1.建立健全审计数据分析相关的制度规范。认识到审计师数据分析能力的重要性，美国全国州会计委员会联合会（NASBA）和美国注册会计师协会启动了CPA适应性变革的研究工作，以评估会计行业的变化趋势，要求考生“认识到大数据/数据分析和统计在支持商业决策中的作用”，并对相关课程体系和资格证书的认证模式进行改革，也针对注册会计师考试中是否应该增加更多的技术题目以及将技术能力作为CPA注册要求等广泛征求意见（AICPA, 2018）。美国管理会计师协会（IMA,2020）已在资格认证考试中涵盖了技术和分析部分的内容。国际商学院协会（AACSB）已经更新了其商业和会计课程的认证要求，要求在每门学位课程中渗透技术能力，最新颁布的AACSB的A5标准要求会计专业需要展示数据分析技术是如何整合到各类课程中。但是从目前相关审计准则的和注册会计师考试来看，对审计数据分析要求的模糊性严重制约了其有效应用，相关准则几乎没有提供关于审计数据分析的具体指导，也未对注册会计师要进行的数据分析的类型和水平进行具体规定，这为审计师留下了巨大的灵活性。为此，研究制定注册会计师审计数据分析应用相关指引，鼓励注册会计师事务所和审计师依法依规利用审计数据分析技术，对提升审计师的数据分析能力至关重要。

2.系统推进会计审计相关学科的课程教学改革。技术能力已成为客户遴选审计师的的首要技能，现有会计和审计相关专业课程主要集中于会计、审计、管理、税务、金融等相关理论，而忽略了对学生数据分析能力产生重要影响的一些实用性领域，例如应用统计、审计数据分析技术、计算机应用和会计信息系统（涵盖ERP、XBRL和电子商务等主题），很难满足大数据环境下对审计人员数据分析技术的要求。为了有效应对大数据环境下审计数据分析的挑战，首先，需要重新审视数字化转型背景下，会计学科人才培养目标及其知识能力结构。特别是数字经济的发展，注册会计师审计鉴证的范围迅速拓展至包括可持续发展、网络安全风险、供应链等领域，大部分审计工作将成为审计数据科学的职业，为此，亟需优化整个课程体系，系统性整合融入更多数据科学、计算机科学相关知识。其次，应该在现有课程的基础上，拓展相关课程的内容和深度，融入更多的数据分析内容，涵盖更多的新兴数字化技术，帮助学生在掌握会计和审计核心技能的基础上，熟练使用更多类型的技术工具和软件，培养学生良好的数据分析能力。再次，为了有效应对数字化商业环境，会计专业的学生应该具备广泛的软性技能，如领导能力、商业思维、全球敏锐度和社交能力等，通过案例研究和实训操作，引导学生以团队合作的方式，有效地使用技术工具与真实世界的数据，通过理论与实践的有效结合，协同提升学生的审计数据分析能力。