大語言模型驅動下審計智能體的構建及財務舞弊識別實踐研究

一、前言

財務舞弊是指有目的、有預謀、有針對性的財務造假和欺騙，從而導致會計報表產生不真實反映的故意行為。財務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所、關聯交易頻繁等情況。對于商業銀行來說，公司客戶的財務數據在授信額度確定、用信條件設定、貸后管理和風險預警等方面發揮著重要作用，因此，如何更有效地識別公司客戶的財務舞弊行為，成為銀行控制風險的關鍵舉措。

國內很多學者通過建立財務舞弊模型來預測或識別企業的財務舞弊行為。從已有研究來看，主要分為三類：第一類是基于統計知識的模型，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）。第二類是基于數據挖掘技術的模型，主要涵蓋人工神經網絡、支持向量機、決策樹、機器學習、文本識別技術等（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驗交互的模型、人工智能等技術的模型（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、數據可得性和統計技術的不斷進步，以大模型和人工智能為基礎的方法成為財務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舞弊預測研究的文獻數量逐漸增加，應用“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，基于已有文獻研究成果和專家經驗構建財務舞弊風險識別專家知識庫，選取2000-2021年間A股上市公司作為樣本學習集，以上市公告的財務舞弊公司對審計智能體進行訓練，隨后在P銀行內部審計項目中應用審計智能體，對項目所涉及的公司信貸客戶的財務舞弊情況進行預測分析，并在項目現場檢查時對相關財務舞弊線索進行核查。研究發現，引入財務舞弊風險識別專家知識庫的審計智能體在完成財務舞弊預測識別任務時召回率較高，彰顯出“智能體+專家知識庫”模式在銀行內部審計和風險管理領域的應用價值。這為商業銀行系統化甄別客戶財務真實性、識別和防范客戶財務欺詐風險，提出了可行性較強的人工智能模型構建及發展建議。

二、引入專家機制的審計智能體

本文構建的審計智能體（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，協助處理感知到的財務數據輸入、財務舞弊識別體系模型，并在預設的審計邏輯約束下進行推理；（2）感知環境的輸入，多源異構的財務數據、專家識別體系模型，被輸送到決策中樞，固化為可查詢到的知識庫，為審計決策提供核心依據；（3）行為輸出模塊，在知識庫的驅動和邏輯約束下，完成審計推理，最終輸出可執行的審計結論。

在上述功能模塊的基礎上，將基于文獻研究和銀行審計專家經驗的財務舞弊識別指標體系，轉化為一個可計算、可迭代的審計規則執行系統。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）數據整合層，對輸入的多源異構上市公司財務數據開展預處理與融合工作；（2）規則固化與執行，將復合指標計算邏輯固化為審計規則，存儲于規則庫中。執行任務時，審計智能體根據目標激活相應規則，調取關聯數據執行指標計算；（3）約束推理與結論生成，在審計邏輯約束層（確保合規性與業務邏輯）的管控下，基于計算結果完成審計分析，輸出舞弊識別結論。該審計智能體能夠動態、實時地驗證該指標體系的有效性，從而形成完整的“理論構建（指標提出）→實證驗證（實時計算與識別）→模型迭代（規則與指標優化）”研究閉環。

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

1.數據注入層：負責將結構化的上市公司財務數據精準嵌入AI指令。核心任務是將數值型復合指標的計算結果與相關文本描述錨定至提示詞，并支持按行業、年份等維度動態構建分析場景，從而為后續的指標驗證提供有針對性的數據輸入。

2.審計規則層：將依托專家經驗構建的舞弊識別知識庫轉化為可執行的規則樹。該層嚴格限定大模型的鏈式推理路徑，使其必須遵循“指標異常檢測—關聯會計科目定位—潛在舞弊假設生成—證據鏈指向分析”的專業審計流程，確保推理聚焦于指標異常的可疑點。

3.推理約束層：對審計智能體的最終輸出施加嚴格約束，強制要求結論附帶精確到數據點或指標值的可追溯證據來源，并將大模型可能產生的模糊判斷轉化為結構化、基于規則和指標證據的決策輸出，如舞弊風險等級、具體科目疑點。

圖3展示了此三層邏輯鏈聯動下的工作流程，以及在復合指標體系驅動下，大模型進行審計推理時的數據流動路徑與結構化決策邏輯。該架構是審計智能體動態執行指標計算、驗證指標異常與舞弊關聯性，并輸出可審計結論的核心機制。

三層邏輯鏈架構的協同聯動，為審計智能體建模動態驗證復合指標體系提供了顯著的技術優勢：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論能夠完整追溯至原始數據源及復合指標計算規則，為指標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用固化與迭代。將復合指標異常判定邏輯進行系統編碼，并沉淀為可迭代更新的規則庫，這不僅可以驅動當前審計智能體，更構建了持續優化舞弊識別指標體系的核心知識資產。三是可提供監管合規與量化決策支撐。對關聯指標值、數據點、規則等證據進行精確標注，能夠滿足審計底稿索引要求；規則庫預設的指標異常評分閾值，為風險判斷提供了客觀、可審計的量化依據，顯著增強了結論的合規性與說服力。這些技術優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格、透明、符合審計準則的動態驗證，并支撐其持續優化，最終達成研究閉環。

三、模型在銀行內部審計實務中的應用

（一）研究方案設計

為完成財務舞弊識別任務，數據注入層對企業年報、財報附注等結構化數據與管理層討論、輿情等非結構化文本進行整合；審計規則層構建專家指標規則庫（如存貸雙高等），為推理過程提供專家經驗指導；推理約束層強制要求大模型必須從規則庫中選擇專家指標作為推理過程中遵循的原則，實現輸出結論邏輯的合規性、可解釋的要求。驗證方案以證監會處罰的355例舞弊樣本與行內客戶數據作為觀測集來設置實驗組（見表1）。

（二）智能體調優過程

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

2.判別閾值的動態設定。初期，為實現潛在風險的最大限度識別，可適當降低閾值，優先保障較高的查全率。雖然此操作可能導致一定數量的誤報，但能夠有效控制漏檢風險。隨著審計反饋數據的不斷積累，逐步優化閾值參數，從而達成查全率與查準率之間的平衡，持續提升智能體的實用性與可靠性（見表3）。

3.反饋閉環持續進化。智能體對客戶發出高風險預警，并啟動審計驗證流程，將審計人員確認后的結論（無論真偽）反饋至系統。經過驗證的標注樣本將用于后續訓練，構建“預警—驗證—更新”的自治循環，推動智能體在執行過程中持續迭代、不斷提升判別能力。

4.可解釋性。每次風險預警均需提供清晰的決策依據，包括觸發的具體規則、每條規則的權重及其對當前決策的貢獻度，要求智能體輸出如下形式的結論：“該客戶被判為高風險（概率87%），主要依據為：（1）營業收入與銷售商品收到現金的差異存在異常（貢獻度40%）；（2）毛利率持續高于行業中位數（貢獻度30%）；（3）前五大供應商集中度出現顯著變動（貢獻度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

通過查詢相關文獻（葉欽華等，2022；周衛華等，2022），并結合單位內部審計工作經驗總結，本文從基本情況、財務指標、財務舞弊指標、外部負面信息四個方面，建立公司財務舞弊識別模型體系，該體系涵蓋企業分紅情況、審計意見、貨幣資金占比、存貸雙高、公司被執行次數等74個指標。

本文選取“存貸雙高”“存貨異常”“應收賬款異常”這三個常見財務異常指標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。大模型驗證對財務舞弊客戶預測的召回率見表4。

經觀察可知，引入復合專家指標后，模型的召回率實現顯著的跨越式提升（分別提升15.5%，14.1%，15.9%），這表明存貸雙高等復合特征能夠有效捕捉傳統模型所忽略的隱蔽性造假模式。如果將專家經驗從單一規則（v1.0）升級至多指標動態聯動分析（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險識別起著決定性作用。

（四）在審計項目中的應用

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舞弊風險進行識別，共識別出16個財務舞弊風險程度較高的客戶，相關審計線索由審計組在審計項目現場展開核查。通過審計驗證發現5家公司信貸客戶涉及財務舞弊，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舞弊風險程度較高，通過非現場分析可知，該客戶呈現出毛利率顯著高于行業平均水平的特征。該客戶2021年末財務報表顯示，營業收入為25.62億元、凈利潤為7.38億元和所得稅為0元，客戶毛利率達到34.94%，而行業平均值為12.3%。現場審計發現，客戶實際營業收入為18.9億元，實際凈利潤為0.77億元，實際毛利率僅為12.17%。

四、結論

本文研究表明，引入專家經驗的財務舞弊指標知識庫后，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舞弊風險，精準指引線索方向，強調路徑可實現，工具可復用，效果可驗證，使得審計證據含金量有了質的飛躍。本文為基于大模型開展公司財務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域應用的重要范式，“通用+專業”雙軌協同模式將進一步推動審計向全量數據分析和預測性風險管理方向演進。二是加快構建完善的銀行客戶數據管理平臺，接入工商、司法、稅務、征信等外部數據，多渠道、多維度地收集客戶財務及非財務信息，引入更多“專家”來完善客戶畫像，為精準識別客戶舞弊奠定基礎。三是加強大語言模型在銀行內部審計場景的理論研究及應用，強化專家經驗和人工智能的交互，提升銀行內部審計智能化水平和公司客戶財務舞弊風險識別能力，努力實現“科技強審”目標。

文章摘自《中國內部審計》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+人已關注我們，您還等什么？