基于大数据的审计风险识别与控制问题研究

王秋菲 秦爽 石丹

【摘 要】 大数据时代的到来对审计工作产生了重要影响，为提高审计风险识别效率，降低审计风险，文章从审计主体、审计客体和大数据信息三个方面分析了对审计风险产生影响的因素及各因素与审计风险的关系，并采用逻辑回归法进行实证检验。研究得出：同上期审计意见一致性、第一大股东持股比例、账面市值比、销售收入增长率、经营现金净额比例和大数据负面情绪这六个指标对审计风险识别具有显著影响。其中，第一大股东持股比例越高、大数据负面情绪越多，审计风险识别正确的概率越高;其他指标均与审计风险识别正确的概率呈负相关关系。

【关键词】 大数据; 审计风险; 风险识别; Logistic回归

【中图分类号】 F239.4  【文献标识码】 A  【文章编号】 1004-5937（2018）24-0093-08

一、引言

随着互联网、云计算的快速发展，各种数据呈爆炸式增长，人类也从此进入了大数据时代。目前，已经有很多企业将大数据运用于业务分析及处理，有利于企业更准确地制定未来发展战略，提高企业竞争力。大数据时代下，信息技术的发展对审计工作产生了巨大影响。审计作为数据密集型行业，大数据带来的海量信息有利于注册会计师更加全面地分析企业状况，探寻企业舞弊的线索，有效识别审计风险。审计风险存在于审计活动的各个环节，对审计质量有重要影响，降低审计风险有利于提高审计质量，而降低审计风险的关键是对审计风险进行超前识别。审计人员应抓住大数据带来的新机遇，将企业的大量非结构化及半结构化数据应用于审计风险识别，有利于审计人员更加全面地识别审计风险，从而降低审计风险。鉴于大数据对审计风险识别的重要作用，本文将大数据因素引入审计风险识别模型，从审计主体、审计客体和大数据因素三方面来研究影响审计风险识别的关键因素，并据此提出有效识别审计风险的建议。

二、相关文献回顾

对于审计风险的研究始于1957年，Norman[1]在第八版《蒙哥马利审计学》中首次提出要将风险与审计程序相结合的观点。目前，国内外学者关于审计风险的研究主要集中在两个方面：一是对审计风险评估与控制的研究;二是对审计风险影响因素的研究。

（一）审计风险评估与控制研究

Waller[2]实地考察了审计人员对固有风险及控制风险的评估情况。Mock et al.[3]研究了审计计划与风险评估水平的关系，发现一些评估的客户风险与审计证据计划之间存在显著正相关关系。余玉苗[4]对行业知识、行业专门化与独立审计风险控制的关系进行研究，指出注册会计师掌握被审计单位所处行业生产经营特点、经济技术指标及特殊会计规则等有利于控制审计风险。赵靖[5]指出应将审计重心放在风险评估上，注重外部证据的搜集，并将审计风险模型引入审计，在审计过程中以审计风险模型为基础进行决策，从而对审计风险进行全面控制。姚桂兰[6]指出由于被审计单位内部控制存在缺陷使其会计信息严重错报、漏报，加大了审计风险，因此要加强企业内部控制，提高注册会计师风险防范水平。

（二）审计风险影响因素研究

Barron et al.[7]研究了被审计单位经营状况对审计风险的影响，结果表明经营较差的企业更容易出现财务造假，使注册会计师面临较高的审计风险。Arens et al.[8]对影响审计风险的因素进行了研究，发现注册会计师个人素质、审计证据、审计环境及审计中质量控制复核程度这四个因素会对审计风险產生影响。Jenkins et al.[9]的研究发现上期审计意见对注册会计师发表当期审计意见产生显著影响。甘丽梅[10]从审计环境、审计人员素质方面对影响审计风险的因素进行了研究，指出加强会计师事务所内部控制、改善外部环境可以降低审计风险。刘丙竹等[11]提出，特殊普通合伙制的会计师事务仍不可避免地会产生审计风险，执业人员素质等会计师事务所的内部因素及被审计单位存在财务舞弊等外部环境都会对审计风险产生影响。

审计工作是以数据为基础的，大数据改变了传统的数据采集与处理方法，学者们积极适应审计环境的变化，对大数据审计进行研究。Kyunghee et al.[12]研究指出在审计过程中考虑大数据因素，有利于注册会计师更客观地分析被审计单位的财务情况，降低审计风险。鲁清仿等[13]研究了大数据对审计证据的影响，结果表明大数据技术打破了审计取证的技术限制，降低了取证成本，使审计人员能够利用更多的审计证据进行分析，有利于降低审计风险。

从以上研究可以看出，学者多关注于审计风险防范与控制，而对审计风险识别研究较少，对大数据审计的研究重点在如何降低审计风险，而忽略了风险识别对降低风险的重要作用，因此关于审计风险识别方面的研究还要加以完善。

三、研究设计

（一）研究假设

审计风险主要产生于审计主体和审计客体两方面，其中审计主体是会计师事务所，审计客体是被审计单位，大数据时代的到来，给审计风险带来了一定的影响，因此本文从审计主体因素、审计客体因素和大数据因素三方面研究各因素对审计风险的影响。

1.审计主体因素

从审计主体方面分析，影响审计风险的因素主要包括：会计师事务所规模、审计任期及上期审计意见。其中，会计师事务所规模是根据其综合排名来衡量的，本文将“四大”与“八大内资所”界定为大规模会计师事务所，其余则界定为小规模会计师事务所;审计任期根据会计师事务所对被审计单位连续提供审计服务的累计年份衡量;上期审计意见可以分为以下五类：标准的无保留意见、带强调事项段的无保留意见、保留意见、否定意见、无法表示意见。

规模较大的会计师事务所更加注重自身形象，尽量避免审计风险，力求提供高质量的审计报告，所以规模较大的事务所会更注重自身治理，加强对从业人员的培训，从而提高注册会计师识别审计风险的能力。据此提出假设1。

H1：会计师事务所规模越大，审计风险识别恰当的概率越大。

当会计师事务所对同一家上市公司进行连续审计时，随着审计任期的增加，审计主体与审计客体的关系会逐渐融洽，从而使审计主体的独立性会受到影响，增加审计风险产生的可能性。据此提出假设2。

H2：审计任期越长，审计风险识别恰当的概率越低。

相关研究表明，当上期审计意见为带强调事项段的无保留意见时，当期仍给出此意见的可能性非常大，这说明审计人员在发表当期审计意见时会受上期审计意见的影响，因此不能很好地对当期的审计情况进行判断，从而降低审计质量，增加审计风险。据此提出假设3。

H3：审计意见同上期一致时，对审计风险识别恰当的概率较低。

2.审计客体因素

从审计客体方面分析，影响审计风险的因素主要有财务指标和非财务指标。其中财务指标主要包括：资产类指标，即应收账款比例、存货比例;盈利指标，即销售收入增长率、审计当期净利润;现金流指标，即经营现金净额比例;相对价值指标，即账面市值比。非财务类指标主要包括：股权结构，即第一大股东持股比例;董事会特征，即董事会规模、独立董事比例、两职合一;高管激励。

（1）资产类指标

有研究表明对审计风险有重要影响的资产类财务指标是应收账款比例及存货比例。当应收账款占总资产比例过高时，被审计单位可能有提前确认收入的风险;当存货占总资产比例过高时，被审计单位可能有部分未结转成本的风险。注册会计师在风险增加的情况下恰当识别风险的概率会降低。据此提出假设4、假设5。

H4：应收账款比例越高，审计风险识别恰当的概率越低。

H5：存货比例越高，审计风险识别恰当的概率越低。

（2）盈利指标

财务舞弊是审计风险存在的前提，通过研究发现企业财务舞弊的目的是虚增利润，主要手段包括多计营业收入、少计营业成本、提前确认收入、滞后结转成本。因此，当销售收入增长率显著提高或企业净利润很高时，说明被审计单位可能对财务报表进行粉饰，存在较高的重大错报风险。据此提出假设6、假设7。

H6：销售收入增长率较高时，审计风险识别恰当的概率较低。

H7：企业净利润较高时，审计风险识别恰当的概率较低。

（3）现金流指标

企业的经营现金净流量反映了其资金流动情况，当企业经营现金净额比例较高时，说明企业现金充裕，经营情况较稳定，财务报表质量较高，审计风险较低。据此提出假设8。

H8：经营现金净额比例越高，审计风险识别恰当的概率越高。

（4）相对价值指标

由BM效应可知，BM值较高的企业平均月收益率高于BM值较低的企业，因此当被审计企业账面市值比较高时，可以认为该企业经营状况良好，审计风险低，审计风险识别正确的概率较高。据此提出假设9。

H9：账面市值比较高时，审计风险识别恰当的概率较高。

（5）股权结构

股权结构决定企业的治理机构，从而对企业的行为和绩效产生影响。企业第一大股东持股比例较高时，其对公司的控制能力强，他们可能为了自身利益而损害公司利益，为了掩饰其损害公司利益的行为，在审计时，便会妨碍注册会计师的工作，限制审计范围。据此提出假设10。

H10：第一大股东持股比例越高，审计风险识别恰当的概率越低。

（6）董事会特征

董事会规模、独立董事比例对董事会的独立性有一定影响，董事会规模越大，公司效率越低，固有风险和控制风险较高，不利于注册会计师识别审计风险。独立董事比例越高，董事会独立性越强，企业舞弊风险小，有利于注册会计师识别审计风险[14]。据此提出假设11、假设12。

H11：董事会规模越大，审计风险识别恰当的概率越低。

H12：独立董事占比越高，审计风险识别恰当的概率越高。

当企业的董事长与总经理为同一人时，其对企业有较强的控制力，增加了管理舞弊的可能性，存在较高的重大错报风险，降低了注册会计师发表恰当审计意见的可能性。据此提出假设13。

H13：企业存在两职合一，审计风险识别恰当的概率较低。

（7）高管激励

当公司承诺给高管提供较高水平的激励时，高管会为了自身利益而操纵公司的盈余，因为注册会计师不易发现企业因管理层舞弊而存在的风险点，从而不能对审计风险进行有效识别。据此提出假设14。

H14：高管激励水平越高，审计风险识别恰当的概率越低。

3.大数据因素

一些研究者通过大数据情绪指标对企业财务风险的影响，认为加入大数据负面情绪指标后可以提高企业风险预测的准确性。因此，本文以大数据负面情绪作为影响审计风险的大数据指标。Johan Bollen et al.對一个股市预测模型进行测试，结果表明，当仅输入股市数据时，模型预测准确率为73.3%，但加入“冷静”情绪指标后，准确率达到86.7%。据此提出假设15和假设16。

H15：引入大数据负面情绪指标能够提高审计风险识别的正确率。

H16：大数据负面情绪越多，审计风险识别恰当的概率越高。

（二）样本选取和数据来源

根据审计风险的定义可知，发生审计风险的重要前提是被审计的单位存在财务舞弊。因此，本文以沪、深两市2010—2016年因财务舞弊受到证监会查处的上市公司作为研究对象，并对样本进行了如下调整：（1）剔除金融行业的企业;（2）剔除上市当年就发生舞弊的企业;（3）剔除因会计师事务所原因而导致审计风险识别不当的企业;（4）剔除数据不全的企业。最终得到78家样本企业，其中36家审计风险识别恰当，42家审计风险识别不恰当。该部分数据来源于CSMAR数据库和RESSET数据库。除上述被审计单位数据外，本文还是涉及审计主体数据和大数据信息数据。审计主体数据来源于CSMAR数据库和中国注册会计师协会网站。大数据信息数据是通过八爪鱼爬虫软件统计获得的，利用Python软件对爬取的数据进行情感分析，分为积极情绪和消极情绪，并将这些非结构化数据转化为结构化数据。

本文所有数据均使用SPSS 22.0进行处理分析。

（三）变量定义

1.被解释变量

本文将审计风险识别是否恰当作为被解释变量。审计风险识别情况可以根据审计报告是否为非标准意见来判断，若会计师事务所在上市公司因财务舞弊而受到证监会查处的当年对其出具了非标准审计意见，则可以认为审计风险识别恰当;若对其出具了标准审计意见，则认为审计风险识别不当。当审计风险识别恰当时，令AR=1;否则，AR=0。

2.解释变量

本文的解释变量由审计主体、审计客体和大数据三类因素组成，其中，审计客体因素又由财务因素和非财务因素组成。具体解释变量的定义见表1。

3.控制变量

相关研究表明，当企业资产负债率较高、每股收益较低、公司规模较小时，其进行盈余管理的可能性更大，而审计人员在进行风险评估时会特别关注重点风险领域，从而提高审计风险识别恰当的概率。可以得出，资产负债率与审计风险识别恰当的概率正相关，每股收益、公司规模与审计风险识别恰当的概率负相关。据此本文引入资产负债率、每股收益和公司规模这三个控制变量。其中，公司规模=Ln总资产。

（四）模型建立

本文通过建立以下四个模型进行回归分析。

模型1：基于审计主体因素的审计风险识别检验模型

模型2：基于审计客体因素的审计风险识别检验模型

模型3：基于大数据因素的审计风险识别检验模型

模型4：综合各因素的审计风险识别检验模型

其中，P为审计风险识别正确，即AR=1时的概率，β0是常数项，β1（i=1，2，…，18）是回归系数，ε是随机误差。

四、实证检验与分析

（一）描述性统计

本文对解释变量和控制变量进行描述性统计，并对均值差异和分布差异进行检验，均值和分布的具体情况如表2所示。

从表2可以看出，审计风险识别正确与审计风险识别错误的两类企业中共有8个指标存在显著性差异：同上期审计意见一致性、审计任期、高管激励、净利润、销售收入增长率、资产负债率、每股收益以及大数据负面情绪指标。其余变量在两类企业中差异不大。

（二）相关性分析

本文拟对各变量进行多元回归分析，而多元回归分析的前提是各变量之间不存在多重共线性。因此，在回归之前要对各变量之间的相关性进行检验，若相关系数大于0.8，则变量之间存在多重共线性，就需要剔除存在共线性的因素，从而满足多元回归分析的变量要求。各变量之间的相关系数如表3所示。

从表3中可以看出，各变量之间的相关系数均小于0.8，不存在多重共线性，可以进行多元回归分析。对审计风险与各变量的相关系数进行分析如下：审计风险识别正确的概率与上期审计意见一致性、高管激励、销售收入增长率、每股收益这四个变量显著负相关，相关系数分别为-0.411、-0.281、-0.236、-0.315，说明当期审计意见与上期审计意见一致、高管激励水平越高、销售收入增率越高、每股收益越高时，审计风险识别正确的概率越低;审计风险识别正确的概率与净利润、大数据负面情绪在1%水平上显著正相关，相关系数分别为0.540、0.420，说明净利润越高，大数据负面情绪越多，审计风险识别正确的概率越高。其他变量与审计风险识别正确的概率之间相关性不显著。

（三）回归分析

1.模型变量系数及显著性分析

表4是对模型1至模型4进行Logistic回归的结果。从表4中可以看出，四个模型中控制变量的回归结果显著性一致，其中，资产负债率与审计风险识别正确的概率显著正相关，每股收益及公司规模与审计风险识别正确的概率显著负相关。这是因为当企业的资产负债率越高、每股收益越低或公司规模越小时，企业为了向投资者展示其经营状况良好，便可能对财务报表进行粉饰，从而产生财务舞弊。而作为审计人员，往往比较了解被审计单位的这种行为动机，就会在出现以上情况时更注重审计的准确性，从而提高审计风险识别正确的概率。

（1）基于审计主体的审计风险识别模型回归结果分析

从表4中模型1的回归结果可以看出，对审计风险识别有显著影响的因素为审计任期、与上期意见一致性。其中，审计任期的估计系数为-0.186，在5%水平上显著负相关，证明假设2成立。与上期审计意见一致性的估计系数为-2.542，在1%水平上显著负相关，证明假设3成立。而事务所规模也与审计风险识别正确的概率负相关，但相关性不显著。

（2）基于审计客体的審计风险识别模型回归结果分析

从表4中模型2的回归结果可以看出，对审计风险识别有显著影响的因素为企业盈亏状况、账面市值比及第一大股东持股比例。其中，企业盈亏状况的估计系数为1.904，在10%水平上显著正相关，假设7不成立。当企业的净利润很高时，企业可能存在虚构利润的风险，因此注册会计师在此种情况下会依据经验判定被审计单位在该领域具有较高的重大错报风险，在审计时便会着重关注这类项目，提高审计风险识别正确的概率。账面市值比的估计系数为-0.010，在5%水平上显著负相关，假设9不成立。企业账面市值比能够反映企业的获利能力，当其较高时，说明企业经营状况好，但这种良好的表象很可能是企业调整后的虚高状态，因此，企业舞弊的可能性增加，审计风险是识别正确的概率降低。第一大股东持股比例的估计系数为0.110，在5%水平上显著正相关，假设10不成立。若企业存在一股独大现象则很容易发生舞弊并产生财务报表重大错报风险，因此，注册会计师在审计时就会重点关注重大错报风险高的领域，并设计详细的审计程序，扩大审计范围，从而提高审计风险识别正确的概率。其他指标与审计风险识别正确的概率相关性不显著。

（3）基于大数据的审计风险识别模型回归结果分析

从表4中模型3回归结果可以看出，大数据负面情绪因素与审计风险识别正确的概率在1%水平上显著正相关，估计系数为0.139，证明假设16成立。大数据负面情绪是网民在网络上宣泄情绪的一种反映，表达对企业的不满，当大数据负面情绪过多时，说明企业在经营方面欠缺较多，注册会计师在审计中就要对该企业多加注意，从而提高审计风险识别正确的概率。

（4）综合各因素审计风险识别模型回归结果分析

模型4是在综合考虑了审计主体、审计客体和大数据因素情况下建立的审计风险识别模型，从表4中模型4的回归结果可以看出，对审计风险识别有显著影响的因素为同上期审计意见一致性、销售收入增长率、经营现金净额比例、账面市值比、第一大股东持股比例以及大数据负面情绪指标这六个指标。与模型1、模型2、模型3相比，在所有因素的相互影响下，审计任期、销售收入增长率、经营现金净额比例及企业盈亏状况这四个因素对审计风险识别的影响发生了变化。其中，审计任期、企业盈亏状况这两个因素与审计风险识别的相关性减弱，影响不再显著。销售收入增长率和经营现金净额比例这两个因素与审计风险识别的相关性增强，呈显著负相关，估计系数分别为-0.033、-0.422。这一结论证明H6成立，H8不成立。而同上期审计意见一致性、账面市值比、第一大股东持股比例及大数据负面情绪这四个因素对审计风险识别的影响未发生变化。

2.综合模型分类判别分析

对综合审计风险识别模型及剔除大数据因素的综合审计风险识别模型进行分类判别检验，得到表5、表6的观测值和预测值分类表，以此判别模型分类的准确性。

表5是考虑所有因素影响的审计风险识别模型的观测值和预测值分类表，从表中可以看出，有40个审计风险识别错误的模型被准确预测，正确率为95.2%，有33个审计风险识别正确的模型被准确预测，正确率为91.7%，总体正确率高达93.6%，预测效果非常理想，说明在进行审计风险识别时应综合考虑多方面因素。

表6是剔除大数据因素后综合审计风险识别模型的观测值和预测值分类表，与考虑大数据因素的分析结果相比，无论是审计风险识别正确的样本还是识别错误的样本预测准确率均有下降，从而降低了整体预测的准确性，证明假设15成立，也说明在审计风险识别中考虑大数据因素是十分必要的。

五、结论与建议

（一）结论

本文从审计主体、审计客体和大数据三个方面分析影响审计风险识别的关键因素，并建立Logistic回归模型，以沪、深两市2010—2016年因财务舞弊受到证监会处罚的公司为样本进行实证分析，实证结果表明，在引入资产负债率、每股收益及公司规模这三个控制变量后，仅考虑审计主体因素时，审计任期以及同上期审计意见一致性与审计风险识别显著负相关;仅考虑审计客体因素时，企业盈亏状况、第一大股东持股比例这两个因素与审计风险识别显著正相关，账面市值比与审计风险识别显著负相关;仅考虑大数据因素时，大数据负面情绪指标与审计风险识别显著正相关，说明增加大数据负面情绪指标，可以提高审计风险识别正确的概率。综合考慮以上三方面因素时，对审计风险识别有显著影响的因素发生了一些变化。其中审计任期、企业盈亏状况对审计风险识别的影响不再显著，而销售收入增长率、经营现金净额比例这两个因素对审计风险识别的影响增强，均呈显著负相关关系。综上，在进行审计风险识别时要综合考虑各方面因素的影响，对审计风险识别产生显著影响的因素包括同上期审计意见一致性、账面市值比、第一大股东持股比例、大数据负面情绪、销售收入增长率、经营现金净额比例。其中，第一大股东持股比例和大数据负面情绪与审计风险识别正相关，其余指标均为负相关。

（二）建议

结合实证研究结论，提出如下建议，以提高审计风险识别正确的概率。

1.从审计主体方面，要增强审计人员的专业胜任能力

主要从两个方面提高审计人员质量：严格选择审计人员、加强对审计人员的培训。

（1）审计人员选择。审计人员不仅应具备基本的职业道德和业务能力，还应对审计事项具备敏锐的洞察力、综合分析判断能力以及良好的沟通能力，因此要严格制定审计人员选择标准和条件。会计师事务所可以建立符合国家审计职业要求的考试模式，考察审计人员的思维能力、业务能力、综合能力等。

（2）审计人员培训。审计人员在发表审计意见时要克服思维定式，根据实际情况给出合理结论，尽量避免受上期审计意见的影响。因此，会计师事务所要定期对审计人员进行思维培训，通过科学的训练，培养审计人员良好的思维习惯，鼓励审计人员利用大数据技术进行分析，以规避主观因素对其决策的误导。

2.从审计客体方面，要重点关注企业的财务指标和非财务指标

（1）财务指标。对审计风险识别产生显著影响的财务指标是账面市值比、销售收入增长率及经营现金净额比，因此，在进行审计时，要对企业的盈利情况和现金流情况进行重点检查。对于盈利情况，要注意企业是否存在提前确认收入、虚构交易等情况;对于现金流情况，要将现金流量表与资产负债表、利润表结合分析，以保证能够了解企业的真实情况。

（2）非财务指标。对审计风险识别产生显著影响的非财务指标是第一大股东持股比例，因此，在进行审计时，要重点审查企业的股权结构，关注股本变化情况。查看企业的股东登记名册与权益变动表，对企业近三年的权益变动情况进行审查，当发现企业的股本出现变动时，调查变动的原因，查看是否存在因法人增资而导致企业第一大股东变化的情况。

3.从大数据方面，建立审计数据云平台

在审计中，注册会计师要充分了解被审计单位的基本情况，包括企业的财务情况、基本信息、行业状况及发展计划等，这些资料获取、整合难度较大，降低了审计效率。大数据时代的到来，为这些数据的整合带来了契机，除了传统的财务比率、财务报表等财务数据及股权结构、公司治理等非财务数据，微博、微信、论坛、新闻等非结构化数据都能够在一定程度上反映企业经营情况。所以，通过建立以审计大数据为中心的数据云平台，可以将各类信息汇总，使审计人员快速获得所需信息，提高工作效率。

【参考文献】

[1] NORMAN J H，PHILIP.Montgomerys Auditing[M].1957：123-125.

[2] WALLER W S.Auditors assessments of inherent and control risk in filed[J].The Accounting Review，1993，68（4）：783-804.

[3] MOCK T J，WRIGHT A M.Are audit program plans risk-adjusted？[J].Auditing：A Journal of Practice and Theory，1999，18（1）：55-74.

[4] 余玉苗.行业知识、行业专门化与独立审计风险的控制[J].审计研究，2004（5）：63-67.

[5] 赵婧.现代风险导向审计探析[J].合作经济与科技，2010（1）：99-100.

[6] 姚桂兰.我国注册会计师审计风险及防范措施的建议[J].科技展望，2016，26（6）：289.

[7] ORIE B，JAMIE P，JAMES D S.Misstatement Direction Litigation Risk and Planned Audit Investment[J].Journal of Accounting Research，2001，39（3）：449.

[8] KIN-YEW LOW.The effects of industry specialization on audit risk an audit planning decisions[J].The Accounting Review，2004，79（1）：201-219.

[9] JENKINS，GREGORY J.Effects of awareness of prior-year testing strategies and engagement risk on audit decision[J].Managerial Audit Journal，2015，30（3）：226-243.

[10] 甘麗梅.我国会计师事务所审计风险成因及对策研究[J].劳动保障世界（理论版），2013（11）：119-120.

[11] 刘芮竹，刘青，王玉蔚.会计师事务所的风险分析及防范对策——以我国会计师事务所特殊普通合伙制为例[J].中国集体经济，2015（4）：120-121.

[12] KYUNGHEE，YOON，LUCAS，et al.Big data as complementary audit evidence[J].Accounting Horizons，2015，29 （2）：431-438.

[13] 鲁清仿，梁子慧.大数据对风险导向审计影响的研究[J].河南师范大学学报（哲学社会科学版），2015，42（2）：55-58.

[14] 李建标，任雪.财务舞弊公司的审计风险能识别吗——会计师事务所和上市公司治理的双重因素[J].山西财经大学学报，2012，34（2）：115-124.