加强农险内部审计中大数据分析方法应用的建议

梁晓攀 王 鹏 中国人民财产保险股份有限公司郑州监察稽核中心

政策性农业保险，事关民生，是内、外部监督、检查机构关注的重点。本文通过探讨内部审计中运用大数据分析的方法，揭示农业保险经营中存在的不合规问题，以促进经营机构规范开展农险业务，切实保护从业干部、员工，也为广大群众的农业生产活动提供更好的保障。

自《农业保险条例》颁布实施以来，我国农业保险发展迅速，成效显著，“‘十二五’时期，农业保险累计为10.4亿户次农户提供风险保障6.5万亿元，向1.2亿户次农户支付赔款914亿元”。政策性农业保险为广大农户的农业生产活动提供了良好的保障，受到了各级政府和广大群众的好评。但是，由于农业保险承保范围点多面广，标的小而分散，且容易发生大面积灾害的特性与我国农业保险起步晚、底子薄、发展快和保险公司人力、物力等方面不足的矛盾，使得保险公司在农业保险的经营过程中存在操作要求不规范，部分流程、环节设置不合理，导致出现一些不合规的问题，甚至出现虚假承保、虚假理赔等侵害农户保险利益的违规问题。一方面不少保险公司基层从业人员因此受到处罚，另一方面也影响了农业保险的持续健康发展，制约了保险服务三农的效果。但是，面对农业保险承保、理赔的巨大体量，传统的审计由于审计手段、审计环境、审计时间的限制，对于农业保险业务的监督、检查局限于审计样本，不仅耗时费力，更是缺少了系统性的风险排查，审计质量和审计效果大打折扣，且容易产生审计风险。

本文从大数据分析方法的实际运用出发，通过实际工作案例，探讨大数据分析在系统性地排查、揭示风险，提升农险内部审计工作成效方面的突出作用；使内部审计人员加强对大数据分析法的认识和体会，有效提高工作质量，不断督促分支机构进一步加强和规范农业保险管理，提升农业保险合规水平，促进农业保险健康可持续发展，在服务“三农”方面发挥更大的作用。

一、农险内部审计中大数据分析方法的应用案例

（一）大数据分析能够发现潜在的“关联”关系

2014年，在对A分公司进行农业保险审计中，审计人员通过传统的随机抽查承保、理赔档案，对被审计单位的操作流程进行穿行测试，均并未发现明显异常。在传统审计方式无法发挥作用的时候，审计人员想到了通过运用大数据分析的方法来查找问题。

审计人员通过对其农业保险承保、理赔数据的整体分析，发现存在一个特殊的现象：部分乡镇的赔案理赔付款周期较长，同时相关的赔案还存在一个关联的情况----“个别人频繁领款”，数量超过50次。发现这个潜藏的关联关系后，审计人员就这一问题，进行深入追踪。

最终，审计人员揭开了这个谜底，分公司部分从业人员与某一乡镇工作人员串通，把该乡镇正常出险理赔的案件，在最后一步支付赔款时候，将不同原始领款人的账号信息，人为修改为该乡镇工作人员的账号信息，截留赔款。但是由于公司“修改领款人信息业务流程控制”，导致出现付款周期较长的特殊“现象”，被审计人员发现了潜在的风险，取得了良好的审计效果。

（二）大数据分析的全流程视角能够有效揭示风险

2015年，在对另一家农险业务经营亏损的B分公司审计时，审计人员了解到，当地未发生大灾损失，也没有周期异常、个别领款人频繁领款的问题，从表面上看，该分公司业务经营符合公司流程要求。但是农险赔付率较高、亏损严重的现实提醒审计人员，不可掉以轻心。通过运用大数据分析的方法，审计人员将分公司的所有承保、理赔数据进行关联分析，进行全流程的风险排查，发现了存在的系统性风险。

审计人员通过IT技术手段，设置承保信息（被保险人、身份证号码、银行卡信息等）和赔付信息（领款人姓名，身份证号码、银行卡号信息等）的关联关系，发现存在数量较多的理赔领款人（约占整体理赔数量的25%）并不在承保清单中的问题。

审计人员就该问题与分公司进行沟通，分公司对此问题异常震惊。原来，该分公司农险业务人员较少，且年龄偏大，在处理农险案件时，主要根据当地村委会提供的名单、损失情况等信息进行赔付，没有与承保清单进行逐笔核对，业务人员也无余力进行该项核对，造成了公司出现较多的保险责任外的赔付，最终导致该分支机构农险业务的亏损。对于审计人员揭示的系统控制功能缺陷的问题，分公司通过及时改进业务系统控制，通过信息交互控制基本解决了流程控制方面的漏洞。

2016年，在对C分公司进行例行的政策性农险审计中，审计人员通过大数据分析，发现部分赔案有以下特点：

一是赔案涉及农户的投保记录均出现在投保清单的末尾，且投保亩数超过保单平均亩数3倍以上。

二是赔案涉及农户同一时期的投保记录超过1次，且标的位置在不同乡镇。

三是赔案涉及农户投保的保单，在同一时期均发生赔案，但是部分保单对应的赔案中，其他农户未出险。

上述赔案，呈现风险聚合的趋势，审计人员锁定上述赔案作为审计重点。在实际调查中，审计人员随机走访其中一个乡镇。通过随机回访沿途遇到的6位村民，受访人均表示不认识疑点锁定的人员。另外，审计人员前往村委会办公室调查了解，该村的村支书和团委书记均证实没有土地流转的情况且村委公告栏张贴的当年玉米种植险的赔款公示中并无上述人员领取赔款的信息。

最终，根据审计人员的疑点和实地调查，被审计单位确认上述赔款中的领款人均不是该村的村民，而是虚假“大户”。

（四）大数据分析构建的数据模型能够有效防止舞弊

审计人员将大数据分析方法在农险审计中的实际应用经验进行了整理、总结，初步构建了农险风险审计模型，主要内容及流程如下：

2017年，在对D分公司的远程审计中，审计人员尝试了运用该数据模型进行风险审计，发现该分公司部分赔案与风险模型匹配度达到4条以上，风险等级“突出”。于是筛选其中10笔两次出险人员相似程度100%的赔案，发送给分公司进行核查。

D分公司在经过核查后，给审计组反馈审计结果及出现的原因：2016年度，D分公司所辖E支公司在开办水稻保险时，由于未能及时收取农户自缴保费，由村干部吴某等6人垫交，为返还垫交保费，支公司缮制了赔案，相关赔款均赔付给上述6人，用于返还此6人垫交的农户自缴部分保费。最终审计组认定，该分支机构部分种植险赔案存在重复理赔返还垫缴农户自缴保费的问题，及时提醒分公司纠正不合规操作。

二、大数据分析方法应用的局限性

通过以上的审计案例，可以看出大数据分析方法在农险内部审计中的明显作用，其基于“样本=全体”的概念，对海量数据分析的强大功能毋庸置疑；但是，在实际应用中，大数据分析还存在一定的局限性，如对数据的依赖性过大，易与实际情况脱节、关联关系的不稳定性、数据模型的不完善等问题，需要引起分析人员的重视。

（一）大数据分析对于数据的过度依赖性

大数据分析方法的良好运用，需要前期对不同格式的数据、文本、照片格式等内容进行整合、处理，统一标准、口径后才能使用。另外，还要关注同类数据的质量，避免出现误导，要及时清除数据杂音。如个别字段录入错误会导致数据异常，使分析结果出现较大偏差，需要合理利用数据波峰与波谷，清洗异常数据。

（二）大数据分析易与实际脱节

大数据分析的基础在于数据，是对于实际标的物的抽象，但是由于技术限制或抽象方法的不科学，会造成与实际出现脱节的情况，会导致审计人员在缺少实地经验时候，分析结果出现偏差。如在对某分公司的审计中，根据数据分析，发现分公司损失面积超过投保面积，结果实地调研时候发现，当地对一亩的标准划分并不等同于实际面积，而是根据土地地块质量不同进行折算，地块质量越差，面积越大，造成了损失面积超过承保面积的现象。所以，不能“唯数据论”，应当结合实际调查确定审计结论。

（三）关联关系的不稳定性

大数据分析揭示出来的关联关系，是基于特定的数据源，并非固定或一成不变的。它与因果关系有明显的不同，需要分析人员大胆假设、小心求证。且关联关系的可移植性较差，对于不同的数据源，审计人员需要重新分析，不能简单“套用”，否则会出现分析偏差。

（四）数据模型的不完善性

大数据分析，反映出来的风险聚合趋势越明显，疑点的风险等级越高，风险与数据模型的匹配度越高，数据模型的准确性就越高。但是由于分析人员的经验、阅历、能力的局限，可能从根本上制约了数据模型的功能；另外，随着保险业合规进程的不断推进和业务的发展，一些原有的问题被杜绝，新的风险也不断出现，需要审计人员及时发现并调整风险数据模型。

三、在农险内部审计中推进大数据分析应用的建议

（一）加强人员技能培训，更新审计理念

农业保险快速发展的客观事实，要求内部审计人员必须要更新审计理念，实现从“样本”到“全体”的过渡，才能有效克服抽样的局限性，全面排查风险。需要加强对审计人员的信息技术培训，使内部审计工作与大数据分析方法紧密结合，提升审计的广度和深度。

（二）规范基层数据管理，提升数据源质量

虽然目前保险公司对各类数据标准规范逐渐统一，但是由于涉及多个层级，不同分支机构对数据标准的执行程度不一，原始数据录入并不规范，导致所收集的原始数据呈现散乱的多样性，可用性较差。需要从两方面加强管理，提升数据质量：一方面强化数据录入质量管控，督促基层操作人员提高录入质量；另一方面需要分析人员提升数据分析、整合的能力，为大数据分析提供高质量的数据源。

（三）积累大数据分析审计经验，强化审计效果

审计人员应直面大数据分析不足，克服畏难情绪，敢于尝试在审计实践中引入大数据分析的方法，敢于试错，主动从“错误”“失败”中不断积累经验，实现从“实践—理论—实践”的螺旋式上升，逐步丰富实践应用，探索、总结大数据分析的思路和模式，实现从“积跬步”的量变到“至千里”的质变飞跃，不断提升审计效果。

目前，无人驾驶汽车、预防性医疗保健等的出现，说明部分行业已经在大数据分析的高级应用阶段取得了不菲的成果；保险内部审计人员也应拓展视野，从建立关联关系、构建风险数据模型等初级阶段，逐步引入深度学习（deep-learning）、机器学习（machine-learning）、人工智能（artificial-intelligence）等先进理念、技术，丰富大数据分析内容和范围，推动内部审计向人工智能审计等高级阶段的转变。