浅谈大数据技术在金融审计中的应用

随着大数据技术的发展，审计的范围、技术方法和思维模式都发生了实质性的变化，由以往的抽样审计转向全覆盖审计、数据分析由单一性转向庞杂性，技术方法也由传统的验证性分析转向挖掘性分析。在大数据技术发展的背景下，金融审计不仅面临着挑战，也面临着机遇。本文详细介绍了大数据技术在分析商业银行整体风险状况和信贷结构方面的应用，为金融审计衡量商业银行风险控制情况提供参考，并就如何推进大数据技术在金融审计中的发展提出相应对策。

一、数据分析思路及目标

全面采集被审计单位财务数据、信贷业务数据、资产管理数据和金融投资产品等数据，集中对采集数据进行统一整理和分析，运用Matlab软件对被审计单位金融风险和信贷结构进行综合分析。

二、风险分析模型

（一）综合风险分析

商业银行金融风险的分类维度有很多种，为了便于测评和提高分析的有效性，将金融风险分为系统性金融风险和非系统性金融风险进行测评，系统性风险可以衡量整个区域风险的情况，非系统性风险可以衡量商业银行自身风险情况，从系统性风险和非系统性风险的维度测量商业银行金融风险的大小，综合衡量其总体风险状况。

1.指标选取

系统性金融风险指标分为宏观和微观两个方面，宏观方面选取GDP增长率、CPI增长率、M2（广义货币供应量）增长率、银行间拆借利率等指标，微观方面选取资本充足率、总资产收益率、净资产收益率、存贷比、流动性比例等指标。

非系统性金融风险指标分为信用风险、流动性风险、财务风险三个方面，信用风险选取存贷比、不良贷款率、全部关联度、单一集团客户授信集中度等指标，流动性风险选取流动性比例、流动性覆盖率等指标，财务风险选取资产负债率、产权比率的指标。

2.模型算法

（1）指标的标准化处理：

由于测评体系中所涉及指标的计量单位不同，因此在运用这些指标计算综合指数之前，首先要将这些数据进行标准化处理，正向指标数值越高越好，负向指标数值越低越好，所以要通过不同的算法将高低指标进行数据标准化处理。其具体方法如下：

根据以上模型，系统性金融风险正向指标包括M2增长率、银行间同业拆借利率、存贷比，负向指标包括GDP增长率、CPI增长率、资本充足率、总资产收益率、净资产收益率、流动性比例。非系统性金融风险正向指标包括存贷比、不良贷款率、全部关联度、单一集团客户授信集中度、资产负债率，负向指标包括流动性比例、流动性覆盖率、产权比率。

结果如下：

图1：系统性金融风险指数趋势图

注：按照风险指数大小的80%、40%分位数设定高风险分位线、低风险分位线。

图2：非系统性金融风险指数趋势图

图3：不同风险指数趋势图

（二）信贷结构分析

对于信贷结构的衡量，主要考虑贷款金额对其不良率的影响，即不同行业的贷款总额对整体不良率的影响。采用多元线性回归的方法，年度不良贷款率作为被解释变量，贷款占比的年度数据作为解释变量，揭示不同类别中贷款金额对不良率增长的贡献度，再按照贡献度对各个分类进行排名，确定对银行信贷不良率影响最大的类别。

表1：行业投向分类回归结果排名及系数

注：“（）”系数为负。

结果分析

以上风险分析和信贷结构分析模型可以很直观的看到商业银行的整体风险状况，揭示系统性风险和非系统性风险的变化趋势，以及不同行业贷款规模变化对不良率的影响，反映了商业银行整体风险防控情况，也为商业银行后续调整贷款结构，加强风险防控提供了参考。

从综合指数的趋势图中可以看出，系统性金融风险在审计期间内呈下降趋势，非系统性金融风险在审计期间内呈上升趋势，且处于中高风险阶段。信用风险上升趋势最为明显，财务风险波动较大，流动性风险趋于平稳。

三、进一步推动大数据技术在金融审计的应用

（一）加速推动研究型审计发展

依托审计项目，以政治为统领，政策为主线，项目为线索，资金为抓手，将研究型审计贯穿审前、审中、审后，着力实现“一审多果”“一果多用”，构建审计“一盘棋”格局，提高审计成效，为研究型审计提供高效的方法体系。同时为了提升金融审计的整体合力，改变以往以单个审计项目为基础的数据分析方式，通过建立商业银行数据分析平台，实现数据分析的连续性、稳定性和实时性，在总结审计经验的基础上，实现金融审计的规范化、科学化、系统化。