京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据审计:让违规资金无处遁形
随着信息技术的迅猛发展,行业应用所产生的数据呈爆炸性增长,大数据审计应时而生。去年以来,审计厅尝试运用大数据分析技术,探索审计监督新模式,撞开了一扇新的高效的“审计之门”。
“审计对数据有天然的依存关系。”5月27日,审计厅厅长黄河说,作为经济运行综合性监督部门,保持对社会经济数据的灵敏感触,深挖细掘、充分运用,是大数据时代对审计工作的内在要求和必然选择。
大数据审计到底有多神奇?审计人员如何从海量数据中发现违规资金的疑点和线索?记者追踪了一年来审计在大数据环境下的足迹。
审计数据量有多大?
一次审计调用700G数据
今年2月,审计厅电子数据审计处正式挂牌成立,负责组织开展跨行业、跨部门、跨地区的数据分析,联网审计和省直各部门(单位)电子信息系统审计,以及对电子数据进行综合分析和利用等工作。而我省大数据审计的尝试,此前早已开始。
去年初,审计厅建立起分类分步采集的数据获取机制。通过专网联结、定期拷贝与建立定期报送制相结合的方式,审计部门可以无障碍获取不同系统不同部门的电子数据信息。目前,审计数据中心已收集有省级财政国库集中支付业务、非税收入、总预算会计数据等相关数据。
以海量数据为基础,依托不同的审计分析模型,审计人员就可以有针对性地“攫取所需”了。
正在进行的税收征管审计中,审计厅专门成立的地税审计数据分析团队充分利用采集到的各类数据,构建起125个审计分析模型,覆盖了包括税务管理、税款征收、发票管理等几乎所有地税业务。分析团队查询分析了多个系统约700G的电子信息数据,在房产税、车船税、城镇土地使用税、机打发票、三代管理、小微企业税收优惠政策执行、退税等7方面新编写了21个审计方法。然后,审计人员选取国土、工商、房地产等外部涉税信息数据,与相关税收征管数据比对分析,揭示出漏征漏管税收和征管制度缺陷等各种问题,提出了有针对性的审计建议和意见。
审计速度有多快?
几周的工作量缩短到几分钟完成
有了大数据分析技术支持,一些大型专项审计能够在短期内完成。
全省农村信用社数量多、分布广、业务量大,有着庞大的数据量。过去,由于缺乏计算机及金融专业人才,加上各市州审计机关各自为政,存在许多重复劳动和结果不显著的问题。正在进行的针对全省农村信用社112家法人机构的审计改变了这一尴尬状况。
审计部门依托创新开发的金融审计数据分析平台,实施“总体分析、发现疑点、分散核实、系统研究”新型审计模式,提升了审计项目实施的实时互动、科学管理以及数据利用。“通过编制审计模型,数据分析小组可在那些令人眼花缭乱的数据、票证中,循着蛛丝马迹,快速找到同一违法行为的共同标志,让异常数据浮出水面。”数据分析组组长介绍说,以贷款为例,数据分析人员可通过数据联网分析贷款户的资金流向是否符合国家政策和申贷要求,跟踪资金用途,就能查出有没有被挪用,是否存在非法侵占、挥霍贷款等情况。
这项审计涉及贷款总量超过1000亿元,审计厅在短短一周内便实现了对全省信用社信贷发放结构等业务数据的分析和核实。按照传统审计办法,审计骨干人员可能要几周才能完成的工作量,如今几分钟就能完成。
数据挖掘有多深?
一家公司异常带出一个行业整治
大数据审计依托信息数据进行系统分析,实现了精准核查、整体评价。
去年上半年进行的预算执行审计中,审计人员利用不同行业数据之间存在的关联关系进行比对,发现省级劳务公司开票金额与营业税计税基数之间出现巨大异常。随后顺藤摸瓜,又发现有数十户劳务派遣公司开具发票18万张、涉及金额144亿元,而计税基数仅为发票额的1%-2%。针对审计发现的问题,省地税局、公安厅、审计厅等部门专题研究部署,迅速启动了对全省劳务公司开具发票的专项整治工作。
对于这次审计,电子数据审计处处长余川感触最深:“大数据分析立足于与审计对象具有关联关系的所有数据,为审计提供了一种站高望远、从整体把握对象的技术手段。”
有了大数据分析的支持,审计人员犹如多了一双透视眼,可以快速锁定疑点,并追询疑点、定向排查、查实查透。
4月刚结束的全省保障性安居工程跟踪审计中,审计组通过比对部分市、县10余万条人员信息数据与房管部门商品房信息,发现了上千名购有商品房、超过规定标准的人员违规享受保障性住房;通过将享受保障性住房待遇人员信息与同期养老保险缴费基数、公积金缴费基数、个人所得税应税数及机动车辆登记信息等进行比对,骗取或违规享受保障性住房、骗取或违规领取货币补贴等问题浮出水面。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
Python凭借简洁的语法、丰富的生态库,成为算法开发、数据处理、机器学习等领域的首选语言。但受限于动态类型、解释性执行的特性 ...
2026-04-03在深度学习神经网络中,卷积操作是实现数据特征提取的核心引擎,更是让模型“看懂”数据、“解读”数据的关键所在。不同于传统机 ...
2026-04-03当数字化转型从企业的“战略口号”落地为“生存之战”,越来越多的企业意识到,转型的核心并非技术的堆砌,而是数据价值的深度挖 ...
2026-04-03在日常办公数据分析中,数据透视表凭借高效的汇总、分组功能,成为Excel、WPS等办公软件中最常用的数据分析工具之一。其中,“计 ...
2026-04-02在数字化交互的全场景中,用户的每一次操作都在生成动态的行为轨迹——电商用户的“浏览商品→点击详情→加入购物车”,内容APP ...
2026-04-02在数字化转型深度推进的今天,企业数据已成为驱动业务增长、构建核心竞争力的战略资产,而数据安全则是守护这份资产的“生命线” ...
2026-04-02在数据驱动决策的浪潮中,数据挖掘与数据分析是两个高频出现且极易被混淆的概念。有人将二者等同看待,认为“做数据分析就是做数 ...
2026-04-01在数据驱动决策的时代,企业与从业者每天都会面对海量数据——电商平台的用户行为数据、金融机构的信贷风险数据、快消品牌的营销 ...
2026-04-01在数字化转型的浪潮中,企业数据已从“辅助运营的附属资源”升级为“驱动增长的核心资产”,而一套科学、可落地的企业数据管理方 ...
2026-04-01在数字化时代,每一位用户与产品的交互都会留下可追溯的行为轨迹——电商用户的浏览、加购、下单,APP用户的注册、登录、功能使 ...
2026-03-31在日常数据统计、市场调研、学术分析等场景中,我们常常需要判断两个分类变量之间是否存在关联(如性别与消费偏好、产品类型与满 ...
2026-03-31在CDA(Certified Data Analyst)数据分析师的职场实战与认证考核中,“可解释性建模”是核心需求之一——企业决策中,不仅需要 ...
2026-03-31多层感知机(MLP,Multilayer Perceptron)作为深度学习中最基础、最经典的神经网络模型,其结构设计直接决定了模型的拟合能力、 ...
2026-03-30在TensorFlow深度学习实战中,数据集的加载与预处理是基础且关键的第一步。手动下载、解压、解析数据集不仅耗时费力,还容易出现 ...
2026-03-30在CDA(Certified Data Analyst)数据分析师的日常工作中,“无监督分组、挖掘数据内在聚类规律”是高频核心需求——电商场景中 ...
2026-03-30机器学习的本质,是让模型通过对数据的学习,自主挖掘规律、实现预测与决策,而这一过程的核心驱动力,并非单一参数的独立作用, ...
2026-03-27在SQL Server数据库操作中,日期时间处理是高频核心需求——无论是报表统计中的日期格式化、数据筛选时的日期类型匹配,还是业务 ...
2026-03-27在CDA(Certified Data Analyst)数据分析师的能力体系与职场实操中,高维数据处理是高频且核心的痛点——随着业务场景的复杂化 ...
2026-03-27在机器学习建模与数据分析实战中,特征维度爆炸、冗余信息干扰、模型泛化能力差是高频痛点。面对用户画像、企业经营、医疗检测、 ...
2026-03-26在这个数据无处不在的时代,数据分析能力已不再是数据从业者的专属技能,而是成为了职场人、管理者、创业者乃至个人发展的核心竞 ...
2026-03-26