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
在数据可视化领域,树状图(Tree Diagram)是呈现层级结构数据的核心工具——无论是电商商品分类、企业组织架构,还是数据挖掘中 ...
2025-11-17核心结论:“分析前一天浏览与第二天下单的概率提升”属于数据挖掘中的关联规则挖掘(含序列模式挖掘) 技术——它聚焦“时间序 ...
2025-11-17在数据驱动成为企业核心竞争力的今天,很多企业陷入“数据多但用不好”的困境:营销部门要做用户转化分析却拿不到精准数据,运营 ...
2025-11-17在使用Excel透视表进行数据汇总分析时,我们常遇到“需通过两个字段相乘得到关键指标”的场景——比如“单价×数量=金额”“销量 ...
2025-11-14在测试环境搭建、数据验证等场景中,经常需要将UAT(用户验收测试)环境的表数据同步到SIT(系统集成测试)环境,且两者表结构完 ...
2025-11-14在数据驱动的企业中,常有这样的困境:分析师提交的“万字数据报告”被束之高阁,而一张简洁的“复购率趋势图+核心策略标注”却 ...
2025-11-14在实证研究中,层次回归分析是探究“不同变量组对因变量的增量解释力”的核心方法——通过分步骤引入自变量(如先引入人口统计学 ...
2025-11-13在实时数据分析、实时业务监控等场景中,“数据新鲜度”直接决定业务价值——当电商平台需要实时统计秒杀订单量、金融系统需要实 ...
2025-11-13在数据量爆炸式增长的今天,企业对数据分析的需求已从“有没有”升级为“好不好”——不少团队陷入“数据堆砌却无洞察”“分析结 ...
2025-11-13在主成分分析(PCA)、因子分析等降维方法中,“成分得分系数矩阵” 与 “载荷矩阵” 是两个高频出现但极易混淆的核心矩阵 —— ...
2025-11-12大数据早已不是单纯的技术概念,而是渗透各行业的核心生产力。但同样是拥抱大数据,零售企业的推荐系统、制造企业的设备维护、金 ...
2025-11-12在数据驱动的时代,“数据分析” 已成为企业决策的核心支撑,但很多人对其认知仍停留在 “用 Excel 做报表”“写 SQL 查数据” ...
2025-11-12金融统计不是单纯的 “数据计算”,而是贯穿金融业务全流程的 “风险量化工具”—— 从信贷审批中的客户风险评估,到投资组合的 ...
2025-11-11这个问题很有实战价值,mtcars 数据集是多元线性回归的经典案例,通过它能清晰展现 “多变量影响分析” 的核心逻辑。核心结论是 ...
2025-11-11在数据驱动成为企业核心竞争力的今天,“不知道要什么数据”“分析结果用不上” 是企业的普遍困境 —— 业务部门说 “要提升销量 ...
2025-11-11在大模型(如 Transformer、CNN、多层感知机)的结构设计中,“每层神经元个数” 是决定模型性能与效率的关键参数 —— 个数过少 ...
2025-11-10形成购买决策的四个核心推动力的是:内在需求驱动、产品价值感知、社会环境影响、场景便捷性—— 它们从 “为什么买”“值得买吗 ...
2025-11-10在数字经济时代,“数字化转型” 已从企业的 “可选动作” 变为 “生存必需”。然而,多数企业的转型仍停留在 “上线系统、收集 ...
2025-11-10在数据分析与建模中,“显性特征”(如用户年龄、订单金额、商品类别)是直接可获取的基础数据,但真正驱动业务突破的往往是 “ ...
2025-11-07在大模型(LLM)商业化落地过程中,“结果稳定性” 是比 “单次输出质量” 更关键的指标 —— 对客服对话而言,相同问题需给出一 ...
2025-11-07