“大数据”是一种规模大到在获取、存储、管理、分析方面大大超出了传统数据软件工具能力范围的数据集合。大数据具有4V特点：Volume（数据体量巨大）、Variety（数据类型繁多）、Velocity（数据更新快速）、Veracity（数据质量参差）。在信息时代，数据量呈爆炸式增长，数据的存储、处理以及应用都面临挑战。为了应对这些挑战，新的技术和方法应运而生，新的数据、新的技术也提供了新的信息价值。大数据越来越多地被应用于各种情境的预测，包括流行病散布途径、大选行情、顾客需求、投资者情绪，等等。然而，原本以数据为载体的会计和财务研究在大数据时代的前进脚步却慢了半拍。
大数据呈现多种模式，比如“small p, large n”、“large p, small n”，或者是“large p, large n”。这里n代表观测值数量，p代表变量的数量。不同的模式需要采用不同的数据处理技术，比如随机森林（Random Forest）常用来解决“large p, small n”问题。传统的高度结构化回归模型很难适应大数据分析，新的数据分析方法应运而生，包括正则化回归（Regularized Regression）、决策树法（Tree-based Method）、样条回归（Splines）、神经网络模型（Neural Networks），基因算法（Genetic Algorithms）、贝叶斯网络（Bayesian Networks）、机器学习（Machine Learning），等等。邦德大学的Adrian Gepp、Terrence J. O’Neill以及麦考瑞大学的Martina K. Linnenluecke、Tom Smith合作的论文“Big data techniques in auditing research and practice: Current trends and future opportunities”总结和归纳了大数据技术在会计与财务研究中的应用现状，并展望大数据技术在审计研究和实务中的应用前景。全文详见 Journal of Accounting Literature 2018 年第40卷102-115页，版权归原作者所有。
在会计和财务研究领域，大数据以及大数据分析方法首先被应用于财务困境预测。利用决策树模型、神经网络技术、以及机器学习技术来对财务困境进行预测，可以提高预测的准确性，有助于审计师、银行以及公司利益相关者判断公司的持续经营能力。财务欺诈预测也是大数据的重要应用场景之一，基于多变量的大数据以及文本分析的财务欺诈预测较传统财务欺诈预测更准确。大数据分析方法更是广泛应用于股票市场预测，可以用来预测投资者情绪等市场层面的指标，也可用于预测个股回报。基于大数据、机器学习技术可以构建股票交易策略。总的来说，基于大数据技术的研究方法是对传统研究方法的有益补充。财务困境预测和财务欺诈识别都与审计息息相关，然而，在审计研究和实践中，大数据应用得却比较少，其可能的原因之一是会计准则和审计准则仍然强调会计审计的报告、汇总、抽样过程，还没有跟上技术变革的步伐。
财务会计的基本理论以及在概念框架下规范的会计信息质量要求，使得通过会计确认、计量和报告过程产生的会计信息是高度结构化的。而大数据来源广泛、形式多样，数据的生成以及应用模式与财务会计有着很大的区别，因此大数据在会计财务领域主要的应用场景是预测和分析。此外，大数据可以应用于会计估计和价值评估，从而提高会计信息的质量。而审计中风险评估、舞弊识别却可以充分利用大数据技术，因此四大会计师事务所均强调其在数据分析上创新。然而，目前为止，审计过程中未能充分利用大数据技术。
在大数据时代，会计财务学者们应该思考包括社交网络、博客、论坛、网络新闻、电子报刊、网络游戏、线上金融、线上购物、社交广告、社交商务等情境下，有哪些信息和数据是可以利用的？什么样的方法和模型可以提炼这些信息？哪种方法最有潜力？哪种算法最优化？以此来热情拥抱大数据时代的机遇与挑战！
附：原文题目与摘要
Big data techniques in auditing research and practice: Current trends and future opportunities
Adrian Gepp, Martina K. Linnenluecke, Terrence J. O’Neill, Tom Smith
Abstract:This paper analyses the use of big data techniques in auditing and finds that the practice is not as widespread as it is in other related fields. We first introduce contemporary big data techniques to promote understanding of their potential application. Next, we review existing research on big data in accounting and finance. In addition to auditing, our analysis shows that existing research extend across three other genealogies: financial distress modelling, financial fraud modelling, and stock market prediction and quantitative modelling. Auditing is lagging behind the other research streams in the use of valuable big data techniques. A possible explanation is that auditors are reluctant to use techniques that are far ahead of those adopted by their clients, but we refute this argument. We call for more research and a greater alignment to practice. We also outline future opportunities for auditing in the context of real-time information and in collaborative platforms and peer-to-peer marketplaces.
联系客服
