CN117151906A - 一种基于关联网络搭建的财会审计监察协同监督方法 - Google Patents
一种基于关联网络搭建的财会审计监察协同监督方法 Download PDFInfo
- Publication number
- CN117151906A CN117151906A CN202311031389.1A CN202311031389A CN117151906A CN 117151906 A CN117151906 A CN 117151906A CN 202311031389 A CN202311031389 A CN 202311031389A CN 117151906 A CN117151906 A CN 117151906A
- Authority
- CN
- China
- Prior art keywords
- supervision
- items
- financial
- audit
- abnormal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000012550 audit Methods 0.000 title claims abstract description 286
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000002159 abnormal effect Effects 0.000 claims abstract description 251
- 230000000694 effects Effects 0.000 claims abstract description 177
- 230000006399 behavior Effects 0.000 claims abstract description 91
- 238000013528 artificial neural network Methods 0.000 claims abstract description 55
- 238000012216 screening Methods 0.000 claims abstract description 9
- 238000012098 association analyses Methods 0.000 claims abstract description 6
- 238000007726 management method Methods 0.000 claims description 54
- 238000012544 monitoring process Methods 0.000 claims description 16
- 238000012512 characterization method Methods 0.000 claims description 15
- 238000013507 mapping Methods 0.000 claims description 13
- 238000013139 quantization Methods 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 10
- 238000011002 quantification Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 7
- 239000006185 dispersion Substances 0.000 claims description 3
- 206010000117 Abnormal behaviour Diseases 0.000 abstract description 9
- 238000004891 communication Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 230000019771 cognition Effects 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/12—Accounting
- G06Q40/125—Finance or payroll
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0499—Feedforward networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/101—Collaborative creation, e.g. joint development of products or services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Finance (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Technology Law (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种基于关联网络搭建的财会审计监察协同监督方法，包括以下步骤：利用BP神经网络进行大数据学习得到异常财会行为的识别网络，异常经济活动的识别网络，以及异常公职活动的识别网络；对具有关联关系的财会监督项、审计监督项和监察监督项进行关联性分析构建关联网络。本发明能够根据数据流实现异常行为活动的抓取，对应自动化进行财会监督、审计监督和监察监督，无需人工筛检，提高监督的效率和时效性，而且构建财会监督项、审计监督项和监察监督项的关联网络，实现监察监督、审计监督、财会监督的三者协同监督，形成“大监督”体系，加强监督合力，提高监督治理效能。
Description
技术领域
本发明涉及智慧财会审计监察技术领域，具体涉及一种基于关联网络搭建的财会审计监察协同监督方法。
背景技术
财会监督、审计监督和监察监督是三种不同类型的监督方式，它们在监督对象、监督内容、监督方式等方面有所不同，但都是维护国家财经秩序和公共利益的重要手段。财会监督是指对财务会计活动进行监督管理，包括预算执行、财务收支、资产管理等方面，目的是确保财务管理合法、规范、透明，保护国家和社会的财产安全。审计监督是指对企事业单位的经济活动进行审计监督，包括对财务报表、财务管理制度、财务业务等方面进行审计，目的是发现和纠正财务管理方面的问题和漏洞，确保财务信息真实、准确、完整。监察监督是指对公职人员的廉政建设和反腐败斗争进行监督管理，包括对公职人员的行为、财产、权力等方面进行监督，目的是防止腐败现象的发生。这三种监督方式在实践中相互补充、相互协调，形成了一个有机的监督体系。财会监督和审计监督通常是通过财务数据和审计报告进行监督，而监察监督则更注重公职人员的行为和品德方面的监督。
现有技术中通常建立一个协调机制，由相关部门定期进行协调会议，制定联合工作方案，实现资源共享、信息共享、监督力量共享，以实现财会审计和监察三方协同监督，但是此种三方协同监督依旧依据人工经验进行协同判断，主观性强，且人工协调效率难以满足，人工协同判断的精力有限性和认知有限性还容易出现监督遗漏的问题。
发明内容
本发明的目的在于提供一种基于关联网络搭建的财会审计监察协同监督方法，以解决现有技术中依据人工经验进行协同判断，主观性强，且人工协调效率难以满足，人工协同判断的精力有限性和认知有限性还容易出现监督遗漏的问题的技术问题。
为解决上述技术问题，本发明具体提供下述技术方案：
一种基于关联网络搭建的财会审计监察协同监督方法，包括以下步骤：
在财会监督日志中，提取出标定为异常财会行为的财会监督项，在审计监督日志中，提取出标定为异常经济活动的审计监督项，在监察监督日志中，提取出标定为异常公职活动的监察监督项；
利用BP神经网络在异常财会行为的财会监督项中进行大数据学习得到异常财会行为的识别网络，利用BP神经网络在异常经济活动的审计监督项中进行大数据学习得到异常经济活动的识别网络，利用BP神经网络在异常公职活动的监督项中进行大数据学习得到异常公职活动的识别网络；
在异常财会行为的财会监督项、异常经济活动的审计监督项和异常公职活动的监督项中筛选出具有关联关系的财会监督项、审计监督项和监察监督项，并在具有关联关系的财会监督项、审计监督项和监察监督项中进行关联性分析构建财会监督项、审计监督项和监察监督项的关联网络；
基于财会监督项、审计监督项和监察监督项的关联网络构建出协同监督模型，以实现监察监督、审计监督、财会监督的三者协同监督。
作为本发明的一种优选方案，所述异常财会行为的标定是指通过监督表征预算执行、财务收支以及资产管理的数据流对财会行为是否异常进行标定，所述异常经济活动是指通过审计表征财务报表、财务管理制度以及财务业务的数据流对经济活动是否异常进行标定，所述异常公职活动是指通过监督表征公职人员行为、公职人员财产以及公职人员权力的数据流对公职活动是否异常进行标定。
作为本发明的一种优选方案，所述利用BP神经网络在异常财会行为的财会监督项中进行大数据学习得到异常财会行为的识别网络，包括：
将异常财会行为的财会监督项中表征预算执行、财务收支以及资产管理的数据流作为BP神经网络的第一输入项，将异常财会行为的财会监督项中异常财会行为标签作为BP神经网络的第一输出项；
利用BP神经网络对第一输入项和第一输出项进行卷积训练得到所述异常财会行为的识别网络；
所述异常财会行为的识别网络的表达式为：
Label1=BP(data1)；
式中，Label1为异常财会行为的标签，data1为表征预算执行、财务收支以及资产管理的数据流，BP为BP神经网络。
作为本发明的一种优选方案，所述利用BP神经网络在异常经济活动的审计监督项中进行大数据学习得到异常经济活动的识别网络，包括：
将异常经济活动的审计监督项中表征预算执行、财务收支以及资产管理的数据流作为BP神经网络的第二输入项，将异常经济活动的审计监督项中异常经济活动标签作为BP神经网络的第二输出项；
利用BP神经网络对第二输入项和第二输出项进行卷积训练得到所述异常经济活动的识别网络；
所述异常经济活动的识别网络的表达式为：
Label2=BP(data2)；
式中，Label2为异常经济活动的标签，data2为表征财务报表、财务管理制度以及财务业务的数据流，BP为BP神经网络。
作为本发明的一种优选方案，所述利用BP神经网络在异常公职活动的监察项中进行大数据学习得到异常公职活动的识别网络，包括：
将异常公职活动的监察监督项中表征公职人员行为、公职人员财产以及公职人员权力的数据流作为BP神经网络的第三输入项，将异常公职活动的监察监督项中异常公职活动标签作为BP神经网络的第三输出项；
利用BP神经网络对第三输入项和第三输出项进行卷积训练得到所述异常公职活动的识别网络；
所述异常公职活动的识别网络的表达式为：
Label3=BP(data3)；
式中，Label3为异常公职活动的标签，data3为表征公职人员行为、公职人员财产以及公职人员权力的数据流，BP为BP神经网络。
作为本发明的一种优选方案，在异常财会行为的财会监督项、异常经济活动的审计监督项和异常公职活动的监察监督项中筛选出具有关联关系的财会监督项、审计监督项和监察监督项，包括：
将监督对象存在一致性或相关性的异常财会行为的财会监督项、异常经济活动的审计监督项和异常公职活动的监察监督项标定为具有关联关系的财会监督项、审计监督项和监察监督项，其中，
财会监督项的监督对象包括企事业单位的财务人员和公职人员，审计监督项的监督对象包括企事业单位的财务人员和公职人员，监察监督项的监督对象包括企事业单位的公职人员和干部。
作为本发明的一种优选方案，所述在具有关联关系的财会监督项、审计监督项和监察监督项中进行关联性分析构建财会监督项、审计监督项和监察监督项的关联网络，包括：
将有关联关系的财会监督项、审计监督项和监察监督项中表征预算执行、财务收支以及资产管理的数据流，表征财务报表、财务管理制度以及财务业务的数据流与表征公职人员行为、公职人员财产以及公职人员权力的数据流进行数据流相关性量化，得到具有关联关系的财会监督项、审计监督项和监察监督项间的数据流相关性，所述数据流相关性利用相关系数进行量化；
对各个具有关联关系的财会监督项、审计监督项和监察监督项间的数据流相关性进行共性化分析确定出具有关联关系的财会监督项、审计监督项和监察监督项间的共性数据流相关性；
将具有关联关系的财会监督项、审计监督项和监察监督项量化为拓扑节点，在具有关联关系的财会监督项、审计监督项和监察监督项量间设置有拓扑边对拓扑节点进行对应连接，将具有关联关系的财会监督项、审计监督项和监察监督项间的共性数据流相关性作为拓扑节点间拓扑边的边权重；
利用拓扑节点、拓扑边和边权重构建出所述财会监督项、审计监督项和监察监督项的关联网络。
作为本发明的一种优选方案，所述对各个具有关联关系的财会监督项、审计监督项和监察监督项间的数据流相关性进行共性化分析，包括：
设定财会监督项和审计监督项间的数据流相关性期望，将财会监督项和审计监督项间的各个数据流相关性与数据流相关性期望进行离散性量化，并将最小离散性求得财会监督项和审计监督项间的数据流相关性期望作为财会监督项和审计监督项间的共性数据流相关性；
设定财会监督项和监督项间的数据流相关性期望，将财会监督项和监察监督项间的各个数据流相关性与数据流相关性期望进行离散性量化，并将最小离散性求得财会监督项和监察监督项间的数据流相关性期望作为财会监督项和监察监督项间的共性数据流相关性；
设定监察监督项和审计监督项间的数据流相关性期望，将监察监督项和审计监督项间的各个数据流相关性与数据流相关性期望进行离散性量化，并将最小离散性求得监察监督项和审计监督项间的数据流相关性期望作为监察监督项和审计监督项间的共性数据流相关性；
所述离散性量化利用方差进行量化；
所述最小化离散的量化公式为： ；
式中，Fx为x间的离散性，Sx,j 为x间的第j个数据流相关性，Sx为x间数据流相关性期望，m为x间的数据量相关性数量，j为计数变量，x分别为财监督项和审计监督项，财会监督项和监察监督项以及监察监督项和审计监督项的标识符。
作为本发明的一种优选方案，所述基于财会监督项、审计监督项和监察监督项的关联网络构建出协同监督模型，包括：
设定数据流门户，数据流门户采集表征预算执行、财务收支以及资产管理的数据流，表征财务报表、财务管理制度以及财务业务的数据流与表征公职人员行为、公职人员财产以及公职人员权力的数据流；
设定异常识别单元，内嵌有异常财会行为的识别网络，异常经济活动的识别网络与异常公职活动的识别网络，根据数据流门户反馈的表征预算执行、财务收支以及资产管理的数据流，表征财务报表、财务管理制度以及财务业务的数据流与表征公职人员行为、公职人员财产以及公职人员权力的数据流识别出异常财会行为、异常经济活动与异常公职活动；
设定协同监察单元，内嵌有财会监督项、审计监督项和监察监督项的关联网络，将异常识别单元反馈的异常财会行为、异常经济活动与异常公职活动单独设立对应的财会监督项、审计监督项和监察监督项，并将单独设立的财会监督项、审计监督项和监察监督项映射至财会监督项、审计监督项和监察监督项的关联网络中获得单独设定的财会监督项、审计监督项和监察监督项的协同监督项，其中，单独设定的财会监督项的协同监督项包括审计监督项和监察监督项，单独设定的审计监督项的协同监督项包括财会监督项和监察监督项，单独设定的监察监督项的协同监督项包括财会监督项和审计监督项。
作为本发明的一种优选方案，协同监督项的确定包括：
将单独设定的财会监督项中表征预算执行、财务收支以及资产管理的数据流映射到财会监督项、审计监督项和监察监督项的关联网络中财会监督项对应的拓扑节点的数据值，根据财会监督项、审计监督项和监察监督项的关联网络的拓扑边权重计算出审计监督项和监察监督项对应的拓扑节点的数据值，将审计监督项和监察监督项对应的拓扑节点的数据值利用异常经济活动的识别网络与异常公职活动的识别网络进行识别确定审计监督项和监察监督项的异常与否，其中，审计监督项的标签为异常经济活动或监察监督项的标签为异常公职活动，将审计监督项的或监察监督项作为财会监督项的协同监督项；
将单独设定的审计监督项中表征财务报表、财务管理制度以及财务业务的数据流映射到财会监督项、审计监督项和监察监督项的关联网络中审计监督项对应的拓扑节点的数据值，根据财会监督项、审计监督项和监察监督项的关联网络的拓扑边权重计算出财会监督项和监察监督项对应的拓扑节点的数据值，将财会监督项和监察监督项对应的拓扑节点的数据值利用异常财会活动的识别网络与异常公职活动的识别网络进行识别确定财会监督项和监察监督项的异常与否，其中，财会监督项的标签为异常财会活动或监察监督项的标签为异常公职活动，将财会监督项的或监察监督项作为审计监督项的协同监督项；
将单独设定的监察监督项中表征公职人员行为、公职人员财产以及公职人员权力的数据流映射到财会监督项、审计监督项和监察监督项的关联网络中监察监督项对应的拓扑节点的数据值，根据财会监督项、审计监督项和监察监督项的关联网络的拓扑边权重计算出审计监督项和财会监督项对应的拓扑节点的数据值，将审计监督项和财会监督项对应的拓扑节点的数据值利用异常公职活动的识别网络与异常财会活动的识别网络进行识别确定审计监督项和财会监督项的异常与否，其中，审计监督项的标签为异常经济活动或财会监督项的标签为异常财会活动，将审计监督项的或财会监督项作为监察监督项的协同监督项。
本发明与现有技术相比较具有如下有益效果：
本发明构建异常财会行为的识别网络，异常经济活动的识别网络，以及异常公职活动的识别网络，能够根据数据流实现异常行为活动的抓取，对应自动化进行财会监督、审计监督和监察监督，无需人工筛检，提高监督的效率和时效性，而且构建财会监督项、审计监督项和监察监督项的关联网络，实现监察监督、审计监督、财会监督的三者协同监督，形成监督强大合力，提高监督治理效能的水平。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
图1为本发明实施例提供的财会审计监察协同监督方法流程图；
图2为本发明实施例提供的协同监督系统框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
现有技术中通常建立一个协调机制，由相关部门定期进行协调会议，制定联合工作方案，实现资源共享、信息共享、监督力量共享，以实现财会审计和监察三方协同监督，但是此种三方协同监督依旧依据人工经验进行协同判断，主观性强，且人工协调效率难以满足，人工协同判断的精力有限性和认知有限性还容易出现监督遗漏的问题。因此本发明提供了一种基于关联网络搭建的财会审计监察协同监督方法，通过构建识别网络，对数据流进行识别抓取异常行为活动，针对性进行监察，进一步构建财会审计监察三者的关联网络，实现三者的协同监督，提高监督效能。
如图1所示，本发明提供了一种基于关联网络搭建的财会审计监察协同监督方法，包括以下步骤：
在财会监督日志中，提取出标定为异常财会行为的财会监督项，在审计监督日志中，提取出标定为异常经济活动的审计监督项，在监察监督日志中，提取出标定为异常公职活动的监察监督项；
利用BP神经网络在异常财会行为的财会监督项中进行大数据学习得到异常财会行为的识别网络，利用BP神经网络在异常经济活动的审计监督项中进行大数据学习得到异常经济活动的识别网络，利用BP神经网络在异常公职活动的监察监督项中进行大数据学习得到异常公职活动的识别网络；
在异常财会行为的财会监督项、异常经济活动的审计监督项和异常公职活动的监察监督项中筛选出具有关联关系的财会监督项、审计监督项和监察监督项，并在具有关联关系的财会监督项、审计监督项和监察监督项中进行关联性分析构建财会监督项、审计监督项和监察监督项的关联网络；
基于财会监督项、审计监督项和监察监督项的关联网络构建出协同监督模型，以实现监察和审计财会三者协同监督。
异常财会行为的标定是指通过监督表征预算执行、财务收支以及资产管理的数据流对财会行为是否异常进行标定，异常经济活动是指通过审计表征财务报表、财务管理制度以及财务业务的数据流对经济活动是否异常进行标定，异常公职活动是指通过监察表征公职人员行为、公职人员财产以及公职人员权力的数据流对公职活动是否异常进行标定。
本发明构建了异常财会行为的识别网络，异常经济活动的识别网络和异常公职活动的识别网络，能够分别根据表征预算执行、财务收支以及资产管理的数据流，表征预算执行、财务收支以及资产管理的数据流和表征公职人员行为、公职人员财产以及公职人员权力的数据流，进行异常财会行为，异常经济活动和异常公职活动的识别，例如在识别到异常财会行为后反馈至监督人员，进行针对性的财会监督，在识别到异常经济活动后反馈至监督人员，进行针对性的审计家奴，在识别到异常公职活动后反馈至监督人员，进行针对性的监察，直接从数据流中进行模型化识别成立针对性监督项目，无需人工主观介入进行数据流筛检，提高了监督时效性，在异常行为活动发生是就可及时的抓取到，监督的效率也得到了提高，具体的：
利用BP神经网络在异常财会行为的财会监督项中进行大数据学习得到异常财会行为的识别网络，包括：
将异常财会行为的财会监督项中表征预算执行、财务收支以及资产管理的数据流作为BP神经网络的第一输入项，将异常财会行为的财会监督项中异常财会行为标签作为BP神经网络的第一输出项；
利用BP神经网络对第一输入项和第一输出项进行卷积训练得到异常财会行为的识别网络；
异常财会行为的识别网络的表达式为：
Label1=BP(data1)；
式中，Label1为异常财会行为的标签，data1为表征预算执行、财务收支以及资产管理的数据流，BP为BP神经网络。
利用BP神经网络在异常经济活动的审计监督项中进行大数据学习得到异常经济活动的识别网络，包括：
将异常经济活动的审计监督项中表征预算执行、财务收支以及资产管理的数据流作为BP神经网络的第二输入项，将异常经济活动的审计监督项中异常经济活动标签作为BP神经网络的第二输出项；
利用BP神经网络对第二输入项和第二输出项进行卷积训练得到异常经济活动的识别网络；
异常经济活动的识别网络的表达式为：
Label2=BP(data2)；
式中，Label2为异常经济活动的标签，data2为表征财务报表、财务管理制度以及财务业务的数据流，BP为BP神经网络。
利用BP神经网络在异常公职活动的监察项中进行大数据学习得到异常公职活动的识别网络，包括：
将异常公职活动的监察项中表征公职人员行为、公职人员财产以及公职人员权力的数据流作为BP神经网络的第三输入项，将异常公职活动的监察项中异常公职活动标签作为BP神经网络的第三输出项；
利用BP神经网络对第三输入项和第三输出项进行卷积训练得到异常公职活动的识别网络；
异常公职活动的识别网络的表达式为：
Label3=BP(data3)；
式中，Label3为异常公职活动的标签，data3为表征公职人员行为、公职人员财产以及公职人员权力的数据流，BP为BP神经网络。
本发明在提高监督时效性的基础上，进一步的通过数据流挖掘出财会审计监察三方面的异常关联性，即财会审计三方面间的相互之间的异常影响，比如监督对象的财会出现异常对该监察对象或与监察对象相关的对象的经济活动或公职活动是否会出现异常，是否需要进行审计和，因此在监察对象存在一致性或相关性的异常财会行为的财会监督项、异常经济活动的审计监督项和异常公职活动的监察家奴项进行关联性挖掘，获得异常财会行为、异常经济活动和异常公职活动间的相互影响性，映射到财会审计监察上，获得财会审计监察三者的关联性，得知在监察对象进行财会监督时是否需要进行审计和监察，为协同监督进行关联性准备，例如在进行财会审计的同时，也可以对可能存在的违规行为进行纪律审查，以实现财会审计全方位的监察，构建财会监督项、审计监督项和监察监督项的关联网络，具体如下：
在异常财会行为的财会监督项、异常经济活动的审计监督项和异常公职活动的监察监督项中筛选出具有关联关系的财会监督项、审计监督项和监察监督项，包括：
将监督对象存在一致性或相关性的异常财会行为的财会监督项、异常经济活动的审计监督项和异常公职活动的监察监督项标定为具有关联关系的财会监督项、审计监督项和监察监督项，其中，
财会监督项的对象包括企事业单位的财务人员和公职人员，审计监督项的对象包括企事业单位的财务人员和公职人员，监察监督项的对象包括企事业单位的公职人员和干部。
本发明将财会监督项、审计监督项和监察监督项中进行关联性利用拓扑结构进行可视化，构建出关联网络，从而能够可视化的展现出财会、审计和之间的相互影响性，能够监察某一项时，对另外两项中存在异常行为活动时同样进行监督，提高监督协同性，不再是财会、审计和之间的独立监督，避免监督遗漏，监督全面性得以保证，具体如下：
在具有关联关系的财会监督项、审计监督项和监察监督项中进行关联性分析构建财会监督项、审计监督项和监察监督项的关联网络，包括：
将有关联关系的财会监督项、审计监督项和监察监督项中的表征预算执行、财务收支以及资产管理的数据流，表征财务报表、财务管理制度以及财务业务的数据流与表征公职人员行为、公职人员财产以及公职人员权力的数据流进行数据流相关性量化，得到具有关联关系的财会监督项、审计监督项和监察监督项间的数据流相关性，数据流相关性利用相关系数进行量化；
对各个具有关联关系的财会监督项、审计监督项和监察监督项间的数据流相关性进行共性化分析确定出具有关联关系的财会监督项、审计监督项和监察监督项间的共性数据流相关性；
将具有关联关系的财会监督项、审计监督项和监察监督项量化为拓扑节点，在具有关联关系的财会监督项、审计监督项和监察监督项量间设置有拓扑边对拓扑节点进行对应连接，将具有关联关系的财会监督项、审计监督项和监察监督项间的共性数据流相关性作为拓扑节点间拓扑边的边权重；
利用拓扑节点、拓扑边和边权重构建出财会监督项、审计监督项和监察监督项的关联网络。
对各个具有关联关系的财会监督项、审计监督项和监察监督项间的数据流相关性进行共性化分析，包括：
设定财会监督项和审计监督项间的数据流相关性期望，将财会监督项和审计监督项间的各个数据流相关性与数据流相关性期望进行离散性量化，并将最小离散性求得财会监督项和审计监督项间的数据流相关性期望作为财会监督项和审计监督项间的共性数据流相关性；
设定财会监督项和监察监督项间的数据流相关性期望，将财会监督项和监察监督项间的各个数据流相关性与数据流相关性期望进行离散性量化，并将最小离散性求得财会监督项和监察监督项间的数据流相关性期望作为财会监督项和监察监督项间的共性数据流相关性；
设定监督项和审计监督项间的数据流相关性期望，将监察监督项和审计监督项间的各个数据流相关性与数据流相关性期望进行离散性量化，并将最小离散性求得监察监督项和审计监督项间的数据流相关性期望作为监察监督项和审计监督项间的共性数据流相关性；
离散性量化利用方差进行量化，能够确保财会监督项和审计监督项，财会监督项和监察监督项以及监察监督项和审计监督项的数据流相关性普适应更强，进而提高关联网络的准确性、客观性；
最小化离散的量化公式为： ；
式中，Fx为x间的离散性，Sx,j 为x间的第j个数据流相关性，Sx为x间数据流相关性期望，m为x间的数据量相关性数量，j为计数变量，x分别为财会监督项和审计监督项，财会监督项和监察监督项以及监察监督项和审计监督项的标识符。
本发明基于财会监督项、审计监督项和监察监督项的关联网络构建出协同监督模型，能够根据数据流实时识别出异常行为活动，并根据异常行为活动建立监察项目，此时建立的监察项目存在相互独立性，映射至关联网络中，对另外两项中存在异常行为活动时同样进行监督，提高监督协同性，协同监督模型的构建具体如下：
基于财会监督项、审计监督项和监察监督项的关联网络构建出协同监督模型，包括：
设定数据流门户，数据流门户采集表征预算执行、财务收支以及资产管理的数据流，表征财务报表、财务管理制度以及财务业务的数据流与表征公职人员行为、公职人员财产以及公职人员权力的数据流；
设定异常识别单元，内嵌有异常财会行为的识别网络，异常经济活动的识别网络与异常公职活动的识别网络，根据数据流门户反馈的表征预算执行、财务收支以及资产管理的数据流，表征财务报表、财务管理制度以及财务业务的数据流与表征公职人员行为、公职人员财产以及公职人员权力的数据流识别出异常财会行为、异常经济活动与异常公职活动；
设定协同监督单元，内嵌有财会监督项、审计监督项和监察监督项的关联网络，将异常识别单元反馈的异常财会行为、异常经济活动与异常公职活动单独设立对应的财会监督项、审计监督项和监察监督项，并将单独设立的财会监督项、审计监督项和监察监督项映射至财会监督项、审计监督项和监察监督项的关联网络中获得单独设定的财会监督项、审计监督项和监察监督项的协同监督项，其中，单独设定的财会监督项的协同监督项包括审计监督项和监察监督项，单独设定的审计监督项的协同监督项包括财会监督项和监察监督项，单独设定的监察监督项的协同监督项包括财会监督项和审计监督项。
协同监督项的确定包括：
将单独设定的财会监督项中表征预算执行、财务收支以及资产管理的数据流映射到财会监督项、审计监督项和监察监督项的关联网络中财会监督项对应的拓扑节点的数据值，根据财会监督项、审计监督项和监察监督项的关联网络的拓扑边权重计算出审计监督项和监察监督项对应的拓扑节点的数据值，将审计监督项和监察监督项对应的拓扑节点的数据值利用异常经济活动的识别网络与异常公职活动的识别网络进行识别确定审计监督项和监察监督项的异常与否，其中，审计监督项的标签为异常经济活动或监察监督项的标签为异常公职活动，将审计监督项的或监察监督项作为财会监督项的协同监督项；
将单独设定的审计监督项中表征财务报表、财务管理制度以及财务业务的数据流映射到财会监督项、审计监督项和监察监督项的关联网络中审计监督项对应的拓扑节点的数据值，根据财会监督项、审计监督项和监察监督项的关联网络的拓扑边权重计算出财会监督项和监察监督项对应的拓扑节点的数据值，将财会监督项和监察监督项对应的拓扑节点的数据值利用异常财会活动的识别网络与异常公职活动的识别网络进行识别确定财会监督项和监察监督项的异常与否，其中，财会监督项的标签为异常财会活动或监察监督项的标签为异常公职活动，将财会监督项的或监督项作为审计监督项的协同监督项；
将单独设定的监察监督项中表征公职人员行为、公职人员财产以及公职人员权力的数据流映射到财会监督项、审计监督项和监察监督项的关联网络中监察监督项对应的拓扑节点的数据值，根据财会监督项、审计监督项和监察监督项的关联网络的拓扑边权重计算出审计监督项和财会监督项对应的拓扑节点的数据值，将审计监督项和财会监督项对应的拓扑节点的数据值利用异常公职活动的识别网络与异常财会活动的识别网络进行识别确定审计监督项和财会监督项的异常与否，其中，审计监督项的标签为异常经济活动或财会监督项的标签为异常财会活动，将审计监督项的或财会监督项作为监察监督项的协同监督项。
如图2所示，为了实现上述基于关联网络搭建的财会审计监察协同监督方法，本发明提供了一种利用协同监督模型构建的财会审计监察的协同监督系统，协同监督系统包括：
数据流门户，采集表征预算执行、财务收支以及资产管理的数据流，表征财务报表、财务管理制度以及财务业务的数据流与表征公职人员行为、公职人员财产以及公职人员权力的数据流；
数据存储单元，存储有异常财会行为的识别网络，异常经济活动的识别网络与异常公职活动的识别网络，以及存储有财会监督项、审计监督项和监察监督项的关联网络；
异常识别单元，利用异常财会行为的识别网络，异常经济活动的识别网络与异常公职活动的识别网络根据数据流门户反馈的表征预算执行、财务收支以及资产管理的数据流，表征财务报表、财务管理制度以及财务业务的数据流与表征公职人员行为、公职人员财产以及公职人员权力的数据流识别出异常财会行为、异常经济活动与异常公职活动；
协同监督单元，利用财会监督项、审计监督项和监察监督项的关联网络将异常识别单元反馈的异常财会行为、异常经济活动与异常公职活动单独设立对应的财会监督项、审计监督项和监察监督项，并将单独设立的财会监督项、审计监督项和监察监督项映射至财会监督项、审计监督项和监察监督项的关联网络中获得单独设定的财会监督项、审计监督项和监察监督项的协同监督项；
数据更新单元，将协同监督单元反馈的协同监督结果对异常财会行为的识别网络，异常经济活动的识别网络与异常公职活动的识别网络，以及存储有财会监督项、审计监督项和监察监督项的关联网络进行修正更新；
其中，数据流门户与异常识别单元通信连接，异常识别单元与协同监督单元通信连接，数据存储单元分别与异常识别单元和协同监督单元通信连接，数据更新单元分别与协同监督单元和数据存储单元进行通信连接。
本发明构建异常财会行为的识别网络，异常经济活动的识别网络，以及异常公职活动的识别网络，能够根据数据流实现异常行为活动的抓取，对应自动化进行财会监督、审计监督和监察监督，无需人工筛检，提高监督的效率和时效性，而且构建财会监督项、审计监督项和监察监督项的关联网络，实现监察、审计、财会的三者协同监督，实现监察的全面性，避免监督遗漏。
以上实施例仅为本申请的示例性实施例，不用于限制本申请，本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内，对本申请做出各种修改或等同替换，这种修改或等同替换也应视为落在本申请的保护范围内。
Claims (10)
1.一种基于关联网络搭建的财会审计监察协同监督方法，其特征在于：包括以下步骤：
在财会监督日志中，提取出标定为异常财会行为的财会监督项，在审计监督日志中，提取出标定为异常经济活动的审计监督项，在监察监督日志中，提取出标定为异常公职活动的监察监督项；
利用BP神经网络在异常财会行为的财会监督项中进行大数据学习得到异常财会行为的识别网络，利用BP神经网络在异常经济活动的审计监督项中进行大数据学习得到异常经济活动的识别网络，利用BP神经网络在异常公职活动的监察监督项中进行大数据学习得到异常公职活动的识别网络；
在异常财会行为的财会监督项、异常经济活动的审计监督项和异常公职活动的监察监督项中筛选出具有关联关系的财会监督项、审计监督项和监察监督项，并在具有关联关系的财会监督项、审计监督项和监察监督项中进行关联性分析构建财会监督项、审计监督项和监察监督项的关联网络；
基于财会监督项、审计监督项和监察监督项的关联网络构建出协同监督模型，以实现监察监督、审计监督、财会监督的三者协同监督。
2.根据权利要求1所述的一种基于关联网络搭建的财会审计监察协同监督方法，其特征在于：所述异常财会行为的标定是指通过监督表征预算执行、财务收支以及资产管理的数据流对财会行为是否异常进行标定，所述异常经济活动是指通过审计表征财务报表、财务管理制度以及财务业务的数据流对经济活动是否异常进行标定，所述异常公职活动是指通过监督表征公职人员行为、公职人员财产以及公职人员权力的数据流对公职活动是否异常进行标定。
3.根据权利要求2所述的一种基于关联网络搭建的财会审计监察协同监督方法，其特征在于：所述利用BP神经网络在异常财会行为的财会监督项中进行大数据学习得到异常财会行为的识别网络，包括：
将异常财会行为的财会监督项中表征预算执行、财务收支以及资产管理的数据流作为BP神经网络的第一输入项，将异常财会行为的财会监督项中异常财会行为标签作为BP神经网络的第一输出项；
利用BP神经网络对第一输入项和第一输出项进行卷积训练得到所述异常财会行为的识别网络；
所述异常财会行为的识别网络的表达式为：Label1=BP(data1)；式中，Label1为异常财会行为的标签，data1为表征预算执行、财务收支以及资产管理的数据流，BP为BP神经网络。
4.根据权利要求2所述的一种基于关联网络搭建的财会审计监察协同监督方法，其特征在于：所述利用BP神经网络在异常经济活动的审计监督项中进行大数据学习得到异常经济活动的识别网络，包括：
将异常经济活动的审计监督项中表征预算执行、财务收支以及资产管理的数据流作为BP神经网络的第二输入项，将异常经济活动的审计监督项中异常经济活动标签作为BP神经网络的第二输出项；
利用BP神经网络对第二输入项和第二输出项进行卷积训练得到所述异常经济活动的识别网络；
所述异常经济活动的识别网络的表达式为：
Label2=BP(data2)；
式中，Label2为异常经济活动的标签，data2为表征财务报表、财务管理制度以及财务业务的数据流，BP为BP神经网络。
5.根据权利要求2所述的一种基于关联网络搭建的财会审计监察协同监督方法，其特征在于：所述利用BP神经网络在异常公职活动的监察监督项中进行大数据学习得到异常公职活动的识别网络，包括：
将异常公职活动的监察监督项中表征公职人员行为、公职人员财产以及公职人员权力的数据流作为BP神经网络的第三输入项，将异常公职活动的监察监督项中异常公职活动标签作为BP神经网络的第三输出项；
利用BP神经网络对第三输入项和第三输出项进行卷积训练得到所述异常公职活动的识别网络；
所述异常公职活动的识别网络的表达式为：
Label3=BP(data3)；
式中，Label3为异常公职活动的标签，data3为表征公职人员行为、公职人员财产以及公职人员权力的数据流，BP为BP神经网络。
6.根据权利要求1所述的一种基于关联网络搭建的财会审计监察协同监督方法，其特征在于：在异常财会行为的财会监督项、异常经济活动的审计监督项和异常公职活动的监察监督项中筛选出具有关联关系的财会监督项、审计监督项和监察监督项，包括：
将监督对象存在一致性或相关性的异常财会行为的财会监督项、异常经济活动的审计监督项和异常公职活动的监察监督项标定为具有关联关系的财会监督项、审计监督项和监察监督项，其中，
财会监督项的监督对象包括企事业单位的财务人员和公职人员，审计监督项的监督对象包括企事业单位的财务人员和公职人员，监察监督项的监督对象包括企事业单位的公职人员和干部。
7.根据权利要求2所述的一种基于关联网络搭建的财会审计监察协同监督方法，其特征在于：所述在具有关联关系的财会监督项、审计监督项和监察监督项中进行关联性分析构建财会监督项、审计监督项和监察监督项的关联网络，包括：
将有关联关系的财会监督项、审计监督项和监察监督项中表征预算执行、财务收支以及资产管理的数据流，表征财务报表、财务管理制度以及财务业务的数据流与表征公职人员行为、公职人员财产以及公职人员权力的数据流进行数据流相关性量化，得到具有关联关系的财会监督项、审计监督项和监察监督项间的数据流相关性，所述数据流相关性利用相关系数进行量化；
对各个具有关联关系的财会监督项、审计监督项和监察监督项间的数据流相关性进行共性化分析确定出具有关联关系的财会监督项、审计监督项和监察监督项间的共性数据流相关性；
将具有关联关系的财会监督项、审计监督项和监察监督项量化为拓扑节点，在具有关联关系的财会监督项、审计监督项和监察监督项量间设置有拓扑边对拓扑节点进行对应连接，将具有关联关系的财会监督项、审计监督项和监察监督项间的共性数据流相关性作为拓扑节点间拓扑边的边权重；
利用拓扑节点、拓扑边和边权重构建出所述财会监督项、审计监督项和监察监督项的关联网络。
8.根据权利要求7所述的一种基于关联网络搭建的财会审计监察协同监督方法，其特征在于：所述对各个具有关联关系的财会监督项、审计监督项和监察监督项间的数据流相关性进行共性化分析，包括：
设定财会监督项和审计监督项间的数据流相关性期望，将财会监督项和审计监督项间的各个数据流相关性与数据流相关性期望进行离散性量化，并将最小离散性求得财会监督项和审计监督项间的数据流相关性期望作为财会监督项和审计监督项间的共性数据流相关性；
设定财会监督项和监察监督项间的数据流相关性期望，将财会监督项和监察监督项间的各个数据流相关性与数据流相关性期望进行离散性量化，并将最小离散性求得财会监督项和监察监督项间的数据流相关性期望作为财会监督项和监察监督项间的共性数据流相关性；
设定监察监督项和审计监督项间的数据流相关性期望，将监察监督项和审计监督项间的各个数据流相关性与数据流相关性期望进行离散性量化，并将最小离散性求得监察监督项和审计监督项间的数据流相关性期望作为监察监督项和审计监督项间的共性数据流相关性；
所述离散性量化利用方差进行量化；
所述最小化离散的量化公式为：；
式中，Fx为x间的离散性，Sx,j 为x间的第j个数据流相关性，Sx为x间数据流相关性期望，m为x间的数据量相关性数量，j为计数变量，x分别为财会监督项和审计监督项，财会监督项和监察监督项以及监督项和审计监督项的标识符。
9.根据权利要求2所述的一种基于关联网络搭建的财会审计监察协同监督方法，其特征在于：所述基于财会监督项、审计监督项和监察监督项的关联网络构建出协同监督模型，包括：
设定数据流门户，数据流门户采集表征预算执行、财务收支以及资产管理的数据流，表征财务报表、财务管理制度以及财务业务的数据流与表征公职人员行为、公职人员财产以及公职人员权力的数据流；
设定异常识别单元，内嵌有异常财会行为的识别网络，异常经济活动的识别网络与异常公职活动的识别网络，根据数据流门户反馈的表征预算执行、财务收支以及资产管理的数据流，表征财务报表、财务管理制度以及财务业务的数据流与表征公职人员行为、公职人员财产以及公职人员权力的数据流识别出异常财会行为、异常经济活动与异常公职活动；
设定协同监督单元，内嵌有财会监督项、审计监督项和监察监督项的关联网络，将异常识别单元反馈的异常财会行为、异常经济活动与异常公职活动单独设立对应的财会监督项、审计监督项和监察监督项，并将单独设立的财会监督项、审计监督项和监察监督项映射至财会监督项、审计监督项和监察监督项的关联网络中获得单独设定的财会监督项、审计监督项和监察监督项的协同监督项，其中，单独设定的财会监督项的协同监督项包括审计监督项和监察监督项，单独设定的审计监督项的协同监督项包括财会监督项和监察监督项，单独设定的监察监督项的协同监督项包括财会监督项和审计监督项。
10.根据权利要求9所述的一种基于关联网络搭建的财会审计监察协同监督方法，其特征在于：协同监督项的确定包括：
将单独设定的财会监督项中表征预算执行、财务收支以及资产管理的数据流映射到财会监督项、审计监督项和监察监督项的关联网络中财会监督项对应的拓扑节点的数据值，根据财会监督项、审计监督项和监察监督项的关联网络的拓扑边权重计算出审计监督项和监察监督项对应的拓扑节点的数据值，将审计监督项和监察监督项对应的拓扑节点的数据值利用异常经济活动的识别网络与异常公职活动的识别网络进行识别确定审计监督项和监督项的异常与否，其中，审计监督项的标签为异常经济活动或监察监督项的标签为异常公职活动，将审计监督项的或监察监督项作为财会监督项的协同监督项；
将单独设定的审计监督项中表征财务报表、财务管理制度以及财务业务的数据流映射到财会监督项、审计监督项和监察监督项的关联网络中审计监督项对应的拓扑节点的数据值，根据财会监督项、审计监督项和监察监督项的关联网络的拓扑边权重计算出财会监督项和监察监督项对应的拓扑节点的数据值，将财会监督项和监察监督项对应的拓扑节点的数据值利用异常财会活动的识别网络与异常公职活动的识别网络进行识别确定财会监督项和监督项的异常与否，其中，财会监督项的标签为异常财会活动或监察监督项的标签为异常公职活动，将财会监督项的或监察监督项作为审计监督项的协同监督项；
将单独设定的监察监督项中表征公职人员行为、公职人员财产以及公职人员权力的数据流映射到财会监督项、审计监督项和监察监督项的关联网络中监察监督项对应的拓扑节点的数据值，根据财会监督项、审计监督项和监察监督项的关联网络的拓扑边权重计算出审计监督项和财会监督项对应的拓扑节点的数据值，将审计监督项和财会监督项对应的拓扑节点的数据值利用异常公职活动的识别网络与异常财会活动的识别网络进行识别确定审计监督项和财会监督项的异常与否，其中，审计监督项的标签为异常经济活动或财会监督项的标签为异常财会活动，将审计监督项的或财会监督项作为监察监督项的协同监督项。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311031389.1A CN117151906B (zh) | 2023-08-15 | 2023-08-15 | 一种基于关联网络搭建的财会审计监察协同监督方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311031389.1A CN117151906B (zh) | 2023-08-15 | 2023-08-15 | 一种基于关联网络搭建的财会审计监察协同监督方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117151906A true CN117151906A (zh) | 2023-12-01 |
| CN117151906B CN117151906B (zh) | 2024-02-13 |
Family
ID=88885888
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311031389.1A Active CN117151906B (zh) | 2023-08-15 | 2023-08-15 | 一种基于关联网络搭建的财会审计监察协同监督方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117151906B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111783829A (zh) * | 2020-05-29 | 2020-10-16 | 广发证券股份有限公司 | 一种基于多标签学习的财务异常检测方法及装置 |
| CN112767106A (zh) * | 2021-01-14 | 2021-05-07 | 中国科学院上海高等研究院 | 自动化审计方法、系统、计算机可读存储介质及审计设备 |
| CN113919926A (zh) * | 2021-10-09 | 2022-01-11 | 深圳证券交易所 | 上市公司财务异常识别方法及系统 |
| CN115760454A (zh) * | 2022-11-15 | 2023-03-07 | 合肥工业大学 | 一种基于循环宽度学习的财务舞弊识别方法 |
| US20230153918A1 (en) * | 2021-11-17 | 2023-05-18 | Genpact Luxembourg S.à r.l. II | System and method for machine learning based detection, reporting & correction of exceptions and variances impacting financial data |
| CN116485571A (zh) * | 2023-05-09 | 2023-07-25 | 广东省地质调查院 | 一种基于用户行为预测的审计追踪方法 |
-
2023
- 2023-08-15 CN CN202311031389.1A patent/CN117151906B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111783829A (zh) * | 2020-05-29 | 2020-10-16 | 广发证券股份有限公司 | 一种基于多标签学习的财务异常检测方法及装置 |
| CN112767106A (zh) * | 2021-01-14 | 2021-05-07 | 中国科学院上海高等研究院 | 自动化审计方法、系统、计算机可读存储介质及审计设备 |
| CN113919926A (zh) * | 2021-10-09 | 2022-01-11 | 深圳证券交易所 | 上市公司财务异常识别方法及系统 |
| US20230153918A1 (en) * | 2021-11-17 | 2023-05-18 | Genpact Luxembourg S.à r.l. II | System and method for machine learning based detection, reporting & correction of exceptions and variances impacting financial data |
| CN115760454A (zh) * | 2022-11-15 | 2023-03-07 | 合肥工业大学 | 一种基于循环宽度学习的财务舞弊识别方法 |
| CN116485571A (zh) * | 2023-05-09 | 2023-07-25 | 广东省地质调查院 | 一种基于用户行为预测的审计追踪方法 |
Non-Patent Citations (3)
| Title |
|---|
| 姜齐艳;王鲁平;: "基于数据挖掘与神经网络的财务异常数据监测分析算法", 电子设计工程, no. 11, pages 20 - 23 * |
| 邓森林;陈卫东;: "基于一类支持向量机的财务数据异常模式识别", 信息工程大学学报, no. 02, pages 127 - 132 * |
| 黄伟娟;: "内部审计服务地勘单位治理现代化研究", 经济师, no. 9, pages 102 - 103 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117151906B (zh) | 2024-02-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110752942B (zh) | 告警信息的决策方法、装置、计算机设备及存储介质 | |
| CN106067094A (zh) | 一种动态评估方法及系统 | |
| CN110636066B (zh) | 基于无监督生成推理的网络安全威胁态势评估方法 | |
| CN112700319A (zh) | 基于政务数据的企业授信额度确定方法及装置 | |
| CN111898929A (zh) | 基于机器学习的乡村多产业数据指标评测系统 | |
| Raut et al. | Unlocking causal relations of barriers to big data analytics in manufacturing firms | |
| CN108256022A (zh) | 人才评价模型构建方法及人才评价方法及系统 | |
| CN113689183A (zh) | 一种基于海洋生态评价的资源管理分析系统及方法 | |
| Eleimat et al. | The effect of big data on financial reporting quality | |
| US7739141B2 (en) | Consulting assessment environment | |
| CN114238655A (zh) | 企业关联关系识别方法、装置、设备及介质 | |
| CN117151906B (zh) | 一种基于关联网络搭建的财会审计监察协同监督方法 | |
| Jones et al. | Use of crop models for climate-agricultural decisions | |
| Akpan et al. | Effect of integrated reporting on firm’s value: The Nigeria manufacturing sector experience | |
| CN113191569A (zh) | 一种基于大数据的企业管理方法及系统 | |
| Muhammad et al. | Information security investment prioritization using best-worst method for small and medium enterprises | |
| Soeker et al. | Readiness of the South African agricultural sector to implement IoT | |
| Zarghami | Accommodating Uncertainty in Forecast Generation of Artificial Intelligence Tools in Construction Projects | |
| Li et al. | Financial automatic management system based on artificial intelligence technology | |
| CN108777635A (zh) | 一种企业设备管理系统 | |
| Benedettini et al. | Does buyers’ dependence Translate into Financial Performance? An Empirical Analysis of Manufacturer-Service Provider Relationships | |
| Santis et al. | Disclosing Information on Financial and Non-Financial Capitals in the Integrated Report: An Empirical Analysis of Financial Industry | |
| TWM655359U (zh) | 一種基於環境、社會和公司治理（esg）的數據整合系統 | |
| CN114219025A (zh) | 一种资产回收率分类方法、装置、设备及存储介质 | |
| US20240070597A1 (en) | System and method for generating and using an organizational culture graph for gauging the cultural health of an organization |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |