深化“互联网+监督”　重塑财会监督对象选择模式

厦门国家会计学院｜王浩宇　孙梦娜　丁友刚　厦门大学｜杨柳

摘要：本文结合传统财会监督对象选择模式存在的问题和人工智能大语言模型的优势，探讨在财会监督对象选择中引入人工智能大语言模型，为推动财会监督高质量发展提供对策建议。

关键词：财会监督；人工智能大语言模型；“互联网+监督”　中图分类号：F812

2023年2月，中办、国办印发《关于进一步加强财会监督工作的意见》（以下简称《两办意见》），强调统筹推进财会监督信息化建设。深化“互联网+监督”，充分运用大数据和信息化手段，有助于切实提升监管效能。随着新一代数字技术应用范围的持续拓展和应用场景的不断深化，以DeepSeek为代表的人工智能大语言模型（Large Language Model，以下简称“LLM”）为新时代财会监督工作注入新的技术动能。加强大语言模型在财会监督信息化建设中的应用，对推动财会监督工作高质量发展具有重要意义。

当前财会监督对象选择的主要模式

现阶段，财会监督对象选择主要模式有四种：一是随机抽查。财政部、中国证监会等部门采取“双随机、一公开”的抽查机制，随机抽取检查对象、随机选派执法检查人员并及时公开抽查情况和查处结果。二是专项排查行动。专项检查是财政部联合相关部门，针对财经领域和财政管理中存在的问题组织开展的集中监督检查。三是风险导向型模式。监管部门以风险评估模型为基础，根据财务指标异常、合规历史、业务复杂程度等因素遴选高风险监督对象。四是线索驱动监督。监督部门通过收集内部人员举报、审计发现、媒体曝光或上级交办的问题线索，有针对性地对相关单位开展财务会计检查。

当前财会监督对象选择存在的问题

（一）资源有限，覆盖不足。传统监督对象选择依赖人工检查和样本抽选，在人力、时间和经费多重约束下，无法实现全面覆盖。这意味着部分被监督对象始终未被纳入监管检查范畴，长期处于监管缺位状态，形成监管真空与风险隐患。换言之，有限的监督资源与庞大的被监督对象群体不匹配，导致“监管不到”的问题突出。如，企业接受外部审计时，传统模式下审计人员通过抽取部分样本推断总体结论，容易产生抽样风险，且对审计效率和效果形成制约。

（二）研判不准，穿透不强。一是传统监督发现的问题线索深度和证据链完整性不足以支撑重罚。《意见》强调对严重财务舞弊案件“从严从重查处”，这要求监督体系必须具备发现大案要案的能力，并提供充分证据支持严厉处罚。然而，在传统模式下监管瞄不准、打不透，无法为“重典治乱”提供可靠的靶标和依据。二是传统监督对象选取偏事后，缺乏持续监测和预警能力。传统线索驱动模式通常在违规行为发生后介入，周期轮查和专项排查等模式也多为定期或一次性行为，难以及时捕捉隐藏较深的风险。如，随机抽查以事后检查为主，缺乏覆盖全周期的动态监测手段，待问题曝光时风险隐患已演变为实质性危害，导致国有资产、公共利益等遭受不可挽回的损失。

（三）依赖人工，模型单一。传统监督对象的选取主要依赖监管人员的个人经验判断，缺乏可复用、可验证的客观依据和科学统一的量化标准，事后难以进行复盘改进。随机抽查虽相对公平但带有一定盲目性；风险评分的指标单一、参数主观，模型有效性难以验证，同时缺乏标准化风险评估体系，不同地区、部门在风险识别、分级与处理上缺乏统一标尺，监管执行的规范性和公正性难以保障。如，集团企业往往通过关联交易、层层转移进行财务造假，需要监管者贯通企业股权链和资金流才能实现穿透识别，但目前仅依赖人工和分散信息的检查手段难以揭示复杂舞弊行为。

（四）协同不足，信息孤岛。财会监督涉及多个监督主体，各条线之间协同不足，导致监管重叠与监管盲区并存。一是监督资源整合不足，存在监管重叠。目前不同监督部门各自独立制定检查计划，可能出现对同一单位的多头监管和重复检查，加重监督对象负担。二是监督信息联动不足，存在监管盲区。各监管条线之间信息流通、数据共享不畅，中央与地方财会监督纵向联动薄弱、层级信息壁垒突出，既存在部门间横向不通，也存在上下级纵向不畅，难以实现对跨领域、跨部门、跨层级复合型风险的穿透式识别与系统性化解。

LLM赋能财会监督对象选择的技术优势

（一）非结构化文本的高效解析能力。通过预先训练和专业指令微调，LLM可以批量处理非结构化文本，解决传统监督中对非结构化数据处理滞后、遗漏的问题。实践案例显示，银行业已经运用大模型分析企业财报文本，从中识别潜在风险信号，并将结果纳入信用评估体系。如，某银行建立人工智能信贷分析系统，人工操作时间减少80%；某公司的人工智能信贷审核帮助一线员工快速完成审核，审核时间从10分钟缩短至30秒，风险降低50%以上。

（二）多源异构数据融合建模能力。LLM能够打破数据结构壁垒，融合文本、图像、音频、视频、传感器数据等多形式数据，通过关联分析，为监督对象构建全面、动态的风险画像，实现对监督对象风险状况的全方位把控。

（三）知识驱动与透明化分析研判能力。通过嵌入相关法律法规、监管案例等专业知识，LLM可以输出具备明确法规依据和应对方案的风险说明。同时，LLM结合可解释人工智能技术，透明化模型推理过程，提升监管过程的透明度和可追溯性，保障监管结果的公正可复核。如，据IMF报告介绍，某税务工作人员曾借助AI整理被审计企业的综合卷宗，对其法律文件、邮件通信、过往案件进行汇总分析，最终生成一份组织良好、附有证据支持的摘要报告，为其后续约谈和执法行动做好准备。

厦门城市建设。来源：视觉中国

（四）语义融合与跨系统联动能力。LLM可通过语义融合技术，统一不同监管系统对同一监督对象的认知，将分散在各系统中的同一对象信息整合对应，打通多源监管数据的信息壁垒，为构建一体化监管信息系统提供重要技术支撑。如，某大学打造的大规模语义网络，借助大语言模型从大规模非结构化文本和语料中提取实体、关系及属性，构建“实体—关系—实体”三元组，为多源异构数据整合提供了可行路径。

以LLM优化财会监督对象选择的对策建议

（一）绘制监督对象“立体画像”，构建全覆盖监督格局。一是借助LLM批量梳理各类结构化与非结构化监督资料，提取风险信号并标注标签，为所有监督对象建立基础信息台账。二是基于LLM的多源异构数据融合建模能力以及语义融合与跨系统联动能力，整合解析包含基本信息、历史风险记录、整改台账、舆情举报等资料，建立“对象—事项—风险”关系组合。基于上述工作，为每一个监督对象构建一个立体画像，实现监督对象全覆盖，解决覆盖面不足、过度依赖人工的难题，为后续精准监督筑牢基础。

（二）分类建档与量化风险，提升监督穿透力。一是基于已构建的基础风险立体画像，按照监督对象的风险特征相似性分类建档，明确不同类型对象的监督侧重点。二是在分类建档基础上，将基础风险画像中的风险信号转化为量化指标，结合相关结构化指标构建综合评分模型，通过得分排序筛选出高风险对象，为从严查处提供可靠依据。通过分类建档与量化风险相结合，在解决监督过度依赖人工问题的同时，提升监督穿透力。

（三）强化分析研判依据，实现过程可追溯、结果可复核。一是通过嵌入财会法规与案例知识，让模型输出具备法规依据和应对方案的风险说明，明确被监督对象可能违反的具体规定，确保风险研判、查处工作有明确法律依据支撑。二是通过LLM生成风险评分卡，内容包括源自原始材料的证据片段引用（如报告原文中的关键句子）、提炼出的风险标签（如违规类型、频次）以及推荐的检查方向（需要重点核查的领域）等。形成研判有依据、过程可追溯、结果可复核的监督闭环。

（四）搭建一体化信息中枢，提升监督协同效能。一是借助LLM的语义融合与跨系统联动能力打通各监督部门数据壁垒，推动监督数据互通共享，精准识别复合型风险，同时统筹整合监督计划，避免多头监督、重复检查，减轻监督对象负担。二是借助LLM构建集中式的风险数据库，为每个监督对象建立完整档案，实时自动更新风险线索和画像，实现监督信息纵向贯通、横向联动。破解横向不通、纵向不畅、信息孤岛以及监管重叠等监督协同不足问题。

责任编辑　陈璐萌