大数据审计研究综述与展望

2021-12-09王雪荣侯伟龙

会计之友 2021年23期

王雪荣侯伟龙

【关键词】大数据审计; Citespace; 知识图谱; 研究综述

【中图分类号】 F239.1 【文献标识码】 A 【文章编号】 1004-5937（2021）23-0078-09

一、引言

大數据（Big Data）就表层含义而言，可定义为以传统数据处理工具和软件无法进行有效处理的各种来源的巨型非结构化数据集。大数据的出现促进了主题广泛的新研究，各种大数据统计方法不断涌现和发展。2014年，国务院发布《关于加强审计工作的意见》，提出将大数据技术应用于国家审计，提高信息化技术应用程度。2015年，国务院在《促进大数据发展行动纲要》中提出国家大数据战略，进一步强调大数据的重要性。2018年2月28日，中国共产党第十九届中央委员会第三次全体会议通过的《中共中央关于深化党和国家机构改革的决定》，强调综合运用大数据，增强宏观调控前瞻性，强化经济监测预测预警能力，更好发挥国家战略、规划的导向作用。2020年新冠肺炎疫情期间，各方工作皆受到影响，但审计单位灵活运用大数据技术开展审计工作，使其得以正常运转。审计署重庆特派办、审计署哈尔滨特派办、广东省审计厅电子数据审计处均采用大数据技术开展疫情下的审计工作，并取得了显著的成果[ 1 ]。

面对日益庞大的数据量以及复杂的数据环境，需要利用更加高效的审计手段对被审计对象进行审计，同时，审计全覆盖也对全体审计人员专业水平提出了更高的要求，需要审计人员及时掌握相关技术。正如胡泽君（2018）所说，当前审计正面临从传统审计向现代审计的转变，审计开展现代化大数据智慧审计是时代要求，大数据是实现审计全覆盖的必经之路。因此，为了进一步明确大数据审计领域的研究现状、研究热点以及未来可能的发展方向，本文使用Citespace，将来自CNKI的2 768篇文章以知识图谱的形式进行可视化分析，展示大数据审计领域的研究情况，为研究者了解大数据审计提供借鉴和参考。

二、研究方法及样本选择

（一）研究方法

本文采用Citespace5.6.R5（Expires December 31， 2020）和Citespace5.7.R2（Expires Sept 30，2021）进行文献分析，综合新旧两个版本，可以确保可视化成果的完整性以及研究成果展示的时效性。Citespace是美国德雷塞尔大学（Drexel University， Philadelphia， PA， USA）信息科学与技术学院英籍华人陈超美教授于2014年开发的软件。Citespace在国内又被翻译为引文空间，是基于数据可视化以及计量学背景下发展起来的一项专门分析科学研究中潜在知识的引文可视化分析软件。该软件通过可视化的手段来分析呈现出的科学知识结构、规律和分布情况，因此，分析结果被称为“科学知识图谱”[ 2 ]。

科学知识图谱是显示科学知识、新兴学科发展过程和发展现状、科学知识内外部结构的一种图形。科学知识图谱的直接研究对象是科学知识，以科学计量学为理论基础，同时涉及科学学、应用数学、信息科学和信息计量学的交叉领域[ 3 ]。相比传统的文献综述，科学知识图谱分析利用可视化分析，将科学知识更为直观、系统地展现在研究人员面前，使得理解更容易，并且对未来发展方向能够更好地把握。该方法已广泛应用于医学、工程学、心理学、管理学、教育学、经济学等许多学科，并取得了丰富的研究成果，但在审计学中鲜有使用[ 4 ]。

（二）样本选择

本文中文样本取自CNKI数据库。为保证所选取的样本量具有价值性，选择期刊库中的SCI、EI、核心、CSSCI、CSCD数据库，初步筛选时主题词为“大数据”或含“数据挖掘”，选择“同义扩展”确保主题筛选后的样本无遗漏，时间区间为“2012—2020年”（2020年文献仅包括12月前收录文献）①，初步检索出文献147 594篇。更改主题词为“审计”，保持其他条件不变，在初次检索结果中进行二次检索，得到“大数据审计相关文献”2 799篇，剔除英文文献后为2 799篇。将得到的数据进行手工筛选，剔除“会议”“广告”“征文”等无关文献，得到2 768篇相关文献。经过Citespace除重以及缺失处理后，最终得到中文文献2 768篇。对最终文献进行年度分布分析，如图1所示，发现自2012年以来，年发文数量逐年提高，占发文总量（2 799篇）的99.78%，2012—2016年、2018—2019年每年发文数量基本为上年的两倍，由此可见大数据审计研究的热度逐年提升，学者对其关注度明显增加。

三、大数据审计整体研究情况的知识图谱分析

使用Citespace得到的知识图谱由网络节点以及网络连接线组成。圆点代表网络节点，圆圈越大表示出现频率越高。圆圈中圆环的不同颜色代表了网络节点出现的年份，圆环圈数越多代表节点出现持续的年份越多。圆环的深浅程度代表出现年份，颜色越深代表出现年份越近。同时节点的大小也代表了节点出现频率的高低，节点字体越大，节点出现频率越高。圆点之间的连线代表节点之间的关系，连接线越密集代表两节点在同一篇文献中共同出现的频次越高。连线的颜色含义与圆环颜色相同，表示年份远近。

（一）高产作者以及作者合著情况

对作者进行分析，可以准确掌握研究领域内的权威专家学者，他们对该领域通常已经有了充分的了解，形成较为成熟的研究体系，对其发表文章进行阅读，可以快速、有针对性地了解该领域的最新研究现状和前沿动态。利用Citespace软件分析，将网络节点设置为作者（Author），对2012—2020年的文献以1年为一个时间跨度进行切片，阈值为默认设定Top N=100、Top N%=10%，前中后三个时间段c、cc、ccv的阈值分别为（2，2，20）、（4，3，20）、（3，3，20），得到大数据审计研究发文作者的知识图谱，如图2所示，关键节点326个（N=326），关键路径109个（E=109）。通过分析知识图谱，可以发现高产作者主要有3位，分别是陈伟（20篇）、程平（13篇）、刘国城（11篇），并主要以这3位学者形成了明显的合著网络，其他学者大多为两人、3人之间的简单合作。从整体来看，国内关于大数据审计的学者分布较为分散，缺乏大量的密集的关联性，作者合作网络松散。

將作者发文数量以及初次发文时间整理得到表1，从中可以发现，发文数量超过10篇的仅有3人，分别是陈伟、程平、刘国城，其他人发文数量均偏少。陈伟发文时间较早并且发文数量最多，形成了数量可观的研究成果，除此之外还出版了《大数据审计理论、方法与应用》《计算机辅助审计原理及应用（第四版）——大数据审计基础》等一系列专业教材，因此具有一定的权威性。刘国城代表的节点发文颜色深，表示其发文时间集中于近几年，可见其文献具有一定的前沿性，通过对其文献进行阅读可以掌握大数据审计领域内的最新动态。同时进行作者知识网络分析，发现与刘国城合作密切的学者王会金、张文秀同属一家研究机构（南京审计大学），属校友、同事或师生关系，且图中其他小范围联系网络的作者均存在这种关系。小范围学者之间的合作虽然有利于高质量研究成果的产生，但不利于管理审计的持续发展（李红霞，2018）。纵观整个作者合作网络，单人发文量仍处于一个比较低的水平，且作者的合作水平都很低，大多处在一个3～5人的小合作网络。因此，社会以及学界要积极鼓励跨学科学者之间的合作，丰富学科内涵，并将理论成果落实转化为生产力工具。

（二）发文机构分析

利用Citespace对发文机构进行分析可以得到机构发文网络，基于此网络分析得出该研究内容在不同研究机构的分布情况。其他参数不变，得到大数据审计研究发文机构的知识图谱，如图3所示。其中关键节点304个（N=304），关键路径52个（E=52）。从图中可知，发文数量最多的高校分别为南京审计大学、重庆理工大学、审计署审计科研所、安徽财经大学、河南大学。其中南京审计大学发文数量最多，有一定的时间跨度，说明其具备持续产出的能力，并且以其为中心形成了一个较大的合作网络，合作对象既有高校（安徽财经大学），也有政府机关（审计署），并且积极与审计署各部门之间进行合作，实现了理论与实务的有机结合，形成了产学研一体化的局面。其他合作网络还有重庆工商大学合作网络、兰州财经大学合作网络、中南财经政法大学合作网络，但是大多属于学校内部学院之间合作，且合作程度不深，持续生产力差，成果有限。除去理论界，审计署审计科研所、审计署金融审计司、审计署部分特派办也对大数据审计有所研究，但存在成果不足的局面。

鉴于部分学者发文时署名为某大学，而部分学者署名为大学的二级学院，因此，图示并不能十分清晰地表示整体研究实力。为了更清晰地展示，对后台数据进行整理，将研究机构统一整理为一级研究单位，即某大学，排名前10的发文机构如表2所示。排名前10的机构中，高校占6位，企业机关占4位，高校发文数量高于企业机关。但是，企业机关发文时间早于高校，说明企业机关在实务层面上对大数据审计的需求更早，从一定程度上印证了大数据审计实务的重要性。

（三）关键词分析

关键词可以高度凝练一篇论文的主题，因此利用关键词进行论文分析可以掌握文章的研究目标。基于齐普夫定律，对大量文献进行关键词分析，得到某一指定领域在特定时间区间内关键词出现频率，并按出现频率对其进行排序，便可以直观地得到该领域内的研究动态以及研究热点。关键词分析也是使用Citespace进行文献分析的主要目的，可以很好地观察研究主题的联系和发展。本文拟从关键词共现、关键词突现、主题聚类以及关键词共现时区四个角度对关键词进行分析，以展现大数据审计的研究变迁、研究现状、研究热点以及未来研究方向。

1.关键词共现

利用Citespace对关键词进行分析可以得到关键词共现网络，基于此网络分析得出研究热点。将网络节点设置为关键词（Key Word），其他参数不变，使用最小生成树算法，得到大数据审计研究关键词共现的知识图谱，如图4所示，其中关键节点477个（N=477），关键路径2 511个（E=2 511）。根据知识图谱分析，除研究主题“大数据”“审计”外，出现频次最高的分别为“内部审计”“审计工作”“审计信息化”“大数据技术”“云审计”。可以将关键词分为三类：一是大数据审计方法，例如“审计信息化”“云计算”“云审计”“数据挖掘”“关联规则”“区块链”等;二是大数据审计的使用主体，例如“内部审计”“国家审计”“政府审计”等;三是大数据审计目标，例如“审计全覆盖”“审计监督”“精准扶贫”“审计风险”“经济责任审计”等。大数据审计技术方法均是根据大数据的性质特征而提出的，其中最重要的两大性质特点是数据量庞大、数据价值密度低。“云计算”“数据挖掘”出现频率高，这也展示出大数据的特征，即数据量庞大、价值密度低，需要进行大量的算法运算从数据中挖掘、筛选具有含金量的信息。同性质的关键词还有“数据分析”“大数据技术”“关联规则”等，均表现出大数据在数据量以及价值密度方面的特性。在大数据审计使用主体方面，主要是两大类，一类是“政府审计”“国家审计”，另一类是“内部审计”。从政府审计来看，党的十八届四中全会、中央审计委员会第一次会议、金审三期工程均对审计的职能定位以及审计技术方法提出了新的要求，大数据与审计的契合可以满足实现政府审计工作的各项要求，审计署各特派办以及地方审计局对大数据审计的实现路径和优势进行了充分的探索，可见政府是积极探索大数据审计的重要力量。从内部审计来看，企业也希望借助大数据审计来防止内部腐败，进一步加强企业结构的良性发展。从审计目标来看，大多为政府审计的目标，这与国家宏观政策具有高度一致性，例如“审计全覆盖”“审计监督”“精准扶贫”“经济责任审计”均是近期国家宏观政策的目标。大数据与审计的有效结合可以促使政府审计目标的实现，加速社会主义现代化的进程，同时审计的监督与全覆盖可以保证发展的高质量。

将关键词进行整理，得出词频较高的关键词，之后手动整理，删除与研究主题无关的关键词，并进行同类关键词合并，得出高频关键词Top20，如表3所示。

2.关键词突显

利用Citespace进行关键词突显知识图谱分析，选择与前节主题分布相同的系统参数，得到图5。关键词突显分析可以进一步观察关键词热度持续时间、目前研究热点，以及未来研究方向预测。图中“Year”表示关键词出现年份，由于数据时间范围为“2012—2020年”，因此关键词均从2012年开始持续出现;“Strength”表示关键词突现强度;“Begin”表示关键词突显初始时间，关键词从该年成为了研究热点;“End”表示关键词热度结束的时间。图中蓝色部分（浅色）表示关键词出现并持续时间，红色（深色）部分表示关键词成为研究热点并持续的时间。

从图中可以看到“云计算”作为热点研究出现时间相对最早，从2013年开始便受到广泛关注，并且突现强度高，达到4以上，成为研究热点。计算力的高低将直接影响大数据分析的效率和程度，因此，在大数据价值得到广泛认可之后，学者希望通过目前的数据分析技术，将其全部信息进行挖掘，从而展现数据集的全部数字特征，并将其与客观事实相结合，转化为有价值的信息线索。“云审计”“计算机审计”“云会计”在2014年之后成为研究热点，代表审计领域的研究者逐渐将“大数据”这一概念和特点与审计相结合，尝试探索审计领域内“大数据”的应用。同时2014年国务院发布《关于加强审计工作的意见》、2015年国务院发布《促进大数据发展行动纲要》，均对大数据技术在审计的应用提出了要求，促使“国家审计”研究热度在2014年之后提高，突现强度达到4.25。近年大數据审计研究领域内，“人工智能”的研究热度最高，并且持续至今。目前学者通过云计算与大数据审计相结合已经初步解决了算力问题，同时尝试建立大数据审计平台，在此过程中，引入人工智能、机器学习使得审计平台更加智能、智慧，将审计人员从重复、机械式的数据处理、简单判断中解放出来。综上所述，大数据审计的研究方向逐步由宏观转入微观，更注重于大数据审计的综合应用。

3.关键词时区图

关键词时区图主要展示研究主题变迁。选择与前节主题分布相同的系统参数，得到大数据审计关键词共现时区（Time Zone），如图6。从时区图中可以观察到国内大数据审计研究的知识周期与不同阶段的发展轨迹。

通过图6所展示出的信息，可以将大数据审计的发展归结为三个阶段。第一阶段为2012—2014年大数据初步发展阶段，学者开始意识到大数据时代的到来。在此期间，文献发表数量比较少，主题词数量也较少。该阶段主要论证大数据审计的可行性，并尝试将大数据与审计多方面进行结合。一方面是审计主体，从图中可以观察到此阶段大数据与企业审计、内部审计、国家审计联系密切;另一方面是审计技术，代表关键词包括“大数据审计”“大数据技术”“云计算”“数据挖掘”“计算机审计”等。该阶段的研究还处于初步阶段，研究比较笼统、粗糙，只是从宏观层面展开。第二阶段为2015—2017年大数据细化发展阶段，该阶段的主题词数量以及代表内容相较于第一阶段更加丰富。相对于传统审计，信息环境下审计客体由传统账簿实物为载体转化为数字信息，因此该阶段审计客体变为“信息系统审计”“电子数据审计”。除此之外大数据审计也参与到更多的审计业务中，例如“绩效审计”“离任审计”“经济责任审计”。业务审计主体主要是政府方，在审计全覆盖概念提出后，政府机构积极拓展新的审计方式，在充分发挥审计监督作用的同时，扩大审计面，这意味着国内大数据审计研究的发展趋势与国家的大政方针以及社会发展的方向相契合。第三阶段为2018年至今，研究主题进一步细分，研究方向更加多样化，与审计结合程度更深，出现了“扶贫审计”“跟踪审计”“工程审计”等新的领域，同时不断吸收类似于“区块链”等新兴技术。综合分析可以发现，大数据审计研究经历了由笼统到细致、由宏观到微观的发展阶段，审计主体、审计客体、审计业务不断扩充，到现在已经基本覆盖传统审计的全部领域，且对大数据审计领域进行细分，充实、丰富了大数据审计的范畴。大数据审计技术方法也不断创新，及时吸收新兴技术，加速了大数据审计的智慧性建设。

4.关键词聚类分析

关键词聚类图中Q值代表图谱的信息模块性，描绘聚类图内部连线的密集程度，内部连线越多，Q值越大，聚类效果越好，当Q>0.3时，便可以认为聚类模型模块性是显著的。聚类出的模块用S值表示图谱的轮廓系数，当S>0.7时，认为聚类是高效且令人信服的。本文数据的结果（限于篇幅图略），Q值为0.94，S值为0.88，因此本文的聚类结果是十分有效并且可靠的。本文数据量大，共有20聚类，为聚焦研究热点，选择聚类最大的10个进行呈现，分别是“#1大数据技术”“#2大数据”“#3云会计”“#4审计方法”“#5对策”“#6企业审计”“#7专项审计”“#8计算机辅助审计技术”“#9内部审计人员”“#10大数据审计”。针对聚类结果进行分析可知，基于大数据的新审计技术方法是研究重点，10大聚类中有4个属于大数据审计技术。除此之外大数据审计适用审计主体及其对审计人员产生的影响也是研究领域内的重点。

将聚类分析与关键词时区图相结合，如图7所示，从关键词聚类与时间演变二维角度分析大数据审计研究主题的变迁，可以使读者更加清楚地把握大数据审计领域内研究主题的分布以及随时间变化的情况。每一条横线代表了一个研究主题，横向表示时间，横线最左端是该聚类出现时间，横线上的圆圈代表该聚类领域内研究的关键词，圆圈所在位置即关键词在此聚类中首次出现时间，圆环代表了关键词出现横跨年度。可以清晰地观察到“#2大数据”这一研究主题最早出现，其他研究均是建立在该研究聚类基础之上的。此后“#1大数据技术”“#10大数据审计”出现，是对大数据研究的外延以及在审计领域研究的进一步拓展。随后研究领域不断细化，一方面是“#6企业审计”，紧接着“#9内部审计人员”，最终“#7专项审计”;另一方面与大数据审计方法有关，先是产生了“#3云会计”，紧接着是“#4审计方法”，随后逐渐变得专业化，“#8计算机辅助审计技术”最终诞生，意味着大数据审计研究专业领域的形成。对时区图内容以及聚类图内容的进一步理解，可达到对大数据审计领域研究发展充分了解的目的，为学者提供帮助。

四、研究结果综述

随着审计项目日益复杂和对审计要求的提升，需要更新审计技术手段来辅助审计工作的开展。通过Citespace进行文献可视化分析，只能获得宏观层面上的信息，为使研究者更加细致地了解大数据审计领域内的研究现状，笔者利用传统文献分析综述方法对大数据审计进行综述，已有研究主要集中在以下三個方面。

（一）大数据审计技术开发及优劣分析

在大数据研究初始阶段，学者首先对大数据与审计的适用性问题展开讨论，主要关注大数据应用于审计的可能性以及优越性，并在此基础上从不同角度尝试提出大数据审计技术方法。国外学者Adrian Gepp等[ 5 ]分析了大数据技术在审计中的使用，发现大数据并不像在其他相关领域那样普遍，审计在使用有价值的大数据技术方面落后于其他领域。Xiang JianWei[ 6 ]提出传统的审计模式会给审计机关带来高昂的维护成本，基于此提出云计算，构建了云计算环境审计信息系统的基本框架。Nest等[ 7 ]、Smidt等[ 8 ]均认为GAS（通用审计软件）的使用频率尚未达到最佳状态，全球内部审计职能部门对GAS的使用仍处于较低水平。但是也存在学者对大数据审计持保守态度，Rose等[ 9 ]通过对四大127名审计师进行调查发现，大数据审计并没有给审计工作的开展提供更多便利。

国内学者张晓东和俞振华[ 10 ]通过介绍中国国情与工程审计情况，提出适合当时情境的审计技术方法——BIM审计。徐鹤田[ 11 ]基于传统的SWOT分析，对国家治理视角下的大数据审计工作模式展开研究，得到了肯定的结论。刘星等[ 12 ]从大数据审计全过程角度分析了数据采集、数据处理标准化、数据存储、数据分析方法和组织模式。牛艳芳等[ 13 ]应用计算机R语言进行审计数据挖掘分析。裴文华和成维一[ 14 ]针对财政大数据审计开展研究，提出了财政大数据审计的分析思路和方法。秦荣生[ 15 ]从会计的角度出发，论证了大数据思维在会计工作中的重要性。

此阶段，学者对大数据适用于审计的情况是基本肯定的，大数据审计技术可以提高审计效率，增强审计质量，节约审计资源，充分发挥审计的监督职能，做到审计全覆盖。但是该阶段研究还是停留在理论层面，对于大数据审计技术实务层面的展开和应用方面的研究成果存在不足。

（二）大数据审计适用方向

在进行大数据审计可行性分析的基础上，学者尝试将大数据与审计的具体方面相结合，充分发挥大数据的作用。王雪荣等[ 16 ]针对政府投资项目审计与项目持续跟踪审计进行了综述，提出建立基于现代工程特点和现代信息技术的跟踪审计框架以及数据库。梁秀根等[ 17 ]提出构建跟踪审计大数据挖掘，并论述了其优点和可行性。鲍朔望[ 18 ]认为将大数据审计引入政府采购系统，优化对政府采购系统的审计模式，可以大幅度提高审计效率。李强和谢汶莉[ 19 ]认为大数据技术应用于审计是必要的，但是大数据分析的成果需要适当地转化，使之更为具体化、形象化，更为直观，因此提出大数据可视化分析，并尝试进行信息系统的构建。陈伟[ 20 ]认为大数据审计平台的建立应适用于税务审计、社保审计、固定资产投资审计等不同的审计项目。

（三）大数据审计平台的构建

在大数据审计理论研究的基础上，学者提出各自的想法，从各方面推演大数据审计平台的构建。对大数据审计背后采用的原理，学者提出可以采取模糊匹配的审计证据获取方法以及数据匹配方法，找到数据的重复点和存疑点，基于此种方法可以大幅缩短数据运行的处理时间，进而提高数据的处理效率[ 21-22 ]。刘国城和王会金[ 23 ]将大数据审计平台分拆为采集、预处理、分析和可视化四个子平台，基于方法支撑、过程建模和运行机理等方面对各个子平台进行专项研究。鲁清仿等[ 24 ]提出从审计法律法规出发，将审计人员的审计经验、思路、判断依据汇集于一体，借由计算机系统自动实施，并且随着审计实践的发展不断完善，将越来越“智慧”。智慧审计有助于解决大数据审计存在的问题，从而更有效率地实施全面、全年度不停歇的审计。陈大峰和陈海勇[ 25 ]构建了趋势审计实施框架，利用大数据集中处理技术和统计技术代替传统的数据抽样处理，最终通过趋势研究得到的审计结论更有说服力。

综上所述，大数据审计研究到目前为止已经基本完成了由理论研究向实务研究的过渡，并且逐渐成为现代审计技术方法研究领域的热点，取得了大量的研究成果，提出了基于模糊匹配、可视化分析、智慧审计等大数据审计方法。但是，大数据审计平台的构建过于理想化，对与原数据的理想程度过于乐观，且经过现实数据运行的大数据审计平台较少，并未完成大数据审计的生产力完全转化，未能充分发挥大数据审计的全部潜力。随着大数据审计研究热潮的兴起，国内外研究成果势必会得到进一步丰富，研究内容进一步细化，这些研究成果将会为大数据审计的落地提供坚实的理论支撑。

五、结论与展望

大数据时代的到来改变了审计所面临的数据环境，如果不采取适当的审计方法予以应对，那么审计人员将无法胜任大数据环境下审计带来的挑战。本文依据2012—2020年共2 799篇CNKI期刊文章样本，从大数据审计的发文作者、发文机构、研究热点关键词、关键词聚类展开分析，得到以下结论：（1）大数据审计研究热度持续升高。大数据审计研究受到学者的广泛关注，文献数量呈倍数型增长，领域内作者成果不断增多，并且不断有新的学者加入研究，在一定程度上促进了跨学科、跨区域发展。（2）大数据审计研究领域不断细化。学者基于审计的特点，与宏观政策内容和实际需求相结合，尤其是政府审计领域，涉及扶贫审计、经济责任审计、离任审计、金融审计等多重业务，充分挖掘了大数据审计的发展潜力。（3）作者之间、机构之间合作不深。科研机构与企业、政府机构之间合作有限，难以将理论成果转化为实际生产工具。（4）大数据审计平台构建细节不足。大多数学者对大数据审计平台的构建过于理想化，对实际审计实务中数据格式的复杂性未给予充分考虑，如文本数据的处理，不同单位、跨地区之间材料价格方面的差异等一系列具体细节均语焉不详或是一笔带过，同时系统内部各环节之间的衔接转换问题也并未提及。

综上，大数据审计的研究热度一直居高不下，本文针对目前研究现状提出未来可能的研究方向与展望：（1）跨区域、跨学科之间的合作。大数据审计平台构建过程中，需要的大多技术来自于工科范畴，因此，与工科学者进行合作有利于平台算法的优化，解决平台系统性的问题。（2）理论与实务相结合。大数據审计需要进一步将其具化，将理论成果转为生产力，其所凭借的依据、证据链需要实务界的配合和判断，与实务界的合作还可以增强系统的完整度。（3）拓宽大数据审计适用主题、客体及业务种类。目前政府审计是大数据审计研究的带动者与引导者，这与国家宏观政策密不可分，并可以充分发挥审计的监督职能，未来将大数据审计应用于大型企业内部审计或者注册会计师审计也是完全可行的。

【参考文献】

[1] 中华人民共和国审计署网站[EB/OL].http：//www.audit.gov.cn/searchweb/.

[2] 李杰.Citespace中文版指南[EB/OL].http：//blog.sciencenet.cn/blog-496649-886962.html.

[3] 陈悦，刘则渊，陈劲，等.科学知识图谱的发展历程[J].科学学研究，2008（3）：449-460.

[4] 王伟，孟焰.西方审计研究的科学知识图谱分析[J].审计研究，2016（3）：32-39.

[5] GEPP A，LINNENLUECKE M，O'NEILL T，et al.Big data techniques in auditing research and practice：current trends and future opportunities[J].Journal of Accounting Literature，2018，40：102-115.

[6] XIANG JIANWEI.Building the audit information system in cloud computing environment[C].2013 3rd International Conference on Packaging and Manufacturing Technology（ICCPMT 2013），2014.

[7] NEST V D，SMIDT L，LUBBE D.The use of generalised audit software by internal audit functions in a developing country：a maturity level assessment[J].Risk Governance and Control：Financial Markets & Institutions，2017，7（4）：189-202.

[8] SMIDT L，AHMI A，STEENKAMP L，et al.A maturity level assessment of generalised audit software：internal audit functions in Australia[J].Australian Accounting Review，2019，29（3）：516-531.

[9] ROSE A M，ROSE J M，SANDERSON K A，et al.When should audit firms introduce analyses of big data into the audit process？[J].Journal of Information Systems，2017（3）：81-99.

[10] 张晓东，俞振华.建设项目跟踪审计中设计审计的探讨[J].铁路工程造价管理，2009，24（2）：5-8.

[11] 徐鹤田.国家治理视野下的大数据审计工作模式研究：基于SWOT分析[J].中国内部审计，2017（1）：77-82.

[12] 刘星，牛艳芳，唐志豪.关于推进大数据审计工作的几点思考[J].审计研究，2016（5）：3-7.

[13] 牛艳芳，邓雪梅，陈伟.数据科学工具之R语言在审计数据分析中的应用探索[J].中国注册会计师，2016（9）：93-97.

[14] 裴文华，成维一.大数据环境下财政审计数据分析研究[J].审计研究，2017（3）：53-58.

[15] 秦荣生.大数据思维与技术在会计工作中的应用研究[J].会计与经济研究，2015，29（5）：3-10.

[16] 王雪荣，陈国华，申月红.政府投资项目持续跟踪审计研究评述[J].科技进步与对策，2011，28（13）：90-94.

[17] 梁秀根，黄邓秋，蔡赟，等.持续审计结合数据挖掘技术在内部审计中的应用[J].中国内部审计，2015（12）：66-72.

[18] 鲍朔望.大数据环境下政府采购审计思路和技术方法探讨[J].审计研究，2016（6）：13-18.

[19] 李强，谢汶莉.大数据审计中的可视分析[J].中国内部审计，2016（2）：79-86.

[20] 陈伟，SMIELIAUSKAS WALLY.大数据环境下的电子数据审计：机遇、挑战与方法[J].计算机科学，2016， 43（1）：8-13，34.

[21] 陈伟，QIU ROBIN.面向大型数据库的审计数据采集方法[J].计算机应用，2008（8）：2144-2146，2149.