余芊慧、李幸容

　　臺大會計系於10月9日的Workshop，非常榮幸邀請到Rutgers, the State University of New Jersey的Miklos Vasarhelyi老師發表他的研究：A Framework for Predictive Analytics in Auditing。

　　本研究探討如何在審計程序中導入「預測分析」（predictive analytics），建立一個符合審計專業標準的預測模型框架。作者指出，傳統會計與審計多屬回溯性，但隨著AI與資料科學發展，專業人員需面對愈來愈多前瞻性（forward-looking）的估計與判斷。本研究旨在提出一套能兼顧「準確性」、「可解釋性」與「可稽核性」的預測分析方法，協助審計員建立合理預期並評估財務資料的合理性。

　　作者依據審計標準（如PCAOB AS 2305、ISA 520），結合資料科學方法，構建出六大面向的預測框架：1.資料前處理（Data Preprocessing）：確保時間序列的穩定性（stationarity）與季節性調整，並建立滯後變數。2.變數選擇（Variable Selection）：納入宏觀經濟、供應鏈成本與消費者行為指標（如Google搜尋量指標）。3.模型架構（Model Structure）：採用ARIMA、SARIMA、Prophet等時序模型，強調透明性與可重現性。4.模型評估（Model Evaluation）：以RMSE、MAE、MAPE評估預測準確度。5.結果詮釋（Results Interpretation）：利用可視化與特徵重要性分析，連結模型結果與經濟意涵。6.審計洞見（Audit Insights）：將預測結果對應至審計三階段（規劃、實質測試、最終審查），提供專業判斷依據。此外，研究透過四次模型迭代（未調整資料、季節調整、滯後工程、內部累積建模）驗證框架的穩健性。

　　作者以美國中西部一家食品製造公司為個案，利用2016–2024年財務資料進行實證。結果顯示：1. Ridge Regression與Exponential Moving Average (EMA)模型在預測準確度上表現最佳（MAPE約8–9%）。2. ARIMAX模型在納入外部變數後有顯著改善。3. Tree-based模型（如LightGBM）在滯後變數結構中表現優異，但須注意過度擬合。4. Support Vector Regression (SVR)表現最差，顯示不適合此類財務時序資料。整體而言，滾動預測（rolling forecast）普遍優於遞迴預測（recursive forecast），顯示持續更新模型有助於提升預測穩定性。

　　本研究主要貢獻有三：1.提出一套能結合審計標準與AI模型的框架。2.說明如何以「人機共審」思維（human-in-the-loop）提升預測可信度。3.為未來審計準則制定提供依據，特別是對「演算法可解釋性」與「文件化」的要求。

　　作者強調，預測分析不應取代專業判斷，而是輔助審計師形成更合理的預期與風險評估。未來研究可朝聯邦學習（Federated Learning）與跨企業共享模型架構發展，以提升模型的普遍性與比較性。此框架也可延伸至公允價值衡量、減損測試與信用損失預估等其他會計估計項目。