2024年 ACFE《反舞弊技术手段调查报告》中文版发布

重大发现

超过90%（91%）的组织将数据分析技术作为舞弊行动方案的一部分。内部结构化数据是最常见的数据分析来源，77%的组织依赖这种传统方法。数据分析监测的最常见风险领域是支出（44%）和采购（41%）。在过去几年中，生物识别技术和机器人在反舞弊行动方案中的使用稳步增加。五分之二（40%）的组织目前将物理生物识别技术作为其反舞弊行动方案的一部分，另有17%的组织预计在未来两年内采用这项技术。 

人工智能（AI）和机器学习在反舞弊中的应用预计在未来两年将增加近三倍。83%的组织预计在未来两年内将实施生成型人工智能作为其反舞弊行动方案的一部分。大多数组织（61%）目前或愿意加入到（行业）数据共享联盟中来，以帮助其反舞弊方面的努力。五分之三（59%）的组织预计在未来两年内增加反舞弊技术的预算。预算或财务限制是实施新的反舞弊技术时最关心的问题，这对82%的组织来说是一个重大或中度的挑战。超过50%的反舞弊程序目前使用或预计在未来某个时候采用计算机视觉分析、机器人和行为生物识别技术。

数据分析

组织使用哪些数据分析技术来打击舞弊行为？

有效分析数据以寻找舞弊警告信号的能力是组织反舞弊工具包中的一个关键工具。在我们的研究中，超过90%的组织将某种形式的数据分析作为其反舞弊行动方案的一部分。如图1所示，舞弊分析最常见的用途是异常报告和异常检测（57%的组织）以及自动危险信号和业务规则监控（54%的组织）。

此外，我们询问的每一项技术都有望在未来一到两年内被更多的组织采用。人工智能（AI）和机器学习的预期采用率最高，近三分之一目前尚未使用该技术的组织预计在不久的将来会将其添加到反舞弊行动方案中。这意味着，到2026年，一半的组织希望将人工智能和机器学习作为其舞弊分析的一部分。此外，自我们之前的研究以来，人工智能和机器学习的预期采用率有所提高，这表明围绕这些工具的势头越来越大；2022年，26%的组织预计将在未来两年内采用这项技术，而在我们目前的研究中，32%的组织计划在不久的将来实施人工智能和机器学习。预测分析和建模的使用预计也将显著增加，22%的组织计划在未来两年内采用这项技术。

然而，尽管在我们的研究中，数据分析技术的使用预计会增加，但自2019年以来，真实采用新型数据分析技术的比例几乎没有增长，这突显了组织实施新技术的速度缓慢。

人工智能和机器学习在反舞弊项目中的应用预计在未来两年将增加近三倍。

当组织着手实施和改进其分析程序时，了解其他人为各种目的使用哪些工具可能会有所帮助。图2显示了我们研究中每种分析技术最常见的程序。在所有类别中，很大一部分受访者指出，他们的组织使用专有的内部平台来执行上述分析技术。

组织在哪些风险领域使用数据分析来监控舞弊行为？

为了确保尽可能有效和高效地使用数据分析，许多组织都采用了基于风险的方法，将其数据分析的重点放在检测公司内特定风险领域的潜在舞弊上。图3显示，使用分析法最常监测的领域是支出支付（44%的组织），其次是采购和采购职能部门（41%的组织）。

组织在反舞弊数据分析中使用哪些数据来源？

包含危险信号或舞弊证据的数据可能存在于组织内外的许多地方。我们询问受访者哪（几）种类型的数据作为他们反舞弊分析的来源。如图4所示，最常见的数据源是内部结构化数据（77%的组织），这是以可识别和可预测的结构格式化的数据，例如数据库和电子表格中的数据。相比之下，内部非结构化数据——结构化格式之外的数据，如文本文档、电子邮件和图像文件——仅被33%的组织使用，来自连接到组织网络的设备的数据仅被25%的组织使用。公共记录是最常见的外部数据使用形式（40%的组织），其次是政府观察名单（31%的组织）。

此外，分析来自多个来源的数据可以提供有价值的见解和证据，而仅查看一个数据来源可能无法识别。在我们研究的组织中，62%的组织目前使用来自多个来源的数据作为反舞弊分析的一部分，51%的组织合并了来自内部和外部来源的数据。

数据分析对组织反舞弊举措的不同领域有多大益处？

超过90%的组织将某种形式的数据分析作为其反舞弊行动方案的一部分，很明显，这些举措的总体价值已被广泛接受。为了进一步了解舞弊分析带来的具体好处，我们向调查参与者询问了他们的数据分析工作如何影响四个特定领域：

• 交易量，即审查更多交易或识别更多涉嫌舞弊案件的能力

• 及时性，或更快地检测异常的能力

• 效率，或自动化耗时任务的能力

• 准确性，或降低误报率的能力

图5显示，审查的交易量和发现的潜在舞弊行为的增加是实现最多的好处，93%的受访者表示这是非常或相当有益的。同样，89%的人认为效率的提高非常或相当有益，87%的人认为额外的及时性对他们的组织非常或相当有利。