圆桌论坛 AI驱动下的数智化审计实践
来源：bb体育app下载 发布时间：2025-05-06 22:09:40
3月29日，“2025内部审计高质量发展论坛”在上海国家会计学院顺利召开，线人参会。在此转发分享论坛嘉宾主讲内容，由中国商业会计学会风控与审计分会秘书长谢建中撰写，演讲者本人确认。 主持人：大家下午好！我是圆桌论坛的主持人谢建中。今天几乎每位嘉宾都谈到数字化、数智化或人工智能，圆桌论坛也将围绕“AI驱动下的数智化审计实践”展开。我们很荣幸地邀请到四位嘉宾，他们是：中信银行审计部副总经理王鹏虎，顺丰集团审计部业务研究处负责人管显超，国家管网集团综合监督部审计管理总监肖远文，国网电力审计中心内控信息处处长邬奕强。 四位嘉宾在数智化审计领域都有很丰富的实践、经验和非常深入的思考、洞察，下面先请每位嘉宾用5分钟时间做一个主题分享。 王鹏虎：今天很多领导、专业的人介绍了很多内容，质量非常高。关于AI在审计工作中的应用，我之前一直不愿意谈数智化，因为我认为我们还在数字化阶段。我认为，推动审计工作在科技应用方面能分为四个阶段：第一阶段是电子化，把原来存在各种载体的审计信息先变成电子载体，这一阶段多数企业已经经历了；第二阶段是线上化或者系统化，搭建一个审计平台，把各种分散信息聚合在系统或者线上化作业平台上，这一阶段至少还有一半以上的企业没有完成；第三阶段是数字化，在平台上对各种数据来进行处理和分析，让我们发现一些问题；第四阶段是智能化，应用人工智能、大数据建模，替代人去做一些工作。四期叠加很多企业都在做，我今天谈AI在审计中的应用应该到了第四阶段了。中信银行做了一些初步探索。 首先，人工智能就是把传统审计专家的经验总结变成一种计算机的软件或者计算机的程序，由计算机代替人执行一些任务，输出一些结果。这方面也经历了几个阶段，第一就是简单规则类的模型，把人对数据的理解变成规则，用规则来处理数据，输出的大多数是疑点数据。第二就是算法类模型，用特征描述一个主体或者现象、行为、流程，采集很多数据，用一个算法或模型做特征标注或预警监测。第三就是大模型，有三个特点：1.多模态，可以处理文本、图片、视频、语音各种非结构化数据；2.自然语言处理，可以理解并输出人的自然语言，包括语音输入、文本输入都可以理解并且输出；3.智能化，可以仿照人生成我们所需要的内容，超越了前面两个阶段，能做的工作非常多。 第一，规则类模型应用非常多，90%以上的模型都是规则类模型，主要用于数据处理，特别是对业务数据异常值的处理，就是所谓的疑点数据。传统审计是基于统计学进行抽样，无论是科学、分层和随机抽样都是一部分样本，现在用规则模型可以从全量数据中筛选出疑点数据，规则类模型是最有效的，目前大多数还是在用规则类模型筛选和处理海量数据，出了疑点数据就可以做进一步的核查。大量审计项目还在应用规则类模型取出疑点数据，锁定聚焦审计重点。 第二，算法类模型的应用，在风险持续监测和预警方面应用得比较多。比如中信银行对高风险客户的监测和预警，提取了三四百个特征变量，从行为、交易、账户到基本信息，包括供应链、资金账户交易信息等等，把所有这些变量进行定期收集，用一个算法模型进行计算，就会把所有客户做全量风险排序，根据风险排序变化，每个季度可以出一个风险客户名单，关注Top5或者Top10，与业务一线交互。我们的观点可能与业务有一些不一致，这恰恰是审计所创造的价值，业务不认为有风险，但是审计认为有风险，虽不能阻断他们的业务开展，但是可以作为参考。 另外是员工行为类模型，用于员工行为管理和排查，反舞弊审计和案件防控非常有用，我们把员工行为数据，包括账户、考核、考勤，以及外部数据、征信数据，负债类、消费类数据都采集进来运行模型，可以把所有员工进行全面监测，定期进行排序，反舞弊审计就变得非常主动了。刚才中科院专家方金云老师讲了很多反舞弊审计，很受启发，我们也是通过数据分析，从机会、可能性、合理化舞弊三角的维度找到了很多变量数据，可以定期进行分析。 第三，多模态大模型的应用。刚刚火了两三年，我们初步探索点上的应用，开始是通过阿里的通义千问，今年基于Deep Seek技术模型。现在两条线并用，各有各的优势。一是做报告生成和审核，只要输入基础的审计底稿和审计确认书，告诉它报告的结构和架构，就能输出报告初稿，而且可以反复修改审核，基本可以替代70%～80%的人工，已经非常厉害了。二是审计方案的生成，输入一些知识库，它会对审计重点关注的方面、适用法律法规和已有模型做一些推荐。审计方案是辅助性的，加一些修改就可以作为下一步实施审计项目的依据。 管显超：刚接到圆桌论坛的主题时，我想到一个分享的题目和方向是：数智化审计是从“人+工具”到“人机协同”的范式革命。下面我结合顺丰审计实际情况和大家分享智能化审计发展的过程、结果以及未来设想。 我理解数智化有两层含义：第一是数字化审计，第二是数智化审计。智能化审计必须有数字化审计的基础，今天下午听了很多专家谈到数字化、智能化的工具包括审计模式的变化，我简单谈谈我的想法。 首先，什么是数字化？它是业务数据化以及对数据的高效采集、存储、处理和分析，其本质目标是要挖掘数据本身的价值。什么是智能化？就是运用算法机器提取数据中的规律，其本质目标是模拟人类的智能、感知、学习、推理，也赋予了机器自主解决问题的能力。 下面我介绍一下顺丰在数智化审计发展的过程，2015年我加入顺丰集团后，慢慢接触到数字化审计的雏形，2017年顺丰集团真正开始推动数字化审计转型的变革。我认为数字化审计实现了三大目标：第一是有数用，第二会用数，第三是用好数。 第一，怎么有数用？在审计工作中，很大一部分工作内容是获取数据，审计数据从哪里来？这几年我们搭建了顺丰审计数字化底盘的系统，对接很多业务系统的数据。很多人会说业务没有数据怎么办？我们推出了业务部门信息化建设评估的工作，希望从审计角度推动很多业务工作线上化，只要业务工作线上化了，必然有数据可以对接，持续丰富数据底盘。 第二，怎么用数据？涉及两个问题，一是有没有工具，二是有没有能力。一开始我们引入OCR，后来引入大数据工具，包括要求审计人员持数字化分析师的证书上岗，从工具引入包括技能培养，建立了会用数的能力。 第三，怎么用好数据？怎么发挥数据的价值？尽可能把数据做成有意义的赋能工具，基于审计需要生成指标、模型、看板，我们已经搭建了一百余个类似报表和看板来辅助审计人员分析，并针对很多风险场景建设了300多个风险监控模型，实现对风险的监控。 回顾这个过程，就是“人+工具”的模式，我们利用大数据和技术便利，让审计人员更好地处理和分析数据，输出异常线索。同时，用这些工具固化审计经验、方法，形成风险监控模型。最终是希望能实现远程审计、持续审计、全量审计。 近几年，我们明显感受到数字化所带来的效率提升和价值提升，但数字化是不是解决了所有问题呢？不是的。在过程中，我们慢慢感受到困扰我们的三个困境： 第一，数据之困。审计人员没有数据时很苦恼，到处找数据，但是现在我们有了1万多张表和几十亿、数百亿的数据，数据多了以后，我们也很苦恼。靠审计人员怎么处理这些数据，数据与数据之间的关联是众多的，以人的精力与能力怎么分析完，对我们是一个巨大的挑战。 第二，经验之困。虽然我们有数字化工具的赋能和加持，但在很多数据的前期处理，包括规则的梳理、对风险的判断等，都需要靠审计人员的经验去完成。我们得知，同样的问题、同样的数据给到不同人，答案是不一样的，结果“千人千面”。我们希望同一个事情可以有统一的判断，这也是数字化审计带来的苦恼。 第三，效率之困。我们虽然可以用数字化工具建模，实现风险监控，但是审计人员在现场实施过程中依然存在很多无效工作，比如取数本身没有意义，数据分析过程也没有意义，真正有意义的是对数据的判断，很多工作是无效的。我们希望数字化审计能提高审计人员的效率，如果我们越开展数字化审计，审计人员加班越多，这不是我们想看到的局面。 2023年，在ChatGPT火的时间，集团领导要求强化智能工具的应用，我们在思考AI怎样在审计工作中发挥作用，主要有以下几个方面。 第一，智能分析，解决审计人员对大量数据、不同数据之间关联维度的分析，实现了智慧取数。 第二，智能问答，把审计的知识经验以及历史发现积累到知识库，形成本地化部署的AI问答模型，解决审计人员信息和经验查询的痛点。 第三，智能助手，希望通过智能助手解放审计人员的手脚，让其关注真正重要的方面。比如语音识别，访谈纪要自动化整理工具，可以实时记录并形成不同角色的内容，对内容做信息纪要的提炼，也可以生成思维导图。这些可以有效提升审计人员的效率。 第四，智能化图片识别。顺丰在全国有上万家网点，原来我们要到现场做检查，很耗费人力。现在我们利用了监控视频的图片识别技术，对现场人员的形象可以做到智能化地识别，帮我们锁定哪些方面值得关注，通过智能化的工具不断提升效率。 最后，AI到底是什么？我们内部在做数字化和智能工具引入时，很多人员有一些悲观情绪，大家可能觉得审计人员变得不重要了，未来很多工具会替代人。我认为，AI不是会替代审计人员，而是未来会用AI的审计人员会淘汰不会用AI的审计人员。在实践过程中，我越来越发现AI更多是帮助我们提高审计效率和质量的辅助工具，未来我们会开发很多智能体，在报告、分析环节会有各种各样的智能体，包括报告的校稿等等，我们希望实现审计工作从体力劳动向脑力竞技的转变。谢谢。 肖远文：国家管网集团成立于2019年，是由中石油、中石化、中海油的管道资产划转而新成立的一家央企，主要负责油气管道建设和运营，目前运营的油气管道超过10万公里，资产总额近万亿元。在重组改革过程中，由于原单位审计中心的力量未划转到管网集团，我们的审计力量相对比较薄弱，审计人员主要来自原先划转二级单位和新转岗的人员。重组完成后，随着业务不断发展，业务模式不断创新，所属单位又翻倍增加，经营风险也在不断增加。在此情况下，党组领导对审计的要求非常高，审计人员的素质、数量等等跟不上，我们该怎么办？趁集团推行数字化的机会，我们将审计数智化转型作为提升审计覆盖广度、深度和精度的破局之法，数智化审计转型也是集团党组交给我们的必答题。 经过5年不断地探索和发展，我们形成了以数据为导向、平台为支撑、场景为驱动、人才为保障的数字化转型思路，并在该思路指引下搭建了管网自己的数智化转型审计生态。 第一，以数据为导向。我们的数据是两条线，因为管网做数字化转型过程中建设了集团层级的数据湖和数据中台。借助这一契机，在建设数据湖时，我们也搭建了自己的数据中心，可以将多种来源和多种种类、形式的数据分别进行积累沉淀，不断拓展审计基础资源。现在基础数据在逐步夯实过程中，初步解决了审计人员的取数难、理数难、用数难的三个难题。 第二，以平台为支撑。按照审计管理和审计作业两条线，打造了自己的审计平台。目前平台实现的功能基本能让审计管理流程线上化，在审计管理作业过程中，嵌入了大模型和智能体技术手段，提升了监督的穿透力。 第三，以场景为驱动。以聚焦重点、全量覆盖、提升效率、提高质量为目标，建设一些小模型。建设小模型时，我们依托项目实践，在项目实践过程中总结了应用场景构建策略，要从业务到风险，到审计思路，到数据分析方法逐步构建起来。谈到业务，要去了解业务背后的运行逻辑，这就意味着业务背后运行的权利在哪里？业务可能存在的风险在哪？如何找到业务运行逻辑背后的风险？针对这些风险，审计思路上怎样提前预警、提前发现这些风险？明确完审计思路之后，针对审计思路去找这些数据分析的方法，就需要用什么数据，哪些方法可以固化下来。有时候是规则模型，有时候就是经验固化等等，之后我们逐步构建自己的小模型，这是我们实施路径的方法论。 在构建小模型过程中，目前围绕着管网集团建设、运营、维护、研发，分别构建了自己的模型包括合同、财务、生产、市场、供应链等等核心业务小模型，通过小模型可以做前瞻疑点排查的分析。 在大模型方面，因为大模型跟顺丰管总分享的思路差不多。我们打造了“审计会监督”产品，2025年是审计智能体的元年，我们领导对我们提出了要求“全民AI”，审计能做什么？我们想通过管网私有化部署的智能体平台开发我们自己审计的智能体，目前可以从几个方面构建自己的智能体，包括审前调查、智能辅助项目查证、智能辅助工程项目查证等灵活性强、快速见效的模型。 第四，以人才为保障，提升审计人员数智化审计思维、专业水平和实践能力。今天各位嘉宾对人才相关的分享已经比较多了，不再赘述了。 邬奕强：很荣幸有机会分享国网上海电力数字化审计的经验。上海电力的数字化审计建设，总体上执行国家电网公司数字化审计发展统一部署。2018年之前主要是基于ERP系统开发审查特定问题的审计报表、小程序。2019年上线了国网数字化审计平台，具备了审计项目线上管理、直连数据中心灵活开发审计模型、审计日常事务管理等功能。2023年升级为国网新一代数字化审计平台，基于数据中善审计数据体系，丰富审计建模工具，增强审计项目线上作业管控，增强审计日常管理和辅助决策分析能力。 新一代平台集合了SQL、Python、Quick BI、可视化报表等主要数据分析工具，自数据中台取数，支持灵活分析数据、审计模型固化及调优、模型定时运行等需求。 已经完成全业务数据向审计开放授权。按照国网公司统一技术路线，审计人员主要应用审计中间表数据。审计中间表部署在数据中台分析层，数据源自中台共享层的4万余张业务系统源表，并补充总部统一购买的外部数据。基于便于审计人员理解、调用的原则，在不改变数据实质内容的基础上，对源数据进行去重、去冗余、统一数据格式、初步联表整合、优化表名和字段名称表述等操作，目前已建205张，仍在持续建设。 基于编程易学、业务难懂的判断，坚持审计人员学编程，以审计人员为主体，专业IT人员为辅助的方式开展数据分析、审计建模等工作。近年来，上海电力专职审计人员20人上下，能够独立编程的常年保持50%以上，以SQL为主，个别能够应用Python。 数字化审计已经融入审计作业，项目间歇期开展集中数据分析，项目期间和其他零散时间按需分析，涉及审计项目的疑点在项目里核实，其他疑点基于数字化持续审计机制核实。对成熟好用的数据分析方式予以固化，成为审计模型，目前100余个。 总体层面，以查问题的效率、质量为根本落脚点，将数字化审计作为必要手段但非全部手段。必须开展全量数据分析，判断主要风险领域、筛查特征比较明显的疑点。也发展传统审计方式，特别是对单一事项的审计，能查阅一些归档资料、开展几次谈话就完成审计，没必要强行做审计模型。同时，要求对数字化审计发现的疑点必须全量或抽样现场核实，判断问题实质和产生原因、深入影响。 分析层面，发展3类建模策略。一是问题导向型，分析已知问题的数据特征，将查找同特征数据的逻辑转换成程序语言，实现全量筛查。二是业务导向型，沿着业务链路，选择关键控制环节，开展前后环节比对、关联业务比对、业财数据比对等，判断业务真实性、准确性、合规性。三是风险导向型，在不预设拟查找什么问题的前提下，直接对关键业务数据表开展奇异点分析，从数据异常表现出发，进一步分析异常原因，是否存在实质问题。总体来说，第一是知道错误是什么样，我们就去找这类问题；第二知道业务应该怎么样，去找不符合要求的问题；第三就是什么都不知道，单纯去找一些奇怪业务进行深入研究。 今年春节后，DeepSeek的发布为内部审计带来更多机遇，经过反复地试用、研究，我们确定了AI-Agent，也就是大模型智能体的应用思路。搭建一个可以输入各种格式资料、可以调用多个大模型、可以调用建模工具直接输出审计结果的平台，重点训练5类审计能力： 二是审计思路推荐，审计人员输入需要审计的问题，大模型推荐可用的审计方案，再经多轮问答把方案落实到执行步骤或者程序代码层面。 三是数据标签，大模型阅读原始数据后，以审计思维对数据进一步细化分类并打上标签，丰富审计分析的维度。 四是数据奇异点输出，大模型直接输出业务数据表里不符合总体分布规律、变化趋势、合理阈值的业务，建议审计人员深入了解情况。 五是多模态数据业务审计，举例理解，输入电网工程的立项、招投标、合同、图纸、签证、领料单、工程量清单、结算书等格式各异的全套资料，大模型基于工程规范，直接分析是否有合规性问题、造价和结算是否准确。 主持人：谢谢邬处！下面进入提问环节。首先想请教管显超总一个问题：顺丰数字化审计10年了，给顺丰审计带来最大的几个价值是什么？ 第一，由现场到远程。有了数据，审计就可以由现场到远程，原来没有数据，必须到现场，而传统审计费时费力。现在有了数据，不到现场就可以做跨区协同，包括远程分析，可以提高分析效率。 第二，由抽样到全量。为什么要去现场？因为没有数据。去现场必须抽样，选择哪些地方去。但抽样本身有局限，样本有没有代表性？抽的地方是不是真正有风险的地方？以前我们经常会发现选了这个地区，实际并没有太大的风险，我们没有去的反而有风险，这是抽样的局限性。有了数据后，我们可以做全量分析，更全面地披露一些风险，让审计发现或者输出更加具有全面性和精准性。 第三，从间断到持续。传统审计计划是周期性的，会安排什么时间去哪里审计，整改也是阶段性回顾，过去因为没有数据技术或数据，无法对风险进行持续监控。现在指标、报表、看板和模型都可以实现对业务和风险的持续性监控。有了持续性，就可以把规则固化成对风险持续性的监控，有风险可以实时浮出，我们就可以及时去查问题。 主持人：谢谢管总！下面请教肖远文总一个问题：管网集团迅速完成数字化转型，特别是针对取数、理数、用数“三难”的问题，相信一定积累了很多经验，请给大家分享一下。 肖远文：针对“三难”的问题，刚才嘉宾已经从不同角度提过了，从我们的角度来理解，比如取数难，包括两个方面问题：一方面难在业务不够配合，我们想去取数，想去要业务线中所有业务执行过程中留下的数据，但有时业务人员不愿意配合，也不愿意提供，即使提供了，也不一定是业务一手数据。另一方面难在审计人员对数据不够熟悉，因为审计人员不可能要求是全能的，虽然我们一直在提审计人员要一专多能，但面对一个新系统，要很快速了解系统的架构，了解数据背后的逻辑，对审计人员来说，其实是很难的。怎么解决这个难题呢？我们做数字化转型时建了数据中台、数据湖，在此基础之上，我们有自己审计监督数据中心，我们采用了中台取数为主、线下取数为辅的总体思路进行建设。在建设过程中，我们将集团系统中与审计相关的系统数据，通过D+1的方式取到审计监督数据中心存储。另外，取数还靠审计人员自身的积累，现场审计时很多数据是在线下。审计人员在现场需要通过项目进行收集整理，我们把这些数据逐步积累到系统中，包括现场有一些设计数据、施工数据、采购数据等等都要积累到审计数据中台，通过几年积累之后，审计监督数据中心积累了审计人员逐步需要用的数据，解决了审计人员取数难的问题，也不能说是完全解决，还在持续解决的过程中。 理数难和用数难的问题，对于审计人员来说，可能已习惯了去阅读资料、看账目、理解，找问题、找风险，但当一堆数据摆在你面前时，可能你会觉得无从下手，无从下手时怎么办？邬处提到他们建的是中间表，我们也是同样的道理，也建了自己的中间表，中间表起什么作用呢？就是帮助审计人员把繁琐的大量数据中一些无用的数据剔除了，把审计人员认为跟审计相关经济事项、数据通过中间表的要素提取出来。同时，因为数据来自不同的系统，可能来自生产系统、合同系统，或者来自财务系统，他们之间通过什么关联才能把数据打通呢？因为我们不能寄希望于业务数据之间拉通，我们只能通过中间表，通过他们之间的内部逻辑把数据拉通。我们就帮审计人员建立中间表，把数理清楚，让他们可以针对中间表进行数据分析和建模。 主持人：谢谢肖总！想请教王总一个问题：当数据的问题解决后，怎样才能更好地提升模型的有效性？ 王鹏虎：一是用算法类模型替代规则类模型。最早我们用的是各种规则类模型，后来发现规则类模型太多了，缺乏整体考虑，开始大量用算法类模型替代规则类模型，一般一个变量带一个规则类模型，比如客户风险，就用三四百个特征变量大概替代了100—200个规则类模型。比如以前最早做预警，一个规则命中可能就要预警，另一个规则命中又要预警，造成预警量太大，让业务一线人员感到无所适从。为了解决这个问题，我们开始升级为算法类模型，用几百个特征变量替代几百个规则类模型，把所有主体排序，多个规则触及越多，风险分值越高，就变成了我们着重关注的对象。这是一个升级的方法，我们在做减法。 二是要用大模型，进一步做模型收敛。规则类模型有几千个，常用的也有一千多个，用算法类模型替代之后，基本保持三四百个，每年会有新增，但是我们会合并规则类模型。到大模型后，未来还会进一步收敛，减少模型的数量。现在模型不是越多越好，而是越少越好，未来希望用大概十几个大模型（AI Agent智能体），全流程改造现在的审计作业模式，从审计计划到审计方案到数据分析，到疑点排查，到问题定性，到报告生成，到整改跟踪，每个场景、每个环节都用智能体，也就是垂直类大模型的特定场景应用。 首先，要做模型的升级提升和萃取精炼。通用大模型是第一层，第二层是垂直类模型，第三层是场景类模型，每一个智能体包含的都是若干个规则类模型和算法类模型，再进一步做模型收敛，未来我希望用十几个大模型基本解决80%～90%的模型需求。现在90%的人都会做模型，未来不需要了，可能10个人会做模型就够了。10%的人做模型，剩下90%的人用模型就可以了，会大量收敛模型。第二，做流程再造，用AI对审计传统作业模式进行全流程改造，全面提升审计的作业效率和质量。第三，人机协同。AI不是要端了我们的饭碗，不是要让审计人变得没价值。从做数字化审计转型开始，我就在想一件事，一定要充满人性化，就是替代审计人员最不愿意做的、最苦最累最脏的，简单重复繁琐、没有任何价值的工作，包括去查档案、看凭证、做数据分析和处理，包括最后写报告。这些工作没有太大价值，应该交给AI去做，把人腾出来去做最有价值的工作。具体是，战略审计、治理审计、持续审计等。AI做不了的事，才是我们审计人员真正应该发挥作用的领域。以后90%的工作由AI去做，10%的工作由现在的人去做，这就是我们一直讲的人机协同，是我们比较愿意看到的局面。 主持人：谢谢王总！最后请教邬处一个问题，转型过程中人是最关键的，刚才您谈到50%的人会编程，在审计人员培养方面有什么经验和大家伙儿一起来分享？ 邬奕强：关于审计专员要不要自己学编程，我们也经历过纠结，最终促使我们推进这项工作的其实是3年疫情，一方面是难以开展现场审计倒逼我们学，另一方面封控期间没有审计任务也给了我们时间学。现在倒过来看，我觉得可以从必要性和可行性两个角度看这个问题。 一是审计人员有必要学编程。审计的数字化和业务数字化有一个本质不同。业务部门搞数字化，可以很清晰地提出需求，也就是管理要求和流程，剩下的都交付给软件设计开发人员去实现，最后通过测试、验收来确认需求是否满足、是否要调整。但是审计是查问题，没有固定套路，审计人员如果不会自己跑数据，根本就不知道问题要怎么查，没法给it人员明确的开发需求，或者只能靠想象提出需求，在开发过程中会遇到非常多意想不到，甚至无法解决的情况。靠审计人员提供审计思路、it人员提供编程技能，这种方式比较低效、难以融合。在审计人员自己的大脑里融合审计和it,才是高效的方式，打一个不恰当的比方，医生既要有医药知识，也要有手术的动手能力，缺一不可。 二是审计人员可以学编程。我们要求的不是成为软件开发人员，掌握初级的SQL，也就是50个左右的语句，基本能覆盖所有的审计需求，Python之类更智能化的语言属于锦上添花，我们是不做强制要求的。初级的SQL本质上没有脱离excel的思维框架，只是换一种形式展现，甚至比excel里一些高级函数还简单一些。我们的新进审计专员，一般通过2周左右的集训，一般一周基础语法、一周案例实操，都能够很好地掌握初级SQL。 主持人：谢谢各位嘉宾精彩而充满智慧的分享！由于时间关系，今天的圆桌论坛到此结束。下面我们进入论坛的最后一个环节，由中国商业会计学会副会长兼风控与审计分会会长谭丽丽老师为我们作闭幕总结暨《敏捷审计转型与超越》成果发布，大家欢迎！