背景抽样之外还有全量货币单元抽样PPS是审计标配但它本质是用样本推断总体对低频大额舞弊、跨科目串通往往力不从心。当企业把序时账、余额表整库导入后审计师其实可以换个思路直接在全量数据上跑异常检测。本文对比三种在审计场景落得过的方法——统计离群、关联规则、图异常——讲清各自的适用边界。三种方法对比维度统计离群Outlier关联规则Association图异常Graph数据形态数值型金额/数量事务型科目/对手/摘要关系型实体-交易网络核心思路偏离均值/分位即可疑共现偏离预期即可疑结构上偏离社区即可疑能发现的舞弊虚增收入、异常大额科目窜用、周期异常关联方闭环、资金回流可解释性强离群多少 sigma中支持度/置信度弱需可视化辅助数据要求单表即可需维度标签需构建实体关系计算成本低中高误报控制阈值难调规则多易爆炸依赖构图质量统计离群先做初筛对金额列做 z-score 或 IQR 检测几行 pandas 就能跑完。它适合做初筛把偏离 3σ 的凭证捞出来人工看。代价是正态分布假设在财务数据上常不成立收入呈长尾且对刚好卡在阈值下的拆分舞弊无效。实务建议用分位数法如超过 99 分位而非均值法并对科目分层后再检测避免把正常大额资本支出误杀。关联规则抓不该一起出现的模式把每笔凭证的科目、对方、摘要关键词、时段当作一个事务用 Apriori 算频繁项集。正常模式下差旅费机票频繁共现若出现差旅费大额咨询费且置信度异常就值得看。它能发现科目窜用、费用挂错。代价是组合爆炸——维度一多规则数指数涨必须靠领域知识先剪枝限定关注的科目对。图异常看穿关联方闭环把公司-供应商-客户-自然人建图交易是边。资金在关联方间兜一圈回到起点闭环或某自然人同时是多家供应商实控人这类结构靠表透视很难看靠图算法如社区发现、环路检测能直接定位。代价是构图质量决定一切实体归一化深圳市XX和深圳XX是否同一家做不好图就是一锅粥。落地取舍数据刚接入、只想快速看一眼先统计离群。关注费用合规、科目窜用上关联规则配合人工剪枝。怀疑关联方舞弊、资金回流投入图异常但先把实体归一化做扎实。不少智能审计工具如审小匠把这三类做成可配置的检查项内置 30 项检查规则的组合审计师按需开关。但无论哪种方法输出都是疑点清单而非结论——最终是否错报仍要人工取证确认。小结全量异常检测不是替代抽样而是抽样之上的第二层网。统计离群快、关联规则准、图异常深三者互补。选型的依据是你想抓哪类风险以及手里的数据干净到什么程度。