分析程序中Excel的应用——以多地点审计中的风险点识别为例，本文主要内容关键词为：为例论文,地点论文,风险论文,程序论文,Excel论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
当前，许多企业实行跨地区甚至国际化经营，在各地设有若干分支机构，这就使得审计地点分散为多个经营场所，如子公司、分公司、工厂、连锁店等。在制定多地点单位的审计计划时，审计师需要首先识别出哪些地点的风险更高，以便进一步对这些地点实施审计程序。在现代风险导向审计中，分析程序是一种重要的风险识别技术，它通过研究不同财务数据之间以及财务数据与非财务数据之间的内在关系，对财务信息做出评价。分析程序通常有趋势分析、比率分析、合理性测试和回归分析等四种方法。本文以一家连锁企业为例，探讨在Excel中如何利用回归分析来识别多地点审计中的高风险地点。
A公司是一家拥有20个连锁便利店的企业。在多地点审计中，营业收入无疑是一个重要的考虑因素。可以通过找出收入高估的门店，从而选择这些门店进一步审计。审计师将A公司20个门店的营业收入作为因变量。初始的重要性水平评估为15万元。然后，审计师选择相关的自变量(预测变量)，也就是通过对客户和行业环境的了解，审计师认为有助于预测各店营业收入的因素。经过判断，假设审计师准备采用的自变量如下：
(1)各店存货水平。预计存货水平越高，销售额越高。
(2)各店的加权全职员工数。该数据按照员工在全年的工作天数加权获得。员工数越多，可合理预计销售额就越高。
(3)每个店的面积。假设本例中有四种规模的店，分别是2500、3000、4500和5000平方米。预计门店面积越大，销售额越高。
(4)门店是否当年开业或停业，或者因某些因素未能全年营业。A公司有2个店(1号和9号店)是今年新开的。本文将这个变量设为虚拟变量：0代表全年营业，1代表非全年营业。可以预计全年开业的销售额更高。
(5)各店的特色。如是否旁边有加油站，是否有快餐店等。行业资料显示，旁边有加油站或快餐店的门店的销售额更高。本例中只考虑加油站这一变量。它也是虚拟变量：如果有加油站则设置变量值为1，否则为0。
各个门店的上述回归变量如表1所示。事实上，依据审计师对客户和当地情况的了解，也可以适当增加其他变量，如店址是否处于有利地段，有多少停车位，以及各门店其他在环境上有竞争力的因素。
以Excel2003来说明回归过程。审计师首先将数据输入Excel工作簿，然后对数据进行回归运算。该运算包括五个步骤：第一步，点击“工具”菜单，选择“加载宏”；第二步，从“加载宏”的菜单中，选择“分析工具库”；第三步，再次点击“工具”菜单，此时下拉式菜单中会增加一项“数据分析”，点击该项；第四步，在弹出的界面中选择“回归”；第五步，在弹出的窗口中有“输入”、“输出选项”、“残差”和“正态分布”四个大项。“输入”项目中，在“Y值输入区域”输入对因变量营业收入数据区域的引用。该区域必须由单列数据组成。在“X值输入区域”输入对预测自变量数据区域的引用。自变量的个数最多为16。“输出区域”项中，输入对输出表左上角单元格的引用。
上述前两步的目的是安装回归分析的工具。汇总输出表包括：方差分析表、系数、Y估计值的标准误差、R平方值、观察值个数以及系数的标准误差。将回归结果简化为表2。
在表2中，97.4％水平的“调整后R平方”表明回归方程拟合效果很好，81057的标准误差也很好，它小于因变量平均值的5％。各个变量的t统计量都至少在5％的水平上显著。各个变量的系数符号方向也与预期相同。这说明，除了“新开门店”外，其他变量都与因变量正相关：当自变量增大时，自变量预期也应增大。相反，新开门店的负号系数则表明其营业收入将会更低。81057的标准误差小于计划的重要性水平150000元，为回归方程的使用提供了一定的可信度。相反，如果标准误差大于重要性水平，审计师应降低对回归方程的信赖。此外，如果某些预测变量t统计量不显著，审计师也可以剔除该变量。
综上所述，审计师可以认为表2所示的回归方程是有用的。因此，营业收入的期望值可以利用表2“系数”栏所示的自变量和相应系数得到。对A公司，各门店营业收入期望值的回归模型如下：营业收入=-1050544+104×存货+85380×员工数+258×规模-191820×新开门店+503574×加油站。
例如，2号门店营业收入的期望值就可以根据上述方式推导出来：营业收入=-1050544+104×44171+85380×11.31+258×3000-191820×0+503574×0=1136175。回归预测值与实际值1146438相比，差额为10263。该差异衡量了2号店与其他门店的偏离程度。对于各门店营业收入的回归预期值与实际值的差额，审计师可以直接通过在回归弹出窗口中选中“残差”选项后得出表3。
由于本例是要找出高估收入的地点，所以正的残差很重要。残差为正，表示账面未审计数比回归预测数高，存在高估收入的可能性。假设考虑风险和成本等因素后，审计师决定本年度审计中将选出六个门店进一步审计，则根据表3，显示正残差值较大的从高到低依次是16、20、7、5、10和9号店。进一步的调查应从这六个店开始，因为回归显示在考虑五个自变量数据关系的基础上，这些店与其他店相比最为异常。