特許 7649912 情報処理装置及び情報処理方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B1)

(11)【特許番号】

(24)【登録日】2025-03-12

(45)【発行日】2025-03-21

(54)【発明の名称】情報処理装置及び情報処理方法

(51)【国際特許分類】

   G06N 20/00 20190101AFI20250313BHJP

【ＦＩ】

G06N20/00

【請求項の数】 6

(21)【出願番号】P 2024147264

(22)【出願日】2024-08-29

【審査請求日】2024-08-30

【早期審査対象出願】

(73)【特許権者】

【識別番号】503093062

【氏名又は名称】有限責任あずさ監査法人

(74)【代理人】

【識別番号】240000327

【弁護士】

【氏名又は名称】弁護士法人クレオ国際法律特許事務所

(72)【発明者】

【氏名】白木 研吾

(72)【発明者】

【氏名】杉本 夏実

(72)【発明者】

【氏名】宇宿 哲平

【審査官】福西 章人

(56)【参考文献】

【文献】佐藤 夏輝 ほか，財務指標とローデータを利用した不正会計検知モデルの精度比較，日本経営システム学会誌，日本，日本経営システム学会，2023年03月15日，第３９巻 第３号 ，pp.115-121

【文献】LOU, Yin et al.，Accurate Intelligible Models with Pairwise Interactions，KDD '13: Proceedings of the 19th ACM SIGKDD international conference on Knowledge discovery and data mining，2013年08月11日，pp.623-631，[検索日 2024.10.31]、インターネット:<URL:https://dl.acm.org/doi/10.1145/2487575.2487579>、DOI:<https://doi.org/10.1145/2487575.2487579z>

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０６Ｎ ３／００－９９／００

Ｇ０６Ｆ １８／００－１８／４０

Ｇ０６Ｑ ４０／００－４０／１２

(57)【特許請求の範囲】

【請求項1】

会計関連データから検出可能なリスクを機械学習モデルを使用して検出する情報処理装置であって、
前記会計関連データの中から選択された複数の説明変数と目的変数とを組み合わせた複数の訓練レコードを使用して、それぞれの前記説明変数と前記目的変数との関係を示す形状関数を機械学習モデルとして生成する学習モデル生成部と、
前記学習モデル生成部によって生成された前記説明変数ごとの前記形状関数が記憶された学習モデル記憶部と、
リスク検出対象となる新規レコードに対して、前記学習モデル記憶部に記憶された前記形状関数によって前記説明変数ごとの解釈指標を算出するとともに、複数の前記解釈指標からリスクスコアを算出するリスク算出部とを備え、
前記形状関数の生成に使用される前記説明変数には、影響を受ける前記リスクの内容が共通する前記会計関連データの項目同士をグループ化した変数グループが含まれるものであって、
前記学習モデル生成部では、前記変数グループについては変数グループ単位で形状関数を生成し、
前記リスク算出部では、前記変数グループについては前記変数グループ単位で解釈指標を算出することを特徴とする情報処理装置。

【請求項2】

前記リスクスコアは、前記機械学習モデルの生成時に設定された切片の値と前記説明変数ごとの前記解釈指標の値とに基づいて求められることを特徴とする請求項１に記載の情報処理装置。

【請求項3】

前記変数グループ単位の解釈指標の値が最も大きくなった前記変数グループを構成する前記会計関連データの項目を説明変数として、さらに形状関数の生成、解釈指標の算出及びリスクスコアの算出を行うことを特徴とする請求項１又は２に記載の情報処理装置。

【請求項4】

前記会計関連データは財務データであって、検出するリスクは会計不正であることを特徴とする請求項１又は２に記載の情報処理装置。

【請求項5】

コンピュータ処理によって、会計関連データから検出可能なリスクを機械学習モデルを使用して検出する情報処理方法であって、
前記会計関連データの中から複数の説明変数を選択して目的変数と組み合わせた複数の訓練レコードを使用して、それぞれの前記説明変数と前記目的変数との関係を示す形状関数を機械学習させることで生成するステップと、
リスク検出対象となる新規レコードに対して、生成された前記形状関数によって前記説明変数ごとの解釈指標を算出するステップと、
算出された複数の前記解釈指標に基づいてリスクスコアを算出するステップとを備え、
前記形状関数の生成に使用される前記説明変数には、影響を受ける前記リスクの内容が共通する前記会計関連データの項目同士をグループ化した変数グループが含まれるものであって、
前記変数グループについては、変数グループ単位で形状関数を生成するとともに、前記変数グループ単位で解釈指標を算出することを特徴とする情報処理方法。

【請求項6】

前記変数グループ単位の解釈指標の値が最も大きくなった前記変数グループを構成する前記会計関連データの項目を説明変数として、さらに形状関数の生成、解釈指標の算出及びリスクスコアの算出を行うことを特徴とする請求項５に記載の情報処理方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、会計関連データから検出可能な会計不正などのリスクを機械学習モデルを使用して検出する情報処理装置及び情報処理方法に関するものである。

【背景技術】

【0002】

内部監査や外部監査などの会計監査業務においては、財務諸表などの会計書類に記載された内容に対して、架空取引など不正な取引が存在していないかなどの分析を行い、チェックをすることが行われる（特許文献１，２など参照）。

【0003】

また、特許文献３に開示されているように、機械学習による成果を利用して、コンピュータ処理によって会計不正のリスクを評価させようという試みもある。ここで、機械学習の学習過程で行われる計算は複雑化しており、高い精度での評価を実現できるメリットはあるが、その評価の判断根拠を人間が容易に理解することは困難であることが多い。

【0004】

そこで特許文献３の情報処理装置では、機械学習モデルによって出力された評価に対して、機械学習に利用した説明変数となる勘定科目のうち、どの勘定科目が異常となっているかを、ＳＨＡＰ値を算出することで特定できるようにしている。

【先行技術文献】

【特許文献】

【0005】

【文献】特許第７０５２１３５号公報

【文献】特開２０１９－１７９５３１号公報

【文献】特許第７２１６８５４号公報

【発明の概要】

【発明が解決しようとする課題】

【0006】

しかしながら、特許文献３に記載された情報処理装置では、複数の弱学習器からの出力をバギングして不適切性を示す指標（リスクスコア）を算出する処理とは別に、どの勘定科目が異常となっているかの解釈をするためのＳＨＡＰ値を算出する処理が必要になる。そして、このＳＨＡＰ値の理論値の計算量は、説明変数の数に応じて指数関数的に増加するため、実務上は近似計算をすることになる。

【0007】

そこで本発明は、リスクスコアを算出する過程において説明変数ごとの解釈指標を算出することができて演算負荷を抑えることが可能になる情報処理装置及び情報処理方法を提供することを目的としている。

【課題を解決するための手段】

【0008】

前記目的を達成するために、本発明の情報処理装置は、会計関連データから検出可能なリスクを機械学習モデルを使用して検出する情報処理装置であって、前記会計関連データの中から選択された複数の説明変数と目的変数とを組み合わせた複数の訓練レコードを使用して、それぞれの前記説明変数と前記目的変数との関係を示す形状関数を機械学習モデルとして生成する学習モデル生成部と、前記学習モデル生成部によって生成された前記説明変数ごとの前記形状関数が記憶された学習モデル記憶部と、リスク検出対象となる新規レコードに対して、前記学習モデル記憶部に記憶された前記形状関数によって前記説明変数ごとの解釈指標を算出するとともに、複数の前記解釈指標からリスクスコアを算出するリスク算出部とを備えたことを特徴とする。

【0009】

ここで、前記リスクスコアは、前記機械学習モデルの生成時に設定された切片の値と前記説明変数ごとの前記解釈指標の値とに基づいて求めることができる。また、前記形状関数の生成に使用される前記説明変数には、前記リスクの内容によって影響を受ける前記会計関連データの項目同士をグループ化したものが含まれていてもよい。そして、前記会計関連データは財務データであって、検出するリスクは会計不正とすることができる。

【0010】

また、情報処理方法の発明は、コンピュータ処理によって、会計関連データから検出可能なリスクを機械学習モデルを使用して検出する情報処理方法であって、前記会計関連データの中から複数の説明変数を選択して目的変数と組み合わせた複数の訓練レコードを使用して、それぞれの前記説明変数と前記目的変数との関係を示す形状関数を機械学習させることで生成するステップと、リスク検出対象となる新規レコードに対して、生成された前記形状関数によって前記説明変数ごとの解釈指標を算出するステップと、算出された複数の前記解釈指標に基づいてリスクスコアを算出するステップとを備えたことを特徴とする。

【発明の効果】

【0011】

このように構成された本発明の情報処理装置及び情報処理方法は、会計関連データの中から選択された複数の説明変数と目的変数とを組み合わせた複数の訓練レコードを使用して、説明変数ごとの形状関数で示される機械学習モデルを生成する。そして、リスク検出対象となる新規レコードに対しては、形状関数によって説明変数ごとの解釈指標を算出して、その複数の解釈指標の値からリスクスコアを算出する。

【0012】

このように、リスクスコアを算出する過程において説明変数ごとの解釈指標を算出するので、リスクスコア算出後に別途、演算を行う必要がなく、演算負荷を抑えることができる。

【図面の簡単な説明】

【0013】

【図1】本実施の形態の会計監査支援装置の構成を説明するブロック図である。

【図2】本実施の形態の会計監査支援方法の処理の流れを説明するフローチャートである。

【図3】ＥＢＭモデルの概要を説明する図であって、（ａ）はスコアの算出までの流れを模式的に示した説明図、（ｂ）は形状関数を例示した説明図である。

【図4】訓練レコードのデータセットを例示した説明図である。

【図5】機械学習に使用する訓練レコードの説明変数を例示した説明図である。

【図6】形状関数を説明する図であって、（ａ）は説明変数x₁の形状関数及び出力の説明図、（ｂ）は説明変数x₂の形状関数及び出力の説明図、（ｃ）は説明変数x₃の形状関数及び出力の説明図である。

【図7】新規レコードの解釈指標の算出結果を例示した説明図である。

【図8】解釈指標からリスクスコアを算出する処理を例示した説明図である。

【図9】実施例１のグループ化した訓練レコードのデータセットを例示した説明図である。

【図10】実施例１の新規レコードの解釈指標及びリスクスコアの算出結果を例示した説明図である。

【図11】着目する変数グループ内の解釈指標の確認処理を説明する図であって、（ａ）は変数グループに含まれる説明変数を例示した説明図、（ｂ）は各説明変数の解釈指標の算出結果を例示した説明図である。

【発明を実施するための形態】

【0014】

以下、本発明の実施の形態について図面を参照して説明する。
図１は、本実施の形態の情報処理装置となる会計監査支援装置１の構成を説明するブロック図である。また、図２は、本実施の形態の情報処理方法となる会計監査支援方法の処理の流れを説明するフローチャートである。

【0015】

本実施の形態の会計監査支援装置１は、内部監査や外部監査などの会計監査の監査対象となる会社の新規レコード（例えば決算年月単位）に対して、会計不正のリスクを機械学習モデルを使用して検出するための情報処理装置である。ここで、会計不正のリスクの検出には、現時点での不正検知と、将来の不正予測との両方の意味が含まれる。

【0016】

本実施の形態の会計監査支援装置１では、図１に示すように、入力装置２や記憶部４などから入力されたデータに基づいて演算処理部３でコンピュータによる処理を行い、表示装置５などに検出結果などを表示させる。

【0017】

会計監査支援装置１の演算処理部３は、機械学習に使用する訓練データを設定する訓練データ設定部３１と、訓練データに含まれる訓練レコードを用いて機械学習モデルを生成する学習モデル生成部３２と、新規レコードに対する解釈指標を算出する解釈指標算出部３３と、解釈指標からリスクスコアを算出するリスクスコア算出部３４と、表示装置５への表示内容などを制御する表示制御部３５とによって、主に構成される。ここで、解釈指標算出部３３とリスクスコア算出部３４とが、リスク算出部に該当する。

【0018】

各種データの入力を行うための入力装置２は、パーソナルコンピュータ（ＰＣ）、ノートパソコン、タブレット端末、ウェアラブル端末、スマートフォンなどに接続又は装備されたデータ入力手段である。入力装置２には、例えば、キーボード、マウス、タッチパネル、タッチパッド、スキャナ、音声入力用のマイク、カメラなどが該当する。

【0019】

一方、表示装置５には、液晶ディスプレイ、有機ＥＬ（Electro－ Luminescence）ディスプレイ、プリンタなどが使用できる。

【0020】

さらに、記憶部４は、演算処理部３における処理に使用する訓練データや、演算処理によって生成されたデータなどを記録させる記憶媒体で、ハードディスク、ソリッドステートドライブ（ＳＳＤ）、フラッシュメモリ（ＳＤメモリーカードなど）、磁気ディスク、光ディスクなどが該当する。また、ネットワークで接続されるサーバなどの外部のオンラインストレージ（クラウドストレージ）を、記憶部４として使用することもできる。以下では、学習モデル生成部３２によって生成された機械学習モデルを記憶させる記憶媒体の領域を、学習モデル記憶部４１という符号を付けて区別して説明する。

【0021】

演算処理部３は、コンピュータのハードウェアとしては、ＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro-processing unit）、ＧＰＵ（Graphics Processing Unit）などによって構成され、ＲＡＭ（Random Access Memory）やＲＯＭ（Read Only Memory）などのメモリを備えている。

【0022】

演算処理部３は、コンピュータにインストールされたアプリケーション（プログラム）によって各種機能を実行させることができる。また、インターネットなどのネットワークを介して接続されたサーバなどに、演算処理部３の一部又は全部を実行させることもできる。ネットワークは、インターネット、ＷＡＮ（Wide Area Network）、有線ＬＡＮ（Local Area Network）、無線ＬＡＮ（Ｗｉ－Ｆｉ）、プロバイダ装置、無線基地局、専用回線などの一部又は全部によって構成される。

【0023】

上述したように、機械学習の学習過程で行われる計算は複雑化しており、機械学習モデルを使用して検出されたリスクの評価値（スコア）などの結果について、その判断根拠を人間が容易に理解することが困難になることが多い。そこで本実施の形態の会計監査支援装置１及び会計監査支援方法では、説明変数ごとの解釈指標を算出することで、各説明変数がスコアに与える影響が分かるようにして、ビジネス上の意思決定にも利用できるようにする。

【0024】

具体的には、Explainable Boosting Machine（ＥＢＭ）と呼ばれる手法を適用する。この手法では、まずＥＢＭモデルと呼ばれる推定モデルを機械学習によって生成し、そのＥＢＭモデルを使用して、各説明変数の解釈指標及びスコア（リスクスコア）を算出する。図３は、ＥＢＭモデルの概要を説明する図である。

【0025】

ＥＢＭモデルを作成するには、図３（ａ）の左側に示したように、目的変数の予測に使用する複数の説明変数(x₁,x₂,x₃)を選択し、選択された説明変数と目的変数とを組み合わせた複数の訓練レコードを使用して、それぞれの説明変数と目的変数との関係を示す形状関数を機械学習モデルとして生成する。具体的には、後述する切片(β₀)になる値と、各説明変数の形状関数（shape関数）を推定する。図３（ｂ）は、説明変数x₁に対して推定された形状関数f₁(x₁)を例示した説明図である。

【0026】

形状関数は、非線形で説明変数ごとに生成され、該当する１つの説明変数のみを使用する浅い決定木を組み合わせたモデル（f₁(x₁)、f₂(x₂)、f₃(x₃)）になる。なお、形状関数は、説明変数同士の交互作用項を組み込んだモデルを作成することも可能である。例えば２つの説明変数による交互作用項を使用する場合は、該当する２つの説明変数のみを使用する浅い決定木を組み合わせたモデル（f_1,2(x₁,x₂)）になる。

【0027】

ＥＢＭモデルが作成できれば、それを使用してリスク検出対象となる新規レコードの解釈指標及びリスクスコアを算出することができるようになる。例えば、新規レコード(a)の各説明変数に該当するデータ（x₁ ^(a),x₂ ^(a),x₃ ^(a)）をＥＢＭモデルに入力することで、解釈指標（f₁(x₁ ^(a))、f₂(x₂ ^(a))、f₃(x₃ ^(a))）を算出することできる。リスクスコアは、切片(β₀)と、各説明変数の形状関数の出力（解釈指標（f₁(x₁ ^(a))、f₂(x₂ ^(a))、f₃(x₃ ^(a))））との和を、例えばロジスティック変換することで求めることができる。

【0028】

ＥＢＭモデルを使用して出力される結果の解釈方法としては、レコードごとに、各説明変数の形状関数の出力がされるので、その出力を、当該レコードの当該説明変数の解釈指標とみなす。解釈指標は、当該説明変数がスコア（不正確率）の対数オッズ（ロジット）をどの程度増減させるかの観点で与えられる。そして、上述したように、交差項を考慮した複数の説明変数による解釈指標（f_1,2(x₁,x₂)）も計算することができる。

【0029】

ＥＢＭ手法の特徴としては、スコア計算の過程で解釈指標を予め計算しているので、解釈指標の計算のための追加の開発コスト及び保守コストはかからない。また、解釈指標を計算するためだけの追加の計算時間も不要である。さらに、説明変数の値がスコアに与える影響は、非線形な形状関数で与えられるので、モデルの柔軟性が高い。そして、説明変数の値が0のときのスコアに与える影響は、形状関数に基づいた固有の影響（例えばf₁(x₁ ^(a)=0)）であり、影響が0になるわけではない。

【0030】

またＥＢＭ手法では、説明変数の中に外れ値が存在していても、モデルの作成時やスコア計算時に外れ値による悪影響を受けることがない。また、カテゴリ変数（経営者の住所、学歴等）の未知(Unknown)データ（モデル学習時に存在しない新しいカテゴリ値など）に対しては、当該説明変数の出力値を0（例えばf₁(x₁=U)=0）にすることで、当該説明変数がスコアに与える影響を排除することもできる。さらに、数値変数の欠損データに対しては、当該説明変数の出力値を0（例えばf₁(x₁=NA)=0）にすることで、当該説明変数がスコアに与える影響を排除することもできる。

【0031】

こうしたＥＢＭ手法を適用するために、演算処理部３の訓練データ設定部３１では、機械学習に使用可能な記憶部４に記憶された会計関連データ（レコード）の中から、複数の説明変数と目的変数とを組み合わせた複数の訓練レコードを抽出して使用する。例えば会計関連データが財務データである場合は、財務諸表に記載されている項目のいくつかを説明変数として選択する。そして、選択した説明変数と目的変数とが組み合わされたレコードを、機械学習モデルを生成するために使用する訓練レコードとして設定する。

【0032】

図４は、訓練レコードのデータセットを例示した説明図である。１つの会社のレコードであっても、決算年月が異なれば、別の訓練レコードとして利用することができる。訓練レコードは、財務諸表の項目の中から選ばれた説明変数（x1-x3）の値と、その訓練レコードに付与された不正ラベルyとの組み合わせになっている。要するに、説明変数（x1-x3）の値を入力した場合の解が不正ラベルyになるという教師データである。ここでは、会計不正があったレコードに付与する不正ラベルyを１とし、会計不正がなかったレコードには不正ラベルyとして０を付与している。

【0033】

図５には、会計不正リスクを検出する際に、機械学習に使用する訓練レコードの説明変数として有効と考えられる項目を例示している。図５では、財務諸表に記載されている説明変数となりうる項目に対して、以下の観点でグループ化をしている。

【0034】

まずグループ作成にあたっては、財務指標レベルの説明変数のうち、共通の不正内容によって影響を受ける説明変数同士をグループ化する観点でグループを選択することとした。

【0035】

具体的には、棚卸資産関連の不正が生じた場合、棚卸資産回転期間、棚卸資産純資産比率、棚卸資産総資産比率がともに影響を受けるため、これらの説明変数を１つのグループにまとめ、「棚卸資産評価」というグループにした。

【0036】

また、「売上過大計上評価」のグループには、売上債権増減率、売上高成長率、売上債権増減率を売上高成長率で除した比率などの項目を、まとめて入れた。さらに、「のれん評価」のグループには、のれん純資産割合、営業利益を超えるのれん残高などの項目を、まとめて入れた。

【0037】

これらの財務諸表に記載されている各項目は、それぞれが説明変数として利用できるうえに、後述するように上記グループ単位でも、説明変数として選択することができる。

【0038】

訓練データ設定部３１では、記憶部４に記憶された会計関連データであるレコードの中から、選択された説明変数と目的変数が含まれるレコードを、機械学習に使用する訓練レコードとして設定することができる。例えば、使用可能な全体のレコード（データセット）の中から、訓練に使用するデータセットをサンプリングによって設定する。サンプリング方法として、ブートストラップサンプリングなどが適用できる。

【0039】

学習モデル生成部３２では、サンプリングによって設定された訓練レコードを使用して、ＥＢＭモデルの作成を行う。以下の説明では、選択された３つの説明変数X(x₁,x₂,x₃)と目的変数(不正ラベルy)とを組み合わせデータセット（図４参照）を例に説明する。

【0040】

まず、サンプリングされた訓練レコードとなるデータセットを使用して、説明変数X(x₁,x₂,x₃)と目的変数(不正ラベルy)の関係をモデル化F(X)するために、ベースとなるモデルF(X)＝βを作成する。このβは、ＥＢＭモデルの切片になる。βの例としては、回帰モデルの場合は目的変数の平均値、分類モデルの場合は目的変数の対数オッズなどが挙げられる。

【0041】

そして、切片βをベースにしたモデルF(X)を、各説明変数の情報（訓練レコード）を基に更新していく。詳細には、説明変数ごとに、以下の（ａ）から（ｃ）の作業を順に実施する。

【0042】

（ａ）x₁の決定木の作成
説明変数と目的変数を以下のように設定して、x₁の決定木を作成する。
説明変数：x₁のみ
目的変数：実際の目的変数yとモデルの予測結果F(X)との残差y - F(X)
この決定木は、説明変数x₁と目的変数yとの関係性を表現するモデルである。作成した決定木に任意の学習率を乗じたものをh₁(x₁)とし、もとのモデルF(X)にh₁(x₁)を足してF(X)を更新する。
F(X) := F(X) + h₁(x₁)

【0043】

（ｂ）x₂の決定木の作成
説明変数をx₂、目的変数を残差y - F(X)に設定して作成した決定木に任意の学習率を乗じたものをh₂(x₂)とし、h₂(x₂)をもとのモデルF(X)に足してF(X)を更新する。
F(X) := F(X) + h₂(x₂)

【0044】

（ｃ）x₃の決定木の作成
説明変数をx₃、目的変数を残差y - F(X)に設定して作成した決定木に任意の学習率を乗じたものをh₃(x₃)とし、h₃(x₃)をもとのモデルF(X)に足してF(X)を更新する。
F(X) := F(X) + h₃(x₃)

【0045】

モデルの予測結果F(X)と目的変数yとの間の損失関数の値が収束するまで、上記した（ａ）から（ｃ）の作業を繰り返す。ここで、損失関数の例として、回帰モデルの場合は平均二乗誤差、分類モデルの場合は交差エントロピーなどが挙げられる。こうして、繰り返しの回数分だけ、各説明変数の決定木モデルh_n(x_n)が作成される。ここでは、n=1,2,3である。

【0046】

そこで、説明変数ごとに、決定木モデルh_n(x_n)を統合する。統合方法としては、作成した全決定木を平均するなどの方法がある。そして、統合したものが、複数の訓練レコードを使用して生成された各説明変数の形状関数（shape関数）となる。

【0047】

上述したサンプリングによる訓練レコードの設定と、その訓練レコードから形状関数を生成する作業は、M回繰り返す。その結果、各説明変数ごとに、M個のshape関数h_n(x_n)が作成されることになる。

【0048】

そこで、説明変数ごとに作成されたM個のshape関数h_n(x_n)を統合して、統合shape関数f_n(x_n)とする。ここの統合方法にも、作成した全決定木を平均する方法が利用できる。統合された形状関数（統合shape関数f_n(x_n)）は、説明変数ごとに目的変数との関係を表現したものと言える（図６参照）。

【0049】

以上のようにして学習モデル生成部３２によって生成された学習済みの機械学習モデルとなる形状関数（統合shape関数f_n(x_n)）は、学習モデル記憶部４１に記憶される。そして、後述する解釈指標算出部３３などの演算時に読み込まれて利用される。

【0050】

解釈指標算出部３３では、監査対象となる新規レコードに対して、学習モデル記憶部４１に記憶された形状関数（統合shape関数f_n(x_n)）を用いて、説明変数ごとの解釈指標を算出する。図６は、説明変数X(x₁,x₂,x₃)の統合shape関数f_n(x_n)を例示して説明する図である。

【0051】

図６（ａ）は、説明変数x₁の形状関数f₁(x₁)と、新規レコードに対して出力された値0.3を例示した説明図である。また、図６（ｂ）は、説明変数x₂の形状関数f₂(x₂)と、新規レコードに対して出力された値-0.2を例示した説明図である。そして、図６（ｃ）は、説明変数x₃の形状関数f₃(x₃)と、新規レコードに対して出力された値0.1を例示した説明図である。

【0052】

これらの説明変数ごとの形状関数によって出力される値が、各説明変数の解釈指標の値となる。図７は、新規レコードの解釈指標の算出結果を例示した説明図である。このようにして説明変数ごとに解釈指標が算出されると、それぞれの説明変数の影響の度合いを把握することができるようになる。

【0053】

リスクスコア算出部３４では、解釈指標算出部３３によって算出された各説明変数の解釈指標と切片（β₀：図７参照）の値とに基づいて、リスクスコアを算出する。図８は、解釈指標からリスクスコアを算出する処理を例示した説明図である。リスクスコアとなる不正スコアは、例えばロジスティック関数を使用したロジスティック変換によって求めることができる。

【0054】

例えば、次のロジスティック関数σ(z)を利用して変換を行うことができる。
σ(z) = 1 / (1+exp(-z))
不正スコアのリスク= 1 / (1+exp(-(-0.5+0.3-0.2+0.1)) = 0.426

【0055】

表示制御部３５では、解釈指標算出部３３によって算出された解釈指標及びリスクスコア算出部３４によって算出された不正スコア（リスクスコア）などについて、表示装置５への出力形式（図８参照）などの制御を行う。

【0056】

以下、本実施の形態の会計監査支援方法の処理の流れについて、図２に示したフローチャートを参照しながら説明する。

【0057】

まずステップＳ１では、財務データである財務諸表に記載されている項目の中から、いくつかの項目を説明変数として選択する。そして、選択した説明変数と目的変数とが組み合わされたレコードを、機械学習モデルを生成するために使用する訓練レコードとして設定する（ステップＳ２）。

【0058】

訓練レコードの設定は、具体的には、記憶部４に記憶されたデータの中から機械学習に使用可能なすべてのデータセットを読み込み、サンプリングによって訓練レコードの設定を行う。

【0059】

続くステップＳ３では、サンプリングによって設定された訓練レコードを使用して、ＥＢＭモデルの作成を行う。上述したように、ステップＳ２のサンプリングによる訓練レコードの設定と、ステップＳ３のＥＢＭモデルの生成は、予め設定された回数（上記ではM回）だけ繰り返される。

【0060】

そしてステップＳ４では、監査対象となる新規レコードの説明変数ごとの各解釈指標を算出する。図７の例では、監査対象となる新規レコードが、ｚ社の決算年月2023年3月の財務諸表から抜き出された財務データであること示している。

【0061】

そして、新規レコードに対しては、説明変数x₁の形状関数f₁(x₁)から出力される解釈指標の値が0.3、説明変数x₂の形状関数f₂(x₂)から出力される解釈指標の値が-0.2、説明変数x₃の形状関数f₃(x₃)から出力される解釈指標の値が0.1と算出された。また、切片β₀の値は、-0.5になった。

【0062】

そこで、ステップＳ５では、こうして算出された各説明変数の解釈指標の値と切片の値とに基づいて、リスクスコアを算出する。図８に例示したように、不正スコア（リスクスコア）は、ロジスティック変換によって、0.426と算出された。図８に例示したようなコンピュータ処理によって得られた分析結果は、表示装置５に表示される。

【0063】

この不正スコアは、会計不正がある場合を１としたときの会計不正のリスクの評価結果と言えるが、この数値だけでは、どのよう不正手口による会計不正が行われている可能性があるかといった、具体的な検討を行うことは難しい。

【0064】

そこで、会計監査業務を行う者は、不正スコアを算出する過程において算出された各説明変数の解釈指標を参照しながら、財務データのどの項目に着目すべきかを把握することで、新規レコードに対する具体的な監査のアクションにつなげることができるようになる。

【0065】

次に、本実施の形態の会計監査支援装置１及び会計監査支援方法の作用について説明する。
このように構成された本実施の形態の会計監査支援装置１及び会計監査支援方法は、会計関連データの中から選択された複数の説明変数と目的変数とを組み合わせた複数の訓練レコードを使用して、説明変数ごとの形状関数で示される機械学習モデルを、学習モデル生成部３２で生成する。

【0066】

そして、リスク検出対象となる新規レコードに対しては、形状関数によって説明変数ごとの解釈指標を解釈指標算出部３３で算出して、その複数の解釈指標の値と切片の値からリスクスコア算出部３４でリスクスコアを算出する。

【0067】

このように、リスクスコアを算出する過程において説明変数ごとの解釈指標を算出するので、リスクスコア算出後に別途、演算を行う必要がなく、演算負荷を抑えることができる。

【0068】

そして、不正スコア（リスクスコアの値）だけでは、予測の判断根拠を会計監査業務を行う者が容易に理解することができない場合でも、解釈指標の値から説明変数となった財務データの項目の影響度が把握できるので、ビジネス上の意思決定にも利用することができるようになる。

【0069】

また、本実施の形態の会計監査支援装置１及び会計監査支援方法であれば、演算負荷が抑えられるので、多くの変数を利用した機械学習モデルを作成してモデルの精度を高めたうえで、不正スコアに大きく効いた変数を即座に特定し、監査手続きの効率化を図ることができるようになる。

【0070】

さらに、ＥＢＭ手法を適用することで、訓練レコードに外れ値があっても悪影響を抑えられるので、ごく一部の超大企業の財務数値に影響を受けることなく、モデルの作成及び不正スコアの計算を行うことができる。また、除算指標（回転期間など）の極端な外れ値の影響も受けることがない。

【実施例1】

【0071】

以下、前記した実施の形態の会計監査支援装置１による別の実施形態について、図９－図１１を参照しながら説明する。なお、前記実施の形態で説明した内容と同一乃至均等な部分の説明については、同一用語又は同一符号を付して説明する。

【0072】

前記実施の形態では、１つの説明変数を財務データの１つの項目に対応させて説明を行った。これに対して、前記実施の形態でも述べたように、財務データの複数の項目をグループ化して、１つの変数グループを１つの説明変数として取り扱うこともできる。

【0073】

前記実施の形態で図５を参照しながら行った説明では、財務指標レベルの説明変数のうち、共通の不正内容によって影響を受ける説明変数同士をグループ化する観点で作成した変数グループを例示した。

【0074】

図９は、実施例１のグループ化した訓練レコードのデータセットを例示した説明図である。この図９のグループ（a,b,c）には、図５に例示したような「棚卸資産評価」、「売上過大計上評価」、「のれん評価」などのグループが該当し、説明変数（x1-x6）には、それぞれのグループに属する財務データの項目が該当することになる。

【0075】

こうした変数グループ単位でＥＢＭモデルを作成して、解釈指標などを計算する場合の処理については、基本的には上述した項目単位での処理と同じになる。すなわち、複数の財務データの項目をまとめて変数グループにグループ化し、変数グループ単位でＥＢＭモデルを作成する。そして、変数グループごとに形状関数による解釈指標の算出を行う。

【0076】

こうしたグループ化をすることで、ある不正が起きた際に、不正に関連する説明変数同士で重要性が分散して、本来着目すべきグループの重要性が低下することを回避できるようになる。すなわち、類似する特徴量（財務指標）同士を、一方を除外することなく、多重共線性を排除して、変数グループ間で説明変数の情報が重複することなく、ＥＢＭモデルを作成して解釈することが可能になる。

【0077】

図１０は、実施例１の新規レコードの解釈指標及びリスクスコアの算出結果を例示した説明図である。すなわち、監査対象となるｚ社の決算年月2023年3月の新規レコードに対して、各変数グループの形状関数の出力となる解釈指標及び不正スコアを示している。この結果から分かるように、解釈指標は変数グループ単位で出力されており、不正スコアに与える影響を変数グループ単位で把握することができる。

【0078】

こうして変数グループ単位で解釈指標を求めた場合、さらに着目する変数グループを指定して、グループ内の個々の変数単位でＥＢＭモデルの作成及び計算を行うこともできる。図１１は、着目する変数グループ内の解釈指標の確認処理を説明する図である。図１１（ａ）は、着目したグループbに含まれる説明変数（x3,x4,x5）の訓練レコードのデータセットを例示した説明図である。また、図１１（ｂ）は、グループbに含まれる各説明変数の形状関数によって出力された解釈指標の算出結果を例示した説明図である。

【0079】

このようにグループ化を行った場合は、変数グループの形状関数による出力に基づいて着目すべき変数グループを特定することができるようになり、さらに着目した変数グループを構成する項目のみを使用したＥＢＭモデルの作成及び解釈指標等の算出を行うこともできるようになる。

【0080】

具体的には、棚卸資産関連の不正が生じた場合、棚卸資産回転期間、棚卸資産純資産比率及び棚卸資産総資産比率をまとめた棚卸資産評価のグループの重要性を評価することができるうえに、さらに棚卸資産回転期間、棚卸資産純資産比率及び棚卸資産総資産比率の解釈指標もそれぞれ算出することができる。

【0081】

なお、他の構成及び作用効果については、前記実施の形態と略同様であるので説明を省略する。

【0082】

以上、図面を参照して、本発明の実施の形態を詳述してきたが、具体的な構成は、この実施の形態及び実施例に限らず、本発明の要旨を逸脱しない程度の設計的変更は、本発明に含まれる。

【0083】

例えば、前記実施の形態では、会計関連データとして財務データを利用して会計不正のリスクを検出させる場合について説明したが、これに限定されるものではない。会計関連データには、財務データの他に企業ガバナンスデータ、銀行口座取引履歴、クレジットカード取引履歴などが該当し、これらのデータから検出可能なリスクとしては、マネーロンダリング、カード不正利用、業績悪化（倒産、デフォルト等）などが挙げられる。

【0084】

また、前記実施の形態では、説明変数として財務諸表に記載されている項目を例に説明したが、これに限定されるものではなく、各種の会計書類に記載されるような様々なデータの項目やグループを説明変数にすることができる。

【0085】

さらに、前記実施の形態では、切片と各説明変数の解釈指標との和を一般的なロジスティック変換をすることでリスクスコアを求める手法について説明したが、これに限定されるものではなく、ロジスティック変換をさらに調整する手法など、任意の手法を適用して複数の解釈指標からリスクスコアを算出することができる。

【符号の説明】

【0086】

１ ：会計監査支援装置（情報処理装置）
３２ ：学習モデル生成部
３３ ：解釈指標算出部
３４ ：リスクスコア算出部
４１ ：学習モデル記憶部

【要約】

【課題】リスクスコアを算出する過程において説明変数ごとの解釈指標を算出することができて演算負荷を抑えることが可能になる情報処理装置を提供する。
【解決手段】会計関連データから検出可能なリスクを機械学習モデルを使用して検出する会計監査支援装置１である。
そして、財務データの中から選択された複数の説明変数と目的変数とを組み合わせた複数の訓練レコードを使用して、それぞれの説明変数と目的変数との関係を示す形状関数を機械学習モデルとして生成する学習モデル生成部３２と、学習モデル生成部によって生成された説明変数ごとの形状関数が記憶された学習モデル記憶部４１と、リスク検出対象となる新規レコードに対して、形状関数によって説明変数ごとの解釈指標を算出するとともに、複数の解釈指標からリスクスコアを算出するリスク算出部３４とを備えている。
【選択図】図１

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】