close
Share with your friends

AI監査で実現する会計監査の未来

AI監査で実現する会計監査の未来

【対談】あずさ監査法人は、一橋大学と共同で、AIを活用した不正リスク検知モデルの共同研究を進めています。今回は、その研究をリードする一橋大学の宮川大介准教授にお話をお伺いします。

丸田 健太郎

Digital Innovation 部長

あずさ監査法人

お問合せフォーム

関連するコンテンツ

宮川 大介 氏

宮川 大介 氏
一橋大学大学院
経営管理研究科 准教授

従来、会計監査は主にサンプリングを用いた試査というアプローチによって行われてきた。しかし、当アプローチでは膨大な財務データの全体を網羅的かつ正確に把握することは難しい。また、不適切会計問題が後を絶たない現状から、不正を見逃さないという社会からの期待を背景に、会計監査へのAI活用にも注目が高まってきている。そこであずさ監査法人では、一橋大学と共同で、AIを活用した不正リスク検知モデルの共同研究を進めている。今回は、その共同研究をリードする一橋大学大学院経営管理研究科の宮川大介准教授にお話をお伺いする。

経営に求められる「AI監査」の現状

丸田:近年、企業を取り巻く状況が大きく変動する中で、社会や企業が監査に求める期待も大きく変りつつあります。M&Aなどで急速にグローバル化が進んだ結果、本社から遠く離れた海外子会社やノンコア事業などで、大小さまざまな不正が発覚していることにより、社会に大きな影響を与える不正の発見が監査法人の重要な責務の1つとなっていると考えています。また、すべての会計データを同じ視点で効率的に見たり、監査プロセスを分かりやすく可視化するなど、監査への期待が広がりつつあります。こうしたニーズに対応した監査を実現しつつ、監査の品質を維持・向上するために、我々はデジタルへの対応力を強化しながらAIを活用した監査の導入を進めています。データ収集やデジタル人材の確保・育成などの課題はありますが、AI監査により、今まで気付かなかった不正の芽を発見することができ、リアルタイムで子会社のリスク管理が行えるようになってきています。中でも、不正を見逃さないという社会の高い期待に対応すべく、我々は新しい試みとして一橋大学と産学共同研究を始めました。

蓄積したデータとAIを用いてイベントの発生を「予測する」

丸田:まずは、宮川先生の研究内容を簡単にご紹介いただけますでしょうか。

宮川:大きく2つに分かれます。1つは、何らかのイベントの発生を検知・予測するというものです。イベントとは、たとえば企業の倒産や、今回の共同研究の対象である不正会計などです。最近では、政策的に注目を浴びている労働生産性などの企業パフォーマンスの予測も研究対象となっています。
もう1つは、いわゆる因果推論です。よくホテルの価格と稼働率の関係を例に取り上げているのですが、一般的にホテルはお盆の観光シーズンに稼働率が高くなり、宿泊料も高くなります。それだけを見ていると、稼働率と宿泊料は連動しているように見えますが、お盆明けの9月に宿泊料を上げれば宿泊客が増えると考える経営者はいません。通常の時期は価格の上昇が需要の減少を生み出すという因果関係が存在していると考えられるからです。この例が示すとおり、検知・予測というタスクと、その背後にある因果のメカニズムを考えるタスクを区別しながら分析に取り組む必要があります。
因果推論を行うことで、経済現象の背後にあるメカニズムを正確に理解することができる訳ですが、一般的に、因果推論は検知・予測よりも手間がかかります。これまで機械学習の応用例としてメジャーな存在だった予測に加えて、近年では、因果推論の分野でも機械学習手法の応用が進んでいます(図表1参照)。

図表1 検知・予測と因果推論

図表1 検知・予測と因果推論
  • 検知・予測においては、主として相関関係に着目しており、稼働率が高いほど宿泊料が高いと予測することや、宿泊料が高いほど稼働率が高いと予測することができる。
  • 因果推論においては、因果関係に着目しており、同条件下で宿泊料を高くすると稼働率(客室に対する需要)が低くなるというメカニズムの解明が目的となる。

丸田:従来の不正研究は、足元の検知が主でしたが、共同研究では、予測にも取り組んでいます(図表2参照)。

図表2 不正検知と不正予測

図表2 不正検知と不正予測

因果推論では、そこからさらに一歩進んで、原因・メカニズムを考えるということですね。
あずさ監査法人との共同研究以外には、どのような産学連携を行われているのでしょうか。

宮川:たとえば、企業のクレジットスコアリングに関する研究を行っています。株式会社東京商工リサーチとは、同社が保有するビッグデータに機械学習手法を用いることで、精度の高いスコアを構築し、倒産や廃業といった企業の将来予測を行っています。こうした研究では、構築したスコアをさまざまな与信業務で利用することが比較的容易であり、実務との距離が近い研究であると言えます。
私は大学に移る前に金融機関に勤めていましたが、銀行での与信業務では、信用評点を参照することがよくあります。金融機関以外の実務においても、取引先に対する与信の意思決定を行う場合や、販売・仕入取引を始める際の事前情報としてこうした信用評点が頻繁に使われています。こうした領域では、機械学習手法を活用した成果であるスコアを意思決定にダイレクトに反映させやすいと思います。同様に、リース会社とは、AIを活用したデフォルト予想に加えて、リースに関する詐欺の予測の研究も行っています。これも、予測結果が意思決定の高度化へダイレクトに活用される事例と言えるでしょう。
一方で、会計監査に関しては少し事情が異なると感じています。予測の結果として特定の企業において不正の蓋然性が高いという示唆が得られたとしても、少なくとも現段階では、その結果が意思決定へダイレクトに繋がるという事は無いでしょう。分野によって、予測結果と意思決定との間の距離はさまざまだと思います。

不正検知は「健康診断」。健康な人の平常時と比較して異常の兆候を探す

丸田:宮川先生が取り組んでいらっしゃる分野には大きな可能性がありますが、その中でも会計監査の領域でニーズが最も高いのは不正リスク検知です。我々は、不正検知モデルは企業の健康診断に近いものと捉えています。毎年の監査の中で、企業の財務状態をさまざまな切り口からチェックする、そして大きな病気になる前に、その兆候を見つけて改善を促します。共同研究しているモデルでは、不正発生リスクが高いと評価された財務諸表の上位10%に、実際に訂正報告等を伴う重大な不正があった財務諸表の約7割が含まれていました。機械学習ですから、今後事例が蓄積されるにつれて精度もより上がっていくことが期待されます。

宮川:今話された企業単位の分析と並行して、勘定科目レベルでの異常を検知するための共同研究も進めています。先に触れた企業レベルの検知・予測に、こうしたより細かいレベルの分析を組み合わせるというのが、今後非常に有効になると思っています。

丸田:技術が進化する一方、それに伴って課題も出てきていますね。よく聞くのは、買収した会社の会計システムが異なっているため、効果的にチェックが進まないという話です。データ移行には労力とコストがかかるのでシステム統合がなかなか図られません。AIでもこのようなデータの問題はつきまとうと思いますが、先生から見て、今の機械学習の課題にはどのようなものがありますか。

宮川:実際の分析では、研究対象ごとに多種多様な課題に直面しています。今挙げられたようなデータの制約が一例だと思います。こうした論点は、データがきれいに揃っていない、より極端な例ではデータに欠損がある状況でも当てはまります。この点に関して機械学習手法がパワフルなのは、膨大な種類の変数を取り扱えるという点です。会社によってデータの形式や変数の定義がまちまちであったとしても、変数の種類を拡充することで全社に共通するフォーマットを構築することができるなど、機械学習手法は非常に有効な手法となり得ます。
別の問題としては、特に、上場企業を対象にして分析すると、不正の実数が極めて限られているという点も意識する必要があります。表面に出てこない多くの不正もあり、非上場企業を含めたとしても、全体の社数から見ると不正のイベント数はごくわずかです。こうしたデータの特徴を踏まえて、どのような手法を使って分析に取り組むかを考える必要があります。
先ほどおっしゃられたように、不正検知は健康診断に似ているところがあります。さまざまな検査をして、予兆として何か異常が見つかれば、将来的に調子が悪くなる可能性を指摘することができる訳です。問題は、不正会計では、調子が悪くなった患者さんの例が限られているという点です。こうした問題に対して、間違いなく健康であるという人を可能な限り多く集めて、健康な人に比べ状態が異なる人を見つけ出すアプローチも考えられます。

対談写真

左:丸田 健太郎
有限責任 あずさ監査法人
Digital Innovation部 部長/パートナー

デジタルと人の相互作用を考えることは、経営上の問題を紐解くことに繋がる

宮川:もう1つ、実はAIだけですべてを処理する必要はないという発想も重要です。人が観察するさまざまな事象には、財務データのようには構造化できないが重要な情報も含まれていますので、第一に、予測精度を高めるためにどのような情報を収集すべきかという判断、第二に、AIが使いにくいようないわゆる「ソフト情報」の利用においては人の果たす役割は大きいと考えられます。AIは、平均すると人よりも高い精度で予測しますが、間違った予測をするというケースも当然あります。どういう状況下でAIが優れた予測を行うことができ、どういう時に人が優れた予測を行えるのか。私が取り組んでいる研究の中には、人の判断に基づく裁量的な修正を加えることでAIの予測精度を改善できる余地を検討しているものもあります。AIを用いて単純に予測を行うだけではなく、AIの予測を人が補完することはできないかという視点で議論する余地が大いにあると思っています。

丸田:そうですね。共同研究では、不正の検知が主目的となっていますが、不正が起きる拠点の多くは、そもそも不正が発覚する以前に業務の不効率性や不採算事業などもっと根本的な別の経営問題が存在していたりします。
我々は不正の兆候があれば、その拠点を往査し、何が起こっているのかを実際に確認する必要があります。つまり、監査の中ではデジタルではない手続きも組み合わせて総合的に判断しなければいけません。そうすることで、実際に不正がなくとも、そこに潜む経営上の課題が見えてきます。我々は、こういった課題をより早く経営者に提供し、タイムリーな経営判断や対処を可能にすることが重要だと思っています。
今後、先生の研究で伸ばそうとお考えの分野としてはどのようなものがあるのでしょうか。

宮川:研究の方向性としては大きく分けて2つあります。1つは、AIの予測結果を実務に実装すると、実際に何が起きるのかという問いです。現段階では、高精度の予測スコアが手に入ったとしても、多くの実務においてそれをどう使うかは人の判断に委ねられています。さらに企業活動や経済全体に何が起きるのかは、実は誰もわかっていないと考えています。
もう1つは因果推論です。「どういうときに不正が起きて、どういうときに不正が起きないのか」という予測と、「どのような取組みを進めると不正が減るか」という因果推論は別次元の問題です。予測においてある程度の精度が確保できつつある現状を踏まえると、次に取り組むべきは因果推論という気がします。

多様な人材が交じり合うことで、不正や異常の見落としを防ぐ

丸田:実際に会計不正が起きているということは、データに不正の兆候が表れていても、思い込みや判断ミス、正当化により不正を見落としていることがあるのだと思います。プロフェッショナルの経験や勘に加え、客観的にデータを見て、違和感のあるデータを深堀りしながら、エビデンスベースで判断をしていく、ここが非常に重要だと思います。データを客観的に分析する専門家が明らかに求められています。そのため、あずさ監査法人ではデータサイエンティストやデータ処理の専門家などを採用するとともに、データを客観的に分析できる現場の監査人の育成にも注力しています。
データの専門家と会計の専門家が密にコミュニケーションを取り、「この異常値はこういうリスクがあるのではないか」「こういう不正の可能性がある」といった経営上の問題を見つけ、いち早く伝えることが、企業にとっても有用だと思います。

宮川:コミュニケーションの重要性は、企業との共同研究でひしひしと感じています。これまでの経験からすると、共同研究がうまくいくのは、データ分析をしたときの結果を適時に現業部門にフィードバックして、速やかに意見がもらえる場合だと思います。
たとえばあずさ監査法人との不正リスク検知モデルの共同研究においては、チームの中にコンピュータサイエンスの知識をお持ちの公認会計士の方がいます。定例ミーティングにおいて、「得られた分析結果の背景としてどういったことが考えられるかを実務担当者の方に聞いてもらえませんか」とか、「こういう分析にはこうしたデータがあると大変役立つのですが入手可能かどうか聞いてもらえませんか」といったリクエストを頻繁に出すのですが、分析的な知識と会計監査ドメインの知識を持ったアナリストが、実務に携わっている現場と私のような研究者とを仲介してくれるので、非常に効果的なやり取りができています。
こうした分析者と現場担当者との距離の近さは、意味のあるリサーチを行ううえで絶対的に重要だと思うのです。さまざまな企業とこれまで共同研究していますが、こうした点を含めて分析能力をどんどん蓄積している企業とそうでない企業との差が大きく広がっているような気がします。

丸田:その差はどこからくると思われますか。また、何がボトルネックになっているのでしょうか。

宮川:すぐに思い付くのは3点です。第一に、新しいものを取り入れる姿勢です。AIを業務に活用する取組みを進めていても、“リスク管理における十ヵ条”のような昔ながらの虎の巻が出てきて、新しい分析手法や実務での結果の利用に向けた取組みが止まってしまうということがよくあります。同様に、導入後にうまく運用できなかったら誰が責任を取るのかという話もよく出てきます。ですから、そこを突破できるかどうかというのは、割と大きいポイントとなります。古いやり方に固執せず、データ分析を業務に取り込んでいく企業は、分析能力をさらに高めていくことができるように思います。
第二に、人材育成です。データアナリティクスは一種属人的なところがありますので、長期にわたって分析に従事する必要があります。このため、人事異動が多すぎるとボトルネックになりかねません。人事異動の必要性はわかりますが、データアナリストとしてのキャリアが2年程度というのは、データ分析という仕事を深めるにはやはり難しいものがあります。
第三に、分析に取り組む職場環境です。データアナリティクスという仕事は、込み入った作業に集中して長い時間取り組める環境が必要なのですが、そうした仕事をする環境が整備されていない場合が多いように思います。

プロフェッショナルの知見に基づく想像力がAI監査の未来を拓く

丸田:今までの監査は、不正で言えば、大きくなってから見つかるというケースが多かったように思います。それがAI監査ならば、早めに兆候を検知できるだけでなく、予測できるようになるわけです。さらに因果推論が確立されれば、不正予防にまで発展させることができそうですね。

宮川:実は、予測モデルの構築そのものについては、確立した多様なやり方があるのでそれほど悩むところはありません。データがきっちりときめ細かく整っていさえすれば、さまざまなアルゴリズムが準備されていますから、実務的な観点から満足いくパフォーマンスを達成することが十分可能であると思います。しかし、AIにデータを投入する前、たとえば、「どのようなところに着目したらいいのか」とか、「どういう変数が絶対に欠けてはいけない」といった点は、少なくとも現段階においては、やはりプロフェッショナルの知見が必要になってきます。ですので、AI監査と言っても、現段階ですぐに全部を自動化することはできないと思うのです。
そして、予防、因果推論は、経済事象の背後で動いているメカニズムに関する想像力が無いとまったく歯が立ちません。それも、実績に基づいた意味のある想像力でなければ、まったく役に立ちません。ですから、経験のある人でないとできないのです。
このことは、AI時代に人が果たすべき役割は何かという極めて興味深いトピックとも関連しています。こうした論点のシフトは、AIをめぐる環境の変化を端的に示しているような気がします。我々もそういう取組みを一部始めていますが、これも形になると面白いのではないかと思っています。

丸田:企業が監査法人に期待しているのは、重大な不正を見逃さないということです。であるならば、ビッグデータやAIといった武器を与えられた我々が本当にやらなければいけないのは、不正の兆候を見つけたときに「こういう問題があるのではないか」という推論を持つことです。
先ほどの健康診断の例で言うと、医師が患者に対して病気になりかけているとか、リスクを抱えているといったことを伝えるように、何らかの兆候が表れていることを企業に伝えることが必要です。ビジネスを理解し、結果として不正が起こるかもしれないというストーリーを可視化して企業に伝えることで、健全な企業運営に資することができると考えています。
ただし、「AI監査」や「不正発見」そのものが監査の目的ではありません。会計監査の意義は、財務諸表の適正性を保証すると同時に、「経営に役立つインサイトを企業に提供する」ということにあると思います。それは企業にとって、投資家の信頼を確保するだけでなく、会社全体を把握し組織をより強くすることにも資するものと考えます。

対談者

宮川 大介 氏

一橋大学大学院
経営管理研究科 准教授

早稲田大学政治経済学部卒業。米カリフォルニア大学ロサンゼルス校(UCLA)にて経済学博士号を取得。株式会社日本政策投資銀行、ハーバード大学ウェザーヘッド国際問題研究所、日本大学経済学部准教授を経て現職。研究分野は、AIを活用した企業のダイナミクス(退出、成長など)予測、企業の行動解析、金融市場のミクロ実証分析など多岐にわたる。2019年には、株式会社東京商工リサーチとの共同研究で「機械学習手法・AIを用いた企業の将来予測」に関する特許を取得している。


丸田 健太郎

有限責任 あずさ監査法人
Digital Innovation部 部長/パートナー

幅広い業種のグローバル企業の監査およびアドバイザリー業務に従事。2019年より現職に就任し、テクノロジーを用いた監査のデジタル化に取り組んでいる。