3. 风险导向审计概述

风险导向审计的核心思想是：审计资源不是平均分配的，而是被“风险”牵引着走。审计师必须先识别哪里最可能出错、错得最严重，再决定查多少、查哪里、怎么查。这一逻辑最终落到一个可计算的框架——审计风险模型上，而样本选择正是该模型在“量”的层面的直接输出。

一、核心原理：三个风险概念与一个模型

审计风险（AR）是指财务报表存在重大错报时，审计师发表不恰当审计意见的可能性。它被分解为两个来源不同的部分：

• 重大错报风险（RMM）：报表在审计前就已存在重大错报的可能性，由被审计单位自身决定，审计师只能评估、不能改变。它又分为固有风险和控制风险。
• 检查风险（DR）：某一认定存在错报，但审计程序未能发现的可能性。这是审计师唯一能通过程序设计主动控制的变量。

三者构成乘法关系：

审计风险 AR = 重大错报风险 RMM × 检查风险 DR

可接受检查风险 DR = AR / RMM

这个公式的实践含义非常直接：当 RMM 被评估为高水平时，为了把 AR 压到可接受的低水平，DR 必须被压得更低；而 DR 越低，意味着需要越充分的证据——更多样本、更大覆盖、更严格的程序。反之，RMM 低时，可以适度放宽样本量。这就是“风险导向”对样本选择的第一层影响。

二、方法流程：从风险评估到样本决策

把模型转化为可执行的抽样动作，通常遵循以下链路：

1. 识别与评估 RMM：按认定层次（存在、完整性、准确性、截止、分类等）逐项评估，区分高、中、低。
2. 设定可接受审计风险 AR：通常取低水平（如 5%），并考虑报表使用者的期望。
3. 计算可接受检查风险 DR：DR = AR / RMM，得到每个认定对应的“容错空间”。
4. 确定样本规模：DR 越低，所需样本量越大；同时结合可容忍错报、预期错报。
5. 选择抽样方法：高风险领域用定向抽样、货币单元抽样；低风险领域可用系统抽样或随机抽样。
6. 执行与评价：发现错报后回看 RMM 评估是否准确，必要时扩大样本或调整策略。

下表给出 RMM 与样本策略的对应关系，可作为实务中的快速参照清单：

三、可视化：风险模型对样本量的传导

下图把“RMM 上升 → DR 下降 → 样本量上升”的传导关系画成一条参数关系链，帮助理解风险如何一步步变成具体的抽样动作。

四、案例场景：一笔应收账款的抽样决策

某制造企业年末应收账款余额 8000 万元，审计师评估其“存在”认定 RMM 为高水平，原因是本年新增多家关联方客户、信用政策放宽、且期末有大额集中发货。设定 AR = 5%。

AR = 5%
RMM（存在认定）= 高，量化为 60%
DR = AR / RMM = 5% / 60% ≈ 8.3%

结论：可接受检查风险仅约 8.3%，属于低水平
→ 需要高保证程度的实质性程序
→ 样本量显著增加，并优先覆盖大额、关联方、期末发货项目

若审计师改用货币单元抽样（PPS），则每一元余额被选中的概率与其金额成正比，大额应收账款自然获得更高覆盖，正好匹配“高风险高覆盖”的原则。相反，如果对同一科目评估 RMM 为低水平（如 20%），则 DR = 25%，样本量可明显减少，抽样也可回归均匀随机。

五、误区与复盘

• 误区一：把 RMM 当成审计师能控制的风险。RMM 由被审计单位决定，审计师只能评估。试图通过“多查”来降低 RMM 是概念错误，多查降低的是检查风险。
• 误区二：风险模型算完就束之高阁。模型的价值在于驱动样本决策，若 DR 算出来是 8%，却仍按 5% 的样本量执行，模型就形同虚设。
• 误区三：所有科目用同一套抽样参数。不同认定的 RMM 不同，DR 与样本量必须分别设定，否则高风险领域会被低风险领域的“平均”稀释。
• 误区四：忽视非抽样风险。模型只覆盖抽样风险，程序设计不当、证据误判等非抽样风险同样会推高整体审计风险，需通过督导与复核控制。

理解审计风险模型，本质上是理解“风险如何决定证据的量与方向”。重大错报风险给出起点，检查风险给出约束，样本选择则是这一约束在操作层面的落地。掌握这条传导链，后续的抽样方法选择与样本量计算才有稳固的逻辑根基。