审计专业期刊和书籍中，越来越多的篇幅都是计算公式，包括高等数学的、统计学的、运筹学的，等等。审计要实现数字化转型，除了信息技术应用以外，还要建立分析模型，而分析模型的核心就是算法，算法就要涉及高等数学、统计学等方面的知识。不熟悉高等数学、统计学的，可能连相关审计专业文章都看不懂，更不要说去开展分析模型建设等一系列审计数字化工作了。你说，这让人焦虑吗？
经济学相关专业毕业的本科生和研究生，不知道有多少能熟练掌握高等数学、统计学的，而且日常工作中可能用的不多，也会逐渐淡忘的。例如，统计学的方差分析、相关分析、回归分析等，在日常审计工作中可能就用的不多，当然也有不少大型企业的审计部门，聚集了IT、数学、统计学等相关专业人才，数学模型、统计模型的设计对他们很多都是“小菜一碟”。但相信大部分审计部门，都缺少懂数学、统计学，能够熟练开发数学模型和统计模型的审计人员。
无论是人工智能审计、大数据审计还是嵌入式持续审计都需要设计审计模型，还会为机器学习开发各种算法。审计部门无论信息技术应用水平如何，还是要鼓励审计人员多学一些数学等基础性知识。当然，以后可能用不着审计人员亲自开发模型，只要审计人员提出需求，就会有专门的团队来开发，或者有专门的审计软件来满足需求。从经济学的成本收益理论来看，审计人员花费大量时间学习高等数学、统计学等方面知识所获得的收益远低于投入的时间成本，尤其是收益短时间内看不出来。
也许有一个更好的路径，让审计人员用最小的投入而获得在数学、统计学等方面的收益，这需要摸索出一套方法论。
以下随机列举一些高等数学、统计学、信息学等方面的理论概念，看一看在你的审计实践中是否用到过，如果用到过，是否能够留言分享一下宝贵经验呢？
层次分析法
判断矩阵
概率密度函数
格拉布斯检验法
正态分布模型
神经网络模型
关联度分析
聚类分析
霍普金斯统计量
贝叶斯网络理论
模糊集合理论
信息熵理论
…
也许在我们实际的审计工作中，永远用不上那些复杂公式以及难以理解的学术概念，我们就初等数学就能审计工作做好。即便是未来，那些数学模型的构建交给专业人士就行了，审计人员只要能提供思路和经验就好了。那么，审计人员需要不需要学习高等数学以及统计学呢？
学习是肯定要学的，虽然不一定要熟练掌握和应用，但是在学习中掌握的不只是方法，更多的是认知。哪怕有些公式看不懂，知道这些公式能干什么？反映了什么样的规律，也是认知上的提高。
做审计工作不是在数据分析和建模上和专业人士较量，而是在对问题的认识上、对现象的剖析上，首先有批判性的视角。批判性的视角是否科学，关键就反映在认识方面。
