具有显式不确定性和证据冲突建模的审计风险评估多代理框架

审计风险评估越来越受益于组合异构证据来源，但现有方法通常会产生点预测，而无法量化不同证据流的一致性程度。我们提出 UMAR（不确定性感知多主体风险评估），这是一个采用三个专门主体的框架：MD&A 文本主体、财务比率主体和 CAM 主体，每个主体都会生成具有校准不确定性估计的独立风险评分。基于 Dempster-Shafer 证据理论的不确定性聚合器融合了这些分数，同时明确测量主体间冲突。我们根据美国 SEC 10-K 文件（2019-2023）中 3,200 个公司年度观察数据集评估 UMAR，以财务重述作为目标标签。实验结果表明，UMAR 的 AUROC 为 0.782，PR-AUC 为 0.341，优于逻辑回归、XGBoost、FinBERT 以及单智能体和双智能体 LLM 基线。 UMAR 在所有方法中实现了最低的预期校准误差 (ECE = 0.052)，并识别与实际重述风险相关的证据冲突模式，为审计师提供潜在的可操作和可解释的风险信号。