VynFi/vynfi-group-audit-enterprise-2000

这是一个端到端的合成集团审计数据集包，包含2000个实体，覆盖北美、EMEA和APAC地区，组织在4级所有权结构下，提供完整的合并财务报表、公司间抵消、少数股东权益滚动、货币转换和每实体审计工作底稿。数据基于v5.33.2引擎生成，包含特定修复（如每实体试算平衡表编写器现在支持框架感知、合并财务报表聚合器继承相同框架感知分类、以及每分片持久化期初余额）以及从v5.10到v5.33.2期间的所有先进生成器。所有数据均为合成数据，不包含真实客户名称或实际语料内容。数据期间为2024年第一季度（1月至3月），报告货币为美元。数据集还包括关键统计信息，如2000个实体、2154个公司间关系、9118个公司间日记账分录、115309个试算平衡表行聚合、1589934个合并日记账分录边等。End-to-end synthetic group-audit bundle: 2 000 entities across North America, EMEA, and APAC, organised under a 4-level ownership graph, with full consolidated FS, intercompany eliminations, NCI rollforward, currency translation, and per-entity audit workpapers. Refreshed on engine v5.33.2 with specific fixes and all SOTA generators between v5.10 and v5.33.2. All data is synthetic, with no client names or real corpus content. Period: 2024 Q1 (Jan-Mar), quarterly close, presentation currency USD. Includes key statistics such as 2,000 entities, 2,154 intercompany relationships, 9,118 intercompany journal entries, 115,309 trial-balance lines aggregated, and 1,589,934 consolidated JE-line edges.

搜集汇总

数据集介绍

构建方式

该数据集基于先进的合成数据引擎v5.33.2构建，旨在模拟跨国企业集团审计场景。其核心架构围绕一个包含2000个法人实体的四层所有权树形图展开，实体分布于北美、欧洲、中东、非洲及亚太地区，并依据IFRS准则进行合并报表编制。构建过程融合了多项技术革新，包括SOTA生成器（SOTA-1至12及8.1/11.1）、v5.30的Tier-A/B层次化工作、v5.31的流式聚合重构以及v5.32的校准脚手架，显著提升了生成效率与数据保真度。最终数据通过多分片并行生成，完整输出了合并财务报表、公司间抵消分录、非控制性权益调节表及外币折算工作表等核心审计工作底稿。

特点

该数据集的核心特点在于其高度的真实性与复杂性。它不仅涵盖了2000个实体间的2154条公司间关系，还生成了超过9118条公司间日记账分录及115309条试算平衡表行项目，合并后的日记账分录网络包含约158.9万条边。数据集的金额分布经过精细校准，中位数约为10.8K美元，符合大型企业集团的交易规模特征，且本福特定律的MAD值低至0.001，展现了极佳的自然分布特性。此外，数据集中所有实体均具备完整的期初余额文件，解决了先前版本中的关键缺失问题，且合并资产负债表残差控制在3.09%，系统性地源于权益法核算实体的处理设计。

使用方法

用户可通过Python的`huggingface_hub`库便捷下载该数据集，解压后即可获得完整的审计数据包。使用方法主要围绕结构化数据文件展开，例如，利用`pandas`和`pyarrow`可高效加载`je_network.parquet`文件，快速获取包含疑似欺诈标记的日记账分录网络进行分析。此外，`consolidated`目录下的多个JSON文件（如合并财务报表、非控制性权益调节表等）可直接导入数据分析环境，便于开展集团审计、合并报表验证、公司间交易对账等场景的建模与测试。对于多期数据需求，可配合使用同一系列的三年期中型数据集，以构建跨期分析流程。

背景与挑战

背景概述

VynFi Group Audit Enterprise 2000 数据集由 VynFi 团队于 2023 年基于专有引擎 v5.33.2 构建，旨在为集团审计、合并财务报表及跨国公司内部交易对账提供端到端的合成数据基准。该数据集模拟了一个拥有 2000 个实体、覆盖北美、EMEA 和亚太地区的四层所有权结构，并包含完整的合并财务报表、内部交易抵销、非控制性权益滚存及外币折算等复杂会计处理。作为目前规模最大的合成审计数据集，它填补了公开审计数据中缺乏大规模、结构化且带有明确审计工作底稿的空白，为审计自动化、合并抵销算法及会计数据生成等领域的研究提供了标准化的评测平台。

当前挑战

该数据集主要解决了集团审计领域缺乏大规模、多实体、多币种且具备完整审计轨迹的公开数据集的挑战，传统真实审计数据集因涉及客户保密信息而难以获取。构建过程中面临的挑战包括：1）如何在 2000 个实体间生成 2154 条内部交易关系并保证合并报表层面资产负债与权益的微小差异（3.09%）来源于设计而非错误；2）如何实现 115309 条试算平衡表行、1589934 条合并日记账分录边的庞大数据量在分钟级别（1 分 44 秒）内生成，而非传统数小时；3）如何确保控制权与非控制性权益的精确分离，以及 200 个权益法实体的递延影响在合并过程中得到合理体现。

常用场景

经典使用场景

在集团审计与合并财务报表的学术与实务领域，该数据集被广泛用作合成多实体财务系统的基准测试集。它模拟了包含2000个实体、四层所有权结构的跨国集团，覆盖北美、欧洲及亚太地区，提供了完整的合并财务报表、公司间抵销分录、非控制性权益滚动、外币折算及单体审计工作底稿。研究者可利用其丰富的内部结构，评估自动化审计工具、验证合并流程算法，或训练识别异常交易的机器学习模型。数据集中的日记账网络（含约159万条边）为图神经网络在审计领域的应用提供了理想土壤。

实际应用

实际应用中，该数据集支撑了审计行业向数据驱动转型的关键场景。会计师事务所可将其作为预部署平台，测试集团审计软件对复杂所有权结构（含合营与联营企业）的处理能力。对于跨国企业的财务共享中心，它提供了验证转让定价文档与支柱二税务合规模型的沙盒环境。金融监管机构亦能利用其合成但真实的财务特征，优化集团层面风险监测指标。

衍生相关工作

该数据集已衍生出多项里程碑式工作：VynFi团队基于其引擎迭代开发了多期时间序列数据集（如3年2000实体版本），扩展了纵向财务分析边界。配套发布的精细化日记账网络数据集催生了首个面向审计路径的图对比学习基准。学术界基于其P0c校准机制发表了关于合成财务数据真实感量化的方法论文，而工业界则据此构建了基于图神经网络的交易序列欺诈检测系统。