近年来,随着经济发展速度的快速增长,我国政府投资项目规模也迅猛扩大,截至2019年全社会固定资产投资总额超过56万亿。规模如此大的固定资产投资,必将为未来的政府投资审计带来更加巨大的任务压力,如若不使用现代信息技术进行智能审计,将无法胜任该项重大任务。另一方面,党和国家重要文件、会议中多次提及“科技强审”、“审计信息化建设”、“智能审计”等名词,将数据挖掘技术引入到政府投资审计中,也是对时代号召和国家政策的响应。研究中使用的研究方法包括模型方法和比较研究法,涉及的主要理论有国家治理理论、委托代理理论和免疫系统理论。使用SZ市2017年~2018年两年内完成决算审计的政府投资项目审计数据,以项目基本情况、时间工期情况、跟踪审计情况、建设资金使用情况、问题情况作为特征变量筛选的切入点,选择40个特征变量构建数据框架,存在缺失值的样本单元直接删除,使用“SMOTE”算法解决样本不平衡问题重建样本,对数据进行标准化,然后训练经典决策树、条件推断树、随机森林、支持向量机、RBF支持向量机等五种数据挖掘模型,对政府投资项目的审计核减率是否大于5%进行预测分类。通过输出混淆矩阵,计算敏感性、特异性、正例命中率、负例命中率、准确率等评价指标,绘制ROC曲线对模型准确性进行评估,并且对不同模型的预测性能进行比较,探究各个模型的性能优势。数据挖掘建模结果表明,综合各方面衡量标准,性能最优的模型是RBF支持向量机,在实际应用中,审计人员应该根据不同的审计环境和审计需求选择相应的数据挖掘模型。同时可以得出结论:不同研究模型的性能优势明显,借助于这些模型可实现审计资源的合理配置;另一方面,影响投资审计核减率的关键特征变量明确,我国投资审计的“预防”功能逐渐强化。论文具有研究对象的创新性,将数据挖掘引入到政府投资决算审计中,可以起到指导未来的前瞻性作用。今后的政府投资决算审计工作中,使用模型对被审计项目的核减率是否大于5%进行预判,初步筛选核减率可能高于5%的项目,加大审计力度,实现审计资源的合理配置。借助模型中使用的关键特征变量,可以提前聚焦审计疑点,锁定审计风险,对高风险领域重点关注。最终,减少审计人员的工作量,提高审计效率。