審計人員內部控制判斷行為之研究.pptVIP

審計人員內部控制判斷行為之研究 第四組 班級：二自控四甲 組員：曾英傑 黃偉誠 大綱 摘要 內部控制判斷之政策捕捉研究 研究方法 研究執行程序 研究設計 網路績效評估與判斷政策分析 實證結果分析 結論 摘要 以審計人員為對象， 根據其對採購循環內部控制風險的判斷，運用倒傳類神經網路捕捉這些專家在形成判斷時的內在規則， 並與以往審計判斷行為研究所得之結果相比較。 亦利用測試個案，比較類神經網路與審計人員之判斷結果，以評估類神經網路系統作為決策輔助工具，是否能有效代表專家對內部控制判斷之知識與行為 內部控制判斷之政策捕捉研究 Ashton(1974a,1974b)以薪資循環內部控制判斷為主題、Ashton and Brown(1980)、Ashton and Krammer(1980)、Hamilton and Wright(1982)判斷出以分工為最重要的線索。 陳兆宏(民七十七年)以薪資內部控制為題進行判斷行為的研究、陳春宏(民七十八年)同樣採用與Ashton(1974a,1974b)相同的實驗設計方法，判斷出核准對內部控制影響最大。 研究方法 研究設計 網路輸入、輸出變數決定 最關鍵或最不可缺少的 當二項控制點目的類似，或者其中一項存在就足以達成審計人員要求的控制者，則可合併或刪除其中一項 具有相關補償性作用的控制點可以合併成一項，而不必做為兩個不同的控制點 資料蒐集與問卷設計 採用因子設計，均以是與否二個水準加以操弄，可組成64種不同狀況。 範例表現 範例前置處理 採用之變數值域變換方法為「最大最小對映法」，其處理方式是將各變數的最小值mi 與最大值Mi 對映到所需的最小值ri 與Ri，其它的值則依線性比例對映至[ri,Ri]區間內 假設： 欲進行處理之數入及輸出變數為 f1，f2，…，fi 處理後之輸入及輸出變數為 g1，g2，…，gi 變數fi之最小值與最大值分別為mi與Mi 設定所需之值域為[ri,Ri] 網路架構設計 網路參數設定 集成函數(summation function)：採用加權乘積和函數，為有效單元之輸入總和，公式如下： 其中 Ii：集成含數值 Wij：單元連結加權值 Xj：單元輸入值 作用函數：因轉換函數直接採用集成函數之輸出，故略去作用函數 轉換函數： 輸入層採用線性函數(linear)，隱藏層及輸出層採用雙彎曲函數，如下頁圖一 所示，其值域在[0,1]之間 輸出函數： 採非競爭之直接輸出函數 學習法則： 採用一般化差距法則逐例學習，並且訓練範例隨機進入網路學習，避免資料中帶有某種趨勢而造成網路振盪不定無法收歛 學習參數：本研究所採用之各種網路架構中，學習速率與慣性項均隨學習次數增加而漸減，設定情況如下頁表一 所列示 網路績效評估與判斷政策分析 網路預測績效評估 以誤差均方跟與平均絕對百分比誤差 誤差均方根 平均絕對百分比誤差 審計人員內部控制判斷行為分析 為瞭解各內部控制線索在決策者判斷過程中所占的相對重要性，以捕捉審計人員之判斷政策，利用NeuralWare 內建之解釋機制對預測績效最佳之網路進行分析 收歛測試 在衡量輸出層各處理單元之推論輸出值與目標輸出值間之誤差，以監督網路在學習過程中的收歛情況 驗證測試 在網路學習完成後分析網路的誤差的特徵，以作為改進網路學習效果的依據 實證結果分析 審計人員內部控制判斷行為分析 以類神經網路測試的結論與Ashton的數篇研究以分工為影響最大相同，與陳兆宏的核准線索不同 網路測試 結論 就網路架構而言，具一層隱藏層及三個隱藏層處理單元之模式，預測績效最佳。此表示網路輸入變數間存在有交互作用，亦即內部控制線索間具有交互作用 網路無隱藏層時幾乎無法收歛，表示審計人員之判斷政策模式若以簡單線型迴歸等式來代表，會有相當程度之誤差 對於審計人員判斷平均值之預測正確率達88.68%效果良好 收歛的情況良好，並於學習50,000 次後收歛趨於穩定，推論值與目標值於散佈圖上的分佈情況，集中於對角線上，預測結果良好 * * 研究執行程序