财务报表舞弊可能性的智能识别方法.pdfVIP

财务报表舞弊可能性的智能识别方法 曾月明，宋新平，葛文雷 (东华大学旭日工商管理学院，上海200051) 摘要：文章根据注册会计师发表的审计意见类型和证监会对上市公司的处罚结果选择研究样本， 选取23个财务指标作为研究变量，对财务报表舞弊可能性企业和非财务报表舞弊可能性企业进行实证 分析。实验结果表明：两类企业在负债水平、偿债能力、资产规模、资产结构、营运资金周转、盈利能力以 及公司增长等方面有显著差异，并且，两种智能方法对两类公司的分类准确率较高。 关键词：财务报表舞弊可能性；财务指标；智能方法；识剐 中图分类号：F230．9文献标识码：A 文章编号：1002—6487(2008)02—0115—03 出层单元处理后产生一个输出模式，如果输出层与期望输 0弓I言 出有误差，则转入反向传播，将误差值沿连接通路逐层反向 传送并修正各层连接权值，当各个训练模式都满足要求时， 国内外学者广泛尝试运用非审计方法识别财务报表舞 则学习结束。 弊并取得了一些研究成果。他们采用的方法主要包括： 在实际训练时，首先要提供一组训练样本，其中的每个 (1)统计方法，这是被运用的最多的方法，包括逻辑回 训练样本由输入样本和理想输出对组成。当网络的所有实际 归、条件概率和相关性分析方法等。 输出与其理想输出一致时，训练结束。否则，通过误差逆传播 的方法来修正权值使网络的理想输出与实际输出一致。反复 (2)计算智能方法。Eining，Jones，andLoebbecke(1997)E1] 通过实验检验发现审计人员在各种不同财务报表欺诈的情 学习直至样本集总误差E达到某个精度要求，即E￡(预先 andChoi 况下使用专家系统进行鉴别效果更好。Green 给定的精度)为止，并记录此时调整后的权值，用于计算。其 中(yLck)表示网络的期望输出与实际输出的绝对误差，n为学 (1997)2j使用神经网络分类模型对财务报表进行分类，研究结 果表明将财务报表归为舞弊类型能提醒审计人员实施更进 习样本个数。 一步的检验。刘君和王理平(2006)t31研究认为概率神经网络 E=。1(yk-ck)z kirkoseta1． 模割对于舞弊公司有较高的判别率。Efstathios 二k=1 12007)r41选取10个财务指标运用决策树和贝叶斯信仰网络方 1．2支持向量机 法对舞弊和非舞弊公司进行判别，准确率分别达到73．6％和 对于非线性可分的样本，支持向量机构造一个非线性映 90．3％。 射将已有样本从11维空间映射到更高维的特征空间中，使样 在这些方法中，统计方法具有严格假设的限制，而计算 本在该高维空间线性可分。支持向量机实质是在n维空间中 智能方法对数据的分布要求不严格，能够处理资料遗漏，在 寻找一个超平面将两类样本分开，接近于超平面的点称为支 一定程度上可以克服统计方法的局限性。其中神经网络具有 持向量，只有支持向量对超平面起决定作用。 较强的组织、自学习和容错能力，支持向量机有较好的泛化 性能和分类性能。因此，本文尝试采用这两个典型的智能方 法进行财务报表舞弊的实证研究。