应用数据挖掘技术提高虚假财务报告识别效率-论文资源库.docVIP

应用数据挖掘技术提高虚假财务报告识别效率|论文资源库 nbsp;nbsp; 摘要：数据挖掘技术能够处理海量信息，完成潜在有用信息的抽取。虚假财务报告的识别需要从大量相关信息中寻找线索，采用数据挖掘技术可以提高虚假财务报告的识别效率。应用数据挖掘技术进行上市公司虚假财务报告识别研究的目的在于确定数据挖掘的方法论，建立相应的规则和算法，并将其设计成能够实现的解决方案和相应程序。 　　关键词：数据挖掘；虚假财务报告；识别 　　 　　一、引言 　　上市公司财务报告是上市公司各种经营信息的综合反映，也是各种机构及个人投资者判断上市公司运营状况，预测公司发展前景和投资回报的主要依据。正因为其重要，不少公司不惜编造虚假财务报告以图误导投资者。尽管监管机构多次出台各种政策，虚假财务报告仍屡禁不止。最有效的治理虚假财务报告的方法是提高各方的识别虚假财务报告的能力。但是，虚假财务报告的识别不仅要从大量的公司年报、中报等的财务数据中提取信息，还要从股市交易信息及其它相关信息中寻找线索，仅仅由会计师依据分析性程序方法，囿于各种主客观因素影响其识别效果和效率都不够理想。数据挖掘技术作为一种决策支持技术，能够高度自动化地分析海量信息，作出归纳性推理，从中挖掘出供决策使用的高层次知识，帮助财务报告的关注各方提高基于财务报告的决策质量和效率。在当今IT环境下，随着数据挖掘算法的改进和应用领域的不断拓展，将数据挖掘技术应用到虚假财务报告识别中既有可能也很有必要。 　　二、数据挖掘的概念和技术 　　数据挖掘是针对非常大的数据进行的研究和分析。它采用自动或半自动的程序，对数据中固有的先前未知的潜在有用信息进行抽取。数据挖掘的起源可追溯到20世纪50年代人工智能的早期发展。在此期间，模式识别和基于规则推理的发展提供了基础构建块，数据挖掘就建立在这些概念的基础之上。在最近10 年中，大型业务数据库（特别是数据仓库）使用量的增长以及对这些数据的理解和解释的需要，再加上相对廉价的计算机的供应，导致数据挖掘在各种业务应用中的使用急剧增长。这些应用从零售业务的顾客细分和市场购物篮分析，到银行业务和金融业务应用中的风险分析和欺骗侦查，涉及面非常广泛。 　　多年来各国学者已开发了多种数据挖掘技术，用于大量的数据集中探索和抽取信息。总的说来，数据挖掘技术分为两大类：探索型数据挖掘和预测型数据挖掘。探索型数据挖掘包括一系列在预先未知任何现有模式的情况下，在数据内查找模型的技术。探索型数据挖掘包括分群、关联分析、频度分析技术。预测型挖掘包括一系列在数据中查找特定变量（称为“目标变量”）与其它变量之间关系的技术。预测型挖掘常用的有分类和聚类、数值预测技术。数据挖掘使用的算法很多，主要包括统计分析、机器学习、决策树、粗糙集、人工神经网络和径向基函数（RBF）等。 　　三、数据挖掘在虚假财务报告识别中的应用 　　大量研究证实，与正常的财务报告相比，虚假财务报告常具有某种结构上的特征。Joseph T. Wells（ 2001）认为，公司财务报告舞弊手法不外乎“虚构收入、滥用时间性差异科目、少计漏计费用、欺诈性资产评估”，这些舞弊行为通常会使得“企业的财务结构出现异常的状态”（Joseph T. Wells，2001）。Lee，Ingram和Howard对盈余与经营活动产生的现金流量之间的关系进行了研究，结果发现，在公司舞弊戳穿以前公司盈余要比之后高得多，但是经营活动产生的现金流量则相反，也就是说，在舞弊发现前盈余减去经营活动现金流量的值为正。表现在财务指标上，就是某些财务指标显著的异于同类公司。这些能够显著显示财务欺诈征兆的财务指标包括：应收款项比率、应收款项周转率、资产负债率、速动比率、主营业务税金及附加比率、资产质量、管理费用和销售费用率。Haw et al（1998）对我国上市公司盈余管理行为的研究发现，上市公司对帐面利润的操纵，很大部分集中于“线下部分”，即诸如投资收益、营业外收支等“非经常性盈余”部分，如果上市公司的主营业务利润率持续降低，或者远远低于同行业水平，说明该公司存在财务报告舞弊的可能。方军雄（2003）使用统计分析证实了这些差异并构造了基于某些财务比率的两类判别模型。 　　除了企业财务结构上的异常之外，上市公司对财务报告的操纵通常还具有可以分析的外部环境特征。Joseph T. Wells指出，财务报告舞弊“不是始于管理层的不诚实，而是发端于某种环境——这种环境中存在两个特征：激进的财务业绩目标；目标未实现将被视为不可宽恕的氛围。换言之，财务报告舞弊缘于压力。”我国的研究者通过大量的统计研究（陈信元、杜滨等2001），也总结出了极有可能采取会计造假的公司的特征。它们通常包括如下几个特征：（1）前两年连