基于模糊化遗传BPN财务报告舞弊甄别技术探析.docVIP

基于模糊化遗传BPN财务报告舞弊甄别技术探析虚假财务报告的存在对财务报告使用者尤其是投资者和债权人而言，具有重大的风险和潜在的危害。与财务业绩下滑相比，财务报告舞弊给投资者及债权人带来的风险及造成的损失更加巨大。从美国的“安然事件”到我国的“银广夏事件”，国内外的舞弊案件层出不穷、屡禁不止。不难看出，每一个舞弊的发现都必定会伴随着惊人的后果，并且会在即刻之间严重冲击企业的价值。因此，为了避免投资者及债权人的巨大损失、减轻审计工作人员的工作强度及难度，研究舞弊的甄别技术，寻求高效、便捷、操作性强的财务报告舞弊甄别模型迫在眉睫。 一、模糊化遗传BPN演算方法的提出 尽管通过已有的研究以及一些简单的模型可以初步判定企业财务业绩是否出现衰退迹象，但由于财务报告舞弊的甄别有着很多挑战性的因素，如舞弊样本量极小、舞弊手法繁多、识别的特征指标不易设定、甄别技术的选择及智能设计较难掌握等，因此甄别虚假财务报告一直是困扰会计界的重大难题。 (一)模糊化遗传BPN演算方法的必要性　随着信息技术的发展以及人工智能技术的兴起和广泛应用，许多领域的难题迎刃而解。数据挖掘技术(即利用数据库技术来存储管理数据，利用机器学习的方法来分析数据，从而挖掘出大量的隐藏在数据背后的知识)已深受人们关注。会计本身就可以定义为一个信息系统，将数据挖掘技术应用于财务报告舞弊的甄别必将是一个趋势，并且已有学者对该种方法的可行性进行初步探讨。随着数据挖掘技术的改进及发展，发掘实用高效的数据挖掘算法，构建舞弊识别系统，并真正实现舞弊识别才是亟待解决的问题。因此，本文通过比较各种数据挖掘算法的优缺点，综合考虑提出用于会计舞弊识别的模糊化遗传BPN系统，并对该系统所涵盖的具体算法、该系统的技术优势以及甄别系统的构建进行逐步研究，力求设计出更加行之有效的财务报告舞弊甄别技术。 (二)模糊化遗传BPN演算方法的提出　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”)与其他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、人工神经网络和遗传算法等。 舞弊性财务报告的识别过程本身可以认为是一个分类的过程，即分为舞弊及非舞弊的过程。对数据挖掘技术的各种分类算法的优劣具体比较(见表1)。 基于此，综合各种分类算法的优势，本文提出模糊化遗传BPN财务报告舞弊识别系统。 二、模糊化遗传BPN的演算方法 模糊化遗传BPN的演算方法包括模糊逻辑算法、遗传算法以及BP神经网络算法等。 (一)模糊逻辑算法模糊逻辑算法简单地说是人们对许多决策思维的自然语言描述，并且转换成利用数学模型算法替代的一种应用科学技术。该模型包括三个主要处理程序：模糊化(fuzzifi―cation)、推论(inference)及反模糊化(defuzzification)。 (1)模糊化(fuzzification)：将原始的数据，利用隶属度函数转换成模糊输入，如在观察技术指标时也可以自然语言表示“偏高”、“适中”或“偏低”等。 (2)模糊推论(rule evaluation,fuzzy inference)：根据模糊输入，依照口语化的规则(1inguistic rules)，产生模糊结果，如透过IF..THEN..的形式将推论加以定式化。 规则：if x is A then y is B 事实：x is A 结论：y is b (3)反模糊化(defuzzification)：将模糊输出转换成可表达的数据。 (二)遗传算法　遗传算法是模拟生物进化过程的算法，由三个算子组成，即选择、较差、突变。遗传算法具有十分顽强的鲁棒形，在解决大空间、多峰值、非线性、全局优化等复杂度高的问题时具有独特的优势。其可以单独用于数据库中关联规则的挖掘，还可以和其他数据挖掘技术相结合。如用于优化神经网络结构以得到结构简单、性能优良的神经网络结构；用于特征子集选择；用于决策分类器和模糊规则的获取等。遗传算法在数据挖掘技术中占有重要的地位，这是由其本身的特点和优点所决定的。(1)遗传算法的处理对象不是参数本身，而是对参数集进行了编码的个体，可以直接对集合、队列、矩阵、图表等结构进行操作；(2)具有较好的全局搜索性能，减少了陷于局部最优解的风险，同时，遗传算法本身也易于并行化；(3)在标准的遗传算法中，基本上不用搜索空间的知识或其他辅助信息，而仅用适应度函数值来评估个体，并在此基础上进行遗传