论文部分内容阅读
[摘要]规范的信息披露是维护证券市场公开、公平、公正的根本保证，而会计舞弊却是阻碍我国资本市场健康发展的“毒瘤”。随着我国证券市场的日益完善和国内外舞弊丑闻的不断发生，会计舞弊识别问题受到越来越多的关注。本文以116家上市公司作为研究样本，通过分析舞弊案例及舞弊手段，构建了会计舞弊识别指标体系，并依据主成分分析法及BP神经网络，建立了会计舞弊识别模型，进行了实证分析。通过研究发现，这一模型对于会计舞弊的识别具有较高的准确率，是一种具有现实可操作性的舞弊识别方法。
[关键词]会计舞弊；舞弊识别指标；主成分分析法；BP神经网络；Levenberg-Marquardt算法
[中图分类号]F232 [文献标识码]A [文章编号]1673-0194(2008)08-0009-04
0 引言
随着经济的发展与科技的进步，企业会计舞弊现象日益成为严重影响经济发展的全球性焦点问题。从冰山理论、三角理论、GONE理论、舞弊因子学说，到会计舞弊的产生因素及发现机制，学术界对会计舞弊问题的研究正处于一个不断深化的阶段，这些成果为我国的相关研究提供了理论和方法论基础。但由于国内证券市场起步较晚，对于会计舞弊问题的关注也是近期的事情，因此对会计舞弊与相关概念的性质差异并没有进行有效的区分。研究中更多的是规范研究。理论分析结果缺乏实证研究的数据支持；定量研究起步较晚，可以支撑研究的处罚样本数量少，可供选择的识别指标也较少，运用的识别手段比较有限，总体来说这方面的研究结论所显示出来的识别准确性不是很高。
神经网络在非线性分类中的应用已得到广泛的研究。所谓BP模型即误差反向传播神经网络是神经网络模型中使用最广泛的一类，从结构上讲，BP网络是典型的多层网络，分为输入层、隐含层和输出层。对于网络输入变量的选择，传统方法是通过定性分析的方法。尽可能地找出与输出变量有明显因果关系的指标作为输入变量。这样就不可避免地存在以下问题：(1)由于网络输入变量之间的不独立性，导致指标信息重叠。(2)网络在识别过程中容易产生训练样本识别率不高的问题。(3)在网络输入端因素过多的情况下，必然造成网络结构复杂，速度很慢。
这些问题的出现导致网络复杂度增加、网络性能降低、计算时间延长、预测精度下降、噪声信息过多等一系列问题。
3.3 应用主成分分析法对输入指标进行约简
通过主成分分析法对输入指标进行约简，可消除输入变量之间的不独立性，减少输入变量。达到降维的目的。通过前置处理，去除冗余信息，可使训练集合简化，减小神经网络系统的复杂性，同时减少振荡，提高网络的运行速度，提高神经网络的精度和准确率。
本文中会计舞弊识别指标多达13个，指标之间存在交叉，相互影响。为此本文引入主成分分析法对这些指标降维。应用SPSS软件进行主成分分析所得到的8个主成分及其累计贡献率见表2。由于这8个主成分包含13个指标80.23％的信息，因此对研究结果并不构成影响。
3.4 基于BP神经网络的会计舞弊识别模型结构及参数设计
BP网络学习规则的指导思想是：对网络权值和阈值的修正要沿着表现函数下降最快的方向——负梯度方向。BP算法的主要缺点是：收敛速度慢、局部极值、难以确定隐含层和隐含层节点的个数。在实际应用中，出现了许多BP网络的改进算法。本文采用Levenberg-Marquardt算法。其训练函数为trainlm，最大训练次数设置为10000次。训练要求精度设置为le-14,最大失败次数默认为5，最小梯度要求默认为le-010，μ的初始值默认为0.001。输出层为一个节点，1表示会计舞弊，0表示非舞弊。 1989年，Robert Hecht-Nielsen证明了对于任何闭区间内的一个连续函数都可以用一个隐含层的BP网络来逼近，因为一个3层的BP网络可以完成任意的n维到m维的连续映射。对于隐含层的节点数。应用经验公式m=根号下n 1 a0式中m为隐含层节点数，n为输入节点数，1为输出节点数，a为1～10之间的调节常数。本文中的会计舞弊识别模型采用单隐层，隐含层节点数为13。神经网络结构如图1所示。
如表3所示，相对于传统的研究方法而言，神经网络方法凭借其优良的非线性逼近的特点，大大提高了会计舞弊识别的准确率，在识别会计舞弊方面具有巨大的优势。
4 结论
本文在收集、分析大量会计舞弊资料的基础上，建立了舞弊识别的指标体系；并在相关理论的基础上，使用主成分分析法进行数据约简，利用BP神经网络的强大功能，构建了更为有效的会计舞弊识别模型。这一模型的构建。为财务报告使用者以及监管者判别公司有否会计舞弊提供了一种有效的工具。
由于本文受研究方法所限。在舞弊识别指标体系的设计中。主要依靠财务会计报告披露的信息，没有充分考虑表外信息对于会计舞弊识别的影响，即主要从定量方面识别会计舞弊，在定性方面有待今后进一步研究。
[关键词]会计舞弊；舞弊识别指标；主成分分析法；BP神经网络；Levenberg-Marquardt算法
[中图分类号]F232 [文献标识码]A [文章编号]1673-0194(2008)08-0009-04
0 引言
随着经济的发展与科技的进步，企业会计舞弊现象日益成为严重影响经济发展的全球性焦点问题。从冰山理论、三角理论、GONE理论、舞弊因子学说，到会计舞弊的产生因素及发现机制，学术界对会计舞弊问题的研究正处于一个不断深化的阶段，这些成果为我国的相关研究提供了理论和方法论基础。但由于国内证券市场起步较晚，对于会计舞弊问题的关注也是近期的事情，因此对会计舞弊与相关概念的性质差异并没有进行有效的区分。研究中更多的是规范研究。理论分析结果缺乏实证研究的数据支持；定量研究起步较晚，可以支撑研究的处罚样本数量少，可供选择的识别指标也较少，运用的识别手段比较有限，总体来说这方面的研究结论所显示出来的识别准确性不是很高。
神经网络在非线性分类中的应用已得到广泛的研究。所谓BP模型即误差反向传播神经网络是神经网络模型中使用最广泛的一类，从结构上讲，BP网络是典型的多层网络，分为输入层、隐含层和输出层。对于网络输入变量的选择，传统方法是通过定性分析的方法。尽可能地找出与输出变量有明显因果关系的指标作为输入变量。这样就不可避免地存在以下问题：(1)由于网络输入变量之间的不独立性，导致指标信息重叠。(2)网络在识别过程中容易产生训练样本识别率不高的问题。(3)在网络输入端因素过多的情况下，必然造成网络结构复杂，速度很慢。
这些问题的出现导致网络复杂度增加、网络性能降低、计算时间延长、预测精度下降、噪声信息过多等一系列问题。
3.3 应用主成分分析法对输入指标进行约简
通过主成分分析法对输入指标进行约简，可消除输入变量之间的不独立性，减少输入变量。达到降维的目的。通过前置处理，去除冗余信息，可使训练集合简化，减小神经网络系统的复杂性，同时减少振荡，提高网络的运行速度，提高神经网络的精度和准确率。
本文中会计舞弊识别指标多达13个，指标之间存在交叉，相互影响。为此本文引入主成分分析法对这些指标降维。应用SPSS软件进行主成分分析所得到的8个主成分及其累计贡献率见表2。由于这8个主成分包含13个指标80.23％的信息，因此对研究结果并不构成影响。
3.4 基于BP神经网络的会计舞弊识别模型结构及参数设计
BP网络学习规则的指导思想是：对网络权值和阈值的修正要沿着表现函数下降最快的方向——负梯度方向。BP算法的主要缺点是：收敛速度慢、局部极值、难以确定隐含层和隐含层节点的个数。在实际应用中，出现了许多BP网络的改进算法。本文采用Levenberg-Marquardt算法。其训练函数为trainlm，最大训练次数设置为10000次。训练要求精度设置为le-14,最大失败次数默认为5，最小梯度要求默认为le-010，μ的初始值默认为0.001。输出层为一个节点，1表示会计舞弊，0表示非舞弊。 1989年，Robert Hecht-Nielsen证明了对于任何闭区间内的一个连续函数都可以用一个隐含层的BP网络来逼近，因为一个3层的BP网络可以完成任意的n维到m维的连续映射。对于隐含层的节点数。应用经验公式m=根号下n 1 a0式中m为隐含层节点数，n为输入节点数，1为输出节点数，a为1～10之间的调节常数。本文中的会计舞弊识别模型采用单隐层，隐含层节点数为13。神经网络结构如图1所示。
如表3所示，相对于传统的研究方法而言，神经网络方法凭借其优良的非线性逼近的特点，大大提高了会计舞弊识别的准确率，在识别会计舞弊方面具有巨大的优势。
4 结论
本文在收集、分析大量会计舞弊资料的基础上，建立了舞弊识别的指标体系；并在相关理论的基础上，使用主成分分析法进行数据约简，利用BP神经网络的强大功能，构建了更为有效的会计舞弊识别模型。这一模型的构建。为财务报告使用者以及监管者判别公司有否会计舞弊提供了一种有效的工具。
由于本文受研究方法所限。在舞弊识别指标体系的设计中。主要依靠财务会计报告披露的信息，没有充分考虑表外信息对于会计舞弊识别的影响，即主要从定量方面识别会计舞弊，在定性方面有待今后进一步研究。