基於數據挖掘技術的虛假財務報告識別研究

公司財務造假是一個存在已久、影響極其惡劣的國際性難題。1720年的英國南海公司事件是世界上第一例上市公司財務造假案。南海公司事件直接導致了兩個結果：一是股份公司近百年的關閉；二是以註冊會計師為主體的民間審計的出現。儘管如此，公司財務造假現象一直沒有消失，遠的如1929年美國羅賓斯財務造假導致的美國股市的大崩潰，近的如2001年美國的安然公司事件都是典型的財務造假案例。而在我國，繼瓊民源、PT鄭百文等財務造假醜聞之後，又暴露出了銀廣夏、ST黎明、藍田股份等財務造假惡性案件。上市公司財務造假問題引起了社會各方面的關注。針對公司的財務造假問題，專家學者進行了大量的定性或者定量的研究，取得了一定的研究成果。本書從舞弊理論、舞弊特徵、舞弊識別模型等三個角度充分分析了國內外研究現狀，在此基礎上，進行了以下幾個方面的研究。本書從兩個角度分析了財務造假的原因，一是客觀原因，二是內在動因。客觀原因包括：政府職能的問題、公司治理結構的缺陷、證券市場相關制度的不完善、不健全的監管機制等；內在動因有：公司為了取得股票發行資格、提高股票發行價格、取得配股資格、避免被“戴帽”或者爭取“摘帽”、為維持和提高股票價格、為了獲取信貸資金和商業信用、為了業績考核、為了滿足發行債券的條件、為了減少納稅而粉飾會計報表等。財務造假的手段主要是利用關聯方交易、資產重組、選用不當會計政策、會計政策與會計估計變更、資產評估等手段進行利潤調節。我們將1999―2002年持續經營、未被取消上市資格的上市公司作為訓練樣本的選擇基礎，將2003―2006年上市公司作為選擇測試樣本的基礎。我們將審計意見為“拒絕表示意見”或“否定意見”或“無法表示意見”作為選擇虛假財務報告樣本的基礎；另外再根據中國證券市場的歷史特點，按照一定的標準選擇控制樣本。參考前人的研究成果，從償債能力及管理效率比率、利潤―現金創造能力比率、費用配比合理性比率、公司增長潛力比率、公司發展協調性比率等幾個角度分析確定了47個備選舞弊識別變數。首先根據大部分分類方法以及財務報表數據的特點，設計了基於分類方法的虛假財務報告的識別框架。並依據此框架，分別使用Logistic回歸、神經網路、支持向量機、樸素貝葉斯等分類方法進行了實證分析。在進行實證分析時，使用按一定標準選擇的訓練樣本和經過論證分析後選擇確定的識別變數對這四種分類模型分析進行了訓練，然後使用測試樣本檢驗不同的分類模型的分類效果，並基於期望錯誤分類成本，對這四種分類模型的識別效果進行了綜合比較分析，發現神經網路和樸素貝葉斯兩種分類方法在識別準確率和穩定性方面要好於另外兩種方法。在目前的審計環境下，單純以公司財務報告的註冊會計師審計結果來判斷該財務報告的真假是有風險的（尤其是判斷為真的時候）。所以有監督分類方法的學習結果可能使得分類存在一定的偏差。由於聚類是一種無監督學習的數據挖掘技術，無監督的學習與有監督的學習不同，它不要求學習樣本帶有類別的信息，或者說不需要有先驗知識，所以聚類方法對紛繁複雜的、真假難辨的會計信息進行真假識別或許更有幫助。基於此，本書設計了一種基於聚類有效性測度的自組織映射和K均值聚類相結合的聚類模型V-KSOM。此模型繼承了自組織映射自主學習的優點；將K均值聚類運用於訓練完成後的自組織映射平面格線結點，可以有效地劃分聚類邊界，克服了自組織映射聚類邊界不清晰的缺點；由於自組織映射受結點初始值（隨機產生）及樣本學習順序（隨機的）的影響，聚類結果不穩定，為了選擇最佳的聚類結果，本模型引入一種有效性測度來評判每次聚類結果。使用該聚類模型對虛假財務報告進行聚類分析，實驗結果表明該模型是行之有效的。本書的主要內容來自本人的博士畢業論文。在此我要特別感謝我的博士生導師梅國平教授，在梅老師的精心指導下，我才能在學術研究的道路上取得一點成績，本書也才能得以定稿。此外，對本書提供過幫助的人還有關愛浩博士、毛小兵博士、陳輝博士等，在此一併致謝。

基於數據挖掘技術的虛假財務報告識別研究

基本介紹

目錄

相關詞條

熱門詞條