文档介绍：财会月刊·全国优秀经济期刊
阴
基于 LM 算法 BP 神经网络的
审计重大错报风险识别
王翠琳何其恩
兰州理工大学经济管理学院兰州 730050
渊冤
【摘要】本文根据 1998 ~ 2009 年期间,证监会、深交所、上交所公布的财务舞弊违规处罚意见,参照 2006 年 1211 号审
计准则的规定构建了涵盖持续经营能力、融资能力、营运能力、重大关联交易、关键人员变动、内部控制环境等因素的重大
错报风险识别模型。通过与 Logistic 算法重大错报风险识别模型预测结果进行对比,发现基于 LM 算法 BP 神经网络重大
错报风险识别模型具备较高的识别准确率,具有更强的实用性。
【关键词】重大错报风险 BP 神经网络 LM 算法
我国自 2007 年起实施的新审计风险模型相对于传统审告舞弊违规而被证监会、深交所、上交所公开处罚的上市公司
计风险模型更加注重对风险的识别和评估,且贯穿于整个审作为高重大错报风险样本,同时按 1颐1 的比例,选择与高重大
计业务过程中。所以,新模型应用的重难点在于重大错报风险错报风险样本同会计期间、同行业、同规模且无财务舞弊违规
的识别和评估。重大错报风险的识别和评估是提高审计效率、处罚意见的 A 股上市公司,作为低重大错报风险样本。
保证审计效果的重中之重。 2. 自变量选取。本文依据新审计准则 1211 号第 98 条规
对财务舞弊风险识别、评估的研究,一方面集中于以神经定,从在严厉、复杂的监管环境开展业务、持续经营和资产流
网络作为准确率较高的模拟仿真工具,对被审计单位各种舞动性出现问题、融资能力受到限制、重大的关联方交易、关键
弊行为进行测度。典型代表有:Odom(1990)最早把神经网络人员变动、内部控制薄弱、重大的非常规交易指标六个方面,
应用于财务危机预警研究,以公司财务危机前一年的五个财选取易量化、易获得的 24 个财务指标作为实证研究的自变量
务比率为研究变量,将 BP 神经网络和传统多元识别分析方和重大错报风险识别模型的输入变量。
法进行比较,分析显示 BP 神经网络预测能力更好。Lin、(1)持续经营能力和融资能力: 偿债能力:X1 代表流动
淤
Hwang 和 Becker(2003)融合模糊回归、神经网络等方法,构比率、X2 代表速动比率、X3 代表资产负债率、X4 代表利息保
建基于模糊神经网络的财务舞弊识别模型,研究表明该模型障倍数; 成长能力:X5 代表营业收入增长率、X6 代表净利
于
为审计人员提供了准确、高效的舞弊分析方法。田金玉、聂丹润增长率; 盈利能力:X7 代表资产报酬率、X8 代表净资产
盂
丹(2008)结合主成分分析和 BP 神经网络建立会计舞弊识别收益率、X9 代表总资产净利润率、X10 代表每股收益。
模型,证明该模型是一种具有现实可操作性且识别率较高的(2)资产流动性:X11 代表流动资产周转率、X12 代表总
财务舞弊识别方法。资产周转率、X13 代表应收账款周转率。
另一方面,学者们研究的是针对重大错报风险识别模型(3)重大关联交易:X14 代表关联购销比率、X15 代表对
的构建。典型代表有:汪(2006)从宏观、行业和微观三种外担保比率。
视角下构建重大错报