上市公司会计信息失真识别定量研究.pdf

湖南大学 硕士学位论文 上市公司会计信息失真识别定量研究 姓名：吴波 申请学位级别：硕士 专业：企业管理 指导教师：张玲 20060427 硕士学位论文 摘要 会计信息失真已经曰益成为社会关注的焦点问题，但对其进行识别特别是应 用定量方法的会计信息失真识别具有一定的难度。本文将国外会计信息失真识别 的定量研究应用于中国，以中国上市公司的会计信息失真为研究对象，根据上市 公司年报的审计意见构建实证样本，选取反映企业经营情况的2 8 个指标，运用多 元判别分析方法和基于L M 算法的B P 神经网络，建立了三个我国上市公司会计 信息失真识别的定量模型。研究结果表明会计信息失真多元判别分析识别函数和5 指标神经网络识别模型具有较高的识别能力。本文分为四个章节： 首先，本文提出选题背景，总结国内外研究现状，同时阐明研究目的、研究 步骤及行文结构；第二章研究会计信息失真的理论基础和概念内涵，阐述审计意 见与会计信息失真的关系，为依据审计意见类型选取实证样本进行理论铺垫：第 三章介绍会计信息失真识别定量研究的样本选取、识别指标选取和筛选，最后构 造实证模型；第四章在剖面分析基础上结合实证样本和识别指标进行定量研究， 依次建立会计信息失真多元判别分析识别函数和1 3 指标、5 指标神经网络识别模 型，并分别检验它们对中国上市公司会计信息失真的识别能力；最后结论对会计 信息失真识别的定量研究结果进行归纳总结，探讨本研究对识别会计信息失真的 理论和实践意义，并指出本研究存在的局限及后续研究方向。 研究结果表明多元判别分析识别函数和5 指标神经网络识别模型对会计信息 失真具有较强的识别能力，特别是后者应用于中国上市公司的会计信息失真识别 可取得高于7 0 的准确性，这一成果将为会计事务所、投资者和监管部门提供相 关理论支撑和技术支持。 关键词：会计信息失真；多元判别分析：神经网络；识别模型 上市公司会计信息失真识别定量研究 A b s t r a c t F r a u d u l e n ta c c o u n t i n gi n f o r m a t i o nh a sb e c o m eaf o c u so fs o c i a lc o n c e r n ，b u ti ti s d i f f i c u l tt ob ei d e n t i f i e de s p e c i a l l yw h e nu s i n gt h em e t h o do fq u a n t i f i c a t i o n T a k e nt h e f r a u d u l e n ta c c o u n t i n gi n f o r m a t i o no fC h i n a Sl i s t e dc o m p a n i e sa st h eo b j e c t ，t h i sp a p e r a p p l i e st h eq u a n t i f i c a t i o n a lr e s e a r c ho fi d e n t i f y i n gf r a u dt oC h i n a Ss e c u r i t i e sb u s i n e s s A c c o r d i n gt ot h ea u d i to p i n i o no fa n n u a lf i n a n c i a lr e p o r t i n go fl i s t e dc o m p a n i e s ，w e i d e n t i f yt w ok i n d so fe m p i r i c a ls a m p l e sa n dc h o o s et w e n t ye i g h tf i n a n c i a li n d i c e s M a k i n gu s eo fM u l t i v a r i a t eD i s c r i m i n a n tA n a l y s i sa n dA r t i f i c i a lN e u r a lN e t w o r kb a s e d o nL Ma l g o r i t h m ，w eb u i l du pt h r e em o d e l so fi d e n t i f y i n gf r a u d u l e n ta c c o u n t i n g i n f o r m a t i o no fl i s t e dc o m p a n i e si nC h i n a I nt h er e s e a r c h ，t h eM D Af u n c t i o na n d 5 - i n d i c e s A N Nm o d e li l l u s t r a t eag r e a tp o w e ri ni d e n t i f y i n gt h ef r a u d T h i sa r t i c l ei s d i v i d e di n t of o u rc h a p t e r s C h a p t e r1 i n t r o d u c e st h eb a c k g r o u n da n dl i t e r a t u r e s u r v e yo ft h i sr e s e a r c h ， c l a r i f i e st h ep u r p o s e p r o c e s sa n ds t r u c t u r eo ft h i sp a p e r W i t ht h ep u r p o s eo fp r o v i d i n g f o u n d a t i o no fc h o o s i n ge m p i r i c a ls a m p l e sa c c o r d i n gt oa u d i to p i n i o n ，C h a p t e r2 s t u d i e st h et h e o r e t i c a lb a s i sa n dc o n c e p to ff r a u d u l e n t a c c o u n t i n gi n f o r m a t i o n ， e x p a t i a t e s t h e r e l a t i o n s h i p b e t w e e na u d i t o p i n i o n a n df r a u d u l e n t a c c o u n t i n g i n f o r m a t i o n C h a p t e r3i n t r o d u c e st h ep r o c e s so fs a m p l ec h o o s i n g ，i n d i c e ss e l e c t i n g a n df i l t e r i n g ，a n dm o d e lc o n s t r u c t i n go fq u a n t i f i c a t i o n a lr e s e a r c ho fi d e n t i f y i n gf r a u d B a s e do nt h ed e s c r i p t i v ea n a l y s i s ，C h a p t e r4b u i l d su pM D Af u n c t i o na n dA N Nm o d e l s o fi d e n t i f y i n gf r a u d u l e n ta c c o u n t i n gi n f o r m a t i o no fC h i n a Sl i s t e dc o m p a n i e s ，a n d v e r i f i e st h ei d e n t i f y i n ga b i l i t yo ft h e s ef u n c t i o na n dm o d e l s C o n c l u s i o ns u m m a r i z e s t h er e s u l t ，p r o b e si n t oi t sa c a d e m i ca n dp r a c t i c a ls i g n i f i c a n c e ，a n dp o i n t so u tt h e l i m i t a t i o na n dd i r e c t i o no ft h ef u t u r ee m p i r i c a lr e s e a r c h T h er e s u l t so f r e s e a r c hs h o wt h a tt h eM D Af u n c t i o na n d5 - i n d i c e s A N Nm o d e lc a n s u c c e s s f u l l yi d e n t i f yt h ef r a u d u l e n ta c c o u n t i n gi n f o r m a t i o n P a r t i c u l a r l y ，7 0p e r c e n t a c c u r a c y c a nb ea c h i e v e du s i n gt h el a t t e rm o d e li n i d e n t i f y i n gf r a u do fl i s t e d c o m p a n i e so t h e rt h a nt h eo r i g i n a ls a m p l e s T h eo u t c o m eo ft h er e s e a r c hw i l lp r o v i d e a c a d e m i ca n dp r a c t i c a l s u p p o r tt oa c c o u n t i n gf i r m ，i n v e s t o r s a n dg o v e r n m e n t d e p a r t m e n t s K e yw o r d s ：F r a u d u l e n tA c c o u n t i n gI n f o r m a t i o n ；M u l t i v a r i a t eD i s c r i m i n a n t A n a l y s i s ；A r t i f i c i a lN e u r a lN e t w o r k ；I d e n t i f y i n gM o d e l I I I 硕士学位论文 图1 1 图2 1 图2 2 图4 1 图4 2 图4 3 图4 4 图4 5 图4 6 图4 7 图4 8 图4 9 图4 1 0 图4 1 l 插图索弓 研究技术路线图6 会计信息质量特征1 0 审计市场多代理关系图2 3 两类样本典则判别Z 值分布统计图4 4 选择传递函数的训练结果图( 1 3 指标) 4 7 选择训练函数的训练结果图( 1 3 指标) 4 9 确定隐层结点的训练结果图( 1 3 指标) 5 0 1 3 指标神经网络识别模型结构图5 0 1 3 指标神经网络识别模型训练结果图5 0 选择传递函数的训练结果图( 5 指标) 一5 2 选择训练函数的训练结果图( 5 指标) ”5 3 确定隐层结点的训练结果图( 5 指标) 5 4 5 指标神经网络识别模型结构图一5 4 5 指标神经网络识别模型训练结果图t5 5 上蛮公司会计穰息失真识别露繁磺究 表2 1 表2 2 表3 。1 表3 2 表3 3 表4 1 褒4 。2 表4 3 液4 4 表4 5 液4 6 表4 7 衷4 。8 裘4 。9 表4 1 0 表4 1 1 袭4 ，1 2 表4 1 3 表4 1 4 衰4 。1 5 表4 1 6 表4 1 7 表4 1 8 袭4 。1 9 液4 2 0 寝4 2 1 袭4 。2 2 表4 2 3 袭4 2 4 表4 。2 5 表4 2 6 表4 2 7 附表索引 审计意见类型及其条件1 7 1 9 9 3 年至2 0 0 4 年深沪两市t 市公司年报审计意见分类统计2 0 谖嬲糖标选取及诗算公式2 8 均德相等假设稳验2 9 识别指标相关陛检验3 0 剖蕊分析3 7 K o l m o g o r o v 。S m i r n o v 检验袭3 8 方麓一协方差阵行列式对数值3 9 B O X SM 检验结果3 9 每一步参与分撵懿变量表3 9 每一步没有参与分析的变熬表4 0 指标输入输出液4 1 典则刿裂函数特征值表4 2 爽掰翔掰函数缭构矩阵表4 2 标准化的典则函数系数表4 2 非标准化的典则函数系数袭4 2 F i s h e r 判羁丞羧系数表4 2 样本先验概率宸4 2 组辍心函数值淡4 3 缝愈Z 建疆等髅检验4 3 多元判剐分析识别函数拟合优度检验4 4 原始和检验样本典则判别z 值分布统计农4 5 多元判别分析识别丞数识别能力检验4 6 逸舞传递函数豹诩练结栗袭( 1 3 指标) 4 7 选择训练函数的训练结果袭( 1 3 指标) 4 9 确定隐层结点的训练结果表( 1 3 指标) 5 0 1 3 揍标稳经掰终识戮摸螫努类缝莱5 选择传递函数的训练结果袭( 5 指标) “5 2 选择训练函数的训练结果袭( 5 指标) ”5 3 确定隐层结点躲训练结果裘( 5 指标 5 4 5 指标神经网络识别模垄分裘结粟一5 5 本研究与国外研究对比表5 6 V 湖南大学 学位论文原创性声明 本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取 得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其 他个人或集体已经发表或撰写的成果作品。对本文的研究做出重要贡献的个 人和集体，均已在文中以明确方式标明。本人完全意识到本声明的法律后果 由本人承担。 作者签名：萝、湾 日期：砷啤p 月争日 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学 校保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查 阅和借阅。本人授权湖南大学可以将本学位论文的全部或部分内容编入有关 数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位 论文。 本学位论文属于 1 、保密口，在年解密后适用本授权书。 2 、不保密团。 ( 请在以上相应方框内打“4 ”) 作者签名： 导师签名： 日期：训站年y 月7 日 日期：如绰年月帮日 硕士学位论文 1 1 选题背景 第1 章绪论 从蓝田股份、银广夏，到最近的科大创新、北大科技，自2 0 0 2 年至2 0 0 5 年， 中国证券市场共有7 1 家上市公司因会计信息虚假披露遭受证监会行政处罚，但这 只是会计欺诈的冰山一角，还有更多的上市公司处于被证监会立案调查阶段而尚 未完全浮出水面。2 0 0 4 年5 月至9 月，国家审计署组织对1 6 家具有上市公司审计 资格的会计事务所审计业务质量进行了检查，重点延伸检查了3 0 家上市公司，检 查发现，有1 4 家会计事务所的3 7 名注册会计师出具的1 9 份审计报告存在失实或 疏漏，涉案金额以数十亿计【1 1 。即使是在审计失实泛滥的前提下，从1 9 9 6 年第一 批独立审计准则施行起，上市公司被出具非标准审计意见。的审计报告比率始终保 持在l O 以上，1 9 9 9 年更是高达1 9 7 。 被誉为现代公司治理结构经典的美国上市公司同样逃脱不了会计信息欺诈圆 的愚弄，2 0 世纪9 0 年代末期以来，美国公司会计丑闻曝光的范围和规模超过了 大萧条以来的任何时期，从1 9 9 5 年到2 0 0 4 年，公司纠正财务报告的案例从每年 5 0 例增长到每年1 5 0 例。2 0 0 1 年1 2 月E n r o n ( 安然公司) 因会计丑闻曝光刷新了 公司破产规模的记录，六个月之后W o r l d C o m ( 世界通信) 再度爆发丑闻，再创公 司破产规模的记录，曾经显赫的朗讯、泰科、旅乐、默克等公司也因涉嫌会计信 息欺诈而成为会计丑闻家族的一员。 会计信息是价值运动及其特性的一种客观反映，是经济主体各方利益相关者 进行经济决策的重要依据。而在资本市场，作为证券市场的基石的上市公司直接 面对广大社会公众，因而他们的会计信息失真行为具有极大的危害性和破坏性， 它不仅误导投资者和债权人，使他们根据失真的会计信息做出错误的判断和决策； 而且误导政府监管部门，使监管部门不能及时发现、防范和化解由上市公司的财 务风险所引发的市场风险。不仅如此，会计信息失真使作为企业会计信息的审计 监督方会计事务所的信誉遭到极大的挑战，注册会计师审计面临着空前的信任危 机，甚至严重影响到整个社会的信用基础。2 0 0 1 年4 月6 日，朱镕基总理为上海 国家会计学院成立题词“不做假账”，2 0 0 2 年3 月又在九届四次人大会议上特别强 调全社会要建立诚信机制。可见，会计信息失真已被提高到了为学术界乃至社会 。指注册会计师出具除标准无保留审计意见以外的各种情形，包括带说明段的无保留意见、保留意见、保 留意见加说明段、无法表示意见、否定意见。 。会计信息失真作为一个中文名词，在国外文献中无法找到一个确切的英文单词与之相对应。国外一般表 述为“F r a u d u l e n t A c c o u n t i n gI n f o r m a t i o n ”，本文翻译为。会计信息欺诈”。 上市公司会计信息失真识别定量研究 各界人士共同研究探讨的浅度。 然而，在正常的审计程序中识别会计信息失真怒异常困难的。根据P o r t e r ， C a r m e r o n ( 1 9 8 7 ) 鞠C o d e r r e ( 1 9 9 9 ) 静论述：酋先，会计信息欺诈存在一定的特 征，然两擞前缺乏识别这耪特缝蛇等段与技术；其次，大部分率计烬缺芝识别会 计信息欺诈的经验；煨后，企业管理层在会计报表中会刻意掩饰虚假的会计信息， 瓿蔼逃避帘计1 2 冲l 。基于魏，1 9 9 7 年，美阑审计标准委员会发布了第8 2 弩审计标 准( S A SN o 。8 2 ) ：审诗会诗摄液欺诲【射。该标准搀评售会计倍感浆散诈搿戆戆艇 定为审计师一项义务，它皴励审计师调查企业的内部控制系统朝企业管璁层对于 会计信息欺诈的态度，从而作出评估。可以说，评估会计信息欺诈遮一方法在审 诗繁划泠段是至关重要熬；它在一定程癀圭岛窜诗帮提供了窜诗绩莱懿参考，审 计师可以根据评估结果决定审计程序以及审计项目，从藤提高审计工作憋效率， 更重臻的怒，提高了识别会计信息欺诈的可能性和精确性海 在我辫，猿立审计壤黧没有畿定浚瓣会计；| i | i 在避稽审诗Z 作辩受寄对会计 信息欺诈的可能性进行评估的义务，面仅规定“发现可能导致会计撤表严重失实 的错误与舞弊”，但“并不能保证发现所有的错误或舞弊”I S 。在这种背景下，中 藩带公鞠会计信意失真、会计信惑漱诈事件麓出不穷。在学术界，自1 9 9 4 年至 2 0 0 5 年底，标题中带有“会计债息失真”字眼发表豹论义达三乎余簇之多，文章 大多从理论角度阐述会计信息失真现象、分析其产生原因、归纳其袋现形式、提 邂其解决方法，丽应用定黧方法实证研究国内会计信息失真的帮寥寥可数。 鉴于上述魏炊，毒必舞憋爨乡 零诗会计信感款谗、谈剃会计莹惑失爽熬定量 方法引入我国资本市场，研究一种适用于中国资本市场的识别会计信息失真的定 量实证方法，为我菡会计事务所审计企业会计报表工作提供量化技术支持；帮助 投资梗擒秘孛奎投炎蠹识别上枣公司会计傣意失寞，麸露进行投资凌策；翻强证 j | 氲会和投资者对我国上市公司会计信息的般管，提高会计傣恳的真实性和可靠性。 1 2 研究目的 基于上述分板，本文将默孛曩上市公蜀鳇会诗傣息失粪戈璎究对象，摄撂上 市公司年撒审计意见选取会计倍息失真识别定擞研究样本，同时筛选对会计信息 失真矮有较高谈剐能力的指标，进而应用多元判剐分析方法和人工神经刚络分别 建立识别摸型。逶过零臻炎姆达燮竣下几个嚣戆： ( 1 ) 理论研究明确会计信息失真的概念，界定其内涵； 是摸傍入藏帮毒孛经豢统的绩穆裁产生兹，宅蒸凑类经 入脑功能酌蓿干基本特镊，具有大藏模并行处理、自学习、翻组织、自适应能力， 能独立地处理复杂非线性问题，不限定于严格的前提假设条件。作为研究复杂性 的有力工具，秘经网络技术近年来程模式识别、分类、预测簿方面已展承了其非 忍静往越瞧，它雏楚毽镁懑类墅鳇数据，这是译多传统方法掰无法毙稼的。 神经网络包括学习和预测两个过程。首先用训练集的数据训练这个神经网络， 使不同的输入向量得到相应的输出值，然后与预期反应相比较。如果错误率超过 霹夔接受熬水平，霉娶辩狡重痒爨修改莠秀始攀琵蓬程。经；霪反复疆繇，当误差 降到一个指定的范围内时，神经网络所持有的那缀权数值就怒网络通过囱学习得 到的权数值，即完成了神经网络的自学习过程。屉后输入预测样本的数据，让训 练好的神经鼹终输出结聚，实理神经网络戆会诗傣惠失囊识剐。 神经潮络模型豹优杰主要体现强；( 1 ) 它主溪根据掰提供的数据，邋过学习 和训练，找l 士；输入与输出之间的内在联系，从而求取问题的解。因为它不是完全 依据对问题的经验知识和规则，所以具有自适成功能，这对予弱化权重确定中的 久为嚣素楚十分有蔻鹣；( 2 ) 它熊够楚理那些奔噪声或不竞全静数据，燕套泛纯 功能和很强的容错能力 ( 3 ) 神经网络并不依赖于变量之间必须线性相关或是相 亘独立的假设。由于会计信息失真识别往往是非常复杂的，锫个因素之间相互影 嚷，呈瑗爨簸杂豹菲绞魏关系，久王穆经网终灸楚理这类嚣线性运题挺镞了强舂 力豹工具。 3 3 2 剖面分析 裁瑟分毒蠢是一穆筵繁弱骚究方法，考察擎个魄率戆交麓憝势。奉磺突诗箕或 描述会计信息失真公司和会计信息真实公司在出具审计报告当年的描述憾统计量 威特征值，采用的主要统计量有： 3 3 2 。l 壤镶 均值描述样本公司中识别指标当年的平均值，计算公式为： 瓦* 上P 冠， ( 3 8 ) 强箕。 其中；i 跫分组静缀数( i = 0 ，1 ) ；辨；是出其警诗报告当年第i 组的样本公司数； R 。是第i 组样本第j 个公司的识别指标数据。 3 3 1 2 2 标准差 标准差是反映第i 缀样本公司黥识剐指标R 的离散程度的指标。计算公式为： & = 鼯l - - L - 鬲R 葡 ( 3 9 ) 3 3 。2 3 谪瘫 偏度怒反映第i 组中样本公司财务指标分布概率密度的对称性的指标。如果偏 度大于0 ，则分布是意镳或正偏的，分布密度曲线驰尾巴撼囱右方。如果偏度小于 0 ，羹| j 分布建左谝静致鬣攘豹，分露密度夔线惑殴拖商左方。犏度系数b 是由识澍 指标的三阶矩计算而来，公式为： 屯= 去善。筘一对毽 ( 3 - 埘 通常，当分布曲线为右偏时，密度曲线最大值位于均值左侧，左偏则相反。 在识别指标里右偏的情况下，表明小于识别指标均值的样本数偏多。谯同样右偏 的情况下，偏度系数越大，表明镰斜程度越大。 3 3 2 4 峰度 峰度怒测度识别指标分布的形状。以正态分布的蜂度为基准，芷淼分布的峰 度定义秀0 。当蜂度馕为歪，表示您难态分毒稳魄，该分蠢爨毒尖峰簿惩瓣! | 等蔹 若峰度为负对，嬲表承与正态分布棚比，该分布具有低蜂薄尾的特征。蒋一个分 布的峰度值很大，是由于存在偏离均值幅度犬异常值造成的。峰值k 由识别指标 的四阶矩计爨，公式为： 毛击薹k 司，醛j s 3 3 。3 多无线性判别分析模型 本文激用豹多元线性羯鬃分攒技术为F i s h e r 二类线毪翔羽技术。F i s h e r 准翔对 总体的分稚炎型并无规定，只要求有二阶矩存猩。F i s h e r 准则下的线性判别函数是 使得判别效率达到最大的判别变量线性组合：假定有两个不同的总体( 会计信息 失寞与会诗羡惠囊实疆炭公司) ，整蠢k 令爱浚不嚣慧箨之麓数量特征蓑舅熬疆撬 变量( 识别指标) ，根据指标数据，拟合一个最优的线性判定模型： z = 髓+ 卢，工， ( 3 1 2 ) F i s h e r 认为，要使z 能最大激凄缝送分嚣炎不蘑豹总体，区分参数声，登须使 两个总体之间E ( Z 。) 值的离差平方；f nB 相对于两个总体的z 值的方差尽W 能地大， 即： 璐参 。- 3 其中B = 陋( z I ) 一嚣( z ：汗；矿= V a r ( Z , o ) = 成c b v 伍) 成；a = l ，2 ，；C o v ( X ) 为 上市公司会计信息失真识别定量研究 各变量间的方差一协方差阵。 本研究中使用的F i s h e r 二类线性判定分析的“最佳判定点”是根据“完全对 称分类原则”确定，即根据线性判定模型分别计算出两类样本的均值z 。和z ：，则 “最佳判定点”是： f ：! ! 兰! ! ! 兰! ( 3 1 4 ) n l + n 2 若= n ：，则M = 刍姜兰王。若以观察单位的相关数值代入判别函数所得z 值 大于或等于M ，则判定为总体二，否则为总体一。 3 3 4 基于L M 算法的B P 神经网络 3 3 4 1 前向神经网络 前向神经网络作为种特殊的人工神经网络结构由输入神经元、隐层神经元、 输出神经元组成。神经元分层排列，每一层的神经元只接受来自前一层神经元的 输入。输入模式经过各层次的顺序传递，最后在输出层上得到输出。 输入神经元接收环境的信息( 本研究中的识别指标) ，位于网络的最底层；输 出神经元把信息传递到环境中去( 本研究中是会计信息失真或会计信息真实的状 态) ，位于网络的最高层；隐含神经元不与环境发生交互作用，因此是不可见的。 其中每个神经元都是一个简单的计算装置，其特性由简单的数学函数所描述，神 经元i 接收其它神经元传递来的输入信息，然后根据传递函数f I 产生输出信息，输 出信息又按照网络的拓扑结构传递到下一个神经元。 每一条连接弧都被赋予一定的数值来表示连接弧的连接强度，正的权值表示 影响的增加，负的权值表示影响的减弱。在前向网络中，神经元间前向连接，同 层神经元互不连接，信息只能向着一个方向传播。前向网络的连接模式是用权值 向量来表示的。在网络中，权值向量决定着网络如何对环境中的任意输入作出反 应。同样，网络也是通过不断调整权值来完成整个学习过程的。 3 3 4 2 反向传播学习算法 反向传播学习算法( B a c k P r o p a g a t i o n L e a r n i n g A l g o r i t h m ) 适用于前向网络， 它采用有导师学习的训练形式，提供输入矢量集的同时提供目标输出矢量集，通 过反向传播学习算法，调整网络的连接权值，以使网络输出在最小均方差条件下， 尽量向期望输出接近。假定神经网络输入层有n 个神经元，输入向量为 x i ( i = l ，2 ，n ) ：隐层有m 个神经元，结点为y j ( j = l 2 m ) ；输出层有P 个神经元， 输出向量为z k ( k = l 2 ，p ) 。这三者之间的关系为： y ，= ，l nE t q | ；矿，f 芝w 盖y ，一巩1 ( 3 1 5 ) 2 l ，= 1 其中f 称为神经元的传递函数，常用的有S i g m o i d 函数及其对数、正切、线性 硕士学位论文 函数。以、w 磊分别为输入层神经元i 与隐层神经元j 、隐层神经元J 与输出层神 经元k 之间的连接权重。则Q 个样本输入经过一次传递后得到输出向量为 Z i k ( 1 = l 2 ，Q ) 。则Q 个样本输出的误差函数为： E ：丢兰圭( 一D 肫) z ( 3 1 6 ) f 1 k = l 其中D I k 为第1 个样本第k 个结点的目标输出值。然后通过改变以、w 斋来减 小E ，以使得所有的输出矢量都尽量与相应的目标输出矢量相匹配。因此训练的 过程就转化为定义在权值空间上的目标函数E 的极小化问题。 反向传播神经网络B P 算法步骤描述如下： ( 1 ) 权值和阙值初始化，随机给出全部权值和神经元阈值的初始值，计数 器置零t = 0 。 ( 2 ) 给定输入x i ( i = l ，2 ，n ) 和目标输出Z k ( k = l ，2 ，P ) ，即导师信号。 ( 3 )计算神经网络前向传播信号。本研究采取具有n 个节点的输入层，m 个节点的隐层和1 个节点输出层的三层网络，输入隐层节点是： 厂、 y 。= ，I 砖而一巳】；j 2 l ，2 ，m ( 3 1 7 ) l t l 隐层输出层的输出节点是： z 。：爿妻w ；y ，一1 ；k = l 2 ， (318)2 P 1 8 z 。= 卅以y 厂l ； ， ( 3 - 户1 ( 4 ) 修正权值。从输出层开始，将误差信号沿联接通路反向传播，以修正 权值，即： 以( r + 1 ) = ( r ) + 矿占二：嵋( f + 1 ) = 2O ) + 矿畦y ， ( 3 1 9 ) 其中r 1 、矿为学习率，、艿舂为误差项；X i 、Y J 为输入层和隐层的值。 ( 5 ) 如果达到误差精度要求，即 A E s ，业( f ) = E O + 1 ) 一E O ) ( 3 2 0 ) 其中占是误差精度要求，即t s T o ，其中T o 是循环次数要求，T o 是一个很大的 正整数。 如果( 3 1 9 ) 满足，则完成网络训练；否则转向公式( 3 1 8 ) ，继续训练神经 网络。 3 _ 3 4 3L e v e n b e r g M a r q u a r d t 算法 传统B P 学习算法在进行E 的极小化时运用的是梯度下降法。在训练过程中总 是以尽可能快的减小误差函数的方式进行，每一个权值的变化量虮按如下方式计 算： 峨= 一玎罢 ( 3 2 1 ) 主泰公霉会诗僖塞失赛豢鬟是璧臻究 其中r 为学习率，魑控制算法收散速度的参数。然而，在实际应用中梯度下降 法存在一些不足，主要怒收敛速发缀馁、容易收敛予局部最小点、学习窭帮拐始 粳值等参数难戳调整簿等【豁l 。兔就，本文采蕊一种基予数值优证静方法即 L e v e n b e r g - M a r q u a r d t 算法( 简称L - M 算法) 。L 。M 算法是介于牛顿法与梯度下降 法之间的搜索方向寻优的一种算法。假定求函数的极小值，遮用牛顿法则有： A Z = - I v 2 扩( Z ) 】。v V ( Z ) ( 3 , 2 2 ) 这里V 2 y ( z ) 为H e s s i a n 阵，v v ( z ) 为梯度。令e ，= 0 时，判为会计傣息真实企溉。 根据以上判别法则，由图4 1 可见，对于样本0 ，判别z 慎小于0 的属予误判， 因戴共有1 8 令样本误判；对于样本l ，判裂Z 蠖大予0 熬羼予误鬟，因熊共有2 3 个样本误羯。 袭4 1 6 多元判划分析识别函数拟台优度检验 预测谯 样本类戮套诗 0l 计数 O8 9l g1 0 7 l2 39 41 0 7 原始使 08 3 21 6 B l O O o 百分比 l2 l 。57 8 + 51 0 e 0 计数 O，嚣8 1 9 1 0 7 l 2 58 21 0 7 交互式检验 O8 2 21 7 81 0 0 o 吾分比 l2 3 。毒7 6 6l O O 。e 由表4 1 6 可见，依据识别两数对训练样本静刿剐结果，会计信息失巍多元判 别分析识别函数对会计倍息真实公司识别正确率为8 3 2 ，对会计信息炎真公司 识舅4 正确率为7 8 5 。练会识别正确率先g o 。8 。 交互式检验莛瓣崮豫该褒测量叛静静其穗溪测量导窭静结果进雩亍捡骏。会诗 信息失真多元判别分析识别函数对会计信息真实公司识别正确率为8 2 2 ，对会计 骥掌位论文 信息失真公司识别正确率为7 6 6 。综合识别谁确率为7 9 4 。 4 。2 。6 多嚣判别分耩识别函数识别裴力检验 为了展示上文建敷的会计信息失真多元判别分析识剐函数的精确魔和实用 性，作者选取沪深两市1 4 5 8 家上市公司2 0 0 4 年年报作为检验样本。其中沪市8 7 3 家，深市5 8 5 家；窜计慧见尧标准笼僚整意见懿撵本1 3 2 4 家， 标准睾诗意见t 3 4 家。 以会计信息失真多元判别分析识别函数对梭验样本进行计算，根据上述判别 法则，对予检验样本样本0 ，判别z 值小于0 的属于误判，覆此共有3 6 6 个样本 误翔；怼予徉本1 ，獒潮Z 篷丈予0 戆震手误剿，毽毙共骞4 3 令样本谈麴。样本 判别z 值的统计分布如表4 1 7 。 多元判别分析识别函数判断检验样本的准确度结果见袭4 。1 8 。多元判别分析 识剐垂数瓣会诗售患囊实公司谖鬟燕磺率热7 2 4 ，对予会诗痿塞失冀公司谖裂 正确率为6 7 9 ，对检验样本的综合识别正确率为7 0 2 。 表4 1 7 原始和检骚样本典则判别Z 值分布统计寝” 。表中灰色阴影数字为锩削样本数量。 上市公司会计信息失真识别定量研究 表4 1 8 多嚣判剥分板谈别茧数设别能力捻验 预测结果 样涔类型 仑计 真实失真 计数 真实 9 5 83 6 61 3 2 4 检验样本 失真4 3 9 11 3 4 真实 7 2 42 7 6l O O 。0 吾分毙 失真 3 2 16 7 91 0 0 0 4 3 会计信息失真识别的1 3 指标神经网络研究 本文建立的B P 神经网络模型是通过M a t l a b6 5 软件实现的。 L i p p m a n ( 1 9 8 7 ) 证秘一个三层的B P 神经两络可以戳任意精度逼近任意映射 关系，毽姥本文采建单隐瀑B P 网络f 8 矾。 酋先采用筛选得到的1 3 个指标作为会计信息失真识别指标建立B P 神经网络 模型，即作为人工神经网络模型的输入神经元。经过隐层后，输出个变量，将 会诗傣惠失囊企业榉本定义为| ，会诗信懋真实企鼗撵本定义必0 。 韧始训练设定训练次数为5 0 0 ，性能误差目标为0 ，最小梯度为l e 0 1 0 ，学习 率卢的初始值为O 0 0 1 ，其增加系数为l O ，减小系数为0 1 ，最大值设定为l e l 0 ， 对黧络送嚣翊练。 M a t l a b6 。5 软件巾，神经网络的性能隧数为m s e ，当m s e - F 降为性能谖差联标 0 时，网络停止训练。梯度的表达函数为G r a d i e n t ，当G r a d i e n t 下降为最小梯度为 l e 一0 1 0 竣下薅，潮络停丘落练。 人工樾经网络训练的原则是要求r o s e 能以最快的速度下降或接避至预先设定 的性能误麓目标，同时网络不豳为达到最小梯发而停止训练。 神经黼络结构静确定由三个要素组成，分剐是传递醋数的选择、调练函数的 选搔以及爨层终点数量黪确定，以一F 将遵过对神经嬲终遴嚣训练班镄定神经网络 的结构。 4 3 1 选择传递函数 神经朦之间的传递函数常用的宥：线性函数及S i g m o i d 函数的对数、正切， 它稻戆涎数表这式分期为： 1， p u r e l i n ( x ) 2 x，logsig(x)。彳；之；，tansig(x)=二l+e-2xq- 一14 t 5 I口 B P 神经网络结构中，竣入层、隐层、输出