研究与创新ISTUDY AND INNOVATION 基于模糊化遗传BPN财务报告舞弊现别技术初探沈阳工业大学梁杰吕唯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表1分类算法比较表人而言，具有重大的风险和潜在的危害。与财务业绩下滑相比，财分类算法优点缺点美式使用不需经样本数据转换，其概率常落在0与1之外，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Logistic回归故较容易使用不符合概率假设的前提大。从美国的"安然事件"到我国的"银广夏事件国内外的舞弊可解决区别分析中自变量数据非只能应用于二分类选择模(统计分析)常态的问题案件层出不穷、屡禁不止。不难看出，每一个舞弊的发现都必定会式伴随着惊人的后果，并且会在即刻之间严重冲击企业的价值。因清楚表达规则无法考虑所有相关的属性不需要复杂的运算分类种类易趋于过多此，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决策树分类能够处理连续和分类的变量推论的过程易受样本缺失作强度及难度，研究舞弊的班别技术，寻求高效、便捷、操作性强的的影响财务报告舞弊到别模型迫在眉睫。能处理定性与定量属性的变量必须提供大量的训练样本在复杂的领域中能获得不错的结才能建立较正确的模式一、模糊化遗传BPN演算方法的提出人工神果，应用范围广泛i"芳、箱"的特性也就是无尽管通过己有的研究以及一些简单的模型可以初步判定企业能够处理连续和分类的变量经网络法了解会其趋分向析气所根据的因素可利用许多现成的软件可能会向于一个较差的财务业绩是否出现衰退迹象，但由于财务报告舞弊的盟别有着很结果多挑战性的因素，如舞弊样本量极小、舞弊于法繁多、识别的特征能够处理模糊的信息或是不完全归属函数的给定较为主观指标不易设定、班别技术的选择及智能设计较难掌握等，因此现别的样本数据模糊理论可以将属性值转换成模糊集合来虚假财务报告一直是困扰会计界的重大难题O处理，而不需经过复杂的计算(一)模糊化遗传BPN演算方法的必要性随着信息技术的难以撰写方程式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能处理大范围的数据种类计算较复杂遗传算法适合于求最佳解只能利用少数软件而解。数据挖掘技术(即利用数据库技术来存储管理数据，利用机适合与人工神经网络联合使用器学习的方法来分析数据，从而控掘出大量的隐藏在数据背后的及BP神经网络算法等。知识)巳深受人们关注。会计本身就可以定义为一个信息系统，将(一)模糊逻辑算法模糊逻辑算法简单地说是人们对许多决数据挖掘技术应用于财务报告舞弊的班别必将是一个趋势，并且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己有学者对该种方法的可行性进行初步探讨。随着数据挖掘技术种应用科学技术。该模型包括三个主要处理程序:模糊化(fuzz出的改进及发展，发掘实用高效的数据挖掘算法，构建舞弊识别系cation)、推论(inference )及反模糊化(defuzzification)。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( 1 )模糊化(fuzzification) :将原始的数据，利用隶属度函数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"偏的技术优势以及班别系统的构建进行逐步研究，力求设计出更加高"、"适中"或"偏低"等。(2 )模糊推论(rule evaluation,fuzzy inference) :根据模糊输行之有效的财务报告舞弊颤别技术。(二)模糊化遗传BPNP寅算方法的提出数据挖掘技术分为入，依照口语化的规则(linguistic rules ) ，产生模糊结果，如透过IF..THEN..的形式将推论加以定式化。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规则:if x is A then y is B 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事实:xis A’ 技术。探索型数据挖掘包括分群、关联分析、频度分析技术。预测结论:yis b’ 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(3 )反模糊化(defuzzification) :将模糊输出转换成可表达的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、机器学数据。习、决策树、粗糙集、人工神经网络和遗传算法等。(二)遗传算法遗传算法是模拟生物进化过程的算法，由三舞弊'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，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的优劣具体比较(见表1)。独特的优势。其可以单独用于数据库中关联规则的挖掘，还可以和基于此，综合各种分类算法的优势，本文提出模糊化遗传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BPN财务报告舞弊识别系统。简单二、模糊化遗传BPN的演算方法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模糊化遗传BPN的演算方法包括模糊逻辑算法、遗传算法以的地位，这是由其本身的特点和优点所决定的。(1)遗传算法的处整整则公帆·综合2∞8年第11期
研究与创新ISTUDY AND INNOVAT ION 理对象不是参数本身，而是对参数集进行了编码的个体，可以直接不仅能发挥神经网络的泛化映射能力，而且使神经网络克服收敛对集合、队列、矩阵、图表等结构进行操作;(2)具有较好的全局搜速度慢、容易陷入局部误差极小点、网络结构和学习参数难以确定索性能，减少了陆于局部最优解的风险，同时，遗传算法本身也易等缺点;同时还可以优化神经网络的结构和连接权系数，这就满足于并行化;( 3 )在标准的遗传算法中，基本上不用搜索空间的知识了求得最优BPN的必要条件。另外，遗传算法本身计算量较大，每或其他辅助信息，而仅用适应度函数值来评估个体，并在此基础上次迭代过程需要大量运算，尤其是当遗传算法收敛到一定程度后，进行遗传操作;(4)遗传算法不是采用确定性规则，而是采用概率整个解群的素质和最优解素质的改善变得比较困难，导致搜索时的变迁规则来指导其搜寻方向。间呈指数增长，此时用BP网络寻求最优参数组合比单纯用GA搜(三)BP神经网络反传递神经网络(BPN)模式是监督式索要节约大量时间。学习网络(SupervisedLeaming Network)的一种，在取得训练样本四、模糊化遗传BPN财务报告舞弊Ii别系统的构建后，透过训练样本输入网络时，告知网络预期的输出结果，而输入模糊化遗传BPN财务报告舞弊颤别系统由模糊演化训练样本的目的主要是让网络学习，当学习完成后再利用测试样(Fuzzy)、遗传算法(GA)和BP神经网络三个模块构成。具体系本来进行模式的测试。由于BP神经网络具有高学习准确度、回想统构建流程如图1所示:速度快以及能含杂讯资料处理等优点，因此运用最为普遍。其基本原理是利用梯度下降法(the gradient s阳pestdescent method ) 的观念，通过学习过程中输出值与期望输出值偏差，不断反向传递至隐藏层和输入层来调整加权值修正量及阀值修正量，使输出值与期望之间的误差予以最小化，进而通过不断学习求得最佳网络模式已达到预测的目的。BP网络的构架主要分为三层:输入层( input layer )、隐藏层(hidden layer )及输出层(output layer ) ，各层中基本单元即为处理单元(Processing Element, PE ) ，数个处理单元将组成一层，而若干层则结合成为网络。其中输入层的处理单元代表网络的输入变量，目前许多研究结合模糊逻辑(fuzzy logic)以及遗传算法(GA)等方式选择BP神经网络的输入层。输遗传演化(GA)出层用来表示网络的输出变量，其处理单元数目依问题而定。隐藏层主要用以表示输入处理单元间的交互影响，网络可以不只一层隐藏层，也可以没有隐藏层，至于其处理单元数目并无标准方法可决定。摇头吁:工本三、模糊化遗传BPN优势现存的关于国内外财务报告舞弊识别模型研究，大多设计为B明络匾虱Logistic回归模型及神经网络(ANN)模型。尽管神经网络对于财务报告舞弊的识别效果和准确性都比logistic回归模型更好，但还图1模糊化遗传BPN系统构建流程是存在→些局限性。而模糊化遗传BPN正是一种可以弥补单纯神经网络各种局限性的优势技术。(一)模糊演化模块在模糊演化模块中，首先需要进行的工(一)模糊逻辑与神经网络的结合优势由于神经网路工作方作是选择输入变量，即构建财务报告舞弊识别特征指标体系，通过式是自组织式，即无教师学习网络，模拟人类根据过去经验自动适显著性检验筛选进入系统的变量。然后将其模糊化，通过应无法预测的环境变化。由于没有教师信号，这类网络通常利用竞IF-THEN 语句建立模糊规则库，再经过反模糊化方法输出模糊后争的原则进行网络的学习，对知识的获取完全取决于感知。因此单的舞弊特征指标变量。纯的神经网络对于处理数量庞大、种类繁多、而且信息复杂的财务(二)遗传算法模块在遗传算法模块中，首先根据模糊逻辑报告而言，显得有些吃力并且不一定十分精确。而模糊逻辑算法对模块选定的舞弊指标变量定义遗传算法适应值函数;同时，设定遗知识的获取则是由专家来控制，其对所提供信息的数量和质量均有传算法所需变量的范围与精度、族群数量及演化世代数、突变与交一定的保证。另外神经网络内部结构使得追踪产生输出的过程变换率。然后，通过选择、交叉、突变算子演算产生下一代，输入网络得困难，缺乏解释能力。而模糊逻辑算法最主要的优点就是可以把框架计算适应值函数值，如果适合度满足终止条件，将网络结构输专家的策略通过IF"':四川、and、or的关系式轻而易举的定义出入给BP神经网络模块，否则回到三个算子循环计算。来，形成模糊逻辑规则，将其与神经网络相结合可以增强模型的解(三)BP神经网络模块在BP神经网络模块中，首先根据GA释力。模块得出的网络框架结构进行训练学习，通过学习过程中输出值与(二)遗传算法与神经网络的结合优势遗传算法和人工神经期望输出值偏差，不断反向传递，对加权值等进行调整，以期误差最网络都是将生物学原理应用于科学研究的仿生学理论成果。神经小化，进而求得最佳网络模式，以达到有效舞弊识别的目的。网络相当于一个专家系统知识库，能自动在海量数据中识别、捕捉模糊化遗传BPN财务报告舞弊盟别系统充分利用模糊逻辑、和提取隐藏规律，并将其包含在神经元之间的连接权值中。遗传算遗传算法及BP神经网络三种数据挖掘算法各自的优点，克服相法具有全局搜索、收敛速度快的特点，将其与神经网络结合起来，互之间的不足，使网络的解释能力增强、收敛速度加快、网络结构制公帆·综合2∞8年第11期望矗
研究与创新ISTUDY AND INNOVATION 论上市公司财务报告舞弊的识别广州市广播电视大学郭凤林广东广信会计师事务所周英涛面对愈演愈烈的上市公司财务报告舞弊及其严重恶性经济后近一年的舞弊报告为研究样本。根据上述标准，从舞弊公司中选取果，各国都做出了积极回应，不仅在学术上加强研究，而且在实践中30家，一家舞弊公司只选取一份年报，以一份年报为一个样本作加强了识别与治理，监管机构也出台了一系列规范上市公司信息披为研究对象，共30个舞弊样本。露的法律和法规，对抑制各国上市公司财务报告舞弊现象起到一定(三)控制样本的选择为了控制外部环境和行业因素的影响，的积极作用。但是财务报告舞弊现象从根本上并没有得到好转，上应选择与所在样本行业相同、规模相当的上市公司为控制样本。选市公司开始采用更加隐蔽的舞弊于段。因此，如何更有效识别上市取步骤如下:(1)选择与舞弊样本上市公司同年度、同行业的A股公司财务报告舞弊，有效防范和减少财务报告舞弊的发生，规范资上市公司。此处的行业分类是依据中国证监会加1年公布的《上市本市场，维护广大投资人的利益成为亟需解决的问题。公司行业分类指引};(2)选择与舞弊样本公司舞弊年度期初资产规一、资料来源与样本选择模最接近的上市公司;(3)剔除曾因财务报告舞弊被证监会处罚或被(一)资料来源中国证监会网站(伊)、和饵，凹的上市公司，剔除考查期间被出具非无保留意见的上市公司;讯网()、证券之星网(. 通过以上条件的筛选，得到舞弊样本及对应的控制样本。coml)、中金在线网()以及《中国证券报》、二、上市公司财务报告舞弊识别模型的设计《上海证券报上《证券时报》三大证券报的上市公司信息披露。(一)变量设计本文指标的选择是以能够体现上市公司财务(二)上市公司舞弊样本的选择笔者根据《中国证券监督报告舞弊征兆的财务指标为基础，结合我国资本市场上市公司特点管理委员会公告》中的处罚决定以及上海证券报和中国证券报中和舞弊的特征进行选择，并考虑到指标的可获得性。财务状况不佳的有关信息，收集了2ω3-2∞7年间被证监会处罚的66家上市和财务指标异常的企业更可能发生财务报告舞弊，一家上市公司公司进行了我国上市公司财务报告舞弊的现状研究。由于研究的财务状况不佳更多的体现为低偿债能力。本文选取了反映长期偿需要，笔者按照下述标准从上述舞弊公司中选取样本构建识别模债能力的资产负债率以及反映短期偿债能力的流动比率和速动比型:( 1 )考虑到舞弊样本财务指标的可比性，只选择年度报表数率，引入了包含现金流量的指标。财务报告舞弊会影响报表科目的据的舞弊样本公司，而剔除掉中报或季报舞弊的样本;( 2)由于对应关系，再高明的舞弊手段都会引起财务指标的异常，财务指标上市公司1998年后才开始公布现金流量表，而研究变量包含现异常主要体现在:报告数据反映的业绩明显超过同行业可比公司;金流量表信息，所以只选择1998年以后舞弊的上市公司年报;报告数据年度变化特别大等。企业往往会通过非营业活动、虚假销(3 )一般情况下，舞弊公司进行财务报告舞弊的年度具有跨越售、提前确认销售或有意扩大除销市围、少结转成本，多计存货、推性，往往涉及到前后几年的时间。笔者选取与舞弊发现年度最接迟确认费用或损失、关联交易等方法进行利润操纵。本文选取反映和学习参数容易确定，并可以获得优化的神经网络结构和连接权法>，{中国审计>2004年第7期。系数。因此，模糊化遗传BPN财务报告舞弊瓢别系统可以从根本[ 7 ] et al. A Genet c AIgor thm Approach to Detect ng 上提高财务报告舞弊识别的实用性、效果度和精确度。TemporaI PaUerns Ind cat ve of F nanc al Statement Fraud. Intell. Sys. Acc. F n. Mgmt, 2∞7. 参考文献:[ 8 ] Herrara F ,Lozano M, Verdegay JL. Tun ng Fuzzy Logic Con›[ 1 J陈国欣、吕占甲、何峰:{财务报告舞弊识别的实证研究trollers by Genetic AIgor thms. International Journal of Approximate 基于中国上市公司经验数据}，{审计研究}2∞7年第3期。Reason ng,1995. [2 ]徐锡意、盛国主军:{数据挖掘在审计中的运用}，{审计理[ 9 ] " . Brown, , . Tr nkle. Opportunities for 论与实践}2003年第8期。Ar tfic aI Intelligence Development in the Accounting Domain:: the Case [ 3 ]了友刚、郝玉芹:{财务报告舞弊动因分析与警戒信号识for Audit ng. Intell. Sys. Acc. Fin. Mgmt, 2006. 别}，{财会通讯}(学术版)2004年第12期。[ 10 JE fstathi Kirkos, CharaIambos Spathis ,Ya nn s Manolopou›[4J游建章:{遗传演化类神经网络在上市公司财务危机预警los. Data Mining Techniques for the Detection of Fraudulent FinanciaI 模式之比较研究>，台北东吴大学经济研究所硕士论文2003年。Statements. Expert Systems w th Applications, 2α)7. [5 ]李扬、高正光、李启炎:{基于神经网与遗传算法的数据[本文系教育部人文社会科学研究项目(项目号。可A630012) 挖掘体系结构>，{计算机工程>2004年第6期。阶段性研究成果][ 6 ]胡荣、陈月昆:{数据挖掘一一现代审计处理数据的新方(编辑熊年春)盖章"公帆·综合2∞8年第11期
