基于ＢＰ神經網絡方法的會計舞弊識別研究

[摘要]規范的信息披露是維護證券市場公開、公平、公正的根本保證，而會計舞弊卻是阻礙我國資本市場健康發展的“毒瘤”。隨著我國證券市場的日益完善和國內外舞弊丑聞的不斷發生，會計舞弊識別問題受到越來越多的關注。本文以116家上市公司作為研究樣本，通過分析舞弊案例及舞弊手段，構建了會計舞弊識別指標體系，并依據主成分分析法及BP神經網絡，建立了會計舞弊識別模型，進行了實證分析。通過研究發現，這一模型對于會計舞弊的識別具有較高的準確率，是一種具有現實可操作性的舞弊識別方法。

[關鍵詞]會計舞弊；舞弊識別指標；主成分分析法；BP神經網絡；Levenberg-Marquardt算法

[中圖分類號]F232 [文獻標識碼]A [文章編號]1673-0194(2008)08-0009-04

0 引言

隨著經濟的發展與科技的進步，企業會計舞弊現象日益成為嚴重影響經濟發展的全球性焦點問題。從冰山理論、三角理論、GONE理論、舞弊因子學說，到會計舞弊的產生因素及發現機制，學術界對會計舞弊問題的研究正處于一個不斷深化的階段，這些成果為我國的相關研究提供了理論和方法論基礎。但由于國內證券市場起步較晚，對于會計舞弊問題的關注也是近期的事情，因此對會計舞弊與相關概念的性質差異并沒有進行有效的區分。研究中更多的是規范研究。理論分析結果缺乏實證研究的數據支持；定量研究起步較晚，可以支撐研究的處罰樣本數量少，可供選擇的識別指標也較少，運用的識別手段比較有限，總體來說這方面的研究結論所顯示出來的識別準確性不是很高。

本文試圖根據會計舞弊公司對外披露的財務信息，通過分析其在財務上存在的共同特征和基本規律，構建會計舞弊識別的指標體系；并運用主成分分析法及BP神經網絡。構建基于公司財務報告即可判別其有否發生舞弊行為的具有現實可操作性的舞弊識別模型。

1 會計舞弊的界定及其動機分析

會計舞弊是指故意的、有目的的、有預謀的、有針對性的財務造假和欺詐行為。它與會計差錯有相近或相同的形式，但本質卻完全不一樣。與會計差錯相比，它具有以下幾個特征：(1)主觀目的性。表現為其行為主體是有意識地、故意地謊報財務事實。(2)手段欺騙性。會計舞弊采取的手段通常是欺騙性的，這種欺騙的手段是主觀目的性的必然結果。因為只有采取欺騙的手段才能獲得某種不公平或不公正的利益或好處。(3)危害嚴重性。會計差錯與會計舞弊都會導致會計信息一定程度的歪曲，但在后果上是迥異的。會計舞弊是有意識的，行為較為隱蔽，一般會導致與事實嚴重不符，其強烈的外在性會左右投資者的決策，它所制造的錯誤信息將嚴重誤導各類決策者，使投資者蒙受巨大經濟損失，從而扭曲社會經濟資源的合理配置，破壞市場運行機制。

就會計舞弊產生的原因及動機。目前有很多研究對其進行了經驗驗證，以下是歸納出的企業會計舞弊行為選擇的主要動機：(1)財務穩定性或盈利能力受到不利經濟環境、行業狀況和被審計單位運營狀況的威脅；(2)管理層為滿足外部預期或要求而承受過度的壓力；(3)管理層或治理層的個人經濟利益受到被審計單位財務業績或狀況的影響；(4)管理層或業務人員受到更高級管理層或治理層對財務或經營指標過高要求的壓力；(5)個人的生活方式或財務狀況問題；(6)對公司存在敵對情緒。

2 會計舞弊識別指標體系的構建

本文依據中國證監會處罰公告中披露的各舞弊公司會計舞弊的特征、手段及對于會計報告的影響。結合資產和利潤于會計科目和會計賬戶中的虛假表現，并通過一系列財務指標反映其中異常的原理，采用定性分析的方法，設計了會計舞弊識別的指標體系，如表1所示。

3 基于BP神經網絡方法的會計舞弊識別模型

基于以上在分析會計舞弊公司財務信息基礎上確定的指標。本文擬采用BP神經網絡對企業會計舞弊行為進行識別。

3.1 樣本的選擇及數據來源

研究過程中的舞弊樣本來源于中國證監會處罰公告。由于不可能得到那些未被發現或揭露的舞弊案例資料，故樣本僅包含審計后發現的舞弊公司。會計舞弊的情形一般可分為：影響利潤、影響資產、不影響利潤和資產。考慮到“資產和利潤的虛假”是影響最大的會計舞弊行為，而“不影響利潤和資產”通常不會在財務上顯露出征兆。故將后者從樣本中剔除。此外，由于有些會計舞弊公司的財務報告數據無法獲得，最后本文選取2000年至2004年樣本共計116個，其中舞弊樣本52個，非舞弊樣本64個，構成研究樣本。數據主要來源于中國證監會披露的財務報告、巨潮資訊以及清華大學中國金融研究數據庫。

3.2 BP神經網絡性能分析

神經網絡在非線性分類中的應用已得到廣泛的研究。所謂BP模型即誤差反向傳播神經網絡是神經網絡模型中使用最廣泛的一類，從結構上講，BP網絡是典型的多層網絡，分為輸入層、隱含層和輸出層。對于網絡輸入變量的選擇，傳統方法是通過定性分析的方法。盡可能地找出與輸出變量有明顯因果關系的指標作為輸入變量。這樣就不可避免地存在以下問題：(1)由于網絡輸入變量之間的不獨立性，導致指標信息重疊。(2)網絡在識別過程中容易產生訓練樣本識別率不高的問題。(3)在網絡輸入端因素過多的情況下，必然造成網絡結構復雜，速度很慢。

這些問題的出現導致網絡復雜度增加、網絡性能降低、計算時間延長、預測精度下降、噪聲信息過多等一系列問題。

3.3 應用主成分分析法對輸入指標進行約簡

通過主成分分析法對輸入指標進行約簡，可消除輸入變量之間的不獨立性，減少輸入變量。達到降維的目的。通過前置處理，去除冗余信息，可使訓練集合簡化，減小神經網絡系統的復雜性，同時減少振蕩，提高網絡的運行速度，提高神經網絡的精度和準確率。

本文中會計舞弊識別指標多達13個，指標之間存在交叉，相互影響。為此本文引入主成分分析法對這些指標降維。應用SPSS軟件進行主成分分析所得到的8個主成分及其累計貢獻率見表2。由于這8個主成分包含13個指標80.23％的信息，因此對研究結果并不構成影響。

3.4 基于BP神經網絡的會計舞弊識別模型結構及參數設計

BP網絡學習規則的指導思想是：對網絡權值和閾值的修正要沿著表現函數下降最快的方向——負梯度方向。BP算法的主要缺點是：收斂速度慢、局部極值、難以確定隱含層和隱含層節點的個數。在實際應用中，出現了許多BP網絡的改進算法。本文采用Levenberg-Marquardt算法。其訓練函數為trainlm，最大訓練次數設置為10000次。訓練要求精度設置為le-14，最大失敗次數默認為5，最小梯度要求默認為le-010，μ的初始值默認為0.001。輸出層為一個節點，1表示會計舞弊，0表示非舞弊。

1989年，Robert Hecht-Nielsen證明了對于任何閉區間內的一個連續函數都可以用一個隱含層的BP網絡來逼近，因為一個3層的BP網絡可以完成任意的n維到m維的連續映射。對于隱含層的節點數。應用經驗公式m=根號下n+1+a₀式中m為隱含層節點數，n為輸入節點數，1為輸出節點數，a為1～10之間的調節常數。本文中的會計舞弊識別模型采用單隱層，隱含層節點數為13。神經網絡結構如圖1所示。

3.5 訓練過程及結果

本文隨機抽取116個樣本中的106個樣本(包含47個舞弊樣本、59個非舞弊樣本)作為訓練樣本，按照上述參數設計，采用MATLAB 6.5以及主成分分析法處理后的數據，訓練BP神經網絡。非舞弊樣本的訓練過程如圖2所示。

訓練完成后，輸入檢驗樣本(舞弊樣本與非舞弊樣本各5個)，通過該BP神經網絡進行特征識別的輸出為：

[1 1 1 1 1 0.000 000 276 -0.000 000 126 -0.000003432 0.000000529 -0.000000451]

檢驗樣本的實際特征為：[1 1 1 1 1 0 0 0 0 0]

通過比較。檢驗的結果與實際情況相當接近，誤差非常小，在可接受的范圍內，由此可驗證此BP神經網絡對于會計舞弊識別的有效性。

3.6 與目前研究中其他模型效果的比較

如表3所示，相對于傳統的研究方法而言，神經網絡方法憑借其優良的非線性逼近的特點，大大提高了會計舞弊識別的準確率，在識別會計舞弊方面具有巨大的優勢。

4 結論

本文在收集、分析大量會計舞弊資料的基礎上，建立了舞弊識別的指標體系；并在相關理論的基礎上，使用主成分分析法進行數據約簡，利用BP神經網絡的強大功能，構建了更為有效的會計舞弊識別模型。這一模型的構建。為財務報告使用者以及監管者判別公司有否會計舞弊提供了一種有效的工具。

由于本文受研究方法所限。在舞弊識別指標體系的設計中。主要依靠財務會計報告披露的信息，沒有充分考慮表外信息對于會計舞弊識別的影響，即主要從定量方面識別會計舞弊，在定性方面有待今后進一步研究。