利用人工神经式网络去预测虚假诉讼:新兴市场的经验证据外文翻译资料

 2022-03-11 22:01:00

英语原文共 7 页,剩余内容已隐藏,支付完成后下载完整资料


利用人工神经式网络去预测虚假诉讼:新兴市场的经验证据

摘要

企业舞弊的检测和相关风险因素的评估一直是审计行业面临的重大问题。因此,本研究的目的是应用一个神经网络系统来预测欺诈诉讼,以协助会计师对审计策略制定。实证结果表明,与Logit模型和审计员判断相比,神经网络不仅提供了良好的预测精度,而且具有更好的检测能力和更少的误判成本。这表明一个英特尔的商标技术很好地识别欺诈诉讼的存在,因此可能是一个支持工具的从业者。此外,与管理层欺诈承诺能力有关的一个显著问题是对当今全球经济中最重要的力量——新兴市场的伦理问题的关注。

关键词: 神经网络;内部控制;舞弊;审计

引言

自从安然和世通垮台以来,一系列的财务报表舞弊不仅令当地和国际资本市场大吃一惊,而且也唤醒了作者对这一问题的兴趣。SAS第82号强调审计师的责任,并用“如何”指导审计师的舞弊检测,而SAS第99号则进一步助长了头脑风暴。 要求审计人员与审计团队成员进行互动,讨论舞弊并记录讨论。此外,研究人员在很大程度上致力于研究舞弊模型探索的各个方面(EEIN,唐纳德,LoeBekes,1997;汉森,麦当劳,Mesier-and Bell,1996); “红色- AG线索”评价(AptoSoLou,哈塞尔,韦伯, 2001;贝尔和卡塞罗,2000);审计决策支持系统实施(GalDun&Ch,2002)。事实上,有一点是正确的,那就是,金融丑闻仍然是一个永久的危险。

值得注意的是,专业文献表明,财务报表舞弊检测的失败与审计师的内部能力和辅助决策制度的内在局限性有关。审计判断的一致性已受到审计师的工作经验(Mesier-R,1983)以及解决问题的知识和能力的影响(邦纳amp; Walk,1994),从而导致在当今复杂的业务环境中遇到的审计决策以层级覆盖。此外,最近在欺诈预测中发展的模型也被质疑其固有的限制。多元线性判别分析和回归的线性假设、正态性和变量独立性(OHL—SON,1980;ZmijWSKY,1984)限制了它们的应用,而诸如Logit和PROFIT的二元模型(GeSSNER,镰仓,Malhortra,ZM)。IJWWSK(1988)因主观决定CUTO点而受到批评。此外,最近开发ARTI智能的趋势带来了一种新的选择。专家系统可以将过去的经验嵌入到系统中;模糊逻辑能够以接近于人类推理过程的方式描述问题并适应与数据相关联的不精确性和不确定性。然而,随着知识基础的获得,他们的思想受到了挑战。因此,对预警系统的完善提出了新的要求。

神经网络——一种应用于SEV-艾莱依审计ELDs的方法:对材料误报的评估、管理舞弊的评估、审计意见的发布、财务危机的预测、内部控制系统的评估和审计费用的决定(Deshmukh)Taluru,1998;科斯基瓦拉等,2004)。它的电子商务已经被测试过,在大多数情况下,在USA.是有限的,因此,这项研究是采用神经网络来预测欺诈性的诉讼危机与台湾的数据。具体而言,研究的贡献有两个方面:作为一个工具,以获取欺诈风险的知识,并作为一个载体,支持审计人员的学习。第二节回顾了神经网络的结构。其次,对研究设计和结果进行了讨论。最后一部分总结了这个发现。

  1. 神经网络综述

神经网络具有许多不同的拓扑结构。其中,反向传播是最著名和最常用的,被归类为监督学习模型之一。它从所提供的数据集中绘制输入和输出之间的映射函数。通常映射函数太复杂,难以解释变量之间的因果关系。图1所示的拓扑结构包括三种类型的层:输入层、隐藏层和随后的输出。输入层中的每个节点表示独立变量,而输出层中的节点表示析出变量。隐层节点的功能是完成非线性变换计算。

当使用所得到的模型进行预测时,输入层中的每个节点将其值发送到隐藏层。隐层中的每个节点将根据训练后的边权值计算输入值的加权和,并执行SigMID函数的非线性变换,以产生输出,该输出是下一隐含层的输入。然后,第二隐含层中的每个节点和输出层中的每个节点将重复相同的过程以产生输出。输出层中节点的输出将是模型的输出。

反向传播训练的目的是获得每个边缘的权重,以最小化实际值与预测值之间的平方误差和。首先,每个边缘都给出一个随机值。接着,可以计算实际值与预测值之间的平方误差和。然后根据梯度搜索方法更新权重,直到平方误差和小于或等于阈值。最后得到的模型称为已训练的模型,然后可以用于预测。Hurnk(1989)证明了神经网络可以在给定足够数量的隐层和节点数量的情况下逼近任何函数。

  1. 方法论

3.1样品选择和研究期间 这项研究的起诉案件样本是从台湾证券期货研究所选出的,在1993至2002年间曾经历过诉讼。之所以选择这个案子,是因为它具有以下特点: (1)是一家上市公司,(2)对欺诈行为的怀疑是起诉的主要内容,(3)诉讼风险因素与内部控制的缺陷有关,(4)被起诉人进行欺诈行为。此外,本研究还采用涂层法对“配对配对抽样”技术进行了研究。 和FANT(1993),从相同的情况下选择不起诉的时间和行业作为起诉。我们的样本大小包括74个起诉案件和148个非起诉案件。

为了发现模型对准确预测的能力,将222例样本集细分为训练样本和基于计算机生成的随机数的测试样本。训练样本用于建立logit模型或计算网络权值,因此测试样本用于测量模型的预确定精度。培训样本49例,未起诉98例,试验样本25例,未起诉50例。

3.2.变量选择和仪器设计 目前的研究选择的变量是通过“内容分析”技术应用于起诉案例阅读。来自大4的两名会计师被邀请选择与起诉内部控制制度相关的欺诈性风险因素。二者也比较他们的选择,然后讨论了所有的差异,任何时候,任何未解决的差异留给第三个会计师看,然后作出的决定。表1列出了27个危险因素的细节。 对于被起诉的公司,获取内部控制数据是一项艰巨的或不可能完成的任务,因为它们中的大多数不再存在。因此,本研究自动假定任何内部控制因素被起诉的违反,这样的违反的大小被重新编码为2,否则为5。选择2和5作为度量基准的原因是为了避免“极值中值选择”引起的过度准确的预处理。对于未起诉的,通过问卷调查收集数据,要求内部审计员根据事先控制的内部控制条件,对预选的27个控制因素进行自我评价。参加者使用六点LIK-ERT型量表,范围从“强烈不同意”(得分为 1)“非常同意”(得分为6)。利克特六量表在 用来强调一种研究的可靠性的信念 不应该用它捡起的垃圾量来衡量,而是用剩下的来衡量(BRILO,2001,第125页)。伴随着Gray的模型(1988)将会计价值和制度与霍夫斯泰德的文化维度联系起来,我们的会计文化被认为是保守主义和法定控制。这项研究假设审计员会定期选择一个中间指标,作为一种普适的态度来评价不确定性,而奇数比例尺。受试者中女性93例(53%),男性81例(47%),平均2.5年。在样本中,大部分股票是由机构投资者和投资者投资持有的。二十一家公司的总销售额超过新台币1010亿元。

另外,为了检验所建立的模型如何应用于实践,来自四大会计师事务所的30名CPA科目平均有大约十一年的审计经验,阅读从测试数据集中选择的现实案例。在阅读案例材料之后,我们要求注册会计师评估是否存在对分布式案件的起诉。有趣的是,27名男性CPA受试者参与,表明男性同行在台湾仍然占主导地位。

3.3模型设置

3.3.1.LogIT模型

在建立Logit模型之前,使用因子分析法从27个问题中重新提取每个因素作为输入变量,并导出四个类别变量。因此,欺诈诉讼预测使用以下logit模型进行测试: P 0alpha;A B1MC B2MCA B3OCFS B4SSM 其中MC =管理特性;MCA=管理能力;CFS=操作特性和金融稳定性;SSM =资产对挪用的敏感度。

3.3.2神经网络模型

通过尝试和错误的方法,本研究得到了具有一个隐含层的神经网络的最佳结构,但隐节点为10times;10times;1,学习周期为9000次,学习率为10,动量等于0.2。

3.3.3模型性能评估

通过精度、检测功率、误分类成本等三个指标对模型性能进行了评价。由于正确地对欺诈起诉RM进行分类比正确分类未起诉的RM更重要,因此最小化了II型错误(B)、ScLICET、MAXIE检测能力(1-B)。因此,我们主观地假设II型误差的成本至少是I型误差的100倍。对于灵敏度分析,我们还通过改变500, 1000, 5000和10000的倍数来研究天气I型误差和II型误差之间的成本差距。设C表示I型误差,B为II型误差,假设B=Mtimes;C。 p=(b c)=(mtimes;c c)=(m+1)times;c。

  1. 实证结果

4.1舞弊诉讼风险因素的描述性分析

对于被起诉和未起诉的RMS,审计师对欺诈诉讼风险的判断或评估也在表1中得到了体现。从表1中,有趣的是,与欺诈诉讼相关的最强因素是:由单一人(F1)支配的管理决策;管理层对金融报告(F2)的积极态度;以及复杂的关联方交易(F25)。另一方面,未起诉的内部审计人员,除了对1, 18和25的影响外,总体上对他们现有的内部控制系统持有积极的看法。需要注意的是,在不起诉的RMS中也发现了从起诉RMS中观察到的高风险管理特征,这意味着无论家庭健康是什么样的家庭组织,无论何时健康状况如何,总是存在着潜在的RMS问题。台湾经济的整体形态。除此之外,金融人员所需休假的幅度不高(F18),应收账款定期质押(F27)意味着员工的道德规范和现金管理。

4.2 logit模型的结果

表2显示了整个样本的四类变量logit结果。如表2所示,模型V2具有高度显著性(P<0.0001),表明模型中的变量具有联合意义。用AIC、SC和2 log L测量模型的T值,它们都比截距模型大,因此所建立的模型具有合理性。

结果表明,当欺诈行为不稳定时,欺诈诉讼更有可能发生,会计制度由简单走向复杂。在1%个层次上,经营特征和财务稳定性的负相关,意味着一个公司在其会计系统运作良好且业务状况良好的情况下,未来不太可能被起诉。资产对挪用的敏感性是否定的,这表明,如果公司缺乏控制以防止或发现挪用资产的控制措施,那么由公司欺诈行为引起的诉讼更有可能。作为一个整体,我们的研究结果与一些“红色的AGS”研究是一致的。 (Aptoulou,哈塞尔,韦伯,2001;阿波斯特罗,哈塞尔, Webber,萨姆斯,2001;艾宁等人,1997)。欺诈诉讼的另一个重要决定因素是管理能力,但有一个意想不到的积极迹象。结果表明,具有自主知识和能力的管理者与起诉概率显著相关。专注于持续承认和能力发展的管理在某种程度上是为了感知采取非法行为的机会。这就意味着管理者的职业道德受到质疑,有必要去看看是否为内部培训或学校课程设计的职业指导书与道德问题有关。值得注意的是,关于管理特征的估计COE值在统计学上没有统计学意义。这一结果的一种可能解释是,如上所述(见表1),家族企业更集中在台湾,因此在国民经济中构成了不可抗拒的力量。因此,不起诉或起诉的RMS可能具有更高风险的积极管理。

4.3.神经网络、logit和审计师判断的比较

由于没有一个关于Cuto分类成本的结论性信息,任何一个Cutto点的选择将是一个复杂的问题,因此在0.2到0.9之间的每一个Cutto点上的分类分类评估都是简单的。此外,当神经网络(NN)的性能优于性能指标(Logit)时,神经网络将停止训练:准确率、II型误差和误分类成本。表3总结了训练和测试数据集的分类结果。可以看出,在训练样本和测试样本中,NN分类正确大于logit。然而,正确地对欺诈起诉RM进行分类比对未起诉的RM进行正确分类更为重要。因此,也进行了I型和II型误差的分析,而II型误差被视为比I型误差更严重。表3中的两个数据集揭示了logit的检测能力比NN弱得多,换句话说,NN在分类欺诈起诉RM中具有更好的质量。至于哪种技术是最好的,贝拉尔迪和张(1999)认为,I型和II型错误的相对成本对于解决方案更为重要。从这两个数据集得到的证据表明,NN再次与Logit相比,在错误分类中具有较低的成本。其结果是,神经网络的性能比logit要好得多。

为了进一步关注这一研究中所建立的模型的正确性,我们对模型的预测与审计师判断进行了比较。对于30个约定,CPA仅对60%进行正确分类,这是logit和NN报告的不到73%和81%的实质。更重要的是,审计师判断涉及的II型错误达到50%,表明NN和审计师判断之间的差距越来越大。这些结果表明,审计师不仅在做出正确的结论时遇到了更多的错误,同时加权了组合欺诈风险因素,而且NN优于CPA主体。个人判断,简而言之,与卡尔德隆和 CHH(2002)和科斯基瓦拉等(2004)一样,对智能技术(NN)有一个广泛的认可。 它优于回归技术,对决定市场有很大的帮助。

5 总结

SAS第82号颁布后,审计师对审计舞弊行为提出了更大的要求,以查明舞弊行为。然而,它没有提供更具体和客观的指导方针。最近, SAS第99号和萨班斯-奥克斯利法案(2002)针对欺诈更严格的内部控制监督,这唤起了许多学术研究的灵感。 (Changchit、霍尔斯普、玛登,2001岁;卢伊,Tan,Tewo, 陈,1989)解决这个索赔。鉴于此, 研究从内部控制着手,建立欺诈预警预测预警模型,从而降低审计师的机率 诉讼/制裁在一定程度上。本文论述了公司内部控制的特点。 财务报表舞弊已被概述。这个神经网络的发展与测试描述。一般来说,我们证明了一个可行的机器学习专家系统外壳和非财务信息可以用来开发一个有用的、可靠的评估诉讼概率的工具。对这些系数的检验表明,除了管理侵略外,所有因素都是变量。 在模型中分别在百分之五显著水平。支持更复杂的概念,企业的会计制度是公司更不稳定的。 金融是企业资产越容易被挪用,企业的可能性就越高。 将被起诉。还有一个更有趣的发现是管理时起诉增加的可能性能力提高。这种现象与此相反。

先前的研究(AptoLogouet等人,2001),表

全文共6283字,剩余内容已隐藏,支付完成后下载完整资料


资料编号:[16734],资料为PDF文档或Word文档,PDF文档可免费转换为Word

原文和译文剩余内容已隐藏,您需要先支付 30元 才能查看原文和译文全部内容!立即支付

以上是毕业论文外文翻译,课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。