《基于模糊化遗传BPN财务报告舞弊甄别技术初探.docx》由会员分享,可在线阅读,更多相关《基于模糊化遗传BPN财务报告舞弊甄别技术初探.docx(4页珍藏版)》请在金锄头文库上搜索。
1、基于模糊化遗传BPN财务报告舞弊甄别技术初探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大。从美国的“安然事件”到我国的“银广夏事件”,国内外的舞弊案件层出不穷、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作强度及难度,研究舞弊的甄别技术,寻求高效、便捷、操作性强的财务报告舞弊甄别模型迫在眉睫。 一、模糊化遗传BPN演算方法的提出尽管通过已有的研究以及一些简单的模
2、型可以初步判定企业财务业绩是否出现衰退迹象,但由于财务报告舞弊的甄别有着很多挑战性的因素,如舞弊样本量极小、舞弊手法繁多、识别的特征指标不易设定、甄别技术的选择及智能设计较难掌握等,因此甄别虚假财务报告一直是困扰会计界的重大难题。(一)模糊化遗传BPN演算方法的必要性随着信息技术的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,利用机器学习的方法来分析数据,从而挖掘出大量的隐藏在数据背后的知识)已深受人们关注。会计本身就可以定义为一个信息系统,将数据挖掘技术应用于财务报告舞弊的甄别必将是一个趋势,并且已有学者对该种方法的可行性进行初步
3、探讨。随着数据挖掘技术的改进及发展,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、该系统的技术优势以及甄别系统的构建进行逐步研究,力求设计出更加行之有效的财务报告舞弊甄别技术。(二)模糊化遗传BPN演算方法的提出数据挖掘技术分为两大类: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。预测型挖掘包括一系列在数据中查找特定变量(
4、称为“目标变量”)与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、机器学习、决策树、粗糙集、人工神经网络和遗传算法等。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的优劣具体比较(见表1)。基于此,综合各种分类算法的优势,本文提出模糊化遗传BPN财务报告舞弊识别系统。二、模糊化遗传BPN的演算方法模糊化遗传BPN的演算方法包括模糊逻辑算法、遗传算法以及BP神经网络算法等。(一)模糊逻辑算法模糊逻辑算法简单地说是人们对许多决策思维的自然语言描述,并且转换成利用数学模型算法
5、替代的一种应用科学技术。该模型包括三个主要处理程序:模糊化(fuzzification)、推论(inference)及反模糊化(defuzzification)。(1)模糊化(fuzzification):将原始的数据,利用隶属度函数转换成模糊输入,如在观察技术指标时也可以自然语言表示“偏高”、“适中”或“偏低”等。(2)模糊推论(rule evaluation,fuzzy inference):根据模糊输入,依照口语化的规则(1inguistic rules),产生模糊结果,如透过IF.THEN.的形式将推论加以定式化。规则:if x is A then y is B事实:x is A结论:
6、y is b(3)反模糊化(defuzzification):将模糊输出转换成可表达的数据。(二)遗传算法遗传算法是模拟生物进化过程的算法,由三个算子组成,即选择、较差、突变。遗传算法具有十分顽强的鲁棒形,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简单、性能优良的神经网络结构;用于特征子集选择;用于决策分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)遗传算法的处理对象不是参数本身,而是对参数集进行了编码的个
7、体,可以直接对集合、队列、矩阵、图表等结构进行操作;(2)具有较好的全局搜索性能,减少了陷于局部最优解的风险,同时,遗传算法本身也易于并行化;(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,而是采用概率的变迁规则来指导其搜寻方向。(三)BP神经网络反传递神经网络(BPN)模式是监督式学习网络(Supervised Learning Network)的一种,在取得训练样本后,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本来进
8、行模式的测试。由于BP神经网络具有高学习准确度、回想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 steepest descent 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(inputlayer)、隐藏层(hiddenlayer)及输出层(outputlayer),各层中基本单元即为处理单元(Processing Element,PE),
9、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(fuzzylogic)以及遗传算法(GA)等方式选择BP神经网络的输入层。输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。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,但还是存在一些局限性。而模
10、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)模糊逻辑与神经网络的结合优势由于神经网路工作方式是自组织式,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专家的策略通过IF-
11、THEN、and、or的关系式轻而易举的定义出来,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释力。(二)遗传算法与神经网络的结合优势遗传算法和人工神经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,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,这就满足了求得最优BPN的必要条件。另外,遗
12、传算法本身计算量较大,每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,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搜索要节约大量时间。四、模糊化遗传BPN财务报告舞弊甄别系统的构建模糊化遗传BPN财务报告舞弊甄别系统由模糊演化(Fuzzy)、遗传算法(GA)和BP神经网络三个模块构成。具体系统构建流程如图1所示:(一)模糊演化模块在模糊演化模块中,首先需要进行的工作是选择输入变量,即构建财务报告舞弊识别特征指标体系,通过显著性检验筛选进入系统的变量。然后将其模糊化,通过IF-THEN语句建立模糊规则库,再经过反模糊
13、化方法输出模糊后的舞弊特征指标变量。(二)遗传算法模块在遗传算法模块中,首先根据模糊逻辑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,将网络结构输入给BP神经网络模块,否则回到三个算子循环计算。(三)BP神经网络模块在BP神经网络模块中,首先根据GA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,以期误差最小化,进而求得最佳网络模式,以达到有效舞弊识别的目的。模糊化遗传BPN财务报告舞弊甄别系统充分利用模糊逻辑、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系数。因此,模糊化遗传BPN财务报告舞弊甄别系统可以从根本上提高财务报告舞弊识别的实用性、效果度和精确度。