基于LVQ神经网络的财务舞弊识别模型实证研究

　　 摘要:为了保护广大投资者和规范国内资本市场,对财务舞弊识别的研究具有重要的意义。在参考前人研究的基础上,选择能识别财务舞弊的指标,利用主成分分析法约减指标,得到9个综合变量。在此基础上,利用学习矢量量化(Learning Vector Quantization,LVQ)神经网络建立财务舞弊识别模型;此模型对测试样本的判断准确率高达90.9%,验证了模型的有效性。最后把此模型与用其他方法建立的财务舞弊识别模型进行比较,发现LVQ神经网络建立的财务舞弊识别模型,能更有效地识别测试样本有没有财务舞弊。

　　 Abstract: In order to protect investors and regulate the capital market, the research of the fraudulent financial statements detection is very important. Then principal component method was used to reduce the numbers of indicators. Through it, 9 comprehensive indicators which can detect the fraudulent financial statements were acquired .Then the model of identifying the fraudulent financial statements was built by the LVQ neural network. Then an empirical research about the model has been done, the accuracy of predicting the testing samples was up to 90.9%.At last by comparing with other models, this paper find that the model built by LVQ neural network can detect the fraudulent financial statements effectively.

　　 关键词: 财务舞弊;识别;LVQ神经网络;支持向量机(SVM)

　　 Key words: fraudulent financial statements;detection;LVQ neural network;support vector machines(SVM)

　　 中图分类号:F253・7;F019・3 文献标识码:A 文章编号:1006-4311(2009)10-0111-03

　　

　　0引言

　　

　　财务舞弊不仅让投资者蒙受巨大损失,也严重影响资本市场健康发展。有效地识别财务舞弊不仅有利于广大投资者,也有利于资本市场健康发展。

　　为了有效识别财务舞弊,国内外学者运用各种方法建立财务舞弊识别模型。BP神经网络被国内外学者广泛用于财务舞弊识别,但BP网络有可能陷入局部最小问题,而不能保证一定得出全局最小值;LVQ神经网络已经被广泛用到模式识别领域[1]。本文用LVQ神经网络建立财务舞弊识别模型。

　　

　　1样本的选择及指标的确定

　　

　　1.1 样本选择

　　①舞弊样本的选择。美国注册会计师协会(AICPA)在其第82号审计准则中将会计舞弊定义为:企业管理当局为了欺骗财务报告使用者而对财务报告中所列示的数字和其余披露进行有意识的错报或忽略[2-3],所指的财务舞弊即为这种会计舞弊。所有舞弊样本均来源于中国证监会处罚公告[3],为1998年1月1日到2004年12月31日,总共获得33个舞弊样本,其中22个作为建模样本,剩余11个样本作为测试样本,用来检验模型对新样本的判断能力。

　　②控制样本的选择。为每个舞弊公司选择一个控制样本,本文按照杨薇[4] (2008)所用的方法选取控制样本,即从相同行业和相似的资产规模中选取非ST、非PT的没有财务舞弊历史的公司[4]作为控制样本。最终选择出33个控制样本,其中22个作为建模样本,剩下的11个作为测试样本。

　　1.2 指标体系的建立

　　①备选指标选择。根据Beneish[5](1999)、聂丹丹[3](2000)、杨薇[4](2008)、陈凌[6](2005)等的论文选择备选指标,具体见表1。

　　国内其他学者通过对表 1的备选指标进行T检验或Wilcoxon秩和检验或Kruskal-Wallis检验,结果表明,这些指标能有效识别财务舞弊样本,如参考文献[4]、[3]和[6]就通过T检验或Wilcoxon秩和检验对表1的部分指标进行检验,发现表1的X1、X2、X3、X4、X5、X6、X8、X10、X12、X16、X18、X21、X22等能识别财务舞弊样本。(表1中的所有备选指标是根据Beneish[5](1999)、聂丹丹[3](2000)、杨薇[4](2008)、陈凌[6](2005)等的文献综合而来。)

　　②指标筛选。由于无法收集到表1备选指标中的X4、X13、X15、X17、X23、X24、X26对应的指标数据,所以这些指标没有参加指标筛选,直接被剔除。其余19个指标按照学者石晓军(2007)在参考文献[7]中的处理流程进行指标筛选,即首先对指标采用Kolmogorov-Smirnov正态性检验,判断出指标是否服从正态分布,然后对服从正态分布的指标采用T检验,对不服从正态分布的指标采用Kruskal-Wallis检验[7] 。经过上面的三步统计检验,表明剩下的19个指标均能有效识别财务舞弊样本。这个结果与其他国内学者通过T检验和Wilcoxon秩和检验判断的结果一致,故这些指标被保留作为有效识别财务舞弊样本的变量。

　　③指标的精简。通过指标的筛选,最终获得19个能识别公司财务舞弊的指标。为了减少模型输入变量的个数,本文用主成分分析法,把19个指标精简为9个综合指标[3]。用SPSS软件得到综合指标和原指标之间的关系,见下面9个表达式。

　　

　　把所有经过标准化的样本数据代入9个主成分表达式,得到所有样本关于9个综合指标的数据,这些数据作为财务舞弊识别模型的建模数据和测试数据。

　　

　　2利用LVQ神经网络建模

　　

　　2.1 LVQ网络的建立

　　LVQ网络的建立、训练和检验都是通过MATLAB R2007实现[1]。建立网络的具体命令[1]如下: net=newlvq(minmax(qqb),6,[0.5 0.5]),其中[0.5 0.5]表示在建模样本中舞弊样本和非舞弊样本的比例均是50%,qqb为输入矩阵,即为44个建模样本的财务数据[1]。

　　2.2 LVQ网络的训练

　　网络建立完毕,用MATLAB中的train命令训练网络[1]。经过265 个训练次数,误差即达到要求。训练结果如图1所示。

　　2.3财务舞弊识别模型的检验

　　为了检验模型的效果,用MATLAB中的sim函数和训练样本及测试样本对模型的有效性进行检验[1],检验结果见表2。

　　从表2可知,模型对建模样本判断正确率为88.6%,对测试样本判断正确率为90.9%,对整个样本总体判断正确率为89.4%,所以可以得出基于LVQ神经网络建立的财务舞弊识别模型能有效识别财务舞弊。

　　

　　3与其他方法建立财务舞弊识别模型的比较

　　

　　同时,又利用BP神经网络[3]、遗传算法优化后的MLP(GA-MLP)[3]和支持向量机(SVM)[8]建立财务舞弊识别模型,并把这些模型的预测精度与LVQ神经网络建立的财务舞弊识别模型的预测精度进行比较。

　　由于国内外均有学者对用BP神经网络、GA-MLP、SVM建立财务舞弊识别模型进行了充分的研究,故详细步骤在此不再赘述,在同样的数据环境下,各个模型识别精度见表3。

　　考虑到建立财务舞弊识别模型的目的,是进行预测公司财务报表有没有舞弊。所以通过对未知样本即测试样本的识别精度的比较,能更好地得出各个建模方法的优劣。通过表3比较可知:在同样数据环境下,几种方法均能有效识别财务舞弊;但从对测试样本的预测精度看,用LVQ神经网络建立的财务舞弊识别模型的识别精度明显高于其他方法建立的财务舞弊识别模型。所以我们可以得出以下结论:用LVQ神经网络建立的财务舞弊识别模型能更有效地识别未知样本有没有财务舞弊。

　　

　　4结束语

　　

　　为了有效地识别财务舞弊,运用统计方法获得了有效识别财务舞弊样本的9个综合指标。在此基础上,用LVQ神经网络建立财务舞弊识别模型,并对模型进行了检验。检验结果表明,用LVQ神经网络建立的财务舞弊识别模型,对建模样本和测试样本的判断正确率分别达88.6%和90.9%。在识别未知样本即测试样本有没有财务舞弊方面,LVQ神经网络建立的财务舞弊识别模型优于用GA-MLP、BP神经网络和SVM建立的财务舞弊识别模型。

　　

　　参考文献:

　　[1]葛哲学、孙志强:《神经网络理论与MATLAB R2007实现》[M];电子工业出版社,2007:169-210。

　　[2]张加学、李若山:《存货的“奥秘”――美国法尔莫公司会计报表舞弊案例分析》[J];《财务与会计》2002(2):40-43。

　　[3]聂丹丹:《改进型BP神经网络方法在会计舞弊识别中的应用研究》[D];《华北电力大学》2007:1-52。

　　[4]杨薇:《我国上市公司会计舞弊的识别研究》[D];河南大学,2008:1-72。

　　[5]Beneish M D. Incentives and Penalties Related to Earnings Overstatements That Violate GAAP[J].TheAccountingReview,

　　1999,74(4):425-457.

　　[6]陈凌:《我国上市公司财务欺诈识别模型研究》[D];中国人民大学,2005:1-50。

　　[7]石晓军:《商业银行信用风险管理研究――模型与实证》[M];人民邮电出版社,2007:59-75。

　　[8] Hulisi ?�gvüt, Ramazan Aktas ,Ali Alp , M. Mete Do?�nanay. Prediction of financial information manipulation by using support vector machine and probabilistic neural network.[J] .Expert Systems with Applications, 36 (2009) :5419-5423.