張志恒，李 丹，李 瑜

(1.重慶理工大學(xué) 會(huì)計(jì)學(xué)院， 重慶 400054； 2.西南大學(xué) 經(jīng)濟(jì)管理學(xué)院， 重慶 400715；3.重慶市合川區(qū)煙草專賣局， 重慶 401520)

基于鄰域粗糙集神經(jīng)網(wǎng)絡(luò)的審計(jì)意見(jiàn)預(yù)測(cè)模型研究

張志恒1，李 丹1，李 瑜2，3

(1.重慶理工大學(xué) 會(huì)計(jì)學(xué)院， 重慶 400054； 2.西南大學(xué) 經(jīng)濟(jì)管理學(xué)院， 重慶 400715；3.重慶市合川區(qū)煙草專賣局， 重慶 401520)

審計(jì)意見(jiàn)類型及其預(yù)測(cè)結(jié)果受到企業(yè)各利益相關(guān)方的高度關(guān)注。同時(shí)選用財(cái)務(wù)指標(biāo)和非財(cái)務(wù)指標(biāo)為變量，構(gòu)建了基于鄰域粗糙集神經(jīng)網(wǎng)絡(luò)的審計(jì)意見(jiàn)預(yù)測(cè)模型。將領(lǐng)域粗糙集作為BP神經(jīng)網(wǎng)絡(luò)的前置系統(tǒng)，在保持分類能力不變的前提下進(jìn)行指標(biāo)約簡(jiǎn)，提取關(guān)鍵指標(biāo)，再將約簡(jiǎn)的指標(biāo)體系作為神經(jīng)網(wǎng)絡(luò)模型的輸入變量。以2013—2015年滬深A(yù)股176家公司數(shù)據(jù)作為研究樣本，采用三種模型進(jìn)行審計(jì)意見(jiàn)預(yù)測(cè)對(duì)比分析，結(jié)果表明：本模型預(yù)測(cè)準(zhǔn)確率達(dá)到97.06%，與單純利用神經(jīng)網(wǎng)絡(luò)建?；騿渭兝秘?cái)務(wù)指標(biāo)建模的預(yù)測(cè)效果相比具有更好的預(yù)測(cè)效果。

審計(jì)意見(jiàn)；預(yù)測(cè)；BP神經(jīng)網(wǎng)絡(luò)；鄰域粗糙集

一、引言

上市公司定期披露的財(cái)務(wù)報(bào)告是各利益相關(guān)方進(jìn)行投資決策的重要依據(jù)。注冊(cè)會(huì)計(jì)師作為獨(dú)立于被審計(jì)單位及利益相關(guān)者的第三方，其出具的審計(jì)意見(jiàn)是對(duì)上市公司財(cái)務(wù)狀況、經(jīng)營(yíng)成果、現(xiàn)金流量等信息的鑒證性文件，對(duì)增強(qiáng)上市公司財(cái)務(wù)信息的可信性起著至關(guān)重要的作用，經(jīng)注冊(cè)會(huì)計(jì)師審計(jì)的財(cái)務(wù)報(bào)告更加可靠。因此，上市公司被出具的審計(jì)意見(jiàn)類型受到利益相關(guān)方高度重視，且對(duì)其投資決策將產(chǎn)生重大影響。

早期的審計(jì)意見(jiàn)預(yù)測(cè)研究主要是考察各個(gè)財(cái)務(wù)指標(biāo)對(duì)審計(jì)意見(jiàn)的影響[1]。隨著研究的深入，學(xué)者們開(kāi)始重視審計(jì)意見(jiàn)預(yù)測(cè)模型的構(gòu)建，大多采用logistic或probit等統(tǒng)計(jì)分析方法進(jìn)行實(shí)證分析，并取得了較好的預(yù)測(cè)效果[2-5]，但傳統(tǒng)的統(tǒng)計(jì)模型受制于研究樣本呈正態(tài)分布、協(xié)方差相等等嚴(yán)格的假設(shè)條件，且模型一般為靜態(tài)判別，容錯(cuò)性較差。為克服這些局限，有學(xué)者應(yīng)用非統(tǒng)計(jì)方法，如神經(jīng)網(wǎng)絡(luò)方法[6-8]、支持向量機(jī)方法[9]等人工智能和機(jī)器學(xué)習(xí)方法進(jìn)行審計(jì)意見(jiàn)預(yù)測(cè)模型的構(gòu)建。此外，有學(xué)者將人工智能方法和傳統(tǒng)的線性分析方法在審計(jì)意見(jiàn)預(yù)測(cè)效果方面進(jìn)行對(duì)比分析，結(jié)果表明人工智能方法具有明顯的優(yōu)勢(shì)[10-11]。然而，這些預(yù)測(cè)模型的指標(biāo)體系設(shè)計(jì)方面較少考慮非財(cái)務(wù)指標(biāo)對(duì)審計(jì)意見(jiàn)的影響，而指標(biāo)體系的規(guī)?？刂?，也面臨著維度過(guò)大導(dǎo)致效率低下或指標(biāo)約簡(jiǎn)導(dǎo)致信息失真的兩難取舍。本文同時(shí)以財(cái)務(wù)指標(biāo)和非財(cái)務(wù)指標(biāo)為變量，構(gòu)建的基于鄰域粗糙集神經(jīng)網(wǎng)絡(luò)的審計(jì)意見(jiàn)預(yù)測(cè)模型主要有以下幾個(gè)特點(diǎn)：

(1)在傳統(tǒng)財(cái)務(wù)指標(biāo)的基礎(chǔ)上，增加了公司治理、會(huì)計(jì)師事務(wù)所等非財(cái)務(wù)指標(biāo)作為預(yù)測(cè)指標(biāo)體系，使得模型中影響審計(jì)意見(jiàn)類型的因素更加全面。

(2)利用鄰域粗糙集方法進(jìn)行指標(biāo)約簡(jiǎn)，既能處理離散變量又能處理數(shù)值型變量，克服了經(jīng)典粗糙集只適用于處理離散變量的缺點(diǎn)，避免了離散化過(guò)程的信息丟失問(wèn)題。同時(shí)，鄰域粗糙集拓展了不可分辨關(guān)系，定義了程度包含與程度互斥，提升了抗噪聲能力。

(3)將鄰域粗糙集方法和BP神經(jīng)網(wǎng)絡(luò)結(jié)合，形成優(yōu)勢(shì)互補(bǔ)，并克服各自方法的缺點(diǎn)。鄰域粗糙集理論能夠?qū)Χㄐ院投康臄?shù)據(jù)進(jìn)行約簡(jiǎn)，且無(wú)需先驗(yàn)知識(shí)，但其容錯(cuò)能力和泛化能力較弱，精確度易受噪聲環(huán)境的影響。而BP神經(jīng)網(wǎng)絡(luò)研究分類問(wèn)題時(shí)具有魯棒性強(qiáng)且預(yù)測(cè)精度較高的優(yōu)點(diǎn)，但存在不能刪除冗余信息、知識(shí)解釋性能差及網(wǎng)絡(luò)結(jié)構(gòu)不確定等問(wèn)題。本研究首先通過(guò)鄰域粗糙集進(jìn)行預(yù)測(cè)指標(biāo)約簡(jiǎn)，提取關(guān)鍵指標(biāo)，再將約簡(jiǎn)的指標(biāo)體系作為神經(jīng)網(wǎng)絡(luò)模型的輸入變量，實(shí)現(xiàn)了神經(jīng)網(wǎng)絡(luò)模型的優(yōu)化，提升了預(yù)測(cè)效率與精度。

二、基于鄰域粗糙集神經(jīng)網(wǎng)絡(luò)的審計(jì)意見(jiàn)預(yù)測(cè)模型構(gòu)建

(一)鄰域粗糙集

粗糙集是由Pawlak教授于1982年提出的用粗糙逼近的方法自然地模擬人類學(xué)習(xí)和推理過(guò)程,是一種處理模糊和不精確性問(wèn)題的新型數(shù)學(xué)工具,它通過(guò)對(duì)數(shù)據(jù)進(jìn)行分析、近似分類和推理數(shù)據(jù)間的關(guān)系,從中發(fā)現(xiàn)隱含的知識(shí)，揭示潛在的規(guī)律,提供一種決策支持方法，因此，被廣泛應(yīng)用于屬性約簡(jiǎn)、規(guī)則提取等方面。其主要相關(guān)概念如下：

(1)δ鄰域信息粒子。給定實(shí)數(shù)空間上的非空有限集合U={x1,x2,x3,…,xn}，對(duì)于U上的任意對(duì)象xi，其δ鄰域定義為:δ(xi)={x|x∈U,Δ(x,xi)≤δ}，其中，Δ是實(shí)數(shù)空間中的一個(gè)度量，δ≥0。

(2)鄰域的上近似與下近似。給定實(shí)數(shù)空間上的非空有限集合U={x1,x2,x3,…,xn}及其上的鄰域關(guān)系N，即二元組NS=(U,N)，?X?U屬于U，則X在鄰域近似空間NS=(U,N)中的上近似和下近似分別為：

則得出X的近似邊界為：

(3)屬性約簡(jiǎn)。給定一個(gè)決策系統(tǒng)DS=(U,C∪D,V,f)，B?C，若條件屬性子集B滿足以下條件：

1.γB(D)=γC(D)，即PosB(D)=Posc(D),條件屬性子集B和C分類能力相同；

2.?a∈B，γB(D)>γB-{a}(D)，即條件屬性子集B中沒(méi)有冗余。

則稱條件屬性子集B是條件屬性集C的一個(gè)相對(duì)約簡(jiǎn)。

其中γB(D)=Card(POSB(D))/Card(U)，為決策屬性D對(duì)條件屬性子集B的依賴度，即條件屬性子集B所確定的正域集合在論域U中所占的比例。

γB(D)-γB-{a}(D)，為在條件屬性子集B中刪除條件屬性a后，決策屬性D對(duì)條件子集B依賴減小的程度。

(二)BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)能夠以任意精度逼近復(fù)雜的非線性函數(shù)，是一個(gè)從輸入到輸出的高度非線性映射，給定一個(gè)輸入模式時(shí)，由輸入層傳遞到隱含層單元，再經(jīng)由隱含層單元逐個(gè)處理后傳輸?shù)捷敵鰧?，這個(gè)稱為前向傳播?！罢`差逆向傳播”是當(dāng)輸出值與期望輸出有誤差且不滿足要求時(shí)則轉(zhuǎn)入誤差逆向傳播，并對(duì)各層連接權(quán)值進(jìn)行修正，通過(guò)不斷學(xué)習(xí)與修正，最后達(dá)到誤差最小化。BP神經(jīng)網(wǎng)絡(luò)就是網(wǎng)絡(luò)訓(xùn)練前向傳播和誤差反向傳播的結(jié)合[12]。

BP神經(jīng)網(wǎng)絡(luò)具有高度自適應(yīng)、自學(xué)習(xí)功能，并具有良好的容錯(cuò)性等優(yōu)點(diǎn)，其被廣泛應(yīng)用于各個(gè)領(lǐng)域的研究，如自動(dòng)控制、財(cái)務(wù)危機(jī)預(yù)警、人臉識(shí)別等。眾多研究結(jié)果表明，BP神經(jīng)網(wǎng)絡(luò)方法具有較大的適用范圍，且具有較高的推廣價(jià)值。

(三)基于鄰域粗糙集和BP神經(jīng)網(wǎng)絡(luò)的審計(jì)意見(jiàn)預(yù)測(cè)模型

本文構(gòu)建了基于鄰域粗糙集-BP神經(jīng)網(wǎng)絡(luò)的上市公司審計(jì)意見(jiàn)預(yù)測(cè)模型，在本模型中首先對(duì)預(yù)測(cè)指標(biāo)數(shù)據(jù)進(jìn)行歸一化處理，然后利用鄰域粗糙集方法對(duì)初選的指標(biāo)進(jìn)行約簡(jiǎn)，刪除冗余指標(biāo)，利用約簡(jiǎn)后的指標(biāo)數(shù)據(jù)進(jìn)行BP神經(jīng)網(wǎng)絡(luò)建模，最終實(shí)現(xiàn)對(duì)審計(jì)意見(jiàn)預(yù)測(cè)的目標(biāo)。模型處理的流程如圖1所示。

圖1 鄰域粗糙集-BP神經(jīng)網(wǎng)絡(luò)模型

三、實(shí)證分析

(一)樣本選取

2013年被出具非標(biāo)準(zhǔn)審計(jì)意見(jiàn)的制造業(yè)上市公司有176家，2014年被出具非標(biāo)準(zhǔn)審計(jì)意見(jiàn)的制造業(yè)上市公司有60家，2015年滬深兩市全部A股被出具非標(biāo)準(zhǔn)審計(jì)意見(jiàn)的制造業(yè)上市公司有68家，根據(jù)行業(yè)及1：1配比原則、資產(chǎn)規(guī)模，隨機(jī)選取配對(duì)樣本，最后剔除指標(biāo)數(shù)據(jù)缺失值，最終得到2013年及2014年一共104個(gè)公司(52個(gè)被出具非標(biāo)準(zhǔn)審計(jì)意見(jiàn)的公司和52個(gè)被出具標(biāo)準(zhǔn)審計(jì)意見(jiàn)的公司)為訓(xùn)練樣本，2015年34個(gè)公司(17個(gè)被出具非標(biāo)準(zhǔn)審計(jì)意見(jiàn)的公司和17個(gè)被出具標(biāo)準(zhǔn)審計(jì)意見(jiàn)的公司)為檢驗(yàn)樣本。

(二)變量的初選

(1)被審計(jì)單位的財(cái)務(wù)指標(biāo)

審計(jì)意見(jiàn)是對(duì)被審計(jì)單位財(cái)務(wù)報(bào)告是否已按照適用的會(huì)計(jì)準(zhǔn)則編制，以及財(cái)務(wù)報(bào)表是否在所有重大方面公允反應(yīng)其財(cái)務(wù)狀況、經(jīng)營(yíng)成果和現(xiàn)金流量發(fā)表意見(jiàn)。而公司的財(cái)務(wù)指標(biāo)是公司財(cái)務(wù)狀況和經(jīng)營(yíng)成果的綜合反映，此外，企業(yè)是否具備持續(xù)經(jīng)營(yíng)能力，是財(cái)務(wù)報(bào)表編制的基礎(chǔ)，注冊(cè)會(huì)計(jì)師在對(duì)公司的財(cái)務(wù)報(bào)表進(jìn)行審計(jì)時(shí)，會(huì)對(duì)上市公司的持續(xù)經(jīng)營(yíng)能力進(jìn)行判斷和評(píng)價(jià)。而對(duì)公司而言，其償債能力、經(jīng)營(yíng)管理能力和獲利能力等都會(huì)影響其持續(xù)經(jīng)營(yíng)能力，從而影響注冊(cè)會(huì)計(jì)師對(duì)風(fēng)險(xiǎn)的判斷。因此，有理由認(rèn)為公司財(cái)務(wù)指標(biāo)的優(yōu)劣能夠影響注冊(cè)會(huì)計(jì)師出具的審計(jì)意見(jiàn)類型。

(2)公司治理

公司治理起源于以股份公司為代表的現(xiàn)代企業(yè)組織中基于委托-代理關(guān)系的所有權(quán)與經(jīng)營(yíng)權(quán)的分離。企業(yè)財(cái)務(wù)報(bào)表信息產(chǎn)生于公司治理構(gòu)架之下并反應(yīng)企業(yè)公司治理情況，公司治理是上市公司會(huì)計(jì)信息系統(tǒng)運(yùn)行的環(huán)境，公司治理水平能夠影響會(huì)計(jì)信息質(zhì)量，而審計(jì)意見(jiàn)又是對(duì)蘊(yùn)含會(huì)計(jì)信息質(zhì)量的財(cái)務(wù)報(bào)告進(jìn)行衡量的工具，公司治理水平能夠影響企業(yè)管理層的經(jīng)營(yíng)績(jī)效及效率，從而可能影響注冊(cè)會(huì)計(jì)師對(duì)公司存在的經(jīng)營(yíng)風(fēng)險(xiǎn)的判斷，因此本文認(rèn)為公司治理狀況能夠影響注冊(cè)會(huì)計(jì)師出具的審計(jì)意見(jiàn)類型。公司治理也可通過(guò)對(duì)事務(wù)所的聘任以及審計(jì)服務(wù)定價(jià)等事項(xiàng)干擾注冊(cè)會(huì)計(jì)師的判斷。

(3)會(huì)計(jì)師事務(wù)所

從審計(jì)主體來(lái)看，會(huì)計(jì)師事務(wù)所的規(guī)模在一定程度上影響審計(jì)的獨(dú)立性,即會(huì)計(jì)師事務(wù)所的規(guī)模通過(guò)影響注冊(cè)會(huì)計(jì)師的獨(dú)立性從而影響其出具的審計(jì)意見(jiàn)的類型。Francis認(rèn)為，事務(wù)所規(guī)模是影響審計(jì)質(zhì)量的重要因素之一。而出具非標(biāo)準(zhǔn)審計(jì)意見(jiàn)，或者以較高的概率出具非標(biāo)準(zhǔn)審計(jì)意見(jiàn)，被認(rèn)為是高質(zhì)量審計(jì)的象征。此外，李爽等認(rèn)為，審計(jì)意見(jiàn)具有高度的連續(xù)性，即上一年度被出具非標(biāo)準(zhǔn)審計(jì)意見(jiàn)的公司本年度再次被出具非標(biāo)準(zhǔn)審計(jì)意見(jiàn)的可能性較大[13]。

根據(jù)以上三個(gè)方面，本文從營(yíng)運(yùn)能力、成長(zhǎng)能力、盈利能力、每股指標(biāo)、現(xiàn)金流量、償債能力六個(gè)方面選取財(cái)務(wù)指標(biāo)(見(jiàn)表1)，從公司治理和會(huì)計(jì)師事務(wù)所角度選取非財(cái)務(wù)指標(biāo)(見(jiàn)表2)。

表1 財(cái)務(wù)指標(biāo)變量

表2 非財(cái)務(wù)指標(biāo)變量

(三)指標(biāo)約簡(jiǎn)

針對(duì)審計(jì)意見(jiàn)預(yù)測(cè)問(wèn)題，論域空間由選取的上市公司樣本數(shù)據(jù)構(gòu)成，不同的預(yù)測(cè)指標(biāo)和審計(jì)意見(jiàn)類型分別構(gòu)成條件屬性及決策屬性，當(dāng)條件屬性(指標(biāo)數(shù)據(jù))生成論域上的一族鄰域關(guān)系時(shí)，構(gòu)成鄰域決策系統(tǒng)。通過(guò)鄰域粗糙集算法可以對(duì)條件屬性進(jìn)行約簡(jiǎn)，同時(shí)保持原始指標(biāo)數(shù)據(jù)的分類能力不變。

本文利用胡清華教授提出的鄰域粗糙集前向搜索屬性快速約簡(jiǎn)算法程序?qū)χ笜?biāo)進(jìn)行篩選，將鄰域半徑δ初定在[0.2,0.4]，利用Matlab軟件，首先對(duì)指標(biāo)數(shù)據(jù)進(jìn)行歸一化處理，利用鄰域粗糙集模型，以0.05為步長(zhǎng)反復(fù)測(cè)試，并比較結(jié)果，最終選擇鄰域半徑δ為0.35時(shí)，指標(biāo)約簡(jiǎn)效果最好，通過(guò)運(yùn)行得出指標(biāo)篩選結(jié)果為：上期審計(jì)意見(jiàn)、股權(quán)集中度、每股經(jīng)營(yíng)現(xiàn)金凈流量、總資產(chǎn)周轉(zhuǎn)率、每股收益，分別代表會(huì)計(jì)師事務(wù)所、公司治理、現(xiàn)金流量、營(yíng)運(yùn)能力、每股指標(biāo)五個(gè)方面，最后構(gòu)成本文的預(yù)測(cè)指標(biāo)。

(四)模型建立及檢驗(yàn)

隱含層層數(shù)的設(shè)定：相關(guān)理論研究已證明，單個(gè)隱含層的BP神經(jīng)網(wǎng)絡(luò)模型可逼近任何有理函數(shù)，增加隱含層的數(shù)量并不會(huì)提高預(yù)測(cè)的準(zhǔn)確率。因此，本文選擇了經(jīng)典的單隱層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

輸入層節(jié)點(diǎn)數(shù)為5個(gè)，分別為上期審計(jì)意見(jiàn)、股權(quán)集中度、每股經(jīng)營(yíng)現(xiàn)金凈流量、總資產(chǎn)周轉(zhuǎn)率、每股收益。

輸出層節(jié)點(diǎn)數(shù)為1個(gè)，且定義若輸出值小于0.5，則為0(被出具標(biāo)準(zhǔn)審計(jì)意見(jiàn))，輸出值大于0.5，則為1(被判為非標(biāo)準(zhǔn)審計(jì)意見(jiàn))。

模型的傳遞函數(shù)為tansig函數(shù)和purelin函數(shù)；選擇learngdm函數(shù)為模型的學(xué)習(xí)函數(shù)；訓(xùn)練函數(shù)用于神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，本文選取了訓(xùn)練速度較快的trainlm函數(shù)。設(shè)置系統(tǒng)誤差為10-3，學(xué)習(xí)速率為0.01，最大循環(huán)次數(shù)為 1 000。由于各項(xiàng)指標(biāo)數(shù)據(jù)具有不同的意義以及不同的量綱，會(huì)在一定程度上影響模型的訓(xùn)練時(shí)間及效果，因此，需要對(duì)輸入指標(biāo)數(shù)據(jù)進(jìn)行歸一化處理。

利用Matlab編程進(jìn)行BP神經(jīng)網(wǎng)絡(luò)模型建模，模型的訓(xùn)練過(guò)程如圖2所示。

圖2 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差

圖2 BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練誤差顯示，本次模型在第11次訓(xùn)練達(dá)到了模型設(shè)定的誤差，訓(xùn)練速度較快，且模型訓(xùn)練的輸出結(jié)果與真實(shí)值間的擬合優(yōu)度達(dá)到0.9967，表明模型訓(xùn)練結(jié)果較好，模型訓(xùn)練的擬合優(yōu)度如圖3所示。

圖3 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練擬合優(yōu)度

為檢驗(yàn)上述訓(xùn)練的模型是否具有可靠性，本文利用選取的檢驗(yàn)組樣本數(shù)據(jù)對(duì)其進(jìn)行檢驗(yàn)，將指標(biāo)數(shù)據(jù)作為輸入值導(dǎo)入訓(xùn)練完畢的BP神經(jīng)網(wǎng)絡(luò)，得到的檢驗(yàn)結(jié)果如表3所示。

根據(jù)設(shè)定，將上述真實(shí)值與預(yù)測(cè)值整理如表4所示。

表3 BP神經(jīng)網(wǎng)絡(luò)輸出值與真實(shí)值

根據(jù)表4預(yù)測(cè)結(jié)果顯示，通過(guò)鄰域粗糙集篩選出的指標(biāo)可以總結(jié)出指標(biāo)數(shù)據(jù)和審計(jì)意見(jiàn)之間的潛在關(guān)系，被出具非標(biāo)準(zhǔn)審計(jì)意見(jiàn)的預(yù)測(cè)準(zhǔn)確率為94.12%，綜合準(zhǔn)確率為97.06%，顯示出比較滿意的預(yù)測(cè)效果，能夠較好地逼近樣本數(shù)據(jù)的內(nèi)在規(guī)則。從會(huì)計(jì)師事務(wù)所、公司治理、現(xiàn)金流量、營(yíng)運(yùn)能力、每股指標(biāo)五個(gè)方面篩選出的上期審計(jì)意見(jiàn)、股權(quán)集中度、每股經(jīng)營(yíng)現(xiàn)金凈流量、總資產(chǎn)周轉(zhuǎn)率、每股收益指標(biāo)，能在一定程度上較為全面地解釋其與審計(jì)意見(jiàn)類型之間的數(shù)據(jù)規(guī)律，模型具有良好的預(yù)測(cè)能力。

表4 BP神經(jīng)網(wǎng)絡(luò)檢驗(yàn)結(jié)果

為進(jìn)行比較分析，本文利用未經(jīng)鄰域粗糙集指標(biāo)約簡(jiǎn)的樣本指標(biāo)數(shù)據(jù)進(jìn)行簡(jiǎn)單BP神經(jīng)網(wǎng)絡(luò)建模，最終構(gòu)建了28-19-1的三層BP神經(jīng)網(wǎng)絡(luò)模型。此外，為與僅用財(cái)務(wù)指標(biāo)建模的預(yù)測(cè)結(jié)果作對(duì)比，本文僅用上文選取的22個(gè)財(cái)務(wù)指標(biāo)進(jìn)行鄰域粗糙集神經(jīng)網(wǎng)絡(luò)建模，設(shè)置相同的訓(xùn)練樣本及檢驗(yàn)樣本。

本文構(gòu)建的模型及兩個(gè)對(duì)比模型的預(yù)測(cè)準(zhǔn)確度見(jiàn)表5。

表5 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果

兩類錯(cuò)誤分別為Ⅰ類錯(cuò)誤和Ⅱ類錯(cuò)誤，前者指被出具標(biāo)準(zhǔn)審計(jì)意見(jiàn)的公司被預(yù)測(cè)為收到非標(biāo)準(zhǔn)審計(jì)意見(jiàn)，后者指被出具非標(biāo)準(zhǔn)審計(jì)意見(jiàn)的公司被預(yù)測(cè)為收到標(biāo)準(zhǔn)審計(jì)意見(jiàn)。據(jù)表5可得出，三種模型中，利用財(cái)務(wù)及非財(cái)務(wù)指標(biāo)建立的鄰域粗糙集-神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)效果最好，預(yù)測(cè)準(zhǔn)確度達(dá)到97.06%，其中Ⅰ類錯(cuò)誤率為0，表明標(biāo)準(zhǔn)審計(jì)意見(jiàn)的公司樣本全部預(yù)測(cè)正確。僅用財(cái)務(wù)指標(biāo)建立的鄰域粗糙集-神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)效果最差，僅為82.35%，其中Ⅰ類錯(cuò)誤率和Ⅱ類錯(cuò)誤率均達(dá)到10%以上，且兩類錯(cuò)誤率相差超過(guò)10%，表明該模型預(yù)測(cè)表現(xiàn)不夠平均，預(yù)測(cè)效果較差。通過(guò)兩個(gè)模型的對(duì)比表明，根據(jù)選取的財(cái)務(wù)指標(biāo)數(shù)據(jù)，補(bǔ)充選取公司治理變量(股權(quán)集中度)和會(huì)計(jì)師事務(wù)所(上期審計(jì)意見(jiàn))相關(guān)變量，所建立的模型能在一定程度上提高指標(biāo)數(shù)據(jù)的預(yù)測(cè)及分類效果，能更好地詮釋樣本數(shù)據(jù)之中蘊(yùn)含的規(guī)律，本文選取的非財(cái)務(wù)指標(biāo)起到了一定的補(bǔ)充衡量作用。

而結(jié)合財(cái)務(wù)指標(biāo)及非財(cái)務(wù)指標(biāo)建立的模型中，簡(jiǎn)單BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)準(zhǔn)確率為91.18%，低于鄰域粗糙集-神經(jīng)網(wǎng)絡(luò)模型得到的預(yù)測(cè)準(zhǔn)確率97.06%，表明利用鄰域粗糙集理論知識(shí)對(duì)指標(biāo)數(shù)據(jù)的輸入值進(jìn)行約簡(jiǎn)，解決了傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜的問(wèn)題，在剔除了冗余數(shù)據(jù)的同時(shí)減少了預(yù)測(cè)系統(tǒng)的計(jì)算負(fù)擔(dān)，且保證了原始數(shù)據(jù)的分類能力，提高了預(yù)測(cè)的準(zhǔn)確度。

四、結(jié)論

通過(guò)對(duì)文獻(xiàn)的梳理，在財(cái)務(wù)指標(biāo)之外，補(bǔ)充公司治理及會(huì)計(jì)師事務(wù)所方面的非財(cái)務(wù)指標(biāo)變量，在建模過(guò)程中將財(cái)務(wù)指標(biāo)及非財(cái)務(wù)指標(biāo)結(jié)合實(shí)現(xiàn)對(duì)審計(jì)意見(jiàn)的預(yù)測(cè)，以保證預(yù)測(cè)的準(zhǔn)確率。本文初選的財(cái)務(wù)及非財(cái)務(wù)指標(biāo)共28個(gè)，經(jīng)鄰域粗糙集篩選后最終形成5個(gè)指標(biāo)，分別為會(huì)計(jì)師事務(wù)所、公司治理、現(xiàn)金流量、營(yíng)運(yùn)能力、每股指標(biāo)方面。

與單純利用神經(jīng)網(wǎng)絡(luò)建模及單純利用財(cái)務(wù)指標(biāo)建模的預(yù)測(cè)效果相比，本文的模型預(yù)測(cè)效果更好，即將領(lǐng)域粗糙集作為BP神經(jīng)網(wǎng)絡(luò)的前置系統(tǒng)，在保持分類能力不變的前提下，提高了預(yù)測(cè)的準(zhǔn)確率；此外，在補(bǔ)充選取非財(cái)務(wù)指標(biāo)作為預(yù)測(cè)指標(biāo)的情況下，提高了預(yù)測(cè)的準(zhǔn)確率。

[1] KIDA T.Anivestigation into auditor’s continutity and related qualification judgments[J].Jpurnal of Accounting Research,1980(8):506-526.

[2] LAITINEN E K,LAITINEN T.Qualified audit reports in Finland:evidence from large companies[J].European Accounting Review,1998,7(4):639-653.

[3] 朱小平,余謙.上市公司的財(cái)務(wù)指標(biāo)與審計(jì)意見(jiàn)類型相關(guān)性的實(shí)證分析[J].中國(guó)會(huì)計(jì)評(píng)論,2003(7):29-50.

[4] 張曉嵐,張文杰,魯曉嵐.持續(xù)經(jīng)營(yíng)能力重大不確定性下審計(jì)意見(jiàn)的預(yù)測(cè)研究[J].統(tǒng)計(jì)與決策,2007(8):96-98.

[5] 胡繼榮,王耀明.論CPA不確定性審計(jì)意見(jiàn)預(yù)測(cè)——基于重大疑慮事項(xiàng)的持續(xù)經(jīng)營(yíng)[J].會(huì)計(jì)研究,2009(6):81-87.

[7] 田金玉.基于BP神經(jīng)網(wǎng)絡(luò)的上市公司審計(jì)意見(jiàn)預(yù)測(cè)模型[J].財(cái)會(huì)月刊,2010(3):109-110.

[8] 王旭,孔玉生.基于BP神經(jīng)網(wǎng)絡(luò)模型的持續(xù)經(jīng)營(yíng)不確定性審計(jì)意見(jiàn)預(yù)測(cè)[J].財(cái)會(huì)月刊,2012(36):62-64.

[9] DOUMPOS M,GAGANISC,PASIOURAS F.Explainingqualifi-cations in audit reports using a support vector machine methodology[J].Intelligent Systems in Accounting Finance & Management,2005,13(4):197-215.

[10]GAGANIS C,PASIOURAS F,SPATHIS C,et al.A comparison of nearest neighbours,discriminant and logit models for auditing decisions[J].Intelligent Systems in Accounting Finance & Management,2007(15):23-40.

[11]PASIOURAS F,GAGANIS C,ZOPOUNIDIS C.Multicriteriadecision support methodologies for auditing decisions:the case of qualified audit report in the UK[J].European Journal of Operational Research,2007,180(3):1317-1330.

[12]王筱欣,高攀.基于BP神經(jīng)網(wǎng)絡(luò)的重慶市房?jī)r(jià)驗(yàn)證與預(yù)測(cè)[J].重慶理工大學(xué)學(xué)報(bào)(社會(huì)科學(xué)),2016(9):49-53.

[13]李爽,吳溪.證券市場(chǎng)審計(jì)師變更的信息披露——制度比較與現(xiàn)狀分析[J].審計(jì)研究,2001(3):10-16.

(責(zé)任編輯 魏艷君)

Research on the Model of Audit Opinion Prediction Based on Integration of Neighborhood Rough Sets and Neural Network

ZHANG Zhiheng1, LI Dan1, LI Yu2,3

(1.College of Accounting, Chongqing University of Technology, Chongqing 400054, China；2.College of Economics and Management,Southwest University, Chongqing 400715, China; 3.Chongqing Hechuan District Tobacco Monopoly Bureau, Chongqing 401519, China)

The type of audit opinion and its forecast results are highly concerned by the stakeholders.The financial indicators and non-financial indicators will be selected as predicting variables in this paper. An integrated model of neighborhood rough set and neural network for audit opinion prediction is proposed. The neighborhood rough set is used as the front-end system of BP neural network, on the premise of keeping the classification ability unchanged, the index reduction is carried out, the key index is extracted, and the reduced index system is taken as the input variable of the neural network model. This paper selects 176 companies’ data of A share listed in Shanghai and Shenzhenstock markets from 2013 to 2015as the research sample and uses three models to carry out the audit opinion prediction comparative analysis. The result shows that the accuracy of this model is 97.06%, which is better than the prediction effect based on simple use of neural network modeling or financial index modeling.

audit opinion；prediction；BP neural network；neighborhood rough set

2017-07-11 基金項(xiàng)目：國(guó)家社會(huì)科學(xué)基金項(xiàng)目“我國(guó)商業(yè)銀行流動(dòng)性與房地產(chǎn)極端關(guān)聯(lián)波動(dòng)的測(cè)度及防范研究”(14BJY188)

張志恒(1976—)，男，內(nèi)蒙古通遼人，副教授，研究方向：會(huì)計(jì)信息化、審計(jì)信息化。

張志恒，李丹，李瑜.基于鄰域粗糙集神經(jīng)網(wǎng)絡(luò)的審計(jì)意見(jiàn)預(yù)測(cè)模型研究[J].重慶理工大學(xué)學(xué)報(bào)(社會(huì)科學(xué))，2017(8):37-43.

format：ZHANG Zhiheng,LI Dan,LI Yu.Research on the Model of Audit Opinion Prediction Based on Integration of Neighborhood Rough Sets and Neural Network[J].Journal of Chongqing University of Technology(Social Science)，2017(8):37-43.

10.3969/j.issn.1674-8425(s).2017.08.006

F239.1

A

1674-8425(2017)08-0037-07