孫潔 鄭玉嬌 艾文國

【摘 要】 審計(jì)意見的恰當(dāng)性與公司利益相關(guān)者有著密切聯(lián)系，投資者和監(jiān)管者參考審計(jì)報(bào)告及審計(jì)意見做出決策，注冊(cè)會(huì)計(jì)師出具公允客觀的審計(jì)意見是其職責(zé)所在，構(gòu)建科學(xué)合理的審計(jì)意見預(yù)測模型有利于輔助各方判斷上市公司被出具審計(jì)意見的合理性。文章針對(duì)上市公司被出具審計(jì)意見的四種類型，采用多個(gè)財(cái)務(wù)指標(biāo)作為建模數(shù)據(jù)的特征值，基于糾錯(cuò)輸出編碼和支持向量機(jī)算法建立了多類別審計(jì)意見預(yù)測模型。經(jīng)過實(shí)證檢驗(yàn)，審計(jì)意見預(yù)測模型整體準(zhǔn)確率達(dá)到83.24%，各類審計(jì)意見的預(yù)測準(zhǔn)確率也均達(dá)到80.00%以上，模型預(yù)測效果良好。

【關(guān)鍵詞】 審計(jì)意見類型; 支持向量機(jī); 糾錯(cuò)輸出編碼; 預(yù)測模型

【中圖分類號(hào)】 F239.1? 【文獻(xiàn)標(biāo)識(shí)碼】 A? 【文章編號(hào)】 1004-5937（2018）24-0087-06

一、引言

隨著經(jīng)濟(jì)快速發(fā)展以及逐漸被完善的市場機(jī)制，監(jiān)督機(jī)制的重要性已經(jīng)凸顯出來，上市公司的財(cái)務(wù)報(bào)告以及審計(jì)報(bào)告愈來愈被監(jiān)管者和投資者所關(guān)注，而審計(jì)報(bào)告也成為監(jiān)管公司的有利工具，審計(jì)意見的公正性也越發(fā)重要。審計(jì)意見由獨(dú)立于投資者和管理層的第三方——會(huì)計(jì)師事務(wù)所注冊(cè)會(huì)計(jì)師所出具，但是審計(jì)過程中的控制風(fēng)險(xiǎn)、檢查風(fēng)險(xiǎn)和固有風(fēng)險(xiǎn)等審計(jì)風(fēng)險(xiǎn)以及面臨的市場風(fēng)險(xiǎn)，可能導(dǎo)致事務(wù)所出具有失公允的審計(jì)意見。不恰當(dāng)?shù)膶徲?jì)意見不僅使得投資者不能對(duì)公司的經(jīng)營狀況產(chǎn)生正確的認(rèn)知，也會(huì)對(duì)注冊(cè)會(huì)計(jì)師的個(gè)人職業(yè)發(fā)展產(chǎn)生不利的影響。建立科學(xué)有效的審計(jì)意見預(yù)測模型，能夠?yàn)樽?cè)會(huì)計(jì)師提供重要的風(fēng)險(xiǎn)管理輔助工具，輔助判斷其所出具審計(jì)意見的恰當(dāng)性。此外，外界投資者或者監(jiān)管者也可以借助審計(jì)意見預(yù)測模型的預(yù)測結(jié)果，提前衡量尚未完成審計(jì)過程的企業(yè)財(cái)務(wù)報(bào)告質(zhì)量。因此，通過科學(xué)合理的方法建立有效的審計(jì)意見預(yù)測模型具有重要的理論意義和實(shí)踐應(yīng)用價(jià)值。

二、文獻(xiàn)綜述

當(dāng)前的有關(guān)審計(jì)意見預(yù)測方面的研究，主要集中在探究對(duì)審計(jì)意見產(chǎn)生顯著影響的因素和審計(jì)意見預(yù)測建模方法兩個(gè)方面。所以，文獻(xiàn)綜述主要分為研究審計(jì)意見影響因素的文獻(xiàn)綜述和研究構(gòu)建預(yù)測審計(jì)意見的模型的文獻(xiàn)綜述兩部分展開。

（一）審計(jì)意見影響因素的文獻(xiàn)綜述

審計(jì)意見影響因素的早期研究中，學(xué)者們主要關(guān)注的因素是企業(yè)經(jīng)營的各項(xiàng)財(cái)務(wù)指標(biāo)，Mutchler[1]通過財(cái)務(wù)指標(biāo)建立預(yù)測模型，檢驗(yàn)得出凈值報(bào)酬率的變化量、息稅前利潤/銷售凈額、流動(dòng)資產(chǎn)/流動(dòng)負(fù)債以及資產(chǎn)負(fù)債率等財(cái)務(wù)指標(biāo)對(duì)企業(yè)持續(xù)經(jīng)營性意見有顯著關(guān)聯(lián)關(guān)系。章永奎等[2]在研究審計(jì)意見影響因素中結(jié)合盈余管理的研究思路，發(fā)現(xiàn)公司的總資產(chǎn)收益率和資產(chǎn)負(fù)債率對(duì)審計(jì)報(bào)告的審計(jì)意見具有顯著性影響。趙楚伊等[3]同樣發(fā)現(xiàn)企業(yè)的盈利性和債務(wù)風(fēng)險(xiǎn)與審計(jì)意見也存在顯著相關(guān)性。

許多研究表明企業(yè)被出具審計(jì)意見的類型與公司其他非財(cái)務(wù)因素存在一定的相關(guān)性。孫錚等[4]通過實(shí)證研究發(fā)現(xiàn)上市公司的股權(quán)結(jié)構(gòu)會(huì)影響企業(yè)管理層對(duì)會(huì)計(jì)師事務(wù)所和注冊(cè)會(huì)計(jì)師的選擇。Chan et al.[5]經(jīng)過研究發(fā)現(xiàn)當(dāng)企業(yè)所有權(quán)為政府控股且處于特殊時(shí)期（如面臨退市風(fēng)險(xiǎn)、發(fā)行新股等）時(shí)會(huì)更加傾向于得到有利審計(jì)意見。方軍雄等[6]探究了公司風(fēng)險(xiǎn)程度與被出具非標(biāo)準(zhǔn)審計(jì)意見的相關(guān)性，結(jié)果表明股東占款比重高和虧損等風(fēng)險(xiǎn)因素導(dǎo)致被出具非標(biāo)準(zhǔn)審計(jì)意見的可能性比較高。周楊[7]利用Logit回歸模型分析發(fā)現(xiàn)前期審計(jì)意見和企業(yè)內(nèi)部管理的質(zhì)量會(huì)對(duì)審計(jì)意見產(chǎn)生影響。劉霄侖等[8]采用多種方法實(shí)證檢驗(yàn)得出企業(yè)治理質(zhì)量與審計(jì)意見存在相關(guān)性，治理質(zhì)量高企業(yè)的審計(jì)意見被審定為標(biāo)準(zhǔn)無保留類別的可能性更高。Krishnan et al.[9]研究結(jié)果顯示企業(yè)管理的能力與審計(jì)報(bào)告中的持續(xù)經(jīng)營審計(jì)意見存在關(guān)聯(lián)性。Defond et al.[10]利用回歸分析檢驗(yàn)了審計(jì)費(fèi)用中非審計(jì)費(fèi)用所占比重與審計(jì)意見的關(guān)系，實(shí)證結(jié)果表明費(fèi)用結(jié)構(gòu)中不同的非審計(jì)費(fèi)用占比并不會(huì)影響審計(jì)意見。吳臘[11]研究對(duì)審計(jì)意見產(chǎn)生影響的因素，實(shí)證發(fā)現(xiàn)審計(jì)費(fèi)用對(duì)其存在顯著影響而會(huì)計(jì)師事務(wù)所的變更和任期對(duì)其并無顯著性的影響。

（二）審計(jì)意見預(yù)測模型的文獻(xiàn)綜述

審計(jì)意見預(yù)測建模研究的早期階段，只是簡單借助財(cái)務(wù)指標(biāo)來預(yù)測審計(jì)意見類型。Kida [12]研究審計(jì)過程中審計(jì)師判斷公司持續(xù)經(jīng)營能力時(shí)財(cái)務(wù)指標(biāo)的影響程度，請(qǐng)不同的審計(jì)師通過速動(dòng)比率、現(xiàn)金總資產(chǎn)比、權(quán)益總負(fù)債、總資產(chǎn)周轉(zhuǎn)率、總資產(chǎn)利潤率5個(gè)財(cái)務(wù)指標(biāo)來評(píng)判企業(yè)持續(xù)經(jīng)營能力，結(jié)果顯示審計(jì)師通過財(cái)務(wù)比率值判斷審計(jì)意見類型的正確率達(dá)到83%。Kleinman et al.[13]利用債務(wù)違約、是否連續(xù)虧損、Z值、是否進(jìn)入重組程序、有利事件和負(fù)面事件六個(gè)非財(cái)務(wù)因素，研究其與保留意見類型的審計(jì)意見之間的關(guān)系，研究表明此類指標(biāo)與審計(jì)意見有密切關(guān)系。

隨著研究的深入，一方面簡單的關(guān)系判斷方式并不十分科學(xué)準(zhǔn)確，另一方面數(shù)理統(tǒng)計(jì)方法不斷完善并拓展了應(yīng)用范圍，研究者逐漸將統(tǒng)計(jì)方法引入審計(jì)意見預(yù)測中。構(gòu)建審計(jì)意見預(yù)測模型的較常用統(tǒng)計(jì)方法是Logistic或Probit，并且經(jīng)過實(shí)證分析得到較為滿意的預(yù)測正確率。張曉嵐等[14]在研究分析上市公司被出具的有關(guān)持續(xù)經(jīng)營的審計(jì)意見類型及其主要受到的影響因素后，利用Logistic回歸方法建立三分類審計(jì)意見預(yù)測模型，實(shí)證表明模型的預(yù)測準(zhǔn)確率高于80%。胡繼榮等[15]分析中國上市企業(yè)因經(jīng)營的持續(xù)性具有不確定性程度而被審計(jì)人員發(fā)表審計(jì)意見的類型情況及其合理性，進(jìn)而采用Logistic回歸方法建立用于判別審計(jì)意見類別的GCO模型，模型的實(shí)證結(jié)果得到高達(dá)92%以上的預(yù)測正確率。

雖然傳統(tǒng)的統(tǒng)計(jì)模型得到了較好的預(yù)測結(jié)果，但是統(tǒng)計(jì)方法大多有其自身局限性，比如要求研究樣本符合正態(tài)分布、協(xié)方差相等的假設(shè)條件限制等，另外建立的審計(jì)意見預(yù)測模型多為靜態(tài)判別模型從而容錯(cuò)性較低。隨著人工智能技術(shù)的發(fā)展，神經(jīng)網(wǎng)絡(luò)以及支持向量機(jī)（Support Vector Machine，SVM）等人工智能機(jī)器方法被引入到審計(jì)意見預(yù)測建模。Doumpos et al.[16]基于SVM建立審計(jì)意見預(yù)測模型，輔助使用者來判斷、驗(yàn)證審計(jì)意見的恰當(dāng)性。田金玉[17]建立基于BP神經(jīng)網(wǎng)絡(luò)的審計(jì)意見預(yù)測模型，將財(cái)務(wù)指標(biāo)作為特征值，并通過我國滬深兩市的上市公司數(shù)據(jù)實(shí)證檢驗(yàn)了模型的有效性。王旭等[18]同樣基于BP神經(jīng)網(wǎng)絡(luò)建立審計(jì)意見類型的預(yù)測模型，實(shí)證結(jié)果顯示BP神經(jīng)網(wǎng)絡(luò)模型在預(yù)測公司經(jīng)營持續(xù)性的正確性優(yōu)于Logistic回歸模型。Fernandez-Gamez et al.[19]應(yīng)用神經(jīng)網(wǎng)絡(luò)對(duì)公司治理和財(cái)務(wù)指標(biāo)變量建立模型，用于判斷評(píng)價(jià)審計(jì)意見是否公正客觀。建模方法的增多，有學(xué)者對(duì)各種建模方法的各方面性能進(jìn)行了對(duì)比研究。Gaganis et al.[20]將最近鄰判別分析方法與Logistic回歸方法的審計(jì)意見預(yù)測性能進(jìn)行比較，發(fā)現(xiàn)最近前者構(gòu)建的模型預(yù)測正確率略好于后者。Pasiouras et al.[21]通過對(duì)英國審計(jì)報(bào)告進(jìn)行案例研究發(fā)現(xiàn)，在審計(jì)意見決策支持效果方面，基于人工智能方法的模型比基于傳統(tǒng)統(tǒng)計(jì)方法的模型表現(xiàn)更好。張志恒等[22]利用鄰域粗糙集對(duì)財(cái)務(wù)指標(biāo)和非財(cái)務(wù)指標(biāo)進(jìn)行簡約處理得到關(guān)鍵指標(biāo)，并用于BP神經(jīng)網(wǎng)絡(luò)建模，從而構(gòu)建出預(yù)測審計(jì)意見的混合模型，并經(jīng)過實(shí)證檢驗(yàn)。

（三）文獻(xiàn)評(píng)述

現(xiàn)有的有關(guān)預(yù)測審計(jì)意見的相關(guān)研究文獻(xiàn)中，絕大多數(shù)研究僅僅將審計(jì)意見因變量劃分為標(biāo)準(zhǔn)審計(jì)意見和非標(biāo)準(zhǔn)審計(jì)意見兩類，或者僅僅研究某一種審計(jì)意見被出具的可能性，不符合實(shí)際中審計(jì)意見多類型的特點(diǎn)，不能夠滿足現(xiàn)實(shí)經(jīng)濟(jì)社會(huì)對(duì)審計(jì)意見的多類別預(yù)測需求。此外，審計(jì)意見的影響因素選擇方面，雖然已經(jīng)涉及財(cái)務(wù)因素和非財(cái)務(wù)因素，但是，財(cái)務(wù)因素仍然存在經(jīng)營方面指標(biāo)較少的缺點(diǎn)，且非財(cái)務(wù)因素存在指標(biāo)缺少統(tǒng)一標(biāo)準(zhǔn)和數(shù)據(jù)可獲得性較差的不足。所以，本文在研究構(gòu)建模型用于審計(jì)意見類別的預(yù)測時(shí)，審計(jì)意見因變量將按照上市公司審計(jì)報(bào)告中實(shí)際存在的四種情況分為標(biāo)準(zhǔn)無保留意見、無保留意見加事項(xiàng)段、保留意見和無法表示意見四個(gè)類別，建模特征變量則采用涉及公司各個(gè)方面且具有客觀標(biāo)準(zhǔn)的多項(xiàng)財(cái)務(wù)指標(biāo)，并利用分類效果較好的人工智能方法——SVM，融合糾錯(cuò)輸出編碼（Error Correcting Output Codes，ECOC）思想，建立多類別審計(jì)意見類型預(yù)測模型。

三、多類別審計(jì)意見預(yù)測模型的構(gòu)建

基于多類別審計(jì)意見預(yù)測模型的構(gòu)建過程包括三個(gè)關(guān)鍵步驟：建模變量設(shè)計(jì)、數(shù)據(jù)處理設(shè)計(jì)、基于ECOC-SVM的多類別審計(jì)意見預(yù)測模型構(gòu)建。

（一）建模變量設(shè)計(jì)

財(cái)務(wù)報(bào)表的審計(jì)意見被規(guī)定有五種主要類別：標(biāo)準(zhǔn)無保留、無保留意見加事項(xiàng)段、保留意見、否定意見、無法表示。但是，考慮上市公司被出具審計(jì)意見類別的實(shí)際數(shù)據(jù)情況，幾乎不存在否定意見方面的企業(yè)數(shù)據(jù)。所以，本文將按照上市公司審計(jì)報(bào)告中實(shí)際存在較多的四種情況，將審計(jì)意見因變量劃分為標(biāo)準(zhǔn)無保留意見、無保留意見加事項(xiàng)段、保留意見和無法表示意見四種類別。

建模特征變量由多項(xiàng)財(cái)務(wù)指標(biāo)構(gòu)成。首先，建立了涵蓋企業(yè)經(jīng)營各個(gè)方面且可能與審計(jì)意見存在一定聯(lián)系的備選財(cái)務(wù)指標(biāo)體系，涉及發(fā)展能力、風(fēng)險(xiǎn)水平、盈利能力、資產(chǎn)比率結(jié)構(gòu)以及償債能力。此備選財(cái)務(wù)指標(biāo)體系中既囊括了已有研究中涉及過的財(cái)務(wù)指標(biāo)，還增加了一些可能與審計(jì)意見有關(guān)聯(lián)的財(cái)務(wù)指標(biāo)。其次，為了進(jìn)一步篩選與審計(jì)意見有關(guān)聯(lián)的財(cái)務(wù)指標(biāo)，以提高后續(xù)構(gòu)建模型的效果，本文采用統(tǒng)計(jì)方法中的單因素方差分析（One-Way ANOVA）方法來選擇具有顯著影響的建模特征變量。利用ANOVA方法，選取出在四種類別審計(jì)意見樣本中具有顯著差異性的財(cái)務(wù)指標(biāo)作為最終的建模特征變量。

（二）數(shù)據(jù)處理設(shè)計(jì)

樣本公司的建模特征變量取值與審計(jì)意見因變量取值構(gòu)成初始建模數(shù)據(jù)集T1，然而該數(shù)據(jù)集存在不同特征變量之間的量級(jí)差別大和不同審計(jì)意見類別之間的樣本數(shù)量非平衡的問題，需要通過數(shù)據(jù)標(biāo)準(zhǔn)化處理和數(shù)據(jù)非平衡處理，進(jìn)而得到建模數(shù)據(jù)集T2。

1.數(shù)據(jù)標(biāo)準(zhǔn)化處理

由于特征變量的性質(zhì)不同，財(cái)務(wù)特征指標(biāo)之間的量級(jí)差別較大，如果直接用于訓(xùn)練模型，會(huì)產(chǎn)生數(shù)值較高的財(cái)務(wù)指標(biāo)被突出，數(shù)值較低的財(cái)務(wù)指標(biāo)被削弱的問題。所以，本文將對(duì)數(shù)據(jù)采用Min-Max標(biāo)準(zhǔn)化（Min-Max normalization）方法進(jìn)行歸一化處理，從而保證不同財(cái)務(wù)指標(biāo)數(shù)據(jù)間量級(jí)的平衡性，其公式如下：

公式中min v與max v分別代表某一類財(cái)務(wù)指標(biāo)的最小值和最大值。經(jīng)過標(biāo)準(zhǔn)化處理后，所有財(cái)務(wù)指標(biāo)的數(shù)值都會(huì)分布在[0，1]區(qū)間內(nèi)。

2.數(shù)據(jù)非平衡處理

本文將審計(jì)意見類型分為標(biāo)準(zhǔn)無保留意見、保留意見、無保留意見加事項(xiàng)段、無法表示意見四種?，F(xiàn)實(shí)中這四類審計(jì)意見類型的樣本公司數(shù)量有較大的差別，存在較為嚴(yán)重的類別間樣本數(shù)量不平衡問題，所以本文將利用SMOTE（Synthetic Minority Over-Sampling Technique）技術(shù)[23]處理類別間樣本數(shù)量不平衡的問題。

SMOTE是一種利用線性插值原理在原始樣本之間對(duì)少數(shù)類樣本進(jìn)行過采樣的技術(shù)，將針對(duì)每類少數(shù)類樣本即保留意見、無保留意見加事項(xiàng)段、無法表示意見三類樣本數(shù)據(jù)分別進(jìn)行非平衡處理。假設(shè)需要SMOTE過采樣的人工樣本數(shù)是原來少數(shù)類樣本數(shù)的W倍，則先使用K近鄰方法找出某個(gè)少數(shù)類樣本的K（K>W）個(gè)最鄰近同類樣本;然后，隨機(jī)從K個(gè)鄰近樣本中選取W個(gè)，并在原始少數(shù)類樣本本身與其某一鄰近樣本構(gòu)成的線段上插值生成新的子代樣本。通過SMOTE可以產(chǎn)生符合相應(yīng)審計(jì)意見類別特征的新樣本，從而增加保留意見、無保留意見加事項(xiàng)段、無法表示意見三類少數(shù)類樣本的數(shù)量，使得這三類樣本與標(biāo)準(zhǔn)無保留意見類別樣本之間的不平衡性得到減弱。

（三）基于ECOC-SVM的多類別審計(jì)意見預(yù)測模型構(gòu)建

1.SVM與ECOC的基本概念

SVM是一種應(yīng)用廣泛的人工智能分類方法，由Vapnik首先提出[24]。SVM方法的理論基礎(chǔ)是結(jié)構(gòu)風(fēng)險(xiǎn)最小原理和統(tǒng)計(jì)學(xué)習(xí)中的VC維（Vapnik-Chervonenkis Dimension）理論，具有監(jiān)督學(xué)習(xí)性的分類模型，對(duì)兩類樣本訓(xùn)練SVM模型時(shí)將找到兩類樣本的最優(yōu)分類超平面w·x+b=0，再利用訓(xùn)練好的SVM分類器辨別待測未知企業(yè)樣本的審計(jì)類別。

傳統(tǒng)SVM只能用于建立二分類模型，為了解決多類別審計(jì)意見預(yù)測建模問題，需要引入或結(jié)合其他方法。本文將采用ECOC方法[25]，即在多類別審計(jì)意見的倆倆類別之間進(jìn)行二分類SVM建模時(shí)引入編碼的思想，并在審計(jì)意見預(yù)測時(shí)充分利用具有容錯(cuò)性優(yōu)勢(shì)的代碼解碼過程。將SVM與ECOC相結(jié)合，從而構(gòu)建出ECOC-SVM多類別審計(jì)意見預(yù)測模型。

2.ECOC-SVM多類別審計(jì)意見預(yù)測模型

ECOC-SVM多類別審計(jì)意見預(yù)測模型的基本思想是將多類別審計(jì)意見預(yù)測問題拆分為若干個(gè)二分類審計(jì)意見預(yù)測問題，框架如圖1所示。

本文將利用三元ECOC原理，則多類別審計(jì)意見預(yù)測模型ECOC-SVM的工作過程分為兩步：

（1）編碼階段：在ECOC-SVM審計(jì)意見預(yù)測模型的訓(xùn)練階段，審計(jì)意見的四種類型分別被劃分指定為積極類別、消極類別或者停用類別。每次劃分中被指定為積極類別和消極類別的審計(jì)意見類型將被用于訓(xùn)練二分類SVM單分類器。例如，標(biāo)準(zhǔn)無保留意見作為訓(xùn)練中的積極類別（編碼為1），無保留意見加事項(xiàng)段則作為對(duì)立的消極類別（編碼為-1），進(jìn)而保留意見和無法表示意見將被作為停用類別（編碼為0），在此標(biāo)準(zhǔn)下利用樣本數(shù)據(jù)訓(xùn)練出一個(gè)二分類SVM單分類器;以此類推，每次以審計(jì)意見四種類型中的兩兩組合作為積極類別和消極類別，剩余兩種類型作為停用類型，訓(xùn)練得到六個(gè)二分類SVM單分類器。見表1。

（2）解碼階段：在ECOC-SVM審計(jì)意見預(yù)測模型的預(yù)測階段，待預(yù)測審計(jì)意見類型的公司樣本通過六個(gè)二分類SVM單分類器分別對(duì)其進(jìn)行預(yù)測，并將預(yù)測結(jié)果標(biāo)記組成一個(gè)編碼序列。這個(gè)預(yù)測結(jié)果編碼序列與每個(gè)類別的原始編碼序列進(jìn)行比較并且計(jì)算兩者之間的距離，最終返回其中距離最小的類別為ECOC-SVM模型預(yù)測的未知類別公司的審計(jì)類型。

四、模型驗(yàn)證

（一）樣本選擇與數(shù)據(jù)來源

從滬深A(yù)股中選取2013—2017年具有標(biāo)準(zhǔn)無保留審計(jì)意見、無保留審計(jì)意見加事項(xiàng)段、保留意見和無法表示意見的各類上市公司數(shù)據(jù)作為研究樣本。樣本公司總數(shù)為3 421，其中，標(biāo)準(zhǔn)無保留審計(jì)意見、無保留審計(jì)意見加事項(xiàng)段、保留意見和無法表示意見的樣本公司數(shù)分別為2 912、351、109、49。本研究中所用的樣本公司審計(jì)意見和財(cái)務(wù)指標(biāo)數(shù)據(jù)來源于國泰安數(shù)據(jù)庫。

（二）建模特征變量選擇結(jié)果

備選財(cái)務(wù)指標(biāo)體系由55個(gè)財(cái)務(wù)指標(biāo)構(gòu)成，利用IBM SPSS Statistics 21統(tǒng)計(jì)軟件進(jìn)行方差（ANOVA）分析，最終選擇出15個(gè)適合用于建立模型的特征財(cái)務(wù)指標(biāo)，結(jié)果如表2所示。收集所有樣本公司被出具審計(jì)意見年份的特征財(cái)務(wù)指標(biāo)數(shù)據(jù)和審計(jì)意見類型組成初始建模數(shù)據(jù)集T1。

（三）審計(jì)意見預(yù)測模型的實(shí)驗(yàn)結(jié)果及分析

初始數(shù)據(jù)集T1經(jīng)過標(biāo)準(zhǔn)化處理和非平衡處理后得到建模數(shù)據(jù)集T2。利用Matlab軟件構(gòu)建ECOC-SVM多類別審計(jì)意見預(yù)測模型并進(jìn)行模型效果測試，重復(fù)運(yùn)行30次，每次運(yùn)行時(shí)隨機(jī)選取80%的樣本數(shù)據(jù)用于訓(xùn)練模型，剩余的20%樣本數(shù)據(jù)用于評(píng)價(jià)模型的預(yù)測性能。ECOC-SVM多類別審計(jì)意見預(yù)測模型對(duì)四類審計(jì)意見的平均預(yù)測準(zhǔn)確率以及整體預(yù)測平均準(zhǔn)確率結(jié)果如表3所示，同時(shí)根據(jù)30次模型測試結(jié)果繪制折線圖如圖2所示。

從表3中可以看出，ECOC-SVM多類別審計(jì)意見預(yù)測模型對(duì)于上市公司審計(jì)意見類型的預(yù)測性能達(dá)到較高水平。整體預(yù)測準(zhǔn)確率達(dá)到83.24%，說明ECOC-SVM模型通過公司的財(cái)務(wù)數(shù)據(jù)對(duì)公司的審計(jì)意見類型預(yù)測情況整體性能良好。圖2顯示，ECOC-SVM模型的整體預(yù)測準(zhǔn)確率曲線波動(dòng)性較小，說明此模型預(yù)測時(shí)的運(yùn)行性能較穩(wěn)定。

同時(shí)，ECOC-SVM模型對(duì)四種審計(jì)意見類型的預(yù)測準(zhǔn)確率均超過80%，其中，對(duì)保留意見樣本公司的預(yù)測準(zhǔn)確率達(dá)到86%，在四類中居最高準(zhǔn)確率水平;對(duì)無法表示意見樣本公司的預(yù)測準(zhǔn)確率為次高，達(dá)到85.23%;但是ECOC-SVM模型對(duì)于保留意見類和無法表示意見兩類樣本公司的預(yù)測準(zhǔn)確率較為不穩(wěn)定，保留意見類的折線圖波動(dòng)性最大。模型對(duì)標(biāo)準(zhǔn)無保留意見和無保留意見加事項(xiàng)段兩個(gè)類別的預(yù)測穩(wěn)定性較好，對(duì)標(biāo)準(zhǔn)無保留意見類別的預(yù)測平均準(zhǔn)確率高于無保留意見加事項(xiàng)段類別。

實(shí)證結(jié)果表明本文構(gòu)建的ECOC-SVM多類別審計(jì)意見預(yù)測模型能夠較為準(zhǔn)確地預(yù)測上市公司的審計(jì)意見，預(yù)測性能達(dá)到滿意水平。利用ECOC-SVM多類別審計(jì)意見預(yù)測模型能夠輔助使用者預(yù)測上市公司可能被出具的審計(jì)意見。同時(shí)，實(shí)證結(jié)果也表明，上市公司的審計(jì)意見類型與建模特征值——財(cái)務(wù)指標(biāo)之間存在一定的相關(guān)關(guān)系，將多個(gè)與審計(jì)意見具有相關(guān)性的財(cái)務(wù)指標(biāo)信息通過ECOC-SVM模型進(jìn)行綜合建模，更能輔助預(yù)測審計(jì)意見類型，并達(dá)到滿意的預(yù)測效果。

五、結(jié)論

企業(yè)的財(cái)務(wù)報(bào)告以及審計(jì)報(bào)告、審計(jì)意見等越來越被監(jiān)管者和投資者所關(guān)注，審計(jì)報(bào)告也成為監(jiān)管公司的有利工具，審計(jì)意見的作用也越發(fā)重要。投資者和監(jiān)管者可以利用審計(jì)報(bào)告及審計(jì)意見類別來輔助其做出各項(xiàng)決策。本文將ECOC的編碼解碼思想和SVM分類預(yù)測方法相融合，建立了ECOC-SVM多類別審計(jì)意見預(yù)測模型。審計(jì)意見類別作為分類類別，采用實(shí)際上市公司被出具審計(jì)意見的常見四種類別，即標(biāo)準(zhǔn)無保留意見、無保留意見加事項(xiàng)段、保留意見和無法表示意見。通過單因素方差分析篩選出對(duì)審計(jì)意見有顯著影響的建模特征財(cái)務(wù)指標(biāo)體系，并對(duì)初始建模數(shù)據(jù)集進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化處理和數(shù)據(jù)非平衡處理。經(jīng)過實(shí)證檢驗(yàn)，ECOC-SVM多類別審計(jì)意見預(yù)測模型對(duì)審計(jì)意見整體預(yù)測準(zhǔn)確率達(dá)到83.24%，對(duì)四種審計(jì)意見分類別的預(yù)測準(zhǔn)確率也均達(dá)到80.00%以上，ECOC-SVM模型預(yù)測效果良好。投資者和監(jiān)管者可以借助此模型的預(yù)測結(jié)果來輔助預(yù)測審計(jì)意見，注冊(cè)會(huì)計(jì)師也可以運(yùn)用模型的預(yù)測結(jié)果來檢測出具的審計(jì)意見是否恰當(dāng)，從而降低審計(jì)風(fēng)險(xiǎn)?！?/p>

【參考文獻(xiàn)】

[1] MUTCHLER J F.A Multivariate analysis of the auditors going-concern opinion decision[J].Journal of Accounting Research，1985，23（2）：668-682.

[2] 章永奎，劉峰.盈余管理與審計(jì)意見相關(guān)性實(shí)證研究 [J].中國會(huì)計(jì)與財(cái)務(wù)研究，2002 （1）：1-14.

[3] 趙楚伊，劉艷萍，崔霽晗，等.我國上市公司審計(jì)意見類型影響因素研究[J].現(xiàn)代商業(yè)，2017（12）：161-162.

[4] 孫錚，曹宇.股權(quán)結(jié)構(gòu)與審計(jì)需求[J].審計(jì)研究，2004 （3）：7-14.

[5] CHAN H K，LIN K Z，WANG R R.Government ownership，accounting-based regulations，and the pursuit of favorable audit opinions：evidence from China[J].Auditing：A Journal of Practice & Theory，2012，31 （4）：47-64.

[6] 方軍雄，洪劍峭，李若山.我國上市公司審計(jì)質(zhì)量影響因素研究發(fā)現(xiàn)和啟示[J].審計(jì)研究，2004（6）：38-46.

[7] 周楊.我國上市公司審計(jì)意見影響因素的實(shí)證研究——基于2008年滬深A(yù)股年報(bào)數(shù)據(jù)的分析[J].會(huì)計(jì)之友，2011（4）：62-64.

[8] 劉霄侖，郝臣，褚玉萍.公司治理對(duì)上市公司審計(jì)意見類型影響的研究——基于2007—2011年中國民營上市公司的面板數(shù)據(jù)[J].審計(jì)研究，2012（5）：51-57.

[9] KRISHNAN G V，WANG C.The relation between managerial ability and audit fees and going concern opinions[J].Auditing：A Journal of Practice & Theory，2015，34（3）：139-160.

[10] DEFOND M L，RAGHUNANDAN K，SUBRAMANYAM K R.Do non-audit service fees impair auditor independence？ Evidence from going concern audit opinion[J].Journal of Accounting Research，2002，（40）4：1247-1274.

[11] 吳臘.我國上市公司年報(bào)審計(jì)意見影響因素研究 [J].財(cái)會(huì)通訊，2014（36）：28-33.

[12] KIDA T.An investigation into auditor' continuity and related qualification judgments[J].Journal of Accounting Research，1980，18（2）：506-523.

[13] KLEINMAN G，ANANDARAJAN A.The usefulness of off-balance sheet variables as predictors of auditors' going concern opinions：An empirical analysis [J].Managerial Auditing Journal，1999，14（6）：273-285.

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

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

[16] DOUMPOS M， GAGANIS C， PASIOURAS F.Explaining qualifications in audit reports using a support vector machine methodology[J].Intelligent Systems in Accounting Finance & Management，2005，13（4）：197-215.

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

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

[19] FERNANDEZ-GAMEZ M A.GARCIA-LAGOS F，SANCHEZ-SERRANO J R.Integrating corporate governance and financial variables for the identification of qualified audit opinions with neural networks [J].Neural Computing & Applications，2016，27（5）：1427-1444.

[20] GAGANIS C， PASIOURAS F， SPATHIS C， ZOPOUNIDIS C.A comparison of nearest neighbours discriminant and logit models for auditing decision[J].Intelligent Systems in Accounting Finance & Management，2007，15（1/2）：23-40.

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

[22] 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)意見預(yù)測模型研究[J].重慶理工大學(xué)學(xué)報(bào)（社會(huì)科學(xué)），2017（8）：37-43.

[23] CHAWLA N V，BOWYER K W，HALL L O，et al.SMOTE：synthetic minority over-sampling technique[J].Journal of Artificial Intelligence Research，2002，16（1）：321-357.

[24] VAPNIK V N.Statistical learning theory[M]. John Wiley and Sons，1998.

[25] DIETTERICH T G，BAKIRI G.Solving multiclass learning problems via error-correcting output codes[J].Journal of Artificial Intelligence Research，1995，2（1）：263-286.