發(fā)布時(shí)間：2021-07-10 19:09

　　在上市公司披露的財(cái)務(wù)報(bào)告中,會(huì)計(jì)信息占據(jù)百分之七十以上的內(nèi)容,會(huì)計(jì)信息不僅是各個(gè)主體進(jìn)行經(jīng)濟(jì)決策的有效基礎(chǔ),更是資本市場穩(wěn)定發(fā)展的主要因素。隨著公司信息化的蓬勃發(fā)展,經(jīng)濟(jì)交易逐步實(shí)現(xiàn)了網(wǎng)絡(luò)化、智能化。在海量的會(huì)計(jì)信息中,傳統(tǒng)的識(shí)別會(huì)計(jì)信息真實(shí)性方法成本高、效率低,已無法滿足信息化時(shí)代的需求。因此,如何快速提取需要的數(shù)據(jù)并且識(shí)別會(huì)計(jì)信息的可靠性和真實(shí)性,已成為當(dāng)前非常重要的課題。將數(shù)據(jù)挖掘方法引入會(huì)計(jì)、審計(jì)領(lǐng)域,不僅符合社會(huì)大眾的需求,而且在縮短作業(yè)時(shí)間、優(yōu)化資源配置、降低人為主觀因素及提高識(shí)別準(zhǔn)確率上具有獨(dú)特的優(yōu)勢。本文將數(shù)據(jù)挖掘方法應(yīng)用于上市公司會(huì)計(jì)信息失真識(shí)別工作中,在深入理解相關(guān)理論以及分析現(xiàn)有文獻(xiàn)的基礎(chǔ)上,綜合運(yùn)用數(shù)據(jù)挖掘方法對(duì)上市公司會(huì)計(jì)信息失真和非失真進(jìn)行分類。首先,通過文獻(xiàn)研究總結(jié)出初始指標(biāo)體系,并通過主成分分析方法形成主成分指標(biāo)。形成的九個(gè)主成分指標(biāo)已經(jīng)解釋了總方差的近91.9%,在很大程度上能夠代替初始指標(biāo)完成會(huì)計(jì)信息失真識(shí)別模型的構(gòu)建。其次,選擇我國上市公司2008-2017年披露的財(cái)務(wù)報(bào)告數(shù)據(jù)作為研究樣本,構(gòu)建三種單一會(huì)計(jì)信息失真識(shí)別模型,支持向量機(jī)識(shí)別模型、廣義... 

【文章來源】：重慶理工大學(xué)重慶市

【文章頁數(shù)】：59 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

主成分指標(biāo)的碎石圖

4 會(huì)計(jì)信息失真識(shí)別模型構(gòu)建（3）用分類識(shí)別模型對(duì)測試集數(shù)據(jù)進(jìn)行識(shí)別。用分類識(shí)別模型對(duì)測試集數(shù)據(jù)進(jìn)行識(shí)別的準(zhǔn)確率為 94.8%，即對(duì) 558 條測試集記錄進(jìn)行識(shí)別，有 529 條記錄識(shí)別正確，詳細(xì)結(jié)果如下：[predict_label_3] = svmpredict(test_label,test,model);Accuracy=94.8029%（529/558）（classification）測試集 SVM 識(shí)別結(jié)果對(duì)比如圖 4-3 所示，紅色代表每條記錄的真實(shí)類別，藍(lán)色代表模型識(shí)別出的類別。

33圖 4-4 GRNN 和 PNN 實(shí)驗(yàn)對(duì)比結(jié)4.5 基于決策樹的識(shí)別模型構(gòu)建本次研究根據(jù)決策樹識(shí)別會(huì)計(jì)信息失真流程，運(yùn)用決策樹發(fā)現(xiàn)會(huì)計(jì)信息失真些特征之間的關(guān)系，達(dá)到識(shí)別目的。在實(shí)驗(yàn)中，會(huì)計(jì)信息失真記錄標(biāo)為 1，非失息標(biāo)為 2，將 1、 2、 3、 4、 5、 6、 7、 8、 9共 9 個(gè)主成分指標(biāo)共 1673 條輸入模型。根據(jù)支持向量機(jī)模型中隨機(jī)生成的 1115 條訓(xùn)練集數(shù)據(jù)和 558 條測試據(jù)進(jìn)行決策樹識(shí)別模型的創(chuàng)建。經(jīng)過決策樹剪枝優(yōu)化后，產(chǎn)生的訓(xùn)練結(jié)果劃分規(guī)圖 4-6 所示，清晰的展示了決策樹的生長過程以及分類規(guī)則，本決策樹一共有 2葉子節(jié)點(diǎn)和 7 個(gè)分層。葉子節(jié)點(diǎn)上的 1 和 2 分別代表失真會(huì)計(jì)信息和非失真會(huì)

【參考文獻(xiàn)】：
期刊論文
[1]基于三種BP-NNs改進(jìn)算法的財(cái)務(wù)預(yù)警研究[J]. 李茜,唐恒書.  會(huì)計(jì)之友. 2019(06)
[2]基于PSO-BP和FOA-BP神經(jīng)網(wǎng)絡(luò)的財(cái)務(wù)危機(jī)預(yù)警模型比較[J]. 王玉冬,王迪,王珊珊.  統(tǒng)計(jì)與決策. 2018(15)
[3]Logistic財(cái)務(wù)預(yù)警模型預(yù)警正確率提升研究——引入盈余管理變量的分析[J]. 顧曉安,王炳蘄,李文卿.  南京審計(jì)大學(xué)學(xué)報(bào). 2018(04)
[4]Logistic回歸會(huì)計(jì)舞弊識(shí)別模型與會(huì)計(jì)舞弊指數(shù)比較研究[J]. 李清,閆世剛.  東北師大學(xué)報(bào)(哲學(xué)社會(huì)科學(xué)版). 2018(04)
[5]基于Logistic回歸法的企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型構(gòu)建[J]. 李長山.  統(tǒng)計(jì)與決策. 2018(06)
[6]基于改進(jìn)粒子群算法的模糊聚類-概率神經(jīng)網(wǎng)絡(luò)模型的企業(yè)財(cái)務(wù)危機(jī)預(yù)警模型研究[J]. 吳沖,劉佳明,郭志達(dá).  運(yùn)籌與管理. 2018(02)
[7]財(cái)務(wù)報(bào)告舞弊識(shí)別效率改善研究——基于分類技術(shù)改進(jìn)和數(shù)據(jù)信息優(yōu)化兼容視角[J]. 劉志洋,韓麗榮.  財(cái)經(jīng)問題研究. 2018(01)
[8]論會(huì)計(jì)信息系統(tǒng)可信性保障機(jī)制——基于區(qū)塊鏈技術(shù)[J]. 蔡立新,王琳惠.  財(cái)會(huì)月刊. 2017(22)
[9]會(huì)計(jì)信息對(duì)企業(yè)領(lǐng)導(dǎo)決策的影響研究[J]. 王峰,沈菊琴.  領(lǐng)導(dǎo)科學(xué). 2017(20)
[10]財(cái)務(wù)舞弊識(shí)別模型構(gòu)建及實(shí)證檢驗(yàn)[J]. 張?jiān)?高雅.  統(tǒng)計(jì)與決策. 2017(09)

碩士論文
[1]公司治理結(jié)構(gòu)對(duì)上市公司會(huì)計(jì)信息失真的影響研究[D]. 陶飛.哈爾濱工程大學(xué) 2013
[2]基于因子分析的上市公司會(huì)計(jì)信息失真識(shí)別模型研究[D]. 晁茜.西安建筑科技大學(xué) 2012
[3]基于公司治理特征的上市公司會(huì)計(jì)信息失真識(shí)別研究[D]. 廖永強(qiáng).湖南大學(xué) 2009
[4]我國上市公司會(huì)計(jì)信息操縱識(shí)別研究[D]. 楊其雷.廈門大學(xué) 2008
[5]上市公司會(huì)計(jì)信息可靠性識(shí)別研究[D]. 張新男.東北財(cái)經(jīng)大學(xué) 2007



本文編號(hào)：3276495