应用数据挖掘技术提高虚假财务报告识别效率.docx

应用数据挖掘技术提高虚假财务报告识别效率摘要：数据挖掘技术能够处理海量信息，完成潜在有用信息的抽取。虚假财务报告的识别需要从大量相关信息中寻找线索，采用数据挖掘技术可以提高虚假财务报告的识别效率。应用数据挖掘技术进行上市公司虚假财务报告识别研究的目的在于确定数据挖掘的方法论，建立相应的规则和算法，并将其设计成能够实现的解决方案和相应程序。关键词：数据挖掘；虚假财务报告；识别一、引言上市公司财务报告是上市公司各种经营信息的综合反映，也是各种机构及个人投资者判断上市公司运营状况，预测公司发展前景和投资回报的主要依据。正因为其重要，不少公司不惜编造虚假财务报告以图误导投资者。尽管监管机构多次出台各种政策，虚假财务报告仍屡禁不止。最有效的治理虚假财务报告的方法是提高各方的识别虚假财务报告的能力。但是，虚假财务报告的识别不仅要从大量的公司年报、中报等的财务数据中提取信息，还要从股市交易信息及其它相关信息中寻找线索，仅仅由会计师依据分析性程序方法，囿于各种主客观因素影响其识别效果和效率都不够理想。数据挖掘技术作为一种决策支持技术，能够高度自动化地分析海量信息，作出归纳性推理，从中挖掘出供决策使用的高层次知识，帮助财务报告的关注各方提高基于财务报告的决策质量和效率。在当今IT环境下，随着数据挖掘算法的改进和应用领域的不断拓展，将数据挖掘技术应用到虚假财务报告识别中既有可能也很有必要。二、数据挖掘的概念和技术数据挖掘是针对非常大的数据进行的研究和分析。它采用自动或半自动的程序，对数据中固有的先前未知的潜在有用信息进行抽取。数据挖掘的起源可追溯到20世纪50年代人工智能的早期发展。在此期间，模式识别和基于规则推理的发展提供了基础构建块，数据挖掘就建立在这些概念的基础之上。在最近10 年中，大型业务数据库使用量的增长以及对这些数据的理解和解释的需要，再加上相对廉价的计算机的供应，导致数据挖掘在各种业务应用中的使用急剧增长。这些应用从零售业务的顾客细分和市场购物篮分析，到银行业务和金融业务应用中的风险分析和欺骗侦查，涉及面非常广泛。多年来各国学者已开发了多种数据挖掘技术，用于大量的数据集中探索和抽取信息。总的说来，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与其它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、人工神经网络和径向基函数等。三、数据挖掘在虚假财务报告识别中的应用大量研究证实，与正常的财务报告相比，虚假财务报告常具有某种结构上的特征。Joseph T. Wells认为，公司财务报告舞弊手法不外乎“虚构收入、滥用时间性差异科目、少计漏计费用、欺诈性资产评估”，这些舞弊行为通常会使得“企业的财务结构出现异常的状态”。Lee，Ingram和Howard对盈余与经营活动产生的现金流量之间的关系进行了研究，结果发现，在公司舞弊戳穿以前公司盈余要比之后高得多，但是经营活动产生的现金流量则相反，也就是说，在舞弊发现前盈余减去经营活动现金流量的值为正。表现在财务指标上，就是某些财务指标显着的异于同类公司。这些能够显着显示财务欺诈征兆的财务指标包括：应收款项比率、应收款项周转率、资产负债率、速动比率、主营业务税金及附加比率、资产质量、管理费用和销售费用率。Haw et al对我国上市公司盈余管理行为的研究发现，上市公司对帐面利润的操纵，很大部分集中于“线下部分”，即诸如投资收益、营业外收支等“非经常性盈余”部分，如果上市公司的主营业务利润率持续降低，或者远远低于同行业水平，说明该公司存在财务报告舞弊的可能。方军雄使用统计分析证实了这些差异并构造了基于某些财务比率的两类判别模型。除了企业财务结构上的异常之外，上市公司对财务报告的操纵通常还具有可以分析的外部环境特征。Joseph T. Wells指出，财务报告舞弊“不是始于管理层的不诚实，而是发端于某种环境这种环境中存在两个特征：激进的财务业绩目标；目标未实现将被视为不可宽恕的氛围。换言之，财务报告舞弊缘于压力。”我国的研究者通过大量的统计研究，也总结出了极有可能采取会计造假的公司的特征。它们通常包括如下几个特征：前两年连续亏损，今年经营业绩没有得到根本改善的公司； 前两年平均净资产报酬率达到10，今年公司行业不景气的公司；资本运作和关联交易频繁的上市公司；业绩和股价波动厉害的上市公司；全行业亏损或行业过度竞争的上市公司。美国Coopers & Lybrand会计师事务及知名学者对美国上市公司财务报告欺诈行为进行多年研究后曾经总结出29面红旗。一旦出现这些红旗，就需要格外关注公司管理当局是否存在财务报告舞弊的可能。比较典型的情形有：现金短缺、负的现金流量、营运资金及/或信用短缺，影响营运周转； 融资能力(包括借款及增资)减低，营业扩充的资金来源只能依赖盈余； 成本增长超过收入或遭受低价进口品的竞争；发展中或竞争产业对新资金的大量需求；对单一或少数产品、顾客或交易的依赖；夕阳工业或濒临倒闭的产业；因经济或其他情况导致的产能过剩；现有借款合约对流动比率、额外借款及偿还时间的规定缺乏弹性；迫切需要维持有利的盈余记录以维持股价。上市公司财务造假具有复杂原因，也具有很多内外部表象特征，但是单从某一个表象分析很容易导出错误的结论。例如，财务欺诈公司与非财务欺诈公司在财务指标上的确存在较大差异，但是我们不能仅仅根据某些财务指标存在差异，就简单断定该公司存在财务欺诈。因为财务指标的异常可能来自于资产重组的影响、或市场的突发变化、或财务数据的调整等。更一般的情况是虚假财务报告的产生与表象特征之间很难用简单的确定函数关系来概括，而大多存在某种概率相关关系。我们可以将所有影响虚假财务报告的因素概括成一个概率因果关系模型：P：虚假财务报告发生的概率；C：财务人员业务能力；M：企业负责人从事欺诈的外部动力；A：企业负责人的道德水准；D：监管力度，包括各种会计制度、处罚规则、投资者对虚假财务报告的识别能力等。上述因果关系模型旨在说明虚假财务报告的发生与多个因素复杂相关，主要与企业的财务人员业务能力；企业负责人从事欺诈的外部动力；企业负责人的道德水准即诚信准则；监管力度，包括各种会计制度、处罚规则、投资者对虚假财务报告的识别能力等相关。由于数据挖掘技术可以处理大量的复杂关联数据，应用数据挖掘技术进行上市公司虚假财务报告识别研究的目的是确定数据挖掘的方法论，建立相应的规则和算法，并将其设计成能够实现的解决方案和相应程序。具体而言，需要做到以下几点：运用数据挖掘技术整合上市公司财务数据、公司经营管理、证券市场交易及宏观经济环境等多方面的信息；在上述信息的基础上，给出用于证券市场的各种数学模型的建立方法，并给出针对当前情况下适用的数学模型；在大量数据模拟和试验的基础上，给出识别各种类型的财务造假模式的数据挖掘解决方案、规则、算法等；将2、3中研究所得的模型及数据挖掘的方法、规则、算法等发展为能实现的计算机软件包，实现计算的自动化。以基于模式识别和正交设计的RMST模型为例，其通常的计算模型如图1。虚假财务数据挖掘技术除了有益于监管当局和投资者，对会计师审计上市公司的财务报告工作也很有帮助。使用经验方法的会计师在审计中，囿于方法的局限性和审计能力并不能识别所有的财务数据造假问题，他们也需要虚假财务报告数据挖掘技术的借鉴和相互印证。从方法论的角度来看，发展数据挖掘技术更具有理论方法创新的重要意义。企业会计人员使用传统的会计方法所编造的财务数据，其所遵循的原则不外乎会计惯例和会计准则，即使是注册会计师也概莫能外。与自然形成的财务数据相比，他们所编造的虚假数据很可能在数据结构上存在内在的缺陷。也就是说，两类财务报告可能存在模式上的内在差异，而这种差异在通常的会计人员眼中可能不显着，但通过数据挖掘技术可以将这种差异放大到存在某种数据结构和统计显着性差异。基于这种数据结构和统计显着性差异我们完全可以发展出虚假财务报告识别的数据挖掘技术。参考文献：1刘姝威上市公司虚假会计报表识别技术经济管理出版社，20022张立民， 陈小林虚假财务报告现状分析中国注册会计师，2003，3Joseph TWells ，And nothing but the truth: uncovering fraudulent disclosuresJournal of Accountancy，July，2001