數(shù)據(jù)挖掘在上市公司財(cái)務(wù)造假識(shí)別中的應(yīng)用研究.pdf

1、近年來(lái)國(guó)內(nèi)財(cái)務(wù)造假案件頻發(fā)，各種財(cái)務(wù)造假手段屢禁不止，給投資者帶來(lái)了難以估量的經(jīng)濟(jì)損失，也給資本市場(chǎng)的健康發(fā)展帶來(lái)嚴(yán)重的負(fù)面影響，如何快速準(zhǔn)確的識(shí)別出財(cái)務(wù)造假的公司已引起投資者、審計(jì)機(jī)構(gòu)以及政府機(jī)關(guān)的極大關(guān)注。
　　本文參考Kirkos[12]等人基于希臘上市公司財(cái)務(wù)數(shù)據(jù)利用神經(jīng)網(wǎng)絡(luò)、決策樹(shù)等數(shù)據(jù)挖掘技術(shù)對(duì)造假行為進(jìn)行甄別的研究思路以及Ophir Gottlieb[22]等人基于美國(guó)上市公司財(cái)務(wù)數(shù)據(jù)對(duì)不同數(shù)據(jù)挖掘技術(shù)的識(shí)別效果對(duì)比

2、，采用中國(guó)上市公司財(cái)務(wù)指標(biāo)數(shù)據(jù)庫(kù)，對(duì)國(guó)內(nèi)上市公司財(cái)務(wù)造假情況進(jìn)行數(shù)據(jù)挖掘識(shí)別技術(shù)的研究和分析。
　　本文對(duì)財(cái)務(wù)報(bào)告造假相關(guān)的理論及現(xiàn)狀進(jìn)行了大量的研究，基于舞弊風(fēng)險(xiǎn)因子理論，從壓力因素、機(jī)會(huì)因素以及財(cái)務(wù)造假被發(fā)現(xiàn)的可能性三個(gè)方而作為本文篩選特征變量的切入點(diǎn)，選擇48個(gè)財(cái)務(wù)指標(biāo)及非財(cái)務(wù)指標(biāo)參與實(shí)證分析。然后通過(guò)統(tǒng)計(jì)資本市場(chǎng)近年來(lái)財(cái)務(wù)造假數(shù)據(jù)的年份分布情況以及行業(yè)分布情況，選擇造假案件高發(fā)的2010年-2016年作為時(shí)間軸，財(cái)務(wù)造假重

3、災(zāi)區(qū)——制造業(yè)、批發(fā)零售業(yè)以及房地產(chǎn)業(yè)三個(gè)行業(yè)的上市公司年報(bào)數(shù)據(jù)作為實(shí)驗(yàn)樣本進(jìn)行實(shí)證研究。利用神經(jīng)網(wǎng)絡(luò)模型（BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)）以及決策樹(shù)模型(C&AT、QUEST、CHAID以及C5.0算法)對(duì)三個(gè)行業(yè)分別進(jìn)行財(cái)務(wù)報(bào)告造假識(shí)別研究。
　　實(shí)證研究結(jié)果表明:兩種神經(jīng)網(wǎng)絡(luò)模型中BP神經(jīng)網(wǎng)絡(luò)識(shí)別效果較好，決策樹(shù)模型中C5.0決策樹(shù)算法表現(xiàn)突出，總體來(lái)看，C5.0算法的適用性以及識(shí)別準(zhǔn)確率優(yōu)于其他算法，此外在判斷上市公司年報(bào)是