基于遗传算法的上市公司审计意见类型预测模型研究

来源:用户上传      作者: 李　清　韩丽荣　鲁　豫

　　摘要：本文以我国沪深A股上市公司为研究对象，采用财务指标建立了审计意见类型预测的遗传算法积分模型。模型可以作为注册会计师出具审计意见的辅助判断工具，也是投资者等利益相关人证实和监督会计师出具的审计意见类型的工具。
　　关键词：审计意见　遗传算法　财务指标
　　
　　一、引言
　　
　　注册会计师在审计报告中出具的审计意见是注册会计师审计制度的概要表征(韩丽荣，2006)，其以简单而明确的形式，向资本市场传达财务信息可靠性的信号，影响着投资者及其他利害关系人的经济决策。虽然审计意见是注册会计师在收集了大量审计证据后出具的，可是如果能根据相关财务信息，采用科学的方法对审计意见的类型进行合理预测，将会大为降低审计风险，提高审计效率。因此，本文在前人研究的基础上，采用遗传算法建立了审计意见类型的预测模型。这一模型可以为注册会计师出具审计意见类型提供辅助判断；或者作为注册会计师在接受审计前筛选客户的一种辅助手段；同时也为投资者和其他利害关系人证实和监督注册会计师的工作提供有益帮助；还可以作为法庭判断注册会计师法律责任的辅助工具。
　　Dopuch等(1987)曾进行了基于财务指标和股票市场变量的审计意见类型预测，使用了probit模型，变量包括：资产负债率的变化量、应收账款占总资产百分比的变化量、存货占总资产百分比的变化量、期末总资产账面价值的自然对数、当年是否亏损一虚拟变量1表示亏损、在纽约或美国证券交易所上市时间是否超过5年――虚拟变量1表示超过5年、市场模型回归出的斜率即贝塔系数β的变化量、从市场模型回归出的投资回报的剩余标准差的变化量、股票回报率减行业回报率(行业指数)。朱小平、余谦(2003)进行了上市公司财务指标与审计意见类型相关性的logistic分析，研究假设是：认为当公司的经营业绩和财务状况较差时，公司管理当局出于各种动机粉饰财务报表的可能性会增大，从而得到非标准审计意见。刘爱东等(2005)使用上年审计意见类型、资产负债率、净资产收益率正负变化等作解释变量，进行了审计意见类型预测的logistic分析。蔡春等(21305)进行了上市公司审计意见类型影响因素的实证分析，发现资产规模、是否被sT、资产负债率、总资产周转率以及事务所规模是影响上市公司审计意见的主要因素。张玲等(2006)基于“被出具非标准审计意见的财务报告，其会计信息失真的可能性和程度均大于被出具标准无保留意见审计报告的财务报告”这一假设，将被出具非标准审计意见的上市公司作为会计信息失真的企业，被出具标准无保留意见的公司作为配对样本。使用财务指标和Fisher判别分析方法，建立了会计信息失真公司的判别模型。由于统计方法会受到诸如多元正态分布、多重共线性、样本完全分离等统计约束，而且预测准确率低于计算智能模型，因此本文使用遗传算法建立了审计意见类型预测的规则积分模型，不但不受统计约束，而且判别规则透明清楚易应用、预测准确率更高。
　　
　　二、研究设计
　　
　　(一)研究假设从审计报告看，审计意见类型包括：2003年前的标准无保留意见、无保留意见加说明段、保留意见、保留意见加说明段、否定意见、否定意见加说明段、拒绝发表意见；2003-2006年的标准无保留意见、无保留意见加事项段、保留意见、保留意见加事项段、否定意见、无法发表意见；2007年起的标准无保留意见、带强调事项段的无保留意见、保留意见、否定意见，无法发表意见等。尽管在理想状态下，审计意见类型应与公司的财务状况和经营业绩无关，但为了更清楚地了解公司获得非标准审计意见的具体原因，对审计报告进行统计，结果显示：非标准审计意见的公司大都在财务状况、经营成果等方面直接或间接出现问题，如亏损、应收账款坏账损失、主营萎缩、借款逾期、担保逾期、诉讼赔偿、持续经营疑虑、关联交易、大股东资金占用、资产被冻结抵押、资产置换重组、审计范围受限、违反会计制度等。违反会计制度进行会计报表舞弊主要有两种类型：一是以业绩考核、私人报酬最大化、取得银行贷款、发行股票及配股、仕途晋升为目的，一般调高利润或高估资产低估负债；另一种是为了少交税款，而调低利润或低估资产高估负债。通常前一种类型危害更大且数量多，换言之当公司业绩差时，舞弊的动机更强烈，公司未予调整或调整而审计范围受限，从而更易收到非标准审计意见。另外，会计报表也显示：标准无保留审计意见的公司其财务状况、经营成果和现金流量大多数处于正常状态(尽管也有少数公司业绩较差)。因此本文试图通过反映公司财务状况、经营成果和现金流量的财务指标，采用积分的方法综合评判公司的财务状况、经营成果、现金流量，试图找到审计意见类型与财务指标组合之间的对应关系，从而进行标准审计意见和非标准审计意见公司的预测，因此提出如下假设：
　　公司的财务状况、经营成果和现金流量，与其获得的审计意见类型相关。即当财务状况、经营成果和现金流量较差时。更多获得非标准审计意见；反之获得标准无保留意见
　　(二)基于遗传算法的审计意见类型预测方法遗传算法是重要的数据挖掘工具之一，由美国Holland教授于1975年提出，是以达尔文自然进化论和孟德尔遗传变异理论为基础的求解复杂全局优化问题的仿生型算法，其以适者生存、不适应者被淘汰为进化策略，对包含可能解的群体反复进行选择、交叉、变异等遗传学操作，从而使种群不断进化，以搜索到最优解。基于遗传算法的审计意见类型规则积分预测模型的通用形式如(表1)所示。首先寻找每个财务指标的最佳判别点以及每个财务指标相对应的得分，然后把某个公司的财务指标与最佳判别点进行比较，决定是加分还是减分，最后根据该公司多个指标的累计积分大小判断该公司应获得审计意见的类型。(表1)中X1-Xn是公司的财务指标，n是指标数；Cl－Cn是财务指标的阈值；V1-Vn是各指标的得分，类似于权重，但却和阈值交互影响，不同于普通的权重，各得分的取值范围限定在[0，1]之间。阈值和各指标得分均由遗传算法搜索得到。累计积分最初设为0，如果公司最终累计积分大于等于零就判为标准无保留意见，否则就判为非标准审计意见。Vi(i=1…n)前面的正负号取决于财务指标，如果该指标越大公司绩效越好，如总资产净利润率，则当Xi≥Ci时加上Vi，当Xi 样本中，非标准审计意见的公司占12％，而无保留意见加说明段或事项段类型占非标准审计意见总数的54％。
　　(四)指标选取笔者最初挑选了26个财务指标，根据经验和文献最终选取了15个指标，以反映公司偿债能力、营运能力、盈利能力、发展能力、现金流量水平和公司规模，如(表2)所示。根据假设定义各指标与审计意见类型之间的关系如下：一是流动比率、营运资金比率、应收帐款周转率、固定资产周转率、总资产周转率、总资产净利润率、流动资产净利润率、固定资产净利润率、主营业务利润比重、总资产增长率、ln(总资产)，假设上述指标越大公司绩效越好，公司越可能收到标准无保留意见。因此，积分符号为正。二是资产负债率、管理费用比例、财务费用比例，假设上述指标越大公司绩效越差，公司越可能收到非标准审计意见。因此，积分符号为负。
　　
　　(五)指标均值差异检验使用SPSS软件对训练集的标准审计意见和非标准审计意见两类公司15个指标的均值进行差异性检验。柯尔莫哥洛夫一斯米诺夫正态检验显示，两类公司的指标均未同时服从正态分布，因此使用两独立样本曼－惠特尼方法进行检验，结果是显著性概率p均小于0.001，说明两类公司指标均值存在显著性差异。另外，标准无保留意见公司与无保留意见加说明段公司、与无保留意见加事项段公司、与保留意见公司(x1、X2、x3、X8、X13、X15除外)、与保留意见加说明段公司、与保留意见加事项段公司、与拒绝发表意见公司、与无法发表意见公司的指标均值也存在显著性差异，显著性概率p<0.001。为了更直观地观察指标均值间的差异，(表3)列示了训练集样本各类型审计意见公司5个财务指标的算术平均值。与标准无保留意见公司相比，非标准审计意见公司财务状况和业绩明显变差，自然获得的审计意见更严厉。
　　
　　
　　三、基于遗传算法的审计意见类型预测模型
　　
　　(一)模型构建本文采用Visual Foxpro编程，提取了审计意见类型的预测模型，如(表4)所示。采用染色体实数编码和40条染色体。每次进化保留上代4个最优个体。根据试算和经验交叉概率取0.65。阈值和积分的变异概率取为：进化的前100代取0.035，大于100代取0.005。终止进化条件为进化500代停机。
　　
　　(二)预测分析累计积分最初为0，该模型表示如果某公司的流动比率x1大于等于1236就累加上0.411分。小于1.236就减去0.411分；如果财务费用比例x5大于等于5.564％，就减去0.303分，小于5.564％就加上0.303分。依次类推。最后该公司累计积分大于等于0，就预测公司获得标准无保留意见报告，如果累计积分小于0，就预测公司获得非标准审计意见报告。该模型预测准确率如(表5)所示，其中训练集回代准确率分别为：非标准审计意见79.70％、标准无保留意见80.60％，总准确率80.50％。测试集预测准确率分别为：非标准审计意见78.48％、标准无保留意见79.14％、总准确率79.06％,其中否定意见、拒绝发表意见和无法发表意见预测全部正确。包括训练集和测试集的所有样本的预测准确率为：非标准审计意见79.05％、标准无保留意见79.87％、总准确率79.77％。
　　如(表5)所示，2000-2002年度无保留意见加说明段类型预测准确率较低，可能原因是：1996年施行的独立审计具体准则第7号一审计报告中规定，当注册会计师出具无保留意见审计报告时，如果认为必要，可以在意见段之后，增加对重要事项的说明。但部分审计报告中的“重要事项”并没有重要到2003年以后的“可能导致对持续经营能力产生重大疑虑的事项或情况”，或者“可能对会计报表产生重大影响的不确定事项”那样重要程度，即2000-2002年度的无保留意见加说明段类型，如果按照2003年以后的标准划分，大部分应归类于无保留意见加事项段中。少部分应归类于标准无保留意见中。(表5)也显示，无保留意见加说明段报告年平均数，多于无保留意见加事项段报告年平均数，如果按照2003年以后的标准，多出的且说明段事项内容不那么重要的报告将划归于标准无保留意见中。如果剔除无保留意见加说明段样本，则测试集的非标准审计意见预测准确率上升到85，05％。以000597东北制药为例，其2005年度的审计报告类型为保留意见。2005年的15项财务指标分别为：X1=1.281，X2=0.219，X3=3.396，X4=10.579％。X5=2.056％，X6=3.487，X7=0.776，X8=60.830％，X9=0.565％，X10=0.803％，x11=2.328％，X12=10.432，X13=8.969％，X14=-5.323％，x15=21.555。代人模型计算其累计积分等于-0.197，因此预测其2005年审计意见类型为非标准审计意见，预测结果正确。
　　
　　四、结论与局限
　　
　　本文使用遗传算法、15个财务指标和大样本，提取了审计意见类型预测模型，模型具有较高的预测准确率，自然也就证实了本文的假设，即审计意见类型与公司业绩、财务状况和现金流量之间存在对应关系，当公司业绩好时，更多获得标准无保留意见；当公司业绩差时，更多获得非标准审计意见。该模型可以成为投资者、监督机构证实和监督注册会计师出具的审计意见类型的工具；或是成为注册会计师审计公司会计报表之前的辅助判别工具，以提高审计效率、降低审计风险。遗传算法的优点在于不受统计约束，判别规则透明清楚，模型中的参数具有明确的财务经济涵义，并且测试集预测准确率高于logistic模型2％(模型略)。数据挖掘的经验告诉我们，使用更多的财务指标建立遗传算法预测模型，或许还可以提高预测准确率，原因在于指标多则累计积分组合的可能性就多，通过累计积分进行分类的准确率就可能提高(前提是计算机能胜任更大的计算量)。但值得注意的是，本文使用的样本是经过审计的报表数据，从中注协发布的上市公司年报审计分析结果中可知：经过审计的报表数据中，包含经过注册会计师调整后的数据和未经调整的数据。如果模型要成为一注册会计师在审计公司会计报表之前一审计意见类型的辅助判别工具，理想的建模样本是审计之前未经调整的报表数据和应该与之相对应的审计意见类型，本文中未能获得这样的数据，这有待以后进一步的研究。
　　
　　(编辑　刘姗)

转载注明来源:https://www.xzbu.com/3/view-801949.htm