ABSTRACT摘要PAGE24PAGE25摘要近年來，普通群眾的生活中隨處可見人工智能的影子，同時(shí)被廣泛的應(yīng)用于各行業(yè)，其工作模式因人工智能爆發(fā)式的發(fā)展而產(chǎn)生了巨大的變化。為了適應(yīng)時(shí)代的變化需求，人工智能技術(shù)被逐漸引入財(cái)會領(lǐng)域。在2017年的《新一代人工智能發(fā)展規(guī)劃》中，人工智能的“三步走”戰(zhàn)略被提出，第一步即到2020年，人工智能的技術(shù)和應(yīng)用要達(dá)到全球的先進(jìn)水平，人工智能產(chǎn)業(yè)將成為新的經(jīng)濟(jì)發(fā)展方向和支柱。企業(yè)的舞弊行為可能會導(dǎo)致國家宏觀經(jīng)濟(jì)決策的失誤，動(dòng)搖市場經(jīng)濟(jì)的信任基礎(chǔ)，同時(shí)不利于公司自身的長遠(yuǎn)發(fā)展。舞弊識別是審計(jì)流程的重要組成部分，財(cái)務(wù)報(bào)表的重大錯(cuò)報(bào)風(fēng)險(xiǎn)影響著管理者的決策，而人工智能技術(shù)的應(yīng)用提升了舞弊識別的正確率，同時(shí)能實(shí)現(xiàn)對某公司是否有舞弊行為進(jìn)行預(yù)測。預(yù)測舞弊行為主要通過人工智能技術(shù)下的數(shù)據(jù)挖掘及神經(jīng)網(wǎng)絡(luò)等模型。本文基于舞弊動(dòng)因：三角理論、冰山理論、GONE理論及風(fēng)險(xiǎn)因子理論，人工智能技術(shù)模型相結(jié)合，采用規(guī)范分析法、系統(tǒng)分析法和文獻(xiàn)分析法，取并分析其中兩個(gè)應(yīng)用于舞弊識別模型，通過分析各模型的優(yōu)缺點(diǎn)，從而構(gòu)建以人工智能技術(shù)為基礎(chǔ)的的新組合模型，應(yīng)對時(shí)代變化下的舞弊識別需求。關(guān)鍵字：人工智能技術(shù)、舞弊識別、決策樹、神經(jīng)網(wǎng)絡(luò)AbstractABSTRACTInrecentyears,artificialintelligencehasbeguntotrulyenterthelivesofordinarypeople,andhasbeenwidelyusedinvariousindustries.Theexplosivedevelopmentofartificialintelligencehasmadeahugechangeintheworkingmodeinvariousfields.Inordertoadapttothechangingneedsofthetimes,artificialintelligencetechnologyhasgraduallybeenintroducedintothefieldofaccounting.InJuly2017,theStateCouncilissuedanewgenerationofartificialintelligencedevelopmentplan,whichclearlyproposedathree-stepstrategicgoalforthedevelopmentofartificialintelligenceinChina.Thefirststepistoreachtheoveralltechnologyandapplicationandtheworldby2020.Advancedlevelsynchronization.Therefore,theartificialintelligenceindustryhasbecomeanewimportanteconomicgrowthpoint.Corporatefraudmaydisruptthemarketeconomicorderandaffectthelong-termdevelopmentofthecompanyitself.Fraudidentificationisanimportantpartoftheauditprocess.Theriskofmaterialmisstatementoffinancialstatementsaffectsthedecision-makingofmanagers.Theapplicationofartificialintelligencetechnologyimprovestheaccuracyoffrauddetectionandcanpredictwhetheracompanyhasfraud..Thepredictionoffraudismainlythroughdataminingandneuralnetworkmodelsunderartificialintelligencetechnology.Basedonthecausesoffraud:triangletheory,icebergtheory,GONEtheoryandriskfactortheory,thispapercombinesitwithartificialintelligencetechnologymodel,adoptsnormativeanalysismethod,systemanalysismethodandliteratureanalysismethod,andanalyzesandanalyzestwoofthemforfraud.Therecognitionmodel,byanalyzingtheadvantagesanddisadvantagesofeachmodel,tobuildanewcombinationmodelbasedonartificialintelligencetechnology,tocopewiththeneedforfraudidentificationunderthechangingtimes.KeyWords:Artificialintelligencetechnology,fraudidentification,decisiontree,neuralnetwork目錄目錄 目錄第1章緒論 11.1選題背景 11.2研究目的和意義 21.2.1研究目的 21.2.2研究意義 21.3研究思路 31.3.1研究內(nèi)容 31.3.2研究方法 3第2章文獻(xiàn)綜述 52.1人工智能技術(shù)應(yīng)用于舞弊識別研究的文獻(xiàn)評述 52.1.1國內(nèi)文獻(xiàn)綜述 52.1.2國外文獻(xiàn)綜述 6第3章人工智能及舞弊識別的相關(guān)理論 83.1人工智能的含義及發(fā)展 83.1.1人工智能的定義 83.1.2人工智能的發(fā)展趨勢 83.1.3數(shù)據(jù)挖掘技術(shù) 93.1.4人工神經(jīng)網(wǎng)絡(luò) 93.2舞弊相關(guān)概念及理論 103.2.1舞弊概念 103.2.2舞弊動(dòng)因 10第4章舞弊識別模型的構(gòu)建 124.1舞弊識別模型設(shè)計(jì) 124.2舞弊識別模型構(gòu)建 134.2.1決策樹 134.2.2BP-LVQ組合模型 144.3變量設(shè)計(jì) 154.4數(shù)據(jù)來源及數(shù)據(jù)篩選 154.4.1數(shù)據(jù)源選取原則 154.4.2模型指標(biāo)選取原則 154.4.3決策樹所選最優(yōu)指標(biāo) 164.5決策樹BP-LVQ神經(jīng)網(wǎng)絡(luò)模型預(yù)測 17第5章結(jié)論與展望 185.1研究結(jié)論 185.2論文局限性 185.3后續(xù)展望 19參考文獻(xiàn) 20致謝 21外文資料原文 22譯文 24電子科技大學(xué)成都學(xué)院畢業(yè)論文第1章緒論緒論選題背景從蒸汽時(shí)代、電氣時(shí)代再到信息時(shí)代，每一次的變革影響著個(gè)各行各業(yè)的發(fā)展方向。隨著大數(shù)據(jù)、云計(jì)算、人工智能等新興技術(shù)的蓬勃發(fā)展，信息化時(shí)代正在經(jīng)歷著又一次的全新的變革，而當(dāng)今最具變革性的力量之一便是人工智能技術(shù)。蘋果、谷歌和亞馬遜等世界級公司已開始進(jìn)行人工智能技術(shù)的嘗試；國內(nèi)的BAT也正在探索著人工智能；并且第十二屆全國人民代表大會第五次會議召開時(shí)，在政府工作報(bào)告中，“人工智能”作為關(guān)鍵詞第一次被提出。因此，人工智能的浪潮正席卷而來，推動(dòng)各行各業(yè)的轉(zhuǎn)型升級，悄然的改變著人類的日常生活；iPhone的神經(jīng)網(wǎng)絡(luò)引擎、德勤事務(wù)所的財(cái)務(wù)機(jī)器人、特斯拉的無人駕駛、谷歌旗下的AlphaGo……毫無疑問，各行各業(yè)的發(fā)展都隨著人工智能的深入研究產(chǎn)生了了深刻的影響。同樣，應(yīng)用于審計(jì)的人工智能正漸漸改變著審計(jì)的方式及方法?？梢灶A(yù)見，未來的審計(jì)工作將出現(xiàn)革命性的變化，人工智能或許能參與審計(jì)工作的全過程。2014年，“2014圖靈測試”大會由英國皇家學(xué)會舉辦，會上提出人工智能進(jìn)入了一個(gè)全新時(shí)代的標(biāo)志是通過了首次圖靈測試。近年來，人工智能方面的投資持續(xù)增加；據(jù)中國電子學(xué)會的統(tǒng)計(jì)，2018年全球投資規(guī)模超過555.7億美元，相比較2017年同比上漲50.2%。國內(nèi)人工智能行業(yè)的企業(yè)總數(shù)達(dá)到670家，占全球的11.2%，人工智能領(lǐng)域的投融資達(dá)到了60%；據(jù)估計(jì)，到2020年，人工智能的中國市場規(guī)模將達(dá)到91億。2016年，德勤事務(wù)所作為全球四大會計(jì)師事務(wù)所之一，宣布與人工智能企業(yè)KiraSystems建立合作伙伴關(guān)系，引進(jìn)財(cái)務(wù)機(jī)器人，并于2017年正式投入使用；在三四個(gè)小時(shí)內(nèi)，一個(gè)“小勤人”就能完成各種發(fā)票的開具與管理、財(cái)務(wù)數(shù)據(jù)盤點(diǎn)、不同公司之間的往來結(jié)轉(zhuǎn)等；原本財(cái)務(wù)人一天的工作通過人工智能技術(shù)能在較短的時(shí)間內(nèi)準(zhǔn)確完成，而財(cái)務(wù)人員便能將更多的精力用于財(cái)務(wù)中更高層次的分析中。在德勤會計(jì)師事務(wù)所引進(jìn)“小勤人”后，其余三大會計(jì)師事務(wù)所也開始重視人工智能在財(cái)會方面的發(fā)展，紛紛引進(jìn)財(cái)務(wù)機(jī)器人。財(cái)務(wù)機(jī)器人的引進(jìn)能對代替審計(jì)過程中繁瑣的人工審查、盤點(diǎn)等，為審計(jì)工作帶來了更高效的工作效率。傳統(tǒng)財(cái)務(wù)機(jī)制下的審計(jì)涉及多個(gè)環(huán)節(jié)，從審查賬簿、盤點(diǎn)實(shí)物到財(cái)務(wù)報(bào)表的審查、審計(jì)報(bào)告的編制，每個(gè)環(huán)節(jié)因人為控制，存在一定的主觀性，容易產(chǎn)生舞弊行為；根據(jù)美國注冊舞弊審查師協(xié)會(AssociationofCertifiedFraudExaminers)所收集的數(shù)據(jù)分析，舞弊行為對公司造成的損失一般為年?duì)I業(yè)收入的5%；同時(shí)，舞弊行為所導(dǎo)致的會計(jì)信息失真會嚴(yán)重削弱了會計(jì)信息的決策有效性，危害廣大會計(jì)信息使用者的利益；影響企業(yè)的發(fā)展，嚴(yán)重的舞弊行為則會擾亂市場秩序，破壞社會經(jīng)濟(jì)法制化進(jìn)程等。研究目的和意義1.2.1研究目的人工智能技術(shù)的發(fā)展，推動(dòng)著各行業(yè)的又一次轉(zhuǎn)型升級，對各行業(yè)而言，既是機(jī)遇，也是挑戰(zhàn)。人工智能技術(shù)依據(jù)傳統(tǒng)舞弊識別方法，基于數(shù)據(jù)挖掘以提出新的舞弊識別理念與方法，以滿足舞弊審計(jì)的轉(zhuǎn)型升級需求；同時(shí)應(yīng)注意因人工智能技術(shù)的不足而產(chǎn)生的相關(guān)問題，積極主動(dòng)探索人工智能在舞弊識別中的應(yīng)用環(huán)境及技術(shù)。論文研究目的是通過分析舞弊識別的動(dòng)因和現(xiàn)有的人工智能技術(shù)，探討人工智能技術(shù)在舞弊識別中應(yīng)用的可行性，進(jìn)而深入分析人工智能技術(shù)如何應(yīng)用于舞弊識別方面及此過程中可能會面臨的問題；進(jìn)而提出新的構(gòu)想。1.2.2研究意義（1）理論意義經(jīng)過60多年的發(fā)展，在互聯(lián)網(wǎng)+、大數(shù)據(jù)、云計(jì)算等新興技術(shù)及市場經(jīng)濟(jì)發(fā)展對人工智能技術(shù)需求的推動(dòng)下，人工智能技術(shù)的發(fā)展主要呈現(xiàn)出深度學(xué)習(xí)、跨界融合、人機(jī)協(xié)同等新特征，而人工智能審計(jì)便是這一發(fā)展的產(chǎn)物，同時(shí)表明我國的審計(jì)迎來了發(fā)展的一個(gè)新篇章[1]。舞弊識別作為審計(jì)中重要的一環(huán)，人工智能應(yīng)用于舞弊識別是新時(shí)代舞弊審計(jì)的需求與發(fā)展。因此，人工智能應(yīng)用于舞弊識別的具體技術(shù)和模型是目前迫切需要解決和完善的。（2）現(xiàn)實(shí)意義公司的舞弊行為將會帶來極其嚴(yán)重的惡性經(jīng)濟(jì)后果，全球各個(gè)國家對此都做出了積極響。但公司則開始采用更加隱蔽的舞弊手段，審計(jì)人員更難識別公司的舞弊行為；通過運(yùn)用人工智能技術(shù)，使用其具體的技術(shù)和模型對舞弊行為進(jìn)行識別，能有效的降低舞弊識風(fēng)險(xiǎn)。在實(shí)際的舞弊識別中，通過人工智能技術(shù)，審計(jì)人員可以及時(shí)發(fā)現(xiàn)舞弊行為，幫助公司管理者做出正確的生產(chǎn)、經(jīng)營決策，利于企業(yè)的生存和長遠(yuǎn)發(fā)展，同樣有益于規(guī)范中國資本市場的監(jiān)管。本文研究在舞弊識別時(shí)運(yùn)用人工智能技術(shù)預(yù)測舞弊行為發(fā)生的可能性，能進(jìn)一步提高舞弊審計(jì)效率，減少人為錯(cuò)誤、疏忽的發(fā)生，同時(shí)，發(fā)現(xiàn)人工智能技術(shù)存在的不足與風(fēng)險(xiǎn)，提高企業(yè)與審計(jì)人員使用人工智能是的風(fēng)險(xiǎn)意識。研究思路1.3.1研究內(nèi)容本文由開篇對選題背景、目的及意義進(jìn)行簡單的敘述，再分析舞弊形成的原因及現(xiàn)在學(xué)者選用的相關(guān)模型，根據(jù)不同模型的優(yōu)缺點(diǎn)，選取其中兩個(gè)模型：決策樹、BP-LVQ神經(jīng)網(wǎng)絡(luò)，并將兩種模型進(jìn)行結(jié)合，以構(gòu)建一個(gè)新的舞弊識別模型，并對新模型的識別正確率進(jìn)行預(yù)測；最后對全文進(jìn)行總結(jié)，并提出了本文存在的局限性等五部分組成。第一章是緒論。本章對本文的研究背景、研究目的與意義、研究內(nèi)容和方法進(jìn)行闡述，表明人工智能技術(shù)應(yīng)用于舞弊識別的現(xiàn)狀。第二章對國內(nèi)外關(guān)于人工智能技術(shù)應(yīng)用于舞弊識別的相關(guān)研究文獻(xiàn)進(jìn)行了簡單的綜述，對學(xué)者選取的人工智能技術(shù)進(jìn)行了簡單的介紹。第三部分是人工智能及舞弊識別的相關(guān)理論分析。本章內(nèi)容主要是對人工智能進(jìn)行定義、闡述人工智能的發(fā)展趨勢和本文所采用的具體的人工智能技術(shù)。第四部分是選取兩種現(xiàn)有的兩個(gè)舞弊識別模型，通過分析其各自的優(yōu)缺點(diǎn)，對舞弊識別新模型進(jìn)行構(gòu)建。第五部分對全文進(jìn)行了總結(jié)，并分析了本文存在的局限性。1.3.2研究方法本文共使用了三種方法對本文選題進(jìn)行方法，分別是：規(guī)范分析法、系統(tǒng)分析法和文獻(xiàn)分析法。具體運(yùn)用內(nèi)容如下：(1)規(guī)范分析法：通過查找文獻(xiàn)與學(xué)術(shù)期刊，運(yùn)用互聯(lián)網(wǎng)、數(shù)據(jù)庫等途徑獲取人工智能與舞弊識別方面的學(xué)術(shù)信息，將舞弊審計(jì)中的專業(yè)性理論知識與人工智技術(shù)的相關(guān)領(lǐng)域結(jié)合，有助于對智能舞弊審計(jì)進(jìn)行理論性研究，在理論分析的基礎(chǔ)上，提出人工智能在舞弊識別中的相關(guān)應(yīng)用。（2）系統(tǒng)分析法。人工智能涉及計(jì)算機(jī)技術(shù)、統(tǒng)計(jì)學(xué)、應(yīng)用數(shù)學(xué)等多種領(lǐng)域，較為復(fù)雜，因此，本文從整體上把握與分析人工智能在舞弊識別領(lǐng)域的應(yīng)用問題。（3）文獻(xiàn)分析法。在現(xiàn)有研究基礎(chǔ)上搜集全面的文獻(xiàn)資料，分析資料并進(jìn)加工整理，分析人工智能在舞弊識別中的應(yīng)用問題。第2章文獻(xiàn)綜述文獻(xiàn)綜述1956年的夏天，一場名為“如何用機(jī)器模擬人的智能”的研討會在美國達(dá)特茅斯學(xué)院舉行，“人工智能（ArtificialIntelligenxi,簡稱AI）”這一概念在會上被首次提出，人工智能學(xué)科誕生；人工智能經(jīng)過幾十年的發(fā)展，在互聯(lián)網(wǎng)技術(shù)發(fā)展的推動(dòng)下，人工智能技術(shù)逐漸走向?qū)嵱没?，?011年至今，數(shù)據(jù)挖掘、深度學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)等人工智能技術(shù)迅速發(fā)展，并且迎來了一次爆發(fā)式增長的新高潮。人工智能技術(shù)的發(fā)展在舞弊審計(jì)領(lǐng)域也得到了廣泛的關(guān)注，國內(nèi)外學(xué)者對于人工智能技術(shù)如何應(yīng)用于舞弊審計(jì)并對舞弊審計(jì)產(chǎn)生哪些影響，在不同方面發(fā)表了自己的觀點(diǎn)。從目前的研究情況來看，人工智能技術(shù)在審計(jì)領(lǐng)域的應(yīng)用前景非常值得期待。海量數(shù)據(jù)通過人工智能技術(shù)中的數(shù)據(jù)挖掘技術(shù)進(jìn)行獲取與處理，將負(fù)責(zé)的財(cái)務(wù)數(shù)據(jù)進(jìn)行有效的分類和轉(zhuǎn)化，審計(jì)人員通過這些信息能更為有效的做出分析和判斷。與此同時(shí)，人工智能技術(shù)能從多個(gè)分散的報(bào)告系統(tǒng)中提取數(shù)據(jù)，如提取合同、會計(jì)報(bào)表、明細(xì)賬等文件中的數(shù)據(jù)，由此提高了審計(jì)效率與審計(jì)質(zhì)量。人工智能技術(shù)應(yīng)用于舞弊識別研究的文獻(xiàn)評述2.1.1國內(nèi)文獻(xiàn)綜述黃世忠、黃京菁在2004年提出了將毛利率、資產(chǎn)質(zhì)量、應(yīng)收賬款周轉(zhuǎn)率和應(yīng)計(jì)總額資產(chǎn)等財(cái)務(wù)指標(biāo)作為舞弊識別的關(guān)鍵性指標(biāo)[2]。胡援成，田滿文（2005）分別使用判別分析、神經(jīng)網(wǎng)絡(luò)模型和Logistic回歸模型進(jìn)行舞弊識別，實(shí)驗(yàn)結(jié)果表明神經(jīng)網(wǎng)絡(luò)模型的判別效果優(yōu)于其他兩種模型[3]。王玲玲（2006）具體選擇神經(jīng)網(wǎng)絡(luò)中的LVQ模型、BP模型，加上Logistic回歸模型對舞弊樣本進(jìn)行識別，實(shí)驗(yàn)結(jié)果表明，從模型的識別率和模型的簡潔性來說，LVQ神經(jīng)網(wǎng)絡(luò)模型均優(yōu)于其他兩種模型[4]。岳殿民（2008）使用數(shù)據(jù)挖掘技術(shù)對對財(cái)務(wù)數(shù)據(jù)進(jìn)行數(shù)據(jù)挖掘，通過對數(shù)據(jù)間的關(guān)聯(lián)規(guī)則進(jìn)行運(yùn)算，找出其中包含的強(qiáng)關(guān)聯(lián)規(guī)則，最后，提出了一種使用強(qiáng)關(guān)聯(lián)規(guī)則識別舞弊行為的方法[5]。李銘，肖東生（2008）則選用BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行舞弊識別研究，經(jīng)過實(shí)驗(yàn)，BP神經(jīng)網(wǎng)絡(luò)模型能有效的對舞弊樣本進(jìn)行舞弊識別，其效果很好，能有效判別舞弊行為。龐清樂，劉新允（2011）選擇將蟻群算法與BP神經(jīng)網(wǎng)絡(luò)進(jìn)行結(jié)合并創(chuàng)建了一個(gè)新舞弊識別模型，實(shí)證結(jié)果表明，加入蟻群算法的神經(jīng)網(wǎng)絡(luò)舞弊模型識別具有更好的識別效果并且結(jié)構(gòu)更為簡單[6]。劉君、王理平以選取我國36家上市公司、共計(jì)144組財(cái)務(wù)指標(biāo)和股權(quán)結(jié)構(gòu)指標(biāo)作為數(shù)據(jù)源，基于徑向基概率神經(jīng)網(wǎng)絡(luò)算法建立了一個(gè)舞弊識別模型[7]。2.1.2國外文獻(xiàn)綜述人工智能在早期的應(yīng)用體現(xiàn)在監(jiān)控與生產(chǎn)等管理方面，財(cái)務(wù)領(lǐng)域的應(yīng)用幾乎沒有。BaileyA使用QSIM算法為計(jì)劃、控制、評估中商業(yè)行為的票據(jù)流通系統(tǒng)構(gòu)建模型，以幫助審計(jì)人員進(jìn)行預(yù)測和分析，使用故障模型找出流通過程的問題所在[8]。Green等(1997)通過選取8個(gè)財(cái)務(wù)指標(biāo):銷售額損失率、應(yīng)收賬款損失率、應(yīng)收賬款周轉(zhuǎn)率、銷售凈利率、資產(chǎn)負(fù)債率、凈銷售額、應(yīng)收賬款、壞賬準(zhǔn)備，實(shí)證發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)在在使用隨機(jī)樣本的情況下效果很好。[9]。Kotsiantis等(2006)使用數(shù)據(jù)挖掘領(lǐng)域中組合分類器對公司舞弊行為進(jìn)行研究，采用決策樹算法，實(shí)證結(jié)果表明算法得到的模型能更為準(zhǔn)確的識別公司是否存在舞弊行為[10]。KirkosSpathis和Manolopoulos（2008）收集了英國的338家企業(yè)的財(cái)務(wù)以及非財(cái)務(wù)指標(biāo)作為樣本數(shù)據(jù)，分別運(yùn)用決策樹算法、反饋式神經(jīng)網(wǎng)絡(luò)算法和支持向量機(jī)算法對公司的舞弊行為進(jìn)行識別實(shí)證結(jié)果表明，決策樹算法的準(zhǔn)確率高于其他算法[13]。Beneish使用概率分析法來識別舞弊行為，使用組合后的財(cái)務(wù)變量值來獲得利潤操縱指數(shù)，表明利潤被人為修改的可能性[11]。Kirkos(2007)通過使用希臘38家制造業(yè)舞弊公司的樣本，分析了數(shù)據(jù)挖掘技術(shù)識別舞弊行為的能力。最終證實(shí)，神經(jīng)網(wǎng)絡(luò)的正確率可以達(dá)到100％[12]。Kim,Shinetal（2016）使用人工神經(jīng)網(wǎng)絡(luò)技術(shù)對公司舞弊、財(cái)務(wù)舞弊預(yù)測、公司破產(chǎn)預(yù)警等領(lǐng)域進(jìn)行實(shí)證檢驗(yàn)，研究結(jié)果表明，人工神經(jīng)網(wǎng)絡(luò)技術(shù)具有較好的識別效果，相比之間的舞弊識別模型具有更高的識別穩(wěn)定性，波動(dòng)區(qū)間相對較?。ㄐ∮?8%幅度）[13]。第3章人工智能及舞弊識別的相關(guān)理論人工智能及舞弊識別的相關(guān)理論人工智能的含義及發(fā)展3.1.1人工智能的定義學(xué)術(shù)界將人工智能定義為：“計(jì)算機(jī)科學(xué)中涉及研究、設(shè)計(jì)和應(yīng)用智能機(jī)器的一個(gè)分支，其近期的主要目標(biāo)在于研究機(jī)器來模仿和執(zhí)行人腦的某些功能，并開發(fā)相關(guān)理論和技術(shù)”3.1.2人工智能的發(fā)展趨勢現(xiàn)有的人工智能技術(shù)主要分為專用人工智能與通用人工智能。專用人工智能相比通用人工智能，在某局部的單項(xiàng)測試中獲得了飛躍性的發(fā)展，甚至可以超過人類在此單項(xiàng)中的測試，而通用人工智能仍處于起步階段，“深度學(xué)習(xí)”等方面的技術(shù)仍處于萌芽階段。在審計(jì)領(lǐng)域，人工智能技術(shù)主要是集中于大數(shù)據(jù)與神經(jīng)網(wǎng)絡(luò)方面，利用數(shù)據(jù)庫及深度學(xué)習(xí)以達(dá)到快速準(zhǔn)確獲取所需信息。圖3.1人工智能發(fā)展簡圖數(shù)據(jù)來源：新浪財(cái)經(jīng)網(wǎng)（2016）人工智能發(fā)展過程3.1.3數(shù)據(jù)挖掘技術(shù)（1）數(shù)據(jù)挖掘的定義數(shù)據(jù)挖掘技術(shù)是一種基于人工智能技術(shù)、計(jì)算機(jī)技術(shù)和統(tǒng)計(jì)學(xué)的知識發(fā)現(xiàn)形式。通過計(jì)算機(jī)對數(shù)據(jù)進(jìn)行窮舉，從大量、隨機(jī)、不完整、模糊的數(shù)據(jù)中發(fā)現(xiàn)相互之間的關(guān)聯(lián)，提取具有預(yù)測性、可理解的、可執(zhí)行的信息；但是，國內(nèi)外尚未對數(shù)據(jù)挖掘的準(zhǔn)確定義給出統(tǒng)一的說法。(2)數(shù)據(jù)挖掘過程數(shù)據(jù)挖掘過程的不斷循環(huán)，包括多個(gè)相互關(guān)聯(lián)的步驟，其步驟根據(jù)根據(jù)應(yīng)用的領(lǐng)域、用途的不同進(jìn)行相應(yīng)的增加或減少。下圖為數(shù)據(jù)挖掘常用步驟。知識的運(yùn)用問題定義知識的運(yùn)用問題定義數(shù)據(jù)挖掘結(jié)果分析數(shù)據(jù)準(zhǔn)備數(shù)據(jù)挖掘結(jié)果分析數(shù)據(jù)準(zhǔn)備圖3.2數(shù)據(jù)挖掘過程示意圖（3）數(shù)據(jù)挖掘工具數(shù)據(jù)挖掘技術(shù)基于人工智能技術(shù)和計(jì)算機(jī)技術(shù)的發(fā)展，，目前許多軟件公司或研究機(jī)構(gòu)開發(fā)出了許多應(yīng)用于不同領(lǐng)域、適用于不同用途的數(shù)據(jù)挖掘模型。常用的數(shù)據(jù)挖掘模型是：統(tǒng)計(jì)方法、可視化技術(shù)、神經(jīng)網(wǎng)絡(luò)、決策樹、關(guān)聯(lián)規(guī)則、K-proximity等。3.1.4人工神經(jīng)網(wǎng)絡(luò)學(xué)者從動(dòng)物的神經(jīng)網(wǎng)絡(luò)中獲得靈感，利用計(jì)算機(jī)來模擬動(dòng)物神經(jīng)網(wǎng)絡(luò)的運(yùn)作被稱為人工神經(jīng)網(wǎng)絡(luò)（ArtificialNeuralNetworks）簡稱ANN。簡單來說，模擬神經(jīng)元的是閾值邏輯單元，并以特定的方式組織和連接將大量的閾值邏輯單元。網(wǎng)絡(luò)對于相同的外部輸入作出不同的響應(yīng)是由于連接方式的不同，從而形成了不同的連接模型。因此，神經(jīng)網(wǎng)絡(luò)是將收集的數(shù)據(jù)進(jìn)行學(xué)習(xí)，以此建立神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。舞弊相關(guān)概念及理論3.2.1舞弊概念根據(jù)《國際審計(jì)準(zhǔn)則》第240號：舞弊是指管理人員、員工或者第三方中的某些人采用的會導(dǎo)致財(cái)務(wù)報(bào)表出現(xiàn)不實(shí)反映的故意行為。舞弊的四大特性：目的性、隱蔽性、欺騙性和危害性。3.2.2舞弊動(dòng)因形成舞弊的動(dòng)因理論很多，主要包括三角理論、冰山理論、GONE理論、風(fēng)險(xiǎn)因子理論。（1）三角理論根據(jù)美國注冊舞弊審核師協(xié)會(ACFE)的創(chuàng)始人、現(xiàn)任美國會計(jì)學(xué)會會長史蒂文·阿伯雷齊特(W.SteveAlbrecht)的說法，企公司舞弊行為的發(fā)生由壓力(Pressure)、機(jī)會(Opportunity)和自我合理化(Rationalization)三要素組成，任何一個(gè)的要素的缺乏都不能發(fā)生真正的舞弊行為。信息的不對稱讓相關(guān)當(dāng)事人發(fā)現(xiàn)可乘之機(jī)，因此，機(jī)會是舞弊行為發(fā)生的必備元素，；壓力是舞弊的誘因，在有可乘之機(jī)時(shí)，相關(guān)當(dāng)事人對利弊得失進(jìn)行權(quán)衡后做出選擇；自我合理化則是舞弊行為發(fā)生后，相關(guān)當(dāng)事人為掩蓋自己的舞弊行為而采取的措施等。壓力壓力舞弊行為舞弊行為自我合理化機(jī)會自我合理化機(jī)會圖3.3舞弊三角理論（2）冰山理論冰山理論最早是屬于心理學(xué)理論，后被波羅格納和林德奎斯特引用到舞弊審計(jì)方面，其核心思想是將導(dǎo)致舞弊的因素看做海面上的冰山和海面下的冰山兩部分。海面上的冰山代表一個(gè)企業(yè)能直接看到的部分，如企業(yè)的組織架構(gòu)、人員架構(gòu)、財(cái)務(wù)資源等方面；海面下的冰山則是隱蔽的，不容易被發(fā)現(xiàn)，所以其潛在的危險(xiǎn)程度更高，如個(gè)人價(jià)值觀、當(dāng)事人的情感、態(tài)度等。因此，企業(yè)不僅要看到海面上的冰山，應(yīng)更加關(guān)注海面下的冰山，由此降低舞弊風(fēng)險(xiǎn)。（3）GONE理論GONE是指Greed(貪婪)、Opportunity(機(jī)會)、Need(需要)、Exposure(暴露)，這四個(gè)因素共同決定了公司舞弊風(fēng)險(xiǎn)的高低，并進(jìn)一步擴(kuò)展了舞弊三角理論。若相關(guān)當(dāng)事人貪婪并且需要錢財(cái)，在出現(xiàn)可乘之機(jī)，并且認(rèn)為在自己對舞弊行為進(jìn)行掩蓋后不會被人發(fā)現(xiàn)，則他一定會實(shí)施舞弊行為，許多學(xué)者認(rèn)為這是一個(gè)很有趣的舞弊動(dòng)因理論。（4）舞弊風(fēng)險(xiǎn)因子理論1995年，Bologna基于GONE理論提出了舞弊風(fēng)險(xiǎn)因子理論，截至目前，這是最為完善、全面的一個(gè)舞弊動(dòng)因理論。該理論根據(jù)舞弊風(fēng)險(xiǎn)出現(xiàn)的原因分為個(gè)別因素和一般因素。個(gè)別因素主要包括相關(guān)當(dāng)事人的動(dòng)機(jī)、道德水平等，一般因素則是企業(yè)的組織架構(gòu)、舞弊行為的機(jī)會、暴露及事后的懲罰機(jī)制等。相關(guān)當(dāng)事人通過衡量兩種風(fēng)險(xiǎn)因子，當(dāng)舞弊收益更大時(shí)，則必然發(fā)生舞弊行為。第4章舞弊識別模型的構(gòu)建舞弊識別模型的構(gòu)建舞弊識別模型設(shè)計(jì)本文第一章對現(xiàn)有人工智能技術(shù)與舞弊識別的現(xiàn)狀研究中發(fā)現(xiàn)，數(shù)據(jù)挖掘應(yīng)用于舞弊識別方面的技術(shù)在不斷的發(fā)展，主要使用的算法是決策樹、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)。這三種算法有各自的優(yōu)缺點(diǎn)，決策樹在數(shù)據(jù)不斷增多的情況下容易出現(xiàn)“過度擬合”；神經(jīng)網(wǎng)絡(luò)的處理過程并不透明；支持向量機(jī)則無法應(yīng)用于大量的數(shù)據(jù)中?，F(xiàn)在大多數(shù)的的學(xué)者采用單一的數(shù)據(jù)挖掘模型進(jìn)行識別，或使用多種模型進(jìn)行橫向比較；本文將決策樹和BP-LVQ神經(jīng)網(wǎng)絡(luò)模型相結(jié)合，建立一個(gè)新的模型并對其效果進(jìn)行預(yù)測。整體架構(gòu)如下圖所示：根據(jù)不同的行業(yè)對數(shù)據(jù)進(jìn)行驗(yàn)證，并完成數(shù)據(jù)的收集；后通過數(shù)據(jù)采集模型對數(shù)據(jù)進(jìn)行訓(xùn)練，再對訓(xùn)練數(shù)據(jù)進(jìn)行清洗，清洗后的數(shù)據(jù)進(jìn)入數(shù)據(jù)中心，形成數(shù)據(jù)庫；通過C5.0算法建立最優(yōu)決策樹模型，后將篩選后的指標(biāo)輸入BP-LVQ組合模型對是否出現(xiàn)舞弊行為進(jìn)行預(yù)測。做配對公司預(yù)測時(shí)，將待驗(yàn)證的數(shù)據(jù)作為驗(yàn)證數(shù)據(jù)輸入，該模型將自動(dòng)進(jìn)行識別。該模型能隨著數(shù)據(jù)的增加而不斷完善自身的運(yùn)行過程，以此提高預(yù)測正確率。數(shù)據(jù)驗(yàn)證數(shù)據(jù)收集數(shù)據(jù)驗(yàn)證數(shù)據(jù)收集數(shù)據(jù)清洗訓(xùn)練數(shù)據(jù)數(shù)據(jù)清洗訓(xùn)練數(shù)據(jù)數(shù)據(jù)庫數(shù)據(jù)庫決策樹決策樹預(yù)測結(jié)果BP-LVQ模型預(yù)測結(jié)果BP-LVQ模型圖4.1新模型運(yùn)行流程舞弊識別模型構(gòu)建4.2.1決策樹（1）決策樹（DecisionTree）是通過對數(shù)據(jù)進(jìn)行挖掘，利用研發(fā)的算法對數(shù)據(jù)進(jìn)行決策選擇的樹狀結(jié)構(gòu)；以常用的樹狀分類法為例，對同類事物按照某種屬性進(jìn)行層次分類，最終形成許多子分類；相比于傳統(tǒng)的樹狀分類，決策樹通過算法對海量的數(shù)據(jù)進(jìn)行選擇決策；在算法運(yùn)行的過程中，每一個(gè)節(jié)點(diǎn)的數(shù)據(jù)都會被測試，以形成各種不同的分支。根節(jié)點(diǎn)根節(jié)點(diǎn)內(nèi)部結(jié)點(diǎn)內(nèi)部結(jié)點(diǎn)內(nèi)部結(jié)點(diǎn)內(nèi)部結(jié)點(diǎn)葉結(jié)點(diǎn)內(nèi)部結(jié)點(diǎn)葉結(jié)點(diǎn)葉結(jié)點(diǎn)內(nèi)部結(jié)點(diǎn)葉結(jié)點(diǎn)葉結(jié)點(diǎn)葉結(jié)點(diǎn)葉結(jié)點(diǎn)葉結(jié)點(diǎn)葉結(jié)點(diǎn)葉結(jié)點(diǎn)葉結(jié)點(diǎn)葉結(jié)點(diǎn)圖4.2決策樹示意圖（2）目前決策樹常用的算法為ID3算法、C4.5算法、C5.0算法、CART算法。ID3算法將信息增益作為指標(biāo)選擇標(biāo)準(zhǔn)；C5.0算法則是對C4.5算法進(jìn)行了改進(jìn)，采用了信息增益率來選擇指標(biāo)，并利用Boosting技術(shù)提高其準(zhǔn)確性。本文采用C5.0算法進(jìn)行最優(yōu)決策樹模型的構(gòu)建。高媛媛（2014年）對最優(yōu)決策樹的研究中發(fā)現(xiàn)，將SPSSModeler中決策樹的參數(shù)設(shè)置為修建嚴(yán)重性設(shè)為70，Boosting迭代次數(shù)為25次，此時(shí)能獲得最優(yōu)指標(biāo)。根據(jù)此算法篩選出的10個(gè)最優(yōu)指標(biāo)作為BP-LVQ組合模型的輸入數(shù)據(jù)；同時(shí)為防止決策樹出現(xiàn)“過度擬合”，將防過度擬合率設(shè)為80%，發(fā)生錯(cuò)誤時(shí)，決策樹立即停止生長。4.2.2BP-LVQ組合模型BP神經(jīng)網(wǎng)絡(luò)模型是按照誤差逆向傳播算法訓(xùn)練的多層前饋網(wǎng)絡(luò)，利用該神經(jīng)網(wǎng)絡(luò)對公司的財(cái)務(wù)信息數(shù)據(jù)進(jìn)行自動(dòng)識別、分類，并壓縮數(shù)據(jù)，提高舞弊識別的工作效率。但更為細(xì)致、多樣化的數(shù)據(jù)分類BP神經(jīng)網(wǎng)絡(luò)無法做到，因此可能會陷入局部最小問題；同時(shí)數(shù)據(jù)過多時(shí)，會出現(xiàn)收斂速度慢、預(yù)測效果下降等問題。將競爭學(xué)習(xí)的思想和監(jiān)督學(xué)習(xí)算法進(jìn)行結(jié)合便產(chǎn)生了LVQ神經(jīng)網(wǎng)絡(luò)（學(xué)習(xí)向量量化），因無監(jiān)督算法而導(dǎo)致的缺乏分類信息被克服；同時(shí)能將多維數(shù)據(jù)進(jìn)行降噪處理，并且能細(xì)化分類，從而提高分類的準(zhǔn)確性。但若輸入向量和神經(jīng)元權(quán)值設(shè)置差距過大，可能會導(dǎo)致識別效率低下。BP-LVQ組合模型中，將非舞弊公司設(shè)置為0，1舞弊公司設(shè)置為1，輸出結(jié)果介于[0,1]之間。前置分類模型為BP神經(jīng)網(wǎng)絡(luò)作為組合模型中的，后置分類模型為LVQ神經(jīng)網(wǎng)絡(luò)，則該模型識別的輸出結(jié)果為：判斷值在0-0.5之間的為非舞弊公司，0.5-1（含0.5）的公司判斷為舞弊公司。數(shù)據(jù)處理過程圖4.3BP-LVQ組合模型運(yùn)行圖變量設(shè)計(jì)本文因變量（Y）為舞弊行為。根據(jù)國泰安數(shù)據(jù)庫的舞弊類型，選取性質(zhì)嚴(yán)重的虛構(gòu)利潤、虛構(gòu)資產(chǎn)、重大遺漏或隱瞞、虛假記載等行為定義為存在舞弊行為；沒有發(fā)生上述行為的公司定義為不存在舞弊行為。自變量（Xn）為決策樹算法所選最優(yōu)指標(biāo)。數(shù)據(jù)來源及數(shù)據(jù)篩選模型需要數(shù)據(jù)進(jìn)行篩選、清洗及訓(xùn)練，本文的舞弊識別模型的基礎(chǔ)數(shù)據(jù)主要是已經(jīng)被披露的公司的舞弊數(shù)據(jù)，數(shù)據(jù)源可從國泰安數(shù)據(jù)庫、證監(jiān)會處罰公告、同花順及巨潮資訊網(wǎng)等地方獲取。4.4.1數(shù)據(jù)源選取原則（1）研究數(shù)據(jù)應(yīng)考慮行業(yè)的特殊性，如金融保險(xiǎn)行業(yè)比其他行業(yè)特殊；僅選取A股上市公司作為主要研究對象；剔除數(shù)據(jù)、信息不完整的舞弊樣本。（2）研究數(shù)據(jù)應(yīng)包含舞弊公司與舞弊公司一對一配對公司。配對樣本公司根據(jù)以下原則：同一年度、同一行業(yè)、同一股票交易市場、公司規(guī)模相近。4.4.2模型指標(biāo)選取原則(1)科學(xué)性：要科學(xué)合理的解釋所選取的財(cái)務(wù)指標(biāo)，盡量包括所有可能的舞弊原因。(2)系統(tǒng)性：選取的財(cái)務(wù)指標(biāo)必須要有結(jié)構(gòu)化的特征，以使數(shù)據(jù)處理過程更快、更有效。(3)完整性：被識別的必須是完整的財(cái)務(wù)指標(biāo)，能有效的、充分的反映企業(yè)的經(jīng)營狀況以及可能產(chǎn)生的舞弊風(fēng)險(xiǎn)。(4)可操作性：財(cái)務(wù)指標(biāo)的選擇要能保證過程的可操作性和結(jié)果的可行性。(5)時(shí)效性：財(cái)務(wù)指標(biāo)的的選擇要兼顧效率，大量的時(shí)間和人力不應(yīng)被耗費(fèi)，要具有時(shí)效性。表4.1財(cái)務(wù)指標(biāo)表償債能力資產(chǎn)負(fù)債率、流動(dòng)比率、速動(dòng)比率、現(xiàn)金比率、營運(yùn)資金比率、產(chǎn)權(quán)比率現(xiàn)金流量力營業(yè)收入現(xiàn)金比率、現(xiàn)金流比、應(yīng)計(jì)利潤率、營運(yùn)指數(shù)營運(yùn)能力存貨周轉(zhuǎn)率、存貨與收入比、應(yīng)收賬款周轉(zhuǎn)率、應(yīng)收賬款與收入比、總資產(chǎn)周轉(zhuǎn)率公司治理指標(biāo)董事會規(guī)模、董事會會議次數(shù)、監(jiān)事會規(guī)模、領(lǐng)導(dǎo)結(jié)構(gòu)盈利能力營業(yè)毛利率、資產(chǎn)報(bào)酬率、總資產(chǎn)凈利率、資產(chǎn)報(bào)酬率、總資產(chǎn)凈利率、凈資產(chǎn)收益率、銷售費(fèi)用率股權(quán)結(jié)構(gòu)股權(quán)集中度、控制權(quán)競爭程度、高管持股比發(fā)展能力總資產(chǎn)增長率、利潤總額增長率、營業(yè)收入增長率、每股收益率外部監(jiān)督指標(biāo)審計(jì)意見類型、會計(jì)師事務(wù)所變更4.4.3決策樹所選最優(yōu)指標(biāo)為提高模型的輸出結(jié)果的準(zhǔn)確率，根據(jù)數(shù)據(jù)選擇的原則和師表選取的原則，通過對數(shù)據(jù)的訓(xùn)練清洗后利用決策樹的C5.0算法篩選出下列10個(gè)最優(yōu)指標(biāo)。表4.2最優(yōu)指標(biāo)表序號指標(biāo)計(jì)算公式原因1總資產(chǎn)周轉(zhuǎn)率營業(yè)收入/平均資產(chǎn)額該指標(biāo)能反映該共公司是否存在虛增收入的情況，同時(shí)也是舞弊三角理論中壓力的反映2營業(yè)利潤占比營業(yè)利潤／利潤總額營業(yè)利潤占比發(fā)生變化時(shí)，公司可能存在虛增營業(yè)利潤或操縱營業(yè)外利潤3應(yīng)收賬款與收入比應(yīng)收賬款/營業(yè)收入應(yīng)收賬款與收入比的增加可能是公司對收入進(jìn)行提前確認(rèn)或虛構(gòu)收入，或者存在與其他企業(yè)合謀虛增應(yīng)收賬款的情況4流動(dòng)資產(chǎn)與收入比流動(dòng)資產(chǎn)／營業(yè)收入通過虛增流動(dòng)資產(chǎn)來操縱收入會導(dǎo)致流動(dòng)資產(chǎn)與收入比的減少5董事會規(guī)模董事（含董事長）人數(shù)董事會人數(shù)過多會降低工作效率，為管理層舞弊提供機(jī)會6流動(dòng)比率流動(dòng)資產(chǎn)／流動(dòng)負(fù)債短期償債能力降低后，舞弊可能性增加7現(xiàn)金比率現(xiàn)金及現(xiàn)金等價(jià)物期末余額／流動(dòng)負(fù)債短期償債能力降低后，舞弊可能性增加8資產(chǎn)報(bào)酬率（利潤總額＋財(cái)務(wù)費(fèi)用）／資產(chǎn)總額資產(chǎn)報(bào)酬率異常，該公司的盈利能力可能存在一定的問題，需要虛增利潤、提前確認(rèn)收入等對財(cái)務(wù)報(bào)表進(jìn)行掩飾9流動(dòng)資產(chǎn)凈利潤率凈利潤／流動(dòng)資產(chǎn)余額如果企業(yè)虛構(gòu)存貨、應(yīng)收賬款等流動(dòng)資產(chǎn)，流動(dòng)資產(chǎn)凈利潤率會下降10營業(yè)利潤率營業(yè)利潤／營業(yè)收入最有效的反映企業(yè)盈利能力的指標(biāo)是營業(yè)利潤率。如果虛增收入，會導(dǎo)致營業(yè)利潤率的減小，舞弊風(fēng)險(xiǎn)增加。決策樹BP-LVQ神經(jīng)網(wǎng)絡(luò)模型預(yù)測通過查閱相關(guān)文獻(xiàn)對決策樹、BP-LVQ神經(jīng)網(wǎng)絡(luò)舞弊識別效果的研究發(fā)現(xiàn)，BP-LVQ神經(jīng)網(wǎng)絡(luò)模型的整體舞弊識別率為88%左右；決策樹對舞弊樣本的正確判別率為81.03%，預(yù)測準(zhǔn)確率為68.75%，同時(shí)C5.0算法能合理剔除非重要指標(biāo)的干擾，從而選出最優(yōu)指標(biāo)，避免了BP-LVQ神經(jīng)網(wǎng)絡(luò)模型中由于數(shù)據(jù)過多而導(dǎo)致的預(yù)測效果降低和輸入向量和神經(jīng)元權(quán)值設(shè)置差距過大等問題。組合模型的構(gòu)建能通將不同模型的優(yōu)劣進(jìn)行互補(bǔ)，組合模型的總體正確率將高于單一的神經(jīng)網(wǎng)絡(luò)模型，因此本文預(yù)測決策樹—BP-LVQ神經(jīng)網(wǎng)絡(luò)組合模型的正確判別率率能達(dá)到90%左右，預(yù)測準(zhǔn)確率在75%左右。第5章結(jié)論與展望結(jié)論與展望研究結(jié)論本文基于舞弊三角理論和GONE理論，將財(cái)務(wù)指標(biāo)分成了償債能力、營運(yùn)能力、盈利能力、發(fā)展能力、現(xiàn)金流量能力、公司治理標(biāo)準(zhǔn)、股權(quán)結(jié)構(gòu)、外部監(jiān)督指標(biāo)8個(gè)大類；通過查閱有關(guān)人工智能技術(shù)應(yīng)用于舞弊識別的文獻(xiàn)，了解現(xiàn)有的人工智技術(shù)下的舞弊識別模型：Logistic回歸分析、神經(jīng)網(wǎng)絡(luò)、貝葉斯網(wǎng)絡(luò)、決策樹、支持向量機(jī)等；結(jié)合現(xiàn)在大數(shù)據(jù)的發(fā)展，選取了數(shù)據(jù)挖掘中的決策樹和BP-LVQ神經(jīng)網(wǎng)絡(luò)做為本文研究對象。首先運(yùn)用SPSSModeler中決策樹C5.0算法選出10個(gè)最優(yōu)指標(biāo)，再通過BP-LVQ神經(jīng)網(wǎng)絡(luò)進(jìn)行舞弊行為預(yù)測。組合模型相較于單一的模型所得到的預(yù)測結(jié)果準(zhǔn)確率更好、信息可理解性更強(qiáng)，在實(shí)際判斷某公司是否存在舞弊行為時(shí)具有較高的現(xiàn)實(shí)價(jià)值。論文局限性本文對選取的兩個(gè)模型及其組合模型進(jìn)行了相關(guān)的解釋和圖解，但構(gòu)建模型及指標(biāo)的選擇仍存在許多不足之處：（1）模型選擇仍有局限性由于沒有系統(tǒng)的學(xué)過人工智能技術(shù)、數(shù)據(jù)挖掘和統(tǒng)計(jì)學(xué)的內(nèi)容，人工智能方面專業(yè)知識薄弱，同時(shí)對本文所選取的模型原理及其算法的了解不夠深入，只通過閱讀相關(guān)研究文獻(xiàn)和資料來了解本文所選取的兩個(gè)模型的原理和相關(guān)算法、過程；現(xiàn)在用于舞弊識別的模型多是單一使用，本文通過將兩個(gè)不同的模型進(jìn)行組合構(gòu)建出一個(gè)新的模型，若在將來能利用編程技術(shù)系統(tǒng)地、規(guī)范地將兩個(gè)模型進(jìn)行一個(gè)整體的構(gòu)建，通過人工智能技術(shù)對公司舞弊行為進(jìn)行預(yù)測的正確率將能夠得到顯著的提高。（2）數(shù)據(jù)、指標(biāo)篩選不夠嚴(yán)謹(jǐn)本文雖給出了數(shù)據(jù)篩選原則，但在實(shí)際篩選過程，由于數(shù)據(jù)來源為已知數(shù)據(jù)，因此存在樣本時(shí)效性不足的問題。在對新模型進(jìn)行測試時(shí)選取的訓(xùn)練數(shù)據(jù)為已經(jīng)被披露的舞弊公司的數(shù)據(jù)，無法實(shí)時(shí)更新并采用當(dāng)前數(shù)據(jù)，不滿足數(shù)據(jù)時(shí)效性要求，因此當(dāng)進(jìn)行實(shí)證測試時(shí)可能會因?yàn)榇嬖谛碌奈璞资侄味茨苓_(dá)到較高標(biāo)準(zhǔn)的舞弊識別。（3）沒有進(jìn)行實(shí)證測試本文所給出測算結(jié)果均為首次理論預(yù)測，運(yùn)用已有樣本進(jìn)行模擬測試，尚未經(jīng)過實(shí)際的運(yùn)營測試。因?yàn)椴捎帽慌豆镜奈璞讛?shù)據(jù)，可能存在“舞弊”前提，在已知舞弊情況下測算結(jié)果，和實(shí)際監(jiān)督運(yùn)營存在偏差，但未進(jìn)行實(shí)證測試，無法篩別誤差數(shù)據(jù)。后續(xù)展望人工智能技術(shù)在舞弊識別方面的應(yīng)用是新興技術(shù)與傳統(tǒng)審計(jì)方法的融合發(fā)展，不斷創(chuàng)新舞弊識別模式、舞弊識別流程和舞弊識別方法，不斷提高審計(jì)質(zhì)量，增加審計(jì)報(bào)告的使用價(jià)值，是一種創(chuàng)新式發(fā)展。獨(dú)立的、單一維度的智能舞弊識別模型并不能真正全面系統(tǒng)的識別舞弊行為，因此不同模型的組合或許是未來舞弊識別運(yùn)用人工智能技術(shù)新發(fā)展方向。但人工智能技術(shù)并不成熟，穩(wěn)定性較差，因此，人工智能技術(shù)的發(fā)展對審計(jì)人員同樣提出了挑戰(zhàn)。審計(jì)人員除需要強(qiáng)化自身專業(yè)知識，提高自身業(yè)務(wù)能力外，同時(shí)應(yīng)緊隨時(shí)代發(fā)展的步伐，及時(shí)了解行業(yè)變動(dòng)以及新技術(shù)的發(fā)展，學(xué)習(xí)跨領(lǐng)域相關(guān)知識，做一個(gè)復(fù)合型財(cái)務(wù)人員。大數(shù)據(jù)環(huán)境下審計(jì)工作模式將變得更加靈活，人工智能技術(shù)可以幫助審計(jì)人員處理數(shù)據(jù)和報(bào)表，但數(shù)據(jù)背后所隱藏的隱性風(fēng)險(xiǎn)的信息，以及將數(shù)據(jù)處理后所得的全部信息轉(zhuǎn)化為對企業(yè)經(jīng)營有用的決策，需要審計(jì)人員對所獲得的信息進(jìn)行多維度、多層面的思考。在舞弊審計(jì)中，事務(wù)所作為其中重要的一環(huán)，需要結(jié)合人工智能技術(shù)的發(fā)展和對舞弊識別的新要求做出相應(yīng)的調(diào)整。在舞弊識別未來的發(fā)展中，事務(wù)所應(yīng)根據(jù)自身的規(guī)模和需求，進(jìn)行自主研發(fā)，主動(dòng)與科技公司合作，不斷完善現(xiàn)有的舞弊識別模型和構(gòu)建更為有效的新模型，由此立足于長遠(yuǎn)的發(fā)展，推動(dòng)舞弊識別領(lǐng)域的發(fā)展，推動(dòng)推動(dòng)審計(jì)領(lǐng)域產(chǎn)業(yè)鏈的整體發(fā)展。參考文獻(xiàn)參考文獻(xiàn)范美靜.人工智能在社會審計(jì)中的應(yīng)用研究—以德勤事務(wù)所為例.哈爾濱商業(yè)大學(xué).2018胡援成,田滿文.上市公司財(cái)務(wù)困境預(yù)測模型的再比較[J].經(jīng)濟(jì)學(xué)(季刊),2005,S1:173-188.王玲玲.基于LVQ神經(jīng)網(wǎng)絡(luò)的上市公司財(cái)務(wù)預(yù)警[A].中國運(yùn)籌學(xué)會青年工作委員會、桂林電子科技大學(xué)、中國科學(xué)院數(shù)學(xué)與系統(tǒng)科學(xué)研究院應(yīng)用數(shù)學(xué)所.第八屆中國青年運(yùn)籌信息管理學(xué)者大會論文集[C].中國運(yùn)籌學(xué)會青年工作委員會、桂林電子科技大學(xué)、中國科學(xué)院數(shù)學(xué)與系統(tǒng)科學(xué)研究院應(yīng)用數(shù)學(xué)所:,2006:5.岳殿民.中國上市公司會計(jì)舞弊模式特征及識別研究[D].天津:天津財(cái)經(jīng)大學(xué),2008年.[76]龐清樂,劉新允.基于蟻群神經(jīng)網(wǎng)絡(luò)的財(cái)務(wù)危機(jī)預(yù)警方法[J].數(shù)理統(tǒng)計(jì)與管理劉君,王理平.基于概率神經(jīng)網(wǎng)絡(luò)的財(cái)務(wù)舞弊識別模型[J].哈爾濱商業(yè)大學(xué)學(xué)報(bào)（社會科學(xué)版）,2006,(3):102-105.理,2011,03:554-561.BaileyA，KiangYKuipersB，WhinstonA．AnalyticalProceduresandQualitativeReasoninginAuditing：ApplicationsinManagementScience[J]．1990．GreenB.P.,ChoiJ.H..Assessingtheriskofmanagementfraudthroughneuralnetworktechnology[J].Auditing,1997Spring(16):14-28.KotsiantisS.,KoumanakosE.,TzelepisD.etal.Predictingfraudulentfinancialstatementswithmachinelearningtechniques[J].SETN2006,LNAI3955,2006:538-542.Krikos.E,Spathis.C,Manolopoulos.Y.DataMiningTechniquesfortheDetectionofFraudulentFinancialStatements[J].ExpertSystemswithApplications,2007,32(3):995-1003BeneishM.D.Implicationsforassessingearningsmanagementamongfirmswithextremefinancialperformance[J].JournalofAccountingandPublicPolicy,1997,16(2):271-309.]KirkosDataMiningTechniquesfortheDetectionofFraudulentFinancialStatements[J]．ExpertSystemswithApplications，2007，32(4)：995—1003．Hyun-jungKim,Nam-okJo,Kyung-shikShin.Optimizationofcluster-basedevolutionaryundersamplingfortheartificialneuralnetworksincorporatebankruptcyprediction[J].ExpertSystemsWithApplications,2016,致謝翻譯文稿致謝本文章是在彭涌超老師指導(dǎo)下完成的，老師淵博的專業(yè)知識、嚴(yán)謹(jǐn)?shù)闹螌W(xué)態(tài)度，精益求精的工作作風(fēng)，誨人不倦的高尚師德，嚴(yán)于律己、寬以待人的崇高風(fēng)范，樸實(shí)無法、平易近人的人格魅力對本人影響深遠(yuǎn)。不僅僅使本人樹立了遠(yuǎn)大的學(xué)習(xí)目標(biāo)、掌握了基本的研究方法，還使本人明白了許多為人處事的道理。本次論文從選題到完成，每一步都是在老師指導(dǎo)下完成的，傾注了老師的心血。在此，謹(jǐn)向表示崇高的敬意和衷心的感謝！在寫論文的過程中，遇到了很多的問題，在老師的耐心指導(dǎo)下，問題都得以解決。所以在此，再次對老師道一聲：老師，謝謝您！時(shí)光匆匆如流水，轉(zhuǎn)眼便是大學(xué)畢業(yè)時(shí)節(jié)，春夢秋云，聚散真容易。離校日期已日趨漸進(jìn)，畢業(yè)論文的完成也隨之進(jìn)入了尾聲。從開始進(jìn)入課題到論文的順利完成，一向都離不開老師、同學(xué)、朋友給我熱情的幫忙，在那里請理解我誠摯的謝意！在此我向電子科技大學(xué)成都學(xué)院審計(jì)學(xué)專業(yè)的所有老師表示衷心的感謝，謝謝你們四年的辛勤栽培，謝謝你們在教學(xué)的同時(shí)更多的是傳授我們做人的道理，謝謝四年里面你們孜孜不倦的教誨！四年寒窗，所收獲的不僅僅僅是愈加豐厚的知識，更重要的是在閱讀、實(shí)踐中所培養(yǎng)的思維方式、表達(dá)潛力和廣闊視野。很慶幸這四年來我遇到了如此多的良師益友，無論在學(xué)習(xí)上、生活上，還是工作上，都給予了我無私的幫忙和熱心的照顧，讓我在一個(gè)充滿溫馨的環(huán)境中度過四年的大學(xué)生活。感恩之情難以用言語量度，謹(jǐn)以最樸實(shí)的話語致以最崇高的敬意。最后要感謝的是我的父母，他們不僅僅培養(yǎng)了我對中國傳統(tǒng)文化的濃厚的興趣，讓我在漫長的人生旅途中使心靈有了虔敬的歸依，而且也為我能夠順利的完成畢業(yè)論文帶給了巨大的支持與幫忙。在未來的日子里，我會更加努力的學(xué)習(xí)和工作，不辜負(fù)父母對我的殷殷期望！我必須會好好孝敬他們，報(bào)答他們！“長風(fēng)破浪會有時(shí)，直掛云帆濟(jì)滄海?！边@是我少年時(shí)最喜歡的詩句。就用這話作為這篇論文的一個(gè)結(jié)尾，也是一段生活的結(jié)束。期望自己能夠繼續(xù)少年時(shí)的夢想，永不放下。外文原文資料外文資料原文DETECTINGAFRAUDULENTFINANCIALSTATEMENTANDREDUCINGINTERNALFRAUD,USINGDATAMININGTECHNIQUESBYAMOSISEORUKARIMAIRUENABEREAMOSISEORUKARIMAIRUENABERThreealternativemodelswerebuilt,eachbasedonadifferentmethod．First,theDecisionTreemodelwasconstructedusingtheSipinaResearchEditionsoftware．Themodelwasbuiltwithconfidencelevel0.05．Weusedthewholesampleasatrainingset．Fig．4.1showstheconstructedDecisionTree．Themodelwastestedagainstthetrainingsampleandmanagedtocorrectlyclassify73cases(generalperformance96％)．Morespecifically，theDecisionTreecorrectlyclassifiedallthenon—fraudcases(100％)and35outofthe38fraudcases(92％)．AscanbeseeninFig.1，thealgorithmusesthevariableZscoreasfirstspliRer．Thirty—fiveoutofthe38fraudcompaniespresentaconsiderablylowZscorevalue(Zscore<1.49)．SinceAltmanconsideredaZscorevalueof1.8lasacutoffpointtodefinefinancialdistressforUSmanufacturingfirms(Altman，2001)，wecaninferthatcompaniesinfinancialdistressincludedinoursampletendtomanipulatetheirfinancialstatements．Assecondlevelsplitters．twovariablesassociatedwithprofitability(NPTAandEBIT)wereused.NOfraudcompanieswithahighZscorepresenthighprofitability.whereasfraudcompanieswithalowzscorepresentlowprofitability．Table2depictsthesplittingvariablesintheordertheyappearintheDecisionTree．InthesecondexperimentweconstructedtheNeuralNetworkmodel．WeusedtheNuclass7NonLinearNetworksforClassificationsoftwaretobuildamultilayerperceptronfeed—forwardNetwork．Aftertestinganumberofalternativedesignsandperformingpreliminarytrainings，wechoseatopologywithonehiddenlayercontainingfivehiddennodes．Theselectednetworkwastrainedbyusingthewholesampleandwastesl：edagainstthetrainingset．Thenetworksucceededincorrectlyclassifyingallthecases，thusachievingaperformanceof100%.Unfortunatelythesoftwaredidnotprovideatransparentinterfacetothesynapticweightsoftheconnectionsandthusanestimationoftheimportanceofeachinputvariablewasnotpossible．InthethirdexperimentwedevelopedaBayesianBeliefNetwork(BBN)．ThesoftwareweusedwastheBNPowerPredictor．Thissoftwareiscapableoflearningaclassifierfromdata．Theimplementedalgorithmbelongstothecategoryofconditionalindependencetest—basedalgorithmsanddoesnotrequirenodeordering(Cheng&Greiner，2001)．Duetosoftwarelimitationswehadtoperformvaluediscretisation.Aftertestingvariousdiscretisationmethods(equaldepth,equalwidth),wechosethesuperviseddiscretisationmethod．Unlikeotherdiscretisationmethods，supervisedentropy—baseddiscretisationutilizesclassinformation．Thismakesitmorelikelythattheintervalsdefinedmayhelptoimprovetheclassificationaccuracy(Han&C