一种基于证据理论的财务舞弊风险评估方法以及装置

摘要

本发明公开了一种基于证据理论的财务舞弊风险评估方法以及装置，本方法首先选取待审计上市公司的基于内部治理机制和基于外部监督机制的财务舞弊证据信息，体现了收集证据的多元性，能够提高财务舞弊风险评估结果的准确率。然后根据机器学习方法分别计算两种证据源所对应的舞弊、非舞弊、舞弊未知的概率。最后引入证据理论方法构建了整合财务舞弊风险评估模型，有助于消除财务舞弊证据信息之间的相互影响，模型得到融合证据源后的冲突因子、信任函数和似然函数，以此实现更高效的识别和评估上市公司的财务舞弊风险。本方法有利于降低监管部门的监管负荷，同时审计人员也可以利用本发明进行合理决策，减少审计工作量，提高审计综合效率。

说明书

技术领域

本发明涉及信息技术领域，特别涉及一种基于证据理论的财务舞弊风险评估方法以及装置。

背景技术

随着市场经济的发展，一些上市公司往往为了利益而进行财务舞弊，试图通过粉饰财务报表以获取高额收益和良好的企业财务状况，这对企业、投资者、员工、国家以及市场都造成极大的危害，扰乱了市场的高效运作。因此，如何从监管者的角度对上市公司财务舞弊风险进行评估,从而提高监管者发现上市公司财务舞弊行为的效率，是在金融监管科技领域内备受关注的重要课题。

传统的上市公司财务舞弊风险评估方法主要是通过机器学习方法将收集的所有舞弊证据构建财务舞弊风险评估模型进行学习，但由于舞弊证据的多重共线性会影响模型的精度；而且传统的上市公司财务舞弊风险评估方法是构建舞弊和非舞弊的二分类模型，不能对舞弊未知的情况进行建模分析。而根据相关研究,在上市公司实际的数据集中，被归类为非舞弊的公司实际上属于舞弊的情况是普遍存在的。如果简单的将这些公司划分为非舞弊类并作为样本数据，则使得这些公司成为假负样本，会影响模型的训练结果，从而影响财务舞弊风险评估效果。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种基于证据理论的财务舞弊风险评估方法以及装置。

本发明的第一方面，提供了一种基于证据理论的财务舞弊风险评估方法，包括以下步骤：

选取待审计上市公司的基于内部治理机制和基于外部监督机制的财务舞弊证据信息；

根据机器学习方法构建以所述基于内部治理机制的财务舞弊证据信息为输入的内部治理财务舞弊风险评估模型，得到第一财务舞弊基本概率分配，以及构建以所述基于外部监督机制的财务舞弊证据信息为输入的外部监督财务舞弊风险评估模型，得到第二财务舞弊基本概率分配，其中，所述第一财务舞弊基本概率分配和所述第二财务舞弊基本概率分配均包括财务舞弊、非舞弊和舞弊未知的概率；

基于证据理论构建以所述第一财务舞弊基本概率分配和所述第二财务舞弊基本概率分配为输入的整合财务舞弊风险评估模型，得到冲突因子、信任函数和似然函数，若所述冲突因子小于阈值，则根据所述信任函数和似然函数对所述待审计上市公司进行财务舞弊风险评估。

本发明的第二方面，提供了一种基于证据理论的财务舞弊风险评估装置，包括：证据要素选取模块、基本概率分配计算模块以及风险评估模块；

所述证据要素选取模块用于选取待审计上市公司的基于内部治理机制和基于外部监督机制的财务舞弊证据信息；

所述基本概率分配计算模块用于根据机器学习方法构建以所述基于内部治理机制的财务舞弊证据信息为输入的内部治理财务舞弊风险评估模型，得到第一财务舞弊基本概率分配，以及构建以所述基于外部监督机制的财务舞弊证据信息为输入的外部监督财务舞弊风险评估模型，得到第二财务舞弊基本概率分配，其中，所述第一财务舞弊基本概率分配和所述第二财务舞弊基本概率分配均包括财务舞弊、非舞弊和舞弊未知的概率；

所述风险评估模块用于基于证据理论构建以所述第一财务舞弊基本概率分配和所述第二财务舞弊基本概率分配为输入的整合财务舞弊风险评估模型，得到冲突因子、信任函数和似然函数，若所述冲突因子小于阈值，则根据所述信任函数和似然函数用于对所述待审计上市公司进行财务舞弊风险评估。

根据本发明的实施例，至少具有以下有益效果：

本发明首先选取待审计上市公司的基于内部治理机制和基于外部监督机制的财务舞弊证据信息，体现了收集证据的多元性，能够提高财务舞弊风险评估结果的准确率。然后根据机器学习方法分别计算两种证据源所对应的舞弊、非舞弊、舞弊未知的概率。最后引入证据理论方法构建了整合财务舞弊风险评估模型，实现对各证据源的融合，有助于消除财务舞弊证据信息之间的相互影响，模型得到融合证据源后的冲突因子、信任函数和似然函数，以此实现更高效的识别和评估上市公司的财务舞弊风险。本发明有利于降低监管部门的监管负荷，提高监管的效率，同时审计人员也可以利用本发明进行合理决策，减少审计工作量，降低审计风险，提高审计综合效率。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1为本发明实施例提供的一种基于证据理论的财务舞弊风险评估方法的流程示意图；

图2为本发明实施例提供的GONE理论的示意图；

图3为本发明实施例提供的舞弊类、非舞弊类和舞弊未知类的公司财务舞弊证据的冲突因子、信任函数、似然函数和信任区间的取值范围示意图；

图4为本发明实施例提供的整合财务舞弊风险评估模型与传统的Dechow财务舞弊风险评估模型的召回率的对比示意图；

图5为本发明实施例提供的整合财务舞弊风险评估模型与传统的Dechow财务舞弊风险评估模型的精确度的对比示意图；

图6为本发明实施例提供的整合财务舞弊风险评估模型与传统的Dechow财务舞弊风险评估模型的F1-measure的对比示意图；

图7为本发明实施例提供的一种基于证据理论的财务舞弊风险评估装置的结构示意图；

图8为本发明实施例提供的一种基于证据理论的财务舞弊风险评估设备的结构示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

第一实施例；

参照图1至图3，提供了一种基于证据理论的财务舞弊风险评估方法，包括以下步骤：

S100、选取待审计上市公司的基于内部治理机制和基于外部监督机制的财务舞弊证据信息。

如图2，本方法根据GONE理论支持的财务舞弊形成机理，将财务舞弊证据的来源定为基于内部治理机制的财务舞弊证据信息和基于外部监督机制的财务舞弊证据信息。其中，基于内部治理机制的财务舞弊证据信息是以非财务数据和结构化数据为主的内部控制数据为基础，通过机器学习方法获得财务舞弊证据；基于外部监督机制的财务舞弊证据信息是以非财务数据和非结构化数据为主的媒体关注数据及分析师跟踪数据为基础，利用机器学习获得财务舞弊证据。

S200、根据机器学习方法构建以基于内部治理机制的财务舞弊证据信息为输入的内部治理财务舞弊风险评估模型，得到第一财务舞弊基本概率分配，以及构建以基于外部监督机制的财务舞弊证据信息为输入的外部监督财务舞弊风险评估模型，得到第二财务舞弊基本概率分配，其中，第一财务舞弊基本概率分配和第二财务舞弊基本概率分配均包括财务舞弊、非舞弊和舞弊未知的概率。

这里使用的机器学习方法可以为逻辑斯蒂、贝叶斯网络和Logistic回归等方法，本实施例优选多元无序Logistic回归方法构建内部治理财务舞弊风险评估模型和外部监督财务舞弊风险评估模型。具体过程如下：

令基于内部治理机制的财务舞弊证据信息对应的财务舞弊的概率为m

本实施例中，内部治理财务舞弊风险评估模型的计算式如下：

其中，m

其中，模型中的输入变量X

表1

表1中，内部环境指数是由2009年至2016年间10797个上市公司的研究样本，运用SPSS24.0软件进行Logistic回归后，依据计算得到的回归显著性选出。内部控制财务舞弊证据主要包括内部环境指数(IE)、风险评估指数(RA)、控制活动指数(CA)、信息与沟通指数(MC)和内部监督指数(IS)等五个证据要素，进行Logistic回归后，内部环境指数(IE)回归系数在1％的水平上显著，而其他指数在5％或10％的水平上显著，因此选取内部环境指数作为模型的一个输入变量。输入变量X

本实施例中，外部监督财务舞弊风险评估模型的计算式如下：

其中，模型中的输入变量X

表2

输入变量X

S300、基于证据理论构建以第一财务舞弊基本概率分配和第二财务舞弊基本概率分配为输入的整合财务舞弊风险评估模型，得到冲突因子、信任函数和似然函数，若冲突因子小于阈值，则根据信任函数和似然函数对待审计上市公司进行财务舞弊风险评估。

在本步骤中，根据证据理论将步骤S200中两个模型得到的m

m

m

m

K＝1-[m

根据上述得到的m

T(f)＝(Bel(f),Pl(f)) (11)

其中，K为证据正交和系数，1-K为证据的冲突因子。当冲突因子越小时，说明两个模型的证据一致性高，也说明整合财务舞弊风险评估模型的可靠性也更高，当1-K＝1时，则说明两个模型的证据之间相矛盾或者完全冲突，因此当1-K<1时，两个模型的证据之间不完全冲突，即可根据整合财务舞弊风险评估模型得到的信任函数和似然函数作为对上市公司的评估结果。为了提高整合财务舞弊风险评估模型的评估效果，冲突因子的阈值可设置为0.2。

以下通过示例说明本方法的评估效果，例如：通过选取若干上市公司按照上述步骤S100至S300的处理后，首先按照整合财务舞弊风险评估模型输出的财务舞弊的概率、财务非舞弊的概率和财务舞弊未知的概率，将上市公司分类为舞弊类、非舞弊类和舞弊未知类。图3中列出了舞弊类、非舞弊类和舞弊未知类公司的财务舞弊证据的冲突因子、信任函数、似然函数和信任区间，整合财务舞弊风险评估模型计算得到的冲突因子都不到1％，这说明两个模型的证据一致性高，整合财务舞弊风险评估模型的可靠性也较高。然后，从三类公司的信任函数看，舞弊类公司的信任函数平均数最高，达到50％以上，而舞弊未知类和非舞弊类公司的信任函数平均数仅为10％，这证实了舞弊类公司的财务舞弊风险明显高于舞弊未知类和非舞弊类公司。其次，三类公司的似然函数的比较也进一步证实舞弊类公司的财务舞弊风险高于舞弊未知类公司和非舞弊类公司。柱状图中间区域表示三类公司的财务舞弊风险的平均信任区间，反映公司财务舞弊风险的不确定性程度，其中，舞弊未知类公司的信任区间最大，非舞弊类公司第二，最小的是舞弊类公司，这反应对舞弊未知类公司的财务舞弊风险评估的不确定性最大，而对舞弊类公司的财务舞弊风险评估更确定，进一步证实了舞弊类公司的财务舞弊风险评估结果的可靠性较高。

本方法首先选取待审计上市公司的基于内部治理机制和基于外部监督机制的财务舞弊证据信息，体现了收集证据的多元性，能够提高财务舞弊风险评估结果的准确率。然后为了处理财务舞弊风险评估的不确定性因素，提出将财务舞弊分为舞弊、非舞弊、舞弊未知三种情况，并根据机器学习方法分别计算两种证据源所对应的舞弊、非舞弊、舞弊未知的概率。最后引入证据理论方法构建了整合财务舞弊风险评估模型，实现对各证据源的融合，有助于消除财务舞弊证据信息之间的相互影响，模型得到融合证据源后的冲突因子、信任函数和似然函数，以此实现更高效的识别和评估上市公司的财务舞弊风险。本方法有利于降低监管部门的监管负荷，提高监管的效率，同时审计人员也可以利用本发明进行合理决策，减少审计工作量，降低审计风险，提高审计综合效率。

第二实施例；

如图4至图6，通过信息检索领域中的精确度(Precision)、召回率(Recall)和F1-measure指标评价，将第一实施例中构建的整合财务舞弊风险评估模型与传统的Dechow财务舞弊风险评估模型进行对比，具体结果如下：

精确度(Precision)是指检索到的公司中舞弊公司所占的比例；召回率表示所有舞弊公司被检索到的比例；具体公式如下：

其中，retrieved documents表示检索的样本公司数量，fraud documents表示舞弊公司的数量，{fraud documents}∩{retrieved documents}表示检索的公司中舞弊公司的数量。本实施例采用Precison(5％)表示百分之五的总样本中舞弊公司所占的比重，Recall(5％)表示百分之五的总样本中检索到的舞弊公司占所有舞弊公司的比率。

图4反映了样本每递增百分之五，整合财务舞弊风险评估模型和Dechow财务舞弊风险评估模型对财务舞弊的召回率，结果显示：随着样本量的增加，两个模型财务舞弊的召回率都在增加，最终趋近于1，但整合财务舞弊风险评估模型的召回率曲线比的Dechow财务舞弊风险评估模型的召回率曲线更陡，前者的召回率一直比后者都大，这说明整合财务舞弊风险评估模型对上市公司财务舞弊的召回率较高。图5反映了随着样本每增加百分之五的情况下，整合财务舞弊风险评估模型和Dechow财务舞弊风险评估模型对上市公司财务舞弊评估的精确度，结果显示：随着样本的增加，两者评估的精确度都在下降，而整合财务舞弊风险评估模型的精确度曲线下滑得较缓，并且整合财务舞弊风险评估模型的精确度都比Dechow财务舞弊风险评估模型高，这也支持整合财务舞弊风险评估模型对财务舞弊评估的精确度高。由图4和5可知，整合财务舞弊风险评估模型评估的召回率和精确度呈反向关系，而最理想的状态是两者都高，所以，本实施例引入F-measure来平衡召回率和精确度的相互影响。F-measure是召回率和精确度的加权调和平均，具体计算公式如下：

当α＝1时，得到最常见的F1-measure，即：

其中，P为精确度，R为召回率；

图6反映了随着样本量每增加百分之五的情况下，整合财务舞弊风险评估模型和Dechow财务舞弊风险评估模型的F1-measure值，结果显示：随着样本量的增加，整合财务舞弊风险评估模型和Dechow财务舞弊风险评估模型的F1-measure值都呈先上升后下降的走势，而整合财务舞弊风险评估模型的F1-measure值一直大于Dechow财务舞弊风险评估模型的F1-measure值，说明整合财务舞弊风险评估模型的评估效果相较于Dechow财务舞弊风险评估模型有所提高。

第三实施例；

以2000个上市公司的研究样本为例进行示例：

根据基于内部治理机制的财务舞弊证据信息，利用多元无序Logistic回归方法构建内部治理财务舞弊风险评估模型如下：

根据基于外部监督机制的财务舞弊证据信息，利用多元无序Logistic回归方法构建外部监督财务舞弊风险评估模型如下：

获得内部治理证据源的财务舞弊、财务非舞弊和财务舞弊未知的概率，记为M

根据证据理论整合内部治理证据源和外部监督证据源，得到冲突因子、信任函数、似然函数和信任区间，运用证据理论的整合规则得到整合财务舞弊风险评估模型，获得整合的财务舞弊、财务非舞弊和财务舞弊未知的概率，记为M

Bel

Pl

(Bel

若冲突因子1-K<1，则审计人员可以依据信任函数的数值和似然函数的数值对上述公司的财务舞弊风险进行评估。

以下示出A至J等10家上市公司的财务舞弊风险评估结果和实际审计结果，如下表3所示：

如表3，先按照信任函数降序排列，在信任函数相等的情况下再按照似然函数的降序进行排列，A至J公司依次对应财务舞弊风险的1至10名。

表3

实际审计结果如下：10家公司中除I和J公司，其他公司都被发现存在财务舞弊。例如，政府司法机关在相关刑事判决中认定，C公司在2007年年度报告中虚增资产21,240,000元，虚增收入96,599,026.78元；在2008年年度报告中虚增资产163,353,150元，虚增收入85,646,822.39元；在2009年年度报告中虚增资产104,070,550元，虚增收入68,560,911.94元。例如，证监会调查结果显示H公司2011年至2013年报中，该公司分别虚增资产达3.47亿元、3.64亿元、3.78亿元，分别占其同期总资产的69％、62％、62％，虚增同期负债1223万元、876.26万元、1017万元，2012年、2013年年报、2014半年报中，H公司还虚增利润1893万元、2364万元、317.4万元，分别达到其同期实际净利润总额的90％、258％、1327％。

第四实施例；

参照图7，提供了一种基于证据理论的财务舞弊风险评估装置，包括证据要素选取模块、基本概率分配计算模块以及风险评估模块；

证据要素选取模块用于选取待审计上市公司的基于内部治理机制和基于外部监督机制的财务舞弊证据信息；

基本概率分配计算模块用于根据机器学习方法构建以基于内部治理机制的财务舞弊证据信息为输入的内部治理财务舞弊风险评估模型，得到第一财务舞弊基本概率分配，以及构建以基于外部监督机制的财务舞弊证据信息为输入的外部监督财务舞弊风险评估模型，得到第二财务舞弊基本概率分配，其中，第一财务舞弊基本概率分配和第二财务舞弊基本概率分配均包括财务舞弊、非舞弊和舞弊未知的概率；

风险评估模块用于基于证据理论构建以第一财务舞弊基本概率分配和第二财务舞弊基本概率分配为输入的整合财务舞弊风险评估模型，得到冲突因子、信任函数和似然函数，若冲突因子小于阈值，则根据信任函数和似然函数用于对待审计上市公司进行财务舞弊风险评估。

需要说明的是，本实施例与上述方法实施例是基于相同的发明构思，因此方法实施例的相关内容同样适用本装置实施例，此处不再细述。

参照图8，提供了一种基于证据理论的财务舞弊风险评估设备，包括至少一个控制处理器和用于与至少一个控制处理器通信连接的存储器；存储器存储有可被至少一个控制处理器执行的指令，指令被至少一个控制处理器执行，以使上述实施例的一种财务舞弊风险评估方法，例如，执行以上描述的图1中的方法步骤S100至S300。

进一步，本发明的另一个实施例，还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，计算机可执行指令用于使计算机执行上述实施例的一种财务舞弊风险评估方法，例如，执行以上描述的图1中的方法步骤S100至S300。

通过以上的实施方式的描述，本领域技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现。本领域技术人员可以理解实现上述实施例方法中的全部或部分流程是可以通过计算机程序来指令相关的硬件来完成的程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read Only Memory，ROM)或随机存储记忆体(Random Access Memory，RAM)等。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。