【摘 要】文章以2015年滬深股市A股上市公司數(shù)據(jù)為樣本,用加權(quán)錯(cuò)判比率作為評(píng)價(jià)模型優(yōu)劣的標(biāo)準(zhǔn),構(gòu)建了加權(quán)錯(cuò)判率為26.07%的審計(jì)意見類型決策樹預(yù)測模型。研究表明,上市公司的基本每股收益、上年度審計(jì)意見類型、營運(yùn)資金比率、資產(chǎn)規(guī)模和存貨周轉(zhuǎn)率是預(yù)測審計(jì)意見類型的重要變量。
【關(guān)鍵詞】決策樹模型;審計(jì)意見類型;加權(quán)錯(cuò)判比率
20世紀(jì)80年代,國外一些研究者就開始利用上市公司的數(shù)據(jù)建立審計(jì)意見預(yù)測模型作為注冊(cè)會(huì)計(jì)師出具意見的輔助工具,我國自2003年后,也有不少論文研究并建立了審計(jì)意見的預(yù)測模型,這些模型的建立主要是應(yīng)用了邏輯回歸的統(tǒng)計(jì)技術(shù)。數(shù)據(jù)挖掘方法如今已經(jīng)廣泛應(yīng)用于各種會(huì)計(jì)和金融領(lǐng)域的分析,并取得了很好的效果。決策樹(Decision Tree)是最經(jīng)典的數(shù)據(jù)挖掘方法之一,它以樹形結(jié)構(gòu)將決策/分類過程展現(xiàn)出來。國外有研究者在2013年開始使用決策樹方法預(yù)測審計(jì)意見類型,而國內(nèi)尚未發(fā)現(xiàn)使用決策樹方法預(yù)測審計(jì)意見類型的文獻(xiàn)。
本文通過定性分析審計(jì)意見類型的影響因素,建立影響審計(jì)意見類型的指標(biāo)體系,并根據(jù)2015年滬深股市A股上市公司的年報(bào)數(shù)據(jù)構(gòu)建了上市公司被出具審計(jì)意見類型的決策樹模型,用樹形結(jié)構(gòu)呈現(xiàn)審計(jì)意見類型的分類過程,為注冊(cè)會(huì)計(jì)師從保護(hù)投資者利益的角度對(duì)上市公司出具保留意見或無法表示意見提供了可操作的建議,同時(shí)為決策樹模型在中國審計(jì)意見類型預(yù)測的應(yīng)用提供參考。
1 影響審計(jì)意見類型的指標(biāo)選取
影響審計(jì)意見類型的指標(biāo)主要從上市公司的財(cái)務(wù)指標(biāo)和非財(cái)務(wù)指標(biāo)兩個(gè)方面考慮。蔡春、楊麟等人(2005)的研究結(jié)果表明資產(chǎn)規(guī)模(資產(chǎn)的對(duì)數(shù))、資產(chǎn)負(fù)債率、總資產(chǎn)周轉(zhuǎn)率等基本財(cái)務(wù)指標(biāo)和事務(wù)所規(guī)模對(duì)審計(jì)意見類型影響顯著。田金玉(2007)應(yīng)用BP神經(jīng)網(wǎng)絡(luò)預(yù)測審計(jì)意見類型時(shí),篩選出影響審計(jì)意見類型的13個(gè)財(cái)務(wù)指標(biāo)。郭磊(2008)應(yīng)用logistic回歸模型預(yù)測審計(jì)意見類型時(shí),篩選出16個(gè)財(cái)務(wù)指標(biāo)和2個(gè)非財(cái)務(wù)指標(biāo),其中非財(cái)務(wù)指標(biāo)為代理成本和上年審計(jì)意見。
本文綜合考慮反映上市公司內(nèi)部管理質(zhì)量各個(gè)方面指標(biāo)的代表性,并根據(jù)參考文獻(xiàn)中通過了顯著性檢驗(yàn)的原則,挑選了如下13個(gè)財(cái)務(wù)指標(biāo)和1個(gè)非財(cái)務(wù)指標(biāo)作為影響審計(jì)意見類型的指標(biāo)體系(見表1)。
因變量Y為“本年審計(jì)意見”。Y和X14這兩個(gè)指標(biāo)為0表示“標(biāo)準(zhǔn)無保留意見”;為1表示“帶強(qiáng)調(diào)事項(xiàng)段的無保留意見”;為2表示“保留意見或無法表示意見”。
2 審計(jì)意見類型的決策樹預(yù)測模型
從2015年滬深股市A股上市公司的年報(bào)中獲取上述指標(biāo)數(shù)據(jù),剔除數(shù)據(jù)缺失過多的公司,最終得到2 493家公司作為構(gòu)建決策樹模型的樣本,其中2 400家被出具標(biāo)準(zhǔn)無保留意見、74家被出具帶強(qiáng)調(diào)事項(xiàng)段的無保留意見、19家被出具保留意見或無法表示意見。
決策樹模型是用決策樹來呈現(xiàn)因變量的分類過程。本文采用CART(Classification and Regression Trees)算法建立審計(jì)意見類型的決策樹預(yù)測模型。實(shí)現(xiàn)算法的軟件是R軟件,所用的函數(shù)是程序包rpart中的函數(shù)rpart。
將審計(jì)意見類型為0(標(biāo)準(zhǔn)無保留意見)的2 400家公司隨機(jī)分成15份,每1份為160家公司。再把每份審計(jì)意見類型為0(標(biāo)準(zhǔn)無保留意見)的160家公司,分別配上審計(jì)意見類型為1(帶強(qiáng)調(diào)事項(xiàng)段的無保留意見)和2(保留意見或無法表示意見)的93家公司得到15個(gè)用于構(gòu)建決策樹模型的訓(xùn)練集。分別基于15個(gè)訓(xùn)練集構(gòu)建15個(gè)決策樹模型。用得到的15個(gè)決策樹模型,反過來對(duì)全部2 493家公司進(jìn)行預(yù)測。根據(jù)加權(quán)錯(cuò)判比率最小的原則從15個(gè)決策樹模型中選擇預(yù)測能力最好的模型,其總的錯(cuò)判比率為0.086 2,加權(quán)錯(cuò)判比率為0.260 7。模型的決策樹如圖1所示。
加權(quán)錯(cuò)判比率就是給予“實(shí)際的審計(jì)意見類型為1或2,而模型將其預(yù)測為0”的情況比較大的權(quán)重,而給予“實(shí)際的審計(jì)意見類型為0,而模型將其預(yù)測為1或者2”的情況比較小的權(quán)重。這樣做的理由主要是考慮到前者比后者預(yù)計(jì)對(duì)投資者造成更大的損失。
根據(jù)圖1,用此決策樹預(yù)測模型對(duì)審計(jì)意見類型進(jìn)行預(yù)測的步驟如下所述。
(1)首先考慮X2(基本每股收益),其次考慮X14(上一年度的審計(jì)意見)。如果X2大于或等于0.042元,且X14為標(biāo)準(zhǔn)無保留意見,那么本年度審計(jì)意見類型可以預(yù)測為標(biāo)準(zhǔn)無保留意見。
(2)如果X2大于或等于0.042元,且X14為非標(biāo)準(zhǔn)無保留意見,那么本年度審計(jì)意見類型可以預(yù)測為帶強(qiáng)調(diào)事項(xiàng)段的無保留意見。
(3)如果X2小于0.042元,且X14為非標(biāo)準(zhǔn)無保留意見,那么本年度審計(jì)意見類型可以預(yù)測為帶強(qiáng)調(diào)事項(xiàng)段的無保留意見。
(4)如果X2小于0.042元,X14為標(biāo)準(zhǔn)無保留意見,還滿足1個(gè)條件“X11(營運(yùn)資金比率)小于-0.23”,那么本年度審計(jì)意見類型可以預(yù)測為帶強(qiáng)調(diào)事項(xiàng)段的無保留意見。
(5)如果X2小于0.042元,X14為標(biāo)準(zhǔn)無保留意見,還滿足2個(gè)條件“X11大于或等于-0.23”和“X1(資產(chǎn)規(guī)模的對(duì)數(shù)值)小于21”,那么本年度審計(jì)意見類型可以預(yù)測為保留意見或無法表示意見。
(6)如果X2小于0.042元,X14為標(biāo)準(zhǔn)無保留意見,還滿足3個(gè)條件“X11大于或等于-0.23”、“X1大于或等于21”和“X7(存貨周轉(zhuǎn)率)小于6.5”,那么本年度審計(jì)意見類型可以預(yù)測為標(biāo)準(zhǔn)無保留意見。
(7)如果X2小于0.042元,X14為標(biāo)準(zhǔn)無保留意見,還滿足2個(gè)條件“X11大于或等于-0.23”、“X1大于或等于21”和“X7大于或等于6.5”,那么本年度審計(jì)意見類型可以預(yù)測為帶強(qiáng)調(diào)事項(xiàng)段的無保留意見。
從上述模型可知,上市公司的基本每股收益、上年度審計(jì)意見類型、營運(yùn)資金比率、資產(chǎn)規(guī)模和存貨周轉(zhuǎn)率是預(yù)測審計(jì)意見類型的重要變量,所以會(huì)計(jì)師事務(wù)所在對(duì)上市公司開展審計(jì)業(yè)務(wù)出具審計(jì)意見類型時(shí),應(yīng)重點(diǎn)考慮這5個(gè)變量的取值。
參 考 文 獻(xiàn)
[1]蔡春,楊麟,陳曉媛,等.上市公司審計(jì)意見類型影響因素的實(shí)證分析[J].財(cái)經(jīng)科學(xué),2005(1):95-102.
[2]田金玉.基于BP神經(jīng)網(wǎng)絡(luò)的上市公司審計(jì)意見預(yù)測模型[J].財(cái)會(huì)月刊,2010(1):109-110.
[3]郭磊.我國上市公司審計(jì)意見預(yù)測研究[D].廣州:暨南大學(xué),2008(5):1-49.
[4]張實(shí).決策樹方法預(yù)測審計(jì)意見類型[D].上海:上海立信會(huì)計(jì)金融學(xué)院,2017(5):1-25.
[5]李清,韓麗榮,魯豫.基于遺傳算法的上市公司審計(jì)意見類型預(yù)測模型研究[D].天津:天津財(cái)經(jīng)大學(xué),2014(5):1-47.
[6]保艷波.上市公司審計(jì)意見影響因素實(shí)證分析[D].昆明:云南大學(xué),2015(3).
[7]何為紅,徐欣.上市公司審計(jì)委員會(huì)特征與審計(jì)意見類型[J].財(cái)會(huì)月刊,2016(3):92-96.
[8]梁紅玉.上市公司審計(jì)意見類型影響因素研究[D].天津:天津財(cái)經(jīng)大學(xué),2012(5):1-51.
[9]余敏,吳應(yīng)宇,毛俊.上市公司審計(jì)意見類型預(yù)測模型[J].財(cái)經(jīng)論壇,2008(4):133-135.
[10]王曉艷,王朝娟,王紹霞.上市公司財(cái)務(wù)狀況與審計(jì)意見相關(guān)性研究[J].會(huì)計(jì)之友,2011(9):92-95.
[11]Saif S M,Sarikhani M,Ebrahimi F.An Expert System with Neural Network and Decision Tree for Predicting Audit Opinions[J].IAES International Journal of Artificial Intelligence,2013(4):151.