浙江大学本科毕业论文开题报告1选题背景与研究意义Word格式文档下载.docx

浙江大学本科毕业论文开题报告1选题背景与研究意义Word格式文档下载.docx

《浙江大学本科毕业论文开题报告1选题背景与研究意义Word格式文档下载.docx》由会员分享，可在线阅读，更多相关《浙江大学本科毕业论文开题报告1选题背景与研究意义Word格式文档下载.docx（5页珍藏版）》请在冰豆网上搜索。

在破产重组协议后，世通公司支付证券交易委员会7.5亿美金现金和新MCI的股票，用于支付受损失的投资者。

我国证券市场从建立至今，屡屡爆出上市公司的假账丑闻。

从刚建立的深圳原野、中水国际集团、长城机电“三大虚假验资案件”，到举世震惊的银广夏、蓝田时间。

进入21世纪之后，尽管有关当局加大了监管力度，越来越多的有财务欺诈行为的公司被证监会揭露和处罚，但仍有很多有财务欺诈行为的公司并未浮出水面。

财务欺诈正在任何可能的商业领域发生。

尽管诸如反国外行贿法规和奥克斯利法案等在内的严格的针对欺诈的立法条例增多，欺诈自动检测系统增多，但是仍然完全无法抑制财务报表欺诈的现状和内生动力。

财务报表欺诈问题已经成为并将持续成为一个越来越严重的社会公共问题。

浙江大学本科毕业论文开题报告基于数据挖掘的财务报表欺诈研究21.2研究意义财务报表是反映公司财务状况的基本文件。

完善的财务报表可以显示公司的运行状况，是否运行正常，或者已经处于危机。

如果公司处于危机，财务报表能够显示公司危机中面临的最严重的问题是现金、盈利或是其他，进而一方面抑制和及时纠正公司行为，一方面向社会各利益相关方提供有效的信息，避免不必要的投资问题。

所有的上市公司都要求公布财务报表，包括每年和每季度。

通过财务报表，股票持有者能够对公司财务状况和走势形成一个概念，继而决定该公司的股票是否值得投资。

银行也需要公司的财务报表，以决定是否为该公司提供贷款。

总之，财务报表是公司财务状态的镜子，是现金流的记录者，有着重大的意义[19]。

在诸如安然事件和美国世通事件等财务丑闻中，财务报表被蓄意修改、粉饰，掩盖背后的经营漏洞和现金问题，掩盖管理层的贪污腐败和管理不善，根本无法发挥其本身预示危机和纠正危机的作用，也无法向社会传达公司的真实状况。

而在这些事件发生之后，人们总是在设想，如果可以尽早地发现其欺诈行为，并加以制止，是否可以减轻事态的严重性，减少投资者的损失。

为此，我们希望通过研究比较已有的财务报表识别方法，发现更具有普适性和操作性的有效的检测方法。

浙江大学本科毕业论文开题报告基于数据挖掘的财务报表欺诈研究32研究思路与创新点2.1原有财务方法审计师和管理者需要了解欺诈的根源、审计失败的原因，并提出相应的解决措施[17]，以保障投资者和社会各相关领域的利益。

传统上，识别财务报表欺诈的方法多为定性分析，特别是经验总结居多。

比如Rezaee提出的3C模型[20]评估一个组织的环境、公司结构以及选择，可以显示财务报表欺诈的动机、机会和理性。

我国的研究者，陈信元、杜滨等（2001）通过大量统计研究，总结出了极有可能进行财务报表欺诈的公司特征，通常包括：

（1）前两年连续亏损，当年经营业绩没有得到根本改善的公司（避免被ST处理）；

（2）前两年平均净资产报酬率达到10%，当年公司行业不景气的公司（争取配股资格）；

（3）资本运作和关联交易频繁的上市公司；

（4）业绩和股价波动厉害的上市公司；

（5）全行业亏损或行业过度竞争的上市公司。

美国Coopers&

Lybrand会计师事务以及知名学者对美国上市公司的财务报告欺诈行为进行多年的研究后总结出29面红旗，比较典型的情形包括：

（1）现金短缺、负的现金流量、营运资金及/或信用短缺,影响营运周转；

（2）融资能力（包括借款及增资）减低,营业扩充的资金来源只能依赖盈余；

（3）成本增长超过收入或遭受低价进口品的竞争；

（4）发展中或竞争产业对新资金的大量需求；

（5）对单一或少数产品顾客或交易的依赖；

（6）夕阳工业或濒临倒闭的产业；

（7）因经济或其他情况导致的产能过剩；

（8）现有借款合约对流动比率、额外借款及偿还时间的规定缺乏弹性；

（9）迫切需要维持有利的盈余记录以维持股价[29]。

传统的审计方法是审计师根据公司提供的数据,寻找相应的证据来论证数据。

审计师对检测财务报表欺诈负责任，他们关注令人警觉的外部财务指标和审计风险较大的科目，关注三大报表的勾稽关系显示的端倪，现金流量表结构分析，异常波动指标分析等。

比如田华臣[28]在审计实务或财务分析中采用金流量的多期综合分析法，即一方面，撇开被审计公司提供的繁琐数据和表象资料,而作多期现金流量分析，尤其是经营性现金流量分析。

另一方面，同时结合资产负债表、利润表所提供的其他数据，进行多个指标相互勾稽分析，必要时借助会计报表附注事项。

此外，审计报告意见类型、审计事务所变更、利润对非经常性损益的依赖等浙江大学本科毕业论文开题报告基于数据挖掘的财务报表欺诈研究4也是用来检测是否存在会计欺诈现象的常用方法[27]。

总体上，这些多是根据审计师的经验和现实出现的状况而作出反应，没有很强的普遍适用性，预测性也比较弱。

而当越来越多的公司进行了欺诈，并且采用了新的方法，审计师的负担加重，效果也不尽如人意。

另一方面，单一地从某一个表象分析，忽略了上市公司财务报表欺诈背后的复杂原因，也忽略了诸多内外部特征，就容易得出错误的结论。

例如，有欺诈行为的公司与无欺诈行为的公司在财务指标上的确存在差异，但是我们不能仅依据某些财务指标存在差异，就简单地断定该公司存在财务报表：

因为资产重组、市场突发的变化以及财务数据的调整等等，都可能造成一定程度的财务指标异常。

因此，一些更为科学的数据挖掘方法随之出现，在财务报表欺诈的领域中进行探索，并取得了一定的成绩。

2.2现代数据挖掘方法随着现代金融理论、计算机技术以及人工智能的引入，检测方法由粗糙的定性分析一步一步发展到较为精确的定量分析。

数据挖掘技术是一种决策支持技术，它能够高度自动化地进行海量信息分析，作出归纳性推理，从而从信息中挖掘出可供决策使用的高层次的知识，帮助财务报告的关注各方，以提高基于财务报告的决策效率和决策质量。

随着数据挖掘方法的不断改进和技术应用领域的不断拓展，将数据挖掘的技术应用到财务报表欺诈检验中很有必要[29]。

一般而言，编造的欺诈数据与自然形成的财务数据相比，在数据结构方面存在着内在的缺陷，即两类财务报表可能存在模式的内在差异，而这种差异在通常并不显著，但是，通过数据挖掘技术可以将这种差异放大到可以识别的差异，比如存在某种数据结构或者统计方面的显著性差异。

而基于这种数据结构或统计显著性差异，我们可以发展出基于数据挖掘技术的财务务报表欺诈研究。

从Persons（1995）[16]的逻辑回归分析开始，其后有Hansen等（1996）[10]，Summers和Sweeney（1998）[24]，Lee（1999）[13]，Bell和Carcello（2000）[1]，Spathis（2002）[23]，Muranaka（2005）[14]，研究范围包括多元逻辑、逐步回归法逻辑分析、多准则决策援助方法、和指数广义β2[26]。

再到Sohl和Venkatachalam（1995）[22]，Pacheco等（1996）[15]，Green和Choi（1997）[9]，Fanning和Cogger（1998）[7]，Jerry和Bcker的神经网络技术，其他研究还包括浙江大学本科毕业论文开题报告基于数据挖掘的财务报表欺诈研究5Brooks（1994）[2]，Busta和Weinberg（1998）[3]，Zhang等（1998）[25]，Ramamoorti等（1999）[18]，Calderon和Green（1999）[5]，Cerullo和Cerullo（1999）[6]，Feroz等（2000）[8]，Koskivaara（2000）[11]，Calderon和Cheh（2002）[4]，Koskivaara（2004）。

其他数据挖掘的方法还有决策树、L/W模型、贝叶斯网络、支持向量机等数据挖掘的方法，这些都完善了数据挖掘在财务报表欺诈领域的研究。

在数据挖掘模型上，从简单因素模型，到各种回归模型、神经网络模型、贝叶斯网络等较为复杂的模型，增加了实证分析的步骤，检测技术逐步完善，预测性和检测性都有了逐步的提高。

另外，从准确率上讲，这些数据挖掘方法的准确率一般都能够达到70%-80%甚至以上，使得财务报表欺诈检测在定性方面取得了很大的进展。

在财务指标的选择上，也基于数据处理和有效性进行了多样化的选择。

在特征的研究上，从财务困境与财务欺诈关系、公司治理与财务欺诈关系、财务欺诈公司的董事会或审计委员会的特征、财务欺诈公司财务指标的特征等方面不断深入完善。

但是，数据挖掘的局限性在于，仅是在单一时间段的比较，没有纵向的趋势挖掘。

具体来讲，已有的数据挖掘方法都是基于处理欺诈或未欺诈当年的公司财务数据状况，进行处理和研究，而没有结合历史财务数据和趋势，结合定量分析中的趋势预测和异常指标分析等，将传统经验与现代技术相结合，进行分析和对比的研究。

因此，将数据挖掘的方法与财务专业更加紧密地结合，将财务欺诈识别中已有的研究成果与现代数据挖掘方法相结合，成为一个很好的方向。

2.3研究创新点本研究方法是结合了原有的财务会计研究方法和现代数据挖掘的方法，相较于以往的研究有以下一些创新点。

与传统的定性识别财务欺诈行为的方法相比，该研究加入了定量的数据挖掘方法，使得财务报表欺诈的检测能够更加适应现代管理方法，得到更有效的识别和应用。

而另一方面，与现在流行的单一的数据挖掘方法相比，该研究在历史数据挖掘、预测以及比较方面有较大的创新，结合了定量分析中的趋势预测和异常指标分析等，将传统经验与现代技术相结合，增加了数据挖掘技术与财务报表专业的、实践的结合度。

浙江大学本科毕业论文开题报告基于数据挖掘的财务报表欺诈研究63研究方法和预期结果在本研究中，数据集使用了在中国股票交易所的202家公司，其中101家是有欺诈行为的，另外101家没有欺诈行为。

这些数据包括了每个公司的30-40个财务指标，范围在与我国上市公司年度财务报表欺诈相关的主要财务指标上。

在系统归纳已有的财务欺诈指标的基础上，结合会计财务理论和国内上市公司财务欺诈的表现方式和主要手段，确定适合国情的财务欺诈检测指标体系。

筛选出的财务指标反映公司的流动性、安全性、获利性以及有效性。

在有欺诈行为的公司中，财务数据的收集不限于有欺诈行为的当年，还包括有欺诈行为年份的前三年，可以根据前三年的历史财务数据，预测欺诈年份的正常财务指标。

对于没有欺诈行为的公司，我们同样收集其四年未有欺诈行为的财务数据，作为参照和对比。

接着，进行数据预处理，包括主成分分析、特征分析等，以使得数据更有效。

再用一些包括支持向量机、逻辑回归分析、概率神经网络等数据挖掘技术分析数据，测试模型和参数的准确性、稳定性，最后得出几种数据挖掘方法的准确性和有效性，对其进行进一步的比较分析，得出较优方法的结论。

本文使用clementine12.0软件。

浙江大学本科毕业论文开题报告基于数据挖掘的财务报表欺诈研究74研究内容与论文结构图4.1论文思路与结构本文组织结构叙述如下：

第一章：

引言。

首先概述对国内外财务欺诈状况以及对上市公司财务欺诈进行检测的重要意义，提出研究背景和研究意义。

并基于原有的财务欺诈检测方法和现代数据挖掘方法给出本研究的思路、方法，特别强调本研究方法相较于以往研究的创新点。

理清论文框架结构。

第二章：

文献综述总结。

对本文研究的问题进行界定，分别对国内和国外的主要财务欺诈检测研究进行了回顾和叙述，详细总结文献中构建检测模型的数据挖掘方法和模型常用的财务指标。

第三章：

选择样本与样本预处理。

中国股票交易所的202家公司，其中101家是有欺诈行为的，另外101家没有欺诈行为。

每个公司的30-40个财务指标，筛选出的财务指标反映公司的流动性、安全性、获利性以及有效性。

第四章：

模型选择与建立。

根据已有研究和研究趋势，采用包括支持向量机、逻辑回归分析、概率神经网络等数据挖掘技术建立模型，分析数据。

第五章：

实验设计与结果分析。

经过对原有财务方法的趋势分析，预算出一套财务值，并与现有的一套财务数据一起，使用数据挖掘方法分别进行处理，测试模型和参数的准确性、稳定性，得出几种数据挖掘方法的准确性和有效性，对其进行进一步的比较分析，得出较优方法的结论。

浙江大学本科毕业论文开题报告基于数据挖掘的财务报表欺诈研究8第六章：

总结。

概括叙述本次研究的结论、贡献，以及局限性，并进行其他有益的讨论。

浙江大学本科毕业论文开题报告基于数据挖掘的财务报表欺诈研究9参考文献[1]Bell,T.B.,&

Carcello,J.V.ADecisionAidforAssessingtheLikelihoodofFraudulentFinancialReporting.Auditing:

AJournalofPractice&

Theory,2000,19

（1）,169-184.[2]Brooks,R.C.NeuralNetworks:

ANewTechnology,TheCPAJournalOnline,1994.[3]Busta,B.,&

Weinberg,R.UsingBenford’sLawandNeuralNetworksasaReviewProcedure,ManagerialAuditingJournal,1998,13（6）,356-366.[4]Calderon,T.G.,&

Cheh,J.J.ARoadmapforFutureNeuralNetworksResearchinAuditingandRiskAssessment.InternationalJournalofAccountingInformationSystems,2002,3（4）,203-236.[5]Calderon,T.G.,&

Green,B.P.TheUseofNeuralNetworksasanAuditToolinFraudRiskAssessment,in:

Proceedingsofthe1999NortheastRegionalMeeting.AmericanAccountingAssociation,1999.[6]Cerullo,M.J.,&

Cerullo,V.UsingNeuralNetworkstoPredictFinancialReportingFraud:

Part1.ComputerFraud&

Security5,1999,14-17.[7]Fanning,K.M.,&

Cogger,K.O.NeuralNetworkDetectionofManagementFraudUsingPublishedFinancialData.InternationalJournalofIntelligentSystemsinAccounting,Finance&

Management,1998,7,21-41.[8]Feroz,E.H.,Kwon,T.M.,Pastena,V.,&

Park,K.J.TheEfficacyofRedFlagsinPredictingtheSEC’sTargets:

AnArtificialNeuralNetworksApproach.InternationalJournalofIntelligentSystemsinAccounting,Finance,andManagement,2000,9（3）,145-157.[9]Green,B.P.,&

Choi,J.H.AssessingtheRiskofManagementFraudthroughNeuralNetworkTechnology.Auditing:

Theory,1997,16

（1）,14-28.[10]Hansen,J.V.,&

Mcdonald,J.B.,Messier,W.F.,etal.AgeneralizedQualitative-ResponseModelandtheAnalysisofManagementFraud.ManagementScience,1996,42（7）,1022-1032.[11]Koskivaara,E.ArtificialNeuralNetworksinAuditing:

StateoftheArt.TheICFAIJournalofAuditPractice,2004,1（4）,12-33.[12]Koskivaara,E.DifferentPre-processingModelsforFinancialAccountswhenUsingNeuralNetworksforAuditing,in:

Proceedingsofthe8thEuropeanConferenceonInformationSystems,1,326-332（Vienna,Austria2000）.[13]Lee,T.A.,Ingram,R.W.,&

Howard,T.P.TheDifferencebetweenEarnings浙江大学本科毕业论文开题报告基于数据挖掘的财务报表欺诈研究10andOperatingCashFlowasanIndicatorofFinancialReportingFraud.ContemporaryAccountingResearch,1999,16（4）,749-786.[14]Matsumura,E.M.,&

Tucker,R.R.FraudDetection:

ATheoreticalFoundation.TheAccountingReview,1992,67（4）,753-782.[15]Pacheco,R.,&

Martins,A.,&

Barcia,R.M.,&

Khator,S.AHybridIntelligentSystemAppliedtoFinancialStatementAnalysis.inProceedingsofthe5thIEEEconferenceonFuzzySystems,2,1007-1012（NewOrleans,LA,USA,1996）.[16]Persons,O.S.UsingFinancialStatementDatatoIdentifyFactorsAssociatedwithFraudulentFinancialReporting.JournalofAppliedBusinessResearch,1995,11（3）,38-46.[17]Phyllis,M.F.,&

Raymond,L.L.,&

Wong,M.K.FinancialStatementFraudsandAuditorSanctions:

AnAnalysisofEnforcementActionsinChina.JournalofBusinessEthics,2005,62,367–381.[18]Ramamoorti,S.,BaileyJr.A.D.,&

Traver,R.O.RiskAssessmentinInternalAuditing:

ANeuralNetworkApproach,InternationalJournalofIntelligentSystemsinAccounting,Finance&

Management,1999,8（3）,159-180.[19]Ravisankar,P.,&

Ravi,V.,&

Rao,G.R.,Bose,I.DetectionofFinancialStatementFraudandFeatureSelectionUsingDataMiningTechniques.DecisionSupportSystems,2001,50

（2）,57–558.[20]Rezaee,Z.TheThreeCsofFraudulentFinancialReporting.TheInternalAuditor,2002,59（5）,56-60.[21]Schilit,H.M.FinancialShenanigans.McGraw-Hill,NewYork,2002.[22]Sohl,J.E.,&

Venkatachalam,A.R.ANeuralNetworkApproachtoForecastingModelSelection.Information&

Management,1995,29（6）,297-303.[23]Spathis,C.T.DetectingFalseFinancialStatementsusingPublishedData:

SomeEvidencefromGreece.ManagerialAuditingJournal,2002,17（4）,179-191.[24]Summers,S.L.,&

Sweeney,J.T.FraudulentlyMisstatedFinancialStatementsand