張志恒，李 超

（重慶理工大學(xué) 會(huì)計(jì)學(xué)院，重慶 400054）

現(xiàn)代風(fēng)險(xiǎn)導(dǎo)向?qū)徲?jì)圍繞審計(jì)風(fēng)險(xiǎn)開(kāi)展審計(jì)實(shí)踐活動(dòng)，要求將有限的審計(jì)資源集中在高風(fēng)險(xiǎn)環(huán)節(jié)，合理配置資源，以提升審計(jì)效率和效果。這就需要對(duì)審計(jì)風(fēng)險(xiǎn)進(jìn)行準(zhǔn)確的識(shí)別和評(píng)估。大數(shù)據(jù)時(shí)代背景下，審計(jì)師在審計(jì)實(shí)務(wù)工作中所面對(duì)的信息和數(shù)據(jù)復(fù)雜多樣，如何在海量復(fù)雜的數(shù)據(jù)中準(zhǔn)確識(shí)別審計(jì)風(fēng)險(xiǎn)，提升識(shí)別準(zhǔn)確率，是當(dāng)前審計(jì)領(lǐng)域需要解決的重要問(wèn)題。

目前，對(duì)于審計(jì)風(fēng)險(xiǎn)的研究囊括審計(jì)風(fēng)險(xiǎn)成因、影響因素以及方法評(píng)估等領(lǐng)域，有學(xué)者關(guān)注審計(jì)風(fēng)險(xiǎn)所包含的固有風(fēng)險(xiǎn)和控制風(fēng)險(xiǎn)［1］，并研究了影響審計(jì)風(fēng)險(xiǎn)的相關(guān)因素，包括審計(jì)師的行業(yè)了解度［2］、審計(jì)人員職業(yè)道德［3-4］等，還有研究者實(shí)證分析組織管理能力［5］、外部環(huán)境和事務(wù)所內(nèi)部控制［6］、審計(jì)師經(jīng)驗(yàn)判斷［7］對(duì)審計(jì)風(fēng)險(xiǎn)的影響，并對(duì)審計(jì)風(fēng)險(xiǎn)的成因進(jìn)行闡述［8］。隨著互聯(lián)網(wǎng)的發(fā)展，有研究引入大數(shù)據(jù)因素［9］。在審計(jì)風(fēng)險(xiǎn)的識(shí)別與評(píng)估方法上，有學(xué)者采用業(yè)績(jī)歸因法［10］、GONE理論分析［11］、熵權(quán)理論-層次分析法［12］、模糊綜合評(píng)價(jià)法［13-14］、Python爬蟲(chóng)［15］及孤立點(diǎn)算法［16］進(jìn)行學(xué)術(shù)研究。

現(xiàn)有的審計(jì)風(fēng)險(xiǎn)識(shí)別研究較多地使用模糊綜合評(píng)價(jià)法和層次分析法，針對(duì)特定公司獲取其公開(kāi)和非公開(kāi)的財(cái)務(wù)及非財(cái)務(wù)信息，在已有財(cái)務(wù)數(shù)據(jù)的前提下，還需根據(jù)審計(jì)對(duì)象的不同進(jìn)行評(píng)價(jià)項(xiàng)目的制定，工作量大、多定性成分的指標(biāo)，而且評(píng)價(jià)量表在更換審計(jì)對(duì)象后需要重新制定，泛化能力差。BP神經(jīng)網(wǎng)絡(luò)作為一種分類(lèi)和預(yù)測(cè)方法，通過(guò)神經(jīng)網(wǎng)絡(luò)建立特征屬性與識(shí)別對(duì)象間的聯(lián)系來(lái)進(jìn)行分類(lèi)預(yù)測(cè)，該方法效果良好，被廣泛應(yīng)用于財(cái)務(wù)金融等領(lǐng)域［17-20］，但在審計(jì)風(fēng)險(xiǎn)識(shí)別領(lǐng)域缺乏應(yīng)用。并且，由于審計(jì)風(fēng)險(xiǎn)影響因素多，各個(gè)影響因素間存在較強(qiáng)的相關(guān)性，若直接輸入到BP神經(jīng)網(wǎng)絡(luò)模型中可能導(dǎo)致過(guò)擬合，影響識(shí)別效果，所以采用主成分分析方法（PCA）進(jìn)行數(shù)據(jù)精簡(jiǎn)和降維處理，選取出不相關(guān)、包含絕大部分信息的主成分輸入神經(jīng)網(wǎng)絡(luò)，提升模型識(shí)別效率。

基于以上緣由，利用上市公司披露的財(cái)務(wù)與非財(cái)務(wù)數(shù)據(jù)，采用PCA-BP神經(jīng)網(wǎng)絡(luò)方法構(gòu)建審計(jì)風(fēng)險(xiǎn)識(shí)別模型。研究表明：該審計(jì)風(fēng)險(xiǎn)模型識(shí)別準(zhǔn)確率高，能為審計(jì)實(shí)務(wù)工作提供有效幫助。

1 PCA-BP神經(jīng)網(wǎng)絡(luò)審計(jì)風(fēng)險(xiǎn)識(shí)別模型構(gòu)建

1.1 相關(guān)理論

1.1.1 PCA方法

PCA（主成分分析）分析法由Karl Pearson提出，用于多維數(shù)據(jù)處理，通過(guò)引入正交變換，對(duì)多維信息數(shù)據(jù)進(jìn)行降維轉(zhuǎn)換，重新組合為新的互相無(wú)關(guān)的綜合變量，實(shí)現(xiàn)精簡(jiǎn)指標(biāo)、刪除多余信息、解釋主要成分的目的。PCA分析具體原理和步驟如下：

步驟1定義原始矩陣。設(shè)P個(gè)指標(biāo)組成變量X，X=（X1，X2，…，Xp），其中P代表評(píng)價(jià)指標(biāo)數(shù)；該變量中，樣本個(gè)數(shù)為N，表示待評(píng)價(jià)的審計(jì)風(fēng)險(xiǎn)樣本個(gè)數(shù)。原始矩陣計(jì)算公式為：

步驟2計(jì)算相關(guān)系數(shù)矩陣。

式中：rij表示原始變量Xi與Xj的相關(guān)系數(shù)，取值范圍為（1，p），其計(jì)算公式為：

步驟3計(jì)算特征值和特征向量。求解特征方程|R-λIp|，求出特征值λi（i=1，2，…，P），并按大小順序，即λ1≥λ2≥…≥λi≥0，分別求出特征值λi對(duì)應(yīng)的特征向量ei（i=1，2，…，P）。

計(jì)算主成分貢獻(xiàn)率和累加貢獻(xiàn)。一般取累計(jì)貢獻(xiàn)率達(dá)到80%以上的特征值λ1，…，λm（m≤p）分別對(duì)應(yīng)第1，2，…，m個(gè)主成分。

主成分貢獻(xiàn)率：

累加貢獻(xiàn)率：

步驟4由主成分載荷計(jì)算得分。計(jì)算主成分荷載，以方差貢獻(xiàn)率作為權(quán)重，通過(guò)對(duì)m個(gè)主成分進(jìn)行加權(quán)求和計(jì)算得分，抽取主成分。

1.1.2 BP神經(jīng)網(wǎng)絡(luò)

BP（back propagation）神經(jīng)網(wǎng)絡(luò)屬于人工神經(jīng)網(wǎng)絡(luò)的一種，由Rumelhart和McClelland等科學(xué)家于1986年提出。該神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，它通過(guò)對(duì)大腦神經(jīng)系統(tǒng)功能和結(jié)構(gòu)的模仿，基于學(xué)習(xí)信號(hào)正向傳播和誤差逆向傳播機(jī)制進(jìn)行訓(xùn)練，能實(shí)現(xiàn)復(fù)雜非線(xiàn)性映射功能。

圖1表示經(jīng)典3層BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)：由最基本的輸入層、隱含層以及輸出成組成。最初的學(xué)習(xí)信息從輸入層輸入，經(jīng)由隱含層學(xué)習(xí)傳播，最后由輸出層輸出并與期望值進(jìn)行對(duì)比。如果不符合期望，誤差作為調(diào)整信號(hào)，再由輸出層→隱含層→輸入層反方向傳播，按照每層之間不同的連接權(quán)值加載誤差，對(duì)各連接權(quán)值進(jìn)行動(dòng)態(tài)調(diào)整、反復(fù)學(xué)習(xí)，不斷優(yōu)化。BP神經(jīng)網(wǎng)絡(luò)的一大特點(diǎn)是可以根據(jù)不同的案例進(jìn)行學(xué)習(xí)和訓(xùn)練，滿(mǎn)足不同類(lèi)型的審計(jì)工作需求。

圖1 3層BP神經(jīng)網(wǎng)絡(luò)示意圖

1.2 模型構(gòu)建思路

構(gòu)建PCA-BP審計(jì)風(fēng)險(xiǎn)識(shí)別模型的整體思路為：①構(gòu)建影響審計(jì)風(fēng)險(xiǎn)的財(cái)務(wù)和非財(cái)務(wù)指標(biāo)體系，對(duì)樣本數(shù)據(jù)進(jìn)行篩選和預(yù)處理。②運(yùn)用PCA進(jìn)行指標(biāo)精簡(jiǎn)和優(yōu)化，獲取最終輸入變量。③構(gòu)建BP神經(jīng)網(wǎng)絡(luò)，以輸入數(shù)據(jù)為基礎(chǔ)進(jìn)行訓(xùn)練，得到審計(jì)風(fēng)險(xiǎn)識(shí)別模型。④輸入測(cè)試樣本集驗(yàn)證模型準(zhǔn)確率。模型構(gòu)建流程見(jiàn)圖2。

圖2 PCA-BP模型構(gòu)建流程框圖

1.3 指標(biāo)體系和樣本選取

1.3.1 指標(biāo)體系構(gòu)建

指標(biāo)體系的構(gòu)建需要全面反映影響審計(jì)風(fēng)險(xiǎn)（包括重大錯(cuò)報(bào)風(fēng)險(xiǎn)和檢查風(fēng)險(xiǎn)）的關(guān)鍵要素。舞弊三角理論指出，上市公司自身經(jīng)營(yíng)壓力和證券市場(chǎng)對(duì)于公司的業(yè)績(jī)壓力使管理層進(jìn)行財(cái)務(wù)報(bào)表錯(cuò)報(bào)，而公司治理水平和內(nèi)部控制制度的不足，給管理層進(jìn)行財(cái)務(wù)報(bào)表錯(cuò)報(bào)的機(jī)會(huì)和合理化借口。公司的經(jīng)營(yíng)狀況可以通過(guò)償債能力、發(fā)展能力等財(cái)務(wù)指標(biāo)進(jìn)行體現(xiàn)，股權(quán)集中指標(biāo)、內(nèi)部控制缺陷等非財(cái)務(wù)指標(biāo)代表公司的治理水平和內(nèi)部控制狀況。

綜合以上分析，選取了27個(gè)財(cái)務(wù)和非財(cái)務(wù)指標(biāo)對(duì)重大錯(cuò)報(bào)風(fēng)險(xiǎn)和檢查風(fēng)險(xiǎn)進(jìn)行解釋?zhuān)瑓⒖祭蠲鬏x等［21-22］的研究，選取審計(jì)費(fèi)用存貨占資產(chǎn)比例等6個(gè)指標(biāo)來(lái)間接衡量審計(jì)風(fēng)險(xiǎn)水平。最終形成包括33個(gè)指標(biāo)的審計(jì)風(fēng)險(xiǎn)識(shí)別指標(biāo)體系，具體如表1所示。

表1 評(píng)價(jià)指標(biāo)

1.3.2 樣本選取

我國(guó)《中國(guó)注冊(cè)會(huì)計(jì)師審計(jì)準(zhǔn)則》中對(duì)于審計(jì)風(fēng)險(xiǎn)的定義為：財(cái)務(wù)報(bào)表存在重大錯(cuò)報(bào)而注冊(cè)會(huì)計(jì)師發(fā)表不恰當(dāng)審計(jì)意見(jiàn)的可能性?；谶@一定義，選取被證監(jiān)會(huì)處罰且審計(jì)意見(jiàn)為標(biāo)準(zhǔn)無(wú)保留和無(wú)保留意見(jiàn)的上市公司作為高審計(jì)風(fēng)險(xiǎn)水平樣本公司。處罰條件包括：虛構(gòu)利潤(rùn)；虛假記載；虛列資產(chǎn)；重大遺漏。其中，被證監(jiān)會(huì)處罰的公司作為高審計(jì)風(fēng)險(xiǎn)樣本（樣本1），并選取相同數(shù)量上市公司為對(duì)照樣本（樣本0）。

以2009—2018年作為樣本區(qū)間，從國(guó)泰安（CSMAR）數(shù)據(jù)庫(kù)中篩選我國(guó)A股上市公司數(shù)據(jù)，樣本篩選條件為：①1∶1選取同行業(yè)的配對(duì)公司樣本。②根據(jù)2012年證監(jiān)會(huì)分類(lèi)標(biāo)準(zhǔn)進(jìn)行行業(yè)匹配，剔除金融業(yè)公司。③配對(duì)公司的總體規(guī)模、效益等方面與高審計(jì)風(fēng)險(xiǎn)水平公司相當(dāng)。④樣本公司皆在A股證券市場(chǎng)交易。

剔除缺失數(shù)據(jù)之后，共選取了124家公司作為研究樣本，取得1 195條數(shù)據(jù)記錄，其中62個(gè)高審計(jì)風(fēng)險(xiǎn)樣本1，62個(gè)低審計(jì)風(fēng)險(xiǎn)樣本0。

2 實(shí)證分析

2.1 PCA指標(biāo)處理

由于選用的審計(jì)風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)多達(dá)33個(gè)，可能會(huì)帶來(lái)重復(fù)信息，造成信息冗余和神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練過(guò)度擬合，因此需要利用PCA方法實(shí)現(xiàn)數(shù)據(jù)精簡(jiǎn)，降低學(xué)習(xí)復(fù)雜度。本文中使用SPSS21軟件進(jìn)行PCA分析。

2.1.1 相關(guān)性檢驗(yàn)

在PCA分析前，需要進(jìn)行KMO和Bartlett的檢驗(yàn)，該檢驗(yàn)通過(guò)分析數(shù)據(jù)矩陣中各變量間的相關(guān)性，判斷所采用的數(shù)據(jù)是否適合進(jìn)行PCA分析。一般要求KMO大于0.5且Sig值小于0.05。表2顯示了KMO和Bartlett檢驗(yàn)結(jié)果，KMO值為0.653，大于0.5，且Sig值為0，小于0.05，說(shuō)明樣本數(shù)據(jù)具有較強(qiáng)相關(guān)性，存在數(shù)據(jù)冗余，可以利用PCA方法進(jìn)行降維處理，進(jìn)而降低神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)處理量，能有效提高模型的運(yùn)行效率。

表2 KMO和Bartlett的檢驗(yàn)結(jié)果

2.1.2 主成分提取

在KMO和Bartlett的檢驗(yàn)后，將數(shù)據(jù)輸入到SPSS21進(jìn)行PCA分析。通過(guò)PCA降維處理，可以分析主成分對(duì)于原始指標(biāo)信息的綜合程度。PCA分析所得的方差貢獻(xiàn)率反應(yīng)單個(gè)主成分的綜合能力，能力數(shù)值越大，綜合原始數(shù)據(jù)能力也就越強(qiáng)。

通過(guò)PCA方法，提取出7個(gè)特征值大于1的主成分（見(jiàn)表3），這7個(gè)主成分的累計(jì)方差貢獻(xiàn)率有87.661%，保留了大部分原始指標(biāo)信息的基礎(chǔ)上，可以作為神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)輸入。

表3 主成分分析表

2.1.3 主成分得分及意義分析

在提取出7個(gè)主成分后，輸出主成分得分系數(shù)矩陣（表4），該矩陣將每個(gè)主成分分解為33個(gè)原始變量之間的線(xiàn)性組合，主成分PCi=得分系數(shù)X變量Xj（i=1，2，…，7；j=1，2，…，33）。系數(shù)矩陣顯示主成分與各變量之間的相關(guān)性，可以分析每個(gè)主成分側(cè)重反映的指標(biāo)情況。

結(jié)合表3、4可知，在提取的7個(gè)主成分中，PC1和PC2累計(jì)方差貢獻(xiàn)率達(dá)43.27%，這2個(gè)主成分綜合反映企業(yè)整體的審計(jì)風(fēng)險(xiǎn)。

PC3主要與X15、X33正相關(guān)，X24顯示應(yīng)收賬款周轉(zhuǎn)率高低，X32反映經(jīng)營(yíng)杠桿水平，因而該主成分著重反映企業(yè)經(jīng)營(yíng)能力方面。

表4 主成分得分系數(shù)矩陣中的元素

續(xù)表（表4）

PC4主要與X29、X31正相關(guān)，X29說(shuō)明前十大股東是否存在關(guān)聯(lián)，X31說(shuō)明企業(yè)是否存在內(nèi)部控制缺陷，PC4側(cè)重反映企業(yè)公司治理水平。

PC5主要與X11、X13正相關(guān)，分別代表企業(yè)的總資產(chǎn)增長(zhǎng)率和營(yíng)業(yè)收入增長(zhǎng)率，反映企業(yè)發(fā)展能力。

PC6主要與X24、X25正相關(guān)，2項(xiàng)指標(biāo)代表總資產(chǎn)凈利潤(rùn)率（ROA）和凈資產(chǎn)收益率，表明該主成分主要綜合企業(yè)盈利能力信息。

PC7主要與X1、X3正相關(guān)，X1代表企業(yè)審計(jì)費(fèi)用，X3代表企業(yè)存貨占比，解釋傳統(tǒng)審計(jì)風(fēng)險(xiǎn)水平。

2.2 模型設(shè)置

根據(jù)已經(jīng)篩選的主成分，輸入到BP神經(jīng)網(wǎng)絡(luò)中，并按照?qǐng)D3的流程對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行設(shè)置，具體內(nèi)容如下：

1）樣本數(shù)據(jù)預(yù)處理。因?yàn)椴煌瑪?shù)據(jù)指標(biāo)取值范圍和表示方法存在差異，需要在神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)之前進(jìn)行預(yù)處理，將樣本數(shù)據(jù)的格式和范圍統(tǒng)一。采用一種快速的線(xiàn)性轉(zhuǎn)換歸一化算法對(duì)指標(biāo)進(jìn)行處理：

該算法中，x，y∈Rn。通過(guò)本算法，所有的數(shù)據(jù)都?xì)w一化到［0，1］范圍。在Matlab中使用Mapminmax函數(shù)對(duì)數(shù)據(jù)集進(jìn)行歸一化處理。

2）數(shù)據(jù)分組。收集的1 195條數(shù)據(jù)分類(lèi)為2組：訓(xùn)練集和測(cè)試集，每組數(shù)據(jù)中樣本1和樣本0數(shù)量比例為1∶1。其中：訓(xùn)練集數(shù)據(jù)797條，占樣本總體比例67%，保證識(shí)別模型的識(shí)別學(xué)習(xí)能力；測(cè)試集數(shù)據(jù)398條，占樣本總體比例33%，用于模型訓(xùn)練后進(jìn)行準(zhǔn)確性評(píng)價(jià)。

3）隱含層節(jié)點(diǎn)數(shù)確定。隱含層的節(jié)點(diǎn)數(shù)量決定數(shù)據(jù)訓(xùn)練的準(zhǔn)確性和速度，如果選擇的隱含層節(jié)點(diǎn)數(shù)過(guò)少，就會(huì)產(chǎn)生訓(xùn)練結(jié)果無(wú)法達(dá)到預(yù)期的精度目標(biāo)的情況，如果選擇的隱含層節(jié)點(diǎn)數(shù)過(guò)多，會(huì)出現(xiàn)訓(xùn)練時(shí)長(zhǎng)延長(zhǎng)和過(guò)度擬合的不良狀況。隱含層數(shù)參考經(jīng)驗(yàn)公式：

其中n1、n2、m、a分別代表輸入層節(jié)點(diǎn)數(shù)、隱含層節(jié)點(diǎn)數(shù)、輸出層節(jié)點(diǎn)。本文設(shè)置輸入層節(jié)點(diǎn)數(shù)為10，隱含層節(jié)點(diǎn)為10，輸出層節(jié)點(diǎn)為1。

4）函數(shù)與訓(xùn)練參數(shù)確定。選用的隱含層傳遞函數(shù)tansig函數(shù)、輸出層傳遞函數(shù)purelin函數(shù)、模型學(xué)習(xí)函數(shù)learngdm函數(shù)以及模型訓(xùn)練函數(shù)trainlm函數(shù)。設(shè)置訓(xùn)練次數(shù)1 000，學(xué)習(xí)速率0.1，神經(jīng)網(wǎng)絡(luò)誤差范圍0.000 1。

5）訓(xùn)練集訓(xùn)練完成，利用學(xué)習(xí)后的神經(jīng)網(wǎng)絡(luò)模型對(duì)測(cè)試集進(jìn)行識(shí)別，通過(guò)計(jì)算正確與錯(cuò)誤識(shí)別數(shù)量，分析訓(xùn)練模型準(zhǔn)確率。

6）分析數(shù)據(jù)結(jié)果，對(duì)模型進(jìn)行評(píng)價(jià)。針對(duì)輸出的結(jié)果數(shù)據(jù)與期望值進(jìn)行對(duì)比，分析其誤差，不斷對(duì)模型進(jìn)行調(diào)整，以達(dá)到最佳識(shí)別率。

2.3 結(jié)果分析

PCA-BP神經(jīng)網(wǎng)絡(luò)模型運(yùn)行環(huán)境為Matlab R2019a。在設(shè)置好相關(guān)參數(shù)后，輸入訓(xùn)練集對(duì)模型進(jìn)行訓(xùn)練，并輸入測(cè)試集進(jìn)行測(cè)試。測(cè)試結(jié)果如圖3、4所示，本次測(cè)試集識(shí)別準(zhǔn)確率為89.44%，效果優(yōu)秀。

圖3 訓(xùn)練結(jié)果

圖4 誤差下降曲線(xiàn)圖

首先，針對(duì)模型識(shí)別情況，使用混淆矩陣進(jìn)行評(píng)價(jià)?；煜仃囉直环Q(chēng)為誤差矩陣，通過(guò)將預(yù)測(cè)類(lèi)別和真實(shí)類(lèi)別分別列示在矩陣的列和行上，對(duì)評(píng)價(jià)對(duì)象的精度進(jìn)行分析。表5混淆矩陣顯示2分類(lèi)模式下PCA-BP審計(jì)風(fēng)險(xiǎn)識(shí)別模型輸出的預(yù)測(cè)值和實(shí)際值的情況，可以計(jì)算出模型的整體正確率=（544+532）/1 195=90.04%，準(zhǔn)確率較高。表6顯示了混淆矩陣下的6類(lèi)評(píng)價(jià)指標(biāo)，可以看到正確率、精確率、靈敏度和特異度達(dá)到90%左右的水平，表明模型性能優(yōu)秀。同時(shí)，假陰性率在研究中意味著高風(fēng)險(xiǎn)的樣本被識(shí)別分類(lèi)為低風(fēng)險(xiǎn)的樣本，這會(huì)使得審計(jì)人員對(duì)審計(jì)風(fēng)險(xiǎn)的防范應(yīng)對(duì)不當(dāng)，從而發(fā)表錯(cuò)誤審計(jì)意見(jiàn)，導(dǎo)致審計(jì)失敗，造成嚴(yán)重后果。表中顯示假陰性率有10.82%，說(shuō)明PCA-BP神經(jīng)網(wǎng)絡(luò)模型下此類(lèi)事件發(fā)生概率較低，有良好的預(yù)防效果。

表5 審計(jì)風(fēng)險(xiǎn)識(shí)別結(jié)果混淆矩陣

表6 模型評(píng)價(jià)

隨后，統(tǒng)計(jì)識(shí)別準(zhǔn)確率，具體結(jié)果如表7所示，在經(jīng)過(guò)BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)之后：①797個(gè)訓(xùn)練集樣本中，有65個(gè)樣本識(shí)別錯(cuò)誤，準(zhǔn)確率為91.84%。②1 195個(gè)整體樣本中，有119個(gè)樣本識(shí)別錯(cuò)誤，準(zhǔn)確率為90.04%。③398個(gè)測(cè)試集樣本中，有42個(gè)樣本識(shí)別錯(cuò)誤，準(zhǔn)確率為89.44%。訓(xùn)練集、樣本整體、測(cè)試集三者識(shí)別準(zhǔn)確率呈現(xiàn)下降趨勢(shì)。訓(xùn)練集的預(yù)測(cè)準(zhǔn)確率高，是因?yàn)檎麄€(gè)審計(jì)風(fēng)險(xiǎn)識(shí)別模型以訓(xùn)練集為基礎(chǔ)進(jìn)行訓(xùn)練學(xué)習(xí)，經(jīng)過(guò)神經(jīng)網(wǎng)絡(luò)模型的學(xué)習(xí)之后再次識(shí)別訓(xùn)練集，獲得較高的識(shí)別準(zhǔn)確率符合機(jī)器學(xué)習(xí)客觀(guān)規(guī)律。學(xué)習(xí)后的識(shí)別模型去識(shí)別測(cè)試集時(shí)，雖然對(duì)比訓(xùn)練集數(shù)據(jù)準(zhǔn)確率下降2.4個(gè)百分點(diǎn)，但依然擁有89.44%的準(zhǔn)確率，這說(shuō)明所構(gòu)建的審計(jì)風(fēng)險(xiǎn)識(shí)別模型在面對(duì)陌生數(shù)據(jù)信息時(shí)，有89.44%的判斷正確率，體現(xiàn)了模型優(yōu)秀的識(shí)別能力。

表7 審計(jì)風(fēng)險(xiǎn)識(shí)別模型識(shí)別結(jié)果

最后，將模型與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行對(duì)比。在模型最大訓(xùn)練次數(shù)、訓(xùn)練精度、學(xué)習(xí)速率等參數(shù)不變的前提下，分別對(duì)傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)和PCABP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行10次測(cè)試，統(tǒng)計(jì)2種模型的準(zhǔn)確率、平均訓(xùn)練時(shí)間、平均迭代次數(shù)以及平均樣本均方誤差，整理得表8。

在表8中，PCA-BP神經(jīng)網(wǎng)絡(luò)模型平均準(zhǔn)確率為90.54%，大于BP神經(jīng)網(wǎng)絡(luò)84.82%的準(zhǔn)確率，展現(xiàn)出良好的魯棒性。在模型的平均均方誤差表現(xiàn)上，2個(gè)模型都達(dá)到10-4的精度要求，但PCABP神經(jīng)網(wǎng)絡(luò)平均均方誤差對(duì)比傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)有較大幅度下降。同時(shí)在平均訓(xùn)練時(shí)間和迭代次數(shù)上，PCA-BP神經(jīng)網(wǎng)絡(luò)模型也是優(yōu)于BP神經(jīng)網(wǎng)絡(luò)。

表8 PCA-BP神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的測(cè)試結(jié)果

相比于以層次分析法（AHP）為代表的傳統(tǒng)審計(jì)風(fēng)險(xiǎn)識(shí)別方法，采用公開(kāi)、客觀(guān)數(shù)據(jù)的PCA-BP神經(jīng)網(wǎng)絡(luò)識(shí)別模型降低了由專(zhuān)家打分評(píng)價(jià)帶來(lái)的主觀(guān)性誤差，也無(wú)需針對(duì)審計(jì)對(duì)象制定相應(yīng)的評(píng)價(jià)量表，適用于各類(lèi)不同的審計(jì)對(duì)象，提升了審計(jì)工作效率和工作質(zhì)量。

3 結(jié)論

現(xiàn)代風(fēng)險(xiǎn)導(dǎo)向?qū)徲?jì)要求做好審計(jì)風(fēng)險(xiǎn)識(shí)別工作，PCA-BP神經(jīng)網(wǎng)絡(luò)識(shí)別模型為審計(jì)風(fēng)險(xiǎn)的識(shí)別提供了一種有效方法，經(jīng)研究表明：

1）PCA-BP模型通過(guò)PCA分析法精簡(jiǎn)原始指標(biāo)，降低神經(jīng)網(wǎng)絡(luò)訓(xùn)練復(fù)雜度，保證了信息數(shù)據(jù)損失在可控范圍。

2）PCA-BP模型一定程度上彌補(bǔ)了模糊綜合評(píng)價(jià)法和層次分析法定性成分多、主觀(guān)性較強(qiáng)的不足。

3）PCA-BP模型能有效識(shí)別審計(jì)風(fēng)險(xiǎn)，模型的平均準(zhǔn)確度達(dá)到90.04%，預(yù)測(cè)精度高，優(yōu)于傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的識(shí)別模型，計(jì)算速度快、識(shí)別率高、適用范圍廣。

文中還存在分類(lèi)識(shí)別方法單一、分類(lèi)指標(biāo)簡(jiǎn)單等不足，后續(xù)可從優(yōu)化分類(lèi)方法、拓展分類(lèi)指標(biāo)進(jìn)行研究，以幫助審計(jì)人員更好地識(shí)別審計(jì)風(fēng)險(xiǎn)，提高審計(jì)工作效率。