王泽霞，郜 鼎，李冬艳

（杭州电子科技大学 会计学院，浙江 杭州 310018）

一、文献回顾及研究动机

上市公司舞弊一直是资本市场的监管难题，是审计理论界、实务界关注的重点，如何有效识别企业舞弊行为更是其中的关键点[1]。虽然，实证研究表明模型舞弊识别效果较优[2]，但是，目前国内外在舞弊识别模型方面的研究却不尽完善，大量的研究集中在以下四种模型：单变量分析法、多元线性判别法、Probit模型、Logistic回归模型。这几种舞弊识别模型在对企业舞弊进行研究的各个方面都发挥了作用，但缺陷同样存在：单变量分析法指标单一且准确率低；多元线性判别法和Probit模型对变量有严格的正态分布要求，使用条件严苛；Logistic回归模型对变量的多重共线性问题非常敏感并且计算过程复杂。随着企业舞弊手段变得更加多样化，舞弊行为更加隐蔽化，舞弊数据更加复杂化，传统的舞弊识别模型已经满足不了现今的审计需求。随着人工智能技术的不断发展和广泛应用，人工神经网络技术开始应用于舞弊识别领域，极好的弥补了传统舞弊识别方法的缺陷，为企业舞弊行为识别增添新的高效判别方法。

20世纪90年代，国外率先将人工神经网络技术应用于舞弊预测领域，取得了较高的识别结果，具有代表性的研究成果有：Green and Choi（1997）[3]首次采用神经网络技术构建财务舞弊识别模型，研究发现神经网络模型对于随机样本的识别效果非常好。Feroz et al（2000）[4]以 SAS NO.53 公布的红旗标志作为研究变量，利用神经网络模型对样本数据进行识别，判别结果高达80%。……