Анализа нечетких кластеризации и гибридные модели для текущей оценки обеспокоенность аудитора

РЕЗЮМЕ

Это исследование представляет собой описание и тестирования нечеткой кластеризации и гибридные модели, которые могут поддержать решение аудитор делает при заполнении единицы оценки. Нечеткой кластеризации на основе нечеткой логики, а также гибридная система предназначена для решения единицы решение в рамках совместного использования статистических моделей и экспертных систем. Эти модели имеют возможность определения категории фирм с особыми характеристиками, которые могут указывать или не аудиторский отчет фирмы требует действующее предприятие изменений. Прогноз или нет фирма может обанкротиться, включено в качестве одного из компонентов действующего предприятия решения. В результате, если фирма находится в той или иной категории банкротом по решению модель, она может помочь в определении мнения аудитора о непрерывности бизнеса.

Предметные области: Аудитор решение, кластерный анализ, системы поддержки принятия решений, и нечеткой логики.

ВВЕДЕНИЕ

Это исследование сообщает о результатах нашего использования нечеткой логики и гибридные системы для моделирования единицы решение аудитора. Это решение, которое должно быть выражено в аудиторском отчете, является заключение аудитора о том, компания-клиент может продолжать в качестве действующего предприятия. Как правило, на основе знаний аудитора компании-клиента, отрасли практики, а также предыдущий опыт аудитора с таким же или аналогичным клиентов. Обе модели, которую мы разработали, может обрабатывать неточную информацию, чтобы определить эмпирические нарушений. Нечеткие системы оценки функций с частичной информации. Гибридные системы, а сочетание статистических моделей и экспертных систем, использует количественные модели и правила базы, полученных от логики экспертов для анализа неструктурированных проблема будет касаться оценки.

Кластерный анализ является искусством нахождения группы в данных и нечеткой кластеризации является обобщением перегородки (Кауфман

В этом исследовании мы впервые обзор современной литературы по единицы оценки. Далее, мы представляем нашего исследования дизайна. Мы предоставляем описание и тестирование двух моделей, которые могут поддержать решение аудитор должен сделать при заполнении единицы оценки. Нечеткой модели используется алгоритм нечеткой кластеризации, чтобы найти группы в наших данных. Гибридная модель сочетает в себе дискриминантного анализа на основе правил логики экспертной системы для определения общего риска "оценка" для компании оценивается. Эти модели имеют возможность определения категории фирм с особыми характеристиками, которые могут указывать или не аудиторский отчет фирмы требует действующее предприятие модификации (ГКМ). Прогноз или нет фирма может обанкротиться, включено в качестве одного из компонентов действующего предприятия решения. В результате, если фирма находится в той или иной категории банкротом по решению модель, она может помочь в определении мнение аудитора. После исследовательских работ, а мы описываем наш тестовый набор данных. В заключение приведем результаты и выводы нашего анализа. Наши результаты показывают, что оба нечеткой кластеризации и гибридные методы эффективной классификации проблемы фирм отдельно от контрольной группы здоровых фирм ..

ДО И ЛИТЕРАТУРА важность изучения

Процесс принятия решения фирма должна получить аудиторское заключение с ГКМ предполагает использование профессионального суждения аудитора. Статистические модели были использованы с различной степенью успеха в прогнозировании ли фирма должна получить ГКМ из общедоступной информации. Харрис (1989), Левитана и Knoblett (1985), и Матчлер (1985) использовали дискриминант модели и сравнение методов прогнозирования будет решение озабоченность мнение. (1985) модель Матчлер использовала финансовые показатели наряду с качественной переменных для "улучшения" и "предварительного типа год мнения". Ее исследование предполагает, что пользователь финансовой знающих заявление могло бы достичь такого же решения, как аудитор, используя статистическую модель с соответствующими финансовыми переменными. Исследования Белл и Табор (1991), Чэнь и церковь (1992), Джентри, Ньюболд и Уитфорд (1985), Ленард, Алам, и Мадей (1995), Менон и Шварц (1987), Nogler (1995), и Матчлер , Hopwood, и Мак-Каун (1997) использовали логистической регрессии (логит) моделей. Эти исследования имели высокую степень точности в прогнозировании которые фирмы должны получать изменение аудиторского заключения и которые должны получать стандартные отчеты, так как логит-модели wellequipped определения этого вида бинарного ситуации.

Dopuch, Holthausen и Лефтвич (1987) использовали пробит модель для прогнозирования различных видов аудиторской квалификации финансовых переменных. Однако эти модели не были столь сосредоточены на прогнозировании, в какой степени компания может быть здоровым или не ..

Предыдущие исследования, и заявление по вопросу стандартов аудита (SAS) № 59 (Совет по стандартам аудита, 1988) показывают, что аудитору следует рассмотреть только компании с какой-то знак финансового стресса в качестве кандидатов на GCM (Кида, 1980; Матчлер, 1985). Тем не менее, аудиторы не могут изменить мнение слабеющие компании по нескольким причинам. Например, аудиторы не могут обнаружить мошенничество в финансовой отчетности (McKeown, Матчлер,

Силу нечеткого анализа является возможность частичной модели категоризации. Лау Вонга, и Пун (1999) использовали нейронных сетей и нечетких моделей для управления пластиковых машины литья под давлением. Они предположили, что нейронные сети и нечеткие технологии дополняют друг друга и компенсировать недостатки вычислительно интеллектуальных технологий. Алам, Booth, Ли и Тордарсон (2000) также использовал комбинацию нечеткой кластеризации и самоорганизации нейронных сетей, и добились успеха в выявлении потенциально бедствующие банки. Ан, Чо и Ким (2000) представили результаты использования этих технологий для прогнозирования банкротства, а также подчеркнул важность этих предсказаний полезными в деле оказания помощи лицам, принимающим решения. Нолан (1998) использовали экспертное нечеткой классификации, и обнаружили, что нечеткие технология позволяет выполнять приближенные рассуждения и повышает производительность тремя способами: (1) через эффективное численное представление расплывчато, (2) путем расширения диапазона работы в плохо определенных среды, и (3) за счет уменьшения чувствительности к зашумленных данных. Нечеткой модели может характеризовать степень принадлежности элемента в наборе. Этот вид модели вполне соответствует анализ банкротства, поскольку банкротство также может быть определена как вопрос степени (Спайсленд, Гарсон,

Спайсленд и др.. также отметил, что нечеткая система может определить членство в набор как высокая, средняя или низкая. Этот качественный тип правила для категоризации контрастирует с правилами, экспертные системы, которые часто дают числовые вероятности. Аудитор также должен рассмотреть вопрос о целесообразности планов может смягчить последствия проблемы фирмы (Спайсленд и др.). ..

Научно-исследовательский конструкторско

В этом разделе мы описываем нечеткой кластеризации, гибридные модели, и переменные, используемые. Мы также описываем образца и процедура, используемая для проверки моделей.

Нечеткой кластеризации

Когда мы имеем дело с неточными данными, мы часто образуют группы или признанных закономерности в данных, в целях облегчения принятия решений (Алам и др.., 2000). Различные математические модели и методы используются для имитации этих человеческих познавательных процессов и поиск путей для организации этой неточные данные, чтобы помочь нам в достижении наших выводов. Кластерный анализ отличается от дискриминанта и логит-анализ, так кластерного анализа устанавливает группы, в отличие от присвоения замечания к группам, которые были определены заранее (Алам и др.).. Нечеткой кластеризации представляет собой особый тип кластерного анализа, который "в состоянии описать неопределенность в данных, такие, как наличие вопросов, которые лежат между двумя кластерами" (Rousseeuw, Derde,

Нечетких множеств теории был внесен на рассмотрение Заде (1965). Его работы привели к развитию возможность теории, модели познавательного процесса (Алам и др.., 2000). Теория попытки классифицировать субъективные рассуждения (например, описание человека "хорошо", "очень хорошо" или "не так хорошо") и присваивает степени возможность в идущие выводы. Нечеткие кластерного анализа для оценки степени членства объекта в кластер, производя функции принадлежности, измеренная в интервале [0, 1]. Таким образом, нечеткой кластеризации дает дополнительную информацию о структуре данных, чем жесткий кластеров, в которых объект принадлежит только одному кластеру (Roubens, 1982). Это задание показывает, что интуитивный заявления могут быть сделаны математически точный (Алам и др.)..

Нечеткие процедуры кластеризации используется здесь для определения проблемы фирм называется FANNY (Кауфман

, где р-й измерения го объекта определяется х ^ ^ ф к югу, и г (т) является фактическое расстояние между объектами, я и j.

Гибридная модель

Мы разработали гибридные модели, сравнительный метод с использованием как количественных и качественных анализов текущей оценки обеспокоенность аудитора. Количественной части гибрид модели M-оценки дискриминант (Бут, Алам, Ahkam,

Для случая, когда Z должна быть отнесены к одной из двух групп II ^ х ^ к югу или 11 ^ у ^ к югу, и две популяции не обладают той же ковариационной матрицы, то классификация правило заключается в следующем. Классифицировать Z ^ во II югу х ^, если:

в противном случае, классифицировать в Ил югу ^ у ^, где S ^ у ^ к югу и Sx являются Y и X ковариационной матрицы, соответственно. D ^ к югу Q ^ (Z) является квадратичной дискриминантной функции, в отличие от линейной дискриминантной функции. Квадратичных процедура используется, потому что ковариационных матриц не проходят хи-квадрат однородности-оф-разница тест (альфа = 0,05).

Разработана гибридная система, которая называется GC советник использует Уровень 5 Object (Information Builders Инк, 1993), объектно-ориентированной оболочки экспертной системы, которая работает под Windows. Уровень 5 программное обеспечение сочетает в себе правила и процедуры, объектно программирования. Четыре партнерами из 3 Большой пятерки аудиторских фирм были опрошены разработать правила экспертной системы, база для гибридной системы. Эти специалисты были опрошены определить процесс решения они используют решать аудиторский отчет должен быть изменен для единицы проблем. запрос структура экспертной системы был использован, чтобы включить результаты M - оценка модели.

Основной класс, или домен, гибридной системы является преобладающим особенности аудита окружающей среды, а также общий риск фирмы с точки зрения его финансового благополучия. Подклассы представляют другие особенности финансового состояния фирмы. Эти функции делятся на финансирование операций, экономические условия, мимо источников финансирования, в будущем источников финансирования, в отчете о ревизии, и оценки рисков. Задача определения того, что типа аудиторского заключения компании должны получать была разделена на четыре проблемные области, которые соответствуют первому 4 подклассов. Так как каждый подкласс рассматривается, уровень риска, возложенные на него в логике экспертной системы.

Первое направление рассмотрены системы финансирования операций. M-оценки модель называется логикой экспертной системы для оценки ряда финансовых показателей, которые оценивают силу оборотного капитала. Если прогноз стоимости, созданной в уравнение М-оценки больше чем 0, операционные результаты не являются приемлемыми, а система отвечает вопрос о том, фирма других методов получения оборотных средств. Если нет других методов не существует, операционный риск высок. Если Есть другие доступные методы, или, если прогноз значение меньше или равно 0, то операционный риск является низким.

GC советник продолжает свою оценку, попросив о конкретных бизнес-рисков, что компания может столкнуться. Это второй район определен как экономические условия, и анализирует события, которые влияют на фирму и может поставить под серьезную угрозу ее способности продолжать в качестве действующего предприятия. Такие мероприятия включают тяжелые экономические условия, такие как технологического устаревания значительный судебный процесс против компании, экологические трудности, или сокращение доходов тенденции. Если у компании опыта эти события таким образом, что они имеют существенное негативное влияние на финансовую отчетность, то бизнес-рисков компании, является высоким. Если дело что риск высок, система также записывает операционного риска, как высокий.

Третье направление оценивается GC советник прошлом источников финансирования. Риска в этой области определяется как долг риск службы, и оценивается путем изучения способность фирмы выполнять свои долгосрочные долговые обязательства. Фирма, которая с финансовой точки зрения не должно быть при отсутствии какой-либо части своего долга платежей или в нарушение каких-либо задолженности пактов, которые были предусмотрены его кредиторов. Если компания сможет выполнить свои выплаты по долгам за счет средств от операционной деятельности, и если Есть никаких нарушений задолженности пакты, то риск по обслуживанию долга низкий. Если компания должна удовлетворять свой долг с помощью других методов, кроме основных фондов (таких, как банковское финансирование, финансирование путем выпуска акций или продажи активов), то по обслуживанию долга риск среды.

И наконец, в четвертых, экспертная система оценивает будущие потребности в финансировании предприятия. Будущее определяется как период от 12 до 18 месяцев после даты составления финансовой отчетности. Мы определили будущие потребности в финансировании для наших тестовых данных из замечаний, высказанных в примечаниях к финансовой отчетности в годовом отчете компании. В реальной ситуации, аудитору следует рассмотреть денежные потоки и бюджетных прогнозов и планов обзора управления для получения финансирования. Гибридная система предоставляет пользователю выбор методов финансирования, что компания планирует использовать. Если один или несколько из этих методов не выбран, компания имеет низкие будущих рисков ликвидности. Если ни один метод не используется, то будущее риск ликвидности является высоким.

После того как пользователь завершил оценку системы вычисляет оценки риска. Всего риск накопления операционного риска (от финансовых операций), бизнес-рисков (от экономических условий), обслуживание долга риска (на основе прошлых источников финансирования), а также риск ликвидности будущем (из будущих потребностей в финансировании). Риск рассчитывается с использованием балльной системы, со счетом 0 на низкий уровень риска, 0,5 для среднего риска, а 1 пункт или 2 балла за высокого риска для каждой из четырех категорий риска в зависимости от версии используемой модели, как описанные в разделе "Результаты" данной статьи. Общая оценка риска, таким образом в диапазоне от 0 до 4, со счетом 2,5 или выше, с указанием компании, которые должны получить аудиторское заключение с ГКМ, или оценка может варьироваться от 0 до 5, со счетом 3 или выше, с указанием компании, которые должны получать ОЦМ. Если пользователь пересматривает решения и ответы "Нет" на вопрос о том, все неясности будут решены, система позволяет аудитору отказываются аудиторский отчет, или, другими словами не выразить мнение на всех. Недавнее исследование, Eining, Jones, и Loebbecke (1997) показал, что в предоставлении данного типа диалога с точки зрения взаимодействия с системой, экспертные системы, которые были использованы для оказания помощи аудиторов в сложных процессах принятия решений часто дают результаты, которые являются более точными и последовательной ..

Переменных, используемых

Исследования, анализ и исследования, банкротство которых можно прогнозировать решение единицы продемонстрировали использования финансовых показателей в качестве переменных в статистическом процессе моделирования. Как правило, эти отношения были связаны по крайней мере один показатель в каждой категории для оценки ликвидности, платежеспособности и рентабельности (Матчлер, 1985; Zavgren, 1985). Матчлер (1986) перечислены следующие соотношения выявленных аудиторами, которые используются в решении аудиторского заключения: (1) Собственный капитал / Общая сумма обязательств (NWTL); (2) Денежный поток от операционной деятельности / Общая сумма обязательств (CFFL); (3) Текущие Активы / Текущие обязательства (CACL); (4) Всего Долгосрочный долг / Всего активы (LTDTA); (5) Общая сумма обязательств / Всего активы (TLTA) и (6) Чистая прибыль до налогов / Чистые продажи (ОБС). Из них CFTL и CACL являются показатели ликвидности, NWTL, LTDTA и TLTA платежеспособности являются отношения, а IBTS является показатель рентабельности. В дополнение к (1986) исследования Матчлер, Чэнь и церковь (1992) показали значительных результатов в единицы определения при использовании переменной в логит-модель, которая приходится на статус фирмы дефолта по долговым обязательствам, что пункт плохие новости о задолженности. В рамках нашей модели, любой предмет хороших новостей о задолженности (GND) или плохие новости о задолженности (БНД), который сообщил в ежегодном докладе получает кодовое значение '1. Когда нет конкретного упоминания о хороших или плохих новостей, закодированные значения "0" для переменных используется.

Мы считали, хорошая новость и плохая новость в виде отдельных переменных, так как в некоторых случаях не было упоминания обоих типов новостей в аудиторском заключении, а в других случаях не было никакого упоминания о конкретных пунктов, хороших и плохих новостей. Каждая переменная (GND или BND) затем проверяются на значимость в модели, чтобы определить, является ли конкретный пункт новости или сочетание новостей помогает объяснить, будь то компания обанкротится. Мы использовали логит модели для проверки значения наших переменных. Переменных для проведения испытаний важное значение в нашем исследовании, приведены ниже:.

(1) CALL = Текущие активы разделены Текущие обязательства

(2) NWTL = Собственный капитал разделен Всего обязательств

(3) = LTDTA Долгосрочный долг разделить по размеру общих активов

(4) = TLTA Всего обязательств разделить по размеру общих активов

(5) БНД = плохие новости о задолженности.

Для разработки нечеткой модели, три дополнительные переменные используются вместо вопросы по логике экспертов системы гибридной модели. Во-первых, ECONTA, считается как '1 ', если экономический или бизнес, риск высок. Переменная является взвешенным по величине активов. Следующий переменная DSRTL, который регистрируется как '1 ', если фирма имеет высокий риск по обслуживанию долга, и, взвешенные по совокупных пассивов. Наконец, переменная FLRTL представляет высокий риск ликвидности будущем, как '1, и взвешивается по совокупных пассивов. Так вот, наша переменная, установленные для нечеткой модели выглядит следующим образом:

(1) CACL = Оборотные средства разделены Текущие обязательства

(2) NWTL = Собственный капитал разделен Всего обязательств

(3) = LTDTA Долгосрочный долг разделить по размеру общих активов

(4) = TLTA Всего обязательств разделить по размеру общих активов

(5) = БНД Плохие новости о задолженности

(6) = ECONTA Экономический риск (Да или Нет = = 0) разделены по размеру общих активов

(7) = DSRTL обслуживания долга риска (да = 1, нет = 0), разделенное на общее Обязательства

(8) = FLRTL будущее Риск ликвидности (да = 1, нет = 0), разделенное на общее Обязательства

Помимо этих переменных в нечеткой модели облегчает нашу сравнение нечеткой модели гибридных, так что нечеткая модель имеет ту же информацию, представленную в логике гибрид. Таким образом, обе модели используют ответы на вопросы, которые помогают прояснить позицию аудитора в определении того, чтобы изменить аудиторское заключение компании, которая, по прогнозам, перед лицом банкротства.

Пример и порядок

Пример фирмы были случайным образом выбирается из 1989 и 1990 населения по производству и розничной фирмы на лентах Compustat. Служба фирм и некоммерческих организаций были исключены из-за различий в их операционные и финансовые характеристики. Выборки из 1989 состоит из 32 фирмами-банкротами, в сочетании с 32 nonbankrupt фирм случайно выбранных из населения 1562 nonbankrupt фирм. Образца 1989 используется в качестве обучающей выборки для модели M-дискриминанта оценки. Выборки из 1990 состоит из 26 фирмами-банкротами, в сочетании с 26 nonbankrupt фирм случайно выбранных из населения 1602 nonbankrupt производства и розничной торговли компании. 1990 образцов используется как образец для тестирования М-оценки модели и нечеткой модели в нашем сравнительный анализ. Процедуры выборки, используемые в данном исследовании является аналогичным тому, который используется др. Dopuch и др. (1987). С помощью образцов-банкротов (BR) против nonbankrupt (NBR) фирм, наша цель заключается в выявлении проблемы фирм, чья ситуация может затем привести аудитора рассмотреть вопрос о выдаче аудиторского заключения с ОЦМ.

РЕЗУЛЬТАТЫ

Нечеткой кластеризации

Из общей выборки 52 фирм в 1990 образца, три фирмы были сняты из-за экстремальных значений для целей нечеткой кластеризации. В результате, всего 49 фирм использовали. Первые 24 фирм в группе банкротом, а 25 фирм через 49 лет nonbankrupt, или здоровым, фирм. Нечеткой кластеризации (FUZZY 1) выполняется с первых 5 переменных (CACL, NWTL, LTDTA, TLTA и BND). Таблица 1a показывает, что FANNY классифицирует большинство обанкротившихся фирм в первом кластере, и большинство из nonbankrupt фирм второго кластера. Два банкротом фирмы ошибочно классифицировано как процветающие фирмы.

Во второй и третьей нечеткой кластеризации работает, остальные три переменных (ECONTA, DSRTL и FLRTL) добавляются в анализ, чтобы определить те фирмы, которые потенциально должны получить аудиторское заключение с ОЦМ. Результаты представлены в таблице 1, b. Во второй серии, FUZZY2, переменная БНД, взвешивают оценка "1". Этот пробег производит две группы с таким же результатам, что и работать только с финансовых переменных. Для третьего запуска, FUZZY3a, переменная БНД, взвешивают оценка "2", когда Есть неопределенность в отношении задолженности или другие трудности работы. Эти результаты показывают, что программы нечеткой кластеризации считает группировок за два кластера (FUZZY3), 3 групп (FUZZY3b), или 4 групп (FUZZY3c) в третий перспективе. Когда два кластера используются (FUZZY3a), одна обанкротившаяся фирма является ошибочным и 7 nonbankrupt фирмы ошибочную. Когда три группы используются (FUZZY3b), только две фирмы ошибочную, с Кластер 1, содержащий фирмами-банкротами, и кластеры 2 и 3 в том числе главным образом nonbankrupt фирм. Кластеры 2 и 3 в модели FUZZY3b содержат ошибочную 2 фирмами-банкротами (фирмы, 15 и 19, соответственно). Результаты от модели FUZZY3c указывают две группы фирмами-банкротами, и две связки nonbankrupt фирм.

Нечеткой кластеризации программы FANNY производит силуэт участка кластеров. Программа вычисляет степень принадлежности, с (я), каждого объекта в кластер, который затем построены. Кроме того, показано в программе для каждого объекта является его ближайших соседних кластера. Больше S (I) значение, тем больше ее членства в этой группе. Кроме того, программа вычисляет среднюю ширину силуэт в каждом кластере, который показывает, как "хорошо гнездовым" все объекты. Программа FANNY "defuzzifies" в ближайшие жесткого кластера с присвоением каждому объекту в кластер, в котором она имеет самый высокий членства. Таблица 2а показана зависимость для 3 групп (FUZZY3b), а в таблице 2, b показана зависимость для 4 групп (FUZZY3c).

Программа также рассчитывает FANNY раздела Даннс коэффициент (Кауфман

Что вполне жесткий кластеризации, большая часть информации может быть потеряна. Тем не менее, путем изучения ближайших жесткого кластера с кратким членства коэффициентов предоставляемых в рамках программы FANNY, мы можем получать больше информации о нашей выборке. Дальнейший анализ результатов в таблице 1, получены путем изучения членов коэффициенты каждой фирмы в нашей выборке. В таблице 3 приведены коэффициенты для членства запустить FUZZY3c кластеризации, который производит 4 разделов. Первый столбец таблицы показывает число фирм, а остальные столбцы дают разные типы кластеров-Cluster с 1 по 5 кластеров. Таблица 3 дает членство коэффициенты каждой фирмы в определенной группе. Например, в первом ряду, фирмы 001 принадлежит 23,12% в группе 1, 23,12% в группе 2, 8,49% в 3 кластера, и так далее. Членство коэффициенты для любой фирмы сумму 1,00.

Результаты в таблице 3 показывают, что могло бы быть пять жестких кластеров в таблице 1, b, FUZZY3c. Отметим, что ближайший жесткий кластеризации показывает только 4 кластеров (табл. 1, b, FUZZY3c), тогда как нечеткой кластеризации обеспечивает пять кластеров в таблице 3. Это означает, что ближайший жесткий кластеризации FUZZY3c классифицирует фирм в нашей выборке в четыре группы, но членство коэффициентов нечеткой кластеризации, представленные в таблице 3 указаны дополнительные кластера. Рассмотрение членов коэффициентов в четвертом и пятом кластеров в таблице 3, показывает, что коэффициенты примерно то же значение для кластеров, 4 и 5. Эти результаты указывают на возможность того, что нечеткая логика программы FANNY карты дополнительных кластера, но различия в членском коэффициентов между кластерами 4 и 5 возникает только после четвертого знака после запятой, что является относительно небольшой по ближайшим жесткий кластеризации для захвата. Таким образом, ни одна из фирм приведены в кластер 5 (табл. 1, b, FUZZY3c и в таблице 2, b, FUZZY3c). Сравнение кластеров членство в группах 2 банкротом (фирмы с 1 по 24, кластеров 1 и 2), и 2 nonbankrupt групп (фирм 25 до 49 лет, кластеры 3 и 4), мы видим, что многие из членов коэффициенты примерно в то же Для кластеров 1 и 2, а также для кластеров 4 и 5.

Фирмы в группе 1 и 2 представляют собой кластер фирмами-банкротами. Дальнейший анализ полученных данных показывает, что те фирмы, в группу 2 имеют более экстремальные значения с точки зрения финансовых показателей, которые составляют переменных в наборе данных. Например, фирмы 002, 009 и 010 имеют высшее нынешнее соотношение (CALL), чем можно было бы ожидать, чтобы компании имели, если они имеют финансовые проблемы. Фирма 018 является крайним, поскольку он имеет такую низкую цену за свои коэффициент текущей ликвидности (CACL, даже ниже, чем текущие коэффициенты для других обанкротившихся фирм. Фирмы 022 и 024 содержат гораздо выше показателей задолженности (TLTA) по сравнению с другими фирмами-банкротами. В результате размещения в кластере 2 указывает на более экстремальные, чем фирмы кластера 1.

Анализ фирм в кластеры 3 и 4 показывает, две группы nonbankrupt фирм. Фирмы в группе 4, как указано выше в два кластера, как представляется, выбросы, или фирм, которые имеют большие значения для одного или нескольких финансовых переменных, используемых в нашем исследовании. В этом случае, здорового фирм в кластере 4-видимому, крайняя, потому что они очень здорово фирм. Фирмы 040 по 049 имеют очень высокие текущие показатели (CACL), либо высокие текущие отношения в сочетании с высокой чистой стоимостью (NWTL). Фирмы 15 и 19, фирмами-банкротами, кластер с nonbankrupt групп. Фирма 19 является ошибочным, поскольку она имеет экстремальные значения по сравнению со всеми другими фирмами, с очень низким коэффициент текущей ликвидности (CACL) и очень высокий коэффициент задолженности (TLTA). Финн 15, видимо, несколько видимых проблем до банкротства, за исключением низкой чистой стоимости (NWTL).

Когда мы рассматриваем эти результаты вместе с статистики нечетких моделей (табл. 1 по табл. 3), мы видим, что силуэт ширины кластера 1 (фирмами-банкротами) и Кластер 2 (здоровый или nonbankrupt, фирм) в модели FUZZY3b есть. 50 и 0,36, соответственно (таблица 2а). Это указывает на то лучше кластеризации, чем в среднем ширина силуэт для любого из кластеров в модели FUZZY3c, хотя средняя ширина 0,35 силуэт для кластера 3 (nonbankrupt фирмы) очень близок (табл. 2, b). Модель FUZZY3c, то экспонаты более нечеткой кластеризации, чем модель FUZZY3b. Тем не менее, модель FUZZY3c можете предоставить нам информацию, потому что это интересно отметить, что с точки зрения "точности", или число фирм классифицированы правильно, две модели имеют тот же результат. Но анализ показывает, нечетких трудности в процессе принятия решений, что аудитор должен следовать, где фирмами-банкротами, по своим характеристикам относятся к более чем одной группе. В модели FUZZY3b (3 группы) мы видим, что Существуют фирмы с экстремальными значениями, которые принадлежат к третьей группе. В модели FUZZY3c (4 кластера), мы видим отдельные кластеры для экстремальных банкротом группы и крайностей здоровых или nonbankrupt, группы, а кластеризация в этой модели труднее конвертировать в жестком кластеризации.

Гибридной системы

Некоторые версии гибридной модели были разработаны для проверки изменений в предположении риска применительно к каждой из подгрупп. Результаты для версии 1 и 2 приведены в таблице 4. Версия 1 присваивается вес 1 для высокого риска для каждой из 4 зон риска: операционные риски, бизнес-рисков, рисков по обслуживанию долга, а также будущих рисков ликвидности. Версия 2 присваивается вес 2 с высоким риском эксплуатации и вес 1 за высокого риска в каждой из трех других районах. Версия 2 предполагает, что показателей работы фирмы вносит наибольший вклад в его общей опасности.

Таблица 4 показывает результаты GC советник гибридной системы, версии 1 и 2, при испытании с 1990 выборки данных. Версия 1 дает общую точность предсказания 87,8%. Когда Версия 2 применяется, 1 фирмами-банкротами, является ошибочным, в результате чего точность фирмами-банкротами, получающих ГКМ в 95,8%. Для nonbankrupt фирм, версия 2 "правильно" означает, что все должны получать стандартный аудиторский отчет. В результате общая точность 98,0% малых предприятий прогнозируется получить "правильный" отчет о ревизии. GC советник гибридная система, версия 2, имеет лучшие точность предсказания для нашего образца.

Прогноз точности Гибридная сравнении нечетких моделей

С точки зрения выводы для нашего анализа, мы сравниваем наиболее точными гибридные модели с нечеткой модели кластеризации FUZZY3a, FUZZY3b и FUZZY3c, потому что каждая из этих моделей весов БНД переменной 2. С точки зрения высокой точностью за эти три нечетких моделей нечеткой кластеризации FUZZY3b программ и FUZZY3c место 2 фирмами-банкротами, в неправильном кластера, достижение успеха в 91,7% (22/24) для фирмами-банкротами, и 100% для nonbankrupt фирмы, для общей точности 95,9%. С другой стороны, изложенных выше, гибридная система предсказывает 95,8% (23/24) от фирмами-банкротами, правильно, и 100% от nonbankrupt фирм правильно, на общую точность 98%.

Использование непараметрического статистического сравнения этих самых точных моделей, мы совпадали "оценка", что каждая модель предсказывает для компании, как "1" для обанкротившаяся фирма и "0" nonbankrupt фирмы. Затем мы использовали Вилкоксона Подпись Звания испытаний и испытаний Макнемар сравнить модели существенно отличаются точностью предсказания. Тест Вилкоксона матчи пар данных для получения разница в оценки моделей, по сравнению, то эти различия званий (Daniel, 1990). Макнемар испытаний сравнивает две модели, когда данные состоят частот (Daniel). Результаты приведены в таблице 5. Таблица Sa представлены результаты Вилкоксона Подпись званий и Макнемар тесты для гибридных версий 2 (HYB2) по сравнению с FUZZY3a. Тесты показывают, что HYB2 значительно точнее, чем FUZZY3a. Таблица Sb приведены результаты Вилкоксона Подпись званий и Макнемар тесты для HYB2 против FUZZY3b. Существует никакого существенного различия в точности по сравнению с FUZZY3b HYB2. Мы не сравнить с FUZZY3c так как оно имеет ту же точность, как FUZZY3b.

ВЫВОДЫ И ПОСЛЕДСТВИЯ

GC советник гибридные системы, описываемой здесь был предложен в качестве интеграции экспертной системы и модель M-оценки дискриминанта, и предназначен для обеспечения более полной информации ответ на решение мнению аудитора. Сила гибридной системы является то, что предоставляет пользователю гибридных со статистическими поддержки в дополнение к использованию знаний экспертов решения аудиторского заключения. Гибридные системы таким образом, предлагает вклад выше точность предсказания и способности позволяют аудитору использовать решения и пересмотренной информации в окончательном определении единицы оценки. Мы также видим, влияние системной логики экспертов, поскольку мы можем иметь взаимодействия между категориями, которые используются для определения финансового состояния компании. Таким образом, пункт плохие новости о задолженности, которая влияет на риск обслуживания долга может также повлиять на будущее риск ликвидности, если компания не может обеспечить текущие или будущие финансирования. Логика экспертная система позволяет оценить качественные аспекты гибридной системы.

Успех гибридной системы показывает, что банкротства прогнозирования является важной составной частью действующего предприятия решения. Системы, которая предполагает использование количественной и качественной информации, обладает потенциалом для улучшения прогнозирования точности, чем каждый тип модели прогнозирования отдельно. Кроме того, анализ различных вариантов гибридная модель показывает, как различные взвешивания компонентов будет решение неопределенности озабоченность влияет на полезность модели системы поддержки принятия решений. Дальнейшие исследования в те фирмы, которые имеют проблемы могут выявить факторы, которые могут быть включены в систему для увеличения его точности. Таким образом, гибридная система обеспечивает лучшие результаты для наших данных только, и это только начало для дальнейших исследований в этой области.

Однако, несмотря на точность немного меньше, результаты нашего анализа нечетких дать еще один аспект результатов гибридная система из-за дополнительных кластеров, которые идентифицируют различные группы обанкротившихся фирм, а также различные группы nonbankrupt фирм. Потому что нечеткая кластеризация является специфической формой кластерного анализа, можно легко различить неоднозначность данных, которая лежит между кластерами (Алам и др.., 2000). Таким образом, получить дополнительную информацию о структуре наших данных. Как уже отмечалось при обсуждении модели FUZZY3c, второй банкротом кластера, кластера 2, а второй nonbankrupt кластера, кластера 4, как кажется, определить компании, которые имеют большие значения в их финансовых показателей. В результате, мы имеем указание (от кластера 4) чрезвычайно здоровый компании, по крайней мере с точки зрения финансовых показателей, которые мы использовали в качестве переменных в нашем исследовании. У нас также есть указание границы (из кластера 2) фирмами-банкротами. Эта информация может иметь важное значение для оказания помощи аудитора признать, что не может быть проблемы с твердым, даже если один или несколько финансовых показателей свидетельствует об ином. Эта информация также полезна для исследования, поскольку важно быть в состоянии определить эти нюансы в переменных для того, чтобы сохранить или улучшить точность наших моделей ..

Последствия для ревизора

Мы уже упоминали о том, что ревизоры, как правило, очень осторожен в выдаче единицы изменений. Тем не менее, дополнительные усилия, аудит может выявить проблемы, которые могли бы пойти непризнанных (McKeown и др.., 1991). Но это дорого. Работы с компьютерными моделями ревизии для оказания помощи в принятии решений, что может помочь уменьшить аудит затрат, и, возможно, необходимо для проверки специалистов. Кроме того, эти модели могут помочь новые поезда аудиторов быстрее. Предыдущие исследования др. Ленарда и др. (1998) и др. Eining. (1997) показали, что аудиторы в определенных ситуациях испытания просматривать свои суждения и самооценку более позитивно, после использования компьютерных средств решения.

Обе модели представлены в этом направлении может улучшить производительность аудитора. Гибридная модель очень точно, и нечеткой модели кластеризации обеспечивает дополнительный аспект анализа наших переменных. Существует некоторое ограничение использования нечеткой кластеризации, поскольку мы не имеем возможность классифицировать одна компания в то время, с нашей моделью, которая аудитора необходимо будет сделать при проведении ревизии отдельной компании. Будущие исследования могут применяться использования нечеткой кластеризации некоторых качественных вопросы, заданные в ходе ревизии, с тем чтобы получить назначение членов или коэффициент, который затем может стать частью логики экспертная система или ее часть статистической модели в гибридные системы . Это относится и "эксперт нечеткой классификации" в процессе аудита, как она применялась в других областях (Нолан, 1998).

Последствия для управления

Руководители отвечают за здоровье своих финансовых компаний. Они должны чувствовать себя более уверенно, зная, что аудитор выполняет решение, которое максимально точно и постоянно обновляется. Если есть меньше потребность в специалистах в проведении ревизии, проверки стоимость не будет увеличиваться. Кроме того, использование компьютеризированных средств решения, которые помогают управлять временем аудитора более эффективно могут также держать издержки от роста.

Таким образом, использование компьютеризированных средств решения, которые предоставляют более подробную информацию аудитор будет иметь положительные результаты как для аудитора и управления. Будущие исследования должны и впредь быть направлены на новых и эффективных методов моделирования, направленных на поддержку решений аудитора. [В редакцию: 27 сентября 1999. Принято редколлегией: 1 декабря 2000.]

Ссылки

Ан, Б. С., Чо, С. С.,

Алам, П., Бут, Д. Ли К.

Ревизионная стандартам финансовой отчетности. (1988). Заявление по стандартам аудита № 59: Рассмотрение аудитора Способность Entity продолжать в качестве действующего предприятия. Нью-Йорк: AICPA.

Белл, T.,

Бут, Д. Е., Алам, П., Ahkam, С. Н.,

Бут, Д. Е.,

Chen, К. C. В.,

Daniel, В. В. (1990). Прикладная непараметрической статистики (2-е изд.). Boston, MA: PWS-Кент-Publishing.

DeAngelo, Л. Е. (1981). Ревизора независимости, 'lowballing, и раскрытие регулирования. Журнал учета и экономики, 3 (август), 113-127. Dopuch, N., Holthausen, Р. В.,

ifications финансовых и рыночных переменных. Учет обзора, 62 (июль), 431-454.

Eining, М., Джонс, Д. Р.,

Джентри, J. А., Ньюболд П.,

оценки. Неопубликованные докторскую диссертацию в Университете штата Техас в Арлингтоне.

Information Builders, Inc (1993). УРОВНИ ОБЪЕКТА для Microsoft Windows. Нью-Йорк: Information Builders, Inc

Кауфман Л.,

Кида, Т. (1980). Расследование непрерывности аудиторов и связанные с ним решения квалификации. Журнал учета исследований, 18, 506-523.

Лау, H. C. В., Вонг, Т. Т.,

Ленард, М. J., Алам, П.,

Ленард, М. J., Мадей, Г. Р.,

Левитан, А. С.,

McKeown, J. C., Матчлер, J. F.,

Менон К.

Матчлер, J. F. (1985). Многомерный анализ допущения непрерывности деятельности решение мнению аудитора. Журнал учета исследований, 23 (Осень), 668-682. Матчлер, J. F. (1986). Эмпирические данные в отношении допущения непрерывности деятельности аудитора

взгляд решение. Аудит: Журнал практики

Матчлер, J. F., Hopwood, W.,

Nogler, Г. Е. (1995). Резолюции аудитора единицы мнения. Аудит: Журнал практики

Нолан, J. R. (1998). Эксперт нечеткой системы классификации для поддержки градации студент письменно образцов. Экспертные системы с приложениями, 15, 59-68. Roubens, М. (1982). Нечеткие алгоритмы кластеризации и их кластеров действительности. Европейский журнал по исследованию операций, 10, 294-301.

Rousseeuw, П. J., Derde, М. П.,

Спайсленд, J., Гарсон, М.,

Заде, Л. А. (1965). Нечеткие множества. Информации и управления, 8, 338-353.

Zavgren, К. В. (1985). Оценка уязвимости к отказу американских промышленных фирм: логистического анализа. Журнал Бизнес Финансы

* Более ранняя версия этого документа была представлена на 1999 Огайо региональное совещание Американской ассоциацией бухгалтеров. Мы благодарны H. Дикарь за полезные замечания и предложения по предыдущему проекту. Мы в долгу перед П. Rousseeuw за предоставление программного обеспечения, необходимого для тестирования нашей нечеткой кластеризации анализа. Второй автор хотела бы отметить финансовую поддержку научно-исследовательского совета Кентский государственный университет.

* Более ранняя версия этого документа была представлена на 1999 Огайо региональное совещание Американской ассоциацией бухгалтеров. Мы благодарны H. Дикарь за полезные замечания и предложения по предыдущему проекту. Мы в долгу перед П. Rousseeuw за предоставление программного обеспечения, необходимого для тестирования нашей нечеткой кластеризации анализа. Второй автор хотела бы отметить финансовую поддержку научно-исследовательского совета Кентский государственный университет.

Мэри Джейн Ленард

Школа бизнеса, Колледж Бартон, Уилсон, NC 27893, адрес электронной почты: <a href="mailto:mlenard@barton.edu"> mlenard@barton.edu </ A>

Pervaiz Алам

Бухгалтерия, Кентский государственный университет, Kent, OH 44242, адрес электронной почты: <a href="mailto:palam@kent.edu"> palam@kent.edu </ A>

Дэвид Бут

Департамент административных наук, Кентский государственный университет, Kent, OH 44242, адрес электронной почты: <a href="mailto:dbooth@bsa3.kent.edu"> dbooth@bsa3.kent.edu </ A>

Мэри Джейн Ленард является доцентом ведения бухгалтерского учета на Бартон колледжа. Она имеет степень кандидата из Кентского университета и является сертифицированным бухгалтером управления. Ее области исследований включают аудит и использование новых технологий для бизнес-решений. Последние публикации появились в Decision Sciences, журнал информационных систем управления, а также Международный журнал интеллектуальных систем в области бухгалтерского учета, финансов и управления.

Pervaiz Алам доцент учета Кентского государственного университета. Он имеет докторскую степень в Университете Хьюстона. Он также является дипломированным бухгалтером. Его область исследований аудита информационных систем и финансовой отчетности. Его последние публикации появились в журнале учета, аудита и финансов; журнал Бизнес финансов и бухгалтерского учета; журнал

Управленческие вопросы, а также экспертных систем с приложениями. Кроме того, он опубликовал в ряде других журналов.

David E. Бут, профессор статистики в Колледж управления бизнесом в Кенте государственного университета. Он получил докторскую степень в Университете Северной Каролины в Чапел-Хилл. Он опубликовал в Decision Sciences, журнал химической информации и информатики, Technometrics и других подобных журналов. Его научные интересы охватывают несколько областей в области статистики и управления операциями.