论文部分内容阅读
会计失真给国家社会企业均带来了损失，只要存在经济业务发生，那么识别与治理会计信息失真问题就是个永恒的话题，本文利用统计学科中的主成分分析方法识别上市公司会计失真现象。本文以2009-2013年披露的上市公司财务报表为研究对象，运用主成分分析法和SPSS统计软件，建立会计信息失真预测模型并检验。
1.确定财务指标
选取的财务指标包括上市公司的偿债能力、营运能力、赢利能力、发展能力4个方面企业会计信息失真的指标识别体系。
2.判别显著指标
估计样本选取失真样本的前20个和非失真样本的前20个，选取非失真样本的后8个和失真样本的后8个作为预测组，从偿债能力、营运能力、赢利能力、发展能力4个方面选取17个财务比率指标组成会计信息失真预测模型的主成分，输入SPSS软件后得出自由度和伴随概率如下：
表1 自由度Df和伴随概率Sig
指标T值DfSig.
X1-3.739380.001
X2-3.083380.004
X3-2.739380.009
X42.157380.037
X50.229380.82
X63.574380.001
X7-1.584380.122
X8-0.223380.825
X9-0.576380.568
X10-0.091380.928
X11-2.122380.04
X12-2.586380.014
X13-1.096380.28
X14-1.109380.274
X15-2.416380.021
X16-2.601380.013
X17-1.714380.095
3.T统计量显著性检验：（显著性水平为0.05）
根据T值结果，分析如下：
（对于X1，即流动比率，T检验结果为0.001，小于0.05，P值落在拒绝域，即失真样本和非失真样本之间存在显著性差异，X1应该得到保留。
（同样对于X5，即产权比率，T检验结果为0.82，大于0.05，P值落在接受域，即失真样本和非失真样本之间无显著性差异，X5应该剔除。依照这个规则，X1，X2，X3，X4，X6，X11，X12，X15，X16这九个变量得到保留。
4.主成分因子的确定
SPSS20.0软件操作：选择分析-降维-因子分析（选取主成分分析法），首先进行主成分分析的适用性检验：KMO统计量值为0.592，在0-1之间，比较接近于1，符合主成分分析的要求；球形假设检验的相伴概率是0.000，小于显著性水平0.05，球形假设被拒绝，因此指标之间并非独立，适合进行主成分分析.接着进行主成分的确定与解释，进行主成分分析得到主成分特征值和贡献率。
表2 主成分特征值和贡献率
成份初始特征值提取平方和载入
合计方差的%累积%合计方差的%累积%
13.66640.7340.733.66640.7340.73
21.86120.68261.4121.86120.68261.412
31.35315.03476.4461.35315.03476.446
40.9410.44386.8890.9410.44386.889
50.5656.28293.171
60.3363.73596.906
70.1842.0498.945
80.0790.88199.826
90.0160.174100
表2中前四个主成分累积贡献率达到86.889%，满足经验要求值85%.通过公因子方差表中的数据也可以看出，提取的主成分基本解释了所有变量，提取的信息比较充足，大部分都在80%以上，所以确定主成分因子数目为4个。
再由因子载荷矩阵得出：因子Z1主要由X1，X4，X6，X11，X12构成，因子Z2主要由X2，X3，X15构成，因子Z3主要有X4，X6，X16构成，因子Z4主要由X4，X11，X12，X15构成
5.构造预测模型并选择预测分割点
表3 因子得分系数矩阵
成份1234
X10.254-0.146-0.0730.169
X20.245-0.18-0.0630.168
X30.239-0.173-0.080.162
X4-0.079-0.1710.6120.075
X6-0.150.15-0.0170.608
X110.0650.324-0.0140.662
X120.1370.3950.189-0.203
X150.1370.373-0.05-0.352
X160.1450.0360.5570.053
所以可以由贡献率表和因子得分系数矩阵得到预测模型为
Y=0.4073Z1+0.20682Z2+0.15034Z3+0.10443Z4
Z1=0.254X1+0.245X2+…+0.145X16Z2=-0.146X1+-0.180X2+…+0.036X16Z3=-0.073X1+-0.063X2+…+0.557X16Z4=0.169X1+0.168X2+…+0.053X16
通过以上公式得到各个公司的预测值Y，失真数据在前，非失真数据在后。
表4 估计样本的预测值
公司代码预测值公司代码预测值公司代码预测值公司代码预测值
000863-0.1270000818-1.69010004020.4407*0000890.2496
0005170.2031000673-0.01580004080.3041*0000360.7384*
000688-0.0928600155-0.16550004090.3709*0000480.6998*
0001000.16856008170.24510004100.4479*0000590.3317*
6007510.1014002200-0.71910001510.6807*0000340.3547*
000719-0.13320004030.26700001530.3075*0000391.3698*
600556-0.21736006910.23890001570.5937*0000450.5101*
6001850.25090000350.25280001580.3447*0000501.4730*
6009880.11816004620.23150000050.3178*0000280.3567*
以0.28为分割点，可以区分有无会计信息失真的公司，如上表所示，标记为*号的代表超过0.28的公司预测值，其中失真样本的20个样本全部小于0.28，全部通过，非失真样本的20个样本中有19个样本大于0.28，成功率为95%，可信度高，说明模型区分度好，准确度高。
6.结论
通过以上分析，我们可以得到结论：模型中选择的原始指标具有很强的解释能力，能较好地表别出信息失真公司与非失真公司的情况；通过与预测值的比较，本文所建立模型的预测准确度高达93.75%，说明利用此模型对公司进行会计信息失真识别的预测，准确度很高，具有很强的实用性。（作者单位：四川大学吴玉章学院）
1.确定财务指标
选取的财务指标包括上市公司的偿债能力、营运能力、赢利能力、发展能力4个方面企业会计信息失真的指标识别体系。
2.判别显著指标
估计样本选取失真样本的前20个和非失真样本的前20个，选取非失真样本的后8个和失真样本的后8个作为预测组，从偿债能力、营运能力、赢利能力、发展能力4个方面选取17个财务比率指标组成会计信息失真预测模型的主成分，输入SPSS软件后得出自由度和伴随概率如下：
表1 自由度Df和伴随概率Sig
指标T值DfSig.
X1-3.739380.001
X2-3.083380.004
X3-2.739380.009
X42.157380.037
X50.229380.82
X63.574380.001
X7-1.584380.122
X8-0.223380.825
X9-0.576380.568
X10-0.091380.928
X11-2.122380.04
X12-2.586380.014
X13-1.096380.28
X14-1.109380.274
X15-2.416380.021
X16-2.601380.013
X17-1.714380.095
3.T统计量显著性检验：（显著性水平为0.05）
根据T值结果，分析如下：
（对于X1，即流动比率，T检验结果为0.001，小于0.05，P值落在拒绝域，即失真样本和非失真样本之间存在显著性差异，X1应该得到保留。
（同样对于X5，即产权比率，T检验结果为0.82，大于0.05，P值落在接受域，即失真样本和非失真样本之间无显著性差异，X5应该剔除。依照这个规则，X1，X2，X3，X4，X6，X11，X12，X15，X16这九个变量得到保留。
4.主成分因子的确定
SPSS20.0软件操作：选择分析-降维-因子分析（选取主成分分析法），首先进行主成分分析的适用性检验：KMO统计量值为0.592，在0-1之间，比较接近于1，符合主成分分析的要求；球形假设检验的相伴概率是0.000，小于显著性水平0.05，球形假设被拒绝，因此指标之间并非独立，适合进行主成分分析.接着进行主成分的确定与解释，进行主成分分析得到主成分特征值和贡献率。
表2 主成分特征值和贡献率
成份初始特征值提取平方和载入
合计方差的%累积%合计方差的%累积%
13.66640.7340.733.66640.7340.73
21.86120.68261.4121.86120.68261.412
31.35315.03476.4461.35315.03476.446
40.9410.44386.8890.9410.44386.889
50.5656.28293.171
60.3363.73596.906
70.1842.0498.945
80.0790.88199.826
90.0160.174100
表2中前四个主成分累积贡献率达到86.889%，满足经验要求值85%.通过公因子方差表中的数据也可以看出，提取的主成分基本解释了所有变量，提取的信息比较充足，大部分都在80%以上，所以确定主成分因子数目为4个。
再由因子载荷矩阵得出：因子Z1主要由X1，X4，X6，X11，X12构成，因子Z2主要由X2，X3，X15构成，因子Z3主要有X4，X6，X16构成，因子Z4主要由X4，X11，X12，X15构成
5.构造预测模型并选择预测分割点
表3 因子得分系数矩阵
成份1234
X10.254-0.146-0.0730.169
X20.245-0.18-0.0630.168
X30.239-0.173-0.080.162
X4-0.079-0.1710.6120.075
X6-0.150.15-0.0170.608
X110.0650.324-0.0140.662
X120.1370.3950.189-0.203
X150.1370.373-0.05-0.352
X160.1450.0360.5570.053
所以可以由贡献率表和因子得分系数矩阵得到预测模型为
Y=0.4073Z1+0.20682Z2+0.15034Z3+0.10443Z4
Z1=0.254X1+0.245X2+…+0.145X16Z2=-0.146X1+-0.180X2+…+0.036X16Z3=-0.073X1+-0.063X2+…+0.557X16Z4=0.169X1+0.168X2+…+0.053X16
通过以上公式得到各个公司的预测值Y，失真数据在前，非失真数据在后。
表4 估计样本的预测值
公司代码预测值公司代码预测值公司代码预测值公司代码预测值
000863-0.1270000818-1.69010004020.4407*0000890.2496
0005170.2031000673-0.01580004080.3041*0000360.7384*
000688-0.0928600155-0.16550004090.3709*0000480.6998*
0001000.16856008170.24510004100.4479*0000590.3317*
6007510.1014002200-0.71910001510.6807*0000340.3547*
000719-0.13320004030.26700001530.3075*0000391.3698*
600556-0.21736006910.23890001570.5937*0000450.5101*
6001850.25090000350.25280001580.3447*0000501.4730*
6009880.11816004620.23150000050.3178*0000280.3567*
以0.28为分割点，可以区分有无会计信息失真的公司，如上表所示，标记为*号的代表超过0.28的公司预测值，其中失真样本的20个样本全部小于0.28，全部通过，非失真样本的20个样本中有19个样本大于0.28，成功率为95%，可信度高，说明模型区分度好，准确度高。
6.结论
通过以上分析，我们可以得到结论：模型中选择的原始指标具有很强的解释能力，能较好地表别出信息失真公司与非失真公司的情况；通过与预测值的比较，本文所建立模型的预测准确度高达93.75%，说明利用此模型对公司进行会计信息失真识别的预测，准确度很高，具有很强的实用性。（作者单位：四川大学吴玉章学院）