决策树方法预测审计意见类型

【摘 要】文章以2015年沪深股市A股上市公司数据为样本，用加权错判比率作为评价模型优劣的标准，构建了加权错判率为26.07%的审计意见类型决策树预测模型。研究表明，上市公司的基本每股收益、上年度审计意见类型、营运资金比率、资产规模和存货周转率是预测审计意见类型的重要变量。

【关键词】决策树模型;审计意见类型;加权错判比率

20世纪80年代，国外一些研究者就开始利用上市公司的数据建立审计意见预测模型作为注册会计师出具意见的辅助工具，我国自2003年后，也有不少论文研究并建立了审计意见的预测模型，这些模型的建立主要是应用了逻辑回归的统计技术。数据挖掘方法如今已经广泛应用于各种会计和金融领域的分析，并取得了很好的效果。决策树（Decision Tree）是最经典的数据挖掘方法之一，它以树形结构将决策/分类过程展现出来。国外有研究者在2013年开始使用决策树方法预测审计意见类型，而国内尚未发现使用决策树方法预测审计意见类型的文献。

本文通过定性分析审计意见类型的影响因素，建立影响审计意见类型的指标体系，并根据2015年沪深股市A股上市公司的年报数据构建了上市公司被出具审计意见类型的决策树模型，用树形结构呈现审计意见类型的分类过程，为注册会计师从保护投资者利益的角度对上市公司出具保留意见或无法表示意见提供了可操作的建议，同时为决策树模型在中国审计意见类型预测的应用提供参考。

1 影响审计意见类型的指标选取

影响审计意见类型的指标主要从上市公司的财务指标和非财务指标两个方面考虑。蔡春、杨麟等人（2005）的研究结果表明资产规模（资产的对数）、资产负债率、总资产周转率等基本财务指标和事务所规模对审计意见类型影响显著。田金玉（2007）应用BP神经网络预测审计意见类型时，筛选出影响审计意见类型的13个财务指标。郭磊（2008）应用logistic回归模型预测审计意见类型时，筛选出16个财务指标和2个非财务指标，其中非财务指标为代理成本和上年审计意见。

本文综合考虑反映上市公司内部管理质量各个方面指标的代表性，并根据参考文献中通过了显著性检验的原则，挑选了如下13个财务指标和1个非财务指标作为影响审计意见类型的指标体系（见表1）。

因变量Y为“本年审计意见”。Y和X14这两个指标为0表示“标准无保留意见”;为1表示“带强调事项段的无保留意见”;为2表示“保留意见或无法表示意见”。

2 审计意见类型的决策树预测模型

从2015年沪深股市A股上市公司的年报中获取上述指标数据，剔除数据缺失过多的公司，最终得到2 493家公司作为构建决策树模型的样本，其中2 400家被出具标准无保留意见、74家被出具带强调事项段的无保留意见、19家被出具保留意见或无法表示意见。

决策树模型是用决策树来呈现因变量的分类过程。本文采用CART（Classification and Regression Trees）算法建立审计意见类型的决策树预测模型。实现算法的软件是R软件，所用的函数是程序包rpart中的函数rpart。

将审计意见类型为0（标准无保留意见）的2 400家公司随机分成15份，每1份为160家公司。再把每份审计意见类型为0（标准无保留意见）的160家公司，分别配上审计意见类型为1（带强调事项段的无保留意见）和2（保留意见或无法表示意见）的93家公司得到15个用于构建决策树模型的训练集。分别基于15个训练集构建15个决策树模型。用得到的15个决策树模型，反过来对全部2 493家公司进行预测。根据加权错判比率最小的原则从15个决策树模型中选择预测能力最好的模型，其总的错判比率为0.086 2，加权错判比率为0.260 7。模型的决策树如图1所示。

加权错判比率就是给予“实际的审计意见类型为1或2，而模型将其预测为0”的情况比较大的权重，而给予“实际的审计意见类型为0，而模型将其预测为1或者2”的情况比较小的权重。这样做的理由主要是考虑到前者比后者预计对投资者造成更大的损失。

根据图1，用此决策树预测模型对审计意见类型进行预测的步骤如下所述。

（1）首先考虑X2（基本每股收益），其次考虑X14（上一年度的审计意见）。如果X2大于或等于0.042元，且X14为标准无保留意见，那么本年度审计意见类型可以预测为标准无保留意见。

（2）如果X2大于或等于0.042元，且X14为非标准无保留意见，那么本年度审计意见类型可以预测为带强调事项段的无保留意见。

（3）如果X2小于0.042元，且X14为非标准无保留意见，那么本年度审计意见类型可以预测为带强调事项段的无保留意见。

（4）如果X2小于0.042元，X14为标准无保留意见，还满足1个条件“X11（营运资金比率）小于-0.23”，那么本年度审计意见类型可以预测为带强调事项段的无保留意见。

（5）如果X2小于0.042元，X14为标准无保留意见，还满足2个条件“X11大于或等于-0.23”和“X1（资产规模的对数值）小于21”，那么本年度审计意见类型可以预测为保留意见或无法表示意见。

（6）如果X2小于0.042元，X14为标准无保留意见，还满足3个条件“X11大于或等于-0.23”、“X1大于或等于21”和“X7（存货周转率）小于6.5”，那么本年度审计意见类型可以预测为标准无保留意见。

（7）如果X2小于0.042元，X14为标准无保留意见，还满足2个条件“X11大于或等于-0.23”、“X1大于或等于21”和“X7大于或等于6.5”，那么本年度审计意见类型可以预测为带强调事项段的无保留意见。

从上述模型可知，上市公司的基本每股收益、上年度审计意见类型、营运资金比率、资产规模和存货周转率是预测审计意见类型的重要变量，所以会计师事务所在对上市公司开展审计业务出具审计意见类型时，应重点考虑这5个变量的取值。

参 考 文 献

[1]蔡春，杨麟，陈晓媛，等.上市公司审计意见类型影响因素的实证分析[J].财经科学，2005（1）：95-102.

[2]田金玉.基于BP神经网络的上市公司审计意见预测模型[J].財会月刊，2010（1）：109-110.

[3]郭磊.我国上市公司审计意见预测研究[D].广州：暨南大学，2008（5）：1-49.

[4]张实.决策树方法预测审计意见类型[D].上海：上海立信会计金融学院，2017（5）：1-25.

[5]李清，韩丽荣，鲁豫.基于遗传算法的上市公司审计意见类型预测模型研究[D].天津：天津财经大学，2014（5）：1-47.

[6]保艳波.上市公司审计意见影响因素实证分析[D].昆明：云南大学，2015（3）.

[7]何为红，徐欣.上市公司审计委员会特征与审计意见类型[J].财会月刊，2016（3）：92-96.

[8]梁红玉.上市公司审计意见类型影响因素研究[D].天津：天津财经大学，2012（5）：1-51.

[9]余敏，吴应宇，毛俊.上市公司审计意见类型预测模型[J].财经论坛，2008（4）：133-135.

[10]王晓艳，王朝娟，王绍霞.上市公司财务状况与审计意见相关性研究[J].会计之友，2011（9）：92-95.

[11]Saif S M，Sarikhani M，Ebrahimi F.An Expert System with Neural Network and Decision Tree for Predicting Audit Opinions[J].IAES International Journal of Artificial Intelligence，2013（4）：151.