第六章 結論
第二節 研究建議
礙於實驗設備與編寫程式的技巧不足，訓練模型相對消耗大量時間，僅訓練50 組模型，此外是使用最基礎的Fully Connected Feedforward Network 架構，建議後 續研究者可以訓練更多的模組做voting，精準會提升更多，此外也可以使用其他深 度學習架構與Activation Function，測試哪種架構最適合預測審計失敗。
這次的研究主要目的之一是測試深度學習模型在審計失敗這個問題上能不能 被使用，其結果為可行，也希望機器學習能在會計領域上漸漸被廣泛使用，能有效 減少人力，獲得事半功倍的效果。
參考資料
Bishop, C. M. 2006. Pattern recognition and machine learning: springer.
bravotty. 2020. Information-entropy-loss-pytorch, March 31 2020 [cited December 15 2020]. Available from https://github.com/bravotty/Information-entropy-loss-pytorch/blob/master/entropy_loss_pytorch.py.
De Fuentes, C., and R. Porcuna. 2019. Predicting audit failure: evidence from auditing enforcement releases. Spanish Journal of Finance and Accounting/Revista Española de Financiación y Contabilidad 48 (3):274-305.
DeAngelo, L. E. 1981. Auditor size and audit quality. Journal of accounting and economics 3 (3):183-199.
Dechow, P. M., R. G. Sloan, and A. P. Sweeney. 1995. Detecting earnings management.
Accounting review:193-225.
Glorot, X., and Y. Bengio. 2010. Understanding the difficulty of training deep feedforward neural networks. Paper read at Proceedings of the thirteenth international conference on artificial intelligence and statistics.
Hinton, G. E., S. Osindero, and Y.-W. Teh. 2006. A fast learning algorithm for deep belief nets. Neural computation 18 (7):1527-1554.
Hoskiss. 2020. [機器學習] Backpropagation with Softmax / Cross Entropy 2019 [cited December 2 2020]. Available from https://medium.com/hoskiss-stand/backpropagation-with-softmax-cross-entropy-d60983b7b245.
Jones, J. J. 1991. Earnings management during import relief investigations. Journal of accounting research 29 (2):193-228.
Kothari, S. P., A. J. Leone, and C. E. Wasley. 2005. Performance matched discretionary accrual measures. Journal of accounting and economics 39 (1):163-197.
Krishnan, G. V. 2003. Audit quality and the pricing of discretionary accruals. Auditing: A journal of practice & theory 22 (1):109-126.
Li, L., B. Qi, G. Tian, and G. Zhang. 2015. The Contagion Effect of Low-Quality Audits along Individual Auditors. Available at SSRN 2478348.
ML-Glossary. Loss Functions 2017 [cited. Available from https://ml-cheatsheet.readthedocs.io/en/latest/loss_functions.html.
Nielsen, M. CHAPTER 4 A visual proof that neural nets can compute any function 2019 [cited. Available from http://neuralnetworksanddeeplearning.com/chap4.
Rumelhart, D. E., G. E. Hinton, and R. J. Williams. 1986. Learning representations by back-propagating errors. nature 323 (6088):533-536.
Saito, T., and M. Rehmsmeier. 2015. The precision-recall plot is more informative than the ROC plot when evaluating binary classifiers on imbalanced datasets. PloS one
10 (3):e0118432.
ufoym. 2020. Imbalanced Dataset Sampler, October 9 2020 [cited December 15 2020].
Available from https://github.com/ufoym/imbalanced-dataset-sampler.
Zmijewski, M. E. 1984. Methodological issues related to the estimation of financial distress prediction models. Journal of accounting research:59-82.
吳琮璠教授. 2001. 審計學--新觀念與本土化. 台北市: 吳琮璠教授.
李 宏 毅 . 2016a. ML Lecture 1: Regression - Case Study. YouTube.
https://www.youtube.com/watch?v=fegAeph9UaA.
— — —. 2016b. ML Lecture 2: Where does the error come from? . YouTube.
https://www.youtube.com/watch?v=D_S6y0Jm6dQ.
— — — . 2016c. ML Lecture 3-1: Gradient Descent. YouTube.
https://www.youtube.com/watch?v=yKKNr-QKz2Q.
— — —. 2016d. ML Lecture 6: Brief Introduction of Deep Learning. YouTube.
https://www.youtube.com/watch?v=Dr-WRlEFefw.
— — — . 2016e. ML Lecture 7: Backpropagation. YouTube.
https://www.youtube.com/watch?v=ibJpTrp5mcE.
———. 2016f. ML Lecture 9-1: Tips for Training DNN. YouTube.
— — — . 2016g. ML Lecture 11: Why Deep? YouTube.
https://www.youtube.com/watch?v=XsC9byQkUH8.
— — — . 2016h. ML Lecture 12: Semi-supervised. YouTube.
https://www.youtube.com/watch?v=fX_guE7JNnY.
— — — . 2017a. ML Lecture 5: Logistic Regression. YouTube.
https://www.youtube.com/watch?v=hSXFuypLukA.
— — — . 2017b. ML Lecture 22: Ensemble. YouTube.
https://www.youtube.com/watch?v=tH9FH1DH5n0.
陳怡均. 2008. 簡介美國 PCAOB 對於公開公司會計師之監理. 金融監督管理委員 會 2008 [cited October 16 2008]. Available from https://www.fsc.gov.tw/fckdowndoc?file=/%E5%AF%A6%E5%8B%99%E6%9 6%B0%E7%9F%A5%20(1).pdf&flag=doc.
蔡孟瑾. 2015. 審計失敗之傳染效果-以台灣為例. 臺灣大學會計學研究所學位論 文:1-48.
附錄
Confusion Matrix
Confusion Matrix 是表現二元分類的一個方法，將真實答案與模型預測結果表 現在2*2 的格子中，四個格子分別為 True Positive、False Negative、False Positive 、 True Negative。True Positive 與 True Negative 皆代表預測與真實狀況一致，False Negative 代表真實發生的事件並沒有被模型預測出來，為漏報。False Positive 則代 表模型預測出的會發生的事件其實並沒有發生，為誤報，可參考Tabel 7:
Tabel 7 Confusion Matrix
Predicted Class
Class 1 Class 0 Actual
Class
Class 1 True Positive(TP) False Negative(FN)
Class 0 False Positive(FP) True Negative(TN)
有幾項計算模型的指標:
1.正確率: 正確率為模型中預測正確占整體資料的比例。
TP TN Accuracy
TP TN FP FN
2.Sensitivity: Sensitivity 又可稱作 Recall 或 True Positive Rate，可以用以計算真實發 生的案件中有多少比例成功地被模型預測。
( ) TP Sensitivity Recall
TP FN
3. Precision: Precision 又可稱作為 Positive Predictive Value，可以用以計算預測會發 生的案件中真實發生的比例有多少。
Precision TP
TP FP
4. Fall-out: Fall-out 又可稱為 False Positive Rate，可以檢測真實不會發生的案件中 有多少比率是誤報。
Fallout FP
FP TN
Zmijewski (1984) index
4543對照組中所使用的Zmijewski 指數從符合下列三個公式的 Probit model 得到:
=累積常態分佈
0 1 it 2 it 1 it
H a ROA a FINL a LIQ
為了估計破產機率Zmijewski 指數的各項係數由下列 Probit model 中得到:
( ) ( ) ( )
z
G z z v dv
其中( )z 為常態機率分布，如下所示
1 2
( )
2 2
( ) (2 )
z
z e
0 1 it 2 it 1 it
z a ROA a FINL a LIQ
其他參數
其他在模型中使用的參數，僅列出本年度，模型中則使用本年度、上年度及前 年度的所有欄位。請注意以下項目是使用虛擬變數(Dummy Variable)的方式呈現:簽 證意見類型、繼續經營假設是否有疑慮、是否為大型事務所、產業名稱、會計師1、
會計師2。
Tabel 8 其他參數
會計科目/欄位名稱 說明(取自台灣經濟新報 TEJ+)
現金及約當現金 係庫存現金、銀行存款與零星支出之週轉金及隨時可轉換 成定額現金且即將到期
而其利率變動對其價值影響甚少之短期且具高度流動性之 投資約當現金係指自投資日起三個月內到期之商業本票，
銀行承兌匯票等
透過損益按公允價
配合IFRS 9 新增科目：
程+存貨－成屋待售
係非衍生性金融資產且符合下列條件之一者：
配合IFRS15 新增科目：2017Q4（含）以前科目值衍生 NA。
採權益法之長期股
= 遞延借項─非流動 +投資性不動產淨額 +預付設備款
改列長期負債項下避險
債 款、應付機器進口關稅一年到期部分。若應付票據中含長
以公平價值衡量，並應依被避險項目之流動性區分為流動
配合IFRS15 新增科目：2017Q4（含）以前科目值衍生 NA。 (Minimum Liability)"即累積給付義務-退休基金資產之公 平價值;但會小於"提撥狀況-Σ未認列"，即提撥狀況 (T1536)-未認列過度性淨給付義務-未認列前期服務成本-未認列退休金損益。
遞延所得稅 跨期間所得稅分攤，因會計所得和課稅所得不同所產生之 遞延認列之所得稅費用
非流動負債 '係指償還期限在一年或一年以上之負債。
= 透過損益按公允價值衡量之金融負債-非流動 +避險之 衍生性金融負債─非流動 +按攤銷後成本衡量之金融負債
－非流動 +合約負債－非流動 +特別股負債─非流動 + 應付公司債─非流動 +銀行借款─非流動 +其他長期借 款─非流動 +負債準備─非流動 +遞延貸項 +應計退休 金負債 +遞延所得稅 +其他非流動負債。
負債總額 = 流動負債 +非流動負債 普通股股本 已發行之普通股資本。
特別股股本 優先於普通股分配之股本。
預收股款 現金增資時，所收到的認股款，含面額及溢價金額。
待分配股票股利 無償配股時的待轉股本，均按面額轉列、待分配股票股 利、可轉換公司債換股權利書。
換股權利證書 持有人(員工)有權利但無義務於特定期間按固定或可決定 的金額認購企業股票的
合約 (鄭丁旺 第九版 P265)
股本 又稱法定資本，係股東對發行人所投入之資本，並向公司
登記主管機關申請登記者。為維持法定資本之完整性，非 經減資手續不得加以減少或消除。
資本公積合計 係指發行人發行金融商品之權益組成要素及發行人與股東 間之股本交易所產生之溢價。股東權益項下，歸屬於資本 公積之部分，來源包括:含溢價發行新股的溢價金額、固 定資產重估增值金額、出售固定資產利益、受領捐贈等。
法定盈餘公積 依法提列稅後淨利10%之公積。
特別盈餘公積 依公司章程提列之特別公積。
未分配盈餘 皆指分配前之未分配盈餘。
保留盈餘 係指公司歷年累積之純益，未以現金或其他資產方式分配
給股東、轉為資本或資本或資本公積者。
= 法定盈餘公積 +特別盈餘公積 +未分配盈餘。
其他權益 凡屬上述所指之其他權益調整項目。
= 國外營運機構財務報表換算之兌換差額 +透過其他綜 合損益按公允價值衡量之金融資產未實現損益 +指定按公 允價值衡量之金融負債信用風險變動影響數 +確定福利計 畫再衡量數 +避險工具損益 +不動產重估增值 +與待出
售非流動資產直
失）利益－營業費
其他利益及損失 = T3440 +T3434 +T3460 +T34BD +T34BG +T34BN +T34AY +T3436 +T3447 +T3498
+T34BE T3599 T358E T359A T3540 T3534 T3560 -T359U -T35BG -T35BN
-T359T -T3536 -T3547 -T35BD +T359V
財務成本 = 利息支出 +負債性特別股股息 +財務成本-其他。
配合IFRS 9 新增科目：2017Q4（含）以前科目值衍生
合計數屬之。=
每股盈餘 每股盈餘(Earnings Per Share ;EPS)按當期之加權平均股數 計算，而不採用追溯調整後之股數。
每股盈餘－完全稀
期末特別股－股票
量 營運活動中所產生的現金
依照裁決性應計數計算出的 Total_accural/去年 Asset
1/去年 Asset 依照裁決性應計數計算出的 1/去年 Asset 銷售額變動 依照裁決性應計數計算出的銷售額變動 應收帳款變動 依照裁決性應計數計算出的應收帳款變動
(銷售變動-應收變
Total_accural
依照裁決性應計數計算出的預測的 Total_accural 裁決性應計數 裁決性應計數
CPA1 任期_自 1983 起(年) CPA2 任期_自 1983
起(年)
CPA2 查核公司年數_自 1983 年起算 CPA2 任期_上市櫃
起(年)
CPA2 查核公司年數_自公司上市櫃起算
CPA2 任期_公開發 CPA1 經驗_自 1983
起(年) CPA2 經驗_自 1983
起(年)
CPA1_ ˇ營收／
CPA1_log 營收／
log 上市櫃客戶營收
%
受查客戶營收佔 CPA1 全部上市櫃客戶營收之比重；公式
＝受查公司營收/CPA1 全部上市客戶營收，營收取 log
CPA1_log 營收／
log 公發客戶營收
%
受查客戶營收佔 CPA1 全部公開發行以上客戶營收之比 重；公式＝受查公司營收/CPA1 全部公開發行以上客戶營 收，營收取 log
CPA1_log 資產／
log 上市櫃客戶資產
%
受查客戶資產佔 CPA1 全部上市櫃客戶資產之比重；公式
＝受查公司資產/CPA1 全部上市客戶資產，資產取 log
CPA1_log 資產／
log 公發客戶資產
CPA1_公開發行客
CPA2_log 營收／
log 上市櫃客戶營收
%
受查客戶營收佔 CPA2 全部上市櫃客戶營收之比重；公式
＝受查公司營收/CPA2 全部上市客戶營收，營收取 log
CPA2_log 營收／
log 公發客戶營收
%
受查客戶營收佔 CPA2 全部公開發行以上客戶營收之比 重；公式＝受查公司營收/CPA2 全部公開發行以上客戶營 收，營收取 log
CPA2_log 資產／
log 上市櫃客戶資產
%
受查客戶資產佔 CPA2 全部上市櫃客戶資產之比重；公式
＝受查公司資產/CPA2 全部上市客戶資產，資產取 log
CPA2_log 資產／
事務所_ ˇ資產／
事務所_營收／上市
CPA1_上市櫃客戶_查核產業數 CPA1_上市櫃客戶_
CPA1_公開發行客戶_查核產業數 CPA1_公開發行客
CPA1_產業客戶_營
CPA1 產業簽證市佔率－公開發行公司家數；公式=CPA1 查核該產業公開發行公司客戶家數／該產業公開發行公司
CPA1 產業簽證市佔率－公開發行公司營收；公式=CPA1 查核產業公開發行客戶之營收總和／該產業所有公開發行
CPA1 產業簽證市佔率－公開發行公司營收；公式=CPA1 查核產業公開發行客戶之營收總和／該產業所有公開發行