第一章 緒論
第三節 研究架構
研究動機與目的
文獻回顧
審計失敗的傳染 效果文獻
裁決性應計數 審計失敗文獻 文獻
介紹深度學習
訓練模型
實驗結果分析 與對照組
研究結論與建議
第三章 文獻回顧
第一節 審計失敗
依照吳琮璠教授 (2001)2在審計學中對審計失敗的定義，審計失敗指：「查核人 員未依照一般公認審計準則執行查核工作，出具不當的查核報告。」需要注意審計 失敗並非企業失敗，企業失敗指企業因為內在或外在的因素而倒閉或重整2，企業 失敗並不直接導致審計失敗。在查核時會計師應「盡專業上應有之注意，蒐集足夠 及適切的查核證據，出具適當意見」2，當企業失敗產生時，若會計師依照其專業 出具適當查核意見，則不能稱之為審計失敗。證券交易法中亦規定3若公司公開說 明書有虛偽或隱匿之情事，會計師對善意第三人所受之損失負連帶賠償責任，但會 計師若如能證明已經合理調查，並有正當理由確信其簽證或意見為真實者則免責。
由此可見審計失敗著重於是否出具適當的報告，而非企業本身營利狀況的好壞。
台灣財務報表發布需要經過三個步驟，由公司編製，經過會計師查核，再申報 主管機關審查。證券交易法第 14 條規定：「財務報告應經董事長、經理人及會計主 管簽名或蓋章，並出具財務報告內容無虛偽或隱匿之聲明。」其表示財務報表的編 製階段，需要公司潔身自愛，讓財務報表內容無虛偽或隱匿之情事，再經過會計查 核。而依照證券交易法第 32 條規定，會計師需要近專業上應有之注意查核財務報 表，並對財務報表出具適當意見。最後財務報表經查核後申報主管機關審查，依證 券交易法施行細則第 6 條規定，未依有關法令編製而應予更正者，應照主管機關 所定期限自行更正，且依證券交易法第 39 條規定，若發行人申報之財務報表發現 有不符合法令規定之事項，得以命令糾正、限期改善並處罰。由上述可知若財務報 表有虛偽或隱匿，經查核後申報審查，主管機關有權利要求公司重編，且公司與會 計師都要受處罰，只有在會計師依照專業之注意出具適當之意見時才能免罰。換句
2 吳琮璠教授. 2001. 審計學--新觀念與本土化. 台北市: 吳琮璠教授. 頁 76
3 證交法 32 條
話說，除因會計原則改變、會計個體變更造成的財務報表重編，或有會計師能證明 自己已盡專業上應有之注意的狀況外，財務報表重編可以當成審計失敗的指標。並 可運用財務報表重編當作應變數來訓練模型並用以預測審計失敗。
Fig. 2-1 財務報表編制至申報流程
第二節 審計失敗的傳染效果
審計失敗的傳染效果係指若一件審計失敗發生時，與其有一定關聯性的審計 案件的審計品質也會下降，造成發生審計品質的可能性升高。在Li et al. (2015) 4 的研究中，傳染效果分為垂直傳染與水平傳染，並又以會計師或會計師事務所的傳 染效果做區分。垂直傳染效果指會計師或事務所曾經發生過審計失敗，接下來數年 間該會計師或事務所所執行的查核案件審計品質也會下降，出現審計失敗的可能 性較其他查核案件更高。而水平傳染效果指會計師或事務所發生過審計失敗的年 度，當年同會計師或事務所所執行的查核案件審計品質也會下降，出現審計失敗的 可能性較同年度其他查核案件更高。
4 Li, L., B. Qi, G. Tian, and G. Zhang. 2015. The Contagion Effect of Low-Quality Audits along Individual Auditors. Available at SSRN 2478348.
Li et al. (2015)4 分析中國證券監督管理委員會(CSRC)與中國註冊會計師協會 (CICPA)中有關於會計師相關的資料，發現不論會計師層級或事務所層級皆出現水平 及垂直傳染。會計師與事務所層級的垂直傳染約會影響四年，若一件查核案件其執行 查核的會計師或事務所若在前四年間出現審計失敗，則該案件出現審計失敗的可能性 提升。而會計師與事務所層級的水平傳染則是讓當年度該會計師或事務所執行的其他 查核案件出現審計失敗的可能性提高。
第三節 裁決性應計數
在會計上應計基礎較現金基礎使用廣泛5，應計基礎能讓管理階層更容易地將 公司內部的資訊向外界透露，然而管理階層也能透過激進的盈餘管理讓財務報表 失真，進而造成財報使用者做出錯誤判斷。裁決性應計數(Discretionary Accrual)是 衡量盈餘管理的指標，藉由過去一定年間自己的財務資訊或同年間同產業其他公 司的財務資訊計算該公司今年度應有的應計數，而偏離預測應計數的數字為裁決 性應計數，代表管理階層盈餘管理的程度。裁決性應計數與審計品質有一定的關連 性5，而依據DeAngelo (1981) 6對審計品質的定義為會計師發現並報導財報舞弊與 錯誤的能力，這顯出審計品質與審計失敗有關，審計失敗就是低審計品質的表現，
會計師無法發現財報舞弊與錯誤導致出不適當之查核意見。由此推論裁決性應計 數與審計失敗有所關連。
一、 Johns Model
Jones (1991)7 Model 最初的目的是要測試那些公司藉由降低營收來爭取補助 款。論文中將總應計數定義為非現金營運資金變動，去除總折舊費用所獲得的值。
5 Krishnan, G. V. 2003. Audit quality and the pricing of discretionary accruals. Auditing: A journal of practice & theory 22 (1):109-126.
6 DeAngelo, L. E. 1981. Auditor size and audit quality. Journal of accounting and economics 3 (3):183-199.
7 Jones, J. J. 1991. Earnings management during import relief investigations. Journal of accounting research 29 (2):193-228.
模型利用不動產、廠房與設備、收入年變動、常數項，並將各項皆除去年總資產來 模擬一間公司正常的應計數。不動產廠房與設備是為了控制非裁決性折舊費用，收 入年變動則是要控制經濟環境對公司的影響。依照模型計算出該年度正常應計數 後，與總應計數之差額極為裁決性應計數。
二、 Modified Johns Model
Dechow et al. (1995) 8認為單純使用Johns Model 單純使用收入無法完整詮釋 正常的應計數，應將收入年變動減除應收帳款年變動。未修正前的Johns Model 認 為收入是無法被管理階層藉由盈餘管理更改其數值，而Modified Johns Model 則認 為所有賒銷都有盈餘管理的可能，這是因為相較於現金銷貨，管理階層能更輕易地 藉由賒銷的收入任列執行盈餘管理，因此收入變動需減除應收帳款變動。
三、 加入 ROA 的 Modified Johns Model
Kothari et al. (2005) 9認為於眾多偵知裁決性應計數的方法之中，由Dechow, P.
et al 所提出的 Modified Johns Model 解釋能力最高， 為了要減少因忽略公司大小 而造成的變異數不一致的問題，S.P. Kothari et al.增加 ROA 項來控制此問題。這也 是本次實驗中會使用的裁決性應計數，其公式詳見公式(4.1)
8 Dechow, P. M., R. G. Sloan, and A. P. Sweeney. 1995. Detecting earnings management. Accounting review:193-225.
9 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.
第四章 深度學習
第一節 名稱的由來
1958 年10由Frank Rosenblatt 提出名為 Perceptron 的想法，這個演算法類似於 線性分類模型，在訓練資料可被線性函數區分時，Perceptron 可以保證在有限的步 驟中將此線性函數找出來。然而這個方法卻在 1962 年時遭到 Marvin Minsksy 抨 擊，他認為Perceptron 只能在有限的情況下才能運作，不能廣泛地被運用。這也導 致Perceptron 的研究熱潮迅速平息，直到 1980 年代中期才又被人提起。
1980 年代中期11，Multilayer Perceptron 的這個方法被提出，雖然叫做 Multilayer Perceptron，但這個演算法其實不是指很多的 Perceptron 接在一起，而是改用很多 層的Logistic Model 連接12。這個演算法又被人稱作Neural Network，也就是大家 現在常使用的「神經網路」一詞。這是因為當時的學者們想要利用 Multilayer Perceptron 來尋找生物神經系統的數學表示法。這時的 Multilayer Perceptron 已與 2015 年以後使用的深度學習演算法沒有太大的差別。
在1986 時由 Rumelhart et al. (1986)提出 Back-propagation 演算法 13，這個演 算法能夠重複調整神經網路中各單元中的權重，讓神經網路的輸出向量與目標向 量殘差值降到最低。然而當時卻發現如果神經網路的隱藏層超過三層 11，就無法 訓練出好的結果。於是在1989 年左右，多數學者認為一層的隱藏層就足夠模擬各 種函數14，於是Multilayer Perceptron 的聲量又再次下跌。
10.Bishop, C. M. 2006. Pattern recognition and machine learning: springer. (pp.193-194)
11 李宏毅. 2016d. ML Lecture 6: Brief Introduction of Deep Learning. YouTube.
https://www.youtube.com/watch?v=Dr-WRlEFefw. (4:19-10:59)
12 Bishop, C. M. 2006. Pattern recognition and machine learning: springer. (pp.226)
13 Rumelhart, D. E., G. E. Hinton, and R. J. Williams. 1986. Learning representations by back-propagating errors. nature 323 (6088):533-536.
14 Nielsen, M. CHAPTER 4 A visual proof that neural nets can compute any function 2019 [cited.
Available from http://neuralnetworksanddeeplearning.com/chap4.
在1999 年後，隨著 GPU 的發展，訓練多層以上的隱藏層成為可能，於是學者 們就將Multilayer Perceptron 重新命名為 Deep Learning，也就是現在常聽到的「深 度學習」，回到眾人的面前。而在 2006 年 Hinton et al. (2006)提出使用 Restricted Boltzmann machines(RBM)來訓練深度學習的各項權重的初始值 15 ，由於其結構 複雜吸引各研究者的目光，讓 Deep Learning 重新受到重視，甚至有人認為使用 Restricted Boltzmann machines(RBM)才算是 Deep Learning，而未使用則是屬於 1980 年代的 Multilayer Perceptron。但隨著更多研究投入，便發現不需要 Restricted Boltzmann machines(RBM)也能訓練 Deep Learning 模型，於是 Deep Learning 與 Multilayer Perceptron(Neural Network)成為同一種演算法但不同名稱，換句話說「深 度學習」與「神經網絡」屬於同一種演算法，兩個名稱常被交互使用，為了避免困 惑先在此述明。
第二節 Activation Function
Activation function 是深度學習中最基本的單位，可以想像它是神經網路中的 一個節點(node)，執行最簡單的非線性轉換。Activation function 有許多種，常見的 有Sigmoid(3.1)、Rectified Linear Unit (ReLU)(3.2)等。
1 1 x y e
(3.1)
max(0, )x (3.2)
Fig. 3-1 Sigmoid Function Fig. 3-2 ReLU Function
15 Hinton, G. E., S. Osindero, and Y.-W. Teh. 2006. A fast learning algorithm for deep belief nets. Neural computation 18 (7):1527-1554.
Activation function 可以產生相當於邏輯運算子的效果，而且串接越多效果越 強。舉一個例子，如附圖Fig. 3-3，有四的點，分別為(0,0)、(1,0)、(0,1)、(1,1)。如 果要將(0,0)與(1,1)分為一類，(1,0)與(0,1)分為另一類，會發現若單純使用線性函數 會無法進行分類。但若將各點經過下面兩組ReLU 轉換(3.3)(3.4)，就會發現利用一 次函數區分成為可能16。
max(0, 0.5* )
w x y (3.3)
max(0, 0.9 )
z xy (3.4) 經轉換後的四個點分別為(0,0)、(0.5,0.1)、(1,0)、(0,1)，如附圖 Fig. 3-4，可以 輕易的被一次函數區分。若使用多個Activation function 則能更有效地轉換資料，
幫助分類。
Fig. 3-3 轉換前的資料 Fig. 3-4 轉換後的資料
第三節 深度學習架構
深度學習的架構可以任意改變，以應對各種需求，在這篇論文中會使用最基礎
深度學習的架構可以任意改變，以應對各種需求，在這篇論文中會使用最基礎