10000字审计论文：benford法则

《10000字审计论文：benford法则》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、10000字审计论文：Benford法则能力与知识的关系，相信大家都很清楚。知识不是能力，但却是获得能力的前提与基础。而要将知识转化为能力，需要个体的社会实践。下面是编辑老师为大家准备的10000字审计论文。１技术简介1.1Benford法则简介1.1.1Benford法则[1]的定义1938年，通用电气公司物理学家FrankBenford收集了大量的数据集合后发现，人们处理较低数字开头的数值的频率较大。1.1.2Benford法则的Benford分布Benford分布属于第二代(secondgeneration)

2、分布，描述了数据总体的客观分布规律，数据总体由其他分布中的抽样数据组成的分布。2004年UtahStateUniversity的CindyDurtschi的研究[2]表明：(1)数字出现概率的期望值的标准偏差为：Z=(

3、P0-Pe

4、-1/2n)/Si(2)分布概率的Z统计量为：P0：实际的数据出现比率;Pe：根据Benford法则的预期出现比率;Si：某个数字的标准偏差;n：目标数据集的记录数。1.1.3Benford分布中的数字频率上下限论文最好能建立在平日比较注意探索的问题的基础上，写论文主要是反映学生对问题的

5、思考，详细内容请看下文6000字审计论文。1引言随着经济的发展和市场竞争的加剧，人们对公开、真实、准确的会计信息越来越需要，而审计在其中发挥着日益重要的作用。审计关系的平衡稳定对达成审计目标至关重要，是保障审计独立性的基石。然而，稳固的审计三角在传统的审计关系模型中已消失殆尽，为保证审计的独立性，上市公司审计应由公司以外的第三方充当委托人。追本溯源，在审计诞生之初，审计三角稳定和谐。管家为富豪持家理财，同时从富豪处得到佣金，自己的财富获得与经营的好坏直接相关。富人为了监督考核管家，请来审计师对管家的账目进行核查，审

6、计师的酬劳也由富人支付。因此，管家和审计师都对富人负责，而相互之间没有利益关系，审计三角得以维系。而今，历史的车轮滚滚而来，从震惊世界的安然事件、世通事件，到意大利的帕玛拉特舞弊案，再到我国红光实业、黎明股份、银广夏等一系列上市公司舞弊案的浮出水面，无不反映了审计委员会缺乏独立性;审计师缺乏独立性和职业谨慎;强制轮换流于形式等审计问题的客观存在。随着企业结构的复杂化，审计关系出现了新的特点，传统的审计三角被打破，失灵了。2我国上市公司审计委托模式的现状我国财务造假恶性案件的发生，主要是由于注册会计师独立性缺失造成的

7、，而注册会计师独立性降低与审计委托关系的错位密不可分。目前我国上市公司审计委托模式存在以下问题。(1)随着资本市场的发展，上市公司公开发行股票使得股权日渐分散，公司财产的所有者是一批经常变动的股东，这样的现实难以适应传统审计模式下对财产所有者人数有限且相对固定的限制，使得由全体股东充当委托人不再现实。因而少数的股东，在我国甚至是唯一的大股东，成为了全体股东的代言人。这样，审计师代表的首先是代位委托人的利益，之后才能通过代位委托人体现公众的利益。大股东能否代表全体股东的利益，能否代表得好，无从考证。(1)数字频率的上

8、限：(2)数字频率的下限：1.1.4Benford法则的应用范围(1)可以针对海量数据进行挖掘分析，数据规模越大，分析结果越精确。(2)会计舞弊调查[3-5]、审计[6-8]、税收监管[9]、金融分析和反洗钱[10]。1.2Apriori算法简介Apriori算法[11]是一种对布尔关联规则频繁项集进行挖掘的算法。Apriori算法使用一种逐层搜索的迭代方法，即使用k-项集用于探索(k+1)-项集，其中k=1，2，3，，n，n∈N，直到最终无法找到频繁(k+1)-项集，从而确定最终的频繁k-项集。２应用Ｂ

9、ｅｎｆｏｒｄ法则和Ａｐｒｉｏｒｉ算法对海量数据的审计分析Benford法则和Apriori算法的联合数据挖掘在审计中的应用主要围绕为以下两个核心步骤展开：2.1应用Benford法则发现审计疑点(1)判断数据的是否符合Benford法则的应用范围。(2)对总体数据的一、二位有效数字进行Benford法则的符合性测试，初步发现对数据进行深入钻取的线索。(3)对标准分布频率和实际分布频率进行比较，分析频率偏差，确定合理的钻取重点。(4)根据分析结果和实际需要，进行更多位数字的进一步数据钻取和分析，直至发现目标数据。钻取

10、过程如图1所示。2.2应用Apriori算法分析审计疑点(1)采集通过Benford法则分析后输出的疑点数据集。(2)整理疑点数据集以建立事务集，即Apriori算法要求输入的数据集合。(3)扫描事务集产生候选数据集合，并依据最小支持度筛选出频繁项集。(4)频繁项集进行自关联，迭代第三、第四步，确定最终的频繁项集。(5)依据最小置信度从频繁项集产生强规则。(