·96·
价值工程
上市公司会计信息质量评价体系构建及实证研究
EvaluationSystemConstructionandEmpiricalResearchofAccountingInformationQuality
intheListedCompany
王玉翠①WangYucui；康楠楠①KangNannan；任秀梅①RenXiumei；生艳梅②ShengYanmei
（①东北石油大学经济管理学院，大庆163318；②东北石油大学石油经济与管理研究所，大庆163318）
（①SchoolofEconomicsandManagement，NortheastPetroleumUniversity，Daqing163318，China；
②ResearchInstituteofPetroleumEconomicsandManagement，NortheastPetroleumUniversity，Daqing163318，China）
摘要：文章采用人工神经网络评价方法对上市公司会计信息质量进行有效评价，通过构建会计信息质量评价指标体系、计算各个影响因素
相对于目标层的权重，在此基础之上运用人工神经网络评价方法，最终得出会计信息质量综合评价结果，通过实例分析，验证了该评价方法的可
行性，为上市公司会计信息使用者提供了一种量化会计信息质量的好方法，对于促进国民经济的可持续发展具有一定的理论指导意义和现实意义。
Abstract:Thepaperadoptedtheartificialneuralnetworkevaluationmethodtoappraiseaccountinginformationqualityevaluationofthelistedcompanyeffectively,throughestablishingtheaccountinginformationqualityevaluationindexsystem,thearticlefiguredouttheweightofeveryinfluencefactorrelativetotargetlayer,onthisbasis,thearticleusedArtificialNeuralNetworkEvaluationtoobtainaaccountinginformationqualitycomprehensiveevaluationresult,bytheanalysisofexamples,thepaperverifiedthefeasibilityoftheevaluationmethod,whichsuppliesagoodwayofquantizingtheaccountinginformationqualityfortheaccountinginformationusersofthelistedcompany,ithascertaintheoreticaldirectionandrealisticsignificanceforpromotingthesustainabledevelopmentofthenationaleconomy.
关键词：上市公司；会计信息质量；人工神经网络评价法Keywords:listedcompany；accountinginformationquality；ArtificialNeuralNetworkEvaluationMethod
中图分类号：F275
文献标识码：A
文章编号：1006-4311（2012）14-0096-02
我们需要不断用一个个训练模式训练网络，当各个训练模式都
[5]
满足要求时，我们说人工神经网络已经学习好了。
3.2实例运用
3.2.1样本数据的选取本文选取10个上市公司作为人工神经
———————————————————————
样本数据包括训练和检测样本。基金项目：黑龙江省教育厅人文社会科学研究项目（12512006），黑龙江省高网络模型的样本数据，
我们通过咨询金融等方面专家的意见，得到对各个指标的打分等学校人文社会科学重点研究基地项目（JD20111202）。
作者简介：王玉翠（1972－），女，吉林通榆人，副教授，硕士，会计学，主要从事评判。
①第三层对第二层的评判矩阵依次为：会计理论与实务的研究。收稿日期：2011年11月29日。
0引言
进入20世纪以来，资本市场中上市公司的数量逐渐增多，其股票价格的起起落落，其实就是众多会计信息使用者利用上市公司所披露的会计信息进行分析和评价的结果。良好的资本市场需要高质量的财务信息作为支撑，可是由于市场经济的运营规则等使得上市公司的会计信息质量参差不齐，所以如何评价其会计信息质量，有效的把握其真实的整体发展状况，是一个必须要解决的重大课题。
1上市公司会计信息质量评价标准在上市公司会计目标确定的前提下，上市公司会计准则及制度得以制定并实施。它要求上市公司所披露的会计信息应当具备例如真实性、相关性、全面性和及时性等特征来满足特定的会计目标。所以会计信息质量评价指标的选取应当以会计目标作为出发点和前提[1]。本文就是基于这四个特征来建立上市公司会计信息质量的评价指标体系。
2上市公司会计信息质量评价指标体系的构建
根据以上分析，上市公司会计信息质量的评价指标由真实性、相关性、全面性和及时性构成。而这四个评价指标又可以细分为若干个具体指标。
2.1真实性财务报表是上市公司将会计信息传递给各使用者的载体，评价其真实性，可以从财务报表中所反映数据的真实程度来检测，所以真实性可以包括资产负债表、利润表和所有者权益变动表三个分指标。
2.2相关性上市公司往往利用会计政策、会计估计变更和会计差错操纵利润，而上述信息披露的不充分，会影响其可比性，从而导致其相关性降低；报表外的信息披露较表内更能全面的反映上市公司的经营和发展状况，帮助信息使用者做出正确决策；会计信息使用者的需求千差万别，他们对会计信息的满意程度也影响着会计信息的相关性[2]。
2.3全面性上市公司不仅要在时间层面上连续并完全的反映其所有经济业务，还要在空间层面上将其各个部门的会计信息予以详细披露[3]；在内容层面上，它必须囊括会计信息的各个会计要素：
资产、负债、所有者权益、收入、费用和利润；上市公司的非财务信
息，诸如人力资源和前瞻性信息等亦影响着使用者的决策，也必须予以披露。
2.4及时性上市公司定期报告的披露是有时间限制的，我们可以用按期已经披露的报告数与按期应当披露的报告数之比率来衡量其及时性[4]；上市公司关联交易、重大诉讼、股权变动等重大事项披露的及时状况，其经济业务的会计处理及时情况以及其他诸如为会计信息使用者的询问或质疑给出答复等的及时情况都是会计信息及时性的具体体现。
根据上述分析，我们即可以构建出一个三层结构的评价指标体系。
3运用人工神经网络评价法评价上市公司会计信息质量
3.1人工神经网络评价法的数学描述人工神经网络是一种具
输出层和隐含有三层或三层以上层次结构的网络。它含有输入层、
层节点。通常采用S型函数进行计算。
对第p个学习样本（p=1，2，…，M），节点j的输入总和记为netpj，输出记为Opj，则：
netpj=ΣWji=QpiOpj=f（netpj）
i=1N
网络输出与期望输出（dpj）间的误差为：对每个输入样本p，
2
E=ΣEp=[Σ（dpj-Qpj）]/2
p
p
人工神经网络的权值修正公式为：Wji=W（）+ηδpjQpjjit
Σ
f（′netpj）（dpj-Opj）对于输出节点ΣΣΣ
δpj=Σ
Σ
f（′netpj）（Σδpk-Wkj）对于输入节点ΣΣ
Σ
k
·96·
价值工程
上市公司会计信息质量评价体系构建及实证研究
EvaluationSystemConstructionandEmpiricalResearchofAccountingInformationQuality
intheListedCompany
王玉翠①WangYucui；康楠楠①KangNannan；任秀梅①RenXiumei；生艳梅②ShengYanmei
（①东北石油大学经济管理学院，大庆163318；②东北石油大学石油经济与管理研究所，大庆163318）
（①SchoolofEconomicsandManagement，NortheastPetroleumUniversity，Daqing163318，China；
②ResearchInstituteofPetroleumEconomicsandManagement，NortheastPetroleumUniversity，Daqing163318，China）
摘要：文章采用人工神经网络评价方法对上市公司会计信息质量进行有效评价，通过构建会计信息质量评价指标体系、计算各个影响因素
相对于目标层的权重，在此基础之上运用人工神经网络评价方法，最终得出会计信息质量综合评价结果，通过实例分析，验证了该评价方法的可
行性，为上市公司会计信息使用者提供了一种量化会计信息质量的好方法，对于促进国民经济的可持续发展具有一定的理论指导意义和现实意义。
Abstract:Thepaperadoptedtheartificialneuralnetworkevaluationmethodtoappraiseaccountinginformationqualityevaluationofthelistedcompanyeffectively,throughestablishingtheaccountinginformationqualityevaluationindexsystem,thearticlefiguredouttheweightofeveryinfluencefactorrelativetotargetlayer,onthisbasis,thearticleusedArtificialNeuralNetworkEvaluationtoobtainaaccountinginformationqualitycomprehensiveevaluationresult,bytheanalysisofexamples,thepaperverifiedthefeasibilityoftheevaluationmethod,whichsuppliesagoodwayofquantizingtheaccountinginformationqualityfortheaccountinginformationusersofthelistedcompany,ithascertaintheoreticaldirectionandrealisticsignificanceforpromotingthesustainabledevelopmentofthenationaleconomy.
关键词：上市公司；会计信息质量；人工神经网络评价法Keywords:listedcompany；accountinginformationquality；ArtificialNeuralNetworkEvaluationMethod
中图分类号：F275
文献标识码：A
文章编号：1006-4311（2012）14-0096-02
我们需要不断用一个个训练模式训练网络，当各个训练模式都
[5]
满足要求时，我们说人工神经网络已经学习好了。
3.2实例运用
3.2.1样本数据的选取本文选取10个上市公司作为人工神经
———————————————————————
样本数据包括训练和检测样本。基金项目：黑龙江省教育厅人文社会科学研究项目（12512006），黑龙江省高网络模型的样本数据，
我们通过咨询金融等方面专家的意见，得到对各个指标的打分等学校人文社会科学重点研究基地项目（JD20111202）。
作者简介：王玉翠（1972－），女，吉林通榆人，副教授，硕士，会计学，主要从事评判。
①第三层对第二层的评判矩阵依次为：会计理论与实务的研究。收稿日期：2011年11月29日。
0引言
进入20世纪以来，资本市场中上市公司的数量逐渐增多，其股票价格的起起落落，其实就是众多会计信息使用者利用上市公司所披露的会计信息进行分析和评价的结果。良好的资本市场需要高质量的财务信息作为支撑，可是由于市场经济的运营规则等使得上市公司的会计信息质量参差不齐，所以如何评价其会计信息质量，有效的把握其真实的整体发展状况，是一个必须要解决的重大课题。
1上市公司会计信息质量评价标准在上市公司会计目标确定的前提下，上市公司会计准则及制度得以制定并实施。它要求上市公司所披露的会计信息应当具备例如真实性、相关性、全面性和及时性等特征来满足特定的会计目标。所以会计信息质量评价指标的选取应当以会计目标作为出发点和前提[1]。本文就是基于这四个特征来建立上市公司会计信息质量的评价指标体系。
2上市公司会计信息质量评价指标体系的构建
根据以上分析，上市公司会计信息质量的评价指标由真实性、相关性、全面性和及时性构成。而这四个评价指标又可以细分为若干个具体指标。
2.1真实性财务报表是上市公司将会计信息传递给各使用者的载体，评价其真实性，可以从财务报表中所反映数据的真实程度来检测，所以真实性可以包括资产负债表、利润表和所有者权益变动表三个分指标。
2.2相关性上市公司往往利用会计政策、会计估计变更和会计差错操纵利润，而上述信息披露的不充分，会影响其可比性，从而导致其相关性降低；报表外的信息披露较表内更能全面的反映上市公司的经营和发展状况，帮助信息使用者做出正确决策；会计信息使用者的需求千差万别，他们对会计信息的满意程度也影响着会计信息的相关性[2]。
2.3全面性上市公司不仅要在时间层面上连续并完全的反映其所有经济业务，还要在空间层面上将其各个部门的会计信息予以详细披露[3]；在内容层面上，它必须囊括会计信息的各个会计要素：
资产、负债、所有者权益、收入、费用和利润；上市公司的非财务信
息，诸如人力资源和前瞻性信息等亦影响着使用者的决策，也必须予以披露。
2.4及时性上市公司定期报告的披露是有时间限制的，我们可以用按期已经披露的报告数与按期应当披露的报告数之比率来衡量其及时性[4]；上市公司关联交易、重大诉讼、股权变动等重大事项披露的及时状况，其经济业务的会计处理及时情况以及其他诸如为会计信息使用者的询问或质疑给出答复等的及时情况都是会计信息及时性的具体体现。
根据上述分析，我们即可以构建出一个三层结构的评价指标体系。
3运用人工神经网络评价法评价上市公司会计信息质量
3.1人工神经网络评价法的数学描述人工神经网络是一种具
输出层和隐含有三层或三层以上层次结构的网络。它含有输入层、
层节点。通常采用S型函数进行计算。
对第p个学习样本（p=1，2，…，M），节点j的输入总和记为netpj，输出记为Opj，则：
netpj=ΣWji=QpiOpj=f（netpj）
i=1N
网络输出与期望输出（dpj）间的误差为：对每个输入样本p，
2
E=ΣEp=[Σ（dpj-Qpj）]/2
p
p
人工神经网络的权值修正公式为：Wji=W（）+ηδpjQpjjit
Σ
f（′netpj）（dpj-Opj）对于输出节点ΣΣΣ
δpj=Σ
Σ
f（′netpj）（Σδpk-Wkj）对于输入节点ΣΣ
Σ
k