XBRL财务报告的相关审计研究

发布时间：2017-09-15 17:27

  本文关键词：XBRL财务报告的相关审计研究

  更多相关文章： XBRL财务报告 生成系统 转换系统 重大错报风险 BP神经网络

【摘要】：伴随2010年财政部《企业会计准则通用分类标准》的颁布和XBRL（eXtensible Business Reporting Language,可扩展商业报告语言）在上证所、深证所强制披露，XBRL财务报告将在我国会计领域全面推进。从技术角度考虑，XBRL数据元素标识的唯一性使得XBRL财务报告中的信息元素易于提取，企业能够按审计师的独特需求提供专属性财务信息报告，从而也提高了被审单位审计信息反馈频率。从成本角度考虑，XBRL技术本身所具有的兼容性简化了被审单位和审计机构之间的信息共享和传递程序，不仅如此，XBRL技术的可追溯性特质使得XBRL环境下的审计证据更易追踪，降低了审计人员对被审单位财务数据的获取成本和转换成本。在审计过程方面，充分利用数据测试、集中测试、平行模拟等计算机辅助审计技术，审计师的工作重点将从控制测试向实质性程序转移。在审计范围方面，将由传统的凭证审核、报表审核转移至XBRL系统控制有效性；XBRL技术规范、XBRL分类标准使用恰当性；XBRL实例文档披露内容、形式；XBRL技术规范的遵循性；XBRL财务报告与传统财务报告的一致性。 本文从XBRL财务报告角度出发，首先，，针对现有XBRL财务报告披露内容不能满足财务报告信息链参与各方需求的状况，基于利益相关者视角，提出XBRL财务报告披露内容的未来发展趋向，更好地保证信息使用者可以全面、便捷、高效的获得所需财务信息。其次，针对XBRL财务报告与传统财务报告并行阶段的审计，分别从XBRL生成系统、XBRL转换系统两个层面结合计算机辅助审计技术探究相应审计方法。最后，针对XBRL财务报告完全替代传统财务报告阶段的审计，为了审计师更高效的识别XBRL财务报告数据中可能存在的重大错报风险，本文构建基于Levenberg-Marquardt算法改进型BP神经网络重大错报风险识别模型。同时依据新审计准则第1211号阐述的可能预示较高重大错报风险的部分事项为自变量进行实证分析研究，实证结果显示，相较于Logistic算法重大错报风险识别模型，基于Levenberg-Marquardt算法改进型BP神经网络重大错报风险识别模型具有更高预测准确率和实用性。
【关键词】：XBRL财务报告 生成系统 转换系统 重大错报风险 BP神经网络
【学位授予单位】：兰州理工大学
【学位级别】：硕士
【学位授予年份】：2012
【分类号】：F233;F239.4
【目录】：

• 摘要5-6
• Abstract6-8
• 目录8-10
• 第1章 绪论10-17
• 1.1 研究背景10-11
• 1.2 研究意义11
• 1.3 文献综述11-15
• 1.4 研究方法、研究内容15-17
• 第2章 理论基础17-20
• 2.1 利益相关者理论17
• 2.2 事项会计理论17-18
• 2.3 委托代理理论18-20
• 第3章 XBRL 财务报告概述20-27
• 3.1 XBRL 技术框架21-24
• 3.2 XBRL 财务报告编报模式24-27
• 第4章 XBRL 财务报告应用现状27-42
• 4.1 美国 XBRL 财务报告应用现状27-29
• 4.1.1 美国 XBRL 财务报告相关法规27
• 4.1.2 美国 XBRL 财务报告披露内容27-29
• 4.2 我国 XBRL 财务报告应用现状29-34
• 4.2.1 我国 XBRL 财务报告发展现状29-30
• 4.2.2 我国 XBRL 财务报告披露内容30-34
• 4.3 XBRL 财务报告未来发展趋向34-42
• 4.3.1 社会责任功能的追加35-39
• 4.3.2 财务预测功能的追加39-42
• 第5章 XBRL 与传统财务报告并行阶段的审计42-55
• 5.1 并行阶段 XBRL 系统的审计44-50
• 5.1.1 XBRL 生成系统的审计44-45
• 5.1.2 XBRL 转换系统的审计45-50
• 5.2 并行阶段 XBRL 财务报告的审计50-55
• 5.2.1 XBRL 财务报告审计对象50-51
• 5.2.2 XBRL 财务报告的审计51-55
• 第6章 XBRL 替代传统财务报告阶段的审计55-81
• 6.1 替代阶段 XBRL 财务报告审计流程55-59
• 6.2 替代阶段重大错报风险识别模型数据预处理59-70
• 6.2.1 研究假设59-64
• 6.2.2 样本选取64-66
• 6.2.3 自变量选取66-68
• 6.2.4 假设检验68-70
• 6.3 基于 Logistic 算法重大错报风险识别模型70-71
• 6.4 基于 LM 算法 BP 神经网络重大错报风险识别模型71-79
• 6.4.1 LM 算法 BP 神经网络重大错报风险识别模型设计71-77
• 6.4.2 LM 算法 BP 神经网络重大错报风险识别模型训练77-78
• 6.4.3 实证结果分析78-79
• 6.5 本章小结79-81
• 结论81-83
• 参考文献83-86
• 附录86-91
• 致谢91-92
• 个人简历92-93
• 攻读硕士期间发表论文93

【参考文献】

中国期刊全文数据库 前10条

1 吕志明;;基于XBRL的审计流程再造[J];财经问题研究;2011年03期

2 欧阳电平;周舟;;财务报表附注规范表述现状与建议——基于建立XBRL分类标准的需求[J];财会通讯;2010年04期

3 张天西;高锦萍;;XBRL对审计的影响研究[J];当代财经;2007年06期

4 蒋尧明;;美国财务预测信息披露与监管的经验及借鉴[J];当代财经;2007年12期

5 徐宗宇;对上市公司财务预测准确性的研究[J];当代财经;1997年04期

6 郑秀杰;董丽英;;我国国有企业融资能力——演化路径与影响因素[J];工业技术经济;2006年01期

7 张立辉;殷文;;发电上市公司融资能力及其影响因素分析[J];工业技术经济;2006年02期

8 朱钊,李柏;可扩展商业报告语言的应用对会计、审计的影响[J];中国注册会计师;2005年03期

9 刘建英;明哲;;上市公司财务预测信息披露问题探讨[J];交通企业管理;2008年01期

10 李心合;利益相关者财务论[J];会计研究;2003年10期

本文编号：857912