学位论文 > 优秀研究生学位论文题录展示

XBRL财务报告的相关审计研究

作　者: 何其恩
导　师: 王翠琳
学　校: 兰州理工大学
专　业: 会计学
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
分类号: F233
类　型: 硕士论文
年　份: 2012年
下　载: 83次
引　用: 0次
阅　读: 论文下载

内容摘要

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。

全文目录

摘要  5-6
Abstract  6-8
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

XBRL财务报告的相关审计研究

内容摘要

全文目录

相似论文