中央預(yù)算執(zhí)行審計(jì)對(duì)象遴選方法探索——基于GRNN神經(jīng)網(wǎng)絡(luò)的部門預(yù)算違規(guī)率預(yù)測(cè)

孫 碩

(南京審計(jì)大學(xué)，江蘇 南京211815)

?

中央預(yù)算執(zhí)行審計(jì)對(duì)象遴選方法探索
——基于GRNN神經(jīng)網(wǎng)絡(luò)的部門預(yù)算違規(guī)率預(yù)測(cè)

孫 碩

(南京審計(jì)大學(xué)，江蘇 南京211815)

在中央省部級(jí)單位眾多、審計(jì)署人力物力資源有限的情況下，探索在年度中期實(shí)現(xiàn)對(duì)中央預(yù)算執(zhí)行審計(jì)對(duì)象當(dāng)年預(yù)算違規(guī)狀況的預(yù)測(cè)，并據(jù)此進(jìn)行審計(jì)對(duì)象的科學(xué)遴選，這對(duì)于提高預(yù)算執(zhí)行審計(jì)效率具有一定的現(xiàn)實(shí)意義。本文利用MATLAB軟件和2009年—2014年中央各部門預(yù)算執(zhí)行審計(jì)數(shù)據(jù)構(gòu)建了GRNN神經(jīng)網(wǎng)絡(luò)，對(duì)2015年各部門年預(yù)算違規(guī)比率進(jìn)行預(yù)測(cè)，并與真實(shí)違規(guī)率進(jìn)行比較，結(jié)果表明GRNN具有較好的預(yù)算違規(guī)預(yù)測(cè)能力。

GRNN神經(jīng)網(wǎng)絡(luò)；預(yù)算執(zhí)行審計(jì)對(duì)象；預(yù)算違規(guī)；預(yù)算治理

一、引言

我國(guó)中央編制的正省部級(jí)機(jī)構(gòu)169個(gè)，此外還有相當(dāng)數(shù)量的副部級(jí)單位。審計(jì)署目前人力、物力、財(cái)力資源均有限，2009年—2014年間，中央部門預(yù)算執(zhí)行審計(jì)每年平均僅能覆蓋49.8個(gè)，基本采用20余個(gè)主要正部級(jí)單位每年審計(jì)而其他正副部級(jí)單位3～6年安排一次審計(jì)的方式。觀察并統(tǒng)計(jì)其他正副部級(jí)單位接受審計(jì)的情況，可以發(fā)現(xiàn)當(dāng)前審計(jì)對(duì)象的選取方式具有明顯的隨機(jī)性和主觀性，一些部門可能連續(xù)兩年接受預(yù)算執(zhí)行審計(jì)，而還有一些部門接受預(yù)算執(zhí)行審計(jì)的間隔年限則可能達(dá)到4～5年。據(jù)此,筆者認(rèn)為，在當(dāng)前實(shí)施“審計(jì)全覆蓋”客觀條件不足的情況下，如果可以采用某種科學(xué)方法，利用可觀測(cè)因素，在每年三季度預(yù)算執(zhí)行審計(jì)開始前，對(duì)中央各部門的當(dāng)年預(yù)算違規(guī)率(即查出違規(guī)金額占接受預(yù)算執(zhí)行審計(jì)金額的比例)進(jìn)行相對(duì)精確的預(yù)測(cè)，則無(wú)論是這一預(yù)測(cè)數(shù)據(jù)的絕對(duì)值還是相對(duì)值(即被預(yù)測(cè)部門違規(guī)比率從高到低排序)，都可以為審計(jì)部門的審計(jì)對(duì)象遴選提供重要的參考，這樣有利于國(guó)家審計(jì)揭示機(jī)制、威懾機(jī)制、預(yù)警機(jī)制更好地發(fā)揮其作用。

具體來(lái)說(shuō)，如果對(duì)部門預(yù)算違規(guī)率的預(yù)測(cè)是相對(duì)準(zhǔn)確的，則有助于實(shí)現(xiàn)如下幾個(gè)目的：首先，對(duì)于顯示違規(guī)率高的部門，可以安排預(yù)算執(zhí)行審計(jì)進(jìn)行事中審計(jì)和事后審計(jì)，這樣就可以揭示公共機(jī)構(gòu)是否執(zhí)行了既定的國(guó)家治理制度；其次，預(yù)算違規(guī)率可以直接反映被審計(jì)部門預(yù)算執(zhí)行過(guò)程中違規(guī)傾向的強(qiáng)烈程度，如果審計(jì)機(jī)關(guān)能發(fā)現(xiàn)這一違規(guī)傾向，則可以通過(guò)對(duì)其進(jìn)行預(yù)算執(zhí)行審計(jì)，依據(jù)預(yù)算執(zhí)行審計(jì)結(jié)果和相關(guān)法規(guī)對(duì)其進(jìn)行處理處罰，使公共機(jī)構(gòu)懾于問(wèn)題被發(fā)現(xiàn)之后的嚴(yán)重后果而主動(dòng)放棄其已被發(fā)現(xiàn)的或仍在進(jìn)行而未被發(fā)現(xiàn)的那些偏離行為。此外，如果能在每年三季度初對(duì)各部門的預(yù)算違規(guī)情況有較為精確的預(yù)測(cè)，并據(jù)此對(duì)可能的預(yù)算違規(guī)嚴(yán)重的部門進(jìn)行審計(jì)，對(duì)這部分往年真實(shí)預(yù)算違規(guī)率常年偏高的部門安排此后年度的持續(xù)審計(jì)，則能夠及時(shí)發(fā)現(xiàn)各種代理問(wèn)題和次優(yōu)問(wèn)題，使預(yù)警機(jī)制的作用得到更好的發(fā)揮。為了實(shí)現(xiàn)這一遴選，本文擬引入廣義回歸神經(jīng)網(wǎng)絡(luò)這一工具，利用已有數(shù)據(jù)構(gòu)建并檢驗(yàn)網(wǎng)絡(luò)的預(yù)測(cè)效果。

二、廣義回歸神經(jīng)網(wǎng)絡(luò)GRNN簡(jiǎn)介及應(yīng)用于政府審計(jì)的可行性

廣義回歸神經(jīng)網(wǎng)絡(luò)GRNN(Generalized Regression Neural Network) 是一種局部逼近網(wǎng)絡(luò)。 GRNN是由The Lockheed Palo Alto 研究實(shí)驗(yàn)室的Donald Specht[1]提出的一種新型神經(jīng)網(wǎng)絡(luò)，其建立在數(shù)理統(tǒng)計(jì)的基礎(chǔ)上, 具有明確的理論依據(jù),學(xué)習(xí)樣本確定后, 網(wǎng)絡(luò)結(jié)構(gòu)和連接值也隨之確定, 而且在訓(xùn)練過(guò)程中只需要確定平滑參數(shù)一個(gè)變量。相較于BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)，GRNN神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)全部依賴數(shù)據(jù)樣本。這一特性使得網(wǎng)絡(luò)可以最大限度地減少人為主觀假定對(duì)預(yù)測(cè)結(jié)果的影響。GRNN神經(jīng)網(wǎng)絡(luò)具有小樣本下強(qiáng)大的預(yù)測(cè)能力，還具有訓(xùn)練快速、魯棒性(robust)等特征，基本不受輸入數(shù)據(jù)多重共線性的困擾。Specht 在其論文中證明，GRNN與BP網(wǎng)絡(luò)相比，僅需BP神經(jīng)網(wǎng)絡(luò)1%的數(shù)據(jù)樣本量就可以獲得與之相同的預(yù)測(cè)結(jié)果，因此更適用于“小樣本，貧數(shù)據(jù)”的預(yù)測(cè)問(wèn)題?；谶@種特性，GRNN廣泛應(yīng)用于公共工程和工業(yè)經(jīng)濟(jì)等小樣本事件的非線性預(yù)測(cè)領(lǐng)域。

中央部門的預(yù)算違規(guī)率數(shù)據(jù)滿足“小樣本,貧數(shù)據(jù)”這一特性，且由于部門職能各異，不同年份宏觀經(jīng)濟(jì)形勢(shì)存在變化，不同部門的違規(guī)率、同一部門不同年份的違規(guī)率均存在較大差異，因而數(shù)據(jù)離散程度較大，采用其他神經(jīng)網(wǎng)絡(luò)很難獲得較好的擬合效果，因此，較為適合采用GRNN算法構(gòu)建預(yù)算違規(guī)神經(jīng)網(wǎng)絡(luò)并進(jìn)行預(yù)測(cè)。

三、GRNN基本算法

當(dāng)X為給定向量隨機(jī)變量x的一個(gè)測(cè)量值時(shí), 隨機(jī)變量y的條件均值為：

(1)

上式中，f(X/y)為x、y之間的相關(guān)可能性密度函數(shù)。在廣義回歸神經(jīng)網(wǎng)絡(luò)中，f(X/y)用泊松近似表示如下：

(2)

(3)

將(2)式代入(1)式中的f(X/y)，可得：

(4)

設(shè)z= y-Y(t)，則分子分母的積分部分可以化簡(jiǎn)為：

(5)

(6)

把(5)、(6)式代入(4)式，可得GRNN的估計(jì)式：

(7)

四、GRNN的網(wǎng)絡(luò)結(jié)構(gòu)

本文構(gòu)建的GRNN網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示，由輸入層、模式層、求和層和輸出層構(gòu)成。

圖1 廣義回歸神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)示意圖

其中，網(wǎng)絡(luò)輸入向量X為n維向量，網(wǎng)絡(luò)輸出向量Y為k維向量。X={x1,x2,x3,…,xn}T,Y={y1,y2,y3,…,yk}T。

模式層神經(jīng)元數(shù)目等于訓(xùn)練樣本的數(shù)目m，各個(gè)神經(jīng)元與訓(xùn)練樣本一一對(duì)應(yīng)，模式層神經(jīng)元傳遞函數(shù)pi為：

Pi=exp{-[(X-Xi)T(X-Xi)]∕2σ} (i=1,2,3，…,m)

(8)

(8)式中的神經(jīng)元輸出pi后進(jìn)入求和層進(jìn)行求和，求和層函數(shù)分為兩類，分別為：

(9)

(10)

其中，yij為第i個(gè)訓(xùn)練樣本輸出向量中的第j個(gè)元素值。根據(jù)前述GRNN算法，則網(wǎng)絡(luò)輸出向量Y的第j個(gè)元素的估計(jì)值為：

(11)

五、構(gòu)建部門預(yù)算違規(guī)率GRNN神經(jīng)網(wǎng)絡(luò)

(一)變量設(shè)計(jì)

本文的神經(jīng)網(wǎng)絡(luò)輸出指標(biāo)為預(yù)算違規(guī)率，輸入指標(biāo)分為預(yù)算治理因素指標(biāo)、預(yù)算環(huán)境因素指標(biāo)和預(yù)算單位本體其他因素指標(biāo)三類。

1.預(yù)算治理因素指標(biāo)。預(yù)算治理因素指標(biāo)包括：預(yù)算調(diào)整程度、預(yù)算透明度、預(yù)算執(zhí)行審計(jì)頻度、審計(jì)預(yù)算資金金額。

由于預(yù)算違規(guī)并不一定會(huì)被發(fā)現(xiàn)，且我國(guó)中央政府對(duì)于預(yù)算違規(guī)的處理基本是以整改為主，因而部分部門官員索性會(huì)繞過(guò)需要財(cái)政部門審批的預(yù)算調(diào)整，擅自采取經(jīng)費(fèi)流用等違規(guī)方式進(jìn)行所謂的非常規(guī)預(yù)算調(diào)整，借此實(shí)現(xiàn)自由裁量預(yù)算的最大化。另外，有些官員試圖追加預(yù)算未獲得審批，也會(huì)轉(zhuǎn)而采用自收自支、經(jīng)費(fèi)流用、改變項(xiàng)目資金用途、虛列支出套取資金等違規(guī)手段以實(shí)現(xiàn)目的。故預(yù)算調(diào)整和預(yù)算違規(guī)存在一種潛在的替代關(guān)系，可將其納入輸入指標(biāo)體系。

由于人是自利和有限理性的，因而在任何組織中，不完全的信息都會(huì)導(dǎo)致經(jīng)濟(jì)學(xué)家所說(shuō)的代理問(wèn)題的產(chǎn)生。代理問(wèn)題在公共領(lǐng)域會(huì)導(dǎo)致當(dāng)權(quán)者或決策者的行為有時(shí)并不代表他們應(yīng)當(dāng)為之服務(wù)的人民的利益，缺乏“退出”選項(xiàng)會(huì)加劇代理問(wèn)題的后果。而預(yù)算公開恰恰可以緩解作為代理人的政府部門和作為委托人的公眾間的信息不對(duì)稱，當(dāng)完善的預(yù)算公開成為一種常態(tài)之后，實(shí)際上各級(jí)預(yù)算執(zhí)行者違規(guī)機(jī)會(huì)是下降的，因?yàn)樗麄兊男袨楹苡锌赡軙?huì)被公眾發(fā)現(xiàn)，故而筆者認(rèn)為預(yù)算透明度對(duì)預(yù)算違規(guī)存在一定的抑制作用，可將其納入輸入指標(biāo)體系。

當(dāng)國(guó)家審計(jì)完成全覆蓋,部門每年接受預(yù)算執(zhí)行審計(jì)成為常態(tài)，審計(jì)的威懾功能才能夠充分發(fā)揮，各級(jí)部門以及官員本身才會(huì)充分考慮預(yù)算違法違規(guī)的后果，從而約束自己的行為。反之，若預(yù)算執(zhí)行審計(jì)頻度不高，由于委托方與代理方之間信息不對(duì)稱，預(yù)算執(zhí)行者往往會(huì)抱有僥幸心理，發(fā)生道德風(fēng)險(xiǎn)的可能性就較大。此外，當(dāng)預(yù)算執(zhí)行審計(jì)頻度較高時(shí)，審計(jì)人員對(duì)于被審計(jì)部門的職責(zé)權(quán)限、組織架構(gòu)、預(yù)算制度等認(rèn)識(shí)就會(huì)逐步深入，更易于確定審計(jì)重點(diǎn)，有效揭示預(yù)算機(jī)會(huì)主義行為并進(jìn)行預(yù)警，有效降低部門整體違規(guī)傾向。因此， 筆者認(rèn)為可以將部門預(yù)算執(zhí)行審計(jì)頻度納入輸入指標(biāo)體系。

此外，考慮到部門預(yù)算規(guī)模和預(yù)算執(zhí)行審計(jì)覆蓋規(guī)模可能會(huì)對(duì)部門整體預(yù)算違規(guī)傾向造成影響，故而本文將被審計(jì)部門的預(yù)算支出數(shù)和預(yù)算執(zhí)行審計(jì)覆蓋部門預(yù)算支出的金額也納入輸入指標(biāo)體系。

2.預(yù)算環(huán)境因素指標(biāo)。除去預(yù)算治理因素，部分預(yù)算環(huán)境因素也會(huì)對(duì)部門的預(yù)算違規(guī)產(chǎn)生影響，本文選取了部門公眾關(guān)注度和部門首長(zhǎng)政治動(dòng)力這兩個(gè)預(yù)算環(huán)境指標(biāo)。

根據(jù)Reinikka和Svensson[2]實(shí)證研究所得出的公眾關(guān)注程度的提高可以有效抑制官員對(duì)學(xué)校公共資金的侵占的結(jié)論，本文推斷公眾關(guān)注度同部門預(yù)算違規(guī)存在顯著的負(fù)相關(guān)關(guān)系。為增強(qiáng)本文實(shí)證模型的擬合優(yōu)度，本文將公眾關(guān)注度納入輸入指標(biāo)體系。

由于官僚問(wèn)責(zé)對(duì)部門預(yù)算治理的影響巨大，而部門首長(zhǎng)在問(wèn)責(zé)中扮演著重要的角色，部門首長(zhǎng)的年齡會(huì)對(duì)其晉升產(chǎn)生重要影響，年齡較大的部門首長(zhǎng)也容易產(chǎn)生“保晚節(jié)”的思想，這些都會(huì)影響其管理部門的行為傾向。因此本文以部門首長(zhǎng)距離退休年齡的年限代表其政治動(dòng)力作為輸入指標(biāo)，測(cè)度首長(zhǎng)治理意志對(duì)預(yù)算違規(guī)的影響。

3.預(yù)算單位本體其他因素。除去前述部門預(yù)算支出數(shù)這一代表部門本體情況的指標(biāo)，部門規(guī)模也可能影響部門的預(yù)算違規(guī)情況。部門內(nèi)部控制機(jī)制的健全程度可能同部門機(jī)構(gòu)規(guī)模存在一定的正向關(guān)聯(lián)，但部門規(guī)模越大，也就意味著委托代理鏈條越長(zhǎng)，因而委托代理問(wèn)題發(fā)生的概率也會(huì)更大。綜合這兩種考慮，為了控制部門規(guī)模對(duì)預(yù)算違規(guī)的影響，本文將各部門的本級(jí)及下屬單位數(shù)這一指標(biāo)納入輸入指標(biāo)體系。

為了實(shí)現(xiàn)有效預(yù)測(cè)，本文的網(wǎng)絡(luò)輸入指標(biāo)構(gòu)建均選擇可以于當(dāng)年7月中央預(yù)算執(zhí)行審計(jì)大規(guī)模開展前便可以獲得數(shù)據(jù)的指標(biāo)，其中財(cái)政撥款預(yù)算支出最終批準(zhǔn)預(yù)算數(shù)一般可于當(dāng)年5月獲取。變量設(shè)計(jì)如表 1所示。

表1中，預(yù)算透明度指標(biāo)參照鄧淑蓮[3]有關(guān)中央部門預(yù)算透明度指標(biāo)的計(jì)算方法，刪去其對(duì)某項(xiàng)數(shù)據(jù)長(zhǎng)期公布的加分項(xiàng)，以獲取適用于所有部門不同年度數(shù)據(jù)的計(jì)算指標(biāo)。同時(shí)，考慮到2012年以前中央預(yù)算公開并未強(qiáng)制各部委一次性披露部門預(yù)算收支總表、收入預(yù)算表、支出預(yù)算表、財(cái)政撥款支出預(yù)算表、政府性基金收支預(yù)算表等16張表格，但鑒于這些表格信息量巨大，所以本文對(duì)預(yù)算透明度的評(píng)價(jià)將此項(xiàng)加入，以使指標(biāo)對(duì)預(yù)算透明度的反映更加全面。預(yù)算透明度的具體計(jì)算方法如表2所示。

表2 部門預(yù)算透明度評(píng)價(jià)標(biāo)準(zhǔn)

(二) 樣本選取

本文以中央部門預(yù)算執(zhí)行審計(jì)數(shù)據(jù)為樣本。樣本選取審計(jì)署網(wǎng)站2009年—2015年《中央部門單位年度預(yù)算執(zhí)行情況和其他財(cái)政收支情況審計(jì)結(jié)果公告》中公布的被審計(jì)部門。2009年—2015年接受審計(jì)的部門數(shù)分別為56個(gè)、53個(gè)、49個(gè)、57個(gè)、38個(gè)、46個(gè)和42個(gè)。

為了滿足非平衡面板數(shù)據(jù)，在上述加總數(shù)據(jù)中篩選接受預(yù)算執(zhí)行審計(jì)超過(guò)一次(不包含兩次)的部門數(shù)據(jù)共192個(gè)，在剔除其中部門預(yù)算執(zhí)行情況數(shù)據(jù)缺失或未公布的部門數(shù)據(jù)，以及剔除審計(jì)署公布與預(yù)算數(shù)據(jù)同部門預(yù)算公開數(shù)據(jù)高度不匹配的樣本后，共獲取43組168個(gè)樣本。樣本篩選過(guò)程如表3所示。

表3 樣本篩選過(guò)程

(三) 數(shù)據(jù)來(lái)源

本文中部門預(yù)算數(shù)據(jù)來(lái)自中央各部門網(wǎng)站和中國(guó)政府網(wǎng)。預(yù)算支出最終批準(zhǔn)數(shù)據(jù)、預(yù)算違規(guī)數(shù)據(jù)、接受預(yù)算執(zhí)行審計(jì)資金金額來(lái)源于審計(jì)署網(wǎng)站；百度指數(shù)數(shù)據(jù)來(lái)源于“百度指數(shù)”網(wǎng)站；鑒于綜合百度指數(shù)從2011年起才開始公布，故而選取PC端的百度指數(shù)值，通過(guò)設(shè)定年度區(qū)間進(jìn)行部門關(guān)鍵字檢索，獲取部門每年上半年的百度指數(shù)；部門首長(zhǎng)年齡、下屬部門數(shù)據(jù)來(lái)源于各部門網(wǎng)站。

(四) 網(wǎng)絡(luò)構(gòu)建

本文利用MATLAB 2015b版本構(gòu)建GRNN神經(jīng)網(wǎng)絡(luò)，將2009年—2015年間168個(gè)數(shù)據(jù)分為訓(xùn)練樣本集和預(yù)測(cè)樣本集，其中又以2009年—2014年間的141個(gè)部門樣本數(shù)據(jù)作為訓(xùn)練樣本集構(gòu)建GRNN網(wǎng)絡(luò)，剩余2015年27個(gè)部門樣本作為預(yù)測(cè)樣本集。

訓(xùn)練網(wǎng)絡(luò)時(shí)，為了實(shí)現(xiàn)無(wú)量綱化，需要對(duì)代表每一指標(biāo)的輸入變量、輸出變量進(jìn)行歸一化處理，利用歸一化后的變量構(gòu)建神經(jīng)網(wǎng)絡(luò)。歸一化方法如下式所示：

xk=(xk-xmin)/(xmax-xmin)

(12)

由于網(wǎng)絡(luò)存在可變參數(shù)σ，需要尋找最理想的σ來(lái)構(gòu)建最優(yōu)的GRNN網(wǎng)絡(luò)。關(guān)于σ的選取，本文采用最小均方誤差法(MSE)，MSE的計(jì)算方法如式(13)所示。令MSE值最小，即所有訓(xùn)練樣本輸出估計(jì)值和真實(shí)值之差平方和的平均數(shù)最小，取不同σ時(shí)，MSE值如圖2所示，當(dāng)σ為0.1時(shí)，得到最小的估計(jì)均方誤差。因此，選定0.1作為光滑系數(shù)構(gòu)建網(wǎng)絡(luò)并保存。

(13)

圖2 不同光滑因子水平下MSE變動(dòng)趨勢(shì)圖

六、網(wǎng)絡(luò)預(yù)測(cè)情況及評(píng)價(jià)

通過(guò)MATLAB,利用已構(gòu)建好的網(wǎng)絡(luò)，并以2015年的27個(gè)樣本作為測(cè)試樣本，可將各樣本輸入指標(biāo)輸入網(wǎng)絡(luò)，得到27個(gè)預(yù)測(cè)值。

由于違規(guī)比例極大的樣本在預(yù)算執(zhí)行審計(jì)對(duì)象的遴選中具有重要意義，為觀察GRNN對(duì)于極端值的預(yù)測(cè)效果，因而測(cè)試樣本集并未剔除極端值。對(duì)測(cè)試樣本輸入變量進(jìn)行和訓(xùn)練樣本輸入變量相同的歸一化處理，并對(duì)測(cè)試輸出變量按照訓(xùn)練樣本輸出變量的歸一化方式進(jìn)行反歸一化處理，可以得到有量綱的輸出估計(jì)值，27個(gè)部門樣本的估計(jì)值和實(shí)際值如圖3所示。隨后，將估計(jì)值和實(shí)際違規(guī)比率相減便可得出絕對(duì)估計(jì)誤差。絕對(duì)誤差的計(jì)算如式(14)所示，各樣本估計(jì)絕對(duì)誤差如圖4所示，估計(jì)誤差較大的樣本主要是真實(shí)違規(guī)率很高的樣本。

(14)

圖3 測(cè)試樣本預(yù)測(cè)值和期望值

圖 4 測(cè)試樣本估計(jì)誤差值

考慮到樣本數(shù)值分布比較分散，樣本離差很大，對(duì)于部分極大值，其輸入變量并未表現(xiàn)出明顯異常，因此GRNN神經(jīng)網(wǎng)絡(luò)很難輸出十分準(zhǔn)確的估計(jì)值。此時(shí)，則需從實(shí)際出發(fā)，若神經(jīng)網(wǎng)絡(luò)估計(jì)值為整個(gè)預(yù)測(cè)樣本估計(jì)值序列中的較大數(shù)值，則表明該部門的預(yù)算違規(guī)率是處在眾多接受預(yù)測(cè)部門前列，應(yīng)該優(yōu)先列為接受審計(jì)的對(duì)象，因此這個(gè)估計(jì)值也是有意義的。從這個(gè)角度講，雖然誤差較大，但足以幫助決策人員作出正確的判斷，也應(yīng)視為判定正確。

根據(jù)上述規(guī)則，27個(gè)樣本中，在5%的絕對(duì)估計(jì)誤差允許范圍內(nèi)，預(yù)測(cè)正確23個(gè)樣本，正確率達(dá)到了85.19%；在3%的誤差允許范圍內(nèi)，預(yù)測(cè)正確20個(gè)樣本，正確率為74.07%。為了檢驗(yàn)GRNN網(wǎng)絡(luò)的優(yōu)越性，本文利用相同數(shù)據(jù)構(gòu)建單層和雙層BP神經(jīng)網(wǎng)絡(luò)，并利用同樣的測(cè)試集進(jìn)行了外推預(yù)測(cè)，結(jié)果顯示，GRNN的估計(jì)正確率顯著高于所有參數(shù)設(shè)定條件下的BP神經(jīng)網(wǎng)絡(luò)，估計(jì)均方誤差顯著低于各BP神經(jīng)網(wǎng)絡(luò)，但限于文章篇幅，BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建和預(yù)測(cè)過(guò)程不再展示于本文中。

七、結(jié)論與討論

本文利用2009年—2014年部門預(yù)算治理因素和預(yù)算環(huán)境因素?cái)?shù)據(jù)構(gòu)建GRNN神經(jīng)網(wǎng)絡(luò)，并利用2015年數(shù)據(jù)對(duì)GRNN的預(yù)測(cè)能力進(jìn)行驗(yàn)證，結(jié)果表明對(duì)于離散程度很大的預(yù)算違規(guī)比率，GRNN的預(yù)測(cè)準(zhǔn)確程度是可以接受的，能對(duì)大多數(shù)潛在違規(guī)率高的樣本作出正確的反饋。因而可以通過(guò)構(gòu)建輸入指標(biāo)數(shù)據(jù)庫(kù)，迅速展現(xiàn)當(dāng)年中央各部門的潛在違規(guī)情況，為中央部門預(yù)算執(zhí)行審計(jì)的審計(jì)對(duì)象遴選提供科學(xué)的依據(jù)。隨著中央和地方預(yù)算公開的進(jìn)一步深化，更多、更全面的預(yù)算數(shù)據(jù)將更容易獲取，這一預(yù)測(cè)遴選工具也可以應(yīng)用于地方政府部門的預(yù)算執(zhí)行審計(jì)工作中。

研究結(jié)果表明，在5%的估計(jì)誤差允許范圍內(nèi)，估計(jì)正確率達(dá)到85.19%，這表明還存在一定的優(yōu)化空間。隨著部門預(yù)算信息公開工作的深入，可以尋找更多的預(yù)算治理指標(biāo)和預(yù)算環(huán)境因素指標(biāo)，如部門在編人員總數(shù)等，進(jìn)一步優(yōu)化網(wǎng)絡(luò)構(gòu)建指標(biāo)體系，搜集更多的部門樣本降低網(wǎng)絡(luò)的MSE值，提高擬合度。此外，還應(yīng)創(chuàng)新研究方法，實(shí)現(xiàn)對(duì)部分違規(guī)比率極高的部門的絕對(duì)違規(guī)值的精確預(yù)測(cè)，而非目前所能提供的相對(duì)違規(guī)率的有效排序。這些都應(yīng)是下一步需要深入研究的問(wèn)題。

[1]Specht D F.The General Regression Neural Network—Rediscovered[J].Neural Networks,1993(7):1033-1034.

[2]Reinikka R,Svensson J.The Power of Information:Evidence from a Newspaper Campaign to Reduce Capture of Public Funds[Z].Working Paper，2005:1-37.

[3]鄧淑蓮.部門預(yù)算透明度:指標(biāo)、問(wèn)題與建議[J].中國(guó)行政管理,2012(9)：38-42.

[4]魏海,秦博,彭建,金鑫.基于GRNN模型與鄰域計(jì)算的低丘緩坡綜合開發(fā)適宜性評(píng)價(jià)——以烏蒙山集中連片特殊困難片區(qū)為例[J].地理研究,2014(5):831-841.

[5]丁碩,常曉恒,巫慶輝,魏洪峰.基于GRNN與BPNN的二維向量模式分類對(duì)比研究[J].國(guó)外電子測(cè)量技術(shù),2014(5):56-58.

[6]葉姮,李貴才,李莉,王乾,張華.國(guó)家級(jí)新區(qū)功能定位及發(fā)展建議——基于GRNN潛力評(píng)價(jià)方法[J].經(jīng)濟(jì)地理,2015(2):92-99.

[7]徐富強(qiáng),鄭婷婷,方葆青. 基于廣義回歸神經(jīng)網(wǎng)絡(luò)(GRNN)的函數(shù)逼近[J].巢湖學(xué)院學(xué)報(bào),2010(6):11-16.

[8]周少龍,周鋒.基于時(shí)間序列的港口貨物吞吐量GRNN預(yù)測(cè)模型[J].上海海事大學(xué)學(xué)報(bào),2011(1):70-73.

[9]傅薈璇,趙紅.Matlab 神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計(jì)[M].北京：機(jī)械工業(yè)出版社,2010：87-102.

[10]鄭石橋,孫碩.預(yù)算環(huán)境、預(yù)算執(zhí)行審計(jì)與預(yù)算違規(guī)——基于中央各部門預(yù)算執(zhí)行審計(jì)數(shù)據(jù)的實(shí)證研究[J].南京審計(jì)學(xué)院學(xué)報(bào),2015(6):3-12.

【責(zé)任編輯：甘海燕】

The Object Selection of Central Budget Implementation Audit——Basing on GRNN Forecast of the Departments' Budget Violations Rate

SUN Shuo

(NanjingAuditUniversity,Nanjing211815,China)

China's Central government has many ministerial departments, and the resources of CNAO are limited. Based on this situation, exploring the budgets illegal status prediction of the central budget implementation audit's object in the current year, making scientific selection of audit object according to the prediction, for upgrading the efficiency of budget implementation audit, has certain practical significance. Using MATLAB software and the central departments budget implementation audit data from 2009 to 2014 to construct the generalized regression neural network (GRNN), and carry on the forecast of the 2015 each department‘s budget violations rate. Comparing the rate with real violation rate, it has found that GRNN has good budget violation forecast ability.

GRNN; object of budget implementation audit; budget violation; budget management

2016-08-27

全國(guó)重點(diǎn)會(huì)計(jì)科研課題項(xiàng)目“公共部門注冊(cè)會(huì)計(jì)師審計(jì)制度和審計(jì)準(zhǔn)則研究”(項(xiàng)目編號(hào)：2015KJA019)

孫碩(1992—)，男，南京審計(jì)大學(xué)審計(jì)科學(xué)研究院碩士研究生，研究方向?yàn)樨?cái)政審計(jì)和預(yù)算理論。

F239.4

A

1671-9840(2016)04-0040-08

10.16713/j.cnki.65-1269/c.2016.04.006