本研究主要探討機器學習方法(machine learning)在財務報表操控上的應用，以2001年至2016年間64間被證管會要求重編財報之國內公開發行公司(含上市、上櫃公司)與128間配對公司作為研究樣本，並使用支援向量機(support vector machine)、邏輯迴歸(logistic regression)與隨機森林(random forest)建立財務報表重編偵測模型並進行分析、比較。
本研究實證結果發現，以逐步迴歸分析法(stepwise regression)進行變數篩選，再運用隨機森林建立之模型具有最好的平均準確率與最低的第二型錯誤，其平均準確率為85.93%、第二型錯誤率為26.57%。此外研究顯示邏輯迴歸建立模型的分類準確率為3種資料分析方法中最差的。

This study explores the effectiveness of Machine Learning in analyzing financial statement manipulation. This study uses machine learning algorithms, including Support Vector Machine, Logistic Regression, and Random Forest to analyze 64 companies that restated financial statements and 128 non-restated companies in the period of 2001-2016.
The result of this study shows that the best performance model is using Stepwise Regression for variable screening and Random Forest for model building. The average accuracy rate is 85.93%. However, the result also shows that Type I errors of all six models don’t perform well.

第一章 緒論 1
第一節 研究背景 1
第二節 研究目的 2
第三節 研究大綱 3
第四節 研究流程 4
第二章 文獻回顧 5
第一節 財務報表操控相關研究 5
第二節 財務報表操控相關研究之總匯表 9
第三章 研究方法 13
第一節 研究架構 13
第二節 資料分析方法 14
第三節 資料來源與樣本選擇 16
第四節 變數定義與變數選取 17
第四章 資料分析 19
第一節 敘述性統計分析與相關資料統計 19
第二節 逐步迴歸分析法篩選變數 20
第三節 機器學習方法之分析(逐步迴歸篩選之變數) 23
第四節 簡單貝氏分類法篩選變數 28
第五節 機器學習方法之分析(簡單貝氏分類法篩選之變數) 30
第六節 比較分析結果 36
第五章 研究結論與建議 39
第一節 研究結論 39
第二節 研究限制與建議 40
附錄、額外分析 41
參考文獻 43

一、中文部分
王毓軒 (2011)，使用資料探勘與公司治理變數建構舞弊預警模型，國立中正大學會計與資訊科技研究所碩士論文。
朱家逸 (2010)，整合隨機森林與約略集合在偵測財務報表舞弊之應用，中國文化大學商學院會計研究所碩士論文。
李仁鐘、李秋緣：《R語言資料分析:從機器學習、資料探勘、文字探勘到巨量資料分析》(新北：博碩文化，2017年)，頁87-91
邱秀清、李慕萱、劉仲凱 (2009)，「董監事專業性與財務報表重編」，《文大商管學報》，14(1)，頁1-17。
林欣瑾 (2008)，財務報表舞弊偵測之研究－資料探勘之應用，中國文化大學會計研究所碩士論文。
林琦珍 (2015)，「財務報表重編之預警模型－資料探勘之應用」，《會計與公司治理》，10(1)，頁1-18。
林嬋娟、張哲嘉 (2009)，「董監事異常變動、家族企業與企業舞弊之關聯性」，《會計評論》，第48期，頁1-33。
翁仲信 (2016)，董監事自肥與財務報表重編之關聯，國立雲林科技大學財務金融系碩士論文。
許伯彥 (2003)，財務報表舞弊風險評量模式研究，國立臺灣大學會計系研究所碩士論文。
陳宜伶、陳文英 (2019)，「企業社會責任與公司治理對財務報表重編之影響」，《商略學報》，11(4)，頁271-292。
陳雅琪 (2007)，董事會結構、家族控制持股、集團企業與財務報表舞弊之關聯性研究，國立成功大學會計學研究所碩士論文。
詹姆斯、威滕、哈斯帖與提布施瓦尼著;王星等譯：《统计学习导论－基于R应用》(北京：机械工程出版社，2015年) ，頁221-241。
簡禎富、許嘉裕：《資料挖礦與大數據分析》(新北：前程文化，2014年)，頁363-365。
蘇柏翰 (2016)，運用資料探勘技術偵測財務報表舞弊－以台灣上市(櫃)公司為例，國立成功大學會計研究所碩士論文。

二、英文部分
Badolato, P. G., Donelson, D. C., & Ege, M. (2014). Audit committee financial expertise and earnings management: The role of status. Journal of Accounting and Economics, 58(2-3): 208–230.
Beasley, M. S. (1996). An empirical analysis of the relation between the board of director composition and financial statement fraud. The Accounting Review, 71(4): 443-465.
Chen, F. H., Chi, D. J., & Wang, Y. C. (2015). Detecting biotechnology industry's earnings management using bayesian network, principal component analysis, back propagation neural network, and decision tree. Economic Modelling, 46(C): 1-10.
Dalnial, H., Kamaluddin, A., Sanusi, Z. M. ,& Khairuddin, K. S. (2014). Accountability in financial reporting: detecting fraudulent firms. Social and Behavioral Sciences, 145: 61-69.
Dunn, P. (2004). The impact of insider power on fraudulent financial reporting. Journal of Management, 30(3): 397-412.
Fanning, K. M., & Cogger, K. O. (1998). Neural network detection of management fraud using published financial data. International Journal of Intelligent Systems in Accounting, Finance & Management, 7(1): 21-41.
Green, B. P., & Choi, J. H. (1997). Assessing the risk of management fraud through neural network technology. Auditing: A Journal of Practice and Theory, 16(1): 14-28.
Höglund, H. (2012). Detecting earnings management with neural networks. Expert Systems with Applications, 39(10): 9564-9570.
Jan, C. L. (2018). An effective financial statements fraud detection model for the sustainable development of financial markets: evidence from Taiwan. Sustainability, 10(2), 513 :1-14.
Kaminski, K. A., Wetzel, T. S., & Guan, L. (2004). Can financial ratios detect fraudulent financial reporting? Managerial Auditing Journal, 19(1): 15-28.
Kirkos, E., Spathis, C., & Manolopoulos, Y. (2007). Data mining techniques for the detection of fraudulent financial statements. Expert Systems with Applications, 32(4): 995-1003.
Kotsiantis, S., Koumanakos, E., Tzelepis, D., & Tampakas, V. (2006). Forecasting fraudulent financial statements using data mining. International Journal of Computational Intelligence, 3(2): 104-110.
Persons, O. S. (1995). Using financial statement data to identify factors associated with fraudulent financial reporting. Journal of Applied Business Research, 11(3): 38-46.
Rezaee, Z. (2003). Causes, consequences, and deterence of financial statement fraud.
Critical Perspectives on Accounting, 16(3): 277-298.
Sunardi, S., & Amin, M. N. (2018). Fraud detection of financial statement by using fraud diamond perspective. International Journal of Development and Sustainability, 7(3): 878-891.
Yao, J., Zhang, J., & Wang, L. (2018). A financial statement fraud detection model based on hybrid data mining methods. 2018 International Conference on Artificial Intelligence and Big Data.