论文部分内容阅读
【摘要】 文章以2004—2009年间因调整损益而受到证监会处罚的56份年度财务报告为研究对象，采用Lib-SVM分类算法，将所有样本分为训练样本和测试样本，运用训练样本构建了我国上市公司损益调整类财务报告舞弊的识别模型，运用测试样本检验了模型的预测精度。结果表明，识别效率较高的RBF核函数模型的预测精度达到86.67%，模型的总体正确率为87.5%。
【关键词】 财务报告舞弊；识别模型；RBF核函数；线性核函数
一、问题的提出
我国上市公司财务报告舞弊通常基于两类目的，一是为实现融资目的而调节利润，包括隐瞒亏损或者为取得配股增发资格；二是通过隐瞒关联方占款、关联方担保等行为，以实现大股东的特定利益，其结果将侵害中小股东的权益。据笔者对2004—2009年间受到证监会处罚的财务报告舞弊公司的统计来看，第一类以调节利润为目的的舞弊行为占所处罚公司的55.13%，是我国上市公司主要的舞弊行为。在本文中，以第一类舞弊公司（本文称其为损益调整类财务报告舞弊）为研究对象，基于支持向量机技术中的Lib-SVM算法，构建有效的损益调整类财务报告舞弊识别模型，为有关各方加强监管提供参考。
二、研究设计
（一）样本的选取标准及数据来源
1.舞弊样本的选取标准
本文以2004—2009年间因年度财务报告舞弊而受到证监会查处的公司作为舞弊公司，并选取其中以损益调整方式实施舞弊的公司为研究对象，并且仅包括因2001年以来的年报舞弊而被处罚的公司，不包括2001年之前的年报中舞弊的公司，也不包括半年报中舞弊的公司及非损益调整类舞弊公司。整理后得到56家年度财务报告舞弊公司的56个观测值。
2.控制样本的选取标准
本文选取的控制样本必须同时满足以下条件：与舞弊公司同行业、同一上市地点；与舞弊公司资产规模相当（选取规模最接近的公司）。整理后同样得到56家非舞弊公司的56个观测值。
3.数据来源
舞弊公司的确定来源于证监会网站公布的处罚公告，经逐个整理得到。舞弊公司及控制样本财务数据和治理机制数据来源于国泰安经济研究数据库（CSMAR）。
（二）变量的选取
1.被解释变量
被解释变量为财务报告舞弊（FFS， Fraudulent Financial Statement），该变量为二元变量，某公司在某年度实施了损益调整类财务报告舞弊，该变量取值为1；否则取0。
2.解释变量
我国上市公司主要通过虚增主营业务收入、隐瞒主营业务成本、隐瞒期间费用、少提减值准备等方式虚增利润，而这些舞弊方式将直接影响到企业资产结构、利润结构和现金流量结构，进而影响企业的资产运作效率。以此为基础，结合国内外已有的研究成果，本文选取的第一类解释变量包括以下14个财务特征指标。具体内容如表1。
另外，财务报告舞弊的顺利实施通常与薄弱的公司治理机制有关。而公司治理机制分为内部治理结构和外部治理机制两方面。内部治理结构包括股权结构、董事会特征、审计委员会、高层管理团队和内部审计师；外部治理机制包括外部审计师和监管机构。当内部治理结构和外部监管机制失效时，财务报告舞弊的机会就会大大增加。由以上分析，结合国内外已有的研究成果，本文选取的第二类解释变量包括以下14个公司治理特征指标，具体内容如表2。
（三）模型的选取
财务报告舞弊的识别，即判断某一公司是否存在舞弊行为，其本质上是一个分类问题。根据分类模型研究领域的最新进展，支持向量机（SVM）算法以其较强的模型泛化能力和较高的识别效果，已经成为常用的分类模型之一。目前，支持向量机算法在财务危机预警研究领域已得到初步运用。结果表明，运用该算法构建的财务危机预警模型，效果优于Probit判别方法、Logistic回归模型和人工神经网络（ANN）技术。
因此，本文引入Lib-SVM支持向量机技术，将损益调整类舞弊公司按照舞弊年限分为两组，一组用来构建财务报告舞弊识别模型，另一组用来检验模型的预测精度，并以预测精度的高低作为检验模型预测效果的依据，判断模型在后续年限中的适用性和泛化能力。
同时，由于Lib-SVM算法的核函数形式包括RBF核函数、线性核函数、多项式核函数、指数基核函数等多种形式，其中，RBF核函数稳定性较强，而在某些情况下线性核函数的预测精度也会高于RBF核函数，因而，本文选择RBF核函数和线性核函数分别构建识别模型，并采用一种基于交叉验证的网格搜寻的方法来确定RBF核函数的两个关键参数C和γ的取值；采用逐步搜寻的方法确定线性核函数的关键参数C的取值。
三、解释变量的显著性检验、Lib-SVM识别模型的构建及结果分析
（一）解释变量的显著性检验
根据前述的研究设计，本文以2004—2009年间因调节利润舞弊而受到证监会处罚的56个公司作为舞弊样本，按一定标准选取了56个非舞弊公司作为控制样本，并选取了14个财务特征指标和14个公司治理特征指标作为解释变量。为保证模型的识别效率，本文先采用两独立样本T检验的方法对28个解释变量的显著性进行检验，并将通过显著性检验的指标作为构建模型的基础。检验结果如表3所示。
检验结果表明，确定的28个解释变量中，共有13个指标在5%的水平上显著。其中，财务特征指标5个，具体为：应收账款占流动资产的比例、存货占流动资产的比例、固定资产原值占总资产的比例、其他应收款占总资产的比例和总资产周转率；治理机制特征指标为8个，包括审计意见、第一大股东股权性质、第一大股东持股比例、董事会规模、董事会持股比例、监事会规模、股东大会会议次数和高管持股比例。
（二）Lib-SVM识别模型的构建
根据上述选出的具备显著性的13个指标，运用Lib-SVM算法构建损益调整类财务报告舞弊识别模型。为验证模型的泛化能力，本文将2001—2006年的所有舞弊公司和配对公司分为两组，其中，2001—2003年的公司作为训练样本，2004—2006年的公司作为测试样本，运用前三年的数据作为训练集构建模型，模型对2004—2006年的分类情况预测精度越高，表明模型的泛化能力越强，在后续年度运用的效果越好。
1.Lib-SVM算法RBF核函数识别模型的构建与检验
首先将全部样本经过归一化处理，然后将2001—2003年的公司数据输入Lib-SVM程序，经过交叉验证的网格搜寻确定RBF核函数的C和γ取值结果如图1所示。
由图1可以看出，将2001—2003年调节利润舞弊公司作为训练样本，确定的Lib-SVM算法RBF核函数参数为C =2048，γ=0.00048828125。
运用参数为C=2048，γ=0.00048828125的RBF核函数和2001—2003年调节利润类舞弊公司数据构建识别模型，再运用所建模型对2004—2006年的公司进行预测，预测精度为86.667%。具体如表4、表5、表6所示。
2.Lib-SVM算法线性核函数识别模型的构建与检验
同理，采用Lib-SVM算法线性核函数根据2001—2003年的数据构建模型，并对2004—2006年的数据进行预测，确定的线性核函数参数C=750，预测精度为83.333%。具体结果如表7、表8、表9所示。
由上述各表可以看出，以2001—2003年的损益调整类舞弊公司作为训练样本集，构建模型后，以2004—2006年的调节利润类舞弊公司作为测试样本集，结果表明RBF核函数的预测精度为86.667%，线性核函数的预测精度为83.333%，两者的预测精度都较高，说明识别模型的泛化能力较强，可用于后续年度财务报告舞弊的识别。比较而言，在构建调节利润舞弊识别模型时，RBF核函数的预测精度相比线性核函数更加稳定。
从模型的总体正确率来看，采用支持向量机算法构建模型，无论是采用RBF核函数还是线性核函数，Ⅰ类误判率均在10%左右，总体正确率均高于85%。说明模型结果对于识别损益调整类舞弊具有较高的参考价值。
四、研究结论与不足
（一）研究结论
1.损益调整类财务报告舞弊公司的显著特征。本文研究结果表明，从财务特征方面来看，舞弊公司的资产构成和资产运作效率显著不同于非舞弊公司；从治理机制特征方面来看，舞弊公司有8个指标显著不同于非舞弊公司，包括审计意见、第一大股东股权性质、第一大股东持股比例、董事会规模、董事会持股比例、监事会规模、股东大会会议次数和高管持股比例。
2. Lib-SVM舞弊识别模型的效果。在损益调整类财务报告舞弊识别模型的构建方面，本文分别运用Lib-SVM算法的RBF核函数和线性核函数，构建了损益调整类财务报告舞弊的识别模型。结果表明，采用2001—2003年的数据构建出的识别模型，对2004—2006年的数据具备较强的预测能力，RBF核函数模型的预测精度达到了86.667%，总体正确率达到了87%；线性核函数的预测精度达到了83.333%，总体正确率达到了86.607%，说明运用支持向量机技术构建损益调整类财务报告舞弊的识别模型，可以为有关各方识别后续年度的财务报告舞弊行为提供参考。
（二）研究局限性
本文在构建损益调整类财务报告舞弊识别模型时，未考虑财务特征中的动态指标，可能会影响到模型的预测效果，有待在后续研究中继续完善。
【主要参考文献】
［1］ Uzun H，Samuel H Szewczyk，Raj Varma．Board Composition and Corporate Fraud［J］．Financial Analysts Journal，2004，（5/6）：33-43.
［2］ Jensen. M.C.The Modern Industrial Revolution， Exit and the Failure of internal Control Systems［J］. Journal of Finance， 1993，48（3）：831-880.
［3］ Jensen， M. Meckling， W. The theory of the firm: Managerial behavior， agency costs and ownership structure［J］. Journal of Financial Economics， 1976（4）：305-360.
［4］ 朱学义，孙自愿等.企业经营者年薪制、期权股权激励及管理层收购方案设计总结报告［R］. 江苏省财政厅科研项目，2003.
［5］ 王泽霞.识别上市公司管理舞弊之预警信号［M］.上海：上海三联书店，2007：72-88.
［6］ 袁树民，杨召华.上市公司财务舞弊与关联方交易［J］.财会通讯（学术版），2007（1）：37-40.
［7］ 薛祖云，黄彤.董事会、监事会制度特征与会计信息质量——来自中国资本市场的经验分析［J］. 财经理论与实践，2004（7）：85-89.
［8］ 侯晓红，李琦，罗炜.大股东占款与上市公司盈利能力关系研究［J］.会计研究，2008（6）：77-84.
［9］ 程新生.公司治理、内部控制、组织结构互动关系研究［J］.会计研究，2004（4）：14-18.
【关键词】 财务报告舞弊；识别模型；RBF核函数；线性核函数
一、问题的提出
我国上市公司财务报告舞弊通常基于两类目的，一是为实现融资目的而调节利润，包括隐瞒亏损或者为取得配股增发资格；二是通过隐瞒关联方占款、关联方担保等行为，以实现大股东的特定利益，其结果将侵害中小股东的权益。据笔者对2004—2009年间受到证监会处罚的财务报告舞弊公司的统计来看，第一类以调节利润为目的的舞弊行为占所处罚公司的55.13%，是我国上市公司主要的舞弊行为。在本文中，以第一类舞弊公司（本文称其为损益调整类财务报告舞弊）为研究对象，基于支持向量机技术中的Lib-SVM算法，构建有效的损益调整类财务报告舞弊识别模型，为有关各方加强监管提供参考。
二、研究设计
（一）样本的选取标准及数据来源
1.舞弊样本的选取标准
本文以2004—2009年间因年度财务报告舞弊而受到证监会查处的公司作为舞弊公司，并选取其中以损益调整方式实施舞弊的公司为研究对象，并且仅包括因2001年以来的年报舞弊而被处罚的公司，不包括2001年之前的年报中舞弊的公司，也不包括半年报中舞弊的公司及非损益调整类舞弊公司。整理后得到56家年度财务报告舞弊公司的56个观测值。
2.控制样本的选取标准
本文选取的控制样本必须同时满足以下条件：与舞弊公司同行业、同一上市地点；与舞弊公司资产规模相当（选取规模最接近的公司）。整理后同样得到56家非舞弊公司的56个观测值。
3.数据来源
舞弊公司的确定来源于证监会网站公布的处罚公告，经逐个整理得到。舞弊公司及控制样本财务数据和治理机制数据来源于国泰安经济研究数据库（CSMAR）。
（二）变量的选取
1.被解释变量
被解释变量为财务报告舞弊（FFS， Fraudulent Financial Statement），该变量为二元变量，某公司在某年度实施了损益调整类财务报告舞弊，该变量取值为1；否则取0。
2.解释变量
我国上市公司主要通过虚增主营业务收入、隐瞒主营业务成本、隐瞒期间费用、少提减值准备等方式虚增利润，而这些舞弊方式将直接影响到企业资产结构、利润结构和现金流量结构，进而影响企业的资产运作效率。以此为基础，结合国内外已有的研究成果，本文选取的第一类解释变量包括以下14个财务特征指标。具体内容如表1。
另外，财务报告舞弊的顺利实施通常与薄弱的公司治理机制有关。而公司治理机制分为内部治理结构和外部治理机制两方面。内部治理结构包括股权结构、董事会特征、审计委员会、高层管理团队和内部审计师；外部治理机制包括外部审计师和监管机构。当内部治理结构和外部监管机制失效时，财务报告舞弊的机会就会大大增加。由以上分析，结合国内外已有的研究成果，本文选取的第二类解释变量包括以下14个公司治理特征指标，具体内容如表2。
（三）模型的选取
财务报告舞弊的识别，即判断某一公司是否存在舞弊行为，其本质上是一个分类问题。根据分类模型研究领域的最新进展，支持向量机（SVM）算法以其较强的模型泛化能力和较高的识别效果，已经成为常用的分类模型之一。目前，支持向量机算法在财务危机预警研究领域已得到初步运用。结果表明，运用该算法构建的财务危机预警模型，效果优于Probit判别方法、Logistic回归模型和人工神经网络（ANN）技术。
因此，本文引入Lib-SVM支持向量机技术，将损益调整类舞弊公司按照舞弊年限分为两组，一组用来构建财务报告舞弊识别模型，另一组用来检验模型的预测精度，并以预测精度的高低作为检验模型预测效果的依据，判断模型在后续年限中的适用性和泛化能力。
同时，由于Lib-SVM算法的核函数形式包括RBF核函数、线性核函数、多项式核函数、指数基核函数等多种形式，其中，RBF核函数稳定性较强，而在某些情况下线性核函数的预测精度也会高于RBF核函数，因而，本文选择RBF核函数和线性核函数分别构建识别模型，并采用一种基于交叉验证的网格搜寻的方法来确定RBF核函数的两个关键参数C和γ的取值；采用逐步搜寻的方法确定线性核函数的关键参数C的取值。
三、解释变量的显著性检验、Lib-SVM识别模型的构建及结果分析
（一）解释变量的显著性检验
根据前述的研究设计，本文以2004—2009年间因调节利润舞弊而受到证监会处罚的56个公司作为舞弊样本，按一定标准选取了56个非舞弊公司作为控制样本，并选取了14个财务特征指标和14个公司治理特征指标作为解释变量。为保证模型的识别效率，本文先采用两独立样本T检验的方法对28个解释变量的显著性进行检验，并将通过显著性检验的指标作为构建模型的基础。检验结果如表3所示。
检验结果表明，确定的28个解释变量中，共有13个指标在5%的水平上显著。其中，财务特征指标5个，具体为：应收账款占流动资产的比例、存货占流动资产的比例、固定资产原值占总资产的比例、其他应收款占总资产的比例和总资产周转率；治理机制特征指标为8个，包括审计意见、第一大股东股权性质、第一大股东持股比例、董事会规模、董事会持股比例、监事会规模、股东大会会议次数和高管持股比例。
（二）Lib-SVM识别模型的构建
根据上述选出的具备显著性的13个指标，运用Lib-SVM算法构建损益调整类财务报告舞弊识别模型。为验证模型的泛化能力，本文将2001—2006年的所有舞弊公司和配对公司分为两组，其中，2001—2003年的公司作为训练样本，2004—2006年的公司作为测试样本，运用前三年的数据作为训练集构建模型，模型对2004—2006年的分类情况预测精度越高，表明模型的泛化能力越强，在后续年度运用的效果越好。
1.Lib-SVM算法RBF核函数识别模型的构建与检验
首先将全部样本经过归一化处理，然后将2001—2003年的公司数据输入Lib-SVM程序，经过交叉验证的网格搜寻确定RBF核函数的C和γ取值结果如图1所示。
由图1可以看出，将2001—2003年调节利润舞弊公司作为训练样本，确定的Lib-SVM算法RBF核函数参数为C =2048，γ=0.00048828125。
运用参数为C=2048，γ=0.00048828125的RBF核函数和2001—2003年调节利润类舞弊公司数据构建识别模型，再运用所建模型对2004—2006年的公司进行预测，预测精度为86.667%。具体如表4、表5、表6所示。
2.Lib-SVM算法线性核函数识别模型的构建与检验
同理，采用Lib-SVM算法线性核函数根据2001—2003年的数据构建模型，并对2004—2006年的数据进行预测，确定的线性核函数参数C=750，预测精度为83.333%。具体结果如表7、表8、表9所示。
由上述各表可以看出，以2001—2003年的损益调整类舞弊公司作为训练样本集，构建模型后，以2004—2006年的调节利润类舞弊公司作为测试样本集，结果表明RBF核函数的预测精度为86.667%，线性核函数的预测精度为83.333%，两者的预测精度都较高，说明识别模型的泛化能力较强，可用于后续年度财务报告舞弊的识别。比较而言，在构建调节利润舞弊识别模型时，RBF核函数的预测精度相比线性核函数更加稳定。
从模型的总体正确率来看，采用支持向量机算法构建模型，无论是采用RBF核函数还是线性核函数，Ⅰ类误判率均在10%左右，总体正确率均高于85%。说明模型结果对于识别损益调整类舞弊具有较高的参考价值。
四、研究结论与不足
（一）研究结论
1.损益调整类财务报告舞弊公司的显著特征。本文研究结果表明，从财务特征方面来看，舞弊公司的资产构成和资产运作效率显著不同于非舞弊公司；从治理机制特征方面来看，舞弊公司有8个指标显著不同于非舞弊公司，包括审计意见、第一大股东股权性质、第一大股东持股比例、董事会规模、董事会持股比例、监事会规模、股东大会会议次数和高管持股比例。
2. Lib-SVM舞弊识别模型的效果。在损益调整类财务报告舞弊识别模型的构建方面，本文分别运用Lib-SVM算法的RBF核函数和线性核函数，构建了损益调整类财务报告舞弊的识别模型。结果表明，采用2001—2003年的数据构建出的识别模型，对2004—2006年的数据具备较强的预测能力，RBF核函数模型的预测精度达到了86.667%，总体正确率达到了87%；线性核函数的预测精度达到了83.333%，总体正确率达到了86.607%，说明运用支持向量机技术构建损益调整类财务报告舞弊的识别模型，可以为有关各方识别后续年度的财务报告舞弊行为提供参考。
（二）研究局限性
本文在构建损益调整类财务报告舞弊识别模型时，未考虑财务特征中的动态指标，可能会影响到模型的预测效果，有待在后续研究中继续完善。
【主要参考文献】
［1］ Uzun H，Samuel H Szewczyk，Raj Varma．Board Composition and Corporate Fraud［J］．Financial Analysts Journal，2004，（5/6）：33-43.
［2］ Jensen. M.C.The Modern Industrial Revolution， Exit and the Failure of internal Control Systems［J］. Journal of Finance， 1993，48（3）：831-880.
［3］ Jensen， M. Meckling， W. The theory of the firm: Managerial behavior， agency costs and ownership structure［J］. Journal of Financial Economics， 1976（4）：305-360.
［4］ 朱学义，孙自愿等.企业经营者年薪制、期权股权激励及管理层收购方案设计总结报告［R］. 江苏省财政厅科研项目，2003.
［5］ 王泽霞.识别上市公司管理舞弊之预警信号［M］.上海：上海三联书店，2007：72-88.
［6］ 袁树民，杨召华.上市公司财务舞弊与关联方交易［J］.财会通讯（学术版），2007（1）：37-40.
［7］ 薛祖云，黄彤.董事会、监事会制度特征与会计信息质量——来自中国资本市场的经验分析［J］. 财经理论与实践，2004（7）：85-89.
［8］ 侯晓红，李琦，罗炜.大股东占款与上市公司盈利能力关系研究［J］.会计研究，2008（6）：77-84.
［9］ 程新生.公司治理、内部控制、组织结构互动关系研究［J］.会计研究，2004（4）：14-18.