周鳳麒,劉志敏,閆志剛

（1.華東交通大學 基礎科學學院,江西 南昌 330013;2.東北財經(jīng)大學 會計學院,遼寧 大連 116025）

上市公司的信息披露是指上市公司通過招股說明書、上市公告及定期報告和臨時報告等形式,將與投資者決策相關(guān)的信息向投資者和社會公眾及時、準確、全面的公開披露。上市公司作為信息的生產(chǎn)者和提供者,具有及時、準確、全面的進行信息披露的義務。

所有權(quán)和經(jīng)營權(quán)的分離產(chǎn)生了信息不對稱的問題,這促使一些上市公司利用自身的信息優(yōu)勢做出各種信息披露違規(guī)行為,損害了廣大投資者的利益,最終影響證券市場價格發(fā)現(xiàn)和資源配置功能的正常發(fā)揮。我們?nèi)绻軌蛲ㄟ^一些技術(shù)性手段及時預警上市公司的信息披露違規(guī)行為,就能夠有效地減少損失,國內(nèi)在這方面的研究較少,目前尚處于起步階段[1-4]。

2003年,鹿小楠和傅浩針對財務信息披露舞弊進行了實證研究[5],他們以舞弊當年的9個財務指標為預警變量,分別建立多元判別模型和Logistic回歸模型,但對舞弊公司的預測成功率僅為60%,尚不能滿足應用要求。2006年,吳士農(nóng)、蔡志岳基于財務視角和公司治理視角,運用混合BP神經(jīng)網(wǎng)絡模型構(gòu)建上市公司信息披露舞弊預警模型,將預測的精度提高到了73%,具有一定的應用價值[6]。

上述研究所采用的模型在應用時均須依賴大量的歷史樣本。此外,多元判別模型和Logistic回歸模型需要以多元正態(tài)分布為假設前提,但實際上很多經(jīng)濟變量不符合這個假設;神經(jīng)網(wǎng)絡模型雖然克服了統(tǒng)計模型的缺點,但在目前仍缺乏統(tǒng)一的數(shù)學理論。在確定網(wǎng)絡結(jié)構(gòu)、提高算法的解釋性、解決過學習和欠學習以及局部極小點等問題上也難以突破。本文擬利用支持向量機（Support Vector Machine,SVM）的分類能力建立信息披露預警模型,以有效解決傳統(tǒng)模型存在的小樣本、高維數(shù)、非線性和局部極小點等問題,從而提高信息披露違規(guī)預警的準確率。

1 支持向量機原理

支持向量機算法由Vapnik等學者提出,是近十幾年來機器學習界最有影響力的成果之一。它利用最大間距的思想降低分類器的VC維,實現(xiàn)結(jié)構(gòu)風險最小化、優(yōu)化分類器的推廣能力;其次,利用Mercer核將特征空間升維,使得線性不可分的樣本集在升維后的空間中線性可分;且算法設計成凸二次規(guī)劃問題,使得解唯一。支持向量機在解決小樣本、非線性、高維數(shù)和局部極小值等模式識別問題中表現(xiàn)出許多特有的優(yōu)勢,因而在許多領(lǐng)域得到了成功的應用。關(guān)于支持向量機具體的理論基礎和算法可以參見Vapnik的著作[7]以及國內(nèi)學者的論文[8]等。

設訓練樣本集為（x1,y1）,（x2,y2）,…,（xl,yl）,其中xi∈Rn,yi∈{+1,-1}。支持向量機分類算法的原始形式可歸結(jié)為下列二次規(guī)劃問題:

其中:ξi≥0為松弛項,表示錯分樣本的懲罰程度;C為常數(shù),用于控制對錯分樣本懲罰的程度,實現(xiàn)在錯分樣本數(shù)與模型復雜性之間的折中。上述問題（1）的對偶模型為

由于對偶形式（2）中只出現(xiàn)兩向量間的內(nèi)積運算,Vapnik等人用滿足Mercer條件的核函數(shù)K（xi,xj）來代替內(nèi)積運算（xi,xj）,相當于把原特征空間映射到某一新的高維特征空間中,使得在原空間中線性不可分的樣本集在高維空間中線性可分。常用的核函數(shù)包括:多項式核、徑向基核、sigmoid核函數(shù),其中徑向基核函數(shù)可以逼近任意非線性函數(shù)。

2 實證研究過程

2.1 樣本數(shù)據(jù)選擇

本文研究所需原始數(shù)據(jù)來源于萬得公司和國泰君安公司的金融數(shù)據(jù)庫。選取2004—2007年發(fā)生違規(guī)行為的99家非金融上市公司為研究對象。在研究期間內(nèi),對于只發(fā)生一次違規(guī)行為的公司,選取開始違規(guī)當年的相關(guān)數(shù)據(jù),對于發(fā)生多次違規(guī)行為的公司,選取其第一次違規(guī)發(fā)生當年的相關(guān)數(shù)據(jù)。同時,為每一家違規(guī)公司選取一家未發(fā)生違規(guī)行為的配對公司。配對公司的選取標準為:（1）行業(yè),按證監(jiān)會行業(yè)劃分標準,具體到二級分類科目,配對公司必須與違規(guī)公司處于相同行業(yè);（2）公司規(guī)模在滿足（1）的條件下,配對公司必須與違規(guī)公司資產(chǎn)總額相近;（3）上市交易年齡,在滿足（1）（2）條件下選擇與違規(guī)公司上市時間相近的配對公司。

本文將違規(guī)公司樣本記為負類,對應值記為-1,未發(fā)生違規(guī)行為的配對公司樣本記為正類,對應值記為+1。

2.2 預警解釋變量選擇

上市公司發(fā)生違規(guī)行為的影響因素很多,至今沒有統(tǒng)一的標準。文獻[6]選取了6個備選財務指標和12個備選公司治理指標,然后通過逐步logistic回歸分析和因子分析篩選出信息含量最高的2個財務指標和5個公司治理指標。為便于比較,本文選用的指標與該文基本一致。具體選取的財務指標和公司治理指標如下:

（1）應計利潤率即年度應計利潤與當年總資產(chǎn)的比值,此處應計利潤指年度總利潤與經(jīng)營性現(xiàn)金流量的差值,反映了收付實現(xiàn)制和權(quán)責發(fā)生制的差異。應計利潤是企業(yè)管理層進行盈余管理的重要手段,異常的應計利潤往往是會計舞弊的前兆。

（2）營業(yè)收入指標即公司當年的營業(yè)收入與上年營業(yè)收入的比值?；诿绹鴶?shù)據(jù)的研究顯示,高增長的公司管理層往往面臨更大的財務壓力和資本市場壓力,為迎合市場的增長預期和防止股價下跌,在公司經(jīng)營不如意的情況下,管理層有強烈的舞弊動機。然而,需要注意的是,銷售收入的大幅增加并不意味著公司一定進行財務舞弊。

（3）第一大股東持股比例:該指標用來衡量股權(quán)的集中程度。

（4）第二至第十大股東的持股比例的Herfindahl指數(shù):該指標用來衡量股權(quán)的競爭程度。

（5）基金持股占流通股的比例:該指標用來衡量機構(gòu)投資者對控股股東和管理層的監(jiān)督程度。

（6）年度董事會召開次數(shù):該指標是董事會的特征之一,為便于實證研究,我們對其取自然對數(shù)。

（7）審計意見類型:注冊會計師具有豐富的會計知識及審計經(jīng)驗,能夠?qū)ι鲜泄镜呢攧諣顩r及其變動進行深入分析,形成高質(zhì)量的審計意見。非標準的審計意見意味著公司運營或信息披露行為不夠規(guī)范,為了方便實證分析,將標準無保留意見記為+1,其他審計意見類型記為-1。

2.3 實證結(jié)果

表1 支持向量機與混合BP神經(jīng)網(wǎng)絡預測結(jié)果對比

3 結(jié)論

（1）本文雖然僅用了99對樣本,但根據(jù)支持向量機訓練得到的分類結(jié)果明顯優(yōu)于[6]中192對樣本用BP神經(jīng)網(wǎng)絡學習達到的效果。這是由于支持向量機基于結(jié)構(gòu)風險最小化原理,具有很強的泛化能力,對小樣本數(shù)據(jù)訓練也能得到好的結(jié)果,并且支持向量機的凸二次規(guī)劃模型能保證算法得到的是全局極小點,而神經(jīng)網(wǎng)絡采用梯度修正算法很難收斂到全局最優(yōu)點。

（2）鑒于支持向量機在甄別上市公司信息披露違規(guī)行為方面的有效作用,監(jiān)管層可以利用該方法作為日常監(jiān)管工作的參考。

（3）影響上市公司發(fā)生信息披露違規(guī)行為的因素很多,如何選取更為合理和全面的預警解釋變量是需要進一步研究的問題。

[1]黃彥軍.上市公司信息披露違規(guī)影響因素的實證研究[J].山東工商學院學報,2005,19（3）:34-39.

[2]蔡志岳,吳世農(nóng).我國上市公司信息披露違規(guī)的預警研究—基于財務、市場和治理視角[J].信息資源管理,2007,19（1）:25-33.

[3]楊玉鳳,曹瓊,吳曉明.上市公司信息披露違規(guī)市場反應差異研究[J].審計研究,2008（5）:68-73.

[4]路云峰,劉國強.信息披露違規(guī)上市公司審計質(zhì)量分析[J].財會通訊,2009（3）:134-138.

[5]鹿小楠,傅浩.中國上市公司財務造假問題研究[R].上海:上海證券交易所研究中心,2003.

[6]蔡志岳,吳世農(nóng).基于公司治理的信息披露舞弊預警研究[J].管理科學,2006,19（4）:79-90.

[7]VAPNIK V.The Nature of Statistical Learning Theory[M].NY:Springer,1995.

[8]張學工.關(guān)于統(tǒng)計學習理論與支持向量機[J].自動化學報,2000,26（1）:32-41.