【摘要】 文章以2004—2009年間因調(diào)整損益而受到證監(jiān)會(huì)處罰的56份年度財(cái)務(wù)報(bào)告為研究對(duì)象，采用Lib-SVM分類算法，將所有樣本分為訓(xùn)練樣本和測(cè)試樣本，運(yùn)用訓(xùn)練樣本構(gòu)建了我國(guó)上市公司損益調(diào)整類財(cái)務(wù)報(bào)告舞弊的識(shí)別模型，運(yùn)用測(cè)試樣本檢驗(yàn)了模型的預(yù)測(cè)精度。結(jié)果表明，識(shí)別效率較高的RBF核函數(shù)模型的預(yù)測(cè)精度達(dá)到86.67%，模型的總體正確率為87.5%。
　　【關(guān)鍵詞】 財(cái)務(wù)報(bào)告舞弊；識(shí)別模型；RBF核函數(shù)；線性核函數(shù)
　　
　　一、問題的提出
　　我國(guó)上市公司財(cái)務(wù)報(bào)告舞弊通?；趦深惸康?，一是為實(shí)現(xiàn)融資目的而調(diào)節(jié)利潤(rùn)，包括隱瞞虧損或者為取得配股增發(fā)資格；二是通過隱瞞關(guān)聯(lián)方占款、關(guān)聯(lián)方擔(dān)保等行為，以實(shí)現(xiàn)大股東的特定利益，其結(jié)果將侵害中小股東的權(quán)益。據(jù)筆者對(duì)2004—2009年間受到證監(jiān)會(huì)處罰的財(cái)務(wù)報(bào)告舞弊公司的統(tǒng)計(jì)來(lái)看，第一類以調(diào)節(jié)利潤(rùn)為目的的舞弊行為占所處罰公司的55.13%，是我國(guó)上市公司主要的舞弊行為。在本文中，以第一類舞弊公司（本文稱其為損益調(diào)整類財(cái)務(wù)報(bào)告舞弊）為研究對(duì)象，基于支持向量機(jī)技術(shù)中的Lib-SVM算法，構(gòu)建有效的損益調(diào)整類財(cái)務(wù)報(bào)告舞弊識(shí)別模型，為有關(guān)各方加強(qiáng)監(jiān)管提供參考。
　　
　　二、研究設(shè)計(jì)
　　（一）樣本的選取標(biāo)準(zhǔn)及數(shù)據(jù)來(lái)源
　　1.舞弊樣本的選取標(biāo)準(zhǔn)
　　本文以2004—2009年間因年度財(cái)務(wù)報(bào)告舞弊而受到證監(jiān)會(huì)查處的公司作為舞弊公司，并選取其中以損益調(diào)整方式實(shí)施舞弊的公司為研究對(duì)象，并且僅包括因2001年以來(lái)的年報(bào)舞弊而被處罰的公司，不包括2001年之前的年報(bào)中舞弊的公司，也不包括半年報(bào)中舞弊的公司及非損益調(diào)整類舞弊公司。整理后得到56家年度財(cái)務(wù)報(bào)告舞弊公司的56個(gè)觀測(cè)值。
　　2.控制樣本的選取標(biāo)準(zhǔn)
　　本文選取的控制樣本必須同時(shí)滿足以下條件：與舞弊公司同行業(yè)、同一上市地點(diǎn)；與舞弊公司資產(chǎn)規(guī)模相當(dāng)（選取規(guī)模最接近的公司）。整理后同樣得到56家非舞弊公司的56個(gè)觀測(cè)值。
　　3.數(shù)據(jù)來(lái)源
　　舞弊公司的確定來(lái)源于證監(jiān)會(huì)網(wǎng)站公布的處罰公告，經(jīng)逐個(gè)整理得到。舞弊公司及控制樣本財(cái)務(wù)數(shù)據(jù)和治理機(jī)制數(shù)據(jù)來(lái)源于國(guó)泰安經(jīng)濟(jì)研究數(shù)據(jù)庫(kù)（CSMAR）。
　　（二）變量的選取
　　1.被解釋變量
　　被解釋變量為財(cái)務(wù)報(bào)告舞弊（FFS， Fraudulent Financial Statement），該變量為二元變量，某公司在某年度實(shí)施了損益調(diào)整類財(cái)務(wù)報(bào)告舞弊，該變量取值為1；否則取0。
　　2.解釋變量
　　我國(guó)上市公司主要通過虛增主營(yíng)業(yè)務(wù)收入、隱瞞主營(yíng)業(yè)務(wù)成本、隱瞞期間費(fèi)用、少提減值準(zhǔn)備等方式虛增利潤(rùn)，而這些舞弊方式將直接影響到企業(yè)資產(chǎn)結(jié)構(gòu)、利潤(rùn)結(jié)構(gòu)和現(xiàn)金流量結(jié)構(gòu)，進(jìn)而影響企業(yè)的資產(chǎn)運(yùn)作效率。以此為基礎(chǔ)，結(jié)合國(guó)內(nèi)外已有的研究成果，本文選取的第一類解釋變量包括以下14個(gè)財(cái)務(wù)特征指標(biāo)。具體內(nèi)容如表1。
　　另外，財(cái)務(wù)報(bào)告舞弊的順利實(shí)施通常與薄弱的公司治理機(jī)制有關(guān)。而公司治理機(jī)制分為內(nèi)部治理結(jié)構(gòu)和外部治理機(jī)制兩方面。內(nèi)部治理結(jié)構(gòu)包括股權(quán)結(jié)構(gòu)、董事會(huì)特征、審計(jì)委員會(huì)、高層管理團(tuán)隊(duì)和內(nèi)部審計(jì)師；外部治理機(jī)制包括外部審計(jì)師和監(jiān)管機(jī)構(gòu)。當(dāng)內(nèi)部治理結(jié)構(gòu)和外部監(jiān)管機(jī)制失效時(shí)，財(cái)務(wù)報(bào)告舞弊的機(jī)會(huì)就會(huì)大大增加。由以上分析，結(jié)合國(guó)內(nèi)外已有的研究成果，本文選取的第二類解釋變量包括以下14個(gè)公司治理特征指標(biāo)，具體內(nèi)容如表2。
　　（三）模型的選取
　　財(cái)務(wù)報(bào)告舞弊的識(shí)別，即判斷某一公司是否存在舞弊行為，其本質(zhì)上是一個(gè)分類問題。根據(jù)分類模型研究領(lǐng)域的最新進(jìn)展，支持向量機(jī)（SVM）算法以其較強(qiáng)的模型泛化能力和較高的識(shí)別效果，已經(jīng)成為常用的分類模型之一。目前，支持向量機(jī)算法在財(cái)務(wù)危機(jī)預(yù)警研究領(lǐng)域已得到初步運(yùn)用。結(jié)果表明，運(yùn)用該算法構(gòu)建的財(cái)務(wù)危機(jī)預(yù)警模型，效果優(yōu)于Probit判別方法、Logistic回歸模型和人工神經(jīng)網(wǎng)絡(luò)（ANN）技術(shù)。
　　因此，本文引入Lib-SVM支持向量機(jī)技術(shù)，將損益調(diào)整類舞弊公司按照舞弊年限分為兩組，一組用來(lái)構(gòu)建財(cái)務(wù)報(bào)告舞弊識(shí)別模型，另一組用來(lái)檢驗(yàn)?zāi)Ｐ偷念A(yù)測(cè)精度，并以預(yù)測(cè)精度的高低作為檢驗(yàn)?zāi)Ｐ皖A(yù)測(cè)效果的依據(jù)，判斷模型在后續(xù)年限中的適用性和泛化能力。
　　同時(shí)，由于Lib-SVM算法的核函數(shù)形式包括RBF核函數(shù)、線性核函數(shù)、多項(xiàng)式核函數(shù)、指數(shù)基核函數(shù)等多種形式，其中，RBF核函數(shù)穩(wěn)定性較強(qiáng)，而在某些情況下線性核函數(shù)的預(yù)測(cè)精度也會(huì)高于RBF核函數(shù)，因而，本文選擇RBF核函數(shù)和線性核函數(shù)分別構(gòu)建識(shí)別模型，并采用一種基于交叉驗(yàn)證的網(wǎng)格搜尋的方法來(lái)確定RBF核函數(shù)的兩個(gè)關(guān)鍵參數(shù)C和γ的取值；采用逐步搜尋的方法確定線性核函數(shù)的關(guān)鍵參數(shù)C的取值。
　　三、解釋變量的顯著性檢驗(yàn)、Lib-SVM識(shí)別模型的構(gòu)建及結(jié)果分析
　?。ㄒ唬┙忉屪兞康?strong style="display:none;">459xR9vCWF2yauYrh0oS6g==顯著性檢驗(yàn)
　　根據(jù)前述的研究設(shè)計(jì)，本文以2004—2009年間因調(diào)節(jié)利潤(rùn)舞弊而受到證監(jiān)會(huì)處罰的56個(gè)公司作為舞弊樣本，按一定標(biāo)準(zhǔn)選取了56個(gè)非舞弊公司作為控制樣本，并選取了14個(gè)財(cái)務(wù)特征指標(biāo)和14個(gè)公司治理特征指標(biāo)作為解釋變量。為保證模型的識(shí)別效率，本文先采用兩獨(dú)立樣本T檢驗(yàn)的方法對(duì)28個(gè)解釋變量的顯著性進(jìn)行檢驗(yàn)，并將通過顯著性檢驗(yàn)的指標(biāo)作為構(gòu)建模型的基礎(chǔ)。檢驗(yàn)結(jié)果如表3所示。
　　檢驗(yàn)結(jié)果表明，確定的28個(gè)解釋變量中，共有13個(gè)指標(biāo)在5%的水平上顯著。其中，財(cái)務(wù)特征指標(biāo)5個(gè)，具體為：應(yīng)收賬款占流動(dòng)資產(chǎn)的比例、存貨占流動(dòng)資產(chǎn)的比例、固定資產(chǎn)原值占總資產(chǎn)的比例、其他應(yīng)收款占總資產(chǎn)的比例和總資產(chǎn)周轉(zhuǎn)率；治理機(jī)制特征指標(biāo)為8個(gè)，包括審計(jì)意見、第一大股東股權(quán)性質(zhì)、第一大股東持股比例、董事會(huì)規(guī)模、董事會(huì)持股比例、監(jiān)事會(huì)規(guī)模、股東大會(huì)會(huì)議次數(shù)和高管持股比例。
　　（二）Lib-SVM識(shí)別模型的構(gòu)建
　　根據(jù)上述選出的具備顯著性的13個(gè)指標(biāo)，運(yùn)用Lib-SVM算法構(gòu)建損益調(diào)整類財(cái)務(wù)報(bào)告舞弊識(shí)別模型。為驗(yàn)證模型的泛化能力，本文將2001—2006年的所有舞弊公司和配對(duì)公司分為兩組，其中，2001—2003年的公司作為訓(xùn)練樣本，2004—2006年的公司作為測(cè)試樣本，運(yùn)用前三年的數(shù)據(jù)作為訓(xùn)練集構(gòu)建模型，模型對(duì)2004—2006年的分類情況預(yù)測(cè)精度越高，表明模型的泛化能力越強(qiáng)，在后續(xù)年度運(yùn)用的效果越好。
　　1.Lib-SVM算法RBF核函數(shù)識(shí)別模型的構(gòu)建與檢驗(yàn)
　　首先將全部樣本經(jīng)過歸一化處理，然后將2001—2003年的公司數(shù)據(jù)輸入Lib-SVM程序，經(jīng)過交叉驗(yàn)證的網(wǎng)格搜尋確定RBF核函數(shù)的C和γ取值結(jié)果如圖1所示。
　　由圖1可以看出，將2001—2003年調(diào)節(jié)利潤(rùn)舞弊公司作為訓(xùn)練樣本，確定的Lib-SVM算法RBF核函數(shù)參數(shù)為C =2048，γ=0.00048828125。
　　運(yùn)用參數(shù)為C=2048，γ=0.00048828125的RBF核函數(shù)和2001—2003年調(diào)節(jié)利潤(rùn)類舞弊公司數(shù)據(jù)構(gòu)建識(shí)別模型，再運(yùn)用所建模型對(duì)2004—2006年的公司進(jìn)行預(yù)測(cè)，預(yù)測(cè)精度為86.667%。具體如表4、表5、表6所示。
　　2.Lib-SVM算法線性核函數(shù)識(shí)別模型的構(gòu)建與檢驗(yàn)
　　同理，采用Lib-SVM算法線性核函數(shù)根據(jù)2001—2003年的數(shù)據(jù)構(gòu)建模型，并對(duì)2004—2006年的數(shù)據(jù)進(jìn)行預(yù)測(cè)，確定的線性核函數(shù)參數(shù)C=750，預(yù)測(cè)精度為83.333%。具體結(jié)果如表7、表8、表9所示。
　　由上述各表可以看出，以2001—2003年的損益調(diào)整類舞弊公司作為訓(xùn)練樣本集，構(gòu)建模型后，以2004—2006年的調(diào)節(jié)利潤(rùn)類舞弊公司作為測(cè)試樣本集，結(jié)果表明RBF核函數(shù)的預(yù)測(cè)精度為86.667%，線性核函數(shù)的預(yù)測(cè)精度為83.333%，兩者的預(yù)測(cè)精度都較高，說(shuō)明識(shí)別模型的泛化能力較強(qiáng)，可用于后續(xù)年度財(cái)務(wù)報(bào)告舞弊的識(shí)別。比較而言，在構(gòu)建調(diào)節(jié)利潤(rùn)舞弊識(shí)別模型時(shí)，RBF核函數(shù)的預(yù)測(cè)精度相比線性核函數(shù)更加穩(wěn)定。
　　
　　從模型的總體正確率來(lái)看，采用支持向量機(jī)算法構(gòu)建模型，無(wú)論是采用RBF核函數(shù)還是線性核函數(shù)，Ⅰ類誤判率均在10%左右，總體正確率均高于85%。說(shuō)明模型結(jié)果對(duì)于識(shí)別損益調(diào)整類舞弊具有較高的參考價(jià)值。
　　
　　四、研究結(jié)論與不足
　?。ㄒ唬┭芯拷Y(jié)論
　　1.損益調(diào)整類財(cái)務(wù)報(bào)告舞弊公司的顯著特征。本文研究結(jié)果表明，從財(cái)務(wù)特征方面來(lái)看，舞弊公司的資產(chǎn)構(gòu)成和資產(chǎn)運(yùn)作效率顯著不同于非舞弊公司；從治理機(jī)制特征方面來(lái)看，舞弊公司有8個(gè)指標(biāo)顯著不同于非舞弊公司，包括審計(jì)意見、第一大股東股權(quán)性質(zhì)、第一大股東持股比例、董事會(huì)規(guī)模、董事會(huì)持股比例、監(jiān)事會(huì)規(guī)模、股東大會(huì)會(huì)議次數(shù)和高管持股比例。
　　2. Lib-SVM舞弊識(shí)別模型的效果。在損益調(diào)整類財(cái)務(wù)報(bào)告舞弊識(shí)別模型的構(gòu)建方面，本文分別運(yùn)用Lib-SVM算法的RBF核函數(shù)和線性核函數(shù)，構(gòu)建了損益調(diào)整類財(cái)務(wù)報(bào)告舞弊的識(shí)別模型。結(jié)果表明，采用2001—2003年的數(shù)據(jù)構(gòu)建出的識(shí)別模型，對(duì)2004—2006年的數(shù)據(jù)具備較強(qiáng)的預(yù)測(cè)能力，RBF核函數(shù)模型的預(yù)測(cè)精度達(dá)到了86.667%，總體正確率達(dá)到了87%；線性核函數(shù)的預(yù)測(cè)精度達(dá)到了83.333%，總體正確率達(dá)到了86.607%，說(shuō)明運(yùn)用支持向量機(jī)技術(shù)構(gòu)建損益調(diào)整類財(cái)務(wù)報(bào)告舞弊的識(shí)別模型，可以為有關(guān)各方識(shí)別后續(xù)年度的財(cái)務(wù)報(bào)告舞弊行為提供參考。
　?。ǘ┭芯烤窒扌?br/>　　本文在構(gòu)建損益調(diào)整類財(cái)務(wù)報(bào)告舞弊識(shí)別模型時(shí)，未考慮財(cái)務(wù)特征中的動(dòng)態(tài)指標(biāo)，可能會(huì)影響到模型的預(yù)測(cè)效果，有待在后續(xù)研究中繼續(xù)完善。
　　
　　【主要參考文獻(xiàn)】
　?。?］ Uzun H，Samuel H Szewczyk，Raj Varma．Board Composition and Corporate Fraud［J］．Financial Analysts Journal，2004，（5/6）：33-43.
　?。?］ 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］ 朱學(xué)義，孫自愿等.企業(yè)經(jīng)營(yíng)者年薪制、期權(quán)股權(quán)激勵(lì)及管理層收購(gòu)方案設(shè)計(jì)總結(jié)報(bào)告［R］. 江蘇省財(cái)政廳科研項(xiàng)目，2003.
　?。?］ 王澤霞.識(shí)別上市公司管理舞弊之預(yù)警信號(hào)［M］.上海：上海三聯(lián)書店，2007：72-88.
　　［6］ 袁樹民，楊召華.上市公司財(cái)務(wù)舞弊與關(guān)聯(lián)方交易［J］.財(cái)會(huì)通訊（學(xué)術(shù)版），2007（1）：37-40.
　　［7］ 薛祖云，黃彤.董事會(huì)、監(jiān)事會(huì)制度特征與會(huì)計(jì)信息質(zhì)量——來(lái)自中國(guó)資本市場(chǎng)的經(jīng)驗(yàn)分析［J］. 財(cái)經(jīng)理論與實(shí)踐，2004（7）：85-89.
　?。?］ 侯曉紅，李琦，羅煒.大股東占款與上市公司盈利能力關(guān)系研究［J］.會(huì)計(jì)研究，2008（6）：77-84.
　?。?］ 程新生.公司治理、內(nèi)部控制、組織結(jié)構(gòu)互動(dòng)關(guān)系研究［J］.會(huì)計(jì)研究，2004（4）：14-18.