傅祺煒

(成都理工大學(xué)商學(xué)院，四川 成都 610059)

1 引言

隨著資本市場的深入發(fā)展與繁榮，盈余在財(cái)務(wù)報(bào)表中的地位舉足輕重，促使一些企業(yè)為了追求自身利益最大化，蓄意粉飾報(bào)表，虛構(gòu)盈余，導(dǎo)致上市公司盈余管理行為日益普遍，且在信息傳遞不對稱、尚未成熟的中國市場表現(xiàn)尤為嚴(yán)重。這種上市公司盈余管理行為涉及范圍廣泛，嚴(yán)重影響會計(jì)信息真實(shí)性，極大地打擊了投資者信心，擾亂了資本市場秩序，阻礙了證券市場的健康發(fā)展，中國早期的銀廣夏、藍(lán)田股份事件到近期的南京高科、華銳風(fēng)電事件都是盈余管理行為惡果的有力印證。因此，構(gòu)建科學(xué)有效的中國上市公司盈余管理識別模型，對于政府管理部門、投資主體有效應(yīng)對與防范會計(jì)舞弊，促進(jìn)證券市場交易的公平與規(guī)范，具有重要的理論價(jià)值和現(xiàn)實(shí)意義。

然而，迄今為止，已有學(xué)者運(yùn)用單尾檢驗(yàn)法、描述性統(tǒng)計(jì)方法、logistic回歸模型以及貝葉斯判別分析、神經(jīng)網(wǎng)絡(luò)等人工智能模型對上市公司盈余管理行為進(jìn)行識別。雖然這些方法已經(jīng)取得了較好的推廣能力，被實(shí)務(wù)界廣泛應(yīng)用，但都存在著前提條件過于苛刻，維數(shù)災(zāi)難等問題。為了克服以上模型所存在的不足，vapnik等根據(jù)統(tǒng)計(jì)學(xué)理論提出了一種支持向量機(jī)的方法來進(jìn)行模式識別，它是建立在VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理上基礎(chǔ)上的一種人工智能方法，能夠有效的克服小樣本、高維模式、非線性等識別問題，具有良好的學(xué)習(xí)能力。因此，本文引入SVM模型對我國上市公司盈余管理行為進(jìn)行識別研究。

此外，上市公司數(shù)據(jù)之間高度相關(guān)，需要通過降維技術(shù)對指標(biāo)進(jìn)行約減。在多元統(tǒng)計(jì)分析中，因子分析是主成分分析的進(jìn)一步發(fā)展，它不是對原有變量進(jìn)行取舍，而是對原有變量信息重新組合，形成公共因子，既充分考慮了各財(cái)務(wù)指標(biāo)之間的內(nèi)在聯(lián)系，又有效解決了由于數(shù)據(jù)之間高相關(guān)性特征而引起的信息冗余問題。因此，本文在構(gòu)建出上市公司盈余管理識別模型的指標(biāo)體系后，將進(jìn)一步運(yùn)用因子分析方法方法對特征指標(biāo)進(jìn)行篩選，從而提高模型的學(xué)習(xí)能力和泛化能力，以期能夠進(jìn)一步提升模型對盈余管理識別的準(zhǔn)確性。

2 研究方法

支持向量機(jī)的基本思想是尋找一個(gè)滿足分類要求的最優(yōu)超平面將兩類樣本分開。本文首先假定上市公司樣本集為(x1，y1)，…，(xn，yn)，每個(gè)特征指標(biāo)所對應(yīng)的類別標(biāo)簽yi∈{-1，1}，發(fā)生盈余管理行為的公司用“+1”表示，未發(fā)生盈余管理行為的公司用“-1”表示，要使得兩類樣本分開，則需運(yùn)用SVM模型尋找一個(gè)使分類間隔δ=|g(x)|/‖ω‖最大的識別函數(shù)f(x)，并滿足0≤yi(ωTxi+b)-1的約束。

其次在樣本線性不可分情況，此時(shí)SVM需構(gòu)造一個(gè)非線性映射：Φ:x→Φ(x)，使得上市公司樣本在高維空間中線性可分。此外，還需在SVM原問題的約束中加入軟間隔松弛變量，ζi，i=1，…，n以此避免高維空間中少數(shù)上市公司離群造成問題無解

于是，運(yùn)用SVM尋找最優(yōu)盈余管理識別函數(shù)問題則轉(zhuǎn)化為求解以下二次型規(guī)劃問題：

(1)

接下來，引入拉格朗日乘子法來求解，設(shè)0≤αi，λi，i=1，…，n，得到拉格朗日函數(shù)：

(2)

由此，通過訓(xùn)練算法構(gòu)造出上市公司盈余管理行為的識別函數(shù)：

(3)

3 研究設(shè)計(jì)

在財(cái)務(wù)因素方面，本文根據(jù)上市公司進(jìn)行盈余管理的手段與動(dòng)機(jī)，以及以往文獻(xiàn)的研究成果列舉出12個(gè)財(cái)務(wù)指標(biāo)，作為中國上市公司盈余管理行為的識別指標(biāo)(詳見表1)。

表1 12個(gè)識別盈余管理行為的財(cái)務(wù)指標(biāo)

4 實(shí)證結(jié)果與分析

4.1 指標(biāo)篩選

首先本文通過軟件計(jì)算輸入變量的KMO值與Bartlett檢驗(yàn)值。結(jié)果顯示，財(cái)務(wù)變量的KMO值大于0.5，且Bartlett球形檢驗(yàn)的概率P值為0，表示可以進(jìn)行因子分析。隨后經(jīng)過因子分析，本文約減出5個(gè)基本涵蓋了12個(gè)財(cái)務(wù)指標(biāo)的信息的主因子，較為全面地解釋上市公司的財(cái)務(wù)狀況，體現(xiàn)出兩類樣本在財(cái)務(wù)因素上的差異性。

4.2 盈余管理行為識別模型的構(gòu)建

SVM識別模型的學(xué)習(xí)性能是否優(yōu)越關(guān)鍵在于選擇的核函數(shù)，而常見的四種核函數(shù)中，RBF核函數(shù)應(yīng)用最為廣泛，因此，本文選用RBF核函數(shù)來構(gòu)建SVM盈余管理識別模型。

接著，本文以財(cái)務(wù)指標(biāo)作為輸入變量對訓(xùn)練集進(jìn)行SVM識別，得到模型的估計(jì)結(jié)果和檢驗(yàn)結(jié)果(如表2、表3所示)。

表2 財(cái)務(wù)指標(biāo)下的SVM預(yù)測結(jié)果

表3 財(cái)務(wù)指標(biāo)下的SVM檢驗(yàn)結(jié)果

由表2可知，SVM模型在盈余管理行為的識別問題上已經(jīng)取得一定的分類效果，而由表3可知，SVM模型不僅有良好的學(xué)習(xí)能力，更有良好的泛化能力，能夠有效地對盈余管理行為進(jìn)行識別研究。

5 結(jié)論

本文以中國上市公司為研究對象，運(yùn)用因子分析方法提取出能夠準(zhǔn)確刻畫盈余管理行為的財(cái)務(wù)指標(biāo)，進(jìn)而運(yùn)用SVM模型對中國上市公司盈余管理行為進(jìn)行識別研究。通過實(shí)證分析，本文得出SVM模型能夠有效地識別中國上市公司盈余管理行為，從而為政府管理部門以及投資主體提供寶貴決策借鑒。

[1] 陳小悅，肖星，過曉艷.配股權(quán)與上市公司盈余管理[J].經(jīng)濟(jì)研究，2000，(1):30-36.

[2] Fields，M.A.，Keys，P.Y.The Emergence of Corporate Governance from Wall St.to Main ST.:Outside Directors，Board Diversity，Earnings Management，and Managerial Incentives to Bear Risk[J].Financial Review，2003，(1):1-3.

[3] 姚宏，李延喜，高銳.基于主成分分析的上市公司盈余管理識別模型[J].管理科學(xué)，2007，(5):84-91.

[4] 姜金玲，李延喜，高銳.基于logistic的上市公司盈余管理行為識別模型研究[J].經(jīng)濟(jì)管理，2008，(19-20):77-82.

[5] 李延喜，高銳，包世澤等.基于貝葉斯判別的中國上市公司盈余管理識別模型研究[J].預(yù)測，2007，(3):56-60.

[6] 李雙杰，陳星星.基于BP神經(jīng)網(wǎng)絡(luò)模型與DEA模型的中國上市公司盈余管理研究[J].數(shù)理統(tǒng)計(jì)與管理，2013，(3):440-451.

[7] Vapnik V N.The Nature of Statistical Learning Theory[Z].1995.

[8] 宋新平，丁永生.基于最優(yōu)支持向量機(jī)模型的經(jīng)營失敗預(yù)警研究[J].管理科學(xué)，2006，(1):115-121.

[9] 劉曉亮，丁世飛.SVM用于文本分類的適用性[J].計(jì)算機(jī)工程與科學(xué)，2010，(6):106-108.

[10] Messod D.Beneish.The Detecting of Earnings Manipulation[J].Financial Analysis Journal，1999，(5):24-36.

[11] 吳德輝，李輝，劉青松等.基于因子分析信道失配補(bǔ)償?shù)腟VM話者確認(rèn)方法[J].模式識別與人工智能，2010，(1):59-64.