劉志洋，韓麗榮(吉林大學(xué) 商學(xué)院，吉林 長春 130012)

一、文獻(xiàn)回顧及理論分析

(一)文獻(xiàn)回顧

會(huì)計(jì)舞弊手段紛繁復(fù)雜，國外學(xué)者為從會(huì)計(jì)信息中窺出財(cái)務(wù)舞弊的蛛絲馬跡，對(duì)會(huì)計(jì)舞弊識(shí)別側(cè)重于會(huì)計(jì)舞弊的征兆即紅旗標(biāo)志[1]。紅旗標(biāo)志的研究起源于20世紀(jì)80年代[2]，后來Loebbecke和Willingham[3]建立了評(píng)估財(cái)務(wù)報(bào)告舞弊風(fēng)險(xiǎn)的概念化模型(LW模型)，開創(chuàng)了財(cái)務(wù)舞弊識(shí)別的先河。隨著資本市場的發(fā)展，非財(cái)務(wù)指標(biāo)和增量信息也成為研究的重點(diǎn)。以前文獻(xiàn)發(fā)現(xiàn)舞弊公司治理結(jié)構(gòu)薄弱，董事長常常兼任總經(jīng)理，設(shè)立審計(jì)委員會(huì)的比例較低[4]，且審計(jì)委員會(huì)的獨(dú)立性受到威脅或未盡勤勉義務(wù)[5-6]，外部董事比例低[7]，資產(chǎn)規(guī)模相對(duì)較小[8]及股權(quán)集中度較高[9]等。部分學(xué)者同時(shí)關(guān)注財(cái)務(wù)信息和非財(cái)務(wù)信息[10-11]，而大部分學(xué)者關(guān)注財(cái)務(wù)數(shù)據(jù)的異常表現(xiàn)，早期關(guān)注舞弊當(dāng)年的靜態(tài)數(shù)據(jù)構(gòu)建模型，洪葒等[16]基于GONE理論對(duì)舞弊形成機(jī)理及識(shí)別進(jìn)行探討；后來學(xué)者關(guān)注動(dòng)態(tài)數(shù)據(jù)，Beneish[17]發(fā)現(xiàn)，應(yīng)收賬款日銷售指數(shù)、毛利率指數(shù)、銷售增長指數(shù)、總應(yīng)計(jì)與總資產(chǎn)之比指數(shù)在舞弊公司與非舞弊公司之間存在顯著差異；余玉苗和呂凡[18]、韋琳等[19]以及韓麗榮等[20]也選取部分財(cái)務(wù)指標(biāo)的動(dòng)態(tài)變化作為識(shí)別舞弊的標(biāo)志；而Dechow等[21]的模型得到極大改進(jìn)，同時(shí)兼顧了靜態(tài)和動(dòng)態(tài)數(shù)據(jù)。

針對(duì)識(shí)別財(cái)務(wù)舞弊工具選取方面，部分學(xué)者單獨(dú)考慮分類問題，選取一般的統(tǒng)計(jì)模型，如判別分析、Logistic回歸和Probit回歸等。其中Logistic回歸應(yīng)用最為廣泛，Spathis[13]從希臘財(cái)務(wù)報(bào)告數(shù)據(jù)提取10個(gè)靜態(tài)財(cái)務(wù)指標(biāo)構(gòu)建Logistic回歸模型，識(shí)別率達(dá)到84%，Beneish[17]、 Bell 和Carcello[10]與陳國欣等[14]也運(yùn)用Logistic回歸模型進(jìn)行研究；部分學(xué)者考慮分類兼評(píng)分的人工智能模型識(shí)別舞弊，如專家系統(tǒng)[22]、神經(jīng)網(wǎng)絡(luò)模型[23]和支持向量機(jī)[24]；還有部分學(xué)者通過對(duì)比不同模型的識(shí)別效率來判定識(shí)別工具的優(yōu)劣。

(二)研究角度依據(jù)及舞弊識(shí)別效率理論分析

1.選取歷史異常數(shù)據(jù)依據(jù)

基于異常會(huì)計(jì)信息角度識(shí)別舞弊可以提高識(shí)別的有效性，具有目標(biāo)導(dǎo)向性強(qiáng)、識(shí)別效率高的特質(zhì)，而以往研究舞弊主要從舞弊成因角度提取紅旗標(biāo)志，只是解釋了舞弊的可能性。Beneish[29]指出，美國上市公司財(cái)務(wù)舞弊從報(bào)告公布到被發(fā)現(xiàn)平均滯后28個(gè)月，而我國滯后時(shí)間更長，據(jù)估計(jì)平均為37個(gè)月，因此，由于舞弊的隱蔽性和復(fù)雜性，舞弊當(dāng)年被監(jiān)管機(jī)構(gòu)和投資者識(shí)別出來的概率微乎其微，從側(cè)面表明企業(yè)越是進(jìn)行舞弊操縱越有可能在舞弊當(dāng)年使公司各項(xiàng)財(cái)務(wù)數(shù)據(jù)表現(xiàn)正常，從而規(guī)避被發(fā)現(xiàn)的可能；而現(xiàn)階段研究舞弊大多基于靜態(tài)指標(biāo)(舞弊當(dāng)年數(shù)據(jù))進(jìn)行識(shí)別，在識(shí)別效果上具有一定的局限性，雖然部分學(xué)者認(rèn)識(shí)到舞弊是一個(gè)逐漸積累的過程，開始關(guān)注動(dòng)態(tài)增量信息[18]，但是只考慮連續(xù)兩年環(huán)比數(shù)據(jù)，而從舞弊公司被發(fā)現(xiàn)的滯后期來看其進(jìn)行舞弊時(shí)間應(yīng)該更長。由于舞弊公司通常業(yè)績較差，使財(cái)務(wù)數(shù)據(jù)永遠(yuǎn)表現(xiàn)正常的難度較大，因?yàn)橐话愕挠喙芾泶嬖趹?yīng)計(jì)項(xiàng)目倒轉(zhuǎn)，而嚴(yán)重的盈余操縱具有不可持續(xù)性，因而企業(yè)一旦進(jìn)行舞弊在未來某個(gè)時(shí)刻終會(huì)漏出端倪，表現(xiàn)在財(cái)務(wù)數(shù)據(jù)上是歷年波動(dòng)性較大，因而基于歷史異常財(cái)務(wù)信息識(shí)別舞弊具有其獨(dú)特優(yōu)勢。

2.數(shù)據(jù)信息效率優(yōu)化

每家企業(yè)都是社會(huì)經(jīng)濟(jì)網(wǎng)絡(luò)的一個(gè)節(jié)點(diǎn)，反映企業(yè)基本經(jīng)營狀況的財(cái)務(wù)指標(biāo)無論在橫向上還是在縱向上均應(yīng)落在合理的區(qū)間，如果違背同行業(yè)可比性及歷史維度的增長趨勢，則可以判定該公司存在異常，此外財(cái)務(wù)報(bào)表是建立在復(fù)式記賬基礎(chǔ)上的，報(bào)表及賬項(xiàng)之間存在相互關(guān)聯(lián)性及內(nèi)在一致性，如果它們之間的勾稽關(guān)系存在矛盾同樣可以作為財(cái)務(wù)異常的依據(jù)。財(cái)務(wù)異常可以分為三個(gè)維度，即勾稽關(guān)系異常、行業(yè)橫向異常和歷史變動(dòng)異常。財(cái)務(wù)舞弊識(shí)別可以從上述三個(gè)角度進(jìn)行研究，然而在舞弊識(shí)別效率上存在差異，筆者認(rèn)為企業(yè)舞弊手段高明程度存在三個(gè)層級(jí)，公司進(jìn)行舞弊的出發(fā)點(diǎn)是不被市場感知，因此，首先，必須保證當(dāng)年數(shù)據(jù)被市場投資者認(rèn)為是真實(shí)的，起碼應(yīng)該保證本公司報(bào)表結(jié)構(gòu)完整，邏輯通順。其次，保證公司在同行業(yè)中表現(xiàn)正常。最后，同時(shí)也是最難的是保證公司歷史數(shù)據(jù)平滑，與正常公司發(fā)展規(guī)律表現(xiàn)出一致性，因?yàn)楣具M(jìn)行舞弊通常是由公司績效較差的壓力造成，常常通過提前確認(rèn)收入等盈余操縱手段來粉飾財(cái)務(wù)報(bào)表，而許多操縱手段具有不可持續(xù)性，因而舞弊公司必然導(dǎo)致各年度財(cái)務(wù)數(shù)據(jù)波動(dòng)較大，因而基于歷史維度識(shí)別財(cái)務(wù)舞弊比結(jié)構(gòu)矛盾及行業(yè)對(duì)比效率更高。另外，公司相關(guān)的非財(cái)務(wù)信息由于部分依賴企業(yè)財(cái)務(wù)報(bào)告質(zhì)量，如審計(jì)意見、ST等，公司可以通過人為操縱或?qū)徲?jì)意見購買進(jìn)行改善；其他的非財(cái)務(wù)信息，如董事會(huì)結(jié)構(gòu)、公司治理狀況等，相對(duì)于財(cái)務(wù)數(shù)據(jù)其更容易操縱以滿足市場預(yù)期，故而相對(duì)于財(cái)務(wù)數(shù)據(jù)，非財(cái)務(wù)數(shù)據(jù)的識(shí)別效率更低。

3.識(shí)別工具效率改進(jìn)

由于財(cái)務(wù)舞弊具有非線性特征，簡單的分類模型識(shí)別效果不如數(shù)據(jù)挖掘兼具分類評(píng)分功能的智能模型。為了論證舞弊識(shí)別效率改進(jìn)路徑，筆者首先分別對(duì)數(shù)據(jù)和識(shí)別技術(shù)進(jìn)行改進(jìn)，然后對(duì)兩者進(jìn)行同時(shí)改進(jìn)以對(duì)比舞弊識(shí)別效果。

二、經(jīng)驗(yàn)研究設(shè)計(jì)

(一)樣本選取與數(shù)據(jù)來源

由于制造業(yè)公司在我國上市公司中所占比重較大，同時(shí)也是實(shí)施舞弊的重災(zāi)區(qū)，為了便于行業(yè)可比性，筆者選取2007—2015年滬深兩市主板市場被中國證監(jiān)會(huì)和證券交易所首次處罰的制造業(yè)上市公司為研究樣本，按照CSMAR數(shù)據(jù)庫披露的違規(guī)信息選擇“虛構(gòu)利潤、虛列資產(chǎn)、虛假記載、推遲披露、重大遺漏和披露不實(shí)”六種違規(guī)類型進(jìn)行研究共得到280家上市公司數(shù)據(jù)。同時(shí)按照三條原則選取配對(duì)樣本：(1)與舞弊公司處于同一年度。(2)年初資產(chǎn)規(guī)模相近。(3)為了保證配對(duì)樣本沒有舞弊嫌疑，要求配對(duì)樣本從未受到證監(jiān)會(huì)、證券交易所等監(jiān)管部門處罰。經(jīng)篩選，得到152家非舞弊公司作為配對(duì)樣本，最后選取舞弊樣本和非舞弊樣本各152個(gè)進(jìn)行檢驗(yàn)。筆者將樣本分為訓(xùn)練集和測試集兩個(gè)子樣本，而財(cái)務(wù)數(shù)據(jù)波動(dòng)性均考察2005—2015年之間的標(biāo)準(zhǔn)差，考慮到舞弊行為被識(shí)別一般滯后3年左右，故將2007—2013年共計(jì)248個(gè)樣本作為訓(xùn)練集，其中舞弊公司和非舞弊公司各124家；此外，筆者研究的目的是根據(jù)歷史信息幫助投資者進(jìn)行舞弊識(shí)別，而2014年和2015年兩年財(cái)務(wù)數(shù)據(jù)的波動(dòng)性主要基于歷史信息，故作為測試集檢驗(yàn)?zāi)Ｐ妥R(shí)別效率，其中舞弊公司和非舞弊公司各28家。上市公司違規(guī)信息、財(cái)務(wù)數(shù)據(jù)與非財(cái)務(wù)數(shù)據(jù)來自CSMAR數(shù)據(jù)庫和銳思數(shù)據(jù)庫，筆者使用SPSS18、Stata13和MATLAB進(jìn)行數(shù)據(jù)處理。

(二)變量選取

根據(jù)前人研究成果，綜合考慮識(shí)別財(cái)務(wù)舞弊的財(cái)務(wù)因素和非財(cái)務(wù)因素，其中，財(cái)務(wù)指標(biāo)按照舞弊與非舞弊公司2005—2015年度披露財(cái)務(wù)數(shù)據(jù)的標(biāo)準(zhǔn)差衡量財(cái)務(wù)異常信息，而非財(cái)務(wù)指標(biāo)只考慮舞弊年度的情況，變量定義如表1所示。

(三)舞弊樣本與配對(duì)樣本資產(chǎn)規(guī)模差異性檢驗(yàn)

筆者首先檢驗(yàn)配對(duì)樣本在資產(chǎn)規(guī)模上是否與舞弊樣本存在差異以考察所選配對(duì)樣本的合理性，檢驗(yàn)結(jié)果如表2所示。

表2 舞弊樣本與配對(duì)樣本T檢驗(yàn)

由表2檢驗(yàn)結(jié)果可知，P值為0.415，沒有通過顯著性檢驗(yàn)，表明舞弊樣本與配對(duì)樣本在資產(chǎn)規(guī)模上并未存在顯著差異，排除舞弊樣本與配對(duì)樣本中資產(chǎn)規(guī)模因素產(chǎn)生的影響，說明筆者所選的配對(duì)樣本較為理想。

(四)描述性統(tǒng)計(jì)分析

筆者初步選取38個(gè)指標(biāo)進(jìn)行舞弊識(shí)別，在構(gòu)建模型時(shí)有必要對(duì)38個(gè)財(cái)務(wù)指標(biāo)的差異進(jìn)行顯著性檢驗(yàn)。首先進(jìn)行單樣本K-S Z檢驗(yàn)樣本是否符合正態(tài)分布，若符合正態(tài)分布則進(jìn)行獨(dú)立樣本t檢驗(yàn)，反之則進(jìn)行Mann-Whitney U檢驗(yàn)。K-S檢驗(yàn)結(jié)果表明所有指標(biāo)顯著性水平均小于0.050，說明所有指標(biāo)均不符合正態(tài)分布，故而采用獨(dú)立樣本Mann-Whitney U非參檢驗(yàn)舞弊樣本與非舞弊樣本均值差異的顯著性，由于篇幅限制，K-S檢驗(yàn)結(jié)果省略，表3列示所有指標(biāo)均值差異顯著性的非參檢驗(yàn)結(jié)果。

表3 舞弊樣本與配對(duì)樣本指標(biāo)差異性統(tǒng)計(jì)檢驗(yàn)

由表3檢驗(yàn)結(jié)果可知，除財(cái)務(wù)杠桿指標(biāo)外，舞弊公司財(cái)務(wù)指標(biāo)波動(dòng)性的平均值均大于配對(duì)樣本，并且大部分變量通過顯著性檢驗(yàn)，說明舞弊公司為滿足特定目的進(jìn)行盈余操縱促使財(cái)務(wù)指標(biāo)各年度波動(dòng)較大，而這種在舞弊公司與非舞弊公司之間波動(dòng)性存在顯著差異的財(cái)務(wù)指標(biāo)恰恰可以作為識(shí)別財(cái)務(wù)舞弊的標(biāo)志。

針對(duì)通過Mann-Whitney U檢驗(yàn)的變量進(jìn)行相關(guān)分析，剔除共線性變量，根據(jù)相關(guān)分析結(jié)果，將相關(guān)系數(shù)大于0.500的變量進(jìn)行剔除，本文依次將變量HROA、HSNIR、HTA、HCUR、HNCL、HART、HTAT、HNAYR、HFL、X3、X4、X11和X12剔除以消除共線性，相關(guān)分析結(jié)果省略。

三、Logistic模型舞弊識(shí)別效果分析

根據(jù)Mann-Whitney U檢驗(yàn)識(shí)別出舞弊樣本和配對(duì)樣本的差異指標(biāo)，同時(shí)剔除共線性指標(biāo)，構(gòu)建Logistic回歸模型，因變量Fraud是二分類變量，如果公司舞弊，F(xiàn)raud為1，否則為0，Logistic模型如下：

(1)

表4 Logistic回歸結(jié)果

注：*、**和***分別表示在10%、5%和1%的水平上顯著。

由表4可知，模型評(píng)價(jià)指標(biāo)-2對(duì)數(shù)似然值越小表示擬合越好，而Cox & Snell R2與Nagelkerke R2的值越大代表模型擬合越好，對(duì)比模型(Ⅰ)和模型(Ⅱ)發(fā)現(xiàn)，加入非財(cái)務(wù)指標(biāo)的模型(Ⅱ)擬合效果較好，兩模型在訓(xùn)練樣本中的識(shí)別效果可見表5。

在表5的訓(xùn)練集中，模型(Ⅰ)和模型(Ⅱ)的整體識(shí)別率分別為77.8%、78.6%，模型(Ⅱ)的整體識(shí)別效果較好，表明財(cái)務(wù)指標(biāo)的波動(dòng)性可以識(shí)別大部分財(cái)務(wù)報(bào)告的舞弊行為，然而結(jié)合部分非財(cái)務(wù)信息，識(shí)別效果更佳。但是非財(cái)務(wù)信息對(duì)舞弊識(shí)別效率提高程度只有約0.8%，另外單獨(dú)運(yùn)用非財(cái)務(wù)數(shù)據(jù)進(jìn)行舞弊識(shí)別，效果也并不理想，表明非財(cái)務(wù)數(shù)據(jù)對(duì)舞弊的識(shí)別效率不如財(cái)務(wù)數(shù)據(jù)。在此需要說明的是，為了便于對(duì)比舞弊識(shí)別效果，筆者后續(xù)分類技術(shù)改進(jìn)模型所選指標(biāo)原始數(shù)據(jù)及相關(guān)數(shù)據(jù)優(yōu)化均是包含部分非財(cái)務(wù)指標(biāo)的模型(Ⅱ)中所選數(shù)據(jù)。

由于企業(yè)財(cái)務(wù)舞弊被識(shí)別出來平均滯后3年左右，因此，筆者在運(yùn)用訓(xùn)練樣本構(gòu)建模型的過程中，考慮到了企業(yè)未來數(shù)據(jù)，而財(cái)務(wù)舞弊識(shí)別模型主要用于投資者和注冊(cè)會(huì)計(jì)師等利益相關(guān)者對(duì)財(cái)務(wù)真實(shí)情況進(jìn)行預(yù)測，所依據(jù)的數(shù)據(jù)均是歷史信息，因而為了更好地說明本文的識(shí)別效果和應(yīng)用價(jià)值，需要對(duì)模型進(jìn)行測試，2014年和2015年測試樣本財(cái)務(wù)數(shù)據(jù)的波動(dòng)性主要基于歷史數(shù)據(jù)，用這兩年數(shù)據(jù)進(jìn)行檢測更貼近實(shí)際情況。運(yùn)用模型(Ⅱ)對(duì)測試集的檢測結(jié)果如表5所示。

表5 模型(Ⅰ)與模型(Ⅱ)訓(xùn)練集及測試集結(jié)果

表5測試結(jié)果顯示，測試樣本中28家舞弊樣本有7家被誤判，識(shí)別率為75.0%；28家非舞弊樣本中有4家被誤判，識(shí)別率為85.7%，模型整體識(shí)別率為80.4%，識(shí)別效果較為理想，進(jìn)一步表明舞弊公司財(cái)務(wù)指標(biāo)通常波動(dòng)性較大，基于歷史異常信息識(shí)別舞弊效果較好。

四、舞弊識(shí)別效率改進(jìn)分析

上述線性Logistic回歸為避免共線性削減了13個(gè)指標(biāo)，損失許多信息，降低了舞弊識(shí)別的效率，因此，如何最大限度地保留原始信息以提高識(shí)別效果是學(xué)者們探討的重點(diǎn)。目前常用的方法是主成分分析，其利用各指標(biāo)間的相互關(guān)系，運(yùn)用降維的思想把原始相關(guān)變量轉(zhuǎn)換成幾個(gè)互不相關(guān)的綜合指標(biāo)。提取的主成分是原始變量的線性組合，并且第一主成分(F1)方差最大，包含原始信息量最多，后面的主成分方差依次遞減，判定主成分個(gè)數(shù)主要有兩種方法，即取特征值大于1的成分或根據(jù)累計(jì)貢獻(xiàn)率確定。由于分類變量不適合做因子分析，同時(shí)為了便于與基準(zhǔn)模型識(shí)別效果進(jìn)行對(duì)比，故而選擇模型(Ⅱ)的指標(biāo)進(jìn)行分析，將財(cái)務(wù)指標(biāo)進(jìn)行主成分分析，同時(shí)結(jié)合非財(cái)務(wù)指標(biāo)進(jìn)行舞弊識(shí)別。

由表6可知，如果按照特征根大于1取主成分，累計(jì)貢獻(xiàn)率只有58.9%，遺漏信息較多，故而按照累計(jì)貢獻(xiàn)率達(dá)到80%取主成分，取前9個(gè)主成分可以滿足要求，運(yùn)用線性主成分模型進(jìn)行舞弊識(shí)別效果可見表7。

表6 特征根及方差貢獻(xiàn)率

(一)非線性主成分舞弊識(shí)別

李清和任朝陽[30]借鑒Taylor展開式的非線性思想，構(gòu)建非線性—主成分Logistic回歸證明其具有較好的舞弊識(shí)別效果，但作者基于靜態(tài)數(shù)據(jù)，模型整體識(shí)別率并不高，故而筆者借鑒該種方法研究動(dòng)態(tài)數(shù)據(jù)的識(shí)別效果，模型構(gòu)建方法與李清和任朝陽[30]的類似，采用向后逐步回歸的Wald法，構(gòu)建的非線性主成分模型如式(2)，經(jīng)測算取0.400為分類閾值，當(dāng)P>0.400判定為舞弊，當(dāng)p<0.400判定為非舞弊，識(shí)別效果如表7所示。

(2)

表7 線性主成分與非線性主成分舞弊識(shí)別結(jié)果

相對(duì)于李清和任朝陽[30]靜態(tài)數(shù)據(jù)分析，運(yùn)用歷史異常信息構(gòu)建的舞弊識(shí)別模型效果較好，三種方法無論是訓(xùn)練集還是測試集舞弊識(shí)別率均有所提高，其中非線性主成分方法測試集相對(duì)于李清和任朝陽[30]的識(shí)別率提高十幾個(gè)百分點(diǎn)，進(jìn)一步說明舞弊公司財(cái)務(wù)數(shù)據(jù)要想保持平穩(wěn)變動(dòng)的難度較大，基于歷史波動(dòng)信息識(shí)別舞弊更具有效性。對(duì)比三種方法的識(shí)別效果，非線性主成分Logistic回歸相對(duì)于線性Logistic回歸和線性主成分Logistic回歸更優(yōu)，其訓(xùn)練集識(shí)別率最高，雖然測試集整體識(shí)別效果相同，但非線性主成分識(shí)別舞弊樣本效率更高，相對(duì)來說把舞弊公司判定為非舞弊公司對(duì)資本市場投資者的危害更大。此外，線性主成分模型雖然訓(xùn)練集識(shí)別效果較差，但預(yù)測能力絲毫并未削弱，同時(shí)模型變得更為簡潔，便于推廣應(yīng)用?？傊?，動(dòng)態(tài)數(shù)據(jù)的識(shí)別效率優(yōu)于靜態(tài)數(shù)據(jù)，對(duì)原始數(shù)據(jù)進(jìn)行降維提取主成分并不影響舞弊預(yù)測效果。

(二)支持向量機(jī)舞弊識(shí)別

傳統(tǒng)的財(cái)務(wù)舞弊識(shí)別單純地運(yùn)用分類技術(shù)構(gòu)建預(yù)測模型，較少考慮評(píng)分問題，導(dǎo)致識(shí)別效率不是很理想，隨著數(shù)據(jù)挖掘技術(shù)發(fā)展，兼顧分類和評(píng)分的智能技術(shù)得到廣泛應(yīng)用，最常用的是神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)，由于神經(jīng)網(wǎng)絡(luò)容易產(chǎn)生局部最優(yōu)、網(wǎng)絡(luò)結(jié)構(gòu)難以確定及存在過度學(xué)習(xí)或欠學(xué)習(xí)等問題，1995年Vapnik提出的SVM方法可以克服上述缺陷，其專門針對(duì)小樣本問題提出，同時(shí)解決了維數(shù)災(zāi)難問題。支持向量機(jī)是建立在VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小理論基礎(chǔ)上，其基本思想是將低維空間不可分的樣本通過非線性變換映射到高維特征空間中，構(gòu)造一個(gè)分類超平面，其模型優(yōu)化函數(shù)為：

限制條件： yi[wTφ(xi)+b]≥1-εi，εi≥0,i=1,2,…,l

筆者選擇徑向基核函數(shù)(RBF)：exp(-gamma*|u-v|＾2)，其中g(shù)是可調(diào)節(jié)的核參數(shù)，另外還需確定懲罰參數(shù)C，以實(shí)現(xiàn)模型更好的識(shí)別效果，筆者采用遺傳算法尋優(yōu)確定懲罰參數(shù)C和核參數(shù)g。

先運(yùn)用模型(Ⅱ)中變量的原始數(shù)據(jù)進(jìn)行參數(shù)尋優(yōu)，尋找最佳的(C，g)，如圖1所示。

圖1 遺傳算法參數(shù)尋優(yōu)結(jié)果

圖1中，參數(shù)(C，g)的最優(yōu)數(shù)值為(1.270，0.112)，訓(xùn)練集和測試集的整體識(shí)別率分別為74.1%和73.4%，均低于Logistic回歸模型的結(jié)果，由此可見，單純地優(yōu)化挖掘技術(shù)并不能提高識(shí)別效率，數(shù)據(jù)特征和挖掘技術(shù)兼容性才是提高識(shí)別效果的關(guān)鍵。

運(yùn)用遺傳算法對(duì)主成分進(jìn)行參數(shù)尋優(yōu)，參數(shù)(C，g)的最優(yōu)值為(3,0.1)，根據(jù)最優(yōu)參數(shù)構(gòu)建訓(xùn)練模型：model=svmtrain(train_label,train_data,′-s 0 -t 2 -c 3 -g 0.1′)，進(jìn)而調(diào)用libsvm工具箱中的svmpredict命令對(duì)測試集進(jìn)行預(yù)測，預(yù)測結(jié)果如表8所示。由表8可知，無論是棄真還是取偽均有所改善，模型整體識(shí)別率為85.7%，相對(duì)單純優(yōu)化數(shù)據(jù)或改進(jìn)分類技術(shù)，只有兩者同時(shí)改善并相互兼容才能大幅度提高舞弊識(shí)別效率。

表8 主成分—支持向量機(jī)舞弊識(shí)別結(jié)果

五、結(jié) 論

筆者基于制造業(yè)上市公司數(shù)據(jù)，通過數(shù)據(jù)優(yōu)化和模型改進(jìn)得出如下結(jié)論：(1)描述性統(tǒng)計(jì)分析表明，由于企業(yè)進(jìn)行舞弊操縱具有不可持續(xù)性進(jìn)而導(dǎo)致舞弊公司歷年財(cái)務(wù)數(shù)據(jù)的波動(dòng)性較大，并且大部分財(cái)務(wù)指標(biāo)與非舞弊公司存在顯著差異。(2)通過歷史異常信息的線性Logistic回歸、線性主成分Logistic回歸和非線性主成分Logistic回歸結(jié)果，對(duì)比李清和任朝陽[30]靜態(tài)數(shù)據(jù)的研究結(jié)論表明，歷史異常波動(dòng)信息對(duì)舞弊識(shí)別效率更高。(3)通過原始數(shù)據(jù)的Logistic回歸和支持向量機(jī)識(shí)別結(jié)果對(duì)比發(fā)現(xiàn)，單純改進(jìn)識(shí)別技術(shù)有時(shí)并不能真正提高舞弊識(shí)別效率，原始數(shù)據(jù)需要進(jìn)行初始加工以匹配先進(jìn)的識(shí)別技術(shù)。(4)對(duì)原始數(shù)據(jù)進(jìn)行降維處理同時(shí)借助改進(jìn)模型可以提高舞弊識(shí)別率，并且識(shí)別技術(shù)越先進(jìn)舞弊識(shí)別效果越好，非線性主成分和主成分支持向量機(jī)的財(cái)務(wù)舞弊整體識(shí)別率分別為80.4%和85.7%。根據(jù)研究結(jié)論和前面理論分析，筆者得出財(cái)務(wù)舞弊識(shí)別優(yōu)化改進(jìn)路徑:從理論上說，數(shù)據(jù)信息應(yīng)按照“非財(cái)務(wù)數(shù)據(jù)—財(cái)務(wù)數(shù)據(jù)靜態(tài)指標(biāo)—財(cái)務(wù)數(shù)據(jù)動(dòng)態(tài)指標(biāo)”的路徑依次改善舞弊識(shí)別效果，識(shí)別技術(shù)也應(yīng)從奔福德定律到分類模型、再到分類評(píng)分模型對(duì)舞弊識(shí)別效率依次進(jìn)行改進(jìn)，但是實(shí)際上單獨(dú)改善某一方面并未絕對(duì)保證提高舞弊識(shí)別效果，研究人員應(yīng)對(duì)兩方面同時(shí)進(jìn)行改進(jìn)，其中財(cái)務(wù)數(shù)據(jù)動(dòng)態(tài)指標(biāo)通過主成分分析消除共線性，同時(shí)借助分類評(píng)分模型是識(shí)別舞弊最佳的研究路徑，未來學(xué)者應(yīng)從歷史異常數(shù)據(jù)提取和分類評(píng)分模型改進(jìn)及雙方兼容問題上進(jìn)一步拓展和完善舞弊識(shí)別方面的研究。

[1] 秦江萍.上市公司會(huì)計(jì)舞弊:國外相關(guān)研究綜述與啟示[J].會(huì)計(jì)研究，2005，(6):69-74.

[2] Romney,M. B., Albrecht, W. S., Cherrington, D. J. Red-Flagging the White Collar Criminal[J]. Management Accounting, 1980, 61(9): 51-57.

[3] Loebbecke,J. K., Willingham, J. Review of SEC Accounting and Auditing Enforcement Releases[R]. Unpublished Working Paper, 1988.

[4] Dechow, P .M., Sloan, R. G., Sweeney, A. P. Causes and Consequences of Earnings Manipulation: An Analysis of Firms Subject to Enforcement Actions by the SEC[J]. Contemporary Accounting Research, 1996, 13(1): 1-36.

[5] Abbott,L. J., Parker, S., Peters, G. F. Audit Committee Characteristics and Restatements[J]. Auditing: A Journal of Practice & Theory, 2004, 23(1): 69-87.

[6] Kusumawati, S. M., Hermawan, A. A. The Influence of Board of Commissions and Audit Committee Effectiveness, Ownership Structure，Bank Monitoring，and Firm Life Cycle on Accounting Fraud [J]. Jurnal Akuntansi dan Keuangan Indonesia, 2013, 10(1): 20-39.

[7] Beasley, M. S. An Empirical Analysis of the Relation Between the Board of Director Composition and Financial Statement Fraud[J].Social Science Electronic Publishing,1996,71(4):443-465.

[8] Beasley,M. S., Carcello, J. V., Hermanson, D. R. Fraudulent Financial Reporting: 1987—1997[R].Companies. Committee of Sponsoring Organizations of the Treadway Commission, 1999.

[9] 陳關(guān)亭.我國上市公司財(cái)務(wù)報(bào)告舞弊因素的實(shí)證分析[J].審計(jì)研究,2007，(5):91-96.

[10] Bell,T. B., Carcello, J. V. A Decision Aid for Assessing the Likelihood of Fraudulent Financial Reporting[J]. Auditing: A Journal of Practice & Theory, 2000, 19(1): 169-184.

[11] Brazel,J. F., Jones ,K. L., Zimbelman, M. F. Using Nonfinancial Measures to Assess Fraud Risk[J]. Journal of Accounting Research, 2009, 47(5): 1135-1166.

[12] Lee,T .A., Ingram, R .W., Howard, T. P. The Difference Between Earnings and Operating Cash Flow as an Indicator of Financial Reporting Fraud[J]. Contemporary Accounting Research, 1999, 16(4): 749-786.

[13] Spathis, C .T. Detecting False Financial Statements Using Published Data: Some Evidence From Greece[J]. Managerial Auditing Journal, 2002, 17(4): 179-191.

[14] 陳國欣,呂占甲,何峰.財(cái)務(wù)報(bào)告舞弊識(shí)別的實(shí)證研究——基于中國上市公司經(jīng)驗(yàn)數(shù)據(jù)[J].審計(jì)研究, 2007，(3):88-93.

[15] 吳革,葉陳剛.財(cái)務(wù)報(bào)告舞弊的特征指標(biāo)研究:來自 A 股上市公司的經(jīng)驗(yàn)數(shù)據(jù)[J].審計(jì)研究,2008，(6): 34-41.

[16] 洪葒,胡華夏,郭春飛.基于 GONE 理論的上市公司財(cái)務(wù)報(bào)告舞弊識(shí)別研究[J].會(huì)計(jì)研究,2012,(8): 84-90.

[17] Beneish, D.M.The Detection of Earnings Manipulation[J]. Financial Analysts Journal, 1999,55(5).24-36.

[18] 余玉苗,呂凡.財(cái)務(wù)舞弊風(fēng)險(xiǎn)的識(shí)別——基于財(cái)務(wù)指標(biāo)增量信息的研究視角[J].經(jīng)濟(jì)評(píng)論,2010，(4): 124-130.

[19] 韋琳,徐立文,劉佳.上市公司財(cái)務(wù)報(bào)告舞弊的識(shí)別——基于三角形理論的實(shí)證研究[J].審計(jì)研究, 2011，(2):98-106.

[20] 韓麗榮,胡瑋佳,高瑜彬.數(shù)據(jù)安全性:中國 A 股上市公司異常會(huì)計(jì)信息與財(cái)務(wù)報(bào)告舞弊風(fēng)險(xiǎn)的識(shí)別[J].河南社會(huì)科學(xué),2015，(7):46-51.

[21] Dechow, P. M., Ge, W., Larson, C. R., et al. Predicting Material Accounting Misstatements[J]. Contemporary Accounting Research, 2011, 28(1): 17-82.

[22] Eining,M. M., Jones, D. R., Loebbecke ,J. K. Reliance on Decision Aids: An Examination of Auditors’ Assessment of Management Fraud[J]. Auditing, 1997, 16(2): 1-19.

[23] Green, B. P., Choi, J. H. Assessing the Risk of Management Fraud Through Neural Network Technology[J]. Auditing: A Journal of Practice & Theory, 1997, 16(1): 14-28.

[24] 鄧慶山,梅國平.基于支持向量機(jī)的虛假財(cái)務(wù)報(bào)告識(shí)別研究[J].當(dāng)代財(cái)經(jīng),2009，(7):105-108.

[25] 毛道維,朱敏.企業(yè)信用狀況的財(cái)務(wù)判斷方法和模型——基于上市公司財(cái)務(wù)報(bào)告舞弊的實(shí)證研究[J].四川大學(xué)學(xué)報(bào) (哲學(xué)社會(huì)科學(xué)版),2006，(3):51-57.

[26] Kirkos, E., Spathis, C., Manolopoulos, Y. Data Mining Techniques for the Detection of Fraudulent Financial Statements[J]. Expert Systems With Applications, 2007, 32(4): 995-1003.

[27] 蒙肖蓮,李金林,楊毓.基于概率神經(jīng)網(wǎng)絡(luò)的欺詐性財(cái)務(wù)報(bào)告的識(shí)別研究[J].數(shù)理統(tǒng)計(jì)與管理，2009, (1):36-45.

[28] 鄧慶山.基于數(shù)據(jù)挖掘技術(shù)的上市公司會(huì)計(jì)信息失真識(shí)別研究[D].南昌：江西財(cái)經(jīng)大學(xué)博士學(xué)位論文，2009.53-94.

[29] Beneish,M. D. Detecting GAAP Violation: Implications for Assessing Earnings Management Among Firms With Extreme Financial Performance[J]. Journal of Accounting and Public Policy, 1997, 16(3): 271-309.

[30] 李清,任朝陽.基于非線性—主成分 Logistic 回歸的會(huì)計(jì)舞弊識(shí)別研究[J].統(tǒng)計(jì)與信息論壇,2016, (3):75-80.