濮雙羽 趙洪進(jìn)(上海理工大學(xué))
真實(shí)公允的財(cái)報(bào)是會(huì)計(jì)信息使用者了解企業(yè)實(shí)情,做出正確決策的基本保障,而屢禁不止的公司財(cái)務(wù)報(bào)表舞弊欺詐行為嚴(yán)重影響著社會(huì)經(jīng)濟(jì)的發(fā)展,給投資者、債權(quán)人等利益相關(guān)者造成了深重的傷害,也打擊了社會(huì)公眾對(duì)中國(guó)資本市場(chǎng)和會(huì)計(jì)職業(yè)界的信心。
根據(jù)《中國(guó)注冊(cè)會(huì)計(jì)師審計(jì)準(zhǔn)則第1141號(hào)——財(cái)務(wù)報(bào)表審計(jì)中與舞弊相關(guān)的責(zé)任》的最新文件,我國(guó)正逐漸明確審計(jì)職業(yè)界對(duì)舞弊應(yīng)該負(fù)有必要責(zé)任。但由于審計(jì)的固有限制,審計(jì)檢查風(fēng)險(xiǎn)難以降至零。因此,在提高審計(jì)人員自身技術(shù)水平和職業(yè)道德的同時(shí),也應(yīng)該探索更加有效的財(cái)務(wù)報(bào)表舞弊識(shí)別方式。
本文試圖以上市公司的長(zhǎng)期償債能力、短期償債能力、發(fā)展能力、現(xiàn)金流量、盈利能力、營(yíng)運(yùn)能力六個(gè)角度,以可能有影響力的財(cái)務(wù)指標(biāo)為解釋變量構(gòu)建財(cái)務(wù)舞弊的識(shí)別Logistic模型;運(yùn)用Lasso回歸方法對(duì)15個(gè)變量進(jìn)行了篩選和簡(jiǎn)化,更好地抓取影響財(cái)務(wù)報(bào)告舞弊風(fēng)險(xiǎn)的關(guān)鍵因素,一定程度改善了模型受多重共線性影響的問(wèn)題,提高了模型識(shí)別效率。
從國(guó)內(nèi)外研究狀況看,財(cái)務(wù)舞弊識(shí)別研究可以分為以下兩個(gè)方面。
Beasley (1996)運(yùn)用logistic回歸方法實(shí)證研究發(fā)現(xiàn)外部董事的比例與會(huì)計(jì)舞弊的可能性顯著負(fù)相關(guān)。黃世忠(2004)從五個(gè)角度闡述了財(cái)務(wù)舞弊預(yù)警信號(hào),分別是銷售收入和成本舞弊、資產(chǎn)舞弊和負(fù)債舞弊、費(fèi)用舞弊和披露等。
Persons(1995)、張長(zhǎng)海(2005)等運(yùn)用逐步Logistic回歸模型成功判別了大部分的財(cái)務(wù)舞弊。研究指出舞弊公司具有舞弊信號(hào)的財(cái)務(wù)特征如:高財(cái)務(wù)杠桿、高度關(guān)聯(lián)方交易、高流動(dòng)資產(chǎn)比例、低資本周轉(zhuǎn)率和較小規(guī)模等。陳國(guó)欣等(2007)在前人基礎(chǔ)上,選取29個(gè)財(cái)務(wù)指標(biāo)、股權(quán)結(jié)構(gòu)、內(nèi)控和公司治理指標(biāo),將財(cái)務(wù)指標(biāo)舞弊當(dāng)年數(shù)據(jù)和舞弊前一年比值作為解釋變量,進(jìn)行Logistic回歸,預(yù)測(cè)正確率達(dá)95.1%,效果顯著??偟膩?lái)說(shuō),通過(guò)實(shí)證分析建立Logistic舞弊識(shí)別模型是一種預(yù)測(cè)舞弊的清晰有效且具有實(shí)際應(yīng)用價(jià)值的研究方法。
本文參考中國(guó)證監(jiān)局在2006~2018年間公布的我國(guó)A股上市公司違規(guī)處罰名單,從中選取發(fā)生舞弊行為的116家上市公司數(shù)據(jù)為初始樣本。剔除了金融及保險(xiǎn)類企業(yè)、財(cái)務(wù)數(shù)據(jù)不全的公司,最終得到舞弊公司樣本68家。
本文按照一一配對(duì)原則,為每一家舞弊公司選取配對(duì)非舞弊公司控制樣本。選取過(guò)程如下:1.同一交易所:選取與舞弊公司在同一交易所上市的公司。2.行業(yè)相同:按證監(jiān)會(huì)行業(yè)細(xì)分標(biāo)準(zhǔn),選擇與舞弊公司行業(yè)相同的公司。3.規(guī)模相近:選擇與舞弊公司資產(chǎn)總額相近的公司,落在資產(chǎn)總額上下浮動(dòng)20%范圍內(nèi)。4.未有過(guò)舞弊歷史:上述公司從未有過(guò)因違規(guī)被證監(jiān)會(huì)處罰的歷史。數(shù)據(jù)來(lái)源于國(guó)泰安CSMAR數(shù)據(jù)庫(kù)、CCER經(jīng)濟(jì)金融數(shù)據(jù)庫(kù)。
本文設(shè)置共15個(gè)財(cái)務(wù)比率指標(biāo)(見表1)。數(shù)據(jù)處理由stata15.1和R完成。
根據(jù)本文研究目的:識(shí)別上市公司財(cái)務(wù)報(bào)表舞弊,即發(fā)掘財(cái)務(wù)報(bào)表舞弊行為與財(cái)務(wù)指標(biāo)信息的相關(guān)性,可知舞弊基本回歸模型如下:
其中,因變量Fraud為虛擬變量,1代表發(fā)生舞弊樣本,0代表未發(fā)生舞弊,a為常數(shù)項(xiàng),β0表示各項(xiàng)系數(shù),Xi代表各財(cái)務(wù)指標(biāo),ε代表殘差項(xiàng)。
由于Fraud的二元選擇性,非常適用二值分類因變量Logistic模型,根據(jù)模型(1)可建立如下Logistic模型2:
考慮到Logistic模型對(duì)多重共線性敏感,過(guò)多變量會(huì)使部分指標(biāo)的統(tǒng)計(jì)檢驗(yàn)不顯著。為提高模型的預(yù)測(cè)效果,在回歸之前,本文先采用Lasso回歸方法對(duì)15個(gè)變量進(jìn)行篩選(采用R中的glmnet程序包):根據(jù)一定的性能參數(shù)和復(fù)雜度調(diào)整對(duì)變量進(jìn)行篩選,從而得出一個(gè)變量較少的模型。如圖1反映了變量X1~X15的系數(shù)隨著參數(shù)λ的增大,最終被壓縮至0的過(guò)程。
圖1 Lasso 回歸中變量剔除過(guò)程圖示
在此基礎(chǔ)上,為防止二元因變量Logistic模型過(guò)度擬合造成預(yù)測(cè)結(jié)果的偏差,本文采用交叉驗(yàn)證(cross validation)擬合進(jìn)而選取變量。下圖給出了在不同復(fù)雜度參數(shù)λ(橫坐標(biāo))的條件下,篩選出的變量個(gè)數(shù)(圖形上方數(shù)字)和相應(yīng)模型誤差(縱坐標(biāo))。
圖2中兩條虛線代表了兩個(gè)特殊的λ值:左邊虛線對(duì)應(yīng)的lambda.min代表最小誤差的λ值;右邊虛線對(duì)應(yīng)的lambda.1se是指在lambda.min一個(gè)方差范圍內(nèi)得到最少變量的λ值。本文采用后者為基準(zhǔn)篩選,最終進(jìn)入模型的變量是資產(chǎn)負(fù)債率、營(yíng)業(yè)利潤(rùn)增長(zhǎng)率、每股現(xiàn)金流增長(zhǎng)率、每股經(jīng)營(yíng)活動(dòng)現(xiàn)金凈流量、總資產(chǎn)凈利潤(rùn)率、營(yíng)業(yè)利潤(rùn)率、存貨周轉(zhuǎn)率、應(yīng)收賬款周轉(zhuǎn)率、固定資產(chǎn)周轉(zhuǎn)率、總資產(chǎn)周轉(zhuǎn)率(X1、X6、X7、X8、X10、X11、X12、X13、X14、X15)10個(gè)變量(見表2、見表3)。
表1 解釋變量
圖2 Lambda與變量數(shù)目對(duì)應(yīng)走勢(shì)
得到經(jīng)變量精簡(jiǎn)后的模型3:
本文對(duì)選取的財(cái)務(wù)指標(biāo)變量分舞弊公司和非舞弊公司分別列示,根據(jù)t檢驗(yàn)值和Wilcoxon符號(hào)秩檢驗(yàn),發(fā)現(xiàn)營(yíng)業(yè)利潤(rùn)增長(zhǎng)率、每股現(xiàn)金流增長(zhǎng)率、凈資產(chǎn)收益率、總資產(chǎn)凈利潤(rùn)率和總資產(chǎn)周轉(zhuǎn)率(X6、X7、X9、X10、X15)這5個(gè)指標(biāo)在舞弊公司和非舞弊公司之間存在顯著差異(見表4)。因此,可以根據(jù)這五個(gè)指標(biāo)對(duì)上市公司是否發(fā)生財(cái)務(wù)舞弊進(jìn)行初步預(yù)判。
表2 交叉驗(yàn)證(cross validation)擬合結(jié)果
表3 交叉驗(yàn)證(cross validation)篩選變量
根據(jù)表5,資產(chǎn)負(fù)債率、每股經(jīng)營(yíng)活動(dòng)現(xiàn)金凈流量、營(yíng)業(yè)利潤(rùn)率、存貨周轉(zhuǎn)率、固定資產(chǎn)周轉(zhuǎn)率、總資產(chǎn)周轉(zhuǎn)率(X1、X8、X11、X12、X14、X15)6個(gè)變量在一定水平下具有顯著性,表明這些變量與企業(yè)財(cái)務(wù)舞弊之間相關(guān)性較好,可以通過(guò)這些指標(biāo)識(shí)別財(cái)務(wù)舞弊,審計(jì)人員在實(shí)務(wù)中應(yīng)重點(diǎn)關(guān)注。其中,X1、X8、X12、X15與Fraud呈負(fù)相關(guān)性,該變量值越大,發(fā)生舞弊的概率越小,也說(shuō)明了具有較高長(zhǎng)期償債能力、充足現(xiàn)金流的企業(yè)舞弊動(dòng)機(jī)較小。
表4 描述性統(tǒng)計(jì)
表5 Logistic回歸結(jié)果
在代表盈利能力和經(jīng)營(yíng)能力的指標(biāo)中,營(yíng)業(yè)利潤(rùn)率(X11)、固定資產(chǎn)周轉(zhuǎn)率(X14)和fraud呈現(xiàn)微弱正相關(guān)性,說(shuō)明營(yíng)業(yè)利潤(rùn)和固定資產(chǎn)周轉(zhuǎn)率高的上市公司反而存在虛增利潤(rùn)、粉飾經(jīng)營(yíng)狀況進(jìn)行財(cái)務(wù)舞弊的可能性。究其原因,首先,虛構(gòu)利潤(rùn)是上市公司舞弊的主要手段;另外,虛增營(yíng)業(yè)收入和利潤(rùn)也會(huì)帶來(lái)高于正常的固定資產(chǎn)周轉(zhuǎn)率。針對(duì)這種情況,對(duì)兩個(gè)指標(biāo)更應(yīng)該深入解讀其內(nèi)涵,需要審慎考慮該公司的收入是否真實(shí),固定資產(chǎn)狀況是否合理,而不能只停留于表面。
模型(3)經(jīng)過(guò)OLS回歸,將回歸系數(shù)代入模型,得到財(cái)務(wù)舞弊識(shí)別模型(4):
為了證明模型的識(shí)別效果,本文另選取我國(guó)A股市場(chǎng)2016~2020年15家舞弊公司和15家歷史上未發(fā)生舞弊公司的數(shù)據(jù)分別帶入模型(4),得到了分類結(jié)果,如表6所示。本文以Fraud>=0.5作為公司舞弊的分界點(diǎn),對(duì)于舞弊樣本預(yù)測(cè)成功率為73.33%,非舞弊樣本預(yù)測(cè)成功率為100%,整體成功率為86.67%,說(shuō)明通過(guò)模型能夠很好地識(shí)別財(cái)務(wù)舞弊。
表6 分類驗(yàn)證結(jié)果
通過(guò)對(duì)我國(guó)證券市場(chǎng)上2006~2018年被證監(jiān)局披露發(fā)生財(cái)務(wù)舞弊的上市公司,建立Logistic模型進(jìn)行實(shí)證研究發(fā)現(xiàn)。
1.根據(jù)回歸結(jié)果顯示,資產(chǎn)負(fù)債率、每股經(jīng)營(yíng)活動(dòng)現(xiàn)金凈流量、營(yíng)業(yè)利潤(rùn)率、存貨周轉(zhuǎn)率、固定資產(chǎn)周轉(zhuǎn)率、總資產(chǎn)周轉(zhuǎn)率6個(gè)變量在一定水平下具有顯著性,可以通過(guò)這些指標(biāo)識(shí)別財(cái)務(wù)舞弊,審計(jì)人員在實(shí)務(wù)中應(yīng)重點(diǎn)關(guān)注。
2.將2016~2020年30家公司樣本帶入建立的Logistic模型進(jìn)行檢驗(yàn),正確率達(dá)86.67%,說(shuō)明模型對(duì)財(cái)務(wù)報(bào)表舞弊預(yù)測(cè)水平較顯著。審計(jì)師可以在審計(jì)前通過(guò)模型對(duì)公司舞弊可能性進(jìn)行判斷,有針對(duì)性地安排審計(jì)計(jì)劃。
總之,防范財(cái)務(wù)報(bào)表舞弊最直接的方法在于規(guī)范公司管理者的行為和態(tài)度。公司董事、監(jiān)事以及高管,對(duì)于舞弊企業(yè)應(yīng)該集中精力于提升生產(chǎn)效率與完善治理結(jié)構(gòu),從根本上提高企業(yè)自身價(jià)值。