伍 彬 劉云菁 張 敏

(1.中國人民大學商學院； 2.湖南財政經(jīng)濟學院會計學院)

1 研究背景

作為重要的信息中介，分析師通過搜集、分析和解讀信息，能夠降低信息不對稱程度，發(fā)揮重要的治理作用[1,2]。分析師利用的信息類型、獲取信息的方式和解讀信息的過程是其發(fā)揮積極作用的基礎?，F(xiàn)有文獻從搜集信息的方式和內(nèi)容等角度對分析師行為的影響因素展開了豐富的研究[3～6]，但少有文獻研究分析師對信息的解讀如何影響其決策。分析師對信息的解讀是其預測公司未來發(fā)展的基礎，而根據(jù)獲取的信息推測公司發(fā)生財務舞弊的概率正是其解讀信息的重要方式之一。因此，本研究擬從財務舞弊風險識別的角度打開分析師解讀信息的黑箱，探究分析師能否識別公司財務舞弊風險并出具消極的評級報告，并檢驗該應對措施能否降低公司未來的舞弊風險。

然而，研究這一問題最大的挑戰(zhàn)在于如何準確刻畫公司的財務舞弊風險。如果用監(jiān)管機構(gòu)處罰的舞弊案例衡量，僅能用二元變量表示舞弊風險，不僅被處罰的舞弊案例有限、存在嚴重的滯后性，且無法精確刻畫出不同公司間舞弊風險的差異，因而采用是否被處罰來衡量企業(yè)的舞弊風險存在較大問題。本研究采用機器學習預測公司財務舞弊的概率。機器學習算法相比于傳統(tǒng)的預測方法，具有多方面優(yōu)勢，例如能夠解決預測因子多、高度相關以及預測函數(shù)形式復雜等問題。因而，機器學習算法十分契合公司財務舞弊的預測，能大大提升財務舞弊風險衡量的準確性。基于預測的財務舞弊風險指標，本研究考察分析師是否更可能針對高財務舞弊風險的公司出具消極的評級報告，并進一步檢驗分析師出具消極評級報告能否降低公司未來的財務舞弊風險。

本研究的主要貢獻在于：①區(qū)別于現(xiàn)有文獻從分析師獲取信息的方式和信息來源等方面研究分析師行為的影響因素[3, 6]，本研究從分析師決策過程的角度拓展了分析師行為的影響因素領域的研究，進一步打開了分析師決策過程的黑匣子；②諸多文獻從分析師跟蹤的經(jīng)濟后果的角度檢驗分析師的治理效應[1]，本研究則以識別財務舞弊風險的視角切入，從分析師發(fā)布消極的評級報告的經(jīng)濟后果的角度豐富了分析師治理效應領域的文獻；③引入機器學習算法對公司財務舞弊風險進行衡量，拓展了公司財務與公司治理研究的視角。

2 文獻綜述

與本研究主題相關的文獻主要包括分析師行為的影響因素與財務舞弊風險識別兩類，下面從這兩個角度進行綜述。

在分析師行為的影響因素方面，現(xiàn)有文獻主要從分析師獲取信息的途徑與信息來源等角度展開研究。從分析師獲取信息的途徑來看：一方面，分析師通過公開渠道獲取信息。CEN等[7]、GREEN等[8]和CHENG等[3]分別發(fā)現(xiàn)，參加電話會議、主辦投資者會議和開展實地調(diào)研是分析師搜集信息的重要途徑。另一方面，分析師通過私有渠道獲取信息。SOLTES[4]指出，與管理層的私下溝通是分析師獲取信息的有效途徑。分析師還會利用自身的社會網(wǎng)絡關系(如銀行關聯(lián)[9])獲取私有信息。從信息來源角度來看，分析師會綜合利用財務信息與非財務信息。例如，HOPE[5]認為公司的財務信息是分析師的重要信息來源。同時，越來越多的學者開始關注分析師對非財務信息的利用。BASSEMIR等[10]的研究表明，電話會議中的信息有助于減少分析師盈利預測的誤差和分歧。公司發(fā)布的社會責任報告[6]、披露的臨床試驗信息[11]等特定信息也有助于提升分析師盈利預測的準確性。此外，媒體報道信息也是分析師重要的信息來源[12]，甚至“推文”這類社交媒體的信息也會被分析師利用[13]。

在財務舞弊風險識別方面，現(xiàn)有文獻主要從財務舞弊的影響因素和識別模型兩個角度來探究財務舞弊的預測。從舞弊的預測因子角度來看，財務[14]與非財務指標[15]不斷被納入研究，財務指標如公司現(xiàn)金流量、利潤指標、資產(chǎn)質(zhì)量指數(shù)、銷售增長指數(shù)等，非財務指標如高管的語言特征、財務報告的主題等文本信息[16]。學者們在挖掘預測因子的基礎上也不斷優(yōu)化財務舞弊識別模型。早期的研究大都采用邏輯回歸等方法預測財務舞弊[17]。隨后，新興機器學習算法開始被逐漸引入，財務舞弊識別模型得到不斷改進。PAI等[18]和LIN等[19]分別用支持向量機方法和模糊神經(jīng)網(wǎng)絡模型預測財務舞弊，均取得較好的預測效果。BAO等[20]利用集成學習選取原始數(shù)據(jù)作為輸入變量來預測財務舞弊，發(fā)現(xiàn)預測效果優(yōu)于以往算法。

綜合來看，現(xiàn)有研究從分析師信息獲取方式和信息來源的角度探討了分析師行為的影響因素，但是分析師如何解讀信息尚待研究。財務舞弊識別方面的文獻主要從識別因子和識別模型兩方面優(yōu)化舞弊預測效果，然而鮮有研究解決因被處罰的舞弊公司數(shù)量有限導致的樣本不均衡的問題。

3 研究假設

分析師識別財務舞弊的動機是其能否識別財務舞弊的前提。首先，分析師主要通過發(fā)布盈利預測、股票評級推薦等方式向資本市場傳遞有價值的信息[21]，其盈余預測的準確度和股票評級的恰當性是市場評價其工作價值的關鍵指標，影響著其所屬券商的聲譽與本人的聲譽和薪酬[22]。因此，分析師有強烈的動機獲取充分的信息以對公司進行全面而深入地分析，并做出恰當?shù)脑u級決策。其次，識別公司的財務舞弊風險是進行恰當評級的基礎。如果公司存在財務舞弊而分析師未能識別，則分析師往往會做出錯誤的評級推薦，導致分析師和其所在券商的聲譽受損，影響分析師的收入乃至其職業(yè)生涯；相反，如果分析師識別了公司的財務舞弊，則能做出更合理的評級，有助于投資者進行恰當?shù)赝顿Y決策，這不僅能夠給分析師帶來良好的聲譽，還會直接或間接地提高其收入[23]。基于此，分析師有動機識別公司潛在的財務舞弊風險以做出恰當評級。

分析師不僅具有識別財務舞弊的動機，也有識別財務舞弊的能力。一方面，與普通投資者和經(jīng)理人相比，分析師具備扎實的金融、會計和經(jīng)濟學等專業(yè)知識，能夠看懂公司的財務報表和附注，并從微觀上理解企業(yè)特質(zhì)，也擁有豐富的特定行業(yè)的經(jīng)驗，能以總體性、系統(tǒng)化的思維來深入理解行業(yè)的本質(zhì)特征，宏觀上把握產(chǎn)業(yè)趨勢[1]；另一方面，分析師具有信息和資源優(yōu)勢，能對企業(yè)信息進行全方位地搜集和傳遞。分析師通過對其跟蹤的公司進行持續(xù)關注和定期調(diào)研以獲取企業(yè)內(nèi)外部信息，還能夠依賴自身和所在券商的資源優(yōu)勢獲取更多有關企業(yè)的私有信息[4]。因此，在搜集企業(yè)信息的過程中，報表中的任何異常都會引起分析師的關注，結(jié)合其專業(yè)的信息挖掘和解讀能力，分析師能夠識別公司潛在的財務舞弊風險。

如果分析師有效識別了公司的高財務舞弊風險，則會考慮該因素對其行為決策的影響。而財務舞弊風險較高的公司存在諸多潛在危害，因此，分析師更可能針對該類公司出具消極的評級報告。具體而言，公司的高財務舞弊風險的潛在危害表現(xiàn)在如下幾個方面：①這類公司會計指標的真實性較差，可能誤導投資者做出錯誤的投資決策；②財務舞弊風險較高的公司，有更大的可能性收到監(jiān)管機構(gòu)的問詢函甚至被監(jiān)管層處罰，導致公司聲譽受損、融資成本增加、銷售收入降低、法律費用增加等，進而影響公司未來的真實經(jīng)營活動[24]；③一旦公司的財務舞弊被揭露，股票市場價格往往會一落千丈甚至跌停，給投資者帶來巨大的經(jīng)濟損失，影響資本市場的良性發(fā)展[20]；④財務舞弊事件不僅會對舞弊公司的利益相關者造成重大損害，也會對諸多非舞弊公司的利益相關者產(chǎn)生間接損害[20]。而分析師的職能為搜集并分析上市公司信息，對其盈利狀況和投資價值進行預測和判斷，以滿足投資者對上市公司價值相關信息的需求。為了保護自己的聲譽、提高薪酬、促進職業(yè)前景等，分析師會獲取公司全面的信息并深入分析，以揭示他們所關注的公司的真實業(yè)績。因此，針對識別出的高財務舞弊風險的公司，分析師傾向于發(fā)布消極評級以提示潛在的風險。由此，提出以下假設：

假設1公司財務舞弊風險越大，分析師越有可能對公司出具消極的評級報告。

如果分析師針對高財務舞弊風險的公司更可能發(fā)布消極評級，那么該應對措施能否發(fā)揮實際效果，促使公司降低未來的財務舞弊風險呢？可以推測，分析師針對高財務舞弊風險的公司出具消極的評級報告，將增加公司和管理層面臨的壓力，從而促使他們調(diào)整自身的不當行為，降低未來的財務舞弊風險。下面從公司和管理層兩個角度展開分析。

從公司角度而言，將面臨以下壓力：①投資者會迅速對分析師的消極評級加以解讀并做出反應，降低對公司的估值，改變自身的交易決策，從而對公司股價造成強烈沖擊[2]；②公司債權人及上下游的供應商和客戶會對公司的信譽給予負面評估，導致其融資受阻、供貨渠道受限、市場份額下降等；③分析師的消極評級可能引起監(jiān)管層的關注，促使監(jiān)管層對公司進行監(jiān)督和審查，使得公司更可能收到監(jiān)管機構(gòu)的問詢函，對公司聲譽造成損失；④媒體針對此信息的宣傳報道會進一步擴大分析師消極評級給公司帶來的負面影響[25]；⑤分析師的消極評級及其帶來的其他外部監(jiān)督壓力的增加，會大大提高公司財務舞弊被揭露與處罰的概率，而一旦公司的財務舞弊被揭露，將帶來不可估量的后果，從而對公司產(chǎn)生震懾作用。具體而言，公司舞弊的負面消息將導致股票價格迅速下降，不但很大程度上損害股東的利益，而且會導致企業(yè)聲譽受損，進一步加劇公司的經(jīng)營風險和財務困境[24]。

從管理層角度而言，將面臨以下壓力：①分析師的消極評級向市場傳遞了公司的負面信息，導致公司股價下跌，使得管理層的公司治理能力受到質(zhì)疑且聲譽遭受損失[21]；②董事會會從分析師的研究報告中獲取評價管理層行為和能力的有效信息，并結(jié)合該信息對管理層進行獎懲，因此，分析師的消極評級可能對管理層的薪酬帶來負面的影響[26]；③公司大股東的利益亦可能因分析師的消極評級受到損害，從而有更強的動機介入公司的管理，加大管理層的壓力；④公司財務舞弊被揭露的概率因分析師的消極評級而大大增加，而公司財務舞弊的曝光會導致管理層遭受多方面的損失，從而對管理層產(chǎn)生震懾作用。具體而言，公司的財務舞弊被揭露后，高級管理人員不僅很可能被公司解雇，而且其職業(yè)聲譽也會因此遭受嚴重的損害，其薪酬或未來薪酬增長幅度降低，甚至未來的職業(yè)發(fā)展受阻[14]。

而公司和管理層面臨的上述壓力，一方面，會促使公司收斂自身的不當行為并采取措施改善公司的內(nèi)部治理，增加了實施舞弊的難度，減少了財務舞弊的機會；另一方面，會導致公司財務舞弊被揭露和處罰的概率增加，財務舞弊的成本上升，促使其減少實施財務舞弊的動機?；诖?，公司會收斂其未來的財務舞弊行為，使得未來的財務舞弊風險降低。由此，提出以下假設：

假設2公司被分析師出具消極的評級報告越多，則其未來的財務舞弊風險會顯著降低。

4 財務舞弊風險的預測

在探討分析師能否識別公司財務舞弊風險前，本節(jié)采用機器學習的方法預測財務舞弊風險，以合理構(gòu)建本研究的關鍵指標。根據(jù)因“虛構(gòu)利潤”和“虛列資產(chǎn)”而受到公開處罰的情況確定舞弊觀測，并追溯到被處罰公司實際發(fā)生財務舞弊的年份，確定公司當年是否發(fā)生舞弊，具體數(shù)據(jù)來源于國泰安(CSMAR)數(shù)據(jù)庫。

由于2018年及以后的上市公司舞弊處罰還不完全，且1995、1996年發(fā)生舞弊被揭露的上市公司僅為個位數(shù)，因此這里將1997～2017年所有上市公司作為初始研究樣本。為盡可能考慮更多的影響因素，選取CMSAR數(shù)據(jù)庫中比率結(jié)構(gòu)、償債能力、發(fā)展能力、風險水平、股利分配、經(jīng)營能力、每股指標、披露財務指標、現(xiàn)金流分析、相對價值指標和盈利能力共11類420個財務比率指標作為待篩選變量。并進行如下數(shù)據(jù)預處理：刪除缺失值大于25%的指標(最終輸入變量有363個)；對所有財務比率數(shù)據(jù)做標準化處理；剔除金融類公司；對所有變量的缺失值采用各變量的中位數(shù)加以補全。

本研究運用輕量梯度提升機(light gradient boosting machine method, LightGBM)算法進行舞弊分類預測，該算法是針對梯度提升決策樹算法的一種改進方法。LightGBM可以直接預測得到概率值，同時該方法屬于集成學習，可以結(jié)合多個學習器的優(yōu)勢，也解決了其他集成學習在處理海量數(shù)據(jù)時遇到的低效率等問題。因此，該方法適用于本研究針對大樣本利用多預測因子識別舞弊。

具體模型訓練時，將1997～2016年劃分為訓練集，2017年劃分為測試集。由于財務舞弊案例占比較少，財務舞弊數(shù)據(jù)樣本是典型的非平衡數(shù)據(jù)集，本研究首先采用欠采樣方法(即剔除一部分多數(shù)類樣本)，對訓練集進行平衡化處理。緊接著，針對平衡后的訓練集進行訓練，將基礎閾值設置為0.5，且選擇召回率最大化為目標進行調(diào)參以確定最優(yōu)模型。召回率指預測為真且實際為真的樣本占所有實際為真的樣本的比率，能衡量實際發(fā)生舞弊的樣本被識別出來的比率，這也是證監(jiān)會以及投資者最為關心的。因此，選擇使得召回率最大的參數(shù)作為分類模型的最終參數(shù)，來確定本研究的最優(yōu)預測模型。最后，用訓練好的模型對測試集進行預測與評估。結(jié)果顯示，LightGBM的預測準確率為78.7%，精確率為5.0%，召回率為71.7%，F(xiàn)1得分為0.094，AUC為0.752。同時，將LightGBM模型預測結(jié)果與傳統(tǒng)的Logistic回歸以及支持向量機、隨機森林和梯度提升決策樹這些算法的預測結(jié)果進行比較。結(jié)果表明，LightGBM的預測效果均優(yōu)于其他模型。因此，本研究采用LightGBM方法訓練的預測模型能對公司財務舞弊風險進行較準確的衡量。

5 研究設計

5.1 模型與變量

為了檢驗假設1，即針對財務舞弊風險越高的公司，分析師更可能發(fā)布消極評級，建立如下回歸模型:

O=α+β1FR+βjCV+∑YE+∑ID+ε，

(1)

式(1)中，被解釋變量為分析師消極評級(O)，具體為公司當年收到的分析師出具中性、減持、賣出的評級總數(shù)占收到的所有分析師評級數(shù)目的比例；關鍵解釋變量為財務舞弊風險(FR)，具體取值是利用第4節(jié)的預測模型計算得到的公司財務舞弊概率。分析師評級受眾多因素的影響，其中CV代表一系列控制變量，控制公司狀況和股票市場特征等。具體包括：公司規(guī)模(SI)、凈資產(chǎn)回報率(RE)、資產(chǎn)負債率(LE)、公司成長性(TO)、總資產(chǎn)周轉(zhuǎn)率(TA)、機構(gòu)投資者持股比例(IT)、投資收益率(RT)、股票交易量(V)、股票回報率(YR)、分析師跟蹤人數(shù)(CO)。被解釋變量與解釋變量均取當期值；控制變量中，除了機構(gòu)投資者持股比例、分析師跟蹤人數(shù)取本期值，其余控制變量均取上一期值。同時，還控制了行業(yè)和年度固定效應，分別為∑ID和∑YE。此外，α為常數(shù)項；β1、βj為系數(shù)；ε為隨機誤差項。

為了檢驗假設2，即分析師的消極評級能否降低公司后續(xù)的財務舞弊風險，建立如下回歸模型:

FR=α+β1LO+βjCV+∑YE+∑ID+ε，

(2)

式(2)中，被解釋變量為本年的財務舞弊風險(FR)，關鍵解釋變量為上一年的分析師消極評級占比(LO)。其中，CV代表一系列控制變量，控制如下影響公司財務舞弊風險的公司治理與財務狀況等變量：公司規(guī)模(SI)、總資產(chǎn)回報率(RA)、資產(chǎn)負債率(LE)、公司成長性(TO)、總資產(chǎn)周轉(zhuǎn)率(TA)、存貨與應收賬款占比(IA)、無形資產(chǎn)占比(IN)、盈余管理程度(D)、現(xiàn)金占比(CA)、固定資產(chǎn)占比(FI)、營業(yè)收入現(xiàn)金凈含量(NE)、留存收益資產(chǎn)比(RR)、所有者權益增長率(EG)，以及上一年的財務舞弊風險(LFR) 。

5.2 樣本與描述性統(tǒng)計

本研究選取我國2007～2018年A股上市公司為研究對象(1)選擇2018年作為樣本截止期是因為，這是開展本研究時能獲取的財務數(shù)據(jù)的最新年度。盡管當時2018年的舞弊處罰數(shù)據(jù)不全而不能用于訓練和評估模型，但能利用2018年的財務數(shù)據(jù)并結(jié)合第4章訓練好的模型來預測其財務舞弊概率，且不影響研究結(jié)論。。具體數(shù)據(jù)來源于中國研究數(shù)據(jù)服務平臺(CNRDS)與CSMAR數(shù)據(jù)庫，其中財務舞弊風險指標利用第4節(jié)的預測模型計算得到。在初始樣本的基礎上，剔除金融行業(yè)和有關變量缺失的觀測，共得到 20 119個公司-年度觀測值。為降低異常值的影響，對所有連續(xù)變量在1%的水平上進行縮尾處理。分析師評級標準化意見分為“買入”“增持”“中性”“減持”“賣出”5種。其中“買入”與“增持”意見占比最多，而“減持”“賣出”與“中性”占比較少，分別僅占0.08%、0.29%與7.75%。這表明分析師的評級普遍較為樂觀，很少出具“減持”“賣出”“中性”這種較為消極的意見。

主要變量的描述性統(tǒng)計見表1。由表1的Panel A可知，全部樣本公司中，每個公司收到的分析師消極評級占比的均值為13.9%，表明整體而言，公司收到的分析師消極評級較少。財務舞弊風險平均值為0.232，表明公司的財務舞弊風險整體較低；其最大值趨近1，最小值幾乎為0，說明不同公司間的財務舞弊風險差異很大。其余變量的描述統(tǒng)計結(jié)果均與以往研究保持一致。由表1的Panel B可知，根據(jù)財務舞弊風險的年度中位數(shù)將樣本劃分為高財務舞弊風險和低財務舞弊風險兩組，比較分析師消極評級的組間差異。結(jié)果顯示，高財務舞弊風險的公司收到分析師消極評級的比率為16.7%，遠高于低財務舞弊風險公司的11.2%。這表明，分析師更可能針對財務舞弊風險較高的公司發(fā)布消極評級，初步支持了假設1。

表1 變量描述性統(tǒng)計

6 實證結(jié)果與分析

6.1 財務舞弊風險與分析師消極評級

6.1.1基本回歸結(jié)果

模型(1)的回歸結(jié)果見表2。由表2可知，財務舞弊風險的系數(shù)顯著為正(回歸系數(shù)為0.041，t值為3.98)，表明公司財務舞弊風險越大，則分析師越有可能對公司發(fā)布消極評級。從經(jīng)濟顯著性來看，財務舞弊風險增加一個標準差(0.253)，將導致公司收到消極評級的比率相對于其均值增加7.463%(0.041×0.253/0.139)。綜上，假設1得到驗證，即分析師能夠識別公司的財務舞弊風險。

表2 公司財務舞弊風險對分析師消極評級的影響(N=12 909)

6.1.2穩(wěn)健性檢驗

為保證研究結(jié)論的可靠性，變換分析師消極評級和財務舞弊風險的衡量方式，采用公司-年度-分析師研報層面的觀測進行穩(wěn)健性檢驗。首先，將公司的財務舞弊風險的衡量變換為如下幾種方式：①公司的財務舞弊風險是否大于當年樣本均值的啞變量FR1；②擴充標簽變量界定范圍(2)將因財務舞弊而受到公開處罰的上市公司的違規(guī)類型在原來的基礎上，增加考慮“重大遺漏”“推遲披露”“披露不實”“一般會計處理不當”這4種違規(guī)類型。且增加文本信息、公司治理和內(nèi)部控制等非財務指標作為輸入變量，重新訓練并預測得到舞弊概率FR2；③使用隨機森林訓練模型得到預測的舞弊概率FR3。其次，用如下替代性指標衡量分析師消極評級：①縮小分析師消極評級的界定范圍，即選取公司收到的“減持”“賣出”評級的占比O1；②用絕對數(shù)量衡量分析師消極評級，即選取公司收到分析師出具的“中性”“減持”或“賣出”的評級總數(shù)O2。最后，采用公司-年度-分析師研報層面樣本進行檢驗。此時，重新定義分析師消極評級變量O3，若研報的評級為“中性”“減持”或“賣出”，則O3取1，否則取0。同時加入分析師個人特征變量，具體取研報中排名第一的分析師進行衡量，包括如下變量：分析師的發(fā)布研報經(jīng)驗、預測公司數(shù)量、發(fā)布研報數(shù)量、學歷和性別。

以上各回歸的結(jié)果見表3。由表3可知，本研究的主要結(jié)果不變，證明主結(jié)論具有較好的穩(wěn)健性。

表3 公司財務舞弊風險對分析師消極評級的影響：穩(wěn)健性檢驗

6.1.3內(nèi)生性檢驗

為緩解遺漏變量等導致的內(nèi)生性問題，進行如下檢驗。首先，構(gòu)建差分模型，針對因變量、自變量、控制變量分別取本期與上期的差值進行回歸(3)具體地，用dFR表示FR的本期與上期的差值，dO表示O的本期與上期的差值。；其次，為了控制公司層面不隨時間變化的不可觀測因素對主結(jié)論的影響，本研究進一步加入公司固定效應進行回歸；最后，采用傾向匹配得分法，將公司按同年度財務舞弊風險的高低進行匹配(匹配后的樣本通過了平衡性測試)，并用匹配后的樣本重新進行檢驗。以上各檢驗的結(jié)果見表4。由表4可知，本研究的主要結(jié)果不變。

表4 公司財務舞弊風險對分析師消極評級的影響：內(nèi)生性檢驗

6.1.4機制檢驗

分析師能否識別公司的財務舞弊風險并出具恰當評級，主要受到其識別舞弊的能力和動機的影響。不同特征的分析師對公司財務舞弊風險的感知能力和揭露動機有差異，從而可能對財務舞弊風險和分析師消極評級之間的關系產(chǎn)生影響。接下來，從分析師經(jīng)驗、聲譽和利益沖突的角度為舞弊風險影響分析師評級的作用機理提供經(jīng)驗證據(jù)。

經(jīng)驗豐富的分析師識別財務舞弊風險的能力更強。隨著分析師經(jīng)驗的增長，分析師對經(jīng)濟趨勢的感知、對企業(yè)特點的理解和對財務報表的分析能力均不斷增強；同時，與企業(yè)管理者的關系更加密切，更容易獲得私有信息，從而對財務舞弊風險有更高的敏銳度[27]。因此可以推測，經(jīng)驗豐富的分析師能夠更好地識別公司的財務舞弊風險，更有可能在公司財務舞弊風險較高時，出具消極的評級報告。為了檢驗此推測，建立并運行如下回歸模型：

O=α+β1FR+β2EX+β3FR×EX+

βjCV+∑YE+∑ID+ε,

(3)

式中，β2、β3為系數(shù)。模型(3)在模型(1)的基礎上增加了變量EX及其與FR的交乘項。其中，EX是表示分析師經(jīng)驗的啞變量，如果跟蹤企業(yè)的所有分析師做出第一個盈利預測以來的年數(shù)、當年跟蹤的公司數(shù)量、當年累計發(fā)布的研報數(shù)量的平均值大于樣本年度均值，則EX1、EX2、EX3分別取值為1，否則為0。模型(3)的回歸結(jié)果見表5的列(1)～列(3)，結(jié)果顯示，F(xiàn)R與EX1、EX2和EX3的交乘項均顯著為正。這表明，分析師經(jīng)驗更加豐富時，更可能識別出公司的財務舞弊風險而出具消極的評級報告。

表5 公司財務舞弊風險影響分析師評級的機制檢驗：分析師能力與動機的調(diào)節(jié)作用

分析師針對高財務舞弊風險的公司出具消極的評級報告，不僅受到其對財務舞弊風險識別能力的影響，也受到其揭露舞弊的動機影響。保護聲譽是其揭露舞弊以恰當評級的重要動機[28]，而明星稱號是分析師的重要榮譽。相比于非明星分析師，如果明星分析師沒能識別公司嚴重的財務舞弊風險，出具了不恰當?shù)脑u級意見，將承擔更大的聲譽損失。因此，明星分析師有更強的識別并揭露公司財務舞弊風險的動機。由此可以推測，與非明星分析師相比，明星分析師更有可能在公司財務舞弊風險較高時，出具消極的評級報告。為了檢驗此推測，建立并運行如下回歸模型：

O=α+β1FR+β2ST+β3FR×ST+

βjCV+∑YE+∑ID+ε。

(4)

模型(4)在模型(1)的基礎上增加了變量ST及其與FR的交乘項。其中，ST是衡量明星分析師的啞變量，如果跟蹤公司的明星分析師占比大于樣本年度均值，則ST取值為1，否則為0；且明星分析師根據(jù)《新財富》評定的最佳分析師確定。模型(4)的回歸結(jié)果見表5的列(4)，結(jié)果顯示，F(xiàn)R與ST的交乘項顯著為正，表明高聲譽的分析師更可能針對高財務舞弊風險的公司出具消極的評級報告。

分析師揭露舞弊的動機也受到其利益沖突的影響。例如，為了維持與機構(gòu)投資者的良好關系，分析師對機構(gòu)投資者持股比例高的公司，更不傾向于公開披露其負面信息并出具消極的評級報告[29]。又如，樂觀的研究報告有助于刺激交易量而增加券商傭金收入[22]，在經(jīng)紀業(yè)務規(guī)模越大的券商就職的分析師，受到的提高傭金收入的壓力越大[30]，從而更可能發(fā)布樂觀的評級報告。由此可以推測，機構(gòu)投資者持股比例越低的公司或者分析師所在券商的經(jīng)紀業(yè)務規(guī)模越小時，分析師更可能對財務舞弊風險較高的公司出具消極的評級報告。為了檢驗此推測，建立并運行如下回歸模型：

O=α+β1FR+β2CN+β3FR×CN+

βjCV+∑YE+∑ID+ε。

(5)

模型(5)在模型(1)的基礎上增加了CN及其與FR的交乘項。其中，CN表示分析師利益沖突的啞變量，分別用機構(gòu)投資者持股(CN1)和傭金收入壓力(CN2)度量。如果公司的機構(gòu)投資者持股比例、跟蹤公司的分析師中來自手續(xù)費及傭金收入前5大券商的比例大于樣本年度均值，則CN1、CN2分別取值為1，否則為0。模型(5)的回歸結(jié)果見表5的列(5)和列(6)，結(jié)果顯示，F(xiàn)R與CN1和CN2的交乘項均顯著為負。這表明，利益沖突越小的分析師，越可能對高財務舞弊風險的公司出具消極的評級報告。

綜上所述，分析師經(jīng)驗、聲譽與利益沖突分別從分析師的舞弊風險識別能力和動機兩個方面驗證了本研究主結(jié)論的作用機制，進一步支撐了主結(jié)論。

6.2 分析師消極評級與公司未來財務舞弊風險

6.2.1基本回歸結(jié)果

分析師消極評級對公司未來財務舞弊風險的影響見表6。由表6可知，控制上一年財務舞弊風險后，LO的系數(shù)顯著為負(系數(shù)為-0.022，t值為-2.85)。從經(jīng)濟顯著性來看，分析師消極評級增加一個標準差(0.275)，則公司下一年財務舞弊風險(相對于其均值)降低2.608%(0.022×0.275/0.232)，具有經(jīng)濟顯著性。這表明，分析師針對高舞弊風險的公司發(fā)布消極評級會降低公司未來財務舞弊風險，發(fā)揮了積極的外部監(jiān)督作用。故假設2得到支持。

表6 分析師消極評級對公司未來財務舞弊風險的影響(N=14 406)

控制變量的回歸結(jié)果顯示，財務舞弊風險(FR)與上年度的財務舞弊風險(LFR)顯著正相關，這更能說明分析師通過出具消極評級的方式發(fā)揮著積極的外部監(jiān)督作用。

6.2.2穩(wěn)健性檢驗

為保證研究結(jié)論的可靠性，增加控制公司的固定效應，變換分析師消極評級與財務舞弊風險的衡量方式，采用傾向匹配得分法，針對配對后的樣本進行回歸，以實施穩(wěn)健性檢驗。具體操作為：①加入公司固定效應來控制公司層面不隨時間變化的不可觀測因素對結(jié)論的影響。②替換分析師消極評級的衡量方式，分別根據(jù)變量O1、O2生成上一年分析師消極評級情況LO1、LO2。③替換財務舞弊風險為如下方式衡量：其一，為了突出分析師消極評級的實際監(jiān)督效果，將因變量替換為公司當年實際舞弊情況(A)，即若公司因為當年舞弊而后續(xù)被監(jiān)管機構(gòu)公開處罰，則A取值為1，否則為0；其二，將FR2和FR3作為替代性指標(分別根據(jù)變量FR2、FR3生成上一年的財務舞弊風險LFR2、LFR3)。④由于模型(2)中存在因變量的滯后項，估計過程可能面臨變量之間以及變量和殘差之間的內(nèi)生性問題，因此，采用兩步系統(tǒng)廣義矩方法(系統(tǒng)GMM)對模型(2)進行回歸，并使用WC-Robust 估計方法以得到穩(wěn)健標準誤(4)AR (2)、Hansen值分別為0.562、0.183。。⑤采用傾向匹配得分法，將公司按同年度分析師消極評級占比的高低進行匹配(匹配后的樣本通過了平衡性測試)，并用匹配后的樣本重新進行檢驗。假設2的穩(wěn)健性檢驗結(jié)果見表7。由表7可知，主要結(jié)果基本不變，進一步說明了前文結(jié)論的可靠性。

表7 分析師消極評級對公司未來財務舞弊風險的影響：穩(wěn)健性檢驗

7 結(jié)語

本研究引入機器學習的方法衡量財務舞弊風險，結(jié)合分析師評級數(shù)據(jù)，考察分析師能否識別公司的財務舞弊風險并出具恰當?shù)脑u級報告。研究發(fā)現(xiàn)，當公司財務舞弊風險較高時，分析師更有可能出具消極的評級報告；同時，這一關系在分析師經(jīng)驗豐富、聲譽較好、利益沖突較小時更加顯著。進一步研究發(fā)現(xiàn)，分析師出具消極的評級報告有助于降低公司下一期的財務舞弊風險。上述結(jié)果表明，分析師在決策過程中，根據(jù)對信息的解讀和分析以識別公司的財務舞弊風險，并針對財務舞弊風險較高的公司出具消極的評級報告；而且，分析師識別的財務舞弊風險主要是由分析師識別財務舞弊風險的動機和能力決定的。同時，分析師出具消極評級報告的決策行為能夠降低公司未來的財務舞弊風險，發(fā)揮了積極的監(jiān)督作用。本研究結(jié)果不僅從分析師決策過程的角度為分析師行為的影響因素提供了經(jīng)驗證據(jù)，還進一步揭示了分析師的外部監(jiān)督發(fā)揮的實際作用，為分析師發(fā)揮的治理效應提供了經(jīng)驗證據(jù)。

本研究的啟示在于：①雖然我國分析師很少出具消極的評級報告，但是當公司潛在的財務舞弊風險大時，分析師仍會采取消極評級的方式進行反映以提醒投資者，進而發(fā)揮積極的治理效應。這表明分析師在決策過程中會識別公司財務舞弊風險并有效應對，進而發(fā)揮積極的外部監(jiān)督作用。②由于分析師能否識別舞弊主要基于其識別舞弊的動機(如分析師聲譽、面臨的利益沖突等)和能力(如分析師經(jīng)驗等)，因此需要加強對分析師獨立性的約束以及對其能力的重視，如加強對分析師的職業(yè)道德教育，重視分析師經(jīng)驗并發(fā)揮明星分析師的積極作用等。

本研究存在以下不足：由于證監(jiān)會處罰的案例有限且具有滯后性，采用受證監(jiān)會處罰的公司作為標簽變量衡量公司實際舞弊情況存在局限性。但受限于數(shù)據(jù)可得性和舞弊本身的特點，目前中國資本市場上也難以找到更合適的變量來反映公司實際舞弊情況，誠然，期待著未來研究能找到更好的解決辦法。同時，與傳統(tǒng)的預測方法相比，采用機器學習算法能夠更加準確地衡量公司財務舞弊的概率，該衡量方式為相關研究提供了一個新的可供借鑒的視角，未來的研究亦可嘗試采用機器學習的方法衡量財務舞弊風險。另外，本研究主要從分析師評級決策的角度檢驗分析師能否公司的財務舞弊風險，未來研究可以從分析師研究報告的文本內(nèi)容等角度，為分析師對財務舞弊風險的識別提供增量證據(jù)。