1、基于信号识别的财务舞弊研究摘要：如何有效识别财务舞弊，是会计信息使用者一直关心的问题。文章通过研究发现，财务结构、盈利质量和关联交易度相关指标对识别公司财务舞弊有着显著的效果。因此，会计信息使用者在判断公司舞弊与否时，要密切关注这些指标。 关键词：财务舞弊；识别；上市公司 一、研究背景 自从会计信息作为由企业内部向外部传递经济讯号的媒介以来，舞弊就与之形影相随。随着全球资本市场一体化的加速，会计信息的社会影响日益扩大，财务舞弊现象也日益盛行与蔓延。 2002 年 6 月，世界第二大电信公司世界通信公司（World Com）和被认为全美最可信赖的 50 家公司之一施乐（Xerox）公司因会计造假
2、列入当年国际会计业十大新闻。2006 年普华永道日本公司和戴尔公司因财务报表丑闻震惊全球的会计行业。由于我国证券市场运作时间较短、各项体制不够完善，上市公司财务舞弊事件也一直层出不穷。2006 年顾雏军案引爆整个会计业信任与监管危机。接二连三的会计舞弊丑闻的揭露，极大地动摇了人们对资本市场的信心。所以加大对上市公司财务舞弊问题的研究工作，已成为稳定资本市场秩序迫在眉睫的问题。 然而治理财务舞弊是一项极其复杂艰巨的系统工程，除了要建立高质量的会计准则、健全会计信息披露的规则外，还要不断提高会计信息使用者对财务舞弊行为的识别能力，以尽可能减少财务舞弊行为的误导效应。因此本文以我国上市公司为研究对象
3、，将研究范围锁定在与我国上市公司财务舞弊识别相关的事项上，试图得到对会计信息使用者具有指导意义的结论，以期为完善监管政策和会计、审计准则提供理论参考，为财务舞弊行为的预警、实时监控和综合治理提供决策依据，从而最大限度地减少上市公司财务舞弊行为的误导效应。 二、相关文献综述 对财务报告舞弊颇有研究的美国 Coopers Lybrand 会计师事务所（2000）总结出 29 面“红旗” ，当出现这些“红旗”的时候，就需要格外关注公司管理当局是否有舞弊的可能，例如，现金短缺、负的现金流量、营运资金短缺；融资能力降低，营业扩充的资金来源只能依赖盈余；存货大量增加超过销售所需；盈余品质逐渐恶化等。 Be
4、neish（1997）对舞弊公司和非舞弊公司比较研究发现，公司历史、财务杠杆程度和股价的表现可作为初步判定会计舞弊的风险因素。另外，公司应收款项大幅增加、产品毛利率异常波动、资产质量下降、销售收入异常增加和应计利润率上升也是会计舞弊的征兆。 Green and Choi（1997）采用人工神经网络（ANN）技术构造了建立在原始财务数据基础上的财务舞弊判别模型，并发现这一模型将大大改善独立审计师发现舞弊行为的能力，且在以随机样本为基础使用时非常有效。 刘立国、杜莹（2003）的研究表明：法人股比例、执行董事比例、内部控制制度以及监事会的规模与财务舞弊的可能性正相关，流通股比例则与之负相关。 黄世
5、忠（2004）在收入操纵的九大陷阱及其防范对策中指出，存在以下预警信号时，表明上市公司有舞弊的可能：应收账款的增幅高于销售收入的增幅；计提巨额的坏账准备；收购日前后毛利率发生大额波动；销售收入与生产能力比例失调；与客户发生套换交易；收入主要来自关联交易；销售收入与经营性现金流相背离。 “他山之石，可以攻玉” ，国内外关于财务舞弊的特征和征兆的研究对本文有着重要的借鉴意义，本文将从总结出的众多财务舞弊特征和征兆中概括出使用最频繁的（如财务状况、资产质量、营运能力、盈利能力、盈利质量、关联交易、内部治理结构） ，作为研究我国上市公司财务舞弊识别的切入点。在研究方法上使用对财务舞弊识别效果较好的Lo
6、gistic 回归分析法，针对不同的影响因素，通过组合运用达到弥补单一指标分析的缺陷的目的。 三、研究方法和具体研究 大量的实证研究表明，相对于非舞弊公司而言，舞弊公司往往具有特殊的舞弊动机，而这些动机则外显于舞弊公司的财务特征及征兆。表现在财务指标上，就是某些财务指标显著异于同类公司。因此，本文主要通过分析上市公司财务舞弊的征兆，构建上市公司财务舞弊的识别模型，并以我国上市公司舞弊年报为样本，对模型进行分析，旨在探求我国上市公司财务舞弊行为的基本规律，为财务舞弊行为的预警、实时监控和综合治理提供经验依据。 资产和利润的造假是对投资者和债权人影响最大的舞弊行为，且资产和利润的虚假能通过一系列财
7、务指标的异常反映出来。而资产和利润的虚增是财务报告舞弊的主要内容，因此，本文将财务舞弊定义为财务报告中资产和利润的虚增，并以此为标准来选择研究样本。 研究样本从我国 2000-2006 年因舞弊遭到证券监管部门（证监会、深交所、上交所） 、财政部通告处罚的公司中选取，共选取了 35 家上市公司，其中有些公司是连续几年都实施财务舞弊行为，将舞弊公司的每一个舞弊年度作为研究对象，最终共有 68 个研究样本。 同时选取了与上述公司行业相同、规模相当的未遭通告和处罚的公司与之配对，选取了 68 个控制样本。 本文的样本数据来源于中国证监会公告（上市公司处罚决定类） 、财政部处罚公告（上市公司处罚决定类
8、）以及中国证监会指定的信息披露网站-巨潮资讯网（） 、上市公司咨询网（） 、金融界网（） 。 本文通过对国内外研究成果、及会计舞弊的普遍手法分析，认为舞弊公司会在下述指标方面与非舞弊公司显示出差异。现将本文选取的可能发现违规的指标进行汇总，并对每一指标给出简单说明（见表 1） 。 （一）模型选择 Logistic 模型适用于因变量为二值的情况下使用（例如：对上市公司财务报告识别的结果要么是舞弊、要么是非舞弊，即符合该模型的使用条件） ，因此本文研究也将采用 Logistic 模型，并结合 SPSS 统计软件进行。 根据舞弊识别的经验性分析，认为舞弊公司与非舞弊公司（同行业、规模相当）在上述 1
9、3 个指标方面会显示出较大差异，因此，对舞弊公司（研究样本）和非舞弊公司（控制样本）的上述指标采用 SPSS 统计软件进行对照检验，最具显著性的指标予以保留进入模型（即为 X1、X2、X3等） ，不具有显著性的指标则予以剔除，从而构建 Logistic 回归模型，以此来判断企业财务舞弊的概率有多大。 模型建立的意义在于：在某公司 X1、X2、X3 等指标已知的情况下，把指标值带入模型即可得到该公司发生财务舞弊的概率。 （二）研究结果及其阐释 将两类样本按 0、1 分组，1 为舞弊公司，0 为非舞弊公司，采用SPSS16.0 对数据进行处理。 SPSS 的部分输出结果如表 2 所示。 表 2 为
10、方程中变量检验情况列表。从显著性水平（Sig.）来看，X1（资产负债率） 、X9（非主营业务利润率） 、X10（净利润现金保证率） 、X11（其他应收款占总资产的比）这 4 个变量检验的显著性水平都小于0.05，均可进入模型。由该表可得出会计舞弊的识别模型为： Ln（Pi/1Pi）=Y-2.148+4.839X1+0.248X9-0.193X10+6.381X11 根据该模型，就可以在某公司这 4 个变量已知的情况下计算出其发生财务舞弊的概率。 表 2 中回归模型统计量表明：最终进入模型的有 4 个变量，分别是X1（资产负债率） 、X9（非主营业务利润率） 、X10（净利润现金保证率） 、X1
11、1（其他应收款占总资产的比） 。从系数可以看出，X11（其他应收款占总资产的比）对公司舞弊与否的预测能力最强（其系数为 6.381） ，而且该指标与舞弊发生与否呈正相关关系；其次为 X1（资产负债率） ，其系数为 4.839，该指标与舞弊发生与否呈正相关关系；然后是 X9（非主营业务利润率） ，其系数为 0.248，该指标与舞弊发生与否呈正相关关系；最后是 X10（净利润现金保证率） ，其系数为-0.193，该指标与舞弊发生与否呈负相关关系。 四、研究结论 根据实证研究结论，可看出财务结构、盈利质量和关联交易度相关指标对识别公司财务舞弊与否有着显著的效果，也可以说，舞弊公司具有资产负债率高、盈
12、利质量差、关联交易频繁的显著特征，因此无论作为投资者还是债权人及证券监管部门，判断公司舞弊与否时，要密切关注这些指标。 参考文献： 1、Albrecht W S and Romney MB.Red-flagging Management Fraud: a ValidationJ.Advances in Accounting,1986(3). 2、Beneish M D.Detecting GAAP Violation:Implications for Assessing Earnings Management among Firms with Extreme Financial Perform
13、anceJ.Journal of Accounting and Public Policy,1997(16). 3、Beneish M D.Detecting GAAP Violation: Implications for Assessing Earnings Management among Firms with Extreme Financial PerformanceJ.Journal of Accounting and Public Policy,1997(16). 4、刘立国,杜莹.公司治理与会计信息质量关系的实证研究J.会计研究,2003(2). 5、黄世忠.收入操纵的九大陷阱及其防范对策J.中国注册会计师,2004(2).
