【摘要】 文章以2004—2009年間因調(diào)整損益而受到證監(jiān)會處罰的56份年度財務報告為研究對象，采用Lib-SVM分類算法，將所有樣本分為訓練樣本和測試樣本，運用訓練樣本構建了我國上市公司損益調(diào)整類財務報告舞弊的識別模型，運用測試樣本檢驗了模型的預測精度。結果表明，識別效率較高的RBF核函數(shù)模型的預測精度達到86.67%，模型的總體正確率為87.5%。
　　【關鍵詞】 財務報告舞弊；識別模型；RBF核函數(shù)；線性核函數(shù)
　　
　　一、問題的提出
　　我國上市公司財務報告舞弊通?；趦深惸康模皇菫閷崿F(xiàn)融資目的而調(diào)節(jié)利潤，包括隱瞞虧損或者為取得配股增發(fā)資格；二是通過隱瞞關聯(lián)方占款、關聯(lián)方擔保等行為，以實現(xiàn)大股東的特定利益，其結果將侵害中小股東的權益。據(jù)筆者對2004—2009年間受到證監(jiān)會處罰的財務報告舞弊公司的統(tǒng)計來看，第一類以調(diào)節(jié)利潤為目的的舞弊行為占所處罰公司的55.13%，是我國上市公司主要的舞弊行為。在本文中，以第一類舞弊公司（本文稱其為損益調(diào)整類財務報告舞弊）為研究對象，基于支持向量機技術中的Lib-SVM算法，構建有效的損益調(diào)整類財務報告舞弊識別模型，為有關各方加強監(jiān)管提供參考。
　　
　　二、研究設計
　　（一）樣本的選取標準及數(shù)據(jù)來源
　　1.舞弊樣本的選取標準
　　本文以2004—2009年間因年度財務報告舞弊而受到證監(jiān)會查處的公司作為舞弊公司，并選取其中以損益調(diào)整方式實施舞弊的公司為研究對象，并且僅包括因2001年以來的年報舞弊而被處罰的公司，不包括2001年之前的年報中舞弊的公司，也不包括半年報中舞弊的公司及非損益調(diào)整類舞弊公司。整理后得到56家年度財務報告舞弊公司的56個觀測值。
　　2.控制樣本的選取標準
　　本文選取的控制樣本必須同時滿足以下條件：與舞弊公司同行業(yè)、同一上市地點；與舞弊公司資產(chǎn)規(guī)模相當（選取規(guī)模最接近的公司）。整理后同樣得到56家非舞弊公司的56個觀測值。
　　3.數(shù)據(jù)來源
　　舞弊公司的確定來源于證監(jiān)會網(wǎng)站公布的處罰公告，經(jīng)逐個整理得到。舞弊公司及控制樣本財務數(shù)據(jù)和治理機制數(shù)據(jù)來源于國泰安經(jīng)濟研究數(shù)據(jù)庫（CSMAR）。
　　（二）變量的選取
　　1.被解釋變量
　　被解釋變量為財務報告舞弊（FFS， Fraudulent Financial Statement），該變量為二元變量，某公司在某年度實施了損益調(diào)整類財務報告舞弊，該變量取值為1；否則取0。
　　2.解釋變量
　　我國上市公司主要通過虛增主營業(yè)務收入、隱瞞主營業(yè)務成本、隱瞞期間費用、少提減值準備等方式虛增利潤，而這些舞弊方式將直接影響到企業(yè)資產(chǎn)結構、利潤結構和現(xiàn)金流量結構，進而影響企業(yè)的資產(chǎn)運作效率。以此為基礎，結合國內(nèi)外已有的研究成果，本文選取的第一類解釋變量包括以下14個財務特征指標。具體內(nèi)容如表1。
　　另外，財務報告舞弊的順利實施通常與薄弱的公司治理機制有關。而公司治理機制分為內(nèi)部治理結構和外部治理機制兩方面。內(nèi)部治理結構包括股權結構、董事會特征、審計委員會、高層管理團隊和內(nèi)部審計師；外部治理機制包括外部審計師和監(jiān)管機構。當內(nèi)部治理結構和外部監(jiān)管機制失效時，財務報告舞弊的機會就會大大增加。由以上分析，結合國內(nèi)外已有的研究成果，本文選取的第二類解釋變量包括以下14個公司治理特征指標，具體內(nèi)容如表2。
　?。ㄈ┠Ｐ偷倪x取
　　財務報告舞弊的識別，即判斷某一公司是否存在舞弊行為，其本質(zhì)上是一個分類問題。根據(jù)分類模型研究領域的最新進展，支持向量機（SVM）算法以其較強的模型泛化能力和較高的識別效果，已經(jīng)成為常用的分類模型之一。目前，支持向量機算法在財務危機預警研究領域已得到初步運用。結果表明，運用該算法構建的財務危機預警模型，效果優(yōu)于Probit判別方法、Logistic回歸模型和人工神經(jīng)網(wǎng)絡（ANN）技術。
　　因此，本文引入Lib-SVM支持向量機技術，將損益調(diào)整類舞弊公司按照舞弊年限分為兩組，一組用來構建財務報告舞弊識別模型，另一組用來檢驗模型的預測精度，并以預測精度的高低作為檢驗模型預測效果的依據(jù)，判斷模型在后續(xù)年限中的適用性和泛化能力。
　　同時，由于Lib-SVM算法的核函數(shù)形式包括RBF核函數(shù)、線性核函數(shù)、多項式核函數(shù)、指數(shù)基核函數(shù)等多種形式，其中，RBF核函數(shù)穩(wěn)定性較強，而在某些情況下線性核函數(shù)的預測精度也會高于RBF核函數(shù)，因而，本文選擇RBF核函數(shù)和線性核函數(shù)分別構建識別模型，并采用一種基于交叉驗證的網(wǎng)格搜尋的方法來確定RBF核函數(shù)的兩個關鍵參數(shù)C和γ的取值；采用逐步搜尋的方法確定線性核函數(shù)的關鍵參數(shù)C的取值。
　　三、解釋變量的顯著性檢驗、Lib-SVM識別模型的構建及結果分析
　?。ㄒ唬┙忉屪兞康?strong style="display:none;">459xR9vCWF2yauYrh0oS6g==顯著性檢驗
　　根據(jù)前述的研究設計，本文以2004—2009年間因調(diào)節(jié)利潤舞弊而受到證監(jiān)會處罰的56個公司作為舞弊樣本，按一定標準選取了56個非舞弊公司作為控制樣本，并選取了14個財務特征指標和14個公司治理特征指標作為解釋變量。為保證模型的識別效率，本文先采用兩獨立樣本T檢驗的方法對28個解釋變量的顯著性進行檢驗，并將通過顯著性檢驗的指標作為構建模型的基礎。檢驗結果如表3所示。
　　檢驗結果表明，確定的28個解釋變量中，共有13個指標在5%的水平上顯著。其中，財務特征指標5個，具體為：應收賬款占流動資產(chǎn)的比例、存貨占流動資產(chǎn)的比例、固定資產(chǎn)原值占總資產(chǎn)的比例、其他應收款占總資產(chǎn)的比例和總資產(chǎn)周轉(zhuǎn)率；治理機制特征指標為8個，包括審計意見、第一大股東股權性質(zhì)、第一大股東持股比例、董事會規(guī)模、董事會持股比例、監(jiān)事會規(guī)模、股東大會會議次數(shù)和高管持股比例。
　?。ǘ㎜ib-SVM識別模型的構建
　　根據(jù)上述選出的具備顯著性的13個指標，運用Lib-SVM算法構建損益調(diào)整類財務報告舞弊識別模型。為驗證模型的泛化能力，本文將2001—2006年的所有舞弊公司和配對公司分為兩組，其中，2001—2003年的公司作為訓練樣本，2004—2006年的公司作為測試樣本，運用前三年的數(shù)據(jù)作為訓練集構建模型，模型對2004—2006年的分類情況預測精度越高，表明模型的泛化能力越強，在后續(xù)年度運用的效果越好。
　　1.Lib-SVM算法RBF核函數(shù)識別模型的構建與檢驗
　　首先將全部樣本經(jīng)過歸一化處理，然后將2001—2003年的公司數(shù)據(jù)輸入Lib-SVM程序，經(jīng)過交叉驗證的網(wǎng)格搜尋確定RBF核函數(shù)的C和γ取值結果如圖1所示。
　　由圖1可以看出，將2001—2003年調(diào)節(jié)利潤舞弊公司作為訓練樣本，確定的Lib-SVM算法RBF核函數(shù)參數(shù)為C =2048，γ=0.00048828125。
　　運用參數(shù)為C=2048，γ=0.00048828125的RBF核函數(shù)和2001—2003年調(diào)節(jié)利潤類舞弊公司數(shù)據(jù)構建識別模型，再運用所建模型對2004—2006年的公司進行預測，預測精度為86.667%。具體如表4、表5、表6所示。
　　2.Lib-SVM算法線性核函數(shù)識別模型的構建與檢驗
　　同理，采用Lib-SVM算法線性核函數(shù)根據(jù)2001—2003年的數(shù)據(jù)構建模型，并對2004—2006年的數(shù)據(jù)進行預測，確定的線性核函數(shù)參數(shù)C=750，預測精度為83.333%。具體結果如表7、表8、表9所示。
　　由上述各表可以看出，以2001—2003年的損益調(diào)整類舞弊公司作為訓練樣本集，構建模型后，以2004—2006年的調(diào)節(jié)利潤類舞弊公司作為測試樣本集，結果表明RBF核函數(shù)的預測精度為86.667%，線性核函數(shù)的預測精度為83.333%，兩者的預測精度都較高，說明識別模型的泛化能力較強，可用于后續(xù)年度財務報告舞弊的識別。比較而言，在構建調(diào)節(jié)利潤舞弊識別模型時，RBF核函數(shù)的預測精度相比線性核函數(shù)更加穩(wěn)定。
　　
　　從模型的總體正確率來看，采用支持向量機算法構建模型，無論是采用RBF核函數(shù)還是線性核函數(shù)，Ⅰ類誤判率均在10%左右，總體正確率均高于85%。說明模型結果對于識別損益調(diào)整類舞弊具有較高的參考價值。
　　
　　四、研究結論與不足
　?。ㄒ唬┭芯拷Y論
　　1.損益調(diào)整類財務報告舞弊公司的顯著特征。本文研究結果表明，從財務特征方面來看，舞弊公司的資產(chǎn)構成和資產(chǎn)運作效率顯著不同于非舞弊公司；從治理機制特征方面來看，舞弊公司有8個指標顯著不同于非舞弊公司，包括審計意見、第一大股東股權性質(zhì)、第一大股東持股比例、董事會規(guī)模、董事會持股比例、監(jiān)事會規(guī)模、股東大會會議次數(shù)和高管持股比例。
　　2. Lib-SVM舞弊識別模型的效果。在損益調(diào)整類財務報告舞弊識別模型的構建方面，本文分別運用Lib-SVM算法的RBF核函數(shù)和線性核函數(shù)，構建了損益調(diào)整類財務報告舞弊的識別模型。結果表明，采用2001—2003年的數(shù)據(jù)構建出的識別模型，對2004—2006年的數(shù)據(jù)具備較強的預測能力，RBF核函數(shù)模型的預測精度達到了86.667%，總體正確率達到了87%；線性核函數(shù)的預測精度達到了83.333%，總體正確率達到了86.607%，說明運用支持向量機技術構建損益調(diào)整類財務報告舞弊的識別模型，可以為有關各方識別后續(xù)年度的財務報告舞弊行為提供參考。
　?。ǘ┭芯烤窒扌?br/>　　本文在構建損益調(diào)整類財務報告舞弊識別模型時，未考慮財務特征中的動態(tài)指標，可能會影響到模型的預測效果，有待在后續(xù)研究中繼續(xù)完善。
　　
　　【主要參考文獻】
　　［1］ Uzun H，Samuel H Szewczyk，Raj Varma．Board Composition and Corporate Fraud［J］．Financial Analysts Journal，2004，（5/6）：33-43.
　?。?］ Jensen. M.C.The Modern Industrial Revolution， Exit and the Failure of internal Control Systems［J］. Journal of Finance， 1993，48（3）：831-880.
　?。?］ Jensen， M. Meckling， W. The theory of the firm: Managerial behavior， agency costs and ownership structure［J］. Journal of Financial Economics， 1976（4）：305-360.
　?。?］ 朱學義，孫自愿等.企業(yè)經(jīng)營者年薪制、期權股權激勵及管理層收購方案設計總結報告［R］. 江蘇省財政廳科研項目，2003.
　?。?］ 王澤霞.識別上市公司管理舞弊之預警信號［M］.上海：上海三聯(lián)書店，2007：72-88.
　?。?］ 袁樹民，楊召華.上市公司財務舞弊與關聯(lián)方交易［J］.財會通訊（學術版），2007（1）：37-40.
　　［7］ 薛祖云，黃彤.董事會、監(jiān)事會制度特征與會計信息質(zhì)量——來自中國資本市場的經(jīng)驗分析［J］. 財經(jīng)理論與實踐，2004（7）：85-89.
　?。?］ 侯曉紅，李琦，羅煒.大股東占款與上市公司盈利能力關系研究［J］.會計研究，2008（6）：77-84.
　?。?］ 程新生.公司治理、內(nèi)部控制、組織結構互動關系研究［J］.會計研究，2004（4）：14-18.