數據安全性：中國A股上市公司異常會計信息與財務報告舞弊風險的識別

韓麗榮，胡瑋佳，高瑜彬

（吉林大學 商學院，吉林 長春 130012）

財務報告舞弊的危害具有廣泛而深刻的影響，有效識別財務報告舞弊風險從而合理保證會計信息不存在重大錯報是審計理論和實務的核心問題。過去的幾十年里，學術界一直不乏有對財務報表舞弊識別的理論的探討及實證分析。從早期的“舞弊三角形”理論、“紅旗標志”，到后來的Beneish模型及各種數據挖掘技術都對財務報表舞弊識別給出了有效的結論，即使結果不盡相同。雖然企業會計人員有多種編造財務數據的方法，但其遵循的原則不外乎會計慣例和會計準則，因此與自然形成且符合邏輯的真實財務數據相比，舞弊的虛假數據很可能存在數據結構上的缺陷[1]。這種缺陷就構成了異常會計信息，從異常會計信息的角度識別財務報告舞弊行為將更為直接和有效。目前大多數的研究從分析被處罰的舞弊公司所具有的一些顯著特征的路徑展開，這些研究有著重要的價值，但是對財務報告舞弊風險的識別是間接的，效果也是有限的。如果能夠沿著分析會計信息異常關系的路徑利用統計方法對數據進行檢測，一定能夠從總體上直接而有效地識別財務報告舞弊風險。

本文認為以往的研究是遵循“由因推果”的舞弊識別路徑，即通過歸納舞弊公司的特征信息識別財務報告舞弊。而本文從“由果導因”的逆向路徑出發，通過分析舞弊公司財務報告中的異常會計信息對財務報告的舞弊風險進行識別。我們選取了2008年至2013年間因財務報告舞弊被處罰的上市公司為舞弊樣本，根據行業、規模和上市交易所選取與其配對的非舞弊樣本，通過對異常會計信息的分析設定相關變量，運用Logistic回歸模型等方法進行了檢驗并證實了相關假設：與非舞弊公司相比，舞弊公司存在異常的會計信息；會計信息異常的程度越大，公司進行財務報告舞弊的可能性越大。

一、文獻回顧及理論分析

（一）紅旗標志、舞弊三角形理論

早期大多數對財務報表舞弊的研究，都是使用“紅旗標志”來作為舞弊風險因子的[2][3]。“紅旗標志”是指可能導致管理層以公司名義或為了個人利益而舞弊的各種事件、條件、環境壓力、機會或個人特征，其中包含了較多的非財務指標，如董事會制度、審計委員會制度、股權結構、獨立審計制度治理特征、股權集中度、管理者風險偏好水平等公司治理指標。1988年，美國注冊會計師協會（AICPA）發布的SAS（標準審計準則）第53號——“審計師對發現和報告錯誤和異常事項的責任”闡釋了審計師在識別財務報表重大錯報中的責任。自此“紅旗標志”的研究得到了進一步的發展并被直接運用于財務報告舞弊的識別，學者們將研究的目標直接指向了財務報告舞弊，通過對美國第53 號審計準則內容的理解，概括出不同類別的舞弊風險因素[4]。然而，Moyes 和Hasan認為只關注審計師的舞弊識別能力顯然是不充分的[5]。AICPA在1997年繼而推出了SAS第82號——“財務報表審計中對欺詐的考慮”以幫助審計師在實務中識別財務舞弊。與SAS第53號相比，第82號關于識別被審計高風險區域給出了更全面的說明。由于審計失敗案例的不斷增加，基于監管人和審計師對財務舞弊防止和識別要求的SAS 第99號——“財務報表審計中對舞弊的考慮”在2002年應運而生。該準則被認為是在由美國社會學家、心理學家和犯罪學家Donald R.Cressey提出的舞弊三角形理論模型基礎上建立的，通過將舞弊因子分為壓力（Pressure）、動機（Opportunity）和合理化（Rationalization）三類，可以提高審計師在對被審計單位進行舞弊風險因素識別時的有效性[6]。

20世紀末到21世紀初期，安然事件及一系列上市公司財務舞弊案件發生之后，監管者開始逐步關注投資者是如何理解并運用“紅旗標志”的，出現了一些從投資者的角度進行的研究[7][8]。王澤霞、梅偉林將SAS第82號中的“紅旗標志”與我國《審計技術提示第1號——財務欺詐風險》中的九大類“紅旗標志”結合，篩選出代表管理舞弊的“紅旗標志”對會計師事務所通過問卷調查，結果發現大股東操縱董事會為我國上市公司管理層舞弊的一大特征，且證明審計師的執業經驗程度是與舞弊識別密切相關的[9]。綜上所述，使用“紅旗標志”作為舞弊風險因子進行的研究對財務報告舞弊風險識別做出了重要的貢獻，通過檢驗財務指標和非財務指標的一致性及差別能夠更好地幫助審計師識別舞弊風險[10][11][12]。在此之后的文獻中，“紅旗標志”和舞弊三角形理論被大量應用于財務舞弊識別的研究[13][14]。但是，由于其中包含很多非財務指標，對于大多數投資者或其他利益相關者來說很難搜集。因此通過這些間接指標識別舞弊公司特征的方法具有很大的局限性。

（二）異常會計信息識別

會計信息的異?？梢越忉尀槠髽I會計信息之間出現了不能合理解釋的關系或小概率的關系，例如如果一個制造業企業主營業務收入增長率很高而存貨周轉率卻很低，在其他條件不變的情況下，這種關系就是一種不能合理解釋的關系。有些異常關系比較明顯，有些異常關系卻十分隱蔽。劉姝威在發現藍田股份公司財務報告舞弊案的基礎上，對虛假會計報表的識別技術進行了總結，她采用了財務分析的方法，重點分析了藍田股份、紅光實業、銀廣夏等公司，通過分析這些公司的異常財務數據和財務指標，進而有效地揭示了財務報告舞弊的風險[15]。與其他財務舞弊研究不同的是，Beneish模型沒有使用大量的財務指標對舞弊進行識別，其模型的建立更類似于從法務會計專家的角度分析財務信息[16]。例如，Beneish 認為，應收賬款與銷售額不成比例的異常增加可能預示了收入虛構的可能性。因此和大多數直接運用銷售增長率作為舞弊檢測指標的文獻不同，他通過設計“基于應收賬款的日銷售指數”變量，找到舞弊年度與舞弊前一年相比銷售額的異常增長關系。根據這樣的識別路徑，通過對財務數據內在邏輯和指標趨勢的分析，借鑒Beneish的變量設計建立相關假設對財務報告舞弊風險進行識別。

二、實證研究設計

（一）樣本選擇和數據來源

以往研究發現我國上市公司傾向于通過操縱盈余和虛增資產的手段進行財務報表舞弊，因此本文選取因“虛構利潤”及“虛列資產”而受監管部門處罰的上市公司為研究樣本。本文選取的初始樣本為2008～2013年受到財政部、證監會、上交所、深交所及其他監管單位違規處罰的非金融行業A股上市公司，并根據以下規則進行剔除：篩選出違規類型為“虛構利潤”和“虛列資產”的上市公司；剔除中期報告違規而受到處罰的公司；剔除關鍵數據缺失的公司。最后得到239 家上市公司作為舞弊樣本公司。對于因連續多年舞弊被處罰的公司，只選取其舞弊首年作為研究年度。以上違規信息及上市公司的財務數據均來自國泰安CSMAR 數據庫和銳思數據庫。同時，參考Beasley[17]和韋琳等[14]的配對原則為舞弊公司按照以下原則選取非舞弊配對樣本：（1）與舞弊公司處于相同交易所；（2）與舞弊公司舞弊年度的前一年年末資產規模相近，上下差異最大不超過舞弊公司資產規模的45%；（3）以中國證監會行業分類為標準，選取與舞弊公司處于同一行業的上市公司，其中制造業配對標準精確到二級分類；（4）所選取的配對樣本在2000～2013年間未因任何違規原因被監管部門處罰。經過以上處理后，得到配對樣本239家，與舞弊研究樣本合計478個上市公司。本文使用SPSS 18.0和STATA 11進行數據處理。

（二）變量選取

1.被解釋變量

本文根據上市公司是否因財務舞弊而受到處罰作為被解釋變量，設定為虛擬變量Fraud，當Fraud=1時，為舞弊公司；當Fraud=0時，為非舞弊公司。

2.解釋變量

借鑒Beneish等人的變量設計，本文采用以下指標作為主要解釋變量和控制變量對異常會計信息進行衡量，如下文表1和表2所示。

三、實證結果分析

（一）描述性統計分析

本文將2000～2013年間未受到任何違規懲罰的非金融保險行業的A股上市公司作為非舞弊總樣本，并按照資產規模、行業、上市證券交易所三方面一致性的標準選取239家作為舞弊研究樣本的配對樣本。我們運用STATA 11 對所有變量進行5%的Winsorize處理，配對樣本T檢驗和Wilcoxon符號秩檢

驗的結果省略。其中，DSRI、AQI、流動比率（X1）、營運資金比率（X3）、銷售成本率（X5）、應收賬款周轉率（X8）、總資產周轉率（X13）、存貨占流動資產的比重（X19）和經營杠桿系數（X21）在1%、5%及10%的顯著水平上通過了Wilcoxon 符號秩檢驗；SGI、營業利潤現金保證率（X10）和應付賬款周轉率（X12）在10%顯著水平上通過了配對T檢驗。以上結果說明與非舞弊公司相比，舞弊公司存在著異常會計信息。由此，本文選定以上12個變量作為顯著識別舞弊的指標構建模型進行進一步分析。

表1 主要解釋變量

表2 控制變量

（二）Logistic回歸分析及結果

根據以上配對T 檢驗和非參數檢驗得到的結果，本文選取在舞弊樣本和非舞弊配對樣本之間存在顯著差異的控制變量及主要解釋變量構建Logistic回歸模型如下，模型中i與t分別代表公司和年度：

由于現階段很難找到能直接明確識別財務報告舞弊的模型，因此較為合理的辦法是嘗試多種指標組合來驗證模型的有效性。因此表3 中我們以“是否舞弊”（Fraud）為因變量，前3 個模型針對不同指標進行檢驗，第4 個模型通過主成分分析進行進一步回歸。

其中，模型1與模型2分別對主要解釋變量和通過非參數檢驗的控制變量進行分別回歸，得到總正確判斷率為78.8%和80.1%的模型。具體來看，總資產周轉率（X13）、DSRI 與AQI 等變量均在1%和5%的水平上顯著，說明公司的非流動資產水平、資產利用效率及應收賬款周轉水平等，與公司發生舞弊的可能性顯著相關。模型3 對模型2 回歸結果中顯著的變量再次進行回歸分析發現，得到總正確判別率為74.2%的模型，均高于以往文獻中的模型正確率。可以初步認為，通過分析財務會計信息之間的異常，可以找到財務報表舞弊公司對財務數據操縱的路徑和跡象，從而對其舞弊風險進行識別。

（三）因子分析

因子分析法是一種從變量之間的依賴關系出發，將一些相互關聯的變量歸結為少數幾個主要綜合因子的多種變量分析方法。由于本文所使用的解釋變量多為財務指標，變量之間的相關性不可避免，因此本文在對變量進行相關分析①之后，采用因子分析對自變量進行信息濃縮，得到6個特征根均大于1的主成分。將其進行因子載荷矩陣進行旋轉后，得到F1 至F6 六個主成分分別反映了公司的營運能力、償債能力、發展能力、資產質量水平、盈利質量和風險管控能力。我們將F1至F6作為自變量再次進行驗證，得到正確率為77.27%的回歸模型，同時將主成分所包含的主要自變量重新進行主模型Logistic回歸，得到的最終結果在表3最后一欄列示，表4 為該模型的舞弊分類檢驗表。結果發現：利用該模型對財務報告舞弊進行識別時，233 家舞弊公司中有42家非舞弊公司被誤判為舞弊公司，正確率為82%；同時，233家公司中有51家舞弊公司被誤判為非舞弊公司，正確率為78.1%。模型總的正確判斷率為80.1%，高于以往財務舞弊研究，具有很好的識別效力。因此本文得到財務報告舞弊風險識別模型：

表3 Logistic回歸結果

表4 舞弊分類檢驗a

四、結論及不足

與以往財務報告舞弊識別方法不同，本文通過尋找舞弊公司的異常會計信息進行分析并構建財務報告舞弊風險識別模型。本文選取2008年至2013年因財務報告舞弊被監管部門處罰的非金融保險行業A 股上市公司財務數據為樣本進行檢驗發現，與非舞弊公司相比，舞弊公司存在顯著異常會計信息。同時，利用Logistic回歸模型和因子分析構建了擬合優度及總正確率較高的財務報告舞弊識別模型，并證實替代異常會計信息的變量與公司進行財務報告舞弊的可能性顯著相關。本研究具有以下局限性：（1）樣本有限性：受制于因虛構利潤和虛列資產而被處罰的上市公司個數有限，導致樣本數不夠大，在一定程度上影響了實證結果的可靠性；（2）變量選取有限性：由于缺乏財務舞弊相關的理論基礎，因此選取的變量在現階段具有主觀性；（3）數據的時滯性：由于證監會和其他監管部門對于上市公司違規處罰具有時間上的滯后性，因此本文選取的樣本公司雖然是在2008～2013年間被處罰，但所需的部分財務數據則要追溯到2007年以前，可能會受到會計準則變革等因素對財報披露數據的影響。本文為財務報告舞弊識別研究提出了不同的研究視角，未來的研究應更趨向于從財務數據內在的邏輯關系來識別異常會計信息，從而有效識別財務報告舞弊風險。

注釋：

①相關性分析、主成分回歸結果及變量旋轉后載荷矩陣表由于篇幅限制而省略。

[1]鄧慶山，梅國平.基于支持向量機的虛假財務報告識別研究[J].當代財經，2009，（7）：75—82.

[2]Romney M B，Albrecht W S，Cherrington D J.Red-flagging the white collar criminal[J].Management accounting，1980，（9）：117—198.

[3]Loebbecke J K，Eining M M，Willingham J J.Auditors Experience With Material Irregularities-Frequency，Nature，And Detectability[J].Auditing:A Journal of Practice &Theory，1989，（1）：206—237.

[4]Spathis C T.Detecting False Financial Statements Using Published Data:Some Evidence from Greece[J].Managerial Auditing Journal，2002，（4）：144—179.

[5]Moyes，G.D.&Hasan，I.An Empirical Analysis of Fraud Detection Likelihood[J].Managerial Auditing Journal，1996，（3）：38—54.

[6]Cressey，D.R.Other People’s Money[M].Montclair，NJ:Patterson Smith，1953.

[7]Guan L，Kaminski K A，Wetzel T S.，Can Investors Detect Fraud Using Financial Statements:An Exploratory Study[J].Advances in Public Interest Accounting，2007，（13）：202—232.

[8]Brazel，J F.and Jones，K L.and Thayer，J M.and Warne，R C.Understanding Investor Perceptions of Financial Statement Fraud and Their Use of Red Flags:Evidence from the Field[R].2014，Available at SSRN:1460820

[9]王澤霞，梅偉林.中國上市公司管理舞弊重要紅旗標志之實證研究[J].杭州電子科技大學學報（社會科學版），2006，（3）：79—81.

[10]Brazel，J.F.，K.L.Jones，M.F.Zimbelman.Using nonfinancial measures to assess fraud risk[J].Journal of Accounting Research，2009，（12）：166—189.

[11]Dechow P M，Ge W，Larson C R，et al.Predicting Material Accounting Misstatements[J].Contemporary Accounting Research，2011，（1）:88—104.

[12]Simon C A.Individual auditors’identification of relevant fraud schemes[J].Auditing:A Journal of Practice &Theory，2012，（1）:32—101.

[13]Skousen，C.J.，Smith，K.R.，and Wright.，C.J. Detecting and Predicting Financial Statement Fraud:The Effectiveness of The Fraud Triangle and SAS [R].Available at SSRN:1295494，2008.

[14]韋琳，徐立文，劉佳.上市公司財務報告舞弊的識別——基于三角形理論的實證研究[J].審計研究，2011，（2）：55—59.

[15]劉姝威.上市公司虛假會計報表識別技術[M].北京：經濟科學出版社，2002.

[16]Beneish M D.The detection of earnings manipulation[J].Financial Analysts Journal，1999，（8）：79—105.

[17]Beasley，M.An empirical analysis of the relation between the board of director composition and financial statement fraud[J].The Accounting Review，1996，（4）：55—70.