数据安全性：中国A股上市公司异常会计信息与财务报告舞弊风险的识别

韩丽荣，胡玮佳，高瑜彬

（吉林大学 商学院，吉林 长春 130012）

财务报告舞弊的危害具有广泛而深刻的影响，有效识别财务报告舞弊风险从而合理保证会计信息不存在重大错报是审计理论和实务的核心问题。过去的几十年里，学术界一直不乏有对财务报表舞弊识别的理论的探讨及实证分析。从早期的“舞弊三角形”理论、“红旗标志”，到后来的Beneish模型及各种数据挖掘技术都对财务报表舞弊识别给出了有效的结论，即使结果不尽相同。虽然企业会计人员有多种编造财务数据的方法，但其遵循的原则不外乎会计惯例和会计准则，因此与自然形成且符合逻辑的真实财务数据相比，舞弊的虚假数据很可能存在数据结构上的缺陷[1]。这种缺陷就构成了异常会计信息，从异常会计信息的角度识别财务报告舞弊行为将更为直接和有效。目前大多数的研究从分析被处罚的舞弊公司所具有的一些显著特征的路径展开，这些研究有着重要的价值，但是对财务报告舞弊风险的识别是间接的，效果也是有限的。如果能够沿着分析会计信息异常关系的路径利用统计方法对数据进行检测，一定能够从总体上直接而有效地识别财务报告舞弊风险。

本文认为以往的研究是遵循“由因推果”的舞弊识别路径，即通过归纳舞弊公司的特征信息识别财务报告舞弊。而本文从“由果导因”的逆向路径出发，通过分析舞弊公司财务报告中的异常会计信息对财务报告的舞弊风险进行识别。我们选取了2008年至2013年间因财务报告舞弊被处罚的上市公司为舞弊样本，根据行业、规模和上市交易所选取与其配对的非舞弊样本，通过对异常会计信息的分析设定相关变量，运用Logistic回归模型等方法进行了检验并证实了相关假设：与非舞弊公司相比，舞弊公司存在异常的会计信息；会计信息异常的程度越大，公司进行财务报告舞弊的可能性越大。

一、文献回顾及理论分析

（一）红旗标志、舞弊三角形理论

早期大多数对财务报表舞弊的研究，都是使用“红旗标志”来作为舞弊风险因子的[2][3]。“红旗标志”是指可能导致管理层以公司名义或为了个人利益而舞弊的各种事件、条件、环境压力、机会或个人特征，其中包含了较多的非财务指标，如董事会制度、审计委员会制度、股权结构、独立审计制度治理特征、股权集中度、管理者风险偏好水平等公司治理指标。1988年，美国注册会计师协会（AICPA）发布的SAS（标准审计准则）第53号——“审计师对发现和报告错误和异常事项的责任”阐释了审计师在识别财务报表重大错报中的责任。自此“红旗标志”的研究得到了进一步的发展并被直接运用于财务报告舞弊的识别，学者们将研究的目标直接指向了财务报告舞弊，通过对美国第53 号审计准则内容的理解，概括出不同类别的舞弊风险因素[4]。然而，Moyes 和Hasan认为只关注审计师的舞弊识别能力显然是不充分的[5]。AICPA在1997年继而推出了SAS第82号——“财务报表审计中对欺诈的考虑”以帮助审计师在实务中识别财务舞弊。与SAS第53号相比，第82号关于识别被审计高风险区域给出了更全面的说明。由于审计失败案例的不断增加，基于监管人和审计师对财务舞弊防止和识别要求的SAS 第99号——“财务报表审计中对舞弊的考虑”在2002年应运而生。该准则被认为是在由美国社会学家、心理学家和犯罪学家Donald R.Cressey提出的舞弊三角形理论模型基础上建立的，通过将舞弊因子分为压力（Pressure）、动机（Opportunity）和合理化（Rationalization）三类，可以提高审计师在对被审计单位进行舞弊风险因素识别时的有效性[6]。

20世纪末到21世纪初期，安然事件及一系列上市公司财务舞弊案件发生之后，监管者开始逐步关注投资者是如何理解并运用“红旗标志”的，出现了一些从投资者的角度进行的研究[7][8]。王泽霞、梅伟林将SAS第82号中的“红旗标志”与我国《审计技术提示第1号——财务欺诈风险》中的九大类“红旗标志”结合，筛选出代表管理舞弊的“红旗标志”对会计师事务所通过问卷调查，结果发现大股东操纵董事会为我国上市公司管理层舞弊的一大特征，且证明审计师的执业经验程度是与舞弊识别密切相关的[9]。综上所述，使用“红旗标志”作为舞弊风险因子进行的研究对财务报告舞弊风险识别做出了重要的贡献，通过检验财务指标和非财务指标的一致性及差别能够更好地帮助审计师识别舞弊风险[10][11][12]。在此之后的文献中，“红旗标志”和舞弊三角形理论被大量应用于财务舞弊识别的研究[13][14]。但是，由于其中包含很多非财务指标，对于大多数投资者或其他利益相关者来说很难搜集。因此通过这些间接指标识别舞弊公司特征的方法具有很大的局限性。

（二）异常会计信息识别

会计信息的异常可以解释为企业会计信息之间出现了不能合理解释的关系或小概率的关系，例如如果一个制造业企业主营业务收入增长率很高而存货周转率却很低，在其他条件不变的情况下，这种关系就是一种不能合理解释的关系。有些异常关系比较明显，有些异常关系却十分隐蔽。刘姝威在发现蓝田股份公司财务报告舞弊案的基础上，对虚假会计报表的识别技术进行了总结，她采用了财务分析的方法，重点分析了蓝田股份、红光实业、银广夏等公司，通过分析这些公司的异常财务数据和财务指标，进而有效地揭示了财务报告舞弊的风险[15]。与其他财务舞弊研究不同的是，Beneish模型没有使用大量的财务指标对舞弊进行识别，其模型的建立更类似于从法务会计专家的角度分析财务信息[16]。例如，Beneish 认为，应收账款与销售额不成比例的异常增加可能预示了收入虚构的可能性。因此和大多数直接运用销售增长率作为舞弊检测指标的文献不同，他通过设计“基于应收账款的日销售指数”变量，找到舞弊年度与舞弊前一年相比销售额的异常增长关系。根据这样的识别路径，通过对财务数据内在逻辑和指标趋势的分析，借鉴Beneish的变量设计建立相关假设对财务报告舞弊风险进行识别。

二、实证研究设计

（一）样本选择和数据来源

以往研究发现我国上市公司倾向于通过操纵盈余和虚增资产的手段进行财务报表舞弊，因此本文选取因“虚构利润”及“虚列资产”而受监管部门处罚的上市公司为研究样本。本文选取的初始样本为2008～2013年受到财政部、证监会、上交所、深交所及其他监管单位违规处罚的非金融行业A股上市公司，并根据以下规则进行剔除：筛选出违规类型为“虚构利润”和“虚列资产”的上市公司；剔除中期报告违规而受到处罚的公司；剔除关键数据缺失的公司。最后得到239 家上市公司作为舞弊样本公司。对于因连续多年舞弊被处罚的公司，只选取其舞弊首年作为研究年度。以上违规信息及上市公司的财务数据均来自国泰安CSMAR 数据库和锐思数据库。同时，参考Beasley[17]和韦琳等[14]的配对原则为舞弊公司按照以下原则选取非舞弊配对样本：（1）与舞弊公司处于相同交易所；（2）与舞弊公司舞弊年度的前一年年末资产规模相近，上下差异最大不超过舞弊公司资产规模的45%；（3）以中国证监会行业分类为标准，选取与舞弊公司处于同一行业的上市公司，其中制造业配对标准精确到二级分类；（4）所选取的配对样本在2000～2013年间未因任何违规原因被监管部门处罚。经过以上处理后，得到配对样本239家，与舞弊研究样本合计478个上市公司。本文使用SPSS 18.0和STATA 11进行数据处理。

（二）变量选取

1.被解释变量

本文根据上市公司是否因财务舞弊而受到处罚作为被解释变量，设定为虚拟变量Fraud，当Fraud=1时，为舞弊公司；当Fraud=0时，为非舞弊公司。

2.解释变量

借鉴Beneish等人的变量设计，本文采用以下指标作为主要解释变量和控制变量对异常会计信息进行衡量，如下文表1和表2所示。

三、实证结果分析

（一）描述性统计分析

本文将2000～2013年间未受到任何违规惩罚的非金融保险行业的A股上市公司作为非舞弊总样本，并按照资产规模、行业、上市证券交易所三方面一致性的标准选取239家作为舞弊研究样本的配对样本。我们运用STATA 11 对所有变量进行5%的Winsorize处理，配对样本T检验和Wilcoxon符号秩检

验的结果省略。其中，DSRI、AQI、流动比率（X1）、营运资金比率（X3）、销售成本率（X5）、应收账款周转率（X8）、总资产周转率（X13）、存货占流动资产的比重（X19）和经营杠杆系数（X21）在1%、5%及10%的显著水平上通过了Wilcoxon 符号秩检验；SGI、营业利润现金保证率（X10）和应付账款周转率（X12）在10%显著水平上通过了配对T检验。以上结果说明与非舞弊公司相比，舞弊公司存在着异常会计信息。由此，本文选定以上12个变量作为显著识别舞弊的指标构建模型进行进一步分析。

表1 主要解释变量

表2 控制变量

（二）Logistic回归分析及结果

根据以上配对T 检验和非参数检验得到的结果，本文选取在舞弊样本和非舞弊配对样本之间存在显著差异的控制变量及主要解释变量构建Logistic回归模型如下，模型中i与t分别代表公司和年度：

由于现阶段很难找到能直接明确识别财务报告舞弊的模型，因此较为合理的办法是尝试多种指标组合来验证模型的有效性。因此表3 中我们以“是否舞弊”（Fraud）为因变量，前3 个模型针对不同指标进行检验，第4 个模型通过主成分分析进行进一步回归。

其中，模型1与模型2分别对主要解释变量和通过非参数检验的控制变量进行分别回归，得到总正确判断率为78.8%和80.1%的模型。具体来看，总资产周转率（X13）、DSRI 与AQI 等变量均在1%和5%的水平上显著，说明公司的非流动资产水平、资产利用效率及应收账款周转水平等，与公司发生舞弊的可能性显著相关。模型3 对模型2 回归结果中显著的变量再次进行回归分析发现，得到总正确判别率为74.2%的模型，均高于以往文献中的模型正确率。可以初步认为，通过分析财务会计信息之间的异常，可以找到财务报表舞弊公司对财务数据操纵的路径和迹象，从而对其舞弊风险进行识别。

（三）因子分析

因子分析法是一种从变量之间的依赖关系出发，将一些相互关联的变量归结为少数几个主要综合因子的多种变量分析方法。由于本文所使用的解释变量多为财务指标，变量之间的相关性不可避免，因此本文在对变量进行相关分析①之后，采用因子分析对自变量进行信息浓缩，得到6个特征根均大于1的主成分。将其进行因子载荷矩阵进行旋转后，得到F1 至F6 六个主成分分别反映了公司的营运能力、偿债能力、发展能力、资产质量水平、盈利质量和风险管控能力。我们将F1至F6作为自变量再次进行验证，得到正确率为77.27%的回归模型，同时将主成分所包含的主要自变量重新进行主模型Logistic回归，得到的最终结果在表3最后一栏列示，表4 为该模型的舞弊分类检验表。结果发现：利用该模型对财务报告舞弊进行识别时，233 家舞弊公司中有42家非舞弊公司被误判为舞弊公司，正确率为82%；同时，233家公司中有51家舞弊公司被误判为非舞弊公司，正确率为78.1%。模型总的正确判断率为80.1%，高于以往财务舞弊研究，具有很好的识别效力。因此本文得到财务报告舞弊风险识别模型：

表3 Logistic回归结果

表4 舞弊分类检验a

四、结论及不足

与以往财务报告舞弊识别方法不同，本文通过寻找舞弊公司的异常会计信息进行分析并构建财务报告舞弊风险识别模型。本文选取2008年至2013年因财务报告舞弊被监管部门处罚的非金融保险行业A 股上市公司财务数据为样本进行检验发现，与非舞弊公司相比，舞弊公司存在显著异常会计信息。同时，利用Logistic回归模型和因子分析构建了拟合优度及总正确率较高的财务报告舞弊识别模型，并证实替代异常会计信息的变量与公司进行财务报告舞弊的可能性显著相关。本研究具有以下局限性：（1）样本有限性：受制于因虚构利润和虚列资产而被处罚的上市公司个数有限，导致样本数不够大，在一定程度上影响了实证结果的可靠性；（2）变量选取有限性：由于缺乏财务舞弊相关的理论基础，因此选取的变量在现阶段具有主观性；（3）数据的时滞性：由于证监会和其他监管部门对于上市公司违规处罚具有时间上的滞后性，因此本文选取的样本公司虽然是在2008～2013年间被处罚，但所需的部分财务数据则要追溯到2007年以前，可能会受到会计准则变革等因素对财报披露数据的影响。本文为财务报告舞弊识别研究提出了不同的研究视角，未来的研究应更趋向于从财务数据内在的逻辑关系来识别异常会计信息，从而有效识别财务报告舞弊风险。

注释：

①相关性分析、主成分回归结果及变量旋转后载荷矩阵表由于篇幅限制而省略。

[1]邓庆山，梅国平.基于支持向量机的虚假财务报告识别研究[J].当代财经，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]王泽霞，梅伟林.中国上市公司管理舞弊重要红旗标志之实证研究[J].杭州电子科技大学学报（社会科学版），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]韦琳，徐立文，刘佳.上市公司财务报告舞弊的识别——基于三角形理论的实证研究[J].审计研究，2011，（2）：55—59.

[15]刘姝威.上市公司虚假会计报表识别技术[M].北京：经济科学出版社，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.