采用机器学习的财务粉饰识别模型

赵雅婕 罗刚

摘要：财务粉饰一直是政府监管机构和投资者关注的问题，上市公司中的财务粉饰很少发生，一旦发生不仅对企业自身带来极大损失，也对资本市场和监管机构带了许多负面影响和动荡。然而财务粉饰并未一年完成，因此，如何根据已有的财务数据尽早识别出财务粉饰的企业，进行有针对性的审计和排查，是对现代商业银行的政府监管机构的新挑战。本文采用机器学习模型学习大量财务数据以构建能够识别财务粉饰的模型。

关键词：财务粉饰;上市公司;财务指标;机器学习模型

财务粉饰是随着公司这一组织结构的诞生就随之而来的难以避免的道德危机，随之而建立的法律法规和政府机构是一致延续至今的对策[1]。然而，随着全球化经济一体化和互联网的快速发展，企业有更多非传统的盈利方式，投资者也不在受地理位置的局限，为如今的政府监管和审计带来更多新的需求和挑战。而大数据时代的到来为这种难题提出了新角度的方案，由于机器学习模型在进行预测任务上出色的表现，为在大数据时代财务管理方面识别风险提供了可能性。将机器学习中已经发展成熟的多种模型应用与对大量的财务数据进行分析后，对样本所属类别进行预测，凭借机器学习模型在对大量数据出色的分析能力和准确率高的预测效果，实现基于财务数据识别财务粉饰的目的。实现采用机器学习模型从财务数据角度对财务粉饰的风险进行预测，提高银行业的风险管控效率，为政府监管和审计环节明确重点审计的目标，有效的保护公众利益[2]。

搜集财务数据，构建财务指标

随着国内金融市场机制的逐步完善，上市公司所披露的信息也愈发全面，可以通过上海证券交易所，深圳证券交易所和香港证券交易所定期公布的上市公司年报数据，将一定时间内不同上市公司披露的年报中相关数据构成全面面板数据，形成完备的的基础财务数据，为后续构建财务指标做准备[3]。

基于多种对财务粉饰的动机分析理论，如冰山理论，公司的财务表现和前景预期对公司的管理层是否进行和进行何种程度的财务粉饰具有复杂的影响。而上市公司相比未上市公司而言具有更大的财务粉饰动机，其市值是对未来现金流的折现价值，为了降低代理人冲突成本，采用将公司市值和管理层年终回报水平挂钩的措施，因此保证公司市值的稳中有增是当代上市公司的管理层的职责之一。结合前人研究成果，从以下方面构建经典的财务指标：

偿债能力：衡量公司对于到期账款的还款能力，负债水平较高和持有不足账面流动资产的公司会短期内面临较大还债压力，相对而言具有略高的违约风险。公司的资本结构是公司债务水平的直观表现，然而公司的资本结构同时决定了公司实际管理者对风险的偏好，当公司运营前景不乐观时，公司管理层会为保护股东利益而对公司债权人带来不确定的风险，因此通过考量对比公司的资本结构来衡量公司的偿债意愿，进而对公司的偿债能力具有更全面的评估。观测的指标有：流动比率、速动比率、资产负债率、有形资产负债率，权益对负债比率和权益市值与负债比率。

盈利能力：衡量公司获取利润的能力，一定程度上是公司在竞争者间存在的竞争优势变现能力，迫于外界投资者和内部管理者自身表现的压力，公司的盈利能力降低会增加公司财务粉饰的动机，因此对于相关盈利指标的持续性观测具有一定的指导意义。观测指标有：营业利润占比、资产报酬率、固定资产报酬率，管理费用率和息税前营业利润率。

经营能力：衡量公司实际经营的情况，即对各项资产的合理有效使用水平，公司日常经营运转如果出现阻碍或者运营效率低下，会对公司的营运能力和抗风险能力带来负面影响。观测指标有：存货周转率、流动资产周转率、营业收入与固定资产比率，资本密集度和总营业成本率。

发展能力：衡量公司长期发展继续经营的能力，发展能力好的公司有这较高的预期盈利能力，即此时具有扩大持有资产的能力，巩固和扩大其未来的发展能力，保证长期水平上资产的回报能力。观测的指标有：固定资产增长率，总资产增长率和净利润增长率。

现金流动性：现金流动性对于企业的财务健康水平至关重要，同时，财务粉饰中对于现金的可操控性较低，因此，识别财务粉饰时，现金流动性不会因财务粉饰的虚增利润而上涨，对于识别财务粉饰具有一定作用。

观测指标有：现金比率、营运资金、资金再投比率、应付账款周转率、留存收益与资产比率、营运资金与流动资产比率。

确定财务粉饰事件发生界限

财务粉饰，又名财务欺诈，在我国财政部制定的《会计企业准则》中对会计信息质量提出了明确的规则，八项重要原则性要求：客观性、实质重于形式性、相关性、可比性、明晰性、重要性，及时性和谨慎性。从广义上来看，上市公司如果违背以上八条原则性要求，即发生财务粉饰[2]。然而，境外对财务粉饰（财务欺诈）定义，据美国注册会计师协会建议，财务欺诈包括：1）对财务报表据以编制的会计分录或凭证文件进行操作、伪造或更改;2）对财务报表的交易、事项或其余重要信息的错误提供或有意忽略;3）与数量、分类，提供方式或披露方式有关的会计原则的有意误用[4]。财务粉饰的区分重点在于财务报表中的错误是故意为之，本文中，违背会计准则和会计制度以及对信息质量相关的要求，对财务报告进行操纵的行为[5]。

具体划分财务粉饰的实施遵循如下标准：1）公司发生虚构利润、虚假陈述、虚列资产、重大遗漏或会计处理不当的情况;2）相关会计科目变动小于600万或小于10%比率的粉饰样本;3）不计入因并未合并报表、变动为账期调整或估计方法调整所致的情况和4）公司所属行业并非金融行业且未被交易所进行退市风险标记。

采用机器学习模型构建财务粉饰识别模型

通过公开渠道收集上市公司披露的财务数据，完成相关财务指标的构建后，结合所制定的财务粉饰指标，整理出历史财务粉饰实例，此时具备了采用机器学习模型建模的基础。在对模型训练和对效果进行评价时，通常而言可选指标有准确率、精确率，召回率和F1分值。然而财务粉饰如同信用卡欺诈一样是不常发生的事件，即数据集中正样本（发生财务粉饰的样本）和负样本（未发生财务粉饰的样本）数量差距很大，但是财务粉饰一旦发生，对资本市场都是巨大的打击，不仅伤害投资者的利益，还伤害公司與粉饰行为无关的员工的切身利益，因此准确是识别尽量多而不错过财务粉饰的实例，是对于模型的能力的重要要求。因此在这里我们更关注召回率，即减少对本应是财务粉饰公司却没有成功识别出的情况。基于可以有效处理高维数据的机器学习模型，对一定时间内的上市公司进行的观测，结合众多经典财务指标，注重召回率，知因智慧构建有效的财务粉饰模型。结合商业银行自身拥有的海量数据，将识别财务粉饰模型应用于更广泛的场景，提升银行的风险管理效率和准确性，节省人工成本，实现银行业的科技化。

参考文献：

[1]   徐倩.中美财务舞弊比较研究[D].天津：天津大学，2013.

[2]   杨超.上市公司财务舞弊问题统计研究——基于证监会2003-2012年行政处罚公告[D].上海：上海交通大学，2014.

[3]   曹德芳，刘柏池.SVM财务欺诈识别模型[J].东北大学学报（自然科学版），2019，40（02）：146-150+155.

[4]   范晓英.上市公司财务报表舞弊行为研究[J].财会研究，2009（16）：53-54.

[5]   侯韦华.利用非财务信息识别财务报告舞弊的实证研究[D].山东：山东财经大学，2016.

作者简介：

赵雅婕（1994-）女，民族：汉族，籍贯：山西五台县，学历：研究生，职称：无，研究方向：金融。