非调节利润财务报告舞弊识别研究

【摘要】 文章以2004~2009年间因非调节利润财务报告舞弊而受到证监会处罚的上市公司为研究对象,在分析舞弊公司财务特征和公司治理机制特征的基础上,采用2001年~2004年的公司数据作为训练样本集构建了财务报告舞弊识别的Logistic回归模型,并结合2005年~2006年的公司数据,对识别模型的预测精度进行了检验。结果表明,模型的预测精度达到83.33%,说明模型对识别后续年度的财务报告舞弊有一定的参考价值。

【关键词】 非调节利润; 财务报告舞弊; 识别模型

一、问题的提出

有效的资本市场可以为企业提供直接融资渠道,促进资源优化配置,提高资源配置效率。然而,由于成本的普遍存在,上市公司财务报告舞弊行为频发,舞弊性财务报告提供的重大误导信息严重扰乱了资本市场的正常秩序,影响了资本市场的效率和公平。

目前我国上市公司财务报告舞弊的最终目的主要体现在两个方面:一是为了隐瞒亏损、获取配股增发资格而虚增利润,主要手段包括虚构销售交易、少转成本、少计费用等;二是为了隐瞒负债或隐瞒关联方对上市公司的利益侵占行为。其中,隐瞒的关联方利益侵占手段主要包括关联方资金占用、为关联方提供借款担保、关联方资金往来、为关联方承担借款和借款费用等关联方交易行为,此时的关联方交易通常不会带来或很少带来上市公司利润的虚增。以此为基础,本文将我国上市公司的财务报告舞弊分为两类:一类是以虚增利润为目的,称为调节利润类财务报告舞弊;另一类是以隐瞒负债或隐瞒关联方利益侵占行为为目的(本文中不包括能够虚增上市公司利润的关联方交易),称为非调节利润类财务报告舞弊。

在我国上市公司财务报告舞弊的已有研究成果中,对调节利润类财务报告舞弊的识别研究已较为深入,而对非调节利润类财务报告舞弊识别针对性研究相对缺乏。因此,本文拟构建非调节利润舞弊识别模型,以便为监管部门和投资者等利益相关者作出的决策提供参考。

二、非调节利润类舞弊特征指标的选取

非调节利润类财务报告舞弊的主要目的是隐瞒负债或隐瞒关联方对上市公司的利益侵占行为。其所隐瞒的负债或关联方利益侵占行为将影响到上市公司的资产结构、资产运作效率、费用率和偿债能力,使得舞弊报表体现出与正常公司不同的特征。

另外,在舞弊动机的情况下,舞弊行为是否发生,将受到公司内部治理结构的影响。研究表明,公司内部治理结构中,董事会、监事会、高层管理团队的不同特征将对财务报告舞弊起到不同程度的抑制作用。

最后,注册会计师的审计被称为上市公司监管的第一道防线。在实施了充分必要的审计程序后,注册会计师应识别报表中的重大错报,舞弊公司审计意见与非舞弊公司应存在显著不同。同时,国外已有研究证明,大规模的事务所在一些特殊事项的审计方面更有经验,因而能够提供更好的审计服务。

综合以上分析,并借鉴财务报告舞弊的已有研究成果,本文初步选取以下19个指标,作为非调节利润类舞弊的“红旗标志”。各指标的具体含义及计算方式见表1所示。

三、研究设计

(一)样本的选取标准及数据来源

1.舞弊公司的选取标准

本文选取的非调节利润类舞弊公司为2004年起至2009年12月份为止,由证监会正式处罚公告予以处罚的上市公司,并且仅包括因2001年以来的年报舞弊而被处罚的公司,舞弊行为包括隐瞒为关联方提供重大担保、隐瞒重大关联交易、隐瞒关联方资金占用等非调节利润行为。不包括2001年之前年报中舞弊的公司,也不包括半年报中舞弊的公司及调节利润类舞弊公司。

整理后得到41家财务报告舞弊公司的79个观测值。

2.控制样本的选取标准

非调节利润类舞弊公司的控制样本必须同时满足以下条件:与舞弊公司同行业、同一上市地点;与舞弊公司资产规模相当(选取规模最接近的公司);选取与舞弊公司舞弊报表处在同一年的年度报告。

整理后同样得到41家非舞弊公司的79个观测值。

3.数据来源

舞弊公司的确定来源于证监会网站公布的处罚公告,经逐个整理得到。舞弊公司及控制样本财务数据和治理机制数据来源于国泰安经济金融系列研究数据库(CSMAR)。

(二)变量的选取

1.被解释变量

被解释变量为财务报告舞弊(FFS,Fraudulent Financial Statement),该变量为二元变量,某公司在某年度实施了非调节利润类财务报告舞弊,该变量取值为1;否则取0。

2.解释变量

本文的解释变量包括19个指标,具体内容如表1所示。

(三)模型的选取

由于因变量Fraud属于二元变量,样本的选择采用配对的方式,可以采用Logistic回归方法构建舞弊识别模型。Logistic回归模型的理论前提比较宽松,没有关于分布类型、协方差阵的严格假定,避开了线性回归所面临的各种难以满足的前提假设,方程的回归系数可以解释为一个单位的自变量的变化所引起的机率对数的改变值,可以有效解决分类问题。Logistic回归方程为:

四、实证检验及结果分析

通过前述理论分析,本文选取了非调节利润类舞弊公司可能显著不同于非舞弊公司的17个指标,但各指标的显著性尚未检验,为保证识别模型的效率,本文先通过两独立样本T检验,验证各指标的显著性水平,以采用显著的指标构建模型。具体检验结果见表2所示。

(一)非调节利润类舞弊公司特征的两独立样本T检验

由表2可以看出,非调节利润类财务报告舞弊公司的9个财务特征指标全部显著不同于非舞弊公司,其中非常显著的指标有:存货占流动资产的比例、其他应收款占总资产的比例、总资产周转率和资产负债率。四个指标的显著性水平Sig.(双侧)均低于0.01;在5%的水平上通过显著性检验的指标有应收账款占流动资产的比例和应收账款周转率;在10%的水平上通过显著性检验的指标有固定资产占总资产的比例、管理费用率和财务费用率。

在舞弊公司的内部治理结构中,只有监事会会议次数和高管持股比例2个指标与非舞弊公司在10%的水平上存在显著不同。审计师特征的2个指标全部通过显著性检验。

结合13个显著指标的均值分析,可以看出,非调节利润类舞弊上市公司应收账款占流动资产的比重较高;其他应收款占总资产的比例显著高于非舞弊公司;管理费用率和财务费用率显著高于非舞弊公司;资产负债率显著高于非舞弊公司。同时,舞弊公司存货占流动资产的比重较低;在总资产规模相同的情况下,固定资产原始规模较小的公司更容易发生财务报告舞弊;舞弊公司总资产运作效率显著低于非舞弊公司;应收账款周转率显著低于非舞弊公司。舞弊公司的监事会会议次数均值为3.81次,显著高于非舞弊公司的3.37次。这一结论与假设相反,原因可能是当上市公司发生违规关联交易等事项时,监事会作为公司职工发挥监督作用的机构,为制止相关舞弊行为采取了措施,但其权利有限,并不能阻止舞弊行为的最终发生。另外,舞弊公司的高管持股比例均值为0.368%,显著低于非舞弊公司0.916%的均值。这一结论说明适当提高高管人员的持股比例,有助于形成利益协同效应,抑制非调节利润类舞弊行为的发生。舞弊公司的审计意见显著差于非舞弊公司,说明注册会计师对非调节利润类舞弊行为保持了较高的职业谨慎态度;舞弊公司聘请的会计师事务所规模显著小于非舞弊公司。

根据显著性检验的结果,可以运用选出的13个显著性指标构建Logolistic回归模型,以识别调节利润类财务报告舞弊行为。

(二)非调节利润类舞弊公司特征的独立样本Logolistic回归结果及分析

为考察识别模型的预测效果和泛化能力,本文将2001年~2006年的所有舞弊公司和配对公司分为两组,其中,2001年~2004年的公司数据作为训练样本集,2005年~2006年的公司数据作为检验样本集,运用前4年的数据构建模型和2005年~2006年的数据检验模型的预测精度,预测精度越高,表明模型的泛化能力越强,在后续年度运用的效果越好。

在Logistic回归方式构建模型时,各指标之间存在的多重共线性将影响到识别模型的效果。为此,应先考察选取的9个财务特征指标间的相关关系,其相关系数如表3所示。

从表3可以看出,9个财务指标均存在一定的相关关系,其中,应收账款/流动资产和存货/流动资产、资产负债率和其他应收款/总资产、存货/流动资产及管理费用率、其他应收款/总资产和管理费用率、资产负债率和管理费用率、财务费用率和资产负债率、总资产周转率和应收账款周转率之间均存在显著的相关关系。为解决这一问题,考虑采用因子分析的方法,通过将具有线性关系的变量转换为少数几个不相关的主因子,来克服多重共线性问题。

表4列示了非调节利润舞弊公司和配对公司9个财务特征指标的KMO与Bartlett's球形检验(KMO and Bartlett's Test)的结果。由表中数据可以看出,KMO统计量为0.513,高于0.5,适合作因子分析。Bartlett's球形检验的统计量为71.490,其对应的相伴概率值为0.000,也适合作因子分析。

经过最大方差法旋转后,提取的公因子及其累积贡献率如表5所示。由表中数据可以看出,提取了特征值大于1的3个主因子之后,4个主因子的累积贡献率仅为69.831%,提取5个主因子后的累积贡献率也仅为80.691%。此时如果继续采用因子分析法降维,信息损失量较大,也会影响到回归模型的准确性。此时,可以采用Logistic回归分析中的Forward-Wald(向前步进)进入方式进行回归分析,以在一定程度上减少指标间多重共线性的影响。

将前述选取的158份年报分为训练样本集和测试样本集,分别用来构建模型和检验模型的预测能力。其中,2001年~2004年的公司数据作为训练样本构建识别模型,2005年~2006年的公司数据作为测试样本检验模型的预测精度。

首先,利用2001年~2004年舞弊公司和配对公司的12个显著指标的数据代入SPSS13.0的Logistic Regression模型,构建二元Logistic回归模型。结果见表6所示。

将表6中各指标的系数代入Logistic回归方程,可得:

Fraud=-1.768-4.524×F1-2.777×F2+8.825×F3+5.153

×F4-1.421×F5+0.329×F6 (3)

将2005年~2006年的非调节利润类舞弊公司和配对样本的数据代入公式3,再运用公式2计算出各公司的舞弊概率,概率大于0.5的公司,判断为舞弊公司;概率小于0.5的公司,判断为非舞弊公司。预测结果如表7所示。

由表7中的数据可以看出,Logistic回归模型对2005年~2006年测试样本的平均预测准确率为83.33%,说明模型具有较高的泛化能力。

五、研究结论与不足

本文以2004年~2009年间受到证监会处罚的上市公司为样本,在对非调节利润类舞弊公司的财务特征和治理机制特征进行检验的基础上,运用非调节利润类舞弊公司显著不同于非舞弊公司的11个指标,构建了非调节利润类财务报告舞弊的Logistic回归识别模型。结果表明,采用2001年~2004年的数据构建模型的识别模型,对2005年~2006年的数据具备较强的预测能力,预测精度达到了83.33%,说明该识别模型可以为有关各方识别后续年度的财务报告舞弊行为提供参考。

本文在构建非调节利润财务报告舞弊识别模型时,尚未考虑股权结构的影响,且未考虑财务特征中的动态指标,可能会影响到模型的预测效果,有待于后续研究中继续完善。

【参考文献】

[1] Uzun H,Samuel H Szewczyk,Raj Varma.Board Composition and Corporate Fraud[J].Financial Analysts Journal,2004,(5/6):33―43.

[2] Jensen. M.C,“The Modern Industrial Revolution,Exit and the Failure of internal Control Systems”,Journal of Finance,1993,48(3):831-880.

[3] 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.

[4] 朱学义,孙自愿,等.企业经营者年薪制、期权股权激励及管理层收购方案设计总结报告[R]. 江苏省财政厅科研项目,2003.

[5] 王泽霞.识别上市公司管理舞弊之预警信号[M].上海三联书店,上海:2007:72-88.

[6] 袁树民,杨召华.上市公司财务舞弊与关联方交易[J].财会通讯(学术版),2007(1):37-40.

[7] 薛祖云,黄彤.董事会、监事会制度特征与会计信息质量――来自中国资本市场的经验分析[J]. 财经理论与实践,2004(7):85-89.

[8] 侯晓红,李琦,罗炜.大股东占款与上市公司盈利能力关系研究[J].会计研究,2008(6):77-84.

[9] 程新生.公司治理、内部控制、组织结构互动关系研究[J].会计研究,2004(4):14-18.