基于Lib-SVM损益调整类财务报告舞弊识别模型研究.docVIP

基于Lib-SVM的损益调整类财务报告舞弊识别模型研究 　　【摘要】 文章以2004―2009年间因调整损益而受到证监会处罚的56份年度财务报告为研究对象，采用Lib-SVM分类算法，将所有样本分为训练样本和测试样本，运用训练样本构建了我国上市公司损益调整类财务报告舞弊的识别模型，运用测试样本检验了模型的预测精度。结果表明，识别效率较高的RBF核函数模型的预测精度达到86.67%，模型的总体正确率为87.5%。 　　【关键词】 财务报告舞弊；识别模型；RBF核函数；线性核函数 　　 　　一、问题的提出 　　我国上市公司财务报告舞弊通常基于两类目的，一是为实现融资目的而调节利润，包括隐瞒亏损或者为取得配股增发资格；二是通过隐瞒关联方占款、关联方担保等行为，以实现大股东的特定利益，其结果将侵害中小股东的权益。据笔者对2004―2009年间受到证监会处罚的财务报告舞弊公司的统计来看，第一类以调节利润为目的的舞弊行为占所处罚公司的55.13%，是我国上市公司主要的舞弊行为。在本文中，以第一类舞弊公司（本文称其为损益调整类财务报告舞弊）为研究对象，基于支持向量机技术中的Lib-SVM算法，构建有效的损益调整类财务报告舞弊识别模型，为有关各方加强监管提供参考。 　　 　　二、研究设计 　　（一）样本的选取标准及数据来源 　　1.舞弊样本的选取标准 　　本文以2004―2009年间因年度财务报告舞弊而受到证监会查处的公司作为舞弊公司，并选取其中以损益调整方式实施舞弊的公司为研究对象，并且仅包括因2001年以来的年报舞弊而被处罚的公司，不包括2001年之前的年报中舞弊的公司，也不包括半年报中舞弊的公司及非损益调整类舞弊公司。整理后得到56家年度财务报告舞弊公司的56个观测值。 　　2.控制样本的选取标准 　　本文选取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）。整理后同样得到56家非舞弊公司的56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研??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损益调整类财务报告舞弊，该变量取值为1；否则取0。 　　2.解释变量 　　我国上市公司主要通过虚增主营业务收入、隐瞒主营业务成本、隐瞒期间费用、少提减值准备等方式虚增利润，而这些舞弊方式将直接影响到企业资产结构、利润结构和现金流量结构，进而影响企业的资产运作效率。以此为基础，结合国内外已有的研究成果，本文选取的第一类解释变量包括以下14个财务特征指标。具体内容如表1。 　　另外，财务报告舞弊的顺利实施通常与薄弱的公司治理机制有关。而公司治理机制分为内部治理结构和外部治理机制两方面。内部治理结构包括股权结构、董事会特征、审计委员会、高层管理团队和内部审计师；外部治理机制包括外部审计师和监管机构。当内部治理结构和外部监管机制失效时，财务报告舞弊的机会就会大大增加。由以上分析，结合国内外已有的研究成果，本文选取的第二类解释变量包括以下14个公司治理特征指标，具体内容如表2。 　　（三）模型的选取 　　财务报告舞弊的识别，即判断某一公司是否存在舞弊行为，其本质上是一个分类问题。根据分类模型研究领域的最新进展，支持向量机（SVM）算法以其较强的模型泛化能力和较高的识别效果，已经成为常用的分类模型之一。目前，支持向量机算法在财务危机预警研究领域已得到初步运用。结果表明，运用该算法构建的财务危机预警模型，效果优于Probit判别方法、Logistic回归模型和人工神经网络（ANN）技术。 　　因此，本文引入Lib-SVM支持向量机技术，将损益调整类舞弊公司按照舞弊年限分为两组，一组用来构建财务报告舞弊识别模型，另一组用来检验模型的预测精度，并以预测精度的高低作为检验模型预测效果的依据，判断模型在后续年限中的适用性和泛化能力。 　　同时，由于Lib-SVM算法的核函数形式包括RBF核函数、线性核函数、多项式核函数、指数基核函数等多种形式，其中，RBF核函数稳定性较强，而在某些情况下线性核函数的预测精度也会高于RBF核函数，因而，本文选择RBF核函数和线性核函数分别构建识别模型，并采用一种基于交叉验证的网格搜寻的方法来确定RBF核函数的两个关键参数C和γ的取值；采用逐步搜寻的方法确定线性核函数的关键参数C的取值。 　　三、解释变量的显著性检验、Lib-SVM识别模型的构建及结果分析 　　（一