2023年我国上市公司财务欺诈鉴别的实证研究.doc

我国上市公司财务欺诈鉴别的实证研究 　　随着监管力度的加强，上市公司财务欺诈事件不断相继曝光，不仅直接损害了投资者的经济利益，而且可能导致社会公众对上市公司、中介机构，甚至整个资本市场信心的削弱、丧失。如何透过纷繁复杂的会计信息，避开财务报告中的陷阱，成为实务界和理论界关注的课题。 　　2023年7月31日，中国注册会计师协会专门制定了审计技术提示第1号——财务欺诈风险详细列示了各种可能导致公司进行财务欺诈的因素，以及说明公司存在财务欺诈风险的“红旗〞，以提醒注册会计师在执行会计报表审计时对此予以充分关注，保持应有的职业谨慎。遗憾的是，应中选取哪些财务指标、该财务指标到达何种临界值时财务欺诈可能性最大，对于这些具体操作性问题，审计技术提示并没有提供直接的指导。因此，本文循着中注协的思路，以我国历年来被查处的财务欺诈公司作为样本，研究哪些财务指标能够有效显示财务欺诈的存在，并选取其中最为有效的财务指标建立财务欺诈鉴别模型。 　　文献回忆及标示财务欺诈的财务变量的选择 　　根据现有的文献〔Fridson，1995；Joseph T. Wells，2023；杜滨，2023；阎达五、王建英，2023〕，以及对历年来被证监会查处的财务欺诈公司的分析，上市公司财务欺诈的手段不外乎以下几种： 　　1、采用虚假销售、提前确认销售收入或者放松信用政策有意扩大赊销份额的手段调节主营业务利润。此种财务欺诈如果做得不是非常彻底，通常会引起相关指标出现异常，例如，相比同行销售收入的现金流量比率、应收帐款周转率过低，主营业务税金及附加的比重显得不成比例。 　　2、采用漏计费用，或者费用挂帐方法提高营业利润。此时，公司管理费用与销售费用占销售收入比重可能出现异常。如果公司采用费用资本化政策，非经营性资产〔待摊费用、递延资产、无形产、其他资产等〕的比重可能显得离奇的高。 　　3、采用“线下项目〞〔即诸如投资收益、营业外收支等营业利润以下的项目〕操纵利润。如果公司主要通过操纵线下项目来调节利润，反映在财务指标上就是这些公司的主营业务利润占利润总额的比重较同业公司会低。 　　对财务欺诈颇有经验的美国Coopers Lybrand会计师事务所，总结出29面红旗，当出现这些红旗时，就需要格外关注管理当局是否存在财务欺诈的可能，其中涉及财务指标的有： 　　1. 现金短缺、负的现金流量、营运资金及/或信用短缺，影响营运周转。 　　2.融资能力〔包括借款及增资〕减低，营业扩充的资金来源只能依赖盈余。 　　3.本钱增长超过收入或遭受低价进口品的竞争。 　　4.现有借款合约对流动比率、额外借款及归还时间的规定缺乏弹性。 　　5.存货大量增加超过销售所需，尤其是高科技产业的产品过时的严重风险。 　　6.盈余品质逐渐恶化，例如折旧由年数总和法改为直线法而缺乏正当理由。 　　为了帮助审计师更好地识别上市公司是否存在财务欺诈，Beneish教授〔1999〕对进行财务欺诈的上市公司和“清白〞公司进行比拟，发现两者财务指标存在显著差异，如果出现下面的任何一个或几个现象，财务欺诈的可能性上升：应收款项大幅增加；产品毛利率异常变动；资产质量下降〔固定资产净额之外的其他长期资产/资产总额〕；销售收入异常增加；应计利润率上升。 　　Wells〔2023〕提出注册会计师在分析企业财务报告时，应当关注以下趋势：存货上升幅度超过销售收入；存货周转率下降；运输费用〔销售费用〕/存货比率下降；主营业务毛利率上升，这些都可能预示企业管理当局虚增利润。SAS第82号——“Consideration of fraud in a financial statement audit〞也列举了检查企业利用存货操纵利润的分析性方法：存货占资产总额比例上升、主营业务本钱占主营业务收入比率下降、存货周转率下降等。 　　Lee，Ingram和Howard对盈余与经营活动产生的现金流量之间的关系进行研究，结果发现，在公司财务欺诈戳穿以前公司盈余要比戳穿之后的盈余高得多，但是经营活动产生的现金流量那么相反，也就是说，在财务欺诈发现前盈余减去经营活动现金流量的值为正。因此，他们认为，盈余—现金流量关系的审核是诊断是否存在财务欺诈的优良工具。 　　同属一个相同的行业，各个公司的财务指标之间一般不会出现非常大的差异，如果异常差异存在，那么预示着公司存在财务欺诈的可能。Persons研究发现，财务欺诈公司比非财务欺诈公司具有更高的财务杠杆、更低的资产周转率、其流动资产的比例更高，其中绝大局部是存货和应收账款，公司规模通常较小。Haw et al〔1998〕对我国上市公司盈余管理行为的研究发现，中国上市公司对帐面利润的操纵，很大局部集中于“线下局部〞，即诸如投资收益、营业外收支等“非经常性盈余〞局部，如果上市公司的主营业务利润率持续降低，或者远远低于同行业水平，说明该公司存在财务欺诈的可能。 　　以上文献中发现的表征公司财务欺诈征兆的财务指标构成了我们研究的变量，同时针对我国上市公司财务欺诈的深入分析，我们增加了以下指标： 　　产品销售税金及附加占销售收入的比重。企业产品销售税金及附加占销售收入的比重通常是比拟稳定的，而且同行业之间不会存在太大的差异。如果企业销售税金及附加占销售收入的比重突然下降，或者显著低于同行业水平，就可能意味着财务欺诈的存在。例如，黎明股份1999年实现主营业务收入40942.56万元，而主营业务税金及附加仅为82.43万元，比例只有千分之二，同期，同行业凯诺科技为0.728%，华茂股份为0.745%. 　　所得税占利润总额的比例。在应付税款法下，企业所得税费用是根据税法计算而得，由于税法与企业会计制度在收入与本钱的计算口径和确认时间上存在差异，根据利润表中的“利润总额〞与“所得税〞计算的帐面税率通常不等于法定税率，如果帐面税率显著小于法定税率，那么说明企业的会计利润质量可能存在问题。例如，银广夏1999年利润总额1.76亿元，所得税仅508万元，帐面税率为4%；2023年实现利润4.23亿元，所得税719万元，帐面税率不到1.7%；以公司交纳的所得税为基数，即使按照15%优惠税率，推算出银广夏1999年应税利润3387万元、2023年应税利润4793万元，应税利润与帐面利润两年累计相差51720万元。 　　样本选择和研究方法 　　〔一〕样本选择财务欺诈公司主要来源于证监会网站和三大证券报纸的报道，截至2023年3月1日共有36家上市公司因为“虚假财务报告〞被证监会公开查处〔见附录〕。财务欺诈涉及的年份包括1989-2023年，按照财务欺诈性质，这些公司所有年度的财务欺诈可以分为三类：影响利润、仅影响资产、不影响利润和资产。由于“不影响利润和资产〞类型主要指“虚假披露募集资金用途、隐瞒重大事项〞等事项，通常不会在财务上显露出财务欺诈征兆，故予以剔除。中期报告中披露的财务数据有限，所以中报财务欺诈的样本也予以剔除。除此之外，有些财务欺诈公司的年报数据无法获得，最后我们取得了48个财务欺诈的数据，这构成了我们的研究样本。有关统计数据详见表2.同时，我们根据被查处的上市公司发生财务欺诈的年份，选取正常的上市公司作为控制样本〔每个测试样本选取两个控制样本，由于数据限制，其中几个财务欺诈公司只能取到一个配对样本〕，控制样本选择标准：所属行业、资产规模、上市地点、上市时间。据此，我们取得92个控制样本。 　　〔二〕研究设计〔1〕 对测试组和控制组的财务指标进行配对检验，首先采用t检验和非参数方法进行分组配对统计检验，检测对照样本之间是否存在显著差异。第一层次是混合样本，即包括所有年度和所有财务欺诈类型的样本；第二层次为分年度检验，考虑到1993-1995年和2023年样本较少，以及1998年开始上市公司必须编报现金流量表，分年度检验只针对1996-1999年影响利润类型，并且将1996-1997、1998-1999年合并。 　　〔2〕 以影响利润的财务欺诈类型为研究样本，筛选出与财务欺诈相关性最为显著的6个财务指标为鉴别模型的判定指标，分别采用线性概率模型〔LPM〕和Logistic模型，建立和估计财务欺诈鉴别模型，并比拟这两种模型的鉴别效果。 　　〔三〕资料来源与统计工具本研究样本数据来源于证监会网站和三大证券报，各个上市公司的年报资料来自香港理工大学中国会计与金融研究中心和深圳市国泰安信息技术联合开发的中国股票市场研究〔CSMAR〕数据库，该数据库具有数据准确、可靠、标准和原始的优点。使用的统计软件为SPSS统计软件包。 　　实证结果与分析 　　〔一〕财务欺诈公司与非财务欺诈公司的描述性统计和配对检验综合分析表3和表4，除AQUALITY 、MARGIN与EXPENSE预期符号不符以外，其它变量根本上与预期相符。非财务欺诈公司的毛利率〔MARGIN〕高于财务欺诈公司，而两项费用率〔EXPENSE〕却显著低于财务欺诈公司〔0.10水平〕，可能的原因是选取的配对公司的盈利能力高于财务欺诈公司。同时，我们发现财务欺诈公司具有高资产负债率、低速动比率，以及高应收款项比率和低应收款项周转率的特点〔分别在0.10、0.05水平上显著〕。也就是说，高资产负债率、低速动比率，以及高应收款项比率和低应收款项周转率的公司属于财务欺诈的高危群体。 　　〔二〕多元线性鉴别模型的建立和评价评价模型优劣的标准大体有三：简易性〔simplicity〕、准确性〔accuracy〕和通用性〔generality〕，变量过多、过于复杂的模型，不仅违背本钱效益原那么，而且过多的变量可能损害模型的预测价值。我们首先运用线性概率模型，以各年影响利润的样本数据按照stepwise方式进行逐步回归，从13个财务指标当中选取假设干变量。选择标准为：F值概率值小于0.35时进入，大于0.40时剔除。跑完逐步回归以后，依次得到RRATE、EXPENSE 、AQUALITY、OTAX、 QUICK等5个变量。另外，从表4看，财务欺诈公司与非财务欺诈公司的RECTURN、LEV存在显著差异，但是，RECTURN与RRATE显著负相关〔0.0001水平〕；虽然EQUALITY通常较能反映公司的盈利质量，但是由于该指标1998年以后才开始提供，数据过少，所以我们予以舍弃。最后，我们选取了RRATE、EXPENSE 、AQUALITY、OTAX、 QUICK、LEV等6个指标作为建立多元鉴别模型的变量。由表5看，方差膨胀因子VIF都小于10，可以认为6个变量之间不存在显著的多重共线性。 　　建立和估计财务欺诈模型时，我们以1996-1998年的数据作为样本，1999年的公司作为评价模型准确性的数据。 　　1、线性概率模型〔LMP〕 　　根据上述6个财务指标以及1996-1998年财务欺诈公司和配对公司的数据，我们进行线性概率模型回归，回归结果列于表6.从中我们得到财务欺诈公司鉴别模型： 　　上述模型是以31家财务欺诈公司和60家非财务欺诈公司的数据作为因变量，其中财务欺诈公司取值为1，非财务欺诈公司取值为0.因此，从模型构建看，0.34是最正确的财务欺诈判定点，即某公司的数据代入模型得到的数值大于0.34时，判定为财务欺诈；否那么，为非财务欺诈。模型判定结果见表7： 　　2、Logistic模型我们仍旧以上述7个财务指标以及1996-1998年财务欺诈公司和配对公司的数据为研究样本，进行二元〔binary〕Logistic模型回归，得到的回归结果见表8.财务欺诈公司鉴别模型表示如下： 　　即根据回归得到的财务欺诈鉴别方程，以0.34为最正确判定点，模型判定结果见表9. 　　从表10可知，两种鉴别模型各有优劣势。从回判效果看，LMP模型略优于Logistic模型；但是，从预测结果看，无论是二类错误率和整体误判率〔一类错误率相同〕，Log