蒋江文   广州大学

摘要：现如今，财务舞弊仍然是人们关注的热点话题，尽管各国都建立了相关的监管制度来规范其资本市场的发展，但上市公司财务舞弊的事件仍时有发生。这不仅严重损害了投资者的利益，而且也还严重破坏了资本市场的诚信基础。因此，对上市公司的财务舞弊行为进行研究仍然是非常有必要的。本文从财务舞弊的定义、特征和侦测模型这三个方面对国内外的文献进行了综述，并展望了未来的研究方向。

关键词：上市公司；财务舞弊特征；财务舞弊侦测；综述

一、引言

随着我国市场经济的快速发展，我国的市场经济活动也日趋多元化，在这样的大环境下，就更加需要强有力的法律机制来为其保驾护航。自新《证券法》实施以来，我国的资本市场机制体制日趋完善，监管部门对违法违规行为的查处力度也在不断加大，企业违法的成本也显著提高，这就为资本市场的发展创造了良好的条件。但即便是我国的监管部门始终坚持着“零容忍”的工作方针，仍有不少企业会为了自身的利益而进行财务舞弊。从2019年的康美事件、康得新事件和獐子岛事件，2020年的瑞幸事件、东方金钰事件，再到2021年的广州浪奇事件、亚太药业事件，上市公司财务舞弊的现象仍频频出现，屡禁不止。这些猖獗的财务舞弊案件对社会影响是多方面的，是资本市场发展的一大阻碍，不仅会影响企业间的良性竞争，还会使得投资者做出错误的投资决定，甚至会严重破坏资本市场的发展秩序。且在监管工作方面，由于上市公司舞弊的动机日趋复杂，舞弊的手法也日趋隐蔽，这无疑也给相关部门的监管工作带来了一定的挑战。因此，财务舞弊的问题仍需引起人们的重视，如何建立有效的模型来识别上市公司的舞弊行为仍是非常迫切的。鉴于此，本文对国内外财务舞弊研究领域的文献进行了回顾和梳理，以期未来进一步对财务舞弊这一领域的研究提供参考。

二、财务舞弊国内外研究综述

（一）财务舞弊的定义

国内外的专家学者对财务舞弊都有其自己的定义，虽然各方对于财务舞弊本质的理解基本上是一致的，但对舞弊定义的具体表述却还是有所差异，且至今还未形成一个统一的定义。

2002年，AICPA发布的第99号审计准则中将舞弊定义为：“就审计准则而言，舞弊是一种导致财务报表出现重大错报的一种故意行为”，该准则建议注册会计师将注意力重点放在舞弊产生的“舞弊三角”条件上，即压力、机会和借口。Zabihollah和Rezaee等（2005）认为财务报表舞弊是指公司为了故意欺骗或误导债权人、投资者等财务报表的使用者，而编制出具有重大错误陈述的财务报表。

中国财政部颁布的《中国注册会计师审计准则第1141号——财务报表审计中对舞弊的考虑》中明确指出舞弊是公司的管理层、治理层、员工或第三方故意使用欺骗的手段获取不当或非法利益的一种行为。丁静（2021）则从注册会计师的视角出发，对财务舞弊做出了明确的界定，认为财务舞弊是企业雇员或管理层为获取不正当的利益，使用隐蔽和欺骗的手段故意导致财务报表错报、违反既定公认的会计准则的行为。

（二）财务舞弊的特征

在对财务舞弊的特征研究中，国内外的学者初期都是集中在公司财务报表中的财务指标上。在财务指标方面，学者们都纷纷发现舞弊公司和非舞弊公司的财务报告在某些科目上存在着不同。

Persons等（1995）、Spathis（2002）、Dalnial等（2014）、Zainudin（2015）从财务杠杆、流动性、资产结构、资本周转率和盈利能力这五个方面构造了指标体系，通过研究发现，与非舞弊公司相比，舞弊公司通常具有以下特点：高财务杠杆率、低资产周转率、低流动性和较差的整体财务状况。Sihombing和Rahardjo（2014）的研究结果表明，总资产比率变化、应收账款比率变化、杠杆比率和总应计项比率变化会对财务报表舞弊产生影响。随后Yusrianti等（2019）同样从舞弊的三角理论出发，证明了资产回报率（ROA）对财务舞弊的影响较为显著。Byungdae等（2020）指出应收账款/销售额、净利润/总资产、净利润/销售额、净利润/毛利、毛利/总资产这五个指标可作为识别上市公司舞弊行为的重要变量。Gupta S和Mehta SK（2020）发现非舞弊公司和舞弊公司在以下八个指标上存在着显著的差异：毛利/销售净额、净利润/总资产、净利润/固定资产、净利润/权益、长期债务/权益、总债务/总资产、流动资产/总资产、存货与应收账款之和/总资产。

刘树磊和李强（2011）的实证结果表明，总资产周转率和流动比率与公司舞弊的可能性成负相关，而资产负债率、资本公积/所有者权益则与公司舞弊的可能性成正相关。李清和任朝阳（2015）发现，与非舞弊公司相比，舞弊公司通常具有更大的偿债压力和盈利能力，且成长能力也更弱。郦金梁等（2018）则指出递延所得税指标可作为判别公司违规行为的有效预警指标。徐静等（2021）认为以下五个变量能够表征上市公司的财务舞弊行为：净资产收益率、净利润、营运资金与总资产比、资产负债率和总资产周转率。袁先智等（2022）的研究表明预付款项增长率、非净资产收益率、在建工程增长率、利息费用/营业总收入、长期借款／总资产、投资净收益／营业总收入、其他应收款（含利息和股利）／总资产、其他收益／营业总收入这八个指标能够刻画上市公司的舞弊行为。叶钦华等（2022）以66家样本公司为研究对象，利用上市公司公开的披露数据对公司的财务异常特征进行了统计分析，经研究发现，在这些异常特征中，出现次数最多的是资产减值和研发支出类科目，而收入、毛利率、货币资金等科目出现异常的次数紧居其后。

随着上市公司舞弊的手段越趋隐蔽，许多学者们也渐渐关注到了公司发生的舞弊行为对非财务指标的影响，他们对上市公司财务舞弊的研究从财务指标拓展到了非财务指标上，以此来更加有效地识别公司的舞弊行为。学者们对非财务指标的研究主要集中在对公司治理方面的研究上，通常会涉及董事会特征、审计委员会、内部控制这三个方面。

在董事会特征方面，Khanna等（2013）考察了公司内部董事与CEO之间的关系，认为基于任命的CEO与高管团队和董事之间的联系会增加舞弊的可能性。也有学者发现董事会的变动对公司财务舞弊的可能性有显著的积极影响（Manurung和Hardika，2015；Ariyanto等，2021）。Subair等（2020）指出公司的非执行董事或独立董事人数的比例越高，公司进行财务舞弊的可能性就会降低，且还表明由于董事会会议次数的增加能够更加有效的使董事会成员履行其职能，因此就会降低公司财务舞弊的可能性。我国学者通过研究我国上市公司的舞弊行为与董事会相关特征之间的关系发现，董事会的持股比例越大、监事会会议次数越多的公司越容易发生财务舞弊的行为（杨清香等，2009；王敏和李瑕，2011），而监事会的持股比例、高级管理层的持股比例、独立董事的比例与上市公司舞弊的可能性呈现出负相关关系（梁杰等，2004；毛志宏等，2005；潘婉彬等，2017）。此外，王红秀和黄政（2014）的实证研究表明，上市公司财务报告的有效性与董事会的独立性有着显著的正相关关系，而与董事会的会议频率有显著的负相关关系。

在审计委员会方面，Abbott等（2000）发现拥有每年至少召开两次会议的审计委员会的公司不太可能会出现欺诈性或误导性的财务报告。Johan Perols（2011）的研究则表明审计师的更替次数可作为财务舞弊识别的指标，拓展了在财务舞弊领域方面的研究。Madi等（2014）探讨了审计委员会的特征对自愿披露信息的影响，多元回归结果表明，审计委员会的独立性及其规模与公司自愿披露呈正相关关系，该结论与Abdullah等（2019）的研究结果一致。Shankaraiah和Amiri（2017）指出公司可通过审计委员会会议和规模来提高财务报告的质量。杨向阳和王文平（2009）表明审计委员会能够有效地监督公司是否发生舞弊行为，其设立与上市公司的财务舞弊行为呈现出显著的负相关关系。在审计委员会的独立性对公司的财务报告质量的影响方面，我国学者得到了较为一致的结论，多数学者认为审计委员会的独立性越强，则公司财务报告的质量就越高（蔡卫星和高明华，2009；潘珺和余玉苗，2017；朱朝晖和李敏鑫，2020；胡明霞和罗珊梅，2022）

在内部控制方面，薄弱的内部控制、监管不足、职责划分不充分都可能会为公司的管理层进行财务舞弊提供机会（Kenyon和Tilton，2006；Donelson等，2017）。罗忠莲（2017）认为公司的内部控制对财务报表审计质量有着正向的影响，即内部控制的机制越完善，公司的财务审计质量就越高。余思明等（2020）证实了内部控制在管理层业绩目标和公司的财务舞弊行为之间存在着中介效应，管理层在实现业绩目标的过程中会促进内部控制制度的不断完善，起到更加有效的监督作用，从而抑制公司的财务舞弊行为。

（三）财务舞弊的侦测模型

早期国外的学者们主要是采用传统的统计模型来侦测公司的财务舞弊行为，常采用的有Logistic回归和Probit回归方法，这些传统的统计模型在侦测公司舞弊行为上都取得了较好的预测效果（Pearsons等，1995；Beasley，1996；Beneish，1999；Bell和Carcell，2000；Spathis，2002；Dechow等，2011）。Kim等（2016）使用三种分类器构建了舞弊识别模型，实证结果表明，使用多项式Logistic回归方法建立的预测模型的准确率最高，达到了88.4%。随着计算机技术的快速发展，很多机器学习的方法也被运用到财务舞弊识别领域中来，例如支持向量机、神经网络等方法（Johan Perols，2011；Ravisankar等，2011；Moepya等，2014；Lin等，2015）。Cecchini（2010）引入专门针对金融领域的内核而构建了SVM-FK模型，研究结果表明基于金融核的支持向量机模型有更高的准确率，其对舞弊公司的识别率达到了80%。Rizki等（2017）和Dutta等（2017）的实证研究表明了人工神经网络在侦测上市公司舞弊行为比其它机器学习方法具有更好的分类性能。此外，除了上述常用的机器学习方法，也有学者逐渐使用集成学习的方法来建立识别模型（Whiting等，2012；Hajek P和Henriques R，2017；Bao等，2020；Sreedharan等，2020）。Wyrobek（2020）使用多种机器学习算法分别建立了舞弊识别模型，研究表明，表现最好的算法为梯度提升决策树算法和随机森林算法，这两种算法犯第一、二类错误的概率都较低。Ahmed M. Khedr等（2021）使用SVM、DT、LR、RF、Adaboost、XGBoost算法建立了财务舞弊侦测模型并对其性能进行了比较。实验结果表明，XGBoost分类器的分类性能最好，与经典的机器学习模型相比，集成模型具有更高的分类性能。

我国的学者们在构建财务舞弊侦测模型方面也是对Logistic回归方法的使用率最高（秦江萍，2006；余玉苗和吕凡，2010；岳殿民等，2012；房琳琳，2013；洪文洲等，2014；钱萍和罗玫，2015；李清和任朝阳，2016；张曾莲和高雅，2017）。杨贵军等（2019）将Benford因子引入到Logistic模型中来进行财务舞弊识别，通过比较预测结果发现，该模型比普通Logistic回归模型具有更高的正确率。王威（2020）基于60家舞弊公司和120家非舞弊公司的披露数据提出了稀疏组Lasso-logistic回归模型，该模型在测试集的总准确度达到了78.39%，犯第一、二类错误的概率都比较低。蔡志岳和吴世农（2006）、李双杰和陈星星（2013）均采用了BP神经网络构建了财务舞弊识别模型，取得了较好的预测效果。金花妍和刘永泽（2014）比较了支持向量机算法和Logistic回归算法在识别上市公司财务舞弊行为的性能，实证结果表明，在模型的整体识别率上，支持向量机模型高于Logistic回归模型。此外，集成学习方法也逐渐受到了我国学者的关注。冯炳纯（2019）、孙玲莉等（2021）、章银平和郭凤华（2022）则基于随机森林方法建立了财务舞弊预测模型，都证明了随机森林算法在舞弊识别中的有效性，取得了较好的预测结果。周卫华等（2022）将XGBoost集成方法应用到财务舞弊识别的模型中，建立了Xscore模型，研究结果表明，相比于常用的Fscore和Cscore模型，Xscore模型有效提高了识别上市公司舞弊行为的准确率，具有良好的预测能力。

三、综述评述

本文通过回顾和梳理国内外对财务舞弊领域研究的文献有以下几点发现：

在财务舞弊的特征研究方面，由于财务报表最能反映公司的经营状况，也是投资者进行决策的主要依据，因此国内外的文献大多是依托公司财务报表中的财务指标来分析上市公司的舞弊行为，这也证实了财务指标在识别公司舞弊行为的有效性。然而随着上市公司舞弊手段越来越隐蔽，单纯依靠财务指标来分析公司的舞弊行为具有一定的局限性。于是学者们便逐渐关注到了非财务指标对上市公司财务舞弊行为的影响，他们主要集中在对公司治理层面上的研究，其中对董事会特征的研究较多且也得到了较为一致的结论，而对审计委员会和内部控制特征这两个方面的研究较少。

在财务舞弊的侦测模型方面，早期国内外的学者大都基于传统的统计方法来构建舞弊识别模型，如Logistic回归和Probit回归方法，也取得了较好的预测效果。然而在大数据时代，计算机的广泛运用解决了审计过程中工作量大的问题，且随着机器学习的迅猛发展，许多国外学者也尝试将机器学习的方法应用到舞弊识别模型中去，常用的方法有神经网络、支持向量机、集成学习等。相比于国外，虽然我国的学者也意识到了机器学习方法在财务舞弊研究领域中的重要性，但在其应用上尚且还不够成熟，且在集成学习方法上的应用较少。

在研究样本方面，国内外现有的文献对财务舞弊的研究大多是选取部分具有针对性的舞弊样本进行研究，并且按照一定的匹配原则选取非舞弊公司作为控制样本，由此构建的识别模型虽然能到达到较好的预测效果，但却会忽略掉样本以外其它的潜在的舞弊公司，缺乏整体性的考虑。

四、总结与展望

本文通过从财务舞弊的定义、特征指标和侦测模型这三个方面对国内外的文献进行了回顾和梳理。一方面，可以使得我们对财务舞弊研究领域有更深刻的了解，另一方面，也有助于我们在前人的研究基础之上做进一步的拓展研究。通过梳理文献发现，国外对财务舞弊的研究起步较早，我国起步的较晚。虽然我国的学者与国外的学者在某些研究方面得到了一致的结论，但国外的资本市场、法律体系等始终与我国不同。因此，在财务舞弊研究领域，适用于国外的理论和方法并不一定适用于我国的实际情况。鉴于此，我国需基于特定的制度背景以及监管环境，结合我国资本市场的行情来分析上市公司的财务舞弊行为，从而建立更加有效的财务舞弊模型。

目前，我国对财务舞弊特征的研究主要集中在财务指标和非财务指标中的董事会特征指标，从审计委员会与内部控制这两个方面分析上市公司财务舞弊行为的研究较少，而从这两个角度来研究上市公司的财务舞弊行为也是非常有必要的；其次，在选取样本时，也需要有一个整体的思维，选取更大规模的样本量，而不仅仅是选取部分有代表性的样本来进行研究，这样才能有效发现潜在的舞弊公司，使研究的结论更具有说服力和有效性。最后，在大数据时代，随着计算机技术的快速发展，机器学习技术渐渐成为了一个极具使用价值的工具。研究者可以从集成学习、深度学习等方面不断探索能够有效识别上市公司舞弊行为的舞弊侦测模型。财务舞弊带来的危害是多方面的，不仅会给企业自身带来利益的损害，还会沉重打击投资者的信心，甚至会破坏市场健康的发展秩序。因此建立更有效的模型来进行舞弊识别是非常迫切的。今后，如何将机器学习技术与更有效的识别指标相结合来构建识别准确率更高的模型也是非常值得我们期待的。

参考文献：

[1]  Persons O S. Using Financial Statement Data To Identify Factors Associated With Fraudulent Financial Reporting[J]. Journal of Applied Business Research, 1995, 11(3):38-46.

[2]  丁静.从财务报表独立审计视角对财务舞弊的界定[J].中国注册会计师,2021(08):76-79+3.

[3]  潘珺,余玉苗.审计委员会履职能力、召集人影响力与公司财务报告质量[J].南开管理评论,2017,20(01):108-118.

[4]  罗忠莲.上市公司内部控制审计对财务报表审计质量影响研究[J].财会通讯,2017(04):111-113+4.

[5]  Beasley M S. An Empirical Analysis of the Relation between the Board of Director Composition and Financial Statement Fraud[J]. The Accounting Review, 1996, 71(4):443-465.

[6]  Dechow P ,  Ge W ,  Larson C R , et al. Predicting Material Accounting Misstatements[J]. Social Science Electronic Publishing.

[7]  Cecchini M ,  Aytug H ,  Koehler G J , et al. Detecting Management Fraud in Public Companies[J]. Management Science, 2010, 56(7):1146-1160.

[8]  Persons O S. Using Financial Statement Data To Identify Factors Associated With Fraudulent Financial Reporting[J]. Journal of Applied Business Research, 1995, 11(3):38-46.

[9]  Spathis, Charalambos T . Detecting False Financial Statements Using Published Data: Some Evidence from Greece[J]. Managerial Auditing Journal, 2002, 17(4):179-191.

[10]Gupta S ,  Mehta S K . Feature Selection for Dimension Reduction of Financial Data for Detection of Financial Statement Frauds in Context to Indian Companies[J]. Global Business Review, 2020(6).

[11]叶钦华,黄世忠,叶凡,徐珊.严监管下的财务舞弊分析——基于2020～2021年的舞弊样本[J].财会月刊,2022(13):10-15.

[12]Wyrobek J . Application of machine learning models and artificial intelligence to analyze annual financial statements to identify companies with unfair corporate culture[J]. Procedia Computer Science, 2020, 176:3037-3046.

[13]Khedr A M ,  Bannany M E ,  Kanakkayil S . An Ensemble Model for Financial Statement Fraud Detection.  2021.

[14]钱苹,罗玫.中国上市公司财务造假预测模型[J].会计研究,2015(07):18-25+96.

[15]杨贵军,周亚梦,孙玲莉,石玉慧.基于Benford律的Logistic模型及其在财务舞弊识别中的应用[J].统计与信息论坛,2019,34(08):50-56.

[16]周卫华,翟晓风,谭皓威.基于XGBoost的上市公司财务舞弊预测模型研究[J].数量经济技术经济研究,2022,39(07):176-196.