我国上市公司财务欺诈鉴别的实证研究

1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2002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表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当选取哪些财务指标、该财务指标达到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顾及标示财务欺诈的财务变量的选择根据现有的文献（Fridson1995；JosephT.Wells2001；杜滨2001；阎达五、王建英2001）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2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CoopersLybrand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.成本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、额外借款及偿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3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”公司进行比较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（2001）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——“Considerationoffraudinafinancialstatementaudit”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、主营业务成本占主营业务收入比率下降、存货周转率下降等LeeIngram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则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则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4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部分是存货和应收账款公司规模通常较小Hawetal（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部分集中于“线下部分”即诸如投资收益、营业外收支等“非经常性盈余”部分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较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成本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则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%；52000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、2000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2002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1989-2000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6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2000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较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有限公司联合开发的《中国股票市场研究（CSMAR）数据库》该数据库具有数据准确、可靠、规范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基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、0.057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成本效益原则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若干变量选择标准为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8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是最佳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；否则为非财务欺诈模型判定结果见表72、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为最佳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）Logistic模型都显著比LMP模型好同时对于投资者来说一类错误所可能产生的损失远远大于二类错误的风险因为由于一类错误而进行的投资决策可能导致实实在在的投资损失二类错误至多只是丧失一个可能的获利机会所以以一类错误率为标准Logistic模型对于鉴别财务欺诈公司比LMP模型好结论与建议通过对我国历年来被证监会查处的财务欺诈公司的实证研究发现财务欺诈行为的确会使得“企业的财务结构出现异常的状态”（JosephT.Wells2001）表现在财务指标上就是某些财务指标显著的异于同类公司这些能够显著显示财务欺诈征兆的财务9指标包括应收款项比率、应收款项周转率、资产负债率、速动比率、主营业务税金及附加比率、资产质量、管理费用和销售费用率我们以上述其中6个指标作为变量分别应用LPM模型和Logistic模型构建了财务欺诈鉴别模型两者的误判率都小于36%.从一类错误看Logistic模型鉴别效果优于LPM模型值得指出的是我们在根据估计出的模型鉴别上市公司是否存在财务欺诈时简单地选取0.34作为欺诈临界点现实中财务欺诈公司分布概率远远不是那么简单