王爱萍等:公司欺诈问题研究进展 性感受,排挤其内在动机,从而可能导致财务造假 5.当地文化。 Dyreng et al(2012)认为,拥有宗教信仰的人的诚实程度和对风险的厌恶程度要 高于没有宗教信仰的人。他们通过实证检验发现,如果一个地区有宗教信仰(天主教和新教)的人口 比例越高,该地区企业的公司经理人进行虚假报告陈述的概率更低,且较少地采取避税手段。在自 愿性披露的信息中,这些企业会更多地提及对公司不利的信息,表现得更加诚实。 McGuire et al (2012)研究发现,总部位于宗教信仰浓厚地区的公司,其财务报告违规行为往往较少。 四、公司欺诈的识别和揭露 能否及时地发现并揭露公司欺诈行为,是衡量一个金融系统监管效率的重要标准。目前的研究 主要从两方面展开:一是通过与企业经营活动相关的各种指标来寻找能够显示欺诈行为的信号,构 建预警指标系统,以此来识别欺诈行为;二是从市场参与者在欺诈揭露中扮演的角色岀发,探讨各类 市场主体对揭露欺诈的效果及作用机制,以此为基础构建更加有效的欺诈监管机制 (一)公司欺诈识别方法 传统指标法。传统指标主要包括:(1)财务指标。研究人员一直试图找出一组财务欺诈的预 测指标。 Beneish(1999)和 Dechow et al(2011)是这一类研究中最有影响力的代表。他们认为衡量 极端或异常的财务业绩是会计错报的有用预测指标,虚假报告的公司表现出较高的异常应计利润, 应收账款和库存的不成比例增加,以及较差的异常市场表现。他们建立的财务预警模型目前被学术 界广泛使用。 Beneish(1999)以应收账款指数、毛利率指数、资产质量指数、营业收入指数、折旧率指 数、销售管理费用指数、财务杠杆指数、总应计项等八个指标建立模型来预测公司财务造假的可能 性。 Dechow et al(2011)在此基础上予以改进,预测模型中包括的变量为应计项、应收账款变动率 存货变动率、软资产比例、现金销售率、资产收益率增长率、是否再融资等七项。尽管变量减少,但 实际上每个变量的计算方式比 Beneish(1999)更加复杂,可以更加全面地考察公司财务状况。他 们发现,权责发生制资产质量差、盈利异常、资产回报率下降、股票回报率高以及员工数量异常减 少,都是会计错报的有力预测因素。他们还发现,错误报告的公司在错误报告期间会进行激进的 表外和外部融资交易。(2)非财务指标。Wang(2013)认为诸如R&D费用和并购交易等投资活动 支出指标较高的公司更应引起投资者警惕,该类公司欺诈活动被发现的预期概率较低,反而提高 了实施欺诈活动的概率。(3)法律诉讼指标。 Jones8. Weingram(1996)研究指出,公司所处行业 的诉讼密度,公司个体的诉讼密度可以反映公司的不当行为,即有过“前科”的行业和公司更容易 实施欺诈行为 2.文本分析法。文本分析( textual analysis)是指通过对文本内容进行挖掘和数据分析,获得文 本提供者的特定立场、观点、价值和利益,并由此推断其意图和目的。目前利用文本分析方法提取有 效的信息来识别公司欺诈行为已成为金融学的研究热点,主要有两种方法:(1)通过预先定义的单词 分类(或词典)来调查会计欺诈与语言语调以及欺诈线索之间的联系。 Hoberg8. Lewis(2017)利用 美国上市公司基于10一K文本的MD8A信息披露数据分析,考察了欺诈行为是否会普遍存在异 常的信息披露。他们将异常的信息披露定义为无法由规模和年龄相仿的同行解释的披露。结果 显示,欺诈公司通常存在异常的信息披露现象,信息披露文本词汇相似度最低的公司有0.4%的欺 诈率,而词汇相似度最高的公司有2.4%的欺诈率。 Brown et al(2018)认为,企业因财务报告错误 而被起诉,往往会在财报中使用更为乐观的措辞。(2)使用机器学习算法来区分“词包”或文本样 式标记,这些标记可以预测故意误报。这些风格标记包括文本特征,如语言复杂性、可读性、文档 长度和音调,以及语法和单词选择。大多数研究都使用了一种称为支持向量机(SVM)的机器学习 算法来识别或分类会计差错。 Cecchini et al(2010)利用支持向量机生成了经常出现在错误陈述的 年度报告中的歧视性词语和短语词典。结果表明,相对于财务报表比率,该机器学习词典更能预 测财务错报。性感受,排挤其内在动机,从而可能导致财务造假。 5. 当地文化。Dyrengetal(2012)认为,拥有宗教信仰的人的诚实程度和对风险的厌恶程度要 高于没有宗教信仰的人。他们通过实证检验发现,如果一个地区有宗教信仰(天主教和新教)的人口 比例越高,该地区企业的公司经理人进行虚假报告陈述的概率更低,且较少地采取避税手段。在自 愿性披露的信息中,这些企业会更多地提及对公司不利的信息,表现得更加诚实。McGuireetal (2012)研究发现,总部位于宗教信仰浓厚地区的公司,其财务报告违规行为往往较少。 四、公司欺诈的识别和揭露 能否及时地发现并揭露公司欺诈行为,是衡量一个金融系统监管效率的重要标准。目前的研究 主要从两方面展开:一是通过与企业经营活动相关的各种指标来寻找能够显示欺诈行为的信号,构 建预警指标系统,以此来识别欺诈行为;二是从市场参与者在欺诈揭露中扮演的角色出发,探讨各类 市场主体对揭露欺诈的效果及作用机制,以此为基础构建更加有效的欺诈监管机制。 (一)公司欺诈识别方法 1. 传统指标法。传统指标主要包括:(1)财务指标。研究人员一直试图找出一组财务欺诈的预 测指标。Beneish(1999)和 Dechowetal(2011)是这一类研究中最有影响力的代表。他们认为衡量 极端或异常的财务业绩是会计错报的有用预测指标,虚假报告的公司表现出较高的异常应计利润, 应收账款和库存的不成比例增加,以及较差的异常市场表现。他们建立的财务预警模型目前被学术 界广泛使用。Beneish(1999)以应收账款指数、毛利率指数、资产质量指数、营业收入指数、折旧率指 数、销售管理费用指数、财务杠杆指数、总应计项等八个指标建立模型来预测公司财务造假的可能 性。Dechowetal(2011)在此基础上予以改进,预测模型中包括的变量为应计项、应收账款变动率、 存货变动率、软资产比例、现金销售率、资产收益率增长率、是否再融资等七项。尽管变量减少,但 实际上每个变量的计算方式比 Beneish(1999)更加复杂,可以更加全面地考察公司财务状况。他 们发现,权责发生制资产质量差、盈利异常、资产回报率下降、股票回报率高以及员工数量异常减 少,都是会计错报的有力预测因素。他们还发现,错误报告的公司在错误报告期间会进行激进的 表外和外部融资交易。(2)非财务指标。Wang(2013)认为诸如 R&D 费用和并购交易等投资活动 支出指标较高的公司更应引起投资者警惕,该类公司欺诈活动被发现的预期概率较低,反而提高 了实施欺诈活动的概率。(3)法律诉讼指标。Jones& Weingram(1996)研究指出,公司所处行业 的诉讼密度,公司个体的诉讼密度可以反映公司的不当行为,即有过“前科”的行业和公司更容易 实施欺诈行为。 2. 文本分析法。文本分析(textualanalysis)是指通过对文本内容进行挖掘和数据分析,获得文 本提供者的特定立场、观点、价值和利益,并由此推断其意图和目的。目前利用文本分析方法提取有 效的信息来识别公司欺诈行为已成为金融学的研究热点,主要有两种方法:(1)通过预先定义的单词 分类(或词典)来调查会计欺诈与语言语调以及欺诈线索之间的联系。Hoberg & Lewis(2017)利用 美国上市公司基于10-K 文本的 MD&A 信息披露数据分析,考察了欺诈行为是否会普遍存在异 常的信息披露。他们将异常的信息披露定义为无法由规模和年龄相仿的同行解释的披露。结果 显示,欺诈公司通常存在异常的信息披露现象,信息披露文本词汇相似度最低的公司有0.4%的欺 诈率,而词汇相似度最高的公司有2.4%的欺诈率。Brownetal(2018)认为,企业因财务报告错误 而被起诉,往往会在财报中使用更为乐观的措辞。(2)使用机器学习算法来区分“词包”或文本样 式标记,这些标记可以预测故意误报。这些风格标记包括文本特征,如语言复杂性、可读性、文档 长度和音调,以及语法和单词选择。大多数研究都使用了一种称为支持向量机(SVM)的机器学习 算法来识别或分类会计差错。Cecchinietal(2010)利用支持向量机生成了经常出现在错误陈述的 年度报告中的歧视性词语和短语词典。结果表明,相对于财务报表比率,该机器学习词典更能预 测财务错报。 — 123 — 王爱萍 等:公司欺诈问题研究进展