上市公司信息披露違規(guī)預(yù)警的實(shí)證研究

周鳳麒,劉志敏,閆志剛

（1.華東交通大學(xué) 基礎(chǔ)科學(xué)學(xué)院,江西 南昌 330013;2.東北財(cái)經(jīng)大學(xué) 會(huì)計(jì)學(xué)院,遼寧 大連 116025）

上市公司的信息披露是指上市公司通過招股說明書、上市公告及定期報(bào)告和臨時(shí)報(bào)告等形式,將與投資者決策相關(guān)的信息向投資者和社會(huì)公眾及時(shí)、準(zhǔn)確、全面的公開披露。上市公司作為信息的生產(chǎn)者和提供者,具有及時(shí)、準(zhǔn)確、全面的進(jìn)行信息披露的義務(wù)。

所有權(quán)和經(jīng)營(yíng)權(quán)的分離產(chǎn)生了信息不對(duì)稱的問題,這促使一些上市公司利用自身的信息優(yōu)勢(shì)做出各種信息披露違規(guī)行為,損害了廣大投資者的利益,最終影響證券市場(chǎng)價(jià)格發(fā)現(xiàn)和資源配置功能的正常發(fā)揮。我們?nèi)绻軌蛲ㄟ^一些技術(shù)性手段及時(shí)預(yù)警上市公司的信息披露違規(guī)行為,就能夠有效地減少損失,國(guó)內(nèi)在這方面的研究較少,目前尚處于起步階段[1-4]。

2003年,鹿小楠和傅浩針對(duì)財(cái)務(wù)信息披露舞弊進(jìn)行了實(shí)證研究[5],他們以舞弊當(dāng)年的9個(gè)財(cái)務(wù)指標(biāo)為預(yù)警變量,分別建立多元判別模型和Logistic回歸模型,但對(duì)舞弊公司的預(yù)測(cè)成功率僅為60%,尚不能滿足應(yīng)用要求。2006年,吳士農(nóng)、蔡志岳基于財(cái)務(wù)視角和公司治理視角,運(yùn)用混合BP神經(jīng)網(wǎng)絡(luò)模型構(gòu)建上市公司信息披露舞弊預(yù)警模型,將預(yù)測(cè)的精度提高到了73%,具有一定的應(yīng)用價(jià)值[6]。

上述研究所采用的模型在應(yīng)用時(shí)均須依賴大量的歷史樣本。此外,多元判別模型和Logistic回歸模型需要以多元正態(tài)分布為假設(shè)前提,但實(shí)際上很多經(jīng)濟(jì)變量不符合這個(gè)假設(shè);神經(jīng)網(wǎng)絡(luò)模型雖然克服了統(tǒng)計(jì)模型的缺點(diǎn),但在目前仍缺乏統(tǒng)一的數(shù)學(xué)理論。在確定網(wǎng)絡(luò)結(jié)構(gòu)、提高算法的解釋性、解決過學(xué)習(xí)和欠學(xué)習(xí)以及局部極小點(diǎn)等問題上也難以突破。本文擬利用支持向量機(jī)（Support Vector Machine,SVM）的分類能力建立信息披露預(yù)警模型,以有效解決傳統(tǒng)模型存在的小樣本、高維數(shù)、非線性和局部極小點(diǎn)等問題,從而提高信息披露違規(guī)預(yù)警的準(zhǔn)確率。

1 支持向量機(jī)原理

支持向量機(jī)算法由Vapnik等學(xué)者提出,是近十幾年來機(jī)器學(xué)習(xí)界最有影響力的成果之一。它利用最大間距的思想降低分類器的VC維,實(shí)現(xiàn)結(jié)構(gòu)風(fēng)險(xiǎn)最小化、優(yōu)化分類器的推廣能力;其次,利用Mercer核將特征空間升維,使得線性不可分的樣本集在升維后的空間中線性可分;且算法設(shè)計(jì)成凸二次規(guī)劃問題,使得解唯一。支持向量機(jī)在解決小樣本、非線性、高維數(shù)和局部極小值等模式識(shí)別問題中表現(xiàn)出許多特有的優(yōu)勢(shì),因而在許多領(lǐng)域得到了成功的應(yīng)用。關(guān)于支持向量機(jī)具體的理論基礎(chǔ)和算法可以參見Vapnik的著作[7]以及國(guó)內(nèi)學(xué)者的論文[8]等。

設(shè)訓(xùn)練樣本集為（x1,y1）,（x2,y2）,…,（xl,yl）,其中xi∈Rn,yi∈{+1,-1}。支持向量機(jī)分類算法的原始形式可歸結(jié)為下列二次規(guī)劃問題:

其中:ξi≥0為松弛項(xiàng),表示錯(cuò)分樣本的懲罰程度;C為常數(shù),用于控制對(duì)錯(cuò)分樣本懲罰的程度,實(shí)現(xiàn)在錯(cuò)分樣本數(shù)與模型復(fù)雜性之間的折中。上述問題（1）的對(duì)偶模型為

由于對(duì)偶形式（2）中只出現(xiàn)兩向量間的內(nèi)積運(yùn)算,Vapnik等人用滿足Mercer條件的核函數(shù)K（xi,xj）來代替內(nèi)積運(yùn)算（xi,xj）,相當(dāng)于把原特征空間映射到某一新的高維特征空間中,使得在原空間中線性不可分的樣本集在高維空間中線性可分。常用的核函數(shù)包括:多項(xiàng)式核、徑向基核、sigmoid核函數(shù),其中徑向基核函數(shù)可以逼近任意非線性函數(shù)。

2 實(shí)證研究過程

2.1 樣本數(shù)據(jù)選擇

本文研究所需原始數(shù)據(jù)來源于萬得公司和國(guó)泰君安公司的金融數(shù)據(jù)庫。選取2004—2007年發(fā)生違規(guī)行為的99家非金融上市公司為研究對(duì)象。在研究期間內(nèi),對(duì)于只發(fā)生一次違規(guī)行為的公司,選取開始違規(guī)當(dāng)年的相關(guān)數(shù)據(jù),對(duì)于發(fā)生多次違規(guī)行為的公司,選取其第一次違規(guī)發(fā)生當(dāng)年的相關(guān)數(shù)據(jù)。同時(shí),為每一家違規(guī)公司選取一家未發(fā)生違規(guī)行為的配對(duì)公司。配對(duì)公司的選取標(biāo)準(zhǔn)為:（1）行業(yè),按證監(jiān)會(huì)行業(yè)劃分標(biāo)準(zhǔn),具體到二級(jí)分類科目,配對(duì)公司必須與違規(guī)公司處于相同行業(yè);（2）公司規(guī)模在滿足（1）的條件下,配對(duì)公司必須與違規(guī)公司資產(chǎn)總額相近;（3）上市交易年齡,在滿足（1）（2）條件下選擇與違規(guī)公司上市時(shí)間相近的配對(duì)公司。

本文將違規(guī)公司樣本記為負(fù)類,對(duì)應(yīng)值記為-1,未發(fā)生違規(guī)行為的配對(duì)公司樣本記為正類,對(duì)應(yīng)值記為+1。

2.2 預(yù)警解釋變量選擇

上市公司發(fā)生違規(guī)行為的影響因素很多,至今沒有統(tǒng)一的標(biāo)準(zhǔn)。文獻(xiàn)[6]選取了6個(gè)備選財(cái)務(wù)指標(biāo)和12個(gè)備選公司治理指標(biāo),然后通過逐步logistic回歸分析和因子分析篩選出信息含量最高的2個(gè)財(cái)務(wù)指標(biāo)和5個(gè)公司治理指標(biāo)。為便于比較,本文選用的指標(biāo)與該文基本一致。具體選取的財(cái)務(wù)指標(biāo)和公司治理指標(biāo)如下:

（1）應(yīng)計(jì)利潤(rùn)率即年度應(yīng)計(jì)利潤(rùn)與當(dāng)年總資產(chǎn)的比值,此處應(yīng)計(jì)利潤(rùn)指年度總利潤(rùn)與經(jīng)營(yíng)性現(xiàn)金流量的差值,反映了收付實(shí)現(xiàn)制和權(quán)責(zé)發(fā)生制的差異。應(yīng)計(jì)利潤(rùn)是企業(yè)管理層進(jìn)行盈余管理的重要手段,異常的應(yīng)計(jì)利潤(rùn)往往是會(huì)計(jì)舞弊的前兆。

（2）營(yíng)業(yè)收入指標(biāo)即公司當(dāng)年的營(yíng)業(yè)收入與上年?duì)I業(yè)收入的比值?；诿绹?guó)數(shù)據(jù)的研究顯示,高增長(zhǎng)的公司管理層往往面臨更大的財(cái)務(wù)壓力和資本市場(chǎng)壓力,為迎合市場(chǎng)的增長(zhǎng)預(yù)期和防止股價(jià)下跌,在公司經(jīng)營(yíng)不如意的情況下,管理層有強(qiáng)烈的舞弊動(dòng)機(jī)。然而,需要注意的是,銷售收入的大幅增加并不意味著公司一定進(jìn)行財(cái)務(wù)舞弊。

（3）第一大股東持股比例:該指標(biāo)用來衡量股權(quán)的集中程度。

（4）第二至第十大股東的持股比例的Herfindahl指數(shù):該指標(biāo)用來衡量股權(quán)的競(jìng)爭(zhēng)程度。

（5）基金持股占流通股的比例:該指標(biāo)用來衡量機(jī)構(gòu)投資者對(duì)控股股東和管理層的監(jiān)督程度。

（6）年度董事會(huì)召開次數(shù):該指標(biāo)是董事會(huì)的特征之一,為便于實(shí)證研究,我們對(duì)其取自然對(duì)數(shù)。

（7）審計(jì)意見類型:注冊(cè)會(huì)計(jì)師具有豐富的會(huì)計(jì)知識(shí)及審計(jì)經(jīng)驗(yàn),能夠?qū)ι鲜泄镜呢?cái)務(wù)狀況及其變動(dòng)進(jìn)行深入分析,形成高質(zhì)量的審計(jì)意見。非標(biāo)準(zhǔn)的審計(jì)意見意味著公司運(yùn)營(yíng)或信息披露行為不夠規(guī)范,為了方便實(shí)證分析,將標(biāo)準(zhǔn)無保留意見記為+1,其他審計(jì)意見類型記為-1。

2.3 實(shí)證結(jié)果

表1 支持向量機(jī)與混合BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果對(duì)比

3 結(jié)論

（1）本文雖然僅用了99對(duì)樣本,但根據(jù)支持向量機(jī)訓(xùn)練得到的分類結(jié)果明顯優(yōu)于[6]中192對(duì)樣本用BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)達(dá)到的效果。這是由于支持向量機(jī)基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理,具有很強(qiáng)的泛化能力,對(duì)小樣本數(shù)據(jù)訓(xùn)練也能得到好的結(jié)果,并且支持向量機(jī)的凸二次規(guī)劃模型能保證算法得到的是全局極小點(diǎn),而神經(jīng)網(wǎng)絡(luò)采用梯度修正算法很難收斂到全局最優(yōu)點(diǎn)。

（2）鑒于支持向量機(jī)在甄別上市公司信息披露違規(guī)行為方面的有效作用,監(jiān)管層可以利用該方法作為日常監(jiān)管工作的參考。

（3）影響上市公司發(fā)生信息披露違規(guī)行為的因素很多,如何選取更為合理和全面的預(yù)警解釋變量是需要進(jìn)一步研究的問題。

[1]黃彥軍.上市公司信息披露違規(guī)影響因素的實(shí)證研究[J].山東工商學(xué)院學(xué)報(bào),2005,19（3）:34-39.

[2]蔡志岳,吳世農(nóng).我國(guó)上市公司信息披露違規(guī)的預(yù)警研究—基于財(cái)務(wù)、市場(chǎng)和治理視角[J].信息資源管理,2007,19（1）:25-33.

[3]楊玉鳳,曹瓊,吳曉明.上市公司信息披露違規(guī)市場(chǎng)反應(yīng)差異研究[J].審計(jì)研究,2008（5）:68-73.

[4]路云峰,劉國(guó)強(qiáng).信息披露違規(guī)上市公司審計(jì)質(zhì)量分析[J].財(cái)會(huì)通訊,2009（3）:134-138.

[5]鹿小楠,傅浩.中國(guó)上市公司財(cái)務(wù)造假問題研究[R].上海:上海證券交易所研究中心,2003.

[6]蔡志岳,吳世農(nóng).基于公司治理的信息披露舞弊預(yù)警研究[J].管理科學(xué),2006,19（4）:79-90.

[7]VAPNIK V.The Nature of Statistical Learning Theory[M].NY:Springer,1995.

[8]張學(xué)工.關(guān)于統(tǒng)計(jì)學(xué)習(xí)理論與支持向量機(jī)[J].自動(dòng)化學(xué)報(bào),2000,26（1）:32-41.