我國制造業(yè)上市公司財務(wù)舞弊識別的研究

黃 犚，陳巧珍

(南京郵電大學(xué) 經(jīng)濟學(xué)院，江蘇 南京 210023)

當(dāng)前，我國經(jīng)濟已由高速增長階段轉(zhuǎn)向高質(zhì)量發(fā)展階段，習(xí)總書記強調(diào)，“制造業(yè)是國家經(jīng)濟命脈所系”。黨的十九大明確提出到本世紀(jì)中葉建成社會主義現(xiàn)代化強國，對制造業(yè)高質(zhì)量發(fā)展提出了新的要求。黨的十九屆五中全會通過的《中共中央關(guān)于制定國民經(jīng)濟和社會發(fā)展第十四個五年規(guī)劃和二○三五年遠景目標(biāo)的建議》指出，“要堅定不移建設(shè)制造強國，保持制造業(yè)比重基本穩(wěn)定”。推動制造業(yè)高質(zhì)量發(fā)展，就要落實制造業(yè)的科技創(chuàng)新、產(chǎn)業(yè)融合和企業(yè)的優(yōu)勝劣汰，需要完善金融支持機制，健全資本市場，提高直接融資的比重。

近年來，金融領(lǐng)域推行了一系列改革，設(shè)立科創(chuàng)板并試點注冊制，完善再融資、并購重組等資本市場制度，加大直接融資對制造業(yè)的支持；出臺了一系列新規(guī)，通過信貸指標(biāo)、績效評價要求金融行業(yè)將金融資源由地產(chǎn)轉(zhuǎn)而投向制造業(yè)實體經(jīng)濟，這是邁向“新階段、新理念、新格局”的政策破局之舉。制造業(yè)上市公司通過資本市場直接融資，給投資者帶來了收益并促進消費、進一步擴大投資，實現(xiàn)中國經(jīng)濟的良性內(nèi)部循環(huán)。

然而，由于IPO市場加速擴容，資本市場違規(guī)成本較低，欺詐發(fā)行、財務(wù)舞弊事件也有所增加，根據(jù)國泰安數(shù)據(jù)庫違規(guī)信息顯示，2018—2020年制造業(yè)上市公司財務(wù)舞弊違規(guī)信息增加了71%。由于上市公司數(shù)量的激增和財務(wù)舞弊手段的多樣性和隱蔽性，涉及的會計科目繁多，產(chǎn)生了大量的高維數(shù)據(jù)，對財務(wù)舞弊識別提出了更高的要求。因此，設(shè)計合適的評價指標(biāo)，構(gòu)建有效的財務(wù)舞弊識別模型，是近年來學(xué)界研究的熱點。本文采用機器學(xué)習(xí)的方法來解決財務(wù)舞弊識別問題, 克服大數(shù)據(jù)環(huán)境下人工識別弊端，從數(shù)據(jù)挖掘的角度,對不同的指標(biāo)和數(shù)據(jù)進行選取,構(gòu)建基于多種降維方法的混合分類模型，并在此基礎(chǔ)上明確財務(wù)舞弊的重要影響指標(biāo)，從而提高財務(wù)舞弊的識別效率，有利于資本市場的優(yōu)勝劣汰，維護資本市場健康有序發(fā)展，實現(xiàn)資本市場服務(wù)于制造業(yè)和投資者的功能，促進制造業(yè)高質(zhì)量發(fā)展。

一、文獻綜述

1.財務(wù)舞弊的識別研究

在我國的會計準(zhǔn)則中，財務(wù)舞弊是指企業(yè)為了獲得高額利益，違反會計準(zhǔn)則，故意編制虛假的財務(wù)報告，隱瞞真實的財務(wù)信息[1]。財務(wù)舞弊的識別研究主要包括財務(wù)舞弊的動因研究和影響因素研究兩部分。財務(wù)舞弊動因理論主要有冰山理論、Gone模型、舞弊三角形理論和舞弊風(fēng)險因子理論等。對比中外的財務(wù)舞弊現(xiàn)象，發(fā)現(xiàn)國外舞弊主要由壓力因素導(dǎo)致，中國財務(wù)舞弊主要來源于機會因素[2]，汪建新(2008)[3]提出舞弊的壓力來自于工作和經(jīng)濟，舞弊的機會來源于公司內(nèi)部控制和外部審計的缺失。范海敏(2015)[4]通過實證研究發(fā)現(xiàn)舞弊人員的人品素質(zhì)、對權(quán)勢的欲望和公司的內(nèi)部治理及外部監(jiān)督等多方面因素造成了財務(wù)舞弊現(xiàn)象。此外，企業(yè)性質(zhì)、CEO權(quán)力強度、高管背景[5-7]等因素也是我國企業(yè)財務(wù)舞弊的影響因素。

2.財務(wù)舞弊指標(biāo)的研究

正確選擇模型的輸入變量以及在眾多指標(biāo)中篩選出關(guān)鍵變量可以提高模型的判別能力。目前，財務(wù)舞弊研究的指標(biāo)選取分為三個方向：第一，基于財務(wù)舞弊概念理論，張曾蓮(2017)[8]從“壓力、機會、借口”這三個方面選取指標(biāo)，并將財務(wù)舞弊的影響因素選為輸入指標(biāo)；第二，基于企業(yè)發(fā)布的財務(wù)報告信息選擇財務(wù)舞弊研究指標(biāo)，劉志洋和韓麗榮(2018)[9]利用歷史財務(wù)指標(biāo)的波動性作為舞弊模型的輸入變量取得了較好的識別效果；第三，考慮指標(biāo)應(yīng)具有全面性和代表性，董事會規(guī)模[10]、獨立董事比、股權(quán)結(jié)構(gòu)[11]、監(jiān)事會規(guī)模和企業(yè)內(nèi)部控制等非財務(wù)指標(biāo)對于識別財務(wù)舞弊有影響[12]，熊方軍(2016)認(rèn)為可以從財務(wù)信息和非財務(wù)信息兩方面選擇指標(biāo)[13]。由于指標(biāo)變量之間難免會存在相關(guān)性，因此，在建立模型之前，需要篩選出重要的特征，目前，較為常用的特征選擇方法主要有主成分分析、因子分析、方差膨脹法、Lasso法、Boruta法和Relief法[14-17]等。

3.財務(wù)舞弊數(shù)據(jù)質(zhì)量的研究

財務(wù)數(shù)據(jù)真實、可靠是進行分析的重要前提，早期的研究運用比較分析法、趨勢分析法[18]等方法，通過對比財務(wù)數(shù)據(jù)前后的差異來查找異常數(shù)據(jù)。估計期望值和估計數(shù)據(jù)預(yù)期分布[19]方法，根據(jù)財務(wù)數(shù)據(jù)之前的分布與發(fā)展規(guī)律預(yù)測其之后的分布，檢驗其與實際值的偏離程度。隨著技術(shù)的發(fā)展，離群數(shù)據(jù)挖掘法[20]等數(shù)據(jù)挖掘技術(shù)被逐漸運用，從財務(wù)數(shù)據(jù)中根據(jù)距離、分布或者深度來挖掘異常值。一類支持向量機[21]等機器學(xué)習(xí)方法可以學(xué)習(xí)大量的財務(wù)數(shù)據(jù)并識別數(shù)據(jù)的流通規(guī)律，查找其中偏離正常流向的異常數(shù)據(jù)。目前，較多使用Benford法則檢測上市企業(yè)財務(wù)數(shù)據(jù)的質(zhì)量，通過比較財務(wù)數(shù)據(jù)中數(shù)字出現(xiàn)的概率與自然情況下數(shù)字的隨機概率是否一致，得到異常樣本[22]。除了單獨使用上述方法之外，還可以將不同方法結(jié)合使用，如將Benford法則和logistic模型、廣義線性模型、數(shù)據(jù)挖掘技術(shù)[23-25]等相結(jié)合，提高尋找舞弊樣本點的正確率。

4.財務(wù)舞弊識別模型的研究

關(guān)于財務(wù)舞弊識別模型主要有兩類，一類是以logistic模型為主的傳統(tǒng)識別模型，如韓麗榮(2015)[26]等人采用指數(shù)型變量建立logistic回歸模型，對財務(wù)舞弊行為進行識別。另一類是以機器學(xué)習(xí)算法為主的識別模型，將神經(jīng)網(wǎng)絡(luò)模型[27]、決策樹[28]、文本和電子郵件挖掘[29]、遺傳算法和支持向量機[30]等算法應(yīng)用于財務(wù)舞弊識別，并取得了較好的效果。如金花妍(2014)[31]等人構(gòu)建了支持向量機模型、夏明(2015)[14]等人建立了RBF-BP神經(jīng)網(wǎng)絡(luò)模型提高了對財務(wù)舞弊行為的識別準(zhǔn)確率。

綜上所述，財務(wù)舞弊領(lǐng)域的研究成果較為豐富，財務(wù)舞弊識別方面的理論已經(jīng)相當(dāng)成熟，但在指標(biāo)選擇方面尚無公認(rèn)的標(biāo)準(zhǔn)，大多數(shù)研究直接將初始指標(biāo)納入模型，而不進行指標(biāo)的篩選。由于財務(wù)指標(biāo)眾多且有多重共線性，指標(biāo)的篩選是影響分類模型的識別效果的主要因素。本文首先采用局部線性嵌入方法和自適應(yīng)彈性網(wǎng)方法分別對初始指標(biāo)進行篩選與降維，得到兩組指標(biāo)數(shù)據(jù)集，再對初始指標(biāo)集和兩組降維后指標(biāo)集分別建立AdaBoost分類模型，比較指標(biāo)降維前后分類模型的識別效果，探尋對財務(wù)舞弊識別具有重要影響的指標(biāo)。

二、模型理論闡述

上市公司的財務(wù)指標(biāo)之間有較高的多重共線性，直接進行分析會高估模型的識別效果，而局部線性嵌入方法使數(shù)據(jù)降維后保持原有的拓?fù)浣Y(jié)構(gòu)，自適應(yīng)彈性網(wǎng)方法可以很好地處理指標(biāo)間的多重共線性問題，所以采用這兩種方法對指標(biāo)進行降維處理。與其他機器學(xué)習(xí)算法不同，AdaBoost是加法模型，考慮每個子模型的分類效果，它的核心之處是在迭代時，根據(jù)之前模型的分類效果，對于分類錯誤的樣本會在下一次訓(xùn)練時給予較大的權(quán)重，這樣不斷更新樣本權(quán)重，直到達到設(shè)定的迭代次數(shù)，提高模型的識別效果。

1.局部線性嵌入方法(LLE)

局部線性嵌入方法(LLE)可以使降維后的數(shù)據(jù)保持原來的結(jié)構(gòu)，維持?jǐn)?shù)據(jù)局部線性特征不變。它的核心思想是某個樣本xi，可以用它領(lǐng)域中的k個樣本線性表示，如式(1)所示。

(1)

其中，xij表示xi的第j個緊鄰點(1≤j≤k)，wij是權(quán)重系數(shù)，假設(shè)樣本D={x1,x2,…,xm}，投影后樣本集為d={y1，y2,…,ym}，投影時最小化損失函數(shù)為：

(2)

在降維前后，保證wij不發(fā)生變化或最小變化，降維后的樣本將保持原有的結(jié)構(gòu)。

2.自適應(yīng)彈性網(wǎng)方法(AEnet)

自適應(yīng)彈性網(wǎng)方法(AEnet)是自適應(yīng)Lasso方法和彈性網(wǎng)相結(jié)合的變量篩選方法，AEnet方法是對L1懲罰部分進行了加權(quán)處理，對不同重要性的系數(shù)施加不同的權(quán)重[32]。自適應(yīng)彈性網(wǎng)懲罰函數(shù)如式(3)所示。

(3)

3.AdaBoost算法

AdaBoost算法是一種集成學(xué)習(xí)方法，它是對同個訓(xùn)練集擬合多個分類模型，再根據(jù)分類模型的分類效果計算各個模型的誤差，將多個分類模型線性組合成一個最終分類模型。假設(shè)訓(xùn)練集D={(x1,y1)，(x2,y2),……,(xN,yN)}，初始時樣本等權(quán)重開始迭代，得到多個弱分類器hm(x)，計算每個弱分類器hm(x)的分類誤差率(em)與話語權(quán)(αm)，如式(4)、式(5)所示。

(4)

(5)

em越小的弱分類器越好、話語權(quán)越大，即其在最終分類模型中的比重越大，根據(jù)每個分類模型在最終模型中的比重進行線性組合，得到最終模型式(6)。

(6)

三、實證分析

1.樣本選擇

CSMAR數(shù)據(jù)庫(國泰安)將財務(wù)舞弊企業(yè)定義為因虛構(gòu)利潤、虛列資產(chǎn)和虛假記載(誤導(dǎo)性陳述)行為被處罰的上市企業(yè)。根據(jù)該數(shù)據(jù)庫公布的違規(guī)信息總表，篩選出舞弊年份在2010—2019年間的制造業(yè)上市企業(yè)為舞弊樣本，刪除因財務(wù)異常被特別處理的公司。若某公司此期間的不同年份都發(fā)生舞弊行為，則選取最近舞弊的一年作為舞弊年份，根據(jù)此方法篩選出99個舞弊樣本。在選擇非舞弊樣本時主要遵循以下幾點：(1)行業(yè)相同，不同行業(yè)有不一樣的經(jīng)濟特征，其可比性不高，所以本文選擇的控制樣本與舞弊樣本的行業(yè)相同；(2)市值相近，控制樣本為在舞弊當(dāng)年與舞弊樣本市值相近的企業(yè)；(3)舞弊年度相同，選擇與舞弊公司舞弊年度一樣的樣本，確保控制樣本在此期間沒有因財務(wù)舞弊行為被處罰。為了減少非平衡樣本帶來的影響，本文將舞弊樣本與非舞弊樣本比例設(shè)定為1:1，由上述信息選取出99個配對的非舞弊樣本。由舞弊樣本和配對的非舞弊樣本，組成99組實驗樣本。

2.初始指標(biāo)集

本文在滿足指標(biāo)體系構(gòu)建的全面性、科學(xué)性和可操作性等原則的條件下，選擇財務(wù)指標(biāo)和非財務(wù)指標(biāo)構(gòu)成初始指標(biāo)集。

國泰安數(shù)據(jù)庫從償債能力、盈利能力、經(jīng)營能力、披露財務(wù)指標(biāo)、比率結(jié)構(gòu)、現(xiàn)金流分析等多方面定義了200多個財務(wù)指標(biāo)，全面包含了公司的財務(wù)信息。剔除數(shù)據(jù)缺失的指標(biāo)和具有明顯共線性的指標(biāo)，本文從償債能力、盈利能力、經(jīng)營能力、每股指標(biāo)和比率結(jié)構(gòu)這5個方面選取了28個財務(wù)指標(biāo)，如表1所示。

表1 財務(wù)指標(biāo)

企業(yè)償債能力能夠體現(xiàn)一家企業(yè)是否可以長久健康的發(fā)展下去，盈利能力是指企業(yè)獲得利潤的能力，經(jīng)營能力體現(xiàn)了企業(yè)對內(nèi)部條件及其發(fā)展的經(jīng)營決策能力；比率結(jié)構(gòu)反映了公司的資產(chǎn)分布。通常償債能力、盈利能力、經(jīng)營能力越弱和比率結(jié)構(gòu)不合理的企業(yè)越有可能發(fā)生財務(wù)舞弊。

根據(jù)舞弊三角理論中機會因素可知，舞弊成功是需要機會的。公司治理機制的良好運行離不開內(nèi)部控制和外部監(jiān)管的有效結(jié)合，如果治理機制存在問題，就會大大增加舞弊行為發(fā)生的可能性，因此，企業(yè)的治理機制也經(jīng)常被認(rèn)為是判別上市公司是否舞弊的因素之一。本文以此為基礎(chǔ)得到如表2所示的非財務(wù)指標(biāo)。其中股權(quán)集中度體現(xiàn)了公司股權(quán)集中情況，股權(quán)過度集中會增大股東之間的利益矛盾。董事會是公司治理機制的核心，獨立董事的存在會減少董事會被高層控制的可能性，而董事長兼任總經(jīng)理的情況會增加董事會被管理層掌控的可能性，這樣可能會引發(fā)財務(wù)舞弊行為。監(jiān)事會體現(xiàn)了企業(yè)的內(nèi)部監(jiān)督能力，缺乏企業(yè)內(nèi)部監(jiān)督會增加財務(wù)舞弊的發(fā)生。

表2 非財務(wù)指標(biāo)

本文的響應(yīng)變量為上市公司是否有財務(wù)舞弊行為，記為y，當(dāng)企業(yè)有財務(wù)舞弊行為時，y為-1；當(dāng)企業(yè)沒有舞弊行為時，y為1。數(shù)值型變量的描述性統(tǒng)計如表3所示。

表3 數(shù)值型變量的描述性統(tǒng)計分析

3.數(shù)據(jù)來源與預(yù)處理

篩選出實驗樣本后，基于指標(biāo)體系從CSMAR數(shù)據(jù)庫獲取2010—2019年的財務(wù)數(shù)據(jù)和非財務(wù)數(shù)據(jù)，按照指標(biāo)定義處理數(shù)據(jù)。數(shù)據(jù)集的劃分遵循兩個原則：一是訓(xùn)練集樣本數(shù)不得少于樣本總量的一半，確保訓(xùn)練集與整體數(shù)據(jù)集訓(xùn)練出的模型接近；二是測試集樣本量不能過少，確保評估準(zhǔn)確率。一般會將2/3～4/5的樣本劃分為訓(xùn)練集，剩下的樣本為測試集[33]。本文嘗試以8:2、7:3和6:4劃分樣本為訓(xùn)練集和測試集進行試驗，最終確定最佳比例為7:3，以訓(xùn)練集樣本擬合識別模型，再用測試集數(shù)據(jù)驗證模型的識別效果。

4.模型建立

以局部線性嵌入降維方法和自適應(yīng)彈性網(wǎng)降維方法分別和AdaBoost算法結(jié)合建立識別模型作為實驗組，比較降維方法的優(yōu)劣，并以降維前的初始指標(biāo)建立的AdaBoost模型作為對照組。本文先用訓(xùn)練集樣本擬合AdaBoost模型、LLE-AdaBoost模型和AEnet -AdaBoost模型，再用測試集驗證以上三個模型的識別效果，比較三個模型的優(yōu)劣。

(1)AdaBoost模型

AdaBoost模型是指不對初始指標(biāo)集做降維處理，直接使用AdaBoost算法建立的識別模型。將所有初始指標(biāo)作為模型的輸入特征，對訓(xùn)練集樣本建立AdaBoost識別模型，作為降維后模型的對照組(如表4所示)，以檢驗降維方法的效果。其訓(xùn)練集中舞弊樣本的預(yù)測準(zhǔn)確率為72.73%，整體的識別準(zhǔn)確率為69.57%。

表4 AdaBoost模型訓(xùn)練集效果

變量重要性是指該變量引起的信息增益減少量的歸一化值，可以用來判斷模型中每個變量所起作用。圖1由大到小展示了AdaBoost模型中各變量的重要性，如圖1所示，對AdaBoost模型產(chǎn)生重要影響的變量排名前三的是應(yīng)付賬款周轉(zhuǎn)率、每股未分配利潤和每股凈資產(chǎn)，而每股凈資產(chǎn)、流動資產(chǎn)比率、每股收益、股權(quán)集中度等變量的重要性較為接近，企業(yè)性質(zhì)、獨立董事比等變量的重要性相對較小。

圖1 變量的重要性排名

(2)LLE-AdaBoost模型

LLE-AdaBoost模型是將局部線性嵌入方法與AdaBoost算法相結(jié)合的分類模型。不同于線性降維方法，局部線性嵌入不體現(xiàn)新指標(biāo)與原始指標(biāo)之間的聯(lián)系，因此，將新指標(biāo)分別命名為f1、f2、f3、f4、f5、f6，并將樣本在新指標(biāo)上的分布展示出來。首先對數(shù)據(jù)進行維數(shù)測定，得到數(shù)據(jù)的本質(zhì)維數(shù)是6維，其次用局部線性嵌入方法將初始指標(biāo)降到6維，分別命名為f1、f2、f3、f4、f5、f6，舞弊樣本和非舞弊樣本在這6個新指標(biāo)上的表現(xiàn)分別如圖2和圖3所示。如圖2所示，舞弊樣本在指標(biāo)f1、f5特別突出，其次是f2；如圖3所示，非舞弊樣本f3指標(biāo)最為突出，其次是f2、f6指標(biāo)比較突出。這表明舞弊樣本和非舞弊樣本在這6維新指標(biāo)中的表現(xiàn)存在差異性，可以通過這6個指標(biāo)識別財務(wù)舞弊。

圖2 舞弊樣本的LLE指標(biāo)情況

圖3 非舞弊樣本的LLE指標(biāo)情況

最后用6個新指標(biāo)對訓(xùn)練集建立AdaBoost分類模型，該模型記為LLE-AdaBoost模型，該模型擬合效果如表5所示，其訓(xùn)練集舞弊樣本識別率為39.39%，整體預(yù)測準(zhǔn)確率為50%。

表5 LLE-AdaBoost模型訓(xùn)練集效果

(3)AEnet-AdaBoost模型

AEnet-AdaBoost模型是指將自適應(yīng)彈性網(wǎng)方法與AdaBoost算法結(jié)合的分類模型。首先采用自適應(yīng)彈性網(wǎng)方法對初始指標(biāo)集進行降維處理，最終篩選出了7個重要的指標(biāo)。自適應(yīng)彈性網(wǎng)系數(shù)體現(xiàn)了指標(biāo)的重要性，從該系數(shù)觀察，股權(quán)集中度的系數(shù)最大，說明股權(quán)集中度對模型的影響最大，其次是總資產(chǎn)凈利潤率、資產(chǎn)負(fù)債率等指標(biāo)對模型有著次要的影響，應(yīng)付賬款周轉(zhuǎn)率對識別模型的影響相對最小，篩選出的指標(biāo)及系數(shù)如圖4所示。

圖4 變量的自適應(yīng)彈性網(wǎng)系數(shù)

利用篩選出的指標(biāo)對訓(xùn)練集建立識別模型AEnet-AdaBoost，得到的模型效果如表6所示，其舞弊樣本的預(yù)測準(zhǔn)確率為62.12%，整體預(yù)測準(zhǔn)確率為65.94%。

表6 AEnet-AdaBoost訓(xùn)練集效果

(4)模型預(yù)測效果對比

以上對訓(xùn)練集擬合了AdaBoost模型、LLE-AdaBoost模型和AEnet -AdaBoost模型，為了比較各個模型的識別效果，表7展示了三個模型在測試集上的預(yù)測結(jié)果。如表7所示，在測試集中，AdaBoost模型舞弊樣本識別準(zhǔn)確率為63.64%，整體識別效果為66.67%。使用LLE降維后的指標(biāo)建立的分類模型效果沒有得到提升，其整體識別效果僅為51.67%。AEnet-AdaBoost模型識別效果最好，舞弊樣本識別的準(zhǔn)確率為66.67%，整體的識別準(zhǔn)確率為75%，較降維前識別效果提高了8.30%。

表7 測試集模型預(yù)測結(jié)果對比

在模型的變量重要性方面，不同的機器學(xué)習(xí)方法衡量重要性的標(biāo)準(zhǔn)不同，遵循模型在測試集上的準(zhǔn)確性即預(yù)測準(zhǔn)確率才是判定模型好壞的最佳準(zhǔn)則[34]，由于AEnet -AdaBoost模型的預(yù)測準(zhǔn)確率最高，表明自適應(yīng)彈性網(wǎng)方法從初始指標(biāo)中篩選出了更加重要的變量，并賦予變量自適應(yīng)彈性網(wǎng)系數(shù)，該系數(shù)越大說明變量越重要，因此，通過自適應(yīng)彈性網(wǎng)方法，研究發(fā)現(xiàn)股權(quán)集中度、總資產(chǎn)凈利潤率、速動比率、資產(chǎn)負(fù)債率和每股未分配利潤等指標(biāo)對于識別財務(wù)舞弊行為具有顯著的作用。

四、結(jié)論與啟示

本文在制造業(yè)上市公司中，以2010—2019年期間同一年度發(fā)生財務(wù)舞弊的公司和非舞弊公司為實證研究對象，從償債能力、盈利能力、經(jīng)營能力、每股指標(biāo)和比率結(jié)構(gòu)等5個方面選取了28個財務(wù)指標(biāo)，從公司治理機制的角度選取7個非財務(wù)指標(biāo)，共計35個指標(biāo)建立指標(biāo)體系，使用局部線性嵌入方法和自適應(yīng)彈性網(wǎng)方法對初始指標(biāo)進行降維處理，建立了AdaBoost識別模型，經(jīng)過實證分析得到以下結(jié)論。

其一，通過比較AdaBoost模型、LLE-AdaBoost模型和AEnet -AdaBoost模型，發(fā)現(xiàn)局部線性嵌入方法的降維處理降低了模型的識別效果，自適應(yīng)彈性網(wǎng)方法降維后的模型整體識別準(zhǔn)確率為75%，比降維前提高了8.30%，說明自適應(yīng)彈性網(wǎng)方法具有較強的變量篩選能力，有助于快速地識別主要的影響指標(biāo)，提高舞弊識別效果。自適應(yīng)彈性網(wǎng)方法可以通過篩選出的重要性指標(biāo)提高財務(wù)舞弊的甄別效率，局部線性嵌入方法的降維處理無法分辨指標(biāo)對識別模型的影響。

其二，通過自適應(yīng)彈性網(wǎng)方法，發(fā)現(xiàn)非財務(wù)指標(biāo)中股權(quán)集中度對于識別財務(wù)舞弊的作用最大，說明企業(yè)股權(quán)結(jié)構(gòu)對于研究企業(yè)舞弊行為十分重要。財務(wù)指標(biāo)中總資產(chǎn)凈利潤率、速動比率、流動比率、資產(chǎn)負(fù)債率、應(yīng)付賬款周轉(zhuǎn)率和每股未分配利潤等指標(biāo)對于分析財務(wù)舞弊行為有重要的作用。

上述研究結(jié)果也對保護投資者權(quán)益、公司治理和有效監(jiān)管有一定的啟示作用。投資者應(yīng)該收集上市公司歷史經(jīng)營狀況，分析其財務(wù)信息和公司管理層架構(gòu)。尤其是速動比率、流動比率、資產(chǎn)負(fù)債率和每股未分配利潤等指標(biāo)，若是債務(wù)較多，其資產(chǎn)的流動性和變現(xiàn)性較差，說明該公司有經(jīng)營風(fēng)險，投資者還可以從每股未分配利潤指標(biāo)直觀地了解公司的經(jīng)營情況，若是該指標(biāo)為負(fù)值，則體現(xiàn)了公司目前尚有虧損，還沒有扭虧為盈，需要謹(jǐn)慎投資。投資者發(fā)現(xiàn)有問題的公司時應(yīng)積極舉報，充分發(fā)揮外部監(jiān)督人的作用。

上市公司應(yīng)保證合理的股權(quán)結(jié)構(gòu)。研究可知，股權(quán)集中度指標(biāo)對于識別財務(wù)舞弊有著重要作用，股權(quán)過于集中不利于股東間的監(jiān)督制衡，從而增大財務(wù)舞弊發(fā)生的概率，因此，企業(yè)一方面要優(yōu)化股權(quán)結(jié)構(gòu)，保證各股東意志的正常體現(xiàn)；另一方面，要保證監(jiān)督部門的獨立性，發(fā)揮其應(yīng)有的作用。公司治理要有風(fēng)險意識，內(nèi)審部門重點關(guān)注償債能力指標(biāo)，對這些指標(biāo)設(shè)定一個風(fēng)險閾值，保證企業(yè)正常發(fā)展的同時，資產(chǎn)具有較好的流動性和變現(xiàn)性，可以隨時應(yīng)對市場風(fēng)險和突發(fā)意外。

落實金融支持制造業(yè)高質(zhì)量發(fā)展的目標(biāo)任務(wù)，離不開制度環(huán)境的完善。監(jiān)管部門應(yīng)加強證券執(zhí)法和司法工作，從嚴(yán)設(shè)置財務(wù)舞弊退市量化指標(biāo)，加強退市執(zhí)行力度，加強對審計人員技能和素養(yǎng)的培訓(xùn)，用先進的技術(shù)方法定位財務(wù)報告中虛假的信息，提高審計效率。