基于M-Score模型的财务舞弊识别研究——以J公司为例

我国证券市场创立30多年以来,实体经济与资本市场紧密结合,共同促进证券市场的成长。然而,财务舞弊事件时有发生,且涉及金额巨大,严重影响经济市场的稳定发展。文章以2022年因财务舞弊、信息披露违法违规等问题受到行政处罚的J公司为研究对象,利用M-Score模型中的8个指标和非财务信息对企业财务舞弊问题进行识别分析,同时针对如何防范财务舞弊提出建议,以期减少财务舞弊事件。

互联网上市公司财务舞弊识别模型构建研究

近年来,随着我国互联网平台企业经营范围的不断扩张和发展速度的不断加快,互联网公司的舞弊案件数量也呈大幅上升态势。目前,学界对于互联网公司的舞弊成因及其特征研究还较为缺乏,且尚未构建起具有针对性的舞弊识别指标体系和侦测模型。文章首先基于研究文献,剖析互联网公司舞弊的成因与特征,归纳出舞弊特征识别指标体系;其次,从国泰安财经数据库获取到2017—2022年间37家曾发生舞弊问题、25家正常经营的共62家互联网上市公司财务数据,运用LightGBM分类模型对抽取的1092条数据进行分组训练、273条数据进行模型检验,并通过GBDT基学习器和交叉验证得到最优参数;最后,运用五折交叉检验法对识别模型进行检验和评价。研究发现:销售费用、管理费用、财务杠杆、销售毛利率等财务指标,在有效识别互联网上市公司财务舞弊信号方面具有重要的判定作用。

基于数据挖掘的上市公司财务舞弊识别研究

国内上市公司财务舞弊呈恶性发展之势,要推进证券市场的预警与监管,对上市公司财务舞弊行为的识别就变得意义重大。以148个财务舞弊上市公司和配对的非舞弊上市公司为样本,运用神经网络建立了上市公司财务舞弊识别模型。此模型对训练样本和测试样本的识别正确率分别达到74.58%和70%,能有效的识别出上市公司财务舞弊与否。结果表明,该模型可以用于上市公司财务舞弊行为识别,对有舞弊动机的上市公司起到威慑作用。

基于随机森林的上市公司财务舞弊识别研究

在参考前人研究成果的基础上,引入组合分类方法中的随机森林技术,对2000～2008年有财务舞弊行为的上市公司及相应的控制样本数据进行分析,模型达到较高的预测率。随机森林在特征指标选择和预测精度方面都有很好的效果,目前还鲜有文献将这一技术运用到经济管理相关研究中。

基于分析性复核的上市公司财务舞弊识别的典型案例研究

本文对2016至2020年间证监会做出的行政处罚决定进行了统计描述分析,并选取海联讯作为典型案例,探讨上市公司上市过程中,相关各方应如何充分利用分析性复核程序在财务舞弊识别研究中的重要作用,期望能为财务舞弊识别研究提供新的思路和空间。

非平衡数据集下基于XGBoost模型的财务舞弊识别研究

针对现实中舞弊样本与非舞弊样本存在的数量不平衡情况,通过25个财务指标与2个非财务指标,运用过采样、欠采样技术及XGBoost模型进行财务报表舞弊识别研究。结果表明,SMOTE过采样方法与XGBoost模型的结合在非平衡数据集下具有较好的整体识别效果,对上市公司财务报表舞弊的智能识别有一定参考意义。

基于内部控制的上市公司财务舞弊识别研究

上市公司财务舞弊行为的治理关键是要通过企业内部控制治理来实现。因此本文以上市公司财务舞弊识别为研究对象,从营运能力、盈利能力、财务状况、成长速度、关联交易、内部治理结构等多个角度探究基于内部控制的上市公司财务舞弊识别途径,并从完善股东大会内部治理机制、健全董事会内部治理机制、完善监事会内部治理机制、完善公司内部控制机制等方面提出上市公司财务舞弊防范策略。

基于MD&A文本和深度学习模型的财务报告舞弊识别

财务报告舞弊是企业舞弊的手段之一,不仅会导致会计信息失真,而且会危害经济的健康发展,因此,如何克服传统的人工检测和基于数值指标的浅层模型识别等方法的弊端,找到一种更为高效的智能化识别方法具有重要的现实意义。选取2015—2019年间存在舞弊行为的A股上市公司定期报告,以其中的管理层讨论与分析章节(Management Discussion and Analysis,MD&A)为样本,同时确定了规模相同的控制样本,通过实证研究对比了深度学习模型和以往常用的浅层模型在检测财务报告舞弊时的性能。结果表明,在规模对等的舞弊和非舞弊类财务报告组成的文本数据集上,深度学习模型表现出明显优于基准模型的分类性能。研究结果为利用MD&A文本数据和深度学习方法识别企业财务报告舞弊的有效性提供了直接的证据。

大数据在审计中的应用——基于人工神经网络的财务报告舞弊识别研究

上市公司财务报告舞弊现象屡禁不止,因此反舞弊工作在资本市场上有着不可或缺的作用。传统反舞弊工作中,审计师主要依赖于财务报告等有限的数据信息及简单的数据分析工具,造成信息获取不全面、决策效率低下。大数据时代为多样性数据的获取及复杂数据分析工具的运用提供了便利,因此,文章致力于借助大数据思维和方法,以不同结构数据的特征选择为起点,详细阐述数据处理和建模过程,进一步梳理模型评估和优化的步骤,最终识别出影响企业财务报告舞弊的诸多因素。本研究将克服传统方式中数据结构的限制,力图挖掘应用传统数据分析方式难以观测的甚至超出常规认识的有价值的信息,以提升资本市场对企业财务报告舞弊识别的准确性和科学性。

大数据背景下财务舞弊的识别流程与应对策略

近年来,财务舞弊时有发生,使得财务信息质量与披露、欺诈防范等受到各方重视。基于此,通过结合大数据时代相关技术的运用,准确识别被审单位可能存在的异常行为和舞弊风险是财务报表审计中的关键步骤,为了解财务舞弊影响因素、效应和预警措施等,文章指出大数据时代亟需优化的财务欺诈研究方向。

大数据分析与财务舞弊检测

财务舞弊是资本市场毒瘤,如何防范和化解财务舞弊一直都是资本市场的重要议题。随着技术的进步,大数据技术在很多领域已经得到较快发展,使用大数据技术分析和预测财务舞弊已成为可能。本文分析了大数据技术在审计行业应用现状,对大数据技术在财务舞弊检测中的应用提出一些设想和建议。

财务舞弊预警研究文献综述

现今国内外专家学者关于财务舞弊的研究主要集中在财务舞弊动因的理论研究、财务舞弊的识别的理论研究两个方面。这两个方面的理论研究对我国资本市场研究财务舞弊行为有一定的启示,但是在解决财务舞弊行为上仍然存在一定的局限性。本文对国内外的上市公司财务舞弊预警文献进行了回顾与评述。

建立反财务舞弊机制对策

财务舞弊行为直接损害企业经济利益,或以不正当手段为企业谋取经济利益为目的,企业建立反舞弊机制对公司治理是非常必要的。本文提出发现财务舞弊的六种方法,并给出建立反财务舞弊机制对策建议。

2019~2021年上市公司财报可信度分析

财务舞弊研究中最难以实现但又最具有价值的当属事前识别问题。本文基于五维度财务舞弊识别框架,构建财报可信度评价指标,利用天健财判财务智能预警系统和数据库进行数据搜集和处理,分析2019~2021年我国上市公司(剔除金融业A股上市公司)和信用债发债主体发生财务舞弊的可能性。本研究首先介绍智能预警系统的构建逻辑和预警效果,然后分析上市公司总体财报可信度,并从交易所/板块、行业、地区和审计分布等角度进行分类“画像”,最后进行总结和展望。