财务舞弊识别框架构建——基于会计信息系统论及大数据视角

编者按：

近年来我国上市公司和中概股财务舞弊事件频发，学界和业界对此高度关注。本文结合理论与实务，构建了五个维度组成的财务舞弊识别框架，五个维度包括财务税务维度、行业业务维度、公司治理维度、内部控制维度、数字特征维度。该框架的理论基础是复式簿记与会计信息系统论，五个维度分别对应于会计信息生产的各个环节。在应用该框架时则有赖于学术研究、实务专家经验及多维数据的支撑。本文将讨论如何从五个维度出发，寻找与舞弊相关的信号、形成可度量的变量，并分析背后的逻辑关系，以及讨论如何进行组合分析，实现舞弊的事前识别。本文将给出初步的框架应用过程和结果，并在大数据视角下讨论了框架的适用性与局限性。本文发表于《会计研究》2022年第3期，是国家自然科学基金项目（72172135；72102204）的阶段性成果。

财务舞弊识别框架构建

——基于会计信息系统论及大数据视角

叶钦华1  叶凡2  黄世忠2

1 厦门大学管理学院会计系   361005

2 厦门国家会计学院   361005

一、引言

财务舞弊是一个世界性的、危害巨大的问题（ACFE，2022）。自我国资本市场建立以来，财务舞弊就与会计信息披露相生相伴、屡禁不止，成为阻碍资本市场健康发展的一大“毒瘤”。截至2020年12月31日，我国A股市场约有1,770家上市公司受到过相关部门的违规处罚案件6,744起，其中3,818起（占比约56%）涉及会计违规或财务舞弊，包括虚假信息披露、严重误导性陈述、未及时披露重大事项等①。这些公司分布于各行各业，舞弊动机各异、手法有别，其行为损害了各利益相关者，2019年的康美和康得新事件、2020年的瑞幸事件甚至产生了巨大的社会影响，严重破坏了我国上市公司的整体诚信。虽然新证券法实施、国务院办公厅30号文发布、康美药业集体诉讼等事件说明了监管措施正不断加强，但是从事前的财务舞弊识别的角度而言，随着科创板、北交所、IPO等市场制度的变化、新经济背景下企业商业模式创新的增多和更隐蔽的交易造假类财务舞弊占比上升（黄世忠等，2020），识别舞弊的难度无疑日趋加大。

现有研究为财务舞弊识别提供了二因素、三因素、四因素、多因素理论，分类列举了诸多红旗指标，从变量（如引入了公司治理、文本分析等变量）和模型（如采用机器学习等模型）两个角度提升了舞弊预测和识别的“精度”，但是仍有尚未解决的难题。例如：是否可借助会计本身的基础理论进行舞弊识别；如何建立一个实用的、指导寻找并囊括各类舞弊识别变量的框架；如何跳出财务数据和企业个体视角，利用大数据、机器学习等技术从更大范围获取变量、建立更合适的预测模型。

因此，本文期望建立一个有助于事前识别乃至预测财务舞弊，有助于寻找并归类舞弊识别变量，并分析变量与舞弊之间关系的研究框架。本文所讨论的财务舞弊概念与审计准则定义较为相近，主要指与财务报表有关的故意错报或故意漏报，包括交易造假类财务舞弊及会计操纵类财务舞弊。②此外，由于财务舞弊被监管机构识别样本往往较少且存在较强滞后性，实务中未被定义为“财务舞弊”的公司，也有可能存在“财务舞弊”，而本文主要讨论事前识别财务舞弊。所以本文实际上是期望对企业财务舞弊可能性给出事前判断或推定，即使这些公司在当前时点下可能隐藏在“财务异常”或“盈余管理”样本中。

本文所构建的五维度财务舞弊识别框架（简称“五维度识别框架”），依据的理论基础是复式簿记与会计信息系统论。由此本文建立由五个维度所组成的识别框架，五个维度对应于会计信息的各个生产环节，包括财务税务维度、行业业务维度、公司治理维度、内部控制维度、数字特征维度。其中，财务税务维度主要是分析财务报表科目或报表指标、税务指标的异常；其他四个维度则是非财务维度，主要反映企业的业务逻辑或数据特征。通过组合分析各个维度的异常信号形成“识别变量”，并进行模型构建与应用（如专家打分系统、机器学习等），才能够判断存在舞弊的可能性，实现事前识别。这个过程相当于是对企业会计信息质量进行了“用户画像”，其中也离不开专家经验与大数据技术的支撑。如何基于五维度识别框架这一系统性框架寻找并归纳舞弊信号、转化为可度量的变量、分析信号和变量与舞弊的逻辑关系；如何结合实务中识别舞弊的专家经验，对五个维度的信号和变量进行组合分析与挖掘量化，以应用于实践，将是本文讨论的核心问题。进一步的，本文也将给出基于该框架下的初步应用尝试，并在大数据的背景下讨论如何更好地应用该框架建立指数，实现舞弊识别。本文构建的财务舞弊识别框架，更多的是为识别舞弊提供一种方法、路径。在具体应用时，舞弊识别信号难以穷尽、变量的度量方式也有待改进，目前也仍有赖于大量专家经验及大数据技术的支撑。

本文预期的贡献是：首先，本文基于复式簿记和会计信息系统论的交叉勾稽、多维分析的思想，通过五个维度视角寻找与财务舞弊有关的财务、非财务特征，利用大数据技术与专家实务经验对五个维度相关识别信号进行量化和组合以定义变量，并通过建模来分析变量与舞弊之间的逻辑关系。这一方式更加全面和体系化。而且，五维度识别框架也更符合大数据背景，有助于更直接更快速地寻找与量化与舞弊相关的数据字段，更好地实现理论框架与大数据的结合。相对而言，过去如二因素、三因素等理论，虽然对舞弊行为的发生有较强的归纳，但是要应用这些理论进行舞弊识别却相对不易。所以，本文提供了一个更可行、更便利的舞弊识别框架。其次，本文构建的识别框架主要建立在事前识别的基础之上，即分析财务舞弊是否存在、是否发生，而不是事后寻找个别变量，解释财务舞弊为何发生。最后，本文基于五维度识别框架提出更多与以往不同的识别信号和变量，特别是非财务数据的充分利用与挖掘，例如实务中用于识别舞弊的专家规则（源于对审计专家的访谈、投资尽调和券商投行内核等私有案例观察与分析经验）或大数据技术挖掘的相关特征，转化为识别信号和可度量的变量，并将不同信号和变量进行建模尝试，以事前识别财务舞弊。理论基础与实务经验的结合、财务与业务的结合、会计技术与大数据技术的结合有望为后续学术研究与实务应用提供指导。

本文其余部分如下：第二节回顾与财务舞弊识别相关的理论、框架、变量和模型的改进；第三节分析本文框架构建的理论基础；第四节提出五维度识别框架，并深入探讨五个维度的内涵、识别信号和变量的获取和定义；第五节给出在小样本案例、A股上市公司的应用效果；第六节讨论本文框架结合大数据视角的研究与应用方向；第七节总结全文并讨论局限性。

二、文献综述

现有研究中可用于财务舞弊识别的理论和框架大致可分成两类。一类从舞弊动因出发，讨论导致舞弊发生的因素。具体包括：二因素（冰山）理论源自心理学，将舞弊动因分为“露出海平面”、容易识别的组织结构部分和“潜藏在海平面下”、被掩饰的个性化行为部分；三因素（舞弊三角）理论提出动机、机会、借口三类因素；四因素（GONE）理论则区分出贪婪、机会、需要、暴露四个动因；多因素（风险因子）理论进一步完善舞弊动因，分为与组织相关的一般风险因子、与个人相关的个别风险因子。

另一类研究则是寻找舞弊的预警信号、红旗指标。例如AICPA的SAS99和PCAOB的AS2401列出了多项舞弊风险因素。Albrecht和Albrecht（2004）区分了六类预警信号，包括会计异常、内控缺陷、分析性异常、奢侈生活、异常行为、暗示与投诉。黄世忠和黄京菁（2004）在此基础上，将预警信号分为管理层面、关系层面、组织结构和行业层面、财务结果和经营层面的一般预警信号，以及销售收入舞弊、销售成本舞弊、负债和费用舞弊、资产舞弊、披露舞弊的具体预警信号。

在选择变量、建立模型、识别财务舞弊的层面，目前研究主要从变量和模型两个方向入手③。第一个方向是引入更多的舞弊识别变量④。除了基础的财务指标，研究发现利润与经营活动现金流的差异（Lee等，1999）、财务报表上的原始数据（Bao等，2020）、财务指标的波动（洪文洲等，2014）、赋值方式处理的财务指标（李清和任朝阳，2016）、递延所得税指标（郦金梁等，2020）等变量都能够更好地识别舞弊。研究中也引入了非财务数据构成的变量，例如文本分析指标（Purda和Skillicorn，2015；Brown等，2020）等。

第二个方向是采用更为有效的识别模型。常规方法主要是Logistics回归、主成分分析等（Beneish，1999；Dechow等，2011；张新民和吴革，2008；钱苹和罗玫，2015），一些模型最后能够形成Mscore、Fscore、Cscore等估计值，以度量舞弊可能性。随着大数据技术的发展，研究也开始引入神经网络模型（Green和Choi，1997；Krambia-Kapardis等，2010；蔡志岳和吴世农，2006）和机器学习（Cecchini等，2010；Bertomeu等，2020）等方法。Perols（2011）、Gepp等（2021）等研究则同时比较不同模型的识别效果。此外，Gepp等（2018）介绍了大数据、数据挖掘方法；Perols等（2017）讨论了样本处理和配对方法；Amiram等（2015）、张苏彤和康智慧（2007）等研究引入本福特法则（Benford’s law）。

综上，虽然现有研究覆盖了财务舞弊识别相关的理论、变量、模型，但仍存在改进的空间：第一，在理论层面，上述二因素、三因素等理论根源上并不来自会计自身的理论。实际上，会计信息的生产过程本身是独特的，具有严谨的勾稽关系，舞弊将导致逻辑难以自洽的迹象，这是识别舞弊的一个重要手段。第二，在变量和模型的改进层面，目前仅有一部分研究根据三因素、四因素理论选取变量（Lin等，2015；洪荭等，2012）。更多的研究直接根据已有文献或研究者经验选择变量，所选变量与理论的关系并不那么明确，也就不容易在所选变量和舞弊之间建立起逻辑关系⑤；而且并没有形成统一的、全面的框架“容纳”这些变量，甚至是指导变量的寻找。第三，实施舞弊的手法是一个实务操作，证券机构、会计师事务所、咨询公司等中介机构在实务中积累了诸多来自一线的、实践证明有效的舞弊识别经验，特别是一些组合分析的方法，如何将实务经验纳入研究框架，转化为普适的规律、可度量的变量也尚待讨论。第四，如何结合大数据技术拓宽变量获取的来源和方式，利用专家打分与机器学习等方法建立更有效的适用于我国资本市场制度背景及企业样本的财务舞弊指数，仍有待探讨。

三、财务舞弊识别框架的理论基础

与现有的二因素、三因素等理论不同，五维度识别框架的构建源自两个会计领域的基础理论，即复式簿记和会计信息系统论。

（一）复式簿记

复式簿记是会计的前身，其基本原理和规则一直延续至今。复式簿记的基本框架可以拓展为：资产=业主主权+债务产权=负债+资本；综合收益=收入-费用+利得-损失；其中各个会计要素之间存在相互联系、协调一致的勾稽关系（葛家澍和高军，2013），即三大报表内部、三大报表之间存在着严密的勾稽关系。基于复式簿记，“常规勾稽”是指“有借必有贷、借贷必相等”的原理，例如增加赊销一笔销售收入，势必会在资产负债表增加一个相同金额的应收款项类资产科目。理论上，财务舞弊也需要满足常规勾稽。本文在“常规勾稽”基础上衍生出“联动勾稽”，即拉长勾稽关系链条、拉长年度，就能够观察与识别报表科目或报表指标之间异常特征。财务舞弊一般是以调节利润表收入、毛利率科目为抓手，相应会在资产负债表中会留下很多痕迹，并且这些痕迹的“消化”过程可能在跨年度、不同时点下呈现出不同的特征，这些有规律的异常现象就可用于舞弊识别。例如收入与长期资产联动异常这一识别信号中，收入和长期资产并未直接勾稽，中间还通过多个科目形成潜在的关系，此时需要找出的是两个“终端”科目的联动勾稽关系。这种对数据勾稽关系的交叉验证的思路不仅适用于财务层面，也适用于财务逻辑与业务逻辑的分析，即财务上的数据是否有足够的业务基础支撑。不同角度的异常能够在多大程度上相互印证与支持，决定了舞弊的可能性和识别的准确度。

另外，复式簿记本身的基本功能就是公允、真实与透明地反映经营真相，也指出资产=资产权，明确了经营主体和所有者的利益关系，这都是防范财务舞弊所要达到的目标。

（二）会计信息系统论

会计信息系统论认为，会计可以看作是一个信息系统，一个以提供财务信息为主的经济信息系统（葛家澍，1988）；不管是基于受托责任学派还是决策有用学派，提供有用信息都是其主要职能。这里产出的信息，需要能够真实地反映经济活动或经济业务，即达到相关性和如实表述；反之，排除准则和职业判断的问题，便可能是存在财务舞弊。如图1所示，会计信息的生产过程是：交易事项——原始数据——会计凭证——会计账簿——财务报表；进一步的，交易事项涉及实物流、资金流、业务流，会计处理包括确认、计量、记录、列报。这也是舞弊可能发生的各个环节：在会计凭证到会计账簿的环节，主要涉及会计操纵类舞弊，例如提前确认收入；在交易事项到原始数据的环节，主要涉及交易造假类舞弊，例如虚构虚假交易；当然，舞弊也需要全过程的协同操作，直到形成财务报表。黄世忠等（2020）指出，越来越多舞弊公司采用了更复杂的交易造假类手法。因此，对财务舞弊的识别也需要相应地从各个环节入手，即对会计信息生产源及生产过程进行“解构”与“验证”，以分辨并寻找是否有某个环节受到信息生产者出于某种目的主观期望影响，导致产出信息不合规、不公允，为舞弊的滋生提供“温床”。首先是需要寻找并核查交易事项实际发生的证据。其次是需要分析信息生产加工各环节的可验证性，即不同的人、依据相同的信息输入、遵循相同的会计准则，能够得出相同或基本相似的结论（葛家澍和刘峰，2003）。最后，各个环节之间的异常也可以相互验证、相互组合分析以发现舞弊迹象或信号。

五维度中，财务税务维度最接近最终的财务报告，财务报表的勾稽关系与交叉验证是识别财务舞弊的直接切入点；同时，这一维度主要对应于会计凭证到财务报告环节，这一环节的舞弊手法主要是进行会计操纵，可以从会计政策、财务数据与指标、财税差异等方面入手识别舞弊。行业业务维度主要对应于交易事项到原始数据的环节，这一环节是支撑企业财务表现的基础，或者说最终财务上的结果来自于合理的行业与经营特征，该环节的舞弊手法往往借助虚构交易，需要从行业、业务的商业合理性识别舞弊。通过公司治理维度、内部控制维度识别的舞弊行为则往往有能力影响其中任一环节，或者说贯穿了会计信息生产的全过程，如实际控制人为满足私利的操控，通过交易对象隐性关联化实现业务流、资金流与物流闭环等。因此，这两个维度偏向于识别舞弊动机或者合谋路径。数字特征维度分析的是人为操纵后的数据异常，可适用于所有能够产生并获得数字型数据的环节。由此，本文通过五个维度寻找能够识别舞弊、转化为可度量变量的迹象或信号，涵盖了会计信息生产全环节。财务报告是企业的经营、行业特征、乃至战略执行经过会计信息系统处理后呈现出的结果，只有通过对会计信息系统全环节的分析，才能够发掘财务数据背后的交易事项与实际业务，从更大的层面更有效地识别舞弊，而不仅仅是局限于狭义的财务数据。

此外，本文构建框架的逻辑因果关系存在“广义”和“狭义”两个层次。首先，从框架构建目标来看，广义上“果”是事前识别财务舞弊，即在监管机构处罚年度这一时点之前识别财务舞弊。广义上的“因”则包括了在舞弊被识别之前的舞弊信号，既包含舞弊实施后产生的财务异常信号，亦包括舞弊实施动机、实际路径等方面的异常信号。其次，狭义上的因果则体现为会计信息系统本身的因果关系，即财务报表可以视为会计信息生产的“果”。所以，本文五个维度虽然包括狭义上的因果两方面内容，但实际上，只要财务舞弊未被揭发或识别出来，为了识别舞弊这一广义上的果，就需要将会计信息生产的因、过程、果中出现的异常信号都加以考虑。

综上，复式簿记提供了从勾稽关系、交叉验证入手的基础分析思路，并以此进行跨报表、跨年度的联动分析。基于会计信息系统论，可以从五个不同维度进行跨财务、业务、实控人行为等更大范围的联动分析。

图 1  理论基础——会计信息系统论

四、财务舞弊识别框架的构建

（一）五维度识别框架及其应用逻辑

本文构建的财务舞弊识别框架包括五个维度，分别是财务税务维度、行业业务维度、公司治理维度、内部控制维度、数字特征维度（如图2）。首先，财务税务维度是五维度的中心与切入点。但是影响财务异常的因素众多，仅仅依据财务数据难以确证舞弊。因此本文参照会计信息生产过程各个环节对应的“人为操纵痕迹点”，引入其他四个反映企业业务逻辑的非财务维度。五维度构成多维分析视角，是相互补充与相互印证的关系，形成组合分析。

其次，五维度的选择和应用也立足于实务经验，需要大量专家评估作为基础。财务舞弊的实施是一项实务操作，实务中识别财务舞弊的方法也极具借鉴意义。正如《思考的快与慢》（丹尼尔·卡尼曼著，2012）一书所述，大脑有快和慢两种作决定的方式，一种是无意识的“系统1”，依赖情感、记忆和经验迅速做出快速判断；另一种是有意识的“系统2”，通过调动注意力来分析和解决问题，并做出理性决定，但比较慢。由于财务报表中包含许多会计估计与职业判断，实务中识别舞弊的过程亦充满着职业判断与职业怀疑，这是一个经验和思考的归纳总结和演绎推理过程：第一层次是寻找具有因果关系的舞弊信号，这个过程类似于风险导向审计思维，基于会计基础理论来分析、识别财务与非财务的异常特征，如异常财务指标特征、异常行业业务模式等。第二层次则涉及与舞弊相关，但尚未找出因果关系的舞弊信号，这些信号可能为外部事件传导，也可能是受数据统计特征启发，但却对专家判断具有较大帮助，例如负面新闻舆情、异常数字特征等。可见，实务中积累了众多不同角度进行识别的迹象或信号，且专家判断过程具有多维交叉验证的特征。五维度识别框架下变量定义、模型构建与应用类似于专家的组合分析及思考过程，拟合专家识别舞弊的规则经验。

最后，需要将识别出的财务舞弊预警信号，转化为可以定义、判断和量化的变量，特别是一些非财务信息。这加强了可操作性，也有助于后续与大数据技术、统计建模的结合。通过五个维度挖掘变量，相当于提供了一个层层分解的思路，也有助于分析变量与舞弊之间的逻辑关系。因此，五维度识别框架更接近实务专家智慧的思考框架，也更直接地指导变量的寻找，是数据采集及清洗的依据，从而实现“专家规则+大数据”结合的事前舞弊识别。

图 2  五维度财务舞弊识别框架

综上，五维度财务舞弊识别框架的具体应用如图2所示：第一步是从财务税务维度切入，通过横向、纵向、趋势等比率分析报表科目间的勾稽关系来识别财务异常。这里区别于传统的杜邦分析法等经典指标分析方法，本文引入具有勾稽、逻辑关系的报表科目与科目之间的联动指标分析，这类科目之间的联动异常往往与财务舞弊更加相关。第二步是从四个非财务维度视角寻找舞弊信号，以判断财务异常背后是否有合理的支撑、是否指向舞弊。第三步是将识别出的各个维度的财务舞弊信号转化为可定义、判断和量化的变量，特别是一些来自非财务信息的信号。第四步是五维度之间的相互组合分析与交叉验证，并借助于专家打分、机器学习等方法进行模型构建，实现对财务舞弊发生可能性的事前识别和预警。进一步的，财务舞弊类型大致可以区分为收入舞弊、成本费用舞弊、减值舞弊、资产舞弊和其他舞弊，不同的舞弊类型将产生不同的舞弊信号，可以进一步结合舞弊类型或手法来拓展本文框架。

（二）基于五维度的舞弊识别信号

基于五维度识别框架，寻找更多的与财务舞弊相关的识别信号，进一步将其转化为可度量的识别变量，对不同变量进行组合及模型构建，是本文所构建框架的核心，特别是过程中对实务专家规则的转化。

表1  五维度识别信号

 1. 财务税务维度

（1）财务维度。财务报表是提供会计信息的载体，通过财务报表真实的反映经济活动或经济业务是会计的基本职能之一。财务报告概念框架制定了既定的概念、原则和目标来指导会计准则的制定，以期让企业按照相对统一的标准来编制财务报表。然而实务中会计准则充满人为估计且不断修订更新，仅仅罗列会计科目的财务报表的可理解性也有待改进（即使还有附注、管理层报告等财务报告内容）。因此，在信息不对称的市场中，我们不仅需要完整的信息生产、传递系统，还需要相配套的信息解释系统（黄世忠等，2007）。

财务报表分析就相当于解释系统，其第一层目标应是以复式簿记等会计理论为基础，通过报表科目与科目间，指标与指标之间的“联动勾稽”关系来解读或预警财务报表可信度，即是否会计信息质量较差，甚至是否存在财务舞弊；其第二层目标是在假设财务报表信息真实可靠的前提下，解读公司财务状况和经营业绩，帮助报表使用者提高决策有用性，例如哈佛分析框架等。

本文的财务维度主要针对第一层目标，旨在建立以财务舞弊识别为目标的联动指标体系。会计信息生产过程以交易事项为基础，依据的是会计准则，形成最终的报表数据。如果企业虚构交易事项，或未遵循会计准则、有意选择或变更会计政策与会计估计方法，以达到特定目的，就将导致最终报表数据出现异常。反之，通过识别报表数据是否异常，并验证异常背后是否有合理的会计处理和勾稽关系，亦可能识别出舞弊信号。舞弊在财务报表中会留下很多痕迹、需要“消化”过程，不同时点将呈现出不同的特征，这些有规律的异常现象就可用于舞弊识别。因此，这一维度将总结舞弊公司财务报表中具有共性的报表科目间或报表指标间的联动异常特征，并分析其背后可能的舞弊信号，这相当于是对传统科目分析、单一指标分析的补充，有助于更准确的将科目异常与财务舞弊相关联。

例如在康美药业（600518）、康得新（002450）等上市公司中，存在资产一方有着大额货币资金、负债一方同时存在大额有息负债、且存贷比接近于1的高存高贷现象。这一联动异常并不符合商业合理性，进一步的是联动分析其银行存款利息收益率是否极低，因为这可能指向货币资金舞弊。又如，在不同行业、不同商业模式下，影响毛利率的销售单价、销售成本的料工费占比等要素均可能有较大差异，很难以唯一的阈值标准界定毛利率指标异常。一种可行的分析方法是与行业可比公司均值的比较，但受行业分类方法、商业模式分类众多且尚在持续创新变化等因素的影响，对行业可比公司的准确选择与数据处理并非易事。此时，指标间联动分析可以快速帮助识别毛利率舞弊特征，例如若出现存货周转率逐年下降且毛利率逐年上涨的联动现象，往往表示舞弊的可能性也较大。因为合乎逻辑的变动应是：毛利率逐年上涨反映的是公司产品市场竞争力强、销售供不应求；一般情况下存货周转率也应随之提高。

（2）税务维度。会计数据依据会计准则，而税务数据依据税法，后者在规定和执行上都比会计准则有更强的刚性和更少的自由裁量权（戴德明等，2005）。一些会计上的操纵手法在税务上难以实现。此外，当企业通过财务舞弊虚增利润时，将产生纳税成本。如果企业为规避成本，在税务上采用不同的做法，就会形成更大的会税差异或递延所得税异动指标。因此，从税务角度能够验证会计上是否存在操纵。当然，会计和税务本身就存在差异，但是这一差异在行业、产权性质等方面存在一定规律，可以通过行业对比等方式予以排除。

基于学术研究、专家的访谈、实务中尽调和券商内核等行为的经验总结和案例分析，表1列示了本文归纳的与收入舞弊相关的部分财务税务维度信号，以下各维度信号示例亦如表1所示。

2. 行业业务维度

企业经营离不开行业、业务模式和商业模式的选择。不同产业链、乃至产业链上下游的企业之间都有不同的特点，同一细分行业内的企业之间亦有不同的商业模式，这些差异最终将反映在财务报表上。例如医药制造企业有别于医药流通企业，前者有着高研发支出、高毛利率、高销售费用率的“三高”特征，后者则有着高营业收入、低毛利率、高资产周转率的“两高一低”特征。因此，对比分析同一行业内企业的经营指标或业务相关指标，能够验证财务数据背后是企业竞争优势的体现还是财务舞弊的风险信号。

行业业务维度主要涉及企业与其所处行业的景气度指标、经营指标、业务预期指标等的对比，例如人均产值、销售回款周期、工程施工周期与行业均值的偏离度等。以雅百特（002323）为例，其以虚构海外工程项目和国内外建材贸易的方式虚增营业收入。对比同行业上市公司数据，可以发现雅百特的盈利能力远高于同行业平均水平，特别是2015年：雅百特的收入增长率达86.77%，行业指标则为-22%；雅百特的2014年至2016年毛利率分别为39%、43%、35%，行业指标则仅为33%、31%、26%。通过公告信息进一步分析业务数据可以发现，2015年7月雅百特新增客户巴基斯坦工程项目尚未动工，但在2015年年报中已确认收入实现完工，这一工程项目的完工周期（合理推断为6个月以内）与行业惯例或业务特点严重不符。由此，通过同行业可量化指标的对比分析，可以合理推断雅百特存在财务舞弊的可能。

3. 公司治理维度

现有研究已表明公司治理能够影响会计信息质量，类似的，公司治理也与财务舞弊息息相关。葛家澍和杜兴强（2008）在公司治理结构的基础上提出的“公司治理生态”，健康的公司治理生态能够确保发现会计信息披露中的不可靠性、乃至财务欺诈，而失衡的公司治理生态则往往成为助长财务欺诈的温床。特别是在我国特殊的制度背景下，公司治理仍存在诸多缺陷，例如实际控制人是财务舞弊的主要策划者、受益人，却未承当相应的责任；应扮演制衡角色的审计委员会、独立董事、监事会则是形式重于实质、柔性成分多于刚性成分（黄世忠，2019）。更确切地，本文的公司治理维度主要围绕公司治理生态的概念范围来寻找舞弊识别信号，涵盖可能导致财务舞弊的以公司内部实际控制人为中心的公司治理机制、外部参与者的行为治理，乃至对内外部治理的相互依存度的评估。

具体应用时，公司治理维度聚焦于对影响公司重大交易或决策行为的“关键少数”，更注重制度与程序之外，即“人”的行为分析及数据挖掘，例如大股东行为、高管行为、审计师行为等等公司治理生态的利益相关者，这些信号往往与财务报表层次的舞弊风险评估相关。目前出现越来越多的交易造假类财务舞弊与会计操纵类财务舞弊相比具有三个显著的特点：公司治理层往往牵涉其中；形成上下串通、内外勾结等合谋现象，造成的损害更具破坏性。也就是说，这类舞弊往往需要公司治理层授意与安排，才能够实施虚构实体、虚构交易、直到财务报表产出全过程的“一条龙造假”。此外，公司治理维度的分析也有助于识别舞弊动机或者串通合谋路径。例如航天通信（600677）于2015年高溢价并购智慧海派，并签订了2015年至2018年的业绩承诺协议，后者承诺2015~2018年净利润不低于2亿元、2.5亿元、3亿元、3.2亿元。结果智慧海派各年度业绩承诺完成率“精准达标”，为111.22%、116.54%、103.74%、109.61%。最终证监会处罚确认，智慧海派虚增收入以实现业绩承诺。业绩承诺给股东、实际控制人带来的巨大压力和利益动机，反而成为一种舞弊动机。

除了借助公开资料分析、实地观察、访谈等方法分析股东行为，在这一维度还可以分析中介机构、监管机构关系处理方面是否存在异常情况（黄世忠和黄京菁，2004），引入治理层、高管层个人特征等非正式制度因素（Du，2017）。

4. 内部控制维度

内部控制指的是由企业董事会、管理层和其他员工实施的，旨在为经营的有效性和效率、财务报告的可靠性、符合使用的法律和法规这些目标的实现提供合理保证的过程⑥。其中财务报告可靠性目标与财务舞弊直接相关。审计准则中要求审计师需要了解内控，进行内控测试，聘请注册会计师对企业财务报告内部控制进行审计已是一项常见的制度安排。因此，本文内部控制维度即是从企业财务报告内部控制的建立和执行的有效性角度，判断企业交易事项真实性，印证财务数据合理性。更确切地，这一维度围绕财务报告内部控制的概念范围，借鉴内部控制的目标与要素，寻找与财务舞弊相关的财务报告控制活动点，以寻找舞弊识别信号。

具体应用时，内部控制维度聚焦于财务报告内部控制设计与执行结果的舞弊信号识别，这些都是与财务报告内部控制相关的关键控制点，这些异常信号往往与各类交易、账户余额和披露的认定层次的舞弊风险评估相关。例如上市公司与重要客户、供应商之间的交易是否具备商业实质，是企业收入真实性目标的关键控制活动，因此对重要交易对象（如前五大客户、前五大供应商）的核查是识别舞弊的一个可行角度。紫鑫药业（002118）于2010年和2011年通过隐性关联方提前确认人参销售业务收入。进一步分析工商数据等可以发现，这些新增收入的主要交易对象与上市公司及其股东在工商注册信息的方面存在一致或关联之处，而且这些异常在实施收入舞弊行为之前就有信号可循。虽然，舞弊的“受益者”与“策划者”主要是实际控制人，但交易造假往往需要看似是不相关的利益相关者参与合谋。此时舞弊识别就将拓展至更广泛的利益相关者的领域。

企业对外交易相关事项的数据、信息相对公开、容易获取。如果在审计、财务尽调等可以获取更多企业内部数据的场景下，则还可核查采购、销售、生产环节的关键控制表单。这些表单造假的技术难度及成本非常高，考虑到财务舞弊的实施成本及难易度，企业很难做到“面面俱到”。

5. 数字特征维度

从最初的交易事项到最后的财务报告，会计信息包含了诸多“数字”。仅仅分析这些数字，也有规律可循。例如，本福特法则指出1至9出现在一个数字的不同位数的概率不同，如1作为首位的概率大约为0.301。因此，如果出现对数字的操纵，那么1至9的分布就会与未操纵时不同。

本文数字特征维度指的是人为操纵后的数据特征异常，可适用于所有能够产生并获得数字型数据的环节。首先，这一维度的异常信号的判断依据与财务、业务、企业经营等逻辑无关，而是数据本身在统计分布等方面的异常。财务舞弊源自“人”的目标规划与行为操纵，因此很难产生与随机行为相同的结果或分布特征。其次，数字特征维度的信号的数据来源可能来自会计信息生产的全过程，包括财务、业务等，只要是有数字型数据产生，就有可能涉及这一维度。最后，虽然数字特征可以来自财务报表上直接可获取的数据，但是其使用方式、背后的逻辑与传统的财务指标、财务报表分析并不相同，亦不依据于财务与业务逻辑，相对独立。因此本文将其单独作为一个维度。

（三）基于五维度的舞弊识别变量

本文的识别框架从五个维度的视角出发，寻找能够识别财务舞弊的信号，最终需要转化为可度量的识别变量，以实现应用。实务中，财务舞弊的手段呈现系统化、业务化、多元化的特征，不同行业又各有特点。同时，财务舞弊具有一定的滞后性和隐蔽性，要明确一家企业是否存在财务舞弊非常困难，目前主要依靠监管机构处罚来认定。因此，在有限的“财务舞弊样本”中观察和提炼识别变量（特别是非财务数据相关识别变量），需要大量专家经验及大数据技术的支撑。

首先，各维度识别信号可分为单一信号与组合信号两类，两者的差异是前者是将单一信号转化为一个变量，而后者是将同时出现的多个信号组合转化为一个变量，后者的重要性、有效性一般强于前者。例如可定义识别变量“收入异常且长期资产异常”，因为只有当收入与长期资产同时异常时，才可能说明公司利用长期资产掩盖收入舞弊背后虚增的毛利。组合信号本身往往具有特殊含义，是指向舞弊的线索，也有助于在出现异常时反过来指明进一步核查的方向。组合信号的定义既可依据财务税务维度中财务报表本身的勾稽与指标联动，也可依据五个维度之间的交叉验证，如并购重组事件不仅涉及并购溢价本身带来的财务报表高商誉问题，也涉及业绩精准达标的异常问题。

其次，本文一般将变量定义为哑变量，即根据是否触发或达到阈值而取0或1。阈值则依据绝对额大小、权重占比、同行业均值偏离度、纵向同比变动率等方法来确定。需要说明的是，变量的定义，特别是阈值的确定问题，会因为不同时间段、不同市场环境而变化，也需要依据专家的经验或统计数据特征，但是信号一般是确定的。

本文结合A股上市公司过往十年的财务报表数据特征及专家实务经验，将五维度的信号转化为明确定义和赋值的变量，示例如表2。此外，本文框架与不同的财务舞弊手法相结合，在变量层面则体现为，变量与变量的组合则可以指向不同的舞弊类型，或者说对于不同的舞弊类型，可能采取不同的特殊变量组合和赋予不同的权重。例如，财务税务维度的收入异常且应收账款异常，与内部控制维度的新增前五大客户为隐性关联方，两个变量同时达到阈值取值为1时，往往可能指向收入舞弊。

表 2   识别变量的定义

综上所述，本文从会计基础理论与实务经验相结合、财务与业务相结合、会计技术与大数据技术相结合等角度出发建立五个维度的财务舞弊识别框架，为寻找和系统容纳财务舞弊识别信号与变量提供了一个新思路和指导框架，也为分析与舞弊的可能关联提供了路径。而且，财务税务维度的分析“标记”了财务报表层面存在的异常，其余四个维度的分析则提供了进一步的支持和交叉验证，通过各个维度内部和之间的信号组合分析，最终形成识别变量，作为后续模型应用与指数构建的基础。

五、财务舞弊识别框架的应用尝试

（一）小样本案例分析

本文的财务舞弊识别框架的最直接应用，是为分析小样本案例提供一个基础的分析框架，以识别财务舞弊信号并进行交叉验证。小样本案例分析的特点是可以获取的资料、数据相对较多、较细，分析舞弊信号、定义异常程度，或者说将信号转化为变量时，可以更有针对性、因每一个案例的不同而不同。本文以2010年至2019年因财务舞弊被中国证监会处罚的101家公司为样本，分析其在舞弊发生当年和舞弊发生前一年度的异常特征，共计376个公司/年样本。表3列示了通过五个维度可识别出的前十大的舞弊预警信号；其中，出现最多预警信号为与上市公司前五大客户或供应商相关的异常特征，这也间接印证了财务舞弊愈发转向更加隐蔽的上下游串通舞弊手法（黄世忠，2020）。可见，利用本文五维度识别框架对过往财务舞弊案例进行复盘与描述，有助于从不同维度挖掘舞弊信号，并分析这些信号与舞弊的逻辑关系、以及信号是否可量化。

表 3   小样本案例分析的应用

（二）模型构建尝试（专家打分系统）

不论是学术研究还是实务分析，都期望有一个简单实用的指数，能够衡量难以直接观察到的现象、迅速判断企业的会计信息质量情况。特别是针对财务舞弊，其具有事后性、隐蔽性及随机性的特征。目前本文已尝试的方法是在五个维度识别出的财务舞弊信号和变量的基础上，结合专家经验，形成一个专家打分系统，实现对财务舞弊发生可能性的判断。具体专家打分过程如下：首先，基于前述五维度识别框架，与专家讨论并选择适用于上市公司场景的舞弊识别信号，选择时主要考虑规则的适用性、数据可获取性、数据量化效率等。其次，结合上市公司过往十年财务报表数据特征及专家实务经验，对识别信号进行定义与赋值。再次，对可度量的舞弊识别信号进行分类与组合，组合时主要参考小样本案例描述及专家实务经验归纳的财务舞弊类型、不同财务舞弊手法等。再次，结合专家实务经验对不同识别变量给予舞弊识别关联度排序及折扣系数设定。最后，计算每一家公司当年度的财报可信度得分，并将打分结果最低25%区间的样本划分为舞弊可能性较高的公司。

本文构建模型的应用尝试以能否事前识别财务舞弊公司，即早于实务中监管机构识别舞弊的年度，为模型效果的检验标准。以下两组结果应用一定程度上佐证了实际使用本文框架进行上市公司财务舞弊事前识别时，具有较好的可行性和预警效果。

表 4    专家打分系统的应用

——2018年度实施财务舞弊样本的事前预警效果

首先，以2018年度打分结果为例，本文选取了2019年和2020年度证监会处罚的10家上市公司进行测试，该样本组公司财务舞弊发生年度均涵盖2018年度。专家打分系统发现10家公司2018年度财报可信度得分均为低，即均在舞弊可能性为高的组别，本文有效预警年度（2018年度）早于证监会处罚年度（2019-2020年度），结果如表4⑦。

其次，具体以康得新这一个案为例。对于康得新，本文识别出的财务舞弊信号包括：高存高贷且利息收益率异常；高存高贷且控股股东股权高质押；收入与预付账款联动异常；收入与货币资金联动异常；在建工程进展特征异常；人均产值远高于行业平均水平；频繁收到监管函。其最终被处罚的核心问题是货币资金舞弊与收入舞弊。可见，识别出的舞弊信号与监管处罚提及的问题高度相符。

六、大数据视角的研究与应用方向

智能识别财务舞弊行为的基础，是需要合适模型及足够数据的支撑，而这一点又有赖于近期计算机科学在大数据领域的高速发展。如前所述，就五维度识别框架在上市公司样本的应用尝试而言，结合专家打分系统可以形成一个具有一定效果的舞弊指数。但专家打分系统仍存在经验规则难以遍历、非财务数据处理成本高昂、处理效率低下的现实挑战。碍于数据处理成本、经验提取和量化的难度，上文的应用尝试还未完全充分利用各类财务与非财务信息，特别是文本、图片等非结构化信息。结合目前日益成熟的大数据技术，这将是更有效地应用五维度识别框架的方向。或者说，五维度识别框架的最终有效应用有赖于大数据技术的支撑与融合。

首先，大数据技术可以与变量的寻找和量化相结合。本文框架有助于挖掘与财务舞弊相关的信号和变量，特别是非财务数据相关识别变量，但是在具体应用时需要对多维度、多类型的海量数据进行结构化、标准化处理。其中：财务数据相对容易获取或处理，例如上市公司财务报表及附注的表格信息；而临时公告信息、利益相关者的工商司法数据、新闻舆情等非财务数据来源较广，如行业研究网站、工商信息网站、裁判文书网站等，且基本为非结构化状态。基于大数据技术的结合，我们才能采集、存储和处理大量非结构化数据，让模型可以基于多源、多维数据进行高效分析。例如，数字特征维度中互联网企业的个人客户充值IP地址分布、时间分布的大数据分析。

其次，大数据技术可与变量的组合相结合。基于大数据的知识图谱技术，我们可以聚合实体关系和属性，构建以上市公司与利益相关者之间的企业关系网，既可以与上市公司公告信息进行交叉核验，也可以通过实体属性和关联网络进行事理推演，复盘企业舞弊起因和先兆。例如在内部控制维度中，借助于知识图谱技术识别上市公司与重要客户供应商的隐性关联关系。

最后，大数据技术可以与指数建立相结合。本文框架定义了诸多财务舞弊识别变量，但是要通过计量、统计方法形成一个简单有效的指数，至少存在两个难题：一是识别变量较多，且可能在不同案例、样本、舞弊手法下具有不同的效果；二是舞弊样本比例较低、极度不平衡。引入大数据技术，通过应用机器学习等方法，如决策树、随机森林、神经网络、支持向量机等，将有助于解决这些难题，实现信息的更有效利用。

综上，本文五维度识别框架一定程度上体现了大数据思维模式与数据特征，在获取舞弊信号背后的多源数据过程中体现了体量大和完备性的特点，在五维度所寻找的多信号多变量方面体现了多维度的特点，在数据及时更新、实时给出舞弊可能性结果方面体现了及时性的特点。我们将在后续研究中结合大数据视角，以获取更全面的数据与变量，并利用机器学习等方法形成财务舞弊识别指数。

七、总结与讨论

哈耶克曾指出，任何资源的配置都是特定决策的结果，而人们所做出的任何决定都取决于其给定的信息。中国资本市场长期以来受到财务舞弊的影响，削弱利益相关者的信息获取，存在明显的信息不对称风险。本文以复式簿记与会计信息系统论为理论基础，分解会计信息系统论中的信息生产过程，讨论各个环节发生舞弊的可能信号，结合专家实务经验观察单一信号、组合信号与舞弊的关系，进而构建了五个维度组成的财务舞弊识别框架。本文的五维度识别框架引入更多的舞弊识别信号和变量、有赖于专家规则及与大数据技术的结合，期望有助于更好地寻找和组合变量、分析其与舞弊之间的逻辑关系，实现舞弊的事前识别。

根据信息的公开程度和获取难易度、不同的应用场景，本文框架在不同场景下亦可能有不同的应用。例如用于上市公司审计或尽职调查时，除了寻找财务舞弊识别变量，还可进一步核查相关证据，此时数据获取成本也更低、来源更广。又如在案例研究中，可以借助五个维度，以一种事前分析的视角讨论和寻找舞弊的迹象。

本文更多的是从理论角度讨论财务舞弊识别框架，形成一种识别舞弊的方法论和“容纳”舞弊识别特征的框架。具体寻找舞弊识别信号或变量时，信号和变量难以穷尽、不同变量的度量方式也有待更细致的讨论。目前，五维度识别框架的具体应用仍有赖于大量专家经验及大数据技术的支撑。另外，尽管在小样本案例分析、A股上市公司应用尝试表明，该框架具有较好的可行性和预警效果。但在后续建立财务舞弊指数时，仍需要进一步验证本文框架的可行性、舞弊识别变量和实务经验的实际解释力。本文五维度识别框架提供了一个拟合专家思考的分析方法，但舞弊手法迭代、数据处理成本等问题都将影响框架的应用和指数的准确性。下一步，我们将结合大数据技术，基于五维度识别框架设计和组合变量，通过机器学习等方法，建立指数，并利用专家打分系统进行双向验证与模型调优，这将是一种新视角、新方法。（完）

主要参考文献：

蔡志岳，吴世农．2006．基于公司治理的信息披露舞弊预警研究．管理科学，4：79~90

丹尼尔·卡尔曼．2012．思考，快与慢．北京：中信出版社

戴德明，张妍，何玉润．2005．我国会计制度与税收法规的协作研究——基于税会关系模式与二者差异的分析．会计研究，1：50~54+95

葛家澍．1988．会计学导论．上海：立信会计图书用品出版社

葛家澍，高军．2013．论会计的对象，职能和目标．厦门大学学报，2：30~37

葛家澍，杜兴强．2008．会计信息、公司治理与会计准则：理论分析、博弈解释与历史证据．当代会计评论，01：1~28

葛家澍，黄世忠．1999．反映经济真实是会计的基本职能——学习《会计法》的一点体会．会计研究，12：2~7

葛家澍，刘峰．2003．会计理论——关于财务会计概念结构的研究．北京：中国财政经济出版社

洪荭，胡华夏，郭春飞．2012．基于GONE理论的上市公司财务报告舞弊识别研究．会计研究，8：84~90+97

洪文洲，王旭霞，冯海旗．2014．基于Logistic回归模型的上市公司财务报告舞弊识别研究．中国管理科学，1：351~356

黄世忠．2019．上市公司财务造假的八因八策．财务与会计，16：4~11

黄世忠，黄京菁．2004．财务报表舞弊行为特征及预警信号综述．财会通讯，23：4~9

黄世忠，连竑彬，王建峰．2007．财务报表分析：理论、框架、方法与案例．北京：中国财政经济出版社

黄世忠，叶钦华，徐珊，叶凡．2020．2010～2019年中国上市公司财务舞弊分析．财会月刊，14：153~160

郦金梁，吴谣，雷曜，黄燕婷．2020．有效预警上市公司违规的递延所得税异动指标和人工智能模型．金融研究，8：149~168

李清，任朝阳．2016．上市公司会计舞弊风险指数构建及预警研究．西安交通大学学报（社会科学版），1：36~44

钱苹，罗玫．2015．中国上市公司财务造假预测模型．会计研究，7：18~25+96

张苏彤，康智慧．2007．信息时代舞弊审计新工具——奔福德定律及其来自中国上市公司的实证测试．审计研究，3：81~87

张新民，吴革．2008．财务报告舞弊的特征与识别模型研究．财贸经济，12：36~40

Treadawy委员会起组织委员会．2008．内部控制——整合框架．方红星主译，刘玉廷主审．大连：东北财经大学出版社

Albecht, W. S., C. Albecht. 2004. Fraud Examination & Prevention. South-Western

Amiram, D., Z. Bozanic, E. Rouen. 2015. Financial Statement Errors: Evidence from the Distributional Properties of Financial Statement Numbers. Review of Accounting Studies, 20(4): 1540~1593

Association of Certified Fraud Examiners (ACFE). 2022. Occupational Fraud 2022: A Report to the Nations

Bao,Y., B. Ke, Y. Li, J. Yu, J. Zhang. 2020. Detecting Accounting Fraud in Publicly Traded U.S. Firms Using a Machine Learning Approach. Journal of Accounting Research, 58(1): 199~235

Beneish, M.D. 1999. The Detection of Earnings Manipulation. Financial Analysts Journal, 55(5): 24~36

Bertomeu, J., E. Cheynel, E. Floyd, W. Pan. 2020. Using Machine Learning to Detect Misstatements. Review of Accounting Studies, 26(2): 468~519

Brown, N. C., R. M. Crowley, W. B. Elliott. 2020. What Are You Saying? Using Topic to Detect Financial Misreporting. Journal of Accounting Research, 58(1): 237~291

Cecchini, M., H. Aytug, G. J. Koehler, P. Pathak. 2010. Detecting Management Fraud in Public Companies. Management Science, 56(7): 1146~1160

Dechow, P. M., W. Ge, C. R. Larson, R. G. Sloan. 2011. Predicting Material Accounting Misstatements. Contemporary Accounting Research, 28(1): 17~82

Du, X. 2019. Does CEO-Auditor Dialect Sharing Impair Pre-IPO Audit Quality? Evidence from China. Journal of Business Ethics 156(3), 1: 699~735

Gepp, A., K. Kumar, S. Bhattacharya. 2021. Lifting the Numbers Game: Identifying Key Input Variables and a Best-performing Model to Detect Financial Statement Fraud. Accounting & Finance, 61(3): 4601~4638

Gepp, A., M. K. Linnenluecke, T. J. O’Neill, T. Smith. 2018. Big Data Techniques in Auditing Research and Practice: Current Trends and Future Opportunities. Journal of Accounting Literature, 40: 102~115

Green, B. P., J. H. Choi. 1997. Assessing the Risk of Management Fraud through Neural Network Technology. Auditing: A Journal of Practice & Theory, 16(1): 14~28

Hogan, C. E., Z. Rezaee, R. A. Riley, U. K. Velury. 2008. Financial Statement Fraud: Insights from the Academic Literature. Auditing: A Journal of Practice & Theory, 27(2): 231~252

Krambia-Kapardis, M., C. Christodoulou, M. Agathocleous. 2010. Neural Networks: The Panacea in Fraud Detection? Managerial Auditing Journal, 25(7): 659~678

Lee, T. A., R. W. Ingram, T. P. Howard. 1999. The Difference between Earnings and Operating Cash Flow as an Indicator of Financial Reporting Fraud. Contemporary Accounting Research, 16(4): 749~786

Lin, C. C., A. A. Chiu, S. Y. Huang, D. C. Yen. 2015. Detecting the Financial Statement Fraud: The Analysis of the Differences between Data Mining Techniques and Experts’ Judgments. Knowledge-Based Systems, 89: 459~470

Perols, J. 2011. Financial Statement Fraud Detection: An Analysis of Statistical and Machine Learning Algorithms. Auditing: A Journal of Practice & Theory, 30(2): 19~50

Perols, J. L., R. M. Bowen, C. Zimmermann, B. Samba. 2017. Finding Needles in a Haystack: Using Data Analytics to Improve Fraud Prediction. The Accounting Review, 92(2): 221~245

Purda, L., D. Skillicorn. 2015. Accounting Variables, Deception, and a Bag of Words: Assessing the tools of Fraud Detection. Contemporary Accounting Research, 32(3): 1193~1223

注释：

①本文数据主要来自WIND数据库、公司年报和公告、监管部门处罚书。

②《中国注册会计师审计准则第1141号》将财务舞弊定义为与财务报表审计相关的故意错报，包括编制虚假财务报告导致的错报和侵占资产导致的错报。本文主要借用这一定义，但是本文不只是局限在财务报表“审计”相关的错报。本文定义也接近于ACFE（2022）中的财务报表舞弊、葛家澍和黄世忠（1999）中的造假性失真。

③以下有许多文献同时考虑了变量和模型的两个方向的改进，此处分类依据其相对更重要的一个方向。

④一些研究的主要目的是讨论变量与财务舞弊的逻辑关系，更关注变量本身的意义而不是舞弊，包括股权、董事会、公司高管特征，投资者法律保护、内幕交易等。这些研究的变量更广，亦可借鉴，甚至可以延伸至所有涉及会计信息质量的研究。

⑤Hogan等（2008）根据三因素理论对相关研究中所用到的变量进行了分类综述。Dechow等（2011）在选取变量时解释了变量与报表错报之间的关系。另外，旨在解释某一变量与舞弊关系的研究更多地是讨论变量本身的“故事”而非识别问题。

⑥内部控制定义依据《内部控制——整合框架》（2008）。虽然财务报告内部控制和公司治理生态两个概念仍然存在一部分内容交叉的问题，但本文在原有概念基础上针对财务舞弊识别问题进行了一定调整，两个维度有各自的核心范围、信号指向及赋值逻辑。进一步地，从重要性角度，公司治理对企业整体决策产生极大影响，且是从企业最高层开始，在财务舞弊问题亦是如此。将其单独作为一个维度考虑更为合适。从财务舞弊实施角度，公司治理更偏向于讨论公司、实际控制人等为什么要实施舞弊这一动机问题，内部控制更偏向于讨论他们为什么能够“成功”实施（内部控制为什么没有有效防范）这一机会问题。

⑦2019年度打分结果类似，针对2020~2021年度证监会处罚的20家上市公司有效预警年度亦早于处罚年度，结果未列示，需要者可向作者索取，16224925@qq.com。

-END-

前期编辑：李宇思

后期编辑：郑慧敏

原创 厦门国家会计学院

来源：云顶财说