论文部分内容阅读
摘要：以中国上市公司为研究对象，在引入财务变量的基础上，运用因子分析方法其进行筛选，提取出对盈余管理行为具有显著影响的特征指标，进而建立SVM模型对上市公司盈余管理行为进行研究。最后运用测试集对训练得到的模型进行性能验证，实证结果表明，SVM模型具有优越的学习能力与泛化能力，有利于中国上市公司盈余管理行为的识别研究。
关键词：盈余管理；因子分析；SVM
中图分类号：F83文献标识码：A文章编号：1672-3198（2016）03-0106-02
1引言
随着资本市场的深入发展与繁荣，盈余在财务报表中的地位举足轻重，促使一些企业为了追求自身利益最大化，蓄意粉饰报表，虚构盈余，导致上市公司盈余管理行为日益普遍，且在信息传递不对称、尚未成熟的中国市场表现尤为严重。这种上市公司盈余管理行为涉及范围广泛，严重影响会计信息真实性，极大地打击了投资者信心，扰乱了资本市场秩序，阻碍了证券市场的健康发展，中国早期的银广夏、蓝田股份事件到近期的南京高科、华锐风电事件都是盈余管理行为恶果的有力印证。因此，构建科学有效的中国上市公司盈余管理识别模型，对于政府管理部门、投资主体有效应对与防范会计舞弊，促进证券市场交易的公平与规范，具有重要的理论价值和现实意义。
然而，迄今为止，已有学者运用单尾检验法、描述性统计方法、logistic回归模型以及贝叶斯判别分析、神经网络等人工智能模型对上市公司盈余管理行为进行识别。虽然这些方法已经取得了较好的推广能力，被实务界广泛应用，但都存在着前提条件过于苛刻，维数灾难等问题。为了克服以上模型所存在的不足，vapnik等根据统计学理论提出了一种支持向量机的方法来进行模式识别，它是建立在VC维理论和结构风险最小化原理上基础上的一种人工智能方法，能够有效的克服小样本、高维模式、非线性等识别问题，具有良好的学习能力。因此，本文引入SVM模型对我国上市公司盈余管理行为进行识别研究。
此外，上市公司数据之间高度相关，需要通过降维技术对指标进行约减。在多元统计分析中，因子分析是主成分分析的进一步发展，它不是对原有变量进行取舍，而是对原有变量信息重新组合，形成公共因子，既充分考虑了各财务指标之间的内在联系，又有效解决了由于数据之间高相关性特征而引起的信息冗余问题。因此，本文在构建出上市公司盈余管理识别模型的指标体系后，将进一步运用因子分析方法方法对特征指标进行筛选，从而提高模型的学习能力和泛化能力，以期能够进一步提升模型对盈余管理识别的准确性。
2研究方法
支持向量机的基本思想是寻找一个满足分类要求的最优超平面将两类样本分开。本文首先假定上市公司样本集为（x1，y1），…，（xn，yn），每个特征指标所对应的类别标签yi∈{-1，1}，发生盈余管理行为的公司用“+1”表示，未发生盈余管理行为的公司用“-1”表示，要使得两类样本分开，则需运用SVM模型寻找一个使分类间隔δ=|g（x）|/‖ω‖最大的识别函数f（x），并满足0≤yi（ωTxi+b）-1的约束。
其次在样本线性不可分情况，此时SVM需构造一个非线性映射：Φ：x→Φ（x），使得上市公司样本在高维空间中线性可分。此外，还需在SVM原问题的约束中加入软间隔松弛变量，ζi，i=1，…，n以此避免高维空间中少数上市公司离群造成问题无解
于是，运用SVM寻找最优盈余管理识别函数问题则转化为求解以下二次型规划问题：
minω，b，ζ1，…，ζn1/2‖ω‖2+Cni=1ξi
s.t.1-ξ1≤yi[ωTΦ（xi）+b]。（0≤ξ，i=1，…，n）（1）
接下来，引入拉格朗日乘子法来求解，设0≤αi，λi，i=1，…，n，得到拉格朗日函数：
L=12‖ω‖2+Cni=1ξi-ni=1αi[yi（ωTΦ（xi）+b）-1+ξi]-ni=1λiξi（2）
由此，通过训练算法构造出上市公司盈余管理行为的识别函数：
f（x）=sgn（ω*TΦ（x）+b）=ni=1a*iyiK（xi，x）+b（3）
其中，sgn（·）为符号函数，ω*为可调权值向量，α*i为拉格朗日系数，b为偏执向量。
3研究设计
在财务因素方面，本文根据上市公司进行盈余管理的手段与动机，以及以往文献的研究成果列举出12个财务指标，作为中国上市公司盈余管理行为的识别指标（详见表1）。
表112个识别盈余管理行为的财务指标
变量指标定义识别标准管理手段X1经营活动现金净流量总盈余比值变小通过资产重组和不恰当的关联交易使得其他业务盈余、投资收益以及营业外收入增加，进而虚增盈余。X2投资活动现金净流量净盈余比值变大通过加大投资比例虚增盈余X3经营活动现金净流量总资产比值变小通过虚增收入扩大资产规模X4现金应收账款+应收票据比值变小通过关联方交易等方式提前确认收入X5现金资产总额比值变小虚构资产的同时并没有相应的现金流的增长X6存货增长额营业收入增长额比值变大通过多计已废弃库存，隐瞒某些销售的销售成本记录，虚增资产，降低费用X7存货增长额营业成本增长额比值变大通过多计已废弃库存，隐瞒某些销售的销售成本记录，虚增资产，降低费用X8存货增长额应付账款增长额比值变大X9营业成本营业收入比值
不稳定没有从库存中转移所有成本，导致毛利率不稳定X10财务费用营业收入比值变小通过财务费用资本化降低成本虚增资产X11固定资产资产总额比值变大通过维修费用资本化降低成本虚增资产X12应付账款资产总额比值变小通过冲销准备金，夸大收入4实证结果与分析
4.1指标筛选
首先本文通过软件计算输入变量的KMO值与Bartlett检验值。结果显示，财务变量的KMO值大于0.5，且Bartlett球形检验的概率P值为0，表示可以进行因子分析。随后经过因子分析，本文约减出5个基本涵盖了12个财务指标的信息的主因子，较为全面地解释上市公司的财务状况，体现出两类样本在财务因素上的差异性。
关键词：盈余管理；因子分析；SVM
中图分类号：F83文献标识码：A文章编号：1672-3198（2016）03-0106-02
1引言
随着资本市场的深入发展与繁荣，盈余在财务报表中的地位举足轻重，促使一些企业为了追求自身利益最大化，蓄意粉饰报表，虚构盈余，导致上市公司盈余管理行为日益普遍，且在信息传递不对称、尚未成熟的中国市场表现尤为严重。这种上市公司盈余管理行为涉及范围广泛，严重影响会计信息真实性，极大地打击了投资者信心，扰乱了资本市场秩序，阻碍了证券市场的健康发展，中国早期的银广夏、蓝田股份事件到近期的南京高科、华锐风电事件都是盈余管理行为恶果的有力印证。因此，构建科学有效的中国上市公司盈余管理识别模型，对于政府管理部门、投资主体有效应对与防范会计舞弊，促进证券市场交易的公平与规范，具有重要的理论价值和现实意义。
然而，迄今为止，已有学者运用单尾检验法、描述性统计方法、logistic回归模型以及贝叶斯判别分析、神经网络等人工智能模型对上市公司盈余管理行为进行识别。虽然这些方法已经取得了较好的推广能力，被实务界广泛应用，但都存在着前提条件过于苛刻，维数灾难等问题。为了克服以上模型所存在的不足，vapnik等根据统计学理论提出了一种支持向量机的方法来进行模式识别，它是建立在VC维理论和结构风险最小化原理上基础上的一种人工智能方法，能够有效的克服小样本、高维模式、非线性等识别问题，具有良好的学习能力。因此，本文引入SVM模型对我国上市公司盈余管理行为进行识别研究。
此外，上市公司数据之间高度相关，需要通过降维技术对指标进行约减。在多元统计分析中，因子分析是主成分分析的进一步发展，它不是对原有变量进行取舍，而是对原有变量信息重新组合，形成公共因子，既充分考虑了各财务指标之间的内在联系，又有效解决了由于数据之间高相关性特征而引起的信息冗余问题。因此，本文在构建出上市公司盈余管理识别模型的指标体系后，将进一步运用因子分析方法方法对特征指标进行筛选，从而提高模型的学习能力和泛化能力，以期能够进一步提升模型对盈余管理识别的准确性。
2研究方法
支持向量机的基本思想是寻找一个满足分类要求的最优超平面将两类样本分开。本文首先假定上市公司样本集为（x1，y1），…，（xn，yn），每个特征指标所对应的类别标签yi∈{-1，1}，发生盈余管理行为的公司用“+1”表示，未发生盈余管理行为的公司用“-1”表示，要使得两类样本分开，则需运用SVM模型寻找一个使分类间隔δ=|g（x）|/‖ω‖最大的识别函数f（x），并满足0≤yi（ωTxi+b）-1的约束。
其次在样本线性不可分情况，此时SVM需构造一个非线性映射：Φ：x→Φ（x），使得上市公司样本在高维空间中线性可分。此外，还需在SVM原问题的约束中加入软间隔松弛变量，ζi，i=1，…，n以此避免高维空间中少数上市公司离群造成问题无解
于是，运用SVM寻找最优盈余管理识别函数问题则转化为求解以下二次型规划问题：
minω，b，ζ1，…，ζn1/2‖ω‖2+Cni=1ξi
s.t.1-ξ1≤yi[ωTΦ（xi）+b]。（0≤ξ，i=1，…，n）（1）
接下来，引入拉格朗日乘子法来求解，设0≤αi，λi，i=1，…，n，得到拉格朗日函数：
L=12‖ω‖2+Cni=1ξi-ni=1αi[yi（ωTΦ（xi）+b）-1+ξi]-ni=1λiξi（2）
由此，通过训练算法构造出上市公司盈余管理行为的识别函数：
f（x）=sgn（ω*TΦ（x）+b）=ni=1a*iyiK（xi，x）+b（3）
其中，sgn（·）为符号函数，ω*为可调权值向量，α*i为拉格朗日系数，b为偏执向量。
3研究设计
在财务因素方面，本文根据上市公司进行盈余管理的手段与动机，以及以往文献的研究成果列举出12个财务指标，作为中国上市公司盈余管理行为的识别指标（详见表1）。
表112个识别盈余管理行为的财务指标
变量指标定义识别标准管理手段X1经营活动现金净流量总盈余比值变小通过资产重组和不恰当的关联交易使得其他业务盈余、投资收益以及营业外收入增加，进而虚增盈余。X2投资活动现金净流量净盈余比值变大通过加大投资比例虚增盈余X3经营活动现金净流量总资产比值变小通过虚增收入扩大资产规模X4现金应收账款+应收票据比值变小通过关联方交易等方式提前确认收入X5现金资产总额比值变小虚构资产的同时并没有相应的现金流的增长X6存货增长额营业收入增长额比值变大通过多计已废弃库存，隐瞒某些销售的销售成本记录，虚增资产，降低费用X7存货增长额营业成本增长额比值变大通过多计已废弃库存，隐瞒某些销售的销售成本记录，虚增资产，降低费用X8存货增长额应付账款增长额比值变大X9营业成本营业收入比值
不稳定没有从库存中转移所有成本，导致毛利率不稳定X10财务费用营业收入比值变小通过财务费用资本化降低成本虚增资产X11固定资产资产总额比值变大通过维修费用资本化降低成本虚增资产X12应付账款资产总额比值变小通过冲销准备金，夸大收入4实证结果与分析
4.1指标筛选
首先本文通过软件计算输入变量的KMO值与Bartlett检验值。结果显示，财务变量的KMO值大于0.5，且Bartlett球形检验的概率P值为0，表示可以进行因子分析。随后经过因子分析，本文约减出5个基本涵盖了12个财务指标的信息的主因子，较为全面地解释上市公司的财务状况，体现出两类样本在财务因素上的差异性。