1、上市公司财务报告舞弊的识别-2012年01月13日10:30 来源：财务与会计导刊2011年第7期 作者：韦琳 徐立文 刘 佳字号打印纠错分享推荐浏览量五、实证结果由于因变量是二元因变量 ， 解释变量既包含连续变量又包括哑变量 ， 所以采用Logistic回归模型 。
本文先后将上述识别岀的变量带人模型 ， 发现模型拟合优度和变量显著性效果较差 ， 因此本文利用模型(2)进行调整 ， 最终得到拟合优度较高的模型 ， 模型检验如表3 。
表3 模型逻辑回归结果变重BS.E,WaisSig*Exp (B)压尢(Pressure)毛利率(GPM)1.8693.6530.2620, 6096.480销售増长 (SCHANGE)3.7 。

【上市公司|上市公司财务报告舞弊的识别下】2、4*?1,48?民3480,012*42. 390营业利润-经营 现金需量 (CATA)18.2175.9599.3450,002*：01585361应收账款周转 率(SALAK)-.0.0250.0221.2830. 2570.976存货周转率CSALINV)-1.9090.9524,0220.045*+0.148总蛍产周转率(SALTA.)-20.0886. 7448.872工 00 3W0.000财务杠杆 (LEV)2*1873.102J.4970.4818.909融资能力 (FINANCE)-4.3833.0032*1310.1440*012自由现金濒壘 (ERHEC)7.0010,0 。

3、015.9680,015*1,001管理层持股比 例(0SHIP)1795.7101598.7?11., 2620, 261总资产收益率 (R0A)-6,9216.3241.19B0. 2740,001喳免ST或退市53.14?1.1217.886D.005W23.258机会(Opportunity)董事会外韶成 员比例 （BDOUT）-5,3302,0107,0310, 008=*0,005內部审计委员 会规模 （AUDCSIZE）-0,2800-3210, 3830.J56董事会主席兼 任CEO或总裁（CEO）2,4561.1144.8600.02?+*11.654公司主管离任 人数（TO 。

4、TALTUKN）1.S120.6995.7170.010W6.125国有股比例（STATE）-9.2454.2104.823工 028WS0.000流通股比例 （TKADABLE）-2.7743 176九吒20. 3830.062股枫集中度 （H10）5.4194*7591*290. 255225.764借口(Rationalization)审计师更换（AUDCHANGE）1. 3351.1521.3430, 2463.799常数项t 79?2,659J.4560.4996,0292 Log likelihood50.6Cox & Snell0.626Nagelkerke H?0.834-2。

5、Log likelihood 、Cox & Snell R2 和Nagelkerke R2 都是测量模型拟合优度的指标 ， 前者数值越 小、后两个指标越接近1 ， 表示模型拟合度越好 。
从各项指标值来看 ， 能够接受该模型 。
由于软件在Logistic 回归中不能直接检验多元共线性 ， 因此本文利用相关矩阵剔除了可能造成多元共线性的变量 。
值得注意 的是 ， 本文目的是建立舞弊识另肪莫型 ， 在变量取舍上是以模型识别率为目标 ， 所以构建模型时即要考虑模 型和变量的显著性等问题 ， 又考虑到模型识别力 ， 在可容忍范围内尽量提高模型识别率 。
回归结果显示 ， 营业利润-经营现金流量（CATA ）、总资产周转率（SALTA ）、避免ST或退市 。

6、（ST）、 董事会成员中外部人员比例（BDOUT ）、主管离任人数（TOTALTURN ）以及国有股比例（STATE）在 1%水平下显著 ， 销售增长（SCHANGE八存货周转率（SALINV八自由现金流量（FREEC）和董事会 主席兼任CEO或总裁（CEO）在5%水平下显著 。
过大的销售增长变动和营业利润-经营现金流差额 ， 较低的存货周转率、资产周转率 ， 增加了公司财务的不稳定性；较低水平的自由现金流量增加了公司外部压 力；面对被ST或退市直接带来压力 。
较少的外部董事使得监管无效；主管流动性大、董事会主席兼任 CEO或总裁增加了公司组织结构的不稳定性；国有控股水平较低又增加了管理层对公司的控制 ， 这都为 。

7、舞弊创 造了机会 。
可见 ， 本文在三角形理论上构建的模型 ， 能够充分解释舞弊的发生 。
根据回归结果 ， 构造舞弊识别模型：FRAUD=1.797+1.869GPM+3.747SCHANGE+18.217CATA-0.025SALAR-1.909SAHNV-20.088SALT A+2.187LEV-4.383FINANCE-0.001FREEC+1795.71OSHIP-6.921ROA+3.147ST-5.33BDOUT-0.28AUDCSIZE+2.456CEO+1.812TOTALTURN-9.245STATE-2.774LP+5.419H10+1.335AUDCHANGE概率分界点为0.5 ， 将数据 。

8、带回模型 ， 得到了舞弊分类检验结果(见表 4) 。
利用该模型进行识别时 ， 63家舞弊公司中4家被误判 ， 识别率93.7% ； 63家非舞弊公司中4家被误判 ， 识别率也为 93.7% ， 整体 识别率为93.7% ， 效果十分理想 。
可见 ， 三因素理论对舞弊风险因素的描述是客观的 ， 本文应用该理论 ，结合Logistic回归识别舞弊是可行的、有效的 。
表4舞弊分类检验已观测已预测fraud百分比校正01fraud0B9493.7145993. 7总计百分比&3. 7六、结论与建议本文基于三角形理论 ， 构建了舞弊识别模型 ， 提供了一种识别防范舞弊的方法 ， 有助于监管部门及时 发现上市公司财务报告舞弊 ， 进而快速介入、防范发生；有助 。

9、于审计准则制定部门理解财务报告舞弊特征, 进而完善相关审计准则；有助于审计师在审计前对公司舞弊可能性的判断 ， 并依据舞弊可能性安排审计活 动 ， 降低审计风险；有助于投资者或债权人对目标公司舞弊可能性的判断 ， 进而防范自身利益受到损失 。

来源：(未知)

【学习资料】网址：/a/2021/0322/0021748898.html

标题：上市公司|上市公司财务报告舞弊的识别下