2024年財務風險識別模型：從蛛絲馬跡到全局視角

一、財務造假 VS 盈余管理

財務操縱包括財務舞弊（財務造假）和財務粉飾（盈余管理）兩種情況。財務 造假基本是公司管理層組織的，在財務報表中蓄意錯報、漏報財務數據，以虛構利 潤為目的的系統性造假。盈余管理是在會計準則的框架之內，在不越界為財務造假 的底線之上，管理層過于主觀地運用或刻意迎合會計準則，以達到操縱利潤的目 的。盈余管理與財務造假存在本質的不同（是否違法），盡管二者在很多時候經常 無限接近。 可以說盈余管理是普遍存在的現象。一方面，會計準則本身是“默許”的，會計 政策的可選擇性和會計估計的不確定性為管理層提供了自由裁決的空間；另一方 面，在會計準則范圍內適度的調節，平滑會計利潤和市場預期，以達到企業一些發 展政策的需要（如再融資、股權激勵等）。盈余管理會對財務分析帶來麻煩，但并 非簡單的對錯問題。事實上，就算沒有盈余管理，公司管理層客觀地選擇會計方 法，仍然會因為主觀判斷的不同而造成財務數據的不合理。而在財務造假在未曝光 前，外界的認知只是會計準則“許可”范圍內的盈余管理。

二、A股歷年財務造假案件梳理及其特征演變

2000-2023年，因財務違規被處罰的“公司-年度”樣本共3078對，涉及971家上 市公司。 本文的財務造假案例數據來源于CSMAR數據庫的“財務違規表”，該表整理了 歷史上存在財務違規成分的上市公司違規事件，皆為上市公司因為財務違規受到實 際處罰的事件，涉及出具警示函、警告、批評、譴責、罰款等具體的處罰措施，不 包含IPO前造假事件，不包含僅接受問詢的事件。 據CSMAR統計，2000-2023年共有2265單處罰事件。其中，涉及虛構利潤、 虛列資產、虛假記載（誤導性陳述）、重大遺漏、披露不實的違規事實的共有1722 條記錄。此外，有372條的財務違規類型被標記為“其他”，我們發現，在這一類處 罰事件中，上市公司多涉及會計處理不規范等問題，包含折舊計提不足、費用資本 化等問題，在一定程度上也屬于財務造假范疇。“財務違規表”中受處罰的財務違規 事件都是投資過程中需要留意和規避的，因此本文將這些事件都標記為財務造假。

（一）行業維度：機械、醫藥、電子等行業成為造假“高發地”

從造假行業分布看，機械、化工、電子、醫藥生物、計算機等行業發生財務造 假的數量較多。某些行業是財務造假的高危行業，例如，研發支出較多導致費用端 透明度低（如TMT和醫藥生物）、資金流動缺乏痕跡（如農業農產品）、交易對手 不規范或不透明（如線下零售）、業務環節簡單或難以驗證（如提供非實物類服務 公司）、關聯交易多（依附集團母公司等關聯方），使得造假成本較低或者隱蔽性 較好。

（二）時間維度：經濟恢復階段成為公司財務造假“高發期”

從造假年份分布看，2018年以前的財務造假案件呈現快速上升的趨勢，尤其 是2008年金融危機、2015年股災后，財務造假案件數量的增速有明顯上升。2015 年并購熱潮中的業績承諾于2017年、2018年集中到期，高溢價并購所形成的巨額 商譽面臨減值風險，導致財務造假高發期。2018年以后，財務造假數量逐步下降。 然而，財務造假具有后驗性。近幾年的造假案例可能會在以后年份被暴露出 來，仍需要重點關注過去發生過財務造假的公司以及模型預測造假概率高的公司。

三、造假的“重災區”科目及定性識別

財務造假表征的分析和識別，既有財務指標，也有非財務指標。若單純用財務 指標來識別造假的可能性，難度會更大。因此，我們結合造假“流程”，討論財務造 假有哪些慣用手段，以及如何定性識別。

（一）從財務造假“流程”來理解報表的關注點

財務造假流程：創造資金流（收入）——創造資金憑證（客戶和供應商）—— 資金記賬（轉化為資產）。財務造假的目的是虛增利潤，而虛增利潤的同時必然會 影響到資產負債表科目，所以在利潤存疑的情況下，通過分析資產負債表科目存在 的異常，往往能更準確地發現財務造假的線索。對于大部分的財務造假，毛利率畸 高且周轉率慢，同時存在異常資產，是最見的“雙擊”財務造假的信號。

因此，有財務造假的“恒等式”：利潤表的影響（虛增利潤）== 資產負債表的 影響（虛增資產、虛減負債、虛減權益）。 將資產負債表和利潤表結合起來的一個動態等式：資產=負債+所有者權益(不 含當年新增未分配利潤)+收入 -費用。企業造假通常是虛增利潤（收入-費用），要 保持等式平衡，一般是虛增資產或虛減負債。

（二）從造假“重災區”科目觀測異動、異常、新增

識別財務造假，可以從收入、應收賬款、存貨、毛利率、現金流等財務造假的 “重災區”科目入手分析。從歷年的造假案例，以及IPO審核過程中關注的財務問題 看，收入、應收賬款、存貨、毛利率、現金流等是非常易出問題的科目。

（1）營業收入：操縱方法主要是虛增營業收入，比如以明顯高于正常水平的 價格賣給關聯方，或提前確認收入。 （2）應收賬款：應收賬款過大，潛在的問題在于：a.發生壞賬的風險會相應 增加；b.回收周期過長，會造成營運資金周轉過慢，進而導致經營現金流變差。 （3）存貨：操縱方法比如隨意改變存貨的計價方法、以分期收款方式銷售商 品時，不按收到貨款的實際比例結轉銷售成本等。 （4）毛利率：毛利率高好還是低好，并沒有定論，對于不同行業，在總體費 用結構中，其營業成本和期間費用占比是不同的，研發費用、市場費用等期間費用 支出越高的行業，為覆蓋相關費用，其需要的毛利率水平越高。但是，若出現存貨 周轉率逐年下降而毛利率逐年上升的現象，則隱含的財務風險較大。因為毛利率逐 年上升反應的是公司產品熱銷、市場競爭力強，相應地，一般情況下存貨周轉率也 應該提升，這兩者若出現背離，則應警惕，需進一步分析背后的因素。 （5）現金流：自由現金流可經營現金流減去資本開支現金流支出，如果這頂 數值長期為正，則代表企業是創業價值的。另外，應關注經營現金流與凈利潤是否 出現長期背離的情況。經營活動產生的凈現金流與凈利潤嚴重背離，主要原因是營 運資金增長幅度大于凈利潤增長幅度。可能來自應收賬款的大幅增加（放寬信用政 策或回款困難）或存貨大幅增加（產品滯銷或應結轉但未結轉成本）。

對于這些財務指標的三個觀察維度：報表數據的異動（大幅波動的合理性）、 異常（異于同行異于可比）、新增（新增客戶、合同訂單等）。

四、財務風險預測模型的構建與性能評估

基于上述的分析，我們知道單純依靠財務數據建立一個普適性的財務造假識別 模型，幾乎不可能做到。一方面，造假方式多樣化，且不同公司的財務指標差異很 大；另一方面，財務指標需與非財務指標（如會計方法、經營指標、產供銷數據 等）相互印證，才能更好的體現會計的真實性，而非財務指標通常不能很好的量 化。我們通過對財務造假的定性和定量分析，建立一個識別財務相對風險的評分模 型，以期能夠進一步在我們的財務選股模型結果中做減法，挑選真正高財務質量的 公司，本質上是做大概率事件，提高模型勝率。

（一）選取識別財務造假的特征指標

我們通過梳理國內外財務造假預測模型的特征變量，并結合上文定性分析結 論，篩選能夠較好反應A股財務問題的指標。國外關于財務造假預測模型的研究， 最具知名度的是Beneish(1999)的Mscore和Dechow(2011)的Fscore模型。Mscore 和Fscore模型利用閥值能快速判斷上市公司財務造假的可能性。

盡管Mscore和Fscore模型在西方實務界已被普遍運用，但國內學者研究發現 這兩個模型對于預測國內造假事件的適用性較弱。因此，我們采用國內外實證較認 可的財務造假預測指標，計算標準化得分（行業內部比較，更有現實意義），作為 判斷是否有嚴重盈余管理或造假的參考。

特征變量分為四個類別：資產異常、現金異常、盈利異常和非財務指標。 （1）資產異常。財務造假的“恒等式”：利潤表的影響（虛增利潤）== 資產負 債表的影響（虛增資產+虛減負債+虛減權益）。財務造假的方式是虛增利潤，而虛 增利潤的同時必然會影響到資產負債表科目。資產的異常變化分析往往是識別財務 造假的關鍵。比如通過虛增應收款來虛增收入是最常見的造假方式。因此，我們主 要考查資產異常的變量：應收款項占比、應收變化率、存貨占比、存貨變化率、應 付款項占比、應付變化率、軟資產比例、帶息負債率。 （2）現金異常。比如，虛增利潤的同時虛增相應的經營現金流入，對應資產 負債表虛增貨幣資金，這時，可考慮貨幣資金與利息收入的匹配性。另外，若長期 現銷率小于1或自由現金增速小于凈利潤增速，也應警惕。因此，我們主要考查現 金異常的變量：現金銷售率、自由現金流變動率、貨幣現金異常。（3）盈利異常。主要看盈利的構成是否健康、是否有內在矛盾性、是否融資 目的下的操縱行為等。主要考查盈利異常的：交變量聯交易占比、交聯交易變化 率、毛利率異常、前一年是否虧損、前一年扣非ROE。 （4）非財務指標。主要有指標：是否再融資、股權集中度、機構持股比例、 董事會規模、是否更換事務所、審計意見。

在特征變量的設計上，考慮到邏輯推理的合理性，主要有以下幾個特點： ①采用指標的行業分位值。考慮到行業特性不同，多項指標轉化為行業分位值 （申萬二級行業），進行百分比排位，取值0-100%。若采用加入行業虛擬變量的 做法，則會損失大量的自由度。 ②采用指標的變化率。考查特征指標的突變情況，即引入指標的環比變化率作 為解釋變量。由此，通過指標的異常變化，判斷是否有財務風險的嫌疑。 ③控制樣本采用全樣本，即全市場非造假公司。這樣可避免樣本選擇的偏差， 與學術界一般的做法（選擇1：1的配對樣本）有別。

（二）搭建財務風險預測模型及其應用分析

（1）模型選擇

本文參考國內外關于財務風險預測模型的研究成果，建立了適用于A股市場， 且更有實際應用價值的財務風險預測模型。在模型層面，本文采用了XGBoost機 器學習模型對財務風險進行識別。XGBoost是一種特殊的梯度提升樹模型 （Gradient Boost Decision Trees）。梯度提升樹模型的核心思想是：將損失函數 看作擬合值的函數，計算損失函數對擬合值的負梯度，用決策樹擬合負梯度并最終 加到原擬合值上，讓損失函數不斷沿著梯度方向減小，使得擬合值不斷逼近真實 值。

本文選擇XGBoost模型對上市公司財務風險進行識別，取得了不錯的效果。 XGBoost模型優點在于： ①允許特征中存在一定數量的缺失值，避免因特征缺失值刪失數據而導致偏 誤。XGBoost在處理缺失值時有其獨特的機制。與其他機器學習算法不同， XGBoost在構建樹模型時可以自動處理缺失值，而無需預先進行缺失值填補或刪 除。該模型先利用特征下無缺失值的數據選擇決策樹的節點，以信息增益最大化為 目標，把缺失值統一歸類到左葉子節點或右葉子節點。這樣，存在缺失值的數據也 可以通過決策樹進行預測。 ②對特征異常值的敏感性較小。XGBoost模型由若干決策樹組成，而決策樹天 然對異常值較為魯棒。這是因為決策樹通過決策節點對特征進行分割，每次分割取 一個靠中間的值對單個特征進行簡單的二分類，將樣本歸入左葉子節點和右葉子節 點，單個特征的極端值對模型的影響有限。而對于傳統線性回歸模型而言，極端值 會對最小二乘法產生影響，且極端程度越大影響越大。 ③有獨特的特征選擇機制。XGBoost模型由若干決策樹組成，在決策樹節點的 生成過程中，模型自動根據信息增益最大化對特征進行篩選，排除不相關的特征， 因此XGBoost模型對特征質量具有一定的魯棒性，少量相關性較差的特征的加入對 模型性能的影響有限。 ④對特征的多重共線性不敏感。決策樹天然不受多重共線性影響，XGBoost無 需處理多重共線性問題。 ⑤能夠捕捉特征之間的非線性關系，適用于復雜的數據集。財務風險與上市公 司特征間并非簡單的線性關系，使用線性模型進行財務風險識別容易欠擬合。在沒 有過擬合的情況下，類似XGBoost的非線性模型會更有效、準確。

（2）模型設定

①模型參數設定。在模型擬合的過程中，我們發現，XGBoost模型的穩健性較 高，模型的表現對參數的選取不敏感。因此，本文僅通過簡單的網格搜索適當優化 模型參數，確定了一組較優的參數。

②樣本不平衡處理。在以財務風險識別、信貸風險識別這類異常檢測任務中， 存在嚴重的樣本不平衡問題，如果不做處理，模型預測結果會偏向于樣本數量更多 的類別，以獲得更高的準確率（Accuracy）。樣本不平衡的解決方法有過采樣、欠 采樣等方法，但這類方法會使訓練集數據發生改變。本文的解決方案是調整閾值， 使用有財務風險的先驗概率為閾值，將預測有財務風險的概率大于先驗概率的公司 標記為有財務風險的公司，反之標記為正常公司。 ③模型評價指標。模型選用AUC值作為損失函數。ROC曲線的橫坐標是偽陽 性率（也叫假正類率，False Positive Rate），縱坐標是真陽性率（真正類率， True Positive Rate）。簡而言之，在財務風險預測任務中，ROC曲線的橫坐標是 將正常公司預測為有財務風險的公司的比例，縱坐標是將有財務風險的公司預測為 有財務風險的公司的比例。隨著判斷閾值從寬松到嚴格，陽性判定率會不斷增加， 偽陽性率和真陽性率都會提升，最終都收斂至100%，構成下圖的橙色曲線。AUC 值是橙色曲線下方的面積，面積越大，在偽陽性率相同的情況下，真陽性率整體更 高，模型性能越好，理想模型的AUC值是1，隨機模型的AUC值是0.5。

（3）模型擬合

本文基于2000-2023年的65802個“上市公司-年份”樣本數據，隨機選取80%的 數據作為訓練集，剩余20%的數據作為驗證集，進行模型擬合。可見，模型在驗證 集上的auc值起初為65%，模型的預測近乎隨機，經歷200輪迭代后，模型性能快 速提高并趨于收斂，最終模型在驗證集上的auc值達到80%，模型效果較好。經歷 500輪迭代，模型性能沒有發生反彈，無嚴重過擬合現象。

（4）模型結果表現

為解決樣本不平衡問題，本文使用有財務風險的先驗概率作為判定閾值，先驗 概率=樣本中有財務風險的數量/總樣本數量=0.0468。若上市公司的有財務風險的 概率估計值大于0.0468，將其判定為有財務風險的公司，否則判定為正常公司。

由于樣本不平衡問題的存在，將所有公司公司都判定為正常公司，模型準確度 就可以達到90%以上，因此，模型準確度具有迷惑性。本文使用混淆矩陣評估模型 性能，結果顯示，使用先驗概率作為判定閾值，有財務風險的公司的識別率達到 70.94%，正常公司被錯判為有財務風險的比例僅25.56%，模型表現較好。

編輯：火腿腸