基于AdaBoost的盈余管理识别模型思考

论文价格:0元/篇 论文用途:仅供参考 编辑:论文网 点击次数:0
论文字数:**** 论文编号:lw202310256 日期:2023-07-16 来源:论文网
本文是一篇会计论文,本文利用机器学习模型的优势,提出集成算法(AdaBoost)的盈余管理识别模型。由于多种因素可能促使盈余管理行为发生,因此在构建输入指标体系时主要考虑内部动机和外部条件。经过实证部分,能够得到识别效果较优的模型以及盈余管理检测中的关键指标。

1 绪论

1.1 研究背景及意义
自 1999 年 7 月我国实施股票发行核准制以来,证监会不断规范上市公司指标审核的流程和规则,目的就是为投资者排除不良证券的发行,主动保护投资者利益使其免受侵害,维护资本市场和社会的稳定。随着证券市场监管日趋完善,会计准则也在不断更新以向投资者提供更加透明真实的公司经营情况和财务情况,核准制向注册制过渡已雏形初显,许多迹象表明证券市场和监管体制正逐渐成熟化。尽管如此,国务院证监会仍频频发布进一步提升上市公司质量的意见,特别是在强化持续监管、提升信息披露质量、加大违规查处执法力度等方面反复出台相关法规。原因在于目前上市公司粉饰报表进行盈余管理的案例时有发生,如 2014 年阳光股份通过将投资性房地产转变为公允价值计量模式及处置子公司股权增加了 3 个亿的公允价值变动损益,从而扭亏为盈;攀钢钒钛 2015 年通过多记递延所得税资产(以前年度巨额亏损时大量转回提前确认将来费用)使得合并利润表费用减少发生额 1.3 亿,并通过转回存货跌价准备少提减值管理存货盈余 0.24 亿。诸如此类的案例还有很多,这不仅反映我国市场监管的不足,更深层的原因在于会计准则中允许会计处理的酌量性因素存在,从而使得盈余管理具有隐蔽性和合法性,难以被识别和预防。由于企业可以根据经济业务需要选用不同的会计政策或主观判断进行会计估计,那么变更政策或估计就可以对盈余进行管理达到管理层的预期。而企业管理者经常处于这样的利益诱惑中。
当存在盈余指标相关的内在动机时(如 IPO 门槛、ST 公司扭亏为盈、与财务绩效相关的报酬或奖金等),相对隐蔽的调节手段,监管力度的不足等客观条件使得管理层可能因为个人利益调控收入以达到目标。过度的盈余管理会使会计信息失真,投资者根据财务报表衡量公司的投资价值时由于信息披露不全或者不实会做出错误的投资决策(如持有股票或债券)。一旦出现利润亏损,股价和公司资产将大幅下降损害债权人和投资者的利益,使资源分配不合理。特别是上市公司的盈余管理,由于影响范围更大,影响程度更深,因此应该值得关注。为了保护投资者免遭巨大损失,防止资源浪费,有效地识别盈余管理或者预测操纵性利润是必要的。
...............................

1.2 国内外研究现状
1.2.1 国内文献综述
自从证券市场披露财务报告以来,我国的上市公司财务数据越来越丰富,使得盈余管理的实证研究也有了一些发展。
陆建桥(1999)选取 1992-1997 年上市公司年报数据作为实验样本,同行业亏损前一年资产规模相似的盈利公司作为控制样本,用加入成长性的 DeAnglo 模型(新提出),DeAnglo 模型,Jones 模型,扩展 Jones 模型验证了上市公司 IPO 前后的盈余管理行为,其主要方式是调整应计利润[1]。刘国立,杜莹(2003)以舞弊的上市公司作为样本(包括申报上市发生的财务舞弊),研究股权结构、董事会特征与财务舞弊的关系[2]。logistic 回归结果反映法人股或国家股占比越高、第一大股东比例越高、执行董事或内部董事占董事会比例越高的公司越容易发生财务舞弊。张杰(2008)以线下项目合计数和非经常性损益占总资产的比例作为盈余管理代理变量,采用多元回归和二阶段回归方法研究公司治理水平与盈余管理的关系。结果验证机构投资者持股比例高有助于提升公司治理水平(通常多股同大治理水平高,一股独大或股权分散治理水平低),而公司治理水平越高越有助于降低盈余管理的水平[3]。夏新平(2009)测试了七个截面模型对国内 A 股市场各行业公司操纵性应计利润的预测能力,运用统计模拟测试的检测方法从第一类错误“弃真”、第二类错误“取伪”的概率得出截面修正琼斯模型错误率两类错误率低、使用效果较好的结论,但实验中样本盈余管理标签是随机指定的[4]。孔荣,戴薇(2012)运用逻辑斯蒂模型探索影响 IPO 公司利润质量的财务比率,通过因子分析对指标精简后回归系数显著的有两个主因子,分别是解释流动比率、资产负债率、每股现金流量的主因子和解释经营现金流、税后利润增长率的主因子。但是,该模型用股票波动衡量利润质量不能充分得到影响因子并且回归结果并不理想[5]。
由于计算应计利润的各种模型多半是基于多元回归分析,而该方法要求数据质量较高并且影响非操纵性应计利润的因素难以完全纳入解释变量,因此传统计量模型在上市公司数据中的预测效果不是很理想。随着数据挖掘的广泛使用,机器学习等统计模型算法也充分与财务数据分析相结合。这些模型能够克服传统计量模型的不足,解决不具备计量假设前提的困难。因而国内越来越多地将机器学习模型应用于财务数据的分析领域。
.....................................

2 盈余管理的相关理论

2.1 盈余管理的定义
就会计数字提供信息的职能而言,Katherine 认为盈余管理存在于任何外部披露过程(财务报告),是管理者出于获取个人收益的目的,在会计准则范围内通过选择会计方法或变更会计估计来控制会计盈余。该定义中的盈余管理是会计准则允许范围内的盈余调整,如改变资产的折旧年限,选择研究和开发阶段来影响研发费用的资本化。Healy,Wahlen 在此基础上认为盈余管理发生于管理者在财务报告和构造交易中使用主观判断误导利益相关者对公司基本绩效的认识,或影响以会计数字为依据的合同结果。以上定义表明,如果管理者出于提供更丰富的财务信息以反映公司真实情况则不属于盈余管理范畴[1]。Dechow,skinner 认为如果用于隐藏,掩饰真实的经济表现,即便按照公认会计准则进行选择,也带有欺骗意图而应被视为盈余管理。会计的权责发生制倾向于用收入成本配比原则减轻现金流波动给投资者提供更有用的信息,只有确定利润平滑的最大限度才能将盈余管理与合理的应计利润区分[2]。Joel,Thakor 对利润平滑(盈余管理的特例)进行了更具体的阐述,利润平滑又分为“真实的”和“人为的”。真实的能够改变企业的现金流,并对企业价值造成较大的影响(低价促销、加大赊销),而人为的只是利用应计制的灵活性进行利润控制,成本比较低(如耗费管理者时间、影响公司信誉等)[3]。
宁亚平从目的、结果、方式将盈余管理定义分为三类[4]。第一类强调盈余管理主体即管理层的动机和目的是为企业或自己谋私利,但由于难以对意图进行界定和测量,该定义不适用可观测的数据测试。第二类认为只要使报表反映的经济表现是管理层的期望情况而非公司真实情况则都属于盈余管理,并且都是欺诈行为。第三类是会计方法的选择是否合理,利润平滑是否有度,但该界限难以确定。因此她提出的新的定义,盈余管理有别于盈余作假,前者通过合法且不损害公司价值(新增产能,增批研发费用)的方式控制账面盈余,后者使用的手段违法(关联交易转移不良资产)或者侵害公司利益(低价售卖产品牺牲下期利益)。两者都属于盈余操纵,且互为补集。“欺骗、欺诈”行为作为违法行为,不应与盈余管理混同,盈余管理虽然是管理者有意地引导报表使用者接收预期利润,但不道德不至于违规。需要区分财务欺诈和盈余管理,财务欺诈(盈余作假)是通过无中生有(伪造、编造交易和凭证)达到虚增利润转移不良资产等目的。盈余管理则利用会计选择权力对账面盈余进行调整,不受会计法禁止。
.....................................

2.2 盈余管理的影响因素
盈余管理活动往往是在内在动机的驱使和外在条件的允许下发生的。上市公司进行盈余管理既可能出于自身目的,也有相对宽松的外部环境作为潜在条件,两者共同影响盈余管理行为。 因此,关系盈余管理可能性大小的因素通常体现在内在动机和外在条件上。相关的实证研究通常着眼于关系盈余管理可能性大小的因素来选取解释变量。
2.2.1 盈余管理的内在动机
上市公司进行盈余管理目的(内在动机)不尽相同[2]。大致分为资本市场动机、契约动机,避税动机和政治动机。
资本市场动机指的是管理层为 IPO、企业再融资、并购、或者避免 ST 的目的,运用盈余管理的手段修饰财务报表以满足监管门槛要求和自身的利益。比如,在公司首次公开发行股票上市(IPO)、配股和增发股票或者并购前,管理者和股东为了获得股价增长带来的股份收益或者支付更少的股份,有调高报表利润数字满足证监会的相关盈利指标要求的动机。由于 ST 公司连续两年或者三年扣除非经常性损益后净利润为负数,若下一年依然为负,则面临 ST 或者退市,因此管理者有在下一年对公司进行盈余管理达到摘帽目的。
契约动机包括满足于债务契约条件和管理者最大化自身报酬。前者企业为了满足债权人提出的债务条件(如资产负债率、股利发放率),会将不符合条件的报表数字进行管理控制。后者源于两权分离、委托代理关系产生的信息不对称和利益冲突。管理者为达到股权激励或其他报酬政策的要求而修饰报表,使得公司业绩达到激励计划的预期业绩实现奖励。


会计论文怎么写

...............................

3 构建盈余管理的识别模型 ........................................... 32
3.1 特征指标体系 ................................................. 32
3.2 盈余管理代理变量 ......................................... 34
3.3 模型训练构思 .......................................... 34
4 模型的实证过程 .......................................... 41
4.1 实证过程框架 ............................................... 41
4.2 样本选择 ......................................... 42
5 研究结论、启示和展望 .................................... 55
5.1 研究结论 ........................................... 55
5.2 启示 .......................................... 55

4 模型的实证过程

4.1 实证过程框架
实证的目的是找出预测结果拟合较好的集成学习模型(AdaBoost),并通过特征选择发现盈余管理检测中的关键指标和步骤。因此,模型的实证过程设计如图 4-1。


会计论文参考

实证过程分为样本选择、数据预处理、模型训练、性能评估四个部分。1)样本选择,包括上市公司、输入变量和输出变量的获取。从数据库中获得特征指标体系、输出变量相关的数据。对样本进行描述性统计 2)处理原始数据(主要是剔除或填补指标缺失值、更新数据异常值、分类特征编码和标准化)。3)模型训练。依次训练基础模型(决策树、SVM、Lasso 回归),集成模型(随机森林,Bagging,Boosting)得到初步的强估计器。接着对数据集进行精简(主要是通过特征选择降低输入向量的维度),得到相应的评估指标后进行对比,选择表现较好特征集继续进行后续优化——参数调优,提升模型的回归拟合能力。4)评估模型。得到的最终预测模型用于测试集测试,就模型的全部预测值均值进行 t 检验并与修正 Jones 模型的预测值进行对比(包括分布情况的对比)。5)实证结果分析。
由于实验中 Lasso 回归无论是作为单个估计器还是作为 AdaBoost 的基础估计器都没有其他比较模型的性能表现良好,因此在对集成模型训练和对比时,不将 Lasso 模型及其集成模型纳入实验范围(3.3 节模型框架图中连接 Lasso 算法和集成层的箭头用红色标出)。
.............................

5 研究结论、启示和展望

5.1 研究结论
论文首先通过文献研究,发现传统的多元回归计量方法在预测公司 DA 值时存在许多问题(如预测结果与实际情况不符、数据集不满足分布条件或假设不适用等)。为解决这些问题,本文利用机器学习模型的优势,提出集成算法(AdaBoost)的盈余管理识别模型。由于多种因素可能促使盈余管理行为发生,因此在构建输入指标体系时主要考虑内部动机和外部条件。经过实证部分,能够得到识别效果较优的模型以及盈余管理检测中的关键指标。
实证结果分析发现集成算法中的 AdaBoost 在测试集中的性能最佳,因此将其作为最终的盈余管理识别模型。后续与传统回归模型(修正琼斯模型)对比证明了 AdaBoost 在预测 DA 时更符合实际情况。这也与 1、2 章的相关研究和理论相符,即 AdaBoost 能够克服传统计量方法的诸多限制达到更好的预测效果
此外,通过指标筛选,可以验证反映企业股权结构、偿债能力和市值的相关指标在识别盈余管理的过程中较为重要。尤其是大股东持股比例、流动比率、利息保障倍数、PS、PE 这些指标。这也从侧面反映了我国上市公司(主板)盈余管理的主要动机是融资,并且可能性较大的是规模较大、股权过于分散或集中、内部治理不完善的企业。
参考文献(略)
如果您有论文相关需求,可以通过下面的方式联系我们
客服微信:371975100
QQ 909091757 微信 371975100