文献阅读荟-No.278-证监会抽查对企业财务欺诈的真实影响

财经 2024-09-07 10:00 广东

论文：证监会抽查对企业财务欺诈的真实影响

Tan C, Liu L, Wu H, et al. The real effect of CSRC's random inspections on corporate financial fraud[J]. Accounting & Finance, 2024.

下载地址：

https://doi.org/10.1111/acfi.13316

01 摘要

本文调查了双随机检查政策（DRIP）对公司财务欺诈的影响。通过多周期合成双重差分模型（SDID）发现随机检查政策对揭露公司财务欺诈的概率具有正因果效应。同时，我们的异质性分析表明，这种影响对于私营公司和会计信息质量差的公司更为明显。此外，我们的研究结果表明，随机检查会通过增加媒体和投资者的关注以及促使证券交易所发出询问函来影响公司行为。

02 文献综述

2.1 双随机检查政策（DRIP）

随着金融市场的不断发展，公司欺诈问题和确保金融市场的可持续发展变得越来越重要，而政府监管是提高上市公司信息披露质量和保护投资者利益的关键之一。基于此，中国实施了一项独特的举措，称为双随机检查政策（DRIP）。2015 年，中国证监会规定，地方证券监督管理机构每年对 5% 的上市公司进行随机抽查，涵盖信息披露、公司治理和财务会计等领域。研究发现，在检查后的 3 年内，大约 7% 的随机选择企业被中国证监会立案调查，证明该政策的监管效果生效。

同时，政策的实施一方面会使被抽样的企业得到各方的关注，从而导致监管溢出效应，另一方面，未抽样的公司也可能会出于对未来潜在抽样的担忧而改变其行为决策，从而产生威慑作用。

2.2 政策监管的经济后果

影响公司欺诈的因素大致分为内部和外部因素。内部因素包括治理特征、股权结构等，外部因素则包括监管机构和政策环境，其中监管又可分为媒体监管、大型审计公司和分析师。现有文献也相应从内部和外部因素的角度研究了 DRIP 的经济后果。在公司内部因素方面，文献表明随机检查可一定程度抑制权责发生制和实际盈余管理，从而提高内部控制质量，降低重复违约的可能性，降低股价暴跌的风险。在外部因素方面，审计师对接受随机检查的客户表现出更加谨慎的态度，从而提高了审计质量。另外，该政策可能导致公司收到询价信的频率增加，并导致更高的审计费用，从而产生监管溢出效应。

2.3 假设发展

本文提出假设，即DRIP 将提高所有相关方的注意力，从而增加上市公司欺诈活动被发现和处罚的可能性。

首先，上市公司在被选中进行检查时，往往会吸引媒体的关注，有效地揭示负面信息并引导交易所查询，从而增加发现金融欺诈的可能性。

其次，选定的上市公司可能会吸引投资者的兴趣。媒体报道加强了这种关注，产生了聚光灯效应，进而吸引了证券交易所的关注。

最后，询问信提供了有价值的信息。披露不充分和审计质量低下的公司更容易收到询问信，我们假设收到询价信的公司通常具有低于标准的会计信息质量。收到询问信的公司表现出较弱的内部和外部治理，导致更有可能违反法规。

03 数据与模型

3.1 样本

由于证监会自2016年以来一直对上市公司进行抽查，本文以2016—2020年随机抽取的上市公司为处理组，以不受该政策影响的香港股票作为对照组。选择香港股票作为对照组有以下三个原因。

香港公司不受该政策影响，可以提供相对独立和客观的参考标准。
会计准则的趋同导致 A 股和港股在财务报告和披露方面的可比性更高。中国在 2007 年正式推动会计准则与香港趋同的背景，实证表明，在会计准则趋同后，中国 A 股市场和香港股票市场在财务报告的可比性方面得到了显著增强。
沪港通的实施进一步加强了 A 股与香港股票市场的联系。在实施沪港通政策后，沪港股票市场之间存在显着的长期协同整合，而在此之前，两个市场之间没有协同整合。

3.2 变量

我们将虚构利润、虚假陈述资产、虚假条目、延迟披露、重大遗漏、不准确披露和一般会计不当处理等活动归类为财务欺诈。我们运用财务违规的发生率（Fraud）、财务违规的严重程度（Degree）计算主要测试的因变量，而财务违规的频率（Fre）和财务违规的监管处罚时间（Regulation）则用于稳健性测试。

其中，欺诈在被发现时表示为 1，在未被发现时表示为 0。变量Degree 是一个排名变量，如果未发生欺诈，则为 0;如果处罚类型为“其他”，则为 1 分，表示轻微违规;2 分代表“批评、警告、谴责”，暗示严重违规;3 项为“罚款或没收非法收入”，代表严重违规行为。如果一家公司在一年内遭受多次处罚，则会为其分配最严重的处罚类型。

表1 显示了最终样本中财务欺诈的分布。政策实施前，处理组的财务欺诈百分比为14.28%，实施后上升到17.64%，均超过了对照组的欺诈百分比。这些发现表明，随机检查的实施提高了金融欺诈检测的可能性。

3.3 模型

为探究政策检查对财务欺诈的影响，本文开发了一个多周期合成双重差异（SDID）模型。SDID 补充了标准合成对照（SC）和双重差分（DID）方法。SC的特征是具有时间固定效应但不具有单位固定效应的加权回归;DID 可以概念化为同时具有时间和单位固定效应的未加权回归，而 SDID 可以被描述为同时具有时间和单位固定效应的加权回归。SDID 方法的优势在于无需随机分配即可评估政策干预效果，并且能够解释时间和空间固定效应，从而缓解内生性问题。同时，以香港股票作为对照组，采用 SDID 方法增加了样本的可比性。解决以下模型的最小化问题，得到策略的平均处理效果。

本文的主要模型如下。

3.4 描述性统计

表3中的面板 A 显示了2016 年至 2020 年中国证监会的随机检查情况。这表明上市公司的数量每年都在增加，随机抽查的公司数量也在增加，尽管增长率较低。随机抽查率接近 5%，与中国证监会随机抽查事项清单中规定的比例一致。此外，24.536% 的累积百分比表明近四分之一的上市公司接受了随机检查。

面板B 显示了主要变量的描述性统计数据。上市公司金融欺诈的平均概率为 0.055，中位数为 0，表明 5.5% 的样本存在欺诈行为。违规行为的严重程度从 0 到 3 不等，标准差为 0.359，表明上市公司之间的违规程度差异很大。加之中位数为0，很明显，只有一部分上市公司表现出更严重的违规行为。

表4还报告了主要变量的相关系数。Fraud 和 Degree 的相关系数为 0.925，在 1% 水平上为显著正，表明在衡量金融欺诈时，它们可能显著相关。Fraud 和 Degree 都表现出显著的正相关系数，初步证实了我们的假设。因变量与各控制变量之间的绝对相关系数均为 <0.5，表明不存在严重的多重共线性问题，有利于更合理的模型设置。

04 实证结果

4.1 基准回归

表5 报告了研究的基线结果。在第三列中，自变量和因变量 Fraud 之间的回归系数为 0.041，在 5% 水平上为显著正。第四列中的因变量是欺诈的严重性（Degree），其回归系数为 0.072，在 1% 的水平上为显著正。可以得出结论，DRIP 的实施有效地增加了检测金融欺诈的可能性，并增强了对上市公司内部更严重财务问题的检测。此外，它还表明 DRIP 可以改善监管环境并加强对上市公司金融违规行为的监管。因此，结果证实了我们的研究假设。

4.2 稳健性检验

4.2.1 平行趋势检验

下图为SDID 生成的趋势图，在DRIP 实施之前，处理组和合成对照组都表现出相似的趋势。然而，在随机检查的一年和随后的一年中，在被检查的公司中发现财务欺诈的可能性增加，从而满足平行趋势测试。

4.2.2 安慰剂检验

为了确定我们的发现不受不可观察因素的影响，我们采用了安慰剂测试。我们将 DRIP 的实施时间提前了4年，并重新估计回归模型。表6中的结果表明，回归系数并不显著。这表明本文得出的结论主要归因于中国证监会的随机检查，证明了我们研究结果的稳健性。

4.2.3 替换自变量

我们采用财务欺诈的替代代理作为稳健性测试。我们使用违规数量（Fre）来重新评估公司财务欺诈。此外，我们还利用监管处罚的时间重新评估金融欺诈。表7 显示，当因变量包括违规计数（Fre）和监管处罚虚拟变量（Regulation）时，即使添加了控制变量，回归系数仍然显着为正，进一步加强了本文的主要发现。

4.2.4 倾向得分匹配

为避免样本选择偏差影响回归结果的准确性，我们使用DID方法的回归模型使用倾向得分匹配（PSM）方法进行稳健性测试。在第一阶段，图3 显示了 PSM 的平衡测试结果。从结果可以推断出，匹配后所有变量的标准化偏差都在不同程度上减少了。因此，PSM 测试的结果是有效的。而在第二阶段，如表 8 所示。当因变量为 Fraud/Degree 时，TreatPost 的系数分别为 0.021 和0.044，并且在 1% 水平上均显著。此阶段的结果与我们的主要回归结果密切相关。

4.2.5 小样本测试偏差

在某些证券监管管辖区存在有限数量的上市公司，导致在处理非常小的样本量时出现潜在的推断错误。本研究排除了上市公司数量少于 30 家的地区的样本，同时单独保留了上市公司数量超过 100 家的地区的样本。如表9所示，结果与之前的推论一致。

05 进一步研究

5.1 异质性

5.1.1 所有权性质

DRIP坚持双重随机性原则，并通过对所有抽样公司实施无差别随机检查来确保公平性。因此，该政策理论上对国有和非国有企业具有相同的影响。然而，国有企业在公司治理方面与非国有企业明显不同。

本文将样本分为国有企业和私营企业，并分别检验了 DRIP 对两类企业检测欺诈的不同影响。如表10所示，第一列和第三列的结果表明，与国有企业相比，DRIP 在私营企业中的影响更为明显，因为回归具有更高的显著性水平，系数为 0.076，即 > −0.042，在 1% 水平上更显著。当因变量是违规的严重性（Degree）时，回归结果是相同的。这表明，由于私营企业薄弱的政治派别和主要是“经济”商业目标，监管机构在监督这些实体时遇到的障碍较小，使它们的监督更加有效，并增加了发现私营实体内部金融欺诈的可能性。此外，由于私营企业的内部控制相对不足，该政策加速了其金融欺诈的曝光。因此，对民营企业的溢出调节效应显著。

5.1.2 会计信息质量

我们采用两个指标，即权责发生制盈余管理和披露质量，来评估会计信息的质量。我们使用修改后的 Jones 模型的DA衡量公司管理其应计收益的程度。较高的DA 意味着公司的应计盈余管理增加和会计信息质量下降。表 11 的面板 A 显示了分析结果。估计的欺诈系数在低质量组中是显著的（ = 0.055， p < 0.05），但在高质量组中变得不显著（ = 0.026）。这表明，随机检查对具有广泛盈余管理的上市公司具有更显著的溢出效应，增加了发现金融欺诈的可能性。

另外，在本研究中，我们用KV 度量方法衡量会计信息质量的市场观点。表11的面板 B 显示，对于 KV 指数较高的组，回归系数明显较大，并且在 1% 水平上显著，而对于较低的 KV 指数组则不显著。这一观察表明，DRIP 加快了披露质量较差的公司对金融欺诈的曝光。总之，随机检查的溢出效应在会计信息质量较低的公司中很明显，从而增加了此类实体对财务不当行为进行审查和处罚的可能性。

5.2 机制分析

5.2.1 关注度

上市公司出现在检查名单上后，会受到媒体和投资者的更多关注，从而产生溢出效应，提高发现金融欺诈的可能性。然而，如果上市公司本身吸引了更多的关注，它就会削弱这种溢出效应。因此，我们预计 DRIP 对金融欺诈的影响在以前受到最少关注的公司中将更加明显。

表12中的结果表明，DRIP 对金融欺诈的真正影响在关注度较低的群体中更为明显（关注度低的群体的系数分别为 0.066 和 0.11，显著大于关注度高的群体，在 1% 的水平上更具统计学意义）。这表明随机检查将增加低关注度组中公司检测到金融欺诈的可能性。换言之，进入榜单后，对优先关注度较高的企业的溢出效应并不显著。这一结果进一步证实了假设 1 的可靠性。

5.2.2 询价信

如前所述，DRIP 的实施将引起交易所的注意。证券交易所将向上市公司发出更严格审查的询问信，迫使它们披露更多信息，从而也增加了在这些上市公司中发现财务欺诈的可能性。如表13 所示。可以看出，当因变量为欺诈时，估计系数在询问信数高于中位数的组中是显著的（ = 0.085， p < 0.01），但在询问信数低于中位数的组中变得不显著（ = 0.014）。当因变量为度数时，估计系数在询问信数高于中位数的组中显著（ = 0.144， p < 0.01），但在询问信数低于中位数的组中变得不显著（ = 0.023）。研究结果表明，该政策实施后，当被抽样的上市公司受到交易所的更多关注时，其欺诈行为更容易被发现，从而进一步证实了 H1。

06 结论

本文使用中国证监会在2016 年至2020 年进行的准自然实验来研究 DRIP 对公司财务欺诈的真正影响。实证研究表明，随机检查具有监管溢出效应，提高了上市公司受到金融欺诈检测和处罚的可能性。此外，我们对异质性的分析表明，这种影响对于私营公司和会计信息质量差的公司尤其明显。随后，我们深入研究了随机检查影响公司财务欺诈的机制。我们的研究结果表明，随机检查通过提高媒体和投资者的关注度，并促使证券交易所发出询价信来影响公司行为。

讨论时刻：

证监会出台的双随机检查政策（DRIP），要求证监会各省级分支机构每年随机抽取至少 5% 的本地上市公司。基于本文的研究结果，DRIP的实施有助于发现更多的财务欺诈行为，那么是否随机抽取比例越高，越有助于金融市场的发展呢？过多的抽取是否可能存在引起市场动荡呢，换而言之，是否存在一个临界值？

如果有好的建议，请留言给我们。

"大于研究"是华南理工大学经济与金融学院、金融工程研究中心于老师和学生对外分享研究成果和学习的心得的公众号。

对我们的研究感兴趣的可以联系fofscut@scut.edu.cn

大于研究

大于研究是华南理工大学金融工程研究中心的老师和学生对外分享研究成果和学习的心得的公众号。对我们的研究感兴趣的可以联系fofscut@scut.edu.cn。

最新文章

文献阅读荟-No.304-用分数积分和异方差模型分析选择性股票价格指数

文献阅读荟-No.303-金融危机期间美联储干预与系统性风险

文献阅读荟-No.302-企业生物多样性风险、气候脆弱性和破产风险

文献阅读荟-No.301-个人税收会影响投资决策和股票回报吗？

文献阅读荟-No.300-影响力投资基金的风险与回报

文献阅读荟-No.299-IPO 前股息之谜：对 IPO 定价过低或 IPO 后锁定的反应？来自中国的证据

文献阅读荟-No.298-利用隐含波动率和已实现波动率之间的差值实现收益

文献阅读荟-No.297-机器能把握市场时机吗？收益预测中复杂性的优势

文献阅读荟-No.296-气候压力测试

文献阅读荟-No.295-从人VS机器到人+机器：股票分析的艺术和人工智能

文献阅读荟-No.294-因子目标资产配置：逆向优化方法

文献阅读荟-No.293-测试气候压力的金融方法

文献阅读荟-No.292-投资组合驱动的处置效应

文献阅读荟-No.291-不确定性对股市波动性和相关性的影响

文献阅读荟-No.290- 我们能否在注册制的IPO改革下高枕无忧？来自中国创业板市场的证据

论文喜报-International Review of Economics and Finance

文献阅读荟-No.288-低波动策略下的波动时机选择

文献阅读荟-No.287-因子择时：两阶段机器学习方法

文献阅读荟-No.286-从股票价格横截面推断总体市场预期

文献阅读荟-No.285-不确定性孕育机遇：评估气候政策不确定性及其对企业创新的影响

文献阅读荟-No.284-剖析中国股市的长期表现

文献阅读荟-No.283-风险中性波动率是如何形成的？风险和主观风险偏好的经验估算

文献阅读荟-No.282-行业投资的时序可预测性

文献阅读荟-No.281-ETF如何放大新兴市场的全球金融周期

文献阅读荟-No.280-深度强化学习在交易中的应用

文献阅读荟-No.279-基于指数期权回报的条件因子风险溢价建模

文献阅读荟-No.278-证监会抽查对企业财务欺诈的真实影响

文献阅读荟-No.277-监测多国宏观经济风险：分位数因子增广向量自回归（QFAVAR）方法

文献阅读荟-No.276-利用GARCH模型估计收益率差波动率

文献阅读荟-No.275-智能再平衡方法

文献阅读荟-No.274-污染溢价

文献阅读荟-No.273-企业巨头的储蓄

文献阅读荟-No.272-股票和债券的相关性

文献阅读荟-No.271-基于盈亏平衡波动率的期权定价研究

文献阅读荟-No.270-股票回报预期与投资组合：来自大型资产管理者的证据

文献阅读荟-No.269-股票指数波动率预测：通过加权波动率测度与加权波动率指标相结合，改进GARCH型模型

文献阅读荟-No.268-中国上市公司的财务欺诈检测：管理者异常的语气重要吗？

文献阅读荟-No.267-已实现半贝塔β：区分“好”和“坏”下行风险

文献阅读荟-No.266-主动、被动和因子投资组合优化：去除临时步骤

文献阅读荟-No.265-自愿退市的时机

文献阅读荟-No.264-时序动量和截面动量的最优配置

文献阅读荟-No.263-高频尾部风险溢价与股票收益可预测性

文献阅读荟-No.262-基于语言可读性向量的企业欺诈检测：在中国金融企业中的应用

文献阅读荟-No.261-牛市和熊市的可预测性：预测美国股市区制（和回报）的新视角

文献阅读荟-No.260-预测已实现波动率:HAR对主成分组合、神经网络和GARCH

文献阅读荟-No.259-利用恐惧/贪婪指标和机器学习来优化全球投资组合：基于Black-Litterman方法

文献阅读荟-No.258-气候风险对中国区域商业银行贷款质量的影响

文献阅读荟-No.257-企业对股价脆弱性的反应

文献阅读荟-No.256-机器学习如何推动量化资产管理

文献阅读荟-No.255-基于图结构的学习方法在股票走势预测中的应用：结合文本和关系数据

分类

时事

民生

政务

教育

文化

科技

财富

体娱

健康

情感

旅行

百科

职场

楼市

企业

乐活

学术

汽车

时尚

创业

美食

幽默

美体

文摘

原创标签

时事社会财经军事教育体育科技汽车科学房产搞笑综艺明星音乐动漫游戏时尚健康旅游美食生活摄影宠物职场育儿情感小说曲艺文化历史三农文学娱乐电影视频图片新闻宗教电视剧纪录片广告创意壁纸头像心灵鸡汤星座命理教育培训艺术文化金融财经健康医疗美妆时尚餐饮美食母婴育儿社会新闻工业农业时事政治星座占卜幽默笑话独立短篇连载作品文化历史科技互联网

发布位置

广东北京山东江苏河南浙江山西福建河北上海四川陕西湖南安徽湖北内蒙古江西云南广西甘肃辽宁黑龙江贵州新疆重庆吉林天津海南青海宁夏西藏香港澳门台湾美国加拿大澳大利亚日本新加坡英国西班牙新西兰韩国泰国法国德国意大利缅甸菲律宾马来西亚越南荷兰柬埔寨俄罗斯巴西智利卢森堡芬兰瑞典比利时瑞士土耳其斐济挪威朝鲜尼日利亚阿根廷匈牙利爱尔兰印度老挝葡萄牙乌克兰印度尼西亚哈萨克斯坦塔吉克斯坦希腊南非蒙古奥地利肯尼亚加纳丹麦津巴布韦埃及坦桑尼亚捷克阿联酋安哥拉