《上市公司财务造假的识别与防范》10000字

上市公司财务造假的识别与防范目录TOC\h\z\t"论文标题,1,论文二级标题,2"摘要 3第一章绪论 51.1研究背景 51.2研究意义 51.3研究内容 51.4创新之处 6第二章文献综述 62.1关于上市公司财务造假的动因研究 62.2国外关于上市公司财务造假的识别研究 72.3国内关于上市公司财务造假的识别研究 82.4文献评述 8第三章研究方法 93.1文献研究法 93.2实证研究法 93.3定量研究法 9第四章实证分析 94.1数据来源与样本选取 94.2研究思路 104.3指标构建 104.4主成分分析 124.5模型构建 134.6模型检验 13第五章结论及建议 14参考文献 17摘要如今，我国的经济和金融市场前景良好，投资者团队在不断扩大，势头迅猛，上市公司数量也在不断增加。但是，我国现在在仍处于一个快速成长的关键性时期，体制和政策还不够完善和全面，因此我国财务造假案件不断发生，数量在成倍增加，同时上市公司在进行财务造假时的手段越发隐蔽。因此，如何快速甚至提前识别一个企业是否存在财务造假行为也就成为了监管部分和投资者亟需解决的问题。本文围绕这一问题，选取了2010-2020年所披露的中国大陆境内财务造假上市企业作为样本，对其涉及的相关财务指标进行了整理，利用T检验和主成分分析法对所选指标进行了筛选和降维，并最终确定自变量。最终，构建Logistic回归模型对样本进行拟合以及预测，并根据模型提出相关的结论和建议。关键词：财务造假、主成分分析、Logistic回归第一章绪论1.1研究背景现如今，资本市场规模越来越大，每个人都可以参与资本市场的置换和投资。而对于资本市场而言，它能够正常运作是基于公开透明的信息能够得到完整真实的披露，这些公开透明的信息对于投资者是否进行投资起到了关键作用。投资者可以对于企业所披露的一系列信息进行评估，在确定企业目前的经营状况良好，未来持续发展能力强的情况下，投资者就会选择投资，而企业财务信息就是投资者进行评估的重要一环。然而，这也给企业的经营者提供了拉拢投资的思路。他们为了能够得到更多的投资，让股民对他们更加有信心，一些企业经营者就会选择“歪门邪道”，通过企业财务数据造假，使得投资者不能有效地获取真实数据，干扰投资者的判断。近年来，这类案件不断发生，屡禁不止，比如2019年曝光的康美药业财务舞弊案，以及2020年引起争议的瑞幸咖啡财务造假案……张佳佳:基于数据挖掘的上市公司财务报告舞弊识别模型研究[D].浙江大学,2021.张佳佳:基于数据挖掘的上市公司财务报告舞弊识别模型研究[D].浙江大学,2021.企业的这种财务造假行为，严重背弃了包括股东在内的社会民众的信任，影响了市场的正常运行，违反了资本市场的秩序和规定，是令我国乃至世界人民都深恶痛绝的行为。1.2研究意义因为公司的财务造假手段日益复杂，难以发现，企业和投资者之间信息越来越不对称，又因为国际上金融市场的规章制度和市场环境等等不确定性存在,如何有效使用公司财务信息搭建模型，来鉴别企业是否进行财务造假，就有了重大的研究意义。这无论是在国际还是在中国都是一个紧要的问题，亟需解决。在这样的现实背景之下，如何能够有效地、高效地识别存在财务造假问题的企业，在国际金融市场上，都是投资者和监管部门都十分看重的问题。能够建立起一套符合中国国情以及金融市场特性的财务造假企业的识别模型，使得投资者和监管部门可以预先地发现这种违法行为，这样就能够有效降低财务造假的行为给公众所造成的利益损失，也可以帮助相关的监管部门高效地对金融和资本市场中的各类违规违法行为进行审查和监督，防止更加严重的违规行为和现象发生，从而提高监管部门的监管效率。因此，设计一种能够识别中国境内上市公司财务造假行为的模型，既可以对此类问题的理论研究部分进行补充，也能够把更加切实可行的投资的风险识别以及防范的策略给予投资者和相关监督管理部门。1.3研究内容本文共分为五部分：第一部分为绪论，首先介绍了本文所研究问题的现实背景和研究意义，阐述了现如今国内外上市企业财务造假问题现状，以及建立财务造假识别模型的理论和现实意义，确定本文的研究内容。第二部分为文献综述，梳理了现有的国内外文献中对于上市企业财务造假是别的指标及模型。第三部分为研究方法，这部分主要论述了本文的研究方法为文献研究法、实证研究法以及定量研究法，并分别阐述。第四部分为实证分析，包括样本选取，定义变量，并通过主成分分析确定最终变量，最后运用Logistic回归进行模型设计和搭建，以及模型建立后的数据代入验证模型可行性及正确率。第五部分为结论与建议，根据模型实证分析得出相关结论，并根据结论提出针对防范企业财务造假的行之有效的建议。1.4创新之处本文的创新之处在于指标创新，综合了以往文献中构建模型的指标，同时在财务指标的基础上增加了对非财务指标的考虑和选用，并根据上市公司财务造假的动因及手段分析其合理性，从实际应用的角度出发，财务指标均为以往财务造假识别研究中被普遍认同和运用的指标，使得本文构建的财务造假指标体系更加完善和全面。第二章文献综述2.1关于上市公司财务造假的动因研究国外的学者很早就开始了对于财务造假的动机的研究。Bologua在1993年提出了著名的“GONE”理论。他认为，大多数公司参与财务造假的原因在很大程度上源于贪婪、机会、需求和暴露，即G、O、N、E。这四个因素是相辅相成的，也是不可或缺的。在这些群体中，因为公司通常会受外部利益和金融欺诈的诱惑，贪婪也成了鼓励企业进行金融欺诈的核心因素。同时机会因素往往在企业内外是贪婪因素造成欺骗的具体环境；需求项类似于贪婪项，但是又不同，因为企业通常会希望财务造假能实现经济效益，或者能够减轻经济负担。暴露因素是指财务造假被发现的可能性和惩罚的强度。与上者不同，SteveAlbrech在1995年提出的舞弊三角理论是基于三个基本因素：借口、压力和机遇作为核心动力，它们一起影响着财务造假的发生。G.Jack.Bologna等人同时提出了舞弊风险因子理论，他们把舞弊风险因子研究分为个别风险因子和一般风险因子进行。Rezaee于2002年提出了CRIME五因素论，该理论在对财务造假的动因进行阐述的同时还分析了造假行为以及造假者。这些研究理论说明了财务造假可使用主成分分析，通过因子建立最终模型。同时，我国国内学者也随之对于上市公司财务造假的动因进行了理论研究。娄泉2004年开始考察上市公司财务造假因素，并发现文化、动机、机会和权衡是重要因素。由财政部在2006年发布的审计标准确定，中国上市公司进行财务造假的三种主要动机是借口、压力和机会。方媛在2014年通过研究开始发现通过他们对经营状况美化、利润增加，企业展示出繁荣的幻象，以此告诉股东们来获取更多的外部资源获取和降低筹款压力。同一年，吴森灿发现，中国的资本市场存在着内部的控制环境不好，市场的规章制度松懈，同时资本市场的规则规定敷衍，以及监督体系的不规范等等问题，都推动了上市公司进行财务造假。黄妍（2016）发现，除了上述的因素之外，所有权结构也是企业高层人士决定财务造假的原因其一。她认为，若是某一个或某几个偏少数的股东高层拥有了企业绝大多数的股票，那么他们就会偏向于进行财务造假以来追求个人利益。胡华夏、洪荭、杨雪琳（2019）等则在典型案例分析的研究过程中，发现了需求、机会和文化也是诱发财务造假的行为的动机。其中，企业想要获取更多利益的需求是在企业内部进行推动，而一旦拥有了财务造假的机会，具备财务造假能力的人就会进行财务造假。即欲望与需求让财务造假成为了可能，文化因素构成了决定因素。2.2国外关于上市公司财务造假的识别研究同时，国外的一些专家和学者也对识别财务造假的模型进行了一定的研究和发展。在1990年之后，对于财务造假识别的模型研究和数据挖掘技术结合得越来越紧密了。截至目前，许多学者已经通过一些统计分析的模型来进行财务造假的识别。在这其中，Logistic回归、神经网络、多重判别和文本挖掘是比较典型的统计分析模型。谯虹，贺昌政：我国上市公司虚假财务报告的GMDH识别模型[J]．软科学，2007，21(1)：45—48．在一些有关财务造假的文献中，神经网络和Logistic回归模型的使用率较高。因此，本文选择使用Logistic回归这种方法进行财务造假的模型搭建。此方法是通过建立一个假设的回归模型，通过样本数据进行拟合谯虹，贺昌政：我国上市公司虚假财务报告的GMDH识别模型[J]．软科学，2007，21(1)：45—48．Pearson（1995）为了识别企业的财务造假，首次搭建了一个Logistic回归模型。他分析了美国在1970-1980年间存在财务造假行为的上市公司，和相对应的控制样本，筛选出四个与这些公司的欺诈行为密切相关的评估指标。通过验证，这个模型在大部分的财务舞弊情况中都可以使用。第二年，Beasley使用同一模型，对企业的董事会组织架构的影响进行了分析。结果表明，外部董事持股比例与财务舞弊概率呈负相关。Spathis（2002）则通过筛选得出了数十个变量，并通过这些变量利用Logistic回归构建出识别模型，针对希腊的上市公司的财务报表数据进行了代入预测。他的研究可以得出，此模型的精确度能够达到84%。同时，通过对模型的分析得出，在正常情况下，财务造假企业将选择净收益率、z-score和运营基金比率较低，以及存货比率和资产负债率较高。2.3国内关于上市公司财务造假的识别研究对比国外，国内在对于上市公司财务造假识别的研究起步比较晚，国内学者大多都是在借鉴学习国外研究方法及成果后开展国内的自主研究，并积极尝试在我国利用数据挖掘方法发展关于上市公司财务造假识别的研究，并在一定程度上解决国家在企业财务造假上的矛盾与问题。在中国，Logistic回归是一个利用数据挖掘进行财务造假识别的频率最高的模型。鹿小楠等（2003）第一次运用逻辑拟合法，结合多元判别法，将每年的造假样本和非造假样本的年报统计数据作为对象，然后综合这两个模型对财务舞弊的识别进行研究。最后，报告发现整个模型的可识别度高达84.7%。陈駿、王明（2005）使用的也是逻辑回归模型，选择CSRC披露的16家有财务造假问题的上市企业为研究对象，同时选择16家没有问题的企业作为对照，同时选取了相关的六个指标，搭建了逻辑回归模型。2006年，秦江萍扩大了样本选择的范围，把1998年至2004年间36家有嫌疑的公司的年度报告取样为样本，研究了27项相关指标，并且对财务造假搭建了逻辑回归模型。陈国欣等（2007）把筛选得到的126家公司作为样本，与此同时，列出筛选条件，严格限制对照样本的选择，并将相关数据代入搭建好的模型，通过测试的模型准确率甚至超过95%。余芬（2007）把定性和定量方法结合了起来。具体来说，逻辑拟合模型被构建为财务造假识别模型的一部分，这一模型的引入使得整个过程被分为两个步骤:经验识别和模型检测。结果显示模型的预测精确度高达75%。杨虹娜（2010）通过2005年到2009年发生过财务舞弊行为的101家上市公司的财务报表中总结出四个因素构建逻辑回归模型。研究表明这一模型的总体预测率为75.7%。基于舞弊三角理论，王敏等（2011）选取了33个自变量，并将2000年到2008年间的所有造假的公司和控制企业作为样本进行了逻辑回归，结果表明，此模型精确度达到73.7%。2.4文献评述通过学习和研究上述文献，我们可以发现如何识别上市企业财务造假问题是近年来的研究热点。同时，从文献中也可以得出Logistic回归模型在上市企业财务造假识别方面的广泛应用，该模型对于财务造假识别的准确率也较高，因此，本文也选择采用Logistic回归模型进行模型构建。然而，上述文献在构建识别模型时所选取的财务指标不尽相同，所考虑的方面也存在差异，因此，本文将选择综合以上文献中的财务指标，挑选出大多数学者所普遍认同和接受的指标构建指标体系，并使用主成分分析法对所选指标进行进一步的筛选和降维。第三章研究方法3.1文献研究法本文是通过文献研究法，对于以往国内外关于上市公司财务造假识别的研究进行梳理，整理分析其所运用的识别方法及模型，系统性的概括出上市公司财务造假的动因及防范措施。通过对相关文献的整理和分析，可以得出企业财务造假的动因主要从内外两方面进行讨论，而对于上市公司企业造假的防范措施，则可以通过企业、监管部门以及中介机构三方面进行入手。3.2实证研究法本文通过实证研究法，对于筛选出来的相关企业样本进行模型的实证研究。通过所选指标构建主成分分析，使用筛选得出的企业进行Logistic模型构建以及模型的可行性和合理性判别，设置对照组，使用证监会披露的财务造假的上市企业与未进行财务造假的上市企业进行对照，根据其所筛选的指标构建Logistic模型的阈值，并根据最终结果判定该上市公司是否进行了财务造假。3.3定量研究法本文同样使用定量研究法，通过独立样本T检验对所选指标进行显著性检验，将相关程度较大的指标去除，避免了模型的多重共线性问题。同时使用主成分分析法对筛选后的指标进行进一步降维，形成主要因子，构建自变量。本文所选取的Logistic回归模型为二分类Logistic回归，将因变量设置为0-1模型，其中财务造假公司设为1，非财务造假公司设为0。在主成分分析得到因子后构建模型，通过代入数值可以得到各因子的影响权重。在得到具体的Logistic模型后又可以根据该模型代入数据求得该公司财务造假的预测概率。Logistic模型公式如下：p其中，c为常数。第四章实证分析4.1数据来源与样本选取本文所选的财务造假上市企业都来自于CSMAR中的上市公司违规数据库，筛选出2010年-2020年间，违规原因为虚构利润、虚列资产的，同时被中国证券监督管理委员会(CSRC)公开披露或者作出行政处罚决定的沪深两市上市公司作为研究对象。同时，在控制样本所筛选的企业按照1:2的比例进行过匹配，因为发生财务造假的公司在上市公司中占比较小。同时控制样本需要严格控制变量，因此，对于控制样本选取的具体条件为：第一，与财务造假样本所在行业为同一行业，都属于证监会行业二级分类；第二，披露年报时间与财务造假样本的财务造假年限相同；第三，所有选出的控制样本必须不可以被证监会及其他监管机构披露过财务造假问题或处罚过；第四，所有选出的控制样本需要与财务造假的上市公司的公司规模大致相同，本文所选择的非财务造假的上市公司与财务造假的上市公司在财务造假年间总资产规模基本相同。同时，为了考察一些上市公司财务造假钱的预警作用，我们还会选取所筛选公司的前两年财务数据共同进行分析。因此，本文共选取了47家财务造假公司以及94家未进行财务造假的上市公司，共计141家上市企业。4.2研究思路根据国泰安上市公司违规数据库中筛选出来的47家财务造假公司以及94家未造假公司，根据1:2的配比进行配对，1家财务造假公司对应2家规模相同的未造假公司，并提取该造假公司违规公告发出年份的当年及前两年财务指标，运用前两年财务数据训练模型，并用第三年数据进行预测。由于第三年数据的结果是明确的，因此可以很好地表现出模型的预测准确率，具有实际应用意义。4.3指标构建通过整理国内外财务造假理论研究及识别模型，同时由于上市企业财务造假类型分为两种——虚构利润和虚列资产，本文将财务指标分为资产相关以及利润相关，从这两个方面进行财务指标的选取。而非财务指标则通过研究整合国内外相关文献所选择的非财务指标中较为常见的四个。因此，本文指标体系如表1所示：表1财务造假识别指标体系评价因素变量待定指标利润相关x营业利润占比x财务杠杆x经营杠杆x应付账款周转率Ax营业收入现金净含量x成本费用利润率x毛利率x营业成本率x应收账款增长率资产相关x固定资产比率x速动比率x资产负债率x总资产增长率x资本密集度x总资产周转率x托宾Q值x总资产净利润率（ROA）x资产报酬率x资产减值损失/营业收入x固定资产减值准备减少额x无形资产减值准备减少额x坏账准备减少额x减值准备减少额总计非财务指标x第一大股东质押比率x审计意见类型x关联收入占比x关联支出占比首先对待定指标进行初步筛选，通过对表1中的27个指标进行独立样本T检验，筛选出两组样本间存在明显差异的指标，这些指标相对来说应该对于财务造假识别的影响较大。同时，我们还需要处理多重共线性的问题，我们要保证去除尽量少的变量的情况下，同时要求保留下来的变量相关系数要低于某一个特定的阈值，这样可以减少变量的损失。吕晨，程建华：基于Logistic模型的上市公司财务造假识别研究[J]．中原工学院学报，2020，3l(5)：72—77，85．.由于本文所选指标的相关性矩阵中绝对值低于0.5的相关系数占比依然很小，指标筛选出的较少，因此本文在条件允许的情况下，提高了T检验的阈值。考虑了所有的变量间的相关系数后，本文阈值最终选取0.75，即如果保存下来的变量相互之间的绝对值相关系数均在0.75以下，那么可认为两变量间的相关性不高，也就祛除了额多重共线性的可能。吕晨，程建华：基于Logistic模型的上市公司财务造假识别研究[J]．中原工学院学报，2020，3l(5)：72—77，85．.经过缺失值插补后进行独立样本T检验，得到如表2所示的指标值以及他们的检验和均值差异。表2变量的描述性统计表变量指标计算方法t值P值均值差值x财务杠杆普通股每股收益变动率／息税前利润变动率-0.5980.017-0.1034451x成本费用利润率利润总额／成本费用总额1.0490.0150.149234186x毛利率（营业收入－营业成本）／营业收入0.8490.0070.023738792x营业成本率营业成本/营业收入*100%-2.4240.002-0.111714171x应收账款增长率（考查期应收账款－上期应收账款）/上期应收账款*100%-1.5960.006-3.18927958x资产负债率负债合计／资产总计-1.6340.016-0.092905936x资本密集度总资产／营业收入-1.3510.014-0.623525028x托宾Q值市值／资产总计-1.5280.003-0.603867933x总资产净利润率净利润／平均总资产2.4330.0010.037603004x资产报酬率息税前利润／平均资产总额2.570.0060.040400413x资产减值损失/营业收入资产减值损失/营业收入-1.030.004-0.027472148注：P值小于0.05即达到显著性水平；均值差值=正常公司指标值-疑似财务造假公司指标值。上表中的指标均已通过T检验，同时表中给出了两组样本的变量之间的均值差异及其检验。4.4主成分分析在删去了未通过显著性检验以及存在多重共线性的指标之后，我们共得到了十一个变量，我们考虑到变量太多会导致信息的大量重叠以及模型的复杂程度较高，因此，我们对模型进行主成分分析。在进行变量降维之前，我们需要确定这些变量是否能够进行主成分分析，因此我们做了KMO和Bartlett球形度检验，其中，KMO的值为0.588，Bartlett球形度检验的P值为0.000，则通过Bartlett球形度检验，可以进行主成分分析。在通过SPSS软件进行主成分分析之后，结果如表3所示，共得到了4个因子，分别命名为F1，F2，F3，F4，这四个因子的方差贡献率达到69.644%，基本保留了绝大部分的信息，且每个指标之间不存在相关性。表3方差解释表初始特征值提取载荷平方和成分总计方差百分比累积(%)总计方差百分比累积(%)13.74534.04334.0433.74534.04334.04321.69315.39249.4351.69315.39249.43531.17710.70460.1391.17710.70460.13941.0469.50569.6441.0469.50569.64450.8918.09977.74360.8037.30485.04770.6135.57590.62380.5324.83295.45590.4043.67199.126100.0870.79499.920110.0090.080100.000注：提取方法：主成分分析法其中，F1主要由资产报酬率、营业成本率、资产减值损失/营业收入以及总资产利润率构成，刻画了企业的营业利润对资产的平均分配；F2则由成本费用利润率和资本密集度构成，综合表现出企业的利润与资产之间的相互作用关系，刻画了企业的资产各部分占比以及运营的效益；F3由财务杠杆、营业毛利率和资产负债率构成，表现了企业的发展及偿债能力；F4则主要由应收账款增长率和托宾Q值组成，综合表现了企业盈利能力以及相对价值。4.5模型构建将主成分分析后所得的F1-F4作为Logistic模型的自变量，构建Logistic模型：p在使用前两年数据训练模型时，F1、F2、F3、F4分别根据我们得到的主成分得分系数矩阵计算得到变量的测试值，而因变量P则由0和1进行表示，若该企业是财务造假企业，则P值为1，若该企业不是财务造假企业，则P值为0。通过代入数据进行SPSS分析，对所有数据进行向后剔除的Logistic回归分析，得到Logistic模型的各参数值如表4所示：表4Logistic回归分析结果主成分变量B标准误差瓦尔德自由度显著性Exp(B)F10.4470.1885.64610.0171.564F20.0680.160.18210.0671.07F30.0120.1520.00610.0831.012F40.160.1610.99210.0191.174常量-0.5160.14712.27910.0000.597注：***、**、*分别表示在1%、5%、10%的水平上显著从表4中可以看出，在1%的水平上F4通过显著性检验，在5%的水平上F1、F2和F4均通过显著性检验，在10%的水平上四个因子均通过显著性检验。因此，四个变量均通过显著性检验，由此可得出Logistic模型如下：p4.6模型检验虽然回归模型中参数的系数都通过了显著性检验，但还需要使用统计方法对样本回归函数进行检验，用来判断估计的可靠程度。本文使用Hosmer和Lemeshow拟合优度检验．根据预测概率将样本数据分为10组，依据期望频数和观测频数构造卡方统计量，最后根据自由度为8的卡方分布计算P值并对Logistic模型进行检验。检验得到的P值大于给定的显著性水平模型0.05，因此不能拒绝原假设，说明因变量的观测值与模型预测值不存在显著差异，模型在一定程度上较好地拟合了样本数据。如4.2节研究思路中所言，我们使用数据清洗后的46家财务造假公司中的30家企业以及92家未造假公司中的60家企业三年的数据进行模型训练，并用剩余的16家财务造假企业和32家未造假企业的数据进行模型测试，并最终得到模型正确率，即使用其中的267条数据进行模型训练，并用剩余的138条数据进行模型的准确率测试。本文的目的是尽可能地识别更多的财务造假企业，而且错认财务造假企业的成本比错认正常公司的成本高，后果也更严重，所以本文将尽量避免犯第一类错误，尽量识别出所有的财务造假企业。通过预测概率分析，在保持β一定的条件下，控制α对应的最佳阈值为0.34，也就是说，概率值大于0.34的公司就可以判定为财务造假可疑公司，而概率值小于0.34的公司就可以判定为正常公司。实际分类则表现为进行财务造假的公司为16家，其中有4家公司被错误判定为正常公司，因此该模型正确率为75%，具体结果如表5所示。表5Logistic回归预测结果预测是否财务造假01正确百分比实测是否财务造假028487.5141275总体百分比83.33第五章结论及建议本文通过获取2010-2020年被证监会公开处罚或披露的财务造假公司相关财务指标作为样本，通过T检验和主成分分析法，将指标筛选降维，并最终构建了Logistic回归模型对财务造假企业进行了拟合和预测。根据所构建的Logistic模型，我们可以得到以下几点结论。（1）通过对财务造假公司未披露时期的财务数据进行合理的对比研究，可以一定程度上预测该公司在未来是否存在财务造假风险，以此达到上市企业的财务造假风险识别功能，为投资者提供一定依据和风险判断。（2）财务造假公司与正常公司相比，在成本费用利润率、总资产净利润率以及资产报酬率上都偏小，说明该企业的盈利能力并没有达到正常水平，导致偿债能力进一步降低。或者是由于财务造假公司通过虚列资产，增加了公司的资产数额，使得正常的盈利水平，但由于资产增加而导致上述指标小于正常公司。（3）而在资产负债率、财务杠杆、资本密集度以及托宾Q值方面，财务造假企业反而比正常企业要略高一些，这说明财务造假企业往往资本密集度较高，这就造成了企业的投资风险和资本成本会增加，最终使得公司陷入财务危机；企业不断地追求高托宾Q值，目的是想要获得较高的投资回报率，然而这种做法会导致企业的投资支出过分增加，企业的后期发展容易陷入困境吕晨，程建华：基于Logistic模型的上市公司财务造假识别研究[J]．中原工学院学报，2020，3l(5)：72—77，85．吕晨，程建华：基于Logistic模型的上市公司财务造假识别研究[J]．中原工学院学报，2020，3l(5)：72—77，85．因此，对于财务造假企业，本文具体构建了模型，对上市公司进行财务造假有了一定的现实意义，在对财务造假进行防范的过程中提出了一定的参考性意见。同时，根据本文在研究过程中遇到的问题以及得出的结论，可以给出以下几点监管建议：（1）强化信息的公开披露。在本文寻找数据的过程中，发现许多企业存在数据披露不完全的现象，尤其是几项资产减值准备的减少额，数据确实比较严重，大部分企业往往在2013年就停止了披露，这也为本文的模型构建带来了一定问题，使得模型精确度降低。同时，这也给大部分投资者带来了比较大的困扰，在投资评估的过程中，财务数据的缺漏，使得他们也很难判断公司的财务信息是否真实可靠，企业所披露的财务数据是否进行了造假，给他们的投资决策造成了较大的困难。（2）加强在财务造假揭发后对企业的惩处力度。本文在前期进行造假企业筛选过程中，发现国泰安数据库中披露的造假企业逐年增多，更有不少企业不断犯案。上市公司之所以可以如此的不计后果，究其原因之一就是在企业财务造假之后得到的利益与惩处力度并不成正比，造假后可获得的利益相当可观，但惩处力度却很小，因此仍然有不少企业甘愿冒风险进行财务造假，甚至有一些企业连续几年被披露出造假新闻。因此，本文认为，相关部门应该加大惩处力度，对财务造假企业形成一定的震慑作用，使得他们意识到财务造假会让他们得不偿失，如此才能够有效规避财务造假事件愈演愈烈。（3）投资者应具备一定的财务知识，要关注企业的财务三大表以及附注内容。通过关注企业重大的经营事项，观察其财务状况以及营业收入是否存在造假现象；此外，投资者还应该重点关注一些应收款项，分析其中的异常指标，观察其是否存在重大的异常情况；同时，投资者还应该关注资产的往年对比，查看各项资产的减值准备是否正常。参考文献一、中文部分[1]崔晓玲．我国上市公司财务危机预警模型的研究[D]．沈阳：东北大学，2005．[2]方正鸿.上市公司财务造假风险识别及案例分析[J].中国集体经济,2021(23).[3]何晓群．多元统计分析[M]．北京：中国人民大学出版社，2013：115．[4]洪荭，胡华夏，郭春飞．基于GONE理论的上市公司财务报告舞弊识别研究[J]．会计研究，2012(8)：84—89．[5]吕晨，程建华：基于Logistic模型的上市公司财务造假识别研究[J]．中原工学院学报，2020，3l(5)：72—77，85．[6]吕峻．基于不同指标类型的公司财务危机征兆和预测比较研究[J]．山西财经大学学报，2014，36(1)：103—111．[7]彭仕宸.上市公司财务造假动因及手段研究[J].技术与市场,2021(4).[8]谯虹,贺昌政：我国上市公司虚假财务报告的GMDH识别模型[J].软科学,2007(01):45-48.[9]钱苹，罗玫．中国上市公司财务造假预测模型[J]．会计研究，2015(7)：18—25．[10]王丽丽.上市公司财务造假识别及风险应对——以康得新为例[J].经济研究刊,2020(17).[11]张佳佳:基于数据挖掘的上市公司财务报告舞弊识别模型研究[D].浙江大学,2021.[12]郑海莉.中国上市公司财务造假识别研究[D].2016.二、英文部分[1]BENEI