CN111612603A - 上市公司疑似财务造假行为洞察判别系统 - Google Patents

上市公司疑似财务造假行为洞察判别系统 Download PDF

Info

Publication number
CN111612603A
CN111612603A CN202010307717.6A CN202010307717A CN111612603A CN 111612603 A CN111612603 A CN 111612603A CN 202010307717 A CN202010307717 A CN 202010307717A CN 111612603 A CN111612603 A CN 111612603A
Authority
CN
China
Prior art keywords
financial
current
listed company
listed
company
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010307717.6A
Other languages
English (en)
Inventor
部慧
吴俊杰
姚磊
王岸汀
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Zhixindu Technology Co ltd
Original Assignee
Beijing Zhixindu Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Zhixindu Technology Co ltd filed Critical Beijing Zhixindu Technology Co ltd
Priority to CN202010307717.6A priority Critical patent/CN111612603A/zh
Publication of CN111612603A publication Critical patent/CN111612603A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/12—Accounting
    • G06Q40/125—Finance or payroll
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • Technology Law (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种上市公司疑似财务造假行为洞察判别系统，其包括：信息爬取模块，用于从互联网获取上市公司的财务信息和非财务信息；条件验证模块，用于根据预设的第一预警条件和第二预警条件对上市公司的财务信息和非财务信息进行验证；评分模块，用于对上市公司的财务状况进行打分；第一判别模块，用于将上市公司的财务状况得分与预设第一阈值比较，得出上市公司财务造假判别结果；第二判别模块，用于在第一判别模块得出上市公司财务造假判别结果为假时，继续采用逻辑回归模型计算上市公司的财务造假概率，得出上市公司财务造假判别结果。本发明将会计的逻辑规则和机器学习模型相结合，能更准确的识别财务造假行为。

Description

上市公司疑似财务造假行为洞察判别系统
技术领域
本发明涉及数据处理技术领域。更具体地说，本发明涉及一种上市公司疑似财务造假行为洞察判别系统。
背景技术
目前，由于受到审计范围限制、审计时间限制等多方面因素，审计人员有时难以察觉上市公司的财务造假行为；而市场上对于企业是否存在财务造假行为的分析，往往难以将企业内部控制信息和财务信息综合考虑起来。市场上现有的财务造假分析技术和模型，往往以机器学习为基础构建模型，然而却很难从会计角度解释模型的有效性和合理性。因此，如何将会计的逻辑规则和机器学习模型相结合，是当前研究上市公司财务造假领域的重点。
发明内容
本发明的一个目的是解决至少上述问题，并提供至少后面将说明的优点。
本发明还有一个目的是提供一种上市公司疑似财务造假行为洞察判别系统，将会计的逻辑规则和机器学习模型相结合，能更准确的识别财务造假行为。
为了实现根据本发明的这些目的和其它优点，提供了一种上市公司疑似财务造假行为洞察判别系统，其包括：
信息爬取模块，其用于获取上市公司的财务信息和非财务信息；
条件验证模块，其用于根据预设的多个第一预警条件对上市公司的财务信息进行验证，及根据预设的多个第二预警条件对上市公司的非财务信息进行验证；
评分模块，其用于统计上市公司的财务信息满足第一预警条件的数量，及统计上市公司的非财务信息满足第二预警条件的数量，再根据预设的分值与满足第一预警条件和第二预警条件的数量的关系，对上市公司的财务状况进行打分；
第一判别模块，其用于将上市公司的财务状况得分与预设第一阈值比较，再根据预设的第一判别规则得出上市公司财务造假判别结果；
第二判别模块，其用于在第一判别模块得出上市公司财务造假判别结果为假时，将上市公司的财务信息和非财务信息输入预先训练好的逻辑回归模型，得出上市公司的财务造假概率，将上市公司的财务造假概率与预设第二阈值比较，再根据预设的第二判别规则得出上市公司财务造假判别结果。
优选的是，所述财务信息包括上市公司上市以来各季度资产负债表、利润表和现金流量表，具体包含以下数据：当期净利润、当期毛利率、当期期间费用率、当期净资产收益率、当期存货周转率、当期销售费用率、当期现金负债比、当期货币资金增长量、短期借款增长量、当期资本化率、当期存货周转率、当期应收账款额、当期营业外收入增量、当期商誉增量、长期股权投资增量。
优选的是，所述非财务信息包括上市公司历史证监会判罚信息、审计会计师事务所历史判罚信息、企业内部控制信息和上市公司的年度报告。
优选的是，多个第一预警条件包括：
上市公司当期净利润在某个会计年度存在正-负-正或正-负-负-正的数据变化规律；
上市公司在预设时段内当期毛利率存在先降低后升高的数据变化规律；
上市公司在预设时段内当期期间费用率存在先升高后降低的数据变化规律；
上市公司在预设时段内当期净资产收益率存在先降低后升高的数据变化规律；
上市公司在预设时段内当期存货周转率存在先降低后升高的数据变化规律；
上市公司在预设时段内当期销售费用率存在先升高后降低的数据变化规律；
上市公司当期现金负债比超过第一给定阈值，且当期货币资金增长量超过短期借款增长量；
上市公司当期资本化率超过第二给定阈值或超过85％的同行业其他上市公司；
上市公司当期存货周转率低于85％的同行业其他上市公司，同时当期应收账款额高于85％的同行业其他上市公司；
上市公司当期营业外收入同比增长率超过第三给定阈值，且当期营业外收入增长量使当期净利润扭亏为盈；
上市公司当期商誉增量高于长期股权投资增量。
优选的是，多个第二预警条件包括：
上市公司最近一个会计年度的财务会计报告被会计师事务所出具无法表示意见或者否定意见的审计报告；
上市公司已多年被证监会判罚有财务造假行为；
上市公司当期的审计单位存在异常。
优选的是，分值与满足第一预警条件和第二预警条件的数量的关系为：
若满足第二预警条件的数量为一个以上，则分值为30；否则
若满足第一预警条件的数量为第一预警条件总数量的一半以上，则分值在20～30间；
若满足第一预警条件的数量为第一预警条件总数量的四分之一以上、一半以下，则分值在10～20间；
若满足第一预警条件的数量为第一预警条件总数量的四分之一以下，则分值在0～10间。
优选的是，第一判别规则为：
若上市公司的财务状况得分高于预设第一阈值，则上市公司财务造假判别结果为真；否则为假。
优选的是，上市公司的财务信息还包括以下数据：净利润与总资产之比、利润总额与流动负债之比、存货与流动负债之比、现金与流动负债之比、现金收入比、现金净流量与净利润之比，上市公司的非财务信息还包括高管持股比、目标年份关联交易次数、目标年份关联交易额与当期营业收入之比、股东大会召开次数，其中所述净利润与总资产之比、利润总额与流动负债之比、存货与流动负债之比、现金与流动负债之比、现金收入比、现金净流量与净利润之比、高管持股比、目标年份关联交易次数、目标年份关联交易额与当期营业收入之比、目标年份股东大会召开次数均作为逻辑回归模型的输入变量。
优选的是，第二判别规则为：
若上市公司的财务造假概率大于预设第二阈值，则上市公司财务造假判别结果为真；否则为假。
本发明至少包括以下有益效果：本发明采集上市公司的财务数据和非财务数据，进而构建有关变量，通过规则与机器学习相结合的方法，识别疑似财务造假行为，并提醒监管机构予以审查，保证上市公司股东的经济利益不受损失。本发明对人工的依赖较小，能够快速给出识别结果，成本较低，适合大量上市公司的财务造假行为识别。
本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
图1为本发明的侧面结构示意图。
具体实施方式
下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
需要说明的是，下述实施方案中所述实验方法，如无特殊说明，均为常规方法，所述试剂和材料，如无特殊说明，均可从商业途径获得；在本发明的描述中，术语“横向”、“纵向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，并不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
如图1所示，本发明提供一种上市公司疑似财务造假行为洞察判别系统，其包括：
信息爬取模块，其用于获取上市公司的财务信息和非财务信息；
这里的上市公司是指待评判的上市公司，这里获取的财务信息既包括从互联网得到的原始数据，如：来自于wind金融数据库，包括上市公司上市以来各季度资产负债表(从中可直接获得当期应收账款额指标)、利润表和现金流量表，财务报表格式为excel格式。也包括将上述表格中的原始数据经过计算机处理计算得到的各种指标，如(以下所述“当期”均表示“每季度”)：当期净利润、当期毛利率、当期期间费用率、当期净资产收益率、当期存货周转率、当期销售费用率、当期现金负债比、当期货币资金增长量、短期借款(期限在一年及一年以内的借款)增长量、当期资本化率、当期存货周转率、当期营业外收入增量、当期商誉增量、长期股权投资增量(期限在一年以上)。
这里，其他非财务信息包括从互联网得到的上市公司历史证监会判罚信息、审计会计师事务所历史判罚信息、企业内部控制有关信息和上市公司的年度报告，其中，上市公司判罚信息和审计会计师事务所判罚信息来自于证监会官方网站，企业内部控制有关信息来自于choice金融数据库，上市公司年度报告来自于东方财富网爬虫。计算机通过pdf文本提取技术获取上述材料中的关键信息，如：从上市公司历史证监会判罚信息中提取上市公司判罚次数、每次的判罚时间，从审计会计师事务所历史判罚信息中提取对上市公司进行审计的会计师事务所判罚次数、每次的判罚时间，从企业内部控制有关信息中提取高管薪酬、高管持股，从上市公司的年度报告中提取监事会规模和关联交易情况，然后将这些信息保存于本地。
条件验证模块，其用于根据预设的多个第一预警条件对上市公司的财务信息进行验证，及根据预设的多个第二预警条件对上市公司的非财务信息进行验证；
这里，多个第一预警条件包括：
上市公司当期净利润在某个会计年度存在正-负-正或正-负-负-正的数据变化规律，这里是根据当期净利润数值的正负来识别数据特征；
上市公司在预设时段内当期毛利率存在先降低后升高的数据变化规律；
上市公司在预设时段内当期期间费用率存在先升高后降低的数据变化规律；
上市公司在预设时段内当期净资产收益率存在先降低后升高的数据变化规律；
上市公司在预设时段内当期存货周转率存在先降低后升高的数据变化规律；
上市公司在预设时段内当期销售费用率存在先升高后降低的数据变化规律；
本实施例中，上述预设时段为从当前季度往回追溯两年，共8个季度；
这里计算机识别当期毛利率、当期净资产收益率、当期存货周转率的数据变化规律为先降低后升高的方法为：(1)识别预设时段内的指标的最大值和最小值；(2)判断(当前季度值-最小值)/(最大值-最小值)>0.7；(3)判断最大值与最小值的差异是否超过经验阈值；(4)判断当前季度与最小值的时间点是否不超过2年；若(2)(3)(4)同时满足，则是先降低后升高的走势。识别当期毛利率数据变化规律的经验阈值为20％，识别当期净资产收益率数据变化规律的经验阈值为20％，识别当期存货周转率数据变化规律的经验阈值为50％。
这里计算机识别当期期间费用率、当期销售费用率的数据变化规律为先升高后降低的方法为：(1)识别预设时段内的指标的最大值和最小值；(2)判断(最大值-当前季度值)/(最大值-最小值)>0.7；(3)判断最大值与最小值的差异是否超过经验阈值；(4)判断当前季度与最大值的时间点是否不超过2年；若(2)(3)(4)同时满足，则是先升高后降低的走势。识别当期期间费用率数据变化规律的经验阈值为20％，识别当期净资产收益率数据变化规律的经验阈值为20％，识别当期存货周转率数据变化规律的经验阈值为10％。
上市公司当期现金负债比超过第一给定阈值，且当期货币资金增长量超过短期借款增长量，本实施例中第一给定阈值设置为300％；
上市公司当期资本化率超过第二给定阈值或超过85％的同行业其他上市公司，本实施例中第二给定阈值设置为0.5；
上市公司当期存货周转率低于85％的同行业其他上市公司，同时当期应收账款额高于85％的同行业其他上市公司；
上市公司当期营业外收入同比增长率超过第三给定阈值，且当期营业外收入增长量使当期净利润扭亏为盈，本实施例中第三给定阈值设置为100％；
上市公司当期商誉增量高于长期股权投资增量，这里商誉为财务报表中固有项目，已被量化，可进行计算。
这里，由于存在上市公司与同行业其他上市公司进行环比的过程，因此，需先将所有上市公司进行分类，再按分类结果将本实施例中待评判的上市公司的财务数据与同行业其他上市公司的进行环比，同行业其他上市公司的财务数据预先采集保存于本地。
在本实施例中，上市公司按照行业、板块和成熟度进行分类，具体来说：对上市公司按照行业分类，根据证监会规定的行业划分标准将3000余家上市公司划分为19个行业：“农林牧渔业”、“采矿业”、“制造业”、“电力、热力、燃气及水生产和供应业”、“建筑业”、“批发和零售业”、“交通运输、仓储和邮政业”、“住宿和餐饮业”、“信息传输、软件和信息技术服务业”、“金融业”、“房地产业”、“租赁和商务服务业”、“科学研究和技术服务业”、“水利、环境和公共设施管理业”、“居民服务、修理和其他服务业”、“教育”、“卫生和社会工作”、“文化、体育和娱乐业”和“综合”。其中，由于我国大部分上市公司的证监会一级行业分类均为“制造业”，因此，对这些上市公司进行了二级行业划分，在此不再赘述。
对上市公司按照板块分类，分为科创板公司(含已上市和申请上市)和非科创板公司(包含主板、创业板和中小板)两类。
对上市公司按照成熟度进行分类，主要考察某一时间点的以下三个要素：第一，上市公司股票是否为沪深300指数成分股，如是，则认为上市公司在当期是成熟型企业；第二，上市公司是否上市时间长达十年以上，如是，则认为上市公司是成熟型企业；第三，上市公司近三年的平均营业收入增长率是否小于15％，如是，则认为上市公司是成熟型企业。因此，若上市公司在某一季度末时点均未满足上述三个条件，则将其判定为非成熟公司。
在本实施例中，同行业其他上市公司是指与待评判的上市公司在行业、板块和成熟度上均相同的公司。
这里，多个第二预警条件包括：
上市公司最近一个会计年度的财务会计报告被会计师事务所出具无法表示意见或者否定意见的审计报告，这里计算机获取到上市公司的审计报告后，采用pdf文本提取技术提取审计报告中审计意见栏的文字描述，再与本地预存的无法表示意见或者否定意见的文字描述进行对比；
上市公司已多年被证监会判罚有财务造假行为，在本实施例中，具体的说是根据证监会对上市公司的判罚记录，构建变量a，其代表最近一次判罚与最早一次判罚时间段长度与判罚总次数之比，判断该指标是否超过第三给定阈值(这个阈值为经验阈值，一般设定为一年)，且最近一次的判罚时间点与当期不超过2年；
上市公司当期的审计单位存在异常，在本实施例中，具体的说是根据证监会判罚记录，为曾被判罚的会计师事务所构建变量b，其代表最近一次判罚与最早一次判罚时间段长度与判罚总次数之比(若只判罚一次，该指标不计)，判断该指标是否超过第四给定阈值(这个阈值为经验阈值，一般设定为一年)，且最近一次的判罚时间点与当期不超过2年。
评分模块，其用于统计上市公司的财务信息满足第一预警条件的数量，及统计上市公司的非财务信息满足第二预警条件的数量，再根据预设的分值与满足第一预警条件和第二预警条件的数量的关系，对上市公司的财务状况进行打分；
这里，分值与满足第一预警条件和第二预警条件的数量的关系为：
若满足第二预警条件的数量为一个以上，则分值为30；否则
若满足第一预警条件的数量为第一预警条件总数量的一半以上(包括一半)，则将分值映射至[20,30]区间内；
若满足第一预警条件的数量为第一预警条件总数量的四分之一以上(包括四分之一)、一半以下，则将分值映射至[10,20]区间内；
若满足第一预警条件的数量为第一预警条件总数量的四分之一以下，则将分值映射至[0,10]区间内。
第一判别模块，其用于将上市公司的财务状况得分与预设第一阈值比较，再根据预设的第一判别规则得出上市公司财务造假判别结果；
这里，第一判别规则为：若上市公司的财务状况得分高于预设第一阈值，这个阈值在本实施例中设定为20，即第一预警条件满足一半及一半以上则预警，即上市公司财务造假判别结果为真；否则为假。
第二判别模块，其用于在第一判别模块得出上市公司财务造假判别结果为假时(即上市公司没有进行财务造假)，将上市公司的财务信息和非财务信息输入预先训练好的逻辑回归模型，得出上市公司的财务造假概率，将上市公司的财务造假概率与预设第二阈值比较，再根据预设的第二判别规则得出上市公司财务造假判别结果。
这里，上市公司的财务信息还包括以下数据：净利润与总资产之比、利润总额与流动负债之比、存货与流动负债之比、现金与流动负债之比、现金收入比、现金净流量与净利润之比，上市公司的非财务信息还包括高管持股比、目标年份关联交易次数(目标年份是指上市公司待评判财务状况的会计年度)、目标年份关联交易额与当期营业收入之比、目标年份股东大会召开次数，其中所述净利润与总资产之比、利润总额与流动负债之比、存货与流动负债之比、现金与流动负债之比、现金收入比、现金净流量与净利润之比、高管持股比、目标年份关联交易次数、目标年份关联交易额与当期营业收入之比、股东大会召开次数均作为逻辑回归模型的输入变量，上述输入变量中仅目标年份关联交易次数和目标年份股东大会召开次数为原始数据，其余皆为计算机根据其他财务数据计算得到的指标，其中目标年份关联交易次数从choice数据库中直接获取，目标年份股东大会召开次数从东方财富网直接爬取。
这里，逻辑回归模型采用与上市公司总资产相近、行业相同的其他上市公司的财务数据作为样本进行机器学习，由于采用对逻辑回归模型进行机器学习为现有技术，故不再赘述。
这里，第二判别规则为：若上市公司的财务造假概率大于预设第二阈值(逻辑回归模型中第二阈值为0.5)，则上市公司财务造假判别结果为真(即上市公司仍有财务造假行为)；否则为假。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。

Claims (9)

1.上市公司疑似财务造假行为洞察判别系统，其特征在于，包括：
信息爬取模块，其用于获取上市公司的财务信息和非财务信息；
条件验证模块，其用于根据预设的多个第一预警条件对上市公司的财务信息进行验证，及根据预设的多个第二预警条件对上市公司的非财务信息进行验证；
评分模块，其用于统计上市公司的财务信息满足第一预警条件的数量，及统计上市公司的非财务信息满足第二预警条件的数量，再根据预设的分值与满足第一预警条件和第二预警条件的数量的关系，对上市公司的财务状况进行打分；
第一判别模块，其用于将上市公司的财务状况得分与预设第一阈值比较，再根据预设的第一判别规则得出上市公司财务造假判别结果；
第二判别模块，其用于在第一判别模块得出上市公司财务造假判别结果为假时，将上市公司的财务信息和非财务信息输入预先训练好的逻辑回归模型，得出上市公司的财务造假概率，将上市公司的财务造假概率与预设第二阈值比较，再根据预设的第二判别规则得出上市公司财务造假判别结果。
2.如权利要求1所述的上市公司疑似财务造假行为洞察判别系统，其特征在于，所述财务信息包括上市公司上市以来各季度资产负债表、利润表和现金流量表，具体包含以下数据：当期净利润、当期毛利率、当期期间费用率、当期净资产收益率、当期存货周转率、当期销售费用率、当期现金负债比、当期货币资金增长量、短期借款增长量、当期资本化率、当期存货周转率、当期应收账款额、当期营业外收入增量、当期商誉增量、长期股权投资增量。
3.如权利要求1所述的上市公司疑似财务造假行为洞察判别系统，其特征在于，所述非财务信息包括上市公司历史证监会判罚信息、审计会计师事务所历史判罚信息、企业内部控制信息和上市公司的年度报告。
4.如权利要求2所述的上市公司疑似财务造假行为洞察判别系统，其特征在于，多个第一预警条件包括：
上市公司当期净利润在某个会计年度存在正-负-正或正-负-负-正的数据变化规律；
上市公司在预设时段内当期毛利率存在先降低后升高的数据变化规律；
上市公司在预设时段内当期期间费用率存在先升高后降低的数据变化规律；
上市公司在预设时段内当期净资产收益率存在先降低后升高的数据变化规律；
上市公司在预设时段内当期存货周转率存在先降低后升高的数据变化规律；
上市公司在预设时段内当期销售费用率存在先升高后降低的数据变化规律；
上市公司当期现金负债比超过第一给定阈值，且当期货币资金增长量超过短期借款增长量；
上市公司当期资本化率超过第二给定阈值或超过85％的同行业其他上市公司；
上市公司当期存货周转率低于85％的同行业其他上市公司，同时当期应收账款额高于85％的同行业其他上市公司；
上市公司当期营业外收入同比增长率超过第三给定阈值，且当期营业外收入增长量使当期净利润扭亏为盈；
上市公司当期商誉增量高于长期股权投资增量。
5.如权利要求3所述的上市公司疑似财务造假行为洞察判别系统，其特征在于，多个第二预警条件包括：
上市公司最近一个会计年度的财务会计报告被会计师事务所出具无法表示意见或者否定意见的审计报告；
上市公司已多年被证监会判罚有财务造假行为；
上市公司当期的审计单位存在异常。
6.如权利要求4所述的上市公司疑似财务造假行为洞察判别系统，其特征在于，分值与满足第一预警条件和第二预警条件的数量的关系为：
若满足第二预警条件的数量为一个以上，则分值为30；否则
若满足第一预警条件的数量为第一预警条件总数量的一半以上，则分值在20～30间；
若满足第一预警条件的数量为第一预警条件总数量的四分之一以上、一半以下，则分值在10～20间；
若满足第一预警条件的数量为第一预警条件总数量的四分之一以下，则分值在0～10间。
7.如权利要求1所述的上市公司疑似财务造假行为洞察判别系统，其特征在于，第一判别规则为：
若上市公司的财务状况得分高于预设第一阈值，则上市公司财务造假判别结果为真；否则为假。
8.如权利要求2所述的上市公司疑似财务造假行为洞察判别系统，其特征在于，上市公司的财务信息还包括以下数据：净利润与总资产之比、利润总额与流动负债之比、存货与流动负债之比、现金与流动负债之比、现金收入比、现金净流量与净利润之比，上市公司的非财务信息还包括高管持股比、目标年份关联交易次数、目标年份关联交易额与当期营业收入之比、股东大会召开次数，其中所述净利润与总资产之比、利润总额与流动负债之比、存货与流动负债之比、现金与流动负债之比、现金收入比、现金净流量与净利润之比、高管持股比、目标年份关联交易次数、目标年份关联交易额与当期营业收入之比、目标年份股东大会召开次数均作为逻辑回归模型的输入变量。
9.如权利要求8所述的上市公司疑似财务造假行为洞察判别系统，其特征在于，第二判别规则为：
若上市公司的财务造假概率大于预设第二阈值，则上市公司财务造假判别结果为真；否则为假。
CN202010307717.6A 2020-04-17 2020-04-17 上市公司疑似财务造假行为洞察判别系统 Pending CN111612603A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010307717.6A CN111612603A (zh) 2020-04-17 2020-04-17 上市公司疑似财务造假行为洞察判别系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010307717.6A CN111612603A (zh) 2020-04-17 2020-04-17 上市公司疑似财务造假行为洞察判别系统

Publications (1)

Publication Number Publication Date
CN111612603A true CN111612603A (zh) 2020-09-01

Family

ID=72201545

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010307717.6A Pending CN111612603A (zh) 2020-04-17 2020-04-17 上市公司疑似财务造假行为洞察判别系统

Country Status (1)

Country Link
CN (1) CN111612603A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112150265A (zh) * 2020-10-15 2020-12-29 信阳农林学院 一种基于大数据的企业财务造假识别系统
CN113269626A (zh) * 2021-06-03 2021-08-17 北京航空航天大学 财务操纵行为识别方法、装置、电子设备及介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112150265A (zh) * 2020-10-15 2020-12-29 信阳农林学院 一种基于大数据的企业财务造假识别系统
CN113269626A (zh) * 2021-06-03 2021-08-17 北京航空航天大学 财务操纵行为识别方法、装置、电子设备及介质

Similar Documents

Publication Publication Date Title
Sellers‐Rubio Evaluating the economic performance of Spanish wineries
CN110020048B (zh) 一种基于开源数据的企业风险评价系统及方法
US20120059771A1 (en) Financial methodology to valuate and predict the news impact of major events on financial instruments
Liu et al. Analysis of financing efficiency of Chinese agricultural listed companies based on machine learning
Eckhaus Corporate transformational leadership's effect on financial performance
Amin et al. Application of optimistic and pessimistic OWA and DEA methods in stock selection
CN111612603A (zh) 上市公司疑似财务造假行为洞察判别系统
CN113554310A (zh) 基于智能合约的企业信用动态评估模型
Tran et al. Identify factors affecting business efficiency of small and medium enterprises (SMEs): Evidence from Vietnam
Tong et al. The research of agricultural SMEs credit risk assessment based on the supply chain finance
Leigh et al. Common ownership of competing firms: Evidence from Australia
Chen et al. Firm-level ESG information and active fund management
Hsieh et al. Mutual fund performance: The decision quality and capital magnet efficiencies
Okoye et al. Sustainability reporting: A paradigm for stakeholder conflict management
CN117114812A (zh) 一种针对企业的金融产品推荐方法及装置
Ferguson et al. Institution-driven comparative advantage, complex goods and organizational choice
Koralun-Bereźnicka Corporate performance
Lin et al. The application of decision tree and artificial neural network to income tax audit: the examples of profit-seeking enterprise income tax and individual income tax in Taiwan
CN113674075A (zh) 企业债务融资工具信用评级的方法
CN109544337A (zh) 一种股权估值方法
Harangzó et al. Environmental management practices in the manufacturing sector—Hungarian features in international comparison
CN111612602A (zh) 上市公司疑似财务风险判别方法及装置
CN113379211A (zh) 基于区块链的物流信息平台违约风险管控系统及方法
Ginanjar et al. Corporate governance literature review there is a financial performance perspective
CN110738570A (zh) 基于多通道异质数据的信息型操纵自动识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200901