信息披露数据异常分布检验：一种财务欺诈检测的新策略

doi:10.16381/j.cnki.issn1003-207x.2023.1719

摘要/Abstract

摘要：

财务欺诈会对金融市场造成重大损害，传统基于财务指标的方法难以精准识别欺诈行为。在财务欺诈情境下，管理层对信息披露内容进行了篡改，公司原本的信息披露特征会发生偏离。本文研究如何刻画这种偏离，进而提出了一种基于信息披露数据异常分布特征的财务欺诈检测新策略。基于2010—2020年中国市场数据，本文证实了在自然情况下，信息披露的数字和文本分布特征在总体和行业上分别符合本福特定律和齐普夫定律；而数据分布相对这些定律存在偏离的公司，更可能存在实施财务欺诈的情况；更进一步，数据偏离规律的程度越大，存在欺诈的可能性越高。采用经典的财务欺诈检测模型，研究同时证实了考虑信息披露异常分布特征能够显著提升欺诈检测效果。

关键词: 财务欺诈检测, 信息披露特征, 数据分布规律, 文本分析

Abstract:

This study introduces an innovative strategy for detecting financial fraud by examining the abnormal distribution characteristics within corporate information disclosures. Financial fraud not only results in substantial losses for investors but also undermines the stability of capital markets. By utilizing Benford’s Law and Zipf’s Law， the study develops a set of indicators to identify financial fraud through the detection of anomalies in the distribution patterns of numerical and textual disclosures， and it demonstrates the effectiveness of these indicators within the context of the Chinese market. Unlike traditional methods， which typically rely on financial data or the analysis of tone and thematic content， this approach offers superior interpretability， is independent of time-series or cross-sectional data， and is applicable to a broad array of financial fraud scenarios.The research first investigates whether large-scale numerical and textual disclosure data adhere to the expected distributional laws. The findings reveal that over 80% of companies’ annual financial data conform to Benford’s Law， while textual data in MD&A disclosures largely follows Zipf’s Law. Building on these insights， the study introduces two anomaly detection metrics： the $K S$ statistic for numerical disclosures and the e-value for textual disclosures. Subsequent empirical analysis confirms significant differences in the $K S$ and $ε$ -values between fraudulent and non-fraudulent firms. Specifically， a greater deviation from the expected natural distribution， as indicated by higher $K S$ and $ε$ -values， correlates with a higher probability of financial fraud. Through the application of machine learning and deep learning models， the study finds that incorporating these abnormal distribution features enhances fraud detection accuracy， precision， recall， and F1 scores by up to 17% to 26%. These results offer valuable incremental insights for financial fraud detection in the Chinese market， contributing to enhanced detection capabilities for both regulators and investors.The key conclusion of this study is that abnormal distribution characteristics in both numerical and textual disclosures serve as effective tools for financial fraud detection， significantly improving detection accuracy. However， the research has certain limitations， such as sample matching challenges and data filtering constraints. Future studies should expand the scope to include a wider range of company types and smaller sample sizes. Additionally， future research could explore technological advancements to further optimize the identification of abnormal distribution features， thereby improving the applicability and predictive power of financial fraud detection strategies.

Key words: financial fraud detection, disclosure characteristics, data distribution patterns, text analysis

中图分类号:

F239.4

李国文,龚羽豪,李靖宇, 等. 信息披露数据异常分布检验：一种财务欺诈检测的新策略[J]. 中国管理科学, 2026, 34(2): 67-78.

Guowen Li,Yuhao Gong,Jingyu Li, et al. Test for Anomalous Distribution of Information Disclosure: A New Strategy for Financial Fraud Detection[J]. Chinese Journal of Management Science, 2026, 34(2): 67-78.

图/表 10

图1

表1

本福特定律检验结果（MAD检验）"

行业	样本数	$M A D$	行业	样本数	$M A D$
交通运输	1226	0.00081	煤炭	431	0.00239
传媒	1390	0.00130	环保	782	0.00184
公用事业	1143	0.00110	电力设备	2111	0.00095
农林牧渔	904	0.00160	电子	2224	0.00078
医药生物	3110	0.00039	石油石化	483	0.00168
商贸零售	1018	0.00083	社会服务	650	0.00181
国防军工	901	0.00164	纺织服饰	918	0.00216
基础化工	2546	0.00082	综合	327	0.00155
家用电器	669	0.00143	美容护理	152	0.00420
建筑材料	760	0.00097	计算机	2115	0.00160
建筑装饰	1096	0.00079	轻工制造	919	0.00233
房地产	1454	0.00099	通信	837	0.00100
有色金属	1157	0.00155	钢铁	453	0.00208
机械设备	3045	0.00095	食品饮料	934	0.00140
汽车	1741	0.00061	所有公司	35496	0.00052

表1

表2

表3

齐普夫定律检验结果"

行业	词语数	系数	$R 2$	行业	词语数	系数	$R 2$
交通运输	191	-0.82^***	0.973	煤炭	284	-0.75^***	0.979
传媒	206	-0.82^***	0.973	环保	196	-0.77^***	0.974
公用事业	173	-0.84^***	0.969	电力设备	265	-0.86^***	0.974
农林牧渔	150	-0.78^***	0.977	电子	231	-0.86^***	0.975
医药生物	551	-0.96^***	0.971	石油石化	661	-0.72^***	0.969
商贸零售	149	-0.78^***	0.972	社会服务	101	-0.74^***	0.976
国防军工	89	-0.76^***	0.977	纺织服饰	141	-0.80^***	0.976
基础化工	413	-0.89^***	0.976	综合	254	-0.69^***	0.988
家用电器	172	-0.70^***	0.979	计算机	218	-0.88^***	0.970
建筑材料	104	-0.77^**	0.975	轻工制造	159	-0.81^***	0.974
建筑装饰	220	-0.84^***	0.978	通信	101	-0.79^***	0.974
房地产	268	-0.85^***	0.979	钢铁	243	-0.68^***	0.975
有色金属	176	-0.83^***	0.968	食品饮料	138	-0.78^***	0.977
机械设备	297	-0.88^***	0.973	所有公司	4910	-1.122^***	0.975
汽车	152	-0.81^***	0.976

表3

表4

表5

变量描述性统计和均值差异"

变量	样本数	欺诈公司		非欺诈公司		均值差异
变量	样本数	均值	标准差	均值	标准差	均值差异
$K S$	4627	0.84	0.36	0.90	0.30	-0.06^***
$ε$	4627	0.31	0.05	0.24	0.04	0.07^***
公司规模	4627	9.73	0.50	9.98	0.62	-0.25^***
资产负债率	4627	0.50	0.21	0.47	0.20	0.03^***
总应计项	4627	-0.02	0.29	-0.02	0.10	0.00
其他应收款比率	4627	0.03	0.05	0.02	0.03	0.01^***
是否亏损	4627	0.24	0.43	0.10	0.30	0.14^***
应收账款周转率	4627	0.60	0.52	0.66	0.52	-0.06^***
折旧率指数	4627	0.90	4.79	0.90	7.27	0.00
ROA	4627	0.01	0.18	0.04	0.07	-0.03^***
ROA增长率	4627	-1.98	13.48	-0.28	31.49	-1.70^*
股权集中度	4627	0.13	0.10	0.17	0.12	-0.03^***
机构投资者持股比例	4627	0.37	0.23	0.45	0.23	-0.07^***
独立董事比例	4627	0.37	0.05	0.38	0.06	0.01^**
Z指数	4627	7.37	12.19	7.64	14.74	-0.26
董事长与总经理兼任	4627	0.28	0.45	0.27	0.44	0.01
股票月换手波动率	4627	-0.02	0.43	-0.06	0.47	0.04^**
账面市值比	4627	0.69	0.24	0.75	0.25	-0.06^***
股市周期	4627	0.31	0.46	0.29	0.45	0.03^*
特别处理ST	4627	0.11	0.43	0.03	0.25	0.08^***
审计意见	4627	0.84	0.37	0.97	0.17	-0.13^***
审计公司资质	4627	0.04	0.19	0.09	0.29	-0.05^***

表5

图2

表6

信息披露异常分布特征与财务欺诈回归结果"

变量	（1）	（2）	（3）	（4）
常数项	0.508	1.170	2.501	-0.019
$K S$	-0.512^**	-0.498^***	-0.732^*	-0.467^***
$ε$	104.021^***	36.131^***	53.948^***	39.413^***
公司规模	0.444^***	-0.772^***	-2.559^*	-0.887^***
资产负债率	3.935^***	1.081^***	2.187	0.483
总应计项	2.083^*	0.823^*	0.217	0.337^*
其他应收款比率	51.152^***	3.903^***	12.374^***	3.898^***
是否亏损	1.041^*	0.0528	-0.058^*	0.321^**
应收账款周转率	0.875	-0.235^**	-0.858	-0.326^***
折旧率指数	0.999	-0.004	-0.749^**	-0.008
ROA	0.460	-0.594	-2.398	-0.346
ROA增长率	1.000	0.001	-0.013	0.001
股权集中度	0.660	-1.008^*	2.421	-1.917^***
机构投资者持股比例	0.948	-0.036	0.145	0.430
独立董事比例	0.604	-0.512	-1.658	0.887
Z指数	1.009^***	0.009^***	0.012^*	0.009^**
董事长与总经理兼任	0.814^**	-0.168	0.381	-0.084
股票月换手波动率	0.995	-0.031	0.672^*	0.127
账面市值比	0.752	-0.662^***	0.514	0.132
股市周期	0.980	-0.041	-	-
特别处理ST	0.869	-0.170	-0.186	0.033
审计意见	0.324^***	-1.125^***	1.125^*	-1.289^***
审计公司资质	0.881	-0.166	1.436	-0.554^**
固定年份	否	否	是	是
固定行业	否	是	否	是
Pseudo $R 2$	0.3520	0.3886	0.4775	0.5133
$L R C h i 2$	1717.40^***	1886.26^***	1724.24^***	2504.12^***

表6

表7

基于信息披露数据异常分布的财务欺诈检测效果"

检测模型	比较基准	$+ K S$	$+ ε$	$+ K S + ε$	最大提升
面板A：准确率比较结果
逻辑回归	0.6177	0.6274^***	0.7934^***	0.7961^***	+0.1784
支持向量机	0.7437	0.7463^**	0.8260^***	0.8300^***	+0.0863
随机森林	0.7431	0.7442	0.8564^***	0.8571^***	+0.1140
长短期记忆网络	0.6882	0.6946^***	0.6904^***	0.8265^***	+0.1383
循环神经网络	0.6298	0.6396^*	0.8103^***	0.8147^***	+0.1849
RUSBoost	0.6548	0.6545	0.7781^***	0.7702^***	+0.1233
面板B：查准率比较结果
逻辑回归	0.6396	0.6522^***	0.8071^***	0.8124^***	+0.1728
支持向量机	0.6919	0.6903	0.8162^***	0.8235^***	+0.1316
随机森林	0.7553	0.7538	0.8670^***	0.8648^***	+0.1117
长短期记忆网络	0.7154	0.7189^*	0.7134	0.8308^***	+0.1154
循环神经网络	0.6644	0.6682	0.8287^***	0.8339^***	+0.1695
RUSBoost	0.6686	0.6675	0.7926^***	0.7888^***	+0.1240
面板C：查全率比较结果
逻辑回归	0.5480	0.5546^***	0.7722^***	0.7714^***	+0.2242
支持向量机	0.8836	0.8972^**	0.8429^***	0.8416^***	+0.0136
随机森林	0.7222	0.7280^**	0.8427^***	0.8473^***	+0.1251
长短期记忆网络	0.6277	0.6416^***	0.6398^***	0.8212^***	+0.1935
循环神经网络	0.5323	0.5563^*	0.7838^***	0.7874^***	+0.2551
RUSBoost	0.6139	0.6156	0.7529^***	0.7377^***	+0.1390
面板D：F1度量比较
逻辑回归	0.5887	0.5979^***	0.7889^***	0.7910^***	+0.2023
支持向量机	0.7747	0.7792^**	0.8289^***	0.8319^***	+0.0572
随机森林	0.7376	0.7399^*	0.8544^**	0.8557^***	+0.1181
长短期记忆网络	0.6679	0.6772^***	0.6736^***	0.8256^***	+0.1577
循环神经网络	0.5818	0.6034^**	0.8052^***	0.8096^***	+0.2278
RUSBoost	0.6393	0.6394^*	0.7715^***	0.7617^***	+0.1322

表7

图3

参考文献 55

[1]	Li G， Wang S， Feng Y. Making differences work： Financial fraud detection based on multi-subject perceptions［J］. Emerging Markets Review，2024， 60： 101134.
[2]	Beasley M S， Hermanson D R， Carcello J V， et al. Fraudulent financial reporting： 1998-2007： An analysis of US public companies［R］.Working Paper，Committee of Sponsoring Organizations of the Treadway Commission， 2010.
[3]	ACFE. Report to the nation： 2020 global study on occupation fraud and abuse［R］.Working Paper， ACFE Global Headquarters， 2020.
[4]	Zhu X， Ao X， Qin Z， et al. Intelligent financial fraud detection practices in post-pandemic era［J］. The Innovation， 2021， 2（4）： 100176.
[5]	Beneish M D. The detection of earnings manipulation［J］. Financial Analysts Journal， 1999， 55（5）： 24-36.
[6]	Jones J J. Earnings management during import relief investigations［J］.Journal of Accounting Research， 1991， 29（2）： 193-228.
[7]	Dechow P M， Ge W， Larson C R， et al. Predicting material accounting misstatements［J］. Contemporary Accounting Research， 2011， 28（1）： 17-82.
[8]	Chen G， Firth M， Gao D N， et al. Ownership structure， corporate governance， and fraud： Evidence from China［J］. Journal of Corporate Finance， 2006， 12（3）： 424-448.
[9]	温石刚，朱晓谦，李建平. 公司财务欺诈行为的同群效应：基于连锁董事网络社团的研究［J］. 工程管理科技前沿， 2023， 42（3）： 20-28.
	Wen S G， Zhu X Q， Li J P. A study on the peer effect of financial statement fraud based on the communities of interlocking director networks［J］. Frontiers of Science and Technology of Engineering Management， 2023， 42（3）： 20-28.
[10]	DeFond M L， Subramanyam K R. Auditor changes and discretionary accruals［J］. Journal of Accounting and Economics， 1998， 25（1）： 35-67.
[11]	Erickson M， Hanlon M， Maydew E L. Is there a link between executive equity incentives and accounting fraud？［J］. Journal of Accounting Research， 2006， 44（1）： 113-143.
[12]	Li J， Chang Y， Wang Y， et al. Tracking down financial statement fraud by analyzing the supplier-customer relationship network［J］. Computers & Industrial Engineering， 2023， 178： 109118.
[13]	Dechow P M， Sloan R G， Sweeney A P. Detecting earnings management［J］. The Accounting Review， 1995， 70（2）： 193-225.
[14]	Liu R， Huang J， Zhang Z. Tracking disclosure change trajectories for financial fraud detection［J］. Production and Operations Management， 2023， 32（2）： 584-602.
[15]	Amiram D， Bozanic Z， Rouen E. Financial statement errors： Evidence from the distributional properties of financial statement numbers［J］. Review of Accounting Studies， 2015， 20（4）： 1540-1593.
[16]	Dechow P， Ge W， Schrand C. Understanding earnings quality： A review of the proxies， their determinants and their consequences［J］. Journal of Accounting and Economics， 2010， 50（2-3）： 344-401.
[17]	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+96.
	Qian P， Luo M. Predicting accounting fraud in China［J］. Accounting Research， 2015（7）： 18-25+96.
[18]	Dong W， Liao S， Zhang Z. Leveraging financial social media data for corporate fraud detection［J］. Journal of Management Information Systems， 2018， 35（2）： 461-487.
[19]	Hill T P. A statistical derivation of the significant-digit law［J］. Statistical Science， 1995， 10（4）： 354-363.
[20]	Michalski T， Stoltz G. Do countries falsify economic data strategically？ some evidence that they might［J］. The Review of Economics and Statistics， 2013， 95（2）： 591-616.
[21]	Nigrini M J， Mittermaier L J. The use of Benford's law as an aid in analytical procedures［J］. Auditing， 1997， 16（2）： 52-67.
[22]	Zipf B G K. Human Behavior and the principle of least effort： An introduction to human ecology［M］. Mansfield Centre， Conn.： Martino Pub， 2012.
[23]	Huang S M， Yen D C， Yang L W， et al. An investigation of Zipf’s law for fraud detection［J］. Decision Support Systems， 2008， 46（1）： 70-83.
[24]	Iorliam A， Ho A T S， Poh N， et al. Data forensic techniques using Benford’s law and Zipf’s law for keystroke dynamics［C］//Processdings of the 3rd International Workshop on Biometrics and Forensics （IWBF 2015），Gjovik， Norway， March 3-4， IEEE， 2015： 1-6.
[25]	Chakravarthy J， DeHaan E， Rajgopal S. Reputation repair after a serious restatement［J］. The Accounting Review， 2014， 89（4）： 1329-1363.
[26]	王鲁平，陈羿. 管理舞弊的形成机理及治理对策研究［J］. 管理工程学报， 2018， 32（1）： 107-116.
	Wang L P， Chen Y. Research of formation mechanism and countermeasure of management fraud［J］. Journal of Industrial Engineering and Engineering Management， 2018， 32（1）： 107-116.
[27]	Dyck A， Morse A， Zingales L. How pervasive is corporate fraud？［J］. Review of Accounting Studies， 2024， 29（1）： 736-769.
[28]	Brazel J F， Jones K L， Zimbelman M F. Using nonfinancial measures to assess fraud risk［J］. Journal of Accounting Research， 2009， 47（5）： 1135-1166.
[29]	Lin C C， Chiu A A， Huang S Y， et al. Detecting the financial statement fraud： The analysis of the differences between data mining techniques and experts’ judgments［J］.Knowledge-Based Systems，2015， 89： 459-470.
[30]	李建平，孙灏，常闫芃，等. 考虑审计要素多重语义关联的财务欺诈识别［J］. 管理科学学报， 2024， 27（3）： 58-70.
	Li J P， Sun H， Chang Y P， et al. Financial statement fraud identification considering the multiple-dimensional semantic associations of auditing elements［J］. Journal of Management Sciences in China， 2024， 27（3）： 58-70.
[31]	Goel S， Gangolly J. Beyond the numbers： Mining the annual reports for hidden cues indicative of financial statement fraud［J］. Intelligent Systems in Accounting， Finance and Management， 2012， 19（2）： 75-89.
[32]	Purda L， Skillicorn D. Accounting variables， deception， and a bag of words： Assessing the tools of fraud detection［J］. Contemporary Accounting Research， 2015， 32（3）： 1193-1223.
[33]	Hajek P， Henriques R. Mining corporate annual reports for intelligent detection of financial statement fraud–A comparative study of machine learning methods［J］. Knowledge-Based Systems， 2017， 128： 139-152.
[34]	Larcker D F， Zakolyukina A A. Detecting deceptive discussions in conference calls［J］. Journal of Accounting Research， 2012， 50（2）： 495-540.
[35]	Xu X， Xiong F， An Z. Using machine learning to predict corporate fraud： Evidence based on the GONE framework［J］. Journal of Business Ethics， 2023， 186（1）： 137-158.
[36]	Li J， Li N， Xia T， et al. Textual analysis and detection of financial fraud： Evidence from Chinese manufacturing firms［J］. Economic Modelling， 2023， 126： 106428.
[37]	Cecchini M， Aytug H， Koehler G J， et al. Detecting management fraud in public companies［J］. Management Science， 2010， 56（7）： 1146-1160.
[38]	Bertomeu J， Cheynel E， Floyd E， et al. Using machine learning to detect misstatements［J］. Review of Accounting Studies， 2021， 26（2）： 468-519.
[39]	袁先智，周云鹏，严诚幸，等. 财务欺诈风险特征筛选框架的建立和应用［J］. 中国管理科学， 2022， 30（3）： 43-54.
	Yuan X Z， Zhou Y P， Yan C X， et al. The framework for the risk feature extraction method on corporate financial fraud George［J］. Chinese Journal of Management Science， 2022， 30（3）： 43-54.
[40]	Achakzai M A K， Peng J. Detecting financial statement fraud using dynamic ensemble machine learning［J］. International Review of Financial Analysis， 2023， 89： 102827.
[41]	Hoberg G， Lewis C. Do fraudulent firms produce abnormal disclosure？［J］. Journal of Corporate Finance， 2017， 43： 58-85.
[42]	杨贵军，孙玲莉，周亚梦，等. 基于修正Benford律的财务危机预警Logistic模型及其应用［J］. 数理统计与管理， 2021， 40（4）： 585-595.
	Yang G J， Sun L L， Zhou Y M， et al. Financial early warning logistic model based on corrected benford’s law and its application［J］. Journal of Applied Statistics and Management， 2021， 40（4）： 585-595.
[43]	赵子夜，杨庆，杨楠. 言多必失？管理层报告的样板化及其经济后果［J］. 管理科学学报， 2019， 22（3）： 53-70.
	Zhao Z Y， Yang Q， Yang N. The less said the better？ Economic consequences of textual similarity in man-agement discussion and analysis［J］. Journal of Management Sciences in China， 2019， 22（3）： 53-70.
[44]	Li F. The information content of forward-looking statements in corporate filings—a Naïve Bayesian machine learning approach［J］. Journal of Accounting Research， 2010， 48（5）： 1049-1102.
[45]	薛爽，肖泽忠，潘妙丽. 管理层讨论与分析是否提供了有用信息？——基于亏损上市公司的实证探索［J］. 管理世界， 2010， 26（5）： 130-140.
	Xue S， Xiao Z Z， Pan M L. Did the management discussion and analysis provide useful information？-Empirical exploration based on loss-making listed companies［J］. Journal of Management World， 2010， 26（5）： 130-140.
[46]	Lo K， Ramos F， Rogo R. Earnings management and annual report readability［J］. Journal of Accounting and Economics， 2017， 63（1）： 1-25.
[47]	Benford F. The law of anomalous numbers［J］. Proceedings of the American Philosophical Society， 1938， 78（4）： 551-572.
[48]	Joos M， Zipf G K. The psycho-biology of language［J］. Language， 1936， 12（3）： 196-210.
[49]	Urzúa C M. A simple and efficient test for Zipf’s law［J］. Economics Letters， 2000， 66（3）： 257-260.
[50]	Pao M L. Automatic text analysis based on transition phenomena of word occurrences［J］. Journal of the American Society for Information Science， 1978， 29（3）： 121-124.
[51]	Loughran T， McDonald B. Textual analysis in accounting and finance： A survey［J］. Journal of Accounting Research， 2016， 54（4）： 1187-1230.
[52]	Loughran T， McDonald B. When is a liability not a liability？ textual analysis， dictionaries， and 10-ks［J］. The Journal of Finance， 2011， 66（1）： 35-65.
[53]	Jiang F， Lee J， Martin X， et al. Manager sentiment and stock returns［J］. Journal of Financial Economics， 2019， 132（1）： 126-149.
[54]	郝俊，李建平，冯倩倩，等. 基于溢出效应的金融危机早期预警方法研究［J］. 中国管理科学， 2023， 31（4）： 35-45.
	Hao J， Li J P， Feng Q Q， et al. Early warning of financial crisis based on the spillover effects［J］. Chinese Journal of Management Science， 2023， 31（4）： 35-45.
[55]	Lundberg S M， Lee S I. A unified approach to interpreting model predictions［C］//Proceedings of the 31st International Conference on Neural Information Processing Systems，Long Beach， California， USA，December 4-9， ACM， 2017： 4768-4777.

申万行业	非欺诈组	欺诈组	申万行业	非欺诈组	欺诈组
交通运输	86.27	76.92	煤炭	90.16	81.82
传媒	88.72	88.33	环保	92.41	84.62
公用事业	87.41	83.33	电力设备	91.62	82.56
农林牧渔	88.46	89.19	电子	90.12	82.22
医药生物	88.92	87.93	石油石化	85.37	85.00
商贸零售	91.45	85.19	社会服务	91.80	78.57
国防军工	92.96	80.00	纺织服饰	93.20	77.42
基础化工	88.34	86.89	综合	86.21	76.47
家用电器	94.00	80.00	计算机	95.63	86.05
建筑材料	86.84	90.91	轻工制造	89.84	96.00
建筑装饰	92.94	85.71	通信	98.36	72.41
房地产	92.99	84.09	钢铁	91.11	87.50
有色金属	88.24	87.50	食品饮料	91.30	83.87
机械设备	87.78	82.26	所有公司	89.94	84.49
汽车	79.78	84.62