Beneish M-Score：八变量规则基线

第 1 章把零模型留在了累积对比表的第一行：把 33,064 个测试期 firm-year 全部预测为非舞弊，准确率 99.661%，AUC 0.500，Recall@1% 为 0。这个数字告诉我们准确率不是合适的指标，但它没有告诉我们任何一个学过东西的模型能做到什么程度。这一章引入 Beneish (1999) 提出的 M-Score，把它当作 "零智能" 规则基线。M-Score 不学习、不调参、不看 AAER 标签，靠事先固定的八个变量与一组事先固定的权重打分。它和零模型的差别在于，它至少在用财务比率说话；它和后续机器学习方法的差别在于，它的所有参数都来自 Beneish 在 1980 年代末的 74 家 SEC 处罚样本回归出来的截距与系数，之后再没有更新。这就是规则基线在做的事。

Beneish 在 1999 年的 Financial Analysts Journal 论文中给出了这个八变量加权和。它在审计教材里被反复引用，也在审计师执业培训中作为 "舞弊味道" 的标准检查清单。把它放到 2009–2014 的 Bao 测试集上重新跑一遍，相当于问一个具体的问题：1999 年提出的这套加权规则，在二十年后的财务数据上还剩多少识别力？

图 2·1　Beneish M-Score 的八变量结构：八个会计比率分别度量应收、毛利、资产质量、增长、折旧、费用、应计与杠杆的异常程度，按 1999 年原文给定的固定权重加权求和；阈值 −2.22 作为高舞弊嫌疑的判定线。完整 TikZ 结构图详见 PDF 全文。

八个变量的会计学含义

Beneish 的八个变量都是上一年到本年的比值，每一个都瞄准一种特定的舞弊迹象。这一节按 Beneish 原论文的顺序逐个解释。

第一个是应收账款销售天数指数，简称 DSRI。它把今年的 "应收账款占销售比" 除以去年的同口径比，衡量收入的 "应收化" 速度。一家公司去年应收账款 1 亿、销售 10 亿，应收占比 10%；今年应收 2 亿、销售 12 亿，应收占比 16.7%。DSRI = 16.7% / 10% = 1.67。比值显著高于 1 意味着收入增长里有一大块是赊账，公司在向未来透支收入，这是激进收入确认或虚假销售的常见痕迹。

第二个是毛利率指数，简称 GMI。它把去年的毛利率除以今年的毛利率。注意分子分母方向：分子是去年，分母是今年。一家公司去年毛利率 35%、今年毛利率 28%，GMI = 35 / 28 = 1.25。比值大于 1 意味着毛利率在恶化，公司面临成本压力或竞争挤压。Beneish 的研究发现，毛利率快速恶化的公司更可能用其他手段美化净利润，因此 GMI 与舞弊正相关。

第三个是资产质量指数，简称 AQI。先定义 "非质量资产" 为总资产减去流动资产再减去固定资产，剩下的部分主要是商誉、其他长期资产、递延税款这类 "软" 科目。AQI 把今年的非质量资产占比除以去年的非质量资产占比。比值大于 1 意味着资产负债表里 "软" 的部分在膨胀，公司可能在把当期费用资本化、藏到长期资产里。资产质量恶化是激进会计政策的副产品。

第四个是销售增长指数，简称 SGI。它就是今年销售除以去年销售的增长比。一家公司去年销售 10 亿、今年 13 亿，SGI = 1.3。Beneish 把销售增长本身放进 M-Score，是因为高增长公司面临更强的 "维持增长神话" 的压力，更容易铤而走险做假账。高增长公司未必都在造假，只是这一群体的舞弊先验概率比平均水平更高。

第五个是折旧指数，简称 DEPI。它把去年的 "折旧 / (折旧 + 固定资产毛值)" 除以今年的同口径比。比值大于 1 意味着今年的折旧比例下降，公司可能在拉长折旧年限或修改残值假设，把当期费用推到未来。这是利润平滑的经典手法。

第六个是销售管理费用指数，简称 SGAI。它把今年 SG&A 占销售的比重除以去年的同口径比。逻辑和 GMI 一样：销管费用占比上升说明经营效率下降，公司更有动机用其他方式补回利润。SGAI 是 Beneish 八变量里在 Bao 数据上拿不到原始字段的两个项目之一，下一节会讲怎么处理。

第七个是杠杆指数，简称 LVGI。它把今年的 "短期债务加长期债务占总资产比" 除以去年的同口径比。比值大于 1 说明公司在加杠杆，债务约束变紧，管理层更有动机粉饰利润以满足债务条款。LVGI 是 M-Score 中权重为负的少数几项之一，权重 −0.327，意味着杠杆上升单独看反而会让 M-Score 下降；它的存在是为了和 SGI 做平衡，避免把所有 "快速扩张" 的公司都打成高分。

第八个是应计占总资产比，简称 TATA。它度量的是当期净利润里有多大比例不是真金白银的现金流。原始定义是 (净利润 − 经营现金流) / 总资产。一家公司净利润 1 亿、经营现金流 0.3 亿、总资产 10 亿，TATA = 0.7 / 10 = 7%，意思是 70% 的净利润停留在应计科目上，没有变成现金回流。TATA 在 M-Score 里权重最大，达到 4.679，因为大量舞弊文献都把高应计当作舞弊最直接的会计学指纹。

把这八个变量按 Beneish 给出的权重相加并加上截距，得到的就是 M-Score：

其中 DSRI 至 LVGI 是上一段定义的八个比率指数。Beneish 在原论文里用 1982 到 1992 年间 74 家被 SEC 处罚的公司加 2,332 家配对样本做 probit 回归，得到这组系数与截距。M-Score 大于 $-2.22$ 被判为高舞弊嫌疑。

停下来想一想。 M-Score 是一组事先固定的权重，不会在新数据上重新拟合。这意味着它在 2009–2014 测试集上的表现完全取决于：第一，1980 年代末样本估出来的八个权重在二十年后是否仍然合适；第二，AAER 标签捕捉的舞弊行为与 Beneish 当年研究的舞弊行为是否同质。这两个前提有任何一条不成立，M-Score 都会失灵。

在 Bao 数据上的实现

把 M-Score 跑在 Bao 数据上，第一件需要交代的事是变量映射。Bao 复制包提供 28 个 Compustat 原始字段，其中六项可以直接对应到 Beneish 公式：rect 对应应收账款，sale 对应销售收入，cogs 对应营业成本，act 对应流动资产，at 对应总资产，ppegt 对应固定资产毛值。再加上 dp 折旧、dlc 短期债务、dltt 长期债务、lct 流动负债、che 现金、ib 净利润，构造前六个变量没有问题。

剩下两个变量碰到了字段缺失。SGAI 需要 xsga，即销售管理费用，但 Bao 28 变量集没有收录这一项。本书的处理方式是把 SGAI 置为常数 1，让它在 M-Score 里贡献固定的 −0.172，相当于不再随公司变化。这是一种保守近似：它没有给任何公司额外加分或减分，但也丢失了 SGAI 本身可能携带的判别信号。TATA 需要 oancf，即经营现金流，Bao 28 变量集也没有这一项。Beneish 在 1999 年原文里提到，缺乏现金流量表数据时可以用资产负债表近似总应计：营运资本变动近似为 $\Delta(\mathrm{act} - \mathrm{lct} - \mathrm{che} + \mathrm{dlc})$，然后用净利润减去营运资本变动再除以总资产。本书采用这一回退方案。这两处近似会在章末雷区里集中说明。

library(tidyverse)
library(pROC)
set.seed(2026)

d <- read_csv(here::here("data", "bao2020_full.csv"),
              show_col_types = FALSE) |>
  arrange(gvkey, fyear) |>
  group_by(gvkey) |>
  mutate(lag_fyear = lag(fyear),
         across(c(rect, sale, cogs, act, ppegt, at,
                  dp, dlc, dltt, lct, che, ib),
                lag, .names = "lag_{.col}")) |>
  ungroup() |>
  filter(!is.na(lag_fyear), lag_fyear == fyear - 1)

# 八个 Beneish 变量
d <- d |>
  mutate(DSRI = (rect / sale) / (lag_rect / lag_sale),
         GMI  = ((lag_sale - lag_cogs) / lag_sale) /
                ((sale - cogs) / sale),
         AQI  = (1 - (act + ppegt) / at) /
                (1 - (lag_act + lag_ppegt) / lag_at),
         SGI  = sale / lag_sale,
         DEPI = (lag_dp / (lag_dp + lag_ppegt)) /
                (dp / (dp + ppegt)),
         SGAI = 1,                              # xsga 缺失
         LVGI = ((dlc + dltt) / at) /
                ((lag_dlc + lag_dltt) / lag_at),
         delta_wc = (act - lct - che + dlc) -
                    (lag_act - lag_lct - lag_che + lag_dlc),
         TATA = (ib - delta_wc) / at,           # oancf 缺失
         mscore = -4.84 + 0.920 * DSRI + 0.528 * GMI +
                  0.404 * AQI + 0.892 * SGI + 0.115 * DEPI -
                  0.172 * SGAI + 4.679 * TATA - 0.327 * LVGI)

d_score <- d |> filter(!is.na(mscore), is.finite(mscore))
test    <- d_score |> filter(fyear >= 2009, fyear <= 2014)

auc_val <- as.numeric(auc(roc(test$misstate, test$mscore,
                              quiet = TRUE, direction = "<")))

性能评估

把 M-Score 当作 "舞弊得分"，在测试集 20,236 个 firm-year 上从大到小排序，套用第 1 章引入的四个指标进行评估。下表列出 M-Score 与零模型的对比。

表 2·1　M-Score 与零模型在测试集上的对比

四个指标里 M-Score 只在 AUC 上比零模型多出 0.04。NDCG@100 仍然是 0，表示按 M-Score 从高到低排序后，前 100 名里一个真实舞弊样本都没有。Recall@1% 等于 0.011，意味着审计师按 M-Score 排名只看前 203 家公司，能挖出 91 家真舞弊里的 1 家。Precision@1% 等于 0.49%，比测试期基线舞弊率 0.45% 只高出一点点。换句话说，M-Score 在 "挑高嫌疑公司" 这件事上几乎不工作。

回到 Bao 数据。 AUC 从 0.500 抬升到 0.540 不是没有意义，0.04 的差距意味着随机抽一对舞弊与非舞弊样本，M-Score 把舞弊排在前面的概率比扔硬币高 4 个百分点。但这个抬升完全发生在排序的中段。前 1% 和前 100 名这两个对审计场景最重要的位置，M-Score 几乎没有信号。后续每一章的方法都需要在这两个排名靠前的位置上击败 M-Score 才有意义。

Beneish 原论文给出 $M > -2.22$ 作为阈值，超过这个数判为高舞弊嫌疑。把这个阈值套到测试集上，43.78% 的 firm-year 被 flag。审计资源不可能去调查 43% 的上市公司年度报表。把视角换到舞弊样本本身：91 个真舞弊里有 50.55% 的 M-Score 超过阈值。检出率刚过一半，代价是把近一半的健康公司也一起 flag 了。这个权衡说明 Beneish 阈值在 Bao 数据上完全失效。

案例公司打分

第 1 章选定的两家标志性公司在 2000 年都是舞弊年。下表列出它们的 M-Score 与几个关键变量。

表 2·2　案例公司 2000 年 M-Score

Enron 在 2000 年的 M-Score 是 −0.26，远高于 Beneish 阈值 −2.22，被判为高舞弊嫌疑。把分项拆开看：DSRI 1.38 反映应收账款相对销售在膨胀；GMI 1.89 反映毛利率从前一年的某个水平大幅恶化；SGI 2.51 反映销售翻了 1.5 倍。三项加在一起把 M-Score 推得很高。Tyco 在 2000 年的 M-Score 是 −1.64，同样超过阈值，但分项不像 Enron 那样集中。Tyco 的 DSRI 和 GMI 都接近 1，主要的可疑信号来自 TATA 0.108 这个偏高的应计水平。

这两家公司 M-Score 都在阈值之上，看起来 Beneish 在它们身上是奏效的。但是别忘了第 4 节的全局数字：测试集里 43.78% 的公司年报都被这个阈值 flag，等于 "几乎所有公司都嫌疑"。Enron 和 Tyco 落在 flag 区里既可能说明 M-Score 真的捕捉到了它们，也可能只是抽彩中奖：把硬币扔很多次，总有一些次正好落在指定的一面。要把这两种解释区分开，需要看测试集整体的 Recall@1% 和 NDCG@100，而这两个数字告诉我们 M-Score 在整体上几乎没有判别力。后续每一章都会回到这两家公司，看新方法能不能把它们排到更前的位置而不是简单地 flag。

Python 实现

R 与 Python 实现的输出在 AUC、NDCG@100、Recall@1%、Precision@1% 与两家案例公司的 M-Score 上完全一致。Python 用 pandas 做分组 lag、用 sklearn.metrics.roc_auc_score 与 ndcg_score 计算指标。完整脚本见 code/02_mscore.py。

import pandas as pd, numpy as np
from sklearn.metrics import roc_auc_score, ndcg_score

d = pd.read_csv("data/bao2020_full.csv").sort_values(["gvkey", "fyear"])
g = d.groupby("gvkey", sort=False)
for c in ["rect", "sale", "cogs", "act", "ppegt", "at",
          "dp", "dlc", "dltt", "lct", "che", "ib"]:
    d[f"lag_{c}"] = g[c].shift(1)
d["lag_fyear"] = g["fyear"].shift(1)
d = d[d["lag_fyear"] == d["fyear"] - 1].copy()

# 八变量构造（与 R 完全一致，省略）
# ... 见 code/02_mscore.py

test = d.query("2009 <= fyear <= 2014").dropna(subset=["mscore"])
auc_py = roc_auc_score(test["misstate"], test["mscore"])

本章累积对比表

表 2·3　第 2 章累积方法对比：加入 M-Score

下一章把规则升级为带学习的逻辑回归，并复刻 Dechow et al. (2011) 的 F-Score。逻辑回归会用 Bao 训练集 1991–2002 上的实际数据估计系数，摆脱 M-Score "权重定格 1990 年代" 的限制。这是从规则基线走向统计学习的第一步。

本章知识地图

表 2·4　第 2 章核心概念与常见误解