新《公司法》下关联交易舞弊治理研究

　　一、引言

　　现阶段的财务舞弊呈现出复杂化、专业化、智能化的显著特点，舞弊行为不再局限于传统财务领域，而是延伸至产业链上下游各个环节。舞弊者借助先进的技术手段与客户、供应商等机构形成利益共同体，使舞弊行为更加隐蔽、难以察觉和监管。2024年，我国在财务反舞弊合规领域治理持续深化，3月1日，《中华人民共和国刑法修正案(十二)》正式实施，该修正案对为亲友非法牟利等涉企舞弊相关罪名作出修改，对反舞弊政策框架产生深远影响；同年7月，证监会等部门发布《关于进一步做好资本市场财务造假综合惩防工作的意见》，明确要求上市公司加强内控体系建设，重点强化对舞弊关键领域、核心环节的监督制约，防范财务造假等舞弊行为。关联交易舞弊作为财务舞弊的重要手段之一，是指企业或个人利用关联方之间的交易操纵财务数据，以此掩盖真实财务状况、误导投资者或逃避监管。此类舞弊方式不仅会损害公司财务健康与市场信誉，影响股价及长期发展，还可能涉及税务规避、公司治理结构失衡等问题，甚至引发严重法律风险。2024年7月，新修订的《中华人民共和国公司法》(以下简称“新《公司法》”)规定，董监高等管理人员不得利用职权谋取不正当利益。与此同时，越来越多的企业意识到，财务反舞弊必须从被动应对转向主动管理，主张借助信息技术手段强化对关联交易舞弊的识别和应对能力，推动反舞弊工作从事后补救转向事前预防转变，进而建立起完善的反舞弊合规管理体系。

　　二、新《公司法》下关联交易舞弊治理新要求

　　为遏制不正当关联交易，切实维护公司合法权益，新《公司法》在旧《公司法》(2018版)的基础上，对关联交易规定的变化、不正当关系的认定等各方面进行完善，新法在关联交易主体、程序等方面的规定更为明确，关联交易的规制体系也更为周全。因此，基于新法的规则制度，为企业开展关联舞弊治理提出一系列新要求以及实务指引。

　　

　　(一)扩大关联交易的限制主体

　　旧《公司法》第一百四十八条第一款，将关联交易制度的交易主体范围仅限于董事和高级管理人员。而新法在此基础上扩大了范围，新《公司法》第一百八十二条规定，除董事和高级管理人员外，将监事纳入关联交易的规制主体。董事、监事、高级管理人员的近亲属、直接或间接控制的企业、有其他关联关系的关联人，同样适用此规定。同时引入“事实董事”制度，将关联交易的限制主体范围扩大至控股股东和实际控制人。

　　(二)扩大关联交易的审查范围

　　旧《公司法》未对间接自我交易和其他关联交易作出规定。新《公司法》明确，直接或间接与本公司订立合同、进行交易，需按照公司章程规定，经董事会或者股东会决议通过。这意味着，新《公司法》在原来的法律基础上，明确了关联交易的审查范围，不论是直接与其他公司进行交易，还是间接方式形成关联交易，均需纳入省查程序。

　　(三)完善关联交易的审查程序

　　旧《公司法》第一百四十八条第一款第(四)项中规定，董事、高级管理人员不得违反公司章程规定或未经股东会、股东大会同意，与本公司订立合同或进行交易。但该条表述并未明确指出关联交易事项的报告主体和报告义务，也未赋予关联交易设置强制审查要求和配套审查程序。新《公司法》第一百八十二条第一款在上述基础上，首次新增关联交易程序性规制，一是增设董事、监事、高级管理人员(以下简称“董监高”)的报告义务；二是确立关联董事回避表决规则，明确关联方在涉及公司利益的交易中应当回避表决，以防范利益冲突。通过这一程序设计，新《公司法》进一步明确：关联交易事项的报告主体为董监高，审批主体为董事会或股东会，填补了旧法在关联交易程序规制上的空白。

　　三、新《公司法》下关联交易舞弊治理——机器学习驱动的三元协同机制

　　关联交易舞弊因具有隐蔽性和复杂性，往往难以被企业及时察觉，且其舞弊手段呈现多样化特征，导致传统审查与监管技术已难以满足企业发展需求。在新《公司法》正式实施和推动下，企业需主动借助新技术手段，深度挖掘关联交易主体身份、交易程序等，有效遏制不正当关联交易的发生，切实维护公司合法权益。

　　(一)机器学习驱动的三元协同机制

　　机器学习驱动的三元协同机制是指，在机器学习算法技术的支撑下，构建“感知-计算-审查执行”三位一体的闭环系统，通过这一闭环机制可实现管理系统的深度协同与动态优化，实现整体的自适应性。其中，机器学习驱动下的“感知机制”作为获取信息与解析的基础环节，其主要功能是从原始数据中提取、分析和理解数据信息，并对多来源、多渠道的分散数据进行融合；“计算机制”是指通过算法模型自动化计算数据信息，当多元数据发生异常情况时，能够对数据进行重新计算和训练，其核心功能是自动化处理各项复杂任务，持续性提高管理系统的性能；“审查执行”机制是指在多种算法模型的加持下，快速审查执行路径过程中存在的问题，加快问题反馈、响应和解决速度。在“感知-计算-审查执行”三大机制的协同作用下，机器学习能够提取更为复杂的信息，从而挖掘数据信息背后的隐藏属性和特征。