基于多源異構數據特征下的財務舞弊識別研究

【摘要】在大數據背景下，財務數據展現出多源異構性。文章構建了基于多源異構數據融合的財務舞弊識別模型，通過整合不同類型數據，增強數據間的互補性和關聯性，以識別財務舞弊。文章的模型構建涵蓋數據采集、數據預處理、模型訓練、模型預警等階段，確保了模型識別的有效性。數據預處理階段通過數據清洗和特征工程提高數據質量，在模型訓練時利用數據挖掘和集成融合算法提升模型預測精度和穩(wěn)定性，從而提高財務舞弊識別的準確性，為企業(yè)有效應對舞弊風險提供有力支持。

【關鍵詞】多源異構；數據融合；財務舞弊

【中圖分類號】F275

★ 基金項目：重慶工商職業(yè)學院校級科研項目“基于多源異構數據融合的上市公司財務舞弊特征識別及預警研究”（項目編號：NDQN2023-01）。

一、引言

中國的資本市場始終處于不斷變革和快速發(fā)展的狀態(tài)，位于市場經濟體制改革的前沿。成熟的資本市場能夠為企業(yè)提供一個公平、高效的融資環(huán)境。會計應當真實客觀地反映企業(yè)的財務狀況、經營成果以及現金流量，然而管理層的舞弊行為破壞了這一基本職能。財務報告質量直接影響會計信息使用者的經濟決策，如不能及時發(fā)現管理層的舞弊行為，將會給投資者帶來巨大的經濟損失。傳統的財務舞弊識別方法存在明顯的局限，這些方法通常僅依賴企業(yè)發(fā)布的財報數據，而這些數據可能本身已經受到管理層操縱。財務舞弊手段多樣且極其隱蔽，單一的識別技術也往往難以全面識別所有的舞弊手段。

近年來，基于機器學習、數據挖掘等技術逐步應用于舞弊識別領域，現有研究多以結構化數據作為研究基礎，對半結構化、非結構化數據涉及較少。大數據時代下，產生了大量的來自不同數據源的半結構化、非結構化數據，數據顯現出多源異構特征。事實上，財務報告中的文本（如管理層討論與分析[ 1 ]）、企業(yè)新聞與公告、媒體評論乃至圖像視頻等半結構化、非結構化數據對于識別財務舞弊同樣具有重要價值。因此，如何合理利用多源異構數據監(jiān)測管理層的舞弊行為，是當前財務舞弊識別領域面臨的重要挑戰(zhàn)。本文構建了一種基于多源異構數據融合的財務舞弊識別模型，旨在克服傳統識別方法的局限性，并充分發(fā)掘多源異構數據在揭露財務舞弊方面的潛力，對于檢測和打擊財務舞弊行為具有重要意義。

二、大數據背景下財務數據的多源異構特征

在大數據背景下，數據的特征通常被概括為“4V”模型，即數據量大（Volume）、結構多樣（Variety）、高速增長（Velocity）和低價值密度（Value）的特征，多源異質化的海量數據打破了以往會計信息來源單一、估量計算不準確的情況[2]。在大數據背景下，財務數據展現出顯著的多源異構性，具有以下特征。

大規(guī)模性：在信息技術快速革新的背景下，形成了龐大的財務數據集，需要用到大數據技術進行處理分析，從而揭示財務數據背后深層次的內在邏輯。

多源性：財務數據不僅包括傳統的會計記錄和財務報表，還涵蓋了業(yè)務數據、內部決議、市場交易、社交媒體、新聞報道等不同源的多維度內外部信息。

異構性：財務數據的格式和類型多種多樣，包括結構化數據，如財務指標、交易記錄，以及半結構化、非結構化數據如文本、圖像和聲音等。這就要用不同的技術和方法對不同類型的數據進行存儲、處理和分析。

復雜性和關聯性：財務數據之間存在復雜的內在聯系，大數據時代的海量信息，表面上看是分散的、質量參差不齊的、不同源的，但在邏輯上卻是統一的，這就需要對這些信息進行深度分析、實時分析[3]。利用關聯規(guī)則分析、機器學習、數據挖掘等方法，幫助識別這些模式和聯系，提取有價值的信息。

三、數據融合

數據融合是多學科交叉的研究領域，在文獻中與信息融合、信息集成、數據聚合等術語通常可以交互使用[ 4 ]。數據融合是指通過特定的方法對不同類型信息來源或關系數據進行綜合分析， 最終可以利用所有信息共同揭示研究對象的特征，以獲取更全面、客觀的計量結果[ 5 ]。運用數據融合技術對財務數據進行綜合分析，從而挖掘出更全面、客觀的信息，揭示財務關聯模式，檢測預警風險，增強財務決策支持。

四、基于多源異構數據融合的財務舞弊識別模型構建

多源異構數據融模型通過整合不同來源與類型的數據，增強了數據之間的互補性與關聯性，揭示潛在舞弊模式。研究要求對多源異構數據進行有效的融合和分析。這一綜合性構建模型的過程不僅在于解決數據的復雜性，更在于整合不同數據源構建高效可靠的識別反饋機制。基于此，本文從數據采集、數據預處理、模型訓練、模型預警四個階段，構建了基于多源異構數據融合的財務舞弊識別模型。結構化數據、半結構化數據和非結構化數據在多源異構數據的背景下都具有不可替代的作用，有助于揭示潛在的舞弊行為。通過綜合運用多源異構數據，可以更全面地揭示潛在的舞弊行為。

（一）數據采集

在構建基于多源異構數據融合的財務舞弊識別模型中，數據采集通過收集不同結構數據形成數據集。本文從結構化、半結構化以及非結構化三類數據進行討論。

1.結構化數據的采集

結構化數據通常以數據庫形式儲存，如Excel表格或SQL數據庫。這類數據高度組織，易于檢索和分析。結構化數據的采集本研究主要關注以下方面：

財務報表數據在傳統舞弊識別研究中占主要地位，這些報表提供了企業(yè)財務狀況、經營成果和現金流量的詳細信息。管理層可能通過操縱這些報表，隱藏真實的財務狀況誤導報表使用者。在傳統的舞弊識別研究當中通過對財務報表數據的深入分析，可以尋找出與行業(yè)標準、歷史數據或同行業(yè)其他公司相比異常的財務指標，以識別財務舞弊。

交易記錄在財務舞弊識別中也有著重要的應用。交易記錄提供了企業(yè)資金流動的詳細信息，有助于發(fā)現異常交易行為和潛在的舞弊跡象。通過分析交易記錄，監(jiān)測企業(yè)的資金流動，以發(fā)現異常資金活動。

預測數據可以幫助企業(yè)提前了解未來的財務狀況和經營成果，從而識別潛在的舞弊風險。在舞弊識別的應用中，預測數據提供了一個基準，用于評估公司的實際表現與預期之間的偏差。但預測數據也存在一定的不確定性，需要結合其他數據進行綜合分析，以提高舞弊識別的準確性和可靠性。

2.半結構化數據的采集

半結構化數據介于結構化數據和非結構化數據之間，其數據不符合嚴格數據庫結構。例如財務報告中的文字信息、公告、經濟決策、合同等信息。僅依靠報告中的報表數據對舞弊進行分析存在局限性，財務報告中的文字信息，也包含了對企業(yè)財務狀況、經營成果和現金流量的詳細信息。當管理層發(fā)生舞弊行為時，這些文字信息中可能包含含糊不清或者誤導性陳述，特別是文字中表現出過于樂觀或悲觀的態(tài)度，可能是管理層試圖掩蓋某些問題來誤導投資者。

例如通過企業(yè)發(fā)布的公告、決策信息，可以了解管理層經營策略和風險偏好，結合企業(yè)的投融資決策，評估決策的合理性。還可以分析財務決策與實際業(yè)績之間的關聯性，從而識別潛在的舞弊風險。合同信息揭示了公司與合作伙伴的關系和業(yè)務往來，當合同中存在顯失公平的條款或出現合同頻繁變更、未按時履約等跡象，可能反映出管理層的財務舞弊行為。

3.非結構化數據的采集

社會新聞報道、網絡評論、市場信息等非結構化信息，對舞弊的識別也有重要意義。例如，企業(yè)異常積極的公關可能暗示著公司試圖掩蓋某些負面信息。

企業(yè)的發(fā)布會、公開會議所產生的視頻和音頻資料能夠捕捉到公司高管的言行舉止，通過分析語音中的細微變化，可以反映管理層對公眾所表達的態(tài)度。

市場信息則為財務舞弊識別提供了基本宏觀環(huán)境信息。如果公司在行業(yè)整體下滑的情況下仍保持出色業(yè)績，或者與市場趨勢存在顯著差異，則需要關注業(yè)績的合理性。

（二）數據預處理

1.數據清理

財務數據雖顯現出多源異構特征，但對數據的處理卻有高度準確性和一致性的需求，以避免產生誤導信息。因此，數據清洗就需要運用到多種方法來處理這些不同類型的數據。此外，數據的時間序列特征能夠對企業(yè)財務狀況的趨勢分析和預測提供支持，然而不同源的數據在表達方式上不一致，因此需要對數據進行標準化處理。數據清洗過程中還需要正確地識別異常值，這些異常值可能是由輸入錯誤、管理層舞弊或其他事件所引起。

2.特征工程

特征工程不僅能夠提高模型的性能，還能夠幫助研究者發(fā)現數據中所隱藏的關聯模式，可以有效地從多源異構財務數據中提取出有助于舞弊識別的信息，從而提高舞弊識別的準確性和效率。多源異構特征下的財務數據存在多種形式的數據類型，特征工程需要針對不同類型的數據進行處理和轉換，以便提取出有效的特征。由于財務數據的維度高數據量大，可能會導致模型的過擬合和計算效率低下。特征工程需要進行適當的降維處理，如主成分分析（PCA）、線性判別（LDA）等，以減少特征的維度并保留關鍵信息。同時，對特征進行歸一化處理，將特征的尺度統一到相同的范圍內，可以提高模型的訓練效率和穩(wěn)定性。對于半結構和非結構化數據的特征工程需要結合具體的應用場景和數據特點進行定制化處理。對于社交媒體上的言論，需要提取相關話題、情感傾向等特征；對于視頻中的管理層行為，需要提取相關動作、表情和場景等特征。此外，對半結構化和非結構化數據的特征工程還需要考慮數據的可解釋性以及泛化能力等。

（三）模型訓練

在財務舞弊識別研究中，模型訓練是至關重要的一環(huán)。在多源異構數據的基礎上，通過數據挖掘和集成融合算法，獲取財務舞弊特征識別的關鍵指標，通過對不同數據源的分類識別結果，進而獲得更精準的分類決策。該過程涉及到單一模型的構建、集成模型構建、模型的優(yōu)化以及驗證等步驟。

1.單一模型構建

單一模型構建是模型訓練的基礎，每個單一模型都是一個獨立的分類器，對財務舞弊行為進行初步識別。這些模型通過各自的算法和機制，能夠捕獲樣本中不同角度的信息，從而對舞弊行為做出判斷。可以嘗試采用多種機器學習算法來構建單一模型，例如支持向量機、決策數、神經網絡等。還可以引入像決策樹這類解釋性更強的模型算法，以便更好地解釋模型是如何根據財務特征識別財務舞弊的。

2.集成模型構建

為了提高模型的預測精度和穩(wěn)定性，可以進一步采用集成的方法，將多個單一模型進行組合，形成集成模型。集成模型包括Bagging和Boosting兩種常見的集成策略。集成模型通過組合多個單一模型，可以減小單一模型可能存在的過擬合或欠擬合問題，提高整個模型的穩(wěn)定性和泛化能力，以提高模型在預測數據上的表現。不同的單一模型可能擅長處理不同類型的數據或捕獲不同的特征。集成模型，可以綜合利用它們的優(yōu)點，提高整體識別性能。

3.模型優(yōu)化

模型優(yōu)化旨在通過調整模型參數、改進模型結構從而提高模型的預測精度。在財務舞弊識別中，通常舞弊案例的數量遠少于非舞弊案例。這種數據不平衡性可能導致模型的識別結果偏向于非舞弊案例。在模型優(yōu)化中采用適當的調整損失函數或引入SMOTE算法，可以應對數據的不平衡性。同時在多源異構數據特征下，財務指標的維度很高，容易出現過擬合現象，即模型在訓練集數據上表現良好但在測試集數據上表現不佳的情況。通過調整模型復雜度、使用交叉驗證等，以提高模型在預測集上的泛化能力。

（四）模型預警

模型會通過對多種關鍵指標的實時監(jiān)測和深入分析，及時發(fā)現并警示潛在的舞弊行為，就需要用到指標對異常行為進行預警。歷史數據在模型預警中發(fā)揮著“參照系”的作用。模型會通過對企業(yè)歷史財務數據的深入挖掘和分析，建立起一個基準線，當模型發(fā)現當前數據出現顯著偏離時，就會發(fā)出預警信號。模型預警的輸出不僅包括關鍵指標的異常信息，還會根據這些信息的綜合評估結果，運用定性與定量的方式確定預警層級，每個層次都對應著不同的應對措施和緊急程度。這種預警等級的劃分，有助于企業(yè)根據風險的影響程度和緊急程度，制定應對策略，從而更有效地防控舞弊風險。

五、結論與展望

本文探究了多源異構數據在揭露財務舞弊方面的應用，通過整合結構化數據、半結構化數據及非結構化數據，挖掘了各類數據在揭露潛在舞弊行為中的獨特價值。不僅能從財務指標這一基礎層面進行審視，更能結合管理層行為、經營情況、市場動態(tài)等多源信息。此外，本文在模型構建時采用了數據挖掘、機器學習、集成算法等技術，構建了單一識別模型、集成識別模型。通過集成不同的單一模型，可以綜合各個單一模型的優(yōu)點，提高整體識別性能。

展望未來，期待大數據與人工智能技術的持續(xù)發(fā)展能進一步推動該領域的發(fā)展。特別是，通過更深入地運用自然語言處理、圖像識別、視頻處理等尖端技術，我們可以從海量的非結構化數據中提煉出更多有價值的信息。同時，跨學科的合作與交流也將推動該領域發(fā)展，有望構建出一個更加全面、科學的舞弊識別體系。

但也要注意多源異構數據在舞弊識別研究中存在的風險。多源異構數據可能來源不同，數據質量也參差不齊，特別是非結構化數據的可靠性和完整性可能難以保證。同時，多源異構數據可能會涉及到個人隱私和商業(yè)秘密，要避免不當的數據處理或者數據外泄，防止可能導致的法律風險和信譽損失。

主要參考文獻：

[1]趙納暉，張?zhí)煅?基于MDA文本和深度學習模型的財務報告舞弊識別[J].會計之友，2022（08）：140-149.

[2]程平，趙子曉.大數據對企業(yè)財務決策的影響探析[J].財務與會計，2014（10）：49-50.

[3]王民，佘曉燕.大數據時代“會計工廠”的構建[J].會計之友，2015（03）：96-99.

[4]陳科文，張祖平，龍軍.多源信息融合關鍵問題、研究進展與新動向[J].計算機科學，2013，40（08）：6-13.

[5]許海云，董坤，隗玲等.科學計量中多源數據融合方法研究述評[J].情報學報，2018，37（03）：318-328.

責編：夢超