財務舞弊識別預警數智化轉型路徑研究

【摘要】近年來， 上市公司財務舞弊手段不斷演進升級， 呈現出動機多樣化、 手段系統化、 手法隱蔽化、 主體集團化、 跨期長等新特征， 導致傳統財務舞弊識別預警面臨挑戰。與此同時， 在數字經濟時代， 日益發展成熟的大數據和人工智能技術催生出新的機遇， 賦能財務舞弊識別預警數智化轉型。基于此， 本文探索了數智化財務舞弊識別預警框架和模型， 并從數據層、 指標層、 模型層和應用層四個層面分析如何構建數智化財務舞弊識別預警體系， 旨在為行業內探索財務舞弊識別預警數智化升級提供參考， 并助力我國上市公司高質量發展。

【關鍵詞】數智化轉型；財務舞弊；識別預警模型；識別預警體系

【中圖分類號】 F275" " "【文獻標識碼】A" " " 【文章編號】1004-0994（2025）08-0016-7

一、 引言

上市公司作為資本市場的基石， 在資本市場高質量發展中起著至關重要的作用。然而， 在發展過程中財務舞弊案件屢見不鮮， 影響了市場資源配置功能， 損害了投資者的利益及其對資本市場的信心， 2020年瑞幸事件甚至產生了巨大的社會影響， 嚴重破壞了我國上市公司的整體誠信。上市公司財務舞弊行為引發了監管機構及市場的高度關注， 如2020年國務院發布《關于進一步提高上市公司質量的意見》， 2024年國務院印發《關于加強監管防范風險推動資本市場高質量發展的若干意見》、 中國證監會發布《關于嚴格執行退市制度的意見》、 中國證監會等六部門聯合發布《關于進一步做好資本市場財務造假綜合懲防工作的意見》等， 體現了政府在財務舞弊方面的監管力度和決心， 為我國證券市場監管提供了依據。同時， 監管持續加強對重點領域涉及財務造假風險問題的排查， 從嚴懲處財務造假、 侵占資金、 第三方配合造假行為， 強化震懾效應。中國證監會的數據顯示： 2024年1 ～ 10月共查辦財務造假案件658件， 罰沒款110億元， 已超過2023年全年； 2021 ～ 2023年共辦理上市公司信息披露違法案件397件， 其中財務造假案件203件。

在此背景下， 各市場參與單位不斷加強財務舞弊識別預警實踐， 但仍有諸多尚未解決的難題， 例如： 如何挖掘更為隱蔽的財務舞弊手段， 如何提升財務舞弊識別預警效率， 在數智化時代如何更為精準地識別預警財務舞弊， 如何構建更為貼近實際、 可實操落地的財務舞弊預警模型等。本文基于近年來上市公司財務舞弊現狀， 剖析當前財務舞弊行為的新變化以及信息技術發展給財務舞弊識別預警帶來的新機遇， 進而提出財務舞弊識別預警數智化轉型路徑。

二、 文獻綜述

《獨立審計具體準則第8號——錯誤與舞弊》中提出， 舞弊是指致使會計報表產生不實反映的故意行為； 《中國注冊會計師審計準則第1141號——財務報表審計中與舞弊相關的責任》進一步細化， 提出舞弊是指被審計單位的管理層、 治理層、 員工或第三方使用欺騙手段獲取不當或非法利益的故意行為。目前關于財務舞弊的理論研究， 主要集中在動因分析和識別預警方面。

1. 財務舞弊動因。源自心理學的雙因素（冰山）理論將舞弊動因分為“露出海平面”容易被觀察和識別的結構部分， 以及“潛藏在海平面下”被掩飾的更龐大更危險的行為部分。三因素（舞弊三角）理論認為舞弊產生的原因由動機/壓力、 機會、 借口三要素組成， 企業或個人在追求自身利益或存在業績目標等壓力時， 若同時存在內部控制薄弱、 信息不對稱等機會， 且能夠為舞弊行為找到“合理化”的借口， 就可能實施舞弊。四因素（GONE）理論則進一步將舞弊動因區分為貪婪、 機會、 需求、 暴露四類， 貪婪和需求驅使舞弊動機產生， 機會為舞弊行為提供了實施條件， 而暴露風險的大小則影響對舞弊后果的預期， 進而據此決定是否實施舞弊。在此基礎上， Bologua（1993）進一步加入了舞弊受罰的性質與程度因子， 王杏芬和張彧（2020）將機會因子細分為形式化的公司治理和無效的內部控制， 將暴露因子細分為內外部監管機制時效和與第三方合謀。多因素（風險因子）理論認為舞弊動因由與組織相關的一般風險因子（包括行業環境、 內部控制制度、 公司治理結構等）以及與個人相關的個別風險因子（包括個體的道德品質、 價值觀等）組成， 目前該理論被認為是最完善的舞弊動因理論。

2. 財務舞弊識別預警。在預警框架方面， 從一開始的預警信號研究（黃世忠和黃京菁，2004）逐步演變到識別框架研究（葉欽華等，2022）， 識別框架更為體系化地介紹了財務舞弊識別預警方法論， 從財務稅務維度、 行業業務維度、 公司治理維度、 內部控制維度和數字特征維度進行財務舞弊識別。隨著大數據技術和人工智能的發展， 預警模型在傳統的常規量化分析方法， 如Logistic回歸（洪文洲等，2014）、 主成分分析（錢蘋和羅玫，2015）等的基礎上， 逐步引入新興算法， 如神經網絡模型（Fanning和Cogger，2015）、 機器學習（包括支持向量機和隨機森林等）（劉云菁等，2022）、 元學習（張學勇和施懿，2023）等， 模型迭代及算法升級提高了財務舞弊識別預警的準確性。預警模型變量也在簡單的財務原始數據、 財務指標波動（洪文洲等，2014）、 財務衍生指標（李清和任朝陽，2016）等的基礎上逐步加入非財務變量， 如公司市場因子（Dechow等，2011）、 治理特征（姜富偉等，2023）、 文本分析指標（Brown等，2020）、 生產數據（葉康濤等，2021）、 遞延所得稅指標（酈金梁等，2020）等， 引入了更多的舞弊識別變量， 使得財務舞弊識別預警維度更加多樣、 全面。

從理論研究情況來看， 專家學者們基于雙因素、 三因素、 四因素、 多因素理論， 搭建了財務舞弊識別預警模型， 指標變量從定量指標逐步擴充到定性指標， 識別模型從傳統邏輯回歸等逐步轉變為神經網絡、 機器學習等新興算法， 持續提升了財務舞弊識別和預警的“精度”， 但仍存在改進空間。一方面， 現有模型預警指標變量有所增加， 但模型變量與舞弊手段之間未建立關聯， 特別是一些組合式、 場景式的舞弊手段并未在相應識別模型中予以體現， 理論和實踐存在一定程度的脫節； 另一方面， 在大數據、 智能化時代背景下， 相關機構如何拓寬變量獲取的來源和方式、 構建數智化財務舞弊識別預警框架和分析模型等， 仍有待進一步深入探討。

三、 財務舞弊新變化

隨著科學技術的發展和內外部環境的變化， 上市公司財務舞弊手段不斷演化升級， 大體可劃分為四個階段。一是財務舞弊1.0階段： 只關注利潤表。企業主要通過虛構無商業實質的業務虛增收入， 并通過虛增返利、 少計費用、 費用跨期等達到虛增當期凈利潤的目的， 后續再通過計提減值， 逐步消化虛增的應收賬款。該階段的財務舞弊形式相對簡單， 一般不涉及現金流造假， 可通過經營現金流和利潤表匹配來判斷。二是財務舞弊2.0階段： 凈利潤造假， 同時關注現金流。企業在收入、 費用方面的造假手法與上一階段基本一致， 但在現金流方面， 一般通過體內資金循環， 虛構經營性現金流入。該階段收現比、 凈現比等指標失效， 但結合常識如存貸雙高、 利息收入與貨幣資金不匹配等， 可發現端倪。三是財務舞弊3.0階段： 凈利潤造假， 調整現金流。這一階段的舞弊手段更加豐富， 最為常見的是通過虛構業務、 虛設客戶、 虛簽合同、 虛減成本、 虛構存款等達到虛增收入和利潤的目的。資產負債表方面， 主要涉及貨幣資金、 應收賬款、 存貨、 其他應收款等科目?，F金流方面， 企業往往與外部第三方配合調整經營現金流入和流出。從該階段開始， 舞弊手段逐漸逼真， 單一預警指標已無法使用， 更依賴于行業對比、 場景式舞弊預警。四是財務舞弊4.0階段： 凈利潤造假， 同時現金流造假。企業舞弊手法更加系統化， 通過虛創業務、 虛設客戶、 虛構資金等手段虛增收入和利潤。資產負債表方面， 除了上述科目， 還會涉及在建工程、 商譽、 無形資產等科目?，F金流方面， 除了經營現金流造假， 還對投資活動現金流等進行造假。

從近三年上市公司財務舞弊案例來看， 當前上市公司主要采用財務舞弊4.0階段的手段， 舞弊行為貫穿利潤表、 現金流量表和資產負債表， 形成財務舞弊閉環， 呈現出如下新特征：

1. 動機多樣化。除了傳統資金壓力、 業績承諾等， 上市公司舞弊動機更加多元化， 如大股東減持套現、 掩蓋資金占用、 市值管理、 退市壓力等。例如， 仁東控股2021年被調查出股東坐莊股票的違法事實， 而后監管進一步調查發現， 公司在2019 ～ 2020年虛增收入和利潤， 存在以財務舞弊配合公司股東坐莊的嫌疑。

2. 手段系統化。財務舞弊不再拘泥于使用單一手段， 而是多種舞弊手段一并實施， 各環節緊密配合， 且趨于復雜化、 系統化、 全鏈條化。例如： ST金剛在收入端通過虛構銷售交易及股權轉讓交易， 虛增營業收入、 利潤總額； 在資產端通過虛構采購交易等， 虛增存貨、 固定資產等非流動資產； 在資金端通過虛構采購業務、 支付采購款、 賬外借款及開具商業匯票等， 向實際控制人及其關聯方提供資金， 構成非經營性資金占用。

3. 手法隱蔽化。上市公司利用新型或復雜金融衍生工具、 理財產品、 跨境業務等， 采用多層嵌套股權結構， 使得關聯交易非關聯化， 借助第三方假賬真做、 真真假假， 使傳統方式與新型手法雜糅共生， 更為隱蔽地開展財務舞弊。例如， 天目藥業的控股股東長城集團成立文韜基金、 武略基金， 再將上述基金虛假轉讓給天目藥業控股子公司銀川天目， 從而以股權轉讓的方式侵占上市公司天目藥業的資金。

4. 主體集團化。例如， 2021年上海電氣披露子公司“專網通信”業務爆雷后， 牽扯出A股ST凱樂等10多家上市公司， 專網通信造假以“窩案”方式實施， 借助配合造假、 融資性貿易、 空轉等構建造假“生態圈”（葉欽華和黃世忠，2024）。此外， 部分上市公司大股東控制了多家上市公司， 其通過資金池管理、 繁復的內部關聯交易等對上市公司進行資金占用， 跨地區、 跨國舞弊增加。

5. 跨期長。財務舞弊不再是短期、 一次性的操作， 出現了長期財務舞弊、 跨期逐步調整的情況。例如， ?ST美尚在2012 ～ 2019年以及2020年上半年均存在虛增凈利潤的情況， 橫跨公司上市前（2012 ～ 2015年）、 后（2016 ～ 2020年）， 財務舞弊持續了8年之久。

上述財務舞弊新特征導致財務舞弊識別預警難度加大， 舞弊行為從發生到最終被發現和處罰， 存在較長時滯， 在此期間， 舞弊公司往往繼續在資本市場上吸引更多的資金流入。按照退市新規， 財務舞弊公司或面臨退市風險， 投資者將遭受巨大損失， 對資本市場資源配置產生嚴重負面影響， 阻礙資本市場的健康發展。

四、 數字技術發展給財務舞弊識別預警帶來新機遇

2021年國務院辦公廳發布《關于進一步規范財務審計秩序促進注冊會計師行業健康發展的意見》， 提出“加強財會監督大數據分析， 對財務造假進行精準打擊”。在數字經濟時代， 日益發展成熟的大數據和人工智能技術使人們的生產生活發生了巨大變化， 也為賦能財務舞弊識別預警數智化轉型催生出新的機遇。

1. 高頻、 海量、 多元化數據為財務舞弊識別預警數智化轉型奠定基礎。財務舞弊新變化帶來了數據擴延需求。在財務舞弊涉及的主體方面， 逐步由“個案”向“窩案”轉變， 關聯方、 第三方等配合“交易造假”， 面對財務舞弊手段的演進， 需進一步延伸核查主體范圍， 識別隱性關聯、 分析交易鏈條、 支持財務數據下鉆穿透等， 這些需求與日俱增。在財務舞弊手法方面， 逐步由“無中生有”向“假賬真做”“真假參半”等轉變， 亟需進一步擴展入模數據范圍， 不僅包括財務及生產數據， 還需引入內部控制、 企業治理、 負面輿情等非財務數據、 非結構化數據， 以進行交叉論證。因此， 若需提升財務舞弊識別預警的效率和準確性， 首先要提升輸入數據的廣度和深度。

在大數據時代， 數據已逐步演變為新的生產要素。借助光學字符識別（OCR）、 自然語言處理（NLP）等技術， 在結構化數據的基礎上獲取公告、 裁判文書、 新聞、 演講等所涉及的非結構化數據、 半結構化數據等， 在低頻財務數據的基礎上獲取工商、 訴訟、 輿情、 市場等高頻海量數據， 匯集多源異構數據構建高質量數據集， 延展數據廣度、 深度及顆粒度， 有利于挖掘更多價值信息， 這為財務舞弊識別預警數智化轉型奠定了基礎。

2. 大數據存儲、 云計算等技術為財務舞弊識別預警數智化轉型提供技術支持。財務舞弊新變化帶來了多源、 多維、 異構數據的挖掘分析需求。單純依賴于財務指標或單個維度信號， 往往難以及時識別預警財務舞弊。由于公司運營仍然在一定的邏輯框架內運行， 遵循財務、 稅務、 公司法等各類管理要求， 公司財務舞弊實施后往往會在財務、 稅務、 生產、 內部控制等方面留下“痕跡”， 這就需要基于上述高質量數據集， 進行多維度、 組合性、 交叉式的深入分析和挖掘。

隨著當前信息科技的發展， 分布式計算架構、 分布式批處理計算框架、 分布式流計算系統、 圖分析圖計算等大數據技術快速迭代演進， 加之云計算強大的存儲、 計算和分析能力， 使得財務舞弊識別預警可打破數據邊界， 基于多源、 多維、 異構的數據進行深入挖掘與分析， 為大容量、 高并發、 高效率計算的數智化財務舞弊識別預警提供技術支撐。

3. 人工智能、 機器學習等技術助力構建更為精準的財務舞弊“畫像”。高頻海量數據在一定程度上使得傳統財務舞弊識別預警走入困境。高頻海量數據是一把“雙刃劍”， 更多的數據支持交叉驗證在一定程度上提高了財務舞弊識別質量， 但同時由于上市公司存在眾多財務項目及報表附注信息， 加之監管處罰、 訴訟、 行業等海量信息， 數據廣度、 寬度、 深度等呈幾何倍數增長， 導致根本無法依賴人工全面識別預警財務舞弊。

隨著人工智能、 機器學習等技術的逐步成熟并在實踐中應用， 以及新興算法的迭代優化， 持續對大數據進行高效處理、 挖掘、 分析并形成價值輸出， 極大地彌補了人腦在處理和分析海量、 非結構化、 隱蔽數據方面能力的不足， 同時， 改變了傳統的一因一果、 多因一果的因果思維。借助人工智能、 機器學習等技術， 能夠突破常規認知， 挖掘潛在數據價值， 洞察復雜的多對多因果關系、 關聯關系， 反哺提升財務舞弊識別預警準確性， 這是對傳統人工識別方式、 打分卡等模型的重塑和升級。

在傳統財務舞弊識別預警面臨新挑戰、 數字技術發展給財務舞弊識別預警帶來新機遇的綜合作用下， 財務舞弊識別預警數智化轉型應運而生。所謂“數智化”， 是繼線上化、 系統化、 數字化發展后的高階階段， 是一個基于海量數據資源、 高階智能算法應用和智能技術賦能的新模式， 是“數據+算力+算法”“數字化+智能化”等融合創新的產物。相較于傳統財務舞弊識別預警， 數智化財務舞弊識別預警在數據挖掘、 分析算法、 預警質效、 風險評估等維度均產生了系統化變革， 詳見表1。

五、 財務舞弊識別預警數智化轉型

1. 數智化財務舞弊識別預警框架。財務舞弊并非突然而至的“黑天鵝”事件， 往往有跡可循， 且是一個動態變化的事件。結合上述分析， 本文擬從如下三大視角搭建數智化財務舞弊識別預警框架： 一是經營活動視角。對上市公司日常生產、 銷售、 回款、 籌資、 對外投資等經營活動及其產生的各種財務、 稅務、 生產數據中的異常進行甄別， 構建企業經營識別預警模型（模型1）； 同時， 通過行業對比， 從行業趨勢及結構偏離角度構建行業偏離識別預警模型（模型2）。二是內部控制視角。良好的內部控制機制是保障財務、 稅務等數據能夠真實、 客觀地反映公司各項經營情況的基礎， 反之， 失衡的內部控制生態往往是滋生財務舞弊的“溫床”。從舞弊動因分析角度構建舞弊壓力識別預警模型（模型3）； 同時， 基于上市公司內部環境和行為分析其內部控制生態， 構建內部管理識別預警模型（模型4）。三是外部監督視角。監管機構、 審計機構、 投資者等第三方主體對上市公司財務數據真實性進行監督， 其輸出的公司負面信息是重要的預警信號， 基于此構建外部監督識別預警模型（模型5）， 其包括外部監督預警和輿情雷達兩個子模型。

其中， 模型1、 模型2和模型5中的輿情雷達子模型通過交叉矩陣輸出財務舞弊識別預警初始等級及其畫像， 模型3、 模型4和模型5中的外部監督預警子模型通過交叉矩陣形成疊加因子對識別預警初始等級進行調整， 形成最終的財務舞弊識別預警結果。

2. 數智化財務舞弊識別預警模型。

（1） 模型1： 企業經營識別預警模型。該模型可從財務、 稅務、 生產三個維度進行識別預警。在財務維度， 上市公司必須參照財務報告概念框架、 會計準則等， 按照相對統一的標準編制財務報表。因此， 若公司虛構交易事項， 或有意選擇或變更會計政策與會計估計方法， 或未遵循會計準則， 將會導致財務報表數據出現異常， 留下諸多“痕跡”， 而這些異?，F象可用于財務舞弊的識別預警。在稅務維度， 上市公司依據稅法相關規定申報納稅， 具有更強的剛性約束， 因此財務舞弊形成的虛增收入、 利潤等往往會產生納稅成本， 企業規避稅務成本將會產生較大的納稅異常或遞延所得稅異常變動。在生產維度， 企業經營活動將同步生成生產數據， 更加貼近公司真實情況， 生產數據與財務數據的背離往往意味著財務舞弊。例如， 公司在產品價格基本穩定、 無重大生產線投入的情況下， 人均產能、 人均凈利潤突然大幅攀升， 而員工人均收入出現下降。

對于上述三個維度， 可從以下三個方面設置相應的識別預警指標輸入財務舞弊識別預警模型： 一是縱向比較， 和企業以前年度相比是否在合理范圍內變動， 是否出現異常變化； 二是勾稽關系驗證， 財務報表科目之間、 報表之間的勾稽關系是否合理可信； 三是場景搭建， 基于違約案例及樣本等分析相應財務舞弊手法下財務科目異常場景， 將舞弊信號轉變為可量化識別的變量， 制定場景規則模型。具體的識別信號與預警指標情況見表2。

（2） 模型2： 行業偏離識別預警模型。不同行業的業務模式和商業模式存在差異， 相應產業鏈上的企業則呈現出不同的特征， 這些差異也將體現在財務報表上， 例如制造業與批發零售業、 房地產業與建筑業等的財務科目表現有著天然的差異。因此， 若上市公司經營數據與所處行業特征指標數據存在明顯偏離， 則可能是財務舞弊的風險信號。對此， 可從以下兩個角度設置相應的識別預警指標輸入財務舞弊識別預警模型： 一是趨勢偏差， 即公司走勢與所處行業走勢是否相符， 可結合行業特點提煉行業趨勢性及特征性指標， 借助K-Means聚類算法， 構建相似矩陣， 識別預警明顯偏離行業趨勢的主體； 二是結構偏差， 包括公司特點與所處行業特點是否相符、 公司經營及財務指標等是否符合行業內商業邏輯、 和同行業企業橫向對比是否存在較大偏離等。具體的識別信號與預警指標情況見表3。

（3） 模型3： 舞弊壓力識別預警模型。上市公司實施財務舞弊往往存在一定的誘發因素、 驅動因素， 即存在財務舞弊壓力， 如業績壓力、 資本市場壓力、 融資壓力等。具體的識別信號與預警指標情況見表4。以資本市場壓力中的退市壓力為例， 匯聚上市公司財務數據、 交易數據等結構化數據， 借助語義分析模型等提取規范類退市、 重大違法類退市觸發信息形成數據輸入， 結合退市新規政策提煉各類交易指標、 流動性指標、 波動性指標、 觸發性指標等， 借助人工神經網絡（ANN）、 支持向量機等模型， 最終量化輸出退市風險壓力作為財務舞弊識別預警模型輸入項。

（4） 模型4： 內部管理識別預警模型。內部管理是指企業內部建立的使各項業務活動互相聯系、 互相制約的措施、 方法和規程， 在一定程度上可為財務報告的可靠性、 經營的有效性與真實性等提供保障。內部管理預警更多地聚焦于對上市公司各類異常行為的挖掘， 是對公司內部控制及公司治理生態健康度的識別預警， 需要對非財務稅務數據進行挖掘分析?？蓮墓緝炔凯h境是否異常（包括組織架構和人員管理）和公司內部行為是否異常（包括公司行為和交易對象行為）兩個方面提煉相應識別預警指標輸入財務舞弊識別預警模型。具體的識別信號與預警指標情況見表5。以交易對象行為異常為例， 匯聚工商注冊、 司法訴訟、 行業動態、 市場交易等數據以獲取更全面的關系信息， 包括投資關系、 上下游關系、 受益人關系、 擔保關系、 任職關系等， 借助大數據技術、 圖計算等工具構建關聯指標， 基于人工智能、 深度學習等技術挖掘更深層次的關聯特征和規律， 輸出企業知識圖譜， 分析財務舞弊風險在企業關系網絡中的傳導路徑， 進而對圖譜內的主體異常信號進行識別預警。

（5） 模型5： 外部監督識別預警模型。從外部監督視角來看， 監管單位（包括自律組織）、 司法機關、 審計機構、 資本市場、 媒體等會對上市公司經營管理層面進行監督管理， 促使上市公司不斷提升財務報表可信度。基于此， 本文從監管、 司法、 外審、 市場、 輿情雷達等維度設置相應預警指標， 作為財務舞弊識別預警模型的重要輸入。具體的識別信號與預警指標情況見表6。以輿情雷達為例， 基于自建、 外部采購方式搜集海量輿情資訊文本， 利用NLP技術進行數據提取和轉化， 以人工智能技術為核心， 應用正則表達式、 文本挖掘等大數據挖掘與分析技術以及知識圖譜進行新聞輿情監測識別， 再通過深度學習方法進行情感評分， 最終形成輿情風險等級、 熱度或分值等。

3. 數智化財務舞弊識別預警體系。財務舞弊識別預警數智化轉型意味著活動向信息轉化、 信息向數據轉化、 數據向模型轉化， 而模型可提供智慧分析與決策， 因此本文建議自下而上構建由數據層、 指標層、 模型層、 應用層組成的數智化財務舞弊識別預警體系。

（1） 數據層。匯聚數據并清洗， 搭建數據湖。利用大數據技術搭建數據集中采集平臺（簡稱“數據平臺”）， 通過ETL（Extract，Transform，Load）工具、 API接口、 網絡爬蟲等， 匯聚接入上述預警模型中所需的上市公司數據， 包括公司基本信息、 股權結構、 董監高任職、 關聯企業、 財務數據、 市場動態、 公告發布、 生產運營、 輿情監測、 監管處罰、 法律訴訟、 市場交易、 行業趨勢等多維度信息。接入數據平臺后進行一站式采集、 存儲、 處理、 分析等， 對于結構化數據采用數據庫連接和數據抽取技術進行高效采集， 對于非結構化數據， 運用NLP和OCR技術等將其轉換為可分析的結構化數據， 例如詞袋模型（BOW）可將文本轉換為詞頻向量、 N-gram模型可捕捉詞序列的局部特征、 詞頻—逆文檔頻率（TF-IDF）可衡量詞語在文本中的重要性。之后， 構建圖模型清晰地展示數據之間的關聯關系， 如企業之間的股權關系、 交易關系等， 為交易對象行為異常、 組織構架異常等的識別提供數據基礎； 使用分布式圖計算等大數據技術對這些大規模、 復雜數據集進行并行計算和分布式存儲； 使用大數據挖掘與分析技術提取數據特征及關聯性等， 按照星型或雪花型模式對數據進行建模和存儲。同時， 為確保數據在使用和交換過程中的一致性、 通用性和準確性， 基于統一數據標準， 對匯聚的數據進行統一標簽化處理， 使得不同來源、 不同格式的數據能夠在統一的框架下進行管理和使用， 最終形成信息全面、 維度豐富、 歷史完整、 分類清晰的數據湖， 為建立數智化財務舞弊識別預警體系提供強大的數據基礎和保障。

（2） 指標層。從指標范圍來看， 結合上文的數智化財務舞弊識別預警模型， 需同步建立包括三大視角（經營活動、內部控制、外部監督）、 十三個維度（財務、稅務、生產、趨勢偏差、結構偏差、舞弊壓力、內部環境、內部行為、監管、司法、外審、市場、輿情雷達）的指標體系。從指標類型來看， 可分為預警指標層和關聯指標層。預警指標層是基于數據湖， 通過構建統計模型、 采用文本挖掘和數據分析等方法， 并結合專家意見， 建立財務舞弊識別預警模型指標庫， 包括原子指標（不可再拆分的基本指標）、 派生指標（在原子指標基礎上增加統計范圍，如時間、修飾詞）、 復合指標（多個指標組合形成的復合型指標，如同比變化、近三年復合增長）等， 并通過科學的指標“血緣”管理， 確保各指標之間的邏輯關系和數據來源清晰可追溯。以貨幣資金—存貸雙高預警指標為例， 提取數據平臺中短期借款、 長期借款、 一年內到期的非流動負債、 貨幣資金、 利息收入、 利息支出等數據形成原子指標， 加上時間節點形成對應派生指標， 組合計算形成貨幣資金平均余額、 貨幣資金收益率、 存貸比、 有息負債利率等復合指標， 并進行相應指標“血緣”管理。關聯指標層主要用于挖掘與上市公司主體的關聯關系， 以更為全面地識別預警財務舞弊行為。通過關系主體穿透比對、 關系規則對比匹配等技術手段深入挖掘企業間的投資關系、 上下游關系、 擔保關系、 受益人關系、 任職關系等， 支持上下穿透多層， 識別隱性關聯， 助力識別出那些隱匿在復雜關系網絡中的潛在財務舞弊行為。例如， 通過股權穿透核查， 揭示公司背后的實際控制人， 從而發現可能存在的隱性關聯和利益輸送問題。

需根據指標的區分能力、 穩定性、 缺失率等， 基于科學性、 完整性、 導向性等原則， 選擇最終入模的預警指標， 以確保所選指標能夠有效識別財務舞弊風險。最終搭建形成多維度、 多層級、 全場景的財務舞弊識別預警指標體系， 該指標體系是智能化財務舞弊識別預警模型的核心輸入和有力支撐?；谏鲜鼍毣笜梭w系管理， 需對預警指標進行動態調整和優化， 以提升模型的靈活性和可擴展性， 并依托數字技術對指標數據進行實時監控和動態更新， 以全面捕捉上市公司異常變化。

（3） 模型層。模型層包括數據預處理模型、 特征工程模型、 識別預警模型等。其中， 數據預處理模型包括缺失值處理模型、 異常值監測模型、 數據標準化模型等， 特征工程模型包括特征選擇模型、 特征提取模型、 特征組合與轉換模型等。本文重點介紹識別預警模型， 這是財務舞弊識別預警的核心。在信息技術不斷迭代升級的背景下， 可建立模型實驗室， 開發智能化財務舞弊識別預警模型。在上述數據層、 指標層及數智化財務舞弊識別預警框架的基礎上， 差異化應用多種先進的機器學習和深度學習方法， 深入挖掘潛藏于數據背后的規律及關系。如： 梯度提升樹（GBT）模型、 極端梯度提升（XGBoost）模型能夠有效處理大規模數據， 捕捉風險趨勢； ANN模型、 卷積神經網絡（CNN）模型、 長短期記憶網絡（LSTM）模型等能夠深度模擬人類大腦神經元工作機制， 剖析數據深層邏輯， 預警異常行為； 知識圖譜（KG）模型能夠構建企業、 個人、 交易等實體之間的關系圖譜， 發現財務舞弊實體之間的潛在關系和風險傳導鏈路， 對數據進行訓練。通過混淆舉證、 ROC曲線、 AUC值、 KS值等評估方法， 可對模型的性能進行綜合評價， 不斷優化模型參數和結構， 尋找最優財務舞弊識別預警模型， 持續提升模型的識別準確性和預警效果， 為財務舞弊識別預警提供數智化工具。

（4） 應用層。應用層的構建主要取決于使用者的需求， 如智能監測、 智能預警、 智能分析、 智能決策等。智能監測與智能預警是數智化財務舞弊識別預警體系的核心功能， 通過采用可視化工具實時監測異常變化， 基于智能預警機制自動輸出預警提示、 預警等級、 預警畫像、 預警報告等， 為決策者提供直觀、 全面的預警結果。如： 基于算法引擎、 模型實驗室的量化分析結果， 系統化輸出上市公司財務舞弊識別預警等級， 再結合專家意見， “人機協同”綜合評估其最終等級， 以對財務可信度進行判斷； 通過圖形化的方式展示企業的財務狀況和風險特征， 自動輸出詳細記錄預警事件的背景、 原因及影響的預警報告等。該體系可以對接公司其他計量模型、 管理工具等， 為決策者提供參考， 如： 在盡職調查階段， 利用預警信息評估目標企業的財務指標可信度， 識別潛在的財務舞弊風險， 為投資決策提供重要參考； 與內部評級系統相結合， 為審查審批、 風險定價等決策提供參考依據； 在投后風險分類、 資產分類中重點考慮財務舞弊識別預警評估結果， 及時調整風險政策和資產配置策略。同時， 該體系可以挖掘常見財務舞弊模式， 進行歸類和趨勢分析， 如結合聚類分析實現案例智能精準匹配， 不僅提示主體是否存在財務舞弊嫌疑， 而且提示可能采用何種財務舞弊手法， 為審計人員和監管機構提供線索和方向； 還可以結合人工分析判斷以及日常監測預警情況， 反向優化財務舞弊識別預警模型， 確保模型在實際應用中不斷改進和完善， 形成一個持續迭代、 自我優化的良性循環。

六、 總結

隨著技術的發展和內外部環境的變化， 財務舞弊手段不斷演進升級， 給市場監管、 投資者保護、 企業治理等均帶來了巨大挑戰。財務舞弊行為不僅會阻礙上市公司自身的可持續發展， 還會擾亂資本市場秩序、 動搖投資者信心， 對資本市場整體高質量發展造成嚴重的負面影響。本文從三大視角構建了數智化財務舞弊識別預警框架， 并結合專家經驗及財務舞弊場景， 針對各維度示例預警信號及預警指標， 構建了數智化財務舞弊識別預警體系， 形成財務舞弊識別預警數智化轉型路徑。大數據分析、 智能算法等的應用能夠助力提升財務舞弊識別預警精準度， 實時、 多維、 全方位、 智能化的監測與識別預警能夠助力提升財務舞弊識別預警有效性， 基于數據驅動、 機器學習等的動態監測及調整能夠助力提升財務舞弊識別預警前瞻性。財務舞弊識別預警數智化轉型有助于從質量和效率上提升財務舞弊識別預警水平， 助力我國資本市場在高質量發展的道路上行穩致遠。

【 主 要 參 考 文 獻 】

洪文洲，王旭霞，馮海旗．基于Logistic回歸模型的上市公司財務報告舞弊識別研究［ J］．中國管理科學，2014（S1）：351 ～ 356．

黃世忠，黃京菁．財務報表舞弊行為特征及預警信號綜述［ J］．財會通訊，2004（23）：4 ～ 9．

姜富偉，丁慧，靳馥境．參照點效應、公司治理與上市公司財務重述［ J］．經濟研究，2023（10）：191 ～ 208．

李清，任朝陽．上市公司會計舞弊風險指數構建及預警研究［ J］．西安交通大學學報（社會科學版），2016（1）：36 ～ 44．

酈金梁，吳謠，雷曜等．有效預警上市公司違規的遞延所得稅異動指標和人工智能模型［ J］．金融研究，2020（8）：149 ～ 168．

劉云菁，伍彬，張敏．上市公司財務舞弊識別模型設計及其應用研究——基于新興機器學習算法［ J］．數量經濟技術經濟研究，2022（7）：152 ～ 175．

錢蘋，羅玫．中國上市公司財務造假預測模型［ J］．會計研究，2015（7）：18 ～ 25+96．

王杏芬，張彧．新舞弊風險因子理論下首例違法退市案研究［ J］．會計之友，2020（22）：46 ～ 52．

葉欽華，黃世忠．財務舞弊的新特征與新應對——基于專網通信舞弊樣本［ J］．財會月刊，2024（19）：3 ～ 8．

葉欽華，葉凡，黃世忠．財務舞弊識別框架構建——基于會計信息系統論及大數據視角［ J］．會計研究，2022（3）：3 ～ 16．

張學勇，施懿．基于元學習的財務舞弊識別研究［ J］．管理科學學報，2023（10）：95 ～ 113．

Brown N. C.， Crowley R. M.， Elliott W. B.. What Are You Saying？ Using Topic to Detect Financial Misreporting［ J］． Journal of Accounting Research， 2020（1）：237 ～ 291．

Fanning K. M.， Cogger K. O.. Neural Network Detection of Management Fraud Using Published Financial Data［ J］． Intelligent Systems in Accounting Finance amp; Management，2015（1）：21 ～ 41．