財(cái)務(wù)舞弊識(shí)別預(yù)警數(shù)智化轉(zhuǎn)型路徑研究

【摘要】近年來， 上市公司財(cái)務(wù)舞弊手段不斷演進(jìn)升級(jí)， 呈現(xiàn)出動(dòng)機(jī)多樣化、 手段系統(tǒng)化、 手法隱蔽化、 主體集團(tuán)化、 跨期長等新特征， 導(dǎo)致傳統(tǒng)財(cái)務(wù)舞弊識(shí)別預(yù)警面臨挑戰(zhàn)。與此同時(shí)， 在數(shù)字經(jīng)濟(jì)時(shí)代， 日益發(fā)展成熟的大數(shù)據(jù)和人工智能技術(shù)催生出新的機(jī)遇， 賦能財(cái)務(wù)舞弊識(shí)別預(yù)警數(shù)智化轉(zhuǎn)型。基于此， 本文探索了數(shù)智化財(cái)務(wù)舞弊識(shí)別預(yù)警框架和模型， 并從數(shù)據(jù)層、 指標(biāo)層、 模型層和應(yīng)用層四個(gè)層面分析如何構(gòu)建數(shù)智化財(cái)務(wù)舞弊識(shí)別預(yù)警體系， 旨在為行業(yè)內(nèi)探索財(cái)務(wù)舞弊識(shí)別預(yù)警數(shù)智化升級(jí)提供參考， 并助力我國上市公司高質(zhì)量發(fā)展。

【關(guān)鍵詞】數(shù)智化轉(zhuǎn)型；財(cái)務(wù)舞弊；識(shí)別預(yù)警模型；識(shí)別預(yù)警體系

【中圖分類號(hào)】 F275" " "【文獻(xiàn)標(biāo)識(shí)碼】A" " " 【文章編號(hào)】1004-0994（2025）08-0016-7

一、 引言

上市公司作為資本市場(chǎng)的基石， 在資本市場(chǎng)高質(zhì)量發(fā)展中起著至關(guān)重要的作用。然而， 在發(fā)展過程中財(cái)務(wù)舞弊案件屢見不鮮， 影響了市場(chǎng)資源配置功能， 損害了投資者的利益及其對(duì)資本市場(chǎng)的信心， 2020年瑞幸事件甚至產(chǎn)生了巨大的社會(huì)影響， 嚴(yán)重破壞了我國上市公司的整體誠信。上市公司財(cái)務(wù)舞弊行為引發(fā)了監(jiān)管機(jī)構(gòu)及市場(chǎng)的高度關(guān)注， 如2020年國務(wù)院發(fā)布《關(guān)于進(jìn)一步提高上市公司質(zhì)量的意見》， 2024年國務(wù)院印發(fā)《關(guān)于加強(qiáng)監(jiān)管防范風(fēng)險(xiǎn)推動(dòng)資本市場(chǎng)高質(zhì)量發(fā)展的若干意見》、 中國證監(jiān)會(huì)發(fā)布《關(guān)于嚴(yán)格執(zhí)行退市制度的意見》、 中國證監(jiān)會(huì)等六部門聯(lián)合發(fā)布《關(guān)于進(jìn)一步做好資本市場(chǎng)財(cái)務(wù)造假綜合懲防工作的意見》等， 體現(xiàn)了政府在財(cái)務(wù)舞弊方面的監(jiān)管力度和決心， 為我國證券市場(chǎng)監(jiān)管提供了依據(jù)。同時(shí)， 監(jiān)管持續(xù)加強(qiáng)對(duì)重點(diǎn)領(lǐng)域涉及財(cái)務(wù)造假風(fēng)險(xiǎn)問題的排查， 從嚴(yán)懲處財(cái)務(wù)造假、 侵占資金、 第三方配合造假行為， 強(qiáng)化震懾效應(yīng)。中國證監(jiān)會(huì)的數(shù)據(jù)顯示： 2024年1 ～ 10月共查辦財(cái)務(wù)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(cái)務(wù)造假案件203件。

在此背景下， 各市場(chǎng)參與單位不斷加強(qiáng)財(cái)務(wù)舞弊識(shí)別預(yù)警實(shí)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(cái)務(wù)舞弊手段， 如何提升財(cái)務(wù)舞弊識(shí)別預(yù)警效率， 在數(shù)智化時(shí)代如何更為精準(zhǔn)地識(shí)別預(yù)警財(cái)務(wù)舞弊， 如何構(gòu)建更為貼近實(shí)際、 可實(shí)操落地的財(cái)務(wù)舞弊預(yù)警模型等。本文基于近年來上市公司財(cái)務(wù)舞弊現(xiàn)狀， 剖析當(dāng)前財(cái)務(wù)舞弊行為的新變化以及信息技術(shù)發(fā)展給財(cái)務(wù)舞弊識(shí)別預(yù)警帶來的新機(jī)遇， 進(jìn)而提出財(cái)務(wù)舞弊識(shí)別預(yù)警數(shù)智化轉(zhuǎn)型路徑。

二、 文獻(xiàn)綜述

《獨(dú)立審計(jì)具體準(zhǔn)則第8號(hào)——錯(cuò)誤與舞弊》中提出， 舞弊是指致使會(huì)計(jì)報(bào)表產(chǎn)生不實(shí)反映的故意行為； 《中國注冊(cè)會(huì)計(jì)師審計(jì)準(zhǔn)則第1141號(hào)——財(cái)務(wù)報(bào)表審計(jì)中與舞弊相關(guān)的責(zé)任》進(jìn)一步細(xì)化， 提出舞弊是指被審計(jì)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(dāng)或非法利益的故意行為。目前關(guān)于財(cái)務(wù)舞弊的理論研究， 主要集中在動(dòng)因分析和識(shí)別預(yù)警方面。

1. 財(cái)務(wù)舞弊動(dòng)因。源自心理學(xué)的雙因素（冰山）理論將舞弊動(dòng)因分為“露出海平面”容易被觀察和識(shí)別的結(jié)構(gòu)部分， 以及“潛藏在海平面下”被掩飾的更龐大更危險(xiǎn)的行為部分。三因素（舞弊三角）理論認(rèn)為舞弊產(chǎn)生的原因由動(dòng)機(jī)/壓力、 機(jī)會(huì)、 借口三要素組成， 企業(yè)或個(gè)人在追求自身利益或存在業(yè)績目標(biāo)等壓力時(shí)， 若同時(shí)存在內(nèi)部控制薄弱、 信息不對(duì)稱等機(jī)會(huì)， 且能夠?yàn)槲璞仔袨檎业健昂侠砘钡慕杩冢?就可能實(shí)施舞弊。四因素（GONE）理論則進(jìn)一步將舞弊動(dòng)因區(qū)分為貪婪、 機(jī)會(huì)、 需求、 暴露四類， 貪婪和需求驅(qū)使舞弊動(dòng)機(jī)產(chǎn)生， 機(jī)會(huì)為舞弊行為提供了實(shí)施條件， 而暴露風(fēng)險(xiǎn)的大小則影響對(duì)舞弊后果的預(yù)期， 進(jìn)而據(jù)此決定是否實(shí)施舞弊。在此基礎(chǔ)上， Bologua（1993）進(jìn)一步加入了舞弊受罰的性質(zhì)與程度因子， 王杏芬和張彧（2020）將機(jī)會(huì)因子細(xì)分為形式化的公司治理和無效的內(nèi)部控制， 將暴露因子細(xì)分為內(nèi)外部監(jiān)管機(jī)制時(shí)效和與第三方合謀。多因素（風(fēng)險(xiǎn)因子）理論認(rèn)為舞弊動(dòng)因由與組織相關(guān)的一般風(fēng)險(xiǎn)因子（包括行業(yè)環(huán)境、 內(nèi)部控制制度、 公司治理結(jié)構(gòu)等）以及與個(gè)人相關(guān)的個(gè)別風(fēng)險(xiǎn)因子（包括個(gè)體的道德品質(zhì)、 價(jià)值觀等）組成， 目前該理論被認(rèn)為是最完善的舞弊動(dòng)因理論。

2. 財(cái)務(wù)舞弊識(shí)別預(yù)警。在預(yù)警框架方面， 從一開始的預(yù)警信號(hào)研究（黃世忠和黃京菁，2004）逐步演變到識(shí)別框架研究（葉欽華等，2022）， 識(shí)別框架更為體系化地介紹了財(cái)務(wù)舞弊識(shí)別預(yù)警方法論， 從財(cái)務(wù)稅務(wù)維度、 行業(yè)業(yè)務(wù)維度、 公司治理維度、 內(nèi)部控制維度和數(shù)字特征維度進(jìn)行財(cái)務(wù)舞弊識(shí)別。隨著大數(shù)據(jù)技術(shù)和人工智能的發(fā)展， 預(yù)警模型在傳統(tǒng)的常規(guī)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(chǔ)上， 逐步引入新興算法， 如神經(jīng)網(wǎng)絡(luò)模型（Fanning和Cogger，2015）、 機(jī)器學(xué)習(xí)（包括支持向量機(jī)和隨機(jī)森林等）（劉云菁等，2022）、 元學(xué)習(xí)（張學(xué)勇和施懿，2023）等， 模型迭代及算法升級(jí)提高了財(cái)務(wù)舞弊識(shí)別預(yù)警的準(zhǔn)確性。預(yù)警模型變量也在簡單的財(cái)務(wù)原始數(shù)據(jù)、 財(cái)務(wù)指標(biāo)波動(dòng)（洪文洲等，2014）、 財(cái)務(wù)衍生指標(biāo)（李清和任朝陽，2016）等的基礎(chǔ)上逐步加入非財(cái)務(wù)變量， 如公司市場(chǎng)因子（Dechow等，2011）、 治理特征（姜富偉等，2023）、 文本分析指標(biāo)（Brown等，2020）、 生產(chǎn)數(shù)據(jù)（葉康濤等，2021）、 遞延所得稅指標(biāo)（酈金梁等，2020）等， 引入了更多的舞弊識(shí)別變量， 使得財(cái)務(wù)舞弊識(shí)別預(yù)警維度更加多樣、 全面。

從理論研究情況來看， 專家學(xué)者們基于雙因素、 三因素、 四因素、 多因素理論， 搭建了財(cái)務(wù)舞弊識(shí)別預(yù)警模型， 指標(biāo)變量從定量指標(biāo)逐步擴(kuò)充到定性指標(biāo)， 識(shí)別模型從傳統(tǒng)邏輯回歸等逐步轉(zhuǎn)變?yōu)樯窠?jīng)網(wǎng)絡(luò)、 機(jī)器學(xué)習(xí)等新興算法， 持續(xù)提升了財(cái)務(wù)舞弊識(shí)別和預(yù)警的“精度”， 但仍存在改進(jìn)空間。一方面， 現(xiàn)有模型預(yù)警指標(biāo)變量有所增加， 但模型變量與舞弊手段之間未建立關(guān)聯(lián)， 特別是一些組合式、 場(chǎng)景式的舞弊手段并未在相應(yīng)識(shí)別模型中予以體現(xiàn)， 理論和實(shí)踐存在一定程度的脫節(jié)； 另一方面， 在大數(shù)據(jù)、 智能化時(shí)代背景下， 相關(guān)機(jī)構(gòu)如何拓寬變量獲取的來源和方式、 構(gòu)建數(shù)智化財(cái)務(wù)舞弊識(shí)別預(yù)警框架和分析模型等， 仍有待進(jìn)一步深入探討。

三、 財(cái)務(wù)舞弊新變化

隨著科學(xué)技術(shù)的發(fā)展和內(nèi)外部環(huán)境的變化， 上市公司財(cái)務(wù)舞弊手段不斷演化升級(jí)， 大體可劃分為四個(gè)階段。一是財(cái)務(wù)舞弊1.0階段： 只關(guān)注利潤表。企業(yè)主要通過虛構(gòu)無商業(yè)實(shí)質(zhì)的業(yè)務(wù)虛增收入， 并通過虛增返利、 少計(jì)費(fèi)用、 費(fèi)用跨期等達(dá)到虛增當(dāng)期凈利潤的目的， 后續(xù)再通過計(jì)提減值， 逐步消化虛增的應(yīng)收賬款。該階段的財(cái)務(wù)舞弊形式相對(duì)簡單， 一般不涉及現(xiàn)金流造假， 可通過經(jīng)營現(xiàn)金流和利潤表匹配來判斷。二是財(cái)務(wù)舞弊2.0階段： 凈利潤造假， 同時(shí)關(guān)注現(xiàn)金流。企業(yè)在收入、 費(fèi)用方面的造假手法與上一階段基本一致， 但在現(xiàn)金流方面， 一般通過體內(nèi)資金循環(huán)， 虛構(gòu)經(jīng)營性現(xiàn)金流入。該階段收現(xiàn)比、 凈現(xiàn)比等指標(biāo)失效， 但結(jié)合常識(shí)如存貸雙高、 利息收入與貨幣資金不匹配等， 可發(fā)現(xiàn)端倪。三是財(cái)務(wù)舞弊3.0階段： 凈利潤造假， 調(diào)整現(xiàn)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(gòu)業(yè)務(wù)、 虛設(shè)客戶、 虛簽合同、 虛減成本、 虛構(gòu)存款等達(dá)到虛增收入和利潤的目的。資產(chǎn)負(fù)債表方面， 主要涉及貨幣資金、 應(yīng)收賬款、 存貨、 其他應(yīng)收款等科目。現(xiàn)金流方面， 企業(yè)往往與外部第三方配合調(diào)整經(jīng)營現(xiàn)金流入和流出。從該階段開始， 舞弊手段逐漸逼真， 單一預(yù)警指標(biāo)已無法使用， 更依賴于行業(yè)對(duì)比、 場(chǎng)景式舞弊預(yù)警。四是財(cái)務(wù)舞弊4.0階段： 凈利潤造假， 同時(shí)現(xiàn)金流造假。企業(yè)舞弊手法更加系統(tǒng)化， 通過虛創(chuàng)業(yè)務(wù)、 虛設(shè)客戶、 虛構(gòu)資金等手段虛增收入和利潤。資產(chǎn)負(fù)債表方面， 除了上述科目， 還會(huì)涉及在建工程、 商譽(yù)、 無形資產(chǎn)等科目。現(xiàn)金流方面， 除了經(jīng)營現(xiàn)金流造假， 還對(duì)投資活動(dòng)現(xiàn)金流等進(jìn)行造假。

從近三年上市公司財(cái)務(wù)舞弊案例來看， 當(dāng)前上市公司主要采用財(cái)務(wù)舞弊4.0階段的手段， 舞弊行為貫穿利潤表、 現(xiàn)金流量表和資產(chǎn)負(fù)債表， 形成財(cái)務(wù)舞弊閉環(huán)， 呈現(xiàn)出如下新特征：

1. 動(dòng)機(jī)多樣化。除了傳統(tǒng)資金壓力、 業(yè)績承諾等， 上市公司舞弊動(dòng)機(jī)更加多元化， 如大股東減持套現(xiàn)、 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(diào)查出股東坐莊股票的違法事實(shí)， 而后監(jiān)管進(jìn)一步調(diào)查發(fā)現(xiàn)， 公司在2019 ～ 2020年虛增收入和利潤， 存在以財(cái)務(wù)舞弊配合公司股東坐莊的嫌疑。

2. 手段系統(tǒng)化。財(cái)務(wù)舞弊不再拘泥于使用單一手段， 而是多種舞弊手段一并實(shí)施， 各環(huán)節(jié)緊密配合， 且趨于復(fù)雜化、 系統(tǒng)化、 全鏈條化。例如： ST金剛在收入端通過虛構(gòu)銷售交易及股權(quán)轉(zhuǎn)讓交易， 虛增營業(yè)收入、 利潤總額； 在資產(chǎn)端通過虛構(gòu)采購交易等， 虛增存貨、 固定資產(chǎn)等非流動(dòng)資產(chǎn)； 在資金端通過虛構(gòu)采購業(yè)務(wù)、 支付采購款、 賬外借款及開具商業(yè)匯票等， 向?qū)嶋H控制人及其關(guān)聯(lián)方提供資金， 構(gòu)成非經(jīng)營性資金占用。

3. 手法隱蔽化。上市公司利用新型或復(fù)雜金融衍生工具、 理財(cái)產(chǎn)品、 跨境業(yè)務(wù)等， 采用多層嵌套股權(quán)結(jié)構(gòu)， 使得關(guān)聯(lián)交易非關(guān)聯(lián)化， 借助第三方假賬真做、 真真假假， 使傳統(tǒng)方式與新型手法雜糅共生， 更為隱蔽地開展財(cái)務(wù)舞弊。例如， 天目藥業(yè)的控股股東長城集團(tuán)成立文韜基金、 武略基金， 再將上述基金虛假轉(zhuǎn)讓給天目藥業(yè)控股子公司銀川天目， 從而以股權(quán)轉(zhuǎn)讓的方式侵占上市公司天目藥業(yè)的資金。

4. 主體集團(tuán)化。例如， 2021年上海電氣披露子公司“專網(wǎng)通信”業(yè)務(wù)爆雷后， 牽扯出A股ST凱樂等10多家上市公司， 專網(wǎng)通信造假以“窩案”方式實(shí)施， 借助配合造假、 融資性貿(mào)易、 空轉(zhuǎn)等構(gòu)建造假“生態(tài)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(fù)的內(nèi)部關(guān)聯(lián)交易等對(duì)上市公司進(jìn)行資金占用， 跨地區(qū)、 跨國舞弊增加。

5. 跨期長。財(cái)務(wù)舞弊不再是短期、 一次性的操作， 出現(xiàn)了長期財(cái)務(wù)舞弊、 跨期逐步調(diào)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(cái)務(wù)舞弊持續(xù)了8年之久。

上述財(cái)務(wù)舞弊新特征導(dǎo)致財(cái)務(wù)舞弊識(shí)別預(yù)警難度加大， 舞弊行為從發(fā)生到最終被發(fā)現(xiàn)和處罰， 存在較長時(shí)滯， 在此期間， 舞弊公司往往繼續(xù)在資本市場(chǎng)上吸引更多的資金流入。按照退市新規(guī)， 財(cái)務(wù)舞弊公司或面臨退市風(fēng)險(xiǎn)， 投資者將遭受巨大損失， 對(duì)資本市場(chǎng)資源配置產(chǎn)生嚴(yán)重負(fù)面影響， 阻礙資本市場(chǎng)的健康發(fā)展。

四、 數(shù)字技術(shù)發(fā)展給財(cái)務(wù)舞弊識(shí)別預(yù)警帶來新機(jī)遇

2021年國務(wù)院辦公廳發(fā)布《關(guān)于進(jìn)一步規(guī)范財(cái)務(wù)審計(jì)秩序促進(jìn)注冊(cè)會(huì)計(jì)師行業(yè)健康發(fā)展的意見》， 提出“加強(qiáng)財(cái)會(huì)監(jiān)督大數(shù)據(jù)分析， 對(duì)財(cái)務(wù)造假進(jìn)行精準(zhǔn)打擊”。在數(shù)字經(jīng)濟(jì)時(shí)代， 日益發(fā)展成熟的大數(shù)據(jù)和人工智能技術(shù)使人們的生產(chǎn)生活發(fā)生了巨大變化， 也為賦能財(cái)務(wù)舞弊識(shí)別預(yù)警數(shù)智化轉(zhuǎn)型催生出新的機(jī)遇。

1. 高頻、 海量、 多元化數(shù)據(jù)為財(cái)務(wù)舞弊識(shí)別預(yù)警數(shù)智化轉(zhuǎn)型奠定基礎(chǔ)。財(cái)務(wù)舞弊新變化帶來了數(shù)據(jù)擴(kuò)延需求。在財(cái)務(wù)舞弊涉及的主體方面， 逐步由“個(gè)案”向“窩案”轉(zhuǎn)變， 關(guān)聯(lián)方、 第三方等配合“交易造假”， 面對(duì)財(cái)務(wù)舞弊手段的演進(jìn)， 需進(jìn)一步延伸核查主體范圍， 識(shí)別隱性關(guān)聯(lián)、 分析交易鏈條、 支持財(cái)務(wù)數(shù)據(jù)下鉆穿透等， 這些需求與日俱增。在財(cái)務(wù)舞弊手法方面， 逐步由“無中生有”向“假賬真做”“真假參半”等轉(zhuǎn)變， 亟需進(jìn)一步擴(kuò)展入模數(shù)據(jù)范圍， 不僅包括財(cái)務(wù)及生產(chǎn)數(shù)據(jù)， 還需引入內(nèi)部控制、 企業(yè)治理、 負(fù)面輿情等非財(cái)務(wù)數(shù)據(jù)、 非結(jié)構(gòu)化數(shù)據(jù)， 以進(jìn)行交叉論證。因此， 若需提升財(cái)務(wù)舞弊識(shí)別預(yù)警的效率和準(zhǔn)確性， 首先要提升輸入數(shù)據(jù)的廣度和深度。

在大數(shù)據(jù)時(shí)代， 數(shù)據(jù)已逐步演變?yōu)樾碌纳a(chǎn)要素。借助光學(xué)字符識(shí)別（OCR）、 自然語言處理（NLP）等技術(shù)， 在結(jié)構(gòu)化數(shù)據(jù)的基礎(chǔ)上獲取公告、 裁判文書、 新聞、 演講等所涉及的非結(jié)構(gòu)化數(shù)據(jù)、 半結(jié)構(gòu)化數(shù)據(jù)等， 在低頻財(cái)務(wù)數(shù)據(jù)的基礎(chǔ)上獲取工商、 訴訟、 輿情、 市場(chǎng)等高頻海量數(shù)據(jù)， 匯集多源異構(gòu)數(shù)據(jù)構(gòu)建高質(zhì)量數(shù)據(jù)集， 延展數(shù)據(jù)廣度、 深度及顆粒度， 有利于挖掘更多價(jià)值信息， 這為財(cái)務(wù)舞弊識(shí)別預(yù)警數(shù)智化轉(zhuǎn)型奠定了基礎(chǔ)。

2. 大數(shù)據(jù)存儲(chǔ)、 云計(jì)算等技術(shù)為財(cái)務(wù)舞弊識(shí)別預(yù)警數(shù)智化轉(zhuǎn)型提供技術(shù)支持。財(cái)務(wù)舞弊新變化帶來了多源、 多維、 異構(gòu)數(shù)據(jù)的挖掘分析需求。單純依賴于財(cái)務(wù)指標(biāo)或單個(gè)維度信號(hào)， 往往難以及時(shí)識(shí)別預(yù)警財(cái)務(wù)舞弊。由于公司運(yùn)營仍然在一定的邏輯框架內(nèi)運(yùn)行， 遵循財(cái)務(wù)、 稅務(wù)、 公司法等各類管理要求， 公司財(cái)務(wù)舞弊實(shí)施后往往會(huì)在財(cái)務(wù)、 稅務(wù)、 生產(chǎn)、 內(nèi)部控制等方面留下“痕跡”， 這就需要基于上述高質(zhì)量數(shù)據(jù)集， 進(jìn)行多維度、 組合性、 交叉式的深入分析和挖掘。

隨著當(dāng)前信息科技的發(fā)展， 分布式計(jì)算架構(gòu)、 分布式批處理計(jì)算框架、 分布式流計(jì)算系統(tǒng)、 圖分析圖計(jì)算等大數(shù)據(jù)技術(shù)快速迭代演進(jìn)， 加之云計(jì)算強(qiáng)大的存儲(chǔ)、 計(jì)算和分析能力， 使得財(cái)務(wù)舞弊識(shí)別預(yù)警可打破數(shù)據(jù)邊界， 基于多源、 多維、 異構(gòu)的數(shù)據(jù)進(jìn)行深入挖掘與分析， 為大容量、 高并發(fā)、 高效率計(jì)算的數(shù)智化財(cái)務(wù)舞弊識(shí)別預(yù)警提供技術(shù)支撐。

3. 人工智能、 機(jī)器學(xué)習(xí)等技術(shù)助力構(gòu)建更為精準(zhǔn)的財(cái)務(wù)舞弊“畫像”。高頻海量數(shù)據(jù)在一定程度上使得傳統(tǒng)財(cái)務(wù)舞弊識(shí)別預(yù)警走入困境。高頻海量數(shù)據(jù)是一把“雙刃劍”， 更多的數(shù)據(jù)支持交叉驗(yàn)證在一定程度上提高了財(cái)務(wù)舞弊識(shí)別質(zhì)量， 但同時(shí)由于上市公司存在眾多財(cái)務(wù)項(xiàng)目及報(bào)表附注信息， 加之監(jiān)管處罰、 訴訟、 行業(yè)等海量信息， 數(shù)據(jù)廣度、 寬度、 深度等呈幾何倍數(shù)增長， 導(dǎo)致根本無法依賴人工全面識(shí)別預(yù)警財(cái)務(wù)舞弊。

隨著人工智能、 機(jī)器學(xué)習(xí)等技術(shù)的逐步成熟并在實(shí)踐中應(yīng)用， 以及新興算法的迭代優(yōu)化， 持續(xù)對(duì)大數(shù)據(jù)進(jìn)行高效處理、 挖掘、 分析并形成價(jià)值輸出， 極大地彌補(bǔ)了人腦在處理和分析海量、 非結(jié)構(gòu)化、 隱蔽數(shù)據(jù)方面能力的不足， 同時(shí)， 改變了傳統(tǒng)的一因一果、 多因一果的因果思維。借助人工智能、 機(jī)器學(xué)習(xí)等技術(shù)， 能夠突破常規(guī)認(rèn)知， 挖掘潛在數(shù)據(jù)價(jià)值， 洞察復(fù)雜的多對(duì)多因果關(guān)系、 關(guān)聯(lián)關(guān)系， 反哺提升財(cái)務(wù)舞弊識(shí)別預(yù)警準(zhǔn)確性， 這是對(duì)傳統(tǒng)人工識(shí)別方式、 打分卡等模型的重塑和升級(jí)。

在傳統(tǒng)財(cái)務(wù)舞弊識(shí)別預(yù)警面臨新挑戰(zhàn)、 數(shù)字技術(shù)發(fā)展給財(cái)務(wù)舞弊識(shí)別預(yù)警帶來新機(jī)遇的綜合作用下， 財(cái)務(wù)舞弊識(shí)別預(yù)警數(shù)智化轉(zhuǎn)型應(yīng)運(yùn)而生。所謂“數(shù)智化”， 是繼線上化、 系統(tǒng)化、 數(shù)字化發(fā)展后的高階階段， 是一個(gè)基于海量數(shù)據(jù)資源、 高階智能算法應(yīng)用和智能技術(shù)賦能的新模式， 是“數(shù)據(jù)+算力+算法”“數(shù)字化+智能化”等融合創(chuàng)新的產(chǎn)物。相較于傳統(tǒng)財(cái)務(wù)舞弊識(shí)別預(yù)警， 數(shù)智化財(cái)務(wù)舞弊識(shí)別預(yù)警在數(shù)據(jù)挖掘、 分析算法、 預(yù)警質(zhì)效、 風(fēng)險(xiǎn)評(píng)估等維度均產(chǎn)生了系統(tǒng)化變革， 詳見表1。

五、 財(cái)務(wù)舞弊識(shí)別預(yù)警數(shù)智化轉(zhuǎn)型

1. 數(shù)智化財(cái)務(wù)舞弊識(shí)別預(yù)警框架。財(cái)務(wù)舞弊并非突然而至的“黑天鵝”事件， 往往有跡可循， 且是一個(gè)動(dòng)態(tài)變化的事件。結(jié)合上述分析， 本文擬從如下三大視角搭建數(shù)智化財(cái)務(wù)舞弊識(shí)別預(yù)警框架： 一是經(jīng)營活動(dòng)視角。對(duì)上市公司日常生產(chǎn)、 銷售、 回款、 籌資、 對(duì)外投資等經(jīng)營活動(dòng)及其產(chǎn)生的各種財(cái)務(wù)、 稅務(wù)、 生產(chǎn)數(shù)據(jù)中的異常進(jìn)行甄別， 構(gòu)建企業(yè)經(jīng)營識(shí)別預(yù)警模型（模型1）； 同時(shí)， 通過行業(yè)對(duì)比， 從行業(yè)趨勢(shì)及結(jié)構(gòu)偏離角度構(gòu)建行業(yè)偏離識(shí)別預(yù)警模型（模型2）。二是內(nèi)部控制視角。良好的內(nèi)部控制機(jī)制是保障財(cái)務(wù)、 稅務(wù)等數(shù)據(jù)能夠真實(shí)、 客觀地反映公司各項(xiàng)經(jīng)營情況的基礎(chǔ)， 反之， 失衡的內(nèi)部控制生態(tài)往往是滋生財(cái)務(wù)舞弊的“溫床”。從舞弊動(dòng)因分析角度構(gòu)建舞弊壓力識(shí)別預(yù)警模型（模型3）； 同時(shí)， 基于上市公司內(nèi)部環(huán)境和行為分析其內(nèi)部控制生態(tài)， 構(gòu)建內(nèi)部管理識(shí)別預(yù)警模型（模型4）。三是外部監(jiān)督視角。監(jiān)管機(jī)構(gòu)、 審計(jì)機(jī)構(gòu)、 投資者等第三方主體對(duì)上市公司財(cái)務(wù)數(shù)據(jù)真實(shí)性進(jìn)行監(jiān)督， 其輸出的公司負(fù)面信息是重要的預(yù)警信號(hào)， 基于此構(gòu)建外部監(jiān)督識(shí)別預(yù)警模型（模型5）， 其包括外部監(jiān)督預(yù)警和輿情雷達(dá)兩個(gè)子模型。

其中， 模型1、 模型2和模型5中的輿情雷達(dá)子模型通過交叉矩陣輸出財(cái)務(wù)舞弊識(shí)別預(yù)警初始等級(jí)及其畫像， 模型3、 模型4和模型5中的外部監(jiān)督預(yù)警子模型通過交叉矩陣形成疊加因子對(duì)識(shí)別預(yù)警初始等級(jí)進(jìn)行調(diào)整， 形成最終的財(cái)務(wù)舞弊識(shí)別預(yù)警結(jié)果。

2. 數(shù)智化財(cái)務(wù)舞弊識(shí)別預(yù)警模型。

（1） 模型1： 企業(yè)經(jīng)營識(shí)別預(yù)警模型。該模型可從財(cái)務(wù)、 稅務(wù)、 生產(chǎn)三個(gè)維度進(jìn)行識(shí)別預(yù)警。在財(cái)務(wù)維度， 上市公司必須參照財(cái)務(wù)報(bào)告概念框架、 會(huì)計(jì)準(zhǔn)則等， 按照相對(duì)統(tǒng)一的標(biāo)準(zhǔn)編制財(cái)務(wù)報(bào)表。因此， 若公司虛構(gòu)交易事項(xiàng)， 或有意選擇或變更會(huì)計(jì)政策與會(huì)計(jì)估計(jì)方法， 或未遵循會(huì)計(jì)準(zhǔn)則， 將會(huì)導(dǎo)致財(cái)務(wù)報(bào)表數(shù)據(jù)出現(xiàn)異常， 留下諸多“痕跡”， 而這些異常現(xiàn)象可用于財(cái)務(wù)舞弊的識(shí)別預(yù)警。在稅務(wù)維度， 上市公司依據(jù)稅法相關(guān)規(guī)定申報(bào)納稅， 具有更強(qiáng)的剛性約束， 因此財(cái)務(wù)舞弊形成的虛增收入、 利潤等往往會(huì)產(chǎn)生納稅成本， 企業(yè)規(guī)避稅務(wù)成本將會(huì)產(chǎn)生較大的納稅異常或遞延所得稅異常變動(dòng)。在生產(chǎn)維度， 企業(yè)經(jīng)營活動(dòng)將同步生成生產(chǎn)數(shù)據(jù)， 更加貼近公司真實(shí)情況， 生產(chǎn)數(shù)據(jù)與財(cái)務(wù)數(shù)據(jù)的背離往往意味著財(cái)務(wù)舞弊。例如， 公司在產(chǎn)品價(jià)格基本穩(wěn)定、 無重大生產(chǎn)線投入的情況下， 人均產(chǎn)能、 人均凈利潤突然大幅攀升， 而員工人均收入出現(xiàn)下降。

對(duì)于上述三個(gè)維度， 可從以下三個(gè)方面設(shè)置相應(yīng)的識(shí)別預(yù)警指標(biāo)輸入財(cái)務(wù)舞弊識(shí)別預(yù)警模型： 一是縱向比較， 和企業(yè)以前年度相比是否在合理范圍內(nèi)變動(dòng)， 是否出現(xiàn)異常變化； 二是勾稽關(guān)系驗(yàn)證， 財(cái)務(wù)報(bào)表科目之間、 報(bào)表之間的勾稽關(guān)系是否合理可信； 三是場(chǎng)景搭建， 基于違約案例及樣本等分析相應(yīng)財(cái)務(wù)舞弊手法下財(cái)務(wù)科目異常場(chǎng)景， 將舞弊信號(hào)轉(zhuǎn)變?yōu)榭闪炕R(shí)別的變量， 制定場(chǎng)景規(guī)則模型。具體的識(shí)別信號(hào)與預(yù)警指標(biāo)情況見表2。

（2） 模型2： 行業(yè)偏離識(shí)別預(yù)警模型。不同行業(yè)的業(yè)務(wù)模式和商業(yè)模式存在差異， 相應(yīng)產(chǎn)業(yè)鏈上的企業(yè)則呈現(xiàn)出不同的特征， 這些差異也將體現(xiàn)在財(cái)務(wù)報(bào)表上， 例如制造業(yè)與批發(fā)零售業(yè)、 房地產(chǎn)業(yè)與建筑業(yè)等的財(cái)務(wù)科目表現(xiàn)有著天然的差異。因此， 若上市公司經(jīng)營數(shù)據(jù)與所處行業(yè)特征指標(biāo)數(shù)據(jù)存在明顯偏離， 則可能是財(cái)務(wù)舞弊的風(fēng)險(xiǎn)信號(hào)。對(duì)此， 可從以下兩個(gè)角度設(shè)置相應(yīng)的識(shí)別預(yù)警指標(biāo)輸入財(cái)務(wù)舞弊識(shí)別預(yù)警模型： 一是趨勢(shì)偏差， 即公司走勢(shì)與所處行業(yè)走勢(shì)是否相符， 可結(jié)合行業(yè)特點(diǎn)提煉行業(yè)趨勢(shì)性及特征性指標(biāo)， 借助K-Means聚類算法， 構(gòu)建相似矩陣， 識(shí)別預(yù)警明顯偏離行業(yè)趨勢(shì)的主體； 二是結(jié)構(gòu)偏差， 包括公司特點(diǎn)與所處行業(yè)特點(diǎn)是否相符、 公司經(jīng)營及財(cái)務(wù)指標(biāo)等是否符合行業(yè)內(nèi)商業(yè)邏輯、 和同行業(yè)企業(yè)橫向?qū)Ρ仁欠翊嬖谳^大偏離等。具體的識(shí)別信號(hào)與預(yù)警指標(biāo)情況見表3。

（3） 模型3： 舞弊壓力識(shí)別預(yù)警模型。上市公司實(shí)施財(cái)務(wù)舞弊往往存在一定的誘發(fā)因素、 驅(qū)動(dòng)因素， 即存在財(cái)務(wù)舞弊壓力， 如業(yè)績壓力、 資本市場(chǎng)壓力、 融資壓力等。具體的識(shí)別信號(hào)與預(yù)警指標(biāo)情況見表4。以資本市場(chǎng)壓力中的退市壓力為例， 匯聚上市公司財(cái)務(wù)數(shù)據(jù)、 交易數(shù)據(jù)等結(jié)構(gòu)化數(shù)據(jù)， 借助語義分析模型等提取規(guī)范類退市、 重大違法類退市觸發(fā)信息形成數(shù)據(jù)輸入， 結(jié)合退市新規(guī)政策提煉各類交易指標(biāo)、 流動(dòng)性指標(biāo)、 波動(dòng)性指標(biāo)、 觸發(fā)性指標(biāo)等， 借助人工神經(jīng)網(wǎng)絡(luò)（ANN）、 支持向量機(jī)等模型， 最終量化輸出退市風(fēng)險(xiǎn)壓力作為財(cái)務(wù)舞弊識(shí)別預(yù)警模型輸入項(xiàng)。

（4） 模型4： 內(nèi)部管理識(shí)別預(yù)警模型。內(nèi)部管理是指企業(yè)內(nèi)部建立的使各項(xiàng)業(yè)務(wù)活動(dòng)互相聯(lián)系、 互相制約的措施、 方法和規(guī)程， 在一定程度上可為財(cái)務(wù)報(bào)告的可靠性、 經(jīng)營的有效性與真實(shí)性等提供保障。內(nèi)部管理預(yù)警更多地聚焦于對(duì)上市公司各類異常行為的挖掘， 是對(duì)公司內(nèi)部控制及公司治理生態(tài)健康度的識(shí)別預(yù)警， 需要對(duì)非財(cái)務(wù)稅務(wù)數(shù)據(jù)進(jìn)行挖掘分析。可從公司內(nèi)部環(huán)境是否異常（包括組織架構(gòu)和人員管理）和公司內(nèi)部行為是否異常（包括公司行為和交易對(duì)象行為）兩個(gè)方面提煉相應(yīng)識(shí)別預(yù)警指標(biāo)輸入財(cái)務(wù)舞弊識(shí)別預(yù)警模型。具體的識(shí)別信號(hào)與預(yù)警指標(biāo)情況見表5。以交易對(duì)象行為異常為例， 匯聚工商注冊(cè)、 司法訴訟、 行業(yè)動(dòng)態(tài)、 市場(chǎng)交易等數(shù)據(jù)以獲取更全面的關(guān)系信息， 包括投資關(guān)系、 上下游關(guān)系、 受益人關(guān)系、 擔(dān)保關(guān)系、 任職關(guān)系等， 借助大數(shù)據(jù)技術(shù)、 圖計(jì)算等工具構(gòu)建關(guān)聯(lián)指標(biāo)， 基于人工智能、 深度學(xué)習(xí)等技術(shù)挖掘更深層次的關(guān)聯(lián)特征和規(guī)律， 輸出企業(yè)知識(shí)圖譜， 分析財(cái)務(wù)舞弊風(fēng)險(xiǎn)在企業(yè)關(guān)系網(wǎng)絡(luò)中的傳導(dǎo)路徑， 進(jìn)而對(duì)圖譜內(nèi)的主體異常信號(hào)進(jìn)行識(shí)別預(yù)警。

（5） 模型5： 外部監(jiān)督識(shí)別預(yù)警模型。從外部監(jiān)督視角來看， 監(jiān)管單位（包括自律組織）、 司法機(jī)關(guān)、 審計(jì)機(jī)構(gòu)、 資本市場(chǎng)、 媒體等會(huì)對(duì)上市公司經(jīng)營管理層面進(jìn)行監(jiān)督管理， 促使上市公司不斷提升財(cái)務(wù)報(bào)表可信度。基于此， 本文從監(jiān)管、 司法、 外審、 市場(chǎng)、 輿情雷達(dá)等維度設(shè)置相應(yīng)預(yù)警指標(biāo)， 作為財(cái)務(wù)舞弊識(shí)別預(yù)警模型的重要輸入。具體的識(shí)別信號(hào)與預(yù)警指標(biāo)情況見表6。以輿情雷達(dá)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(shù)進(jìn)行數(shù)據(jù)提取和轉(zhuǎn)化， 以人工智能技術(shù)為核心， 應(yīng)用正則表達(dá)式、 文本挖掘等大數(shù)據(jù)挖掘與分析技術(shù)以及知識(shí)圖譜進(jìn)行新聞?shì)浨楸O(jiān)測(cè)識(shí)別， 再通過深度學(xué)習(xí)方法進(jìn)行情感評(píng)分， 最終形成輿情風(fēng)險(xiǎn)等級(jí)、 熱度或分值等。

3. 數(shù)智化財(cái)務(wù)舞弊識(shí)別預(yù)警體系。財(cái)務(wù)舞弊識(shí)別預(yù)警數(shù)智化轉(zhuǎn)型意味著活動(dòng)向信息轉(zhuǎn)化、 信息向數(shù)據(jù)轉(zhuǎn)化、 數(shù)據(jù)向模型轉(zhuǎn)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(gòu)建由數(shù)據(jù)層、 指標(biāo)層、 模型層、 應(yīng)用層組成的數(shù)智化財(cái)務(wù)舞弊識(shí)別預(yù)警體系。

（1） 數(shù)據(jù)層。匯聚數(shù)據(jù)并清洗， 搭建數(shù)據(jù)湖。利用大數(shù)據(jù)技術(shù)搭建數(shù)據(jù)集中采集平臺(tái)（簡稱“數(shù)據(jù)平臺(tái)”）， 通過ETL（Extract，Transform，Load）工具、 API接口、 網(wǎng)絡(luò)爬蟲等， 匯聚接入上述預(yù)警模型中所需的上市公司數(shù)據(jù)， 包括公司基本信息、 股權(quán)結(jié)構(gòu)、 董監(jiān)高任職、 關(guān)聯(lián)企業(yè)、 財(cái)務(wù)數(shù)據(jù)、 市場(chǎng)動(dòng)態(tài)、 公告發(fā)布、 生產(chǎn)運(yùn)營、 輿情監(jiān)測(cè)、 監(jiān)管處罰、 法律訴訟、 市場(chǎng)交易、 行業(yè)趨勢(shì)等多維度信息。接入數(shù)據(jù)平臺(tái)后進(jìn)行一站式采集、 存儲(chǔ)、 處理、 分析等， 對(duì)于結(jié)構(gòu)化數(shù)據(jù)采用數(shù)據(jù)庫連接和數(shù)據(jù)抽取技術(shù)進(jìn)行高效采集， 對(duì)于非結(jié)構(gòu)化數(shù)據(jù)， 運(yùn)用NLP和OCR技術(shù)等將其轉(zhuǎn)換為可分析的結(jié)構(gòu)化數(shù)據(jù)， 例如詞袋模型（BOW）可將文本轉(zhuǎn)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(gòu)建圖模型清晰地展示數(shù)據(jù)之間的關(guān)聯(lián)關(guān)系， 如企業(yè)之間的股權(quán)關(guān)系、 交易關(guān)系等， 為交易對(duì)象行為異常、 組織構(gòu)架異常等的識(shí)別提供數(shù)據(jù)基礎(chǔ)； 使用分布式圖計(jì)算等大數(shù)據(jù)技術(shù)對(duì)這些大規(guī)模、 復(fù)雜數(shù)據(jù)集進(jìn)行并行計(jì)算和分布式存儲(chǔ)； 使用大數(shù)據(jù)挖掘與分析技術(shù)提取數(shù)據(jù)特征及關(guān)聯(lián)性等， 按照星型或雪花型模式對(duì)數(shù)據(jù)進(jìn)行建模和存儲(chǔ)。同時(shí)， 為確保數(shù)據(jù)在使用和交換過程中的一致性、 通用性和準(zhǔn)確性， 基于統(tǒng)一數(shù)據(jù)標(biāo)準(zhǔn)， 對(duì)匯聚的數(shù)據(jù)進(jìn)行統(tǒng)一標(biāo)簽化處理， 使得不同來源、 不同格式的數(shù)據(jù)能夠在統(tǒng)一的框架下進(jìn)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(shù)據(jù)湖， 為建立數(shù)智化財(cái)務(wù)舞弊識(shí)別預(yù)警體系提供強(qiáng)大的數(shù)據(jù)基礎(chǔ)和保障。

（2） 指標(biāo)層。從指標(biāo)范圍來看， 結(jié)合上文的數(shù)智化財(cái)務(wù)舞弊識(shí)別預(yù)警模型， 需同步建立包括三大視角（經(jīng)營活動(dòng)、內(nèi)部控制、外部監(jiān)督）、 十三個(gè)維度（財(cái)務(wù)、稅務(wù)、生產(chǎn)、趨勢(shì)偏差、結(jié)構(gòu)偏差、舞弊壓力、內(nèi)部環(huán)境、內(nèi)部行為、監(jiān)管、司法、外審、市場(chǎng)、輿情雷達(dá)）的指標(biāo)體系。從指標(biāo)類型來看， 可分為預(yù)警指標(biāo)層和關(guān)聯(lián)指標(biāo)層。預(yù)警指標(biāo)層是基于數(shù)據(jù)湖， 通過構(gòu)建統(tǒng)計(jì)模型、 采用文本挖掘和數(shù)據(jù)分析等方法， 并結(jié)合專家意見， 建立財(cái)務(wù)舞弊識(shí)別預(yù)警模型指標(biāo)庫， 包括原子指標(biāo)（不可再拆分的基本指標(biāo)）、 派生指標(biāo)（在原子指標(biāo)基礎(chǔ)上增加統(tǒng)計(jì)范圍，如時(shí)間、修飾詞）、 復(fù)合指標(biāo)（多個(gè)指標(biāo)組合形成的復(fù)合型指標(biāo)，如同比變化、近三年復(fù)合增長）等， 并通過科學(xué)的指標(biāo)“血緣”管理， 確保各指標(biāo)之間的邏輯關(guān)系和數(shù)據(jù)來源清晰可追溯。以貨幣資金—存貸雙高預(yù)警指標(biāo)為例， 提取數(shù)據(jù)平臺(tái)中短期借款、 長期借款、 一年內(nèi)到期的非流動(dòng)負(fù)債、 貨幣資金、 利息收入、 利息支出等數(shù)據(jù)形成原子指標(biāo)， 加上時(shí)間節(jié)點(diǎn)形成對(duì)應(yīng)派生指標(biāo)， 組合計(jì)算形成貨幣資金平均余額、 貨幣資金收益率、 存貸比、 有息負(fù)債利率等復(fù)合指標(biāo)， 并進(jìn)行相應(yīng)指標(biāo)“血緣”管理。關(guān)聯(lián)指標(biāo)層主要用于挖掘與上市公司主體的關(guān)聯(lián)關(guān)系， 以更為全面地識(shí)別預(yù)警財(cái)務(wù)舞弊行為。通過關(guān)系主體穿透比對(duì)、 關(guān)系規(guī)則對(duì)比匹配等技術(shù)手段深入挖掘企業(yè)間的投資關(guān)系、 上下游關(guān)系、 擔(dān)保關(guān)系、 受益人關(guān)系、 任職關(guān)系等， 支持上下穿透多層， 識(shí)別隱性關(guān)聯(lián)， 助力識(shí)別出那些隱匿在復(fù)雜關(guān)系網(wǎng)絡(luò)中的潛在財(cái)務(wù)舞弊行為。例如， 通過股權(quán)穿透核查， 揭示公司背后的實(shí)際控制人， 從而發(fā)現(xiàn)可能存在的隱性關(guān)聯(lián)和利益輸送問題。

需根據(jù)指標(biāo)的區(qū)分能力、 穩(wěn)定性、 缺失率等， 基于科學(xué)性、 完整性、 導(dǎo)向性等原則， 選擇最終入模的預(yù)警指標(biāo)， 以確保所選指標(biāo)能夠有效識(shí)別財(cái)務(wù)舞弊風(fēng)險(xiǎn)。最終搭建形成多維度、 多層級(jí)、 全場(chǎng)景的財(cái)務(wù)舞弊識(shí)別預(yù)警指標(biāo)體系， 該指標(biāo)體系是智能化財(cái)務(wù)舞弊識(shí)別預(yù)警模型的核心輸入和有力支撐。基于上述精細(xì)化指標(biāo)體系管理， 需對(duì)預(yù)警指標(biāo)進(jìn)行動(dòng)態(tài)調(diào)整和優(yōu)化， 以提升模型的靈活性和可擴(kuò)展性， 并依托數(shù)字技術(shù)對(duì)指標(biāo)數(shù)據(jù)進(jìn)行實(shí)時(shí)監(jiān)控和動(dòng)態(tài)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(shù)據(jù)預(yù)處理模型、 特征工程模型、 識(shí)別預(yù)警模型等。其中， 數(shù)據(jù)預(yù)處理模型包括缺失值處理模型、 異常值監(jiān)測(cè)模型、 數(shù)據(jù)標(biāo)準(zhǔn)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(zhuǎn)換模型等。本文重點(diǎn)介紹識(shí)別預(yù)警模型， 這是財(cái)務(wù)舞弊識(shí)別預(yù)警的核心。在信息技術(shù)不斷迭代升級(jí)的背景下， 可建立模型實(shí)驗(yàn)室， 開發(fā)智能化財(cái)務(wù)舞弊識(shí)別預(yù)警模型。在上述數(shù)據(jù)層、 指標(biāo)層及數(shù)智化財(cái)務(wù)舞弊識(shí)別預(yù)警框架的基礎(chǔ)上， 差異化應(yīng)用多種先進(jìn)的機(jī)器學(xué)習(xí)和深度學(xué)習(xí)方法， 深入挖掘潛藏于數(shù)據(jù)背后的規(guī)律及關(guān)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(guī)模數(shù)據(jù)， 捕捉風(fēng)險(xiǎn)趨勢(shì)； ANN模型、 卷積神經(jīng)網(wǎng)絡(luò)（CNN）模型、 長短期記憶網(wǎng)絡(luò)（LSTM）模型等能夠深度模擬人類大腦神經(jīng)元工作機(jī)制， 剖析數(shù)據(jù)深層邏輯， 預(yù)警異常行為； 知識(shí)圖譜（KG）模型能夠構(gòu)建企業(yè)、 個(gè)人、 交易等實(shí)體之間的關(guān)系圖譜， 發(fā)現(xiàn)財(cái)務(wù)舞弊實(shí)體之間的潛在關(guān)系和風(fēng)險(xiǎn)傳導(dǎo)鏈路， 對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練。通過混淆舉證、 ROC曲線、 AUC值、 KS值等評(píng)估方法， 可對(duì)模型的性能進(jìn)行綜合評(píng)價(jià)， 不斷優(yōu)化模型參數(shù)和結(jié)構(gòu)， 尋找最優(yōu)財(cái)務(wù)舞弊識(shí)別預(yù)警模型， 持續(xù)提升模型的識(shí)別準(zhǔn)確性和預(yù)警效果， 為財(cái)務(wù)舞弊識(shí)別預(yù)警提供數(shù)智化工具。

（4） 應(yīng)用層。應(yīng)用層的構(gòu)建主要取決于使用者的需求， 如智能監(jiān)測(cè)、 智能預(yù)警、 智能分析、 智能決策等。智能監(jiān)測(cè)與智能預(yù)警是數(shù)智化財(cái)務(wù)舞弊識(shí)別預(yù)警體系的核心功能， 通過采用可視化工具實(shí)時(shí)監(jiān)測(cè)異常變化， 基于智能預(yù)警機(jī)制自動(dòng)輸出預(yù)警提示、 預(yù)警等級(jí)、 預(yù)警畫像、 預(yù)警報(bào)告等， 為決策者提供直觀、 全面的預(yù)警結(jié)果。如： 基于算法引擎、 模型實(shí)驗(yàn)室的量化分析結(jié)果， 系統(tǒng)化輸出上市公司財(cái)務(wù)舞弊識(shí)別預(yù)警等級(jí)， 再結(jié)合專家意見， “人機(jī)協(xié)同”綜合評(píng)估其最終等級(jí)， 以對(duì)財(cái)務(wù)可信度進(jìn)行判斷； 通過圖形化的方式展示企業(yè)的財(cái)務(wù)狀況和風(fēng)險(xiǎn)特征， 自動(dòng)輸出詳細(xì)記錄預(yù)警事件的背景、 原因及影響的預(yù)警報(bào)告等。該體系可以對(duì)接公司其他計(jì)量模型、 管理工具等， 為決策者提供參考， 如： 在盡職調(diào)查階段， 利用預(yù)警信息評(píng)估目標(biāo)企業(yè)的財(cái)務(wù)指標(biāo)可信度， 識(shí)別潛在的財(cái)務(wù)舞弊風(fēng)險(xiǎn)， 為投資決策提供重要參考； 與內(nèi)部評(píng)級(jí)系統(tǒng)相結(jié)合， 為審查審批、 風(fēng)險(xiǎn)定價(jià)等決策提供參考依據(jù)； 在投后風(fēng)險(xiǎn)分類、 資產(chǎn)分類中重點(diǎn)考慮財(cái)務(wù)舞弊識(shí)別預(yù)警評(píng)估結(jié)果， 及時(shí)調(diào)整風(fēng)險(xiǎn)政策和資產(chǎn)配置策略。同時(shí)， 該體系可以挖掘常見財(cái)務(wù)舞弊模式， 進(jìn)行歸類和趨勢(shì)分析， 如結(jié)合聚類分析實(shí)現(xiàn)案例智能精準(zhǔn)匹配， 不僅提示主體是否存在財(cái)務(wù)舞弊嫌疑， 而且提示可能采用何種財(cái)務(wù)舞弊手法， 為審計(jì)人員和監(jiān)管機(jī)構(gòu)提供線索和方向； 還可以結(jié)合人工分析判斷以及日常監(jiān)測(cè)預(yù)警情況， 反向優(yōu)化財(cái)務(wù)舞弊識(shí)別預(yù)警模型， 確保模型在實(shí)際應(yīng)用中不斷改進(jìn)和完善， 形成一個(gè)持續(xù)迭代、 自我優(yōu)化的良性循環(huán)。

六、 總結(jié)

隨著技術(shù)的發(fā)展和內(nèi)外部環(huán)境的變化， 財(cái)務(wù)舞弊手段不斷演進(jìn)升級(jí)， 給市場(chǎng)監(jiān)管、 投資者保護(hù)、 企業(yè)治理等均帶來了巨大挑戰(zhàn)。財(cái)務(wù)舞弊行為不僅會(huì)阻礙上市公司自身的可持續(xù)發(fā)展， 還會(huì)擾亂資本市場(chǎng)秩序、 動(dòng)搖投資者信心， 對(duì)資本市場(chǎng)整體高質(zhì)量發(fā)展造成嚴(yán)重的負(fù)面影響。本文從三大視角構(gòu)建了數(shù)智化財(cái)務(wù)舞弊識(shí)別預(yù)警框架， 并結(jié)合專家經(jīng)驗(yàn)及財(cái)務(wù)舞弊場(chǎng)景， 針對(duì)各維度示例預(yù)警信號(hào)及預(yù)警指標(biāo)， 構(gòu)建了數(shù)智化財(cái)務(wù)舞弊識(shí)別預(yù)警體系， 形成財(cái)務(wù)舞弊識(shí)別預(yù)警數(shù)智化轉(zhuǎn)型路徑。大數(shù)據(jù)分析、 智能算法等的應(yīng)用能夠助力提升財(cái)務(wù)舞弊識(shí)別預(yù)警精準(zhǔn)度， 實(shí)時(shí)、 多維、 全方位、 智能化的監(jiān)測(cè)與識(shí)別預(yù)警能夠助力提升財(cái)務(wù)舞弊識(shí)別預(yù)警有效性， 基于數(shù)據(jù)驅(qū)動(dòng)、 機(jī)器學(xué)習(xí)等的動(dòng)態(tài)監(jiān)測(cè)及調(diào)整能夠助力提升財(cái)務(wù)舞弊識(shí)別預(yù)警前瞻性。財(cái)務(wù)舞弊識(shí)別預(yù)警數(shù)智化轉(zhuǎn)型有助于從質(zhì)量和效率上提升財(cái)務(wù)舞弊識(shí)別預(yù)警水平， 助力我國資本市場(chǎng)在高質(zhì)量發(fā)展的道路上行穩(wěn)致遠(yuǎn)。

【 主 要 參 考 文 獻(xiàn) 】

洪文洲，王旭霞，馮海旗．基于Logistic回歸模型的上市公司財(cái)務(wù)報(bào)告舞弊識(shí)別研究［ J］．中國管理科學(xué)，2014（S1）：351 ～ 356．

黃世忠，黃京菁．財(cái)務(wù)報(bào)表舞弊行為特征及預(yù)警信號(hào)綜述［ J］．財(cái)會(huì)通訊，2004（23）：4 ～ 9．

姜富偉，丁慧，靳馥境．參照點(diǎn)效應(yīng)、公司治理與上市公司財(cái)務(wù)重述［ J］．經(jīng)濟(jì)研究，2023（10）：191 ～ 208．

李清，任朝陽．上市公司會(huì)計(jì)舞弊風(fēng)險(xiǎn)指數(shù)構(gòu)建及預(yù)警研究［ J］．西安交通大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2016（1）：36 ～ 44．

酈金梁，吳謠，雷曜等．有效預(yù)警上市公司違規(guī)的遞延所得稅異動(dòng)指標(biāo)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(cái)務(wù)舞弊識(shí)別模型設(shè)計(jì)及其應(yīng)用研究——基于新興機(jī)器學(xué)習(xí)算法［ J］．?dāng)?shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究，2022（7）：152 ～ 175．

錢蘋，羅玫．中國上市公司財(cái)務(wù)造假預(yù)測(cè)模型［ J］．會(huì)計(jì)研究，2015（7）：18 ～ 25+96．

王杏芬，張彧．新舞弊風(fēng)險(xiǎn)因子理論下首例違法退市案研究［ J］．會(huì)計(jì)之友，2020（22）：46 ～ 52．

葉欽華，黃世忠．財(cái)務(wù)舞弊的新特征與新應(yīng)對(duì)——基于專網(wǎng)通信舞弊樣本［ J］．財(cái)會(huì)月刊，2024（19）：3 ～ 8．

葉欽華，葉凡，黃世忠．財(cái)務(wù)舞弊識(shí)別框架構(gòu)建——基于會(huì)計(jì)信息系統(tǒng)論及大數(shù)據(jù)視角［ J］．會(huì)計(jì)研究，2022（3）：3 ～ 16．

張學(xué)勇，施懿．基于元學(xué)習(xí)的財(cái)務(wù)舞弊識(shí)別研究［ J］．管理科學(xué)學(xué)報(bào)，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．