基于可解释机器学习和文本信息的财务舞弊识别研究

• 作者： 张志恒 ¹ 成妍 ¹
• 作者单位：
  1.  重庆理工大学会计学院，重庆 400054
• 发布时间：2025-03-03

摘要: 近年来，全球经济一体化与金融市场发展导致上市公司财务舞弊频发。随着上市公司财务数据积累和财务比率多样性增加，大数据与机器学习方法在识别舞弊中的应用成为研究热点。然而，机器学习模型受限于其“黑盒”特性，如何在提高模型精度的同时，增加其透明度和可解释性，已成为学界和业界共同面临的挑战。本文引入一种基于XGBoost 框架的可解释机器学习模型，使用加权交叉熵损失函数处理非均衡样本，通过将加权模型简化为单棵决策树，以清晰的树状结构为业界决策者提供明确的逻辑解释。同时，创新性结合上市公司年报中的 MD&A 文本信息，实证检验文本变量在提升财务舞弊识别性能上的有效性。研究结果表明：加入文本变量后，模型识别准确率达到89.32%，较仅考虑财务与非财务指标时提升了15.73%；利用加权交叉熵为少数类样本赋予更高权重后，召回率提高至 86.51%。本文引入的可解释机器学习方法以其简单、透明及高准确性的特点，为财务舞弊识别提供了一种可解释的代价敏感解决方案，为业界决策者提供了指导。

• 分类： 工商管理学 >> 会计学
• 稿件状态： 已在期刊出版
期刊名称： 《财会月刊》 2024年 第19期
• 引用： PSSXiv:202503.00008 (或此版本 PSSXiv:202503.00008V1)
  DOI:10.12451/202503.00008
  CSTR:32012.36.PSSXiv.202503.00008
• 推荐引用方式： 张志恒,成妍.基于可解释机器学习和文本信息的财务舞弊识别研究.财会月刊,2024(19).[PSSXiv:202503.00008V1] (点此复制)