刘佳进（博士）

（福州大学计划财务处 福建福州 350116）

上市公司信息披露准确与否将对财报使用者的决策产生较大的影响。近年来，上市公司的舞弊手段越发多样化和隐蔽化，且更加具有针对性，仅依靠传统分析手段较难发现舞弊行为。机器学习模型不同于传统分析手段，其通过输入特定的样本数据进行训练和拟合并进行预测分析的方法，能发现传统分析手段难以识别出的问题，目前已经有越来越多的研究开始关注这一领域。机器学习模型的应用较为简单，只需输入特定的财务报告指标，根据模型输出结果即可快速判别上市公司是否存在财务舞弊，其财务报告数据是否可以信赖，这对于财务报告使用者决策将大有助益。

机器学习模型本身不依赖数据背景，仅仅是通过分析数据之间的内在逻辑进行训练和拟合，因此，要想提升判别的效果，一是训练集样本的分类需要足够准确，二是输入指标反映的信息要尽可能全面，信息缺失将影响机器学习模型的训练效果。

一、现有研究选取输入指标的特点和存在的不足

现有相关研究聚焦于机器学习模型的应用，尝试利用不同的机器学习模型判别上市公司是否存在舞弊行为，并利用测试集验证判别的效果。在模型选择方面，相关研究主要选取支持向量机、神经网络和随机森林模型等作为判别模型，在输入指标的选取方面，不同研究之间差异较大，具体有如下特点：

（一）依据经典舞弊模型选取指标

部分研究在选择输入指标时，会参考经典的舞弊模型，如冰山理论、舞弊三角论、GONE 理论等，根据舞弊产生的动因对应的指标作为输入指标进行机器学习模型的训练和分析。……