基于卷积神经网络的上市公司财务欺诈识别与可解释性研究

自股份制公司出现以来，上市公司的财务欺诈反复冲击资本市场。由于欺诈手段隐蔽以及审计的人力与时间成本高昂，欺诈难以被检测到。传统统计模型具有可解释性但难以处理非线性特征交互，而机器学习模型功能强大但往往不透明。此外，大多数现有方法仅基于当年数据判断当年的欺诈行为，限制了及时性。本文提出了一种基于卷积神经网络（CNN）的中国A股上市公司财务欺诈检测框架。我们设计了一种特征工程方案，将企业-年度面板数据转换为类图像表示，使CNN能够捕捉横截面和时间模式并提前预测欺诈。实验表明，CNN在准确率、鲁棒性和预警性能方面优于逻辑回归和LightGBM，且在高风险场景中适当调整分类阈值至关重要。为解决可解释性问题，我们从实体、特征和时间三个维度利用局部解释技术对模型进行分析。我们发现偿债能力、比率结构、治理结构和内部控制是欺诈的通用预测因子，而环境指标主要在重污染行业中起作用。非欺诈企业具有稳定的特征模式，而欺诈企业表现出集中在短时间窗口内的异质性模式。对2022年冠农股份的事例研究表明，现金流分析、社会责任、治理结构和每股指标是模型欺诈预测的主要驱动因素，与该公司记录的违规行为一致。