基于跨模态图神经网络的上市公司财务舞弊识别——融合年报文本、财务数字与关系网络 .docxVIP

PAGE2

基于跨模态图神经网络的上市公司财务舞弊识别——融合年报文本、财务数字与关系网络

摘要

本文聚焦于上市公司财务舞弊识别这一金融管理领域的核心难题，提出了一种基于跨模态图神经网络的理论分析框架。

研究突破传统单一数据源的局限，系统构建了年报文本语义图、股权关系图与指标时序图三类异质图结构，分别捕捉管理层语言操纵、利益关联方合谋动机与财务指标异常波动等多维舞弊信号。

本文运用图卷积网络技术，实现了三类模态信息的深度融合与协同推理，从理论上论证了跨模态图学习在提升舞弊检测准确率方面的机制优势。

全文遵循“问题解析—机制阐释—理论建构”的逻辑主线：首先剖析财务舞弊问题的结构性成因与内在矛盾；继而阐释跨模态图神经网络的作用逻辑、条件边界与演变规律；最终构建了融合多源异构信息的舞弊识别理论框架。

研究结论表明，该框架通过显式建模文本语义关联、股权拓扑结构与指标时序依赖，有效克服了传统方法的信息割裂局限，为智能财务监管提供了新的理论支撑。

第一章绪论

1.1研究背景

资本市场的信息不对称是财务舞弊滋生的根本土壤。

上市公司管理层出于融资需求、业绩对赌或股价维护等动机，可能通过虚增收入、隐瞒关联交易或误导性陈述等手段粉饰财务报表。

此类行为一旦暴露，不仅导致投资者巨额损失，更会严重侵蚀市场信用基础。

近年来，尽管监管力度持续加强，但舞弊手段亦不断升级，呈现出隐蔽化、跨年度与多主