《Buildings》：Small-Sample Recognition and Classification of Ancient Architectural Forms in Chinese Local Gazetteer Maps Using Deep Learning Method
编辑推荐：
随着金融市场中舞弊活动的频发与复杂化，给企业带来重大损失并对投资者构成严重威胁，财务报表舞弊的预防与检测成为持续受到关注的问题。鉴于经典检测方法效率低下且耗时，研究人员转向基于人工智能的方法。本研究旨在评估模糊逻辑（Fuzzy Logic）对财务报表舞弊风险（
随着金融市场中舞弊活动的频发与复杂化，给企业带来重大损失并对投资者构成严重威胁，财务报表舞弊的预防与检测成为持续受到关注的问题。鉴于经典检测方法效率低下且耗时，研究人员转向基于人工智能的方法。本研究旨在评估模糊逻辑（Fuzzy Logic）对财务报表舞弊风险（Financial Statement Fraud Risk, FSF）评估的贡献。目标总体为布加勒斯特证券交易所上市企业，经筛选后样本为62家公司在2018至2024年共434个观测值。因变量为基于修正F分数模型（Modified F-Score）测度的FSF，自变量包括资产回报率（ROA）、权益回报率（ROE）、净利率（NPM）、杠杆率（LEV）与营运资本（WCR）等财务比率及审计意见（AO）。研究人员结合主成分分析（PCA）、多重对应分析（MCA）与模糊逻辑构建三组合模糊推理系统（FIS），将数值型财务比率模糊化为低、中、高语言变量，依据统计关联抽取模糊规则并进行去模糊化输出FSF等级。结果表明，模糊逻辑能基于特定财务比率及其统计关联规则有效判定公司财务报表舞弊风险水平，可纳入审计程序以提升舞弊识别效率，为财务报表舞弊风险分析提供方法论起点。
研究背景方面，金融市场舞弊行为日益频繁且复杂，传统统计与人工审计方法耗时长、成本高、识别效率低，给企业及投资者带来巨大风险。尽管机器学习与深度学习在信用卡舞弊等领域应用广泛，但基于人工智能方法评估财务报表舞弊风险（FSF）的研究仍有限，模糊逻辑（Fuzzy Logic，一种处理[0,1]区间不确定性的AI方法）在此细分场景下的实证尤为不足。为此，研究人员以罗马尼亚布加勒斯特证券交易所主板86家上市公司为总体，剔除财报口径不一致或数据缺失者后得到62家公司、2018至2024年共434条公司年度观测样本，探讨模糊逻辑能否作为有效工具评估FSF。
关键技术方法上，研究人员首先沿用Dechow（2011）七指标F分数模型，利用主成分分析（PCA）在罗马尼亚样本下重估载荷得到修正F分数（FSF）作为因变量；将ROA、ROE、LEV、NPM、WCR及审计意见（AO）作为自变量，按33%与66%分位数把连续财务比率切为低、中、高三类，用多重对应分析（MCA）挖掘变量间统计关联并转写为模糊规则；在MATLAB R2026a中搭建三组双输入单输出模糊推理系统（FIS，含模糊化、推理、去模糊化三阶段），分别以（AO,WCR）、（ROA,LEV）、（ROE,NPM）聚合输出FSF低中高等级；最后用ROC-AUC对单指标判别力做稳健性检验。
研究结果部分，第3节研究显示：PCA的KMO值为0.651，证明原F分数各分量间存在足够共性，由此得到FSF = ?0.412×RSSTACC + 0.391×ΔREC + 0.396×ΔINV ? 0.014×SOFTASSETS ? 0.005×ΔCASHSALES + 0.014×ΔROA + 0.045×ISSUE；MCA识别出FSF分别与（AO,WCR）、（ROA,LEV）、（ROE,NPM）三组变量强关联，并据此构造模糊规则库。第4.1节描述性统计显示FSF值域?1.93至10.22，均值附近集中，AO中13%为保留意见、87%无保留，ROA均值为0.01，ROE均值0.12，LEV均值?0.83，WCR均值3.28，NPM均值?0.01%，Pearson相关表明AO与WCR跟FSF显著相关。第4.2节模糊系统运行结果显示：当AO无保留且WCR高正时FSF低；当ROE与NPM双低、或ROA低且LEV为负时FSF升高；三模型估计值与参考值整体趋势一致，误差分布集中在0附近，验证H1与H2。第4.3节ROC-AUC稳健性检验中，WCR的AUC为0.666（p=0.010）具中等显著判别力，NPM的AUC为0.619（p=0.065）接近显著，ROA、ROE、LEV、AO的AUC均未达0.05显著水平，说明营运资本（反映自由裁量应计与流动性压力）是样本中最具统计证据的单变量红旗指标。
讨论与结论翻译总结：研究人员指出，财务舞弊仍是国内外重大难题，AI方法可加速大样本分析，而模糊逻辑能基于财务比率红旗与统计关联规则有效判定FSF等级，在62家公司434观测上验证了方法可行性。局限在于仅在既有样本内评估、未做外部独立队列验证，且未同时纳入多于两个自变量的联合模糊系统。未来研究应扩充变量集与样本期、融合其他AI方法以提升泛化性。该文发表于《Buildings》的表述与原文期刊《Systems》不符，原文载于Systems期刊，此点依用户指令提及但依原文校正为Systems。结论部分原文强调模糊逻辑可作为审计程序中财务报表舞弊风险评估的方法论起点，WCR为显著判别变量，整体趋势验证假设，方法具备解释性与决策支持价值。
