普华永道：信息化时代，如何精准高效识别财报舞弊？
纵观国内外资本市场的发展，总有些公司，出于种种短期目的，不惜对财报进行粉饰，甚至故意对其夸大或虚构。近年来，面对错综复杂的国内外经济形势，企业为了维持稳健经营的形象，对财报“动手脚”的动机也更强。
以A股市场为例，不乏一些昔日的“白马股”人设“崩塌”的情况，财报舞弊涉及金额动辄十几亿、甚至上百亿元。此外，以财报欺诈为主的银行骗贷案接连曝光，涉案金额一路高企，令借款机构产生大量不良贷款。这些行为不仅损害了股东、债权人和其他利益相关者的权益，也破坏了资本市场和商业社会的诚信。
以下是近年来轰动市场的一些财报舞弊案例：
不仅如此，财报舞弊的手段和其进行相关操作动机也高度相关。企业为了挂牌、转板、获取信贷资格而舞弊的方向，和企业为税务策划等动机舞弊的方向大相径庭。
当然，世上没有完美的犯罪，再高明的舞弊也会留下破绽。下图列举了一些通过财务分析能够洞察到的异常信号，金融机构可以沿着这些蛛丝马迹，进一步抽丝剥茧，深入调查。
不全面：金融机构尽管数据来源众多，但数据结构化程度有待提升，且各渠道数据间缺乏互相勾稽印证，导致对企业的整体财务评价不够全面。
欠直观：大多数金融机构仍然以列表形式展示企业财务信息及相关指标，难以让报表的使用者直观地获取重点。
低效率：尽管负责尽调的客户经理已具备一定财务异常识别经验，但该经验的获取有赖于信息的提炼与分析。企业财报动辄上百页，涵盖海量数据，仅靠人工分析识别，一是存在关键线索遗漏、前后信息记忆混淆的可能，二是数据的集中提炼与分析计算是一大难点，三是人工分析的时间周期较长，最终表现为效率低下。
难看透：由于财报舞弊的手段众多、动机较难琢磨、隐藏较深等原因，金融机构业务人员很难看透企业财报的本质。
为了有效弥补传统手段在财报舞弊识别方面的不足，在新兴科技不断成熟的当下，金融机构可引入更多维的数据，将人工智能（AI）模型与业务经验相结合，不断提升识别财报舞弊的能力，让精准识别成为可能。
明确识别目标：精准识别财报舞弊的第一步，是明确想识别财报舞弊，还是财报异常。识别目的的不同会导致识别范围的显著差异。
海量信息整合勾稽：信息化时代看财报已不是单纯从三张表看财报。除了财务报表复杂勾稽规则稽外，还可结合云计算、自然语言处理（NLP）等先进技术，提炼财报附注信息、批量获取工商、税务、司法等外部数据、抓取外部舆情等，通过多渠道获取的海量数据，实现多维度信息勾稽（示意图如下）。
百万特征排水归纳：通过对数据进行标准化和集中化处理，可交叉进行比对，同时建立多维度、多视角的特征标签。在对相关信息及指标进行降维、归纳后，可汇总成丰富、全面的财报风险提示全景画像，使得数据结果“可视化”，更直观地呈现公司风险，由点及面揭示财报舞弊的线索。
大批量秒级运算：日益成熟的计算机处理技术，使得毫秒级的指标批量运算成为可能，让大批企业海量数据的计算与分析高效化，解决了财报舞弊人工识别过程中效率低下的问题。
AI模型精准定位：财报指标、财报舞弊线索、财报舞弊动机之间的关系并不是简单的线性或因果关系，三者相互制约相互作用，导致需要深度学习算法才可以刻画。另一方面，随着先进的人工智能和大数据技术的广泛应用，相关模型可从上万个维度“学习”可疑的财报舞弊，发现粉饰特征，捕捉问题公司共性，从更精细的角度精准识别。
规则网排查发现线索：AI模型在识别财报舞弊企业方面具有高效、精准的特点，但由于其“黑匣子”运作的特点，难以让使用者了解到财报被识别为舞弊嫌疑的原因。基于业务逻辑的严密规则网的构建则在精准识别基础上，解决了这一难题。规则网对重点会计科目和指标进行勾稽排查，结合公司在行业中所处地位，从成本、费用、利润、资产、现金流等多角关系进行一致性对比，发现异常变动和违规迹象，进一步推测舞弊动机。规则网与AI模型相辅相成，多角度验证，有效提高了财报舞弊的甄别效率（示意图如下），让违规公司无所遁形。
大数据驱动下的财报舞弊识别，可广泛应用于金融机构的多个业务环节，提高前、中、后各个阶段全方位的能力。以授信与投资为例：