来源：期刊VIP网 时间：
作者：袁涛;宋加山;胥兴军;田祺;黄寰;
单位：西南科技大学经济管理学院;四川九洲投资控股集团有限公司博士后科研工作站;成都理工大学管理科学与工程博士后流动站;成都理工大学商学院;
摘要：上市公司财务风险预测研究对于维护国家宏观经济稳定与金融安全具有重要战略价值。文章以我国A股上市公司为研究对象，从财务状况、公司治理和审计监管三个维度筛选出36个特征变量，利用XGBoost算法构建上市公司财务风险预测模型，并借助SHAP可解释框架对预测模型的输出结果进行全局和局部性解释分析，以此来获得上市公司财务风险产生的关键因素和影响方式。研究结果表明：第一，与逻辑回归和判别分析等机器学习算法模型相比，XGBoost算法模型在预测的准确率、精准率、召回率、F1-score和AUC值等方面表现更好。第二，基于SHAP可解释框架进行特征变量重要性分析发现，全部现金回收率、总资产周转率和财务杠杆是影响我国上市公司财务风险产生的重要特征变量。第三，SHAP依赖分析和SHAP解释力图不仅可以提升XGBoost算法模型的可解释性，还能对特征变量影响预测模型的输出结果进行可视化分析。本研究建立的XGBoost算法模型和SHAP可解释框架能够有助于上市公司和监管机构及时发现潜在的财务风险，增强上市公司的风险管理和防范能力，推动我国上市公司的高质量发展。
关键词：XGBoost;;SHAP;;机器学习;;财务风险
基金资助：四川省哲学社会科学基金重大专项“中国式现代化进程中四川科技创新模式探索研究”（SCJJ24ZD24）;; 财会金融协同创新研究中心“融合XGBoost算法和SHAP可解释技术的企业财务风险预警模型研究”（ckjrC005）;; 人与自然和谐共生的美丽城市建设研究中心“基于机器学习算法的碳排放预测及SHAP可解释性分析”（MLCS2025YB08）;; 西南科技大学博士基金资助成果“数字化转型对企业创新的影响研究”（23sx7111）
