作者: 蔡翔1，万嘉峻1，姜莹莹1，罗茹心1，韦佳培2，马奕虹1

摘要:

    环境信息披露操纵行为具有高度潜伏性和隐蔽性，传统的监督学习识别方法在含有大量“伪标签”样本的数据中，难以准确识别真正进行操纵行为的样本。为此，该研究提出了“特征构造-数据增强-动态迭代”3阶段半监督识别框架。该方法与既有相关研究的不同之处在于：①为减少“伪标签”干扰，在构建“压力场”指标体系基础上，设计双重约束的多任务评分函数，筛选出高置信度未操纵样本。②为解决因操纵样本稀缺导致的训练样本不足问题，提出条件生成对抗网络数据增强与自训练策略耦合的半监督识别框架，提高了环境信息披露操纵行为识别的准确率。③为解决传统“双随机、一公开”随机抽查制度监管适配性不足的问题，提出的动态置信度机制增强了机器学习模型对不同环境信息披露操纵场景的适应性。该研究基于2010 —2023年中国上市公司环保处罚数据集，验证了所提方法的有效性。结果表明，该方法将操纵识别准确率大幅提升，经置信度敏感性、随机重抽样与时间外样本等多维稳健性检验后仍保持稳健性。进一步分析显示，将模型嵌入资本市场“双随机、一公开”抽检流程，可显著增加环境信息披露操纵案件的检出数量和降低重大舞弊案例的预测阈值，具有优化执法资源配置与抑制操纵行为扩张的潜力。据此，提出建议：①完善环境信息披露协同监管制度，健全披露规则体系，将披露质量纳入绿色金融与信用评价核心指标。②构建环境信息披露智能监测平台，构建“靶向管控-模型支撑-数据存证”的技术框架，降低人工筛查成本。③促进跨部门数据整合与共享，共创环境信息数据底座和大数据分析“工具箱”，为算法预警提供更加丰富、透明的数据基础。④建立企业环境风险动态评估机制，根据置信度阈值动态调整策略及时精准锁定操纵样本，增强监管震慑效应。