观点聚焦

企业欺诈手段日益隐蔽，传统依赖财务报表的检测方法往往滞后且效力有限。如何利用动态业务网络揪出潜藏的“烂苹果”？香港中文大学（深圳）经管学院的赵建良携手中国人民大学信息学院的杜玮、许伟，合作撰写的论文“How a Rotten Apple May Spoil the Barrel: Corporate Fraud Detection via Dynamic Business Networks” ，该研究提出NetDetect框架，通过挖掘业务网络中的结构信息与时间演变规律，为识别企业欺诈提供了精准的“早期雷达”。近期，该研究在国际经管顶刊《MIS Quarterly》上发表。

作者简介

赵建良

香港中文大学（深圳）经管学院教授、信息管理与商业分析理学硕士项目主任（IM方向）、深圳数据经济研究院区块链与智能科技研究中心主任

研究领域

人智协同、金融科技、区块链应用、

大数据应用、工作流管理

本文合著者

杜玮

中国人民大学信息学院

许伟

中国人民大学信息学院

研究简介

研究背景

本研究立足于互联互通的时代背景，聚焦公司欺诈行为日益呈现出的复杂化、隐蔽化与长期化态势。传统依赖财务报表的欺诈检测方法逐渐显现效力瓶颈，网络分析虽在该领域具备应用潜力，却尚未得到充分探索与落地，形成了显著的研究空白。为此，本研究旨在构建一套可有效挖掘业务网络信息、显著提升欺诈检测性能的新型分析框架。

研究内容

本研究提出了一种名为 NetDetect 的新型“以网络为中心”的动态检测框架，该框架集成了静态网络特征提取（SNFE）和时序网络特征提取（TemFE）两大核心模块。

SNFE 通过精心设计的元路径捕捉股权关联、任职关联、亲属关系及关联交易等异质性连接模式，并采用分层注意力机制聚合信息；

TemFE 则利用 SNFE-GRU 单元融合结构与时序特征，并通过时序注意力层动态加权历史状态，从而实现对欺诈合谋、传播及长期性特征的综合建模。

研究方法

在模型构建方面，NetDetect 首先构建了一个包含上市公司、未上市实体、个人等多类型节点，以及股权、任职、亲属、交易等多类关系的动态异质业务网络。在此基础上，通过元路径表征复杂关联模式，并借助邻居级、元路径级及时序级三重注意力机制，有效刻画网络中的结构异质性与时序异质性，最终通过多层感知机预测公司欺诈概率。

研究结论

研究结论研究结果表明，NetDetect 在中国上市公司数据集上的表现显著优于传统机器学习方法及现有静态与时序网络模型，展现出更高的检测精度、良好的预警能力与结果可解释性。案例研究进一步显示，该框架能有效识别欺诈传播路径与合谋关系，并揭示关键元路径与时间窗口对欺诈检测的贡献，验证了其在实际场景中的有效性与可解释性。

研究意义

本研究不仅为审计师、投资者与监管机构提供了更强大的欺诈检测工具与早期风险预警支持，也为信息系统领域贡献了可推广的设计原则：即通过元路径与注意力机制处理异质网络的结构复杂性，以及通过结构-时序联合学习实现动态网络的可解释特征提取。这些原则对金融科技、网络安全等领域中具有传染性特征的欺诈检测研究具有重要借鉴意义，推动了基于网络视角的公司治理与风险防控理论与实践的发展。