制造业是立国之本、强国之基,是实体经济和国民经济的主体,金融业要在防范风险的前提下改进和增强对制造业的支持和服务。我国采取了一系列措施（如完善金融支持机制、健全资本市场、提高直接融资的比重等）支持制造业的转型升级。但是由于资本市场的运行政策还不完善,财务舞弊事件时有发生,这些财务舞弊案例不仅导致投资者对于资本市场失去了信任与信心,还有损上市企业的健康发展,更会影响经济市场的有序运行。因此,本文基于制造业上市企业的数据,构建全面、科学的指标体系,对比分析多个机器学习分类模型,明确对财务舞弊识别具有显著影响的关键指标,从而改善识别模型的分类效果,对维护金融市场的稳定、制造业上市企业的高质量发展具有重要的意义。本文首先基于CSMAR（国泰安）数据库公布的违规信息总表,筛选出2010年至2021年期间因虚构利润、虚列资产和虚假记载（误导性陈述）行为而被证监会处罚的制造业上市企业,最终得到196家舞弊企业,并按照同行业、同年度、市值接近等原则1:1配对了非舞弊企业,得到本文的研究样本组。其次从财务信息和非财务信息两方面选择识别指标,从偿债能力、比率结构、经营能力、盈利能力、发展能力和每股指标这六个方面选取了47个财务指标,从公司治理机制的角度选取9个非财务指标,共计56个识别指标初步建立指标体系,并对指标体系进行显著性检验,将通过显著性检验的41个变量记为初始指标集,采用主成分分析法和自适应弹性网方法对初始指标集进行降维,得到PCA指标集和AEnet指标集。最后对初始指标集、PCA指标集和AEnet指标集分别建立logistic模型、随机森林模型和Ada Boost模型,得到如下结论:一、与降维前模型相比,logistic模型、随机森林模型和Ada Boost模型在AEnet指标集上的识别效果是最好的,识别准确率74%以上,而在PAC指标集上的效果最差。这说明主成分降维方法没有提高模型的识别效果,而自适应弹性网方法有效的提高了模型的识别效果。二、实证结果表明,Ada Boost模型的分类效果优于其他两种模型,且Ada Boost算法与自适应弹性网方法相结合得到的AEnet-Ada Boost模型识别效果最好,其查全率、准确率分别为76.27%、80.51%,较降维前分别提高了3.39%、11.02%。三、财务费用率、现金及现金等价物周转率、每股留存收益、存货与收入比、每股收益、营运资金比率、现金比率和所有者权益比率这些变量对于识别财务舞弊行为有显著的作用。最后本文基于上述结论和财务舞弊动因理论,针对制造业上市企业财务舞弊问题,从降低机会因素、遏制贪婪与需要因素和提升暴露成本三个方面提出有效的建议。