日前，统计与数学学院教授李国锋、博士研究生李祚娟及其研究生团队合作分别在SCI、SSCI和CSSCI类期刊发表多篇研究论文。
（1）以李国锋为第一作者、李祚娟为通讯作者的团队合作论文“Identification of Insider Trading in the Securities Market Based on Multi-task Deep Neural Network”在期刊《Computational Intelligence and Neuroscience》发表（2022年4月）。该期刊为SCI一区期刊，属我校A1类期刊。
众所周知，非法内幕交易的认定对证券市场的健康发展具有重要意义。然而，随着信息技术的发展，数据来源广、噪声多等问题给内幕交易识别工作带来挑战。论文运用网络爬取和文本挖掘技术手段，采集并融合多来源数据信息，利用信息增益和相关分析进行特征筛选。将不同行业的内幕交易识别作为不同的子任务，构建了一个基于多任务深度神经网络的股票内幕交易判别模型。实验结果表明，与Logistic、支持向量机、随机森林、XGBoost等模型相比，论文所提出的模型能更精准地识别出存在内幕交易的企业。论文研究为借助智能手段维护证券市场秩序提供了新思路。
（2）由李国锋指导、李祚娟为第一作者的团队合作论文“Do Social Pension and Family Support Affect Farmers’ Land Transfer? Evidence from China”在期刊《Land》发表（2022年3月）。该期刊为SSCI二区期刊，属我校A1类期刊。
长期以来，农民的养老保障和土地利用问题一直是中国学者和政府关注的焦点。土地流转在促进农业规模经营、调整农业结构、提高土地利用率方面发挥着重要作用，而土地的养老保障功能是影响土地流转的重要因素之一。论文研究基于中国健康与养老追踪调查（CHARLS）数据，利用所构建的Probit模型和结构方程模型，探讨了社会养老和家庭支持对农民土地流转的影响机制和路径。
（3）以李国锋为第一作者、李祚娟为通讯作者的团队合作论文“基于多任务学习的税务稽查选案研究”在CSSCI期刊《数据分析与知识发现》发表（2022年1月CNKI网络首发）。
论文利用网络数据获取、文本挖掘等技术，收集了企业财务指标、高管信息、媒体关注等多来源涉税数据进行融合处理；利用随机森林方法进行特征选择，构建了税务稽查选案判别指标体系；利用改进的基于焦点损失函数的多任务结构化稀疏学习方法，视不同税种选案工作为不同任务联合训练，构建了分税种的税务稽查选案判别模型。真实数据实验表明，论文研究所构建的判别模型有较好的泛化性能和应用能力，能够更加精准地甄别出不诚实纳税的目标企业，同时可识别出其具体涉及的偷漏税税种，为政府智慧税务稽查提供新思路。
（供稿审核人：安起光）
