随着全球一体化的加快,世界经济飞速发展,中国上市公司不断面对不同风险与挑战。我国上市公司的财务危机、财务造假和重大违法行为等方面的风险不但威胁上市公司的正常运营发展,而且影响证券市场平稳运行。通过对风险指标的分析,可以帮助运营决策人员提前发现危险信号,企业、金融机构和投资者就可以提前做出防范措施。因此,构建一种精确、有效的上市公司退市风险预警模型,可以为理论和实践提供量化依据。对于实际问题,特别是对退市风险的预警,需要评估模型的可靠性。机器学习只能提高预测的准确率,但不能解释为什么模型可以获得优秀的预测效果。在上市公司退市问题上,我们不能只追求模型的预测效果,忽略模型的解释性。投资决策和经济理论研究中,模型的可解释尤为重要。应用可解释性机器学习,使“黑盒效应”得以“透明”,在上市公司退市风险预警过程中客观应用机器学习模型。本文以我国A股市场上市公司作为研究对象,选取了2018年至2020年的162家上市公司作为研究样本,从偿债能力、成长能力、每股指标、现金流量、盈利能力、营运能力和非财务指标等方面选取44个财务指标和2个非财务指标构建退市风险预警指标体系。经过显著性检验以及主成分分析方法后得到11个特征因子,之后进行CNN卷积神经网络模型、BP神经网络模型、SVM支持向量机模型和随机森林模型的训练与构建,并使用混淆矩阵、ROC曲线及其AUC面积值评估对比模型预测性能。最后通过SHAP方法解释模型,明确模型的各特征重要性及其决策依据。结果显示,共构建的4种机器学习模型中,CNN卷积神经网络模型的预测效果最好,精确率为93.75%,召回率为100.00%,F1-score为96.774%,AUC达到1.00。通过SHAP分析将CNN卷积神经网络模型内各个特征的决策权重以及预测方向的影响进行了可视化解释,SHAP分析显示上市公司的每股指标、非财务指标、盈利能力和成长能力是机器学习模型预测的主要决策因素,上市公司的偿债能力、营业总收入与经营活动产生的现金流量净额、上市公司的总负债、货币资金与资本项目规模和营运能力也是模型进行预测时的重要参考特征。