预算约束下的风险导向监管:基于机器学习的财务违规筛查研究

在信息披露违规事件高度稀缺且监管资源有限的现实背景下,如何提升监管筛查效率是资本市场治 理面临的重要问题。现有关于财务违规预测的研究多聚焦模型的统计判别能力,较少讨论其在真实监管 决策中的可操作性。本文从监管视角出发,构建并评估一个嵌入预算约束的风险导向筛查框架,系统分 析机器学习模型在违规监管中的实际应用价值。 基于中国A 股上市公司2010—2023 年公司—年份层面的大规模面板数据,本文在严格披露违规 标签构造基础上,建立违规风险预测模型,并将模型输出转化为分层筛查规则。在明确年度核查预算约 束的条件下,本文引入期望违规发现数量与单位命中成本等监管绩效指标,对模型驱动筛查、经验规则 筛查与随机抽查进行系统比较。 研究结果表明,预测模型能够有效对潜在违规风险进行排序。在相同监管预算下,模型驱动的风险 筛查在多数年份中显著提高违规发现数量,并降低单位发现成本;相关结论在时间外推、不同预算规模 及替代筛查基准设定下均保持稳健。本文的研究表明,将机器学习模型嵌入明确的制度约束与监管目标 之中,有助于其从预测工具转化为提升监管效率的风险管理基础设施,为风险导向型监管提供了可复制 的实施路径。 信息披露监管;财务违规;机器学习;风险导向监管;预算约束