张莉，博士，教授，硕士生导师。北京市优秀人才，北京市属高校青年拔尖人才。中国教育审计学会信息化分会副主任，北京市教育会计学会理事。北京信息科技大学财务处长，审计专业负责人。荣获省部级青年教师基本功竞赛二等奖2项。主要研究大数据与异常检测，智能财务/审计、ESG。长期从事财务/审计信息化理论教学、科研与实践方面的工作，参与及主持国家科技支撑计划项目、金审三期、国家自然科学基金及省部级等项目20余项；有丰富的大型企事业单位、上市公司审计经验，在国内外重要期刊发表论文50余篇，出版学术专著3部、教材3部，获2项发明专利、30多项软件著作权。多次受邀为大型央企提供数字化审计/财务、智能系统等相关咨询、讲座及科技项目研发服务。

李卓松，博士，北京信息科技大学讲师，研究领域为公司治理、会计准则等，主要讲授财务会计、流程自动化及信息可视化等课程，参与多项国家自然科学基金、国家社会科学基金及省部级项目；在《改革》《金融评论》等核心期刊发表学术论文；曾为大型企事业单位提供内部控制流程咨询服务。

针对信息化环境下上市公司违规行为呈现出的违规形式复杂多样、违规手段花样翻新、违规行为危害巨大等特点，本书以资本市场监管为出发点，以实证研究为基础，以上市公司、会计师事务所等相关主体的违规行为为研究对象，利用人工智能及用户画像技术，对上市公司及相关主体的违规行为及关键因素进行画像，构建了包括上市公司监管政策、会计师事务所、上市公司行业类别、财务特征及公司治理等核心要素的数据集；对上市公司及会计师事务所两类主体的违规行为进行风险画像建模，设计了违规行为的群体画像及个体画像，了解并跟踪违规行为演变机理，识别关键特征；利用机器学习算法对上市公司及会计师事务所违规行为进行实证研究，预测异常用户，寻找防范上市公司违规行为发生的有效途径，在梳理现有国内外监管制度的基础上，为上市公司及相关主体的风险防范提供经验证据。

本书从大数据视角研究违规主体的行为特征，完善了大数据时代上市公司及相关主体的违规审计全局观；基于审计理论及人工智能技术，将机器学习算法运用于上市公司监管治理领域，体现了信息技术与经济监督的交叉融合，为资本市场监管及经济治理提供了有广泛应用价值的新技术；体现了多学科融合进行监管机制研究的技术群，对维护我国经济社会安全具有一定的理论价值和现实意义。

本书适合广大投资者、股东、监管部门相关人员以及会计、审计及其他财经类专业学生阅读。

第1章 绪论1

1.1 选题背景及意义 1

1.2 资本市场各主体角色及职能 3

1.2.1 上市公司 .3

1.2.2 中介机构 4

1.2.3 监管机构 5

1.3 上市公司及相关主体违规行为的文献回顾 6

1.3.1 上市公司违规文献回顾 6

1.3.2 会计师事务所违规文献回顾 13

1.3.3 违规行为文献述评 14

1.4 研究内容和目标 15

第2章 上市公司及相关主体的监管体制与现状16

2.1 上市公司的监管体制 16

2.1.1 集中型监管体制 17

2.1.2 自律型监管体制 18

2.1.3 中间型监管体制 19

2.2 我国上市公司的监管现状 20

2.2.1 集中型监管体制的形成 20

2.2.2 集中型监管体制与自律型监管体制的结合 21

2.2.3 我国证券市场的自律监管 21

2.2.4 《证券法》（2019年修订）后的上市公司监管 22

2.3 会计师事务所的监管体制与现状 24

2.3.1 会计师事务所单一监管阶段的形成 25

2.3.2 会计师事务所监管体系的构建 25

2.3.3 《证券法》（2019年修订）对会计师事务所监管的影响 26

2.4 证券发行注册制下的监管转型 27

2.4.1 以问询函和监管函为主的非行政处罚性监管 27

2.4.2 问询函和监管函的应用现状 29

第3章 上市公司违规行为画像31

3.1 上市公司违规行为的内涵及分类 31

3.1.1 股东违规自利 33

3.1.2 财务违规 33

3.1.3 违规使用资金 33

3.1.4 税务违规 34

3.1.5 其他 .34

3.2 上市公司违规行为数据处理 34

3.2.1 多属性数据拆分 34

3.2.2 “其他”违规类型下违规行为文本分析 34

3.3 违规内容画像分析 36

3.3.1 违规类型整体画像 37

3.3.2 考虑时间因素的违规类型画像 41

3.3.3 违规类型存在关系画像 42

3.3.4 “ST”公司的违规类型画像 44

3.4 违规主体画像分析 45

3.4.1 违规频率画像 46

3.4.2 所属行业画像 48

3.4.3 财务特征画像 50

3.4.4 公司治理特征画像 58

3.4.5 内部控制特征画像 65

3.5 高频违规公司的画像分析 72

3.5.1 违规类型分析 73

3.5.2 违规类型存在关系分析 73

3.5.3 违规发生时间趋势分析 74

3.5.4 违规行为内容分析 75

3.5.5 财务特征分析 79

3.5.6 公司治理特征分析 80

3.5.7 内部控制缺陷分析 82

3.5.8 审计师决策 84

第4章 基于机器学习模型的上市公司违规行为预测86

4.1 样本数据和指标的选择 87

4.1.1 指标选择 87

4.1.2 数据收集与处理 89

4.2 机器学习模型的构建与评估 90

4.2.1 Logistic回归模型 90

4.2.2 K近邻模型 94

4.2.3 支持向量机（SVM）模型 95

4.2.4 随机森林模型 97

4.3 研究结论与分析 101

4.3.1 模型评价 101

4.3.2 结论 102

第5章 会计师事务所违规行为画像.103

5.1 会计师事务所行业画像 103

5.1.1 会计师事务所的规模 104

5.1.2 会计师事务所从业者的个体特征 107

5.2 会计师事务所违规行为的分类及含义 111

5.2.1 会计师事务所违规行为的分类 111

5.2.2 会计师事务所违规行为的含义 112

5.3 会计师事务所及会计师违规行为画像 115

5.3.1 数据收集与处理 115

5.3.2 会计师事务所违规行为画像 116

5.3.3 注册会计师违规行为画像 126

第6章 基于机器学习模型的会计师事务所违规行为预测.133

6.1 样本数据和指标的选择 133

6.1.1 数据收集与处理 133

6.1.2 指标选择 134

6.2 机器学习模型的构建与评估 135

6.2.1 支持向量机模型 136

6.2.2 决策树模型 138

6.2.3 随机森林模型 141

6.2.4 梯度提升树模型 142

6.3 研究结论与分析 144

6.3.1 模型结果对比 144

6.3.2 结论 146

第7章 上市公司及相关主体违规行为的防范与治理148

7.1 完善上市公司的内部治理 148

7.1.1 优化上市公司股权结构 148

7.1.2 完善上市公司内部治理结构 150

7.1.3 建立有效的内部控制审计机制 152

7.2 加大监管处罚力度 153

7.2.1 加强退市制度 153

7.2.2 提高处罚标准 154

7.2.3 发挥交易所自律监管机制 154

7.3 加强注册会计师行业监管 156

7.3.1 建立健全会计师事务所质量管理 156

7.3.2 建立高效的应对监管问询函机制 157

7.3.3 提高注册会计师专业能力 157

参考文献159