劉瑾 趙納暉

【摘要】企業(yè)在全面建設(shè)和實(shí)施內(nèi)部控制機(jī)制的過程中普遍存在“報喜不報憂”現(xiàn)象， 信息披露與真實(shí)運(yùn)營情況嚴(yán)重脫節(jié)， 內(nèi)部控制存在重大缺陷。 基于機(jī)器學(xué)習(xí)的重大缺陷預(yù)測模型能挖掘特征信息， 對可能存在的重大缺陷進(jìn)行識別和預(yù)警， 以防止?jié)撛诘慕?jīng)營風(fēng)險積累到一定程度并在發(fā)生損失后才引起重視。 通過構(gòu)建包括內(nèi)部治理機(jī)制、外部環(huán)境風(fēng)險、財務(wù)狀況、監(jiān)管與信息溝通四個維度的預(yù)測指標(biāo)體系， 利用2012 ～ 2019年滬深兩市A股上市企業(yè)數(shù)據(jù)， 經(jīng)過研究后發(fā)現(xiàn)： 以XGBoost為代表的集成模型在預(yù)測性能上強(qiáng)于個體學(xué)習(xí)器， 在不平衡、高維度、相關(guān)關(guān)系不明確的數(shù)據(jù)集上的預(yù)測效果較為穩(wěn)健， 營業(yè)凈利率、凈資產(chǎn)收益率、產(chǎn)品市場競爭等指標(biāo)對預(yù)測結(jié)果的貢獻(xiàn)程度較大。

【關(guān)鍵詞】內(nèi)部控制重大缺陷;預(yù)測模型;機(jī)器學(xué)習(xí);XGBoost算法

【中圖分類號】 F830.33? ? ?【文獻(xiàn)標(biāo)識碼】A? ? ? 【文章編號】1004-0994（2022）03-0123-9

一、引言

內(nèi)部控制的目標(biāo)在于防范和控制風(fēng)險， 促進(jìn)企業(yè)實(shí)現(xiàn)發(fā)展戰(zhàn)略。 由于企業(yè)無法預(yù)測未來所有風(fēng)險， 且受管理層認(rèn)知能力和成本效益原則的限制， 內(nèi)部控制總有缺陷。 根據(jù)信號傳遞理論， 內(nèi)部控制缺陷， 特別是重大缺陷是判斷企業(yè)存在經(jīng)營風(fēng)險的重要信號[1] ， 披露內(nèi)部控制重大缺陷會產(chǎn)生負(fù)面效應(yīng)[2-4] ， 因此企業(yè)披露缺陷信息的內(nèi)生動力不足[5] 。 在國家強(qiáng)制披露要求下， 公開的內(nèi)部控制信息逐漸成為技術(shù)操作與監(jiān)管規(guī)則之間的博弈產(chǎn)物[6] ， 諸多隱瞞和不充分披露現(xiàn)象頻繁發(fā)生， 如長生生物毒疫苗、獐子島扇貝絕收、雅百特財務(wù)造假等事件， 導(dǎo)致社會經(jīng)濟(jì)系統(tǒng)中的委托代理機(jī)制、產(chǎn)權(quán)有序流動、資源有效配置無法順利運(yùn)行[7] 。 內(nèi)部控制重大缺陷預(yù)測是根據(jù)企業(yè)披露的財務(wù)或非財務(wù)數(shù)據(jù)和其他相關(guān)信息， 運(yùn)用恰當(dāng)?shù)姆椒ǎ?對可能存在的重大缺陷進(jìn)行識別和預(yù)警的過程， 其旨在降低企業(yè)與股東、債權(quán)人、投資者及政府監(jiān)管部門間的信息不對稱， 減少利益相關(guān)者為收集真實(shí)信息或?qū)ε缎畔⑦M(jìn)行證偽而付出的交易成本。 預(yù)測研究提供了一種基于控制論的前饋控制方式， 通過整合數(shù)據(jù)挖掘特征信息， 參照“以預(yù)期為標(biāo)準(zhǔn)——衡量實(shí)際——比較實(shí)際與預(yù)期——確定偏差——分析偏差原因”的路徑， 主動識別內(nèi)部控制重大缺陷， 從而指導(dǎo)未來行動[8，9] 。

關(guān)于內(nèi)部控制缺陷預(yù)測的研究主要從缺陷認(rèn)定、缺陷影響因素和預(yù)測方法三個方面展開。 內(nèi)部控制缺陷的認(rèn)定結(jié)果回答了企業(yè)是否存在缺陷以及哪些屬于重大缺陷的問題， 能反映企業(yè)內(nèi)部控制建設(shè)的執(zhí)行效果。 然而， 我國內(nèi)部控制規(guī)范還未對如何劃分不同等級的缺陷做出明確說明， 也未針對財務(wù)報告與非財務(wù)報告內(nèi)部控制進(jìn)行合理區(qū)分， 政策和實(shí)務(wù)層面普遍存在規(guī)范缺失、概念模糊和重視程度不夠等問題。 學(xué)者普遍認(rèn)為有財務(wù)舞弊、重大財務(wù)重述行為的企業(yè)存在內(nèi)部控制重大缺陷[10] ， 但隨著外部經(jīng)營環(huán)境變遷及內(nèi)部組織結(jié)構(gòu)再造， 影響內(nèi)部控制缺陷存在的因素從會計與審計領(lǐng)域， 涵蓋到組織結(jié)構(gòu)、經(jīng)營業(yè)務(wù)等， 正向市場化水平、法律環(huán)境、政府管制等宏觀方向深入擴(kuò)展， 非財務(wù)因素的作用日益顯著[11-14] ， 因此構(gòu)建預(yù)測模型應(yīng)綜合考慮財務(wù)因素和非財務(wù)因素。 在預(yù)測方法上， 已有研究采用邏輯回歸和判別分析達(dá)到的預(yù)測準(zhǔn)確率約為70% ～ 80%[15，16] ， 預(yù)測性能仍有較大進(jìn)步空間。 隨著人工智能技術(shù)迅速進(jìn)入大眾視野， 重大缺陷預(yù)測方法從統(tǒng)計計量過渡到機(jī)器學(xué)習(xí)[17，18] 。 基于支持向量機(jī)、BP神經(jīng)網(wǎng)絡(luò)、集成算法等機(jī)器學(xué)習(xí)的預(yù)測模型從數(shù)據(jù)中學(xué)習(xí)經(jīng)驗(yàn)知識的能力比傳統(tǒng)計量模型更強(qiáng)， 可從大量非線性、高維度、高噪聲的數(shù)據(jù)中提煉有用信息， 獲得更好的預(yù)測效果。

綜合上述分析， 本文試圖回答以下問題： 如何建立適合我國上市企業(yè)的內(nèi)部控制重大缺陷預(yù)測指標(biāo)體系; 通過比較不同機(jī)器學(xué)習(xí)算法， 基于集成算法的預(yù)測模型性能是否優(yōu)于已有研究; 哪些因素對預(yù)測結(jié)果的影響更為突出。 本文可能的貢獻(xiàn)在于： 一是， 從內(nèi)部控制關(guān)鍵要素出發(fā)， 結(jié)合實(shí)證經(jīng)驗(yàn)證據(jù)， 從內(nèi)部治理機(jī)制、外部環(huán)境風(fēng)險、財務(wù)狀況、監(jiān)管與信息溝通四個維度構(gòu)建預(yù)測指標(biāo)體系。 二是， 應(yīng)用機(jī)器學(xué)習(xí)算法構(gòu)建預(yù)測模型， 通過對比邏輯回歸、支持向量機(jī)、決策樹、BP神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林和XGBoost六種模型， 尋找預(yù)測效果最好的模型。 現(xiàn)有文獻(xiàn)大多基于線性回歸方法， 解釋能力強(qiáng)但預(yù)測能力弱， 本文展示了機(jī)器學(xué)習(xí)特別是集成學(xué)習(xí)在預(yù)測性能上的優(yōu)勢， 檢驗(yàn)了預(yù)測指標(biāo)體系的實(shí)用性。 三是， 通過特征貢獻(xiàn)度分析進(jìn)一步發(fā)掘預(yù)測模型的改進(jìn)空間。

二、理論分析

（一）內(nèi)部控制缺陷識別與認(rèn)定

制度理論認(rèn)為， 有必要用權(quán)利與義務(wù)安排或權(quán)威機(jī)構(gòu)來限定企業(yè)追逐其目標(biāo)的邊界， 協(xié)調(diào)不完善的沖突。 內(nèi)部控制缺陷的認(rèn)定來源于被廣泛認(rèn)可的COSO出臺的《內(nèi)部控制——整合框架》和《企業(yè)風(fēng)險管理——整合框架》， 將控制缺陷定義為會對企業(yè)實(shí)現(xiàn)目標(biāo)的能力造成不利影響的已被察覺的、潛在的或?qū)嶋H的缺點(diǎn)， 并按照影響程度將缺陷分為重大缺陷、重要缺陷和一般缺陷。 基于資源有限性和成本效益的考量， 判斷內(nèi)部控制缺陷不僅要看控制系統(tǒng)是否存在缺點(diǎn)或不足， 還要看這種缺點(diǎn)或不足在多大程度上阻礙了企業(yè)發(fā)展[19] ， 因此從偏離目標(biāo)的可能性和程度來看， 識別重大缺陷更為迫切。 然而， 債權(quán)人、投資者及政府監(jiān)管部門等主要通過企業(yè)公開披露的內(nèi)部控制評價報告、內(nèi)部控制審計報告、財務(wù)報告獲知重大缺陷信息， 被動地接收認(rèn)定結(jié)果。

綜合而言， 判斷企業(yè)是否存在內(nèi)部控制重大缺陷時， 除了參考重大缺陷存在跡象， 還應(yīng)主動從其他公開渠道尋找可靠、客觀的認(rèn)定結(jié)果， 這有利于后續(xù)的模型構(gòu)建。 例如， 證監(jiān)會自2001年起公布的行政處罰公告和市場禁入公告中披露的上市企業(yè)財務(wù)報表造假、重大擔(dān)?；蛑卮箨P(guān)聯(lián)方交易未按規(guī)定披露或故意遺漏、企業(yè)高管非法從事證券交易等行為， 可以作為內(nèi)部控制薄弱表現(xiàn)的確鑿認(rèn)定并與其他重大缺陷跡象互補(bǔ)。

（二）內(nèi)部控制缺陷影響因素

借鑒《內(nèi)部控制——整合框架》， 《上市公司內(nèi)部控制指引》、《企業(yè)內(nèi)部控制基本規(guī)范》及配套指引、《公開發(fā)行證券的公司信息披露編報規(guī)則第21號——年度內(nèi)部控制評價報告的一般規(guī)定》等文件的頒布標(biāo)志著我國內(nèi)部控制規(guī)范體系基本形成。 企業(yè)依據(jù)內(nèi)部環(huán)境、風(fēng)險評估、控制活動、信息和溝通、內(nèi)部監(jiān)督五個要素構(gòu)建自身內(nèi)部控制體系， 涵蓋了發(fā)展戰(zhàn)略、公司治理、組織架構(gòu)、企業(yè)文化、社會責(zé)任、財務(wù)活動等諸多因素， 但內(nèi)容繁瑣的內(nèi)部控制體系仍無法防止舞弊、腐敗和重大風(fēng)險的發(fā)生， 反而導(dǎo)致實(shí)務(wù)中產(chǎn)生更多的缺陷。 因此， 構(gòu)建內(nèi)部控制重大缺陷預(yù)測指標(biāo)體系應(yīng)立足于基本國情和企業(yè)需求， 結(jié)合已有實(shí)證研究， 優(yōu)先解決內(nèi)部控制中存在的迫切現(xiàn)實(shí)問題[20] ， 而不是無止境地擴(kuò)充內(nèi)部控制的內(nèi)涵和邊界， 將所有相關(guān)影響因素全部納入[21] 。

綜合以上分析， 從內(nèi)部控制關(guān)鍵要素出發(fā)， 沿波討源地發(fā)掘缺陷存在的原因， 能指導(dǎo)預(yù)測指標(biāo)體系的構(gòu)建過程， 其中控制環(huán)境是基礎(chǔ)， 控制活動是實(shí)現(xiàn)手段， 監(jiān)管是對控制活動的動態(tài)反饋， 該反饋通過信息傳遞與溝通來完成。 控制環(huán)境是對建立、加強(qiáng)或削弱特定政策、程序及其效率產(chǎn)生影響的各種因素的總稱， 任何企業(yè)的內(nèi)部控制都存在于一定的控制環(huán)境之中[22] ， 良好的控制環(huán)境能從根源上增強(qiáng)內(nèi)部控制的執(zhí)行效果。 控制活動貫穿整個組織， 遍及各個層級、業(yè)務(wù)單位和流程以及技術(shù)環(huán)境， 最基本的控制活動是交易控制。 財務(wù)狀況在某種程度上反映了重要交易的閉環(huán)流程， 從財務(wù)數(shù)據(jù)的異常變動中能發(fā)現(xiàn)缺陷存在的跡象。 監(jiān)管過程能及時評價內(nèi)部控制的有效性， 并對發(fā)現(xiàn)的缺陷加以改進(jìn)， 是對控制活動的動態(tài)反饋， 而信息與溝通能確保上述反饋在企業(yè)內(nèi)部、企業(yè)與外部之間進(jìn)行有效溝通。 本文從控制環(huán)境、控制活動、監(jiān)管與信息溝通三個方面構(gòu)建內(nèi)部控制重大缺陷預(yù)測指標(biāo)體系， 基于控制環(huán)境的重要性， 進(jìn)一步將其分為內(nèi)部治理機(jī)制和外部環(huán)境風(fēng)險。

（三）基于機(jī)器學(xué)習(xí)的預(yù)測模型

機(jī)器學(xué)習(xí)已被廣泛應(yīng)用于金融欺詐識別、信用風(fēng)險評估、財務(wù)困境和財務(wù)舞弊識別等方面， 為制定管理決策提供了不少助力[23-26] ， 內(nèi)部控制缺陷的預(yù)測方法也從統(tǒng)計學(xué)習(xí)過渡到機(jī)器學(xué)習(xí)。 在應(yīng)用機(jī)器學(xué)習(xí)方法之前， 相關(guān)研究一般利用計量模型對變量進(jìn)行因果分析， 這兩類方法在模型可解釋性和預(yù)測能力上有不同權(quán)衡： 計量模型注重解釋現(xiàn)象并尋找現(xiàn)象背后的規(guī)律， 要求闡明模型擬合好壞的原因和變量之間的互動關(guān)系， 追求較為簡單的函數(shù)形式和易于解釋的模型估計結(jié)果; 機(jī)器學(xué)習(xí)不拘泥于可解釋性， 能從數(shù)據(jù)中學(xué)習(xí)更多經(jīng)驗(yàn)知識， 在大量非線性、高維度、高噪聲的數(shù)據(jù)中發(fā)掘有用信息， 能較為靈活地選擇函數(shù)形式來擬合數(shù)據(jù)， 因此預(yù)測能力較強(qiáng)。

在主流機(jī)器學(xué)習(xí)算法中， 邏輯回歸對線性關(guān)系的擬合效果較好， 適合特征與變量之間線性關(guān)系較強(qiáng)的數(shù)據(jù); 支持向量機(jī)是堅(jiān)持?jǐn)?shù)學(xué)原理的小樣本學(xué)習(xí)方法， 基于核方法將輸入數(shù)據(jù)映射到一個高階的向量空間來解決分類問題， 對樣本平衡性的要求較高; 決策樹由一系列“分而治之”方式組織的樹狀結(jié)構(gòu)組成， 數(shù)據(jù)根據(jù)不同特征被劃分為不同的子集， 采用信息增益或基尼系數(shù)作為評判標(biāo)準(zhǔn); BP神經(jīng)網(wǎng)絡(luò)是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)， 通過反向傳播不斷調(diào)整整個網(wǎng)絡(luò)的權(quán)值和閾值， 但參數(shù)較多、難以訓(xùn)練， 且輸出結(jié)果較難解釋; 隨機(jī)森林以隨機(jī)方式構(gòu)建了一個由很多相互不關(guān)聯(lián)的決策樹組成的森林， 利用信息增益或基尼指數(shù)度量以某個特征進(jìn)行劃分后的數(shù)據(jù)集的純度， 以此來確定劃分特征; XGBoost采用貪心算法來枚舉所有特征可能的劃分情形， 據(jù)此確定最優(yōu)特征集合， 最終的預(yù)測值是每個基學(xué)習(xí)器預(yù)測值之和。 值得注意的是， 沒有任何算法可以完美地解決所有問題， 各類機(jī)器學(xué)習(xí)算法有著各自擅長的數(shù)據(jù)集， 預(yù)測模型需要通過不斷的實(shí)踐才能達(dá)到最佳。

三、研究設(shè)計

（一）數(shù)據(jù)來源與樣本選擇

根據(jù)財政部和證監(jiān)會的監(jiān)管規(guī)定， 所有主板上市企業(yè)自2012年起著手內(nèi)部控制體系建設(shè)， 分類分批地披露內(nèi)部控制信息， 故本文將樣本時間范圍劃定為2012 ～ 2019年， 研究對象為滬深兩市A股上市企業(yè)。 參照我國內(nèi)部控制制度規(guī)范， 基于公開數(shù)據(jù)的可獲得性， 本文對內(nèi)部控制重大缺陷的認(rèn)定范圍是： ①上市企業(yè)董事、監(jiān)事及高級管理人員舞弊或違法披露會計相關(guān)信息; ②內(nèi)部控制評價報告中披露內(nèi)部控制無效; ③內(nèi)部控制審計報告出具否定或保留意見; ④披露重大會計差錯導(dǎo)致的財務(wù)重述。 根據(jù)迪博內(nèi)部控制與風(fēng)險管理數(shù)據(jù)庫、國泰安經(jīng)濟(jì)金融研究數(shù)據(jù)庫、萬德經(jīng)濟(jì)數(shù)據(jù)庫和中國證券監(jiān)督管理委員會網(wǎng)站信息公開欄目中的信息， 剔除金融業(yè)上市企業(yè)（其治理結(jié)構(gòu)與財務(wù)報告結(jié)構(gòu)異于一般行業(yè)企業(yè)）及缺失數(shù)據(jù)后， 手工整理得到20966個樣本。 具體而言， 2012 ～ 2019年的樣本量分別為1975、2107、2306、2445、2582、2977、3210、3364，? 其中認(rèn)定存在內(nèi)部控制重大缺陷的樣本量分別為24、48、61、55、55、64、114、136。

（二）變量定義

1. 內(nèi)部治理機(jī)制維度。 借鑒相關(guān)研究成果， 內(nèi)部治理機(jī)制可通過股權(quán)制衡度、機(jī)構(gòu)持股比例、董事會規(guī)模、獨(dú)立董事占比、管理層權(quán)力、高管薪酬指標(biāo)來衡量。 股權(quán)制衡度過高可能導(dǎo)致股東之間出現(xiàn)內(nèi)斗， 致使企業(yè)決策的執(zhí)行效率下降; 風(fēng)險投資機(jī)構(gòu)經(jīng)常扮演著積極的角色， 通過提供資金與技術(shù)支持、參與董事會席位等方式對企業(yè)起到認(rèn)證和監(jiān)督作用， 防止內(nèi)部控制重大缺陷的產(chǎn)生; 董事會規(guī)模過大會使得協(xié)調(diào)與組織工作更加繁瑣、管理效率低下， 阻礙內(nèi)部控制機(jī)制發(fā)揮作用， 過小則可能導(dǎo)致決策過程易受大股東控制; 獨(dú)立董事憑借其專業(yè)素養(yǎng)和從業(yè)經(jīng)驗(yàn)， 能在“一權(quán)獨(dú)大”或“內(nèi)部人控制”的情況下客觀表達(dá)自身立場， 監(jiān)督管理層行為并防止內(nèi)部控制失效; 兩職合一是違背權(quán)力制衡的典型控制缺陷， 管理層權(quán)力這一定序指標(biāo)可通過兩職兼任情況來度量; 薪酬激勵能引導(dǎo)管理層制定和執(zhí)行有效的內(nèi)部控制制度， 解決代理沖突。 具體指標(biāo)的定義見表1。

2. 外部環(huán)境風(fēng)險維度。 如果不熟悉國內(nèi)外經(jīng)濟(jì)發(fā)展差異、制度與法律規(guī)則、市場競爭與文化等情況， 企業(yè)將面臨巨大的系統(tǒng)風(fēng)險[38] ， 內(nèi)部控制體系的更新速度也無法在短期內(nèi)邁進(jìn)國際化進(jìn)程， 內(nèi)部控制存在重大缺陷的可能性增加。 在行政力量和市場力量作用于國民經(jīng)濟(jì)的背景下， 制度環(huán)境不可避免地受到政府各類動機(jī)和行為的影響。 在市場化水平較高地區(qū)， 企業(yè)對競爭壓力更為敏感， 也更有動力通過建立和實(shí)施內(nèi)部控制提升財務(wù)報告質(zhì)量、提高經(jīng)營效率; 在市場化水平較低地區(qū)， 更多的政府干預(yù)行為使得企業(yè)通過尋求政治關(guān)聯(lián)獲取經(jīng)濟(jì)利益， 從而忽視內(nèi)部控制的監(jiān)督作用[39，40] 。 根據(jù)經(jīng)濟(jì)變遷理論， 產(chǎn)品市場競爭是提高經(jīng)濟(jì)效率最強(qiáng)大的力量， 激烈的競爭會壓縮盈利空間， 降低信息不對稱程度， 也在無形之中強(qiáng)化了內(nèi)部控制的實(shí)施環(huán)境[41，42] 。 參照Doyle等[43] 的研究， 如果企業(yè)經(jīng)營業(yè)務(wù)涵蓋范圍較廣或子公司數(shù)量較多， 不同業(yè)務(wù)之間的產(chǎn)品差異、經(jīng)營策略、行業(yè)地位等因素可能導(dǎo)致合并報表編制難度增大， 從而產(chǎn)生內(nèi)部控制缺陷; 此外， 上市時間越長、規(guī)模越大的企業(yè)， 內(nèi)部控制建設(shè)情況越好。

綜上所述， 本文選取國際化程度、市場化程度、產(chǎn)品市場競爭、業(yè)務(wù)復(fù)雜度、上市年限和托賓Q值作為衡量企業(yè)外部環(huán)境風(fēng)險的指標(biāo)， 具體指標(biāo)的定義見表2。

3. 財務(wù)狀況維度。 內(nèi)部控制最基本的功能是保證資金活動與財務(wù)報告的真實(shí)性、完整性和可靠性， 因此內(nèi)部控制重大缺陷研究離開不財務(wù)活動。 我國內(nèi)部控制制度規(guī)范針對資金與資產(chǎn)管理、采購與銷售業(yè)務(wù)、財務(wù)報告和預(yù)算等活動詳細(xì)闡述了各種控制措施， 體現(xiàn)了財務(wù)狀況在內(nèi)部控制體系建立過程中的重要性。 財務(wù)特征能反映企業(yè)內(nèi)部控制質(zhì)量， 財務(wù)狀況和盈利能力越差， 內(nèi)部控制質(zhì)量越低[43-46] ; 存在應(yīng)收賬款相關(guān)內(nèi)部控制缺陷的企業(yè)， 其應(yīng)收賬款周轉(zhuǎn)率顯著低于行業(yè)平均水平， 存在任何類型內(nèi)部控制缺陷的企業(yè)， 其總資產(chǎn)收益率與凈資產(chǎn)回報率均低于行業(yè)平均水平[47] 。 經(jīng)營活動、投資活動和籌資活動是內(nèi)部控制缺陷的高發(fā)地， 可選取能反映企業(yè)盈利能力（總資產(chǎn)凈利潤率、凈資產(chǎn)收益率和營業(yè)凈利率）、營運(yùn)能力（應(yīng)收賬款周轉(zhuǎn)率、總資產(chǎn)周轉(zhuǎn)率）、償債能力（速動比率、資產(chǎn)負(fù)債率、權(quán)益乘數(shù)）、發(fā)展能力（每股凈資產(chǎn)增長率、凈利潤增長率）的財務(wù)指標(biāo)來衡量財務(wù)狀況[48] 。 此外， 處于財務(wù)困境之中的企業(yè)可能會為了盡快擺脫困境而忽略對內(nèi)部控制的投資與建設(shè)， 因此本文將Altman破產(chǎn)風(fēng)險預(yù)測模型中的Z值和累計非經(jīng)常性損益也作為衡量企業(yè)財務(wù)風(fēng)險的代理變量， 財務(wù)風(fēng)險越大， 企業(yè)越可能存在內(nèi)部控制重大缺陷。 具體指標(biāo)的定義見表3。

4. 監(jiān)管與信息溝通維度。 對于財務(wù)狀況差、經(jīng)營風(fēng)險大的企業(yè)， 審計人員將投入更多審計資源并收取更高的風(fēng)險溢價費(fèi)用， 規(guī)模較小的審計機(jī)構(gòu)收取的風(fēng)險溢價會高于規(guī)模較大的審計機(jī)構(gòu)[51] 。 審計任期體現(xiàn)了監(jiān)管的連續(xù)性， 與內(nèi)部控制缺陷發(fā)生概率顯著正相關(guān)。 根據(jù)于忠泊等[52] 提出的市場壓力假說， 媒體關(guān)注度較高的企業(yè)的管理層可能會考慮自身聲譽(yù)， 從而有更強(qiáng)的動機(jī)加強(qiáng)內(nèi)部控制制度的建立和實(shí)施， 防止財務(wù)舞弊丑聞的發(fā)生。 媒體監(jiān)督正逐步成為新興市場上有效彌補(bǔ)法制環(huán)境發(fā)展不足的重要手段， 新聞曝光引發(fā)諸多關(guān)注， 社會輿論促成企業(yè)整頓， 直接快速的媒體發(fā)揮著監(jiān)督代理人的治理作用， 在企業(yè)、投資者和政府監(jiān)管部門之間架起信息溝通橋梁[53] 。 此外， 統(tǒng)計顯示， 逐年增加的訴訟次數(shù)和涉案金額對上市企業(yè)的持續(xù)經(jīng)營構(gòu)成重大威脅[54] ， 顯著影響了內(nèi)部控制合規(guī)性目標(biāo)的實(shí)現(xiàn)。 上述影響因素雖不是內(nèi)部控制缺陷存在的直接原因， 但能從側(cè)面反映企業(yè)內(nèi)部控制質(zhì)量， 具體指標(biāo)的定義見表4。

四、模型構(gòu)建與結(jié)果分析

（一）模型構(gòu)建流程

內(nèi)部控制重大缺陷預(yù)測模型的構(gòu)建流程如圖1所示， 經(jīng)過模型預(yù)處理、模型訓(xùn)練、模型驗(yàn)證與評價步驟后， 根據(jù)評價指標(biāo)選擇最佳模型。 本文模型的構(gòu)建過程均在Python3.7環(huán)境上運(yùn)行。

（二）特征工程

數(shù)據(jù)和特征決定了機(jī)器學(xué)習(xí)的上限， 選擇算法和訓(xùn)練模型的過程是為了逼近這個上限。 特征攜帶的信息量越大， 尋找最佳參數(shù)花費(fèi)的時間越少， 模型復(fù)雜度也越低， 因此特征工程在機(jī)器學(xué)習(xí)中的重要性毋庸置疑。 本文對上文四個維度的29個特征進(jìn)行了特征處理和特征選擇工作。 首先， 對特征進(jìn)行無量綱化處理， 使數(shù)據(jù)間具有可比性; 其次， 采用非參數(shù)檢驗(yàn)初步探索特征與標(biāo)簽之間的相關(guān)關(guān)系、特征之間的相關(guān)關(guān)系， 判斷特征在統(tǒng)計上是否具有識別內(nèi)部控制重大缺陷的能力， 以減少噪音數(shù)據(jù)， 提高模型預(yù)測效率。

卡方檢驗(yàn)可用于判斷離散型特征與標(biāo)簽間的相關(guān)性或獨(dú)立性， 卡方值越大， 說明相關(guān)關(guān)系成立的可能性越大; Mann-Whitney U檢驗(yàn)是秩和檢驗(yàn)方法， 用于正態(tài)分布、方差齊性等無法達(dá)到t檢驗(yàn)要求的情形， 可用于判斷標(biāo)簽在某連續(xù)性特征上是否有顯著差異。 根據(jù)表5的檢驗(yàn)結(jié)果， 除國際化程度與機(jī)構(gòu)持股比例之外， 其他特征均在5%的水平上統(tǒng)計顯著， 表明內(nèi)部控制重大缺陷企業(yè)與非重大缺陷企業(yè)在其余27個特征上確實(shí)存在差異， 故剔除這兩個指標(biāo)。 特征間相關(guān)性系數(shù)越大， 表明其共線性程度越高， 而進(jìn)行Spearman秩相關(guān)檢驗(yàn)可進(jìn)一步剔除那些共線性程度較高的特征， 避免其影響模型預(yù)測效果。 Spearman秩相關(guān)檢驗(yàn)結(jié)果中系數(shù)大于0.5的特征基本為財務(wù)類指標(biāo)（如表6所示）， 可能是因?yàn)樨攧?wù)指標(biāo)的數(shù)據(jù)來源和計算方式較其他特征而言更具強(qiáng)關(guān)聯(lián)性。 考慮到Z-score指標(biāo)在大量實(shí)證中的重要影響以及財務(wù)指標(biāo)強(qiáng)相關(guān)性帶來的數(shù)據(jù)噪音， 本文又剔除了托賓Q值、總資產(chǎn)凈利潤率、速動比率、資產(chǎn)負(fù)債率。 經(jīng)過特征工程， 本文篩選出23個特征用于后續(xù)模型構(gòu)建。

（三）模型訓(xùn)練、驗(yàn)證與評價

缺陷預(yù)測實(shí)質(zhì)上是機(jī)器學(xué)習(xí)中的分類問題。 與深度學(xué)習(xí)相比， 機(jī)器學(xué)習(xí)在較小樣本量的面板數(shù)據(jù)集上更有應(yīng)用優(yōu)勢， 因其數(shù)據(jù)維度較低且不需對原始二維數(shù)據(jù)進(jìn)行張量變換。 本文選擇邏輯回歸、支持向量機(jī)、決策樹、BP神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林、XGBoost算法構(gòu)建內(nèi)部控制重大缺陷預(yù)測模型的原因在于： 現(xiàn)有研究已使用了線性判別、支持向量機(jī)、BP神經(jīng)網(wǎng)絡(luò)方法[17，18] ， 通過比較六種機(jī)器學(xué)習(xí)算法， 能豐富內(nèi)部控制缺陷預(yù)測研究的探索實(shí)踐并發(fā)掘預(yù)測效果更好的模型。 考慮到時間因素， 模型訓(xùn)練時先將樣本分為訓(xùn)練集1（2012 ～ 2016年的數(shù)據(jù)）、訓(xùn)練集2（2013 ～ 2017年的數(shù)據(jù)）、訓(xùn)練集3（2014 ～ 2018年的數(shù)據(jù)）、訓(xùn)練集4（2012 ～ 2018年的數(shù)據(jù)）， 分別對應(yīng)驗(yàn)證過程的測試集1（2017年的數(shù)據(jù)）、測試集2（2018年的數(shù)據(jù)）、測試集3（2019年的數(shù)據(jù)）、測試集4（2019年的數(shù)據(jù)）， 不同數(shù)據(jù)集應(yīng)用不同算法的機(jī)器學(xué)習(xí)模型， 能得到更穩(wěn)健的預(yù)測結(jié)果（模型訓(xùn)練參數(shù)略）。

預(yù)測結(jié)果根據(jù)真實(shí)類別與預(yù)測類別的組合被劃分為真正例（True Positive）、假正例（False Positive）、真反例（True Negative）和假反例（False Negative）四種情況， 以混淆矩陣表示， 如表7所示。

在驗(yàn)證過程中， 輸入測試數(shù)據(jù)后， 模型會生成某類標(biāo)簽的預(yù)測概率（如某企業(yè)被預(yù)測有重大缺陷的概率）， 將測試樣本按概率值降序排列， 分類過程就是尋找閾值并將其“截斷”為兩類的過程， 大于某閾值為一類， 否則為另一類。 如果閾值較大， 則在靠后位置截斷， 能最大程度地查全正例; 如果閾值較小， 則在靠前位置截斷， 能最大程度地查準(zhǔn)正例。 ROC曲線（Receive Operating Characteristic Curve）和AUC值（Area Under ROC Curve）就是從上述角度出發(fā)衡量模型泛化性能的最佳指標(biāo)。 ROC曲線的橫坐標(biāo)FPR（False Positive Rate）代表模型將多數(shù)類判斷錯誤的情形， 縱坐標(biāo)TPR（True Positive Rate）表示模型捕捉少數(shù)類的能力， 能夠衡量模型在盡量捕捉少數(shù)類時誤判多數(shù)類的情況會如何變化。 ROC曲線圍成的面積即為AUC值， AUC值越大， ROC曲線越接近左上角， 預(yù)測效果越好。

（四）結(jié)果分析

不同算法的預(yù)測模型在各個數(shù)據(jù)集上的表現(xiàn)如表8所示， 初步表明預(yù)測指標(biāo)體系的可用性。 比較而言， 隨機(jī)森林和XGBoost兩種集成模型在不同時間跨度的數(shù)據(jù)集上的預(yù)測效果都強(qiáng)于另外四個個體學(xué)習(xí)器， 且XGBoost模型略優(yōu)于隨機(jī)森林模型， 預(yù)測結(jié)果較為穩(wěn)健， 表明相較于個體學(xué)習(xí)器， 以XGBoost為代表的集成模型在企業(yè)內(nèi)部控制重大缺陷預(yù)測問題上具有更好的預(yù)測性能和應(yīng)用價值。 機(jī)器學(xué)習(xí)領(lǐng)域的一個基本定理是： 沒有算法能完美地解決所有問題， 每種算法都有擅長的問題領(lǐng)域。 上述結(jié)果初步表明， 本文建立了適合我國上市企業(yè)的內(nèi)部控制重大缺陷預(yù)測指標(biāo)體系， 且經(jīng)過對比， 基于XGBoost算法的集成模型預(yù)測效果最佳。

集成學(xué)習(xí)算法優(yōu)于個體學(xué)習(xí)器的原因可能在于： 一是， 重大缺陷樣本與非重大缺陷樣本的訓(xùn)練樣例數(shù)量差別較大。 本文所選樣本中， 重大缺陷樣本的占比基本為3%左右， 致使二分類結(jié)果出現(xiàn)較多“假”陽性現(xiàn)象， 影響了預(yù)測效果。 一般來說， 訓(xùn)練集的正例越多， 測試集捕捉少數(shù)類樣本的性能越好， 邏輯回歸、支持向量機(jī)、BP神經(jīng)網(wǎng)絡(luò)等算法對數(shù)據(jù)集正反例平衡性的要求更高。 二是， 特征數(shù)量較多會降低模型性能。 邏輯回歸對高維數(shù)據(jù)不太友好， BP神經(jīng)網(wǎng)絡(luò)因連接權(quán)重參數(shù)較多且計算復(fù)雜， 容易陷入局部極值。

對于同屬于集成學(xué)習(xí)算法的XGBoost模型和隨機(jī)森林模型， 前者在各數(shù)據(jù)集上的預(yù)測效果略優(yōu)于后者的原因也值得深入討論。 兩者在算法原理上的區(qū)別主要表現(xiàn)在三個方面： 基學(xué)習(xí)器生成規(guī)則， 最優(yōu)劃分特征的確定， 匯總基學(xué)習(xí)器獲得預(yù)測值的組合方式。 隨機(jī)森林采用自助采樣生成互不關(guān)聯(lián)的基學(xué)習(xí)器（決策樹）， 每個基學(xué)習(xí)器對隨機(jī)選擇的特征子集基于信息增益或基尼指數(shù)進(jìn)行后續(xù)分割， 最后所有基學(xué)習(xí)器并行投票決定最終結(jié)果; 而XGBoost的基學(xué)習(xí)器為樹模型或線性模型， 采用貪心算法來枚舉所有特征可能的劃分情形以確定最優(yōu)劃分特征， 串行地生成一系列基學(xué)習(xí)器， 使得前一個基學(xué)習(xí)器分類錯誤的樣本在后續(xù)訓(xùn)練中會得到更多關(guān)注， 把預(yù)測值與真實(shí)值之差作為目標(biāo)函數(shù)進(jìn)行參數(shù)優(yōu)化和更新， 最終預(yù)測值是基學(xué)習(xí)器預(yù)測值之和。 對于集成學(xué)習(xí)算法， 特征貢獻(xiàn)度能體現(xiàn)模型優(yōu)先選擇哪些特征來訓(xùn)練數(shù)據(jù)并應(yīng)用于測試集進(jìn)行預(yù)測， 這一指標(biāo)可用于反映上述兩種算法的差異。

如表9所示， 平均貢獻(xiàn)度的排序結(jié)果表明， 兩種模型中凈資產(chǎn)收益率、營業(yè)凈利率、產(chǎn)品市場競爭指標(biāo)都對預(yù)測結(jié)果的影響較大; XGBoost模型中財務(wù)特征與非財務(wù)特征占比較為平衡， 而隨機(jī)森林模型中財務(wù)特征占比較大。 因此， XGBoost模型在各數(shù)據(jù)集上的預(yù)測效果略強(qiáng)于隨機(jī)森林模型的原因可能在于， 前者更多地使用非財務(wù)類指標(biāo)來訓(xùn)練數(shù)據(jù)， 因此在未來研究內(nèi)部控制重大缺陷問題時可繼續(xù)發(fā)掘非財務(wù)類特征。 此外， 兩種模型特征貢獻(xiàn)度的合計值表明， 隨機(jī)森林模型在訓(xùn)練數(shù)據(jù)時沒能涵蓋到更多的特征， 而XGBoost模型對特征的選擇范圍更廣， 訓(xùn)練時學(xué)到的信息也更多。 隨著未來數(shù)據(jù)量和相關(guān)特征的增加， XGBoost在模型構(gòu)建和訓(xùn)練過程中存在更大的優(yōu)化空間， 值得學(xué)者繼續(xù)研究。 通過比較不同機(jī)器學(xué)習(xí)算法， 本文選擇的最佳預(yù)測模型是基于XGBoost算法的預(yù)測模型。

五、結(jié)論與啟示

（一）結(jié)論

內(nèi)部控制重大缺陷預(yù)測模型旨在識別內(nèi)部控制有嚴(yán)重缺陷的企業(yè)， 使其能在管理、投資、評價和監(jiān)管等決策中得到預(yù)警提示， 有針對性地對缺陷進(jìn)行糾正和改進(jìn)。 進(jìn)一步地， 從預(yù)測指標(biāo)體系出發(fā)， 尋找企業(yè)可能存在的欠合理的內(nèi)部治理機(jī)制、嚴(yán)重的外部環(huán)境風(fēng)險、異常的財務(wù)狀況等， 有利于識別組織內(nèi)部控制缺陷根源、及時制定解決策略并防止損失擴(kuò)大。 本文的主要結(jié)論如下：

1. 建立內(nèi)部控制重大缺陷預(yù)測指標(biāo)體系具有可行性。 本文從內(nèi)部治理機(jī)制、外部環(huán)境風(fēng)險、財務(wù)狀況、監(jiān)管與信息溝通四個維度建立了內(nèi)部控制重大缺陷預(yù)測指標(biāo)體系， 且經(jīng)特征工程處理后， 篩選出23個預(yù)測特征。 不同時間跨度、不同算法基礎(chǔ)上的預(yù)測模型的AUC值基本都在0.7以上。

2. 集成模型在不平衡、高維度、相關(guān)關(guān)系不明確的數(shù)據(jù)集上的預(yù)測效果較為穩(wěn)健， 預(yù)測性能整體強(qiáng)于個體學(xué)習(xí)器。 針對數(shù)據(jù)集的不平衡特性， 后續(xù)研究可以從更多正式或非正式數(shù)據(jù)來源增加正例（存在內(nèi)部控制重大缺陷）樣本和信息含量。 除本文認(rèn)定的證監(jiān)會行政處罰公告和市場禁入公告內(nèi)容外， 應(yīng)繼續(xù)發(fā)掘可靠的認(rèn)定證據(jù)， 如審計署公告、中央及地方政府公開披露的信息、民眾實(shí)名舉報等， 甚至利用大數(shù)據(jù)爬蟲軟件匯總經(jīng)過證實(shí)的上市企業(yè)負(fù)面新聞。

3. XGBoost模型略優(yōu)于隨機(jī)森林模型。 由于算法原理不同， XGBoost模型能夠?qū)W習(xí)到更多的特征信息， 特征的選擇范圍更廣。 此外， 特征貢獻(xiàn)度排序表明， XGBoost模型能抓取更多的非財務(wù)特征， 隨著未來數(shù)據(jù)量和相關(guān)特征的增加， XGBoost在模型構(gòu)建和訓(xùn)練過程中存在更大的優(yōu)化空間。

（二）啟示

扎根于我國企業(yè)內(nèi)部控制建設(shè)現(xiàn)狀， 著眼于利益相關(guān)者的現(xiàn)實(shí)需求， 本文的研究啟示在于：

1. 從企業(yè)自身視角來看。 我國資本市場的基本特征仍然是“新興加轉(zhuǎn)軌”， 市場機(jī)制不夠完善、市場運(yùn)行效率不高， 整體發(fā)展水平仍然處于初級階段。 國家出臺關(guān)于公司治理、風(fēng)險管理、內(nèi)部控制的監(jiān)管要求以保障資本市場的有效運(yùn)行， 但企業(yè)在制定和執(zhí)行上述規(guī)則時可能出現(xiàn)概念混淆的情況， 從而導(dǎo)致內(nèi)部控制措施缺乏針對性。 內(nèi)部控制重大缺陷預(yù)測模型為企業(yè)提供了主動正視問題的途徑， 避免企業(yè)對政策無所適從、控制成本劇增等情況。

2. 從債權(quán)人、投資者視角來看。 由于信息不對稱程度較高， 債權(quán)人、投資者等利益相關(guān)者在資本市場中處于弱勢地位， 損失事件頻繁發(fā)生令其非常關(guān)心如何獲取高質(zhì)量的相關(guān)信息。 內(nèi)部控制重大缺陷預(yù)測模型為利益相關(guān)者提供了一種判別方式， 能在企業(yè)信息公布之前通過模型整合已有信息進(jìn)行預(yù)判， 在公布之后對比偏差來識別可能存在的投資風(fēng)險， 以指導(dǎo)未來決策行為。

3. 從政府監(jiān)管視角來看。 我國在建立與完善社會主義市場經(jīng)濟(jì)體制的過程中， 政府監(jiān)管存在監(jiān)管依據(jù)不足、多頭監(jiān)管普遍、監(jiān)管方式傳統(tǒng)等問題， 而內(nèi)部控制重大缺陷預(yù)測模型通過運(yùn)用現(xiàn)代科技手段促進(jìn)政府監(jiān)管的精準(zhǔn)化和智能化， 推動了監(jiān)管方式創(chuàng)新。

【作者單位】中國財政科學(xué)研究院研究生院， 北京 100124

【 主 要 參 考 文 獻(xiàn) 】

[1] 羅紹德，唐群力.企業(yè)內(nèi)部控制的新制度經(jīng)濟(jì)學(xué)解析[ J].審計與經(jīng)濟(jì)研究，2003（6）：58 ～ 60.

[2] Hammersley J. S.，Linda A. Myers， Jian Zhou.The failure to remediate previously disclosed material weaknesses in internal controls[ J].Auditing：A Journal of Practice and Theory，2012（2）：73 ～ 111.

[3] 楊清香，俞麟，宋麗.內(nèi)部控制信息披露與市場反應(yīng)研究——來自中國滬市上市公司的經(jīng)驗(yàn)證據(jù)[ J].南開管理評論，2012（1）：123 ～ 130.

[4] 王亞男，戴文濤.內(nèi)部控制抑制還是促進(jìn)企業(yè)創(chuàng)新？——中國的邏輯[ J].審計與經(jīng)濟(jì)研究，2019（6）：19 ～ 32.

[5] 佘曉燕，畢建琴.負(fù)面偏好與上市企業(yè)披露內(nèi)部控制缺陷信息關(guān)系研究[ J].管理科學(xué)，2018（4）：45 ～ 61.

[6] 宋京津.技術(shù)與規(guī)則的博弈——美國上市公司內(nèi)控信息披露發(fā)展進(jìn)程探析[ J].江西社會科學(xué)，2010（1）：91 ～ 95.

[7] 李連華.公司治理結(jié)構(gòu)與內(nèi)部控制的鏈接與互動[ J].會計研究，2005（2）：64 ～ 69.

[8] 維納著.郝季仁譯.控制論[M].北京：科學(xué)出版社，1963： 1 ～ 199.

[9] 林鐘高，徐虹，胡誠.內(nèi)部控制治理邏輯：權(quán)力制衡觀抑或信息觀[ J].財經(jīng)科學(xué)，2009（4）：88 ～ 94.

[10] 丁友剛，段然.內(nèi)控缺陷認(rèn)定標(biāo)準(zhǔn)：混沌和亂象——基于科學(xué)判斷與或有事項(xiàng)準(zhǔn)則的思考[ J].會計研究，2020（3）：141 ～ 156.

[11] Hoitash U.，Rani Hoitash，J. C. Bedard. Corporate governance and internal control over financial reporting： A comparison of regulatory regimes[ J].The Accounting Review，2009（3）：839 ～ 867.

[12] Johnstone K.， C. Li， K. H. Rupley. Changes in corporate governance associated with the revelation of internal control material weaknesses and their subsequent remediation[ J].Contemporary Accounting Research，2011（1）：331 ～ 383.

[13] 陳志軍，董美彤，馬鵬程等.媒體與機(jī)構(gòu)投資者關(guān)注對內(nèi)部控制的交互作用——來自國有企業(yè)的經(jīng)驗(yàn)數(shù)據(jù)[ J].財貿(mào)研究，2020（9）：99 ～ 110.

[14] 陳艷利，喬菲.內(nèi)部控制信息披露有效性的影響因素和作用機(jī)制[ J].財經(jīng)問題研究，2015（10）：87 ～ 94.

[15] Franklin Mitchell. Sarbanes Oxley Section 404： Can material weakness be predicted and modeled？An examination of the ZETA model in prediction of material weakness[D].Minneapolis：Walden University，2007.

[16] 王茜，戴文濤.基于判別分析的內(nèi)部控制重大缺陷預(yù)測研究[ J].財經(jīng)問題研究，2012（5）：48 ～ 54.

[17] 王海林.企業(yè)內(nèi)部控制缺陷識別與診斷研究——基于神經(jīng)網(wǎng)絡(luò)的模型構(gòu)建[ J].會計研究，2017（8）：74 ～ 80.

[18] 陳淼琳.基于支持向量機(jī)的上市公司內(nèi)部控制重大缺陷預(yù)測模型研究[D].北京：首都經(jīng)濟(jì)貿(mào)易大學(xué)，2017.

[19] 楊有紅，李宇立.內(nèi)部控制缺陷的識別、認(rèn)定與報告[ J].會計研究，2011（3）：76 ～ 80.

[20] 宋建波，蘇子豪，王德宏.中國特色內(nèi)部控制規(guī)范體系建設(shè)的思考[ J].會計研究，2018（9）：11 ～ 16.

[21] 李心合.內(nèi)部控制研究的困惑與思考[ J].會計研究，2013（6）：54 ～ 61.

[22] 夏寧，孟焰.內(nèi)部控制環(huán)境的“三分法”：理論框架與內(nèi)在檢視[ J].中央財經(jīng)大學(xué)學(xué)報，2013（4）：86 ～ 91.

[23] Kim Soo Y.， Arun Upneja. Predicting restaurant financial distress using decision tree and Ada-Boosted decision tree models[ J].Economic Modelling，2014（36）：354 ～ 362.

[24] Lina Chi-Chen，An-An Chiu，Shaio Yan Huang，et al.. Detecting the financial statement fraud： The analysis of the differences between data mining techniques and experts' judgments[ J].Know-

ledge-Based Systems，2015（89）：459 ～ 470.

[25] Sanaz Nami，Shajari Mehdi. Cost-sensitive payment card fraud detection based on dynamic random forest and k-nearest neighbors[ J].Expert Systems with Applications，2018（15）：381 ～ 392.

[26] Askari Sikdar，Anwar Hussain. IFDTC4.5：Intuitionistic fuzzy logic based decision tree for e-transcational fraud detection[ J].Journal of Information Security and Applications，2020（52）：1 ～ 13.

[27] 李穎琦，俞俊利.股權(quán)制衡與內(nèi)部控制有效性——基于2008-2010年釀酒類上市公司的案例分析[ J].會計研究，2012（2）：50 ～ 56.

[28] Tang Alex P.，Li Xu. Institutional ownership and internal control material weakness[ J].Quarterly Journal of Finance and Accounting，2010（2）：93 ～ 117.

[29] Hermanson Dana R.， Zhongxia Ye. Why do some accelerated filers with SOX Section 404 material weaknesses provide early warning under Section 302？[ J].Auditing：A Journal of Practice and Theory，2009（2）：247 ～ 271.

[30] 李越冬，嚴(yán)青.風(fēng)險投資“抑制”還是“放縱”內(nèi)部控制缺陷？[ J].科研管理，2019（8）：101 ～ 112.

[31] 劉焱，姚海鑫.高管權(quán)力、審計委員會專業(yè)性與內(nèi)部控制缺陷[ J].南開管理評論，2014（2）：4 ～ 12.

[32] 呂景勝，趙玉梅.董事會特征對內(nèi)部控制失效的影響研究——基于中國上市公司的數(shù)據(jù)分析[ J].中國軟科學(xué)，2016（5）：93 ～ 106.

[33] Krishnan Jayanthi. Audit committee quality and internal control： An empirical analysis[ J].The Accounting Review，2005（2）：649 ～ 675.

[34] 雷輝，劉嬋妮.董事會特征對內(nèi)部控制質(zhì)量的影響——基于我國A股上市公司面板數(shù)據(jù)研究[ J].系統(tǒng)工程，2014（9）：11 ～ 18.

[35] 郭軍，趙息.高管權(quán)力、制度環(huán)境與內(nèi)部控制缺陷[ J].系統(tǒng)工程，2016（7）：73 ～ 77.

[36] 許瑜，馮均科，李若昕.CEO激勵、媒體關(guān)注與內(nèi)部控制有效性的關(guān)系研究[ J].審計與經(jīng)濟(jì)研究，2017（2）：35 ～ 45.

[37] 許寧寧.管理層能力與內(nèi)部控制——來自中國上市公司的經(jīng)驗(yàn)證據(jù)[ J].審計研究，2017（2）：80 ～ 88.

[38] 王海林，王曉旭.企業(yè)國際化、信息透明度與內(nèi)部控制質(zhì)量——基于制造業(yè)上市公司的數(shù)據(jù)[ J].審計研究，2018（1）：78 ～ 85.

[39] 劉啟亮，羅樂，何威風(fēng)，陳漢文.產(chǎn)權(quán)性質(zhì)、制度環(huán)境與內(nèi)部控制[ J].會計研究，2012（3）：52 ～ 61.

[40] 趙淵賢，吳偉榮.企業(yè)外部規(guī)制影響內(nèi)部控制有效性研究——來自中國上市公司的經(jīng)驗(yàn)證據(jù)[ J].中國軟科學(xué)，2014（4）：126 ～ 137.

[41] 楊婧，許晨曦.產(chǎn)品市場競爭、內(nèi)部治理與內(nèi)部控制缺陷認(rèn)定標(biāo)準(zhǔn)[ J].會計研究，2020（6）：158 ～ 170.

[42] 尹律，徐光華，易朝暉.環(huán)境敏感性、產(chǎn)品市場競爭和內(nèi)部控制缺陷認(rèn)定標(biāo)準(zhǔn)披露質(zhì)量[ J].會計研究，2017（2）：69 ～ 75.

[43] Doyle Jeffrey T.，Weili Ge，Sarah McVay. Accruals quality and internal control over financial reporting[ J].The Accounting Review，2007（5）：1141 ～ 1170.

[44] Ashbaugh-Skaife Hollis，Daniel W. Collins， William R. Kinney. The discovery and reporting of internal control deficiencies prior to SOX-mandated audits[ J].Journal of Accounting and Economics Research，2006（1）：166 ～ 192.

[45] Ge Weili， Sarah McVay. The disclosure of material weaknesses in internal control after the Sarbanes-Oxley Act[ J].Accounting Horizons，2005（3）：137 ～ 158.

[46] Rice Sarah C.， David P. Weber. How effective is internal control reporting under SOX 404？ Determinants of the （non-）disclosure of existing material weaknesses[ J].Journal of Accounting Research，2012（3）：811 ～ 843.

[47] 鄧春梅，高然，晏雨薇等.內(nèi)部控制質(zhì)量對企業(yè)運(yùn)營目標(biāo)的影響：來自應(yīng)收賬款內(nèi)部控制缺陷的證據(jù)[ J].中央財經(jīng)大學(xué)學(xué)報，2019（4）：60 ～ 75.

[48] 齊保壘，田高良.基于財務(wù)報告的內(nèi)部控制缺陷影響因素研究[ J].管理評論，2012（4）：133 ～ 140.

[49] 王西子，吳聯(lián)生.審計師收取客戶債務(wù)風(fēng)險溢價了嗎？[ J].審計研究，2020（2）：57 ～ 66.

[50] 許江波，賀小丹.未能發(fā)現(xiàn)還是動機(jī)選擇？——內(nèi)部控制缺陷披露困境的成因[ J].經(jīng)濟(jì)與管理研究，2016（3）：123 ～ 130.

[51] Hoag Matthew L.， Carl W. Hollingsworth. An intertemporal analysis of audit fees and section 404 material weaknesses[ J].Auditing： A Journal of Practice and Theory，2011（2）：173 ～ 200.

[52] 于忠泊，田高良，齊保壘等.媒體關(guān)注的公司治理機(jī)制——基于盈余管理視角的考察[ J].管理世界，2011（9）：127 ～ 140.

[53] 逯東，付鵬，楊丹.媒體類型、媒體關(guān)注與上市公司內(nèi)部控制質(zhì)量[ J].會計研究，2015（4）：78 ～ 85.

[54] 毛新述，孟杰.內(nèi)部控制與訴訟風(fēng)險[ J].管理世界，2013（11）：155 ～ 165.

[55] Chen Yangyang，F(xiàn)erdinand A. Gul， Cameron Truong， et al.. Audit quality and internal control weakness： Evidence from SOX 404 disclosures[ J].SSRN Electronic Journal，2012（1）：1 ～ 61.

[56] 蔣學(xué)洪，王瑞華，楊艷文等.內(nèi)部控制審計與審計費(fèi)用的實(shí)證研究—來自中國上市公司的經(jīng)驗(yàn)證據(jù)[ J].新疆大學(xué)學(xué)報（哲學(xué)·人文社會科學(xué)版），2019（3）：10 ～ 19.

（責(zé)任編輯·校對： 喻晨? 陳晶）