基于內部控制自評報告的財務困境預測

【摘要】現有的財務困境預測研究大多集中于企業年報中披露的財務信息以及社交媒體發布的文本信息， 對于內部控制自評報告在財務困境預測領域的應用研究極少。本文引入內部控制自評報告中的文本風險信息進行預測， 構建可以利用企業內部控制解釋企業風險的文本特征指標， 并利用主流機器學習方法進行建模。進一步地， 基于2016 ～ 2018年我國所有上市公司樣本， 結合文本特征指標與常規財務指標進行分析， 得出結論： 內部控制自評報告中的文本風險信息能夠顯著提升企業財務困境的預測效果， 并且文本特征指標在所有指標中呈現重要性， 且其對于時間的敏感性與常規財務指標相比較低。

【關鍵詞】財務困境預測；內部控制自評報告；文本特征指標；機器學習；文本風險信息

【中圖分類號】F275 " " "【文獻標識碼】A " " "【文章編號】1004-0994（2024）22-0024-6

一、 引言

近年來， 國內外上市公司的財務風險事件頻發， 如恒大事件給社會與公眾帶來了極大的負面影響和損失 ， 這使得財務困境預測的準確性受到市場投資者、 監管機構等的高度關注。早期的財務困境預測研究大多基于會計數據、 現金流數據以及市場數據三個方面展開， 最近的研究開始關注社交媒體和公司公開的文本信息在財務風險預測中的重要性。相比于直觀反映公司經營和財務狀況的定量信息， 文本信息提供了對公司經營情況的更具體解釋和分析， 是對定量信息的有效補充。盡管內部控制是企業的重要組成部分， 但很少有研究分析內部控制在財務困境預測中的作用。自2008年起， 我國對上市公司的內部控制實施了一系列政策規定， 明確了內部控制評價報告必須包含的內容， 如內部控制的評價范圍、 評價依據、 缺陷認定標準及整改情況。隨著我國上市公司數量的增加， 披露內部控制評價報告的公司數量也在增多， 該報告的重要性也在不斷提高。

自2014年起， 我國鼓勵所有上市公司自愿披露內部控制評價報告， 詳細說明其內部控制體系建設情況， 使得企業內部控制規范體系更為完善。內部控制評價報告中的文本風險信息可以為公司的財務困境預測提供更多線索， 融合這些信息并將其與常用的財務和市場定量指標相結合， 有望進一步提升財務風險的預測效果。

與現有文獻相比， 本研究的主要貢獻體現在兩個方面： 第一， 引入了內部控制評價報告中的文本風險信息。以往的研究在預測財務困境時， 通常依賴企業的季度報告或社交媒體發布的文本信息， 集中于分析公司的財務狀況和經營活動。本研究則通過分析公司內部控制自評報告中的文本風險信息， 更直接地反映公司可能遭遇的未來風險。第二， 開發了一個新的特征指標——內控完善度， 用于衡量文本風險信息。現有研究在分析金融文本數據特征時通常從文本長度、 詞頻等維度考慮， 結合本文提出的內控完善度指標， 根據2014年財政部和中國證監會發布的《公開發行證券的公司信息披露編報規則第21號——年度內部控制評價報告的一般規定》（簡稱“內部控制評價報告規則”）， 提取內部控制自評報告文本中的重要特征， 能更好地刻畫公司受到所披露風險影響的情況， 從而有助于預測公司是否陷入財務困境。

二、 文獻綜述

早期的財務風險預測研究主要依賴于會計數據、 現金流數據和市場數據。葛家澍和占美松（2008）認為企業財務報告能提供企業的核心信息， 但為了分析并更深入地理解這些信息， 必須研究若干其他的主要財務信息， 如流動性、 財務彈性（財務適應性或財務靈活性）、 預期現金凈流入、 盈利能力和市場風險。曹興和胡高（2009）在概括分析影響企業財務風險的因素后引入VaR參量， 構建了以VaR參量為主要衡量指標的財務風險預測回歸模型， 并以實際數據為樣本， 探討了VaR參量對識別企業財務風險的統計影響程度。肖珉（2005）通過構建現金流量比和現金流入流出比等指標， 揭示了現金流與企業經營規模匹配的現金支付能力之間的強關聯性。宮興國等（2015）根據新能源上市公司財務風險特征， 利用灰色模型對小樣本、 貧信息處理的優勢， 運用灰色關聯度方法建立了財務風險評分標準， 并建立GM（2，1）灰色復合模型對財務風險的變化趨勢進行了預測。這些定量信息在后續研究中得到了廣泛應用， 然而這些信息主要是對公司財務狀況的高度概括， 只能描述公司的部分經營情況。

近年來， 有些研究開始探討非財務指標， 如社交媒體和公司公開的文本信息在財務困境預測中的價值。從這些文件中提取的蘊含企業風險信息的文本在財務困境預測效果的提升方面發揮了巨大的作用， 對常規的財務指標起到了良好的協同作用。閆達文等（2024）除了以年度財務指標作為解釋變量， 還加入了年度失業率、 季度GDP增長率等從財務報告之外的文件中獲取的指標， 構建了不同時間窗口下的財務困境低頻預測模型。陳藝云（2022）通過網絡爬蟲獲取了上市中小企業相關的文本信息， 并對這些文本內容進行了量化分析， 以財務變量模型為基礎進行了財務困境預測的實證檢驗。呂喜梅等（2023）分析了公司在重大事件發生時發布的臨時報告對財務風險預測的影響。然而， 不管是媒體報道和臨時報告等文本信息， 還是年度失業率、 季度GDP增長率以及月度通貨膨脹率等非常規指標， 其主要作用都是針對公司當前的業務經營和財務狀況進行分析， 對公司未來可能面臨的情況討論較少， 以至于可能會錯估企業的能力， 無法給出有益于企業長久發展的建議。

為了對公司未來的情況做出更加準確的預測， 相關研究針對公司的一些非財務視角（如制度和持續的行為）進行分析（田寶新和王建瓊，2017）， 認為相較于媒體報道、 MDamp;A（管理層討論與分析）及臨時報告， 制度和行為與企業的關系更為密切。如： 李秉祥等（2024）研究了管理者風險偏好對企業財務困境的影響； 陸明富（2024）基于產品市場競爭及財務困境的機制檢驗， 研究了企業創新文化與財務困境的關聯性； 胡寧和靳慶魯（2018）基于ST制度對社會性負擔與公司財務困境的動態關系進行了探討。內部控制雖然作為企業最為重要的持續性制度受到關注與研究， 被認為可以有效規避財務困境（李萬福等，2012）， 但鮮少有相關研究分析內部控制在財務困境預測方面的表現。

自2008年起， 我國對上市公司的內部控制制度實施了一系列政策規定。這些規定要求上市公司按階段建立內部控制體系， 并公開內部控制評價報告。從2014年開始， 所有上市公司被鼓勵自愿公布內部控制評價報告， 詳細描述其內部控制體系的構建情況。這反映了我國資本市場在上市公司內部控制規范體系監管方面已提升至新的水平。內部控制評價報告規則明確了內部控制評價報告必須包括的內容， 如內部控制的評價范圍、 評價依據、 缺陷認定標準及整改情況。 隨著我國上市公司數量逐年增加， 披露內部控制評價報告的公司數量也越來越多， 相關研究對于內部控制也愈發重視。如： 姚立杰等（2023）對高新技術企業數據進行研究， 發現內部控制對于企業創新具有促進作用； 戴捷敏和方紅星（2023）基于自愿性內部控制鑒證報告進行經驗研究， 認為高質量內部控制能抑制盈余管理； "李萬福等（2011）則探討了內部控制在公司投資中的效率促進與抑制作用。

根據企業內部控制規范體系可知， 內部控制評價報告對公司的財務困境預測具有重要作用， 且能更前瞻性地描繪公司未來可能面臨的風險。此外， 政府對內部控制評價報告的重視程度不斷提高， 要求所有企業自2024年起披露財務報告內部控制審計報告。這意味著內部控制評價報告的文本風險信息能為公司的財務困境預測提供更多線索。融合這些信息并將其與常用的財務和市場定量指標相結合， 有望進一步提升財務風險的預測效果。因此， 在評估公司的財務風險時， 不僅要關注定量數據， 還要密切關注內部控制評價報告中的文本信息。

為此， 本文引入公司在內部控制評價報告中以文本形式披露的風險信息， 以預測財務風險， 并研究構建了一種文本特征指標——內控完善度， 用于描述公司的缺陷容忍度對其風險產生的影響。這一指標通過從公司內部控制自評報告中提取文本特征來進行量化， 并結合常用的文本特征指標來提取文本中存在的風險信息。本研究采用了五種常用的機器學習方法， 對文本特征指標在財務風險預測方面的能力進行了評估。為了比較本文提出的風險可能性指標與常用的文本特征指標在預測財務風險中的重要性， 還進一步分析了各個文本特征指標的表現。此外， 還考察了文本風險信息預測能力對預測年限的敏感性。這些結果有助于市場投資者和監管機構更好地解讀公司在內部控制自評報告中披露的文本風險信息， 并為財務風險預測提供理論指導。

三、 研究設計

1. 文本特征指標提取。《企業內部控制規范》對于企業內部控制自評報告的撰寫有一定的要求， 為企業撰寫該報告提供了一定的參考。本文從中選取了內部控制評價工作的總體情況、 依據、 范圍、 程序和方法、 整改情況、 內部控制有效性的結論作為部分特征， 并提取了報告文本中的其他關鍵詞， 如高風險領域、 直接損失金額、 具體認定標準相比以前年度是否存在調整、 缺陷可能造成的影響、 風險應對方案。其中的重點關注特征包括： ①部分公司會針對產業的特征以及自身內部控制體系的完備性劃分內部控制評價的范圍， 而一些企業則沒有明確劃分， 這可能會對內部控制自評報告的信息質量產生一定的影響。②雖然幾乎所有公司都會區分財務報告內部控制和非財務報告內部控制， 但不同公司對于內部控制缺陷的容忍度不同， 一些公司會重新制定非財務報告內部控制的認定標準， 另一些公司則會直接沿用原財務報告內部控制的認定標準。而非財務報告內部控制與財務報告內部控制之間存在差異， 會對公司提供的信息產生影響（施赟等，2018）。③現金流管理對于控制財務風險至關重要。通過預測現金流的波動， 企業可以提前做好準備， 避免因資金鏈斷裂而誘發風險。良好的現金流管理也可以保持企業的財務健康， 確保其運營過程中的資金充足。而部分公司在報告中提及的直接損失金額無疑是公司重視內部控制缺陷的良好體現， 對提高報告信息質量有積極影響（武曉玲和喬楠楠，2013）。④所有報告中都會提到的內部控制缺陷整改情況也具有明顯特征， 可以清晰地查看公司對于自身缺陷的整改是否及時且有效。提取的文本特征指標如下：

（1） 內控完善度指標。本研究的主要目標是利用上市公司內部控制評價報告中披露的文本風險信息來預測企業財務風險。鑒于國內對這類報告的關注度日益提高， 以及報告中信息含量的逐步增加， 本文認為， 這些預測結果可以用來分析當前國內這類報告的可信度， 因此選擇了國內上市公司的文本風險信息作為分析對象。

在報告中識別文本風險信息的關鍵詞， 本文主要通過兩個維度進行提取。首先， 根據《企業內部控制規范》對內部控制自評報告的要求， 從中提煉出關鍵性的要素， 即企業在報告中必須呈現的部分， 通過對所有報告檢索這些關鍵詞， 排除其中共有的無效關鍵詞， 剩余的則作為指標特征項， 如內部控制評價的總體情況、 依據、 范圍、 程序和方法、 整改情況、 有效性結論。其次， 專注于“內部控制缺陷”和“內部控制風險”兩個方面， 在相關文本中提取代表這兩個方面的關鍵詞， 如高風險領域、 直接損失金額、 具體認定標準的年度調整情況、 缺陷可能造成的影響、 風險應對方案等。這樣的方法， 使我們能夠更深入地理解和分析報告中的風險信息， 從而更準確地預測財務風險。在提取出所有的12個特征項之后， 便可以計算出每一份報告的得分情況（score）。計算公式為： 內控完善度=log（“score”/12）。

（2） 其他文本特征指標。金融領域的文本分析涉及豐富的特征指標， 這些指標有助于揭示文本的內在結構和含義， 因此， 除了采用本文構建的內控完善度指標， 也可利用其他文本特征指標進行分析和效果對比（胡志強和王雅格，2021）。

一是文本長度（Length）： 計算文本中詞語數量的對數值。計算公式如下： Length=log（全文詞語數量）。二是詞頻（TF）： 統計一個詞在一篇文檔中出現的頻次（本文選擇的是“缺陷”這一關鍵詞）。計算公式如下： "TF（word）=文檔總詞數×word在文檔中出現的次數。三是逆文檔頻率（IDF）： 統計一個詞在文檔集的多少個文檔中出現（本文選擇的是“缺陷”這一關鍵詞）。計算公式如下： IDF（word）=log ［（word出現過的文檔數量+1）/文檔集中文檔總數量］。其中： 加1是進行拉普拉斯平滑處理， 避免分母為0的情況。

本文在構建詞頻和逆文檔頻率指標時， 均選擇了“缺陷”作為檢索目標。這一關鍵詞在報告中出現的頻率較高， 反映了企業對于內部控制風險的重視程度， 與企業財務困境息息相關， 與前文中構建的內控完善度指標形成聯系。

2. 常規財務指標。在引入以上文本特征指標后， 為了檢驗對公司財務風險預測是否具有提升效果， 選取七個常規財務和市場指標作為比較基準， 包括營運資本/總資產、 留存收益/總資產、 息稅前利潤/總資產、 權益市值/債務面值、 銷售收入/總資產、 年個股回報率和相對規模（孫灝等，2022）。由于初始的常規財務指標量綱與文本特征指標不完全相同， 如果直接對其進行后續的建模分析， 在計算的時候很有可能對結果造成不良影響， 故對其進行了相應的規范化即無量綱化處理， 將這些指標的量綱與文本特征指標盡量統一。

3. 財務風險預測模型及效果評估。財務風險預測模型及評價方法對財務風險的預測是企業管理和投資決策中的關鍵問題。本文選用了五種主流的機器學習方法來預測財務風險， 包括邏輯回歸、 支持向量機、 神經網絡、 隨機森林和XGBoost。

為了評估模型的預測效果， 本文使用了三個常用的評估指標。一是準確率： 表示模型中被正確預測的樣本數量與總樣本的數量的比例。公式如下： Accuracy=（TP+TN）/（TP+TN+FP+FN）。其中： TP（True Positives）是正類別被正確預測為正類別的數量； TN（True Negatives）是負類別被正確預測為負類別的數量； FP（False Positives）是負類別被錯誤預測為正類別的數量； FN（False Negatives）是正類別被錯誤預測為負類別的數量。二是AUC： ROC 曲線（Receiver Operating Characteristic Curve）下的面積， 它通過對 ROC 曲線下各部分的面積求和而得， 表現模型對財務風險樣本和非財務風險樣本的綜合預測能力。取值范圍在0 ～ 1之間， 越接近1表示模型的預測效果越好。計算公式如下： AUC=[i∈正樣本集合ranki]-

[M （M+1）2]/MN。其中， M是正樣本的數量， N是負樣本的數量， ranki是第i個正樣本在所有樣本中的排序位置。三是查準率： 表示正確地預測為正例的樣本數除以預測為正例的樣本總數。計算公式如下： Precision=TP/（TP+FP）。

四、 實證研究

本研究利用國內上市公司內部控制自評報告中的文本風險信息， 檢驗在傳統財務指標基礎上加入文本風險信息是否能提升財務風險預測的效果。通過網絡爬蟲爬取了網站上發布的2016 ～ 2018年的所有上市公司的內部控制自評報告， 為了保持每個年度樣本量的均衡和穩定， 且考慮到報告格式規范問題， 本文排除了2016年之前的報告樣本。為了界定財務困境， 本文借鑒梁墨等（2023）的方法， 將公司分為兩類樣本： 交易所強制退市公司和ST類公司作為財務困境樣本， 其余公司作為非財務困境樣本。通過這種分類， 共收集了1606個財務困境樣本和8787個非財務困境樣本。

1. 顯著性檢驗。為認證上述兩類公司樣本中各文本特征指標是否存在顯著性差異， 選用獨立樣本T檢驗， 結果如表1所示。

各文本特征指標的T檢驗結果顯著， 說明財務困境與非財務困境樣本中四個文本特征指標的均值存在顯著性差異。加之文中明確提出的內控完善度指標T檢測結果顯著小于0， 說明公司內控完善度越高， 發生財務風險的可能性就越小。

2. 財務風險預測。為了驗證文中引入的文本風險信息對企業財務風險預測的實際效果， 將常用定量分析指標作為財務風險預測效果的對比標準， 選用五種比較常見的機器學習模型來預測財務風險（見表2）。由于上市公司本年度財務報告通常是在會計期間完成后4個月內發布， 進行t-1年財務匯報時， 可能t-1年的財務困境尚未公布， 因此根據t-2年的數據構建模型來預測t年公司是否深陷財務困境。

在邏輯回歸模型和支持向量機模型中， 選擇L2正則化作為正則化參數， 為防止過擬合， 選擇L2規范作為懲罰項， 參數服從高斯分布。測試集的比例是將數據集的20%作為測試集， 剩下的80%作為訓練集。為保持結果的可重復性， 隨機數種子設置為42， 用于控制隨機劃分的過程。神經網絡包含三層： 輸入層具有64個神經元， 使用ReLU激活函數； 隱藏層具有32個神經元， 使用ReLU激活函數； 輸出層具有1個神經元， 使用sigmoid激活函數（用于二分類）。模型使用Adam優化器和二元交叉熵損失函數進行編譯。XGBoost模型集成中每棵樹的最大深度設置為3， 訓練期間要最小化的損失函數選擇“binary： logistic”， 適用于二分類問題。隨機森林模型決策樹個數為100， 最大深度和最大葉子節點數均無限制， 節點的劃分標準中不純度標準參考Gini指數， 信息增益標準參考“entropy”熵。

本文分別選取內控完善度、 文本長度、 詞頻以及逆文檔頻率這幾個文本特征指標進行對比分析， 探討這幾個特征指標對定量指標和公司財務風險預測能力的影響。發現在引入蘊含文本風險信息的4個文本特征指標后， 各模型的預測效果均有所提升。由此可得， 公司在內部控制評價報告中披露的文本風險信息可以對常用的定量指標進行補強研究。結果表明， 內控完善度、 文本長度、 詞頻以及逆文檔頻率這幾個特征指標能夠從文本中提取有效信息， 并且定量指標對財務困境的預測能力隨著這幾個指標的增加而提高。

3. 文本特征指標重要性分析。在選擇的五種機器學習模型中， 隨機森林和XGBoost都是基于決策樹算法的集成模型。二者不但可以預測公司是否陷入財務困境， 還能夠評定每一個特征指標的重要性。基尼重要性指標是一種從均值到標準差的衡量， 用于測量樣本之間的差異， 可以借此闡述各類文本特征指標在財務風險預測中的作用， 有助于我們更好地了解文本風險信息在預測中的重要性。由于隨機森林模型在前文中對于財務困境的預測效果較好， 本文在此選擇使用隨機森林模型來分析文本特征指標的重要性， 如圖1所示。

從圖1中可以觀察到， 文本特征指標的重要性幾乎都要高于常規財務指標， 這進一步論證了內部控制自評報告中的文本特征指標對于財務困境的預測能力。但從中也能看出該文本特征仍存在問題， 本文擬定的風險容忍度指標的重要性不夠顯著， 結合政府在2024年對于內部控制自評報告的大力推廣， 可以認為我國內部控制自評報告的編寫仍存在缺陷。

4. 年限敏感性分析。從上述分析可以看出， 對企業財務困境的預警越快， 越有利于市場投資者及時防范企業財務困境可能對其造成的風險損失。因而， 接下來將討論內部控制自評報告中公布的文本風險信息是否對年份期限比較敏感， 是否能提前預警財務風險？在運用企業T-2年信息預測T年是否深陷財務困境的前提下， 使用T-3年信息和T-4年信息預測T年是否深陷財務困境， 如圖2、 圖3所示。

結果顯示， 2016 ～ 2018年基于內部控制自評報告中的文本風險信息構建的指標對于財務困境的預測能力逐年提升， 這意味著我國對于該報告的重視程度提升明顯， 且我國內部控制制度日益完善。盡管實驗組和對照組的預測能力在時間的推移下有所減弱， 但是， 本研究所引入預測模型的基礎是內部控制自評報告中的文本風險信息， 相較于傳統財務指標， 能夠提供更為豐富的信息。這種情況的出現， 主要是因為相比于財務和市場的定量指標， 內部控制自評報告中的文本風險信息對于時間的敏感性較弱， 受到年限的影響較小， 使得預測能力下降速度放緩。因此， 利用內部控制自評報告中的文本風險信息來輔助預測財務困境， 不僅是必要的， 而且是有效的。

五、 穩健性檢驗

在之前的研究中， 本文將數據集中的測試集與訓練集劃分為8∶2。為了檢驗本文結論是否受到數據集劃分方式的影響， 重新調整了數據集的劃分方式， 將其劃分為5∶5， 并重新進行了模型的訓練和測試， 結果見表3、 圖4。

結果表明， 當在定量指標的基礎上引入公司內部控制自評報告中的文本風險信息后， 所有模型的性能都有所提升。其中， 隨機森林模型的AUC值最高， 達到了0.80， 提升幅度為19.40%。這一發現證實， 無論數據集如何劃分， 引入文本風險信息都能有效提升預測財務困境的準確性， 從而證明了本文結論具有穩健性。

本文還采用了生成對抗性樣本的方式以測試機器學習模型的魯棒性， 使用快速梯度符號方法（Fast Gradient Sign Method）， 選擇較小的epsilon值來擾動模型， 通過利用模型的梯度來生成對抗性樣本， 結果見表4、 圖5。

結果顯示， 對抗性樣本的指標并未顯著低于原始樣本的指標， 這說明模型對擾動不敏感， 驗證了模型的魯棒性和穩定性， 進一步驗證了本文的結論。

六、 結論與建議

1. 結論。本文首先分析了當前對于財務困境預測采用的數據文本類型， 指出內部控制對于財務分析的重要性， 提出內部控制自評報告在財務困境預測領域可能的運用空間； 其次， 從文獻和政策文件等文本中提取文本特征指標， 構建機器學習模型， 并結合常規財務指標分別預測， 將結果進行對比， 以此來觀察內部控制自評報告中的文本特征指標對于財務困境預測效果是否有提升作用； 然后繪制重要性比重圖， 檢驗文本特征指標在所有變量中的重要性是否突出， 并將預測的年限延長， 以此來分析該模型對于時間的敏感性； 最后， 以改變數據集劃分和生成對抗性樣本兩種方式來檢驗模型的穩健性和魯棒性。得出以下結論： 內部控制自評報告中的文本風險信息可以有效地幫助投資者預測企業是否陷入財務困境， 且在短期內預測效果良好。但由于我國撰寫該報告的企業有限， 且沒有在格式和規范上進行高度統一， 導致本文構建的內控完善度指標的重要性有所下降， 且在長期趨勢下模型的預測效果會相對減弱。

2. 建議。在大數據時代， 證券市場投資者以及監管組織在分析公司財務風險時， 必須有全新的大數據視野。除了傳統上通過企業財務和市場數據進行定量分析的方法， 還應將注意力轉向企業在其內部控制中以文本方式透露的信息。根據以上研究結論， 本文建議在進行此類研究時可以著重注意以下兩點：

第一， 從公司管理層面進行文本資料收集是未來研究發展方向之一。這種文本資料應該來自公司的內部管理層面， 如董事會、 高級管理層等， 可能會更加全面地反映企業運營與財務狀況之間的關系。未來研究可考慮從公司的管理層面進行文本資料收集， 以更全面的視角研究企業的運營與財務狀況， 從而有助于預測企業是否會面臨財務問題。

第二， 在對從公司管理層面獲取的文本資料進行分析時， 應著重關注公司對于不同指標的衡量標準， 如前文中提到的財務指標與非財務指標之間的標準是否沿用。公司對于這些定量和定性指標劃分的異同， 一定程度上反映了公司管理層對于該文本資料的重視程度， 以及對于公司財務狀況的真實反映情況。

另外， 本研究仍存在以下不足： 首先， 僅選取了內控完善度、 文本長度、 詞頻、 逆文檔頻率等常見的文本特征指標， 仍存在其他文本特征可能會對預測結果產生影響； 其次， 數據量選取規模偏小， 可能會對長期的預測效果產生一定的影響。后續的研究可以持續添加新的文本特征指標， 以及觀察后續年份的樣本， 以期可以更好地調整模型， 獲得更精確的預測結果。

【 主 要 參 考 文 獻 】

曹興，胡高．基于VaR的財務風險識別與評估［ J］．統計與決策，2009（10）：177 ～ 178．

陳藝云．基于文本信息的上市中小企業財務困境預測研究［ J］．運籌與管理，2022（4）：136 ～ 143．

池國華，王會金．內部控制在現代國家治理中的角色定位與作用機制［ J］．財經問題研究，2019（1）：99 ～ 104．

戴捷敏，方紅星．公司戰略會影響管理層財務報告內部控制自我評價質量嗎？［ J］．會計與經濟研究，2023（5）：21 ～ 42．

葛家澍，占美松．企業財務報告分析必須著重關注的幾個財務信息——流動性、財務適應性、預期現金凈流入、盈利能力和市場風險［ J］．會計研究，2008（5）：3 ～ 9+95．

宮興國，張博，吳琪．基于GM（2，1）灰色復合模型的財務風險預測［ J］．統計與決策，2015（17）：179 ～ 182．

胡寧，靳慶魯．社會性負擔與公司財務困境動態——基于ST制度的考察［ J］．會計研究，2018（11）：28 ～ 35．

胡志強，王雅格．審核問詢、信息披露更新與IPO市場表現——科創板企業招股說明書的文本分析［ J］．經濟管理，2021（4）：155 ～ 172．

李秉祥，林炳洪，張濤．管理者風險偏好對企業財務困境的影響：中介路徑與治理機制［ J/OL］．系統管理學報，1-25［2024-09-09］．http：//kns.cnki.net/kcms/detail/31.1977.N.20231103.1618.004.html．

李萬福，林斌，林東杰．內部控制能有效規避財務困境嗎？［ J］．財經研究，2012（1）：124 ～ 134．

李萬福，林斌，宋璐．內部控制在公司投資中的角色：效率促進還是抑制？［ J］．管理世界，2011（2）：81 ～ 99+188．

梁墨，李鴻翔，張順明．基于ST預測的財務困境測度與股票橫截面收益［ J］．中國管理科學，2023（2）：138 ～ 149．

呂喜梅，蔣翠清，丁勇等．融合臨時報告軟信息的新三板企業財務困境預測研究［ J］．中國管理科學，2023（11）：140 ～ 150．

施赟，蔣華林，徐玉琳．缺陷定量認定標準影響內部控制重大缺陷評價嗎？——來自A股上市公司的經驗證據［ J］．會計與經濟研究，2018（6）：68 ～ 82．

孫灝，朱曉謙，李建平．考慮財務報告中文本風險信息的財務困境預測［ J］．系統管理學報，2022（6）：1204 ～ 1215．

田寶新，王建瓊．基于財務與非財務要素的上市公司財務困境預警實證研究［ J］．金融評論，2017（5）：103 ～ 115+126．

武曉玲，喬楠楠．企業經營活動現金流量與財務危機的關系研究——基于我國制造業上市公司的經驗數據［ J］．山西財經大學學報，2013（12）：113 ～ 124．

肖珉．自由現金流量、利益輸送與現金股利［ J］．經濟科學，2005（2）：67 ～ 76．

閆達文，李存，遲國泰．基于混頻數據的中國上市公司財務困境動態預測研究［ J］．中國管理科學，2024（1）：1 ～ 12．

姚立杰，朱孟杰，鄒婧鑫．內部控制總能促進企業創新嗎？——來自高新技術企業的證據［ J］．審計研究，2023（5）：147 ～ 160．