企業內控重大缺陷的特征分析與識別

【中圖分類號】F239.1；F270 【文獻標識碼】A【文章編號】1004-0994（2025）09-0042-7

一、引言

內控是企業財務報告生成過程中的關鍵環節，其有效性直接關系到財務報告的信息質量。內控缺陷的存在，尤其是內控重大缺陷，可能會導致企業防范錯誤與舞弊的第一道防線失效，從而影響財務報告的真實性和可靠性，并增加審計師面臨的審計風險。自2012年起，我國對上市公司內控實施外部監管，以進一步提高財務報告的信息質量。然而，基于信號傳遞理論，企業披露內控重大缺陷信息可能會觸發市場較為激烈的負面反應，這可能會導致企業披露內控缺陷的動力不足。事實上，強制性內控審計僅是企業與審計監督博弈的結果（張慶龍等，2023），實踐中對內控重大缺陷信息披露不充分、財務報告信息不實的事件屢有發生，如長生生物、獐子島等，這表明現行的外部監管并未完全達到預期效果，企業內控的外部監管效率和效果亟待提升。因此，精準識別內控重大缺陷就成為提高監管效率、強化監督的關鍵。企業畫像與機器學習算法等新技術的不斷發展為事前智能精準地識別內控重大缺陷提供了可能，從而能夠實現風險評估的前置與監管的前瞻。本文旨在通過分析存在內控重大缺陷企業的多維特征，結合可視化的企業畫像和機器學習算法，從事前分析的視角探討存在內控重大缺陷的跡象，并構建識別模型對企業內控重大缺陷進行識別與預警。

本文的主要貢獻在于：第一，構建了結構化和非結構化數據相結合的企業內控重大缺陷識別的指標體系，彌補了單一結構化數據定量信息的不足，豐富了內控重大缺陷影響因素的研究。第二，拓展了內控缺陷識別的研究。將企業畫像這種直觀的技術應用于企業內控重大缺陷特征屬性的可視化呈現，并利用機器學習算法構建企業內控重大缺陷的識別模型，拓展了學科交叉研究，并為審計師與監管機構更智能精準地識別存在內控重大缺陷的企業提供了依據。

二、文獻綜述

當前針對企業內控重大缺陷的研究主要集中在內控重大缺陷的影響因素和識別兩個方面。在內控重大缺陷影響因素方面，現有研究一般是利用計量模型對公司治理結構特征（李清和閆世剛，2020）、企業經濟特征（江嶺和王彥杰，2021）、管理層認知偏差（許寧寧，2019）和制度環境（郭軍和趙息，2016）等變量與內控重大缺陷進行回歸分析，追求函數形式和易于解釋的模型估計結果，而GepP等（2017）認為機器學習算法相較于Logistic等傳統回歸模型具有更強的預測能力，石榮等（2024）也認為機器學習可以更高效地探索變量之間的關系。在內控重大缺陷識別方面，隨著人工智能迅速進入大眾視野，學者們開始將機器學習算法應用于財務舞弊識別（Bao等，2020；劉云菁等，2023）、股票市場判斷（陳宇龍和孫廣宇，2023）等研究領域，內控重大缺陷的識別方法也從統計計量過渡到識別能力更強、應用價值更高的機器學習算法。如：王海林（2017）將新技術與內控缺陷相結合，構建了基于神經網絡的內控缺陷識別與診斷模型，但其準確率僅為6 4 . 2 9 % ；劉瑾和趙納暉（2022）認為，XGBoost模型為最佳內控重大缺陷預測模型，但該模型僅使用了單一的結構化定量數據，未充分利用有價值的非結構化數據。此外，目前企業畫像與可視化技術多應用于財務錯報（Brown等，2020）、企業財務風險偏好（聶帆飛和馬元駒，2022）、企業反舞弊（林斌等，2022）和企業財務違規特征（張慶龍等，2023）等方面的識別與判斷，它們在審計方面也有廣闊的應用空間，卻應用得較少。因此，機器學習算法以及企業畫像和可視化技術可用于分析企業內控重大缺陷問題，不再受制于函數形式與前提假設，能夠提供更具預測性、更加直觀的決策依據。

基于此，本文綜合采用結構化和非結構化數據構建內控重大缺陷指標體系。一方面，聚類挖掘存在內控重大缺陷的企業特征，形成標簽框架以構建企業內控重大缺陷特征畫像，并以詞云圖的形式可視化呈現；另一方面，基于機器學習算法構建企業內控重大缺陷識別模型，幫助審計師識別重大缺陷以控制審計風險，并實現智能精準的外部預警與監管。

三、研究設計

為有效識別存在內控重大缺陷的企業，筆者基于理論和實證研究結果構建企業內控重大缺陷指標體系，依據該指標體系形成標簽框架，其中“標簽”是對特定群體的某類特征進行抽象概括（張慶龍等，2023）；從內控重大缺陷的維度出發，采用聚類分析算法提取二級標簽的聚類簇特征，從而對存在內控重大缺陷的企業“做標簽和分類”，構建企業內控重大缺陷特征畫像，并以可視化技術呈現，進而構成該特定群體的多項特征。此外，還利用機器學習算法對歷史數據進行學習，基于樣本公司數據構建企業內控重大缺陷識別模型。

（一）構建企業內控重大缺陷指標體系

通過整理企業內控重大缺陷相關文獻中的有效變量，并搜集企業年報中管理層討論與分析（MDamp;A）部分的文本信息，從公司治理、經營復雜性、財務狀況、外部市場環境及監管、管理層態度五個維度，構建結構化與非結構化數據相結合的指標體系。

1.結構化數據指標。

（1）公司治理維度。公司治理維度包括第一大股東持股比例、董事長與總經理兩職合一、董事會規模、獨立董事占比以及董事會會議次數五項指標（楊婧和許晨曦，2020）。其中：第一大股東持股比例反映股權集中度，當股權高度集中時，控股股東與公司的利益關系更密切，也更有意愿保障內控的有效性，而當股權相對分散時，大股東了解公司經營管理狀況的積極性不高，對管理層的監督效應較弱；董事長與總經理兩職合一將導致權責不明晰，削弱董事會對管理層的監督，可能產生違背分權制衡原則的內控重大缺陷；董事會規模反映決策效率和監管效果，規模過大會使得效率低下，阻礙內控作用的發揮，規模過小又可能導致監管效果較差；獨立董事占比越高，董事會越能在股權高度集中或“內部人控制\"的情形下獨立客觀地監督管理層行為，以防止內控失效；董事會會議次數反映董事履職頻率，次數越多說明其履職越認真，從而能提高發現內控缺陷或監督缺陷整改的可能性。

（2）經營復雜性維度。經營復雜性維度包括子公司數目、兼并重組和對外貿易三項指標（Doyle等，2007）。其中：子公司數目反映公司經營范圍的廣度、環境的復雜性以及合并的難度和風險，子公司數目越多，說明風險越大，越容易產生內控重大缺陷；兼并重組反映企業面臨著整合、人員流動、主營轉換等問題，這些不穩定因素可能導致內控無法及時跟進企業的變化，從而導致內控存在重大缺陷；從事對外貿易的企業在法律規則、文化以及市場競爭等方面面臨著巨大的系統風險，其內控體系須與國際化進程相適應，否則存在內控重大缺陷的可能性就會增大。

（3）財務狀況維度。企業內控的建立與健全需要不斷投入資源，企業財務狀況在一定程度上決定著資源投人的能力。從盈利能力、發展能力、償債能力、營運能力和財務風險五個方面選取七項指標（Rice和Weber，2012），包括：每股收益和凈資產收益率反映企業的盈利能力，盈利能力弱的企業更關注業績的提升，而對內控的關注與建設不足（Skaife，2009）；營業收入增長率反映企業的發展能力，企業處于迅速增長階段時將面臨更激烈的行業競爭與環境變化，這對內控的適度性提出了高要求，內控無法適應新業務和環境的可能性增大；資產負債率反映企業的償債能力，償債能力較弱的企業會將更多的資源投入到解決債務問題上，從而導致對內控投入不足；經營周期反映企業營運能力，經營效率低的公司在資源利用上不如經營效率高的公司，出現內控重大缺陷的可能性會更大；累計非經常性損益和AltmanZ值反映企業的財務風險，陷入財務危機企業關注的焦點是如何擺脫困境，通常會忽視內控投資，且因變現能力太弱而沒有能力對內控進行投資。

（4）外部市場環境及監管維度。外部市場環境及監管維度包括市場化程度、產品市場競爭、審計機構變更、審計機構是否為“四大”四項指標（楊婧和許晨曦，2020；尹律等，2017）。其中：市場化程度反映企業外部制度環境。產品市場競爭程度反映企業外部市場環境，在市場化程度較高的地區競爭更激烈，企業對競爭壓力更為敏感（劉瑾和趙納暉，2022）。一方面，激烈的市場競爭會迫使企業提高經營效率，使其更有動力強化內控以提升財報質量、降低信息不對稱程度；另一方面，企業高管面對競爭激烈的市場時更容易采用短期行為，從而降低公司內控的有效性。此外，審計機構變更和審計機構是否為“四大”均反映企業外部監管情況。審計機構變更意味著企業與前任審計機構合作的終止，“四大\"在審計市場代表著高聲譽、高審計質量，因此，當企業面臨較強的外部監管時，其被發現并披露內控重大缺陷的可能性就會增大。

2.非結構化數據指標。除上述結構化信息外，企業管理層態度這類非結構化信息也通過各種途徑向市場傳遞。管理層在各類信息中所表達出來的短視語調，在一定程度上傳遞出企業是否存在內控重大缺陷的信號。原因在于：一方面，制度的缺失使得管理層短視行為無法得到有效監督和約束；另一方面，管理層為實現短期目標可能會犧牲企業長遠利益。而內控既可以彌補制度缺陷、強化監督，又可以降低信息不對稱程度、抑制管理層尋求私利的動機，從而抑制管理層短視行為。因此，本文還增加管理層態度維度，建立了管理層短視語調指標。

管理層短視語調受管理者風格、態度等因素的影響，其所反映的態度會通過“短期導向”的詞匯向外傳遞，而這類定性信息對外披露的占比更高，形式比較多樣化，也具有前瞻性，能夠彌補單一結構化數據定量信息的不足（Loughran和McDonald，2011）。將管理層短視語調這一非結構化指標與公司治理、經營復雜性、財務狀況、外部市場環境及監管等方面的結構化指標相結合形成綜合的指標體系，有助于全面精準地識別企業內控重大缺陷。

（二）構建標簽框架

根據上述五個維度的20個指標構成20個模型標簽，此外，構建4個代表企業基本屬性信息的事實標簽和1個反映企業存在內控重大缺陷的可能性的識別標簽，共25個二級標簽，具體如表1所示。

（三）數據采集與處理

本文從國泰安（CSMAR）數據庫中獲取 2 0 1 2 ～ 2 0 2 2 年A股上市公司數據，剔除金融類以及不超過兩年的公司觀測值，剔除缺失值，對所有連續型變量進行上下 1 % 的縮尾（Winsorize）處理，最終得到14698個樣本。非結構化數據采用Python3.11軟件處理，聚類和識別建模所需程序采用Matlab2023a軟件編寫。同時以內控存在重大缺陷跡象為原則，考慮數據的可觀測性和可獲得性，將內控重大缺陷的認定范圍確定為： ① 內控審計意見類型為否定意見； ② 企業更正已公布的財務報告； ③ 被審計單位因違反國家法律法規而受到處罰； ④ 被審計單位董監高因舞弊受到處罰。此外，基于國泰安（CSMAR）數據庫2 0 1 2 ～ 2 0 2 2 年財報管理層討論與分析（MDamp;A）中的文本數據，依據胡楠等（2021）確定的43個“短期視域\"詞匯，利用財經專業類文本的分詞系統技術，將“短期導向\"相關的詞匯詞頻占總詞頻的比例乘以100后形成管理層短視語調指標，該指標的數值越大，說明企業管理層越短視。

四、企業內控重大缺陷畫像及其可視化呈現

（一）利用聚類算法提取標簽特征

本文分別從公司治理、經營復雜性、財務狀況、外部市場環境及監管和管理層態度五個維度對樣本公司進行K均值（K-means）聚類分析，即在不同維度的數據集中找到相似元素的集合，并依據不同特征將樣本公司分為不同類別，結果如表2所示。

（二）進一步分類后的企業內控重大缺陷畫像及其可視化呈現

根據表2中的聚類特征，公司治理簇（良好）為0、財務狀況簇（較差）為0的樣本較多，說明大多數樣本公司的治理狀況良好、財務狀況較差，即無論內控是否存在重大缺陷，樣本企業的公司治理通常表現為良好，財務狀況通常表現為較差，無明顯差異，說明僅從公司治理和財務狀況相關指標著眼，無法明確判斷企業內控是否存在重大缺陷。因此需要進行再次分類，根據經營復雜性、外部市場環境及監管、管理層態度進行進一步判斷。本文在所有公司治理良好以及財務狀況較差的樣本中，選擇經營復雜性中等、外部市場環境及監管壓力大、管理層態度較為短視的樣本，形成畫像1，選擇經營復雜性較高、外部市場環境及監管中等、管理層態度較為長遠的樣本，形成畫像2，對每類畫像進一步區分存在與不存在內控重大缺陷的企業，以判斷內控存在重大缺陷的特征，企業畫像如表3所示。

根據表3可知，在兩種不同的企業畫像下，內控存在與不存在重大缺陷的公司在5個指標的平均值上產生明顯差異。相對于不存在內控重大缺陷的企業，存在內控重大缺陷企業的兼并重組更多、累計非經常性損益更高，每股收益、凈資產收益率更低，審計機構為“四大\"的可能性更小。對于經營復雜性中等、外部市場環境及監管壓力大的企業而言，存在內控重大缺陷的企業第一大股東持股比例相對較低，營業收人增長率相對較高，行業競爭更為激烈；對于經營復雜性較高、外部市場環境及監管壓力中等的企業而言，存在內控重大缺陷的企業第一大股東持股比例相對較高，營業收入增長率相對較低，行業競爭程度較低。可以看到，雖然內控存在與不存在重大缺陷的企業整體上在公司治理和財務狀況維度的差異不明顯，但通過進一步分類發現，存在與不存在內控重大缺陷的企業在公司治理、經營復雜性、財務狀況、外部市場環境及監管以及管理層態度等維度上存在差異，并體現在上述財務與非財務指標中。因此，外部監管者需要著重觀察上述5個維度的指標，以更好地識別內控存在重大缺陷的企業。

此外，表2管理層態度聚類中所有樣本在“短視\"簇的占一半，說明約有一半的管理層傾向于較為短視。在表3中，存在與不存在內控重大缺陷企業的管理層態度在量化數據上的差異不明顯，說明僅憑數據的橫向對比難以有效區分存在與不存在內控重大缺陷的企業。因此，本文針對管理層態度同屬“短視\"特征簇的樣本，提取年報中管理層討論與分析（MDamp;A）部分的文本信息，匹配會計金融情緒詞典（Bian等，2019），分別對存在與不存在內控重大缺陷企業的文本信息中包含的積極詞匯和消極詞匯進行詞頻統計，如圖1和圖2所示。

可以看到，存在內控重大缺陷企業的管理層通過文字傳遞出企業狀況不佳的信號，例如頻繁使用“下降\"“損失”“減值”和“虧損”等字眼，同時也使用“壓力”“困難”“嚴重\"和“危機\"等詞語傳遞出管理層面臨嚴峻局面的信息，使用“禁止\"“違約”“凍結\"等詞語傳遞出管理層較為消極的態度。對比來看，不存在內控重大缺陷企業的情感詞更加正面積極，頻繁使用“發展”“創新”和“增長\"等字眼表達企業蓬勃發展的狀況，同時也使用“實現”“穩定”和“平穩”等客觀描述管理層面臨的良好局面，使用“積極”\"推進”\"提升\"和“合作\"等詞語傳遞出管理層積極的態度。因此，審計師與監管機構可利用企業畫像結果更直觀、有效地識別存在內控重大缺陷的企業。

（三）各維度存在內控重大缺陷企業特征分析及可視化

根據公司治理、經營復雜性、財務狀況、外部市場環境及監管和管理層態度五個維度指標的數值表現，將公司治理分為 、 兩類， 代表公司治理良好， 代表公司治理較差；將經營復雜性分為 、 、 三類， 代表經營復雜性中等， 代表經營復雜性較低， 代表經營復雜性較高；將財務狀況分為 、 、 、 四類， 代表財務狀況較差， 代表財務狀況一般， 代表財務狀況中等， 代表財務狀況良好；將外部市場環境及監管分為 、 、 三類， 代表外部市場環境及監管壓力大， 代表外部市場環境及監管壓力小， 代表外部市場環境及監管壓力中等；將管理層態度分為 、 三類， 代表管理層態度為短視， 代表管理層態度為中立， 代表管理層態度為長遠。各維度存在或不存在內控重大缺陷企業數量如表4所示。

可以看到：存在內控重大缺陷企業在公司治理維度

企業數量最多，主要表現為公司治理良好；在經營復雜性維度 企業數量最多，主要表現為經營復雜性較高；在財務狀況維度 企業數量最多，主要表現為財務狀況較差；在外部市場環境及監管維度 企業數量最多，主要表現為外部市場環境及監管壓力大；在管理層態度維度 企業數量最多，主要表現為管理層較為短視。不存在內控重大缺陷的企業在公司治理維度 企業數量最多，主要表現為公司治理良好；在經營復雜性維度 企業數量最多，主要表現為經營復雜性較低；在財務狀況維度 企業數量最多，主要表現為財務狀況較差；在外部市場環境及監管維度 企業數量最多，外部市場環境及監管壓力中等；在管理層態度維度 企業數量最多，主要表現為管理層較為短視。

為了更加清晰地分析存在內控重大缺陷企業在不同維度的表現，參考徐靜和袁慧（2023）的做法，刻畫內控重大缺陷在不同維度的表現分布，如圖3所示。可以看到，存在內控重大缺陷企業的公司治理良好、經營復雜性較高、財務狀況較差、外部市場環境及監管壓力大、管理層較為短視。這提示外部審計師和監管機構，即使公司治理看似良好，也可能隱藏著內控重大缺陷，應保持警覺。

公司治理 經營復雜性 財務狀況中等

2差% 30高% 2等% 2.57% 良好22.48% 5.98%良好較低 較差79.62%35.56% 68.97%外部市場環境及監管 管理層態度

壓力中等 長遠18.54% 11.30%壓力大 短視壓力輕 44.77% 中立 49.31%36.69% 39.39%

五、企業內控重大缺陷識別分析

對于企業內控重大缺陷識別，需利用機器學習算法學習歷史數據，分析和預測內控重大缺陷時間序列數據的動態行為，對樣本進行分類，以識別存在內控重大缺陷企業。本文基于全樣本公司數據以及2022年樣本公司數據，選擇表1中的模型標簽和識別標簽，利用機器學習算法學習自變量指標數據與因變量指標數據，按照8：2的比例將總樣本隨機分為訓練樣本和測試樣本，采用CNN卷積神經網絡模型和Boosting集成模型進行識別，結果如表5所示。

表5中的結果顯示，Boosting集成模型全樣本和2022年樣本預測結果的準確率分別為 7 0 . 2 7 % 、 8 1 . 4 6 % ，精準率分別為 6 6 . 4 8 % 、 5 8 . 9 3 % ，召回率分別為 7 1 . 0 2 % 、 8 1 . 4 8 % ， score分別為 6 8 . 6 7 % / 6 8 . 3 9 % 。將Boosting集成模型預測結果與CNN卷積神經網絡模型預測結果進行比較，發現Boosting集成模型在各項指標中的表現均優于CNN卷積神經網絡模型，預測效果更好。因此，本文基于公司治理、經營復雜性、財務狀況、外部市場環境及監管、管理層態度五個維度的指標體系構建的企業內控重大缺陷識別模型，表現出較強的內控重大缺陷識別能力，優于現有的研究結果，說明在指標體系和識別模型的構建上能滿足識別內控重大缺陷的要求。

六、研究結論與啟示

（一）研究結論

為幫助審計師與監管機構更準確地識別與預測企業內控重大缺陷，本文從公司治理、經營復雜性、財務狀況、外部市場環境及監管、管理層態度五個維度構建指標體系，通過標簽建模和聚類分析形成樣本公司的特征分類，對企業內控重大缺陷特征進行可視化畫像呈現，并基于機器學習算法構建識別模型。研究發現，無論是否存在內控重大缺陷，樣本企業的公司治理通常表現為良好，財務狀況通常表現為較差，無明顯差異。因此，本文通過對各維度存在內控重大缺陷企業進行特征分析，并進一步分類后繼續分析存在內控重大缺陷企業的畫像特征，發現存在內控重大缺陷企業的公司治理良好、經營復雜性較高、財務狀況較差、外部市場環境及監管壓力較大、管理層較為短視，這一結果基本符合內控重大缺陷存在的內在邏輯。存在內控重大缺陷的企業呈現兼并重組的經營復雜性、存在累計非經常性損失、每股收益和凈資產收益率相對較低、審計機構為非“四大\"等顯著特征，且可視化畫像進一步表明存在內控重大缺陷企業年報文本信息的情感用詞更為負面與消極。此外，將相關樣本放入識別模型中，發現Boosting集成模型識別企業內控重大缺陷的準確率和精準率高于CNN卷積神經網絡模型，且各評價指標表現良好，因此，審計師與外部監管機構可利用該模型更智能準確地識別存在內控重大缺陷的企業。

（二）啟示

基于前文的研究與結果，本文的啟示在于：

1.政府監管的角度。一方面，監管機構可重點關注經營復雜性較高、財務狀況較差、外部市場環境及監管壓力較大、管理層較為短視的企業，以強化企業內控建設。同時，可通過公開披露內控重大缺陷的識別結果，強化對企業內控的外部監管。另一方面，監管機構可建立有效的財務和非財務監測體系，利用企業畫像技術、內控重大缺陷識別模型及時發現內控重大缺陷的跡象，實現政府監管的精準化和智能化，創新監管方式，動態調整和優化監管要求，使監管制度更具針對性和適應性，確保能夠有效覆蓋各類潛在風險。

2.外部審計的角度。在面對復雜多變的審計環境時，審計師需更新知識結構，提升風險評估和管理能力，以更好地適應不斷變化的審計要求，運用先進的技術手段和工具主動識別被審計單位的內控重大缺陷，從而將審計風險評估關口前移，提高財報和內控審計的質量。

3.企業自身角度。內控重大缺陷識別模型為企業提供了主動正視問題的途徑。一方面，企業應主動完善內控機制，及時發現并糾正內控重大缺陷，并利用信息技術等創新工具實施整改監督，提高內控的有效性，從而提高盈利能力，降低財務風險；另一方面，公司治理層應當加強對管理層的監督，確保管理層的目光更加長遠，并制定更加具有前瞻性和務實性的戰略發展規劃，以避免盲目兼并重組。

【主要參考文獻】

陳宇龍，孫廣宇.中國股票市場操縱識別研究一一基于機器學習分類算法[J].中央財經大學學報，2023（3）：56～67.

郭軍，趙息.高管權力、制度環境與內部控制缺陷[J].系統工程，2016（7）：73～77.

胡楠，薛付婧，王昊楠.管理者短視主義影響企業長期投資嗎？一一基于文本分析和機器學習[J].管理世界，2021（5）：139～156.

江嶺，王彥杰.公司治理、公司經濟特征與內部控制缺陷一一基于30個案例的清晰集定性比較分析[J].財會通訊，2021（16）：79～83.

李清，閆世剛.公司治理對內部控制指數的影響研究[J].吉林大學社會科學學報，2020（6）：167～178+235.

林斌，黃俊欽，譚素嫻.中國企業反舞弊畫像一一基于舞弊三角理論的分析[J].財會月刊，2022（7）：17～25.

劉瑾，趙納暉.基于機器學習的企業內部控制重大缺陷預測[J].財會月刊，2022（3）：123～131.

劉云菁，伍彬，張敏，獨立董事能識別公司財務舞弊風險嗎一一基于機器學習預測財務舞弊的研究[J」.會計研究，2023（9）：21～34.

聶帆飛，馬元駒.企業財務風險偏好畫像構建[J].山西財經大學學報，2022（11）：94～107.

石榮，張特，楊國濤.計量經濟學中的機器學習方法：回顧與展望[J].統計與決策，2024（1）：52～56.

王海林·企業內部控制缺陷識別與診斷研究一一基于神經網絡的模型構建[J].會計研究，2017（8）：74～80.

徐靜，袁慧.基于RFM模型的上市公司違規行為畫像研究[J].數據與計算發展前沿，2023（6）：20～30.

許寧寧.管理層認知偏差與內部控制信息披露行為選擇一一基于存在內部控制重大缺陷上市公司的兩階段分析[J].審計與經濟研究，2019（5）：43～53.

楊婧，許晨曦.產品市場競爭、內部治理與內部控制缺陷認定標準[J].會計 研究，2020（6）：158～170.

尹律，徐光華，易朝暉.環境敏感性、產品市場競爭和內部控制缺陷認定標 準披露質量[J].會計研究，2017（2）：69～75.

張慶龍，邢春玉，張延彪等.上市公司財務違規特征分析及預測研究—一基 于企業畫像和機器學習的經驗證據[J].審計研究，2023（2）：73～87.

（責任編輯·校對：羅萍李小艷）