基于机器学习的企业内审机构组织效能评价研究

吴花平 桂渝鑫

【摘 要】 内审机构作为履行内部审计职能的主要载体，其组织效能能够综合地反映企业内部审计质量。文章在已有研究的基础上全面分析了内审机构组织效能的影响因素，基于成长性、独立性、权威性、专业性、职业行为和审计环境六个评价维度，构建了企业内审机构组织效能评价指标体系。通过调查问卷方式获取845个有效样本作为指标数据，利用模糊C-均值聚类算法实现组织效能等级标签的标注，使用决策树、支持向量机、人工神经网络、随机森林、极限梯度提升树和双层Stacking模型分别构建了企业内审机构组织效能评价模型，从而探索内审机构组织效能评价的智能化实施路径。结果显示，支持向量机模型在样本数据集上具有最佳的效果，根据特征贡献度发现，机构的隶属关系、人员的专业胜任能力和对问题整改的推动等指标对内审机构组织效能的影响程度较大。

【关键词】 内部审计； 组织效能； 机器学习

【中图分类号】 F239.45；TP311.1  【文献标识码】 A  【文章编号】 1004-5937（2023）05-0126-10

一、引言

党的二十大报告深刻回答了事关党和国家事业发展的一系列重大理论和实践问题，这既是新阶段审计实务工作的重要遵循，也是审计理论研究的重要指引。审计署副审计长章轲[1]指出，审计领域的从业者和研究者要认真学习和贯彻党的二十大精神，并以此助力我国审计工作的高质量发展。内部审计作为我国三大审计类型之一，是企业内部控制体系中内部监督的重要组成部分，也是企业全面风险管理体系中保障风险控制有效性的第三道防线（IIA，2021），担负着监督各职能部门业务活动、促进组织运营效率以及增加企业经济价值等重要使命[2]。近年来我国企业为了提高市场核心竞争能力，信息化、数字化、智能化转型的脚步不断加快，由此产生的企业内、外部环境剧变给内部审计职能的有效发挥带来了严峻的挑战[3]。如何提升内部审计质量，优化内审组织机构，进而推动内部审计高质量发展，助力企业数智化转型以及后疫情时代经济的稳步复苏，已成为亟待解决的重要问题。

二、文献回顾与研究设计

目前，我国关于内部审计质量的研究主要分为两个方面。一方面是围绕内部审计质量的影响因素，如徐政华等（2020）认为提升内部审计质量可以通过营造适应的审计环境、加强审计人员的专业素质、重视审计管理以及强化系统协同等方式实现；刘益男（2022）根据审计项目实施过程进行分析，提出为把控审计项目过程质量，应当优化控制环境、加强资源保障、完善制度标准；同时，加强审计信息化建设以及完善全方位质量监管机制也能够促进内部审计质量的提升（邹兵，2022）。

另一方面是关于内部审计质量评价体系的研究，内部审计质量评价是保障和提高内部审计质量的重要措施，科学的评价方法能够反映真实的内部审计水平，无论是加强高管管理，还是促进内审机构自我优化，抑或是保障内部审计协会和监管部门工作的顺利开展均具有重要意义[4]。内部审计因其综合性难以进行全面有效的评价，现有学者从定性和定量两个层面进行了研究。其中平衡计分卡是运用最广泛的评价方法之一，如范经华[5]通过梳理内部审计质量控制路线，根据传统平衡计分卡的四维度划分构建了内部审计质量评价体系；陈芳[6]则针对医院内部审计场景，根据平衡计分卡的维度划分思路，构建了包括职能业绩、服务对象、业务流程管理、学习与成长四个维度的内审绩效评价体系。

虽然目前已有不少关于内部审计质量评价的研究，但一定程度上还存在着改进和丰富空间。首先，由于平衡计分卡最初多是用于经营性组织的绩效评价，因此其中的维度划分难以有效适配内部审计的评价需求，现有研究在选择指标时大多受到该框架的限制，容易造成评价体系针对性和系统性不足的问题。其次，评价对象和评价标准存在局限。目前的研究大多將内部审计直接作为研究对象，然而，内部审计的概念相对宽泛，易导致指标选择相对抽象，进而降低了评价体系在实际运用中的可执行性。评价标准则忽视了对审计执行范围以外组织能力的评估，导致评价结果不够全面，影响评价体系的综合性与完整性。此外，评价手段单一、缺乏技术支持也是亟待解决的重要问题。现阶段内部审计质量评价的实施主要依靠专家或高管的主观判断，但由于内部审计往往涉及财务、会计、风险管理、内部控制等多方面的专业知识，对于评价者的专业综合能力提出了较高的要求。同时，大数据时代暴增的信息熵也给评价者增添了巨大的误判风险，然而目前从技术角度出发尝试解决此问题的研究还较少。有学者指出机器学习是实现智能化审计的重要工具，能够为内部审计应对急剧的数据增长提供技术保障[7]。陈唯源（2020）运用机器学习算法改进央行内部审计问题管理的不足，实现了对问题标签的自动化预测，提升了内部审计问题管理的效率。生丽英（2018）运用支持向量机算法模型构建了嵌入式智能持续审计系统框架，为审计风险预警问题提供了新的解决方案。

基于此，本文提出将内部审计质量评价的对象具体化，以达到提升评价效果与实际应用的目的，而内审机构作为企业中履行内部审计职能的组织与载体是最佳选择。评价指标也不应仅局限于对绩效和价值的评价，而应以企业内审机构作为中心，在注重主观行为评价的同时兼顾客观能力的衡量。Cameron et al.[8]提出组织效能（Organizational Effectiveness）是组织研究的终极目标，与绩效相比，组织效能能够体现出更高层次的组织内涵[9]。根据组织行为学派的界定，绩效是行为的直接结果，反映的是任务的完成和目标的实现，而组织效能则是对绩效基于价值的评判，是组织目标完成情况的综合体现[10]。绩效侧重于组织目标的外在结果，容易导致组织的短视行为，而组织效能的视角更加全面，因此常用于评价企业组织活动的研究中[11]。

综上所述，为解决企业内部审计质量评价效果不佳以及实施困难的问题，本文基于组织效能视角，以企业内审机构为研究对象，在已有研究成果的基础上构建企业内审机构组织效能评价指标体系，并运用层次分析法建立判断矩阵以获取各项指标权重，从而优化现有的评价体系和评价方法。为丰富评价实施手段，在构建评价体系的基础上，本文使用多种机器学习算法，分别建立企业内审机构组织效能评价模型，利用模型评价标准对各模型的效果进行分析和比较，从而寻找出内审机构组织效能评价中效果最佳的机器学习模型以及贡献度最高的识别特征。由于内审机构是企业中重要的监督与服务部门，内部审计工作往往涉及企业的重要机密信息，我国目前未有强制性规定要求企业披露内部审计的详细数据信息，通过公开数据库难以获得企业内部审计具体情况的完整数据信息，因此本文选择通过问卷调查的方式获取评价指标数据。具体研究过程如图1所示。

三、评价体系的构建

（一）评价要素的识别

组织效能的内涵伴随着组织理论与社会学的发展而不断演变，能够全面且有效地反映组织在各个方面的实际情况，是评价一个组织目前状况和未来发展的重要指标[12]。研究者基于不同的视角对组织效能做了不同的定义，从内部过程视角出发，研究者认为组织效能是组织内部人员之间的相互作用以实现顺畅的组织运动[13]。从外部资源视角出发，研究者将组织效能定义为组织获取稀缺和有价值资源以维持正常组织运转的能力[14]。还有研究者从利益相关者视角[15]、悖论视角[16]等方面对组织效能做出了定义，不同的定义相互区别也互为补充，全面理解组织效能的定义有助于深入了解组织效能的内涵。根据学者对组织效能内涵的探讨发现，组织效能围绕组织目标的实现过程本质上可以分为两个基本要素，即组织目标完成的能力和组织目标完成的情况。基于此，本文从上述两个方面对企业内审机构组织效能的评价要素进行识别，从审计基础中挖掘企业内审机构完成目标的能力，从审计执行和审计表现中识别企业内审机构目标完成的情况，如图2所示。

1.审计基础不关注审计工作的开展，体现的是内审机构的客观能力，包括机构设置的情况和所处的审计环境。对机构设置的识别可以从组织架构、资源配置、人员构成三个方面进行。适当的组织结构可以促进组织工作的完成和目标的实现，反之亦然；资源配置是组织执行任何活动的物质基础，反映出组织的受重视程度；人力资源是一个组织的核心资源，组织人员的有机协同是组织效能产生的源泉。审计环境可以分为技术环境、制度环境和文化环境。技术环境关注企业是否设计、开发、运用专门的内部审计信息系统；制度是执行审计工作的依据，完善的内部审计制度是形成良好制度环境的基础；文化环境是企业价值观和行为准则的具体体现，崇尚诚信、沟通的企业文化更利于内部审计工作的开展。

2.审计执行关注内部审计工作的实施情况，在审计执行中，主要关注具体审计过程和对此过程的质量控制手段。审计过程可以从工作范围、工作方式以及工作强度等方面进行识别。工作范围从横向展开，细分为不同类别的审计项目，通常更多的审计类别能够增强内审机构的组织效能；从纵向展开，审计工作是否连贯和完整，涉及事前预警、事中监督及事后评价的全流程审计拥有更高的组织效能。科技的发展使审计的工作方式不断更迭，大智移云等新技术的应用是内部审计数智化发展的必然趋势[17]。在审计过程中，不同的工作方式将对审计效率和效果产生影响。质量控制是指内审机构为保证审计过程符合准则要求以及实现审计目标而采取的行动，包括人员指导、项目监督和底稿复核。人员指导是质量控制最基本的要求，使一线审计人员具备足够的胜任能力。项目监督的目的是加强对下属各项目组的管理，降低审计错误和审计舞弊发生的可能性，通过提升各项目组的效能实现内审机构总体效能的提升。底稿复核是完成审计工作时重要的质量控制程序，涉及对审计过程中重大事项、审计安排、审计证据以及其他记录的检查。复核人员应当具有足够的专业胜任能力、行业经验和责任感，以保证复核程序的有效。

3.审计表现是审计工作完成后对审计目标完成情况的评判，主要可以从三个角度进行识别。首先是基于结果视角，即内审机构是否完成了赋予其的各项任务，包括是否加强了公司治理水平，降低了委托代理风险；是否对风险管理部门的职责履行情况进行了全面的监控，从而防止战略失败的可能；是否督促和推动了内控部门对内部控制体系的完善，提升了组织运行效率等。若企业内审机构能够充分实现其职能目标，则认为该组织效能水平较高。其次是通过其他部门对内部审计的态度进行识别，内部态度与顺畅的信息沟通有重要关系；做好内部审计职能的宣传宣讲工作，使被审计者充分了解内部审计的作用机理，能够减少抵触情况的发生；被審计人员的配合意愿是内部态度最直观的反映。最后是通过外部相关方对企业内部审计的态度进行识别，会计师事务所在进行财务报表审计时会对企业的内部审计工作进行评价，因此注册会计师的态度可以成为参考依据，监管机构的问询和资本市场的反应也体现企业内审机构组织效能的情况。

（二）评价指标的选择

通过对内审机构组织效能影响因素的识别和梳理，依据组织效能评价范式对各要素进行整理和归类，最终将企业内审机构组织效能评价指标体系的一级指标划分为成长性、独立性、权威性、专业性、职业行为和审计环境六个评价维度。

1.成长性是描述企业内审机构未来发展潜力的评价指标，持续发展的组织相较于停滞不前或正在萎缩的组织具有更大的组织效能，下设四项二级指标：（1）人员绝对增速，计算内审机构上一年度的期末人员数量较期初人员数量的变动率；（2）人员相对增速，计算内审机构人数在企业总体中，上一年度的期末占比较期初占比的变化率；（3）人员工薪水平，比较上一年度内部审计人员与财务人员的平均薪资水平；（4）机构预算变动，计算内审机构本年度的总体预算较上一年度的变化率。

2.独立性是内部审计的基本要求，是提升其工作质量，实现其职能目标，发挥其关键作用的必要保证，下设三项二级指标：（1）机构的设立时间，即内审机构正式设立的年度；（2）机构的地位设置，如独立的职能部门、与财务部门合署办公、与纪检部门合署办公以及与行政管理部门合署办公等；（3）机构的隶属关系，如隶属于董事会、监事会、审计委员会或管理层等。

3.权威性是评价内审人员通过对被审计对象的业务活动实施审计，提出的审计意见和建议具有使人信服的内涵和接受监督的程度，下设五项二级指标：（1）机构受重视程度，主要源于企业高层对内部审计的主观态度；（2）审计委员会的设置，首先确定是否设置，若设置，评价是否具备足够统领内审机构的能力和意愿；（3）机构负责人（CAE）职权，识别机构负责人的工作情况，如是否参与高层会议、与治理层和管理层的交互频率等；（4）指导性文件的制定，评价内部审计相关文件的数量和详细程度；（5）对问题整改的推动，内审机构是否着手建立规范的审计问题整改流程。

4.专业性是对内审机构人员能力的衡量，下设四项二级指标：（1）机构负责人（CAE）的能力，从学科背景、工作经历和沟通技巧等方面评价机构负责人专业胜任能力；（2）人员的专业胜任能力，从学历、学科背景和工作经验等方面评价内审人员专业胜任能力；（3）人员培训与激励政策，评价企业的内部培训以及出台的激励政策是否推动内审人员持续提高自身专业技能；（4）对政策法规的关注，评价内审机构对国家政策法规变化趋势的关注程度。

5.职业行为是刻画内审人员在工作执行过程中是否严格依照内部审计准则以及其他相关的规章制度，并运用掌握的专业技能高质量地履行确认和咨询职责，下设六项二级指标：（1）审计委员会履职，包括其听取汇报情况、例行会议情况以及统筹审批情况；（2）工作实施模式，包括传统的事后反应模式以及兼具事前防范、事中预警和事后评价为一体的持续审计模式、敏捷审计模式等；（3）工作覆盖领域，即根据审计全覆盖的要求，判断内部审计是否对企业各类活动做到了全面的监控；（4）工作开展强度，计算内审人员的周平均工作时长；（5）工作执行成果，基于增值性视角，计算内部审计直接减少的经济损失和间接带来的经济利益；（6）审计对象的评价，较高的评价能够反映较好的内部审计职业行为。

6.审计环境是内部审计赖以生存和发展的土壤，也是内部审计实现其效用的基础，下设五项二级指标：（1）内部审计信息系统，信息化、数字化的审计环境与传统手工审计环境相比能够大幅提升审计质效；（2）内部审计报告规范，识别是否制定关于出具内部审计报告的规范性文件或书写模板；（3）内部审计职能宣传，即是否组织开展关于内部审计职能的宣讲活动，增加企业内非内审人员对内部审计的认识和了解；（4）审计对象配合意愿，询问被审计对象对内部审计的满意度；（5）良好的企业文化，评价企业文化中对诚信、严谨、沟通等品质的强调程度。

（三）指标权重的确定

在确定企业内审机构组织效能的具体评价指标后，需要进一步确定各个指标的权重，層次分析法是目前应用最广泛的权重确定方法之一，通过成对比较对识别层和指标层的指标两两进行对比。本研究采用1—9的标度值来描述比较指标间的重要性差别，数值越大，重要性程度越高。指标的重要性通过参考历史文献，咨询多位内部审计领域专家、高校教授以及资深从业者获得。将重要性对比结果量化为指标判断矩阵，计算得出一级指标与二级指标的权重，如表1所示。为保证判断矩阵不存在逻辑性错误，利用一致性比率（Consistent Ratio，CR）进行检验，企业内审机构组织效能一级评价指标的判断矩阵CR值为0.0378，小于0.1；成长性维度、独立性维度、权威性维度、专业性维度、职业行为维度和审计环境维度的判断矩阵CR值分别为0.0443、0.0031、0.0715、0.0304、0.0505、0.0093，均小于0.1，一致性检验通过，证明权重计算有效。权重结果显示，一级指标中，独立性和职业行为的权重最高，将对内审机构的组织效能产生较大的影响。各一级指标下的二级指标中，权重最高的指标分别为机构预算变动、机构的隶属关系、机构受重视程度、人员的专业胜任能力、工作开展强度和内部审计信息系统，即各评价维度的核心指标。

四、特征标签的选取与验证

（一）数据获取

本研究参考张庆龙（2013）、蒋峻松（2019）等的做法，通过电子邮件和问卷调查相结合的方式，向国内各行业领域中的企业内审机构负责人发放调查问卷，问卷采取匿名填写，指标数据被设计为李克特五级量表的形式，由于部分问卷题目基于外部视角，因此需要被发卷人至少邀请一名同企业中的非内审机构人员共同完成问卷填写。最终共获得892份问卷回复，在剔除无效问卷后，获得有效样本845份。其中，食品药品行业占比最多，为27.9%；其次是机械制造业，占比20.2%；然后是建筑建材行业，占比17.8%；其余涉及农林牧渔、交通运输、纺织皮革、冶金矿业和金融证券，共占比34.1%。数据样本覆盖面较广，具有代表性。使用SPSS 23软件对数据进行最大方差分析、探索性因子分析（EFA）和正态性检验。根据未加权样本数据的得分计算样本的整体峰度值为-0.790，偏度值为-0.084，均处于经验数值边界内，证明样本符合正态分布。根据量表数据计算的整体信度Cronbach α值为0.861，大于经验有效值0.7，6个评价维度的Cronbach α值均大于经验数值0.6；量表数据效度KMO值为0.855，大于经验有效值0.6，显著性P<0.05，样本数据信效度良好。

（二）数据预处理

在机器学习过程中，由于不同组织效能评价指标具有不同的量纲和量纲单位，会对最终的结果产生影响，为了消除评价指标量纲差异的影响，需要对收集的问卷数据进行标准化处理，本文采用min-max归一化方法对845个企业内审机构组织效能样本数据进行归一化处理。如式1所示：

y=■（newAmax-newAmin）+

newAmin  （1）

其中，x为转换前的值，y为转换后的值，Amin为指标A原始值中的最小值，Amax为指标A原始值中的最大值。最大最小法是将指标A的原始值x映射到区间[newAmin，newAmax]，得到y，将数据限定在一定的范围内，从而消除了异常样本数据给学习结果带来的不良影响。

（三）模糊C-均值聚类

模糊C-均值算法（FCM）由贝兹德克（Bezdek）提出，通过引入模糊加权指数m和聚类中心的隶属度μ，实现了对应C-均值聚类算法（HCM）的优化和改进，是目前应用最广泛的聚类算法之一[18]，目标函数为：

L=■■μ■■■  （2）

聚类时首先指定n个聚类中心C，本文参照以往研究将聚类簇确定为五个；其次初始化隶属度关系矩阵，保证每行μ值之和为1，并设置迭代停止的阈值ε为0.00001；然后进行循环迭代，不断更新样本中的C值与μ值，直至迭代后的目标函数值与迭代前的目标函数值之差小于ε则停止迭代，输出聚类结果。将经过预处理的问卷数据带入此流程，从而得到企业内审机构组织效能等级标签，具体过程如图3所示。

（四）标签验证

根据FCM聚类算法对样本组织效能的划分，利用传统加权计分的方式对标签的有效性进行验证，基于企业内审机构组织效能评价指标权重计算各聚类簇的平均分值，按由小到大的顺序排列，得分依次为58.86、70.91、80.76、92.13、99.27，分别记为C1簇、C2簇、C3簇、C4簇、C5簇，如图4所示，分值梯度能明确区分且跨度分布均匀；再计算各聚类簇的分值标准差并作为误差线在柱状图上标注，C1至C5簇分别为3.37、3.66、3.34、4.17、4.04，显著低于样本总体标准差16.30，表明同标签样本集中度较好，聚类结果良好。根据本文的加权计分规则，分值越低则代表内审机构组织效能水平越高，因此C1至C5簇分别对应组织效能的高水平、较高水平、中等水平、较低水平和低水平。

五、评价模型的构建与分析

（一）建模流程

基于机器学习的企业内审机构组织效能评价模型原理是通过FCM聚类的方式获取各样本的组织效能等级标签，进而形成完整的“特征+标签”的样本数据集，本文利用Python编程语言与Jupyter Notebook开发环境实现机器学习分类模型的建立和分析，通过交叉比较获取与组织效能评价适配性最佳的建模算法，最终利用模型实现对企业内审机构组织效能的智能化评价。具体流程如图5所示。

按7■3的比例将样本数据集划分为训练集和测试集，利用训练集数据进行训练，其间通过多种参数调整方法使单模型效果达到最优，利用测试集对训练好的模型效果进行量化评估；最后，由于机器学习算法在不同数据集上的表现具有不确定性，最佳模型往往需要通过实践才能获取，因此本文分别构建基本分类算法下的决策树（DT）、支持向量机（SVM）和人工神经网络（ANN）模型，以及集成学习算法下的随机森林（RF）、极限梯度提升树（XGBC）和双层Stacking（STK）模型。其中，双层Stacking模型利用决策树、支持向量机和人工神经网络模型作为第一层的初级学习器，选择稳定性较好且结构简单的逻辑回归模型作为第二层的元学习器。

（二）评价标准

本文构建的企业内审机构组织效能评价模型是一个五分类模型，即多分类模型。因此本文将采用基于混淆矩阵得到的准确率、精准度、召回率、F值，以及Kappa系数和模型耗时来对模型效果进行评估。在机器学习领域，混淆矩阵（Confusion Matrix）是对分类问题预测结果的总结，矩阵的每一行之和表示被模型划分为此类别的样本数量，每一列之和表示此类别实际的样本数量，实际判断类别根据经验证的FCM聚类标签确定。基于混淆矩阵，可以获得上述模型评价指标。

1.准确率（Accuracy）

准确率是指模型预测结果与实际判断类别相同的样本数占总样本数的比例，计算公式为：

Accuracy=■  （3）

准确率是从总体层面评价模型预测精度的指标，也是应用最广泛的模型评价指标，能够反映模型对测试集样本判断正确的能力，数值越高代表模型效果越好。在实际运用中，该指标对分类预测的细节关注较少，因此通常需要与其他评价指标配合进行分析。

2.精确率（Precision）

精确率是指模型预测结果与实际判断相同的样本数量占模型预测为此类别总数量的比例，能够反映预测结果的正误情况，即预测的某一类别中有多少实际判断也为此类别。计算公式为：

Precision（j）=■

（4）

3.召回率（Recall）

召回率是指模型預测结果与实际判断相同的样本数量占实际判断为此类别总数量的比例，能够反映预测结果的漏检情况，即实际判断为某一类别的样本中有多少也被预测为此类别。计算公式为：

Recall（j）=■  （5）

4.F1值

在评估模型效果时，研究者希望同时追求高的精确率和召回率，但在总体准确率变化不大的条件下，该两项指标往往呈反向变动关系，过度看重其一指标可能会导致另一指标的下降。F值则是同时考虑了精准度和召回率的评价指标，取精确率和召回率的调和平均数，并引入β值控制两个指标的重要性程度，本文认为精确率和召回率对于模型同等重要，因此取β值为1，即标准F1值，计算公式为：

F1（j）=■  （6）

5.卡帕系数（Kappa Coefficient，KC）

卡帕系数是用于一致性检验的评价指标，常常用于衡量模型的分类效果，就多分类问题而言，所谓一致性即预测结果和实际分类是否相同。本文属于五分类问题，计算公式为：

KC=■   （7）

其中：

P0=■   （8）

Pe=■   （9）

最后，模型耗时也被纳入评价指标中，虽然在本文小样本条件下，模型耗时绝对值较小，相互差别不大，但为了更好地应对实务条件下可能出现的大样本环境，本文将测试各算法下模型的建模耗时记作Time_C，以及运行耗时记作Time_R。

（三）参数寻优

模型参数作为机器学习模型中的重要组成部分，需要在建模过程中进行调整和优化，以使模型达到效果。本文利用学习曲线、网格搜索、交叉验证以及循环等方式对模型参数进行调优，最终获得各模型的最优参数组合，如表2所示。

（四）效果比较

利用模型评价标准对基于最优参数组合构建六种企业内审机构组织效能评价模型进行效果评估。在基本分类算法中，支持向量机模型表现出了最高的准确率92.13%，其次是人工神经网络模型，决策树模型的准确率与上述两个模型的差距较大，分别相差11.82%和11.42%。在其他标准的比较中，支持向量机模型和人工神经网络模型的预测结果互有优劣，但整体上支持向量机模型略微优于人工神经网络模型。

在集成学习算法中，双层Stacking模型的准确率最高，为91.34%，且相较于随机森林模型和极限梯度提升树模型有一定程度的提升，准确率分别提升5.51%和4.73%。各模型的预测结果相互差异小于基本分类算法中各模型的差异，集成学习模型总体波动较小。但值得注意的是，双层Stacking模型的建模耗时达到4 946.605毫秒，远远高于其他所有模型，建模耗时是用时第二的极限梯度提升树模型的约31倍，是用时最短的决策树模型的约1 653倍，由于未实现模型效果的大幅提升，因此该模型可能会导致算力的严重浪费。

对比两类算法，基本分类算法和集成学习算法建模后的预测结果互有高低，不存在集成学习算法一定优于基本分类算法的情况；在平均准确率上，集成学习算法甚至还略低于基本分类算法，分别为87.9267%与88.0567%。在机器学习模型中，支持向量机、人工神经网络和双层Stacking模型的效果较好，随机森林和极限梯度提升树模型效果其次，决策树模型预测精度最差。在表现较好的三个模型中，支持向量机模型的各评价指标总体优于其他两个模型的对应值，且建模耗时和运行耗时均为三者最优，在实务中可以优先选择该算法进行建模。在支持向量机模型中，特征贡献度最高的三个特征分别为机构的隶属关系、人员的专业胜任能力和对问题整改的推动，即内审机构直接隶属于审计委员会，审计人员拥有更高、更丰富的专业背景和从业经验，以及对审计工作中发现的问题具有更强的整改推动力三个方面对于提升内审机构组织效能具有重要的意义。各模型的具体评价指标如表3所示。

六、总结与展望

本文通过构建企业内审机构组织效能评价指标体系，开拓了内部审计质量评价的新视角；利用问卷调查搜集数据，构建六种机器学习分类模型并通过比较其在企业内审机构组织效能评价中的应用效果，发现基本分类算法和集成学习算法中的各模型效果互有优劣，不存在集成学习算法一定优于基本分类算法的情况；所有模型中，支持向量机模型的分类效果最佳，准确率达到92.13%，在实务中可以一定程度上辅助或代替人工对内审机构的组织效能进行评价。分析支持向量机模型的特征贡献度发现，当企业将内审机构隶属于审计委员会之下，组建拥有丰富专业背景知识和从业经验的审计人员队伍以及建立规范的审计问题整改流程时，内审机构具有更高的组织效能。然而，本文还存在着一些不足，一方面，本研究搜集的用于建模的数据量有限，主要是由于内部审计信息的保密性质导致无法从公开数据库获取大规模的标准化数据，数据规模会对机器学习模型的性能和效果产生直接影响，本文的集成学习模型效果欠佳可能在一定程度上源于数据规模的限制。在后续的研究中，可以通过增加样本量的方式提升模型性能，并比较大样本环境下不同模型的效果。另一方面，评价指标也存在细化的空间，由于内部审计需要为企业的经营和管理服务，因此处于不同行业领域的企业其内部审计工作往往存在较大的差异。本文选取指标时主要考虑较为普遍的内部审计内容，对评价特殊类别的内部审计程序缺少对应指标，在后续的研究中，可以参考本文构建的评价指标体系，通过引入案例的方式使评价指标得到细化和拓展，从而为我国企业内部审计的高质量发展贡献力量。●

【参考文献】

［1］ 章轲.认真学习宣传贯彻党的二十大精神 奋力谱写审计理论研究工作新篇章［J］.审计研究，2022（6）：3-7.

［2］ 支晓强，王储，赵晓红.国有企业实现内部审计监督全覆盖的机制和路径：一个理论框架［J］.会计研究，2021（10）：166-175.

［3］ 刘启亮，陆开森，李■，等.内部审计与管理层腐败［J］.审计研究，2022（4）：113-123.

［4］ 闫学文，刘澄，韩锟，等.基于价值导向的内部审计评价体系研究：理论、模型及应用［J］.审计研究，2013（1）：62-69.

［5］ 范经华.基于平衡计分卡的内部审计质量控制评价指标体系探讨［J］.审计研究，2013（2）：82-89.

［6］ 陈芳.基于BSC的医院内部审计绩效评价指标体系构建［J］.会计之友，2022（4）：132-136.

［7］ 张庆龙，邢春玉，芮柏松，等.新一代内部审计：数字化与智能化［J］.审计研究，2020（5）：113-121.

［8］ CAMERON KIM S，DAVID A WHETTEN，et al.Organizational effectiveness：a comparison of multiple models［M］.Academic Press，2013：19-25．

［9］ 何清华，杨德磊，张兵，等.组织效能研究的动态演化分析——基于内涵与发展视角研究［J］.软科学，2015，29（9）：76-80.

［10］ MOTOWILDO S J，BORMAN W C，SCHMIT M J.A theory of individual differences in task and contextual performance［J］.Human Performance，1997，

10（2）：71-83.

［11］ 袁尚南，强茂山，温祺，等.基于模糊层次分析法的建设项目组织效能评价模型［J］.清华大学学报（自然科学版），2015，55（6）：616-623.

［12］ DAS D.4C model：a new approach to determine and measure organizational effectiveness［Z］.2011.

［13］ GOODMAN P S，SCHOORMAN P，ATKIN R S.Organizational effectiveness as a decision-making process［M］.1979：55-58.

［14］ SEASHORE S E，YUCHTMAN E.Factorial analysis of organizational performance［J］.Administrative Science Quarterly，1967：377-395.

［15］ CONNOLLY T，CONLON E J，DEUTSCH S J.Organizational effectiveness：a multiple-constituency approach［J］.Academy of Management Review，1980，

5（2）：211-218.

［16］ QUINN R E，ROHRBAUGH J.A competing values approach to organizational effectiveness［J］.Public Productivity Review，1981：122-140.

［17］ 張庆龙，何佳楠，顾青青，等.场景审计：数字化时代商业银行内部审计工作模式［J］.审计研究，2021（4）：119-128.

［18］ 武超飞，孙冲，刘厦，等.基于改进FCM聚类的窃电行为检测［J］.电力科学与技术学报，2021，36（6）：164-170.