基于内部控制自评报告的财务困境预测

【摘要】现有的财务困境预测研究大多集中于企业年报中披露的财务信息以及社交媒体发布的文本信息， 对于内部控制自评报告在财务困境预测领域的应用研究极少。本文引入内部控制自评报告中的文本风险信息进行预测， 构建可以利用企业内部控制解释企业风险的文本特征指标， 并利用主流机器学习方法进行建模。进一步地， 基于2016 ～ 2018年我国所有上市公司样本， 结合文本特征指标与常规财务指标进行分析， 得出结论： 内部控制自评报告中的文本风险信息能够显著提升企业财务困境的预测效果， 并且文本特征指标在所有指标中呈现重要性， 且其对于时间的敏感性与常规财务指标相比较低。

【关键词】财务困境预测；内部控制自评报告；文本特征指标；机器学习；文本风险信息

【中图分类号】F275 " " "【文献标识码】A " " "【文章编号】1004-0994（2024）22-0024-6

一、 引言

近年来， 国内外上市公司的财务风险事件频发， 如恒大事件给社会与公众带来了极大的负面影响和损失 ， 这使得财务困境预测的准确性受到市场投资者、 监管机构等的高度关注。早期的财务困境预测研究大多基于会计数据、 现金流数据以及市场数据三个方面展开， 最近的研究开始关注社交媒体和公司公开的文本信息在财务风险预测中的重要性。相比于直观反映公司经营和财务状况的定量信息， 文本信息提供了对公司经营情况的更具体解释和分析， 是对定量信息的有效补充。尽管内部控制是企业的重要组成部分， 但很少有研究分析内部控制在财务困境预测中的作用。自2008年起， 我国对上市公司的内部控制实施了一系列政策规定， 明确了内部控制评价报告必须包含的内容， 如内部控制的评价范围、 评价依据、 缺陷认定标准及整改情况。随着我国上市公司数量的增加， 披露内部控制评价报告的公司数量也在增多， 该报告的重要性也在不断提高。

自2014年起， 我国鼓励所有上市公司自愿披露内部控制评价报告， 详细说明其内部控制体系建设情况， 使得企业内部控制规范体系更为完善。内部控制评价报告中的文本风险信息可以为公司的财务困境预测提供更多线索， 融合这些信息并将其与常用的财务和市场定量指标相结合， 有望进一步提升财务风险的预测效果。

与现有文献相比， 本研究的主要贡献体现在两个方面： 第一， 引入了内部控制评价报告中的文本风险信息。以往的研究在预测财务困境时， 通常依赖企业的季度报告或社交媒体发布的文本信息， 集中于分析公司的财务状况和经营活动。本研究则通过分析公司内部控制自评报告中的文本风险信息， 更直接地反映公司可能遭遇的未来风险。第二， 开发了一个新的特征指标——内控完善度， 用于衡量文本风险信息。现有研究在分析金融文本数据特征时通常从文本长度、 词频等维度考虑， 结合本文提出的内控完善度指标， 根据2014年财政部和中国证监会发布的《公开发行证券的公司信息披露编报规则第21号——年度内部控制评价报告的一般规定》（简称“内部控制评价报告规则”）， 提取内部控制自评报告文本中的重要特征， 能更好地刻画公司受到所披露风险影响的情况， 从而有助于预测公司是否陷入财务困境。

二、 文献综述

早期的财务风险预测研究主要依赖于会计数据、 现金流数据和市场数据。葛家澍和占美松（2008）认为企业财务报告能提供企业的核心信息， 但为了分析并更深入地理解这些信息， 必须研究若干其他的主要财务信息， 如流动性、 财务弹性（财务适应性或财务灵活性）、 预期现金净流入、 盈利能力和市场风险。曹兴和胡高（2009）在概括分析影响企业财务风险的因素后引入VaR参量， 构建了以VaR参量为主要衡量指标的财务风险预测回归模型， 并以实际数据为样本， 探讨了VaR参量对识别企业财务风险的统计影响程度。肖珉（2005）通过构建现金流量比和现金流入流出比等指标， 揭示了现金流与企业经营规模匹配的现金支付能力之间的强关联性。宫兴国等（2015）根据新能源上市公司财务风险特征， 利用灰色模型对小样本、 贫信息处理的优势， 运用灰色关联度方法建立了财务风险评分标准， 并建立GM（2，1）灰色复合模型对财务风险的变化趋势进行了预测。这些定量信息在后续研究中得到了广泛应用， 然而这些信息主要是对公司财务状况的高度概括， 只能描述公司的部分经营情况。

近年来， 有些研究开始探讨非财务指标， 如社交媒体和公司公开的文本信息在财务困境预测中的价值。从这些文件中提取的蕴含企业风险信息的文本在财务困境预测效果的提升方面发挥了巨大的作用， 对常规的财务指标起到了良好的协同作用。闫达文等（2024）除了以年度财务指标作为解释变量， 还加入了年度失业率、 季度GDP增长率等从财务报告之外的文件中获取的指标， 构建了不同时间窗口下的财务困境低频预测模型。陈艺云（2022）通过网络爬虫获取了上市中小企业相关的文本信息， 并对这些文本内容进行了量化分析， 以财务变量模型为基础进行了财务困境预测的实证检验。吕喜梅等（2023）分析了公司在重大事件发生时发布的临时报告对财务风险预测的影响。然而， 不管是媒体报道和临时报告等文本信息， 还是年度失业率、 季度GDP增长率以及月度通货膨胀率等非常规指标， 其主要作用都是针对公司当前的业务经营和财务状况进行分析， 对公司未来可能面临的情况讨论较少， 以至于可能会错估企业的能力， 无法给出有益于企业长久发展的建议。

为了对公司未来的情况做出更加准确的预测， 相关研究针对公司的一些非财务视角（如制度和持续的行为）进行分析（田宝新和王建琼，2017）， 认为相较于媒体报道、 MDamp;A（管理层讨论与分析）及临时报告， 制度和行为与企业的关系更为密切。如： 李秉祥等（2024）研究了管理者风险偏好对企业财务困境的影响； 陆明富（2024）基于产品市场竞争及财务困境的机制检验， 研究了企业创新文化与财务困境的关联性； 胡宁和靳庆鲁（2018）基于ST制度对社会性负担与公司财务困境的动态关系进行了探讨。内部控制虽然作为企业最为重要的持续性制度受到关注与研究， 被认为可以有效规避财务困境（李万福等，2012）， 但鲜少有相关研究分析内部控制在财务困境预测方面的表现。

自2008年起， 我国对上市公司的内部控制制度实施了一系列政策规定。这些规定要求上市公司按阶段建立内部控制体系， 并公开内部控制评价报告。从2014年开始， 所有上市公司被鼓励自愿公布内部控制评价报告， 详细描述其内部控制体系的构建情况。这反映了我国资本市场在上市公司内部控制规范体系监管方面已提升至新的水平。内部控制评价报告规则明确了内部控制评价报告必须包括的内容， 如内部控制的评价范围、 评价依据、 缺陷认定标准及整改情况。 随着我国上市公司数量逐年增加， 披露内部控制评价报告的公司数量也越来越多， 相关研究对于内部控制也愈发重视。如： 姚立杰等（2023）对高新技术企业数据进行研究， 发现内部控制对于企业创新具有促进作用； 戴捷敏和方红星（2023）基于自愿性内部控制鉴证报告进行经验研究， 认为高质量内部控制能抑制盈余管理； "李万福等（2011）则探讨了内部控制在公司投资中的效率促进与抑制作用。

根据企业内部控制规范体系可知， 内部控制评价报告对公司的财务困境预测具有重要作用， 且能更前瞻性地描绘公司未来可能面临的风险。此外， 政府对内部控制评价报告的重视程度不断提高， 要求所有企业自2024年起披露财务报告内部控制审计报告。这意味着内部控制评价报告的文本风险信息能为公司的财务困境预测提供更多线索。融合这些信息并将其与常用的财务和市场定量指标相结合， 有望进一步提升财务风险的预测效果。因此， 在评估公司的财务风险时， 不仅要关注定量数据， 还要密切关注内部控制评价报告中的文本信息。

为此， 本文引入公司在内部控制评价报告中以文本形式披露的风险信息， 以预测财务风险， 并研究构建了一种文本特征指标——内控完善度， 用于描述公司的缺陷容忍度对其风险产生的影响。这一指标通过从公司内部控制自评报告中提取文本特征来进行量化， 并结合常用的文本特征指标来提取文本中存在的风险信息。本研究采用了五种常用的机器学习方法， 对文本特征指标在财务风险预测方面的能力进行了评估。为了比较本文提出的风险可能性指标与常用的文本特征指标在预测财务风险中的重要性， 还进一步分析了各个文本特征指标的表现。此外， 还考察了文本风险信息预测能力对预测年限的敏感性。这些结果有助于市场投资者和监管机构更好地解读公司在内部控制自评报告中披露的文本风险信息， 并为财务风险预测提供理论指导。

三、 研究设计

1. 文本特征指标提取。《企业内部控制规范》对于企业内部控制自评报告的撰写有一定的要求， 为企业撰写该报告提供了一定的参考。本文从中选取了内部控制评价工作的总体情况、 依据、 范围、 程序和方法、 整改情况、 内部控制有效性的结论作为部分特征， 并提取了报告文本中的其他关键词， 如高风险领域、 直接损失金额、 具体认定标准相比以前年度是否存在调整、 缺陷可能造成的影响、 风险应对方案。其中的重点关注特征包括： ①部分公司会针对产业的特征以及自身内部控制体系的完备性划分内部控制评价的范围， 而一些企业则没有明确划分， 这可能会对内部控制自评报告的信息质量产生一定的影响。②虽然几乎所有公司都会区分财务报告内部控制和非财务报告内部控制， 但不同公司对于内部控制缺陷的容忍度不同， 一些公司会重新制定非财务报告内部控制的认定标准， 另一些公司则会直接沿用原财务报告内部控制的认定标准。而非财务报告内部控制与财务报告内部控制之间存在差异， 会对公司提供的信息产生影响（施赟等，2018）。③现金流管理对于控制财务风险至关重要。通过预测现金流的波动， 企业可以提前做好准备， 避免因资金链断裂而诱发风险。良好的现金流管理也可以保持企业的财务健康， 确保其运营过程中的资金充足。而部分公司在报告中提及的直接损失金额无疑是公司重视内部控制缺陷的良好体现， 对提高报告信息质量有积极影响（武晓玲和乔楠楠，2013）。④所有报告中都会提到的内部控制缺陷整改情况也具有明显特征， 可以清晰地查看公司对于自身缺陷的整改是否及时且有效。提取的文本特征指标如下：

（1） 内控完善度指标。本研究的主要目标是利用上市公司内部控制评价报告中披露的文本风险信息来预测企业财务风险。鉴于国内对这类报告的关注度日益提高， 以及报告中信息含量的逐步增加， 本文认为， 这些预测结果可以用来分析当前国内这类报告的可信度， 因此选择了国内上市公司的文本风险信息作为分析对象。

在报告中识别文本风险信息的关键词， 本文主要通过两个维度进行提取。首先， 根据《企业内部控制规范》对内部控制自评报告的要求， 从中提炼出关键性的要素， 即企业在报告中必须呈现的部分， 通过对所有报告检索这些关键词， 排除其中共有的无效关键词， 剩余的则作为指标特征项， 如内部控制评价的总体情况、 依据、 范围、 程序和方法、 整改情况、 有效性结论。其次， 专注于“内部控制缺陷”和“内部控制风险”两个方面， 在相关文本中提取代表这两个方面的关键词， 如高风险领域、 直接损失金额、 具体认定标准的年度调整情况、 缺陷可能造成的影响、 风险应对方案等。这样的方法， 使我们能够更深入地理解和分析报告中的风险信息， 从而更准确地预测财务风险。在提取出所有的12个特征项之后， 便可以计算出每一份报告的得分情况（score）。计算公式为： 内控完善度=log（“score”/12）。

（2） 其他文本特征指标。金融领域的文本分析涉及丰富的特征指标， 这些指标有助于揭示文本的内在结构和含义， 因此， 除了采用本文构建的内控完善度指标， 也可利用其他文本特征指标进行分析和效果对比（胡志强和王雅格，2021）。

一是文本长度（Length）： 计算文本中词语数量的对数值。计算公式如下： Length=log（全文词语数量）。二是词频（TF）： 统计一个词在一篇文档中出现的频次（本文选择的是“缺陷”这一关键词）。计算公式如下： "TF（word）=文档总词数×word在文档中出现的次数。三是逆文档频率（IDF）： 统计一个词在文档集的多少个文档中出现（本文选择的是“缺陷”这一关键词）。计算公式如下： IDF（word）=log ［（word出现过的文档数量+1）/文档集中文档总数量］。其中： 加1是进行拉普拉斯平滑处理， 避免分母为0的情况。

本文在构建词频和逆文档频率指标时， 均选择了“缺陷”作为检索目标。这一关键词在报告中出现的频率较高， 反映了企业对于内部控制风险的重视程度， 与企业财务困境息息相关， 与前文中构建的内控完善度指标形成联系。

2. 常规财务指标。在引入以上文本特征指标后， 为了检验对公司财务风险预测是否具有提升效果， 选取七个常规财务和市场指标作为比较基准， 包括营运资本/总资产、 留存收益/总资产、 息税前利润/总资产、 权益市值/债务面值、 销售收入/总资产、 年个股回报率和相对规模（孙灏等，2022）。由于初始的常规财务指标量纲与文本特征指标不完全相同， 如果直接对其进行后续的建模分析， 在计算的时候很有可能对结果造成不良影响， 故对其进行了相应的规范化即无量纲化处理， 将这些指标的量纲与文本特征指标尽量统一。

3. 财务风险预测模型及效果评估。财务风险预测模型及评价方法对财务风险的预测是企业管理和投资决策中的关键问题。本文选用了五种主流的机器学习方法来预测财务风险， 包括逻辑回归、 支持向量机、 神经网络、 随机森林和XGBoost。

为了评估模型的预测效果， 本文使用了三个常用的评估指标。一是准确率： 表示模型中被正确预测的样本数量与总样本的数量的比例。公式如下： Accuracy=（TP+TN）/（TP+TN+FP+FN）。其中： TP（True Positives）是正类别被正确预测为正类别的数量； TN（True Negatives）是负类别被正确预测为负类别的数量； FP（False Positives）是负类别被错误预测为正类别的数量； FN（False Negatives）是正类别被错误预测为负类别的数量。二是AUC： ROC 曲线（Receiver Operating Characteristic Curve）下的面积， 它通过对 ROC 曲线下各部分的面积求和而得， 表现模型对财务风险样本和非财务风险样本的综合预测能力。取值范围在0 ～ 1之间， 越接近1表示模型的预测效果越好。计算公式如下： AUC=[i∈正样本集合ranki]-

[M （M+1）2]/MN。其中， M是正样本的数量， N是负样本的数量， ranki是第i个正样本在所有样本中的排序位置。三是查准率： 表示正确地预测为正例的样本数除以预测为正例的样本总数。计算公式如下： Precision=TP/（TP+FP）。

四、 实证研究

本研究利用国内上市公司内部控制自评报告中的文本风险信息， 检验在传统财务指标基础上加入文本风险信息是否能提升财务风险预测的效果。通过网络爬虫爬取了网站上发布的2016 ～ 2018年的所有上市公司的内部控制自评报告， 为了保持每个年度样本量的均衡和稳定， 且考虑到报告格式规范问题， 本文排除了2016年之前的报告样本。为了界定财务困境， 本文借鉴梁墨等（2023）的方法， 将公司分为两类样本： 交易所强制退市公司和ST类公司作为财务困境样本， 其余公司作为非财务困境样本。通过这种分类， 共收集了1606个财务困境样本和8787个非财务困境样本。

1. 显著性检验。为认证上述两类公司样本中各文本特征指标是否存在显著性差异， 选用独立样本T检验， 结果如表1所示。

各文本特征指标的T检验结果显著， 说明财务困境与非财务困境样本中四个文本特征指标的均值存在显著性差异。加之文中明确提出的内控完善度指标T检测结果显著小于0， 说明公司内控完善度越高， 发生财务风险的可能性就越小。

2. 财务风险预测。为了验证文中引入的文本风险信息对企业财务风险预测的实际效果， 将常用定量分析指标作为财务风险预测效果的对比标准， 选用五种比较常见的机器学习模型来预测财务风险（见表2）。由于上市公司本年度财务报告通常是在会计期间完成后4个月内发布， 进行t-1年财务汇报时， 可能t-1年的财务困境尚未公布， 因此根据t-2年的数据构建模型来预测t年公司是否深陷财务困境。

在逻辑回归模型和支持向量机模型中， 选择L2正则化作为正则化参数， 为防止过拟合， 选择L2规范作为惩罚项， 参数服从高斯分布。测试集的比例是将数据集的20%作为测试集， 剩下的80%作为训练集。为保持结果的可重复性， 随机数种子设置为42， 用于控制随机划分的过程。神经网络包含三层： 输入层具有64个神经元， 使用ReLU激活函数； 隐藏层具有32个神经元， 使用ReLU激活函数； 输出层具有1个神经元， 使用sigmoid激活函数（用于二分类）。模型使用Adam优化器和二元交叉熵损失函数进行编译。XGBoost模型集成中每棵树的最大深度设置为3， 训练期间要最小化的损失函数选择“binary： logistic”， 适用于二分类问题。随机森林模型决策树个数为100， 最大深度和最大叶子节点数均无限制， 节点的划分标准中不纯度标准参考Gini指数， 信息增益标准参考“entropy”熵。

本文分别选取内控完善度、 文本长度、 词频以及逆文档频率这几个文本特征指标进行对比分析， 探讨这几个特征指标对定量指标和公司财务风险预测能力的影响。发现在引入蕴含文本风险信息的4个文本特征指标后， 各模型的预测效果均有所提升。由此可得， 公司在内部控制评价报告中披露的文本风险信息可以对常用的定量指标进行补强研究。结果表明， 内控完善度、 文本长度、 词频以及逆文档频率这几个特征指标能够从文本中提取有效信息， 并且定量指标对财务困境的预测能力随着这几个指标的增加而提高。

3. 文本特征指标重要性分析。在选择的五种机器学习模型中， 随机森林和XGBoost都是基于决策树算法的集成模型。二者不但可以预测公司是否陷入财务困境， 还能够评定每一个特征指标的重要性。基尼重要性指标是一种从均值到标准差的衡量， 用于测量样本之间的差异， 可以借此阐述各类文本特征指标在财务风险预测中的作用， 有助于我们更好地了解文本风险信息在预测中的重要性。由于随机森林模型在前文中对于财务困境的预测效果较好， 本文在此选择使用随机森林模型来分析文本特征指标的重要性， 如图1所示。

从图1中可以观察到， 文本特征指标的重要性几乎都要高于常规财务指标， 这进一步论证了内部控制自评报告中的文本特征指标对于财务困境的预测能力。但从中也能看出该文本特征仍存在问题， 本文拟定的风险容忍度指标的重要性不够显著， 结合政府在2024年对于内部控制自评报告的大力推广， 可以认为我国内部控制自评报告的编写仍存在缺陷。

4. 年限敏感性分析。从上述分析可以看出， 对企业财务困境的预警越快， 越有利于市场投资者及时防范企业财务困境可能对其造成的风险损失。因而， 接下来将讨论内部控制自评报告中公布的文本风险信息是否对年份期限比较敏感， 是否能提前预警财务风险？在运用企业T-2年信息预测T年是否深陷财务困境的前提下， 使用T-3年信息和T-4年信息预测T年是否深陷财务困境， 如图2、 图3所示。

结果显示， 2016 ～ 2018年基于内部控制自评报告中的文本风险信息构建的指标对于财务困境的预测能力逐年提升， 这意味着我国对于该报告的重视程度提升明显， 且我国内部控制制度日益完善。尽管实验组和对照组的预测能力在时间的推移下有所减弱， 但是， 本研究所引入预测模型的基础是内部控制自评报告中的文本风险信息， 相较于传统财务指标， 能够提供更为丰富的信息。这种情况的出现， 主要是因为相比于财务和市场的定量指标， 内部控制自评报告中的文本风险信息对于时间的敏感性较弱， 受到年限的影响较小， 使得预测能力下降速度放缓。因此， 利用内部控制自评报告中的文本风险信息来辅助预测财务困境， 不仅是必要的， 而且是有效的。

五、 稳健性检验

在之前的研究中， 本文将数据集中的测试集与训练集划分为8∶2。为了检验本文结论是否受到数据集划分方式的影响， 重新调整了数据集的划分方式， 将其划分为5∶5， 并重新进行了模型的训练和测试， 结果见表3、 图4。

结果表明， 当在定量指标的基础上引入公司内部控制自评报告中的文本风险信息后， 所有模型的性能都有所提升。其中， 随机森林模型的AUC值最高， 达到了0.80， 提升幅度为19.40%。这一发现证实， 无论数据集如何划分， 引入文本风险信息都能有效提升预测财务困境的准确性， 从而证明了本文结论具有稳健性。

本文还采用了生成对抗性样本的方式以测试机器学习模型的鲁棒性， 使用快速梯度符号方法（Fast Gradient Sign Method）， 选择较小的epsilon值来扰动模型， 通过利用模型的梯度来生成对抗性样本， 结果见表4、 图5。

结果显示， 对抗性样本的指标并未显著低于原始样本的指标， 这说明模型对扰动不敏感， 验证了模型的鲁棒性和稳定性， 进一步验证了本文的结论。

六、 结论与建议

1. 结论。本文首先分析了当前对于财务困境预测采用的数据文本类型， 指出内部控制对于财务分析的重要性， 提出内部控制自评报告在财务困境预测领域可能的运用空间； 其次， 从文献和政策文件等文本中提取文本特征指标， 构建机器学习模型， 并结合常规财务指标分别预测， 将结果进行对比， 以此来观察内部控制自评报告中的文本特征指标对于财务困境预测效果是否有提升作用； 然后绘制重要性比重图， 检验文本特征指标在所有变量中的重要性是否突出， 并将预测的年限延长， 以此来分析该模型对于时间的敏感性； 最后， 以改变数据集划分和生成对抗性样本两种方式来检验模型的稳健性和鲁棒性。得出以下结论： 内部控制自评报告中的文本风险信息可以有效地帮助投资者预测企业是否陷入财务困境， 且在短期内预测效果良好。但由于我国撰写该报告的企业有限， 且没有在格式和规范上进行高度统一， 导致本文构建的内控完善度指标的重要性有所下降， 且在长期趋势下模型的预测效果会相对减弱。

2. 建议。在大数据时代， 证券市场投资者以及监管组织在分析公司财务风险时， 必须有全新的大数据视野。除了传统上通过企业财务和市场数据进行定量分析的方法， 还应将注意力转向企业在其内部控制中以文本方式透露的信息。根据以上研究结论， 本文建议在进行此类研究时可以着重注意以下两点：

第一， 从公司管理层面进行文本资料收集是未来研究发展方向之一。这种文本资料应该来自公司的内部管理层面， 如董事会、 高级管理层等， 可能会更加全面地反映企业运营与财务状况之间的关系。未来研究可考虑从公司的管理层面进行文本资料收集， 以更全面的视角研究企业的运营与财务状况， 从而有助于预测企业是否会面临财务问题。

第二， 在对从公司管理层面获取的文本资料进行分析时， 应着重关注公司对于不同指标的衡量标准， 如前文中提到的财务指标与非财务指标之间的标准是否沿用。公司对于这些定量和定性指标划分的异同， 一定程度上反映了公司管理层对于该文本资料的重视程度， 以及对于公司财务状况的真实反映情况。

另外， 本研究仍存在以下不足： 首先， 仅选取了内控完善度、 文本长度、 词频、 逆文档频率等常见的文本特征指标， 仍存在其他文本特征可能会对预测结果产生影响； 其次， 数据量选取规模偏小， 可能会对长期的预测效果产生一定的影响。后续的研究可以持续添加新的文本特征指标， 以及观察后续年份的样本， 以期可以更好地调整模型， 获得更精确的预测结果。

【 主 要 参 考 文 献 】

曹兴，胡高．基于VaR的财务风险识别与评估［ J］．统计与决策，2009（10）：177 ～ 178．

陈艺云．基于文本信息的上市中小企业财务困境预测研究［ J］．运筹与管理，2022（4）：136 ～ 143．

池国华，王会金．内部控制在现代国家治理中的角色定位与作用机制［ J］．财经问题研究，2019（1）：99 ～ 104．

戴捷敏，方红星．公司战略会影响管理层财务报告内部控制自我评价质量吗？［ J］．会计与经济研究，2023（5）：21 ～ 42．

葛家澍，占美松．企业财务报告分析必须着重关注的几个财务信息——流动性、财务适应性、预期现金净流入、盈利能力和市场风险［ J］．会计研究，2008（5）：3 ～ 9+95．

宫兴国，张博，吴琪．基于GM（2，1）灰色复合模型的财务风险预测［ J］．统计与决策，2015（17）：179 ～ 182．

胡宁，靳庆鲁．社会性负担与公司财务困境动态——基于ST制度的考察［ J］．会计研究，2018（11）：28 ～ 35．

胡志强，王雅格．审核问询、信息披露更新与IPO市场表现——科创板企业招股说明书的文本分析［ J］．经济管理，2021（4）：155 ～ 172．

李秉祥，林炳洪，张涛．管理者风险偏好对企业财务困境的影响：中介路径与治理机制［ J/OL］．系统管理学报，1-25［2024-09-09］．http：//kns.cnki.net/kcms/detail/31.1977.N.20231103.1618.004.html．

李万福，林斌，林东杰．内部控制能有效规避财务困境吗？［ J］．财经研究，2012（1）：124 ～ 134．

李万福，林斌，宋璐．内部控制在公司投资中的角色：效率促进还是抑制？［ J］．管理世界，2011（2）：81 ～ 99+188．

梁墨，李鸿翔，张顺明．基于ST预测的财务困境测度与股票横截面收益［ J］．中国管理科学，2023（2）：138 ～ 149．

吕喜梅，蒋翠清，丁勇等．融合临时报告软信息的新三板企业财务困境预测研究［ J］．中国管理科学，2023（11）：140 ～ 150．

施赟，蒋华林，徐玉琳．缺陷定量认定标准影响内部控制重大缺陷评价吗？——来自A股上市公司的经验证据［ J］．会计与经济研究，2018（6）：68 ～ 82．

孙灏，朱晓谦，李建平．考虑财务报告中文本风险信息的财务困境预测［ J］．系统管理学报，2022（6）：1204 ～ 1215．

田宝新，王建琼．基于财务与非财务要素的上市公司财务困境预警实证研究［ J］．金融评论，2017（5）：103 ～ 115+126．

武晓玲，乔楠楠．企业经营活动现金流量与财务危机的关系研究——基于我国制造业上市公司的经验数据［ J］．山西财经大学学报，2013（12）：113 ～ 124．

肖珉．自由现金流量、利益输送与现金股利［ J］．经济科学，2005（2）：67 ～ 76．

闫达文，李存，迟国泰．基于混频数据的中国上市公司财务困境动态预测研究［ J］．中国管理科学，2024（1）：1 ～ 12．

姚立杰，朱孟杰，邹婧鑫．内部控制总能促进企业创新吗？——来自高新技术企业的证据［ J］．审计研究，2023（5）：147 ～ 160．