基于機器學習的企業內審機構組織效能評價研究

吳花平 桂渝鑫

【摘 要】 內審機構作為履行內部審計職能的主要載體，其組織效能能夠綜合地反映企業內部審計質量。文章在已有研究的基礎上全面分析了內審機構組織效能的影響因素，基于成長性、獨立性、權威性、專業性、職業行為和審計環境六個評價維度，構建了企業內審機構組織效能評價指標體系。通過調查問卷方式獲取845個有效樣本作為指標數據，利用模糊C-均值聚類算法實現組織效能等級標簽的標注，使用決策樹、支持向量機、人工神經網絡、隨機森林、極限梯度提升樹和雙層Stacking模型分別構建了企業內審機構組織效能評價模型，從而探索內審機構組織效能評價的智能化實施路徑。結果顯示，支持向量機模型在樣本數據集上具有最佳的效果，根據特征貢獻度發現，機構的隸屬關系、人員的專業勝任能力和對問題整改的推動等指標對內審機構組織效能的影響程度較大。

【關鍵詞】 內部審計； 組織效能； 機器學習

【中圖分類號】 F239.45；TP311.1? 【文獻標識碼】 A? 【文章編號】 1004-5937（2023）05-0126-10

一、引言

黨的二十大報告深刻回答了事關黨和國家事業發展的一系列重大理論和實踐問題，這既是新階段審計實務工作的重要遵循，也是審計理論研究的重要指引。審計署副審計長章軻[1]指出，審計領域的從業者和研究者要認真學習和貫徹黨的二十大精神，并以此助力我國審計工作的高質量發展。內部審計作為我國三大審計類型之一，是企業內部控制體系中內部監督的重要組成部分，也是企業全面風險管理體系中保障風險控制有效性的第三道防線（IIA，2021），擔負著監督各職能部門業務活動、促進組織運營效率以及增加企業經濟價值等重要使命[2]。近年來我國企業為了提高市場核心競爭能力，信息化、數字化、智能化轉型的腳步不斷加快，由此產生的企業內、外部環境劇變給內部審計職能的有效發揮帶來了嚴峻的挑戰[3]。如何提升內部審計質量，優化內審組織機構，進而推動內部審計高質量發展，助力企業數智化轉型以及后疫情時代經濟的穩步復蘇，已成為亟待解決的重要問題。

二、文獻回顧與研究設計

目前，我國關于內部審計質量的研究主要分為兩個方面。一方面是圍繞內部審計質量的影響因素，如徐政華等（2020）認為提升內部審計質量可以通過營造適應的審計環境、加強審計人員的專業素質、重視審計管理以及強化系統協同等方式實現；劉益男（2022）根據審計項目實施過程進行分析，提出為把控審計項目過程質量，應當優化控制環境、加強資源保障、完善制度標準；同時，加強審計信息化建設以及完善全方位質量監管機制也能夠促進內部審計質量的提升（鄒兵，2022）。

另一方面是關于內部審計質量評價體系的研究，內部審計質量評價是保障和提高內部審計質量的重要措施，科學的評價方法能夠反映真實的內部審計水平，無論是加強高管管理，還是促進內審機構自我優化，抑或是保障內部審計協會和監管部門工作的順利開展均具有重要意義[4]。內部審計因其綜合性難以進行全面有效的評價，現有學者從定性和定量兩個層面進行了研究。其中平衡計分卡是運用最廣泛的評價方法之一，如范經華[5]通過梳理內部審計質量控制路線，根據傳統平衡計分卡的四維度劃分構建了內部審計質量評價體系；陳芳[6]則針對醫院內部審計場景，根據平衡計分卡的維度劃分思路，構建了包括職能業績、服務對象、業務流程管理、學習與成長四個維度的內審績效評價體系。

雖然目前已有不少關于內部審計質量評價的研究，但一定程度上還存在著改進和豐富空間。首先，由于平衡計分卡最初多是用于經營性組織的績效評價，因此其中的維度劃分難以有效適配內部審計的評價需求，現有研究在選擇指標時大多受到該框架的限制，容易造成評價體系針對性和系統性不足的問題。其次，評價對象和評價標準存在局限。目前的研究大多將內部審計直接作為研究對象，然而，內部審計的概念相對寬泛，易導致指標選擇相對抽象，進而降低了評價體系在實際運用中的可執行性。評價標準則忽視了對審計執行范圍以外組織能力的評估，導致評價結果不夠全面，影響評價體系的綜合性與完整性。此外，評價手段單一、缺乏技術支持也是亟待解決的重要問題。現階段內部審計質量評價的實施主要依靠專家或高管的主觀判斷，但由于內部審計往往涉及財務、會計、風險管理、內部控制等多方面的專業知識，對于評價者的專業綜合能力提出了較高的要求。同時，大數據時代暴增的信息熵也給評價者增添了巨大的誤判風險，然而目前從技術角度出發嘗試解決此問題的研究還較少。有學者指出機器學習是實現智能化審計的重要工具，能夠為內部審計應對急劇的數據增長提供技術保障[7]。陳唯源（2020）運用機器學習算法改進央行內部審計問題管理的不足，實現了對問題標簽的自動化預測，提升了內部審計問題管理的效率。生麗英（2018）運用支持向量機算法模型構建了嵌入式智能持續審計系統框架，為審計風險預警問題提供了新的解決方案。

基于此，本文提出將內部審計質量評價的對象具體化，以達到提升評價效果與實際應用的目的，而內審機構作為企業中履行內部審計職能的組織與載體是最佳選擇。評價指標也不應僅局限于對績效和價值的評價，而應以企業內審機構作為中心，在注重主觀行為評價的同時兼顧客觀能力的衡量。Cameron et al.[8]提出組織效能（Organizational Effectiveness）是組織研究的終極目標，與績效相比，組織效能能夠體現出更高層次的組織內涵[9]。根據組織行為學派的界定，績效是行為的直接結果，反映的是任務的完成和目標的實現，而組織效能則是對績效基于價值的評判，是組織目標完成情況的綜合體現[10]。績效側重于組織目標的外在結果，容易導致組織的短視行為，而組織效能的視角更加全面，因此常用于評價企業組織活動的研究中[11]。

綜上所述，為解決企業內部審計質量評價效果不佳以及實施困難的問題，本文基于組織效能視角，以企業內審機構為研究對象，在已有研究成果的基礎上構建企業內審機構組織效能評價指標體系，并運用層次分析法建立判斷矩陣以獲取各項指標權重，從而優化現有的評價體系和評價方法。為豐富評價實施手段，在構建評價體系的基礎上，本文使用多種機器學習算法，分別建立企業內審機構組織效能評價模型，利用模型評價標準對各模型的效果進行分析和比較，從而尋找出內審機構組織效能評價中效果最佳的機器學習模型以及貢獻度最高的識別特征。由于內審機構是企業中重要的監督與服務部門，內部審計工作往往涉及企業的重要機密信息，我國目前未有強制性規定要求企業披露內部審計的詳細數據信息，通過公開數據庫難以獲得企業內部審計具體情況的完整數據信息，因此本文選擇通過問卷調查的方式獲取評價指標數據。具體研究過程如圖1所示。

三、評價體系的構建

（一）評價要素的識別

組織效能的內涵伴隨著組織理論與社會學的發展而不斷演變，能夠全面且有效地反映組織在各個方面的實際情況，是評價一個組織目前狀況和未來發展的重要指標[12]。研究者基于不同的視角對組織效能做了不同的定義，從內部過程視角出發，研究者認為組織效能是組織內部人員之間的相互作用以實現順暢的組織運動[13]。從外部資源視角出發，研究者將組織效能定義為組織獲取稀缺和有價值資源以維持正常組織運轉的能力[14]。還有研究者從利益相關者視角[15]、悖論視角[16]等方面對組織效能做出了定義，不同的定義相互區別也互為補充，全面理解組織效能的定義有助于深入了解組織效能的內涵。根據學者對組織效能內涵的探討發現，組織效能圍繞組織目標的實現過程本質上可以分為兩個基本要素，即組織目標完成的能力和組織目標完成的情況。基于此，本文從上述兩個方面對企業內審機構組織效能的評價要素進行識別，從審計基礎中挖掘企業內審機構完成目標的能力，從審計執行和審計表現中識別企業內審機構目標完成的情況，如圖2所示。

1.審計基礎不關注審計工作的開展，體現的是內審機構的客觀能力，包括機構設置的情況和所處的審計環境。對機構設置的識別可以從組織架構、資源配置、人員構成三個方面進行。適當的組織結構可以促進組織工作的完成和目標的實現，反之亦然；資源配置是組織執行任何活動的物質基礎，反映出組織的受重視程度；人力資源是一個組織的核心資源，組織人員的有機協同是組織效能產生的源泉。審計環境可以分為技術環境、制度環境和文化環境。技術環境關注企業是否設計、開發、運用專門的內部審計信息系統；制度是執行審計工作的依據，完善的內部審計制度是形成良好制度環境的基礎；文化環境是企業價值觀和行為準則的具體體現，崇尚誠信、溝通的企業文化更利于內部審計工作的開展。

2.審計執行關注內部審計工作的實施情況，在審計執行中，主要關注具體審計過程和對此過程的質量控制手段。審計過程可以從工作范圍、工作方式以及工作強度等方面進行識別。工作范圍從橫向展開，細分為不同類別的審計項目，通常更多的審計類別能夠增強內審機構的組織效能；從縱向展開，審計工作是否連貫和完整，涉及事前預警、事中監督及事后評價的全流程審計擁有更高的組織效能。科技的發展使審計的工作方式不斷更迭，大智移云等新技術的應用是內部審計數智化發展的必然趨勢[17]。在審計過程中，不同的工作方式將對審計效率和效果產生影響。質量控制是指內審機構為保證審計過程符合準則要求以及實現審計目標而采取的行動，包括人員指導、項目監督和底稿復核。人員指導是質量控制最基本的要求，使一線審計人員具備足夠的勝任能力。項目監督的目的是加強對下屬各項目組的管理，降低審計錯誤和審計舞弊發生的可能性，通過提升各項目組的效能實現內審機構總體效能的提升。底稿復核是完成審計工作時重要的質量控制程序，涉及對審計過程中重大事項、審計安排、審計證據以及其他記錄的檢查。復核人員應當具有足夠的專業勝任能力、行業經驗和責任感，以保證復核程序的有效。

3.審計表現是審計工作完成后對審計目標完成情況的評判，主要可以從三個角度進行識別。首先是基于結果視角，即內審機構是否完成了賦予其的各項任務，包括是否加強了公司治理水平，降低了委托代理風險；是否對風險管理部門的職責履行情況進行了全面的監控，從而防止戰略失敗的可能；是否督促和推動了內控部門對內部控制體系的完善，提升了組織運行效率等。若企業內審機構能夠充分實現其職能目標，則認為該組織效能水平較高。其次是通過其他部門對內部審計的態度進行識別，內部態度與順暢的信息溝通有重要關系；做好內部審計職能的宣傳宣講工作，使被審計者充分了解內部審計的作用機理，能夠減少抵觸情況的發生；被審計人員的配合意愿是內部態度最直觀的反映。最后是通過外部相關方對企業內部審計的態度進行識別，會計師事務所在進行財務報表審計時會對企業的內部審計工作進行評價，因此注冊會計師的態度可以成為參考依據，監管機構的問詢和資本市場的反應也體現企業內審機構組織效能的情況。

（二）評價指標的選擇

通過對內審機構組織效能影響因素的識別和梳理，依據組織效能評價范式對各要素進行整理和歸類，最終將企業內審機構組織效能評價指標體系的一級指標劃分為成長性、獨立性、權威性、專業性、職業行為和審計環境六個評價維度。

1.成長性是描述企業內審機構未來發展潛力的評價指標，持續發展的組織相較于停滯不前或正在萎縮的組織具有更大的組織效能，下設四項二級指標：（1）人員絕對增速，計算內審機構上一年度的期末人員數量較期初人員數量的變動率；（2）人員相對增速，計算內審機構人數在企業總體中，上一年度的期末占比較期初占比的變化率；（3）人員工薪水平，比較上一年度內部審計人員與財務人員的平均薪資水平；（4）機構預算變動，計算內審機構本年度的總體預算較上一年度的變化率。

2.獨立性是內部審計的基本要求，是提升其工作質量，實現其職能目標，發揮其關鍵作用的必要保證，下設三項二級指標：（1）機構的設立時間，即內審機構正式設立的年度；（2）機構的地位設置，如獨立的職能部門、與財務部門合署辦公、與紀檢部門合署辦公以及與行政管理部門合署辦公等；（3）機構的隸屬關系，如隸屬于董事會、監事會、審計委員會或管理層等。

3.權威性是評價內審人員通過對被審計對象的業務活動實施審計，提出的審計意見和建議具有使人信服的內涵和接受監督的程度，下設五項二級指標：（1）機構受重視程度，主要源于企業高層對內部審計的主觀態度；（2）審計委員會的設置，首先確定是否設置，若設置，評價是否具備足夠統領內審機構的能力和意愿；（3）機構負責人（CAE）職權，識別機構負責人的工作情況，如是否參與高層會議、與治理層和管理層的交互頻率等；（4）指導性文件的制定，評價內部審計相關文件的數量和詳細程度；（5）對問題整改的推動，內審機構是否著手建立規范的審計問題整改流程。

4.專業性是對內審機構人員能力的衡量，下設四項二級指標：（1）機構負責人（CAE）的能力，從學科背景、工作經歷和溝通技巧等方面評價機構負責人專業勝任能力；（2）人員的專業勝任能力，從學歷、學科背景和工作經驗等方面評價內審人員專業勝任能力；（3）人員培訓與激勵政策，評價企業的內部培訓以及出臺的激勵政策是否推動內審人員持續提高自身專業技能；（4）對政策法規的關注，評價內審機構對國家政策法規變化趨勢的關注程度。

5.職業行為是刻畫內審人員在工作執行過程中是否嚴格依照內部審計準則以及其他相關的規章制度，并運用掌握的專業技能高質量地履行確認和咨詢職責，下設六項二級指標：（1）審計委員會履職，包括其聽取匯報情況、例行會議情況以及統籌審批情況；（2）工作實施模式，包括傳統的事后反應模式以及兼具事前防范、事中預警和事后評價為一體的持續審計模式、敏捷審計模式等；（3）工作覆蓋領域，即根據審計全覆蓋的要求，判斷內部審計是否對企業各類活動做到了全面的監控；（4）工作開展強度，計算內審人員的周平均工作時長；（5）工作執行成果，基于增值性視角，計算內部審計直接減少的經濟損失和間接帶來的經濟利益；（6）審計對象的評價，較高的評價能夠反映較好的內部審計職業行為。

6.審計環境是內部審計賴以生存和發展的土壤，也是內部審計實現其效用的基礎，下設五項二級指標：（1）內部審計信息系統，信息化、數字化的審計環境與傳統手工審計環境相比能夠大幅提升審計質效；（2）內部審計報告規范，識別是否制定關于出具內部審計報告的規范性文件或書寫模板；（3）內部審計職能宣傳，即是否組織開展關于內部審計職能的宣講活動，增加企業內非內審人員對內部審計的認識和了解；（4）審計對象配合意愿，詢問被審計對象對內部審計的滿意度；（5）良好的企業文化，評價企業文化中對誠信、嚴謹、溝通等品質的強調程度。

（三）指標權重的確定

在確定企業內審機構組織效能的具體評價指標后，需要進一步確定各個指標的權重，層次分析法是目前應用最廣泛的權重確定方法之一，通過成對比較對識別層和指標層的指標兩兩進行對比。本研究采用1—9的標度值來描述比較指標間的重要性差別，數值越大，重要性程度越高。指標的重要性通過參考歷史文獻，咨詢多位內部審計領域專家、高校教授以及資深從業者獲得。將重要性對比結果量化為指標判斷矩陣，計算得出一級指標與二級指標的權重，如表1所示。為保證判斷矩陣不存在邏輯性錯誤，利用一致性比率（Consistent Ratio，CR）進行檢驗，企業內審機構組織效能一級評價指標的判斷矩陣CR值為0.0378，小于0.1；成長性維度、獨立性維度、權威性維度、專業性維度、職業行為維度和審計環境維度的判斷矩陣CR值分別為0.0443、0.0031、0.0715、0.0304、0.0505、0.0093，均小于0.1，一致性檢驗通過，證明權重計算有效。權重結果顯示，一級指標中，獨立性和職業行為的權重最高，將對內審機構的組織效能產生較大的影響。各一級指標下的二級指標中，權重最高的指標分別為機構預算變動、機構的隸屬關系、機構受重視程度、人員的專業勝任能力、工作開展強度和內部審計信息系統，即各評價維度的核心指標。

四、特征標簽的選取與驗證

（一）數據獲取

本研究參考張慶龍（2013）、蔣峻松（2019）等的做法，通過電子郵件和問卷調查相結合的方式，向國內各行業領域中的企業內審機構負責人發放調查問卷，問卷采取匿名填寫，指標數據被設計為李克特五級量表的形式，由于部分問卷題目基于外部視角，因此需要被發卷人至少邀請一名同企業中的非內審機構人員共同完成問卷填寫。最終共獲得892份問卷回復，在剔除無效問卷后，獲得有效樣本845份。其中，食品藥品行業占比最多，為27.9%；其次是機械制造業，占比20.2%；然后是建筑建材行業，占比17.8%；其余涉及農林牧漁、交通運輸、紡織皮革、冶金礦業和金融證券，共占比34.1%。數據樣本覆蓋面較廣，具有代表性。使用SPSS 23軟件對數據進行最大方差分析、探索性因子分析（EFA）和正態性檢驗。根據未加權樣本數據的得分計算樣本的整體峰度值為-0.790，偏度值為-0.084，均處于經驗數值邊界內，證明樣本符合正態分布。根據量表數據計算的整體信度Cronbach α值為0.861，大于經驗有效值0.7，6個評價維度的Cronbach α值均大于經驗數值0.6；量表數據效度KMO值為0.855，大于經驗有效值0.6，顯著性P<0.05，樣本數據信效度良好。

（二）數據預處理

在機器學習過程中，由于不同組織效能評價指標具有不同的量綱和量綱單位，會對最終的結果產生影響，為了消除評價指標量綱差異的影響，需要對收集的問卷數據進行標準化處理，本文采用min-max歸一化方法對845個企業內審機構組織效能樣本數據進行歸一化處理。如式1所示：

y=■（newAmax-newAmin）+

newAmin? （1）

其中，x為轉換前的值，y為轉換后的值，Amin為指標A原始值中的最小值，Amax為指標A原始值中的最大值。最大最小法是將指標A的原始值x映射到區間[newAmin，newAmax]，得到y，將數據限定在一定的范圍內，從而消除了異常樣本數據給學習結果帶來的不良影響。

（三）模糊C-均值聚類

模糊C-均值算法（FCM）由貝茲德克（Bezdek）提出，通過引入模糊加權指數m和聚類中心的隸屬度μ，實現了對應C-均值聚類算法（HCM）的優化和改進，是目前應用最廣泛的聚類算法之一[18]，目標函數為：

L=■■μ■■■? （2）

聚類時首先指定n個聚類中心C，本文參照以往研究將聚類簇確定為五個；其次初始化隸屬度關系矩陣，保證每行μ值之和為1，并設置迭代停止的閾值ε為0.00001；然后進行循環迭代，不斷更新樣本中的C值與μ值，直至迭代后的目標函數值與迭代前的目標函數值之差小于ε則停止迭代，輸出聚類結果。將經過預處理的問卷數據帶入此流程，從而得到企業內審機構組織效能等級標簽，具體過程如圖3所示。

（四）標簽驗證

根據FCM聚類算法對樣本組織效能的劃分，利用傳統加權計分的方式對標簽的有效性進行驗證，基于企業內審機構組織效能評價指標權重計算各聚類簇的平均分值，按由小到大的順序排列，得分依次為58.86、70.91、80.76、92.13、99.27，分別記為C1簇、C2簇、C3簇、C4簇、C5簇，如圖4所示，分值梯度能明確區分且跨度分布均勻；再計算各聚類簇的分值標準差并作為誤差線在柱狀圖上標注，C1至C5簇分別為3.37、3.66、3.34、4.17、4.04，顯著低于樣本總體標準差16.30，表明同標簽樣本集中度較好，聚類結果良好。根據本文的加權計分規則，分值越低則代表內審機構組織效能水平越高，因此C1至C5簇分別對應組織效能的高水平、較高水平、中等水平、較低水平和低水平。

五、評價模型的構建與分析

（一）建模流程

基于機器學習的企業內審機構組織效能評價模型原理是通過FCM聚類的方式獲取各樣本的組織效能等級標簽，進而形成完整的“特征+標簽”的樣本數據集，本文利用Python編程語言與Jupyter Notebook開發環境實現機器學習分類模型的建立和分析，通過交叉比較獲取與組織效能評價適配性最佳的建模算法，最終利用模型實現對企業內審機構組織效能的智能化評價。具體流程如圖5所示。

按7■3的比例將樣本數據集劃分為訓練集和測試集，利用訓練集數據進行訓練，其間通過多種參數調整方法使單模型效果達到最優，利用測試集對訓練好的模型效果進行量化評估；最后，由于機器學習算法在不同數據集上的表現具有不確定性，最佳模型往往需要通過實踐才能獲取，因此本文分別構建基本分類算法下的決策樹（DT）、支持向量機（SVM）和人工神經網絡（ANN）模型，以及集成學習算法下的隨機森林（RF）、極限梯度提升樹（XGBC）和雙層Stacking（STK）模型。其中，雙層Stacking模型利用決策樹、支持向量機和人工神經網絡模型作為第一層的初級學習器，選擇穩定性較好且結構簡單的邏輯回歸模型作為第二層的元學習器。

（二）評價標準

本文構建的企業內審機構組織效能評價模型是一個五分類模型，即多分類模型。因此本文將采用基于混淆矩陣得到的準確率、精準度、召回率、F值，以及Kappa系數和模型耗時來對模型效果進行評估。在機器學習領域，混淆矩陣（Confusion Matrix）是對分類問題預測結果的總結，矩陣的每一行之和表示被模型劃分為此類別的樣本數量，每一列之和表示此類別實際的樣本數量，實際判斷類別根據經驗證的FCM聚類標簽確定。基于混淆矩陣，可以獲得上述模型評價指標。

1.準確率（Accuracy）

準確率是指模型預測結果與實際判斷類別相同的樣本數占總樣本數的比例，計算公式為：

Accuracy=■? （3）

準確率是從總體層面評價模型預測精度的指標，也是應用最廣泛的模型評價指標，能夠反映模型對測試集樣本判斷正確的能力，數值越高代表模型效果越好。在實際運用中，該指標對分類預測的細節關注較少，因此通常需要與其他評價指標配合進行分析。

2.精確率（Precision）

精確率是指模型預測結果與實際判斷相同的樣本數量占模型預測為此類別總數量的比例，能夠反映預測結果的正誤情況，即預測的某一類別中有多少實際判斷也為此類別。計算公式為：

Precision（j）=■

（4）

3.召回率（Recall）

召回率是指模型預測結果與實際判斷相同的樣本數量占實際判斷為此類別總數量的比例，能夠反映預測結果的漏檢情況，即實際判斷為某一類別的樣本中有多少也被預測為此類別。計算公式為：

Recall（j）=■? （5）

4.F1值

在評估模型效果時，研究者希望同時追求高的精確率和召回率，但在總體準確率變化不大的條件下，該兩項指標往往呈反向變動關系，過度看重其一指標可能會導致另一指標的下降。F值則是同時考慮了精準度和召回率的評價指標，取精確率和召回率的調和平均數，并引入β值控制兩個指標的重要性程度，本文認為精確率和召回率對于模型同等重要，因此取β值為1，即標準F1值，計算公式為：

F1（j）=■? （6）

5.卡帕系數（Kappa Coefficient，KC）

卡帕系數是用于一致性檢驗的評價指標，常常用于衡量模型的分類效果，就多分類問題而言，所謂一致性即預測結果和實際分類是否相同。本文屬于五分類問題，計算公式為：

KC=■? ?（7）

其中：

P0=■? ?（8）

Pe=■? ?（9）

最后，模型耗時也被納入評價指標中，雖然在本文小樣本條件下，模型耗時絕對值較小，相互差別不大，但為了更好地應對實務條件下可能出現的大樣本環境，本文將測試各算法下模型的建模耗時記作Time_C，以及運行耗時記作Time_R。

（三）參數尋優

模型參數作為機器學習模型中的重要組成部分，需要在建模過程中進行調整和優化，以使模型達到效果。本文利用學習曲線、網格搜索、交叉驗證以及循環等方式對模型參數進行調優，最終獲得各模型的最優參數組合，如表2所示。

（四）效果比較

利用模型評價標準對基于最優參數組合構建六種企業內審機構組織效能評價模型進行效果評估。在基本分類算法中，支持向量機模型表現出了最高的準確率92.13%，其次是人工神經網絡模型，決策樹模型的準確率與上述兩個模型的差距較大，分別相差11.82%和11.42%。在其他標準的比較中，支持向量機模型和人工神經網絡模型的預測結果互有優劣，但整體上支持向量機模型略微優于人工神經網絡模型。

在集成學習算法中，雙層Stacking模型的準確率最高，為91.34%，且相較于隨機森林模型和極限梯度提升樹模型有一定程度的提升，準確率分別提升5.51%和4.73%。各模型的預測結果相互差異小于基本分類算法中各模型的差異，集成學習模型總體波動較小。但值得注意的是，雙層Stacking模型的建模耗時達到4 946.605毫秒，遠遠高于其他所有模型，建模耗時是用時第二的極限梯度提升樹模型的約31倍，是用時最短的決策樹模型的約1 653倍，由于未實現模型效果的大幅提升，因此該模型可能會導致算力的嚴重浪費。

對比兩類算法，基本分類算法和集成學習算法建模后的預測結果互有高低，不存在集成學習算法一定優于基本分類算法的情況；在平均準確率上，集成學習算法甚至還略低于基本分類算法，分別為87.9267%與88.0567%。在機器學習模型中，支持向量機、人工神經網絡和雙層Stacking模型的效果較好，隨機森林和極限梯度提升樹模型效果其次，決策樹模型預測精度最差。在表現較好的三個模型中，支持向量機模型的各評價指標總體優于其他兩個模型的對應值，且建模耗時和運行耗時均為三者最優，在實務中可以優先選擇該算法進行建模。在支持向量機模型中，特征貢獻度最高的三個特征分別為機構的隸屬關系、人員的專業勝任能力和對問題整改的推動，即內審機構直接隸屬于審計委員會，審計人員擁有更高、更豐富的專業背景和從業經驗，以及對審計工作中發現的問題具有更強的整改推動力三個方面對于提升內審機構組織效能具有重要的意義。各模型的具體評價指標如表3所示。

六、總結與展望

本文通過構建企業內審機構組織效能評價指標體系，開拓了內部審計質量評價的新視角；利用問卷調查搜集數據，構建六種機器學習分類模型并通過比較其在企業內審機構組織效能評價中的應用效果，發現基本分類算法和集成學習算法中的各模型效果互有優劣，不存在集成學習算法一定優于基本分類算法的情況；所有模型中，支持向量機模型的分類效果最佳，準確率達到92.13%，在實務中可以一定程度上輔助或代替人工對內審機構的組織效能進行評價。分析支持向量機模型的特征貢獻度發現，當企業將內審機構隸屬于審計委員會之下，組建擁有豐富專業背景知識和從業經驗的審計人員隊伍以及建立規范的審計問題整改流程時，內審機構具有更高的組織效能。然而，本文還存在著一些不足，一方面，本研究搜集的用于建模的數據量有限，主要是由于內部審計信息的保密性質導致無法從公開數據庫獲取大規模的標準化數據，數據規模會對機器學習模型的性能和效果產生直接影響，本文的集成學習模型效果欠佳可能在一定程度上源于數據規模的限制。在后續的研究中，可以通過增加樣本量的方式提升模型性能，并比較大樣本環境下不同模型的效果。另一方面，評價指標也存在細化的空間，由于內部審計需要為企業的經營和管理服務，因此處于不同行業領域的企業其內部審計工作往往存在較大的差異。本文選取指標時主要考慮較為普遍的內部審計內容，對評價特殊類別的內部審計程序缺少對應指標，在后續的研究中，可以參考本文構建的評價指標體系，通過引入案例的方式使評價指標得到細化和拓展，從而為我國企業內部審計的高質量發展貢獻力量。●

【參考文獻】

［1］ 章軻.認真學習宣傳貫徹黨的二十大精神 奮力譜寫審計理論研究工作新篇章［J］.審計研究，2022（6）：3-7.

［2］ 支曉強，王儲，趙曉紅.國有企業實現內部審計監督全覆蓋的機制和路徑：一個理論框架［J］.會計研究，2021（10）：166-175.

［3］ 劉啟亮，陸開森，李■，等.內部審計與管理層腐敗［J］.審計研究，2022（4）：113-123.

［4］ 閆學文，劉澄，韓錕，等.基于價值導向的內部審計評價體系研究：理論、模型及應用［J］.審計研究，2013（1）：62-69.

［5］ 范經華.基于平衡計分卡的內部審計質量控制評價指標體系探討［J］.審計研究，2013（2）：82-89.

［6］ 陳芳.基于BSC的醫院內部審計績效評價指標體系構建［J］.會計之友，2022（4）：132-136.

［7］ 張慶龍，邢春玉，芮柏松，等.新一代內部審計：數字化與智能化［J］.審計研究，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］ 何清華，楊德磊，張兵，等.組織效能研究的動態演化分析——基于內涵與發展視角研究［J］.軟科學，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，強茂山，溫祺，等.基于模糊層次分析法的建設項目組織效能評價模型［J］.清華大學學報（自然科學版），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］ 張慶龍，何佳楠，顧青青，等.場景審計：數字化時代商業銀行內部審計工作模式［J］.審計研究，2021（4）：119-128.

［18］ 武超飛，孫沖，劉廈，等.基于改進FCM聚類的竊電行為檢測［J］.電力科學與技術學報，2021，36（6）：164-170.