《会计研究》2024年第6期
基于深度学习的上市公司内部控制缺陷预测研究：新理论与新方法
作者单位：
合肥工业大学管理学院，汕头大学商学院，广东省管理会计师协会
关 键 词：
深度学习，内部控制，循环神经网络，可解释性
全文下载：
(只有会员才能下载,如果您已是会员请
登录 后评论)
摘 要：
准确预警内部控制缺陷对防范上市公司重大风险、维护资本市场稳定发展至关重要。已有研究忽视了变量间复杂非线性关系及内部控制缺陷的动态变化规律，因此本文创新地引入深度学习算法，构建了基于循环神经网络 (RNN) 的内部控制缺陷预测模型,并基于压力－机会－倾向 (POP) 理论构建了完整的解释变量集。研究发现，RNN内控模型的预测准确度比Logistic模型提升14.11%-28.26%，并且具有明显的经济效应。本文对RNN内控模型优越性的机理进行了分析，从结构可解释性角度发现，RNN模型的非线性机制和跨期间机制显著提升了内部控制缺陷预测能力。从变量可解释性角度发现，机会因素变量对内部控制缺陷的预测能力优于压力和倾向因素。在应用价值方面，RNN内控模型的预测结果能更好地评估企业未来的经营风险、市场风险和股价崩盘风险。本文首次将深度学习算法与内部控制研究相结合，为防范化解企业重大风险提供了有效的监管工具。