基于知识图谱的审计研究热点的文献计量分析
发布时间:2021-09-03 22:27
文章以2010—2020年核心期刊和CSSCI收录的审计领域研究文献为样本,运用文献计量方法和Cite Space科学知识图谱可视化工具,通过对关键词共现、高强度突变关键词、时间线图谱、研究机构和作者共现的分析,对国内审计相关研究脉络、研究议题和研究领域进行分析。通过文献计量和知识图谱发现:近十年审计研究内容主要集中在会计师事务所、审计质量、国家审计、内部审计和内部控制方面;以2016年为分界点,新信息技术环境下的审计如大数据审计和区块链审计成为新的研究热点;审计研究机构和作者主要集中于少数学术型研究机构,作者间的合作网络较少,尚未形成稳定的科研研究群体。
【文章来源】:生产力研究. 2020,(10)
【文章页数】:4 页
【部分图文】:
期刊发文量
从研究内容分布上看,会计师事务所、内部审计、公司治理、审计质量以及被审计单位所占比重较高,分别为7.88%、6.5%、6.09%、5.72%和5.30%,结果如图2所示。说明在研究内容上仍以会计师事务所为对象的社会审计和以公司治理为代表的内部审计文献内容较多,国家审计为研究内容的文献数量在逐年递增。进而分析发现,对于国家审计而言,政府审计,审计机关以及国家治理为主要研究线索;社会审计则主要围绕审计质量以及会计师事务所为主要研究主题展开;内部控制审计主要研究主题为内部控制工作,企业管理以及内部审计人员等相关的主题。四、知识图谱分析
为了更好地进行可视化分析,文中以CNKI为数据库,以主题=审计为搜索路径,将文献结果导入Citespace制作可视化知识图谱[6-8]。将Node Types选择keyword,Time slicing选择2010—2020年,时间切片选择为1,选择Pathfinder和Pruning sliced networks,通过LLR聚类算法后,结果如图3所示,一共产生十个聚类,分别为#0注会、#1内部审计、#2审计主题、#3国家审计、#4银行、#5独立性、#6产权性质、#7审计机关、#8会计师事务所、#9审计师变更、#10区块链。图3中节点的大小代表关键词出现的频数,节点之间的连线代表关键词共现关系,线条越粗表示关联度越高。随后,通过Export-Network Summary Table选取前二十个高频关键词进行分析,如表1所示。
【参考文献】:
期刊论文
[1]大数据审计:五大趋势与五大挑战[J]. 张敏. 会计之友. 2020(08)
[2]科技新时代下的“审计智能+”建设[J]. 毕秀玲,陈帅. 审计研究. 2019(06)
[3]大数据环境下信息系统趋势审计分析[J]. 陈大峰,陈海勇. 财会月刊. 2019(17)
[4]互联网背景下审计发展趋势与注册会计师审计风险[J]. 付达院,杨静怡. 中国注册会计师. 2019(07)
[5]中外人工智能审计研究热点及演进知识图谱比较研究[J]. 武晓芬,田海洋. 科技管理研究. 2019(10)
[6]我国政府审计实证研究述评——基于CSSCI(1999—2014)检索论文的分析[J]. 李明辉,孙婕,叶超. 审计与经济研究. 2017(02)
[7]西方审计研究的科学知识图谱分析[J]. 王伟,孟焰. 审计研究. 2016(03)
[8]审计师质量对上市公司融资方式选择的影响——来自中国资本市场的经验证据[J]. 李明辉,杨鑫. 会计研究. 2014(11)
[9]内部审计研究:1998-2012——基于SSCI、CSSCI的文献分析[J]. 李宗彦,章之旺. 会计与经济研究. 2014(02)
[10]论国家治理与国家审计[J]. 刘家义. 中国社会科学. 2012(06)
本文编号:3381982
【文章来源】:生产力研究. 2020,(10)
【文章页数】:4 页
【部分图文】:
期刊发文量
从研究内容分布上看,会计师事务所、内部审计、公司治理、审计质量以及被审计单位所占比重较高,分别为7.88%、6.5%、6.09%、5.72%和5.30%,结果如图2所示。说明在研究内容上仍以会计师事务所为对象的社会审计和以公司治理为代表的内部审计文献内容较多,国家审计为研究内容的文献数量在逐年递增。进而分析发现,对于国家审计而言,政府审计,审计机关以及国家治理为主要研究线索;社会审计则主要围绕审计质量以及会计师事务所为主要研究主题展开;内部控制审计主要研究主题为内部控制工作,企业管理以及内部审计人员等相关的主题。四、知识图谱分析
为了更好地进行可视化分析,文中以CNKI为数据库,以主题=审计为搜索路径,将文献结果导入Citespace制作可视化知识图谱[6-8]。将Node Types选择keyword,Time slicing选择2010—2020年,时间切片选择为1,选择Pathfinder和Pruning sliced networks,通过LLR聚类算法后,结果如图3所示,一共产生十个聚类,分别为#0注会、#1内部审计、#2审计主题、#3国家审计、#4银行、#5独立性、#6产权性质、#7审计机关、#8会计师事务所、#9审计师变更、#10区块链。图3中节点的大小代表关键词出现的频数,节点之间的连线代表关键词共现关系,线条越粗表示关联度越高。随后,通过Export-Network Summary Table选取前二十个高频关键词进行分析,如表1所示。
【参考文献】:
期刊论文
[1]大数据审计:五大趋势与五大挑战[J]. 张敏. 会计之友. 2020(08)
[2]科技新时代下的“审计智能+”建设[J]. 毕秀玲,陈帅. 审计研究. 2019(06)
[3]大数据环境下信息系统趋势审计分析[J]. 陈大峰,陈海勇. 财会月刊. 2019(17)
[4]互联网背景下审计发展趋势与注册会计师审计风险[J]. 付达院,杨静怡. 中国注册会计师. 2019(07)
[5]中外人工智能审计研究热点及演进知识图谱比较研究[J]. 武晓芬,田海洋. 科技管理研究. 2019(10)
[6]我国政府审计实证研究述评——基于CSSCI(1999—2014)检索论文的分析[J]. 李明辉,孙婕,叶超. 审计与经济研究. 2017(02)
[7]西方审计研究的科学知识图谱分析[J]. 王伟,孟焰. 审计研究. 2016(03)
[8]审计师质量对上市公司融资方式选择的影响——来自中国资本市场的经验证据[J]. 李明辉,杨鑫. 会计研究. 2014(11)
[9]内部审计研究:1998-2012——基于SSCI、CSSCI的文献分析[J]. 李宗彦,章之旺. 会计与经济研究. 2014(02)
[10]论国家治理与国家审计[J]. 刘家义. 中国社会科学. 2012(06)
本文编号:3381982
本文链接:https://www.wllwen.com/jingjilunwen/sjlw/3381982.html