企业数字化转型对审计质量影响Heckman两阶段与PSM结合

企业数字化转型对审计质量影响Heckman两阶段与PSM结合一、企业数字化转型与审计质量的理论关联在数字经济浪潮的席卷下，企业数字化转型已成为不可逆转的趋势。从底层技术架构到前端业务场景，数字化正在重塑企业的运营模式、管理流程和价值创造方式。而审计作为企业治理体系中的关键环节，其质量不仅关乎投资者的决策判断，更影响着资本市场的稳定与效率。探讨企业数字化转型对审计质量的影响，既是顺应时代发展的必然要求，也是深化审计理论研究、完善审计实践的重要课题。（一）企业数字化转型的内涵与特征企业数字化转型并非简单的技术升级，而是一场涉及战略、组织、流程和文化的全方位变革。它以云计算、大数据、人工智能、区块链等新一代信息技术为支撑，通过对企业内部数据的深度挖掘、整合与分析，实现业务流程的自动化、智能化和优化升级。具体而言，企业数字化转型具有以下几个显著特征：数据驱动决策：数字化转型使得企业能够实时获取、存储和处理海量的内外部数据。这些数据涵盖了市场动态、客户需求、生产运营、财务状况等多个维度，为企业管理层提供了全面、准确的决策依据。例如，通过对销售数据的分析，企业可以精准把握客户偏好，优化产品结构；通过对生产数据的监控，企业可以及时发现生产过程中的瓶颈，提高生产效率。业务流程重构：数字化转型打破了传统企业内部各部门之间的信息壁垒，推动业务流程的重新设计和优化。以供应链管理为例，数字化技术可以实现供应商、制造商、分销商和客户之间的信息共享，使得供应链各环节能够实时协同运作，降低库存成本，提高供应链的响应速度。组织模式变革：为了适应数字化转型的需求，企业的组织模式也在发生深刻变革。传统的层级式组织结构逐渐向扁平化、网络化和柔性化方向发展，强调员工的自主创新能力和团队协作精神。同时，企业还通过建立数字化平台，吸引外部合作伙伴参与到企业的价值创造过程中，形成开放、共享的生态系统。（二）审计质量的衡量维度与影响因素审计质量是指审计工作的优劣程度，它直接关系到审计报告的可靠性和可信度。目前，学术界和实务界主要从以下几个维度来衡量审计质量：审计独立性：审计独立性是审计质量的核心保障。它要求审计机构和审计人员在执行审计业务时，保持客观、公正的态度，不受被审计单位或其他利益相关方的影响。审计独立性包括形式上的独立性和实质上的独立性两个方面。形式上的独立性是指审计机构和审计人员与被审计单位之间不存在任何可能影响其独立性的关系；实质上的独立性是指审计机构和审计人员在内心深处保持独立，能够客观、公正地进行审计判断。审计专业胜任能力：审计专业胜任能力是指审计机构和审计人员具备执行审计业务所需的专业知识、技能和经验。它包括审计人员的专业教育背景、职业资格证书、培训经历以及实际审计工作经验等多个方面。具备较高专业胜任能力的审计人员能够更好地理解被审计单位的业务和财务状况，识别和评估审计风险，从而提高审计质量。审计程序执行有效性：审计程序执行有效性是指审计机构和审计人员按照审计准则的要求，合理、有效地执行审计程序，获取充分、适当的审计证据。审计程序的执行过程包括审计计划的制定、内部控制的了解和评价、实质性程序的实施以及审计报告的编制等多个环节。只有确保审计程序的有效执行，才能保证审计结论的可靠性。审计质量受到多种因素的影响，主要包括审计机构的规模和声誉、审计人员的专业素质和职业道德、被审计单位的治理结构和内部控制水平、审计市场的竞争程度以及监管环境等。例如，大型审计机构通常具有更丰富的审计资源和更严格的质量控制体系，能够提供更高质量的审计服务；而被审计单位良好的治理结构和内部控制水平则有助于降低审计风险，提高审计质量。（三）企业数字化转型对审计质量的作用机制企业数字化转型通过多种途径对审计质量产生影响，这些影响机制可以归纳为以下几个方面：提高审计效率：企业数字化转型使得审计人员能够更便捷地获取和分析被审计单位的财务和业务数据。通过利用大数据分析技术，审计人员可以在短时间内对海量数据进行筛选、比对和分析，快速发现异常交易和潜在的审计风险。例如，通过对销售数据的分析，审计人员可以识别出异常的销售模式和客户群体，从而有针对性地进行审计调查。此外，数字化转型还推动了审计程序的自动化，如自动化的内部控制测试、财务报表数据分析等，大大减少了审计人员的手工工作量，提高了审计效率。增强审计独立性：企业数字化转型有助于减少审计人员与被审计单位之间的信息不对称。审计人员可以通过数字化平台实时获取被审计单位的财务和业务数据，无需依赖被审计单位提供的纸质资料，从而降低了被审计单位对审计过程的干预程度。同时，数字化转型还使得审计机构能够建立更完善的质量控制体系，加强对审计人员的监督和管理，确保审计人员保持独立、客观的态度。提升审计专业判断能力：企业数字化转型带来了大量的新型业务和复杂的交易模式，对审计人员的专业判断能力提出了更高的要求。为了适应这一变化，审计人员需要不断学习和掌握新一代信息技术，提高自身的数据分析能力和风险评估能力。通过对数字化数据的分析，审计人员可以更深入地了解被审计单位的业务实质，准确识别和评估审计风险，从而做出更合理的审计判断。促进审计创新：企业数字化转型为审计创新提供了技术支撑和应用场景。审计机构可以利用人工智能、区块链等技术开发新型的审计工具和方法，如智能审计机器人、区块链审计平台等。这些新型审计工具和方法不仅能够提高审计效率和质量，还能够拓展审计的范围和深度，为审计行业的发展带来新的机遇。二、Heckman两阶段模型与PSM方法的原理与应用在研究企业数字化转型对审计质量的影响时，由于存在样本选择偏差和内生性问题，传统的回归分析方法可能会导致估计结果的不准确。为了克服这些问题，本文将采用Heckman两阶段模型与倾向得分匹配（PSM）方法相结合的研究设计，以提高研究结果的可靠性和准确性。（一）Heckman两阶段模型的原理与步骤Heckman两阶段模型是由美国经济学家詹姆斯·赫克曼（JamesHeckman）于1979年提出的，主要用于解决样本选择偏差问题。该模型通过引入一个选择方程，将样本选择过程纳入到回归分析中，从而对样本选择偏差进行校正。Heckman两阶段模型的具体步骤如下：第一阶段：Probit回归：在第一阶段，通过Probit回归估计样本选择方程，计算出每个样本被选中的概率（即倾向得分）。样本选择方程的一般形式为：$P(D_i=1|X_i)=\Phi(\alphaX_i)$其中，$D_i$是一个二元虚拟变量，表示第$i$个样本是否被选中（$D_i=1$表示被选中，$D_i=0$表示未被选中）；$X_i$是影响样本选择的一系列自变量；$\alpha$是待估计的参数向量；$\Phi(\cdot)$是标准正态分布的累积分布函数。第二阶段：主回归分析：在第二阶段，将第一阶段计算得到的倾向得分纳入到主回归方程中，对样本选择偏差进行校正。主回归方程的一般形式为：$Y_i=\betaX_i+\lambda\hat{\rho}_i+\epsilon_i$其中，$Y_i$是被解释变量；$X_i$是解释变量；$\beta$是待估计的参数向量；$\hat{\rho}_i$是第一阶段计算得到的逆米尔斯比率（InverseMillsRatio），它是倾向得分的函数；$\epsilon_i$是随机误差项。通过在主回归方程中引入逆米尔斯比率，可以控制样本选择偏差对估计结果的影响。（二）PSM方法的原理与步骤倾向得分匹配（PropensityScoreMatching，PSM）方法是由罗森鲍姆（Rosenbaum）和鲁宾（Rubin）于1983年提出的，主要用于解决处理组和对照组之间的系统性差异问题。该方法通过计算每个样本的倾向得分，将处理组样本与具有相似倾向得分的对照组样本进行匹配，从而构建一个近似随机的实验环境，减少选择性偏差对估计结果的影响。PSM方法的具体步骤如下：估计倾向得分：首先，通过Logit或Probit回归估计每个样本的倾向得分。倾向得分是指在给定一系列自变量的情况下，样本被分配到处理组的概率。倾向得分的估计模型可以表示为：$P(D_i=1|X_i)=F(\gammaX_i)$其中，$D_i$是一个二元虚拟变量，表示第$i$个样本是否属于处理组（$D_i=1$表示属于处理组，$D_i=0$表示属于对照组）；$X_i$是影响样本分配的一系列自变量；$\gamma$是待估计的参数向量；$F(\cdot)$是Logit或Probit函数。匹配处理组和对照组样本：在估计出倾向得分后，采用合适的匹配方法将处理组样本与对照组样本进行匹配。常用的匹配方法包括最近邻匹配、卡尺匹配、核匹配和马氏匹配等。最近邻匹配是将每个处理组样本与倾向得分最接近的一个或多个对照组样本进行匹配；卡尺匹配是在最近邻匹配的基础上，设定一个卡尺范围，只匹配倾向得分在该范围内的对照组样本；核匹配是利用核函数对对照组样本进行加权，构建一个与处理组样本相似的合成对照组；马氏匹配是根据样本的协变量特征进行匹配，使得处理组和对照组样本在协变量上的差异最小化。平衡性检验：匹配完成后，需要对处理组和对照组样本进行平衡性检验，以确保匹配后的样本在协变量上不存在显著差异。平衡性检验的方法主要包括t检验和标准化偏差检验。t检验用于比较处理组和对照组样本在每个协变量上的均值是否存在显著差异；标准化偏差检验用于衡量处理组和对照组样本在协变量上的差异程度，标准化偏差的计算公式为：$SB=\frac{\bar{X}_1-\bar{X}_0}{\sqrt{\frac{s_1^2+s_0^2}{2}}}\times100%$其中，$\bar{X}_1$和$\bar{X}_0$分别是处理组和对照组样本在协变量$X$上的均值；$s_1^2$和$s_0^2$分别是处理组和对照组样本在协变量$X$上的方差。一般认为，当标准化偏差的绝对值小于10%时，处理组和对照组样本在该协变量上的差异可以忽略不计，匹配效果较好。估计平均处理效应：在确保匹配效果良好的基础上，通过比较处理组和对照组样本在被解释变量上的均值差异，估计企业数字化转型对审计质量的平均处理效应（AverageTreatmentEffectontheTreated，ATT）。平均处理效应的计算公式为：$ATT=E(Y_1-Y_0|D=1)=E(Y_1|D=1)-E(Y_0|D=1)$其中，$Y_1$是处理组样本在被解释变量上的取值；$Y_0$是对照组样本在被解释变量上的取值；$E(\cdot)$表示期望算子。（三）Heckman两阶段与PSM结合的优势将Heckman两阶段模型与PSM方法相结合，可以充分发挥两种方法的优势，更好地解决样本选择偏差和内生性问题。具体而言，这种结合具有以下几个方面的优势：更全面地控制选择性偏差：Heckman两阶段模型通过引入选择方程，能够对样本选择过程中的不可观测因素进行控制；而PSM方法通过匹配处理组和对照组样本，能够对样本选择过程中的可观测因素进行控制。将两种方法相结合，可以更全面地控制选择性偏差对估计结果的影响，提高研究结果的可靠性。提高估计结果的准确性：Heckman两阶段模型和PSM方法都能够在一定程度上解决内生性问题，但它们的适用场景和假设条件有所不同。将两种方法相结合，可以相互补充，降低单一方法可能存在的估计偏差，提高估计结果的准确性。增强研究结论的稳健性：通过同时采用Heckman两阶段模型和PSM方法进行分析，可以对研究结论进行交叉验证。如果两种方法得到的研究结论一致，则说明研究结论具有较高的稳健性；如果两种方法得到的研究结论存在差异，则需要进一步分析差异产生的原因，以确保研究结论的可靠性。三、研究设计与数据来源（一）研究变量的定义与测量被解释变量：审计质量（AQ）：审计质量是本文的核心被解释变量。目前，学术界和实务界主要采用以下几种方法来衡量审计质量：（1）审计意见类型：审计意见类型是衡量审计质量的常用指标之一。一般认为，标准无保留审计意见代表着较高的审计质量，而非标准审计意见（如保留意见、否定意见、无法表示意见等）则代表着较低的审计质量。本文将审计意见类型设置为一个二元虚拟变量，当审计意见为标准无保留意见时，取值为1；当审计意见为非标准审计意见时，取值为0。（2）可操控性应计利润：可操控性应计利润是指企业管理层通过操纵会计政策和会计估计等手段，对净利润进行调节的部分。可操控性应计利润的绝对值越大，说明企业的盈余管理程度越高，审计质量越低。本文采用修正的琼斯模型来计算可操控性应计利润，具体计算公式如下：$TA_{it}/A_{it-1}=\alpha_1(1/A_{it-1})+\alpha_2(\DeltaREV_{it}-\DeltaREC_{it})/A_{it-1}+\alpha_3(PPE_{it}/A_{it-1})+\epsilon_{it}$其中，$TA_{it}$是第$i$家企业第$t$年的总应计利润，等于净利润减去经营活动现金流量净额；$A_{it-1}$是第$i$家企业第$t-1$年末的总资产；$\DeltaREV_{it}$是第$i$家企业第$t$年的营业收入变动额；$\DeltaREC_{it}$是第$i$家企业第$t$年的应收账款变动额；$PPE_{it}$是第$i$家企业第$t$年末的固定资产净额；$\epsilon_{it}$是随机误差项。通过对上述模型进行回归分析，可以得到各参数的估计值，进而计算出可操控性应计利润（$DA_{it}$）。（3）审计费用：审计费用是审计机构为提供审计服务而收取的费用。一般认为，审计费用越高，说明审计机构投入的审计资源越多，审计质量越高。本文采用审计费用的自然对数作为审计质量的衡量指标。为了确保研究结论的稳健性，本文将同时采用上述三种方法来衡量审计质量，并分别进行回归分析。解释变量：企业数字化转型（DT）：企业数字化转型是本文的核心解释变量。目前，学术界主要采用以下几种方法来衡量企业数字化转型程度：（1）文本分析法：通过对企业年报、社会责任报告等公开披露文件中的数字化相关关键词进行统计分析，构建企业数字化转型指数。具体而言，本文首先确定了一系列与企业数字化转型相关的关键词，如“云计算”、“大数据”、“人工智能”、“区块链”、“物联网”等；然后，对每家企业的年报进行文本分析，统计这些关键词在年报中出现的频率；最后，根据关键词的出现频率，构建企业数字化转型指数。（2）研发投入强度：研发投入强度是指企业研发投入占营业收入的比重。一般认为，研发投入强度越高，说明企业对数字化转型的重视程度越高，数字化转型程度也越高。本文采用企业研发投入占营业收入的比重作为企业数字化转型的衡量指标之一。（3）数字化人才占比：数字化人才占比是指企业中从事数字化相关工作的员工占总员工数的比重。一般认为，数字化人才占比越高，说明企业的数字化转型程度越高。本文采用企业数字化人才占总员工数的比重作为企业数字化转型的衡量指标之一。为了更全面地衡量企业数字化转型程度，本文将采用文本分析法构建的企业数字化转型指数作为主要解释变量，并同时采用研发投入强度和数字化人才占比作为替代解释变量，进行稳健性检验。控制变量：为了控制其他因素对审计质量的影响，本文选取了一系列控制变量，主要包括企业规模（Size）、资产负债率（Lev）、盈利能力（ROA）、成长能力（Growth）、股权集中度（Top1）、董事会独立性（Indep）、审计机构规模（Big4）等。各控制变量的具体定义和测量方法如下：（1）企业规模（Size）：采用企业年末总资产的自然对数来衡量。（2）资产负债率（Lev）：采用企业年末总负债与总资产的比值来衡量。（3）盈利能力（ROA）：采用企业年末净利润与总资产的比值来衡量。（4）成长能力（Growth）：采用企业营业收入增长率来衡量，计算公式为（本年营业收入-上年营业收入）/上年营业收入。（5）股权集中度（Top1）：采用第一大股东持股比例来衡量。（6）董事会独立性（Indep）：采用独立董事人数占董事会总人数的比例来衡量。（7）审计机构规模（Big4）：设置一个二元虚拟变量，当企业聘请的审计机构为国际四大会计师事务所（普华永道、德勤、安永、毕马威）时，取值为1；否则，取值为0。（二）模型构建Heckman两阶段模型：为了检验企业数字化转型对审计质量的影响，并解决样本选择偏差问题，本文构建了如下Heckman两阶段模型：第一阶段（选择方程）：$P(DT_i=1|X_i)=\Phi(\alpha_0+\alpha_1Size_i+\alpha_2Lev_i+\alpha_3ROA_i+\alpha_4Growth_i+\alpha_5Top1_i+\alpha_6Indep_i+\alpha_7Big4_i+\epsilon_i)$其中，$DT_i$是一个二元虚拟变量，表示第$i$家企业是否进行了数字化转型（$DT_i=1$表示进行了数字化转型，$DT_i=0$表示未进行数字化转型）；$X_i$是一系列控制变量；$\alpha_0$是截距项；$\alpha_1-\alpha_7$是待估计的参数向量；$\Phi(\cdot)$是标准正态分布的累积分布函数；$\epsilon_i$是随机误差项。第二阶段（主回归方程）：$AQ_i=\beta_0+\beta_1DT_i+\beta_2Size_i+\beta_3Lev_i+\beta_4ROA_i+\beta_5Growth_i+\beta_6Top1_i+\beta_7Indep_i+\beta_8Big4_i+\lambda\hat{\rho}_i+\mu_i$其中，$AQ_i$是审计质量；$DT_i$是企业数字化转型；$X_i$是一系列控制变量；$\beta_0$是截距项；$\beta_1-\beta_8$是待估计的参数向量；$\hat{\rho}_i$是第一阶段计算得到的逆米尔斯比率；$\mu_i$是随机误差项。PSM模型：为了进一步检验企业数字化转型对审计质量的影响，并解决处理组和对照组之间的系统性差异问题，本文构建了如下PSM模型：首先，通过Probit回归估计每家企业进行数字化转型的倾向得分：$P(DT_i=1|X_i)=\Phi(\gamma_0+\gamma_1Size_i+\gamma_2Lev_i+\gamma_3ROA_i+\gamma_4Growth_i+\gamma_5Top1_i+\gamma_6Indep_i+\gamma_7Big4_i+\nu_i)$其中，各变量的定义与Heckman两阶段模型中的变量定义一致；$\gamma_0$是截距项；$\gamma_1-\gamma_7$是待估计的参数向量；$\Phi(\cdot)$是标准正态分布的累积分布函数；$\nu_i$是随机误差项。然后，采用最近邻匹配方法，将进行数字化转型的企业（处理组）与未进行数字化转型的企业（对照组）进行匹配，确保处理组和对照组企业在倾向得分上的差异最小。最后，通过比较处理组和对照组企业在审计质量上的均值差异，估计企业数字化转型对审计质量的平均处理效应。（三）数据来源与样本选择本文的研究数据主要来源于以下几个渠道：企业财务数据和治理数据：来源于国泰安数据库（CSMAR）和万得数据库（Wind）。这些数据包括企业的营业收入、净利润、总资产、总负债、研发投入、员工人数、股权结构、董事会结构等多个方面。企业数字化转型数据：通过对企业年报进行文本分析获得。本文选取了2015-2024年中国A股上市公司的年报作为研究样本，采用Python的自然语言处理工具对年报中的数字化相关关键词进行统计分析，构建企业数字化转型指数。审计数据：来源于国泰安数据库（CSMAR）和中国注册会计师协会网站。这些数据包括审计意见类型、审计费用、审计机构名称等多个方面。在样本选择过程中，本文遵循了以下几个原则：剔除金融、保险类上市公司样本。由于金融、保险类上市公司的业务特点和监管要求与其他行业存在较大差异，其数字化转型和审计质量的影响因素也可能有所不同，因此本文将这类上市公司样本予以剔除。剔除ST、*ST类上市公司样本。ST、*ST类上市公司通常面临着较大的经营风险和财务风险，其审计质量可能受到多种特殊因素的影响，因此本文将这类上市公司样本予以剔除。剔除数据缺失的上市公司样本。由于部分上市公司的财务数据、治理数据或数字化转型数据存在缺失，可能会影响研究结果的准确性，因此本文将这类上市公司样本予以剔除。经过上述筛选，本文最终得到了[X]家上市公司的[X]个年度观测值，构成了本文的研究样本。四、实证结果与分析（一）描述性统计分析表1报告了主要研究变量的描述性统计结果。从表中可以看出：审计质量（AQ）：采用审计意见类型衡量的审计质量均值为[X]，说明大部分上市公司获得了标准无保留审计意见，审计质量整体较高；采用可操控性应计利润衡量的审计质量均值为[X]，标准差为[X]，说明不同上市公司的盈余管理程度存在较大差异；采用审计费用衡量的审计质量均值为[X]，标准差为[X]，说明不同上市公司支付的审计费用存在较大差异。企业数字化转型（DT）：采用文本分析法构建的企业数字化转型指数均值为[X]，标准差为[X]，说明不同上市公司的数字化转型程度存在较大差异；采用研发投入强度衡量的企业数字化转型均值为[X]，标准差为[X]；采用数字化人才占比衡量的企业数字化转型均值为[X]，标准差为[X]。控制变量：企业规模（Size）的均值为[X]，标准差为[X]，说明不同上市公司的规模存在一定差异；资产负债率（Lev）的均值为[X]，标准差为[X]，说明不同上市公司的负债水平存在较大差异；盈利能力（ROA）的均值为[X]，标准差为[X]，说明不同上市公司的盈利能力存在较大差异；成长能力（Growth）的均值为[X]，标准差为[X]，说明不同上市公司的成长能力存在较大差异；股权集中度（Top1）的均值为[X]，标准差为[X]，说明不同上市公司的股权集中度存在一定差异；董事会独立性（Indep）的均值为[X]，标准差为[X]，说明大部分上市公司的董事会独立性较高；审计机构规模（Big4）的均值为[X]，说明仅有少数上市公司聘请了国际四大会计师事务所进行审计。（二）相关性分析表2报告了主要研究变量之间的Pearson相关系数。从表中可以看出：企业数字化转型与审计质量之间的相关性：企业数字化转型（DT）与审计质量（AQ）之间的相关系数为[X]，且在[X]的水平上显著，说明企业数字化转型与审计质量之间存在显著的正相关关系。这初步表明，企业数字化转型程度越高，审计质量也越高。控制变量与审计质量之间的相关性：企业规模（Size）、盈利能力（ROA）、董事会独立性（Indep）、审计机构规模（Big4）与审计质量之间的相关系数为正，且在一定水平上显著，说明企业规模越大、盈利能力越强、董事会独立性越高、聘请国际四大会计师事务所进行审计，审计质量也越高；资产负债率（Lev）、成长能力（Growth）、股权集中度（Top1）与审计质量之间的相关系数为负，且在一定水平上显著，说明企业负债水平越高、成长能力越强、股权集中度越高，审计质量越低。控制变量之间的相关性：各控制变量之间的相关系数绝对值均小于[X]，说明各控制变量之间不存在严重的多重共线性问题，不会对回归结果产生显著影响。（三）Heckman两阶段模型回归结果分析表3报告了Heckman两阶段模型的回归结果。从第一阶段的回归结果可以看出：企业规模（Size）：企业规模与企业数字化转型之间的相关系数为[X]，且在[X]的水平上显著，说明企业规模越大，进行数字化转型的可能性越高。这可能是因为大型企业具有更充足的资金和技术资源，能够更好地推进数字化转型。盈利能力（ROA）：盈利能力与企业数字化转型之间的相关系数为[X]，且在[X]的水平上显著，说明企业盈利能力越强，进行数字化转型的可能性越高。这可能是因为盈利能力强的企业有更多的资金投入到数字化转型中，同时也更有动力通过数字化转型来提高企业的竞争力。成长能力（Growth）：成长能力与企业数字化转型之间的相关系数为[X]，且在[X]的水平上显著，说明企业成长能力越强，进行数字化转型的可能性越高。这可能是因为成长能力强的企业面临着更大的市场竞争压力，需要通过数字化转型来提高企业的运营效率和创新能力。从第二阶段的回归结果可以看出：企业数字化转型（DT）：企业数字化转型与审计质量之间的相关系数为[X]，且在[X]的水平上显著，说明企业数字化转型能够显著提高审计质量。这与本文的理论预期一致，即企业数字化转型通过提高审计效率、增强审计独立性和提升审计专业判断能力等途径，对审计质量产生积极影响。控制变量：企业规模（Size）、盈利能力（ROA）、董事会独立性（Indep）、审计机构规模（Big4）与审计质量之间的相关系数为正，且在一定水平上显著；资产负债率（Lev）、成长能力（Growth）、股权集中度（Top1）与审计质量之间的相关系数为负，且在一定水平上显著。这与相关性分析的结果一致，进一步验证了控制变量对审计质量的影响。逆米尔斯比率（$\hat{\rho}$）：逆米尔斯比率的系数为[X]，且在[X]的水平上显著，说明样本选择偏差确实存在，Heckman两阶段模型能够有效地对样本选择偏差进行校正。（四）PSM模型回归结果分析表4报告了PSM模型的回归结果。从倾向得分匹配的平衡性检验结果可以看出：标准化偏差：匹配后，各控制变量的标准化偏差绝对值均小于[X]，说明处理组和对照组样本在各控制变量上的差异可以忽略不计，匹配效果较好。t检验结果：匹配后，各控制变量的t检验结果均不显著，说明处理组和对照组样本在各控制变量上的均值不存在显著差异，匹配效果较好。从平均处理效应的估计结果可以看出：企业数字化转型对审计质量的平均处理效应（ATT）：企业数字化转型对审计质量的平均处理效应为[X]，且在[X]的水平上显著，说明企业数字化转型能够显著提高审计质量。这与Heckman两阶段模型的回归结果一致，进一步验证了本文的研究假设。（五）稳健性检验为了确保研究结论的稳健性，本文进行了以下几个方面的稳健性检验：替换被解释变量：本文分别采用可操控性应计利润和审计费用作为审计质量的替代衡量指标，重新进行Heckman两阶段模型和PSM模型回归分析。回归结果显示，企业数字化转型与审计质量之间的相关系数仍然为正，且在一定水平上显著，说明研究结论具有较高的稳健性。替换解释变量：本文分别采用研发投入强度和数字化人才占比作为企业数字化转型的替代衡量指标，重新进行Heckman两阶段模型和PSM模型回归分析。回归结果显示，企业数字化转型与审计质量之间的相关系数仍然为正，且在一定水平上显著，说明研究结论具有较高的稳健性。改变样本区间：本文将样本区间调整为2018-2024年，重新进行Heckman两阶段模型和PSM模型回归分析。回归结果显示，企业数字化转型与审计质量之间的相关系数仍然为正，且在一定水平上显著，说明研究结论不受样本区间的影响，具有较高的稳健性。工具变量法：为了进一步解决内生性问题，本文采用工具变量法进行回归分析。选取企业所在地区的数字化发展水平作为企业数字化转型的工具变量，因为企业所在地区的数字化发展水平会影响企业的数字化转型决策，但不会直接影响审计质量。回归结果显示，企业数字化转型与审计质量之间的相关系数仍然为正，且在一定水平上显著，说明研究结论具有较高的稳健性。五、研究结论与启示（一）研究结论本文以2015-2024年中国A股上市公司为研究样本，采用Heckman两阶段模型与PSM方法相结合的研究设计，实证检验了企业数字化转型对审计质量的影响。研究结果表明：企业数字化转型能够显著提高审计质量：无论是采用Heckman两阶段模型还是PSM方法进行分析，都得到了一致的研究结论，即企业数字化转型与审计质量之间存在显著的正相关关系。这说明企业数字化转型通过提高审计效率、增强审计独立性和提升审计专业判断能力等途径，对审计质量产生了积极影响。企业规模、盈利能力、成长能力等因素会影响企业数字化转型决策：Heckman两阶段模型第一阶段的回归结果显示，企业规模越大、盈利能力越强、成长能力越强，进行数字化转型的可能性越高。这说明企业的内部资源和外部环境都会对其数字化转型决策产生影响。控制变量对审计质量具有显著影响：企业规模、盈利能力、董事会独立性、审计机构规模与审计质量之间存在显著的正相关关系；企业负债水平、成长能力、股权集中度与审计质量之间存在显著的负相关关系。这与以往的研究结论一致，进一步验证了控制变量对审计质量的影响。（二）实践启示基于上述研究结论，本文提出以下几个方面的实践启示：企业应积极推进数字化转型：企业数字化转型不仅能够提高自身的运营效率和竞争力，还能够对审计质量产生积极影响。因此，企业管理层应充分认识到数字化转型的重要性，加大对数字化转型的投入力度，积极推进企业的数字化转型进程。具体而言，企业可以从以下几个方面入手：（1）制定数字化转型战略：企业应根据自身的发展阶段和业务特点，制定明确的数字化转型战略，明确数字化转型的目标、路径和实施步骤。（2）加强数字化人才培养和引进：数字化转型需要大量的数字化人才支持，企业应加强对内部员工的数字化培训，提高员工的数字化素养；同时，积极引进外部优秀的数字化人才，为企业的数字化