一、引言 审计作为公司治理的基石与资本市场的“看门人”，在降低信息不对称、提升财务报告可信度、维护投资者信心与保障经济秩序高效运行方面扮演着不可或缺的关键角色。伴随着全球经济一体化进程加速、信息技术日新月异、商业模式持续革新以及监管环境日趋复杂，审计实践面临着前所未有的挑战与机遇，也促使审计理论研究不断向纵深拓展。近年来，国内外审计研究领域呈现出显著的活跃态势，大量学者围绕智能审计、智慧审计、经济责任审计、碳审计、研究型审计、国家审计、数字审计、区块链审计、自然资源资产离任审计等审计领域的内容展开了研究热点分析，产出了丰富的研究成果。 审计研究领域的知识体系正以前所未有的速度膨胀，研究主题日益多元化、交叉化与精细化。面对如此海量且快速更新的文献，研究者与实践者往往难以系统、清晰地把握整个领域的研究脉络、识别真正的前沿热点、洞悉研究主题的演化趋势以及理解不同主题间的关联结构。本文对2021～2025年的审计研究热点及主题进行分析和研究趋势判断，以期为审计研究领域的学者提供客观的、科学化的参考和借鉴，避免研究资源的重复投入、对重要新兴议题的忽视以及研究与实践需求之间脱节的风险。 二、数据来源与研究工具 （一）数据来源。本研究以中国知网（CNKI）作为数据来源，在主题选项中输入“审计”，在总库中选择“学术期刊”，在来源类别中选择“CSSCI”，出版年度选择“2021～2025”，检索日期为2025.5.30。检索结果发现，《审计研究》《审计与经济研究》《会计研究》和《南京审计大学学报》等核心期刊的发文量都在100篇以上，其他期刊的发文量都不超过35篇。因此，将以上四种核心期刊刊登的论文作为研究样本，排除《审计研究》中的10篇非学术论文，一共选取735篇学术论文作为研究样本。四种核心期刊对应的发文量分别为350、154、122和109；2021～2025年度的发文量分别为176、172、169、161和57，发文量呈略微下降趋势。735篇论文中，共有519家研究单位和1535名研究人员参与了审计研究领域的学术研究；发文量排在前10位的研究机构分别是南京审计大学政府审计学院，中央财经大学会计学院、中南财经政法大学会计学院、首都经济贸易大学会计学院、中国人民大学商学院、上海财经大学会计学院、山西财经大学会计学院、浙江工商大学会计学院和中国财政科学研究院，第1位机构的发文量为41篇，第10位机构的发文量为18篇；人均发文量在5篇以上的作者有15名，分别是郭檬楠、蔡春、吴联生、上官泽明、陈丽红、吴秋生、黄溶冰、王帆、孙梦娜、王会金、李世辉、王彪华、张龙平、陈汉文和李英。735篇论文中，被引频次超过200的论文有5篇，其中《审计研究》2篇，《审计与经济研究》3篇；《审计研究》在2021年5月发表的《企业数字化转型与审计定价》一文的被引频次高达1233次。 （二）研究工具。要对研究热点及主题进行分析，必须获得高频关键词的共现矩阵，因此需要采用相关的计量分析软件。本文采用BICOMB（书目共现分析系统）软件进行关键词频次的统计、关键词共现矩阵的产生。此外，还要对关键词共现矩阵进行聚类分析与多维尺度分析获得冰柱图、树形图和多维尺度聚类图，所以还需要采用SPSS软件。 三、论文关键词及研究热点分析 （一）高频关键词的统计分析。关键词是从论文的题名、摘要和正文提炼出来的，能反映某一学科领域的发展方向，高频关键词更是能体现某一领域的研究热点。利用BICOMB软件对735篇论文的关键词进行统计，得到3480个关键词，篇均关键词4.735个。由于“领导干部自然资源资产离任审计”与“自然资源资产离任审计”的含义基本相同，因此将两个关键词归并为“自然资源资产离任审计”，从而形成了关键词的频次排列表。本文选取排名前40位的关键词作为高频关键词，频次大于等于8，累计比例达到了30.1149%，如表1所示。从这些主要高频关键词可以大致判断出，审计研究热点主要集中在审计质量、国家审计、审计费用等领域。 （二）高频关键词的共词分析。尽管通过高频关键词的变化能对研究热点与重点进行初步估计，但要准确判断5年间的研究热点与主题，还需要科学的统计与分析方法。共词分析方法是一种内容分析技术，即以高频关键词共同出现的次数为基础进行聚类分析，从而将大量的关键词缩减为几个大类，再根据某个大类的关键词来确定研究热点与主题。 利用BICOMB软件中的共现矩阵功能，可以得到40×40的共现矩阵。表2是关键词共现矩阵的部分数据，其中，对角线上的数字是关键词出现的频次，而非对角线上的数字是两个关键词共现的次数，表示两个关键词有多少次出现在同一篇论文中。例如，“审计质量”的频次是116，它与“审计费用”同时在18篇论文中出现，表示有18篇论文中同时出现过这两个关键词。“国家审计”与“关键审计事项”的共现次数为0，表示没有一篇论文中同时出现这两个关键词。 尽管表2给出了高频关键词的共现次数，但还是无法给出这些关键词之间的内在关系，需要对共现矩阵进行进一步处理。由于关键词的频次与共现次数的差异较大，直接利用SPSS软件进行聚类分析难以获得准确的结果。为了消除频次悬殊造成的影响，需要将共现矩阵转化为相关矩阵。在相关矩阵中，相关系数的大小表示两个关键词之间的距离远近，值越接近1，关键词之间的相似度越大，反之亦然。由于在相关矩阵中，自相关系数与相关系数间的差异比较大，进行聚类分析会产生误差，因此还需要将相关矩阵进一步转换为相异矩阵。在相异矩阵中，数值越大，表明关键词之间的相似度越小；数值越小，相似度越大。表3是关键词相异矩阵的部分数据。
