機器學習技術在企業智能財務中的應用研究

王玲

基金項目：安徽省中小企業互聯網金融支撐效應研究，項目編號：PTZD2020003

摘 要：近年來，隨著大數據、人工智能、移動互聯網以及云計算新技術的發展和運用，推動了財務從會計信息化階段逐步轉為智能化階段。而在智能化階段的三個主要要素即為人工智能、機器人流程自動化（RPA）等智能工具以及大數據分析。而本文所探討的機器學習技術是三個要素之一——人工智能當中的一個重要領域，它可以用于解釋數據和預測未來數據，目前被廣泛應用于社會的各個領域。本文基于機器學習技術的運作原理，探討該技術在智能財務中應用的四大場景，即優化會計引擎、提高財務預警準確度、識別上市公司年報錯誤以及預測企業內部控制重大缺陷，同時指出當前機器學習技術在我國智能財務運用中存在的問題。

關鍵詞：智能財務;機器學習技術;應用場景

一、智能財務的概念和基本架構

1.智能財務的概念

智能財務產生和發展的原因主要來自三個方面，一是財務本身變革的需要，傳統財務管理模式已經難以滿足財務信息使用者日益增長的個性化需求，兩者之間的矛盾越來越突出;二是“大智移云”等新技術的快速發展，讓財務管理模式的變革成為可能;三是國家政策的支持，2019年的政府工作報告已將“智能+”作為國家戰略，由此智能技術開始逐步與各行各業整合，加速了經濟結構優化升級，智能財務的概念也由此產生。

關于智能財務的概念，不同的學者持有不同的觀點，目前沒有普遍認可的權威定義。部分學者站在技術應用的角度認為智能財務是指人工智能技術在財務中的應用，據以提高工作效率和準確度;還有部分學者認為智能財務是一種經濟管理活動，能夠優化會計的監督和核算智能。但這些觀點具有一定的片面性，張慶龍認為將智能財務簡單定義為一種管理模式、一種技術應用或者一種經濟管理活動可能會導致我們忽略財務發展中的重要問題。因此他在整合分析智能財務文獻的基礎上對智能財務進行了重新定義：智能財務是以AI技術為基礎設施和核心要素，全面實現財務與人工智能的融合，提高財務部門服務效率，拓展財務職能的深度和廣度，最大化實現財務組織價值的新一代財務，并在財務數字化、智能化應用過程中不斷發展和完善。

2.智能財務的基本架構

從上述定義可以看出智能財務主要包含人工智能、機器人流程自動化（RPA）等智能工具以及大數據分析三個要素。三個要素有不同的分工，首先人工智能的功能是基于底層的邏輯對輸入的指令進行分解，然后做出反應;其次智能工具的功能是根據人工智能的指令來做任務;最后大數據分析的功能是用來訓練模型，使得前面兩步的運算和運行更加高效和準確。整個過程中人工智能類似于人的大腦，智能工具如同人的各個器官，大數據類似于人的血液，三者缺一不可。基于這三個基本要素，結合物聯網等技術，智能財務的基本機構可以解釋為三個層次：第一層次，信息輸入，結合智能感知系統，將企業的經營活動輸入到業財一體化的智能化平臺當中。第二層次，信息處理，通過網絡系統和數據系統，將業財融合平臺中的信息傳送到智能戰略性財務平臺、智能管理型財務平臺以及智能核算型財務平臺中進行加工處理。其中智能核算型財務平臺是初級平臺，主要處理會計核算的相關工作，主要使用的系統包括感應系統、機器人自動化、財務專家系統等。智能管理型財務平臺是中級平臺，是在初級平臺的基礎上，處理財務和非財務信息，使用的技術包括大數據處理技術、機器學習技術等。智能戰略性財務平臺是高級平臺，是智能財務發展的成熟階段產物。第三層次，信息輸出，主要依靠智能會計引擎系統，將基礎的財務信息進一步轉化成多維業財融合報表進行輸出，根據不同頻道提供給管理層或者其他信息使用者

使用。

二、機器學習技術的概念和原理

機器學習是指讓機器像人一樣學習，做出判斷并進行決策。機器學習與人的學習原理相似，即基于歷史數據訓練模型，利用模型形成預測、解決問題。機器學習技術是人工智能的一個子集，這項技術的主要任務是指導計算機從數據中學習，然后利用經驗來改善自身的性能，不需要進行明確的編程。在模型訓練中，算法會不斷進行迭代回歸，從大型數據集中發現樣本相似特征和相關性，進而趨于穩定生成可用模型，然后利用訓練好的模型根據輸入數據，做出預測和最佳決策（如下圖所示）。機器學習算法具有自我演進能力，它們往往獲得的數據越多，準確性就會越高。機器學習包含多種不同算法的學習模型，根據數據的性質和期望的結果，可以將學習模型分成四種，分別是監督學習、無監督學習、半監督學習和強化學習。而根據使用的數據集和預期結果，每一種模型可以應用一種或多種算法。機器學習算法主要用于對事物進行發現、分類、預測結果，以及制定最優決策。

機器學習技術應用原理圖

三、機器學習技術在智能財務中的應用

1.優化會計引擎

會計引擎是一種數據處理器，主要用于采集、處理、輸出會計相關信息，它可以連接業務數據庫和會計系統，然后將業務信息轉化成業財融合的綜合信息。會計引擎具有強大的數據處理能力，它通過計算機語言來對整個系統設置參數，不僅可以過濾會計資料、轉換格式、檢查錯誤、修正鏈接、還能增加或刪除字段、自動生成目錄等。在財務中應用是通過事先輸入的會計核算準則，將業務平臺輸入的信息高效、準確、自動地轉換成記賬憑證，使得總賬和具體的交易信息連接在一起，實現業務和財務的高度融合。目前在我國會計引擎仍處于起步階段，很多企業并沒有引入會計引擎，或者即使引入會計引擎，應用的范圍很有限。21世紀初，部分中國企業上線了成熟的大型ERP軟件，滿足了企業主業務流程中各個部門的日常管理需要，通過不同的功能模塊，將各業務部門的基礎數據與財務模塊進行了高度的集成。但隨著企業規模的發展，企業業態越來越多、業務流程越來越復雜，大型ERP軟件很難滿足企業所有業態、所有業務流程與業務場景的管理需要。這是因為傳統的會計引擎分散在各種財務和業務系統中，企業內部各種不同的財務業務系統中都或多或少地蘊含著一些形態各異，功能差別較大，成熟度不一的會計引擎模塊。而且會計引擎在各個行業中應用的深度也不一樣，存在著一定的特色和特定的場景限制。

基于以上問題，許多企業通過對現有系統進行業務改造，建立統一的會計引擎，達到數據共享的目標。統一會計引擎，是將分散在各種財務和業務系統中的引擎模塊分離出來，形成一個具有擴展性的統一引擎。統一會計引擎的優點在于不僅能夠快速高效的適應新建立的財務系統和業務系統，還能更加穩固的支持舊系統的運轉和對接。隨著智能化技術的進步，機器學習技術的引進，會計引擎也逐步走向智能化統一會計引擎。智能化統一會計引擎，是在統一會計引擎的基礎上，應用機器學習技術對標簽化的業務信息輸入和學習訓練后，能夠更為高效地提煉轉換規則，并提升會計引擎在面對新問題時的處理能力，加快會計引擎的應用。

2.提高財務預警準確度

企業的財務狀況和經營狀況是相互影響、相互作用的。通過財務狀況可以觀察和評價企業經營狀況的好壞，經營不善會導致財務危機，而財務困境又會進一步惡化經營困境，企業一旦遭遇財務危機，就會面臨破產的風險，并對債權人、股東等利益相關者產生影響。因此企業需要對自己企業的財務狀況實時進行評估和預警。20世紀30年代國外一些學者就開始研究財務風險預警相關問題，且已經輸出大量理論研究成果。最早被用于財務危機預警研究的模型是單變量分析模型，而后又有多元線性判定模型、Logistic預警模型等。然而這些經典統計模型，存在嚴格的假設，對樣本數據的分布要求較高，而且由于企業的經營業務、方式各異，財務指標復雜性高，進一步的預警就難上加難。在人工智逐漸興起的大背景下，統計學、人工智能以及數據挖掘等新技術的出現，使得許多學者基于機器學習的相關技術進一步提出了人工神經網絡、支持向量機，粗糙集、COX回歸等財務預警模型，且經證實具有較高的預測準確度，有效地解決了傳統模型中存在的問題。

3.識別上市公司年報錯誤

我國監管部門為了保障和提高上市公司會計信息披露的質量和可信度，要求所有上市公司的年報均需要進行外部審計后方可報出。然而外部審計存在的固有缺陷加上上市公司盈余管理的手段越來越隱蔽，審計人員很難獲取全面且真實的信息，因此經外部審計審核過的年報，即使被出具無保留意見仍有很大可能存在錯報。這也說明單純依賴傳統的手段和方法難以有效識別年報錯誤風險。許多研究表明，上市公司年報錯誤與財務重述具有一定的因果關系，因此如果能夠通過一定的手段和方法預測后期發生財務重述的可能性，則說明當期的年報很可能存在錯報，進而對財報進行檢查，減少錯報的發生，提高年報的準確性。

機器學習技術基于其運作原理，能夠通過大量歷史數據的輸入總結規律，得出相應的模型，然后利用該模型對未知的數據進行預測，而且數據訓練得越多，預測的結果越準確。該技術在識別年報錯誤中主要使用的方法是分類法。具體應用的流程：首先人工輸入帶有分類標注的訓練樣本，然后機器學習從這些樣本中總結出一個分類模型，最后輸入數據，根據分類模型將這些數據指定到某一個類別中。分類法中具體使用較多的是極限梯度提升樹、神經網絡、隨機森林、K近鄰、支持向量機、樸素貝葉斯等。不少研究表明，通過與Logistic回歸相比較，極限梯度提升樹等分類方法在預測上市公司年報調減盈余的財務重述方面有良好效果。主要體現在準確率和精確率這兩個方面：在準確率上，眾多方法中極限梯度提升樹、多層感知機神經網絡與K近鄰的準確率最高，均優于Logistic回歸。樸素貝葉斯與Logistic回歸持平。在精確率上，樸素貝葉斯幾乎可以達到100%，除此之外的大部分機器學習方法的精確率也能夠達到80%，且所有的機器學習方法在精確率上均高于傳統的Logistic回歸。可見多數機器學習分類方法在區分調節盈余的年報錯報與未調節盈余的年報錯誤方面表現較好，誤判率較低，從而證明機器學習應用于識別上市公司年報錯報的可行性。

4.預測企業內部控制重大缺陷

企業進行內部控制的主要目的在于防范和控制風險以保證企業的經營活動正常、有序、合法地進行，促進企業平穩發展。由于企業內部控制規章制度的制定和運行具有一定的主觀性，無法考慮到所有可能的情況和風險，因此內部控制會存在設計缺陷（即使正常運行也難以實現預期的控制目標）和運行缺陷（設計合理但是沒有被正確的執行）。隨著外部經營環境變遷及內部組織結構再造，影響內部控制缺陷存在的因素從會計與審計領域，涵蓋到組織結構、法律環境、政府管制等宏觀方向深入擴展，非財務因素的作用日益顯著。因此構建預測模型應綜合考慮財務因素和非財務因素。在預測方法上，已有研究采用邏輯回歸和判別分析達到的預測準確率約為70%-80%，預測性能仍有較大進步空間。隨著人工智能技術迅速進入大眾視野，重大缺陷預測方法從統計計量過渡到機器學習。這兩類方法在模型可解釋性和預測能力上有不同權衡：計量模型注重解釋現象并尋找現象背后的規律，要求闡明模型擬合好壞的原因和變量之間的互動關系，追求較為簡單的函數形式和易于解釋的模型估計結果;而機器學習通過支持向量機、BP神經網絡、集成算法等預測模型能從數據中學習更多經驗知識，在大量非線性、高維度、高噪聲的數據中發掘有用信息，能較為靈活地選擇函數形式來擬合數據，并不拘泥于可解釋性，因此預測能力較強。

四、機器學習技術在智能財務中應用存在的問題

根據新思界產業研究中心發布的《2021-2025年中國機器學習行業市場調查研究報告》顯示，2020年，全球機器學習市場價值達到158億美元。預計2020年-2025年，全球機器學習市場價值將以42%以上的增速增長，行業發展勢頭極為強勁。機器學習是使計算機具有智能的重要方式，是人工智能技術的核心，行業進入技術壁壘較高，產業鏈涉及范圍廣泛。現階段，人工智能技術應用落地速度正在不斷加快，應用場景正在不斷增多，市場規模不斷擴大，使得機器學習價值日益凸顯。在政策的推動下，我國人工智能市場增速高于全球平均水平，未來機器學習行業發展勢頭更為強勁。然而當前階段，機器學習技術在智能財務中的應用依然存在著應用范圍不夠廣泛，配套機制不健全等問題。

1.應用范圍不夠廣泛

當前，我國企業對人工智能相關技術的應用部署尚處于起步階段，常年在信息化、智能化方面投入的企業較少，且對部分人工智能技術的采用仍在觀望期。智能財務的發展目前在學術研究領域和教育領域的發展速度較快，而在實際領域的發展仍屬于起步階段，發展比較緩慢。據《2019年全球金融科技調查報告》的相關數據顯示，在人工智能應用方面，近700名金融行業的專業人士有89%的人表示尚未在實際工作中使用相關技術。同時調查還顯示只有11%的財務人員所在的財務部門大規模應用了機器學習技術，大部分專家表示到目前為止所在部門完全沒有部署人工智能。

2.缺乏完善的轉型配套機制

機器學習技術在智能財務中的運用缺乏完善的配套機制主要體現在規章制度的配置和專業人員的配置兩個方面。從國家層面來說，財政部等相關政府部門的引導性政策;從企業層面來說，缺乏應用機器學習技術完成智能財務轉型的意識，尤其是缺乏與智能財務相匹配的流程機制和智能財務崗位職責，導致智能財務轉型過程存在較大阻礙。財務的轉型也帶動了財務人員的轉型和改變，然而目前管理型和技術型的專業人員仍然較少，大部分會計人員仍然停留在會計核算的層面，尤其在大的環境和背景不完善的情況下，個人缺乏實踐和鍛煉的機會，最終導致企業財務人員也面臨轉型難的尷尬局面。

參考文獻：

[1]張慶龍.智能財務研究述評[J].財會月刊，2021（3）：9-16.

[2]張敏.智能財務十大熱點問題論[J].財會月刊，2021（2）：25-30.

[3]何瑛，李塽爽，于文蕾.基于機器學習的智能會計引擎研究[J].會計之友，2020（5）：52-58.

[4]曾慶超，許諾.機器學習對上市公司年報錯報的識別研究——財務重述預測的視角[J].中國注冊會計師，2022（2）：43-48.

[5]劉瑾，趙納暉.基于機器學習的企業內部控制重大缺陷預測[J].財會月刊，2022（3）：123-131.