人工智能背景下会计行业的发展趋势研究

摘 要：人工智能的快速发展使得信息技术不断颠覆传统的行业模式，也给各个行业带来了新的发展契机，会计行业作为传统行业也面临着巨大的挑战。本文首先介绍了人工智能的内涵、目前所处的人工智能阶段及现在或者未来应用于会计的人工智能技术。其次分析了人工智能将会在哪方面以何种程度影响会计行业的发展趋势。再次对现在及未来人工智能在会计领域的具体应用进行了分析。最后给会计行业相关人员应对人工智能发展所需采取的措施给出了建议。

关键词：人工智能;会计行业;大数据;会计模式;措施

本文索引：周晔.人工智能背景下会计行业的发展趋势研究[J].中国商论，2022（01）：-159.

中图分类号：F233 文献标识码：A 文章编号：2096-0298（2022）01（a）--04

随着信息技术的爆炸式发展，如今人类社会已经进入“大智移云”时代，即大数据、人工智能、物联网、云计算。人工智能渐渐在各行各业发挥着重要的作用，大数据及人工智能相关技术也被应用于会计领域，如四大会计师事务所之一的德勤研发的财务机器人，已经可以胜任一些基本的会计工作，意味着未来会计行业中低端基础、简单、重复的会计活动可能被人工智能所取代，而解放出来的人力资源可以应用于更高附加值的数据分析、财务决策中，这对于会计从业者来说既是机遇又是挑战。因此，研究人工智能背景下会计行业发展趋势，可以为会计从业人员未来学习和工作的方向提供理论指导。

1 人工智能的概念及应用分类

1.1 人工智能的概念

1956年召开的達特茅斯会议上，通过讨论如何用机器来模拟人的智能，首次提出了人工智能（Artificial Intelligence）概念，从此之后60多年中人工智能经历了长足发展。目前愈发受到各界学者及各国政府的重视，成为一门理论日趋完善、多学科交叉应用的前沿学科。目前，对于人工智能的准确定义尚无定论，斯坦福大学的尼尔森教授研究得出：“人工智能是一门研究知识的学科，研究如何获取、使用及表示知识。”麻省理工的温斯顿教授认为：“人工智能主要模拟人的思维，将人的思维按照一定方法程序化处理后，让机器可以模仿人去思考和感知，并且有相应行动。”费根鲍姆则认为：“人工智能可以看作用来处理知识及信息的系统。”综合各方的观点来看，人工智能从实际应用的角度上讲，指用人工的方式在机器上实现智能，通过研究构造智能机器或者智能系统来对人类的智能活动进行模拟，并将其应用于实际来提高人类的智能。

人工智能按照发展阶段可以划分为强人工智能与弱人工智能。弱人工智能也叫应用型人工智能，指的是专心处理特定领域问题，通过统计学或者拟合函数来实现，不能独自推理问题及解决问题，不具有自我意识。强人工智能是一种具有通用智能的机器的概念，这种机器可以模仿人类的行为或者思想，具备一定学习及应用学习到的知识来解决问题的能力，甚至具有担任人类所有工作的才能。目前，人工智能研究及各行业所有的应用都处于弱人工智能阶段，并且在很长一段时间内将保持这个阶段。以下对人工智能的讨论也是基于弱人工智能的阶段。

1.2 人工智能的应用分类

人工智能可以根据原理的不同分为多种智能系统，如专家系统、人工神经网络系统、学习系统、仿生系统、群智能系统、多真体系统、混合智能系统、模糊系统、模式识别系统等。以下具体介绍目前已应用于或者将来可能应用于会计行业的智能系统。

专家系统是人工智能应用研究中最重要及最广泛的方向。该系统应用人工智能中的知识表达及知识推理技术，模仿专家在分析和处理问题时采用的推理过程，并具有比人类专家拥有更大更广知识储备的优势，可以将其理解为知识库和推理机的结合体。目前，专家系统研究已相对成熟，在诸多行业如医疗、工程、商业及军事上都有应用，并且某些情况超过了人类专家判断的准确性。

模式识别系统指的是通过提取事物的属性和特征及对不同形式的信息进行处理，如数值的、文字的或者包含逻辑关系的，将其进行处理和分析，达到对事物描述、辨认、分类及解释的效果。目前，研究较多集中于对图像、文字及语音的识别，具体的应用如人脸识别、医疗诊断、语音识别系统，手写字体识别等。

人工神经网络（ANN）是以生物学和心理学为基础，研究非线性动态系统结构和自组织映射模型来进行数据的处理。近年来，根据内部算法的不同又创立了不同的神经网络模型，如前反馈神经网络等。神经网络系统使用者可以将对应的输入输出数据通过计算机放入神经网络模型中，训练好能反映两者潜在规律的模型，再将需要计算结果的数据代入模型中得出预测结果。神经网络系统已经广泛应用于自动控制、机器人、信号处理、商业、医疗和军事等领域。

学习系统是计算机像人一样通过学习来获取及增加知识，学习是人重要的智能之一。21世纪以来，学习系统中研究最多、最热门的莫过于机器学习。如何让计算机拥有自动获得知识的能力，即通过现有的知识，或者信息，整理归纳规律来完善自身的知识体系，就是机器学习研究的重点。早期的机器学习主要侧重于通过优化随机森林、贝叶斯、决策树等数学模型来提高预测的精度。大数据环境下的机器学习侧重于对复杂多样的数据进行更深层次的分析，朝着智能数据分析的方向发展，具体应用如文本内容理解、文本情感分析、图像的检索与理解、数据挖掘等。

2 人工智能背景下会计模式的改变

人工智能给传统会计带来的改变主要体现在两个方面，一是会计最基础的重复核算工作，包括原始凭证的录入、收入成本的核算等将被智能财务系统所取代。二是通过人工智能带来的技术优势可以优化会计信息，提高会计预测、决策的准确性等，从而提高工作效率及会计工作价值。

2.1 会计核算流程全自动化

自从会计电算化普及之后，虽然会计账务系统处理会计业务已经实现了部分自动化，但是账务处理软件并没有突破手工记账的流程和逻辑，依旧是按照原始凭证到记账凭证，再编制各期财务报表并进行披露，这种模式使得会计信息存在滞后性，不能及时反映企业的生产运作信息。人工智能系统在处理数据上有着先天的优势，利用图像识别完成原始凭证的自动录入，通过文字识别和文本分析将原始凭证按照一定规则转化成记账凭证，最终生产会计报表。通过这种形式可以快速编制财务报表并进行财务数据的处理，动态反映公司生产经营的各项指标，方便后续的分析与预测。

2.2 会计信息的多重优化

会计信息应当客观反映经济活动，但是受限于各方面的客观条件，传统会计在反映会计信息时并不能如实反映客观的经济活动，各种会计制度和处理方法也是权衡各方面利弊之后所设定的。人工智能的应用可以在多方面打破这些限制，从而提高会计信息的质量。衡量会计信息质量一般考虑相关性、如实反应、可比性、可验证性、及时性和可理解性，同时要兼顾成本收益原则。从相关性角度考虑，如公允价值的计量本是体现会计信息的相关性，而公允价值的准确计量需要定量和标准的评估技术，现实计量中往往依靠专业人士的主观判断，甚至存在盈余管理的情况，使得会计信息失去相关性，不利于利益相关者做出决策。审计中的重要性原则实际上是受限于成本做出的折中策略，人工智能技术的应用可以很好地节省人力和时间成本，从而提高会计信息的证实价值。此外，大数据技术可以处理非结构化数据，使得会计信息中大量的非财务信息可以统一归纳出来，从而提高会计信息的完整性。

2.3 提高经营预测准确性

预测功能为会计六大功能之一，指的是利用现有的会计信息及资料，找出生产经营中普遍存在的规律，再按照规律预测企业或者社会经济运行的未来趋势。随着社会经济的发展及企业结构的复杂化，面对海量的信息，如国家政策、行业发展、竞争对手信息等，光靠人工已经很难有效分析。人工智能最擅长提取数据之间的相关性，从而做出预测，应用人工智能相关技术可以最大化利用越来越丰富、种类复杂的信息，信息越多预测效果越好，应用合适的机器学习模型，最终得出更准确的经营预测模型。

2.4 强化决策支持功能

会计决策是在会计预测的基础上，按照已经拥有的会计信息及其他资料，制定未来可能采取的生产经营计划，并严密地定量分析，综合比较收益与风险，从中挑选最优方案。借助机器学习及专家系统等人工智能技术，可以辅助企业决策者解决定性或定量问题。通过有监督的机器学习可以处理标签化数据，将模型和决策规则固定之后可以建立决策模块，从而实行决策的自动化。通过无监督的机器学习，可以处理海量的非标签数据，如关联规则挖掘等方法，挖掘隐藏在特定财务规则之外的关联，从而为最终的决策人提供更深更广的数据角度，起到辅助企业高层管理者高效准确做决策的作用。

3 人工智能在会计领域的具体应用

当前，人工智能技术在会计领域应用较少，使用程度也较低，人工智能在企业具体使用时还有诸多限制，但是随着人工智能技术的成熟，未来广泛应用于会计领域只是时间问题。以下根据目前人工智能技术的应用及发展方向，结合会计自身的特征，对人工智能在会计领域目前及未来的应用进行简单介绍。

3.1 机器视觉、机器学习自动化录入与验证

机器视觉属于人工智能的一个分支，指通过图像进行机器视觉识别，代替人眼提取出图像中包含的信息，并进行数据处理。机器识别在会计中的应用，即通过将会计凭证的影像文件转化成文本信息，该技术需要应用神经网络和深度学习技术，并且需要大量的训练样本，目前研究和应用已较为成熟，识别的准确率也在逐步提高。在得到原始凭证的文字信息后，利用机器学习的技术将这些非结构化的文字信息转化成具有固定格式的记账凭证，从而解决重复性手工记账问题，具体可以做到：（1）发票的查重与验真。会计核算需要确认发票等原始凭证的真实性，还要对其合规性进行验证，通过机器视觉自动识别对比会计凭证，可以做到该项工作的自动化实现。（2）自动记账。在审核完原始凭证后，需要按照记账规则来确定核算科目并且入账，通过机器视觉提取原始凭证中的文本信息，结合机器学习中的监督式学习自动将信息归类，可以很容易做到原始凭证入账的自动化。

3.2 财务大数据分析

应用专家系统及数据挖掘等技术，可以构建一个财务大数据分析平台，对公司内部财务状况、生产经营状况及行业状况进行数据挖掘，将得到的信息经过处理整合之后呈现给经营管理者，达到决策支持的效果。首先，明确管理经营需分析的问题，确定所需的内外部信息并进行收集。將得到的数据进行数据清洗、加工、转换等操作后输入数据库中。其次，应用数据挖掘相关技术，确定主题模型，发现潜在的商业信息，并不断完善模型来优化最终的结果。再次，数据输出，将数据挖掘出的信息结合公司实际情况，输出可供决策的信息。最后，将数据挖掘出的知识放入专家系统中，由专家系统进行知识推理得到最终的决策结论，可给管理者提供更优化的决策参考，同时根据决策的准确性，进一步调整完善专家系统。财务大数据分析的应用，可以有效解决传统财务分析存在的忽视非财务数据的片面性问题，以及时间上的滞后性问题，满足管理者的需求。

3.3 财务风险智能控制

财务风险智能控制是利用机器智能来模拟人类的直觉推理，将其具体化、形式化，应用于财务风控系统，代替人为判断与监督，从而实现财务风险控制的智能化。传统的财务风险控制无法处理缺乏完整性及精确性的数据，多靠人为的主观判断及事后的风险控制，而财务风险智能控制应用了深度学习等算法，可以有效解决这一难题。目前，人工智能在财务风险控制主要的应用或者研究有：（1）对财务数据进行分类与整理，利用决策树、向量机及深度学习等算法，找出财务数据中的异常值及潜在风险，并且归档，加强对今后类似财务风险的判断。（2）通过构建智能化风控平台，在企业内部实现财务信息化，各个部门之间的信息可以及时传递，业务流程可以透明化，每项业务可以追踪到相关责任人，降低企业的内控风险及内控成本。（3）搭建智能化财务共享中心，将云采购、费用自动化报销、薪资等日常活动纳入其中，结合全面预算管理，将企业每项常规活动风险控制在阈值之内，从而降低企业的运营风险。

3.4 智能审计系统

智能审计系统是为审计人员设计的一种审计工具，可以结合多类型数据挖掘算法处理不同数据类型，通过智能审计来发现审计问题。流程主要是审计相关数据的导入与清洗，将数据分为数值型数据及文本型数据，数值型的数据结合审计分析模型及诊断型专家系统来查找审计线索，文本型数据利用文本挖掘技术来分析原始凭证及审计报告等。具体能够实现的功能有：（1）财务报表的审计分析，将专家系统的诊断理论结合审计相关原理及规则，建立完整的审计分析模型来发现审计对象潜在的问题与风险，挖掘出异常的线索。对机器推导的审计结果按照实际情况进行修改后存储，优化模型的准确率。（2）审计问题分类管理。利用神经网络模型结合文本分类算法，提取特征向量，挖掘出文本之间的关联关系，并将机器分类后的审计问题和对应的法规存储于数据库中，方便以后查询。

4 会计相关人员面对人工智能发展需要采取的措施

4.1 高校教育方面

高校需要为会计、审计等专业开设大数据相关课程，将财务机器人的原理和方法结合会计信息系统融入课程中，还要开设大数据技术平台、机器学习及数据可视化等课程。硬件设备好的学校还应改善会计实验室，模拟人工智能及大数据环境下会计实际操作，供学生上手学习。通过开设这些课程，让学生了解并掌握计算机科学、信息管理科学等学科的基础知识，培养学生利用计算机科学解决会计问题的思维模式。

此外，学校培养学生的重点应由财务会计向管理会计方向转变，将学生培养成管理型会计人才。管理型会计人才指的是除了会计基础知识如传统的会计核算等有扎实的功底外，还应当了解关联学科如金融、税务、法律等，并且培养一定的商业分析决策能力、战略管理能力、团队合作、组织领导能力的复合型人才。管理型会计人才在人工智能背景下，非但不会被淘汰，还会在企业的日常经营、财务及管理活动中起到更大的作用。

4.2 财会从业人员方面

在人工智能大环境下，财会从业人员需要有超前的意识及自我学习能力，根据自身的特点与能力规划职业发展。财务基础岗位如会计核算人员需要朝着管理会计的方向转型，如前文所述，弱人工智能的应用使得财务基础岗位最有可能面临被淘汰的风险，因此财务会计应当尽快朝着管理会计转型，或者具备一定管理会计的能力。管理会计需要有洞察未来、决策分析的能力，还要有组织管理能力及和他人合作的能力。在工作之余可以参加一些财务专业的培训，提高自己的财会知识及职业能力，只有充分的会计知识和管理能力才能面对人工智能下会计变革的挑战。

对于中高级财会从业人员，只有把握行业发展趋势，结合公司架构，推行人工智能在公司的应用，才能不落后于时代的步伐。目前阶段的机器学习等人工智能技术只能解决重复劳动及人工难以处理的海量数据问题，具备一定的实用价值，但是面对较为复杂或者没有规范化的业务场景时，还是需要有业务经验的财会人员进行人工处理，结合对会计准则的理解做出判断。尤其当中高级财会人员面对复杂的无法借鉴的预测、分析、决策等会计活动时，目前的人工智能只能在信息量及信息维度上进行帮助，真正有巨大价值的决策活动依旧需要管理者进行人工判断。因此，对于中高层管理者而言，要积极引进人工智能技术，也要提高自身分析、预测、决策的能力。

5 结语

人工智能的发展带来会计行业的变革，人工智能技术的应用，一方面会取缔简单、重复的会计核算活动，另一方面会提高会计信息的确定性及颗粒度，从而辅助管理者提高决策分析的准确性。但是需要注意的是，在目前弱人工智能阶段下，人工智能并不是万能的，直接从海量的非结构化数据中挖掘的数据，很难给企业提供数据分析与决策的支持功能。企业在日常经营过程中，要注意结构化数据的积累并将其存储进数据库中，人工智能只是处理、分析数据的一个手段，与企业自身高度相关的数据库才是企业最重要的财富。对会计从业人员而言，学习人工智能技术固然重要，管理会计知识的积累、决策分析能力的提高才是应对人工智能时代会计变革的不变法宝。

参考文献

[1]蔡自兴，徐光佑.人工智能及其应用[M].北京：清华大学出版社， 2003.

[2]侯芳，吕飞豹.基于知识图谱分析的会计人工智能研究綜述[J].会计之友，2020（13）：144-149.

[3]王奕俊，杨悠然.人工智能背景下专业人才培养的发展路径与方向：基于会计职业相关数据的实证研究[J].中国远程教育，2020（1）：35-45+76-77.

[4]周守亮，唐大鹏.智能化时代会计教育的转型与发展[J].会计研究，2019（12）：92-94.

[5]徐经长.人工智能和大数据对会计学科发展的影响[J].中国大学教学，2019（9）：39-44.

[6]章君.“互联网+”人工智能视域下高职院校会计专业改革研究[J].中国职业技术教育，2019（11）：58-63.

[7]陈婷蔚.人工智能在会计领域的应用探析：以德勤财务机器人为例[J].商业会计，2018（10）：77-78.

[8]余应敏，王彩淋.财务机器人对会计行业的影响及其应对策略[J].会计之友，2018（7）：54-56.

作者简介：周晔（1995-），男，汉族，江苏无锡人，研究生在读，研究方向：财务管理。

Research on the Development Trend of Accounting Industry under the Background of Artificial Intelligence

Nanjing University of Science and Technology  Nanjing， Jiangsu  210094

ZHOU Ye

Abstract： With the rapid development of artificial intelligence， information technology constantly subverts the traditional industry model， and it also brings new development opportunities to various industries. As a traditional industry， accounting industry is also facing great challenges. This paper first introduces the connotation of artificial intelligence， the current stage of artificial intelligence and the application of artificial intelligence technology to accounting at present or in the future. Then this paper analyzes in what aspects and to what extent will artificial intelligence affect the development trend of accounting industry. Furthermore， this paper analyzes the specific application of artificial intelligence to the field of accounting at present and in the future. Finally， some suggestions are given for the accounting industry personnel to cope with the development of artificial intelligence.

Keywords： artificial intelligence; accounting industry; big data; accounting model; measures