机器学习技术在企业智能财务中的应用研究

王玲

基金项目：安徽省中小企业互联网金融支撑效应研究，项目编号：PTZD2020003

摘 要：近年来，随着大数据、人工智能、移动互联网以及云计算新技术的发展和运用，推动了财务从会计信息化阶段逐步转为智能化阶段。而在智能化阶段的三个主要要素即为人工智能、机器人流程自动化（RPA）等智能工具以及大数据分析。而本文所探讨的机器学习技术是三个要素之一——人工智能当中的一个重要领域，它可以用于解释数据和预测未来数据，目前被广泛应用于社会的各个领域。本文基于机器学习技术的运作原理，探讨该技术在智能财务中应用的四大场景，即优化会计引擎、提高财务预警准确度、识别上市公司年报错误以及预测企业内部控制重大缺陷，同时指出当前机器学习技术在我国智能财务运用中存在的问题。

关键词：智能财务;机器学习技术;应用场景

一、智能财务的概念和基本架构

1.智能财务的概念

智能财务产生和发展的原因主要来自三个方面，一是财务本身变革的需要，传统财务管理模式已经难以满足财务信息使用者日益增长的个性化需求，两者之间的矛盾越来越突出;二是“大智移云”等新技术的快速发展，让财务管理模式的变革成为可能;三是国家政策的支持，2019年的政府工作报告已将“智能+”作为国家战略，由此智能技术开始逐步与各行各业整合，加速了经济结构优化升级，智能财务的概念也由此产生。

关于智能财务的概念，不同的学者持有不同的观点，目前没有普遍认可的权威定义。部分学者站在技术应用的角度认为智能财务是指人工智能技术在财务中的应用，据以提高工作效率和准确度;还有部分学者认为智能财务是一种经济管理活动，能够优化会计的监督和核算智能。但这些观点具有一定的片面性，张庆龙认为将智能财务简单定义为一种管理模式、一种技术应用或者一种经济管理活动可能会导致我们忽略财务发展中的重要问题。因此他在整合分析智能财务文献的基础上对智能财务进行了重新定义：智能财务是以AI技术为基础设施和核心要素，全面实现财务与人工智能的融合，提高财务部门服务效率，拓展财务职能的深度和广度，最大化实现财务组织价值的新一代财务，并在财务数字化、智能化应用过程中不断发展和完善。

2.智能财务的基本架构

从上述定义可以看出智能财务主要包含人工智能、机器人流程自动化（RPA）等智能工具以及大数据分析三个要素。三个要素有不同的分工，首先人工智能的功能是基于底层的逻辑对输入的指令进行分解，然后做出反应;其次智能工具的功能是根据人工智能的指令来做任务;最后大数据分析的功能是用来训练模型，使得前面两步的运算和运行更加高效和准确。整个过程中人工智能类似于人的大脑，智能工具如同人的各个器官，大数据类似于人的血液，三者缺一不可。基于这三个基本要素，结合物联网等技术，智能财务的基本机构可以解释为三个层次：第一层次，信息输入，结合智能感知系统，将企业的经营活动输入到业财一体化的智能化平台当中。第二层次，信息处理，通过网络系统和数据系统，将业财融合平台中的信息传送到智能战略性财务平台、智能管理型财务平台以及智能核算型财务平台中进行加工处理。其中智能核算型财务平台是初级平台，主要处理会计核算的相关工作，主要使用的系统包括感应系统、机器人自动化、财务专家系统等。智能管理型财务平台是中级平台，是在初级平台的基础上，处理财务和非财务信息，使用的技术包括大数据处理技术、机器学习技术等。智能战略性财务平台是高级平台，是智能财务发展的成熟阶段产物。第三层次，信息输出，主要依靠智能会计引擎系统，将基础的财务信息进一步转化成多维业财融合报表进行输出，根据不同频道提供给管理层或者其他信息使用者

使用。

二、機器学习技术的概念和原理

机器学习是指让机器像人一样学习，做出判断并进行决策。机器学习与人的学习原理相似，即基于历史数据训练模型，利用模型形成预测、解决问题。机器学习技术是人工智能的一个子集，这项技术的主要任务是指导计算机从数据中学习，然后利用经验来改善自身的性能，不需要进行明确的编程。在模型训练中，算法会不断进行迭代回归，从大型数据集中发现样本相似特征和相关性，进而趋于稳定生成可用模型，然后利用训练好的模型根据输入数据，做出预测和最佳决策（如下图所示）。机器学习算法具有自我演进能力，它们往往获得的数据越多，准确性就会越高。机器学习包含多种不同算法的学习模型，根据数据的性质和期望的结果，可以将学习模型分成四种，分别是监督学习、无监督学习、半监督学习和强化学习。而根据使用的数据集和预期结果，每一种模型可以应用一种或多种算法。机器学习算法主要用于对事物进行发现、分类、预测结果，以及制定最优决策。

机器学习技术应用原理图

三、机器学习技术在智能财务中的应用

1.优化会计引擎

会计引擎是一种数据处理器，主要用于采集、处理、输出会计相关信息，它可以连接业务数据库和会计系统，然后将业务信息转化成业财融合的综合信息。会计引擎具有强大的数据处理能力，它通过计算机语言来对整个系统设置参数，不仅可以过滤会计资料、转换格式、检查错误、修正链接、还能增加或删除字段、自动生成目录等。在财务中应用是通过事先输入的会计核算准则，将业务平台输入的信息高效、准确、自动地转换成记账凭证，使得总账和具体的交易信息连接在一起，实现业务和财务的高度融合。目前在我国会计引擎仍处于起步阶段，很多企业并没有引入会计引擎，或者即使引入会计引擎，应用的范围很有限。21世纪初，部分中国企业上线了成熟的大型ERP软件，满足了企业主业务流程中各个部门的日常管理需要，通过不同的功能模块，将各业务部门的基础数据与财务模块进行了高度的集成。但随着企业规模的发展，企业业态越来越多、业务流程越来越复杂，大型ERP软件很难满足企业所有业态、所有业务流程与业务场景的管理需要。这是因为传统的会计引擎分散在各种财务和业务系统中，企业内部各种不同的财务业务系统中都或多或少地蕴含着一些形态各异，功能差别较大，成熟度不一的会计引擎模块。而且会计引擎在各个行业中应用的深度也不一样，存在着一定的特色和特定的场景限制。

基于以上问题，许多企业通过对现有系统进行业务改造，建立统一的会计引擎，达到数据共享的目标。统一会计引擎，是将分散在各种财务和业务系统中的引擎模块分离出来，形成一个具有扩展性的统一引擎。统一会计引擎的优点在于不仅能够快速高效的适应新建立的财务系统和业务系统，还能更加稳固的支持旧系统的运转和对接。随着智能化技术的进步，机器学习技术的引进，会计引擎也逐步走向智能化统一会计引擎。智能化统一会计引擎，是在统一会计引擎的基础上，应用机器学习技术对标签化的业务信息输入和学习训练后，能够更为高效地提炼转换规则，并提升会计引擎在面对新问题时的处理能力，加快会计引擎的应用。

2.提高财务预警准确度

企业的财务状况和经营状况是相互影响、相互作用的。通过财务状况可以观察和评价企业经营状况的好坏，经营不善会导致财务危机，而财务困境又会进一步恶化经营困境，企业一旦遭遇财务危机，就会面临破产的风险，并对债权人、股东等利益相关者产生影响。因此企业需要对自己企业的财务状况实时进行评估和预警。20世纪30年代国外一些学者就开始研究财务风险预警相关问题，且已经输出大量理论研究成果。最早被用于财务危机预警研究的模型是单变量分析模型，而后又有多元线性判定模型、Logistic预警模型等。然而这些经典统计模型，存在严格的假设，对样本数据的分布要求较高，而且由于企业的经营业务、方式各异，财务指标复杂性高，进一步的预警就难上加难。在人工智逐渐兴起的大背景下，统计学、人工智能以及数据挖掘等新技术的出现，使得许多学者基于机器学习的相关技术进一步提出了人工神经网络、支持向量机，粗糙集、COX回归等财务预警模型，且经证实具有较高的预测准确度，有效地解决了传统模型中存在的问题。

3.识别上市公司年报错误

我国监管部门为了保障和提高上市公司会计信息披露的质量和可信度，要求所有上市公司的年报均需要进行外部审计后方可报出。然而外部审计存在的固有缺陷加上上市公司盈余管理的手段越来越隐蔽，审计人员很难获取全面且真实的信息，因此经外部审计审核过的年报，即使被出具无保留意见仍有很大可能存在错报。这也说明单纯依赖传统的手段和方法难以有效识别年报错误风险。许多研究表明，上市公司年报错误与财务重述具有一定的因果关系，因此如果能够通过一定的手段和方法预测后期发生财务重述的可能性，则说明当期的年报很可能存在错报，进而对财报进行检查，减少错报的发生，提高年报的准确性。

机器学习技术基于其运作原理，能够通过大量历史数据的输入总结规律，得出相应的模型，然后利用该模型对未知的数据进行预测，而且数据训练得越多，预测的结果越准确。该技术在识别年报错误中主要使用的方法是分类法。具体应用的流程：首先人工输入带有分类标注的训练样本，然后机器学习从这些样本中总结出一个分类模型，最后输入数据，根据分类模型将这些数据指定到某一个类别中。分类法中具体使用较多的是极限梯度提升树、神经网络、随机森林、K近邻、支持向量机、朴素贝叶斯等。不少研究表明，通过与Logistic回归相比较，极限梯度提升树等分类方法在预测上市公司年报调减盈余的财务重述方面有良好效果。主要体现在准确率和精确率这两个方面：在准确率上，众多方法中极限梯度提升树、多层感知机神经网络与K近邻的准确率最高，均优于Logistic回归。朴素贝叶斯与Logistic回归持平。在精确率上，朴素贝叶斯几乎可以达到100%，除此之外的大部分机器学习方法的精确率也能够达到80%，且所有的机器学习方法在精确率上均高于传统的Logistic回归。可见多数机器学习分类方法在区分调节盈余的年报错报与未调节盈余的年报错误方面表现较好，误判率较低，从而证明机器学习应用于识别上市公司年报错报的可行性。

4.预测企业内部控制重大缺陷

企业进行内部控制的主要目的在于防范和控制风险以保证企业的经营活动正常、有序、合法地进行，促进企业平稳发展。由于企业内部控制规章制度的制定和运行具有一定的主观性，无法考虑到所有可能的情况和风险，因此内部控制会存在设计缺陷（即使正常运行也难以实现预期的控制目标）和运行缺陷（设计合理但是没有被正确的执行）。随着外部经营环境变迁及内部组织结构再造，影响内部控制缺陷存在的因素从会计与审计领域，涵盖到组织结构、法律环境、政府管制等宏观方向深入扩展，非财务因素的作用日益显著。因此构建预测模型应综合考虑财务因素和非财务因素。在预测方法上，已有研究采用逻辑回归和判别分析达到的预测准确率约为70%-80%，预测性能仍有较大进步空间。随着人工智能技术迅速进入大众视野，重大缺陷预测方法从统计计量过渡到机器学习。这两类方法在模型可解释性和预测能力上有不同权衡：计量模型注重解释现象并寻找现象背后的规律，要求阐明模型拟合好坏的原因和变量之间的互动关系，追求较为简单的函数形式和易于解释的模型估计结果;而机器学习通过支持向量机、BP神经网络、集成算法等预测模型能从数据中学习更多经验知识，在大量非线性、高维度、高噪声的数据中发掘有用信息，能较为灵活地选择函数形式来拟合数据，并不拘泥于可解释性，因此预测能力较强。

四、机器学习技术在智能财务中应用存在的问题

根据新思界产业研究中心发布的《2021-2025年中国机器学习行业市场调查研究报告》显示，2020年，全球机器学习市场价值达到158亿美元。预计2020年-2025年，全球机器学习市场价值将以42%以上的增速增长，行业发展势头极为强劲。机器学习是使计算机具有智能的重要方式，是人工智能技术的核心，行业进入技术壁垒较高，产业链涉及范围广泛。现阶段，人工智能技术应用落地速度正在不断加快，应用场景正在不断增多，市场规模不断扩大，使得机器学习价值日益凸显。在政策的推动下，我国人工智能市场增速高于全球平均水平，未来机器学习行业发展势头更为强劲。然而当前阶段，机器学习技术在智能财务中的应用依然存在着应用范围不够广泛，配套机制不健全等问题。

1.应用范围不够广泛

当前，我国企业对人工智能相关技术的应用部署尚处于起步阶段，常年在信息化、智能化方面投入的企业较少，且对部分人工智能技术的采用仍在观望期。智能财务的发展目前在学术研究领域和教育领域的发展速度较快，而在实际领域的发展仍属于起步阶段，发展比较缓慢。据《2019年全球金融科技调查报告》的相关数据显示，在人工智能应用方面，近700名金融行业的专业人士有89%的人表示尚未在实际工作中使用相关技术。同时调查还显示只有11%的财务人员所在的财务部门大规模应用了机器学习技术，大部分专家表示到目前为止所在部门完全没有部署人工智能。

2.缺乏完善的转型配套机制

机器学习技术在智能财务中的运用缺乏完善的配套机制主要体现在规章制度的配置和专业人员的配置两个方面。从国家层面来说，财政部等相关政府部门的引导性政策;从企业层面来说，缺乏应用机器学习技术完成智能财务转型的意识，尤其是缺乏与智能财务相匹配的流程机制和智能财务岗位职责，导致智能财务转型过程存在较大阻碍。财务的转型也带动了财务人员的转型和改变，然而目前管理型和技术型的专业人员仍然较少，大部分会计人员仍然停留在会计核算的层面，尤其在大的环境和背景不完善的情况下，个人缺乏实践和锻炼的机会，最终导致企业财务人员也面临转型难的尴尬局面。

参考文献：

[1]张庆龙.智能财务研究述评[J].财会月刊，2021（3）：9-16.

[2]张敏.智能财务十大热点问题论[J].财会月刊，2021（2）：25-30.

[3]何瑛，李塽爽，于文蕾.基于机器学习的智能会计引擎研究[J].会计之友，2020（5）：52-58.

[4]曾庆超，許诺.机器学习对上市公司年报错报的识别研究——财务重述预测的视角[J].中国注册会计师，2022（2）：43-48.

[5]刘瑾，赵纳晖.基于机器学习的企业内部控制重大缺陷预测[J].财会月刊，2022（3）：123-131.