基于机器学习的智能会计引擎研究
来源:用户上传
作者:
【摘 要】 “大智移云”时代，新兴信息技术正在不断颠覆传统并持续为企业的创新实践赋能，变革已成为企业经营管理新常态。其中，以机器学习为核心的人工智能技术能够自主深入挖掘现有海量数据的内在价值，预测未知，有效驱动企业财务管理，实现数字化、智能化转型，并与业务发展紧密交融。文章拟从会计引擎角度切入，探讨机器学习在财务会计和管理会计两个不同层面对企业财务的智能化革新，同时指出利用机器学习构建智能会计引擎所面临的机遇与挑战。研究表明，经机器学习再造的智能会计引擎将成为集高效率财务核算流程与多维度财务管理职能于一身的独立性平台工具，为企业业务与财务的顺利衔接与深度融合增添助力;国家政策和其他新兴技术的支持使得机器学习在智能时代对会计引擎的重塑充满机遇，但人才的紧缺和机器学习的局限都将是必须应对的挑战。
【关键词】 人工智能; 机器学习; 会计引擎
【中图分类号】 F234 【文献标识码】 A 【文章编号】 1004-5937（2020）05-0052-07
信息技术发展日新月异的今天，各行各业在科技革命浪潮的席卷之下都正经历着翻天覆地的变化。大数据、云计算、人工智能、移动互联网、物联网和区块链等技术交汇融合、彼此关联，不仅催生了众多新兴经济形态与新兴产业，加速了人类文明的演进历程，也使得曾经以电算化和信息化为标志的企业财务管理逐渐向智能化迈进[1]。智能财务主要依托于以人工智能为代表的各种数字化技术工具以重塑企业财务核算流程与财务管理职能，一方面，能够高效准确地处理重复性较高的手工记账工作，使财务人员拥有更多时间和精力进行更具价值创造性的活动;另一方面能够为企业的预测决策、风险管控和成本管理提供有力支持，使企业的财务模式由核算向管理不断进化[2]。2017年5月，国际四大会计师事务所之一的德勤率先推出其与Kira Systems共同研制的智能財务机器人“小勤人”，普华永道、安永和毕马威也不甘落后，相继引入机器人流程自动化（Robotic Process Automation，RPA）技术，开发各自的智能财务机器人软件并于部分企业投入运营，智能财务时代已然来临[3]。
不断向智能化方向演进的会计职业在计量和反映企业经营业绩的同时，将进一步深入企业业务活动的过程和前端，使长期以来备受关注的业财融合领域迎来新的发展契机，而会计引擎作为连接业务端与财务端的重要桥梁，也将顺应智能时代的发展趋势，从分散模块成为统一工具，从简单集中于部分系统转向适应更加广泛多元的业务场景，以改善业务信息向财务信息的转换流程，最终实现业务发展与财务管理的协同配合。智能化技术有助于会计引擎提升性能，而其中的机器学习技术则在最切合的层面上展现了这种提升效应。机器学习是人工智能的重要分支之一，应用此类算法的计算机系统可按照一定方式对所提供的训练数据进行学习并生成相应模型;随着训练次数的增加，该系统能够不断改进和优化所输出的模型并以该模型为基础预测相关问题[4]。
本文拟结合机器学习的原理和特征探讨该技术对会计引擎的智能化革新：一方面，基于机器学习的智能财务会计引擎在经过大量标签化数据的训练之后，能够完善相应的转换规则，在准确识别业务信息之后将其迅速转换为记账凭证并接入明细账和总账;另一方面，基于机器学习的智能管理会计引擎可纳入大量的半结构化与非结构化数据，有利于优化管理会计经营预测、决策支持和风险管控等多个维度的职能。不容忽视的是，虽然时代需求、国家政策和新兴信息技术为利用机器学习构建智能会计引擎创造了良好的条件与机遇，但人才的匮乏、复杂的业务场景与活动以及不完全透明的模型规则[5]仍是亟待解决的问题。智能会计引擎是大势所趋，而机器学习技术必将助推会计引擎脱胎换骨，为企业的财务转型与业务财务一体化进程注入新的活力。
一、推动业财融合的有力工具——会计引擎
会计引擎是连接业务数据库与财务应用系统并最终输出会计信息的数据处理器，它能够按照内嵌的核算规则将业务信息自动化、无差错和高效率地转换为包含复式会计分录的规范化记账凭证，实现交易明细和会计总账的互联[6]，对于业务与财务的高度融合具有重要意义。
（一）会计引擎的基本原理与应用现状
简单来说，会计引擎是介于业务系统和财务系统之间的数据转换器。业务系统位于前端，通过数据接口与会计引擎连接之后向其提供生成记账凭证所需的业务数据，实现业务信息的输入;会计引擎位于中端，内置一定的转换规则，输入的业务数据经规则的指引将自动生成预制记账凭证;财务系统位于后端，预制记账凭证审核无误进入该系统后成为正式记账凭证，完成财务信息的输出。会计引擎的基本原理如图1所示。
虽然会计引擎的基本原理并不复杂，但目前会计引擎在我国仍处于初级发展阶段，在企业财务领域的应用也相对有限[7]。一方面，当前能够实现独立产品化应用的会计引擎寥寥无几，会计引擎应用处于模块化阶段。部分企业针对差异化的特定场景，如专业化的财务系统（如费用报销系统、资金收付系统等）和业务系统，分别各自搭建相应的会计引擎，这些分散的会计引擎模块虽然相对容易实现，但功能各异，成熟度不一，难以形成系统。另一方面，会计引擎在我国不同行业中的应用深度千差万别。对于大多数行业而言，会计引擎主要被内置于企业的电子报账系统和资金管理系统中，应用较为单一和分散;但在金融业、零售业等行业中，会计引擎同时覆盖了专业化的财务系统和业务系统，应用更为广泛。
（二）智能会计引擎的特征
传统的会计引擎通常分散于企业内部不同的财务系统和业务系统中，在大多数行业中的应用范围也较为狭窄，但随着大数据、人工智能、云计算和区块链等技术的革新与实践，会计引擎必将克服实际建设过程中存在的难点，逐步走向智能化，将业财融合推向新的高度，从而驱动企业完成数字化转型。基于新兴信息技术的智能会计引擎具备诸多优势。 首先，智能会计引擎具有充分的独立性。经智能化重塑的会计引擎将不再以分散的模块或子系统的形式存在于不同的系统中，而是将打破束缚，形成一个独立的开放式统一平台，一端对接企业所有的业务系统以获取业务数据输入，另一端对接企业的财务系统以完成记账凭证的输出，使企业的业务端与财务端真正串联成完整的链条。传统的会计引擎是伴随会计核算的要求被逐步建立起来的，由于建立时间的差异往往难以遵循统一规范的技术标准。信息转换质量参差不齐的会计引擎不断叠加和堆砌，对其进行维护优化的复杂性和难度也不断提高，长此以往，这些会计引擎将会因为缺乏有效监控给企业带来风险。以统一化独立平台形式存在的智能会计引擎将有效解决这一问题，不仅能够支撑存量业务系统与财务系统之间的对接，降低维护优化难度和潜在风险，而且能够迅速成为新生业务系统与财务系统之间的纽带，从而为企业内部信息系统服务。
其次，智能会计引擎拥有足够的灵活性。一方面，智能会计引擎将适应不同的业务场景并有针对性地定义转换规则，最终使所有需要生成记账凭证的业务场景系统化。大型集团往往因为在多个行业进行布局而涉足丰富的业务类型，依赖经验积累的业务场景梳理难以一次就达成清晰全面的目标，如果有遗漏或新增业务场景的情况，智能会计引擎将凭借其灵活性快速配置相应的转换规则，随时与企业的业务状况保持一致，在最大程度上满足企业业财融合的需求。另一方面，智能会计引擎将根据不同企业的要求定制个性化的转换规则，既能基于明细业务数据生成全面精确的记账凭证，又能容纳恰当的合并规则，将明细业务数据进行合并后生成精炼概括的记账凭证，企业可以在这两种模式下进行自由切换。
最后，智能会计引擎具备高度的可追溯性。业财核对、稽核审计要求能够根据会计引擎最终所生成的记账凭证追根溯源直至原始的业务信息，而智能会计引擎在初始的设计过程中将基于这一要求预留对业务信息源头进行追溯的机制及线索，如此一来，即使是遵循复杂合并规则生成的记账凭证的向前追溯也将不再成为难题。此外，区块链的数据库公开透明，信息经过验证被添加至区块链之后也不可篡改，如果能够应用区块链技术在业务系统和财务系统之间搭建分布式底账，对于提升智能会计引擎的可追溯性将大有裨益。
二、基于机器学习的智能财务会计引擎
作为人工智能的重要分支之一，机器学习在医疗、金融、电子商务等众多领域应用广泛。与人脑归纳经验获得规律并利用规律预测未来相似，机器学习的过程可分为训练与预测两个阶段，其中训练指的是计算机系统将存储于其中的历史数据通过机器学习算法进行处理后产生某种模型，而预测则指的是在该模型的指导下，输入新的数据之后能够输出相应的结果。机器学习的基本原理如图2所示。用于训练的数据量越大，训练的次数越多，所得出的模型可能越精确，利用该模型进行预测的结果也可能越有说服力。
按照学习形式的不同，机器学习算法大体上可分为监督式学习、无监督式学习与半监督式学习三类，而强化学习与深度学习又是机器学习的重要分支。这些不同类型的机器学习算法各有所长，应用范围虽有所差异，但相互之间并不存在绝对分明的界限，而是会形成一定的交叉。例如半监督式学习是监督式学习与无监督式学习的结合，深度强化学习是强化学习与深度学习的结合等，具体如图3和表1所示。
在各领域发挥重要突破作用的机器学习技术同样能在财务领域有所建树，助力会计引擎向智能化工具转变。财务会计是会计的主要分支之一，机器学习对财务会计引擎的智能化改造主要围绕记账凭证的生成展开。应用机器学习技术之后，财务会计引擎将在大量标签化数据的训练之下持续提升性能，首先对业务信息进行高效率的准确识别，接下来基于改进后的转换规则生成预制记账凭证并及时向财务系统传递，而进入财务系统后预制记账凭证将成为正式记账凭证并自动完成记账过账。基于机器学习的智能财务会计引擎将在很大程度上解决令财务人员烦恼不已的重复性手工记账问题，给企业的会计核算工作带来质的飞跃，其贡献主要包括以下两个方面。
（一）高效识别并提取业务信息
智能财务会计引擎的前端与企业的所有业务系统相连，纷繁复杂的业务信息将在应用图像识别与处理、文字识别与处理等技术的基础上转换为结构清晰明了的业务数据。首先，企业可使用影像扫描技术实现纸质原始凭证的电子化或通过网络传输获取电子原始凭证，再借助图像识别与处理技术在业务系统内完成对原始凭证的真伪识别、票面核对和分类工作，继而将这些原始凭证所包含的各项信息转换为固定结构的文字与数据，避免出现遗漏和错误;接下来，智能会计引擎将从业务系统内自动提取生成记账凭证所需的信息并在文字识别与处理技术的支持下将这些信息进一步转化。机器学习技术的功效在于利用大量原始凭证的图像和文字提升业务系统与智能财务会计引擎对业务信息的识别能力，使财务人员在记账之时不用再基于经验判断手工选择会计科目，从而在最大程度上实现自动化记账，提高记账的效率和准确性。值得注意的是，在识别业务信息这一步骤采用的机器学习算法主要是监督式学习，因此必须对输入业务系统的原始业务信息与智能财务会计引擎提取的处理后业务信息进行标记。例如，A企业2×19年7月1日向B企业购买材料C用于生产加工并于当日取得B企业开具的增值税专用发票一张，A企业在将该发票的电子版导入业务系统之前，需对发票号码、开票日期、购买方信息、销售方信息与货物或应税劳务（服务）信息进行标记，同时注明付款方式;标记之后的增值税专用发票将被分类至采购系统并在采购系统内由图像转换为文字与数据;在将文字与数据形式的材料采购信息传输至智能财务会计引擎之前，同样需对这些采购信息进行标记，根据开票日期指明记账日期为2×19年7月1日，根据购买方信息、销售方信息、货物或应税劳务（服务）信息与付款方式指明应记入的会计科目為借记“原材料——C”“应交税费——应交增值税（进项税额）”，贷记“银行存款——D账户/库存现金/应付账款——B企业等”，同时指明相应会计科目的发生额。 （二）改进现有记账凭证转换规则
快速准确地对记账所需的业务信息进行识别和提取之后，智能财务会计引擎的下一项任务是基于一定的规则将这些业务信息转换为具有固定格式的预制记账凭证。转换规则生成的前提是指明预制记账凭证的核心要素——记账日期、应记入的会计科目以及各科目相应的发生额，在传统的财务会计引擎中这项工作的完成往往依赖于财务人员的经验判断和手工操作，重复性高;然而，应用监督式学习算法的智能财务会计引擎能够事先经过大量标签化业务数据的训练并根据不同的业务类型和业务场景制定相应的转换规则，因此接收到新的业务信息之后将在已有转换规则的指引下迅速生成预制记账凭证。随着用于训练的标签化业务数据量的增大，智能财务会计引擎内嵌的转换规则将处于持续不断的动态调整和优化完善过程中，由此大大增强企业会计核算工作与相关业务的同步性和协同性，为实现业财深度融合提供支撑。
三、基于机器学习的智能管理会计引擎
管理会计是会计的另一重要分支，与财务会计强调核算、面向过去不同，管理会计着重于管理且面向未来，有助于企业在错综复杂的经营环境中实现生存与发展，因此日益受到管理者的关注和重视。机器学习对管理会计引擎的智能化改进关键在于其不仅使用结构化程度较高的财务数据，还会使用半结构化与非结构化特征突出的非财务数据，同时将数据来源由企业内部真正拓展至企业外部，进一步优化管理会计在经营预测、决策支持和风险管控三个维度的职能，使改进后的智能管理会计引擎真正成为行之有效的智能化管理工具。
（一）提高经营预测准确性
经营预测通常指的是企业在结合历史和现有资料的基础上，按照其经营方针和目标对经营活动的未来发展趋势所进行的预计和推断，大体可分为销售预测、成本预测、利润预测和资金预测等。准确的经营预测是有效决策的关键和前提，而要想提高经营预测的准确性，企业必须加强其掌握信息的广度和深度：从广度而言，用于经营预测的信息应包含宏观市场环境、中观行业环境和微观企业环境三个层面，无论是对国家的各项政策、行业的发展方向、竞争对手的优劣势还是供应商、客户以及自身的发展现状，企业都需有充分的洞察力和判断力;从深度上说，企业获取的上述三个层面的信息都应该足够深入，在满足成本效益原则的前提下尽可能多地关注细节。企业内外部环境的瞬息万变导致绝对准确的经营预测无法实现，但在机器学习技术的助力之下，智能管理会计引擎获取的有效信息越多、信息的种类和内容越丰富，越能提高其最终生成的经营预测模型的相对准确性，进而能在经营情境发生变化时输出相对可靠的经营预测结果，为企业进行决策活动提供指引。
（二）强化决策支持功能
决策支持是管理会计最重要的职能之一，通常通过决策支持系统来实现。决策支持系统为决策者提供了分析问题、提出方案并模拟方案实施的平台，可辅助决策者利用数据、知识和模型以推理或计算解决定性或定量问题，在半结构化与非结构化决策过程中扮演了重要角色。随着数据处理技术的不断进步与革新，数据日益成为决策知识与决策模型的来源。因此，要想提高决策的水平和质量，必须根据决策目标获取足够多与决策相关的数据并对这些数据展开充分的整理分析，而应用了机器学习技术的智能管理会计引擎正是分析数据、支持决策的强大工具。结合监督式学习与无监督式学习两大类机器学习算法，智能管理会计引擎能够有针对性地解决不同类型的决策问题：采用监督式学习算法处理大量标签化数据并生成常规化的决策模型与决策规则，将有效应对相对简单明确、可遵循固定规律的结构化决策问题，实现决策过程的自动化;而采用无监督式学习算法处理大量非标签化数据，基于数据的内在关联而不是传统的财务思维得到某些特定的决策模型与决策规则，将为企业中高层管理者结合自身的经验判断和个人偏好进行决策提供有效辅助，使影响因素众多、决策过程复杂且无固定规律可循的半结构化与非结构化决策不再成为困扰企业决策的难题。
（三）完善风险管控能力
企业的生存发展历程并非总是一帆风顺，各种潜在的风险事件一旦真正发生，可能会给企业带来不可估量的损失。为降低风险事件的发生概率或减少风险事件发生时导致的损失，采取恰当的方法和措施进行风险管控也是企业管理的重要内容。风险管控的具体流程大致包括风险识别、风险分析、风险管控方法选择和风险管控效果评价四个步骤，而智能化管理会计引擎将在机器学习技术的助推下完成风险识别与分析的任务，有利于企业及时发现并妥善应对相关风险，提升风险管控效率，以保障各项生产经营及投融资活动的顺利开展。监督式学习算法的应用需要已标明各项具体特征、相应风险类型和风险等级的大量风险事件数据来进行训练，使智能管理会计引擎充分把握不同类型、不同等级风险事件的特征，从而能够在某一新事件出现之时自动判断该事件是否为风险事件;若为风险事件，智能管理会计引擎将及时向管理者发送风险预警信号，同时分析确定该事件的风险类型及等级，辅助管理者制定与之相匹配的管控方法与业务流程，将企业的风险控制在合理范围之内。
四、基于机器学习构建智能会计引擎的机遇与挑战
机器学习在智能时代引领、国家政策支持和新兴信息技术助力之下迎来了蓬勃发展的浪潮，也为智能会计引擎构建带来了不可多得的珍贵机遇。但机遇与挑战并存，人工智能领域人才严重短缺、复杂的业务场景与活动无法避免人工干预以及所得模型可解释性有限都是在利用机器学习构建智能会计引擎之时需要攻克的难题。
（一）基于机器学习构建智能会计引擎的机遇
1.智能时代呼吁财务创新与变革
自20世纪50年代正式诞生以来，人工智能逐渐成为了一门内容广泛的交叉前沿学科。尤其是进入21世纪之后，人工智能的应用范围随其理论和技术的日益成熟而不断扩大，机器学习、计算机视觉、自然语言处理等分支领域在各行各业都掀起了巨大的变革风浪。计算机的诞生与普及使财务完成了由纯手工操作向电算化的转变，人工智能引领的智能时代也必将推动财务与时俱进，在智能化领域突破创新，为企业发展的良性循环提供全方位服务和强有力支撑[8]。当前已研制成功的智能财务机器人正是时代变革下财务运营智能化的阶段性产物之一，它主要针对重复性高、标准化程度高且逻辑规则明确的财务流程，可在完美取代大量人力投入的同时提高效率[9]，但由于不具备自我学习能力，因此与真正的智能财务尚有差距。未来，以机器学习为代表的人工智能技術将在财务领域实现更为深入的应用，除了能够构建智能会计引擎，也将开发出更具创新性和颠覆性的智能财务工具，为企业达成业务发展与财务管理紧密融合的目标增添新的助力。 2.国家政策支持人工智能发展
人工智能所具备的巨大潜力与重大战略意义使得全球各主要大国为抢占时代制高点和竞争主动权竞相部署相关战略，中国也紧跟新经济时代的节奏和步伐于近年在人工智能领域密集出台了多项政策（如表2所示）：2015年5月，《中国制造2025》首次提及“智能制造”;2016年3月，“人工智能”被写入国家“十三五”规划纲要;2017与2018连续两年的国务院政府工作报告均提及“人工智能”，足见我国对其关注和重视程度之高。国家政策的支持与号召使得人工智能不仅获得诸如阿里、腾讯和百度等科技巨头的青睐，也在产业资本的扶持之下催生了一批成长迅速的科技型独角兽企业，整体技术突飞猛进，产品应用成果丰硕。随着人工智能作为一项基础技术在各行各业的快速渗透和推进，财务领域实现跨越式升級指日可待，基于机器学习的智能会计引擎的构建也是响应国家政策的重要环节。
3.新一代信息技术助力机器学习腾飞
“大智移云物”时代之下，包括机器学习在内的新兴信息技术之间存在着极其密切的联系，它们相互促进、彼此依存，共同推动了社会的发展与进步——机器学习对于发掘大数据背后隐藏的真正价值、使大数据转变为知识或生产力不可或缺，而大数据则是机器学习的必备前置技术环节，越丰富多样的数据越可能提升机器学习生成模型的精确性;计算能力和计算速度的日益提升使得云计算为大数据的处理运行提供了良好的技术与服务支持，而移动互联网、物联网则为大数据提供了海量的数据来源，如图4所示。因此，要想发挥机器学习的强大作用，必须实现其与大数据、移动互联网、云计算和物联网等新技术的紧密结合与交汇融通，在此基础上，智能会计引擎可谓集新一代信息技术于一体，为财务智能化提供重要支撑。
（二）基于机器学习构建智能会计引擎的挑战
1.专业型与复合型人才相对匮乏
基于机器学习的智能会计引擎是人工智能与财务相结合后的产物，其诞生与发展不仅需要依靠人工智能领域的专业型人才，更需要同时具有人工智能背景和财务背景的复合型人才。然而，人工智能涉及了计算机科学、数学、心理学甚至哲学等多门学科的知识，交叉性较强，合格人才的培养难度大、培养时间长，导致人工智能专业型人才的供应量远远落后于飞速提升的需求量，人才严重短缺的现象极为突出，通晓财务知识的人工智能复合型人才更是寥寥无几。虽然当前人工智能初创企业逐渐增多，传统互联网行业对人工智能也日益重视，但相关的人才缺口很难在短期内得到有效填补。只有在基础研究领域进行持续投入，加大算法等基础学科的培养力度，以培养相关专业顶尖人才;同时发展交叉学科，在系统知识体系下启发新思维以打造复合型人才;并通过校企联合培养实现科研理论与应用实践的有机结合，建立长期人才储备，才能从根本上破解人才匮乏的难题。
2.复杂业务场景与活动仍需人工干预
虽然基于机器学习的智能财务会计引擎能够取代记账流程中大部分重复率和机械程度较高的手工操作，但在面临复杂或不规范的业务场景之时，仍然需要财务人员亲自对其进行梳理，并依据会计准则在已有经验的基础上做出判断。同样，对于利用机器学习构建的智能管理会计引擎而言，虽然其能全面提升管理会计的各项职能水平，但复杂程度较高的分析、预测以及决策等活动，终究需要管理者凭借个人的经验判断、在综合考虑多方信息之后才能得以开展，智能管理会计引擎只是充当有效的辅助工具。短期内，机器学习尚不可能使无需人工干预的全自动化智能会计引擎成为现实。
3.所得模型的可解释性有限
在利用机器学习技术解决某一领域的具体问题时，往往需要该领域内的从业人员能够理解最终生成的模型，从而进一步明确该模型能够针对未知样本进行预测的逻辑[10]。然而，在某些情况下，通过机器学习生成的模型只能从单纯的数据层面加以解释，在实际应用层面却不具备可解释性，这是机器学习存在的缺陷之一。就智能会计引擎而言，主要采用无监督式学习算法的智能管理会计引擎以训练数据的内在关联为基础生成预测或决策模型，但这些模型所蕴含的预测或决策机制有时无法从财务或管理层面得到清晰完全的解释，因此可能只会对最终的预测或决策行为产生相对有限的影响。●
【参考文献】
[1] 刘勤，杨寅.改革开放40年的中国会计信息化：回顾与展望[J].会计研究，2019（2）：26-34.
[2] 韩向东，余红燕.智能财务的探索与实践[J].财务与会计，2018（17）：11-13.
[3] 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.
[4] JASON BELL.机器学习实用技术指南[M].邹伟，王燕妮，译.北京：机械工业出版社，2018：1-8.
[5] ALARCON J L，et al.Accounting AI and machine learning：applications and challenges[J].Pennsylvania CPA Journal（special），2019：1-5.
[6] 刘彬，石亮亮.银行科技系统会计引擎作用浅析[J].中国金融电脑，2017（9）：57-63.
[7] 董皓.智能时代财务管理[M].北京：电子工业出版社，2018：71-98，191-200.
[8] MOUDUD-UL-HUQ S.The role of artificial intelligence in the development of accounting systems：a review[J]. IUP Journal of Accoun-
ting Research & Audit Practices，2014，13（2）：7-19.
[9] LIN P，HAZELBAKER T.Meeting the ch-
allenge of artificial intelligence[J].CPA Journal，2019，89（6）：48-52.
[10] 张长水.机器学习面临的挑战[J].中国科学：信息科学，2013，43（12）：1612-1623.
转载注明来源:https://www.xzbu.com/3/view-15126841.htm
