財務智能可視化分析與文獻綜述

張 超，肖 聰，朱衛東（博士生導師），陳緒龍，李正西

一、引言

商業智能是指運用ETL、數據倉庫、OLAP、數據挖掘等關鍵技術對商業信息進行加工、處理，為企業各層級決策者提供可靠、有用的信息，而財務智能是商業智能領域中的重要研究領域和分支，是商務智能系統的核心模塊和關鍵組成部分。近年來，人工智能取得突破性進展，在大數據、高性能的計算能力和合理的智能計算框架的支持下，實現大數據智能。伴隨著大數據智能技術的不斷發展，商業智能（含財務智能）進入了快速發展階段，特別是數據挖掘、機器學習、深度學習等關鍵技術與方法在財務智能領域的應用，使其理論與應用研究得到進一步深化。

德勤財務機器人的誕生與應用引起了會計領域學者和實務工作者對人工智能的較大興趣，在原有云計算、大數據與會計和財務融合研究的基礎上，研究人工智能技術與財務領域的融合，實現財務智能。一直以來，運用EXCEL、OLAP、數據挖掘、神經網絡等相關技術進行財務的多維度分析、財務預警系統構建等都可以看作是財務智能的研究領域。目前，諸多學者與實務工作者更多地將關注點放在運用最新的大數據智能技術實現財務的智能決策與專家群決策，為相關利益者提供更有效的決策信息。

為更直觀、有效地掌握國內外學者在財務智能相關領域的研究現狀、主題以及內容，本文首先運用文獻計量方法對國內外財務智能相關研究領域進行可視化分析，然后對財務智能研究領域的核心研究主題進行綜述，最后基于研究現狀和內容對財務智能領域研究進行述評和展望。本文所分析的數據主要來源于國內外知名數據庫。其中，國外數據來源于Web of Science，對“Accounting and Intelligent”進行主題檢索，檢索年限截止到2017年，共檢索出2607篇文獻；國內數據來源于知網（CNKI），檢索條件設定為“（題名=智能and 題名=財務）or（題名=智能and題名=會計）or（題名=數據挖掘and題名=財務）or（題名=數據挖掘and 題名=會計）or（題名=OLAP and題名=財務）or（題名=OLAP and 題名=會計）”，進行精確匹配檢索，檢索年限截止到2017年，來源期刊類別限定為核心期刊與CSSCI，共檢索出86條記錄。再運用Web of Science和CNKI自帶的計量可視化分析軟件進行結果分析。主要運用文獻計量方法（科學數據挖掘）對財務智能的研究現狀進行分析，分別從文獻發表時間、地域分布、文獻作者等方面，探討財務智能領域的基本研究現狀。最后從文獻的研究方向、關鍵詞等把握國內外對財務智能的研究熱點和發展方向。

二、基于文獻計量的財務智能國內外研究現狀與可視化分析

（一）財務智能外文文獻

關于財務智能的外文文獻主要有以下幾個特征：①2607 篇文獻分布在2003～2017年間，2016年發表量達到最高點為311 篇，占到這幾年總發表量的11.929%，2017年發表量減少到208 篇（7.979%），具體見圖1。②2003～2017年，論文被引頻次總計15736 次，剔除自引頻次后被引頻次總計15610 次，每項平均引用次數為6.04次，h-index 指數為56，說明財務智能領域的文獻至少被引用56 次的文獻有56篇，其中單篇文獻最高引文數為254次。③2607篇文獻中，有1569 篇為會議論文（Proceedings paper），占總量的60.184%，1091 篇為期刊論文（Article），占總量的41.849%，51篇為綜述或評論（Review），文獻涉及171 個會議，452 個出版物，涵蓋了820 位作者，發表數最多的（12 篇）作者為Wang Y.。④2607 篇文獻涉及139 個基金資助機構，最多的是中國國家自然科學基金（73篇）。

1.從研究文獻的地域分布來看。2607篇文獻主要由來自79個國家和地區的學者撰寫，說明財務智能相關研究在全世界具有一定的地域性發展空間。發表量排在前十位的國家和地區主要有中國、美國、法國等，具體見表1。說明我國在財務智能領域的研究成果豐碩，發文量處于國際領先地位。

表1 財務智能外文文獻地區分布（前十）

2.從研究方向來看。2607 篇文獻涉及137 個Web of Science 學科類別（見表2），主要包括電子工程、計算機科學與人工智能、計算機科學理論方法、計算機科學信息系統等。可見，目前財務智能外文文獻的研究主要是將財務智能作為計算機科學、工程學和管理信息系統等領域中的某一模塊或分支展開的，運用計算機科學、工程學、運籌學與管理科學等領域的研究方法，尋求在相應領域內實現財務智能的功能與創新。在這些研究領域中，關鍵詞主要集中于數據挖掘、財務分析、數據倉庫，神經網絡、XBRL等。

（二）財務智能中文文獻

圖2 是財務智能中文文獻發表和被引時間分布，可以看出：①86篇文獻分布在1996～2017年間，數量分布上總體呈倒U 型，2007年發表量最多，有10 篇，但近幾年發文量呈現波動，基本穩定在每年4 篇左右。②2001～2017年論文被引頻次總計693 次，每項平均引用次數為8.06次，在2007年之前每年引文數量不到30次，2014年引文達到最高點為59 次，其中單篇文獻最高引文數為66 次，被引次數超過20次的文獻有6 篇，具體見表3。可以看出，財務智能領域的高引論文主要集中于數據挖掘與財務、財務預警、智能財務分析、XBRL、財務控制等方面。

圖1 財務智能外文文獻發表數和引文情況

表2 財務智能外文文獻Web of Science學科類別分布（前十）

圖2 財務智能中文文獻發表數和被引時間分布

1.從論文的高產作者來看。排在第一位的是曾繁榮，發表論文共5 篇，根據普賴斯定律和其計算公式（高產作者數量的平方根乘以0.749，即1.67 篇，取整為2 篇）可知，發表數在2 篇以上的作者有8 位，發文量應占到論文總數的50%，然而實際上只有20 篇，僅占到總數的23.26%，說明財務智能領域高產學術作者的帶頭作用還未形成，也未形成穩定的高產作者群，具體見圖3。

表3 財務智能中文文獻被引次數統計情況（前十）

圖3 財務智能領域中文文獻高產作者（前十）

2.從論文的發表期刊來看。86篇論文發表在10種CSSCI、72種核心期刊以及1種EI上，發刊量較多的期刊主要包括《財會通訊》《財會月刊》《會計之友》《中國管理信息化》等，具體見圖4。前十位的期刊總發表量為52 篇，占總數的60.47%，說明財務智能領域中文文獻發表期刊較為集中，已經形成了固定的發刊群。

圖4 財務智能領域主要發文期刊（前十）

3.從論文的學科分布來看。86篇論文涉及19個學科，主要包括會計、計算機軟件及計算機應用、企業經濟等，具體見圖5。與國際期刊研究方向和學科不同的是，沒有出現較多的工程學及通信工程領域，原因除了中英文檢索方式不同外，也和國內外研究的偏重不同、學科劃分不同等因素有關。為進一步說明問題，在進行中文檢索時，將期刊領域擴展到CNKI 的全部期刊，得到的學科分布依然主要集中在經濟管理學科及計算機學科等領域。

圖5 財務智能領域主要學科分布（前十）

4.從關鍵詞分布來看。如圖6 所示，在86 篇中文文獻中出現次數超過三次的關鍵詞有12個，出現頻次有64 次，占詞條總數的52.46%。主要包括數據挖掘、財務分析、財務預警、人工智能、商業智能等，可以看出，財務智能是商務智能的一種特殊應用，是人工智能技術、大數據技術等新型信息技術與財務領域的融合，采用數據挖掘、OLAP等商務智能關鍵技術進行財務分析與決策，研究方法多以某領域實例研究或案例研究為主，這與國際期刊是一致的。

圖6 財務智能中文文獻關鍵詞統計

關鍵詞共現分析反映的是所分析內容領域的內在聯系及其主要特征，一般而言，關鍵詞共現次數多，則兩者的關系越緊密。圖7給出了財務智能領域中文文獻關鍵詞共現次數超過4 次的共現網絡，主要包括：①智能技術與方法類，如數據挖掘（28次）、數據倉庫（12次）、神經網絡（9次）、商務智能（5次）、支持向量機（4 次）、遺傳算法（4 次）等；②財務智能應用類，如財務分析（14 次）、數據分析（7 次）、財務風險預警（5 次）、企業財務危機（5 次）、財務管理（4次）等。

圖7 共現頻數大于等于4次的關鍵詞共現網絡

三、財務智能研究主題綜述

根據圖7 中共現次數較多的關鍵詞可以發現，財務智能決策的研究主題主要涉及財務智能關鍵技術和財務智能應用領域，涵蓋了財務智能關鍵技術、功能、實施過程以及實施效果全過程，具體見圖8。圖8 是基于綜述的角度分析財務智能研究，主要從當前信息技術的發展特別是商務智能的關鍵技術出發，分析其對財務智能的影響，形成了財務智能的多功能模塊，涵蓋了財務會計與管理會計的相關研究內容。財務智能系統在實施的過程中要注重基礎設施的投資、工作方式以及人員配置，實施后會對企業的信息化水平、經營管理效率和績效產生重大影響。

（一）財務智能關鍵技術及應用研究

大數據時代的來臨，數據量級、種類和傳遞速度影響到商業智能關鍵技術的應用與發展，使數據更加科學[1]。田歆等[2]認為大數據環境下的商務智能系統關鍵技術包括數據倉庫、數據抽取工具、多維數據庫、數據倉庫管理、信息發布等。財務智能作為商務智能的核心模塊，其關鍵技術與商務智能系統相一致，謝壹[3]將財務智能概括為通過ETL、數據倉庫、OLAP、數據挖掘等技術對企業財務數據進行分析，實現數據的經濟價值。

1.ETL 技術與財務。數據預處理的主要過程包括數據抽取（Extraction）、數據轉換（Transformation）和數據加載（Loading），即為ETL。其中，抽取是將分布的、異構數據源中的數據抽取到臨時中間層；轉換是指按照一定的規則對抽取的數據進行格式標準化；轉載是指將轉化好的數據導入數據倉庫中[4，5]。Syed 等[6]指出大數據由結構化和非結構數據（90%為非結構化數據）組成，包含網絡信息如郵件信息、社會媒介信息（微博等）、通訊信息、網站流量和視頻量信息等。畢錕等[7]提出ETL 技術影響著財務決策分析結果的質量。廖林偉等[8]認為，ETL可以識別和抽取多源異構數據，并對相關財務數據進行清洗，然后裝載到數據倉庫。黃展英等[9]指出XBRL 標準化語義有利于異質財務數據的集成，是最新的財務信息處理技術。

2.數據倉庫與財務。在現行的商務智能系統中，如SAP商務智能的數據倉庫解決方案SAP BW，為SAP 數據和非SAP 數據的采集、存儲、分析和管理提供一個集成的、面向商務的平臺，主要包括數據抽取器、數據存取器、前端分析、監測系統運行等一系列工具[10]。陳俊等[11]提出，數據倉庫是通過集成數據源，對數據重新組織，將數據匯總成一個易于分析使用的數據集成平臺。張琦等[12]認為，財務數據倉庫能夠及時提供企業管理者需要的決策信息，使企業得以在全面的數據分析背景下做出科學決策，這是傳統決策方式所不能比擬的。毛華揚等[13]指出，數據倉庫中存放的是企業靜態的歷史數據，這些數據具有低使用率和高訪問量的特點。大數據環境下的Hadoop 技術框架為其提供了解決方案，John Kreisa[14]認為Hadoop 和數據倉庫可以共同合作進行數據管理，由傳統數據倉庫工具對結構化數據進行處理，由Hadoop對更大規模的非結構化數據進行預處理，并將兩者處理后的數據存儲至結構化數據庫中，以便于后續的分析和展示。

圖8 財務智能研究主題綜述分析框架

3.OLAP 與多維度財務分析。聯機分析處理（Online Analytical Processing，OLAP）又稱多維分析，于1993年由E.F.Codd 提出，是與數據倉庫技術相伴而發展起來的，作為分析處理數據倉庫中海量數據的有效手段，彌補了數據倉庫在直接支持多維數據視圖方面的不足[15]。楊春華[16]認為，將OLAP 技術應用于財務決策是有必要的，不僅可以提升企業決策財務信息使用效率以及財務決策的準確性，而且其高效性解決了企業的數據噪音問題。丁保劍等[17]認為OLAP 技術使得用戶可以從多維視角對目標數據進行查詢分析，幫助使用者更進一步地理解數據價值。孫婧豪等[18]將OLAP技術應用于電力上市公司，通過對數據倉庫中的數據進行切片、切塊、旋轉、鉆取等分析方式，得出銀行貸款是企業最佳的融資方式，并且呼吁企業重視應付賬款等融資方式，為企業科學的經營決策提供技術支持。謝夢怡[19]將OLAP技術應用于零售商品行業，通過對商品種類、商品的季節性、滯銷商品的銷售量進行分析，科學指導企業經營決策。

4.數據挖掘與高級財務分析。Spangler 等[20]在1999年提出3 種數據信息挖掘方法，并成功地在財務領域中引入商業智能技術對財務數據進行識別與審核。Jean Francois Boulicaut 于2000年采用真實數據驗證了數據挖掘技術在決策支持與財務數據識別分析中的效果。Weber[21]在政府財務管理中利用數據挖掘技術輔助會計信息化建設，并認為數據挖掘是計算機輔助審計的有力工具。J.Donald Warren等[22]指出企業可以運用大數據挖掘技術進行數據分析，為決策提供大量的有用數據信息，如隨著視頻和圖像存儲、處理和分析技術的成熟，運用這些數據來增強會計記錄正迅速成為現實；與業務活動相關的音頻數據可以提高財務記錄效率和財務信息質量；來源于社交媒體、網絡中的文本數據有助于評估和改善企業的業務表現。

國內學者主要圍繞運用財務智能關鍵技術對經濟活動所產生的原始數據進行抽取、清洗、加載，然后從數據挖掘等方面展開。甘衛平[23]認為數據挖掘應用于管理會計中，可以幫助管理會計人員精確計算企業的生產成本，優化企業生產配置。呂橙等[24]認為數據挖掘易于理解且操作簡單，廣泛應用于各行各業。數據挖掘顛覆了傳統數據庫技術，通過智能決策分析，探究企業龐大數據潛藏的數據關系，提升企業決策的科學性。借鑒數據倉庫、OLAP、數據挖掘等商業智能技術的優勢，胡俊俊等[25]提出了一種新型的會計信息化處理模型，該模型利用數據倉庫技術，有效地解決了面向海量數據的挖掘、清洗與識別。宋強等[26]提出，數據挖掘技術廣泛應用于財務智能中，企業可以通過數據挖掘幫助企業維系顧客關系，分析市場趨勢并及時作出戰略調整，預測存貨與銷量的優化組合等。

5.報表技術與智能報告。在財務智能系統的實施過程中，報表技術是其中的關鍵點，同時也是難點，主要在于：靈活復雜的報表定義，報表變化頻繁，最終用戶的自定義和維護，是否支持Web，是否可發布成XLS、PDF、XBRL 等標準格式文檔，是否支持現有的分布式應用技術環境，是否支持與現有數據資源的集成[27]。M.Alles 等[28]指出，會計人員在大數據環境下收集、分析、管理和報告對企業決策有用的信息。袁振興等[29]指出，大數據既有結構化數據也有非結構化數據，且非結構化數據占絕大部分，但目前被排除在傳統財務報告體系之外，大數據環境下計量屬性和貨幣計量可以呈現多元化，會計數據的大數據化將提高會計信息的相關性，大數據使得財務報告內容得以擴展，原來不能量化的信息變得易于取得。俞紅梅等[30]認為，大數據時代的到來使得現代財務報告管理模式從事后報告向著事前報告的模式轉變，實時報告也成為可能，且促進財務報告從事后反映向著預測未來的方向發展。黃展英等[9]指出XBRL 是對傳統財務報告的變革，可以提供實時、全面、格式相一致的數據，使財務信息可以方便、快捷、智能化處理。

（二）財務智能與管理會計功能融合研究

綜上可知，商務智能與財務會計的融合主要集中在財務的多維度分析、財務數據挖掘或高級財務分析、智能報表與報告等。根據2017年財政部發布的《管理會計基本指引》和若干應用指引，管理會計的主要應用領域包括戰略管理、預算管理、營運管理、投融資管理、成本管理、風險管理、績效管理、管理會計報告等八大功能模塊。

本文重點分析財務智能與管理會計功能融合研究，具體內容如下：甘衛平[23]從價值鏈、顧客管理、投資決策、產品與市場等方面，全方位地分析了財務智能技術對管理會計的沖擊，呼吁企業重視管理會計信息化進程。孟巖等[31]將數據挖掘技術應用在戰略管理會計領域，實現經營環境分析、競爭能力分析、價值鏈分析、成本動因分析等。王艦等[32]指出將數據挖掘（DM）應用于管理會計中，管理會計師可以預測企業財務風險，構建智能財務預警系統。李玉華等[33]提到智能財務管理對于企業具有戰略意義，通過對企業財務數據的分析，洞悉企業過去的發展歷程，明晰企業現在的財務狀況，預測企業未來的財務風險。Nikoomaram H.等[34]通過對基于決策支持和商業智能的管理會計信息系統進行評估，發現德黑蘭上市公司的管理會計信息系統的商業交流與推斷、商業預警、供給報告決策工具分析等構成要素與決策變量相關性較弱，而與正向和反向推理的決策類型相關性較強。王小龍[35]指出，通過BI技術對生產經營科學監管和分析，企業能夠了解真實財務狀況，方便管理者對財務數據的查詢與分析。其他相關主題文獻研究內容不再贅述。

（三）財務智能系統實施過程與實施效果研究

財務智能系統實施涉及軟硬件投資、戰略規劃、組織變革和人力資源管理等。G.Schryen[36]認為BI投資包括與BI相關的軟件、硬件、基礎設施、人力資源和管理能力投入等。劉麗霞[37]指出運用財務智能技術，企業HR 可以更有效地進行人員的調配與監管，降低人工成本，有利于加強員工管理。李玉華等[33]指出財務智能建設需要規范企業業務流程，加強員工管理，優化資源配置，以促進企業遠期戰略目標的實現。王小龍[35]認為，財務智能可以從工作方式和工作內容方面，全面提升財務人員業務水平，促進財務人員從核算工作者轉變為企業管理者。

財務智能系統不僅可以在數據挖掘與分析、業務功能模塊方面提升會計信息化水平，而且最終體現在經營管理效率、業績績效等具體的實施效果上。Elbashir 等[38]通過總結以往研究，基于商務智能的系統特性，驗證了會計業績和管理績效之間的關系，結果發現不同行業之間呈現顯著差異。李玉華等[33]指出，商業智能技術應用于企業財務管理系統，可以從數據倉庫中的海量數據篩選出有用的信息，使財務人員和管理者能夠從多個維度快速地把握企業整體盈利狀況，進而提高企業財務管理的工作效率。Roodposhti、Nikoomaram 和Mahmoodi[39]通過層次分析法（AHP）和問卷調查法將財務智能系統劃分為強、中、弱三類，并以銷售成本、存貨、營業利潤、凈利潤、廢品率等指標為解釋變量，對在德黑蘭證交所上市的制造業企業的會計信息系統及其與投資回報率和凈資產回報率之間的關系進行測度。結果顯示，會計信息化越強，企業的投資回報率和凈資產收益率越高，而管理會計信息化較弱的企業，財務業績表現較差。

五、存在的問題與建議

（一）財務智能文獻研究存在的問題

從國內外研究現狀與研究內容看，財務智能方面的研究存在以下問題：①從研究現狀來看，財務智能領域未形成穩定的高產作者群和固定的發文機構；發文期刊在國內主要集中于北大核心期刊，而CSSCI期刊發文較少；相較于國際期刊的研究方向，國內主要傾向于經管類和計算機類學科，而與工程應用類領域融合較少。②財務智能屬于商務智能的核心模塊和關鍵組成部分，但相比商務智能，專門研究財務智能的文獻較少，基本是融合于商務智能理論與實務研究中；從研究主題來看，財務智能研究偏向于商務智能關鍵技術在財務領域的應用，而相關理論模型構建相比較少；從研究內容來看，財務智能與財務會計領域的融合研究成果較多，主要集中于多維度分析、高級分析及智能報告，而財務智能與管理會計領域的融合研究成果較少，目前集中于風險管控、預算、業績評價等領域，但在其他領域的成果較少；從財務智能應用研究來看，主要集中于財務主題的多維度分析，相比較而言，財務數據挖掘的高級分析研究相對較少，特別是最新的深度學習等大數據智能技術與財務融合研究成果較少，且集中于財務預警領域，其他領域有待進一步研究。

（二）財務智能文獻研究建議與未來研究展望

“互聯網+”與人工智能的高速發展，使得企業智能化成為未來的發展趨勢，但智能化是一個漸進過程，CSDN（我國最大的IT社區和服務平臺）發布了“企業智能化成熟度模型”（Capability Maturity Model for Enterprise Artificial Intelligence），該模型借鑒了“軟件能力成熟度模型”中以過程為核心的管理思想，將企業按照智能化的程度劃分為0～5 級6個發展階段，具體見圖9。

圖9 企業智能化成熟度模型（AIMM）

從圖9可以看出，企業智能化不是一蹴而就的。伴隨著智能化過程，包括財務智能在內的企業智能化研究也是循序漸進的。本文認為，未來會出現以下趨勢和研究熱點：①財務智能是當前“大智移云物”技術（大數據、人工智能、移動互聯、云計算、物聯網）與財務領域最新融合研究，未來將成為一種新的研究趨勢，重點研究新一代信息技術對會計和財務領域的影響和實施路徑。②各高校與科研機構相繼成立大數據或人工智能學院和研究所，未來在財務智能或商務智能領域很有可能出現固定的研究機構或研究群體，應加強對復合型智能財務人才的培養。③對應于2 級的商業智能到3 級的算法模型階段，財務智能研究應在多維度財務分析的基礎上，運用最新的機器學習、深度學習等大數據和人工智能技術構建財務決策模型，加強智能化決策支持系統方面的理論與應用研究。④財務智能關鍵技術研究應融合最新的大數據Hadoop 和Spark 框架，運用大數據技術構建新型商務智能系統（或財務智能系統），對應于4級AI采用和5級AI驅動，未來可重點研究構建新型財務智能系統的業務模式或商業模式、新型業態以及相應的企業管理變革。⑤未來在研究方法上可以結合最新的商務智能（或財務智能）實踐進行案例研究，總結實施方法論，抽象出相應的理論模型架構。⑥在研究內容上，應融合多源異構數據、智能財務報告、智能化財務風險管控、財務預測與決策等多功能模塊，構建系統化的、融合大數據的財務智能決策支持系統。