基于智能技術的管理會計理論探索與實踐創新及示例分析

原磊磊 張夢晨

（中國林學會 北京 100091）

一、引言

隨著“大智移云物區”等新興數字技術的快速發展和推廣應用，企業數字化轉型不斷加速。財務數智化作為企業數字化轉型的先行者，也在有序推動，穩步邁進。同時，學術界也涌現出大量關于財務智能化、財務數字化轉型、智能財務的研究和討論。國內現有研究主要聚焦于智能技術創新和應用場景落地、財務智能化對財務組織、財務人員和會計教學的影響分析，以及智能化背景下的財務管理模式變革和管理活動創新等領域（張慶龍，2021；Hasan，2022），但還存在一定的不足，如整體重財務會計輕管理會計，理論研究與實踐應用脫節，研究所涉及的技術或專于某一特定技術細分領域、或已過時有待更新（劉梅玲等，2020；Bromwich和Scapens，2016；Prasad 和Green，2015）。Bromwich 和Scapens（2016）認為，過去三十年間，管理會計研究逐漸充實，理論分析趨于豐富，當前的重要問題在于，管理會計信息主要面向內部使用者，企業沒有對外披露信息義務，實證研究相對較少，并且大多數管理會計研究對會計實踐的影響相對有限，未來需要拉近管理會計研究與管理會計實踐的距離，提高理論研究的實用價值。此外，Knudsen（2020）認為，數字技術迭代快速，其在財務領域的應用也會隨之更新，需要開展更多的研究追蹤在財務領域應用數字科技的最新動態。Stancheva-Todorova（2018）強調，需要開展更多的跨學科研究來彌合商業和會計領域與計算機科學和人工智能技術領域之間以及會計實踐與會計教學之間存在的數字鴻溝。

鑒于此，本文側重于管理會計智能化領域，兼顧理論分析和實踐應用。在研究方法上，本文通過回顧全球和國內頂級期刊的相關文獻，追蹤國內外行業巨頭的最新管理會計實踐，具體分析了人工智能（AI）、云計算（Cloud Computing）、大數據（BD）、區塊鏈（Blockchain）四類智能技術在管理會計領域的創新性構思和實踐的部分示例，為進一步推動我國管理會計智能化理論探索和實踐創新提供借鑒。需要強調的是，因文獻檢索并非基于全數據庫檢索、未開展實證研究等原因，本文也存在一定的局限性。

二、管理會計功能和工具方法的演進

國際會計師聯合會（IFAC）對管理會計概念的界定已經過數次修訂，管理會計最初主要包括成本會計和財務控制，之后陸續引入了管理計劃和管理控制信息系統、優化資源利用與降本控費、價值管理等功能（Abdel-Kader 和Luther，2006）。同時，管理會計研究的理論基礎也趨于多元化，包括社會學理論和批判理論、經濟學理論、管理控制系統、權變理論、心理學理論和社會心理學理論、社會網絡理論等（Bromwich和Scapens，2016）。

2013年6月，英國皇家特許管理會計師公會（CIMA）和美國注冊會計師協會（AICPA）全球兩大會計職業組織聯合推出了全球特許管理會計師（CGMA）計劃，并發布了《管理會計師的基本工具：支持企業取得可持續成功的工具和技術》（Essential Tools for Management Accountants：The Tools and Techniques to Support Sustainable Business Success），總結并闡明了公司治理與風險管理、戰略規劃與執行、績效管理與考核、計劃和預測、產品和服務交付、價值識別六類基礎性管理會計工具。如下頁表1所示。

表1 CIMA管理會計基本工具

2016 年，財政部印發《管理會計基本指引》，指出管理會計旨在通過運用特定的管理會計工具和方法，參與單位規劃、決策、控制、評價活動并為之提供有用信息，最終推動實現企業戰略目標。管理會計遵循戰略導向、融合性、適應性和成本效益性原則，具有解析過去、控制現在和謀劃未來的特點。管理會計工具方法具有開放性，隨著實踐發展不斷豐富完善。2017 年起，財政部陸續發布了戰略管理、預算管理、成本管理、營運管理、投融資管理、績效管理、風險管理和其他八類管理會計應用指引。如表2所示。

表2 財政部管理會計應用指引

從中外管理會計制度的演進與創新實踐可見，為適應時代發展，管理會計制度規范對管理會計功能和職能進行了重新界定，管理會計工具也不斷豐富，從單純的“控制型導向”拓寬到“價值創造型導向”，管理會計制度從“以工具整合與創新為特征的結算”逐步向“以‘互聯網+’和‘全面推進’為特征的階段”發展，管理會計信息系統也在經營預測、風險預測等未來預測信息的基礎上，增加了非財務信息和社會責任信息。然而，馮巧根（2018）認為，我國管理會計應用的分類設置具有開放性特點，體現了政府導向的計劃屬性與企業自我決定的市場屬性的統一。此外，二者對工具的類別劃分不完全一致。例如，CIMA 將平衡計分卡劃入戰略規劃與執行，而我國財政部將其劃入績效管理，這體現了管理會計工具的靈活性及其對多管理會計職能的適用性。

三、智能技術及其在管理會計領域的應用

（一）智能技術簡述

智能技術是指以“大智移云物區”為代表的新興數字技術，具有顯著的綜合性、邊緣性和交叉性特征，本文根據“十四五”規劃所列分類甄選出在財務領域具有應用潛力的四大數字智能技術——人工智能、云計算、大數據、區塊鏈。就本質而言，上述新興數字技術是第四次工業革命（IR 4.0）的產物（Reddy 等，2019），是企業數字化轉型、智能化轉型的技術基礎。

其中，人工智能是旨在研究、開發用于模擬、延伸和擴展人的智能的理論、方法、技術及應用系統，包括機器人流程自動化（RPA）、機器學習（ML）、語音識別（ASR）、圖像識別（IRT）、文字識別（OCR）、自然語言處理（NLP）、神經網絡（ANNs）和專家系統（ES）等。麻省理工學院教授帕特里克·溫斯頓（Patrick Winston）認為，人工智能狹義上是指本質上支撐根據思維、感知、行動相關約束條件建模的算法集合。云計算是指通過計算機網絡形成的計算能力極強的系統，可存儲、集合相關資源并按需配置，向用戶提供個性化服務，包括基礎設施即服務（IaaS）、平臺即服務（PaaS）和軟件即服務（SaaS）。大數據是需要新處理模式才能具有更強的決策力、洞察發現力和流程優化能力來適應海量、高增長率和多樣化的信息資產，具有容量大、價值密度低、多樣性、高速性、真實性的特點。成熟的大數據技術包括數據挖掘、預測分析、數據可視化、數據校驗、數據規約等。區塊鏈技術是利用塊鏈式數據結構驗證與存儲數據，利用分布式節點共識算法生成和更新數據，利用密碼學的方式保證數據傳輸和訪問的安全，利用由自動化腳本代碼組成的智能合約編程和操作數據的全新的分布式基礎架構與計算范式，具有去中心化、開放性、獨立性、安全性和匿名性特點。需要注意的是，本文聚焦智能技術應用，對各類技術僅作簡要介紹，其具體的專業術語界定不做贅述。

（二）智能技術在管理會計領域的應用邏輯及潛在問題

根據信息經濟學理論，管理會計為企業決策信息系統服務。計算機相關新興信息技術在財務領域的應用主要體現為對決策支持系統和專家系統的支持。通過決策支持系統（DSS）與人工智能等新興技術的有效結合，有助于及時收集、匯總分析和報告全面、準確、相關的財務和非財務信息，支撐企業群體決策支持系統（GDSS）和智能決策支持系統（IDSS），最終提高企業整體的決策能力、決策水平和決策質量。數智化轉型的結果是，智能會計系統推動財務會計與管理會計的融合，推進業財深度融合和財務業務一體化（SAP），強化了財務的預測和決策職能，拓展了財務的內涵和外延，財務趨于泛化、虛擬化。在此背景下，基于數據驅動的財務決策將為企業經營提供創新性視野（Reddy 等，2019），財務決策信息也不再局限于財務信息，而是包括企業內外部非財務信息。

數字技術的應用將直接影響企業如何獲取信息、如何傳遞信息、如何利用信息。Schneider 等（2015）認為，數字技術從根本上改變了會計業務流程，特別是影響決策的推斷、預測和保證類業務，大量研究聚焦于數字技術應用于財務領域將如何影響會計人員在使用會計方法和工具時如何獲取信息，如何解讀，如何報告。Knudsen（2020）強調，數字技術的應用將對管理會計技術和工具的使用產生影響。例如，云計算服務（CCS）為企業提供了便捷、可及的網絡訪問，支持多終端接入模式，企業按需使用，計量付費，靈活自主。財務云是云計算、大數據等數字技術與財務共享服務中心協同整合的產物，意在實現企業財務、銀行、稅務等平臺之間的互聯互通，國內使用最為廣泛的財務云服務包括中興新云、金蝶財務云、用友財務云等。孫彥叢（2022）認為，財務云沉淀了企業內外部結構化、非結構化的海量數據，借助模型與算法將獲取到的數據轉化成信息、沉淀為知識、凝結成智慧，為業務財務、戰略財務和經營單位提供數據服務，為管理層提供經營決策支持。又如，Stancheva-Todorova（2018）認為，通過應用深度學習模型，可以顯著對非結構化數據的分析，這些數據信息包括郵件、合同、圖表、視頻等。容量大、信息多樣化的大數據集為企業經營提供了新視野，有助于強化決策和戰略制定。又如，大數據技術應用于數據收集、數據分析和數據評估，財務人員可以將更多精力放在基于數據的戰略決策上。2013 年特許公認會計師公會（ACCA）和美國管理會計師協會（IMA）聯合發布更新的報告《大數據：其利其弊》（Big Data：Its Power and Perils）指出，基于大數據技術的交互式數據發掘和整合工具可以收集多渠道信息，提供財務分析可視化信息共享服務，為企業決策提供更有效的支撐。有代表性的管理會計數字化解決方案包括Tableau 的差旅費用監測、渠道填塞（channel stuffing）識別、現金流深度分析服務；QlikView 的費用管理、財務預測、預算分配優化、收入和盈利管理、風險和合規性審查服務等。

然而，需要強調的是，智能技術在管理會計領域的應用存在諸多問題。其中，首要問題是人們對管理決策“機器代人”的顧慮。Quattrone（2016）認為，數字化分析工具的應用可能會阻礙會計對話，進而影響企業內部報告效果，因為信息不等同于知識。管理會計的數字化變革對決策制定的助益有待繼續研究，目前的情況是，數字驅動的信息和決策與完美信息和絕對理性決策差距尚遠。需要清醒地認識到，人類的智慧才是財務決策的核心。Al-Htaybat 和von Alberti-Alhtaybat（2017）同樣認為，“數據是原油”，需要經過提純、結構化和加工后才有用，實踐中財務人員需要更新并掌握相關技能才能高效地使用數據分析工具，支持企業決策。另外，相關理論研究的可靠性和技術應用的有效性也需進一步檢驗。例如，大量的研究強調了機器學習在發現公司欺詐方面的有用性，Bao 等（2020）構建了基于集成學習（Ensemble Learning）的欺詐預測模型，經檢驗優于兩項基準模型——邏輯回歸模型和支持向量機模型。集成學習是機器學習最強有力的工具之一，可用于分類問題集成、回歸問題集成、特征選取集成、異常點檢測集成等。然而，Walker（2020）對該模型進行了檢驗，并提出多數基于機器學習的反欺詐模型預測價值并不理想，這也導致實踐中決策者對模型的適用性持懷疑和審慎態度。又如，Arnaboldi等（2017）認為，大數據的應用以演繹思維為基礎，所運用的變量和模型必須具備自洽性，不少會計人員認為海量數據更多帶來的是信息冗余造成的負擔。

（三）管理會計與財務會計數智化轉型實踐及差異分析

目前，國內外智能財務方案提供商為企業提供了多場景、全方位的智能財務服務，包括國內的用友財務云、金蝶精斗云、金蝶賬無憂等，以及國外的SAP FI/CO/Concur、JD Edwards、Epicor 等。然而，整體而言，財務領域的人工智能應用主要還是停留在為會計提供智能化解決方案的“弱人工智能”階段，主要包括票據鑒偽、機器視覺技術輔助信息提取、大數據全樣本分析輔助審計等（續慧泓等，2021）。

通過仔細分析相關服務商的業務推介資料和相關調查報告可知，相比于財務會計、稅務會計，智能技術在管理會計領域的應用稍顯滯后。根據上海國家會計學院發布的《2021中國企業財務智能化現狀調查報告》，從智能財務系統已上線功能模塊看，會計核算（3.69）、費用報銷（3.21）、發票管理（3.09）等財務會計模塊智能化應用采用程度最高，經營決策支持（2.04）、投融資管理（2.04）、對標管理（1.93）等管理會計模塊智能化應用采用程度最低；會計核算（3.13）、費用報銷（2.82）和銀企互聯（2.75）等財務會計模塊智能化程度最高，經營決策支持（2.02）、投融資管理（2.02）、對標管理（1.92）等管理會計模塊智能化程度最低。2022年3 月，CIMA 針對法國和德國管理會計智能化的一份實證研究報告《從數字化到數字化轉型：數字時代法國和德國管理會計師的角色》也顯示，在數智化背景下，管理會計可以提供更為個性化、對用戶友好和及時的建議。然而，因為企業職能融合不足、資源有限，多數管理會計師并未充分挖掘利用外部數據的潛力，而是更多地依賴內部財務數據。

財務會計和稅務會計的智能化應用漸趨成熟，而管理會計智能化轉型相對滯后，主要原因包括：一是費用報銷、稅務申報和稅款繳納、財務報表編報、往來款項對賬和核銷、銀行交易明細查詢等多數財務會計工作具有規則明確統一、頻次高、重復性強、面向過去、流程數據化、結果可標準化、信息披露具有強制性等特點，可以通過在信息系統嵌入邏輯關系公式等技術手段實現自動化和智能化目標，而管理會計處理的問題多為半結構或非結構化信息，具有個性化、行為化、難以量化、面向未來的特征，非程式化決策智能化難度系數大。二是因為管理會計決策很大程度上依賴于財務會計信息，會計智能化轉型整體依照串行組織模式進行。三是審計的數字化轉型倒逼企業財務會計數字化轉型。“四大”會計師事務所聚焦機器學習和人工智能算法（Kokina和Davenport，2017），大規模投資技術創新，積極推廣其機器人流程自動化（RPA）智能審計方案和信息交流平臺，包括德勤（Deloitte）基于數字化、動態化、云端化審計服務應用OmniaDNAV和Argus，咨詢服務平臺，財務分析和咨詢服務平臺Cortex、Optix、HR Agent Edgy，風險評估助手GRAPA、Signal、DocQMiner 和Eagle Eye，法律和稅務工具Sonar等；普華永道（PwC）的人工智能輔助審計機器人GL.ai、Cash.ai、Halo；安永（EY）的審計系統Atlas，審計相關信息交流平臺Canvas、Helix、Blockchain Analyzer；畢馬威（KPMG）一站式智能審計平臺Clara 等，同時推出了稅務申報和賬務核算等財務外包服務（Ucoglu，2020）。四是隨著數字政府建設加速，《中共中央辦公廳國務院辦公廳關于進一步深化稅收征管改革的意見》指出，“全面推進稅收征管數字化升級和智能化改造”，倒逼企業加快稅務會計數字化轉型，以主動應對稅務檢查、稽查。五是因為管理會計業務相對而言發生頻次低，且業務差異大，管理會計信息使用者范圍多為內部使用者，信息披露不具有強制性，決策者根據成本效益原則，也可能將智能技術在管理會計領域的應用推延。因此，本文嘗試整理智能技術在管理會計領域的部分應用探索，以期為我國財務理論研究和實踐提供借鑒。

四、基于智能技術的管理會計理論探索與創新實踐示例

（一）嵌入公司治理，數字技術驅動風險管理

在公司治理方面，信息和通訊技術在企業財務及其他領域的深度應用，催生了“IT治理（IT Governance）”的概念，即旨在明確決策權歸屬和責任擔當的框架。通過這種結構安排，平衡信息技術及其應用相關流程的風險收益，確保IT 應用與業務目標一致，最終實現企業價值增值。Wilkin和Chenhall（2010）認為，IT治理重點關注戰略一致性、風險管理和資源配置，以及價值交付和績效管理。國際上通用的IT治理框架和標準包括國際信息系統審計協會（ISACA）的COBIT、VAL IT、Risk IT 等。以財務云的應用為例，Prasad 和Green（2015）認為，云計算服務（CCS）是企業獲取和利用IT 技術的重要途徑，根據資源基礎理論，董事會的協同監督、首席信息官（CIO）的專業能力、財務管理的前瞻性安排、持續性審計是IT 治理的關鍵，確保IT 技術與企業業務目標的一致性將有助于防控風險，提升企業的整體績效（Prasad 和Green，2015）。以舞弊識別方面為例，數據挖掘和機器學習因為假設更少，支持非線性決策，應用于舞弊識別方面具有顯著優勢。趙納暉和張天洋（2022）認為，針對財務報告管理層討論與分析（MD&A）章節，應用文本識別技術和深度學習算法，可以更有效地識別企業的財務報告舞弊。又如，德勤推出的一站式區塊鏈平臺Rubix 可以實現財務數據的網絡同步與實時審計，而區塊鏈技術采用的權益證明機制（PoS）將有效防止數據操控和篡改，進而有效防范舞弊。

在風險管理方面，陳虎和陳健（2022）認為，大數據分析與處理技術有助于企業創建全生命周期、全流程、更加具有預見性的智能風險管控體系，多渠道采集客戶產權、資信、涉稅信息等，在此基礎上建立風險評估模型及算法應用，形成企業風險畫像，為企業客戶信用評價和應收賬款管理提供信息支持。以互聯網企業為例，互聯網業務平臺企業擁有海量用戶，每天都有巨大量級的用戶事件發生，大數據技術在及時準確發現風險、合理高效處置風險方面嶄露頭角。如阿里巴巴（Alibaba）針對交易欺詐、紅包套現、信息泄露等，基于大數據建立了全鏈路風險防控體系，利用其強大的“數據+計算+AI 算法”能力，為企業業務保駕護航，其推出的基于大數據技術的風險防控產品“蟻盾”利用RAIN風險模型對各類商家和客戶進行信用評分，以實現交易欺詐防控、反洗錢等風險管控目的。又如，財務危機預警經歷了“單變量模型——多元線性判定模型——Logistic預警模型”的方法革新，但前提假設和數據樣本要求嚴格，且變量數量受限，容易出現多重共振線等問題。葉煥倬等（2013）構建了基于自適應貝葉斯網絡模型（SABNM）的財務預警與診斷模型，利用遺傳算法搜索出與樣本集合相適應的最優貝葉斯網絡，通過正向推理進行危機預警，通過逆向推理進行財務危機原因診斷，并經驗證表現出較高的準確性和有用性。自適應貝葉斯網絡模型基于貝葉斯理論，不僅兼具傳統統計方法和人工神經網絡方法的優勢，還在一定程度上克服了二者的缺點。又如，目前我國內部控制缺陷評價高度依賴于評價人員的職業素養和專業判斷，且評價時間節點靠后，評價周期較長。王海林（2017）構建了基于反向神經網絡技術（Back Propagation Network）的內控缺陷識別模型，經檢驗其總體識別準確率高于90%，可通過縮短識別周期、細化內控缺陷程度等級實現內控風險動態監測和精細化管理。人工神經網絡技術模仿人腦神經系統，通過反復模擬訓練發掘規律，不斷地修正相關權值和偏置值甚至是參數模型本身，最終確保識別準確度滿足目標誤差率要求。又如，傳統的財務欺詐手段的識別方法主要依據財務比率分析和財務報告審計，耗時費力，很大程度上依賴專家的主觀判斷。Wu等（2022）構建了基于知識圖譜（Knowledge Graph）技術的財務欺詐風險分析模型，并經檢驗模型有效。知識圖譜是人工智能的一個分支，可以應用數據挖掘、知識計量等技術提取并分析企業的審計相關信息，通過識別與已知存在財務欺詐的企業之間的異常關聯等，分析財務欺詐風險。又如，在風險評估方面，畢馬威（KPMG）人工智能平臺Ignite在貸款盡職調查和保險領域應用機器學習技術，可以根據企業經營報表和稅務材料評估企業信用資質，根據擔保物、抵押物和留置權文件評估并控制貸款風險敞口等。又如，宏觀經濟動蕩、資源能源緊缺、政治和社會因素帶來的企業外部不確定性愈發突顯，有效使用管理會計工具對企業風險管理來說至關重要。《大數據：其利其弊》（Big Data：Its Power and Perils）指出，在此背景下，企業風險控制的重心不再局限于內部控制和合規審查，而是更多地關注外部環境變化。社會媒體等資訊信息是重要的消費者情緒、宏觀和社會問題預警系統，然而，海量的外部信息呈碎片化特征，更新快速，單純依靠人力收集分析，顯然不可行。運用大數據技術可以實時追蹤監管政策變化和消費意愿，及時獲知并評估自然災害對供應鏈的風險，都將有效提前研判和有效防范企業外部風險。Duan和Xiong（2015）強調，大數據技術可以提升風險評估模型的預測能力和穩定性。Kumar 等（2022）認為，大數據分析和機器學習可用于收集公眾關于可持續發展問題相關輿情信息，有助于挖掘環境、社會和公司治理（ESG）相關風險和機遇，評估企業財務活動的可持續性，最終推動企業踐行可持續發展理念。又如，會計數字化轉型顯著提高了管理流程和控制的自動化水平和透明度，全面實行留痕操作，降低了控制手段被規避的風險，具有更好的一貫性和安全性。然而，孫紅梅和雷喻捷（2019）認為，財務數據系統可能面臨遭受黑客或商業間諜攻擊、未經授權或越權訪問、惡意篡改數據、信息系統自身缺陷或漏洞未被及時發現并解決、專業能力不足導致終端操作不當、計算機感染病毒導致系統癱瘓、網絡故障等風險。智能財務系統和智能內控系統都面臨著新興技術風險。

在財務人員道德監督和自律方面，隨著數字化和財務智能化的不斷推進，對財務人員的執業監管愈加嚴格。例如，針對財務人員失職的信息共享，傳統方法是由行業自律組織匯總和報告財務人員的不當行為。我國各級財政部門、證監會等主管部門會通報批評財務人員的違規情況；美國注冊會計師協會（AICPA）和美國全國州會計委員會聯合會（NASBA）都提供了匯總不當行為的解決方案。然而，Sheldon（2018）認為，這種自上而下的信息匯總方式的固有局限性是收集信息不完整。隨著區塊鏈技術的成熟化，未來該技術有望進入主流會計應用程序，實時收集并向行業分享財務從業人員的不當行為，形成全網信息共享，對財務人員形成震懾作用，將有助于防范財務舞弊。

（二）支撐戰略管理，強化決策職能

大數據和大數據技術不可避免地改變了會計師的角色，管理會計師與管理者的關系更為緊密，將更多地參與到企業戰略管理和管理咨詢中（Balios，2021）。同時，數據驅動、技術支撐的企業戰略決策依賴于大量的內部和外部、財務和非財務、結構化和非結構化數據。傳統實踐中，會計人員收集BSC各維度數據，通常以結構化數據為主，如通過問卷調查確認客戶滿意度，通過五分法將定性數據定量化處理等，然而文字形式的商品評價和客戶意見反饋更多需要人工處理。應用大數據技術、自然語言處理和機器學習可以對文本信息進行詞性分析和語義處理，用于人工客服文本聚類分析、消費者社區話題檢測、消費者需求挖掘、客戶情感分析等。閆華紅和畢潔（2015）認為，大數據也為企業應用平衡計分卡（BSC）拓寬了數據獲取途徑，豐富了可用數據的類型，如顧客和學習與成長維度的員工及客戶經濟行為、消費習慣等數據。Knudsen（2020）認為，大數據技術還有助于實現平衡計分卡等戰略管理工具的動態數據可視化。例如，商業智能儀表盤（BIDashboard）適用于多應用場景，不僅可以通過使用圖表、儀表盤、地圖、狀態指示器等方式實現KPIs信息的可視化，還可以通過數據分析聚焦最重要的數據點，幫助業務決策者實時跟蹤、分析和報告KPIs及其他指標。目前，商業儀表盤可視化解決方案包括Oracle BIEE、SAP Crystal Dashboard、Microsoft Performance-Point等。

（三）擴充非財務指標，促進績效實時可視

企業使用關鍵績效目標時引入大數據等數字技術，可以結合社交媒體周期訪問量、客戶轉換率等增加新的非財務性指標（Knudsen，2020）。例如，Warren 等（2015）認為，大數據應用于管理控制系統，通過將員工行為與企業目標掛鉤，增加新的績效指標，可以改善企業的成本控制。然而，如果行為監控和信息追蹤過度或失當，企業則可能面臨倫理和法律問題。Agostino 和Sidorova（2017）針對一家電信公司的研究顯示，社交媒體為企業提供了大量的實時數據，基于大數據設置績效指標，可以增設領域排名、消費者情緒、受眾面、參與度和影響力等動因類指標。動因類指標相比于結果類指標具有一定的前驅性。此外，數字技術促進績效目標的實時計算和推送，通過大數據分析技術化繁為簡，通過數據可視化技術呈現，增強了KPIs 的直觀性和及時性，進而提升使用關鍵績效目標的有效性。Eklund等（2003）認為，自組織（特征）映射（SOM）應用于財務績效分析和標桿管理，將有助于對大量多維財務數據的結構化、可視化分析。自組織映射是一種基于神經網絡的聚類和數據可視化算法，產生的聚類結果具有較高的可視化和可解釋性特征。

（四）改進財務預測，優化預算管理

基于海量數據，企業引入大數據分析和處理技術構建財務預測系統，可以提高預測的及時性和精確性。Arnaboldi等（2017）認為，智能技術的發展促使“預測（Forecasting）”向“實時預測（Nowcasting）”轉變。數據驅動的財務預測系統可以參考以下設計思路：一是利用Sqoop、Flume 等大數據獲取技術等進行數據采集；二是利用Apache Spark、Cascading、MapReduce 數據分析技術等對導入數據進行預處理，包括通過濾波算法進行奇異點過濾，將數據集轉化為時間序列格式等；三是算法構建和擬合優選；四是算法預測和后驗優選。改進的財務預測算法包括自回歸積分滑動平均模型（ARIMA）、基數增長法等。

在預算管理方面，陳虎和陳健（2022）認為，大數據分析和處理技術不僅有助于企業實現資金流的實時預測，還可以促進預算編制精準化、預算管控自動化、預算分析可視化。Warren 等（2015）認為，利用大數據技術將氣候預測、人口和勞工、宏觀經濟數據等外部數據納入預測和敏感分析模型，能夠有效提升企業預算管理效果。

（五）賦能運營管理，助力企業價值增值

在大數據環境下，六西格瑪管理法（Six Sigma）的數據驅動特征可以幫助企業實現競爭優勢。Koppel 和Chang（2020）創新了這一方法，建議從數據收集和流程監控出發，將傳統流程模式的界定、測量、分析、改進、控制（DMAIC）改為測量、界定、分析、改進、控制（MDAIC）流程模式，通過利用大量數據識別制造環境因素，實現項目的持續改進。此外，大數據和社交網絡為企業進行產品全生命周期管理提供了信息源，企業應用大數據技術或使用第三方商情服務系統，可以實現語義挖掘、關鍵信息抽取和情感傾向性分析，實時研判因產品缺陷等導致的負面輿情，實時監測競品動向，把握行業趨勢，通過分級預警，輔助企業產品投放、產品召回、數字化營銷、供應鏈管理等經營決策。以產品召回為例，Lee 等（2015）認為，產品召回如應對不力，將有損企業聲譽，企業將面臨直接的銷售損失和法律責任，企業通過適當披露將減弱產品召回帶來的負面反應。當出現需要召回產品的跡象，除產品質檢和技術驗證之外，還需及時全面了解社交媒體、消費者社區等關于產品缺陷的反饋，化被動為主動，避免公眾輿論發酵和走向不可控。

在成本管理方面，作業成本法雖然能夠提供更為精確的成本信息，但該方法固有的不確定性在于應用過程中需要憑借專業理解和經驗判斷輸入大量估算數據，將不可避免地影響成本信息的準確性。Nachtmann 和Needy（2003）經過成本效益比較分析，認為模糊邏輯（Fuzzy Logic）和蒙特卡羅模擬（Monte Carlo simulation）可用于作業成本法不確定性處理。此外，基礎的本量利分析（CVP）方法忽視了企業的經營風險及其不確定性，Yuan（2009）提出的基于模糊邏輯的本量利分析搭載專家系統將有效解決該問題。模糊邏輯是人工智能的一個分支，通過模擬人腦實施規則型推理，有助于解決因“排中律”的邏輯破缺產生的種種不確定性問題。

在投融資管理方面，Coleman 等（2022）認為，研究表明，人類分析可能存在一定的認知偏狹，或分析師出于經濟動機更偏向出具樂觀的分析報告。相比之下，機器分析基于大量的披露數據，可提供更為客觀、均衡的投資建議。但也應注意到機器分析在信息獲取來源及非財務信息分析方面的局限性。

在客戶關系管理方面，根據Gartner 歷年發布的《成熟度曲線報告》（Hype Cycle for AI），應用機器學習等人工智能技術將有助于為客戶提供個性化、高效的服務，增進客戶交流，有效改善客戶體驗，優化銷售人員工作。《2022 年Gartner銷售自動化魔力象限報告》（The 2022 Gartner Magic Quadrant for SFA Report）顯示，Microsoft、Salesforce、SAP、Oracle 等大舉投入將人工智能嵌入銷售自動化模塊（客戶關系管理的核心模塊）。此外，人工智能應用程序愈加依賴SaaS 形式，2019 年SaaS 云服務支出占企業整體CRM 軟件支出的75%。例如，搭載自然語言處理系統和機器學習技術的聊天機器人，完成了從“客戶學習聊天機器人的操作界面”到“聊天機器人學習挖掘客戶所想所思”的轉變，通過即時算法和進化算法將有效改善客戶的服務臺咨詢和終端自助服務，同時將銷售人員從重復、簡單、無聊的窗口工作中解放。又如，虛擬助手、聊天機器人、增強現實（AR）、虛擬現實（VR）、混合現實（MR）等人工智能和大數據技術在客戶獲取、開發和保留方面有其顯著優勢，可應用于客源識別、客戶問題和需求捕捉、個性化產品推薦、復雜產品配置報價（CPQ）、客戶情緒實時監測等。然而，Lui 和Lamb（2018）認為，不少銀行和金融科技初創企業斥資在客戶關系管理中引入人工智能，應用優勢明顯，但同時也帶來一些挑戰，比如部分算法存在明顯的偏見和歧視問題，可能會破壞銀行與消費者之間的信任和信心。Grewal等（2020）也強調，企業實施基于人工智能的客戶關系管理，將提高對顧客終身價值的預測能力，并據此制定適應性客戶待遇，可能會產生客戶分級管理和服務歧視，甚至侵犯消費者合法權益，為政府監管帶來挑戰。為保護個人數據安全，歐盟于2018年出臺了《通用數據保護條例（EU-GDPR）》；2020 年以來，我國反壟斷委員會、市場監管總局也對大數據殺熟等問題進行了專項整治。然而，如何實施有效監管，如何馴化機器算法，增強智能協作，仍是當前面臨的現實難題。

五、結論和建議

當前，相比于其他會計領域，管理會計的智能化轉型稍顯滯后。大數據技術、區塊鏈技術、云計算、人工智能等應用于防范交易欺詐、財務危機預警、客戶關系管理、非結構化會計信息處理、管理會計信息可視化等方面的顯著優勢已經得到實踐驗證，但其他領域的研究多局限于理論框架和數據模型的構建，缺乏充分的實證研究。

站在企業角度，企業財務數智化轉型應堅持需求導向，以用為本，頂層設計，全員協力。企業應在管理層與財務人員以及相關部門之間進行充分討論，在向第三方專業機構進行充分咨詢的基礎上，選擇與企業業務特征和資源稟賦適配、與企業數字化轉型同頻共振的財務智能化轉型策略，并定時評估轉型成效及合規性，妥善應對轉型阻力，確保轉型任務穩健有序。如采取技術外包形式策略，科學確定數字技術供應商和智能財務解決方案提供商，通過共建共享、數字上云（SaaS）等方式降低轉型成本。另一方面，會計的數字化和智能化轉型，雖然增加了自動化數據處理，但財務機器人無法全面替代財務人員，相反可能會增加財務管理活動的不確定性和復雜性，管理會計需要做出更多的專業判斷（Bromwich 和Scapens，2016）。鑒于此，企業應建立完善的人才選育用留機制，提高員工對企業財務數智化轉型的接受度和配合度，激勵企業首席信息官、財務人員及相關人員及時跟蹤智能技術在會計領域的應用進展，保持企業相關信息流通順暢，合理把握入場時機。

站在個人角度，對于財務人員而言，人工智能等技術的應用無疑是一把雙刃劍（Hasan，2022），財務人員只有通過保持“終身學習”，及時填補機器學習、大數據分析等方面的知識缺口，加強領導能力、批判性思維和溝通技巧，才能提高職業勝任能力，適應職業變遷要求（Stancheva-Todorova，2018）。