轉型升級導向的企業數智財務系統建設研究

摘要：數智財務管理信息系統的建設是未來企業財務管理體系轉型升級的重要生產力。做好數智財務管理體系建設，在系統性規劃的基礎上，需要堅持頂層設計與問題導向相結合，大力推進數智財務體系的建設。基于此，以福建煙草為例，闡述數智財務系統建設的思路和路徑。從數智財務建設的研究背景及概念出發，結合世界一流財務管理體系建設與評價的理念，探索企業數智財務的轉型思路，設計數智財務系統的建設路徑，旨在為福建煙草的數智財務信息系統建設做好頂層設計。

關鍵詞：轉型升級；數智財務；建設路徑

0 引言

大數據、人工智能等信息技術的快速迭代應用及企業財務轉型升級的內在要求，不斷推動新興技術在財務領域的創新發展。通過財務數智化的運用，可以有效地提升財務工作效率、降低財務工作成本，提升財務對業務的響應速度和價值創造水平，從而改善企業的管理能力和管理效率，提高企業在市場競爭中快速反應能力，實現企業財務智能發展模式的轉型升級。

中國煙草總公司福建省公司（以下簡稱“福建煙草”）自成立以來，持續推進財務信息化進程，初步實現財務管理的系統化、流程化、體系化、融合化，但還存在一些瓶頸問題亟待解決。一是標準化自動化程度較低。一方面，各地市的財務制度、流程、核算標準存在一定差異；另一方面，核算和審核等操作以人工為主，占用大量工作時間。二是雙線報銷流程重復煩瑣。每筆資金支出均需經過線上審核和紙質審核，用戶體驗感不好；線上審核也缺少影像系統支撐，難以開展遠程稽核。三是數據挖掘廣度深度不夠。缺少深層次數據加工分析工具，財務人員獲取數據的范圍和質量有限，難以快速、深入、直觀提供財務決策支持。四是業財數據無法實時銜接。除主營業務系統，與財務對接的業務系統較少；財務數據也無法反饋給業務系統，未形成信息閉環。五是主業和多元化尚未同步。多元化企業財務系統模塊不夠全面，影響了財務工作效率；業務信息系統不夠完善，難以為財務提供足夠的數據支撐。

以福建煙草做好體系規劃為前提，針對福建煙草實施數智財務管理信息系統建設的頂層設計上采取的理念、方法、架構、迭代有效實現的閉環模式的歸納，為其他企業提供可借鑒的建設經驗。

1 福建煙草財務數智化轉型目標

通過數智財務體系的建設，一方面，要細化傳統的信息收集、加工、整理等工作的顆粒度，提高及時度和準確度；另一方面，要解放人力，強化財務人員通過業財融合對業務的賦能、對風險的管控。因此，對于福建煙草的數智財務體系建設，在理念上著力推進3個轉型。

1.1 財務數據管理向標準規范轉型

福建煙草維持集團化運作、集約化管理，強化集團重要財務規則制定權、重大財務事項管理權、重點經營活動監督權，實現省公司對各級子公司財務管控的“遠程投放”和“標準化復制”。這要求集團企業的會計信息具有規范性、真實性、完整性、可比性、一致性等特征，但在實務中，大量會計職業判斷的存在，如費用的劃分、收入確認條件的選擇等，大大降低了集團內會計信息的可比性和一致性，而統一規范的財務數據標準體系將促進集團化會計管理高效統一。同時，為實現數據賦能的目標，財務共享需要從海量數據中進行數據整合校驗、分析預測，通過建立財務數據標準體系，批量化地完成數據的采集、清洗。因此，財務數據標準體系建立包含3個方面的工作：

一是建立標準化的財務流程，理清數據產生與流轉的過程，實現流程優化再造。流程標準化的基本思路是，首先，梳理現有業務的從開端到終結的全流程，確定流程中的業財交互點；其次，明確系統需采集的數據，明確數據采集的節點和結構；最后，實現業務流程和財務流程的同步操作，將物理世界的業務流程轉換為業財系統一體化模式下的業務流程，并持續優化。

二是建立標準化的表單附件，使表單附件標準化、電子化、數字化。采集業務產生的最原始數據，在業務發生時同步完成會計自動化核算，這就需要針對具體業務節點，對業務流程中各個環節產生的表單及附件進行詳細梳理，包括表單來源（編制節點、編制時點、歸口部門、使用部門等）、表單格式（編碼、名稱、樣式等）、表單數據（數據屬性、數據單位、數據關聯映射），以及表單對應的附件（附件編碼、名稱、內容、樣式和排序等）。表單作為數據采集的主要載體，其承載的信息應盡量全面，數據顆粒度應盡可能小，并盡量采集數據產生的源頭表單，避免數據在層層加工后失真。

三是建立標準化的財務數據，明確數據屬性，明確數據、指標之間映射關系。數據標準化的根本目的是實現數據同源、數據協同、數據共享。數據標準梳理的思路是從最底層業務流程節點的表單及內部管理報表中抽取數據指標，并對數據指標的編碼、名稱、含義、來源、關聯映射等關鍵屬性進行規范，提高企業會計政策、會計科目、核算口徑、報告模板的標準化、規范化，使會計信息的外部合規性、內部可比性、核算及時性都顯著提高，數據顆粒度也更細。

1.2 財務管理體系向“三分財務”轉型

隨著智能財務系統的建設，原有的財務組織架構、人員知識結構已很難與之適配，全省數智財務管理共享中心建設應改變以往傳統的財務管理模式，將財務工作重心從核算型轉向支撐公司戰略、協同業務發展方面，形成“三分財務”管理新體系，具體內容如下：

（1）共享財務。共享財務的職責包括數據的“收集-加工-整理-按要求輸出”、信息優化建議、大數據挖掘，以大數據為基礎的風險識別與評估、服務共享等。通過在設立財務共享中心，使各分支機構可以共享財務服務，旨在提高財務處理效率和質量的同時降低公司運營成本。

（2）業務財務。業務財務是連接財務部門與業務部門的紐帶，既要懂財務，又要懂業務。其主要職責是與公司的業務部門進行緊密合作，協助業務部門進行預算編制、成本核算、資產管理、稅務管理等日常工作，提供財務支持和服務。同時，業務財務向業務部門提供財務咨詢和建議，幫助業務部門做出更好的決策。

（3）戰略財務。戰略財務的職責是根據公司管理目標，制定財務發展戰略、進行資源優化配置、提供戰略決策支持等附加值較高的財務活動，并對業務監督評價。其主要關注公司的長期財務戰略和規劃，評估公司的財務風險和機會，并提出相應建議。此外，戰略財務需要對外部環境進行監控，包括對市場趨勢、競爭狀況、法規變化等進行研究和預測，為公司提供戰略建議和支持。

具體來講，根據數智財務“三分財務”理念，結合行業“1575現代財務管理”建設提出的六大體系，要形成以“戰略財務—業務財務—共享財務”為橫向，“敏捷智能的核算報告—安全穩健的資金管理—權責清晰的資產管理—全面集約的預算管理—精益協同的成本費用—依法合規的稅務管理”為縱向的“三橫六縱”財務管理職責。這一架構充分凸顯戰略財務“戰略規劃、決策支持、建章立制”的職能，業務財務“服務業務、過程管控、財務監督”的職能，共享財務“收支結算、會計核算、報表編制”的職能。具體見圖1。

“三分財務”管理體系下，將減少基層核算人員，與此同時，具有財務專業知識并熟練使用信息化工具的數據分析人員，或具備企業相關業務知識和良好溝通協調能力的財務BP（Business Partner，業務合作伙伴）的需求將增加。

1.3 決策支持向數據和模型驅動轉型

隨著企業管理對風險管控、決策支持方面的內部需求的增長，財務要做好業務的伙伴和領導的參謀，為行業持續健康發展提供更強有力的財務支撐，決策支持的重要性日益凸顯。依據《世界一流財務管理體系建設與評價課題研究報告》^[1]的理論指導，決策支持一是財務為業務管理提供信息服務，二是財務為決策提供信息支持與備選方案。二者大都圍繞資金管理、應收賬款管理、存貨管理、成本控制、長期資產投資、資產管理、股權管理等內容，通過企業業務的計劃、決策、執行、控制、評價和反饋等管理環節，貫穿企業管理的全方位、全過程工作^[2]。智能財務服務業務、提供決策支持的能力，在很大程度上取決于所掌握信息的全面性及對信息系統洞察的深入程度。

財務作為企業的數據中心，掌握著集團內部各企業、各業務板塊過往和當下最詳細的數據，又連接著供應商、客戶、投資者、資本市場及監管機構，具備有利的感知條件，同時又擁有一整套成熟、完善、科學的分析方法。因此，通過智能財務建設，財務部門可以準確、及時地提供數據信息，讓管理層能夠在第一時間了解公司運營狀況；與此同時，財務部門可以通過具有前瞻性和洞察力的數據分析，發揮財務立場中立、價值視角、數據集成的天然優勢，堅持問題導向，準確把握生產經營動態和行業趨勢，及時發現經營短板，促進經營策略優化，為決策提供合理化、可行性建議。

傳統財務信息化受限于數據采集的難度、數據分析的效率等，存在數據獲取不及時、質量不達標的情況，導致業務人員仍然基于經驗或質量不佳的數據作出判斷。智能財務的決策支持是要構建因果關系的數據結構，對生產、經營和投資活動實施主體化、全景化、全程化、實時化反映，實現業、財、技一體化管控和協同優化，推進經營決策由經驗主導向數據和模型驅動轉變。

構建數據模型需要具備3個要素：數據、算法、算力。數據是要利用物聯網、業財一體化自動采集業務流程中產生的原始數據，提高數據的實時性與全面性。算法是以大量數據為訓練基礎，通過在數據間發現或建立聯系，來獲得能夠做出決策的支撐。財務人員要學習和利用數據挖掘、機器學習等新興技術，設計并不斷優化算法模型，從簡單的數據趨勢分析到建立回歸分析模型判斷變量關系，最終通過深度學習建立復雜的機器學習模型實現預測。要運用“企業云”“財務云”等技術整合更多算力來處理數量更大、結構更復雜的多元化業財數據。

2 九大模塊的五維需求分析

2.1 財務數智平臺整體架構

數智財務平臺建設要以“全面共享、高效融合、深度協同、精細管理、智慧賦能”為建設理念^[3]，依托“大智移云物區”等新興的技術，在全國煙草生產經營管理一體化平臺“1242”總體架構下，以福建煙草云平臺、雙中臺為底座，在行業標準版的基礎上，結合福建煙草實際，構建數智會計（報賬管理、核算管理、報表管理、檔案管理）、數智管理（預算管理、資金管理、資產管理、稅收管理）、數智決策三大類九大模塊的總體架構，見圖2。

2.2 運用五維分析法分析九大模塊需求

福建煙草在構建上述模塊的過程中，分別從行業需求、戰略需求、管理需求、用戶需求和技術需求5個維度，系統梳理不同使用者的細化需求，從而細化九大模塊功能。五維分析法的維度和分析內容具體見表1，九大模塊的需求分析見表2～10。

3 財務數智化平臺實施路徑

3.1 頂層設計

財務數智化平臺建設需要穩定擴展和平滑演進，頻繁的顛覆重構不僅會造成重復投資建設，更會帶來業務經營與企業運營方面的額外風險。謀定而后動方能篤行致遠，在探索人工智能技術在財務領域的應用方面，應該始終堅持頂層設計，在部署人工智能前需要完成數據治理工作，保證輸入數據的規范性，否則不僅難以實現預期回報，還可能帶來預測錯誤的風險。財務部門應首先在IT部門支持下將財務數據、業務數據進行匯聚和清理，為人工智能應用奠定數據基礎，然后再發掘財務會計和管理會計具體領域的應用需求；并嘗試從局部開始部署人工智能，在成功應用以后將在更大范圍內推廣；同時，人工智能的部署應以價值創造為核心，以投資回報率為標尺，并更多地參考已經成功應用的案例^[4]。

鑒于數據積累、技術發展和管理變革的漸進性，福建煙草從企業數字化水平提高帶來的業務洞察力提升（X軸），以及自動化、智能化程度逐步提升帶來的財務效率和效益增長（Y軸）兩個維度，來反映數智財務建設的成熟度。這一建設過程分3個階段逐步推進和持續優化迭代，見圖3。

3.2 階段一，智能財務共享

這一階段的目標是推進業財稅金資檔一體化，實現數據實時、多維、精準、合規。

這一階段的建設思路，重點是在財務工作流程（報銷、核算、稅務、資金、資產、電子檔案）中，通過不斷增加自動化智能化應用點，提升財務工作質量與效率；同時，隨著企業業務信息化覆蓋程度不斷提高，財務系統要不斷拓展數據采集廣度、細化數據采集顆粒度、降低數據清洗難度，從而提高財務數據質量，為更深入的數字化應用提供數據基礎。

3.2.1 技術應用

（1）自動化技術。該技術在第一階段的應用以API（Application Programming Interface，應用程序接口）和RPA（Robotic Process Automation，機器人流程自動化）為代表，能夠基于明確規則，高效、精準地實現信息自動采集，自動完成相關操作。例如在卷煙收入核算中，API可以自動從業務系統和銀行系統獲取卷煙銷售訂單和銀行回單，RPA可以自動將訂單與銀行流水對賬，自動核算卷煙收入和成本，自動歸檔。

（2）智能化技術。該技術在第一階段的應用主要是模式識別類技術，例如在費用報銷時，用NLP（Natural Language Processing，自然語言處理）實現用語音調出普通報銷單，用OCR（Optica Character Recognition，光學字符識別）實現發票信息的智能采集，用ASR（Automatic Speech Recognition，智能語音識別）實現語音輸入報銷信息，用規則引擎對該項報銷業務進行智能審核。

3.2.2 數據采集與清洗

（1）數據采集。財務對數據的需求從過去的關注交易結果轉變為關注業務過程，從事后記錄轉變為實時感知，從企業自身數據轉變為外部環境數據。因此，財務人員要從企業經營管理的需求出發，不斷拓展數據的采集觸點；通過系統集成、智能感知設備、智能識別技術等多種手段相結合，實時采取業務流程中的原始數據；通過對接銀行系統、商旅平臺、企業征信系統、中國氣象局等，獲取企業外部環境數據。

（2）數據清洗。數據清洗可以分為3個步驟：首先，數據轉換。通過數據轉換規則，將冗雜的數據轉換為標準化數據。例如：設備耗電量與供電局電費賬單的耗電量不同，需要按抄表時間進行匯總，還要考慮合理線損，經過規則轉換后可與電費賬單交叉比對。其次，數據稽核。采集的數據有時存在數據重復、缺失、錯誤等質量問題，需要設置數據稽核規則進行數據質量的檢查。例如：從倉儲系統采集的出庫單有單據重復或者缺失，需要設定稽核規則將出庫單與當期出入庫匯總表的出庫額核對，倉儲系統存貨余額與財務系統存貨余額核對，設置此類交叉稽核規則，可以自動發現采集的數據是否有誤。最后，數據修正。可以采用人工或自動修正的方式對錯誤數據進行修正，對頻繁出現的錯誤要查找原因，從數據錄入規范和數據采集程序上做修正。數據清理的效率取決于數據質量，而數據質量依賴企業整體的數據標準體系，所以，財務人員必須重視并實際參與各業務系統的數據標準體系建設，才能更有效避免數據質量問題，提高數據清洗效率。

3.3 階段二，智能管理會計

這一階段的目標是推進數據圖表化、管理可視化，實現業財界面的進一步友好。

這一階段的建設思路，重點是充分激發管理會計與業財專員的能動性和創造力。基于第一階段聚集的企業數據，通過人機協同的方式，不斷挖掘數據規律，靈活搭建分析圖表報告，并實時可視化的展現，為企業管理者提供決策支持。同時，逐步把人類專家的知識轉化為智能化的專家系統，為第三階段做準備。

（1）商業智能（Business Intelligence，BI），在第二階段的應用主要是從企業級數據倉庫得到企業數據視圖，在此基礎上，再利用統計分析工具、數據挖掘（Data Mining）、聯機分析處理（On-Line Analysis Processing，OLAP）等BI工具對數據進行分析和處理，發現數據本身的規律、趨勢以及多維數據間的聯系，最終將數據科學高效地轉換為可視化的輔助決策的信息。

（2）數據探索。這是數據驅動管理的初步分析環節。依賴財務人員的統計學知識，利用BI工具以人機協同的方式，將龐雜的數據進行整理歸納，探索數據內在結構和總體規律，對數據的主要特征、關聯性和分布規律進行概括，并為后續數據模型的構建提供輸入依據。業財專員可以利用數據探索的成果，發現企業存在的問題，挖掘深層次的業務規律，采取相應的策略，例如，可利用數據挖掘技術對數據庫中的大量客戶信息進行分析和處理.然后根據客戶的信用度、貢獻度、消費偏好、購買頻率、消費水平等因素把大量的客戶進行分類，使得同一細分市場里的客戶具有相似的偏好和需求，然后有針對性地提供符合客戶個性化需求的產品和服務，提升客戶的滿意度，最大限度地挖掘客戶對企業的價值，達到創收的目的。

（3）數據模型。這是數據驅動管理的核心，通常與數據探索結合共同發揮著將數據轉化為信息的關鍵作用。數據模型是面向決策需求，將數據探索的成果，用BI工具制作成一系列有助于解決問題和實現目標的算法模型，為企業經營管理和戰略決策賦能。數據模型的案例有著名的購物籃模型，沃爾瑪分析銷售數據時發現了“啤酒”與“尿布濕”經常出現在同一個購物籃中，經過后續調查，他們發現買尿不濕的人群以父親居多，他們往往會順便為自己購買啤酒，于是超市開始將啤酒與尿不濕擺放在相同的區域，大大提高了啤酒的銷售量，這一探索發現激發了后續一系列關于顧客行為的分析熱潮，最后演化為包含支持度、置信度、提升度的多維購物籃分析模型。在財務管理領域，數據模型的典型應用場景有，用回歸算法構建應收款違約概率模型，用關聯規則算法和時間序列算法構建銷售量預測模型和現金流量預測模型等等。

（4）數據可視化。這是數據驅動管理的最終展示環節。智能財務平臺要具備僅需進行簡單的“拖拉拽”操作即可生成數據可視化圖表的數據可視化工具，財務人員可利用數據可視化工具將數據轉化為圖像、視頻或動畫，以此動態高效地呈現數據信息。

3.4 階段三，智能財務

這一階段的目標是推進智能預測、智能決策，實現數智賦能的風險管控與價值創造。

這階段的建設思路，重點在于將人工智能（AI）進一步運用到財務的工作流程中，基于第一、第二階段的大數據積累和數據規律，對人工智能進行大量的訓練學習，讓擁有強大的深度學習能力、計算能力和反應能力的人工智能技術，可以代替人類一樣進行自主的信息搜集、整理、分析，并提供經營決策方案供人類選擇。同時，隨著智能感知技術的發展，可以更高效便捷地對企業運行的業財數據和外部數據進行采集、監控，實現對物理世界的精準刻畫，構建出一個與物理世界孿生共榮的數字世界。在數字世界中，企業可以通過人工智能以極快速度進行持續的分析、預測、仿真、調優，提供最優決策方案徹底釋放企業在物理世界中的潛能，在這個階段，企業的數字化和智能化程度將呈現相輔相成、螺旋上升的趨勢。

目前，一些科技前沿企業嘗試在會計核算、費用報銷、財務報告、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、管理會計報告、資金管理、司庫管理、稅務管理等財務領域引入人工智能技術，例如，將人工智能（AI）與RPA集成的IPA技術可以提供更復雜的流程自動化解決方案。將人工智能與專家系統集成的虛擬個人助手可以隨時提供財務咨詢服務。將人工智能與BI工具集成可以快速地將數據轉化為可視化圖表。將人工智能與風險指標庫集成可以提供智能風險提示和解決方案等等。且在構建財務模型方面，有許多重要的機器學習算法和框架均已開源，如TensorFlow和Pytorch，這使得算法可用性已經不再是主要限制。

4 稅利預測場景應用

數智財務管理體系的建設是一個不斷迭代、持續完善的過程，在這一過程中，不斷豐富應用場景是非常重要的迭代方法。福建煙草的數智財務體系目前已在核算、預算、分析等不同領域有眾多應用場景，接下來以“融合運籌優化和機器學習的智能決策——稅利預測”這一智能決策場景為例加以說明。

福建煙草的稅利受卷煙銷售收入和煙葉銷售收入兩大因素影響，而這兩大因素均受季節影響出現大幅波動且受計劃調控，其序列更多呈現非平穩特性，故采用自回歸移動平均模型（ARMA模型）方式設計稅利預測模型。

4.1 稅利預測模型

4.1.1 自回歸模型（AR模型）

AR模型為

xt=φ1xt-1+φ2xt-2+…+φpxt-p+εt

式中，xt為當前稅利；xt-1、xt-2、…、xt-p為歷史稅利；φn為歷史稅利xn對應的權重參數；εt為擾動值。

4.1.2 移動平均模型（MA模型）

MA模型為

xt=μ+θ1εt-1+θ2εt-2+…+θqεt-q

式中，μ為歷史稅利均值；εn為歷史稅利xn的擾動值；θn為εn對應的權重參數。

4.1.3 稅利預測-ARMA模型

將AR模型和MA模型組合形成ARMA模型為

Xt=φ1xt-1+φ2xt-2+…+φpxt-p+θ1εt-1+θ2εt-2+…+θqεt-q

運用機器學習程序，利用大量歷史稅利值對該模型進行訓練和模擬，測算并不斷優化稅利預測模型。

4.2 智能決策的優勢分析

傳統稅利預測模型是基于運籌學，通過對現實問題進行準確描述，并設置相關變量來構建預測模型，如以卷煙銷售量和銷售結構為變量，設置收入單價和成本定額來預測卷煙銷售相關利潤和應交稅額。同時結合運籌優化算法，在多重約束條件下求目標函數最優解，如反向測算最優卷煙銷售量和銷售結構，這種預測模型的優點一是對數據量的依賴性弱；二是針對確定性條件的問題求解準確性高。但隨著外部環境復雜程度和變化速度不斷加劇，其局限性也日益凸顯，如僅反饋已知影響因素的影響，對不確定性影響因素無法感知，并且測算過程復雜，響應不夠迅速。

機器學習是基于數據驅動模型，通過從數據中學習規律和知識形成數據模型，實現對未知數據的預測或分類模擬出近似解區域，可大幅提升求解效率。機器學習的優勢在于，一是通過比對稅利變化趨勢與企業內外各類數據趨勢的關系，感知原本未知的稅利影響因素，可對不確定性高的問題進行分析和預測；二是在線響應速度快。但其劣勢也比較明顯，如需要大量數據樣本訓練學習，并且其結果是源于數據的規律，而忽視對問題本身的邏輯描述，結果有時會不可解釋或失真。

智能決策將運籌優化和機器學習深度結合在一起，有效彌補了彼此應用的短板，更好地服務于智能決策速度和質量的提升^[5]。一是在邏輯側，根據實際問題中的決策標的、約束條件、偏好以及目標對問題進行理解及分析，將實際問題抽象轉化為數學模型，再對數學模型進行求解。財務管理學中的量本利分析、最優存貨量分析、邊際分析等也屬于運籌優化。二是在數據側，通過機器學習對海量數據進行分析和挖掘，提取出有用的特征和信息，構建數據模型，并利用數據模型對未來狀態進行預測或估計。三是根據求解結果，給出最優或近似最優的決策方案，并根據反饋信息與預測值的差異，不斷更新數學模型和數據模型，實現決策模型的動態調整和優化。四是為企業輸出更實時、更精準的決策方案，實現資源配置的高效化和資源利用的最大化。

5 結語

數智財務系統的建設是一個明確目標、規劃流程、細化需求、豐富場景，并不斷優化迭代的過程。福建煙草的數智財務建設，也將按照這一思路持續完善。

建設數智財務平臺在提高財務運作效率、推動業財融合、延伸財務管控觸角、提升財務價值創造能力等方面發揮著至關重要的保障作用。其意義一方面在于運用自動化、智能化的手段，將那些簡單重復且易于標準化、流水線作業的核算、費控、報銷等業務歸集處理，從而讓財務人員從這類低附加值的業務中解放出來；另一方面在于在社會發展和技術進步的推動下，經濟波動周期越來越短，需要有更為敏捷智能的系統進行信息和數據的實時共享和高質量應用，數智財務中心作為天然的信息中心和數據中心，匯集著集團內部各企業、各業務板塊的最為詳細的過往和當下的價值鏈數據，又連接著供應商、客戶、投資者、資本市場，具備有利的感知條件。同時，財務管理擁有一整套科學的分析方法嵌入平臺建設，可以通過對信息的收集、分析、預警和預測，為企業經營管理賦能。

參考文獻

[1]世界一流財務管理體系建設與評價課題組.世界一流財務管理體系建設與評價課題研究報告[M].北京：機械工業出版社，2023.

[2]數智財務國網方案編寫組.數智財務國網方案[M].北京：經濟科學出版社，2022.

[3]劉梅玲，黃虎，佟成生，等.智能財務的基本框架與建設思路研究[J].會計研究，2020（3）：179-192.

[4]智能財務研究院.人工智能技術財務應用藍皮書[R].2022.

[5]韓向東.智能財務“未來”已來[J].新理財，2017（12）：" 52.

作者簡介：

黃姍，女，1986年生，本科，會計師，主要研究方向：財務數字化管理。

程開榆，男，1979年生，本科，高級會計師，主要研究方向：企業數字化管理。

李承為，男，1981年生，碩士研究生，審計師，主要研究方向：財務審計數字化轉型升級、內部控制與風險管理。

童麗麗，女，1974年生，博士研究生，副教授，主要研究方向：企業會計準則、企業財務數智化轉型。