AI在智能财务稽核中的应用研究

一、引言

伴随“大智移云物区”等新热点的产生，企业的财务数字化转型正在快速推进。财务稽核为保证财务数据质量、防范财务风险发挥着巨大的作用，在此过程中必然会迎来前所未有的机遇和挑战。传统的财务稽核主要依靠人工核实票据信息，不能满足目前企业的财务管理需要，效率比较低下，且带有很强的主观性。

AI 的发展为财务稽核模式创新提供技术支持，相对于 OCR 和规则引擎等传统技术方式，有如下优点：一是可以实现自动匹配不同业务类型对应审核规则，针对最新政策调整做出快速响应；二是能够处理非结构化的数据，可以从大量的无序信息中进行判别，实现电子发票、扫描件及手写单据等各种形式的财务凭证的判别；三是应用语义理解的方法判定报销事由是否合理，对历史数据进行分析发现存在的问题和存在的潜在风险。

本文是以专卖管理经费为研究对象，采用人工智能动态阈值优化技术，将轻流低代码、RPA、DeepSeek 等技术作为支撑工具，对举报费用、人员费用稽核开展智能化建设，并提供了一种新的全面财务费用智能稽核的实现方案。

二、文献综述与理论框架

（一）文献综述

我国关于智能财务及人工智能应用的相关文献总结如下： ① 张继德等（2020）从方法论角度出发探讨了智能财务的基本框架、基本模式及实现路径； ② 刘梅玲等（2021）使用深度学习进行基于个体用户的不同场景下的金融欺诈检测，并获得比较好的结果； ③ 王立彦等（2022）将自然语言处理技术应用于财务报告文本的数据分析中，探讨了如何利用该技术抽取重要信息并发现潜在风险等问题。

然而，目前有关企业、管理领域的财务相关文献多为企业的财务层面，对于专业化领域的专项经费管理涉及较少。由于存在特殊性及在应用场景上的复杂性，其适用的人工智能技术也有待于详细论证，在这一领域尚无相关的实证研究，这也成为文章开展的突破口。文章希望借助更为严谨的实证分析的方法检验人工智能技术运用于专卖经费稽核的实践意义。

（二）理论框架

基于财务稽核的业务特点和技术需求，本文构建了包含三个维度的理论框架：

1. 技术效能维度：通过强化学习实现动态阈值优化，提升系统决策精度；

2. 语义理解维度：利用领域预训练模型增强对专业术语和语义逻辑的理解能力；

3. 数据融合维度：采用多模态融合技术解决信息割裂问题，提升综合判断能力。

三、研究设计

（一）数据来源与处理

本研究采用多渠道数据收集方式，确保数据的全面性和代表性：

1. 规则引擎基准数据：根据行业专卖经费使用规则，制定包含通用规则、专项规则的多层次规则体系；

2. 仿真模拟数据：采用基于真实业务逻辑的仿真数据生成方法，构建包含2000 条财务报销申请记录的数据集；

3. 实地调研数据：根据实地调研收集近 3 年专卖经费报销的数据形成标注数据集。

利用 RPA 工具，将数据预处理阶段从专卖一体化平台自动抓取的数据，经过数据清洗、数据整合与脱敏处理后得到，确保数据质量的同时保护信息安全。

（二）模型构建

本研究构建的智能稽核模型包含以下核心模块：

1. 动态阈值优化模块：采用强化学习算法，通过分析历史审批结果，动态调整阈值置信度；

2. 语义理解模块：基于 BERT 架构进行领域预训练，增强模型对专业术语的理解能力；

3. 多模态融合模块：采用注意力机制实现图像、文本和结构化数据的深度融合。

（三）评估指标

为全面评估模型性能，本研究采用以下评估指标：

1. 补正率：系统要求补正的申请占总申请的比例；

2. 误判率：系统错误判断的申请占总申请的比例；

3. 准确率：系统正确判断的申请占总申请的比例；

4. 迭代收敛次数：模型达到稳定状态所需的训练轮数。

四、实证分析

（一）描述性统计

本研究共收集 2000 条财务报销申请记录，其中阈值边缘案例500 条，语义复杂案例 600 条，多模态数据案例 900 条。数据分布情况如表1 所示：

表1 样本数据分布情况

（二）模型性能分析

通过系统测试，本研究构建的智能稽核模型表现出优异的性能：

1. 动态阈值优化效果：系统补正率降至 8.5% ，准确率波动控制在 1.8% 以内，迭代收敛次数为47 轮；

2. 语义理解效果：基于预训练的语义理解模型将误判率降至9.2% ；

3. 多模态融合效果：综合准确率达到 96.7% ，显著高于单模态方法。

（三）对比分析

与传统稽核方法相比，智能稽核模型在以下方面表现出明显优势：

1. 效率提升：处理速度提高3 倍以上；

2. 准确性提高：错误率降低 40% 以上；

3. 适应性增强：能够快速适应政策变化和业务调整。

五、结论与建议

（一）研究结论

本研究通过构建AI 专卖经费智能稽核模型，得出以下结论：

1. 能够显著提升财务稽核的效率和准确性，降低人工成本，优化业务流程；

2. 强化学习动态阈值优化方法有效解决了传统规则引擎的僵化问题，使系统能够更好地处理边际案例；

3. 领域预训练语义理解模型显著提升了对专业术语和复杂语义的识别能力；

4. 多模态数据融合技术解决了信息割裂问题，提高了综合判断准确性。

（二）理论贡献

本研究的理论贡献主要体现在以下方面：

1. 丰富了智能财务理论体系，为人工智能在财务领域的应用提供了新的理论支撑；

2. 提出了适用于财务稽核的动态阈值优化方法，拓展了强化学习在财务领域的应用场景；

3. 构建了多模态数据融合框架，为解决财务稽核中的信息割裂问题提供了新的思路。

（三）实践启示

基于研究发现，本文提出以下实践建议：

1. 企业应积极推进人工智能技术与财务流程的深度融合，尤其是在规则复杂、数据多元的业务场景中；

2. 注重历史数据的积累与标注，为模型训练提供高质量样本，不断提升模型性能；

3. 加强跨部门协作，推动业务数据与财务数据的深度融合，构建

一体化数据管理平台；

4. 重视人才培养，既需要熟悉财务业务的专业人员，也需要掌握人工智能技术的技术人才。

（四）研究局限与未来展望

本研究仍存在一些局限性：第一，研究的数据主要是来自专卖经费的数据来源，模型的推广作用有待检验；其次，本次的研究时间较短，并没有达到较长时间的效果跟踪。

对后续研究来说：首先可以进一步扩大样本范围，在更多样化的领域进行模型应用测试，找出适合本文所用财务模型应用场景之外的特定应用场景；其次，在研究中可以通过人工智能与区块链、大数据技术的结合来探索安全有效的智能财务解决方案；最后是对智能稽核系统应用效果和影响做持续性跟踪研究，分析其长期效果。

参考文献：

[1] 张继德，刘沫，陈丽然 . 智能财务研究：框架与展望 [J]. 会计研究，2020（10）： 3-11.

[2] 刘梅玲，黄昳懿，李颖. 基于深度学习的财务欺诈识别模型研究 [J]. 审计研究，2021（3）： 112-122.

[3] 王立彦，徐守恩. 自然语言处理在财务文本分析中的应用与挑战 [J]. 管理世界，2022， 38（5）： 145-160.

[4] 覃冠华，陈虎，李斐然. 基于RPA 的财务机器人应用研究[J].财务与会计，2019（16）： 67-70.

作者简介：汪文洁（1989—），女，汉族，湖北黄冈市人，管理学、经济学学士，单位：湖北省烟草公司黄冈市公司，研究方向：数字化形势下财务稽核创新研究