生成式人工智能对财务报告对比分析

一、引言

当前，以豆包、Kimi 和 DeepSeek 为代表的生成式人工智能大模型技术蓬勃发展，在全球范围内吸引了各界的高度关注。这些生成式人工智能大模型凭借其强大的自然语言处理能力，不仅能够高效地完成诸如问题解答、代码生成等复杂任务，还在解放生产力方面展现出了巨大的潜在价值。然而，值得注意的是，尽管这些生成式大模型功能强大且应用广泛，但作为通用型大模型，它们在处理专业性较强的问题时，仍存在一定的局限性，不能精准、深入解决专业问题的水平 [1]。

所以，本文以宜宾五粮液股份有限公司2022 年财务报告为例，根据图 1 流程，通过提问，例如：这是宜宾五粮液股份有限公司2022 年度财务报告。假设你是投资者，需要对该集团 2022 年财务报告和经营成果进行分析，请从专业角度分析。最后通过关键财务指标，进行财务趋势智能预测分析[2]。

二、基于杜邦分析法的盈利能力分析

1 杜邦分析法概述

杜邦分析法是一种财务综合分析的方法，利用几种主要的财务比率之间的关系来综合分析企业的财务状况。

杜邦分析法的核心公式是：净资产收益率（ROE） Σ=Σ 净利润率× 总资产周转率 × 权益乘数。这三个指标分别衡量了公司的盈利能力，营运能力和财务杠杆。

其中：

（1）净利润率 Σ=Σ 净利润 ÷ 营业收入

净利润率作为衡量企业盈利能力的关键指标，该指标通过净利润与营业收入的比例关系，反映出企业在扣除所有成本与费用后，每单位营业收入所转化为净利润的能力。净利润率越高，表明企业在成本控制、定价策略及运营管理等方面表现能力越强，能够以更高效率将经营收入转化为实际盈利，净利润率在评估企业经营质量、进行同业对标及预测未来盈利趋势等方面发挥着不可或缺的作用。当净利润率上升时，表明企业盈利能力也在提高。

（2）资产周转率 Σ=Σ 营业收入 ÷ 平均总资产

资产周转率是衡量企业资产使用效率的核心指标，反映企业在一定时期内通过销售活动将总资产转化为收入的能力，直观体现企业资产配置的合理性与运营管理水平。资产周转率越高，表明企业单位资产创造营业收入的能力越强，资产周转速度越快，资源利用效率与经营活力越高；反之，则意味着企业存在资产闲置、运营效率不足等问题，需要进一步优化资产结构与运营流程，以提升资产使用效能，增强企业核心竞争力。

（3）权益乘数 Σ=Σ 平均总资产 ÷ 平均股东权益

权益乘数通过量化总资产与股东权益之间的倍数关系，直观反映企业负债经营的程度。权益乘数数值的大小直接关联企业的债务融资策略，权益乘数较高会为企业带来通过债务资金撬动更高收益的可能性，在经营效益良好、投资回报率高于债务成本的情况下，能够放大股东收益，但也同步加剧了企业的财务风险。若市场环境恶化或经营不善导致企业盈利能力下降，债务规模过高将显著增加利息偿还压力，甚至可能引发流动性危机与财务困境。因此，权益乘数不仅是评估企业资本结构合理性的重要依据，更是预警潜在财务风险、衡量企业财务稳健性的核心参考指标。

图1 杜邦分析示意

2 数据读取存在问题

在财务报告数据处理环节中，豆包能够高效且精准地从财报文本中自动提取关键数据，并基于这些数据开展相应的计算分析工作。与之相比，DeepSeek 和 Kimi 在数据获取环节缺乏类似的自主提取能力，在进行财报数据相关计算时，必须依赖人为预先提供和整理好的数据，方可开展后续操作。

3 问答结果及对比分析

通过问答，三款生成式人工智能计算结果基本一致，计算结果为如下：

净资产收益率（ROE）达到 25.06% ，表明企业利用股东权益获取收益的能力较强，在同行业中具备一定竞争优势。净利润率约为36.08% ，反映出企业每单位销售收入所实现的净利润水平较高，侧面体现出其良好的成本控制能力与产品盈利能力。总资产周转率约为 0.51，意味着企业总资产在一定周期内的周转次数相对适中，资产运营效率处于稳定状态。权益乘数为 1.34，显示企业的负债程度相对较低，财务风险处于可控范围，资本结构具备一定稳健性。

然而，在对权益乘数的结果分析过程中，出现了明显的差异。豆包与DeepSeek 均判定该企业的权益乘数处于较低水平，与之形成鲜明对比的是，Kimi 却得出了权益乘数很高的结论。鉴于这一显著分歧，本人向Kimi 提出了针对性的疑问，并明确要求其阐述判断的依据与逻辑。但遗憾的是，Kimi 的回应未能满足预期，仅仅是对先前结论的简单重复，既未提供任何有力的逻辑支撑，也未展现出基于数据和理论的深入思考与分析，难以令人信服。人工智能的分析过程往往是一个“黑盒子”，难以清晰解释其决策依据和推理过程，这给财务人员和企业管理者对分析结果的理解和信任带来一定困难[3]。

三、结论

通过提供数据，在计算方面：豆包，Kimi，DeepSeek 差距不大。它们在某些简单计算中可能表现良好。因此，以生成式人工智能辅助进行财务分析能够有效规避传统人工计算中可能出现的因疲劳、疏忽导致的误差，大幅减少简单重复计算所造成的人力损耗，从而提高工作效率。但是，在面对复杂财务任务时，它们的局限性也暴露无遗。相关结果对比分析见表 1。

表1 AI 产品生成结果对比和应用分析

豆包专注于文本生成与内容创作，在财务数据提取和统计分析这类复杂问题上，可能出现中间步骤错误或逻辑跳跃。因其逻辑推理能力较弱，处理复杂任务时依赖模板化输入，这在需要深度逻辑分析的财务场景中存在一定的应用阻碍。

DeepSeek 虽擅长数学、代码和复杂逻辑分析，但在财务报告数据处理环节缺乏自主提取数据的能力，需依赖人为预先整理的数据开展计算分析。尽管其知识截止于 2023 年 12 月，在分析 2022 年财报时尚无明显影响，但在处理时效性要求高的财务信息时存在局限。不过，其无需复杂提示词即可生成高质量回答以及支持联网搜索与多模型组合的优势，若能优化数据获取能力，未来在财务分析领域有望发挥更大作用。

Kimi 作为生活助理与智能聊天工具，在权益乘数结果分析中出现与其他模型相悖的结论，且无法提供有力的逻辑支撑。这凸显了其在专业领域深度不足的问题，难以生成结构化技术文档，在财务分析专业性方面存在较大提升空间，尽管其实时信息检索能力强，支持超长上下文处理，但对深入的财务分析工作帮助有限。

当前，生成式人工智能对财务数据的分析多浮于表面，虽然能进行数据分析，但缺乏对企业业务的真正理解和行业经验，难以像人类财务专家那样深入解读数据背后的业务含义和潜在风险，无法深入探究数据背后的深层含义，对财务数据之间复杂的勾稽关系[4]也缺乏清晰的梳理。模型训练数据中若存在错误案例，AI 可能“学习”并重复错误。在高风险场景应用如：财务核算、工程计算、学术论文数据，需人工复核。

六：生成式人工智能发展方向预测

提高专业化程度。当下，生成式人工智能大模型多为通用型，虽覆盖领域广泛，但在专业化深度上存在明显短板，难以有效应对各类专业场景的复杂需求。以翻译领域为例，人类情感在语言表达和理解中占据着关键地位。日常交流场景下，机器翻译虽能满足基础沟通需求，可一旦涉及不同文化背景下人类独有的细腻情感，“机翻”便显得力不从心。尤其是在处理像文言文翻译这类复杂任务时，“机翻”常常出现词不达意、主语错乱、表达缺失等诸多问题。中科院院士、人工智能研究专家谭铁牛曾精准总结这一现象，指出当前机器人在对人类情感的理解与交流方面尚处于起步阶段，存在“有智商没情商”的状况[5]。

增加高质量数据供给。随着机器学习和深度学习等技术的应用，数据作为训练材料在生成式人工智能创新过程中不可避免的被应用、输出，使得数据盗用、滥用等现象频发 [6]。目前，我国生成式人工智能产业正处于蓬勃发展的关键阶段，训练数据质量过低的问题不容忽视。不完整、不准确 [7] 的数据不仅无法为模型提供有效的学习信息，反而可能误导模型的训练方向，AI 可能“学习”并使用低质量信息，使模型生成的结果与实际需求相差甚远，降低了生成式人工智能的可靠性和实用性，更可能导致生成式人工智能的“幻觉”，即“一本正经的胡说八道”[7]。

为有效解决这些问题，通过调整法律制度是关键的一环。通过完善相关版权法律，在保护创作者权益的前提下，合理地将高质量作品纳入训练数据范畴，能够显著提升训练数据的质量和丰富度。有效打破数据孤岛，增加优质数据供给[8][9]。

未来，随着专业化程度的提高以及高质量数据供给的增加和持续优化发展下，可以预见，生成式人工智能将成为财务分析中不可或缺的有力工具，不仅大幅提升分析效率和精准度，还将为财务决策提供更具深度和前瞻性的见解，助力企业在复杂多变的市场环境中稳健前行、把握先机，开创财务分析的全新局面。

参考文献：

[1] 曹培杰 , 谢阳斌 , 武卉紫 , 等 . 教育大模型的发展现状、创新架构及应用展望 [J]. 现代教育技术 ,2024,34(02):5-12.

[2] 曾德山 . 人工智能在财务分析中的潜力与应用 [J]. 销售与管理 ,2024,(25):12-14.

[3] 纪元 . 基于杜邦分析法的五粮液盈利能力分析 [J]. 老字号品牌营销 ,2024,(24):195-197.

[4] 林勇峰 , 王俊 , 刘畅 . 完善财务报表勾稽关系的信息披露推进科创板一致性审核 [J]. 金融会计 ,2020,(08):41-46.

[5] 易超 .AI 背景下韩语翻译人才培养所面临的问题与对策初探——以广东外语外贸大学朝鲜语 MTI 为例 [J]. 韩国语教学与研究 ,2019,(03):118-124.

[6] 陈光环 . 生成式人工智能辅助教学的应用研究— —以设计试题为例 [J]. 中国现代教育装备 ,2024,(17):34-37.

[7] 张玉国 , 李妍 . 生成式 AI 在专业出版领域的应用及未来思考 [J]. 出版参考 ,2024,(09):34-39.

[8] 薛龙玉 . 打破数据孤岛，数字化赋能绿色转型—— 访OrbitMI 首席执行官 Ali Riaz[J]. 中国船检 ,2025,(02):26-28.

[9] 顾男飞 . 生成式人工智能发展的产业促进与风险规制——以Sora 为例 [J]. 图书馆论坛 ,2024,44(11):120-128.

基 金 项 目： 中 国 矿 业 大 学（ 北 京） 课 程 思 政 项 目（YKCSZ2025022）, 大创项目（202405029）。

作者简介：尚煜，管理学院教授，博士生导师，研究方向：管理会计。