大数据背景下会计人才培养模式的思考
【摘要】随着大数据时代的来临，传统的会计工作面临前所未有的冲击，未来会计人员的工作内容将发生巨大的改变，为了适应当前的形势，高校应该转变会计人才培养的模式，引入新的大数据课程，让财会专业的学生掌握原始数据采集能力、原始数据分析能力、原始数据清洗能力、数据挖掘建模分析能力等。本文就如何培养会计人才的上述能力，对全新培养路径、培养支持、培养课程等进行研究。
【关键词】大数据 会计人才 培养模式
一、引言
随着大数据时代脚步的靠近，各领域的会计从业人员面临着与以往不同的巨大挑战。会计信息化的程度越来越高，很多工作都被自动化、智能化的机器取代，会计人员已经明显感觉到，学习传统的财务会计知识、审计知识已经不能满足工作的需要，还应该补充学习大数据背景下的会计信息系统知识。各大企业越来越看重大数据技术的发展，因为其能够帮助企业扩大收益、增加利润。如果学校培养出来的会计人才只懂得传统的会计知识、财务知识、审计知识，而不了解大数据知识，那势必会逐渐被市场淘汰。因此，如何培养大数据背景下的会计人才就成为教育界所面临的重大问题。由于大数据的处理过程比较复杂，要经过原始数据采集、原始数据分析、原始数据清洗、数据挖掘建模分析等，这些都需要会计人员熟知并掌握相关知识才能具体运用。所以要在本科教育中实施大数据新型知识教授并形成实践基地，以帮助企业进行大数据会计信息系统实施与研发。
本文就大数据背景下我国会计人才所需要的能力进行研究，发现会计人员需要掌握原始数据采集能力、原始数据分析能力、原始数据清洗能力、数据挖掘建模分析能力等。在此基础上建立高校会计人才创新培养模式，即改变当前以会计知识、财务管理知识、审计知识等为主的培养模式，建立包括大数据知识在内的全新培养路径、培养支持、培养课程等。
二、大数据背景下会计人才所需的全新能力
大多数现有高校对于会计人才的培养都是着重于传统知识体系的构建，这种培养方式已现弊端，在现代大数据背景下必须做出相应的变革，以满足高校向企业输送合格会计人才的需求。合格的会计人才不能只拥有做账的能力，因为财务共享中心、财务机器人的出现，很大一部分财务工作已经被计算机取代，企业需要的会计人才应具有能从繁复信息中筛选出管理层所需信息的能力，也就是需要掌握原始数据采集能力、原始数据分析能力、原始数据清洗能力、数据挖掘建模分析能力等。（如图1所示）
图1
（一）原始数据采集能力
原始数据不仅仅是包括传统意义的原始凭证，也包括行业数据库中的数据、政府税务数据库数据、政府统计数据库数据等其他数据，这就要求会计人员有一定的数据库知识，有将本企业数据库与其他数据库接口的能力等。
会计数据采集是指采集企业各种经营活动、财务活动、生产活动中，由其他单位或企业内部产生的各种凭证。这些凭证需要经过适当的格式转换，转变为大数据会计系统可以识别的计算机信息。在进行会计数据采集前，会计人员需懂得一些大数据计算的基础知识，如了解IaaS、PaaS、SaaS的内容并使用大数据计算服务虚拟软件对原始数据进行转换。可见，在会计人才培养中加入数据采集方法的学习尤为重要。当前，可通过课程学习以下几种数据采集方法：[1]使用会计信息系统的数据导出功能采集数据。会计人员可以直接利用信息管理系统提供的数据导出功能，完成企业财务数据的采集。[2]使用通用的数据处理软件完成数据采集。如会计人员利用Access、SQL Server等具有强大数据导入功能和数据转换功能的软件来完成数据的采集。[3]使用会计软件完成数据采集。应用一些企业财务软件、会计数据采集分析软件等都可以完成会计数据的采集。[4]使用专用程序接口完成数据采集。如果服务单位提供的会计数据结构与已有的数据处理软件系统的数据结构差异较大，此时需由会计人员编写接口程序，完成数据的采集，这种方式要求会计人员具有较强的大数据计算处理能力。
（二）原始数据分析能力
会计人员要在采集到的原始数据的基础上进行数据分析，即对大量原始数据采取回归分析法、典型相关案例分析法、需求分析法等进行分析，以发现异常波动并提出建议，从而帮助管理层发现、化解风险。
在大数据背景下，会计人员需要在搜集相应原始数据后进一步对其进行分析，以为管理者提供相应的决策信息。对原始数据的分析也意味着会计人员对财务风险的预估，如利用大数据系统挖掘数据波动线与行业、其他企业等进行对比，发现当前数据波动存在的问题。但当前会计人员多数还处于只会做账的阶段，难以满足大数据背景下管理层财务风险预估的要求。由此，可通过课程学习以下几种数据分析方法：[1]回归分析法。通过回归分析法了解经营、财务或生产的相关影响因素，从而提出相应的改善策略。如当原始数据中的生产经营成本上升时，会计人员可通过回归分析发现，导致生产经营成本上升的原因是原材料价格上升或人工费上升等。在分析中如果不采取回归分析法，只是想当然地认为是原材料价格上升导致经营成本上升，可能得出错误的结论。[2]典型相关案例分析法。典型相关案例分析法可以发现行业中其他企业处理相应情况采取的措施，有利于企业管理层解决当前的问题。如诸多上市公司发生大股东掏空行为，会直接反映在股票价格、持股人比例等原始数据上，当会计人员通过原始数据分析发现该行为，可直接参照已采取措施企业的处理办法向管理层提出建议。[3]需求分析法。需求分析法能够帮助企业发现原材料是否短缺、市场是否需求某种产品、某项研发是否能满足企业要求等，该方法是管理层最需要的方法，能够帮助企业解决诸多问题。如果会计人员第一时间发现原材料短缺并报告给管理层，能极大地缩短短缺时间，迅速解决该问题并补充原材料用于生产。
（三）原始数据清洗能力
会计人员必须学习原始数据清洗能力并将清洗后的数据投入大数据会计系统以用于记账，即通过清洗筛选出真实可靠的原始数据导入大数据会计系统，目的是将舞弊与错误数据屏蔽在会计系统之外。
由于原始数据的真实性、可靠性难以确认，会计人员需掌握原始数据清洗能力，以降低进入大数据会计系统的数据出现问题的概率。这些数据问题会导致数据分析结果出现问题并最终影响管理层管理决策。如当采购员与供应商舞弊提高采购价格时，如果会计数据没有被清洗而直接进入会计系统，会导致企业遭受舞弊所带来的损失，从而致使企业舞弊风险加大并最终无法进行风险控制。进行数据清洗需要会计人员学习数据分析知识、模式转换知识、数据校验知识与数据回流知识几个方面，具体而言：首先，在数据分析知识方面，这里所说的数据分析知识与原始数据分析能力是不同的。原始数据分析是对原始数据进行的波动与比率分析，目的是及早发现风险并采取管理对策；而原始数据清洗能力中的数据分析知识是指对数据的格式类别进行分析的知识，如对采集的财务数据、销售数据、生产数据的字段类型、含义等进行分析，这样做的目的是让会计人员掌握如何识别原始数据中有问题的数据，这些有问题的数据可能是舞弊风险点，也可能是由错误所引起。其次，在模式转换知识方面，会计人员需要掌握模式转换知识，即如何将源数据映射成目标数据模型。具体包括将字段与文件等非结构数据转换为计算机语言，并将这些非结构数据与结构财务数据进行比较，以帮助会计人员发现更多风险点。如会计人员将工资财务表与工人学历、工人进修时间等非结构数据表合并成一个多维表格进行分析，就能知道在工人工资的处理方面是否存在不合理现象。再次，在数据校验知识方面，数据校验知识指的是会计人员对转换过的数据进行分析与测评，了解数据在转换过程中是否存在错误并将其筛选出来。如模式转换时可能将一个数据集分解成多个数据表，或者对多个数据表进行多维合并，这会造成表格中的主关键字、相关数值和子表外部关键字的值不一致，形成不匹配记录。这会影响会计人员分析的准确性，也会极大地影响管理层所做出的决策。最后，在数据回流知识方面，在进行数据校验时，有可能错误或舞弊比较隐蔽，通过一次清洗并不能全部发现。这就要求会计人员掌握数据回流知识，即对数据进行反复清洗以提高数据质量并最终进入大数据会计系统。如当原材料采购人员超过采购价格采购后，与采购经理串通舞弊共同审批高价采购，这种情况下会计人员在第一次数据清洗时可能不会发现，因为正常市场环境中原材料价格也会存在一定的波动。而当会计人员进行第二次清洗时，就可通过与其他类似企业比较或与其他供应商报价进行比较，从而发现舞弊问题。
（四）数据挖掘建模分析能力
会计人员应对进入大数据会计系统的真实数据进行数据挖掘建模分析，要掌握该能力对会计人员的要求非常高，比对原始数据分析的要求更高，即可通过聚类挖掘建模分析、离群数据挖掘建模分析等方法帮助管理层了解风险，发现企业的利润增长点。
大数据环境下企业对会计人员的要求在不断提高，特别在管理方面尤为突出。在数据进入大数据会计系统后，亟须会计人员对这些数据进行挖掘建模分析，以发现当前企业存在的主要风险。在这里发现的风险比在原始数据处理时更加确切，包括管理层必须考虑的生产风险、财务风险、营销风险等。因此，要求会计人员学习数据挖掘技术，从会计系统的二维表格中挖掘有意义的信息。具体可学习如下数据挖掘建模分析知识：第一，聚类挖掘建模分析知识。聚类是将特征、风险、内容等相似的数据进行分组，分的组越多表明数据一致性越高。会计人员需要掌握这种方法，目的是将财务与非财务数据分类，从而发现这一类数据中存在问题的数据。如会计人员可通过聚类分析发现某批次产品的采购价格远高于其他批次产品的采购价格的舞弊行为，或通过聚类分析发现某贷款合同需要偿还时是采取其他借款进行弥补的问题等。这种分析工具能够挖掘特殊样本，而这些样本往往是企业风险所在，需要会计人员进一步进行分析并报告给管理层。第二，离群数据挖掘建模分析知识。这种方法是将所有数据绘制成图，以发现明显偏离的数据。会计人员需要掌握这种方法，目的是将这些离散数据作为特定问题进行分析，以期找到管理层提高企业收益的突破口。如会计人员发现某新研发产品的收益明显高于其他产品，这表明该产品得到了市场认可，其需要向管理层建议扩大该产品的生产规模并进行进一步开发以避免被模仿的风险。或者会计人员发现某供应商在进行多种产品打包购买时的原材料价格远低于单独购买及其他供应商购买，这表明在对这些供应商采购时可采取多种原材料打包购买的方式。可见，会计人员利用离群数据进行分析能够帮助企业提高收益。
三、大数据背景下会计人才全新培养模式
从上述分析可知，新型会计人才的培养不能仅局限于传统的会计知识，还要培养其各种数据处理能力。大数据背景下会计人才应该启用全新的培养模式，包括培养路径、培养支持、培养课程等。
（一）大数据背景下我国会计人才的全新培养路径
首先，培养应用型教师团队。大数据背景下会计人才的培养需要大量应用型的教师，部分的教师应该要完成纯理论教学向数据应用、数据清理、数据分析实操性教学的转化，组建应用型教师团队。学校可以通过委派会计学教师到国外去学习与会计有关的信息技术来培养教师的大数据技术能力，还可委派会计学教师到企业去学习相关会计信息系统。委派具有一定大数据技术的年轻教师到企业去参加实践活动，帮助企业建设大数据会计系统，也能增强年轻教师的实践能力，从而教授会计学专业的学生并提高我国会计人员整体素质。
其次，通过应用型教师团队与学生互动教学来促进学生对大数据知识的学习。应用型教师团队的培养也需要教师和学生的互动来实现。这主要是因为，一方面，在全新培养模式下，鼓励能力强的学生参与企业大数据会计系统的开发与实践，在开发实践过程中的思路和体会可以带回学校与一线教师进行深入交流，这样不仅学生学有所得，教师也能开拓新的思路；另一方面，经过培训的教师拥有最新、最符合实际的会计系统知识，能够将这些知识授予学生，并鼓励学生参与教学活动、科研活动巩固所学知识，也鼓励学生为企业提供相关的技术支持。
（二）大数据背景下我国会计人才的全新培养支持
大数据背景下我国会计人才的培养需要资金的支持和人力的支持。资金和人力相辅相成、缺一不可。要培养学生的大数据能力，要引进系统的学习软件，在熟练操作之后才能实习基地进行实习，才能到企业进行工作，所以资金支持必不可少。系统软件引进之后，要由教师进行教学、训练、引导，也需要专业技术人员来校讲座和企业技术人员对学生进行操作训练，所以人力支持必不可少。
具体来说，学校实验室资金投入和企业人才培养投入都是资金投入的重点。学校实验室资金的投入需要学校监管机构的重视，学校可以向教育厅或其他直属机构申报省级或国家级大数据会计人才培养实验室，将学校的规划偏重于投资培养实验室，以培养新型的会计人才。企业人才培养的投入，需要学校与企业建立校企合作机构，企业为了获得优秀的大数据会计人才可以向学校投入培养资金，高校定向向企业输送优秀的大数据会计人才。这既能源源不断地向企业输送合格的人才，也能获得来自企业对高校大数据会计人才培养的资金支持。人力支持主要包括高校教师人才培养、外聘专家专题讲座、企业技术人才特殊培训等。其中，高校教师人才培养是主力，是学员学习大数据会计系的主要培训力量。因此，需提高高校会计教师自身的大数据相关知识，再将培养合格的教师派到校企合作机构，带队进行实践活动，这一方面可增加教师的实践经验，另一方面可增进教师研发大数据会计系统的水平。外聘专家专题讲座和指导能够扩展学生的思维，因此学校可定期聘请实务专家或国外学者为学生讲解最新大数据会计系统发展状况，并对学生实践中发现的问题予以解答；还可安排专家实践课，要求专家带学生到企业去参加实践并指导学生操作最新的大数据会计系统。企业技术人才特殊培训是提高学生大数据技术水平最重要的环节，学校需安排学生每学期参加实习基地实践，并基于校企合作机制为每个学生安排企业技术人才作为实务导师，要求实务导师在学生参加企业实践活动时给予全程监督和培养，并在结束后撰写实践报告作为课程分数评判标准。
（三）大数据背景下我国会计人才的全新培养课程
大数据背景下我国会计人才的全新培养课程应包括传统课程与创新课程两部分。
传统课程主要包括初级、中级、高级财务会计课程、财务管理课程与审计课程。开设财务会计课程的目的是使学生了解会计准则与做账方法，虽然大数据背景下的会计人才主要是应用大数据会计系统，但该系统也是基于会计准则研发的，如果不深入学习会计准则就无法了解信息系统所处理数据的经济实质，也难以为管理层提出管理建议。开设财务管理课程是为数据分析奠定基础，该类课程教授诸多财务分析方法，能够帮助会计人员发现风险并提出相应意见。因此，设置该课程是培养管理型新会计人才的必要内容，需要有实务经验的教师传授相应知识。开设审计课程是为了使会计人员了解舞弊与错误发生的原因，以帮助会计人员在做初步分析时就发现企业舞弊风险，从而将风险控制在最低水平并防止舞弊的进一步扩大。
创新课程主要包括数据分析课程、数据挖掘课程与信息系统操作课程等。其中，数据分析课程主要传授三类知识：回归分析法知识，即让会计人员学习使用回归分析法了解经营、财务或生产的相关影响因素，从而提出相应的改善策略；典型相关案例分析法知识，即会计人员学习使用典型相关案例分析法发现行业中其他企业处理相应情况采取的措施，将有利于企业管理层解决当前的问题；需求分析法知识，即会计人员学习使用需求分析法帮助企业发现原材料是否短缺、市场是否需求某种产品、某项研发是否能满足企业要求等问题。数据挖掘课程主要传授两类知识：聚类挖掘建模分析知识，即教授会计人员如何将财务与非财务数据分类，从而发现这一类数据中存在差异的数据；离群数据挖掘建模分析知识，即教授会计人员如何将这些离散数据作为特定问题进行分析，以帮助管理层做出决策，从而提高企业收益。