大数据背景下会计人才的全新培养模式思考

一、引言

随着大数据时代的到来，会计人才面临着与以往不同的挑战。会计工作越来越多地被信息系统所取代，会计人员不仅需要学习传统的会计知识、财务知识与审计知识，还需要学习大数据背景下的会计信息系统知识（程安林，2012）。大数据技术的迅速发展帮助企业获取了大量利润，如果会计人才不了解大数据知识将不能帮助企业提高价值，并会逐渐被市场所淘汰。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。

由于大数据知识具有复杂性，如原始数据采集、原始数据分析、原始数据清洗、数据挖掘建模分析等都需要会计人员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（李爽、谭文浩，2011）。本文研究了大数据背景下我国会计人才所需的全新能力，即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。在此基础上建立我国会计人才的全新培养模式，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

会计教育属于传统教育领域，但在现代大数据背景下必须做出相应变革，才能满足企业发展的需要（滕晓梅，2014）。这意味着大数据时代对会计人才培养提出了协助管理层管理的要求。如果会计人员只拥有做账的能力，其将会被计算机自动化做账所取代，因此，如何从繁复的信息中筛选出管理层所需信息就成为会计人员需要掌握的必要技能（佟成生等，2014）。

如图1所示，会计人员若要拥有协助管理层管理的能力，则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，只有这样才能利用大数据会计系统为企业服务，从繁复的信息中找到适合进行财务管理、财务分析的数据。①会计人员需要采集大量的原始数据，这些数据不仅包括传统的凭证，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，这要求会计人员拥有一定的数据库学习能力，及将本企业数据库与其他数据库接口的能力等。②会计人员要在采集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。③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。④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，及发现企业的利润增长点。

图1 大数据会计系统操作能力

1.原始数据采集能力。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（赵彩霞等，2016）。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的大数据计算处理能力较强。

2.原始数据分析能力。在大数据背景下，需要会计人员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。但当前会计人员基本素质较低，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。

3.原始数据清洗能力。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几率。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。具体而言，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，就能发现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。

4.数据挖掘建模分析能力。大数据环境下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发生。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，大数据背景下会计人才不能只学习会计知识，还要培养原始数据采集能力、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。那么，如何培养我国会计人员的这些能力？本文研究表明亟须改变当前以会计知识、财务管理、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模式。该培养模式包括培养路径、培养支持、培养课程等。

1.大数据背景下我国会计人才的全新培养路径。从图2可以看出，大数据背景下我国会计人才的全新培养路径主要包括培养应用型教师团队、开放互动教学与建立校企合作机制三方面。

图2 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。教师团队不仅要有会计知识，也要有大数据相关知识。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，即“蓝天计划”来培养教师的大数据技术能力。在对教师进行外语、专业技术选拔后，委派优秀教师到相关国家去学习各种数据挖掘技术用以开发适合我国状况的大数据会计系统。还可通过委派会计学教师到企业去学习相关会计信息系统，即“大地计划”。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，从而体现教学相长的特点。这主要是因为，一方面在全新培养模式下，学生也参与企业大数据会计系统的开发与实践，他们在实践中也会有深入的体会，如果将体会与一线教师进行深入交流能开拓教师的思路，并对教师开发新的大数据会计系统有所帮助。另一方面，经过“蓝天计划”或“大地计划”培训的教师拥有最新、最符合实际的会计系统知识，能够在日常的教学中传播这些知识并鼓励学生从事新型大数据会计活动，这有利于学生在参与实践活动时使用原始数据采集、原始数据分析、原始数据清洗、数据挖掘建模分析等技术帮助企业寻找舞弊和错误，并为管理层提出相应的解决建议以控制企业风险，从而增加企业利润。

最后，利用校企合作基地帮助学生获取大数据会计知识，并获取数据系统操作技巧。具体而言，校企合作基地的建立需要与学校的“蓝天计划”和“大地计划”相结合，即教师通过“蓝天计划”参与国际会议与交流，并在学校的支持下聘请专家到校企合作基地进行指导，开发适合我国企业的大数据会计系统并培养相应的实践型会计人才。同时，教师通过“大地计划”在学校支持下聘请国内高端财务会计人才到校企合作基地进行指导，如开展专题讲座拓宽新型会计人才的视野，并提高其对大数据会计的应用理解能力，从而为学生将来走向工作岗位、开展管理型会计实践奠定基础。

2.大数据背景下我国会计人才的全新培养支持。如图3所示，大数据背景下我国会计人才的全新培养支持包括资金支持与人力支持，两者缺一不可。资金支持是学校建立大数据会计系统的基础，只有建立了该系统才能为学员实战服务，以激发他们的创新思维。人力支持是建立校企合作基地、为企业培养大数据新型会计人才的途径，该支持既来自于学校教师传统的教学，也来自于讲座、企业人才手把手操作训练等。

图3 大数据背景下我国会计人才的全新培养支持

资金支持主要包括学校实验室资金投入、相关行政事业单位拨款与企业人才培养投入。在学校实验室资金投入方面，学校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，由学校的监管机构在原有规划基础上偏重于投资培养实验室，以促进新型会计人才培养。在相关行政事业单位拨款方面，可与商务厅、统计局等行政机构联系，通过帮助他们培养直接可用于实践工作的人才的方式获得一定的资金支持。这种培养方式是商务厅与统计局培训处非常认可的方式，因为这些行政机构每年花费大量人力物力培训社会上的会计人才以适应大数据需求，如果高校能够承担此项任务，这些行政单位愿意给予一定的经济补偿。在企业人才培养投入方面，高校应该与企业合作设立校企合作机构，企业向该合作机构投入培养资金并制定培训计划，高校定向为企业输送优秀的大数据会计系统操作与研发人才。这既能满足企业对相关人才的需求，也能为高校培养新型会计人才提供资金支持。

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统的主要培训力量。因此，需提高高校会计教师自身的大数据相关知识，具体可通过“蓝天计划”与“大地计划”予以实现。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，一方面增加教师的实践经验，另一方面增进教师研发大数据会计系统的水平。外聘专家专题讲座能够扩展学生的思维，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3～4周实践，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，并在结束时撰写实践报告作为课程分数评判标准。

3.大数据背景下我国会计人才的全新培养课程。如图4所示，大数据背景下我国会计人才的全新培养课程包括传统课程与创新课程两部分。

图4 大数据背景下我国会计人才的全新培养课程

传统课程主要包括初级、中级与高级财务会计课程，初级、中级、高级财务管理课程与审计课程。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。财务管理课程是为数据分析奠定基础，该类课程学习诸多财务分析方法，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。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回归分析法知识，即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，以帮助管理层提高企业收益。信息系统操作课程主要基于校企合作基地，即教师通过“蓝天计划”参与国际会议与交流，并在学校的支持下聘请专家到校企合作基地进行指导，开发适合我国企业的大数据会计系统并培养相应的实践型会计人才。同时，教师通过“大地计划”，在学校支持下聘请国内高端财务会计人才到校企合作基地进行指导并提高学生对大数据会计的应用理解能力。

四、结论

在当前亟须培养大数据会计人才的情况下，应在本科院校开展大数据会计人才培养工程。具体而言，当前我国会计人才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，且我国会计人才培养不仅需要传授传统的会计、财务与审计知识，也需要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。

程安林．卓越会计人才培养模式研究［J］．财会月刊，2011（11）．

李爽，谭文浩．基于会计实践教学的会计人才培养：兼谈会计学科建设［J］．财会通讯，2011（11）．

赵彩霞，吴杜，雷国琼．大数据时代会计信息管理专业人才培养思考与对策［J］．中国管理信息化，2016（3）．