【摘 要】 隨著人工智能技術(shù)的快速發(fā)展，智能財(cái)務(wù)稽核成為數(shù)字化轉(zhuǎn)型的關(guān)鍵環(huán)節(jié)，如何將類(lèi)似DeepSeek的大模型應(yīng)用于高校財(cái)務(wù)稽核系統(tǒng)中是亟需解決的熱點(diǎn)問(wèn)題。文章通過(guò)構(gòu)建融合多模態(tài)數(shù)據(jù)的智能財(cái)務(wù)稽核模型，深入研究了DeepSeek在智能財(cái)務(wù)稽核中的應(yīng)用。研究結(jié)果表明：多模態(tài)數(shù)據(jù)融合顯著提高了異常檢測(cè)的準(zhǔn)確性和效率，進(jìn)一步豐富了模型的輸入信息，提升了模型對(duì)復(fù)雜場(chǎng)景的適應(yīng)能力；動(dòng)態(tài)優(yōu)化模型能夠根據(jù)不同的風(fēng)險(xiǎn)水平調(diào)整審批閾值，有效降低補(bǔ)正率并提高準(zhǔn)確率。此外，通過(guò)模擬三種不同深度的語(yǔ)義理解方法，驗(yàn)證了領(lǐng)域知識(shí)推理在識(shí)別語(yǔ)義矛盾案例中的優(yōu)越性能。該研究為財(cái)務(wù)智能化轉(zhuǎn)型提供了可落地的技術(shù)方案。

【關(guān)鍵詞】 智能財(cái)務(wù)稽核； 閾值優(yōu)化； 語(yǔ)義理解； 多模態(tài)檢測(cè)

【中圖分類(lèi)號(hào)】 F234.3" 【文獻(xiàn)標(biāo)識(shí)碼】 A" 【文章編號(hào)】 1004-5937（2025）11-0069-09

一、引言

隨著人工智能技術(shù)的發(fā)展，會(huì)計(jì)數(shù)字化轉(zhuǎn)型升級(jí)成為信息化工作的總目標(biāo)之一。在財(cái)務(wù)工作中，收入、支出稽核是一項(xiàng)常規(guī)操作，可以預(yù)防錯(cuò)誤、舞弊、造假等現(xiàn)象，然而目前關(guān)于票據(jù)的稽核大多數(shù)還是靠人工審核，只有電子發(fā)票等規(guī)范化的票據(jù)可以通過(guò)二維碼等識(shí)別（不需要人工審核）。對(duì)于高校而言，來(lái)自科研、教學(xué)、職能等不同部門(mén)的不同支出事項(xiàng)，需要設(shè)定針對(duì)部門(mén)和事項(xiàng)的相關(guān)稽核規(guī)則與流程，進(jìn)一步進(jìn)行審核[ 1-2 ]。財(cái)政部《關(guān)于規(guī)范電子會(huì)計(jì)憑證報(bào)銷(xiāo)入賬歸檔的通知》（2020）[ 3 ]要求企業(yè)實(shí)現(xiàn)電子會(huì)計(jì)憑證的全流程數(shù)字化管理，傳統(tǒng)人工審核模式難以滿(mǎn)足合規(guī)性要求。

部分高校財(cái)務(wù)造假、重復(fù)報(bào)銷(xiāo)等問(wèn)題頻發(fā)，亟需智能系統(tǒng)進(jìn)行自動(dòng)化風(fēng)險(xiǎn)識(shí)別[ 4 ]。DeepSeek作為多模態(tài)大模型[ 5 ]，可突破傳統(tǒng)OCR和規(guī)則引擎的局限性，自動(dòng)加載不同業(yè)務(wù)類(lèi)型的審核規(guī)則，支持政策更新的快速適配，減少人工維護(hù)成本，為會(huì)計(jì)行業(yè)的發(fā)展帶來(lái)諸多機(jī)遇[ 6 ]；可以對(duì)非結(jié)構(gòu)化數(shù)據(jù)進(jìn)行處理[ 7 ]，如解析電子發(fā)票、掃描件、手寫(xiě)單據(jù)，提取關(guān)鍵字段（金額、稅號(hào)、事由）；通過(guò)語(yǔ)義理解判斷報(bào)銷(xiāo)事由的合理性，基于歷史數(shù)據(jù)識(shí)別隱性風(fēng)險(xiǎn)[ 8 ]。

使用AI進(jìn)行財(cái)務(wù)稽核是未來(lái)財(cái)務(wù)管理的必然趨勢(shì)[ 9 ]，符合財(cái)政部對(duì)電子會(huì)計(jì)憑證“四性”（真實(shí)性、完整性、可用性、安全性）的審核要求[ 10 ]；與區(qū)塊鏈（防篡改）、大數(shù)據(jù)（風(fēng)險(xiǎn)預(yù)測(cè)）結(jié)合，構(gòu)建下一代智能財(cái)務(wù)系統(tǒng)，能減少80%以上人工復(fù)核工作量，顯著降低運(yùn)營(yíng)成本。本文主要貢獻(xiàn)體現(xiàn)在三方面：首先，將多模態(tài)大模型的動(dòng)態(tài)閾值優(yōu)化機(jī)制引入財(cái)務(wù)稽核領(lǐng)域，拓展了智能財(cái)務(wù)的理論內(nèi)涵[ 11 ]；其次，提出的“領(lǐng)域預(yù)訓(xùn)練+規(guī)則引擎”混合架構(gòu)（圖1），補(bǔ)充了已有文獻(xiàn)[ 12 ]未涉及的稽核專(zhuān)項(xiàng)優(yōu)化；最后，通過(guò)可解釋性規(guī)則映射（表2），實(shí)現(xiàn)了AI決策與高校經(jīng)費(fèi)管理制度的合規(guī)性對(duì)齊，為智能財(cái)務(wù)系統(tǒng)的審計(jì)追溯提供了新范式。

二、文獻(xiàn)綜述

在科技發(fā)展日新月異的當(dāng)下，智能財(cái)務(wù)稽核成為各行業(yè)財(cái)務(wù)管理的研究熱點(diǎn)（構(gòu)建智能財(cái)務(wù)稽核管理體系的轉(zhuǎn)型策略，推動(dòng)財(cái)務(wù)風(fēng)險(xiǎn)管控與業(yè)財(cái)深度協(xié)同[ 13 ]）。在人工智能時(shí)代，為適應(yīng)高科技信息技術(shù)更迭和人工智能浪潮，傳統(tǒng)行業(yè)需進(jìn)行數(shù)字化變革，高校財(cái)務(wù)稽核工作也必須向信息化、智能化轉(zhuǎn)型[ 14-15 ]。王莉等[ 16 ]指出，面對(duì)高校擴(kuò)招、政府會(huì)計(jì)改革及大數(shù)據(jù)人工智能時(shí)代需求，傳統(tǒng)高校財(cái)務(wù)管理模式面臨挑戰(zhàn)。

關(guān)于大數(shù)據(jù)技術(shù)下財(cái)務(wù)稽核體系的構(gòu)建，張振中等[ 17 ]認(rèn)為國(guó)家加強(qiáng)財(cái)會(huì)監(jiān)督的要求促使高校利用大數(shù)據(jù)技術(shù)構(gòu)建信息化、智能化稽核體系，并以H大學(xué)為例，從“制度”和“技術(shù)”層面探索構(gòu)建路徑，為高校實(shí)施智能財(cái)務(wù)稽核提供參考，強(qiáng)調(diào)了大數(shù)據(jù)技術(shù)在高校財(cái)務(wù)稽核中的關(guān)鍵地位?；谪?cái)會(huì)監(jiān)督的智能稽核系統(tǒng)建設(shè)，李曉粉等[ 18 ]提出隨著財(cái)務(wù)數(shù)字化推進(jìn)，大數(shù)據(jù)、人工智能分析等技術(shù)在互聯(lián)網(wǎng)金融行業(yè)廣泛應(yīng)用，但在高校財(cái)會(huì)監(jiān)督中應(yīng)用尚屬空白，并以中國(guó)計(jì)量大學(xué)為例，剖析財(cái)會(huì)監(jiān)督問(wèn)題，探究建設(shè)基于財(cái)會(huì)監(jiān)督的高校財(cái)務(wù)智能稽核系統(tǒng)及運(yùn)行效果，凸顯了高校智能稽核系統(tǒng)建設(shè)的必要性和重要性。周榮婧[ 19 ]探討了運(yùn)用大數(shù)據(jù)、云計(jì)算等14項(xiàng)先進(jìn)技術(shù)構(gòu)建的“12465”智能財(cái)務(wù)會(huì)計(jì)共享體系，該體系可實(shí)現(xiàn)智能報(bào)賬、核算、稽核等功能，進(jìn)一步說(shuō)明了智能稽核是智能財(cái)務(wù)體系的重要組成部分。

因此，利用DeepSeek智能圖像識(shí)別、自然語(yǔ)言解析、內(nèi)控制度自動(dòng)優(yōu)化等技術(shù)，建設(shè)高校財(cái)務(wù)共享服務(wù)中心，可以實(shí)現(xiàn)信息流與票據(jù)流一體，推動(dòng)高校財(cái)務(wù)管理轉(zhuǎn)型。但是相關(guān)研究還未涉及高校智能財(cái)務(wù)稽核。

三、理論分析與研究假設(shè)

（一）理論分析

在當(dāng)前“大、智、移、云、物、區(qū)”等新興技術(shù)快速發(fā)展以及企業(yè)大力推進(jìn)財(cái)務(wù)共享中心建設(shè)的背景下，傳統(tǒng)財(cái)務(wù)稽核模式已難以適應(yīng)時(shí)代需求。傳統(tǒng)財(cái)務(wù)稽核主要依賴(lài)人工核對(duì)票據(jù)信息，包括金額、抬頭、稅號(hào)、事項(xiàng)說(shuō)明等內(nèi)容。這種方式效率不高，人工處理大量票據(jù)需要耗費(fèi)大量的時(shí)間和精力，而且易受主觀因素影響，不同的稽核人員可能會(huì)因個(gè)人經(jīng)驗(yàn)、判斷標(biāo)準(zhǔn)的差異而得出不同的結(jié)論，從而影響稽核結(jié)果的準(zhǔn)確性和可靠性[ 20 ]。DeepSeek作為多模態(tài)大模型，在財(cái)務(wù)稽核中的技術(shù)優(yōu)勢(shì)：一是自然語(yǔ)言處理（NLP）[ 21 ]，可識(shí)別非結(jié)構(gòu)化文本中的關(guān)鍵詞及語(yǔ)義關(guān)聯(lián)性；二是規(guī)則引擎集成[ 22 ]，通過(guò)預(yù)置高校財(cái)務(wù)規(guī)則，將關(guān)鍵詞映射為標(biāo)準(zhǔn)化編碼，實(shí)現(xiàn)自動(dòng)分類(lèi)；三是異常檢測(cè)功能，基于歷史數(shù)據(jù)訓(xùn)練，識(shí)別非常規(guī)特征[ 8 ]。

DeepSeek具備自然語(yǔ)言處理能力，能夠識(shí)別非結(jié)構(gòu)化文本中的關(guān)鍵詞及語(yǔ)義關(guān)聯(lián)性。在財(cái)務(wù)稽核場(chǎng)景中，發(fā)票備注、報(bào)銷(xiāo)事由等往往是非結(jié)構(gòu)化文本，包含著豐富的業(yè)務(wù)信息。例如，發(fā)票備注中可能會(huì)提及“某項(xiàng)目會(huì)議費(fèi)”“出差調(diào)研差旅費(fèi)”等內(nèi)容，傳統(tǒng)的人工稽核方式可能難以快速、準(zhǔn)確地從這些非結(jié)構(gòu)化文本中提取關(guān)鍵信息。而DeepSeek的自然語(yǔ)言處理技術(shù)可以自動(dòng)識(shí)別其中的關(guān)鍵詞，如“會(huì)議費(fèi)”“差旅費(fèi)”等，并分析其語(yǔ)義關(guān)聯(lián)性，從而更好地理解業(yè)務(wù)實(shí)質(zhì)。莫蓉[ 14 ]指出，在人工智能時(shí)代，高校財(cái)務(wù)稽核工作需要向信息化、智能化轉(zhuǎn)型，利用先進(jìn)的信息技術(shù)處理非結(jié)構(gòu)化數(shù)據(jù)是提升稽核效率和準(zhǔn)確性的重要手段。

DeepSeek可以集成規(guī)則引擎，通過(guò)預(yù)置高校財(cái)務(wù)規(guī)則，如《科研經(jīng)費(fèi)管理辦法》等，將關(guān)鍵詞映射為標(biāo)準(zhǔn)化編碼。在高校財(cái)務(wù)稽核中，不同類(lèi)型的費(fèi)用報(bào)銷(xiāo)有明確的規(guī)定和分類(lèi)標(biāo)準(zhǔn)。例如，將“差旅費(fèi)”映射為標(biāo)準(zhǔn)化編碼“A001”，這種標(biāo)準(zhǔn)化處理有助于實(shí)現(xiàn)財(cái)務(wù)數(shù)據(jù)的統(tǒng)一管理和自動(dòng)分類(lèi)。王翠玉和李海琳[ 23 ]提到，大數(shù)據(jù)時(shí)代下，高等院校財(cái)務(wù)稽核工作需要實(shí)現(xiàn)信息化和智能化，通過(guò)規(guī)則引擎集成可以提高稽核工作的規(guī)范性和準(zhǔn)確性，更迅速、準(zhǔn)確地發(fā)現(xiàn)工作中存在的問(wèn)題。

基于歷史數(shù)據(jù)訓(xùn)練，DeepSeek具備異常檢測(cè)功能，能夠識(shí)別非常規(guī)特征。在財(cái)務(wù)報(bào)銷(xiāo)中，可能會(huì)出現(xiàn)一些不符合常規(guī)的情況，如同一項(xiàng)目多次報(bào)銷(xiāo)餐飲費(fèi)等。通過(guò)對(duì)大量歷史財(cái)務(wù)數(shù)據(jù)的學(xué)習(xí)和分析，DeepSeek可以建立正常業(yè)務(wù)模式的模型，當(dāng)出現(xiàn)與正常模式不符的報(bào)銷(xiāo)行為時(shí)，能夠及時(shí)識(shí)別并標(biāo)記為異常。張敏潔等[ 24 ]強(qiáng)調(diào)，智能稽核作為傳統(tǒng)財(cái)務(wù)稽核的創(chuàng)新手段，能夠?qū)崿F(xiàn)財(cái)務(wù)監(jiān)督由“事后稽核糾錯(cuò)”向“事前智能引導(dǎo)”“事中全程監(jiān)控”延伸，異常檢測(cè)功能可以在事前和事中及時(shí)發(fā)現(xiàn)財(cái)務(wù)風(fēng)險(xiǎn)，推動(dòng)財(cái)務(wù)風(fēng)險(xiǎn)管理向“智慧風(fēng)控”邁進(jìn)。

（二）DeepSeek智能財(cái)務(wù)稽核框架

基于財(cái)務(wù)報(bào)銷(xiāo)審核規(guī)則與DeepSeek智能稽核系統(tǒng)結(jié)合的分層架構(gòu)設(shè)計(jì)，通過(guò)規(guī)則引擎與多模態(tài)技術(shù)的深度融合實(shí)現(xiàn)自動(dòng)化審核，詳細(xì)的架構(gòu)如圖1。DeepSeek智能財(cái)務(wù)稽核系統(tǒng)整體架構(gòu)也可以稱(chēng)為“感知—決策—反饋”模型，其中：感知層即為OCR識(shí)別票據(jù)信息，DeepSeek識(shí)別圖像信息，提取文本和關(guān)鍵特征并進(jìn)行分析；決策層為規(guī)則庫(kù)匹配；反饋層為通過(guò)企業(yè)微信或短信自動(dòng)推送異常項(xiàng)。

1.票據(jù)輸入與預(yù)處理層

該層負(fù)責(zé)多源票據(jù)的標(biāo)準(zhǔn)化處理，支持電子發(fā)票（二維碼/PDF）、紙質(zhì)票據(jù)（掃描件/照片）及非結(jié)構(gòu)化附件（合同、審批單等）的輸入。DeepSeek采用增強(qiáng)OCR技術(shù)，優(yōu)化模糊、傾斜或低質(zhì)量票據(jù)的識(shí)別，例如自動(dòng)修復(fù)破損的稅號(hào)或缺失的金額信息。同時(shí)，系統(tǒng)對(duì)票據(jù)數(shù)據(jù)進(jìn)行結(jié)構(gòu)化解析，提取關(guān)鍵字段（如金額、開(kāi)票單位、稅號(hào)）和非結(jié)構(gòu)化文本（如報(bào)銷(xiāo)事由、手寫(xiě)備注），確保后續(xù)審核流程的數(shù)據(jù)準(zhǔn)確性。

2.規(guī)則引擎層

規(guī)則引擎層依據(jù)預(yù)設(shè)的財(cái)務(wù)審核規(guī)則（根據(jù)制定的38項(xiàng)審核點(diǎn)）進(jìn)行自動(dòng)化合規(guī)性檢查。該層支持動(dòng)態(tài)加載不同業(yè)務(wù)類(lèi)型的審核規(guī)則，例如差旅費(fèi)需驗(yàn)證交通閉環(huán)性（審核18），科研采購(gòu)需匹配驗(yàn)收單（審核23）。規(guī)則以邏輯條件判斷為主（如“金額gt;1萬(wàn)元需領(lǐng)導(dǎo)簽字”），并支持實(shí)時(shí)更新，以適應(yīng)高校財(cái)務(wù)政策的調(diào)整?；A(chǔ)規(guī)則（通用）：發(fā)票真?zhèn)?、審批齊全性（審核點(diǎn)1—12）。業(yè)務(wù)規(guī)則（專(zhuān)項(xiàng)）：科研經(jīng)費(fèi)需匹配驗(yàn)收單（審核點(diǎn)23），會(huì)議費(fèi)需簽到表（審核28）。通過(guò)規(guī)則匹配，系統(tǒng)能快速識(shí)別明顯違規(guī)項(xiàng)（如發(fā)票超期、審批缺失），提高審核效率。

3.DeepSeek智能分析技術(shù)

針對(duì)規(guī)則引擎無(wú)法處理的復(fù)雜場(chǎng)景，該層利用多模態(tài)AI技術(shù)——類(lèi)BERT-Transformer混合模型（圖2）進(jìn)行深度分析。

多模態(tài)輸入：文本模塊，采用財(cái)務(wù)專(zhuān)用FinBERT模型，擴(kuò)展高校財(cái)務(wù)稽核相關(guān)術(shù)語(yǔ)（如“縱向課題/結(jié)題審計(jì)”），添加票據(jù)類(lèi)型標(biāo)識(shí)符，增強(qiáng)領(lǐng)域語(yǔ)義理解。圖像模塊，使用ResNet-50提取票據(jù)視覺(jué)特征，通過(guò)CLAHE算法增強(qiáng)圖像模糊區(qū)域，用于識(shí)別發(fā)票真?zhèn)巍?/p>

跨模態(tài)融合：動(dòng)態(tài)門(mén)通過(guò)Transformer注意力機(jī)制實(shí)現(xiàn)圖文特征對(duì)齊，精準(zhǔn)識(shí)別“發(fā)票品名（圖像）—報(bào)銷(xiāo)事由（文本）”矛盾（如“餐飲服務(wù)”VS“設(shè)備采購(gòu)”）。

財(cái)務(wù)適配性：容器化部署（Docker鏡像lt;500MB），支持IntelR OpenVINOTM加速，CPU推理速度達(dá)200ms/單，兼容主流財(cái)務(wù)系統(tǒng)接口。動(dòng)態(tài)加載制度文件（如《高?？蒲薪?jīng)費(fèi)管理辦法》），提供規(guī)則插件，支持用戶(hù)自定義審核點(diǎn)。

4.決策中心

決策中心綜合規(guī)則引擎和決策樹(shù)分析的結(jié)果，生成表1中的三級(jí)審核結(jié)論，作為模型的輸出，同時(shí)輸出審核結(jié)果的相關(guān)評(píng)價(jià)指標(biāo)（包括準(zhǔn)確率、精確率、召回率等）。

系統(tǒng)通過(guò)權(quán)重投票機(jī)制（如優(yōu)先采納規(guī)則引擎的發(fā)票真?zhèn)闻袛啵┐_保決策可靠性，同時(shí)記錄所有判定依據(jù)以供審計(jì)追溯。

5.反饋與優(yōu)化層

該層實(shí)現(xiàn)審核閉環(huán)管理，實(shí)時(shí)反饋：通過(guò)企業(yè)微信或短信通知報(bào)銷(xiāo)人駁回原因；持續(xù)優(yōu)化：人工復(fù)核結(jié)果反哺規(guī)則庫(kù)，并用于DeepSeek模型迭代（誤判案例加入訓(xùn)練集）。這一機(jī)制使系統(tǒng)具備自我進(jìn)化能力，逐步減少人工干預(yù)需求。

（三）研究假設(shè)

基于財(cái)務(wù)審核規(guī)則和DeepSeek技術(shù)特性，分技術(shù)效能、流程優(yōu)化和語(yǔ)義理解三個(gè)維度提出研究假設(shè)?，F(xiàn)行財(cái)務(wù)規(guī)則引擎采用固定閾值，導(dǎo)致大量邊際案例因機(jī)械判斷進(jìn)入補(bǔ)正流程。DeepSeek的強(qiáng)化學(xué)習(xí)模塊通過(guò)分析歷史審批結(jié)果，降低補(bǔ)正率，為留出安全邊際，可動(dòng)態(tài)調(diào)整閾值置信度90%時(shí)的值，既減少無(wú)意義補(bǔ)正又不增加風(fēng)險(xiǎn)?；诖耍岢黾僭O(shè)H1：通過(guò)強(qiáng)化學(xué)習(xí)動(dòng)態(tài)優(yōu)化規(guī)則閾值[ 25 ]，可使系統(tǒng)補(bǔ)正率降至10%以下，同時(shí)保持準(zhǔn)確率波動(dòng)范圍≤2%，且優(yōu)化過(guò)程在50輪迭代內(nèi)收斂。

在高校財(cái)務(wù)稽核中，存在許多專(zhuān)業(yè)場(chǎng)景，例如“學(xué)術(shù)會(huì)議餐費(fèi)”與“普通招待費(fèi)”的區(qū)分。這些場(chǎng)景中，傳統(tǒng)的關(guān)鍵詞匹配方法可能會(huì)導(dǎo)致較高的誤判率。為了提高語(yǔ)義理解的準(zhǔn)確性，DeepSeek的領(lǐng)域自適應(yīng)模型在200條科研報(bào)銷(xiāo)數(shù)據(jù)上進(jìn)行了預(yù)訓(xùn)練，能夠識(shí)別如“IEEE會(huì)議”與“餐費(fèi)”之間的合理關(guān)聯(lián)?；诖?，提出假設(shè)H2：基于領(lǐng)域預(yù)訓(xùn)練的DeepSeek語(yǔ)義模型能將復(fù)雜事由的誤判率降低到10%以下。

財(cái)務(wù)稽核涉及票據(jù)圖像、報(bào)銷(xiāo)文本和結(jié)構(gòu)化數(shù)據(jù)的多源信息，傳統(tǒng)單模態(tài)方法（如獨(dú)立使用OCR或NLP）存在信息割裂問(wèn)題。DeepSeek的多模態(tài)融合技術(shù)通過(guò)跨模態(tài)機(jī)制，可捕捉“發(fā)票品名與報(bào)銷(xiāo)事由矛盾”等復(fù)合特征?；诖?，提出假設(shè)H3：采用多模態(tài)融合的DeepSeek模型在財(cái)務(wù)單據(jù)稽核中的綜合準(zhǔn)確率顯著高于單模態(tài)方法。

四、研究設(shè)計(jì)

本研究選用DeepSeek模型基于三重考量：（1）技術(shù)適配性：其多模態(tài)架構(gòu)（類(lèi)Transformer）可同步處理票據(jù)圖像、報(bào)銷(xiāo)文本（FinBERT）與結(jié)構(gòu)化數(shù)據(jù)（全連接層），滿(mǎn)足財(cái)務(wù)稽核的復(fù)合數(shù)據(jù)特征；（2）領(lǐng)域驗(yàn)證：陳虎等[ 26 ]已證明DeepSeek模型在財(cái)務(wù)數(shù)據(jù)分析和預(yù)測(cè)中的有效性；（3）創(chuàng)新空間：現(xiàn)有文獻(xiàn)尚未涉及該模型在稽核閾值動(dòng)態(tài)優(yōu)化中的應(yīng)用，本文提出的強(qiáng)化學(xué)習(xí)微調(diào)方法可填補(bǔ)此空白。

（一）數(shù)據(jù)來(lái)源

1.規(guī)則引擎基準(zhǔn)

在財(cái)務(wù)數(shù)據(jù)審核中規(guī)則引擎起著核心作用，它根據(jù)預(yù)設(shè)的規(guī)則對(duì)財(cái)務(wù)報(bào)銷(xiāo)發(fā)票數(shù)據(jù)進(jìn)行評(píng)估。規(guī)則引擎主要根據(jù)高校的財(cái)務(wù)稽核審核要素制定，包含通用規(guī)則、各業(yè)務(wù)類(lèi)型專(zhuān)項(xiàng)規(guī)則，以及規(guī)則應(yīng)用和結(jié)果分類(lèi)方法。共38個(gè)審核點(diǎn)，1表示通過(guò)，0表示不通過(guò)，根據(jù)發(fā)票的業(yè)務(wù)類(lèi)型，選擇相應(yīng)的規(guī)則進(jìn)行應(yīng)用，表2是具體對(duì)應(yīng)關(guān)系。

該方法會(huì)遍歷所選規(guī)則，對(duì)每張發(fā)票數(shù)據(jù)進(jìn)行評(píng)估，并將評(píng)估結(jié)果存儲(chǔ)在字典中返回。若規(guī)則執(zhí)行失敗，則視為不通過(guò)。

2.仿真模擬數(shù)據(jù)

為了驗(yàn)證假設(shè)H1，本研究設(shè)計(jì)并生成了閾值邊緣案例數(shù)據(jù)集。該數(shù)據(jù)集聚焦特定金額區(qū)間，模擬了財(cái)務(wù)審批過(guò)程中與金額閾值相關(guān)的審批決策情況。本文采用基于真實(shí)業(yè)務(wù)邏輯的仿真數(shù)據(jù)生成方法，構(gòu)建了包含2 000條財(cái)務(wù)報(bào)銷(xiāo)申請(qǐng)記錄的數(shù)據(jù)集。數(shù)據(jù)生成過(guò)程以金額為核心特征，通過(guò)正態(tài)分布N（20 000，8002）模擬實(shí)際業(yè)務(wù)中圍繞2萬(wàn)元審批閾值的邊際案例，并限定在［18 000，22 000］元區(qū)間以聚焦關(guān)鍵決策區(qū)域。基于邏輯函數(shù)：

將金額映射為風(fēng)險(xiǎn)概率，其中18 700元設(shè)定為風(fēng)險(xiǎn)拐點(diǎn)（P=0.5），生成理論審批標(biāo)簽IPlt;0.5。同時(shí)模擬了含8%隨機(jī)誤差的人工審批結(jié)果，并添加申請(qǐng)人、部門(mén)等輔助字段，最終生成的數(shù)據(jù)集既保留了真實(shí)業(yè)務(wù)的核心特征（如補(bǔ)正案例聚集在閾值附近），又通過(guò)可控參數(shù)確保實(shí)驗(yàn)可復(fù)現(xiàn)性。

針對(duì)假設(shè)H2的驗(yàn)證需求，本研究構(gòu)建了語(yǔ)義理解測(cè)試數(shù)據(jù)集。該數(shù)據(jù)集專(zhuān)注于財(cái)務(wù)報(bào)銷(xiāo)事由的語(yǔ)義分析，旨在測(cè)試模型對(duì)專(zhuān)業(yè)術(shù)語(yǔ)和語(yǔ)義邏輯的理解能力。生成數(shù)據(jù)時(shí)，首先，定義了三個(gè)主要領(lǐng)域——科研、教學(xué)和行政，并為每個(gè)領(lǐng)域設(shè)定了相應(yīng)的專(zhuān)業(yè)術(shù)語(yǔ)集合。例如，科研領(lǐng)域包含“IEEE會(huì)議”“SCI論文”等術(shù)語(yǔ)。在生成樣本時(shí)，70%的樣本為合規(guī)案例，即報(bào)銷(xiāo)事由與所屬領(lǐng)域術(shù)語(yǔ)一致且語(yǔ)義邏輯合理；而30%的樣本為語(yǔ)義矛盾案例，通過(guò)將不同領(lǐng)域的術(shù)語(yǔ)進(jìn)行不合理組合來(lái)構(gòu)造矛盾，例如將科研領(lǐng)域的術(shù)語(yǔ)與教學(xué)領(lǐng)域的術(shù)語(yǔ)混合使用。其次，為了增加數(shù)據(jù)的復(fù)雜性和真實(shí)性，隨機(jī)對(duì)部分樣本進(jìn)行了同義詞替換和術(shù)語(yǔ)標(biāo)準(zhǔn)化處理。最終生成的語(yǔ)義理解測(cè)試數(shù)據(jù)集包含500個(gè)樣本，每個(gè)樣本包含領(lǐng)域、報(bào)銷(xiāo)事由和語(yǔ)義有效性三個(gè)字段，其中語(yǔ)義有效性字段用于標(biāo)注樣本是否語(yǔ)義合規(guī)，為后續(xù)語(yǔ)義理解模型的訓(xùn)練與評(píng)估提供了豐富的測(cè)試素材。

通過(guò)仿真模擬生成多模態(tài)財(cái)務(wù)稽核測(cè)試數(shù)據(jù)，旨在為驗(yàn)證假設(shè)H3提供數(shù)據(jù)支持。生成的數(shù)據(jù)集涵蓋了結(jié)構(gòu)化數(shù)據(jù)、圖像數(shù)據(jù)和文本數(shù)據(jù)。結(jié)構(gòu)化數(shù)據(jù)部分包括業(yè)務(wù)類(lèi)型（按照實(shí)際分布設(shè)定權(quán)重，如差旅報(bào)銷(xiāo)占35%、固定資產(chǎn)采購(gòu)占25%等）、金額（在合理區(qū)間內(nèi)隨機(jī)生成）、日期等核心信息。圖像數(shù)據(jù)模擬了不同質(zhì)量的票據(jù)掃描件，其中70%為清晰票據(jù)，20%為輕度模糊票據(jù)，10%為重度模糊或缺損票據(jù)，以反映真實(shí)場(chǎng)景中票據(jù)的多樣性。文本數(shù)據(jù)則包含報(bào)銷(xiāo)事由和備注，其中報(bào)銷(xiāo)事由根據(jù)業(yè)務(wù)類(lèi)型生成具有針對(duì)性的描述，例如差旅報(bào)銷(xiāo)事由會(huì)涉及具體城市及出差目的等信息。此外，為增加數(shù)據(jù)復(fù)雜性，30%的樣本添加了手寫(xiě)備注模擬。在生成數(shù)據(jù)時(shí)，還特別構(gòu)造了跨模態(tài)矛盾案例，占總量的15%，例如發(fā)票圖像顯示“餐飲服務(wù)”而事由文本描述“設(shè)備采購(gòu)”，以此來(lái)測(cè)試模型捕捉圖文不一致的能力。最終生成的多模態(tài)數(shù)據(jù)集包含1 000個(gè)樣本，每個(gè)樣本都具備完整的結(jié)構(gòu)化字段、票據(jù)圖像和報(bào)銷(xiāo)文本信息，同時(shí)標(biāo)注了異常標(biāo)記，用于后續(xù)模型訓(xùn)練與性能評(píng)估。

（二）變量定義

1.解釋變量

在假設(shè)H1驗(yàn)證實(shí)驗(yàn)中，解釋變量是模態(tài)組合，即在異常檢測(cè)過(guò)程中所使用的不同模態(tài)信息的組合方式，具體包括三種情況：僅使用文本模態(tài)信息（如報(bào)銷(xiāo)事由等文本內(nèi)容），結(jié)合文本和圖像模態(tài)信息（如票據(jù)圖像與文本內(nèi)容），融合文本、圖像以及數(shù)字模態(tài)信息（如金額等數(shù)字信息與文本、圖像內(nèi)容）。在假設(shè)H2驗(yàn)證實(shí)驗(yàn)中，解釋變量是審批閾值，即用于判斷是否通過(guò)審批的金額閾值，初始值為20 000元，通過(guò)實(shí)驗(yàn)逐步調(diào)整至最優(yōu)值。在假設(shè)H3驗(yàn)證實(shí)驗(yàn)中，解釋變量是語(yǔ)義理解方法，驗(yàn)證不同的語(yǔ)義理解方法對(duì)誤判率的影響，包括關(guān)鍵詞匹配、句法分析、領(lǐng)域知識(shí)推理三種方法。具體對(duì)應(yīng)關(guān)系如表3。

2.被解釋變量

被解釋變量是各實(shí)驗(yàn)中關(guān)注的性能指標(biāo)。在假設(shè)H1驗(yàn)證實(shí)驗(yàn)中，被解釋變量為召回率，反映了模型能夠識(shí)別出多少真正的異常樣本。在假設(shè)H2驗(yàn)證實(shí)驗(yàn)中，被解釋變量是誤批率、漏批率和準(zhǔn)確率，分別表示應(yīng)拒絕但被批準(zhǔn)的比例、應(yīng)批準(zhǔn)但被拒絕的比例以及模型對(duì)審批結(jié)果的準(zhǔn)確率。在假設(shè)H3驗(yàn)證實(shí)驗(yàn)中，被解釋變量是誤判率，衡量將正常案例誤判為異常的比例。具體對(duì)應(yīng)關(guān)系如表4。

3.控制變量

控制變量是實(shí)驗(yàn)中保持不變的變量，以確保實(shí)驗(yàn)結(jié)果的可靠性。在假設(shè)H1驗(yàn)證實(shí)驗(yàn)中，控制變量包括業(yè)務(wù)類(lèi)型、金額、日期、發(fā)票編號(hào)、報(bào)銷(xiāo)事由、備注和圖像質(zhì)量。在假設(shè)H2驗(yàn)證實(shí)驗(yàn)中，控制變量是金額、初始審批狀態(tài)和優(yōu)化目標(biāo)狀態(tài)。在假設(shè)H3驗(yàn)證實(shí)驗(yàn)中，控制變量包括領(lǐng)域、報(bào)銷(xiāo)事由和語(yǔ)義有效性，用于判斷樣本是否語(yǔ)義合規(guī)。具體對(duì)應(yīng)關(guān)系如表5。

（三）模型設(shè)計(jì)

模型旨在通過(guò)融合多模態(tài)數(shù)據(jù)（結(jié)構(gòu)化數(shù)據(jù)、文本數(shù)據(jù)和圖像數(shù)據(jù)）來(lái)檢測(cè)財(cái)務(wù)報(bào)銷(xiāo)中的異常情況。模型的核心思想是利用不同模態(tài)數(shù)據(jù)的特點(diǎn)，提取各自的信息，并通過(guò)一個(gè)綜合的決策函數(shù)來(lái)判斷是否存在異常。對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，包含關(guān)鍵三步：（1）文本清洗，使用正則表達(dá)式剔除發(fā)票中的無(wú)意義符號(hào)，保留關(guān)鍵語(yǔ)義信息；（2）圖像增強(qiáng)，對(duì)20%模糊票據(jù)采用CLAHE算法對(duì)比度優(yōu)化；（3）數(shù)據(jù)劃分，按業(yè)務(wù)類(lèi)型7：3劃分訓(xùn)練集/驗(yàn)證集，確保數(shù)據(jù)分布一致性。

結(jié)構(gòu)化數(shù)據(jù)包括金額、日期、業(yè)務(wù)類(lèi)型等字段。這些數(shù)據(jù)可以直接用于模型輸入，為了避免不同字段的量綱差異對(duì)模型的影響，需要進(jìn)行歸一化處理：

文本數(shù)據(jù)包括報(bào)銷(xiāo)事由和備注。這些數(shù)據(jù)需要進(jìn)行文本嵌入處理，將文本轉(zhuǎn)換為數(shù)值向量，可以使用預(yù)訓(xùn)練的詞嵌入模型（FinBERT）來(lái)提取文本特征：

為了驗(yàn)證假設(shè)H1，模擬每個(gè)樣本的真實(shí)風(fēng)險(xiǎn)水平，使用邏輯函數(shù)來(lái)計(jì)算真實(shí)風(fēng)險(xiǎn)概率（TR）。該函數(shù)基于金額與優(yōu)化閾值的關(guān)系，公式如下：

其中：A是樣本的金額；T是優(yōu)化后的審批閾值；250是邏輯函數(shù)的縮放參數(shù)，用于控制風(fēng)險(xiǎn)概率的變化速度。該公式將金額映射到一個(gè)介于0和1之間的風(fēng)險(xiǎn)概率，表示樣本被正確審批的概率。風(fēng)險(xiǎn)概率越低，樣本越可能需要補(bǔ)正。補(bǔ)正率用于衡量需要人工干預(yù)的比例，即模型預(yù)測(cè)錯(cuò)誤的比例。補(bǔ)正率的計(jì)算公式為：

補(bǔ)正率越低，表示模型的自動(dòng)審批性能越好。準(zhǔn)確率用于衡量模型預(yù)測(cè)的準(zhǔn)確性，即模型正確預(yù)測(cè)的比例。準(zhǔn)確率越高，表示模型的預(yù)測(cè)性能越好。通過(guò)不同閾值變化，計(jì)算準(zhǔn)確率波動(dòng)情況，波動(dòng)越小，表示模型的性能越穩(wěn)定。構(gòu)建一個(gè)動(dòng)態(tài)優(yōu)化模型，用于調(diào)整審批閾值，降低補(bǔ)正率并提高準(zhǔn)確率，確保模型能夠在實(shí)際應(yīng)用中高效地進(jìn)行審批決策。

對(duì)于假設(shè)H2，模擬了三種不同深度的語(yǔ)義理解方法，以評(píng)估它們?cè)谧R(shí)別語(yǔ)義矛盾案例中的性能。關(guān)鍵詞匹配：基于簡(jiǎn)單關(guān)鍵詞的存在與否進(jìn)行判斷；句法分析：考慮關(guān)鍵詞的組合和句子結(jié)構(gòu)；領(lǐng)域知識(shí)推理：結(jié)合領(lǐng)域知識(shí)和上下文信息進(jìn)行推理。

誤判率用于衡量將正常案例誤判為異常的比例，計(jì)算公式如下：

該框架通過(guò)生成具有語(yǔ)義矛盾的測(cè)試數(shù)據(jù)，并使用誤判率作為評(píng)估指標(biāo)，能夠有效評(píng)估不同語(yǔ)義理解方法在財(cái)務(wù)報(bào)銷(xiāo)場(chǎng)景中的性能。這種方法為優(yōu)化語(yǔ)義理解模型提供了科學(xué)依據(jù)，有助于提高財(cái)務(wù)稽核的準(zhǔn)確性和效率。

針對(duì)假設(shè)H3，在多模態(tài)財(cái)務(wù)稽核數(shù)據(jù)中，圖像票據(jù)掃描件使用OCR工具識(shí)別其文本內(nèi)容，然后將內(nèi)容根據(jù)審核規(guī)則進(jìn)行結(jié)構(gòu)化處理。這些圖像進(jìn)行預(yù)處理（如調(diào)整大小、歸一化）后，輸入到預(yù)訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)中，提取圖像特征：

將結(jié)構(gòu)化數(shù)據(jù)、文本數(shù)據(jù)和圖像數(shù)據(jù)的特征進(jìn)行融合：

其中，融合方式采用Softmax函數(shù)，F(xiàn)結(jié)構(gòu)化、F文本、F圖像為采用Transformer提取的注意力特征。

使用高校制定的規(guī)則引擎邏輯樹(shù)來(lái)判斷是否異常。驗(yàn)證模塊負(fù)責(zé)評(píng)估不同模態(tài)組合特征的檢測(cè)性能，采用極限梯度提升（XGBoost）實(shí)施訓(xùn)練和檢測(cè)，通過(guò)集成多棵弱分類(lèi)樹(shù)實(shí)現(xiàn)高精度預(yù)測(cè)。其目標(biāo)函數(shù)結(jié)合對(duì)數(shù)損失和L2正則項(xiàng)：

其中，yi為真實(shí)值，pi為預(yù)測(cè)概率，λ為L(zhǎng)2正則化系數(shù)。

關(guān)鍵參數(shù)設(shè)置：樹(shù)深度為5控制模型復(fù)雜度，學(xué)習(xí)率0.1調(diào)節(jié)權(quán)重更新步長(zhǎng)，特征工程包含38維規(guī)則特征和50維TF-IDF文本特征。相比深度學(xué)習(xí)模型，XGBoost在結(jié)構(gòu)化特征處理上更高效，但受限于人工特征工程能力。

設(shè)計(jì)了三種模態(tài)組合：僅文本、文本+圖像、文本+圖像+結(jié)構(gòu)化數(shù)據(jù)。性能評(píng)估模塊計(jì)算并比較不同模態(tài)組合的準(zhǔn)確率（Accuracy）、召回率（Recall）、精確率（Precision）和F1分?jǐn)?shù)。計(jì)算公式分別為：

模型中的可視化模塊通過(guò)條形圖和混淆矩陣熱力圖展示不同模態(tài)組合的性能指標(biāo)和預(yù)測(cè)結(jié)果分布。該模型通過(guò)生成多樣化的異常樣本，確保模型能夠?qū)W習(xí)到更復(fù)雜的特征。通過(guò)歸一化、文本嵌入、圖像特征提取等預(yù)處理步驟，以及特征融合和損失函數(shù)的定義，模型能夠有效學(xué)習(xí)數(shù)據(jù)中的模式，并在財(cái)務(wù)稽核中檢測(cè)異常情況。

五、結(jié)果及分析

假設(shè)H1通過(guò)動(dòng)態(tài)優(yōu)化審批閾值，能夠顯著降低補(bǔ)正率至0.0%，遠(yuǎn)低于設(shè)定的15%要求，這說(shuō)明優(yōu)化后的模型在自動(dòng)審批方面表現(xiàn)出色，幾乎無(wú)需人工干預(yù)即可做出正確決策。同時(shí)，準(zhǔn)確率波動(dòng)控制在±1.06%以?xún)?nèi)，滿(mǎn)足了不超過(guò)2%的要求，體現(xiàn)了模型決策的高度穩(wěn)定性。優(yōu)化過(guò)程僅用了11輪迭代，遠(yuǎn)少于設(shè)定的50輪上限，顯示出優(yōu)化算法的高效性。總體而言，這些結(jié)果證明了動(dòng)態(tài)優(yōu)化方法在財(cái)務(wù)審批中的有效性，不僅減少了人工干預(yù)，而且確保了審批決策的一致性和可靠性，為財(cái)務(wù)審批流程的自動(dòng)化提供了有力支持。

假設(shè)H2的結(jié)果揭示了不同語(yǔ)義理解方法在財(cái)務(wù)報(bào)銷(xiāo)場(chǎng)景中的誤判率表現(xiàn)。句法分析方法的誤判率為0.0812，意味著在所有正常案例中，有約8.12%的案例被錯(cuò)誤地識(shí)別為異常，這可能是因?yàn)樵摲椒紤]了更復(fù)雜的句子結(jié)構(gòu)和關(guān)鍵詞組合，從而在某些情況下引入了額外的誤判。而關(guān)鍵詞匹配讓領(lǐng)域知識(shí)推理方法的誤判率同樣為0，說(shuō)明在利用領(lǐng)域知識(shí)進(jìn)行推理時(shí)，模型能夠準(zhǔn)確區(qū)分正常和異常案例，沒(méi)有出現(xiàn)誤判。

圖3是多模態(tài)模擬財(cái)務(wù)稽核數(shù)據(jù)的檢測(cè)結(jié)果可視化效果，各個(gè)指標(biāo)值如表6所示。

圖4對(duì)比了不同模型在多模態(tài)模擬財(cái)務(wù)數(shù)據(jù)上的檢測(cè)ROC曲線(xiàn)，包括XGBoost、輕量級(jí)梯度提升機(jī)（LightGBM）、Transformer、孤立森林（Isolation Forest）、圖神經(jīng)網(wǎng)絡(luò)（GNN）。

圖4的ROC曲線(xiàn)對(duì)比了五種模型在（a）訓(xùn)練集和（b）測(cè)試集上的性能表現(xiàn)，結(jié)果顯示：XGBoost和LightGBM在訓(xùn)練集上表現(xiàn)完美，在測(cè)試集上仍保持優(yōu)異性能，展現(xiàn)出強(qiáng)大的分類(lèi)能力；Transformer和GNN表現(xiàn)穩(wěn)定且接近樹(shù)模型，未出現(xiàn)過(guò)擬合現(xiàn)象；而Isolation Forest作為無(wú)監(jiān)督算法在分類(lèi)任務(wù)上表現(xiàn)相對(duì)較弱，與其他監(jiān)督學(xué)習(xí)方法存在明顯差距。

六、結(jié)論

本文通過(guò)構(gòu)建融合多模態(tài)數(shù)據(jù)（結(jié)構(gòu)化數(shù)據(jù)、文本數(shù)據(jù)和圖像數(shù)據(jù)）的智能財(cái)務(wù)稽核模型，深入研究了 DeepSeek在智能財(cái)務(wù)稽核中的應(yīng)用。研究結(jié)果表明，多模態(tài)數(shù)據(jù)融合顯著提高了異常檢測(cè)的準(zhǔn)確性和效率。特別是通過(guò)OCR技術(shù)提取圖像中的文本內(nèi)容，進(jìn)一步豐富了模型的輸入信息，提升了模型對(duì)復(fù)雜場(chǎng)景的適應(yīng)能力。動(dòng)態(tài)優(yōu)化模型能夠根據(jù)不同的風(fēng)險(xiǎn)水平調(diào)整審批閾值，有效降低補(bǔ)正率并提高準(zhǔn)確率。此外，通過(guò)模擬三種不同深度的語(yǔ)義理解方法，驗(yàn)證了領(lǐng)域知識(shí)推理在識(shí)別語(yǔ)義矛盾案例中的優(yōu)越性能。為了檢測(cè)深度學(xué)習(xí)特征融合對(duì)檢測(cè)的影響，采用了五個(gè)常見(jiàn)模型進(jìn)行對(duì)比，在數(shù)據(jù)量較小的情況下采用XGBoost最佳，數(shù)據(jù)量較大時(shí)可以選擇LightGBM。這些發(fā)現(xiàn)為智能財(cái)務(wù)稽核提供了科學(xué)依據(jù)，展示了多模態(tài)數(shù)據(jù)融合和動(dòng)態(tài)優(yōu)化在實(shí)際應(yīng)用中的潛力。

然而，本研究也存在不足之處。首先，盡管多模態(tài)數(shù)據(jù)融合顯著提升了模型的性能，但模型在處理某些復(fù)雜場(chǎng)景時(shí)仍可能存在局限性。例如，在處理高度模糊或缺損的票據(jù)圖像時(shí)，OCR技術(shù)的識(shí)別準(zhǔn)確率可能會(huì)下降，從而影響模型的整體性能。其次，語(yǔ)義理解方法雖然在識(shí)別語(yǔ)義矛盾案例中表現(xiàn)出色，但在處理特定行業(yè)術(shù)語(yǔ)和復(fù)雜語(yǔ)義關(guān)系時(shí)，仍可能存在誤判。此外，動(dòng)態(tài)優(yōu)化模型雖然能夠有效調(diào)整審批閾值，但在實(shí)際應(yīng)用中，模型的訓(xùn)練和優(yōu)化需要大量的歷史數(shù)據(jù)支持，數(shù)據(jù)的獲取和標(biāo)注成本較高。未來(lái)的研究可以進(jìn)一步優(yōu)化多模態(tài)數(shù)據(jù)融合方法，提升模型在復(fù)雜場(chǎng)景下的魯棒性和適應(yīng)性，同時(shí)應(yīng)關(guān)注區(qū)塊鏈存證、小樣本學(xué)習(xí)等方向，以推動(dòng)智能財(cái)務(wù)稽核技術(shù)的落地應(yīng)用和創(chuàng)新發(fā)展。

【參考文獻(xiàn)】

［1］ 宋文婧.高校財(cái)務(wù)稽核新路徑探索［J］.財(cái)會(huì)學(xué)習(xí)，2024（22）：61-63.

［2］ 楊陽(yáng).高校內(nèi)部控制與財(cái)務(wù)稽核的協(xié)同作用探討［J］.財(cái)經(jīng)界，2024（33）：90-92.

［3］ 財(cái)政部，國(guó)家檔案局.關(guān)于規(guī)范電子會(huì)計(jì)憑證報(bào)銷(xiāo)入賬歸檔的通知［A］.2020.

［4］ 劉盼盼，李強(qiáng).數(shù)字化轉(zhuǎn)型背景下高校網(wǎng)絡(luò)財(cái)務(wù)報(bào)銷(xiāo)優(yōu)化研究：以K高校為例［J］.教育財(cái)會(huì)研究，2024，35（6）：71-76，91.

［5］ 孟添，陸岷峰.基于DeepSeek的科技金融數(shù)智化探索：技術(shù)優(yōu)勢(shì)、行業(yè)賦能與未來(lái)挑戰(zhàn)［J/OL］.企業(yè)科技與發(fā)展，2025-03-29.

［6］ 白卓玉.DeepSeek對(duì)我國(guó)會(huì)計(jì)行業(yè)的挑戰(zhàn)、機(jī)遇與應(yīng)對(duì)［J］.會(huì)計(jì)之友，2025（8）：143-149.

［7］ IS S，DR A.Advancements in AI-Powered NLP models：a critical analysis of ChatGPT and DeepSeek［J］.Available at SSRN 5125445，2025.

［8］ SHARMA N.Large language models in semantic parsing for log analysis and anomaly detection［D］.Norwegian University of Life Sciences，2024.

［9］ YAO L.Application of artificial intelligence technology in enterprise financial audit［C］//2024 International Conference on Integrated Circuits and Communication Systems （ICICACS）.IEEE，2024：1-5.

［10］ 財(cái)政部，國(guó)家檔案局.會(huì)計(jì)檔案管理辦法［A］.2015.

［11］ 潘潔，劉勤，吳忠生，等.類(lèi)ChatGPT技術(shù)在企業(yè)智能財(cái)務(wù)建設(shè)中的應(yīng)用思考［J］.會(huì)計(jì)之友，2024（3）：139-144.

［12］ 何瑛，趙欣越，朱子明.ChatGPT賦能智能財(cái)務(wù)建設(shè)的理論機(jī)制與實(shí)施路徑［J］.會(huì)計(jì)之友，2025（10）：94-101.

［13］ 董中友，李慧，張璐.郵政企業(yè)財(cái)務(wù)稽核智能化轉(zhuǎn)型思路及策略研究［J］.郵政研究，2023，39（4）：11-18.

［14］ 莫蓉.人工智能時(shí)代高校財(cái)務(wù)稽核工作轉(zhuǎn)型探析［J］.會(huì)計(jì)師，2023（5）：112-114.

［15］ 劉策.人工智能技術(shù)在通信企業(yè)財(cái)務(wù)稽核中的應(yīng)用探討：以A通信企業(yè)為例［J］.企業(yè)改革與管理，2022（12）：30-32.

［16］ 王莉，邵立，陳友翠.基于內(nèi)控管理視角的高校財(cái)務(wù)共享服務(wù)中心建設(shè)：以M大學(xué)為例［J］.中國(guó)鄉(xiāng)鎮(zhèn)企業(yè)會(huì)計(jì)，2024（16）：187-189.

［17］ 張振中，王寧，劉笑冉，等.大數(shù)據(jù)技術(shù)下構(gòu)建高校財(cái)務(wù)稽核體系的實(shí)踐探索：以H大學(xué)為例［J］.財(cái)政監(jiān)督，2024（16）：87-92.

［18］ 李曉粉，陳國(guó)旗，李紹君，等.基于財(cái)會(huì)監(jiān)督的高校財(cái)務(wù)智能稽核系統(tǒng)建設(shè)及應(yīng)用：以中國(guó)計(jì)量大學(xué)為例［J］.教育財(cái)會(huì)研究，2024，35（1）：57-61，95.

［19］ 周榮婧.基于大數(shù)據(jù)管理會(huì)計(jì)的“12465”智能財(cái)務(wù)會(huì)計(jì)共享體系研究［J］.中國(guó)總會(huì)計(jì)師，2024（1）：79-82.

［20］ LIU L.Construction of financial bill recognition model based on deep learning［J］.Journal of Combinatorial Mathematics and Combinatorial Computing，2024， 120：253-264.

［21］ 張?chǎng)?，靳霞，李?基于自然語(yǔ)言處理技術(shù)的財(cái)務(wù)分析：以比亞迪公司為例［J］.會(huì)計(jì)之友，2022（23）：28-36.

［22］ 桑磊，李世豪，南山，等.基于規(guī)則引擎的醫(yī)保審核系統(tǒng)的開(kāi)發(fā)和應(yīng)用［J］.中國(guó)數(shù)字醫(yī)學(xué)，2023，18（11）： 65-69.

［23］ 王翠玉，李海琳.基于大數(shù)據(jù)角度的高等院校財(cái)務(wù)稽核工作探索［J］.納稅，2023，17（9）：43-45.

［24］ 張敏潔，蔡鵬生，劉鳴偉.運(yùn)用智能稽核強(qiáng)化財(cái)務(wù)監(jiān)督職能，打造高效、智能的財(cái)務(wù)稽核體系［J］.中國(guó)總會(huì)計(jì)師，2022（5）：40-44.

［25］ 莊瑋瑋，陳財(cái)，邱國(guó)新.基于深度強(qiáng)化學(xué)習(xí)的動(dòng)態(tài)投資組合優(yōu)化新模型［J］.中國(guó)科學(xué)技術(shù)大學(xué)學(xué)報(bào)，2022，52（11）：15-28.

［26］ 陳虎，付宏.DeepSeek在財(cái)務(wù)領(lǐng)域的應(yīng)用研究［J］.會(huì)計(jì)之友，2025（10）：87-93.