何杨
内容摘要：人工智能（AI）时代使得简单重复性工作具有了更大的可替代性，对创新型人才提出了更高的要求。在新文科建设的大背景下，税收专业人才培养面临着较大的挑战，也充满了新的机遇。本文在课程设置、实践项目等方面的尝试进行总结，提出构建面向人工智能时代的税收专业综合应用能力培养的设想。
关键词：人工智能 财税专业 综合应用能力
近年来大数据、云计算、人工智能等新兴技术迅猛发展，正在引发全球范围内新一轮的技术革命和数字经济浪潮。工业级机器人的大范围使用和生产自动化的实现正在对具有低人力资本结构特征的劳动者形成就业冲击，使其就业选择多为低生产率部门。面对这一发展趋势，我国高等教育适时提出了新文科建设的倡议。2020年11月3日，由教育部新文科建设工作组主办的新文科建设工作会议召开，发布《新文科建设宣言》，对新文科建设做出全面部署。新文科建设不仅对所有人文社会科学专业发展提出了新的要求，也提供了新的机遇。税收专业应用性强，是与自然科学技术关系最为密切的文科专业之一，这使它在所有人文社会科学中处于与自然科学融合领先的位置。面对新科技革命带来的新技术，税收专业同样应该做领先的探索者，使其与新科技达到相融合的状态，更好地满足人工智能时代技术发展对于税收人才的需求。
一、人工智能时代对于税收人才的新要求
1. 人工智能发展提升创新型人力资本的价值
当前中国经济已经进入新常态，而数字经济培育新经济增长点的作用亦逐步显现。在1980年至2016年期间，低技能工人的实际就业下降，高技能工人的就业则持续增长，二者呈现出“两极分化”的趋势。传统意义上应当由中低等技能工人胜任的分工位置，正在越来越多地让渡于雇主直接用资本和新技术代替劳动力的过程。在发达经济体中，自动化的出现已经导致了就业机会和工资水平同时下降的趋势。因此人们担心新技术正在“制造劳动力”，而使得自然劳动力的所有者——人被资本和新技术所边缘化。从就业机会变动的角度看，经验证据表明1998年至2007年十间工业机器人使用量的增长造成了美国本土劳动力市场的就业恶化，1000名工人所对应的机器人数量每增加一台，导致就业率减少0.18%至0.34%。从薪酬变动的角度看，1000名工人所对应的机器人数量每增加一台，平均工资水平减少0.25%至0.5%（Acemoglu & Restrepo,2013）。
大数据显示，中国的新经济指标与制造业的采购经理人指数等多个传统经济指标负相关（沈伟，2016）。其背后隐含的事实是，在劳动密集型产业发展增速放缓和数字经济冲击的双重作用下，具有低人力资本结构特征的劳动力在市场上的就业形势将面临更大的不确定性。一方面，数字经济所带来的颠覆性商业模式会极大地冲击传统市场格局，消弭某些传统的分工选择。研究表明传统商业模式下消费者始终在交易中保持匿名状态，则公司在识别客户时仅能使用过往的购买信息来区分消费者对价格的敏感度，但社交网络的普及和大数据的应用完全能够实现更加精准的用户画像，从而倒逼企业放弃传统的定价和盈利模式（王大伟，2012）。另一方面，在新业态经济形式的催化下，每个人的闲暇与他人的工作将呈现出相互纠葛的时间分布状态（杨伟国，2018）。从这个意义上讲，分工导致效率提升的经济本质并未发生变化，变化了的无非是具体的就业形态和分工格局。具有高人力资本结构特征的劳动者，在数字经济情境下，能够面临愈加灵活的分工选择，即可以更加灵活地将自身劳动力配置于传统部门或数字经济部门。而具有相对低人力资本结构特征的劳动者则与此相反（曲海慧，2019）。
2. 人工智能发展助力税务科技含量大幅提升
人工智能（AI）的发展带动了商业智能（BI）、机器学习（ML）、企业绩效管理（EPM）的发展，也对企业税务、税务管理带来变革性的影响。在科技的助力下，企业税务部门可能从幕后走出来，成为企业增值的商业伙伴。税务管理将进一步为企业提供更具洞察力的建议、协助决策、推动企业长期价值的增长。
（1）模拟和建模——BI和EPM
企业资源规划（ERM）定义为提供一套集成的商业应用程序的能力。企业资源规划工具共享一个通用的过程和数据模型，涵盖广泛而深入的端到端操作流程，如财务、人力资源、分销、制造、服务和供应链中的流程。
商业智能（BI）是指收集、存储、报告和分析商业数据以帮助制定战略决策的应用程序、基础设施、工具和最佳实践。EPM是与BI相关的一种商业规划形式，涉及评估和管理企业绩效，以达到关键绩效指标、提高效率或实现商业流程价值最大化。例如在转让定价中，BI和ERP相结合的系统可以将底层数据建模到随后运行计算必要的状态。预测模型可以通过结合实时的实际数据和预测数据来创建。该应用程序简化了复杂的计算，从而能够根据确定的驱动因素准确分配成本。从转让定价的应用来看，模拟是指跨数据运行多个场景的能力，使用户能够针对涉及公司间事务的多个场景进行相应的规划。通过模拟价格变化和日记帐调整的组合，可以创建对结果的预测视图。最终用户可以了解其他税种（如关税和预扣税）的连锁反应，以便更好地做出决策。
人工智能也可用于直接税，其中一项活动是直接税计算，包括计算差额、递延税款、税损结转、税务成本、税率调节和资产负债表头寸计算。这些科技还可以支持纳税申报表的编制和归档以及报告的编制，如国别报告。此外，它们还可以对有效税率（ETR）进行更有效的分析和管理，以期降低有效税率并确保长期可持续的ETR。因此，人工智能可以帮助税务部门满足其自身的关键绩效指标，从而使税务部门能够进一步展示其对企业的价值。
（2）数据湖（data lake）
数据湖也正在成为中心舞台，最简单的形式就是一个存储各种来源的结构化、半结构化和非结构化数据的存储库，包括ERP系统、规划系统、贸易系统和第三方数据。结构化数据是高度组织和格式化的，以便于在数据库中搜索——最常见的是定量数据。相反，非结构化数据没有预先定义的格式，而且相对来说是无组织的，这使得摄取、处理和分析更具挑战性。从结构化数据中获取洞察要容易得多。用于创建数据湖的一些更成熟的科技包括Hadoop和Microsoft Azure，它们都可以通过强大的处理平台来管理大量的粒度源数据。数据湖和数据仓库之间的关键区别在于数据湖在团队访问数据时使用数据并“在移动中”构建数据的速度。这在涉及报告、分析和监视的操作案例中特别相关，在这些案例中，团队需要最新的数据来每天多次运行流程。相反，在数据仓库中，数据是在发布到仓库之前预先准备好的。数据湖可以通过税收加以利用，但要使数据具有相关性和可用性，还需要一定程度的初始干预。税务解决方案首先需要挖掘数据并将其转换为信息。在这里，机构通常会部署数据科学家的技能来挖掘数据湖中任何显著的模式、集群和异常。为了使数据和后续洞察对税收职能有价值，数据湖需要按税种和适当的粒度级别包括所需的数据。因此，详细的源数据是关键，适当的分析技术为EPM使创造一个基础的可靠数据成为可能，从而导致更有效的分析和决策。尽管目前税收很少使用非结构化数据，数据湖对税务的用处不大，但是这完全取决于未来税收申报要求将如何演变。
（3）为税收解锁区块链
简单地说，区块链是分布式计算机网络之间共享的已验证交易的数字账本。它使公司能够在合作伙伴之间以高效和可信的方式传输数据、货币和其他资产，而无需中央授权。区块链可以高度有效地配置税收，特别是在间接税的领域。无论是政府部门还是企业，区块链都可以为税务管理带来显著的好处。区块链区别于传统数据库或ERP系统的一个具体特征是它能够实现智能合约。当交易方满足预定义条件时，智能合约智能地执行协议条款，如支付和资产转移。这样做的好处是所有各方都能自动透明，大大降低了与协调、监测和执法有关的成本，甚至可以消除这些成本。智能合约可以为企业、税务和海关管理部门带来挑战和机遇。对于间接税，我们可能会看到未来的应用：分布式账本降低对发票的需求，政府可以强制使用加密货币来进行增值税退税，自动提交报关单，或管理部门创建区块链用于传输税收和海关数据以及纳税人和政府门户网站之间的缴款。对于贸易而言，区块链中交易的物品可能意味着海关当局可以在每个阶段（成品、原材料、组件和半成品）完全准确地核实货物的原产地和性质。他们甚至可以在货物跨境时自动征收关税，从而取消第三方申报。在转让定价中，区块链可用于跟踪跨国企业集团的内部交易，并通过智能合约按照预先设定的独立交易条件进行支付，智能合约通过在区块链上写入代码的简单触发器进行操作。本质上，如果满足特定条款，智能合约将自行执行。智能合约能够在不需要第三方干预的情况下执行可信的交易。由于交易是不可逆的，并且是完全可跟踪的。这对于涉及共享资产所有权、成本分摊协议和利润分配方法的应交易尤其有价值。企业还可以利用区块链科技优化集团内部资金交易，包括集团内部当前账户、现金池、其他类型的贷款交易和担保等。
（4）人工智能（AI）和机器学习（ML）
过去，大批税务师会计师需要费力地翻阅公司账目以确定税务可能的影响，细致的工作需要高技能税务专业人员的知识和经验。但是未来，一台使用人工智能的机器很可能在几秒钟内完成大部分的工作，提高了准确性和一致性，从而使税务团队能够提供更有价值的贡献。通过使用人工智能，可以将日常任务减少到最低限度，例如，通过建议正确的报税代码或警告可能的错误来提高合规性。关联规则还可用于查找指向错误付款或输入的可疑特征组合。在全球贸易的情况下，在部署基于人工智能的专有分类工具来纠正问题之前，可以利用机器学习解决方案分析产品分类的主数据。因此，内部税务部门有更多的时间处理真正重要的任务。其他节省时间的应用程序包括使用人工智能和总账计数去独立分析交易、用户、金额和账户，并检测总账中的异常、错误或欺诈。AI和ML还可以与数据科学技术相结合，如线性回归分析，换句话说，为预测和确定某些变量之间的“因果”关系建模。以这种方式应用，再加上线性回归分析，人工智能可以根据历史和实际的时间序列信息，推动对税收的预测洞察。人工智能还可以智能地应用在假设模拟中，使税务部门能够利用实际数据和年度数据，并根据其转让定价政策和销售模式的假设变化来模拟各种情况。然后，税务团队可以将对实际有效税率和关税的潜在影响可视化，使他们能够提前计划并提前做出战略性、前瞻性的决策。
人工智能对于企业税务和税务管理的变革性影响，对税收专业学生综合应用能力培养提出了更高的要求。习近平总书记指出，“只有培养出一流人才的高校，才能够成为世界一流大学。”我们正处在一个机遇与挑战并存的“新时代”，一流本科教育是一流大学的底色，培养出一流本科人才，是一流大学建设的重要基石。本科阶段是学生世界观、人生观、价值观形成的关键时期，也是培养专业素养和核心能力的重要阶段。在人才培养上应该致力于面向人工智能时代的未来需求，在课程设置和培养模式上进行创新。从树立正确的人才观、发展观、质量观，调整财税专业布局和专业内容，进行课程改革，增设数字经济相关课程与实践活动，提高学生的数字素养，构建适应数字经济发展的人才培养方案和管理机制，结合校企合作、搭建产教融合人才培养平台、全球AI生态平台等方面实施系统的人才培养模式创新。
二、人工智能时代集合化课程设置探讨
1. 完善多元化、数字化、国际化的税收课程体系。在新的历史背景下，应该致力于建设“1+n+x，y，……”的税收学课程体系，与校内、校外单位合作开发Python、AI、机器学习等税收应用课程，通过“内涵建设”和“外延建设”，建立多元化、数字化和国际化的税收类课程体系。创新教学模式，每门专业核心课程实现在线课程+线上线下授课模式的目标。
注重人工智能与税收人才培养的顶层设计，将人工智能课程和实践融入到税收专业人才培养中来。结合税收专业人才培养的目标导向，剖析数字化应用场景的内容体系，梳理成以“基本数字化技能训练、专业素养训练和综合创新训练”为主要内容的三大任务，将以“三大任务”为主要内容的第二课堂融入到税收人才培养的第一课堂中来，强化二者的衔接，分层有序推进实施。
2. 发挥国内外人工智能平台在人才培养中的协同作用。一方面利用税收仿真实验室，利用好校内外和全球的数字化平台，打破行业和学科界限，使得学生能够掌握核心的数字化知识和技能，并能够应用到税收的实践中，帮助提升税收政策制定和税收业务实践的水平和价值。另一方面与加拿大、澳大利亚等国际上数字化人才培养的生态系统加强深度合作，使得学生较早融入数字化生态，培养数字化思维，提升数字化与专业化的复合能力。
3. 构建数字化的高效人才培养管理机制。建立学生数字化成长档案，定期进行线上评估，并针对问题进行辅导。提高辅导员、教务干事、班主任和专任教师等学生培养参与者的数字化管理能力，构建数字化网格机制，实现培养信息的相互交流，挖掘数据价值，提高管理效率，实现协同效应。
三、人工智能时代平台化实践项目实践
人工智能等技术的发展为实践项目提供了更多的机遇。通过与不同国家的高校和企业开展“AI for Local Value”这一面向全球的关于介绍人工智能在企业、学校、社区、政府等各种场景中的应用的学习项目，通过线上学习和一些线下的实践作业，参与学生对于人工智能的发展应用有了全新且深刻的认识。
资料来源：“AI for Local Value”平台化实践项目
在实践中通过相互式学习，人工智能对于税务专业人才综合应用能力的提升起到了重要作用。
一个有价值的运用人工智能的机会需要明确组织当前运营的困难和问题所在，在了解组织提供的产品和团队构成的基础上，寻找成功的方式和途径。AI算法、资本、数据、软件、人才都是挖掘一个有价值的AI机会的必要因素，都能为人工智能的应用和组织创造更多价值做贡献。
制造业企业可以将“大数据”与人工智能技术相结合，将人工智能应用于市场前景预测，并根据人工智能算法的建议改进产品。公司的利益相关者应该更清楚地了解他们的数据，并通过使用这些数据建立主题模型来达到他们想要达到的目标。企业要想通过模型得到可靠的结果，首先要尽可能多地收集相关数据，然后从中选择最相关的数据。最后再使用一些算法工具来获得平衡后的结果。
3. 人工智能项目的研发和应用需要大量资金，为人工智能项目吸引资金需要一个有吸引力的故事和令人满意的数据，以给投资者一个令人满意的预期回报值。
4. 企业可以利用大数据平台收集更多的统计数据，寻找更多利益相关者的信息，然后利用人工智能分析利益相关者的偏好，以满足他们的需求。企业可以利用人工智能改变资源组合，提高效率和收益率，从而说服外部利益相关者。
5. 企业要随时关注竞争对手，利用一些关键利益相关者的反馈和状态，然后利用人工智能分析反馈以改进自己的方案。
在学习期间学生通过许多其他平台对当前AI在世界范围内和各领域的应用情况做了一些了解。虽然目前人工智能的应用在现代生活和工作中已经非常广泛，但是大众对其的质疑声也从未中断，人工智能的发展仍然任重道远，如何解决普通大众对其的畏惧和质疑心理将是未来AI进一步普及的重要议题。
四、提升税收专业学生综合应用能力培养的思考
虽然人工智能的发展方兴未艾，但是税收专业人才模式的改革还刚刚起步，应该在人才培养的多个方面协同发力。
1. 构建数字化引领的税收人才培养顶层设计，围绕三大任务主线的内在逻辑关系，分层次有序推进。具体包括人工智能时代基本技能训练、人工智能应用专业素养训练和人工智能综合创新训练三大任务体系。基本技能训练要先行，重在培养学生对于信息技术、AI和机器学习等基本知识和应用工具；专业素养训练要跟进，重在消除学生对于税收专业应用数字化技术的陌生感，提高毕业后胜任人工智能时代对于工作岗位的新要求；综合创新训练是升华，重在提升学生融入数字化社区，分析问题解决问题的能力。
2. 构建涵盖课程体系、教学方式、实践形式的人才培养机制。一是在培养方案中分阶段引入大数据、Python、AI、机器学习等课程，并支持校内外合作开发财税应用课程。二是在教学方式上大力推进线上与线下相结合的教学模式，鼓励任课教授运用数字化技术和网络平台，更好地实现资源互相和线上互动。三是在实践形式上，加入业内和全球数字化生态，参与数字化应用创新，提升数字化能力。
3. 创新专业课程教学内容和教学方法。按照“新文科”的建设理念，突破现有文科框架，加强跨学科融合，将信息技术、人工智能、机器学习等内容融入财政税收的理论创新与教学实践。突破传统教学方式，核心课程全部建成全英文在线课程，并运用线上线下相结合的翻转课堂、SPO课堂等方法，最大限度调动学生学习的积极性和主动性，强化教学相长，营造生动有趣的教学氛围。
4. 形成全方位的创新型国际化税收专业人才培养模式。经过建设和探索，基本形成以“以充分调动学生学习积极性为前提，以优化专业课程设计和完善教材体系内容为基础，以理论扎实，注重应用为导向，集约校内外教师资源，丰富教学方式方法，实现高级复合型、国际化税务人才培养目标”的创新型人才培养目标，通过机制创新、资源整合和踏实育人，更好地提升税务人才的综合应用能力。
参考文献：
[1]陈秋霖，许多，周羿.人口老龄化背景下人工智能的劳动力替代效应——基于跨国面板数据和中国省级面板数据的分析[J].中国人口科学,2018,(6):30-42.
[2]侯海波，王罗汉.人口红利、经济增长与人力资本红利——一个文献研究的视角[J].现代管理科学,2018, (1):88-90.
[3]刘智勇，李海峥，胡永远.人力资本结构高级化与经济增长——兼论东中西部地区差距的形成和缩小[J].经济研究,2018, (3):50-63.
[4]曲海慧，冯珺.创新经济、人力资本结构与分工——一个解释性的理论框架[J].管理现代化,2019, (2):102-106.
[5]杜海坤，李建民.从欧盟经验看数字人才培养[J]中国高等教育,2018, (2):61-63
[7]吴画斌，许庆瑞，陈政融.数字经济背景下创新人才培养模式及对策研究[J]. 科技管理研究,2019, (8):116-121.
[8]吴禀雅.赋能数字经济的人才培养模式探索[J].科技视界,2020, (12):98-100.
[9]中国信通院.《中国数字经济发展白皮书（2020年）》[Z]北京:中国信息通信研究院,2020．
[10]Acemoglu D,Autor D H. Skills, Tasks and Technologies:Implications for Employment and Earnings[M].Elsevier,2011.
[11]Akerman A,Gaarder I,Mogstad M. The Skill Complementarity of Broadband Internet[J].Social Science Electronic Publishing,2013,130(4):1-28.
[12]Brynjolfsson E,Mitchell T. What can Machine Learning Do? Workforce Implications[J].Science,2017,358（6370）：1530-1534.
（作者工作单位：中央财经大学财政税务学院）
