業(yè)財(cái)融合領(lǐng)域多粒度知識(shí)熱點(diǎn)分析

李承犁 嚴(yán)承希 徐思昊

【摘要】通過(guò)對(duì)CNKI 2012 ～ 2019年引文數(shù)據(jù)集的發(fā)表年、關(guān)鍵詞和機(jī)構(gòu)等元數(shù)據(jù)進(jìn)行文本處理與分析，結(jié)合內(nèi)容分析法、共詞分析法及主題聚類建模等量化分析手段，從宏觀與微觀兩個(gè)層面對(duì)我國(guó)業(yè)財(cái)融合策略在不同經(jīng)濟(jì)行業(yè)和領(lǐng)域機(jī)構(gòu)所呈現(xiàn)的熱點(diǎn)方向和主題分布特征進(jìn)行深入挖掘和分析。研究發(fā)現(xiàn)：業(yè)財(cái)融合在不同領(lǐng)域行業(yè)的側(cè)重點(diǎn)以及理論與實(shí)務(wù)研究方面既有一定的聯(lián)系，也存在一定的差異。

【關(guān)鍵詞】業(yè)財(cái)融合;財(cái)務(wù)管理;管理會(huì)計(jì);財(cái)務(wù)共享;財(cái)務(wù)轉(zhuǎn)型

【中圖分類號(hào)】F275? ? ? 【文獻(xiàn)標(biāo)識(shí)碼】A? ? ? 【文章編號(hào)】1004-0994（2020）05-0144-6

一、引言

隨著企業(yè)管理要求的不斷提升，會(huì)計(jì)職能已經(jīng)由財(cái)務(wù)會(huì)計(jì)向管理會(huì)計(jì)轉(zhuǎn)型。財(cái)務(wù)工作不再是對(duì)業(yè)務(wù)的事后監(jiān)督和核算，而應(yīng)具有前瞻性地參與全業(yè)務(wù)流程并計(jì)算業(yè)務(wù)活動(dòng)的績(jī)效，再將重要的信息反饋給具體業(yè)務(wù)部門，從而為業(yè)務(wù)活動(dòng)提供決策支持。隨著“互聯(lián)網(wǎng)+”、大數(shù)據(jù)、云計(jì)算、人工智能等信息技術(shù)的不斷演進(jìn)，其在會(huì)計(jì)核算及財(cái)務(wù)管理中的應(yīng)用越來(lái)越深入，這為業(yè)財(cái)融合帶來(lái)了技術(shù)基礎(chǔ)。

業(yè)財(cái)融合能為企業(yè)管理帶來(lái)新的動(dòng)力，但是要想把紛繁的業(yè)務(wù)數(shù)據(jù)、流程與標(biāo)準(zhǔn)化的財(cái)務(wù)會(huì)計(jì)融合在一起，需要研究和解決諸多難題。近年來(lái)，我國(guó)在業(yè)財(cái)融合領(lǐng)域的研究日益增多，相應(yīng)的研究成果也不斷涌現(xiàn)。本文旨在通過(guò)對(duì)我國(guó)業(yè)財(cái)融合領(lǐng)域的研究現(xiàn)狀進(jìn)行深入分析，從知識(shí)熱點(diǎn)的角度，以可視化圖譜為技術(shù)基礎(chǔ)，分析展示我國(guó)業(yè)財(cái)融合領(lǐng)域的研究方向、特點(diǎn)和主要成果，為進(jìn)一步開(kāi)拓業(yè)財(cái)融合研究與應(yīng)用的知識(shí)范圍提供參考。

二、研究方法

（一）關(guān)鍵詞共詞分析

共詞分析法是一種將文獻(xiàn)中關(guān)鍵詞之間的共現(xiàn)概率轉(zhuǎn)化為相似矩陣或者網(wǎng)絡(luò)，以支持更深度的社會(huì)網(wǎng)絡(luò)分析或聚類分析的量化方法。Callon等[1] 認(rèn)為，共詞分析可以用于描述創(chuàng)新知識(shí)點(diǎn)在不同階段之間的交互作用，以及辨別一項(xiàng)基礎(chǔ)或應(yīng)用研究是否是該領(lǐng)域發(fā)展的根本動(dòng)力。本文將使用基于“業(yè)財(cái)融合”文獻(xiàn)集的關(guān)鍵詞共詞網(wǎng)絡(luò)進(jìn)行相關(guān)主題知識(shí)領(lǐng)域分析。

除了術(shù)語(yǔ)的標(biāo)準(zhǔn)性問(wèn)題，越來(lái)越多的研究發(fā)現(xiàn)共詞分析的關(guān)鍵步驟是構(gòu)建合理大小的高頻詞共現(xiàn)矩陣[2，3] ，如何對(duì)文獻(xiàn)集合中的高頻與低頻詞匯進(jìn)行科學(xué)切分成為當(dāng)前運(yùn)用共詞分析法的難點(diǎn)問(wèn)題。常見(jiàn)的方法主要有經(jīng)驗(yàn)值法[4] 、基于齊普夫第二定律的Donohue切分法[5] 以及基于H指數(shù)或G指數(shù)的高頻詞切分法[6，7] 等。本文結(jié)合定量閾值切分與專家定性判別的方法，綜合確定最后的高頻詞切分界限。本文主要比較了三種常見(jiàn)的關(guān)鍵詞切分方法，即Donohue切分法、H指數(shù)切分法和G指數(shù)切分法，這里分別簡(jiǎn)記為DhI、HI和GI。假設(shè)按照詞頻統(tǒng)計(jì)由大到小進(jìn)行排序，排名第i的關(guān)鍵詞詞頻為Freqi，I1為文獻(xiàn)集合出現(xiàn)次數(shù)為1的關(guān)鍵詞數(shù)量，則這三類關(guān)鍵詞切分閾值k可以表示如下：

（二）內(nèi)容分析法

美國(guó)著名社會(huì)學(xué)家Bernard[8] 認(rèn)為，內(nèi)容分析法是一種用于描述交流中具有明確特征的傳播內(nèi)容且具有一定客觀性、系統(tǒng)性和定量性特點(diǎn)的研究方法。從本質(zhì)上而言，該分析方法是通過(guò)對(duì)文獻(xiàn)內(nèi)容“量”的分析來(lái)找出反映文獻(xiàn)“質(zhì)”的更深刻、更精確的認(rèn)識(shí)[9] 。因此，內(nèi)容分析法應(yīng)該是從屬于定性與定量相結(jié)合的一種分析手段，其步驟一般包括抽樣、編碼和量化分析等，常常被用于基于文獻(xiàn)資源的循證類研究[10] 。

為了展現(xiàn)業(yè)財(cái)融合在我國(guó)不同領(lǐng)域與行業(yè)中主題分布的特征，本文基于內(nèi)容分析法對(duì)相關(guān)文獻(xiàn)資源涉及的組織機(jī)構(gòu)的領(lǐng)域類型與經(jīng)濟(jì)行業(yè)分類分別進(jìn)行編碼，并結(jié)合主題聚類分析、信息計(jì)量分析的結(jié)果進(jìn)行綜合比較。

本文對(duì)組織機(jī)構(gòu)的劃分采用兩層分級(jí)，其中：第一層級(jí)包括政企行業(yè)和教研機(jī)構(gòu)兩種類型;第二層則將其進(jìn)一步分為五類子領(lǐng)域，包括企業(yè)、高校與教育機(jī)構(gòu)、醫(yī)院與醫(yī)療機(jī)構(gòu)、研究類院所，以及政府和軍隊(duì)機(jī)構(gòu)。對(duì)于相關(guān)經(jīng)濟(jì)行業(yè)的分類方式，本文使用2017年國(guó)民經(jīng)濟(jì)行業(yè)分類標(biāo)準(zhǔn)（Industrial Classification for National Economic Activities，ICNEA）作為行業(yè)分類的基準(zhǔn)參照。ICNEA是由國(guó)家質(zhì)量監(jiān)督檢驗(yàn)檢疫總局和標(biāo)準(zhǔn)化研究院發(fā)布的有關(guān)我國(guó)國(guó)民經(jīng)濟(jì)行業(yè)分類的國(guó)家標(biāo)準(zhǔn)，旨在統(tǒng)一與標(biāo)準(zhǔn)化國(guó)民經(jīng)濟(jì)中同性質(zhì)的包含生產(chǎn)、運(yùn)營(yíng)和交易等各類經(jīng)濟(jì)活動(dòng)的組織結(jié)構(gòu)類目體系和相關(guān)術(shù)語(yǔ)集合的定義與范疇[11] 。該分類標(biāo)準(zhǔn)是我國(guó)目前最新的國(guó)家行業(yè)類標(biāo)準(zhǔn)，其標(biāo)準(zhǔn)制定程序嚴(yán)格準(zhǔn)確，具有相當(dāng)?shù)目尚哦扰c權(quán)威性。

（三）主題建模聚類

Blei等[12] 在2003年首次提出了一種基于狄利克雷分布的文檔主題生成算法，即LDA模型。該模型假定采樣過(guò)程中的參數(shù)服從狄利克雷分布，利用貝葉斯模式下所抽取的隱主題后驗(yàn)概率所服從的多項(xiàng)式概率與先驗(yàn)狄利克雷分布之間所成的共軛關(guān)系進(jìn)行兩階段的主題生成，結(jié)合Gibbs抽樣方式進(jìn)行“詞—主題”與“文檔—主題”矩陣的求解。盡管LDA模型可以快速有效地挖掘出文檔集合中潛在隱主題的分布，形成概率性分布的聚類集合，具有一定的解釋力度，但從本質(zhì)上來(lái)說(shuō)LDA屬于完全無(wú)監(jiān)督的學(xué)習(xí)模型，因而模型所生成的聚類質(zhì)量仍然缺少一定語(yǔ)義化的質(zhì)量控制，導(dǎo)致部分聚類可能存在難以解釋的不受信任問(wèn)題。

為了解決這類問(wèn)題，斯坦福大學(xué)計(jì)算機(jī)學(xué)院的Ramage等[13] 提出了Labeld LDA聚類算法（LLDA）。該算法基于已有的LDA模型，引入先驗(yàn)標(biāo)簽（客觀事實(shí)）的監(jiān)督項(xiàng)分布，使得主題采樣時(shí)只能夠在指定的標(biāo)簽類別所對(duì)應(yīng)的文檔中進(jìn)行，從而在一定程度上緩解了這種標(biāo)簽類信任分布的問(wèn)題。其中，對(duì)于文檔d第i個(gè)位置主題j的吉布斯抽樣概率滿足如下公式：

（2本文使用LLDA算法將ICNEA分類引入關(guān)鍵詞的主題聚類模型中，從而獲取我國(guó)經(jīng)濟(jì)行業(yè)類別下有關(guān)“業(yè)財(cái)融合”主題特征項(xiàng)的分布特征，以用于對(duì)不同行業(yè)的側(cè)重點(diǎn)與熱點(diǎn)知識(shí)分布進(jìn)行微觀比較與評(píng)估。此外，本文還使用兩種定量測(cè)度指標(biāo)——基于高頻主題詞匯的熵（ICNEA熵）與相關(guān)度（行業(yè)主題相關(guān)性）——對(duì)不同領(lǐng)域和行業(yè)內(nèi)的主題宏觀特征進(jìn)行進(jìn)一步的比較與探索，從而更全面地揭示出我國(guó)“業(yè)財(cái)融合”的主題分布規(guī)律與研究、應(yīng)用熱點(diǎn)?？梢詫CNEA熵和行業(yè)主題相關(guān)性進(jìn)行進(jìn)一步的形式化表示，假設(shè)? ? ? ?表示高頻詞i在LLDA聚類空間里某一個(gè)ICNEA類別中的特征概率權(quán)重，k是該ICNEA類別特征向量的長(zhǎng)度，那么ICNEA熵可以表示為：

與此同時(shí)，本文使用迷惑度（用Perplexity表示）[14] 對(duì)LLDA聚類模型進(jìn)行評(píng)估。該方法假定某個(gè)詞語(yǔ)所估計(jì)的句子生成概率越大，模型所對(duì)應(yīng)的語(yǔ)言模型越貼近真實(shí)的句子，此時(shí)模型預(yù)測(cè)下一個(gè)詞的平均選擇類別越少，其迷惑度也就越小。在后文中，本文將討論不同參數(shù)下的LLDA模型聚類的迷惑度情況，以求解最佳的LLDA模型，迷惑度計(jì)算公式如下：

三、實(shí)驗(yàn)數(shù)據(jù)分析

（一）數(shù)據(jù)來(lái)源與描述統(tǒng)計(jì)

本文選擇我國(guó)最大型的文獻(xiàn)資源數(shù)據(jù)庫(kù)中國(guó)知網(wǎng)（CNKI）作為數(shù)據(jù)來(lái)源，將檢索主題設(shè)定為“業(yè)財(cái)融合”，檢索時(shí)間范圍設(shè)為2000 ～ 2019年，共檢索到1305篇文獻(xiàn)。將該數(shù)據(jù)集進(jìn)行文本結(jié)構(gòu)化處理，并丟棄缺失重要信息的數(shù)據(jù)（如機(jī)構(gòu)名和關(guān)鍵詞），最終得到727篇文獻(xiàn)作為本文的數(shù)據(jù)集。根據(jù)2000 ～ 2019年6月發(fā)文量統(tǒng)計(jì)情況，可以看到CNKI中最早有關(guān)業(yè)財(cái)融合的研究出現(xiàn)在2012年。隨著時(shí)間的推移，有關(guān)業(yè)財(cái)融合的研究逐年遞增，至2018年已經(jīng)達(dá)到近五年最高發(fā)文水平370篇，如圖1所示。

在領(lǐng)域與行業(yè)類目編碼過(guò)程中，首先采用基于字符串規(guī)則匹配的方式對(duì)數(shù)據(jù)集進(jìn)行處理，將每條記錄中的組織機(jī)構(gòu)分配到一層和二層的領(lǐng)域類型中，例如將含有“學(xué)校”“學(xué)院”字段的機(jī)構(gòu)名歸屬于一級(jí)領(lǐng)域教研機(jī)構(gòu)和二級(jí)領(lǐng)域高校與教育機(jī)構(gòu)中。該方法對(duì)于10次隨機(jī)抽樣的1000個(gè)機(jī)構(gòu)名分類識(shí)別的準(zhǔn)確率可以達(dá)到100%。與此同時(shí)，本文邀請(qǐng)來(lái)自財(cái)會(huì)領(lǐng)域的三位學(xué)者與工作人員進(jìn)行了獨(dú)立的人工標(biāo)注實(shí)驗(yàn)。每位標(biāo)注人員在充分閱讀與理解每篇文獻(xiàn)和ICNEA類目的基礎(chǔ)上，對(duì)ICNEA的19個(gè)門類進(jìn)行類別標(biāo)注，并使用最大標(biāo)注概率的類別作為該條目所屬的ICNEA類別。為了檢驗(yàn)與評(píng)價(jià)該標(biāo)注實(shí)驗(yàn)的客觀性和準(zhǔn)確性，通過(guò)計(jì)算標(biāo)注結(jié)果的kappa值來(lái)測(cè)量不同的人工評(píng)價(jià)的一致性。該評(píng)價(jià)實(shí)驗(yàn)結(jié)果顯示kappa值可以達(dá)到92.7%，說(shuō)明ICNEA標(biāo)注實(shí)驗(yàn)是客觀和有效的。

通過(guò)比較不同行業(yè)與ICNEA中發(fā)文的規(guī)模，可以發(fā)現(xiàn)：從領(lǐng)域類型來(lái)看，政企行業(yè)比教研機(jī)構(gòu)發(fā)文規(guī)模大，其中企業(yè)類型占比達(dá)到67.4%，高校與教育機(jī)構(gòu)占比20.6%，是二級(jí)領(lǐng)域分類中發(fā)文最多的兩個(gè)類別;在ICNEA方面，教育業(yè)，制造業(yè)，信息傳輸、軟件和信息技術(shù)服務(wù)業(yè)是發(fā)文量排名前三的經(jīng)濟(jì)行業(yè)，分別占到了21.7%、11.6%和11.0%，而在住宿和餐飲業(yè)，國(guó)際組織，農(nóng)、林、牧、漁業(yè)等行業(yè)中該主題被提及的次數(shù)非常少，相關(guān)文獻(xiàn)數(shù)量之和占比僅為6.6%。由此可見(jiàn)，以企業(yè)為結(jié)構(gòu)主體的非學(xué)術(shù)研究型機(jī)構(gòu)比學(xué)界更加重視業(yè)財(cái)融合的發(fā)展，這主要表現(xiàn)在兩類國(guó)民支柱產(chǎn)業(yè)的經(jīng)驗(yàn)上，即信息傳輸、軟件和信息技術(shù)服務(wù)業(yè)和制造業(yè)。而造成該現(xiàn)象可能的原因是業(yè)財(cái)融合從本質(zhì)上來(lái)說(shuō)更加偏重于財(cái)務(wù)與業(yè)務(wù)應(yīng)用的實(shí)踐層面。具體行業(yè)與領(lǐng)域的文獻(xiàn)占比情況如圖2所示。

（二）參數(shù)優(yōu)化與討論

在選擇高頻關(guān)鍵詞時(shí)，本文采用了三種方法（DhI、HI、GI）對(duì)文獻(xiàn)記錄中的關(guān)鍵詞進(jìn)行高頻閾值的測(cè)度與評(píng)估，分別得到三種方法的高頻閾值：HI=14，GI=39，DhI=38.23。盡管這三類切分方式都可以較好地獲取高頻主題詞匯集，但HI所得到的高頻關(guān)鍵詞最為豐富，且都是可以反映主題特征的熱點(diǎn)詞匯。

考慮到LLDA模型易受到不同參數(shù)組合的影響，本文對(duì)最優(yōu)參數(shù)組合進(jìn)行了實(shí)驗(yàn)分析與討論，結(jié)果如圖3所示。

當(dāng)LLDA的迭代次數(shù)為100時(shí)，隨著Alpha與Beta的成倍增大（10倍），模型迷惑度也相應(yīng)增加，最小迷惑度所對(duì)應(yīng)的Alpha與Beta參數(shù)區(qū)間應(yīng)該在0.001 ～ 0.01的范圍內(nèi)。進(jìn)一步比較該區(qū)間可以發(fā)現(xiàn)，在Alpha=0.005與Beta=0.006時(shí)，本模型可以達(dá)到最低的迷惑度71.21。同樣，可以根據(jù)不同迭代次數(shù)下的模型迷惑度比較來(lái)確定最佳的迭代次數(shù)，在本實(shí)驗(yàn)中，LLDA模型的最佳迭代次數(shù)參數(shù)為100。

（三）實(shí)驗(yàn)結(jié)果分析與討論

1. 宏觀性高頻研究與應(yīng)用熱點(diǎn)的識(shí)別。從高頻詞的統(tǒng)計(jì)來(lái)看：“業(yè)財(cái)融合”是具有最高詞頻的核心詞匯;“財(cái)務(wù)管理”“管理會(huì)計(jì)”“財(cái)務(wù)轉(zhuǎn)型”“企業(yè)管理”“財(cái)務(wù)部門”反映的是財(cái)會(huì)數(shù)據(jù)與資源管理方面的工作;“財(cái)務(wù)共享”“財(cái)務(wù)共享中心”“財(cái)務(wù)人員”主要強(qiáng)調(diào)財(cái)務(wù)機(jī)構(gòu)的共享作用;“內(nèi)部控制”“預(yù)算管理”“全面預(yù)算管理”則側(cè)重于業(yè)財(cái)融合中資金預(yù)算與控制方面的策略與問(wèn)題;“大數(shù)據(jù)”與“互聯(lián)網(wǎng)+”主要是有關(guān)財(cái)務(wù)管理與信息化技術(shù)的交叉建設(shè)?？梢园l(fā)現(xiàn)，高頻詞匯所反映出來(lái)的主題知識(shí)都是一些比較寬泛的范疇，如“財(cái)務(wù)管理”“財(cái)務(wù)轉(zhuǎn)型”這些熱門方向，而這種基于高頻詞的熱點(diǎn)跟蹤屬于宏觀層次的總體形勢(shì)分析，其表述較為抽象，需配合更為微觀的主題特征予以解析。

2. 微觀性行業(yè)主題模型分析。LLDA模型的聚類結(jié)果顯示，在ICNEA的19個(gè)行業(yè)門類中，不同行業(yè)所關(guān)注的主題詞匯存在一定的差異。為了更好地展現(xiàn)這些行業(yè)的相關(guān)特征屬性，本文選擇每個(gè)類別中權(quán)重最大的10個(gè)特征詞作為主題特征進(jìn)行闡述，并且按照行業(yè)特征與熱點(diǎn)特征分別進(jìn)行信息標(biāo)注。其中：“集團(tuán)公司”“財(cái)務(wù)共享”“財(cái)務(wù)轉(zhuǎn)型”等熱點(diǎn)詞匯反映出業(yè)財(cái)融合的推進(jìn)及研究情況;“全面預(yù)算管理”“企業(yè)內(nèi)部控制”“企業(yè)成本”“業(yè)務(wù)決策”等熱點(diǎn)詞匯反映出業(yè)財(cái)融合在企業(yè)內(nèi)部治理和管理中的應(yīng)用場(chǎng)景;“作業(yè)成本法”“人工智能”“大數(shù)據(jù)思維”“信息系統(tǒng)”等熱點(diǎn)詞匯反映業(yè)財(cái)融合應(yīng)用的技術(shù)基礎(chǔ)。與此同時(shí)，在一些行業(yè)類別中有大量行業(yè)特征詞匯，例如在“信息傳輸、軟件和信息技術(shù)服務(wù)”一類中，“電信企業(yè)”“通信行業(yè)”“網(wǎng)絡(luò)維修費(fèi)”和“通信運(yùn)營(yíng)”都屬于典型的通信運(yùn)營(yíng)商企業(yè)的語(yǔ)義化標(biāo)識(shí)，說(shuō)明我國(guó)通信運(yùn)營(yíng)商對(duì)于業(yè)財(cái)融合方面的經(jīng)驗(yàn)與研究在信息傳輸、軟件和信息技術(shù)服務(wù)行業(yè)中占有重要的地位。另外，從模型算法上來(lái)看，這些行業(yè)特征詞匯也在一定程度上證實(shí)了LLDA模型的優(yōu)勢(shì)，即LLDA模型可以很好地捕捉到先驗(yàn)標(biāo)簽（ICNEA類別）條件下主題特征的分布情況，具有一定的主題可解釋性。

3. 不同ICNEA行業(yè)的高頻熱點(diǎn)分布。為了更好地比較與評(píng)估業(yè)財(cái)融合在我國(guó)不同行業(yè)之間研究與應(yīng)用現(xiàn)狀的差異，本文將微觀主題模型中的宏觀性高頻熱點(diǎn)詞匯單獨(dú)列出，通過(guò)計(jì)算與排序熵值及其主題特征值（為了更加直觀地顯示和比較，這里的熵值和主題特征值是指經(jīng)過(guò)10倍放縮以后的值，其中熵值是原始ICNEA熵除以10以后的值，而主題特征值則是原始主題特征概率乘以10以后的值），可以發(fā)現(xiàn)：從高頻熱點(diǎn)詞匯分布的穩(wěn)定性來(lái)看，“業(yè)財(cái)融合”“財(cái)務(wù)共享”“管理會(huì)計(jì)”“財(cái)務(wù)管理”等新一代財(cái)務(wù)核心流程的價(jià)值鏈管理熵值較高，顯示出在業(yè)財(cái)融合研究中涉及財(cái)務(wù)核心流程的研究更具價(jià)值;像“大數(shù)據(jù)”“對(duì)策”“問(wèn)題”“內(nèi)部控制”等涉及具體領(lǐng)域新興技術(shù)以及財(cái)會(huì)整合舉措研究的熵值較低，說(shuō)明單純探討技術(shù)的研究?jī)r(jià)值不大。這也反映出業(yè)財(cái)融合在應(yīng)用信息技術(shù)方面比較統(tǒng)一，不是主要的研究難點(diǎn)，主要難點(diǎn)還是在于對(duì)財(cái)務(wù)核心流程管理問(wèn)題的研究。這種相對(duì)穩(wěn)定的熱點(diǎn)詞匯進(jìn)一步反映出財(cái)務(wù)管理實(shí)踐逐步由分工協(xié)作轉(zhuǎn)向一體化融合的普遍發(fā)展趨勢(shì)。圖4中列舉了這些高頻熱點(diǎn)在發(fā)文規(guī)模最大和最小的六類行業(yè)中的分布情況。

從圖4中可以看到，發(fā)文量較少的行業(yè)，如住宿和餐飲業(yè)，國(guó)際組織，農(nóng)、林、牧、漁業(yè)中基本很少提及這些高頻熱點(diǎn)詞匯，除了住宿和餐飲業(yè)對(duì)于財(cái)務(wù)人員有相關(guān)要求外，其余行業(yè)高頻詞匯的特征基本沒(méi)有差異。與之相反的是，發(fā)文量最高的教育業(yè)重點(diǎn)討論了“財(cái)務(wù)共享”“管理會(huì)計(jì)”和“大數(shù)據(jù)”方面的內(nèi)容，體現(xiàn)出業(yè)財(cái)融合的學(xué)術(shù)研究結(jié)合了財(cái)務(wù)管理制度與技術(shù)創(chuàng)新的趨勢(shì)。制造業(yè)則更加強(qiáng)調(diào)“企業(yè)”與“財(cái)務(wù)共享”方面的內(nèi)容。對(duì)于信息傳輸、軟件和信息技術(shù)服務(wù)業(yè)而言，其最為關(guān)注“管理會(huì)計(jì)”和“財(cái)務(wù)轉(zhuǎn)型”方面的內(nèi)容。

從經(jīng)濟(jì)行業(yè)之間的主題相似度分析來(lái)看：住宿和餐飲業(yè)，信息傳輸、軟件和信息技術(shù)服務(wù)業(yè)，公共管理、社會(huì)保障和社會(huì)組織，制造業(yè)，衛(wèi)生和社會(huì)工作，國(guó)際組織，水利、環(huán)境和公共設(shè)施管理業(yè)，采礦業(yè)，金融業(yè)這些行業(yè)在業(yè)態(tài)上并沒(méi)有很高的相似度，但在業(yè)財(cái)融合研究領(lǐng)域中的主題相似度較高，體現(xiàn)出財(cái)務(wù)管理與業(yè)務(wù)、信息技術(shù)的融合在這些行業(yè)中具有較高的內(nèi)在需求和共通性;交通運(yùn)輸、倉(cāng)儲(chǔ)和郵政業(yè)，農(nóng)、林、牧、漁業(yè)，教育業(yè)，科學(xué)研究和技術(shù)服務(wù)業(yè)這幾個(gè)行業(yè)相對(duì)獨(dú)立，特別是教育業(yè)、科學(xué)研究和技術(shù)服務(wù)業(yè)在業(yè)財(cái)融合方面的研究重點(diǎn)與其他行業(yè)有明顯區(qū)別，這也與上述熱點(diǎn)詞匯分布的情況相符;建筑業(yè)、房地產(chǎn)業(yè)、租賃和商務(wù)服務(wù)業(yè)具有較高的主題相似度，這也與這些行業(yè)自身業(yè)務(wù)形態(tài)的高相似度相吻合。

4. 政企行業(yè)與教研機(jī)構(gòu)的特征比較分析。除了行業(yè)特征，本文按照機(jī)構(gòu)領(lǐng)域比較了“業(yè)財(cái)融合”相關(guān)主題特征在政企行業(yè)與教研機(jī)構(gòu)中表現(xiàn)的異同點(diǎn)，并在下表中列舉出這兩個(gè)領(lǐng)域中高頻熱點(diǎn)特征和Top20的主題特征分布。

總的來(lái)說(shuō)，政企行業(yè)與教研機(jī)構(gòu)對(duì)業(yè)財(cái)融合的關(guān)注要素基本是相似的，都涉及財(cái)務(wù)管理、管理會(huì)計(jì)、財(cái)務(wù)轉(zhuǎn)型等方面。相比之下，教研機(jī)構(gòu)更加關(guān)注財(cái)務(wù)管理、財(cái)務(wù)共享和財(cái)務(wù)轉(zhuǎn)型等核心話題，以及強(qiáng)調(diào)企業(yè)在財(cái)務(wù)管理活動(dòng)中的增值問(wèn)題等方面的理論討論。而政企行業(yè)更加注重實(shí)踐中如何解決業(yè)務(wù)與財(cái)務(wù)管理流程問(wèn)題，以及如何通過(guò)引入更加智能化的信息決策服務(wù)和具有協(xié)同性的內(nèi)部控制機(jī)制，以推進(jìn)企業(yè)的財(cái)務(wù)轉(zhuǎn)型與共享，即更多地在實(shí)踐與應(yīng)用層面制定一些具體實(shí)施方案，如針對(duì)具體行業(yè)實(shí)施全面預(yù)算管理（成本管理）策略、運(yùn)用“互聯(lián)網(wǎng)+”技術(shù)將業(yè)財(cái)融合嵌入企業(yè)內(nèi)部控制、制定財(cái)務(wù)共享管理實(shí)現(xiàn)方案等。

四、總結(jié)與展望

為分析我國(guó)業(yè)財(cái)融合領(lǐng)域的知識(shí)現(xiàn)狀特點(diǎn)，本文通過(guò)對(duì)我國(guó)大型電子文獻(xiàn)資源數(shù)據(jù)庫(kù)CNKI2012 ～ 2019年間相關(guān)論文的發(fā)表年、關(guān)鍵詞以及發(fā)文機(jī)構(gòu)等元數(shù)據(jù)進(jìn)行文本處理和分析，結(jié)合內(nèi)容分析法、共詞分析法、主題聚類建模等量化分析手段，從宏觀高頻詞分布和微觀行業(yè)研究特性兩個(gè)層面，對(duì)我國(guó)業(yè)財(cái)融合研究在不同經(jīng)濟(jì)行業(yè)及領(lǐng)域機(jī)構(gòu)所呈現(xiàn)的熱點(diǎn)方向和主題分布進(jìn)行了深入挖掘和分析，得到了相關(guān)現(xiàn)狀特點(diǎn)。

本文對(duì)相關(guān)文獻(xiàn)的梳理為我國(guó)業(yè)財(cái)融合的下一步研究提供了探索的方向：①業(yè)財(cái)融合要解決的問(wèn)題和難點(diǎn)是運(yùn)用信息技術(shù)，將非標(biāo)準(zhǔn)化的業(yè)務(wù)經(jīng)驗(yàn)與標(biāo)準(zhǔn)化的財(cái)務(wù)管理相融合。因此，如何充分運(yùn)用日益發(fā)展的信息技術(shù)（如大數(shù)據(jù)、“互聯(lián)網(wǎng)+”、人工智能等）從業(yè)務(wù)數(shù)據(jù)中規(guī)范化建模并在財(cái)務(wù)管理上實(shí)現(xiàn)創(chuàng)新，將是未來(lái)一段時(shí)間內(nèi)業(yè)財(cái)融合的主流方向。②將教育科研機(jī)構(gòu)與政府、企業(yè)的研究相結(jié)合。業(yè)財(cái)融合理論研究要與財(cái)務(wù)管理工作實(shí)務(wù)相結(jié)合，工作實(shí)務(wù)的案例經(jīng)驗(yàn)可以為理論研究提供實(shí)證支撐，理論研究的成果要為管理實(shí)踐工作提供新的思路和解決方案。③在行業(yè)間融匯貫通。從本文研究結(jié)果來(lái)看，目前業(yè)財(cái)融合在如信息傳輸、軟件和信息技術(shù)服務(wù)業(yè)，制造業(yè)，住宿和餐飲業(yè)等領(lǐng)域的研究比較融通，但是仍有一些行業(yè)，如房地產(chǎn)業(yè)，交通運(yùn)輸、倉(cāng)儲(chǔ)和郵政業(yè)等相對(duì)獨(dú)立，研究的共通性較少，未來(lái)在業(yè)財(cái)融合研究領(lǐng)域可以進(jìn)一步探索，在這些行業(yè)之間找到通識(shí)。

【 主 要 參 考 文 獻(xiàn) 】

[ 1 ]? ?Callon M.， Courtial J. P.， Laville F.. Co-word Snalysis as a Tool for Describing the Network of Interactions Between Basic and TechnologicalResearch：The Case of Polymer Chemsitry[ J].Scientometrics，1991（1）：155 ～ 205.

[ 2 ]? ?李綱，巴志超.共詞分析過(guò)程中的若干問(wèn)題研究[ J].中國(guó)圖書館學(xué)報(bào)，2017（4）：93 ～ 113.

[ 3 ]? ?張勤，馬費(fèi)成.國(guó)外知識(shí)管理研究范式——以共詞分析為方法[ J].管理科學(xué)學(xué)報(bào)，2007（6）：65 ～ 75.

[ 4 ]? ?肖明，楊楠，李國(guó)俊.基于共詞分析的我國(guó)用戶信息行為研究結(jié)構(gòu)探討[ J].情報(bào)雜志，2010（S2）：12 ～ 15.

[ 5 ]? ?Donohue J. C.. Understanding Scientific Literature：A Bibliographic Approach[M].Cambridge：The MIT Press，1973：1 ～ 80.

[ 6 ]? ?張松等.基于詞頻g指數(shù)的共詞聚類關(guān)鍵詞選取研究——以教育技術(shù)學(xué)碩士學(xué)位論文為例[ J].現(xiàn)代教育技術(shù)，2013（10）：53 ～ 57.

[ 7 ]? ?Zhao W.， Mao J.， Lu K.. Ranking Themes on Co-word Networks：Exploring the Relationships Among Different Metrics[ J].InformationProcessing & Management，2018（2）：203 ～ 218.

[ 8 ]? ?Bernard B.. Content Analysis in Communication Research[M].New York：Free Press，1952：1 ～ 220.

[ 9 ]? ?邱均平，鄒菲.關(guān)于內(nèi)容分析法的研究[ J].中國(guó)圖書館學(xué)報(bào)，2004（2）：12 ～ 17.

[10]? ?王立學(xué)，冷伏海，王海霞.技術(shù)成熟度及其識(shí)別方法研究[ J].現(xiàn)代圖書情報(bào)技術(shù)，2010（3）：58 ～ 63.

[11]? ?國(guó)家質(zhì)量監(jiān)督檢驗(yàn)檢疫總局，國(guó)家標(biāo)準(zhǔn)化管理委員會(huì).國(guó)民經(jīng)濟(jì)行業(yè)分類標(biāo)準(zhǔn)（GB/T 4575-2017）[S].北京：中國(guó)標(biāo)準(zhǔn)出版社，2017.

[12]? ?Blei D. M.， Ng A. Y.， Jordan M. I.. Latent Dirichlet Allocation[ J].Journal of Machine Learning Research，2003（4～5）：993 ～ 1022.

[13]? ?Ramage D.， Hall D.， Nallapati R.， et al.. Labeled LDA：A Supervised Topic Model for Credit Attribution in Multi-labeled Corpora[A].Proceedings of the 2009 Conference on Empirical Methods in Natural Language Processing（EMNLP '09）[ C].Stroudsburg：Association for Computational Linguistics，2009：248 ～ 256.

[14]? ?Huang L.， Ma J.， Chen C.. Modeling Syntactic Structures of Topics with a Nested HMM-LDA[A].Proceedings of the 2009 Ninth IEEEInternational Conference on Data Mining（ICDM'09）[C].Washington：IEEE Computer Society，2009：824 ～ 829.