一、引言 为贯彻《中华人民共和国会计法》的相关规定，规范数字经济环境下的会计实务，促进会计信息化的健康发展，财政部于2025年1月1日实施了《会计信息化工作规范》。该规范明确指出，各单位应在推进会计核算信息化的基础上，逐步实现财务管理信息化和决策支持信息化，并推动会计工作的数字化和智能化转型。在数字经济迅猛发展的背景下，企业内外部数据呈现爆炸性增长，数据类型也日趋多样化。传统的会计决策主要依赖于结构化财务数据的历史指标分析，难以全面反映市场环境、政策变化和行业竞争等复杂因素的影响。在数字经济时代，会计决策所需的数据来源变得更加多元化，涵盖了文本、图像、音频、视频等非结构化数据，以及高频时间序列数据。如何高效整合这些多模态数据并挖掘其潜在价值，已成为提升会计决策智能化水平的关键挑战。多模态时间序列分析技术在企业项目可行性评估、资本结构优化、财务异常监测等会计领域具有广泛的应用前景，为会计决策信息化的发展提供了新的范式。通过整合财务数据、市场舆情、宏观经济指标等多模态时间序列信息，可以更精确地预测企业财务状况、识别财务舞弊行为、优化资源配置，从而为会计决策提供更全面和精准的信息支持。多模态时间序列分析将成为推动会计决策从“事后反映”向“前瞻预测”转变的关键技术支撑。在会计决策信息化领域，多模态时间序列分析的应用构建了一个融合文本、数值、时序特征的数据建模框架，为会计智能化的发展提供了新的技术解决方案。 二、基于多模态时间序列分析的会计决策信息化路径分析 (一)多模态时间序列分析架构 多模态时间序列分析(Multimodal Time Series Analysis，简称“多模态时序分析”)是近年来数据挖掘和深度学习领域的热点方向，通过深入剖析文本、图像、结构化数据等多种模态信息的融合方式来丰富时间序列建模能力。该技术广泛应用于医疗、金融、城市交通和零售电商等多个行业中，用于提升预测和决策的精准度和可理解度。多模态时序分析核心框架由“融合”“对齐”“转换”三大交互环节组成，利用多模态时序分析的预测信号与解释信息，可构建更加自适应、可解释、可靠的决策支持系统。其中，多模态时序“融合”采用提示、拼接、注意力机制、多型输出融合等技术手段，将时间序列与文本、图像等不同模态信息在输入或中间表示层面进行合并；多模态时序“对齐”可采用自注意力、交叉注意力、图卷积、对比学习等技术手段，解决不同模态在时间尺度与语义层面的不一致问题，并且在输入、中间、输出三个阶段均可实施对齐策略；多模态时序“转换”是指模态间的转化或生成，例如从数值时间序列生成文本描述，或通过生成图像表示辅助时间序列学习，适用于数据增强、跨域学习、多任务协同等场景。 (二)基于多模态时间序列分析的会计决策信息化具体路径 在数字化转型浪潮下，传统会计决策模式正面临数据碎片化、分析维度单一等挑战。会计决策信息化需要整合财务交易记录、市场舆情文本、供应链传感器数据等多源异构数据，并通过时序建模挖掘动态规律。多模态时间序列分析技术凭借整合多元数据的能力，为会计决策信息化带来新突破，具体通过“融合”“对齐”“转换”三大核心路径，赋能项目可行性评估、资本结构优化及财务异常监测等关键决策场景。 1.多模态时序“融合”实现项目可行性评估决策信息化。在企业项目投资决策中，通过深度整合市场数据、财务数据、行业数据等多模态时序数据，能够显著提升项目可行性评估精度。其中，市场数据揭示了市场规模、消费者需求等时间序列的演变；财务数据展现了历史营收、成本、利润等的动态变化；行业数据则涵盖了行业增长率、竞争对手动态等关键信息。多模态时序数据“融合”技术，能够整合宏观经济指标、行业动态数据与企业内部经营数据等多源时序信息，运用特征级融合、决策级融合等方法，构建动态评估模型。特征级融合通过提取不同模态数据的特征并进行整合，构建新的特征向量，以保留原始数据的丰富细节；而决策级融合则是先对各模态数据进行独立分析决策，随后将这些决策结果进行综合集成。利用深度学习中的循环神经网络(RNN)及其变体长短时记忆网络(LSTM)、门控循环单元(GRU)等，可以有效处理多模态时间序列数据的动态性和复杂性。多模态时序“融合”不仅能够捕捉市场需求的周期性波动，还能量化政策变化对项目现金流的影响，通过智能算法自动生成净现值、内含报酬率等关键指标的可视化分析报告，辅助管理者做出科学决策。
图1 基于多模态时间序列分析的会计决策信息化运作路径 2.多模态时序“对齐”实现资本结构优化决策信息化。企业资本结构涉及财务报表数据、宏观经济数据、行业资本结构数据等多模态数据源。财务报表数据记录了企业资产、负债、所有者权益等随时间的变化；宏观经济数据如利率、通货膨胀率等时间序列，反映了外部经济环境的波动；行业资本结构数据展示了同行业企业的资本构成趋势。多模态时序“对齐”技术能解决传统财务分析数据不同步的问题，处理不同模态数据在时间尺度和采样频率上的差异。通过将市场利率曲线、股票价格波动与企业债务期限结构进行时间维度对齐，能精准捕捉融资窗口期与最优资本成本点。多模态时序“对齐”动态时间规整(DTW)算法通过计算两个时间序列之间的相似性，实现非线性的时间对齐，可消除各模态数据在采集频率和时间戳上的差异，建立资本结构与宏观金融环境的关联模型。当系统检测到债券市场利率下行与股价阶段性上涨同步发生时，自动触发再融资方案模拟，计算不同债务权益配比下加权平均资本成本变化，并给出包括发行可转债或实施股份回购等在内的优化建议。时间序列插值法可根据已知数据点，估算缺失时间点的数据，使不同模态数据在时间上达到统一。基于多模态时序“对齐”的会计决策支持能够显著提升企业资本结构优化响应时效，在实际应用中，对齐企业自身的财务数据时间序列与宏观经济、行业资本结构时间序列后，运用回归分析、优化算法等，探索企业最优资本结构。例如，当宏观经济利率下降时，结合企业财务状况和行业资本结构情况，分析增加债务融资对企业资本成本和价值的影响，从而制定出更合理的资本结构优化决策，推动资本结构优化决策信息化进程。
