摘要:内部控制理论与实务课程因理论晦涩、传统案例静态僵化，面临教学吸引力不足、学用脱节的困境。人工智能技术的发展为创新案例教学模式、实现因材施教提供了全新路径。以北部湾港股份有限公司为真实案例，构建AI与案例教学融合的创新教学模式。首先，基于Python与DeepSeek构建动态案例生成系统，通过网络爬虫技术采集企业实时财务数据，经智能清洗与知识提取后，生成适配不同教学目标的个性化案例版本;其次，引导学生借助同花顺iFinD数据库分析企业财务状况，通过财务比率趋势分析及同业对比，分析企业风险偏好;再次，进一步指导学生运用Python编程实现Z-Score模型的自动化计算与可视化呈现，结合DeepSeek构建风险预测模型，实现企业财务风险的动态评估与预警;最后，通过系统性归纳总结，引导学生完成“数据驱动—偏好判断—量化评估—策略制定—监督保障”的全流程知识整合。教学实践表明，该模式有效加深了学生对风险管理理论的理解，提升了学生的数据分析能力及管理决策水平，构建了“理论认知—技术应用—管理决策”的培养路径，为经济管理类课程的案例教学AI升级提供了可借鉴的实施方案。

　　关键词:人工智能;案例教学;内部控制;财务风险管理

　　0引言

　　内部控制理论与实务是会计学、财务管理学、审计学等财经类专业核心课程，是从事会计、审计和财务管理等工作的必备知识。由于本课程包含的COSO(美国反虚假财务报告委员会下属的发起人委员会)内部控制框架、全面风险管理、风险评估等理论较为抽象［1］，教学讲解和学生领悟存在难度，采用以真实企业案例为基础的案例教学法具有显著优势，能够通过真实或模拟案例引导学生主动学习［2］。教师以典型性、启发性与真实性兼备的内部控制案例为载体，将内部控制理论融入具体情境，借助案例帮助学生深入理解职责分离、授权审批、信息系统控制等抽象控制措施，启发学生对各个案例所涉及的知识点进行分析，激发学生的学习动机与求知欲，引导学生运用理论知识分析并解决企业实际内部控制问题，从而达到培养风控意识和提升内部控制实操能力的教学目标，实现“理论清、案例全、学得会、用得上”课程初级目标和“高阶性、创新性和挑战度”课程高级目标要求。

　　人工智能(AI)凭借其强大的数据分析和智能建模能力，正深刻影响各类专业教育形式［3］。同时，数字化转型课堂教学能够丰富课堂教学活动，推动“人—机—物”的全面协同［4］。在内部控制理论与实务案例教学中，借助AI技术，以虚拟仿真、情景推演等方式模拟企业内部控制场景，支持师生开展实时互动与智能答疑，实现沉浸式、交互性学习体验，为培养符合AI时代要求的复合型会计与审计人才提供了提升动力。

　　1案例设计:AI赋能内部控制理论与实务案例教学

　　根据COSO《企业风险管理框架》(2017年版)的定义，企业风险管理是组织在创造、保持和实现价值的过程中，结合战略制定和执行，赖以进行管理风险的文化、能力和实践，具体包括治理与文化、战略和目标设定、绩效、审阅和修订、信息沟通与报告［5］。基于这一框架，企业风险管理的优化可系统分解为若干关键环节，从风险偏好设定、风险识别与风险评估、风险管理与监督等环节对风险管理进行优化。

　　北部湾港股份有限公司(股票代码000582，以下简称“北部湾港”)作为广西壮族自治区的重要港口企业，在物流运输领域发挥关键作用，整合了防城港、钦州港、北海港三大港口资源，主要从事货物装卸、仓储、物流等业务。作为西南地区的重要出海口，随着公司业务扩张和外部经济环境变化，其财务风险显著增加，亟须优化财务风险管理。本文通过整合AI技术构建智能化案例教学路径，见图1。该教学路径体现“提出问题+解释问题+分析问题+解决问题”思路，让学生同步学习理论和案例分析，启发学生开创性思维，符合“高阶性、创新性和挑战度”课程高级目标要求。表1归纳总结了本教学设计涉及的主要内容和AI在教学实践中的应用时间占比。

　　2教学实施:AI辅助的北部湾港财务风险管理优化案例教学

　　2.1利用AI与Python生成北部湾港财务风险管理优化案例

　　案例是案例教学的基石，其质量直接决定教学成效，一个优秀的教学案例应具备真实性、针对性和可塑性［6］。传统财务管理案例往往来源于公开、静态的企业年报，难以满足实时数据分析和动态决策能力培养的要求。为解决这一问题，课程组以北部湾港的真实运营为蓝本，以DeepSeek与Python为核心技术，基于Python网络爬虫技术从互联网公开渠道采集一手数据，并利用智能算法构建符合不同教学目标的定制化案例。

　　第一，收集案例信息。教师使用Python编写了定向爬虫程序，通过互联网公开渠道系统性地采集北部湾港的相关信息。

　　第二，清洗整理案例信息。由于爬虫程序爬取的原始数据存在大量噪声，教师使用Python进行结构化数据清洗，再进行非结构化文本处理，自动提取文本中的关键事件和主题，以此获取关键信息。

　　第三，生成差异化案例。教师将清洗后的财务指标、新闻事件、行业背景等数据输入DeepSeek，通过预设的教学模板和生成规则，自动编写出案例叙述文本，并对所生成的案例进行修正，设置引导性问题和分析任务。在开始进行案例分析前，教师可让学生完成一项前置性任务，利用Python对学生的任务成果进行初步分析，评估其分析能力和知识薄弱点。基于此评估，教师针对不同学生群体采用侧重点和难度各异的案例版本。案例版本可以分为:①基础版案例，聚焦单一风险，如“北部湾港2024年偿债风险分析”，提供详细的计算指引和行业标准值;②进阶版案例，要求进行多风险关联分析，如“基于现金流视角的北部湾港扩张性财务风险评估”，引导学生探讨投资决策与融资策略的匹配性;③高级版案例，模拟管理层决策，如“设计一套北部湾港2024年度的财务风险全面管控方案”，涵盖风险识别、量化、预警和应对的全流程。

　　2.2借助AI与同花顺iFinD分析北部湾港财务状况及风险偏好

　　为帮助学生理解抽象的“风险偏好”概念，教师引导学生利用AI工具与财务数据库，分析企业的财务状况和管理层在战略决策中所体现出的“风险偏好”，从而让学生了解企业承担风险的基本态度，直接影响其财务表现与风险状况。

　　第一，教师讲解理论内容。教师讲解第五章第一节风险的不确定性、客观性、双重性等基本特征内容，引导学生认识到企业风险分析的必要性。在讲解第五章第二节财务风险的知识点时，教师明确聚焦于融资风险、投资风险、现金流风险等，指导学生使用同花顺iFinD数据库提取北部湾港及其同业公司的标准化财务数据。

　　第二，教师引导学生进行财务风险量化分析。由学生采用Excel等工具计算关键财务比率，通过趋势图揭示北部湾港资产负债率的攀升与流动比率的下降趋势，并引导学生思考:北部湾港财务结构发生变化，是由于管理层为追求发展而主动选择的激进财务策略带来的，还是经营效率低下而被动陷入财务困境导致的。

　　第三，教师引导学生完成风险偏好分析。教师先讲解第五章第三节风险偏好知识点，请学生将北部湾港的财务指标与上海国际港务(集团)股份有限公司、宁波港进行横向对比，初拟风险偏好分析结果，并将比较数据输入DeepSeek进行风险偏好分析，与自身判断比较后，对DeepSeek输出结果进行反复修正，得到认可的风险偏好分析结果。此时，教师引导学生思考案例公司的财务风险偏好是风险追求型，还是因管理不善而表现出的非理性冒险型，以及这与中国航空油料集团有限公司(以下简称“中国航油”)案例中“赌”的心理有何异同。同时，教师引导学生思考北部湾港当前的风险偏好是否在其资源、能力和环境所决定的“能够承担的最大风险”之内，以及如果风险偏好持续接近甚至超过风险容量，企业将面临怎样的后果。教师鼓励有能力的学生为北部湾港的关键绩效指标设定一个风险容忍度，将模糊的风险偏好“态度”转化为可执行的风险管理标准。

　　2.3 AI+Z-Score模型识别和评估企业财务风险

　　以往教师在教学过程中多依赖手工计算和静态比例分析，难以向学生直观展示各风险因素如何相互作用和风险态势。为帮助学生掌握多变量模型的应用技巧，教师重点讲解第六章第二节Z-Score模型知识点，并要求学生以北部湾港为例，使用AI和Z-Score模型识别和评估企业财务风险，让学生能够熟练运用财务风险评估方法。具体步骤如下:

　　第一，测算Z-Score模型相关参数。学生根据上一个步骤所采集北部湾港近5年的年度财务报表原始数据，基于Z-Score模型，使用Python的Pandas库，编写代码分别计算出5个变量(X1～X5)的年度数值。

　　第二，动态调整并可视化Z值。学生运用Python的Pandas编写自动化脚本，将第一步获取的原始财务数据代入Z模型公式，计算北部湾港各年度的Z值。在获得历史Z值序列后，学生使用DeepSeek构建时间序列预测模型，动态调整对未来1～2年Z值走势的预测并设定预警阈值。随后，学生利用Plotly(可视化工具)创建可视化图表，将历史Z值以散点图或线图呈现，并划分安全、灰色、危险区域。在这个步骤中，预测线的生成并非简单连接，而是将未来时间点输入DeepSeek，由其计算出预测值后动态绘制而成，并以显著颜色区分，直观展示风险路径。同时，点击数据点可触发“下钻分析”，调用DeepSeek对当年数据进行解释，突出显示该年份对Z值影响最大的关键财务比率，从而揭示导致Z值波动的主要因素。

　　第三，识别财务风险因素，评估财务风险。首先，学生分组讨论，通过分析哪个或哪些变量对Z值的下滑起到了主导作用，识别引起财务风险的因素，并追溯其背后的经营管理原因;其次，学生根据Z值在不同年份的落点及变化趋势，参照财务危机边界理论，判断北部湾港在分析期间内所处的风险状态，并评估其财务健康程度;最后，依据北部湾港财务风险水平判断结果、风险成因及优化方向，每个小组完成一份以数据为依据的财务风险识别和评估报告。

　　2.4教师归纳与总结

　　教师在完成“案例生成”“风险偏好分析”“风险识别与评估”的递进式三阶段案例教学后，需引导学生进行系统性知识回顾与升华，以提升学生进行财务风险精准识别和评估的综合能力。

　　第一，教师充分肯定学生在各环节的实践成果。对于风险偏好分析环节，学生能够将北部湾港的财务表现与管理层的战略意图相连接，理解了第五章中“风险偏好”“风险容量”“风险容忍度”等核心概念，并能与中国航油案例进行对比反思，体现了将理论应用于实际情境的能力。在风险识别与评估环节，学生能够运用第六章的Z-Score模型进行计算Z值，并通过DeepSeek的可视化与预测功能，实现了对风险态势的动态监控。

　　第二，教师对关键知识点与技术方法进行系统回顾。教师向学生阐明有限的风险管理始于对风险的精准识别。这需要运用风险坐标图、Z值模型等多种分析方法识别企业面临的内外风险。结合企业的风险偏好设定，明确企业愿意承担的风险边界，选择风险降低、对冲或转移等策略进行有效管控。教师应向学生强调AI工具能够作为强大的分析助手，但是存在“AI幻觉”，需要进行反复修正和训练，才能合理保证其所生成结果的可靠性。

　　第三，为促进学生学习能力提升，教师可布置相关联的课后思考题。例如，在本案例中，通过AI辅助生成的动态案例与传统静态案例相比，在哪些方面更能体现企业风险的“不确定性”;北部湾港的Z-Score模型结果反映出其主要风险驱动因素是什么;这一风险特征与其管理层表现出的“风险偏好”有何关联;为北部湾港提出风险应对策略，理由是什么。

　　3教学评价

　　3.1学生满意度调查与分析

　　2025年6月，课程组面向2024级会计专业硕士两个班级共60名学生，就“北部湾港财务风险管理优化”案例教学效果开展了专项问卷调查。本次问卷问题包括:①AI辅助生成的案例教学是否有助于你对风险管理理论框架的理解;②运用AI工具是否提升了对企业风险偏好分析的实务操作能力;③对基于Python编程与同花顺iFinD数据库的财务数据分析流程是否满意;④该模式是否增强了运用AI工具解决复杂财务风险问题的能力;⑤对案例教学整体设计的满意度如何;⑥与传统讲授模式相比，是否更倾向于此类融合真实企业数据的实战型教学。

　　调查共回收有效问卷60份，回收率100%。在“深化理论框架理解”和“提升风险偏好分析能力”方面，学生认可比例分别达到88.33%和85%;学生对“Python与iFinD数据分析流程”的满意度为91.67%;认为“增强了运用AI工具解决复杂问题的能力”的学生比例为86.67%;学生对“案例教学整体设计”的满意度为85%;在“与传统讲授模式相比的倾向性”方面，75%的学生表示更倾向于此类实战型教学模式。学生普遍认为该教学案例通过真实上市公司数据、Z-Score模型构建及风险偏好分析，有效提升了财务数据分析与风险管理决策能力。但是，25%的学生在“是否更倾向于AI+案例教学模式”这一问题上持保留态度，主要原因是部分同学由于先前缺乏Python编程基础，在数据清洗和模型构建环节面临困难。此外，非会计本科背景的学生表示，在同时掌握财务风险管理理论与数据分析工具的双重要求下，学习压力较大，存在技术应用碎片化情况［7］。

　　3.2教师课堂观察与成绩分析

　　本研究以2024级会计专业硕士学生为对象，采用教学干预前后对比的方式进行评估。在传统教学阶段，主要采用理论讲解与静态案例讨论;干预后，引入以北部湾港为对象的全流程AI辅助分析，要求学生完成从数据获取、Z-Score计算到风险管理策略建议的完整报告。

　　课堂观察显示，学生在案例分析和讨论中展现出更强的兴趣和专业能力。在小组汇报中，借助AI工具，学生不仅能准确计算风险指标，更能结合COSO框架和风险策略选择矩阵展开辩论，就“北部湾港应选择风险降低还是风险分担策略”进行激烈探讨。同时，课堂互动频次显著提升，主动提问率由每节课人均1.5次增至3.2次。案例分析报告评分显示，学生在“风险成因溯源”“评估模型运用”“管理建议可行性”等高阶能力项上得分率明显提高。

　　3.3学生综合能力与创新实践成果的提升

　　借助AI工具，内部控制理论与实务案例教学提升了学生将理论知识转化为实践解决方案的能力。多名学生将课程中所掌握的财务风险识别和评估方法与企业管理现实问题结合，形成了具有实用价值的成果。例如，一组学生以北部湾港Z-Score分析为蓝本，开发了“基于多维度财务指标的上市公司风险智能评估”案例，实现动态监控同行企业风险，在校级经管案例大赛中获奖;部分学生运用课程的教学设计思路，成功申报了研究生教育创新项目，并在RPA(机器人流程自动化)、企业估值等大赛中取得佳绩。

　　4结语

　　“北部湾港财务风险管理优化”教学案例实现了AI技术与案例教学的深度融合，不仅显著提升了教学效率与质量，更从“AI+”角度重构了教学实施路径，体现出以下3个方面的突出优势。

　　1.AI赋能生成动态案例

　　AI技术通过分析学生的认知特征与数据分析能力，动态生成适配不同学习进度的教学案例，实现教学内容与学生认知水平的精准匹配。基于Python与同花顺iFinD构建的数据爬取与分析系统，能够实时整合企业最新财务数据，确保教学案例与资本市场动态同步。从内部控制角度看，这一过程模拟了企业风险信息收集与传递的关键环节，使学生亲身体验到真实、及时的风险信息如何为风险管理奠定坚实基础，契合COSO框架中“信息与沟通”要素的核心要求。

　　2.AI增强风险可视化效果

　　AI工具将抽象的财务风险模型转化为可交互的可视化图表，如通过动态Z-Score趋势图与风险坐标图，直观展示企业财务健康状况与风险演变路径。这种可视化技术将内部控制中的风险评估过程具象化，使学生能够清晰地观察各风险因素间的相互作用及风险态势演变，显著提升了风险识别与评估的学习效果。

　　3.AI全流程训练培养综合风险管理能力

　　学生能够在模拟真实场景中完成从数据采集、风险量化到管理策略制定的全流程训练。这种“数据驱动—偏好判断—量化评估—策略制定”的教学路径，完整再现了企业风险管理全流程，能够同步强化学生的数据分析能力、风险评估能力与战略决策能力。

参考文献

　　［1］谭玉林，万凯.面向深度学习的“共生式合作学习”教学模式:以企业内部控制与风险管理课程为例［J］.广西职业技术学院学报，2024，17(4):116-124.

　　［2］王怡丹.基础会计教学创新研究:基于BLOOM认知模型的PBL+CBL并轨教学模式［J］.新会计，2025(4):19-23.

　　［3］徐春霞，陈保启.人工智能赋能财经类高校人才自主培养［J］.高教学刊，2025，11(S2):150-154.

　　［4］熊永佛，朱大伦，谢玉娇.课堂教学的数字化转型:推进逻辑、实践困境与应对策略［J］.教育学术月刊，2023(12):60-66.

　　［5］郭苗苗.房地产企业不良资产处置风险管理研究:基于CO-SO-ERM框架［J］.财会通讯，2023(8):119-124.

　　［6］胡莹璐，林依臣，郭俊明，等.人工智能赋能生物化学与分子生物学案例教学的探索与实践［J］.生物化学与生物物理进展，2025，52(8):2173-2184.

　　［7］葛福鸿，刘清堂.人工智能赋能高校教学支持服务:内涵、困境、模型与路径［J］.中国电化教育，2025(10):46-54.