论文部分内容阅读
随着社会经济的变迁，知识经济时代的出现，人们对企业内部资源中“人”的重要性的认识越来越清晰，人力资源是企业竞争优势的重要战略资源这一观点也已经被大众普遍认同，人们认识到企业人力资源管理对企业具有决定性的作用，关系到企业的竞争优势和长期经营业绩，是企业内外部利益相关者共同关心的信息。由此引发的人力资源管理问题日益明显:由于现有会计制度的不足，其产生时还没有人力资源方面的理论，会计信息的提供和揭示仅仅局限于物资资源信息，不能给予人力资本的价值增值，更无法反映和提供企业人力资源取得、开发、使用、离职等方面的成本支出和产生的价值，更没有将人力资源作为资产核算，以导致信息的覆盖面不全，企业决策者无从了解关于企业的人力资源情况的各方面信息。此外，现行会计核算对企业支付的工资、福利、奖金甚至股权等支出计入当期损益，而不是将它们资本化后再摊销于预计服务期间，这样会造成损益表中净收益的计算失真，甚至会诱发企业管理者的短视行为，企业管理者可能为了保持短期业绩，降低企业必要的人力投资或者在企业利润较低的时候避免和推迟人力资源方面的投资，不支持企业进行长期建设。再者，由于没有一套可用的人力资本核算体系，没有办法给予人力资本合理的报酬以充分挖掘潜能，激发员工的工作热情和活力，进而为企业创造更大的价值。至此，信息使用者迫切需要企业从对人力资产计量的要求出发，建立人力资产核算体系，提供与他们决策有着密切关系的企业人力资源信息，以了解企业人力资源的分布，从而可以分析企业的人力结构是否合理，能否与公司的竞争战略相匹配，可根据此作为预测企业的未来前景的工具之一。由此，本文提出了人力资源会计的研究命题。 国外自20世纪60年代以来，人力资源会计受到国内外学者的热捧，并对该领域开展了广泛的研究，其中影响最大的是以美国经济学会会长西奥多·舒尔茨为代表的有关人力资本经济理论，第一次把除物资以外的“人”当作资本。此后几年，美国学者们先后在一些会计学刊物上发表了有关人力资源会计方面的文章，人力资源会计越来越受到人们重视。1974年，柯普兰(E·H·Caplan)和兰德基却(Landekich)在合著的《人力资源会计:过去、现在和将来》一书中系统地介绍了人力资源会计的理论和方法。同年，弗兰霍尔茨博士(Eric·G·Flanholtz)出版了《人力资源会计学》专著，该书的出版标志着人力资源会计走向成熟。这两部专著的问世，把人力资源会计的研究推向了一个新高潮。近几十年来，尽管中外学者对此作了许多有益的研究与探索，可完整科学的体系尚未形成，在企业中的应用实践也不多。我国对人力资源会计的研究起步比较晚，目前更是处于理论探索阶段。然而，随着相关学者对人力资源核算理论的日益深入研究，解决了最核心的关键即人力能否能“资产化”的问题，人力资源会计呼之欲出。 尽管近几十年来国内外各专家学者对人力资源会计理论进行了大规模的研究探索，但对一般人而言，人力资源会计还属于比较新的概念，甚至很多人还不大了解该领域的相关理论。因此，有必要对人力资源会计的研究情况进行归集，阐述与人力资源会计理论相关的如人力资源、人力资本、资产等基本概念，给出定义、内涵、特征并与其他易混淆概念进行辨析等。自20世纪60年代至今近40年的时间，我们对人力资源会计核算一直停留在理论探讨的阶段，而一直没有办法运用于实践，纠其原因，当前存在的最主要的问题是人力资本的确认、计量和资本化，此外还包括认识不足，计量方法不统一，人力资源市场价格机制不完善等问题，致使企业难于运用于具体实践。既然本文探讨的是用会计的传统做法将人力资产作为与物力资产相平等的核算主体，对人力进行核算，那就需要传统的会计基本理论进行修正，将人力资产的部分融入传统会计的核算体系，设计适合人力资产会计核算的方案。首先以可操作性为基点，将基本假设、核算原则、人力资源会计恒等式的修正、计量方法、核算内容、账户设置、账务处理及报告格式等问题明确下来，以期基本构建一套科学适用的可参照的会计核算体系;然后，本文以A企业为例，以例证模拟操作了企业中可能发生的人力变化的各种情况，依据核算体系中设计的账务处理方法进行人力资源会计账务处理，并反映在修正后的财务报表上，最后在分析对A企业实例分析的过程中存在的问题，提出未来要建立人力资源会计核算体系的建议。 本文的研究目的是希望综合各路学者的研究理论，将一套人力资源管理与传统会计相结合而成的人力资源会计体系运用于实践，并在实践中对比得出一套科学、有效、易于操作的计量方法，根据具体实务对会计主体的核算要求，补充完善现有的会计核算体系。以期在现行会计制度的框架下，能扩展对人力资源部分的核算内容，满足会计主体对人力资源核算信息的要求，为我国逐步推行人力资源成本核算体系提供参考。 当然，本文存在着很多的不足，比如核算的内容还比较简单;只是对人力成本的核算，还未实现对收益的核算;对A公司实施人力资源会计核算具体案例的深入不够，对相关数据的挖掘程度较低等，这些都需要在未来的研究中不断完善，更进一步思考。