財務(wù)共享模式下的財務(wù)智能化協(xié)作系統(tǒng)設(shè)計研究*

李庭華, 蕭健誠

(廣州城建職業(yè)學院 經(jīng)濟與管理學院，廣東 廣州 510925)

0 引 言

近幾年來，信息技術(shù)的快速發(fā)展帶動了財務(wù)共享模式的不斷完善和創(chuàng)新，相應(yīng)的財務(wù)功能需求也表現(xiàn)出動態(tài)的變化規(guī)律[1]。諸多領(lǐng)域的企業(yè)已經(jīng)應(yīng)用大量的數(shù)據(jù)為企業(yè)的風險管控等提供決策依據(jù)，許多研究也已經(jīng)取得了相對滿意的結(jié)果[2]。同時隨著機器學習算法在預(yù)測和評估領(lǐng)域的大量應(yīng)用，企業(yè)財務(wù)經(jīng)營管理也有了新的思路[3]。但是目前機器學習算法在協(xié)作施工核算業(yè)務(wù)優(yōu)化方面還沒有達到比較理想的優(yōu)化效果。此次研究針對財務(wù)智能化協(xié)作施工當中存在的不足和缺陷，提出了利用支持向量機和BP神經(jīng)網(wǎng)絡(luò)分別進行合同資金支付風險預(yù)警和分包商信用評價，希望所提出的方案能夠為今后財務(wù)智能協(xié)作系統(tǒng)的研究提拱價值。

1 財務(wù)智能化協(xié)作施工核算關(guān)鍵技術(shù)

1.1 基于支持向量機算法的資金風險預(yù)警

財務(wù)共享模式是一種融合大數(shù)據(jù)技術(shù)新型財務(wù)管理模式，其戰(zhàn)略目標是提高客戶的滿意度和最大化創(chuàng)造價值，集中分散的業(yè)務(wù)到財務(wù)共享服務(wù)中心，同時使企業(yè)保持較高的經(jīng)營效率和經(jīng)濟利益，進而具備明顯的企業(yè)管理優(yōu)勢[4-5]。此次研究以某建筑公司A為例，進行財務(wù)智能化協(xié)作施工核算優(yōu)化。該公司目前新簽合同的規(guī)模接近千億元，其財務(wù)共享服務(wù)中心包括綜合部、票據(jù)核算組、收入核算、資產(chǎn)成本組五個部門，以及薪酬核算、協(xié)作施工核算等14個崗位。技術(shù)架構(gòu)包括用戶層、應(yīng)用層、服務(wù)層、數(shù)據(jù)層、業(yè)務(wù)層、基礎(chǔ)設(shè)施層。當前協(xié)作施工核算業(yè)務(wù)方面主要存在的問題是分包商選擇主觀性太強、拆分合同資金風險過大、人力在低附加值工作占比過大等方面。結(jié)合大數(shù)據(jù)時代背景，A公司的施工核算業(yè)務(wù)需求主要表現(xiàn)為分包商信用評級、協(xié)作合同資金風險預(yù)警、業(yè)務(wù)流程自動化。 流程自動化技術(shù)包括四個流程，由公司合同部負責的是自動讀取分包合同信息，由協(xié)作施工方負責流程分別是讀取和錄入票據(jù)信息、審核并錄入項目進度。

研究利用支持向量機(SVM)預(yù)測協(xié)作施工合同資金風險情況。其具有較強的泛化能力，可以被廣泛應(yīng)用于線性和非線性問題中。同時SVM經(jīng)最有分類超平面把樣本數(shù)據(jù)分類，使得測試樣本保持較小的誤差，最小化結(jié)構(gòu)風險[6-7]。協(xié)作施工合同支付風險預(yù)測是一種非線性問題，可以經(jīng)SVM轉(zhuǎn)化為高維度空間中的線性問題，從而獲取最優(yōu)分類超空間?；谥С窒蛄繖C算法的資金風險預(yù)警的如圖1所示。主要流程包括支付信息的采集和預(yù)處理、特征提取、建立風險預(yù)警模型、模型訓練和測試、指標體系及等級劃分。A企業(yè)的協(xié)作施工業(yè)務(wù)涉及履約保證金、包工包料和專業(yè)分包、質(zhì)量保證金、土石方和吹填項目等，且每種業(yè)務(wù)設(shè)置相應(yīng)的支付比例。研究選用農(nóng)民工工資支付保證金、純勞務(wù)資金支付等7個指標并設(shè)置一級風險、二級風險、安全三種風險等級，分別用字母A、B、C表示。安全情況是指資金支付在設(shè)置的范圍內(nèi)，二級風險是指資金在個別指標中出現(xiàn)不正常的情況，一級風險是指資金已經(jīng)出現(xiàn)管理失控的局面，若不加以干預(yù)將會導致更嚴重的影響。合同支付風險指標和等級劃分如下表1所示。

表1 A企業(yè)協(xié)作施工合同支付風險指標和等級劃分

圖1 基于支持向量機算法的資金風險預(yù)警

(1)

此時相應(yīng)的樣本數(shù)據(jù)風險等級分類函數(shù)也可以表示為

(2)

(3)

此時的徑向基分類器中每一個基函數(shù)與一個支持向量對應(yīng)，并經(jīng)SVM算法輸出權(quán)值，且利用交叉驗證法獲得最優(yōu)的核函數(shù)參數(shù)g和懲罰參數(shù)c。輸入向量是各種合同資金支付比例的信息，輸出是風險預(yù)測結(jié)果。研究采用一定的樣本數(shù)據(jù)進行模型訓練，滿足空間輸入和輸出的映射，從而得到和支付信息對應(yīng)的支付風險等級。訓練完成后風險預(yù)測模型包含專家經(jīng)驗和知識，此時將測試樣本輸入到該模型將會得到支付風險預(yù)測結(jié)果，有效進行資金的實時管理。如果出現(xiàn)支付資金超出或未及限定的范圍，應(yīng)及時發(fā)出風險信號給相應(yīng)負責人員，采取一定的措施避免更嚴重的資金風險。

1.2 基于BP神經(jīng)網(wǎng)絡(luò)算法的分包商信用評價

針對目前的分包商信用評價主觀操作能力太強，研究建立分包商信用評價指標，選用BP神經(jīng)網(wǎng)絡(luò)進行分包商信用評價。其中建立分包商信用評價指標需要考慮全面性、重要性、可控性三大因素。全面性體現(xiàn)在協(xié)作施工核算信息的完整性，指標應(yīng)涵蓋分包商事前、事中、事后的全部數(shù)據(jù)，防止遺漏任何信息[9]。重要性是指獲取的數(shù)據(jù)需要依據(jù)可量化性和可獲取性進行篩選，選取體現(xiàn)信用的主要數(shù)據(jù)，保證評價結(jié)果的準確性?？刹傩允侵冈谶x取數(shù)據(jù)過程中需要考慮數(shù)據(jù)獲取難易程度、是否可以量化、實用性等方面[10]。綜合考慮，研究最終選定信用情況、競爭實力、經(jīng)營狀況、安全評估、質(zhì)量認證情況、履約情況作為信用評價指標的一級指標，形成收入核算、施工進度情況、安全情況等20個二級指標。BP神經(jīng)網(wǎng)絡(luò)具有誤差逆?zhèn)鞑?、信號向前傳遞的顯著優(yōu)點，其拓撲結(jié)構(gòu)具有多層，由許多個獨立的神經(jīng)元組成，并經(jīng)過權(quán)系數(shù)完成各個層級連接。

圖2 基于BP神經(jīng)網(wǎng)絡(luò)算法的分包商信用評價模型

其學習過程主要包括三個步驟，第一步，將樣本數(shù)據(jù)輸入只網(wǎng)絡(luò)結(jié)構(gòu)中，其中樣本數(shù)據(jù)分為測試集和訓練集。參考現(xiàn)有的網(wǎng)絡(luò)閾值和權(quán)值，樣本數(shù)據(jù)依據(jù)預(yù)先設(shè)置的規(guī)則進行不停地運轉(zhuǎn)。在樣本數(shù)據(jù)運算過程中，每個神經(jīng)元均發(fā)揮著傳輸和運算作用，并最終經(jīng)最后一層得到最終的運行結(jié)果。第二步對比前一階段的輸出結(jié)果和初始設(shè)置值的大小，若未達到理想的輸出結(jié)果，則進行網(wǎng)絡(luò)權(quán)值和閾值的調(diào)整，修正的原則是參考反向順序計算獲取的兩個值對總誤差的干擾程度。第三步，重復第二步直至輸出的結(jié)果能夠滿足預(yù)制的標準，輸出合適的結(jié)果并結(jié)束學習過程。分包商信用評價模型的訓練示意圖如圖2所示，訓練對象為預(yù)處理的數(shù)值，學習規(guī)則為期望輸出和實際輸出兩者之間的最小化誤差，閾值和權(quán)值經(jīng)不斷調(diào)整達到誤差在規(guī)定的范圍，結(jié)束模型學習?；贐P神經(jīng)網(wǎng)絡(luò)的信用評價涉及歸一化處理評價指標、確定網(wǎng)絡(luò)結(jié)構(gòu)、設(shè)置隱含點節(jié)點數(shù)、選擇輸入和輸出節(jié)點。由于評價指標衡量標準不同，需要把原始的評價指標轉(zhuǎn)化成可以用以評價的無量剛性指標值，也就是在評價值經(jīng)歸一化為[0,1]區(qū)間。信用評價指標分為極小值指標和極大值指標兩種，前者表明該值越小信用越高，后者反之。經(jīng)隸屬函數(shù)分別將極小值指標和極大值指標進行歸一化處理，表達式依次為

Uij'=(Uj-Xij)/(Uj-mj)

Uij'=(Uij-mj)/(Mj-mj)

(4)

Uij'是指原始信用評價指標數(shù)據(jù)，Mj和mj分別原始信用評價指標數(shù)據(jù)中的最大值和最小值。由于BP神經(jīng)網(wǎng)路的輸入變量為20個二級指標，且分包商的信用評價是最終輸出額評價結(jié)果。因此輸入和輸出節(jié)點分別設(shè)置為20和1。BP神經(jīng)網(wǎng)絡(luò)的隱含層層數(shù)可以為一個或者多個，其中單隱含層能完成封閉空間內(nèi)連續(xù)函數(shù)的網(wǎng)絡(luò)逼近，研究選擇單隱層網(wǎng)絡(luò)結(jié)構(gòu)，確定最佳隱含層節(jié)點數(shù)依據(jù)公式(5)完成。

(5)

n和m輸入層和輸出層的節(jié)點數(shù)分別用表示，的取值為[1,10]區(qū)間內(nèi)的常數(shù)，可以求得最佳隱含層的節(jié)點數(shù)量為5～14。基于以上分析，網(wǎng)絡(luò)結(jié)構(gòu)選擇20-7-1的結(jié)構(gòu)，也就是輸入、隱含層、輸出神經(jīng)元分別為20個、7個、1個。基于BP神經(jīng)網(wǎng)絡(luò)的分包商信用評價結(jié)構(gòu)如圖3所示。

圖3 基于BP神經(jīng)網(wǎng)絡(luò)的分包商信用評價結(jié)構(gòu)

圖4 30組測試集中風險預(yù)測分類結(jié)果與真實情況對比

2 實例分析

研究提取該企業(yè)的財務(wù)共享服務(wù)中心系統(tǒng)數(shù)據(jù)進行模擬分析，數(shù)據(jù)來源2018年93份協(xié)作施工合同資金支付相關(guān)數(shù)據(jù)。研究首先進行資金風險預(yù)警實驗分析，經(jīng)7大風險指標歸一化得到93分合同資金支付數(shù)據(jù)中風險評估結(jié)果，1-31份合同風險等級為安全狀態(tài)，標簽定義為C，32-62份合同風險等級為二級風險狀態(tài)，標簽定義為C，63-93份合同風險等級為安全狀態(tài)，類別標簽定義為C，其中每類別數(shù)據(jù)中均分為測試集和訓練集兩組，每種類別的后10種作為測試集，前21種作為訓練集。最佳參數(shù)和取值分別為1和2。每一類別的測試集的預(yù)測結(jié)果如圖4所示。從圖中可以看出，30組支付測試集中的只有一組數(shù)據(jù)的風險預(yù)測分類結(jié)果與實際不符，最終得到風險分類準確率為99.6667%。因此，所提出的SVM模型具有很好的泛化能力，能相對準確地識別合同資金支付風險等級，為后期風險預(yù)測提供參考依據(jù)。

研究然后進行分包商信用評價實驗分析，所采用的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖5(a)所示，三層間的轉(zhuǎn)移函數(shù)使用雙極性S型函數(shù)。輸入層、隱含層、輸出層的節(jié)點分別是20個、7個、1個。實驗為更加直觀評價分包商信用等級，設(shè)置評價組等級劃分，如果評價分值為[0.8，1]，信用等級是AA；如果評價分值為[0.7，0.8)，信用等級是A；如果評價分值為[0.5，0.7)，信用等級是B；如果評價分值為0.3，0.5)，信用等級是C；如果評價分值在0.3以內(nèi)，信用等級是D，研究選用100組樣本數(shù)據(jù)，其信用等級和分包商數(shù)量如圖5(b)所示。

圖5 測試神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)以及分包商的信用等級

實驗隨機分別選取85組數(shù)據(jù)和15組數(shù)據(jù)作為訓練集和測試集，利用newff函數(shù)進行模型訓練，學習精度為0.001，訓練次數(shù)為2000次，測試集的信用評價結(jié)果和真實值的情況如圖6所示。其中，可覺系數(shù)為0.98498，結(jié)合圖片可以看出樣本測試誤差非常小，差距最大也僅只有0.05左右，因此，該信用評價模型具有一定的實用性。

圖6 信用評價指標仿真結(jié)果和真實值的對比

圖7 分包商信用等級和訓練結(jié)果

15組測試集經(jīng)校驗得到的分包商信用評價結(jié)果，如圖7所示。預(yù)測值和期望輸出值的最大誤差是0.0469，平均誤差為0.0303，四個測試樣本的信用等級情況和專家分類結(jié)果有區(qū)別，其余11個測試樣本的信用等級情況和專家分類結(jié)果一致，因此，該評價方法效果明顯，且隨著分包商數(shù)量的增加而評價準確性更高。

3 結(jié) 論

結(jié)合大數(shù)據(jù)時代背景下財務(wù)共享服務(wù)中心高效、智能的特點，建筑公司如何進行協(xié)作核算成為當前研究的熱點。此次研究分析A建筑企業(yè)財務(wù)共享模式的現(xiàn)狀并提出了一種協(xié)作施工核算優(yōu)化方案，主要涉及協(xié)作施工合同資金風險預(yù)測、分包商信用評價，分別采用支持向量機和BP神經(jīng)網(wǎng)絡(luò)構(gòu)建相應(yīng)的風險預(yù)警模型和信用評價模型。實驗經(jīng)過93組協(xié)作施工合同資金支付相關(guān)數(shù)據(jù)對模型訓練和測試得到風險預(yù)警模型具有明顯有效性，風險分類準確率為99.6667%。實驗經(jīng)過100組樣本數(shù)據(jù)對信用評價模型訓練和測試，得到可覺系數(shù)為0.98498，樣本測試誤差非常小。此次研究所采用的方法還需要后續(xù)實驗的驗證和完善，以達到更好的財務(wù)管理效果。