結合大數(shù)據(jù)技術的財務共享服務平臺的升級與優(yōu)化

| 桑煜峰 趙立祥

一、引言

當今世界正處于經(jīng)濟全球化的浪潮中，科學技術和生產(chǎn)資料的加速發(fā)展推動著企業(yè)的生產(chǎn)和經(jīng)營模式不斷更新迭代，不同國家不同企業(yè)之間的競爭加劇，一些大型的跨國企業(yè)開始尋找新的經(jīng)營管理模式來提高自身的競爭力，同時擴大生產(chǎn)規(guī)模，拓展業(yè)務范圍，以此來獲取更高的經(jīng)濟利益和國際市場。但企業(yè)規(guī)模的擴張不僅需要大量的資金和人力資源，更需要完善的管理體系來支撐企業(yè)的日常運營，如果管理不當不僅會造成資源的浪費，更有可能使管理層發(fā)生內(nèi)耗，增加內(nèi)部財務風險，對企業(yè)的長期發(fā)展造成嚴重阻礙，為了防止出現(xiàn)嚴重內(nèi)耗、降低管理成本、合理規(guī)避風險、提高企業(yè)的核心競爭力從而實現(xiàn)長遠的發(fā)展目標，企業(yè)必須建立其適應時代發(fā)展需要的管理體系，其中財務管理作為企業(yè)的整個生產(chǎn)運營體系中最重要的環(huán)節(jié)之一，其創(chuàng)新和改革也迫在眉睫。

目前來看，在預測財務風險方面已經(jīng)有許多比較成熟的方法，比如：多元線性模型、概率模型以及神經(jīng)網(wǎng)絡模型等，這些方法雖然有效但在實際應用時還存在一些不足之處，為了進一步研究企業(yè)財務風險的預測機制，并結合大數(shù)據(jù)技術設計企業(yè)的財務共享平臺，本文將利用深度學習搭建財務風險預警模型，并進行模擬分析。由于深度學習是一種基于人類大腦學習的特征模型，擁有非常強大的學習和分類功能，在許多領域都有了廣泛的應用，在財務風險的預測方面要比傳統(tǒng)方法更加準確和及時。通過應用程序?qū)ω攧諗?shù)據(jù)進行整理和分析，使得財務處理更加智能化。傳統(tǒng)的財務管理工作往往需要大量繁瑣的重復性工作，但隨著互聯(lián)網(wǎng)技術的廣泛應用，會計工作已經(jīng)逐漸進入電子化的工作模式，基于大數(shù)據(jù)分析技術的財務共享平臺可以實現(xiàn)統(tǒng)一的標準化的管理模式和業(yè)務流程，以此為基礎實現(xiàn)低投入高回報的生產(chǎn)經(jīng)營模式。與此同時，財務共享服務平臺的優(yōu)化和升級是一個不斷推陳出新的過程，必須隨著時代的發(fā)展和科學技術的進步而不斷自我更新，管理者也必須具備敏銳的洞察力不斷進行自我革新才能使平臺持續(xù)發(fā)揮作用。

為了對大數(shù)據(jù)時代下的企業(yè)財務共享服務平臺進行風險預警及優(yōu)化升級，本文通過查閱資料和文獻對財務共享服務平臺進行了簡單的概述，然后利用深度學習技術對企業(yè)的財務共享服務平臺進行搭建和優(yōu)化，從中找出存在的問題并提出優(yōu)化意見，最后對M企業(yè)進行案列分析，實現(xiàn)了以大數(shù)據(jù)技術為核心的財務共享服務平臺的風險預警處理和有效優(yōu)化，對尋求財務管理系統(tǒng)突破的大中型企業(yè)具有借鑒和指導意義。

二、財務共享服務平臺的總體設計方案

（一）企業(yè)財務共享平臺的風險預警

基于互聯(lián)網(wǎng)的大數(shù)據(jù)技術已經(jīng)廣泛普及到各個領域，互聯(lián)網(wǎng)可以將任何信息數(shù)據(jù)與不同行業(yè)之間建立聯(lián)系，通過云端數(shù)據(jù)庫建立傳統(tǒng)行業(yè)所不具備的網(wǎng)絡架構，從而實現(xiàn)互通有無的行業(yè)內(nèi)部交流，上下級之間的傳達，部門之間的業(yè)務往來都能夠及時處理。隨著行業(yè)之間存在的“信息不對稱”也得到了妥善地解決，第一產(chǎn)業(yè)和第二產(chǎn)業(yè)之間供求不對等的矛盾也逐漸弱化，行業(yè)之間及時的交流和反饋，根據(jù)市場供求關系進行生產(chǎn)和制造才能更大程度地規(guī)避風險，順應社會發(fā)展的潮流，由此可知，以“互聯(lián)網(wǎng)”為核心的大數(shù)據(jù)技術和云端數(shù)據(jù)庫的建立使得整個市場的資源和數(shù)據(jù)得到有效的利用，各個行業(yè)之間聯(lián)系更加緊密，基于互聯(lián)網(wǎng)的大數(shù)據(jù)技術在推動傳統(tǒng)行業(yè)進行技術革新的同時也促進了許多新興行業(yè)的發(fā)展，如服務業(yè)、物流行業(yè)等。

企業(yè)的財務風險是多方面因素共同作用的結果，影響因素有很多，而且隨著時代的發(fā)展，企業(yè)的財務指標也在不斷改變；同時，交易市場本身具有非常大的不確定因素，交易價格也會算著市場的變化而產(chǎn)生波動。由此可知，企業(yè)財務風險不是單一變量而是多種變量共同作用下產(chǎn)生的，所以就決定了對于財務風險的預警方法不能用簡單的線性函數(shù)來處理，簡單的財務盈虧和凈利潤等指標已經(jīng)無法滿足危機的預測需求，而危機和各個變量之間更是一種復雜的多維非線性函數(shù)。隨著互聯(lián)網(wǎng)和大數(shù)據(jù)技術的發(fā)展，深度學習逐漸成為機器學習領域的一個新的發(fā)展方向，其中BP(back propagation)神經(jīng)網(wǎng)絡模型已經(jīng)廣泛的應用到各個領域，在企業(yè)財務危機預測方面也有較大的應用價值。

互聯(lián)網(wǎng)時代下，機器學習(Machine Learning)是利用計算機模擬人類大腦學習過程的一種多學科交叉理論，在互聯(lián)網(wǎng)和大數(shù)據(jù)時代，萬物互聯(lián)，數(shù)據(jù)信息愈加繁雜，獲取新的知識和技能顯得更加重要，如何才能高效地利用計算機完成對數(shù)據(jù)的分類、線性回歸、檢驗等問題是非常關鍵的。機器學習的領域非常廣泛，根據(jù)學習方式主要可以分為三大類：有導師學習、無導師學習以及強化學習；根據(jù)學習方法可以分為：歸納學習、演繹學習、類比學習以及分析學習。利用機器學習可以快速地對大量數(shù)據(jù)進行分類和處理，找出數(shù)據(jù)中的規(guī)律并形成學習模型，最后利用模型對數(shù)據(jù)進行預測和分析。而深度學習(Deep Learning, DL)是機器學習領域中一個新的研究方向，但它比機器學習要更加接近人工智能這個概念，其主要目的就是挖掘數(shù)據(jù)背后的潛在規(guī)律和隱藏信息，通過對企業(yè)財務數(shù)據(jù)的分析挖掘出背后隱藏的信息，從而對企業(yè)的財務狀態(tài)做出準確的判斷。更重要的是，在財務管理方面，大量的財務數(shù)據(jù)可以被集中化處理，計算機的處理速度比人工處理更快而且不會出錯，可以高效高質(zhì)量地完成財務數(shù)據(jù)的統(tǒng)計和整理工作，降低人工成本的同時提高企業(yè)的整體工作效率，越來越多的企業(yè)開始采用信息化的管理模式，通過互聯(lián)網(wǎng)技術來對企業(yè)內(nèi)部進行改革和升級，這是時代發(fā)展的趨勢也是市場經(jīng)濟下提高企業(yè)核心競爭力的根本保證。

（二）基于大數(shù)據(jù)技術的深度學習

基于大數(shù)據(jù)技術的深度學習是經(jīng)過多層處理，將數(shù)據(jù)從低層特征表示轉(zhuǎn)變?yōu)楦邔犹卣鞅硎?，用簡單的模型對?shù)據(jù)進行深度處理，深度這個概念也是來源于人工神經(jīng)網(wǎng)絡，其中多層隱含層的設計就是一種深度學習結構。一般的深度學習模型結構隱含層節(jié)點數(shù)量多，通常有5層或6層，甚至10層；此外，深度學習模型結構是通過多層變化實現(xiàn)樣本數(shù)據(jù)的特征量升維的，經(jīng)過變換的樣本特征形成新的特征空間，其分類和預測效果更好，同時利用大數(shù)據(jù)進行特征學習，可以更有效地描述數(shù)據(jù)的潛在信息。正是由于深度學習的幫助，使得許多領域獲得了飛速的發(fā)展，而且深度學習在很大程度上改變了人們的傳統(tǒng)觀念，在學習知識和技能方面開辟了新的捷徑。因為有了深度學習，很多情況下人們不再依賴于傳統(tǒng)機器學習的模式，對樣本變量的特征值進行單獨變換，只需要輸入模型中就可以實現(xiàn)統(tǒng)一處理，得到合適的特征值和新的向量空間。

（三）財務共享平臺風險預警的內(nèi)涵

財務共享平臺風險預警模型的搭建意義在于，通過大數(shù)據(jù)技術將企業(yè)的財務數(shù)據(jù)進行整理和分類，然后利用深度學習對財務數(shù)據(jù)進行分析和處理，對其他的財務風險做出準確有效的預測和判斷。財務危機屬于突發(fā)性危機，對其進行合理的預測可以有效避免重大財務損失并且及時做出反應，基于財務風險預警模型的檢測可以對企業(yè)的財務狀況進行實時監(jiān)控，幫助管理者及時發(fā)現(xiàn)企業(yè)內(nèi)部運作的問題，然后對出現(xiàn)問題的部門進行整改和糾錯，這樣做可以將財務危機在發(fā)生之前就解決掉，相比于出現(xiàn)危機后再進行彌補，前者的成本要更低一些。此外，財務共享平臺的搭建在一定程度上可以對企業(yè)的經(jīng)營模式進行調(diào)整，方便管理者更加清楚地了解企業(yè)各部門的運作情況，在激烈的競爭環(huán)境下有效促進了企業(yè)的進步。在具體的研究中，可以通過定量分析、定性分析等手段來研究財務風險，定性分析主要是通過數(shù)據(jù)分析對財務風險進行識別，而定量分析主要是根據(jù)財務數(shù)據(jù)指標來對風險進行定位，并確定問題所在部門，目前來看，定量分析更加適合大多數(shù)企業(yè)，實用性很高而且操作難度小收益高。而定性分析應用范圍較小操作難度較高，而且比起風險的誘因來說，大多數(shù)情況下企業(yè)更加關心風險的識別和處理，所以本文也使用定量分析的辦法搭建企業(yè)財務風險預警模型。

（四）財務共享平臺風險預警系統(tǒng)設計

人工神經(jīng)網(wǎng)絡是根據(jù)人腦處理信息的方式仿生而來的數(shù)據(jù)處理模型，主要通過將數(shù)據(jù)進行多維運算，抽象擬合成類似于函數(shù)關系的結果，可以處理許多復雜多維的數(shù)據(jù)，并且從中找出規(guī)律。神經(jīng)網(wǎng)絡具有很強的函數(shù)運算能力，而且容錯度很高，其并行處理數(shù)據(jù)的模式可以進行大規(guī)模的批量運算，而且速度很快，是人工智能技術興起以來逐漸開始發(fā)展的一種新型運算模型。神經(jīng)網(wǎng)絡的內(nèi)部由大量的神經(jīng)元組成，主要結構包括輸入層、隱含層和輸出層，其中隱含層的層數(shù)越多，說明該神經(jīng)網(wǎng)絡的性能更加優(yōu)越。此外，人工神經(jīng)網(wǎng)絡也是一種動態(tài)的函數(shù)模型，在不斷的訓練過程中可以對自身的參數(shù)進行修正以保證輸出結果的準確性，隨著數(shù)據(jù)的不斷輸入，神經(jīng)網(wǎng)絡也會不斷適應新的數(shù)據(jù)環(huán)境，提取新的特征值，找到其中的規(guī)律性，這也就是動態(tài)學習的本質(zhì)，通過不斷地學習大大提高了神經(jīng)網(wǎng)絡的準確性。一般情況下，財務共享平臺風險預警系統(tǒng)的搭建主要包括四部分：可行性評估階段、設計并構建階段、運行及管理階段、提高和改進階段，其具體流程如圖1所示。

圖1 財務共享服務平臺風險預警分析的基本思路

1.指標體系建立。通過引入深度學習，以及諸多數(shù)據(jù)來對企業(yè)的特征加以描述，所以引入了前文提出的財務指標體系，并且經(jīng)由這些體系來展現(xiàn)企業(yè)的財務基本情況。首先是針對相關的數(shù)據(jù)進行訓練，然后就案例中提到的企業(yè)加以預警分析。具體得到的結論可以通過表1進行了解。

表1 財務風險具體的指標

依托具體的指標內(nèi)容，可以從多個維度對企業(yè)財務風險狀況給予揭示。之后，在樣本訓練、案例分析中，都借助這類指標體系來完成相關的預測與分析。在這里，將指標體系的現(xiàn)實價值理解為揭示企業(yè)財務風險特征與本質(zhì)的一種工具。通過指標的波動與改變，可以把握企業(yè)當下的財務狀況，搭建的深度學習網(wǎng)絡，便需要基于樣本訓練而開展豐富、深度化，這也是投入預測案例的關鍵。

2.神經(jīng)網(wǎng)絡模型建立和參數(shù)設計。BP(back propagation)神經(jīng)網(wǎng)絡是一種逆向傳播的多層前饋型靜態(tài)網(wǎng)絡。BP 神經(jīng)網(wǎng)絡具體的閾值、權重更新機制，具體可以通過以下函數(shù)來把握，相關方法是：線性分析，非線性轉(zhuǎn)換，求解損失函數(shù)，基于鏈式法則，通過反向傳播的方式實現(xiàn)計算微分求解，按照梯度下降法完成閾值、權值參數(shù)的調(diào)整：

其中，共需要m組樣本數(shù)據(jù)(x,y)，x為輸入特征向量；y為輸出標簽；L表示BP神經(jīng)網(wǎng)絡的層數(shù)；a表示第i層的激活函數(shù)輸出值；w表示第i層網(wǎng)絡的權值矩陣；b表示第i層網(wǎng)絡的閥值矩陣；g表示激活函數(shù)；在訓練過程中，BP神經(jīng)網(wǎng)絡將反復進行迭代，計算流程依次為：前向傳播、計算損失、反向傳播、更新權值和閥值。

3.關注訓練過程。首先，界定可靠的樣本，將所有樣本劃分為兩個內(nèi)容，一個內(nèi)容歸屬于訓練，一個內(nèi)容歸屬于測試，彼此之間在內(nèi)容上要求不重合。

其次，預處理。這是因為具體到樣本數(shù)據(jù)來看，其量綱并未統(tǒng)一，由此，需作預處理，為訓練提供統(tǒng)一依據(jù)。

再次，做好訓練參數(shù)的界定。在對深度學習網(wǎng)絡開展具體的訓練操作時，一個基礎便是訓練樣本，而參數(shù)的界定直接關系著測試的準確性。

最后，觀察測試所呈現(xiàn)出的結果，對網(wǎng)絡參數(shù)作動態(tài)優(yōu)化，不斷調(diào)整與試驗，確保預警網(wǎng)絡模型趨向于完善。

4.關注樣本與參數(shù)的界定。對于測試樣本而言，要求將正常公司的樣本數(shù)量界定為60，將存在財務危機的樣本數(shù)量界定為45。具體到財務危機公司，測試與訓練樣本的具體比例設定為1:10。在本分析中，輸入值選定為12個指標具體的數(shù)據(jù)，考慮數(shù)據(jù)的差異性與非統(tǒng)一性，在這之前需要完成歸一化處理。引入MATLABR2015b工具，開展網(wǎng)絡訓練，相應的函數(shù)如下所示：

其中 和 都是常數(shù)，前者設定為1，后者設定為-1。依托該函數(shù)可以歸一化數(shù)據(jù)，讓數(shù)據(jù)體現(xiàn)在[-1,1]區(qū)間內(nèi)。完成處理后的數(shù)據(jù)，可以在深度學習網(wǎng)絡中直接應用于訓練。

具體到本分析來把握，訓練是基于存在標簽的數(shù)據(jù)進行的，初始層變量具體表現(xiàn)為23個，由此，隱含層在具體層數(shù)的界定上并不需要太多。若隱含層數(shù)量增加較多，則會波及到判斷精度，這一點在調(diào)試中得到驗證，通過一系列調(diào)試工作，最終將隱含層選定為15、10與5三層，即將23維數(shù)據(jù)特征降低至5維。而在輸出層最后，其輸出結果設定為2維網(wǎng)絡，即正?；蛭C兩個判斷。若正常，則輸出（1，0），若判定為危機企業(yè)，則輸出（0,1）。由此，本網(wǎng)絡總共有五層，對應維數(shù)可以表述23,15,10,5,2。

三、財務共享服務平臺風險預警效果分析

（一）神經(jīng)網(wǎng)絡訓練分析

根據(jù)網(wǎng)絡模型對樣本進行訓練，訓練次數(shù)與誤差率的關系曲線，可以通過圖2來了解。通過圖2容易得出，隨著訓練的增多，網(wǎng)絡預測的誤差會逐步減少。這一結果也顯示了可以針對這些樣本數(shù)據(jù)加以準確預測。當訓練次數(shù)達到14000時，整體的誤差率維持在5%左右，說明利用神經(jīng)網(wǎng)絡的學習效率很高，可以對財務共享平臺進行風險預測。

圖2 訓練曲線圖

（二）測試效果分析

在訓練了神經(jīng)網(wǎng)絡之后，本文就105個企業(yè)樣本實施了相關的測試，這些樣本和訓練樣本保持了相對的獨立性，主要是用來分析網(wǎng)絡測試的準確率，其預測結果具體可以通過圖3進行了解。

圖3 預測準確率統(tǒng)計

由圖3可知，神經(jīng)網(wǎng)絡對正常企業(yè)的風險預警準確率最高，約為98%，而對于近一兩年內(nèi)出現(xiàn)過危機狀況的企業(yè)準確率則比較低，分別為92%和90%，說明出現(xiàn)危機狀況的企業(yè)更難對風險進行把控，但總體來說神經(jīng)網(wǎng)絡模型對企業(yè)財務共享平臺風險預測是非常有效的。

（三）基于公司競爭力層面的實際案例分析

經(jīng)過多輪訓練測試，財務共享平臺風險預警優(yōu)化方案達到了M企業(yè)的驗收要求，并正式投入使用，系統(tǒng)上線運行后取得的應用效果如圖4所示。

圖4 2017-2020年M企業(yè)的營業(yè)額與財務人員對比

截至2020 年，已經(jīng)實施財務共享優(yōu)化方案的M企業(yè)對比2017年業(yè)績增長 84%，財務共享服務中心的工作人員數(shù)量下降 61%，財務部門信息化程度得到提升的同時也降低了差錯率，在對財務共享服務中心優(yōu)化之前，M企業(yè)中每個子公司都有單獨的財務部門，而且崗位的工作任務大致相同，這就導致了職位的分散和工作量分配不均。而優(yōu)化之后，將M企業(yè)的所有財務工作進行集中處理，不同分公司之間同類型的財務工作由同一個工作人員處理，避免了繁瑣的交接工作，確保了M企業(yè)財務部門與業(yè)務部門之間實時、準確、有效的信息交接和共享。

（四）基于人力資源成本層面的分析

M企業(yè)財務共享服務中心優(yōu)化前后的人員崗位和業(yè)務量對比如圖5所示。經(jīng)過資源優(yōu)化整合后的M企業(yè)財務共享服務中心2017年人員崗位為212個，2020年為126個，相比減少約59%，如果按照每個崗位年薪10萬元計算，直接降低的人力資源成本為3440萬元。同時，財務部門的業(yè)務水平也并沒有因為工作崗位的減少而降低，反而由于財務業(yè)務信息化集中處理技術得到了提高，根據(jù)數(shù)據(jù)顯示，2017年財務共享中心處理業(yè)務共計5645筆，而2020年共計處理7542筆，增長了33%，直接反映了財務共享中心處理業(yè)務能力的顯著提高，如果按照優(yōu)化前的工作量計算，財務共享中心應當增加33%的工作崗位，即70個崗位，增加人力資源成本為2800萬元，所以，財務共享服務中心的優(yōu)化方案間接節(jié)約了人力資源成本。

圖5 2014-2017年財務共享服務中心人員崗位和業(yè)務量對比

三、總結與展望

本文運用文獻研究和案例分析法對財務共享服務中心平臺的風險預警進行了研究，利用大數(shù)據(jù)技術結合深度學習構建了神經(jīng)網(wǎng)絡模型，對企業(yè)的財務共享平臺中存在的風險加以分析，然后通過M企業(yè)開展了相關的實例分析，分別從M企業(yè)的競爭力、人力資源成本兩個層面來對比神經(jīng)網(wǎng)絡模型的優(yōu)化效果。結果表明，神經(jīng)網(wǎng)絡對企業(yè)的財務風險預警是非常有效的，整體的預測準確率在90%以上，同時基于大數(shù)據(jù)技術的企業(yè)財務共享平臺的優(yōu)化不僅提高了M企業(yè)的業(yè)務處理能力和效率，同時降低了人力資源成本，實現(xiàn)了整體競爭力的提升。

然而，本文只對單個企業(yè)進行案例分析，而沒有與多個同類型企業(yè)進行對比，所以得到的結果具有一定的局限性和片面性，對于財務共享服務平臺的全面優(yōu)化升級還需要做進一步的深入研究。相信隨著計算機和大數(shù)據(jù)技術的不斷發(fā)展進步，財務共享服務中心的業(yè)務處理水平將會繼續(xù)提升，更多的企業(yè)將會從中收益，在不斷的改革和升級中一步一步提高自己企業(yè)的競爭力。