李庭華, 蕭健誠(chéng)

(廣州城建職業(yè)學(xué)院 經(jīng)濟(jì)與管理學(xué)院，廣東 廣州 510925)

0 引 言

近幾年來(lái)，信息技術(shù)的快速發(fā)展帶動(dòng)了財(cái)務(wù)共享模式的不斷完善和創(chuàng)新，相應(yīng)的財(cái)務(wù)功能需求也表現(xiàn)出動(dòng)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(fēng)險(xiǎn)管控等提供決策依據(jù)，許多研究也已經(jīng)取得了相對(duì)滿意的結(jié)果[2]。同時(shí)隨著機(jī)器學(xué)習(xí)算法在預(yù)測(cè)和評(píng)估領(lǐng)域的大量應(yīng)用，企業(yè)財(cái)務(wù)經(jīng)營(yíng)管理也有了新的思路[3]。但是目前機(jī)器學(xué)習(xí)算法在協(xié)作施工核算業(yè)務(wù)優(yōu)化方面還沒有達(dá)到比較理想的優(yōu)化效果。此次研究針對(duì)財(cái)務(wù)智能化協(xié)作施工當(dāng)中存在的不足和缺陷，提出了利用支持向量機(jī)和BP神經(jīng)網(wǎng)絡(luò)分別進(jìn)行合同資金支付風(fēng)險(xiǎn)預(yù)警和分包商信用評(píng)價(jià)，希望所提出的方案能夠?yàn)榻窈筘?cái)務(wù)智能協(xié)作系統(tǒng)的研究提拱價(jià)值。

1 財(cái)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(jī)算法的資金風(fēng)險(xiǎn)預(yù)警

財(cái)務(wù)共享模式是一種融合大數(shù)據(jù)技術(shù)新型財(cái)務(wù)管理模式，其戰(zhàn)略目標(biāo)是提高客戶的滿意度和最大化創(chuàng)造價(jià)值，集中分散的業(yè)務(wù)到財(cái)務(wù)共享服務(wù)中心，同時(shí)使企業(yè)保持較高的經(jīng)營(yíng)效率和經(jīng)濟(jì)利益，進(jìn)而具備明顯的企業(yè)管理優(yōu)勢(shì)[4-5]。此次研究以某建筑公司A為例，進(jìn)行財(cái)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(cái)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(gè)部門，以及薪酬核算、協(xié)作施工核算等14個(gè)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(dāng)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(qiáng)、拆分合同資金風(fēng)險(xiǎn)過(guò)大、人力在低附加值工作占比過(guò)大等方面。結(jié)合大數(shù)據(jù)時(shí)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(píng)級(jí)、協(xié)作合同資金風(fēng)險(xiǎn)預(yù)警、業(yè)務(wù)流程自動(dòng)化。 流程自動(dòng)化技術(shù)包括四個(gè)流程，由公司合同部負(fù)責(zé)的是自動(dòng)讀取分包合同信息，由協(xié)作施工方負(fù)責(zé)流程分別是讀取和錄入票據(jù)信息、審核并錄入項(xiàng)目進(jìn)度。

研究利用支持向量機(jī)(SVM)預(yù)測(cè)協(xié)作施工合同資金風(fēng)險(xiǎn)情況。其具有較強(qiáng)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(shí)SVM經(jīng)最有分類超平面把樣本數(shù)據(jù)分類，使得測(cè)試樣本保持較小的誤差，最小化結(jié)構(gòu)風(fēng)險(xiǎn)[6-7]。協(xié)作施工合同支付風(fēng)險(xiǎn)預(yù)測(cè)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。基于支持向量機(jī)算法的資金風(fēng)險(xiǎn)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(fēng)險(xiǎn)預(yù)警模型、模型訓(xùn)練和測(cè)試、指標(biāo)體系及等級(jí)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(xiàng)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(gè)指標(biāo)并設(shè)置一級(jí)風(fēng)險(xiǎn)、二級(jí)風(fēng)險(xiǎn)、安全三種風(fēng)險(xiǎn)等級(jí)，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(jí)風(fēng)險(xiǎn)是指資金在個(gè)別指標(biāo)中出現(xiàn)不正常的情況，一級(jí)風(fēng)險(xiǎn)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(huì)導(dǎo)致更嚴(yán)重的影響。合同支付風(fēng)險(xiǎn)指標(biāo)和等級(jí)劃分如下表1所示。

表1 A企業(yè)協(xié)作施工合同支付風(fēng)險(xiǎn)指標(biāo)和等級(jí)劃分

圖1 基于支持向量機(jī)算法的資金風(fēng)險(xiǎn)預(yù)警

(1)

此時(shí)相應(yīng)的樣本數(shù)據(jù)風(fēng)險(xiǎn)等級(jí)分類函數(shù)也可以表示為

(2)

(3)

此時(shí)的徑向基分類器中每一個(gè)基函數(shù)與一個(gè)支持向量對(duì)應(yīng)，并經(jīng)SVM算法輸出權(quán)值，且利用交叉驗(yàn)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(fēng)險(xiǎn)預(yù)測(cè)結(jié)果。研究采用一定的樣本數(shù)據(jù)進(jìn)行模型訓(xùn)練，滿足空間輸入和輸出的映射，從而得到和支付信息對(duì)應(yīng)的支付風(fēng)險(xiǎn)等級(jí)。訓(xùn)練完成后風(fēng)險(xiǎn)預(yù)測(cè)模型包含專家經(jīng)驗(yàn)和知識(shí)，此時(shí)將測(cè)試樣本輸入到該模型將會(huì)得到支付風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果，有效進(jìn)行資金的實(shí)時(shí)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(shí)發(fā)出風(fēng)險(xiǎn)信號(hào)給相應(yīng)負(fù)責(zé)人員，采取一定的措施避免更嚴(yán)重的資金風(fēng)險(xiǎn)。

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

針對(duì)目前的分包商信用評(píng)價(jià)主觀操作能力太強(qiáng)，研究建立分包商信用評(píng)價(jià)指標(biāo)，選用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行分包商信用評(píng)價(jià)。其中建立分包商信用評(píng)價(jià)指標(biāo)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(biāo)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(jìn)行篩選，選取體現(xiàn)信用的主要數(shù)據(jù)，保證評(píng)價(jià)結(jié)果的準(zhǔn)確性。可操性是指在選取數(shù)據(jù)過(guò)程中需要考慮數(shù)據(jù)獲取難易程度、是否可以量化、實(shí)用性等方面[10]。綜合考慮，研究最終選定信用情況、競(jìng)爭(zhēng)實(shí)力、經(jīng)營(yíng)狀況、安全評(píng)估、質(zhì)量認(rèn)證情況、履約情況作為信用評(píng)價(jià)指標(biāo)的一級(jí)指標(biāo)，形成收入核算、施工進(jìn)度情況、安全情況等20個(gè)二級(jí)指標(biāo)。BP神經(jīng)網(wǎng)絡(luò)具有誤差逆?zhèn)鞑?、信?hào)向前傳遞的顯著優(yōu)點(diǎn)，其拓?fù)浣Y(jié)構(gòu)具有多層，由許多個(gè)獨(dú)立的神經(jīng)元組成，并經(jīng)過(guò)權(quán)系數(shù)完成各個(gè)層級(jí)連接。

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

其學(xué)習(xí)過(guò)程主要包括三個(gè)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(cè)試集和訓(xùn)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(jìn)行不停地運(yùn)轉(zhuǎn)。在樣本數(shù)據(jù)運(yùn)算過(guò)程中，每個(gè)神經(jīng)元均發(fā)揮著傳輸和運(yùn)算作用，并最終經(jīng)最后一層得到最終的運(yùn)行結(jié)果。第二步對(duì)比前一階段的輸出結(jié)果和初始設(shè)置值的大小，若未達(dá)到理想的輸出結(jié)果，則進(jìn)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(jì)算獲取的兩個(gè)值對(duì)總誤差的干擾程度。第三步，重復(fù)第二步直至輸出的結(jié)果能夠滿足預(yù)制的標(biāo)準(zhǔn)，輸出合適的結(jié)果并結(jié)束學(xué)習(xí)過(guò)程。分包商信用評(píng)價(jià)模型的訓(xùn)練示意圖如圖2所示，訓(xùn)練對(duì)象為預(yù)處理的數(shù)值，學(xué)習(xí)規(guī)則為期望輸出和實(shí)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(dá)到誤差在規(guī)定的范圍，結(jié)束模型學(xué)習(xí)?；贐P神經(jīng)網(wǎng)絡(luò)的信用評(píng)價(jià)涉及歸一化處理評(píng)價(jià)指標(biāo)、確定網(wǎng)絡(luò)結(jié)構(gòu)、設(shè)置隱含點(diǎn)節(jié)點(diǎn)數(shù)、選擇輸入和輸出節(jié)點(diǎn)。由于評(píng)價(jià)指標(biāo)衡量標(biāo)準(zhǔn)不同，需要把原始的評(píng)價(jià)指標(biāo)轉(zhuǎn)化成可以用以評(píng)價(jià)的無(wú)量剛性指標(biāo)值，也就是在評(píng)價(jià)值經(jīng)歸一化為[0,1]區(qū)間。信用評(píng)價(jià)指標(biāo)分為極小值指標(biāo)和極大值指標(biāo)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(biāo)和極大值指標(biāo)進(jìn)行歸一化處理，表達(dá)式依次為

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

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

(4)

Uij'是指原始信用評(píng)價(jià)指標(biāo)數(shù)據(jù)，Mj和mj分別原始信用評(píng)價(jià)指標(biāo)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(gè)二級(jí)指標(biāo)，且分包商的信用評(píng)價(jià)是最終輸出額評(píng)價(jià)結(jié)果。因此輸入和輸出節(jié)點(diǎn)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(gè)或者多個(gè)，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(diǎn)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(diǎn)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(diǎn)數(shù)量為5～14?；谝陨戏治觯W(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(gè)、7個(gè)、1個(gè)?；贐P神經(jīng)網(wǎng)絡(luò)的分包商信用評(píng)價(jià)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(píng)價(jià)結(jié)構(gòu)

圖4 30組測(cè)試集中風(fēng)險(xiǎn)預(yù)測(cè)分類結(jié)果與真實(shí)情況對(duì)比

2 實(shí)例分析

研究提取該企業(yè)的財(cái)務(wù)共享服務(wù)中心系統(tǒng)數(shù)據(jù)進(jìn)行模擬分析，數(shù)據(jù)來(lái)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(jìn)行資金風(fēng)險(xiǎn)預(yù)警實(shí)驗(yàn)分析，經(jīng)7大風(fēng)險(xiǎn)指標(biāo)歸一化得到93分合同資金支付數(shù)據(jù)中風(fēng)險(xiǎn)評(píng)估結(jié)果，1-31份合同風(fēng)險(xiǎn)等級(jí)為安全狀態(tài)，標(biāo)簽定義為C，32-62份合同風(fēng)險(xiǎn)等級(jí)為二級(jí)風(fēng)險(xiǎn)狀態(tài)，標(biāo)簽定義為C，63-93份合同風(fēng)險(xiǎn)等級(jí)為安全狀態(tài)，類別標(biāo)簽定義為C，其中每類別數(shù)據(jù)中均分為測(cè)試集和訓(xùn)練集兩組，每種類別的后10種作為測(cè)試集，前21種作為訓(xùn)練集。最佳參數(shù)和取值分別為1和2。每一類別的測(cè)試集的預(yù)測(cè)結(jié)果如圖4所示。從圖中可以看出，30組支付測(cè)試集中的只有一組數(shù)據(jù)的風(fēng)險(xiǎn)預(yù)測(cè)分類結(jié)果與實(shí)際不符，最終得到風(fēng)險(xiǎn)分類準(zhǔn)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(duì)準(zhǔn)確地識(shí)別合同資金支付風(fēng)險(xiǎn)等級(jí)，為后期風(fēng)險(xiǎn)預(yù)測(cè)提供參考依據(jù)。

研究然后進(jìn)行分包商信用評(píng)價(jià)實(shí)驗(yàn)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(diǎn)分別是20個(gè)、7個(gè)、1個(gè)。實(shí)驗(yàn)為更加直觀評(píng)價(jià)分包商信用等級(jí)，設(shè)置評(píng)價(jià)組等級(jí)劃分，如果評(píng)價(jià)分值為[0.8，1]，信用等級(jí)是AA；如果評(píng)價(jià)分值為[0.7，0.8)，信用等級(jí)是A；如果評(píng)價(jià)分值為[0.5，0.7)，信用等級(jí)是B；如果評(píng)價(jià)分值為0.3，0.5)，信用等級(jí)是C；如果評(píng)價(jià)分值在0.3以內(nèi)，信用等級(jí)是D，研究選用100組樣本數(shù)據(jù)，其信用等級(jí)和分包商數(shù)量如圖5(b)所示。

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

實(shí)驗(yàn)隨機(jī)分別選取85組數(shù)據(jù)和15組數(shù)據(jù)作為訓(xùn)練集和測(cè)試集，利用newff函數(shù)進(jìn)行模型訓(xùn)練，學(xué)習(xí)精度為0.001，訓(xùn)練次數(shù)為2000次，測(cè)試集的信用評(píng)價(jià)結(jié)果和真實(shí)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(cè)試誤差非常小，差距最大也僅只有0.05左右，因此，該信用評(píng)價(jià)模型具有一定的實(shí)用性。

圖6 信用評(píng)價(jià)指標(biāo)仿真結(jié)果和真實(shí)值的對(duì)比

圖7 分包商信用等級(jí)和訓(xùn)練結(jié)果

15組測(cè)試集經(jīng)校驗(yàn)得到的分包商信用評(píng)價(jià)結(jié)果，如圖7所示。預(yù)測(cè)值和期望輸出值的最大誤差是0.0469，平均誤差為0.0303，四個(gè)測(cè)試樣本的信用等級(jí)情況和專家分類結(jié)果有區(qū)別，其余11個(gè)測(cè)試樣本的信用等級(jí)情況和專家分類結(jié)果一致，因此，該評(píng)價(jià)方法效果明顯，且隨著分包商數(shù)量的增加而評(píng)價(jià)準(zhǔn)確性更高。

3 結(jié) 論

結(jié)合大數(shù)據(jù)時(shí)代背景下財(cái)務(wù)共享服務(wù)中心高效、智能的特點(diǎn)，建筑公司如何進(jìn)行協(xié)作核算成為當(dāng)前研究的熱點(diǎn)。此次研究分析A建筑企業(yè)財(cái)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(fēng)險(xiǎn)預(yù)測(cè)、分包商信用評(píng)價(jià)，分別采用支持向量機(jī)和BP神經(jīng)網(wǎng)絡(luò)構(gòu)建相應(yīng)的風(fēng)險(xiǎn)預(yù)警模型和信用評(píng)價(jià)模型。實(shí)驗(yàn)經(jīng)過(guò)93組協(xié)作施工合同資金支付相關(guān)數(shù)據(jù)對(duì)模型訓(xùn)練和測(cè)試得到風(fēng)險(xiǎn)預(yù)警模型具有明顯有效性，風(fēng)險(xiǎn)分類準(zhǔn)確率為99.6667%。實(shí)驗(yàn)經(jīng)過(guò)100組樣本數(shù)據(jù)對(duì)信用評(píng)價(jià)模型訓(xùn)練和測(cè)試，得到可覺系數(shù)為0.98498，樣本測(cè)試誤差非常小。此次研究所采用的方法還需要后續(xù)實(shí)驗(yàn)的驗(yàn)證和完善，以達(dá)到更好的財(cái)務(wù)管理效果。