黃坤

【摘要】? ? 預算管理有助于公司更好的控制費用。目前，對預算的預測主要是各單位財務人員根據(jù)單位自身的情況以及經驗進行估算，在實際的操作過程中受限于財務人員的主觀性，預算往往存在較大的偏差。機器學習算法能夠根據(jù)歷史預算使用情況來預測未來的預算，具有比財務人員預測更強的客觀性，因此本文研究機器學習中的支持向量機模型對預算的預測。本文基于支持向量機設計預算管理的預測模型，采用遺傳算法對各個參數(shù)進行優(yōu)化，在樣本外的測試中，RMSE為 2496.82，優(yōu)于BP神經網絡模型以及隨機森林模型。

【關鍵詞】? ? 預算管理? ? 預算預測? ? 機器學習

一、緒論

預算管理作為企業(yè)績效管理體系（EPM）的重要環(huán)節(jié)，是推進企業(yè)持續(xù)發(fā)展和戰(zhàn)略目標實現(xiàn)的重要手段之一。在具體實現(xiàn)上，有五個環(huán)節(jié)，分別為預算目標確定、預算編制、預算執(zhí)行監(jiān)控、預算調整和預算分析。 預算管理有助于公司更好的控制費用，對財務等進行規(guī)劃。對于公司而言，資金的需求與供給之間可能存在不確定性，特別是公司處于發(fā)展期間，短期的資金短缺可能影響公司的業(yè)務發(fā)展，因此對預算進行管理是公司業(yè)務得以順利發(fā)展的重要保障。而預算管理的基礎是對預算進行預測，根據(jù)各單位的預測結果進行有序的規(guī)劃與監(jiān)督。目前，對預算的預測主要是各單位財務人員根據(jù)單位自身的情況以及經驗進行估算，在實際的操作過程中受限于財務人員的主觀性，預算往往存在較大的偏差。隨著大數(shù)據(jù)的發(fā)展，充分利用單位的數(shù)據(jù)，并采用機器學習模型對公司的各項數(shù)據(jù)進行預測成為準確預估公司預算的重要手段。機器學習算法能夠根據(jù)歷史預算使用情況來預測未來的預算，具有比財務人員預測更強的客觀性，因此本文研究機器學習中的支持向量機模型對預算的預測。

二、機器學習研究

機器學習模型根據(jù)歷史數(shù)據(jù)中蘊含的規(guī)律，對系統(tǒng)的未來進行預測。常用的機器學習模型包括支持向量機模型、隨機森林模型、BP神經網絡模型等。

2.1支持向量機模型

最早的支持向量機理論是為了解決二分類的問題。Vapnik于1995年最早提出了該理論，并且通過嚴格的數(shù)學推導進行了求解。這種分類問題樣本可以用如下的數(shù)學公式進行表達：

而分類器的目的是尋找一個學習函數(shù)f（x），當輸入是x時該函數(shù)的輸出為y，y的取值為-1或1，分類器的目標是盡可能的能夠識別該樣本的正確類型，也就是y的正確取值。一般而言，分類問題可以采用線性的方式或者非線性的方式進行建模分析，支持向量機也支持這兩種方式。對于非線性的問題，支持向量機使用，將該樣本數(shù)據(jù)集映射到更高的維度空間，在更高的維度空間重，構建切分子空間，對樣本的分類問題進行求解，可以采用以下公式進行建模。

2.2隨機森林模型

隨機森林是一種應用較多的有監(jiān)督學習算法，其性能較好，預測精度也較高，在很多領域得到了廣泛的應用?；貧w樹的基本屬性原理便是將一系列輸入屬性x1，x2映射為最終的輸出，可以用如下公式進行表達：

隨機森林模型會針對不同的樣本屬性來進行劃分，比如選擇某個特征A，當該特征取值為a時，可以劃分為屬性等于a以及屬性不等于a的兩個集合，然后分別計算基尼指數(shù)，如（2-4）所示：

2.3 BP神經網絡模型

BP算法是一種典型的前饋網絡，能夠解決各類線性的或者非線性的問題，并且能夠對抗各類樣本噪音的干擾。一般而言，BP神經網絡具有三層或者三層以上的網絡結構，每一層網絡由神經元組成，這些神經元相互連接，形成網絡。該網絡具有一定的學習功能，首先把樣本通過輸入逐層傳遞到輸出，然后根據(jù)預測結果與正式結果的差異，按照反方向反饋到網絡結構中，并調整網絡結構中的各項參數(shù)，并按照（9）修改連接權值：

其中是節(jié)點j到節(jié)點k在t+1步的權重，是節(jié)點j到節(jié)點k在t步的權重，是學習率，是節(jié)點j的輸出。

三、基于支持向量機的預算預測模型構建

本文構建預算管理的預測模型，主要用于對項目的月度預算進行預測，其方式主要通過建立時間窗口，然后基于對下一個月的預算進行滾動預測，通過預測的結果分析，將其納入到對整個項目預算生命周期的管理中。從預測的周期來看，由于采用滑動時間窗口，可以實現(xiàn)連續(xù)的滾動的預算預測，對項目整個生命周期以及每月的預算都可以進行預測，然后基于模型的預測結果，編制相應的預算文件。在進行滾動預測的時候，主要將項目的各項經營指標作為模型的輸入，然后模型會生成以下一月度預算為基礎的輸出結果，基于數(shù)據(jù)結果可以分析項目的盈利以及現(xiàn)金流的相關情況，并建立預算的管理目標。通過對月度的財務預算進行預測，能夠為整個項目編制預算提醒提供參考。通過審閱每個月預算與實際執(zhí)行情況的差異，能夠保障預算目標的正確執(zhí)行。以此為基礎，才能解決整個項目周期內預算情況的正常推進，對整體的收入、成本、稅金等進行控制。一般而言，在對項目預算進行滾動預測時，采用4+N的方式進行，主要基于前4年的情況來進行預測，并進行更新。

本文采用支持向量機模型構建預算預測模型，支持向量機模型存在以下參數(shù)。

為了能夠得到支持向量機模型的最優(yōu)參數(shù)，本文基于遺傳算法對模型進行最優(yōu)化。遺傳算法模擬生物界的進化方式，通過迭代的方式不斷生成新的種群，然后不斷接近最優(yōu)解。本文為了檢測模型的預測精準性，主要采用均方根誤差以及平均絕對誤差進行衡量。其中均方根誤差的定義如（10）所示。

四、實證分析

本文采用某公司的預算歷史數(shù)據(jù)進行實證分析，對每個月的預算進行預測。采用遺傳算法求取該模型的最優(yōu)參數(shù)，如表2所示。

樣本外預測如圖1所示?？梢钥吹?，樣本外預測的結果與預算的真實使用之間的誤差較小，經過計算可以得到該模型的RMSE為 2496.82。

為了對比分析支持向量機模型的有效性，采用BP神經網絡以及隨機森林模型進行樣本外預測，得到下圖。

可以看到，BP神經網絡與隨機森林的預測效果相對較弱，其中BP神經網絡模型的RMSE為3416.36，隨機森林的RMSE為3126.65，支持向量機模型的預測效果較好。

五、總結

本文基于支持向量機模型設計預算預測模型，通過實證分析檢驗了本文設計模型的有效性。通過與BP神經網絡、隨機森林等模型進行對比分析，驗證了本文設計模型的有效性。

參? 考? 文? 獻

[1]賴婧， 歐通澤. 基于數(shù)據(jù)挖掘的電網企業(yè)收入預算預測系統(tǒng)研究[J]. 金融經濟， 2019， 502（04）：199-200.

[2]孫云山， 劉照德. 基于稀疏組Lasso懲罰函數(shù)支持向量機的經費預算困境預測[J]. 統(tǒng)計與決策， 2019（23）：19-23.