徐軍

（上海開放大學普陀分校，上海 200062）

在財務系統(tǒng)的日常運行中，傳統(tǒng)的財會人員需要完成核算、報表審查與分析等多種工作。但這些工作通常存在功能較少的缺點[1-4]，難以滿足日益增長的管理需求。為避免系統(tǒng)的這一缺點，充分挖掘財務系統(tǒng)的多元化價值，國內(nèi)外較多的科技公司進行了大量的嘗試[5-7]。其中，2000-2010 年期間，華為與中興等國內(nèi)科技公司首次嘗試建立了全球的財務共享服務中心，從而降低財務的管理成本與業(yè)務效率[8-10]。隨著人力資源成本的快速升高，以及云計算與大數(shù)據(jù)等新型技術(shù)的出現(xiàn)，工程款與勞務費等多種財會工作占據(jù)了大量的資源與成本，直接導致財務管理成本的不斷攀升。

為了盡量降低財務系統(tǒng)的管理成本，同時更加精確地判別與預測賬戶風險，通過引入流程自動化技術(shù)與人工神經(jīng)網(wǎng)絡算法，該文實現(xiàn)了大量機械重復性工作的自動執(zhí)行，同時完成了賬戶風險的科學判別與預測。文中利用K-means 聚類算法[11-16]，對大量的財務數(shù)據(jù)樣本進行了學習與分類，進一步優(yōu)化了財務系統(tǒng)的工作執(zhí)行策略，盡量規(guī)避人工風險評價的主觀性與片面性。

1 財務共享系統(tǒng)

通常財務共享系統(tǒng)是以多種互聯(lián)網(wǎng)技術(shù)為底層部件，以規(guī)范性與程序性為處理業(yè)務原則，降低重復性勞動與人為主觀判斷行為的新型財務服務中心，其基本結(jié)構(gòu)如圖1 所示。

圖1 財務共享系統(tǒng)基本結(jié)構(gòu)圖

2 流程自動化技術(shù)

2.1 技術(shù)特征

流程自動化是一種基于大數(shù)據(jù)的軟件自動化技術(shù)，該技術(shù)適用于財務共享系統(tǒng)，其主要原因在于以下幾個特征：

1）流程自動化技術(shù)是一種在電腦桌面運行的自動化軟件。該技術(shù)屬于軟件領域之內(nèi)的機器人技術(shù)，能夠完成機械重復與規(guī)則明確的自動軟件運行。

2）流程自動化技術(shù)具有遠超人工的精確度與工作效率。在維持數(shù)據(jù)處理速度與精確度的前提下，流程自動化技術(shù)具有全天候及不間斷的工作能力，尤其適合大規(guī)模的企業(yè)財務運營。

3）流程自動化技術(shù)是基于非侵入式的外掛式軟件。其通過模擬用戶的基本操作，完全不影響用戶的操作軟件架構(gòu)。其執(zhí)行周期較短，且易于非專業(yè)人士理解。

4）流程自動化技術(shù)具有低成本與低風險的特征。其無需人工干預，只要合理地設定執(zhí)行規(guī)則，相應的執(zhí)行過程就不會發(fā)生錯誤，且提供高可靠性的流程檢查。

2.2 技術(shù)實現(xiàn)

文中利用流程自動化技術(shù)，實現(xiàn)了多種高重復性的流程執(zhí)行，包括開票流程執(zhí)行、自動對賬、收款核銷與信用管理等。以開票業(yè)務為例，其詳細工作流程如圖2 所示。

圖2 開票自動化的工作流程圖

3 神經(jīng)網(wǎng)絡算法

3.1 技術(shù)特征

在20 世紀40 年代，為構(gòu)建神經(jīng)元的數(shù)學模型，國外的學術(shù)界提出了具有大規(guī)模并行處理能力的人工神經(jīng)網(wǎng)絡算法。通過模擬神經(jīng)元細胞的工作過程，神經(jīng)網(wǎng)絡算法可以自動衡量與評價企業(yè)財務賬戶的風險情況，其實現(xiàn)一般可分為4 個步驟，其詳細內(nèi)容如下。

1）初始化：神經(jīng)網(wǎng)絡算法需要完成多個參數(shù)的設計與初始化，這些參數(shù)主要包括輸入層、輸出層與隱含層的神經(jīng)元數(shù)目及其權(quán)重。其中，輸入層的神經(jīng)元數(shù)目由樣本指標數(shù)量決定，輸出層的神經(jīng)元數(shù)目由數(shù)據(jù)類型決定，其權(quán)重可通過隨機數(shù)、學習率與傳遞函數(shù)共同決定。

2）正向傳播：利用輸入層的數(shù)據(jù)與權(quán)重值，執(zhí)行相應的線性變換，利用傳遞函數(shù)，即可獲取隱藏層多個神經(jīng)元的值。再經(jīng)過隱藏層的反復運算，可以得到輸出層神經(jīng)元結(jié)果。

3）計算擬合值與輸出之間的誤差：擬合值與輸出層神經(jīng)元之間存在一定的差異，這一步需要精確地計算該項誤差，從而進一步對該神經(jīng)網(wǎng)絡算法的參數(shù)進行調(diào)整。

4）反向傳播：利用梯度下降法，對誤差函數(shù)進行優(yōu)化，獲取神經(jīng)網(wǎng)絡算法中隱藏層的最優(yōu)權(quán)值。

根據(jù)神經(jīng)網(wǎng)絡算法的4 個關鍵步驟，文中制定了適用于財務系統(tǒng)的算法執(zhí)行流程，如圖3 所示。

圖3 神經(jīng)網(wǎng)絡算法的實現(xiàn)流程圖

3.2 可行性分析

在神經(jīng)網(wǎng)絡算法的執(zhí)行階段，財務系統(tǒng)風險評價需要利用數(shù)學統(tǒng)計模型和神經(jīng)網(wǎng)絡算法進行較為精確的判別和分類，從而衡量多個企業(yè)的財務風險，實現(xiàn)應收賬款的流動性。在該算法的執(zhí)行過程中，數(shù)據(jù)集還存在一定數(shù)量的噪聲樣本，增加了神經(jīng)網(wǎng)絡算法的執(zhí)行難度，降低了該算法的最終結(jié)果質(zhì)量。

通過含噪數(shù)據(jù)樣本的多輪訓練，系統(tǒng)能夠提取出輸入層、隱含層與輸出層之間的多種權(quán)重矩陣。利用這些權(quán)重矩陣，系統(tǒng)即可自動判別多個客戶的財務現(xiàn)狀，同時獲得其財務現(xiàn)狀與多項指標之間的非線性關系。通過詳細的分析驗證可知，在企業(yè)財務風險評估方面，神經(jīng)網(wǎng)絡算法具有較好的可行性。

4 K-means聚類算法

在機器學習中，聚類算法負責從設定的角度搜集與分類數(shù)據(jù)，常用的算法主要有K-means 聚類、均值漂移聚類、基于密度聚類、高斯混合模型聚類、凝聚層次聚類與團體檢測等算法。其中，K-means 聚類算法是目前應用范圍最廣的聚類算法之一，由于具有簡潔的執(zhí)行原理、較優(yōu)的運行效果與較低的實現(xiàn)難度，該算法被廣泛應用于數(shù)據(jù)處理、模式識別與數(shù)據(jù)挖掘等新興領域。

4.1 目標函數(shù)

假設d維樣本數(shù)據(jù)集是待分類的數(shù)據(jù)集，其n個簇分別由F1,F2,…,Fn表示，其中心數(shù)據(jù)點分別為c1,c2,…,cn，且（1 ≤i≤n）。其中，ki是簇Fi中數(shù)據(jù)點的數(shù)量，x表示簇Fi中的某個數(shù)據(jù)點。一般而言，令Ob表示聚類算法的目標函數(shù)，其數(shù)學表達式如式（1）所示。

其中，dij(ci,xj)表示數(shù)據(jù)簇Fi中某個數(shù)據(jù)點xj到數(shù)據(jù)中心點ci之間的歐式距離，即衡量每個數(shù)據(jù)點到數(shù)據(jù)中心點之間的歐式距離之和。此時，目標函數(shù)值Ob越小，簇類的分布就越緊湊。當目標函數(shù)Ob達到最小值時，其相對應的聚類方法則達到最優(yōu)狀態(tài)。

4.2 具體步驟

利用K-means 聚類算法的基本原理和目標函數(shù)，文中制定了財務系統(tǒng)所使用聚類算法的具體步驟，其具體內(nèi)容如下。

1）從d維樣本數(shù)據(jù)集中選取n個初始的數(shù)據(jù)中心點，分別使用c1,c2,…,cn表示。

2）以c1,c2,…,cn為中心點，對數(shù)據(jù)集進行劃分，其遵循原則：令i,l=1,2,…,n，j=1,2,…,ki且l≠i；若dij(ci,xj)

4）若?i∈{1,2,…,n}，均成立，或者算法的迭代輪數(shù)超過最大允許迭代次數(shù)，則結(jié)束算法執(zhí)行，輸出數(shù)據(jù)中心點結(jié)果，形成最終簇；否則，令第s+1 輪的數(shù)據(jù)中心點結(jié)果作為新簇，跳轉(zhuǎn)至2）繼續(xù)執(zhí)行。

5）輸出數(shù)據(jù)集的聚類結(jié)果。

根據(jù)以上步驟，K-means 算法需要執(zhí)行多輪迭代。其具體迭代流程，如圖4 所示。

圖4 K-means聚類算法的具體執(zhí)行流程

5 仿真結(jié)果與分析

為了驗證流程自動化技術(shù)、神經(jīng)網(wǎng)絡與K-means聚類算法的有效性與可行性，基于實際的財務系統(tǒng)，文中對這些技術(shù)進行了必要的仿真與分析。需要說明的是，由于流程自動化技術(shù)與神經(jīng)網(wǎng)絡算法被綜合運用于K-means算法的執(zhí)行過程中，所以該文并沒有單獨對前者進行仿真，而是直接對K-means算法進行仿真與分析。在具體仿真過程中，文中隨機選取了某企業(yè)379項財務數(shù)據(jù)，利用K-means算法，對這些數(shù)據(jù)樣本進行了科學的分類和變量分析，其主要步驟如下：

Step1：通過分析系統(tǒng)的多種變量，分析企業(yè)財務現(xiàn)狀是否滿足變量分析的前提；

Step2：針對多種變量的統(tǒng)計結(jié)果，提取相應的風險相關變量，利用神經(jīng)網(wǎng)絡算法進行變量提取運算；

Step3：根據(jù)神經(jīng)網(wǎng)絡算法的運行結(jié)果，解釋多種變量的實際現(xiàn)狀；

Step4：計算各個變量的多項觀測分數(shù)。

通過執(zhí)行以上Step1～Step4 的相關步驟，得到的結(jié)果如圖5、圖6 所示。

圖5 K-means算法執(zhí)行步驟示例

圖6 K-means聚類算法的執(zhí)行結(jié)果

由圖5、圖6 可知，文中提出的K-means 算法準確地完成了財務賬戶數(shù)據(jù)的處理與分析，與現(xiàn)有財務系統(tǒng)對接方便，有效實現(xiàn)了財務賬戶風險的評級、判斷與預測，具有較好的可行性與有效性。對于未來財務系統(tǒng)的設計與分析，該文所提出的技術(shù)具有一定的借鑒與參考價值。

6 結(jié)束語

通過綜合利用流程自動化技術(shù)、神經(jīng)網(wǎng)絡算法與K-means 聚類算法，文中提出了企業(yè)財務賬戶的風險管理技術(shù)，實現(xiàn)了高重復性流程的自動執(zhí)行，賬戶風險的準確評價、判別與預測。然而，文中所提技術(shù)實現(xiàn)的功能仍比較單一，例如：該文的K-means 算法仍未能全面實現(xiàn)財務系統(tǒng)中供應商的賬戶分類、判別與預測，將在未來的研究中完善這一問題。