夏 瑤

(皖江工學(xué)院 國際教育學(xué)院，安徽 馬鞍山 243000)

中大型企業(yè)在生產(chǎn)經(jīng)營過程中，產(chǎn)生財(cái)務(wù)危機(jī)的原因有很多，包括外部環(huán)境的惡化、管理者的工作失控以及經(jīng)營者出現(xiàn)的決策失誤等[1].但是中大型企業(yè)發(fā)生財(cái)務(wù)危機(jī)都不是瞬間的，往往都會是一個逐漸顯現(xiàn)并不斷惡化的過程[2].因此，需要針對企業(yè)運(yùn)營過程中存在的財(cái)務(wù)危機(jī)進(jìn)行及時預(yù)警，并將潛在風(fēng)險告知經(jīng)營者，使企業(yè)提前采取應(yīng)對策略，避免給企業(yè)造成財(cái)產(chǎn)損失[3].

在國內(nèi)的研究中，鄭立等人以上市公司為研究對象，利用財(cái)務(wù)危機(jī)形成的基本原理，分析了影響財(cái)務(wù)危機(jī)的因素，將最小二乘法與粗糙集理論融合在一起，針對企業(yè)面臨的財(cái)務(wù)危機(jī)提出了一種預(yù)警模型[4].李辰杰考慮到企業(yè)財(cái)務(wù)危機(jī)判斷受到財(cái)務(wù)欺詐的影響，將反欺詐指標(biāo)與深度神經(jīng)網(wǎng)絡(luò)結(jié)合，基于動態(tài)財(cái)務(wù)指標(biāo)，提出了一種預(yù)測模型[5].

基于以上研究背景，本文利用BP-SVM算法針對中大型企業(yè)設(shè)計(jì)了財(cái)務(wù)危機(jī)預(yù)警系統(tǒng)，從而避免中大型企業(yè)發(fā)生財(cái)務(wù)危機(jī).

1 系統(tǒng)硬件設(shè)計(jì)

1.1 數(shù)據(jù)采集傳感器

通過對比市面上的各種相似傳感器，發(fā)現(xiàn)數(shù)據(jù)采集器之間的基本原理幾乎一致，都是將采集到的數(shù)據(jù)轉(zhuǎn)換成模擬電壓信號[6].半導(dǎo)體是財(cái)務(wù)危機(jī)數(shù)據(jù)采集傳感器的主要材料，當(dāng)它識別到財(cái)務(wù)危機(jī)數(shù)據(jù)時，隨著數(shù)據(jù)危險指數(shù)的增加，傳感器的電導(dǎo)率越來越高.本文選擇的是NP92V5T型號的傳感器，具有比較高的靈敏度，并且可以在復(fù)雜的環(huán)境中工作.財(cái)務(wù)危機(jī)數(shù)據(jù)采集傳感器的內(nèi)部電路如圖1所示.

圖1 財(cái)務(wù)危機(jī)數(shù)據(jù)采集傳感器內(nèi)部電路圖

1.2 數(shù)據(jù)分類的CPU板卡

利用財(cái)務(wù)危機(jī)數(shù)據(jù)采集傳感器獲取的財(cái)務(wù)危機(jī)數(shù)據(jù)比較復(fù)雜，通過設(shè)計(jì)中大型企業(yè)財(cái)務(wù)危機(jī)數(shù)據(jù)分類的CPU板卡，對財(cái)務(wù)危機(jī)數(shù)據(jù)進(jìn)行分類，便于后期的預(yù)警.本文選擇TB-75MUB型號的處理器作為財(cái)務(wù)危機(jī)數(shù)據(jù)分類的CPU板卡，為了確保財(cái)務(wù)危機(jī)數(shù)據(jù)分類處理芯片與CPU板卡的匹配，采用總線協(xié)議芯片控制CPU板卡電路，企業(yè)財(cái)務(wù)危機(jī)數(shù)據(jù)分類的CPU板卡內(nèi)部結(jié)構(gòu)如圖2所示.

圖2 企業(yè)財(cái)務(wù)危機(jī)數(shù)據(jù)分類的CPU板卡結(jié)構(gòu)圖

在圖2中，通過在CPU核心處理器的接口處搭載一個以太網(wǎng)控制器，提高CPU核心處理器對財(cái)務(wù)危機(jī)數(shù)據(jù)的分類效率.

1.3 財(cái)務(wù)危機(jī)報警器

中大型企業(yè)財(cái)務(wù)危機(jī)報警器采用LED指示燈和無源蜂鳴器對存在危機(jī)的財(cái)務(wù)數(shù)據(jù)進(jìn)行報警，蜂鳴器的報警原理是將財(cái)務(wù)危機(jī)信號轉(zhuǎn)換成方波，通過單片機(jī)的接口輸出一個時鐘信號[7-8]，從而控制蜂鳴器報警.中大型企業(yè)財(cái)務(wù)危機(jī)報警器工作原理如圖3所示.

圖3 中大型企業(yè)財(cái)務(wù)危機(jī)報警器工作原理

2 系統(tǒng)軟件設(shè)計(jì)

在中大型企業(yè)財(cái)務(wù)系統(tǒng)中，將數(shù)據(jù)采集傳感器的財(cái)務(wù)數(shù)據(jù)定義為M，利用BP-SVM算法描述中大型企業(yè)的財(cái)務(wù)數(shù)據(jù)，表示為：

M=|oi|i∈M∣

(1)

oi=(Si,?i)

(2)

上式中，oi表示中大型企業(yè)的財(cái)務(wù)數(shù)據(jù)，Si表示財(cái)務(wù)數(shù)據(jù)的元素標(biāo)識，?i表示財(cái)務(wù)數(shù)據(jù)的特征值.

當(dāng)財(cái)務(wù)系統(tǒng)中的某一類型數(shù)據(jù)存在危機(jī)時，就需要對財(cái)務(wù)數(shù)據(jù)庫進(jìn)行一次更新，即：

U[oi]+[w]=?i

(3)

其中，U[oi]表示元素標(biāo)識oi的統(tǒng)計(jì)量，[w]表示中大型企業(yè)財(cái)務(wù)數(shù)據(jù)的開放空間.

根據(jù)以上過程，通過識別中大型企業(yè)財(cái)務(wù)數(shù)據(jù)中，發(fā)生變化的元素標(biāo)識，對財(cái)務(wù)危機(jī)數(shù)據(jù)進(jìn)行分類，從而檢測中大型企業(yè)財(cái)務(wù)系統(tǒng)是否存在異常行為.

定義中大型企業(yè)財(cái)務(wù)危機(jī)數(shù)據(jù)的類別為L(i)，利用BP-SVM算法計(jì)算出財(cái)務(wù)危機(jī)數(shù)據(jù)的聚類中心，即：

(4)

上述公式中，K(i)表示財(cái)務(wù)危機(jī)數(shù)據(jù)的類別數(shù)量，γi表示BP-SVM算法的初始數(shù)據(jù)中心.

根據(jù)公式(4)得到的聚類中心，對BP-SVM算法的擴(kuò)展寬度進(jìn)行初始化處理，公式為：

(5)

其中，Lmax表示聚類中心之間的最大距離，J表示財(cái)務(wù)危機(jī)預(yù)警的聚類類別數(shù).

利用經(jīng)過寬度擴(kuò)展后的BP-SVM算法，對財(cái)務(wù)危機(jī)數(shù)據(jù)進(jìn)行自適應(yīng)分類，則存在：

(6)

基于財(cái)務(wù)危機(jī)數(shù)據(jù)的類別，檢測中大型企業(yè)財(cái)務(wù)系統(tǒng)的異常行為，即：

(7)

3 測試分析

3.1 實(shí)驗(yàn)數(shù)據(jù)集

本文選擇Q企業(yè)為實(shí)驗(yàn)測試對象，該企業(yè)的財(cái)務(wù)組成包括生產(chǎn)制造模塊、銷售模塊以及其他模塊，每一個模塊都會存在財(cái)務(wù)正常和財(cái)務(wù)危機(jī)，其數(shù)據(jù)分布如表1所示.

表1 企業(yè)財(cái)務(wù)數(shù)據(jù)

3.2 性能測試

在性能測試中，以系統(tǒng)的運(yùn)行時間為自變量，利用吞吐量指標(biāo)和預(yù)警精度指標(biāo)，衡量中大型企業(yè)財(cái)務(wù)危機(jī)的預(yù)警性能.為了突出文中系統(tǒng)的優(yōu)勢，引入基于RS-LSSVM的預(yù)警系統(tǒng)和基于動態(tài)財(cái)務(wù)指標(biāo)和反欺詐的預(yù)警系統(tǒng)作對比，得到了如圖4和圖5所示結(jié)果.

圖5 財(cái)務(wù)危機(jī)預(yù)警精度測試結(jié)果

從圖4的結(jié)果可以看出，三個預(yù)警系統(tǒng)都將運(yùn)行時間控制在30 s之內(nèi)進(jìn)行的實(shí)驗(yàn)測試，預(yù)警系統(tǒng)的網(wǎng)絡(luò)吞吐量隨著運(yùn)行時間的增加而增加，但是采用基于BP-SVM算法的中大型企業(yè)財(cái)務(wù)危機(jī)預(yù)警系統(tǒng)獲取到的網(wǎng)絡(luò)吞吐量是最大的，在800 bps～1 000 bps之間.采用基于RS-LSSVM的預(yù)警系統(tǒng)和基于動態(tài)財(cái)務(wù)指標(biāo)和反欺詐的預(yù)警系統(tǒng)時，隨著系統(tǒng)運(yùn)行時間的增加，網(wǎng)絡(luò)吞吐量雖然也在逐漸增加，但是遠(yuǎn)遠(yuǎn)低于文中系統(tǒng)，說明文中系統(tǒng)在吞吐量方面的性能可以滿足用戶要求.

圖4 系統(tǒng)吞吐量測試結(jié)果

圖5的結(jié)果顯示，采用基于BP-SVM算法的中大型企業(yè)財(cái)務(wù)危機(jī)預(yù)警系統(tǒng)時，能夠準(zhǔn)確對財(cái)務(wù)危機(jī)進(jìn)行預(yù)警，提前采取相應(yīng)措施降低財(cái)務(wù)危機(jī)帶來的損失，財(cái)務(wù)危機(jī)預(yù)警的最大精度達(dá)到了97%；而基于RS-LSSVM的預(yù)警系統(tǒng)和基于動態(tài)財(cái)務(wù)指標(biāo)和反欺詐的預(yù)警系統(tǒng)時，雖然可以提高預(yù)警精度，但是財(cái)務(wù)危機(jī)預(yù)警精度范圍分別為65%～78%和79%～87%.

4 結(jié)語

本文提出了基于BP-SVM算法的中大型企業(yè)財(cái)務(wù)危機(jī)預(yù)警系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)，經(jīng)系統(tǒng)測試發(fā)現(xiàn)，該系統(tǒng)在財(cái)務(wù)危機(jī)預(yù)警中的功能和性能可以滿足用戶的要求.但是本文的研究還存在很多不足，在今后的研究中，希望可以考慮到財(cái)務(wù)危機(jī)數(shù)據(jù)的質(zhì)量對預(yù)警精度的影響，先對財(cái)務(wù)危機(jī)數(shù)據(jù)預(yù)處理，去除數(shù)據(jù)中含有的噪聲，從而提高預(yù)警精度.