余 成，翟志斌，王德城，黃傳堂，吳澤杰，周承鐳，黃世俊，江正有

（東莞市婦幼保健院信息科，廣東 東莞 523000）

廣義上，財(cái)務(wù)管理包括會(huì)計(jì)、稅務(wù)、審計(jì)、預(yù)算和債務(wù)管理，以及投資、融資和運(yùn)營(yíng)決策。我國(guó)的金融管理分為以下五個(gè)發(fā)展階段：傳統(tǒng)階段、計(jì)算機(jī)化階段、信息化階段、智能化階段和智慧化階段[1，2]。“智慧金融”管理是人工智能技術(shù)不斷進(jìn)步的產(chǎn)物，為金融管理領(lǐng)域的轉(zhuǎn)型提供了更新穎的路徑和更廣闊的空間[3，4]，其本質(zhì)特征在于對(duì)經(jīng)濟(jì)活動(dòng)中的價(jià)值流進(jìn)行更科學(xué)、更人性化的管理，這體現(xiàn)在醫(yī)院、大學(xué)和其他實(shí)體組織的實(shí)際業(yè)務(wù)發(fā)展的有機(jī)結(jié)合上，可以解放人力資源，提高分析和判斷財(cái)務(wù)狀況的能力。本文從人工智能的發(fā)展過(guò)程和智能金融的優(yōu)越性出發(fā)，探討醫(yī)院智慧財(cái)務(wù)金融的創(chuàng)新方案。

1 問(wèn)題分析

1.1 財(cái)務(wù)信息化程度不夠 目前，大多數(shù)醫(yī)院的財(cái)務(wù)信息化程度不高，財(cái)務(wù)信息化主要體現(xiàn)在會(huì)計(jì)上，但其他財(cái)務(wù)工作仍采用人工記錄，工作效率不高[5]。例如，許多醫(yī)院在預(yù)算編制和預(yù)算執(zhí)行中或通過(guò)財(cái)務(wù)人員使用Excel 表格進(jìn)行手動(dòng)登記和匯總。由于綜合醫(yī)院涉及多個(gè)科室，隨著經(jīng)濟(jì)規(guī)模的不斷擴(kuò)大，經(jīng)濟(jì)問(wèn)題也越來(lái)越多[6]。在手動(dòng)登記和匯總的過(guò)程中，很容易錯(cuò)過(guò)重新記錄，這將影響預(yù)算編制和執(zhí)行結(jié)果。另外，在許多醫(yī)院的財(cái)務(wù)報(bào)銷流程中，報(bào)銷申請(qǐng)?zhí)顚?xiě)、表單審批、報(bào)銷原始附件、會(huì)計(jì)憑證的獲取等環(huán)節(jié)都是人工操作，信息程度不高。傳統(tǒng)的財(cái)務(wù)報(bào)銷流程通常分為7 個(gè)步驟，見(jiàn)圖1。在上述模式中，根據(jù)業(yè)務(wù)需要可能存在多級(jí)審批，報(bào)銷代理需要找到不同的審批人員進(jìn)行報(bào)銷審批。由于審批人員多為行政領(lǐng)導(dǎo)，公務(wù)繁重，可能會(huì)造成報(bào)銷代理人跑空現(xiàn)象，降低報(bào)銷效率。對(duì)于審批人員來(lái)說(shuō)，每天零散、多個(gè)審批簽名占用了大量時(shí)間，每一個(gè)審批簽名也會(huì)打斷審批人員的工作思路，影響工作效率。財(cái)務(wù)人員手動(dòng)計(jì)算報(bào)銷金額并準(zhǔn)備會(huì)計(jì)憑證。隨著醫(yī)院業(yè)務(wù)量的增加，經(jīng)濟(jì)事項(xiàng)越來(lái)越多，人工報(bào)銷效率不高，容易出錯(cuò)。通過(guò)信息技術(shù)實(shí)現(xiàn)“移動(dòng)審批”和“網(wǎng)上報(bào)銷”，可以減少報(bào)銷操作人員，提高財(cái)務(wù)報(bào)銷效率。

圖1 傳統(tǒng)的財(cái)務(wù)報(bào)銷流程

1.2 缺乏完善的金融風(fēng)險(xiǎn)預(yù)警系統(tǒng) 在醫(yī)院的傳統(tǒng)財(cái)務(wù)模式下，后期管理是財(cái)務(wù)風(fēng)險(xiǎn)的主要管理方法。對(duì)于財(cái)務(wù)管理風(fēng)險(xiǎn)，缺乏預(yù)警和過(guò)程控制，缺乏動(dòng)態(tài)財(cái)務(wù)風(fēng)險(xiǎn)管理機(jī)制，這使得醫(yī)院財(cái)務(wù)管理中的財(cái)務(wù)風(fēng)險(xiǎn)管理具有明顯的滯后性[7]。在醫(yī)院的財(cái)務(wù)管理中，現(xiàn)金流風(fēng)險(xiǎn)是面臨的主要財(cái)務(wù)風(fēng)險(xiǎn)。例如，在傳染病流行時(shí)，一些醫(yī)院關(guān)閉了全部或部分門(mén)診，導(dǎo)致門(mén)診患者和慢性病住院患者、門(mén)診就診人數(shù)和住院患者急劇下降，醫(yī)療收入和現(xiàn)金流急劇下降。與此同時(shí)，醫(yī)療防護(hù)設(shè)備、消毒和其他設(shè)備的當(dāng)前成本大幅增加，導(dǎo)致現(xiàn)金流支出大幅增加?，F(xiàn)金流收入的減少和支出的增加使醫(yī)院面臨巨大的財(cái)務(wù)問(wèn)題，資金狀況嚴(yán)峻。因此，醫(yī)院應(yīng)加強(qiáng)對(duì)金融風(fēng)險(xiǎn)的控制，尤其是現(xiàn)金流的控制，并建立覆蓋經(jīng)濟(jì)業(yè)務(wù)全過(guò)程的動(dòng)態(tài)金融風(fēng)險(xiǎn)預(yù)警系統(tǒng)。

1.3 “信息孤島”問(wèn)題 大多數(shù)醫(yī)院的財(cái)務(wù)系統(tǒng)與醫(yī)院信息系統(tǒng)、資產(chǎn)和人員管理完全相連，無(wú)法實(shí)現(xiàn)信息共享[8]?！靶畔⒐聧u”問(wèn)題非常嚴(yán)重。同時(shí)，由于不同的供應(yīng)商提供不同的信息系統(tǒng)，而且每個(gè)系統(tǒng)之間的標(biāo)準(zhǔn)和規(guī)范也不同，因此無(wú)法實(shí)現(xiàn)兼容性，導(dǎo)致系統(tǒng)之間數(shù)據(jù)資源無(wú)法有效整合。例如，門(mén)診費(fèi)用、住院費(fèi)用和其他收入信息。在醫(yī)院信息系統(tǒng)中，很難與財(cái)務(wù)會(huì)計(jì)系統(tǒng)實(shí)時(shí)連接和共享。因此，日常醫(yī)療收入和其他會(huì)計(jì)仍處于手工會(huì)計(jì)狀態(tài)。金融和采購(gòu)供應(yīng)系統(tǒng)之間缺乏聯(lián)系，很容易導(dǎo)致醫(yī)院物資流、資金流和信息流無(wú)法有效形成良性循環(huán)，這可能導(dǎo)致賬目不匹配和數(shù)據(jù)缺乏真實(shí)性[9，10]。同時(shí)，如果信息管理不力，就難以進(jìn)行準(zhǔn)確的財(cái)務(wù)會(huì)計(jì)，也無(wú)法及時(shí)發(fā)現(xiàn)運(yùn)營(yíng)和管理問(wèn)題，導(dǎo)致大量數(shù)據(jù)收集或整理重復(fù)，浪費(fèi)大量資源，嚴(yán)重影響財(cái)務(wù)管理的效率。

2 BP 神經(jīng)網(wǎng)絡(luò)模型

2.1 醫(yī)院智能財(cái)務(wù)模式下BP 神經(jīng)網(wǎng)絡(luò)模型的算法

2.1.1 基本結(jié)構(gòu) 常見(jiàn)的神經(jīng)網(wǎng)絡(luò)可以分為三部分：輸入層、輸出層和幾個(gè)隱藏層[11]。圖2 是典型的三層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，圖3 是每個(gè)神經(jīng)元模型的結(jié)構(gòu)。

圖2 基本結(jié)構(gòu)

圖3 單個(gè)神經(jīng)元模型的結(jié)構(gòu)

‘Xn’代表‘n’神經(jīng)元的輸入值，‘Wn’代表“i”神經(jīng)元的連接權(quán)重值，‘θ’是閾值，‘Yi’是‘i’神經(jīng)元的輸出值。產(chǎn)生的激活函數(shù)如下：

其中激活函數(shù)是指在神經(jīng)元中引入非線性因素，從而使神經(jīng)網(wǎng)絡(luò)可以任意接近任何非線性函數(shù)。Sigmoid 函數(shù)、tanh 函數(shù)和ReLU 函數(shù)是學(xué)術(shù)會(huì)議中使用的相對(duì)廣泛的激活函數(shù)。閾值是有限的值。“WiXi”總和后的差異結(jié)果最終表示為抑制或激活事件，并給出輸出結(jié)果，通常采用二進(jìn)制科學(xué)計(jì)數(shù)方法[12]。如果差值小于或等于0 且Y=0，則狀態(tài)表示抑制。如果差值大于0 且Y=1，則狀態(tài)表示激活。

2.1.2 BP 訓(xùn)練方法 訓(xùn)練BP 神經(jīng)網(wǎng)絡(luò)需要調(diào)整和優(yōu)化兩個(gè)參數(shù)：權(quán)重和偏差。神經(jīng)網(wǎng)絡(luò)能夠準(zhǔn)確反映訓(xùn)練結(jié)果的前提是模型經(jīng)過(guò)充分訓(xùn)練，通過(guò)訓(xùn)練獲得最佳模型參數(shù)：連接權(quán)重“W”和“θ”。參數(shù)學(xué)習(xí)的主要訓(xùn)練方法是BP 算法，該算法主要基于梯度下降算法，也是實(shí)際工作中用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型參數(shù)的常用算法。梯度下降法的主要工作原理是沿最快局部下降方向求解參數(shù)的最優(yōu)解。

BP 算法的兩個(gè)過(guò)程是正向傳播和反向傳播[13]。正向傳播是信號(hào)，反向傳播是誤差。誤差值在沒(méi)有給定誤差范圍的情況下反向傳播以校正單元權(quán)重。由于BP 算法中的參數(shù)學(xué)習(xí)是基于梯度下降算法，因此梯度下降的核心是梯度的計(jì)算[14]。神經(jīng)網(wǎng)絡(luò)的訓(xùn)練通常分為4 個(gè)過(guò)程[15]。第一個(gè)過(guò)程前進(jìn)，計(jì)算輸出值和實(shí)際值之間的誤差值。第二個(gè)過(guò)程反向傳播計(jì)算所有神經(jīng)元對(duì)每層總誤差的貢獻(xiàn)值，主要是輸出層和隱藏層的兩類值。計(jì)算第三個(gè)過(guò)程梯度，以確定總誤差相對(duì)于參數(shù)權(quán)重和閾值更新的每個(gè)模型參數(shù)的梯度。更新第四個(gè)過(guò)程參數(shù)，更新權(quán)重和閾值。

2.1.3 選擇參數(shù) 輸入層中節(jié)點(diǎn)的數(shù)目是輸入神經(jīng)元的數(shù)目。根據(jù)分析劃分輸出層中的點(diǎn)數(shù)。如果是分類問(wèn)題，相應(yīng)的節(jié)點(diǎn)數(shù)就是分類數(shù)。如果是回歸問(wèn)題，則相應(yīng)的節(jié)點(diǎn)數(shù)等于1。隱藏層中的層數(shù)和節(jié)點(diǎn)數(shù)將使模型對(duì)訓(xùn)練集過(guò)于滿意，并容易出現(xiàn)過(guò)度擬合，而隱藏層的數(shù)量和隱藏層節(jié)點(diǎn)的數(shù)量太小，則會(huì)出現(xiàn)欠擬合。這里沒(méi)有辦法精確確定隱藏節(jié)點(diǎn)的數(shù)量，可以根據(jù)經(jīng)驗(yàn)公式來(lái)計(jì)算隱藏節(jié)點(diǎn)的具體數(shù)量。

在上述公式中，“l(fā)”表示隱藏層中的節(jié)點(diǎn)數(shù)，“n”表示輸入層中的結(jié)點(diǎn)數(shù)，“k”表示輸出層中的數(shù)目，“i”表示0 到9 之間的任何常數(shù)。

2.1.4 數(shù)據(jù)標(biāo)準(zhǔn)化 數(shù)據(jù)規(guī)范化非常重要。輸入層將涉及各種不同的指標(biāo)。這些指標(biāo)維度和多維單位是不同的，不同的指標(biāo)將直接反饋數(shù)據(jù)結(jié)果的不準(zhǔn)確。數(shù)據(jù)標(biāo)準(zhǔn)化處理的目的是消除維度的影響，使數(shù)據(jù)指標(biāo)具有相同的數(shù)量級(jí)，并且每個(gè)指標(biāo)都適用于綜合比較評(píng)價(jià)。本研究中使用的方法是歸一化方法，將數(shù)字轉(zhuǎn)換為0 到1 之間的十進(jìn)制。得到以下公式：

在上述公式中，“Xn”表示原始指示符，“Xmax”表示所有數(shù)據(jù)中“X”的最大值，“Xmin”表示全部數(shù)據(jù)中“X”的最小值，“Xn（new）”是通過(guò)對(duì)原始索引“Xn”進(jìn)行歸一化而獲得的新值。

2.2 BP 神經(jīng)網(wǎng)絡(luò)模型數(shù)據(jù)處理 本研究主要使用MATLAB 編程軟件來(lái)訓(xùn)練和模擬神經(jīng)網(wǎng)絡(luò)的結(jié)果。數(shù)據(jù)主要來(lái)自醫(yī)院智能金融發(fā)展研究中隨機(jī)選擇的背景金融數(shù)據(jù)。初始數(shù)據(jù)樣本有3365 個(gè)數(shù)據(jù)集，數(shù)據(jù)分類見(jiàn)表1。

表1 數(shù)據(jù)分類

在本研究中，將數(shù)據(jù)導(dǎo)入MATLAB 軟件進(jìn)行分析。根據(jù)標(biāo)準(zhǔn)化方法，所有3365 組數(shù)據(jù)均為（0，1）之間的小數(shù)。歸一化分析后，隨機(jī)選擇3000 組數(shù)據(jù)作為訓(xùn)練集，其余365 組數(shù)據(jù)用作實(shí)驗(yàn)集。在此基礎(chǔ)上，驗(yàn)證了模型預(yù)測(cè)的準(zhǔn)確性。訓(xùn)練步長(zhǎng)為500，預(yù)期誤差目標(biāo)為0.001，學(xué)習(xí)步長(zhǎng)為0.01。

在上述實(shí)驗(yàn)中，隱藏層節(jié)點(diǎn)的數(shù)量被設(shè)置為7、8、9、10 和11，并且通過(guò)使用訓(xùn)練集數(shù)據(jù)來(lái)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)模型。主要從以下兩個(gè)方面考察不同隱藏節(jié)點(diǎn)的訓(xùn)練效果：①分析了信用級(jí)別識(shí)別錯(cuò)誤的總數(shù)；②單獨(dú)分析偏離度的相對(duì)誤差。

對(duì)于回歸預(yù)測(cè)模型，如果預(yù)測(cè)可以在同一坐標(biāo)系中繪制預(yù)測(cè)值和實(shí)際值。在實(shí)際模型中，判斷系數(shù)R2通常用于評(píng)估回歸模型的實(shí)際結(jié)果，即評(píng)估回歸模型解釋因變量y 變化的程度。當(dāng)R2值范圍為0～1時(shí)，通常使用百分比表示。如果回歸模型的R2=0.7，則該回歸模型的預(yù)測(cè)結(jié)果可解釋性為70%。學(xué)術(shù)界一致認(rèn)為R2大于0.75，具有更好的模型擬合性和高度的可解釋性。如果R2小于0.5，則可以認(rèn)為其在模型擬合中存在問(wèn)題，不適用于回歸分析。

使用MATLAB 模型評(píng)估R2回歸模型。從實(shí)驗(yàn)組的評(píng)分?jǐn)?shù)據(jù)計(jì)算出R2=0.993 51，反映了本文對(duì)金融風(fēng)險(xiǎn)的良好估計(jì)能力和高準(zhǔn)確性。如果將該模型應(yīng)用到財(cái)務(wù)指標(biāo)評(píng)分的實(shí)際過(guò)程中，可以幫助醫(yī)院準(zhǔn)確確定每個(gè)財(cái)務(wù)風(fēng)險(xiǎn)的評(píng)分，從而有效幫助醫(yī)院對(duì)估計(jì)的財(cái)務(wù)風(fēng)險(xiǎn)狀況做出合理判斷。

本次根據(jù)多個(gè)二級(jí)指標(biāo)模擬醫(yī)院神經(jīng)網(wǎng)絡(luò)模型的財(cái)務(wù)智能。通過(guò)MATLAB 軟件，使用BP 神經(jīng)網(wǎng)絡(luò)模型進(jìn)行模型訓(xùn)練和仿真，并通過(guò)模型的良好仿真結(jié)果，證明了該模型能夠預(yù)測(cè)和評(píng)估金融智能的發(fā)展，能夠有效地幫助醫(yī)院預(yù)測(cè)金融風(fēng)險(xiǎn)，從而降低可能的資金管理風(fēng)險(xiǎn)。未來(lái)，可以通過(guò)豐富和優(yōu)化評(píng)估指標(biāo)、增加培訓(xùn)模型、改進(jìn)算法和其他方法以及增強(qiáng)神經(jīng)網(wǎng)絡(luò)的解釋能力來(lái)提高培訓(xùn)效果，從而使模型能夠更準(zhǔn)確地預(yù)測(cè)財(cái)務(wù)管理風(fēng)險(xiǎn)，減少壞賬，提高醫(yī)院的財(cái)務(wù)智能水平。

3 人工智能下醫(yī)院智能財(cái)務(wù)模式的有效措施

3.1 加強(qiáng)信息共享模塊設(shè)計(jì) 信息共享主要是為了有效地改變醫(yī)院的財(cái)務(wù)數(shù)據(jù)。在這種模式下，網(wǎng)絡(luò)信息平臺(tái)可用于整合各部門(mén)獨(dú)立會(huì)計(jì)單位的財(cái)務(wù)數(shù)據(jù)信息，將必要的財(cái)務(wù)數(shù)據(jù)推送給財(cái)務(wù)管理人員，然后確定內(nèi)容，并制定相應(yīng)的處理計(jì)劃進(jìn)行分類控制。由于醫(yī)院科室的具體職能不同，數(shù)據(jù)交互和信息傳輸應(yīng)根據(jù)實(shí)際工作情況，按照有序、合理、完整的原則進(jìn)行，以避免重復(fù)傳輸和傳輸錯(cuò)誤信息。在具體準(zhǔn)備過(guò)程中，根據(jù)業(yè)務(wù)發(fā)展在系統(tǒng)數(shù)據(jù)庫(kù)中選擇合適的報(bào)告模板，然后根據(jù)模板的要求檢索報(bào)告數(shù)據(jù)。該平臺(tái)可以篩選、整合和匯總數(shù)據(jù)，并編寫(xiě)報(bào)告的分析和解釋。最后，通過(guò)互動(dòng)平臺(tái)實(shí)現(xiàn)獨(dú)立金融主體的信息交流。同時(shí)，財(cái)務(wù)人員可以根據(jù)自身和單位的需要調(diào)整財(cái)務(wù)報(bào)告的格式，進(jìn)行全面分析和解釋，關(guān)注地表異常數(shù)據(jù)，并將其提交管理層審查。

3.2 醫(yī)院成本的智能控制 智能金融的一個(gè)重要功能是會(huì)計(jì)處理，即會(huì)計(jì)功能。報(bào)銷模塊的智能化建設(shè)是在交互式系統(tǒng)中實(shí)現(xiàn)憑證記錄、存儲(chǔ)、記賬等一系列工作的自動(dòng)化和智能化操作。由于引入了人工智能技術(shù)，該系統(tǒng)可以自動(dòng)識(shí)別圖像內(nèi)容并使用大數(shù)據(jù)分析處理。隨著電子發(fā)票、智能財(cái)務(wù)系統(tǒng)、發(fā)票系統(tǒng)深度交互以及實(shí)現(xiàn)核心會(huì)計(jì)系統(tǒng)中記錄的業(yè)務(wù)憑證的普及，紙質(zhì)發(fā)票內(nèi)容通過(guò)AI 將關(guān)鍵數(shù)據(jù)（如賬單、稅務(wù)價(jià)格、稅收）識(shí)別為存儲(chǔ)在云中的數(shù)字語(yǔ)言。同時(shí)，智能金融可以與稅務(wù)發(fā)票查詢系統(tǒng)連接，以識(shí)別發(fā)票的真實(shí)性并有效控制虛假業(yè)務(wù)。

醫(yī)院財(cái)務(wù)人員應(yīng)根據(jù)既定權(quán)限設(shè)置，在系統(tǒng)審核后，在OA 辦公系統(tǒng)中提交無(wú)紙審批申請(qǐng)，流程可在OA 系統(tǒng)中簽字批準(zhǔn)。OA 審核后，原始憑證審批表和審批詳情將被推送到財(cái)務(wù)會(huì)計(jì)系統(tǒng)。財(cái)務(wù)人員將進(jìn)行審查，文件信息將通過(guò)智能財(cái)務(wù)系統(tǒng)加密，并以二維碼的形式顯示在文件上，以實(shí)現(xiàn)數(shù)據(jù)的唯一性和可靠性。隨后，系統(tǒng)自動(dòng)打印會(huì)計(jì)報(bào)銷文件的紙質(zhì)版，財(cái)務(wù)人員將按照規(guī)定將文件和原始憑證放入會(huì)計(jì)檔案柜?！爸悄芙鹑凇钡姆?wù)模式具有記憶反饋能力，可以分析財(cái)務(wù)人員的日常分錄書(shū)寫(xiě)規(guī)則，并自動(dòng)為已識(shí)別的經(jīng)濟(jì)業(yè)務(wù)數(shù)據(jù)進(jìn)行會(huì)計(jì)分錄，節(jié)省時(shí)間并便于后續(xù)審查。同時(shí)，審查前后的數(shù)據(jù)可以共存，并且可以根據(jù)會(huì)計(jì)準(zhǔn)則的要求準(zhǔn)確、全面地進(jìn)行分類和歸檔。在財(cái)務(wù)預(yù)算處理中，“智能財(cái)務(wù)”服務(wù)可以根據(jù)程序處理會(huì)計(jì)憑證。為了分析過(guò)去3～5年的財(cái)務(wù)運(yùn)營(yíng)數(shù)據(jù)，結(jié)合各種預(yù)算模型對(duì)未來(lái)經(jīng)濟(jì)業(yè)務(wù)的資本流動(dòng)進(jìn)行初步計(jì)算。然后，根據(jù)各種因素將當(dāng)前市場(chǎng)環(huán)境和政策形勢(shì)變化的關(guān)鍵指標(biāo)輸入系統(tǒng)，以便對(duì)單位的現(xiàn)金流入和流出、資本需求、業(yè)務(wù)前景和資產(chǎn)狀況作出合理判斷。在此基礎(chǔ)上，起草財(cái)務(wù)預(yù)算。在根據(jù)預(yù)算主體的意見(jiàn)和建議對(duì)預(yù)算單位進(jìn)行審查后，下一個(gè)模塊將轉(zhuǎn)入執(zhí)行。

3.3 醫(yī)院會(huì)計(jì)的智能處理 成本管理會(huì)計(jì)是財(cái)務(wù)管理的關(guān)鍵環(huán)節(jié)之一，“財(cái)務(wù)”系統(tǒng)具有智能成本會(huì)計(jì)和管理模塊，根據(jù)成本實(shí)體的成本會(huì)計(jì)規(guī)則，在經(jīng)濟(jì)業(yè)務(wù)發(fā)生后及時(shí)確認(rèn)當(dāng)前損益會(huì)計(jì)成本和成本責(zé)任中心。如果無(wú)法確認(rèn)，可以根據(jù)過(guò)去的慣例進(jìn)行預(yù)測(cè)，并在盤(pán)點(diǎn)周期結(jié)束后進(jìn)行清算。成本管理模塊主要確保會(huì)計(jì)項(xiàng)目能夠覆蓋單位經(jīng)濟(jì)業(yè)務(wù)的各個(gè)環(huán)節(jié)。在成本控制中，它劃分和計(jì)算獨(dú)立經(jīng)濟(jì)部門(mén)的成本，并通過(guò)成本分析模型、結(jié)構(gòu)分析和趨勢(shì)預(yù)測(cè)方法分析獨(dú)立財(cái)務(wù)單位的實(shí)際經(jīng)濟(jì)效益。成本控制智能模塊可以編制分析報(bào)告，供管理層在調(diào)整組織管理結(jié)構(gòu)和業(yè)務(wù)形式時(shí)使用。

4 總結(jié)

本文結(jié)合新衛(wèi)生改革的背景，針對(duì)醫(yī)療行業(yè)的改革，分析了金融智慧的內(nèi)涵，基于金融智慧在醫(yī)院智慧財(cái)務(wù)發(fā)展中的重要作用問(wèn)題，提出了人工智能醫(yī)院智慧財(cái)務(wù)發(fā)展的方向措施，旨在滿足不斷變化的外部環(huán)境需求，降低人力成本，提高醫(yī)院財(cái)務(wù)資金管理的整體效率。通過(guò)分析發(fā)現(xiàn)，人工智能的發(fā)展是推動(dòng)醫(yī)院智能財(cái)務(wù)發(fā)展的重要舉措，醫(yī)院智能財(cái)務(wù)管理是人工智能技術(shù)不斷進(jìn)步的產(chǎn)物；將人工智能的發(fā)展與醫(yī)院智能財(cái)務(wù)理論相結(jié)合，結(jié)合新時(shí)代人工智能發(fā)展背景下財(cái)務(wù)智能化發(fā)展的實(shí)際趨勢(shì)，為醫(yī)院智能財(cái)務(wù)的發(fā)展提供科學(xué)依據(jù)。