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(huì)是一個(gè)逐漸顯現(xiàn)并不斷惡化的過程[2].因此,需要針對(duì)企業(yè)運(yùn)營過程中存在的財(cái)務(wù)危機(jī)進(jìn)行及時(shí)預(yù)警,并將潛在風(fēng)險(xiǎn)告知經(jīng)營者,使企業(yè)提前采取應(yīng)對(duì)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(duì)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(duì)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(dòng)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(duì)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).
通過對(duì)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(hào)[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(shí)別到財(cái)務(wù)危機(jī)數(shù)據(jù)時(shí),隨著數(shù)據(jù)危險(xiǎn)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(hào)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
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(duì)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(hào)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(gè)以太網(wǎng)控制器,提高CPU核心處理器對(duì)財(cái)務(wù)危機(jī)數(shù)據(jù)的分類效率.
中大型企業(yè)財(cái)務(wù)危機(jī)報(bào)警器采用LED指示燈和無源蜂鳴器對(duì)存在危機(jī)的財(cái)務(wù)數(shù)據(jù)進(jìn)行報(bào)警,蜂鳴器的報(bào)警原理是將財(cái)務(wù)危機(jī)信號(hào)轉(zhuǎn)換成方波,通過單片機(jī)的接口輸出一個(gè)時(shí)鐘信號(hào)[7-8],從而控制蜂鳴器報(bào)警.中大型企業(yè)財(cái)務(wù)危機(jī)報(bào)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(bào)警器工作原理
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(shí),?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(shí),就需要對(duì)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(shí)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(shí)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(shí),對(duì)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(duì)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(duì)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)
本文選擇Q企業(yè)為實(shí)驗(yàn)測試對(duì)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(gè)模塊都會(huì)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)
在性能測試中,以系統(tǒng)的運(yùn)行時(shí)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(dòng)態(tài)財(cái)務(wù)指標(biāo)和反欺詐的預(yù)警系統(tǒng)作對(duì)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(gè)預(yù)警系統(tǒng)都將運(yùn)行時(shí)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(shí)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(dòng)態(tài)財(cái)務(wù)指標(biāo)和反欺詐的預(yù)警系統(tǒng)時(shí),隨著系統(tǒng)運(yùn)行時(shí)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(shí),能夠準(zhǔn)確對(duì)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(dòng)態(tài)財(cái)務(wù)指標(biāo)和反欺詐的預(yù)警系統(tǒng)時(shí),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%.
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(duì)預(yù)警精度的影響,先對(duì)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.