大數(shù)據(jù)視域下中小微企業(yè)財稅服務平臺風險評估

康軼婷

（蘭州資源環(huán)境職業(yè)技術大學,甘肅 蘭州 730020）

隨著經(jīng)濟的不斷發(fā)展，中小微企業(yè)在國民經(jīng)濟中的地位越來越重要。財稅服務平臺作為企業(yè)在財務管理和稅務申報方面的重要工具，具有極大的價值和意義。然而，隨著中小微企業(yè)數(shù)量的不斷增加，財稅服務平臺風險也在逐漸增加，中小微企業(yè)財稅服務平臺在提供財務和稅務支持的過程中面臨各種風險，如數(shù)據(jù)安全、合規(guī)風險等，給企業(yè)帶來了巨大的風險挑戰(zhàn)。通過研究風險評估方法，可以提前發(fā)現(xiàn)和識別潛在風險，并采取相應措施來保護中小微企業(yè)的利益，進一步促進中小微企業(yè)財稅服務平臺的安全和穩(wěn)定發(fā)展[1]。希望通過本文的研究，可以更好地理解中小微企業(yè)財稅服務平臺的風險評估方法和實踐，為相關研究和實踐提供參考和借鑒，促進中小微企業(yè)財稅服務平臺的安全和穩(wěn)定發(fā)展。

1 采集中小微企業(yè)財稅服務平臺風險數(shù)據(jù)

在進行中小微企業(yè)財稅服務平臺風險評估時，首先假設中小微企業(yè)財稅服務平臺數(shù)據(jù)集合為"，其中包含風險數(shù)據(jù)集合x。x可以被分解成若干個子集，每個子集表示一個風險事件，用t表示。關聯(lián)規(guī)則的構成是由兩個不相交的α風險數(shù)據(jù)子集與β風險數(shù)據(jù)子集，即

本文采用支持度與置信度衡量評判其關聯(lián)規(guī)則的價值，其中將事件α在每個風險值Y中的置信度這一個衡量標準發(fā)生事件β的前提下發(fā)生的概率表示為

其中，M代表風險數(shù)據(jù)集合中的元素總數(shù)。在中小微企業(yè)財務風險評估系統(tǒng)中，風險數(shù)據(jù)的置信度和支持度是評估風險程度和關聯(lián)性的重要指標。為了進行風險數(shù)據(jù)的挖掘和提取，需要設定置信度和支持度的最小閾值。置信度是指在給定條件下，某個數(shù)據(jù)關聯(lián)規(guī)則成立的可信程度，支持度是指在數(shù)據(jù)集中出現(xiàn)某個數(shù)據(jù)的頻率或比例。通過設定最小閾值，可以篩選出符合置信度和支持度要求的數(shù)據(jù)，即強關聯(lián)的風險數(shù)據(jù)。相反地，當數(shù)據(jù)的置信度和支持度都低于最小閾值時，說明該數(shù)據(jù)的關聯(lián)性較弱，不屬于風險數(shù)據(jù)，無須進行進一步提取和分析。通過利用置信度和支持度指標，可以實現(xiàn)對風險數(shù)據(jù)的提取，并為后續(xù)的風險評估模型提供準確的數(shù)據(jù)支持，以支持更精準的風險評估和決策分析。

2 建立基于大數(shù)據(jù)的風險指標體系

在建立基于大數(shù)據(jù)的中小微企業(yè)財稅服務平臺風險評估指標體系的過程中，除了依靠專家意見和相關文獻資料，還可以通過主成分分析法進行指標初次篩選。主成分分析法是一種數(shù)據(jù)降維方法，可以將原始數(shù)據(jù)降維成幾個主成分，這些主成分可以更好地反映數(shù)據(jù)的主要特征和信息，從而減少指標數(shù)量，提高指標的解釋力和判別力[2]。并且主成分分析法就是一種常用的數(shù)據(jù)降維技術，可以將具有相關性的指標合并為盡可能少且不相關的主成分指標，同時保留原始數(shù)據(jù)的信息。首先收集并獲取評價對象的原始數(shù)據(jù)，包括各種指標或變量的取值，對原始數(shù)據(jù)進行標準化處理，使用以下公式將原始數(shù)據(jù)xij轉(zhuǎn)換為標準化指標，具體計算公式為

式（3）中，xij表示第i個評價對象的第j個指標的取值，sj表示第j個指標的樣本標準差。計算相關系數(shù)矩陣R，組成該矩陣的元素為

式（4）中，rij是第i個指標與第j個指標的相關系數(shù)。然后對相關系數(shù)矩陣R進行特征值分解，得到特征值和對應的特征向量u1,u2,f,um，其中u2j,....,unjhT。特征值表示主成分的重要程度，特征向量表示主成分的組合權重，將特征向量表示為

針對中小微企業(yè)財稅服務平臺，發(fā)現(xiàn)其中存在許多無法用明確的指標來衡量的風險因素。為了改進這一模型，需要對其進行相應的調(diào)整和優(yōu)化[3]。在傳統(tǒng)的CCR模型中，輸入和輸出指標需要具體的數(shù)值來進行計算。然而，在實際情況中，可能無法確定某些指標的具體數(shù)值，或者難以找到可靠的數(shù)據(jù)來源。針對這種情況，可以采取一種改進的方法。具體而言，當無法確定輸入和輸出指標的數(shù)值時，可以將這些指標的輸入值設為1。這樣做的目的是確保在缺乏具體數(shù)據(jù)時仍能夠?qū)δＰ瓦M行計算和分析，以提供一定程度上的風險評估。當可以確定輸入和輸出指標的數(shù)值時，可以按照常規(guī)的CCR模型進行計算，以得出相應的效率評估結果，其中改進模型為

式（7）中，wr表示輸入權重大小，通過這種改進后的模型，可以在面對無法確定指標數(shù)值的情況下，仍然進行風險評估和決策支持。這種方法的靈活性使得模型可以適應各種數(shù)據(jù)情況，并提供對中小微企業(yè)的有效服務。通過不斷改進和優(yōu)化，可以提升財稅服務平臺的風險評估能力，為中小微企業(yè)提供更精準的支持和指導。

根據(jù)上述風險評估指標體系可知，本次構建的風險指標包括用戶風險、服務風險、安全風險以及運營風險。通過上述構建的中小微企業(yè)財稅服務平臺風險指標體系，實現(xiàn)對中小微企業(yè)財稅服務平臺的風險評估。

3 確定風險指標體系權重

確定風險指標體系權重是風險評估的重要環(huán)節(jié)[4-5]，它能夠反映不同風險指標的重要性，為后續(xù)的風險評估提供參考依據(jù)。

在確定評估指標基礎上，為更加精準地評估出中小微企業(yè)財稅服務平臺風險等級，為后續(xù)的風險值評估提供參考依據(jù)。本文采用基于層次分析法的方法來確定風險指標體系的綜合權重。層次分析法是一種定量分析方法，它能夠?qū)碗s的決策問題進行分層，將問題分解為多個層次的因素，并通過對比兩兩因素的重要性，確定各因素的權重。在本研究中，首先構造判斷矩陣，將上述風險指標因素進行層次劃分與處理，使用德爾菲法，讓工作人員對一級指標、二級指標進行評估打分，分值用Aij來表示，同一層級的指標兩兩比較，構造出判斷矩陣A：

2.3 兩組患者妊娠結局比較 觀察組胎膜早破、產(chǎn)后出血、巨大兒、新生兒窒息發(fā)生率與對照組比較，差異無統(tǒng)計學意義(P>0.05)，早產(chǎn)與低體質(zhì)量兒發(fā)生率顯著低于對照組，差異有統(tǒng)計學意義(P<0.05)。見表3。

式（8）中，Ai和Aj（i=1,2,3,…,n）分別為各個因素的影響因子。

其次計算指標主觀權重，采用幾何平均法來計算判斷矩陣的特征根λ以及特征向量β'，計算矩陣Mi：

計算mi的n次平方根mi：

對向量進行歸一化處理：

表1 中小微企業(yè)財稅服務平臺風險指標體系

再次利用貝葉斯網(wǎng)絡法計算評估指標的客觀權重，其主要思想是根據(jù)數(shù)據(jù)的先驗概率和新數(shù)據(jù)的后驗概率，通過統(tǒng)計學方法來推斷模型參數(shù)。這個過程可以理解為一個學習的過程，其中模型會不斷地更新參數(shù)，使其能夠更準確地預測未知數(shù)據(jù)的概率分布?？梢詫⒃u估指標看作網(wǎng)絡中的節(jié)點，它們之間的關系可以通過有向邊表示。對于每個節(jié)點，可以計算出它對于目標節(jié)點的貢獻度，即該節(jié)點對目標節(jié)點的影響程度，從而得出客觀權重。這個過程中需要依據(jù)貝葉斯公式計算節(jié)點的概率分布，并通過網(wǎng)絡結構和數(shù)據(jù)樣本來調(diào)整節(jié)點之間的權重。貝葉斯網(wǎng)絡中各評估指標的權重的計算公式如下：

最后確定指標綜合權重，將β'與β' '進行組合賦權，得到評估中小微企業(yè)財稅服務平臺風險評估指標的綜合權重Wi，公式如下：

對評估指標構造進行判斷矩陣，確定指標對應的特征函數(shù)，利用層次分析法計算系統(tǒng)的分布區(qū)間，結合貝葉斯網(wǎng)絡法獲取評估指標綜合權重，便于接下來實現(xiàn)中小微企業(yè)財稅服務平臺風險值評估。

4 實現(xiàn)風險值評估

在中小微企業(yè)財稅服務平臺中，為了確定風險等級，需要根據(jù)計算得出的評估指標綜合權重對單項指標的風險值進行計算。首先，需要將監(jiān)測得到的數(shù)據(jù)χ1,χ2,…,χn劃分為學習樣本和預測樣本。將數(shù)據(jù)分成K組，每組包含m+1個值。前m個值作為學習樣本，最后一個值作為預測樣本。這樣的劃分可以幫助在訓練和評估模型時使用不同的數(shù)據(jù)集。其次，需要確定模型的參數(shù)。為了簡化模型的復雜性，同時確保訓練的精度，采用了三層神經(jīng)網(wǎng)絡結構。具體而言，使用了一個輸入層、一個隱層和一個輸出層。為了確定隱層神經(jīng)元的個數(shù)，可以根據(jù)經(jīng)驗式來選擇，以確保隱層神經(jīng)元數(shù)量適宜。在確定隱層神經(jīng)元個數(shù)時，可以考慮輸入層的神經(jīng)元個數(shù)z和輸出層的神經(jīng)元個數(shù)m，并結合經(jīng)驗常數(shù)0＜a≤10，使得模型的結構合理有效。計算評估指標的綜合權重值為：

將數(shù)據(jù)歸一化處理，將樣本數(shù)據(jù)進行歸一化處理，使其值在（0,1）之間，算式如下：

最后通過BP算法，對模型進行訓練，得到隱含層神經(jīng)元的最優(yōu)數(shù)目及最優(yōu)學習率等參數(shù)，得到風險值。

根據(jù)式（16）計算出的風險值，將中小微企業(yè)財稅服務平臺風險等級劃分為3個區(qū)間，具體如表2所示。

表2 中小微企業(yè)財稅服務平臺風險等級劃分

利用式（16）對中小微企業(yè)財稅服務平臺風險值進行計算，將計算結果與上表劃分區(qū)間進行比較，從而確定中小微企業(yè)財稅服務平臺風險等級。至此，完成中小微企業(yè)財稅服務平臺風險等級評估過程。

5 實驗驗證

針對上述提出的評估方法，為實現(xiàn)對其應用可行性與應用合理性的檢驗，將其作為實驗組，將傳統(tǒng)的基于XGBoost算法的風險評估方法與本文大數(shù)據(jù)下風險評估方法做對比實驗，在相同的實驗環(huán)境中對相同實驗對象進行風險評估。

5.1 實驗準備

本實驗選取2020年深、滬交易所公布的90家中小微企業(yè)財稅服務平臺作為研究對象，其中有30家風險較低的財稅服務平臺，30家風險中等的財稅服務平臺，30家風險高的財稅服務平臺。在三個不同風險等級的樣本中各選取20個作為訓練樣本，剩余的30個樣本作為測試樣本。選取資產(chǎn)負債率、流動比率、速動比率、流動負債比率4個對風險影響較大的指標作為衡量財稅服務平臺的風險指標。

利用CAFA算法搜索到的BP網(wǎng)絡的最優(yōu)初始權值和閾值分別為

最后得到最優(yōu)初始值閾值為

5.2 評估結果分析

本實驗通過采集不同風險等級的中小微企業(yè)財稅服務平臺數(shù)據(jù)，獲取基于大數(shù)據(jù)建立的指標體系的權重，最終根據(jù)隱層的數(shù)目和試湊法選取隱含層節(jié)點數(shù)，分別用XGBoost算法和本文的算法對30個測試樣本進行預測，因為測試樣本為原始樣本，沒有經(jīng)過預測，故無法判斷其中的準確度，故該值缺失。測試結果如表3所示。

表3 兩種算法精確度對比

從表3可以看出，基于XGBoost決策樹算法對財稅服務平臺正確識別數(shù)低于本文設計基于大數(shù)據(jù)的方法，即本文提出的基于大數(shù)據(jù)的中小微企業(yè)財稅服務平臺風險評估方法相比傳統(tǒng)評估方法，具有更全面的評估指標。通過實驗對比，發(fā)現(xiàn)基于大數(shù)據(jù)的風險評估方法能夠更準確地識別中小微企業(yè)財稅服務平臺中存在的風險，并且在風險預測方面有更好的表現(xiàn)。此外，基于大數(shù)據(jù)的評估方法還能夠根據(jù)中小微企業(yè)財稅服務平臺的不同特征和風險程度，為企業(yè)提供更加個性化和全面的服務，幫助企業(yè)降低風險和提高效率。

6 結語

本文通過采集大量中小微企業(yè)財稅服務平臺的數(shù)據(jù)，利用主成分分析法建立了基于大數(shù)據(jù)的風險評估指標體系，并利用層次分析法確定了指標的權重，最終實現(xiàn)了對中小微企業(yè)財稅服務平臺風險的評估。通過本研究，可以更好地了解中小微企業(yè)財稅服務平臺的風險情況，為企業(yè)提供更加科學、準確的風險評估服務，有助于企業(yè)制定更加合理的風險管理策略，提高企業(yè)的風險抵御能力和經(jīng)營效率。在未來還將繼續(xù)深入研究基于大數(shù)據(jù)的企業(yè)風險評估方法，為企業(yè)的可持續(xù)發(fā)展提供更加有效的保障。