吳恒銘 張忠良

【作者簡(jiǎn)介】吳恒銘（1999-），男，廣東汕頭人，碩士研究生在讀，研究方向：數(shù)字化工程與管理。

【摘? 要】近年來(lái)，制造型企業(yè)在經(jīng)營(yíng)過(guò)程中面臨的挑戰(zhàn)日益增大。為幫助制造型企業(yè)探索科學(xué)合理的財(cái)務(wù)管理方法，更好地保障企業(yè)的健康經(jīng)營(yíng)和降低成本，論文首先利用哈夫曼樹(shù)將多分類不均衡企業(yè)數(shù)據(jù)分解為一系列相對(duì)平衡的二分類子問(wèn)題，接著以支持向量機(jī)為分類器構(gòu)建模型，然后，采用算術(shù)優(yōu)化算法進(jìn)行模型參數(shù)尋優(yōu)。結(jié)果表明，發(fā)展能力、經(jīng)營(yíng)能力、償債能力對(duì)企業(yè)的財(cái)務(wù)狀況影響較大。最后，論文基于結(jié)果對(duì)企業(yè)提出相關(guān)管理建議。

【關(guān)鍵詞】制造型企業(yè)；多分類不均衡數(shù)據(jù)；支持向量機(jī)；財(cái)務(wù)管理

【中圖分類號(hào)】F426；F275；TP391? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?【文獻(xiàn)標(biāo)志碼】A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?【文章編號(hào)】1673-1069（2024）03-0191-03

1 引言

在經(jīng)濟(jì)全球化的背景下，我國(guó)制造業(yè)上市公司的規(guī)模不斷擴(kuò)大，與此同時(shí)，企業(yè)面臨許多不確定性的微觀或宏觀因素，企業(yè)在財(cái)務(wù)管理上的挑戰(zhàn)隨之增加[1]。在我國(guó)對(duì)制造企業(yè)的財(cái)務(wù)管理研究中，大部分把企業(yè)的狀況分為兩類，即把ST企業(yè)定義為存在財(cái)務(wù)管理問(wèn)題的樣本，非ST的企業(yè)定義為經(jīng)營(yíng)正常的樣本。但是，這種二分類的處理存在兩方面的問(wèn)題。第一，忽略了企業(yè)的其他狀況，企業(yè)的狀況除了經(jīng)營(yíng)正常和出現(xiàn)財(cái)務(wù)問(wèn)題，還存在進(jìn)入退市整理期和終止上市等情況，這些狀況還可能發(fā)生變動(dòng)，即企業(yè)的狀況存在著多種變動(dòng)情況；第二，在實(shí)際數(shù)據(jù)中，由正常經(jīng)營(yíng)到ST、由ST到終止上市、由ST轉(zhuǎn)為正常經(jīng)營(yíng)等這些樣本往往存在不平衡的問(wèn)題，有的變動(dòng)類型的樣本數(shù)量會(huì)遠(yuǎn)大于其他樣本，而傳統(tǒng)的機(jī)器學(xué)習(xí)模型在面對(duì)不平衡數(shù)據(jù)時(shí)性能表現(xiàn)不佳[2]。

綜上，制造型企業(yè)的財(cái)務(wù)管理問(wèn)題實(shí)際上是一個(gè)多分類不均衡的問(wèn)題，本文用支持向量機(jī)（Support Vector Machine，SVM）與哈夫曼樹(shù)（Huffman Tree，HT）結(jié)構(gòu)結(jié)合，將支持向量機(jī)擴(kuò)展為多分類支持向量機(jī)模型，并緩和不平衡問(wèn)題，在此基礎(chǔ)上，利用算術(shù)優(yōu)化算法（Arithmetic Optimization Algorithm，AOA）來(lái)尋找模型的全局參數(shù)，根據(jù)模型結(jié)果，對(duì)制造型企業(yè)的財(cái)務(wù)管理提供相關(guān)建議，將本文模型稱為AOA-HT-SVM。

2 相關(guān)理論

2.1 制造型企業(yè)財(cái)務(wù)管理面臨的問(wèn)題

2.1.1 內(nèi)部管理問(wèn)題

管理制度因素，不完善財(cái)務(wù)控制制度、風(fēng)險(xiǎn)管理制度和授權(quán)審批制度可能導(dǎo)致企業(yè)運(yùn)行出現(xiàn)異常；生產(chǎn)決策因素，管理者需要對(duì)企業(yè)的內(nèi)外部的生產(chǎn)或采購(gòu)進(jìn)行評(píng)估，制定適時(shí)恰當(dāng)?shù)臎Q策來(lái)管理好企業(yè)財(cái)務(wù)；融資因素，制造企業(yè)通常需要融資并投入生產(chǎn)裝置和原材料中，然而，市場(chǎng)波動(dòng)、利率不確定或融資渠道受阻可能影響企業(yè)的融資成本[3]。

2.1.2 外部管理問(wèn)題

自然不可抗力因素，當(dāng)面臨自然災(zāi)害時(shí)，如地震、洪水、海嘯，可能損壞廠房、在制品和成品，造成企業(yè)的財(cái)產(chǎn)損失；社會(huì)因素，企業(yè)在特定的文化、社會(huì)環(huán)境下生產(chǎn)運(yùn)營(yíng)，提供的產(chǎn)品或服務(wù)應(yīng)與相應(yīng)的社會(huì)環(huán)境適配；政策因素，稅收政策、進(jìn)出口政策、環(huán)境法規(guī)政策等會(huì)導(dǎo)致企業(yè)財(cái)務(wù)波動(dòng)，例如，貿(mào)易政策的改變會(huì)使制造企業(yè)面臨進(jìn)出口受阻。

2.2 制造型企業(yè)財(cái)務(wù)管理的作用

①控制成本。對(duì)于制造型企業(yè)，在勞動(dòng)力成本不斷增加、工廠等生產(chǎn)基礎(chǔ)設(shè)施有限的情況下，通過(guò)財(cái)務(wù)管理，可以幫助企業(yè)識(shí)別一些低價(jià)值、非核心的制造活動(dòng)，這能夠優(yōu)化生產(chǎn)，降低運(yùn)營(yíng)成本。

②合理分配資金。制造業(yè)通常需要購(gòu)買(mǎi)生產(chǎn)設(shè)備與工具，有效的財(cái)務(wù)管理確保企業(yè)將資金正確投入日常經(jīng)營(yíng)所需的活動(dòng)中，避免造成資金占用與浪費(fèi)。

③優(yōu)化供應(yīng)鏈。供應(yīng)鏈對(duì)制造企業(yè)至關(guān)重要，財(cái)務(wù)管理可以對(duì)供應(yīng)鏈中的各項(xiàng)過(guò)程進(jìn)行分析，例如，運(yùn)輸過(guò)程、庫(kù)存處理過(guò)程、采購(gòu)過(guò)程等，通過(guò)對(duì)這些過(guò)程進(jìn)行分析，尋找可以優(yōu)化的步驟，從而提高生產(chǎn)效率。

2.3 支持向量機(jī)

支持向量機(jī)是一種基于統(tǒng)計(jì)學(xué)習(xí)理論的機(jī)器學(xué)習(xí)方法，其主要目標(biāo)是找到一個(gè)最佳分離超平面，使數(shù)據(jù)空間中兩類樣本間隔最大化，同時(shí)使分類誤差最小化[4]。

當(dāng)模型的數(shù)據(jù)集是非線性的或數(shù)據(jù)不能在當(dāng)前維度空間中分隔時(shí)，支持向量機(jī)使用核函數(shù)將樣本從低維空間映射到更高維的特征空間，常用的核函數(shù)包括多項(xiàng)式、徑向基函數(shù)（RBF）和Sigmoid核函數(shù)。

2.4 算術(shù)優(yōu)化算法

受到加減乘除4種數(shù)學(xué)運(yùn)算的啟發(fā)，Abualigah et al.[5]在2021年提出了算術(shù)優(yōu)化算法，該算法分為以下3個(gè)步驟：

①初始化。隨機(jī)生成候選解，每一輪迭代新產(chǎn)生的最優(yōu)候選解被認(rèn)為是最優(yōu)解或近似最優(yōu)解。

②全局勘探。使用除法（D）和乘法（M）運(yùn)算符的數(shù)學(xué)運(yùn)算被用于可搜索空間的全局探索。

③局部開(kāi)發(fā)。使用減法（S）或加法（A）的數(shù)學(xué)運(yùn)算會(huì)產(chǎn)生高密度結(jié)果。

3 財(cái)務(wù)管理模型設(shè)計(jì)

3.1 多分類不均衡支持向量機(jī)

哈夫曼樹(shù)是具有最短加權(quán)路徑長(zhǎng)度的最佳二叉樹(shù)[6]，基于哈夫曼樹(shù)的數(shù)據(jù)分解策略采用分層的二叉樹(shù)結(jié)構(gòu)處理多分類數(shù)據(jù)集，每個(gè)結(jié)點(diǎn)由一個(gè)二元SVM進(jìn)行決策，其構(gòu)造過(guò)程如下：

①具有m個(gè)類別的數(shù)據(jù)集，表示為：

C（m）={n1，n2，n3，…，nm}? ? （1）

ni表示第i個(gè)類的數(shù)量。

②根據(jù)ni的大小對(duì)C（m）進(jìn)行升序排列，形成一個(gè)新的集合：

C（m'）={n■■，n■■，n■■，…，n■■}（n■■≤n■■≤n■■≤…≤n■■） （2）

③選擇C（m'）中的前兩個(gè)最小元素作為左子節(jié)點(diǎn)、右子節(jié)點(diǎn)，構(gòu)造一個(gè)新的二叉樹(shù)節(jié)點(diǎn)。新節(jié)點(diǎn)的值是其左子節(jié)點(diǎn)和右子節(jié)點(diǎn)的和：

n■■+n■■=n■■? ?（3）

④刪除在C（m'）中選擇的兩個(gè)元素，并將新的節(jié)點(diǎn)添加到C（m'）：

C（m'）={n■■，n■■，…，n■■} （4）

⑤重復(fù)步驟②、③和④，直到集合C（m'）只剩下一個(gè)節(jié)點(diǎn)元素，HT-SVM構(gòu)建完成。

根據(jù)上述構(gòu)建過(guò)程，每個(gè)二元SVM處理的兩個(gè)類的數(shù)量會(huì)盡可能地接近，即在沒(méi)對(duì)樣本數(shù)量重采樣或改動(dòng)算法的情況下，直接改善了數(shù)據(jù)不平衡的問(wèn)題。

3.2 模型的參數(shù)優(yōu)化

由于SVM對(duì)懲罰參數(shù)和核函數(shù)的變化很敏感，需要有合適的方法對(duì)這些參數(shù)尋優(yōu)[7]。本文使用算法優(yōu)化算法（AOA）來(lái)尋找模型參數(shù)，過(guò)程如下：

①種群初始化：AOA隨機(jī)生成種群，每個(gè)個(gè)體編碼的內(nèi)容即需要優(yōu)化的參數(shù)，包括懲罰參數(shù)、核函數(shù)的類型（線性、徑向基函數(shù)和多項(xiàng)式），以及核函數(shù)的參數(shù)。

②設(shè)置適應(yīng)度函數(shù)：將訓(xùn)練集和測(cè)試集比例設(shè)置為0.75∶0.25。在對(duì)訓(xùn)練集中的樣本進(jìn)行5次5折交叉驗(yàn)證之后，根據(jù)類的平均準(zhǔn)確率來(lái)設(shè)計(jì)適應(yīng)度函數(shù)。

③適應(yīng)度評(píng)估：根據(jù)適應(yīng)度函數(shù)對(duì)每個(gè)個(gè)體的適應(yīng)度進(jìn)行評(píng)估，排序并保存具有最優(yōu)解的個(gè)體。

④迭代優(yōu)化：根據(jù)AOA更新規(guī)則執(zhí)行解更新。

⑤獲取最優(yōu)參數(shù)和模型測(cè)試：在迭代完成后得到最優(yōu)參數(shù)，使用最優(yōu)參數(shù)訓(xùn)練并在測(cè)試集樣本上進(jìn)行測(cè)試。

4 實(shí)證分析

4.1 數(shù)據(jù)獲取與預(yù)處理

4.1.1 數(shù)據(jù)獲取

本文從CSMAR數(shù)據(jù)庫(kù)選取2013-2022年間滬深A(yù)股市場(chǎng)中制造業(yè)上市公司數(shù)據(jù)，數(shù)據(jù)為存在財(cái)務(wù)管理問(wèn)題的企業(yè)樣本，詳細(xì)情況如表1所示。

以上的企業(yè)狀況代表字母及變動(dòng)類型劃分均來(lái)自國(guó)泰安數(shù)據(jù)庫(kù)，具體含義為：A為正常上市，B為ST，D為*ST，T為退市整理期，X為終止上市。AB為企業(yè)的由正常上市轉(zhuǎn)變?yōu)镾T，AD為正常上市轉(zhuǎn)變?yōu)?ST，以此類推，DT為*ST轉(zhuǎn)變?yōu)橥耸姓砥?。為了樣本類型的全面性，進(jìn)一步選取500個(gè)經(jīng)營(yíng)正常的企業(yè)樣本，即AA樣本，總計(jì)樣本1 323個(gè)。本文使用T-2的數(shù)據(jù)來(lái)構(gòu)建模型，進(jìn)而對(duì)企業(yè)T年的變動(dòng)狀況進(jìn)行分析。

選擇的指標(biāo)匯總?cè)绫?所示，分別從7種指標(biāo)類型中選取了28個(gè)指標(biāo)。

表2? 指標(biāo)選取匯總

4.1.2 數(shù)據(jù)預(yù)處理

在初步選擇的指標(biāo)中，有的指標(biāo)可能對(duì)企業(yè)的狀況沒(méi)有顯著影響。因此，有必要?jiǎng)h除對(duì)企業(yè)狀況類別無(wú)明顯影響的變量，降低此類變量對(duì)模型能力的干擾。

利用K-S檢驗(yàn)對(duì)各個(gè)指標(biāo)進(jìn)行正態(tài)性檢驗(yàn)，當(dāng)指標(biāo)服從正態(tài)分布時(shí)，用T檢驗(yàn)來(lái)判斷樣本是否存在顯著差異；當(dāng)指標(biāo)不服從正態(tài)分布時(shí)，用K-W檢驗(yàn)進(jìn)行判斷。

從K-S檢驗(yàn)結(jié)果來(lái)看，所有指標(biāo)均拒絕了原假設(shè)，說(shuō)明均不服從正態(tài)分布。因此，采用K-W檢驗(yàn)非參數(shù)檢驗(yàn)，根據(jù)K-W的檢驗(yàn)結(jié)果，固定資產(chǎn)比率、第一大股東持股比例、股權(quán)集中指標(biāo)4（%）3個(gè)指標(biāo)保留了原假設(shè)，說(shuō)明在各類別中沒(méi)有顯著差異。將其余的拒絕原假設(shè)的指標(biāo)作為最終選擇的指標(biāo)。

4.2 模型測(cè)試與結(jié)果

為了探究哪一類指標(biāo)對(duì)企業(yè)財(cái)務(wù)狀況的效果影響更大，通過(guò)剔除該類指標(biāo)構(gòu)建新的數(shù)據(jù)集，將模型效果與保留所有指標(biāo)的模型效果進(jìn)行對(duì)比，查看該類指標(biāo)的影響。將剔除發(fā)展能力類指標(biāo)的數(shù)據(jù)集定義為D1，剔除經(jīng)營(yíng)能力為D2，剔除償債能力為D3，剔除每股指標(biāo)為D4，剔除盈利能力為D5，剔除比率結(jié)構(gòu)為D6，剔除補(bǔ)充的指標(biāo)為D7，指標(biāo)全部保留為D。表3展示了AOA-HT-SVM在各個(gè)數(shù)據(jù)和類別上的準(zhǔn)確率以及平均準(zhǔn)確率。

表3? AOA-HT-SVM在各個(gè)數(shù)據(jù)上的結(jié)果

根據(jù)表3，從不同數(shù)據(jù)集的結(jié)果來(lái)看，D1、D2、D3對(duì)企業(yè)狀況的影響最大。當(dāng)剔除發(fā)展能力、經(jīng)營(yíng)能力或償債能力這3類指標(biāo)時(shí)，平均準(zhǔn)確率分別為0.692 7，0.679 8，0.675 8，當(dāng)保留所有指標(biāo)時(shí)，為0.790 6，模型效果明顯提升。說(shuō)明對(duì)于制造型企業(yè)，要維持企業(yè)在健康穩(wěn)定狀態(tài)，應(yīng)關(guān)注其發(fā)展能力、經(jīng)營(yíng)能力和償債能力。

4.3 對(duì)制造型企業(yè)的管理建議

①穩(wěn)步提升企業(yè)的發(fā)展能力

制造企業(yè)可以通過(guò)了解不同市場(chǎng)的需求，推動(dòng)產(chǎn)品多樣化和技術(shù)創(chuàng)新，提供符合多個(gè)市場(chǎng)需求的產(chǎn)品，以此為企業(yè)帶來(lái)更多的收入。

②優(yōu)化企業(yè)的經(jīng)營(yíng)能力

制造企業(yè)可以通過(guò)產(chǎn)品的整合，降低生產(chǎn)流程的成本和管理的復(fù)雜度，推動(dòng)產(chǎn)品模塊化生產(chǎn)，從而提高產(chǎn)品的生產(chǎn)效率和交付水平。

③重視企業(yè)的償債能力

企業(yè)在平時(shí)應(yīng)該加強(qiáng)存貨管理，避免過(guò)高的庫(kù)存造成資金占用，確保企業(yè)有一定的資金用于償債，同時(shí)也應(yīng)積極主動(dòng)償還債務(wù)。

5 研究結(jié)論與展望

5.1 研究結(jié)論

①針對(duì)多分類不均衡的制造企業(yè)財(cái)務(wù)管理問(wèn)題，本文以支持向量機(jī)為分類器，首先構(gòu)建基于哈夫曼樹(shù)的支持向量機(jī)模型，將多分類問(wèn)題轉(zhuǎn)化為一系列相對(duì)平衡的二分類問(wèn)題，使其能有效地處理企業(yè)數(shù)據(jù)，并使用算術(shù)優(yōu)化算法進(jìn)行參數(shù)尋優(yōu)。

②使用本文提出的AOA-HT-SVM模型對(duì)制造型企業(yè)狀況進(jìn)行研究，實(shí)驗(yàn)結(jié)果顯示，制造型企業(yè)的發(fā)展能力、經(jīng)營(yíng)能力、償債能力對(duì)企業(yè)狀況的影響較大，公司應(yīng)注重提升這些能力。

5.2 未來(lái)展望

①本研究通過(guò)選取財(cái)務(wù)類指標(biāo)對(duì)制造業(yè)公司財(cái)務(wù)管理進(jìn)行分析，未來(lái)研究可以將非財(cái)務(wù)指標(biāo)因素考慮進(jìn)去，更全面地進(jìn)行企業(yè)狀況分析。

②制造業(yè)內(nèi)部不同行業(yè)之間存在一定差異性，如果能針對(duì)細(xì)分制造業(yè)行業(yè)進(jìn)行分析，更有助于為企業(yè)提供針對(duì)性的經(jīng)營(yíng)建議。

【參考文獻(xiàn)】

【1】劉慧，張文新.“互聯(lián)網(wǎng)+”下制造業(yè)財(cái)務(wù)管理創(chuàng)新研究[J].科技資訊，2022，20（10）：125-127.

【2】Zhang C， Liu C， Zhang X， et al. An up-to-date comparison of state-of-the-art classification algorithms[J].Expert Systems with Applications，2017，82：128-150.

【3】王紅，徐睿妍.智能制造企業(yè)并購(gòu)財(cái)務(wù)風(fēng)險(xiǎn)分析[J].中國(guó)農(nóng)業(yè)會(huì)計(jì)，2023，33（22）：55-57.

【4】于萬(wàn)國(guó)，隋麗娜.基于支持向量機(jī)的軟件工程實(shí)驗(yàn)智能評(píng)價(jià)分析方法研究[J].現(xiàn)代電子技術(shù)，2021，44（22）：183-186.

【5】Abualigah L，Diabat A，Mirjalili S，et al.The arithmetic optimization algorithm[J].Computer Methods in Applied Mechanics and Engineering，2021，376.

【6】石博文，苑海朝，路慧澤，等.基于二叉樹(shù)和一維數(shù)組的哈夫曼編碼[J].通信技術(shù)，2017，50（05）：867-872.

【7】王博，閆娟，楊慧斌，等.基于PSO-SVM的表面肌電信號(hào)多手勢(shì)識(shí)別[J].智能計(jì)算機(jī)與應(yīng)用，2023，13（07）：173-178.