基于BP-SVM算法的中大型企業財務危機預警系統

夏 瑤

(皖江工學院 國際教育學院，安徽 馬鞍山 243000)

中大型企業在生產經營過程中，產生財務危機的原因有很多，包括外部環境的惡化、管理者的工作失控以及經營者出現的決策失誤等[1].但是中大型企業發生財務危機都不是瞬間的，往往都會是一個逐漸顯現并不斷惡化的過程[2].因此，需要針對企業運營過程中存在的財務危機進行及時預警，并將潛在風險告知經營者，使企業提前采取應對策略，避免給企業造成財產損失[3].

在國內的研究中，鄭立等人以上市公司為研究對象，利用財務危機形成的基本原理，分析了影響財務危機的因素，將最小二乘法與粗糙集理論融合在一起，針對企業面臨的財務危機提出了一種預警模型[4].李辰杰考慮到企業財務危機判斷受到財務欺詐的影響，將反欺詐指標與深度神經網絡結合，基于動態財務指標，提出了一種預測模型[5].

基于以上研究背景，本文利用BP-SVM算法針對中大型企業設計了財務危機預警系統，從而避免中大型企業發生財務危機.

1 系統硬件設計

1.1 數據采集傳感器

通過對比市面上的各種相似傳感器，發現數據采集器之間的基本原理幾乎一致，都是將采集到的數據轉換成模擬電壓信號[6].半導體是財務危機數據采集傳感器的主要材料，當它識別到財務危機數據時，隨著數據危險指數的增加，傳感器的電導率越來越高.本文選擇的是NP92V5T型號的傳感器，具有比較高的靈敏度，并且可以在復雜的環境中工作.財務危機數據采集傳感器的內部電路如圖1所示.

圖1 財務危機數據采集傳感器內部電路圖

1.2 數據分類的CPU板卡

利用財務危機數據采集傳感器獲取的財務危機數據比較復雜，通過設計中大型企業財務危機數據分類的CPU板卡，對財務危機數據進行分類，便于后期的預警.本文選擇TB-75MUB型號的處理器作為財務危機數據分類的CPU板卡，為了確保財務危機數據分類處理芯片與CPU板卡的匹配，采用總線協議芯片控制CPU板卡電路，企業財務危機數據分類的CPU板卡內部結構如圖2所示.

圖2 企業財務危機數據分類的CPU板卡結構圖

在圖2中，通過在CPU核心處理器的接口處搭載一個以太網控制器，提高CPU核心處理器對財務危機數據的分類效率.

1.3 財務危機報警器

中大型企業財務危機報警器采用LED指示燈和無源蜂鳴器對存在危機的財務數據進行報警，蜂鳴器的報警原理是將財務危機信號轉換成方波，通過單片機的接口輸出一個時鐘信號[7-8]，從而控制蜂鳴器報警.中大型企業財務危機報警器工作原理如圖3所示.

圖3 中大型企業財務危機報警器工作原理

2 系統軟件設計

在中大型企業財務系統中，將數據采集傳感器的財務數據定義為M，利用BP-SVM算法描述中大型企業的財務數據，表示為：

M=|oi|i∈M∣

(1)

oi=(Si,?i)

(2)

上式中，oi表示中大型企業的財務數據，Si表示財務數據的元素標識，?i表示財務數據的特征值.

當財務系統中的某一類型數據存在危機時，就需要對財務數據庫進行一次更新，即：

U[oi]+[w]=?i

(3)

其中，U[oi]表示元素標識oi的統計量，[w]表示中大型企業財務數據的開放空間.

根據以上過程，通過識別中大型企業財務數據中，發生變化的元素標識，對財務危機數據進行分類，從而檢測中大型企業財務系統是否存在異常行為.

定義中大型企業財務危機數據的類別為L(i)，利用BP-SVM算法計算出財務危機數據的聚類中心，即：

(4)

上述公式中，K(i)表示財務危機數據的類別數量，γi表示BP-SVM算法的初始數據中心.

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

(5)

其中，Lmax表示聚類中心之間的最大距離，J表示財務危機預警的聚類類別數.

利用經過寬度擴展后的BP-SVM算法，對財務危機數據進行自適應分類，則存在：

(6)

基于財務危機數據的類別，檢測中大型企業財務系統的異常行為，即：

(7)

3 測試分析

3.1 實驗數據集

本文選擇Q企業為實驗測試對象，該企業的財務組成包括生產制造模塊、銷售模塊以及其他模塊，每一個模塊都會存在財務正常和財務危機，其數據分布如表1所示.

表1 企業財務數據

3.2 性能測試

在性能測試中，以系統的運行時間為自變量，利用吞吐量指標和預警精度指標，衡量中大型企業財務危機的預警性能.為了突出文中系統的優勢，引入基于RS-LSSVM的預警系統和基于動態財務指標和反欺詐的預警系統作對比，得到了如圖4和圖5所示結果.

圖5 財務危機預警精度測試結果

從圖4的結果可以看出，三個預警系統都將運行時間控制在30 s之內進行的實驗測試，預警系統的網絡吞吐量隨著運行時間的增加而增加，但是采用基于BP-SVM算法的中大型企業財務危機預警系統獲取到的網絡吞吐量是最大的，在800 bps～1 000 bps之間.采用基于RS-LSSVM的預警系統和基于動態財務指標和反欺詐的預警系統時，隨著系統運行時間的增加，網絡吞吐量雖然也在逐漸增加，但是遠遠低于文中系統，說明文中系統在吞吐量方面的性能可以滿足用戶要求.

圖4 系統吞吐量測試結果

圖5的結果顯示，采用基于BP-SVM算法的中大型企業財務危機預警系統時，能夠準確對財務危機進行預警，提前采取相應措施降低財務危機帶來的損失，財務危機預警的最大精度達到了97%；而基于RS-LSSVM的預警系統和基于動態財務指標和反欺詐的預警系統時，雖然可以提高預警精度，但是財務危機預警精度范圍分別為65%～78%和79%～87%.

4 結語

本文提出了基于BP-SVM算法的中大型企業財務危機預警系統設計與實現，經系統測試發現，該系統在財務危機預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，希望可以考慮到財務危機數據的質量對預警精度的影響，先對財務危機數據預處理，去除數據中含有的噪聲，從而提高預警精度.