基于模糊隨機方法的小微企業會計風險預測方法

吳永影

(福建農業職業技術學院 經濟管理學院,福建 福州 350000)

小微企業在我國企業總數的占比很高,包括小型企業、微型企業、個體等規模較小的企業。相對于大型企業,小微企業的運行成本較低,不需要過于復雜的企業管理規劃,同時小微企業的生產機制也十分靈活,能夠根據市場變化進行快速調整,快速適應市場變化。正是因為小微企業的生產情況具有很強的動態變化性,所以它能夠更好地貼近人們的生產生活,因此存在較為激烈的行業競爭?，F今經濟發展迅速,市場變化多樣,為保證企業的正常運行,需要對企業的風險管理加以重視,其中,會計風險更是重中之重。[1]會計風險在小微企業的整個經營過程中都占有重要地位,一旦出現問題,會給企業帶來極大的損失。然而,在現階段,大多數小微企業存在會計制度不夠完善,會計管理結構不合理,會計工作監督力度不夠等問題,從而影響到企業風險管理工作的進行。為此,提出了相應的會計風險預測方法,對小微企業在運行過程中出現的風險進行預測,針對小微企業運行過程中可能出現的會計風險制定相應的解決措施。以往的風險預測方法由于外界因素的影響,在實際應用中會出現預測精度不高、預測時間過長等問題,很難滿足小微企業的風險預測需求。[2]因此,在上述背景下,不少研究學者針對風險預測方法展開了研究,并提出了自己的想法。

通過對企業運行特征進行研究,在KPCA和XGBoost模型的作用下,篩選出企業風險數據的特征指標,構建相應的風險指標體系,將構建的風險指標作為基礎,生成相應的企業經濟危機風險預測模型,實現對企業的風險預測。實驗結果表明,該方法的預測精度不高[3]。通過采集相應的風險數據,在分布構造與合成的作用下,構建相應的風險預測模型,對作戰意圖理解進行風險預測。實驗結果表明,該方法的風險預測時間太長[4]?？紤]到不均衡樣本會增加企業金融風險的預測難度,因此針對樣本不均衡的問題,進一步擴大企業風險數據的影響力,利用不斷增大特征閾值的方式篩選出更加具有代表性的企業風險數據特征,實現對企業金融風險的有效預測。實驗結果表明,該方法的預測成本過高[5]。

在前人研究的基礎上,本文基于模糊隨機方法的小微企業會計風險預測方法。針對小微企業的實際情況,采集小微企業的會計風險數據,并提取出相應的風險數據特征,構建小微企業會計風險指標體系,在模糊隨機方法的作用下,構建相應的會計風險預測模型,實現對小微企業會計風險的預測。本文設計的方法能夠有效預測小微企業的會計風險,根據預測結果,制定相應的風險預防措施,保證了小微企業的穩定運行。[6]同時,本文設計的方法能夠促進企業的快速發展,對于相關行業的預測和發展具有一定的指導價值和研究意義。

1 小微企業會計風險預測方法設計

1.1 構建小微企業會計風險指標體系

為實現對小微企業會計風險的預測,需要構建相應的小微企業會計風險指標體系。在構建會計風險指標體系時,需要考慮會計風險指標體系的構建原則,一般分為以下幾點：一是全面性原則,考慮到周圍環境對小微企業運行狀況的影響,研究小微企業的未來發展趨勢;二是可比性原則,將小微企業中原本無法量化的狀況轉變成可計算的數據;三是定性與定量相結合的原則,對能夠量化的數據進行定量處理,對無法量化的數據進行定性判斷[7];四是科學性原則,確保數據的準確性。將上述四點原則作為會計風險指標體系構建時的基礎,對小微企業中多項會計指標進行構建。其構建的會計風險指標體系具體結果見表1。

表1 小微企業會計風險指標體系

如表1所示,在上述構建的體系中,將會計風險指標分為負債、盈利、營業運營、價值、現金獲取等五項,從五個角度分別獲取相應的二級指標,從而完成指標的構建。同時,為在后續的設計中能夠更好地使用上述指標,需要將上述指標進行標準化處理,以免指標中存在維度不同的問題。[8]其標準化處理過程如式(1)所示：

(1)

1.2 基于模糊隨機方法的會計風險預測模型

將上述制定的小微企業會計風險指標體系作為基礎,構建相應的風險預測模型。在設計中,利用模糊隨機方法進行會計風險預測模型的構建。具體應用過程如圖1所示。

圖1 基于模糊隨機方法的會計風險預測模型

如圖1所示,在構建的模型中,通過對小微企業的分析和處理,得到會計風險的點度中心性、接近中心性、介數中心性和業務中心性?？紤]到風險預測指標的特殊性,在對其進行描述的時候,將分析結果作為基礎,并利用模糊隨機方法進行指標賦值,得到多指標策略預測模型。在此基礎上,對該模型進行重要性預測,并結合構建的會計風險預測指標體系,生成會計風險預測模型。[10]在上述過程中,模糊隨機方法的應用過程如式(2)所示：

(2)

在式(2)中,S(x)為模糊隨機函數,s1、s2、d1、d2分別表示模糊隨機函數的模糊數,x為模糊隨機函數的任意變量。對風險預測指標進行賦值,得到風險預測指標的重要性矩陣。其矩陣具體描述如式(3)所示：

在式(3)中,G為在模糊隨機方法的作用下,生成的風險預測指標重要性矩陣,E1(F1)、E1(Fs)、EN(F1)、EN(Fs)分別表示小微企業的重要性節點。將上述節點作為基礎,先對節點進行標準化處理,根據處理的結果,計算出相應的節點數據集,并對節點數據進行重要性預測,得到小微企業的重要性權重矩陣。[11]其具體計算過程如式(4)所示：

(4)

(5)

在式(5)中,Ri為預測矩陣,ri,nm為風險預測指標的權重值,Z為構建的會計風險預測模型。至此,基于模糊隨機方法的會計風險預測模型構建完成。

1.3 實現小微企業會計風險的預測

在上述設計的基礎上,實現小微企業會計風險的預測。風險預測流程如圖2所示。

圖2 風險預測流程

如圖2所示,在上述風險預測流程中,將構建的風險指標體系和會計風險預測模型作為基礎,對風險閾值進行設定,對小微企業內部會計風險進行分類和檢測。[13]根據分類結果,對企業內部可能出現的風險進行分類,對不同類型的風險進行預測,根據預測結果,計算不同風險類型的預測值。再對計算出來的風險預測值進行判斷,判斷其是否超過設定的閾值,若超過,則會觸發相應警報,提醒企業內部人員風險已經出現,應立刻制定相應的風險防范措施,保證小微企業的正常運行;若未超過,則說明當前小微企業的運行狀態正常。[14]在上述過程中,對小微企業的風險進行分類的過程如式(6)所示：

(6)

在式(6)中,Y(k)為風險分類結果,θk、X為分類參數。通過式(6),得到企業風險的分類結果,以此作為基礎,計算出企業會計風險的風險預測值。具體計算過程如式(7)所示：

(7)

在式(7)中,g為企業的風險預測值,Ki為企業會計風險的權重值。通過式(7),得到小微企業會計風險的預測值,根據預測結果,完成對小微企業的風險預測。[15]至此,基于模糊隨機方法的小微企業會計風險預測方法設計完成。

2 實驗測試

2.1 實驗準備

為驗證本設計的基于模糊隨機方法的小微企業會計風險預測方法在實際應用中的效果,進行相關實驗測試。在實驗開始前,先對實驗環境進行設計。在本次實驗中,實驗環境主要包括兩部分,分別為開發環境和開發框架,其中,開發環境為PyCharm,在其中進行相關模型的構建,且包含多種算法,能夠滿足實驗過程中的大部分需求。開發框架則為Tensorflow,能夠進行數據流圖的計算,且移植性非常好,能夠在筆記本、手機、服務器等多個平臺上使用。同時,在本次實驗中,實驗中使用的主機內存為128GB,滿足實驗過程中所需要內存量大小。

在實驗中,以某小微企業為例,進行相關實驗測試。采用某小微企業的相關數據,將采集結果進行統計,并根據統計結果,進行預處理。結果如圖3所示。

圖3 某小微企業的會計風險數據及數據預處理

如圖3所示,由于受到采集環境的干擾,采集到的會計風險數據較為雜亂,且數據波動較為頻繁,說明當前數據的準確性不高,若直接使用,將會影響到最終的實驗結果。因此,需要對其進行預處理。預處理后的數據中數據噪聲已然被消除,且波動性不大,此時的數據準確性較高,適合應用于后續實驗。此外,在本次實驗中,為提高實驗結果的可靠性,設置了對照實驗。其中,本文設計的基于模糊隨機方法的小微企業會計風險預測方法為方法1,基于BP神經網絡的小微企業會計風險預測方法為方法2,基于機器學習方法的小微企業會計風險預測方法為方法3。

2.2 實驗結果與討論

為驗證三種方法在實際應用中的效果,實驗以三種方法的預測準確度為評價指標,對比三種方法的性能。在本次實驗中,以某小微企業中30種風險類型作為實驗對象,利用三種方法對其預測,統計預測結果。結果如表2所示。

表2 三種方法的風險預測結果

如表2所示,在對某小微企業30種類型的風險進行預測時,不同方法的預測效果不同。其中,方法1的預測準確度平均為98.1%,方法2的預測準確度平均為83.6%,方法3的預測準確度平均為63.4%,可見,方法1的預測準確度最高。因此,本文設計的基于模糊隨機方法的小微企業會計風險預測方法在實際應用中效果最好,有著較高的預測準確度。

3 結論

綜上所述,本設計的方法在實際應用中有著較好的效果,能夠準確預測小微企業的會計風險和風險類型,讓企業有充足的時間制定相應的防范措施,保證小微企業的正常運行。同時,在本設計中,將構建相應的會計風險指標體系和會計風險預測模型作為依據,設定相應的風險閾值,通過計算小微企業會計風險的預測值,對小微企業的會計風險進行預測,提高了風險預測的準確率。