基于BP神经网络技术的智能财务研究

朱敏

【关键词】 深度学习; BP神经网络技术（BPNN）; 智能财务; 产品定价

【中图分类号】 F272;F270.7  【文献标识码】 A  【文章编号】 1004-5937（2021）18-0038-05

移动互联网、人工智能、区块链、大数据、云计算、物联网等新兴技术改变了服务和商品的性质，在商业以及企业管理领域开拓了一系列新的业务场景，新的数字技术推动互联网进入算法竞争的下半场，智能化转型将成为企业智力水平竞赛的制胜关键。2020年国家发改委对新基建做了进一步定义，新基建以经济转型、增效发展为总纲，旨在加快各产业的数字化升级，国家“新基建”战略要求企业加速智能化管理转型。传统企业纷纷谋求财务转型，信息化和数字化技术为财务智能化变革提供了技术支持，人工智能将使计算机替代人类心智完成工作任务。

目前对财务智能化的研究主要集中在职能、宏观架构、内涵、风险等方面，对智能财务的具体技术路径探索较少。智能化转型的本质是数据技术驱动的智能升级，深度学习在语音识别、金融、司法领域的运用实践对财务智能化将产生重大启示，本文对引入深度学习之BP神经网络技术（Back Propagation Neural Network，BPNN）的财务智能化转型路径进行探索研究。

一、BP神经网络技术和智能财务概述

（一）BP神经网络技术

BP神经网络技术属于深度学习使用最普遍的一种算法。深度学习技术自20世纪90年代以来被运用于自动驾驶、交通管理、语言处理、语音识别、医疗诊断、司法判断及金融量化等多领域实践[ 1 ]。深度学习运用于语音识别领域，极大地降低了语音识别错误率;在电子游戏及唇语识别中取得超越人类的表现;对金融交易过程生物识别提供技术保障，提升了金融机构贷款信用评估效率;帮助律师事务所完成辅助复核，浏览海量文件获取合法证据，使法律工作流程更高效，成本大幅下降;在新兴教育行业中，深度学习发挥了数字导师功能，使教师从教学重复劳动中解脱，致力于精神层次支持和启发[ 2 ]。随着更强大的计算机、更庞大的数据集和更深邃网络的发展，深度学习技术必然被逐渐应用于更多商业领域。以不可替代的技术优势，深度学习将成为推动智能财务转型的技术利器。

BP神经网络技术（BPNN）相比于传统深度学习能够更有效地学习非线性目标函数[ 3 ]。BPNN包含输入层、隐藏层和输出层三层级，包括正向和反向传播两个计算步骤（如图1所示）。（1）正向传播：信息特征从输入层进入神经网络，通过隐藏层计算，由输出层输出;（2）反向传播：计算输出层的输出与真实值的误差，将误差反向传播，通过梯度下降算法更新各层级参数，实现自我学习，直到计算输出层的输出与真实值的误差停止更新为止。

BP神经网络技术大幅扩展了计算机灵活表达并模拟世界万物特征规律的能力，帮助计算机通过持续训练样本，进行尝试和自主学习，逐步总结事物客观规律。

（二）智能财务

智能财务指人类财务专家与人工智能技术联合组成人—机协同系统，完成企业复杂的财务管理任务，同时，人工智能技术在财务管理活动中不断得到演化，逐步取代人类财务专家的功能[ 4 ]。

企业运用新的信息技术重构组织架构、再造业务流程、赋能业务并支持决策，这个过程被称为财务数字化转型，但不能称为智能财务，因为工作流程仍然依赖人工编程设计完成[ 5 ]。财务共享中心使用财务机器人（RPA）替代人工进行单据识别和数据记录等重复性、有规律的操作层面的业务活动，RPA财务机器人以零差错、低成本优势快速取代开票、对账、录入等重复流程化工作，释放出大量财务人力资源，极大提升了财务工作效率。但是，RPA财务机器人实际上距离智能财务实现人—机互动、替代财务专家进行财务预测与决策支持的功能和目标尚远。

财务数字化是智能财务的基础，智能财务是财務数字化的发展方向。财务共享中心是财务数字化的起点，基于云计算，分散的业务活动在共享中心集聚，并被标准化、数据化，集合为数据仓库和集市。智能财务发挥算法和算力作用，在大量实践样本数据基础上，无限模拟企业资源配置，辅助甚至代替管理人员做出预测和决策。智能财务技术激活、治理数字化平台的数据集合，不断进化迭代的人机交互算法支持预测、控制、决策财务模型，实践财务运用场景，最终实现财务管理的终极价值（张庆龙，2020）。

二、财务智能化发展现状与问题

2019年，上海国家会计学院智能财务研究中心发布了《中国企业财务智能化现状调查报告》，指出企业智能财务运用最多的领域是会计核算和银企互联系统，而对风险管理和决策支持模块的使用程度最低。报告显示，企业财务智能化运用尚处于探索阶段。

新技术背景下，企业不断推进财务数字化平台建设，来自客户、供应商等不同渠道的巨量业务数据涌入信息系统，但一系列迫切需要解决的问题和挑战随之而来，包括高效融合数据仓库多维特征困难、业务数据间逻辑关系未能充分表达、数据特征兼容性不够、信息孤岛增多、数据再造更新滞后、获取业务数据服务困难等。数据资产的价值在于被应用并实现企业提质增效目标，由于数据价值未能充分被释放，数据资源浪费严重，企业数字化并未如预期赋能业务并指导决策。

更高级别的财务智能化实施尚存在难度。财务智能化必须借助智能技术有效解构多源异构数据池，挖掘数据间关联特征，重塑业务流程，融合数据管道，提升数据资产使用效率，再造数字化平台积累的数据链价值。

智能财务转型不仅是信息基础设施系统的升级和数字化，而且是持续迭代升级的数据技术逐步改变管理方式和经营方式的系统工程。

智能财务场景的实现需要强大的人工智能技术作为数据治理与预测能力的技术背景和基础，BPNN以其对视觉和语音识别、数据多维特征提取治理、训练样本预测未来的技术优势，将成为解决财务智能化转型问题的技术利器。

三、BP神经网络技术优势

BPNN包含多个隐藏层，可以容纳大量设置和调整参数，拥有强大的非線性表达、自适应、自学习、容错及泛化能力，具备提取描述海量数据异构多维的特征和优势。

BPNN进入财务领域后，可以作为挖掘和识别业务数据深层特征信息的技术利器，整合企业内外部包括业务合作伙伴相关的财务数据和业务数据，梳理数据潜在规则，挖掘数据价值，高质量实现数据互通互联和数据链有机融合，构建智能财务的数据基础。

融入BPNN的智能化模式下，企业将标准化的财务工作交由机器完成。智能化系统不断训练和修正自身参数，系统、高效、准确地实现实时经营数据反映、未来现金流量预测、流程改进及再造模拟等功能，持续推进人工智能财务系统进阶。

四、基于BPNN的财务智能化应用场景

不同的财务应用场景应基于不同层级的BPNN技术实现有区分度的价值目标。基于BPNN技术，企业对财务共享中心数据中台类型多样、规模巨大的数据进行高效解读和关联处理，持续训练样本，优化神经网络的权重值和阈值。数据特征经过神经网络正向传导，对该网络进行反馈调节，使输出层财务数据的误差最小，从而实现核算层面、内控及风险管理层面、决策层面、专家顾问策略支持等智能化应用场景，提高决策效率，改善服务水平，获得更好的客户体验感，降低管理风险，解决财务共享中心沉淀数据治理问题，驱动数据价值链重塑，最终实现数据资产增值，甚至可以实现智能化自主预测和决策，强化财务服务与管理职能。

（一）产品定价

利用BPNN非线性特征提取和表达功能，设置定价规则和参数，建立基于企业自身、客户、供应商及竞争对手多维影响因素的产品定价模型，深度学习技术充分利用企业拥有的多渠道影响数据，不断提取数据特征，与市场接受度和企业成本进行持续比对，不断自迭代定价方案，训练系统，彻底变革根据人工经验做出定价的现状。

（二）资金管理

基于BPNN技术的资金管理系统集成财务共享中心的数据池特征，集成对象包括银企直连、费用报销、税收及发票管理、供应链单据验证、客户信用管理等模块，实现收付款自动化、生成税收筹划和缴纳方案、进行最佳现金持有量动态管理等智能服务。

（三）经营风险及财务风险评估模型

企业所处内外部环境随时在发生变化，初创期、繁荣期、衰退期面临外部政治、金融、法律、商业、行业、环保，以及内部施工、生产、技术等显性隐性多维因素，BPNN模型不断进行数据获取、聚集、互换，将业务流程信息不断交互验证，挖掘积累供应商和客户信息，评价信用指标，洞察风险点，建立数据安全屏障，评价企业自身经营及财务指标实时风险。甚至可以输入历史风险案例，抓取案例数据风险内在发生机制和规律，关联实时业务的发展趋势，实现更超前预警，提出规避风险的建议，提升企业内部控制能力，更有效支持决策。

（四）全面预算管理动态分析系统

全面预算管理是有效的企业战略和绩效管理工具，引入BPNN后，更有利于平衡计分卡融入战略管理，支持战略目标分解到基于平衡计分卡方法的客户、财务、内部运营、学习与成长四个维度，实现战略、资源配置到产业协同层面的可视化管理，更充分获取和解构客户需求，进行实时动态业务数据监测，执行实时预算与实际执行状态差异比对分析，生成绩效评价分析报告，及时对经营活动纠偏，充分实现管理提质增效目标。

（五）基于未来现金流量的企业价值评估系统

BPNN通过监督学习和语音、图像、语言处理技术，整合全行业估值案例，建立价值评估比对模型，归集共享中心数据标签，反馈训练样本集，处理大量非结构化数据，发掘数据间的隐藏关系，呈现未来现金流量趋势，关联匹配动态调整的行业折现率，实现企业实时价值模型，作为企业经营活动、股权交易、项目投融资决策依据。BPNN技术很大程度上解决了企业未来内在价值难以计量的经典难题，取代了对收入、净利润、折旧、成本变动、费用支出及贴现率等诸多变量的人为预测及选择。

（六）专家和策略顾问支持系统

凭借BPNN强大的数据治理功能，企业财务共享中心数据池整合上游供应商、下游客户、第三方服务机构、政府信息，打通数据接口，发掘商机，打造业务专家和策略顾问支持系统，从公司治理结构、股权投资、项目投资、销售策略及生产技术持续改进等方面实现更多的定制化服务，帮助财务实现前瞻性和走出去职能，甚至成为行业链条企业经营决策的策略支持者和服务协同者。

五、企业财务智能化研究

（一）LA集团公司财务数字化平台运行现状和需求

LA公司成立于1990年，是中国市场上生产销售气体产品系列最为广泛的气体公司之一。公司拥有世界一流的技术研发中心，不断开发工业气体、医疗气体及混合气体应用技术，广泛应用于工业、医疗、食品、环保等各个领域。随着业务发展和规模壮大，LA公司开始集团化运作，全国有独立核算的30多个子公司，跨部门和跨区域沟通的时效性不强，整合共享资源越来越困难，整个集团组织及管理效率不断降低。

基于工业4.0数字化革命的外部环境竞争驱动，以及企业内部价值管理需求，LA集团组建项目团队开发了研发、供应链、生产和客户服务数字化管理系统，搭建了财务共享中心，由于属地税务管理需求，各子公司仍然保留法人财务组织。集团业务在财务共享中心进行集中核算，日常核算品质和效率得到了提高，总部统一要求报送的传统内部管理指标可以从共享中心挖掘数据。但数字化平台运行中，预期的数据价值目标却未能实现，集团业务和财务数据无法深度贯通，财务职能受到极大挑战，对战略决策和业务的支持严重不足。

经过团队调研后发现，LA集团缺乏与智能财务匹配的战略导向数据治理组织和数据质量管理体系，缺乏智能技术支撑，导致业务数据的多维特征难以在通畅的管道中发挥作用，反而需要不断增加人力，改变流程去整合和处理大量堆砌的数据，最终花费昂贵的智能化平台系统仍然只能通过抓取业务单元部分数据特征输出财务结果。

LA公司目前使用人工编程信息系统实现氧气定价（见图2）。

LA公司目前最突出的需求是突破财务共享中心数据堆砌后的治理困难，建立系统性和前瞻性并重的智能财务框架，充分挖掘数据生产力的价值，提高管理效能，及时提供决策支持。

（二）LA集团基于BPNN的智能化财务路径研究

1.战略层面数据治理顶层制度设计

财务智能化最关键的因素是领导层对智能财务项目价值的充分认识和重视。领导层应以更高远的视角，重新认知和理解企业内外部环境及资源，引领企业实现财务、业务、技术逻辑的系统更新[ 6 ]。建立数字愿景后，组织变革能力成为智能财务转型的必要条件。LA集团必须制定战略导向的智能财务组织架构，梳理数据治理方法、流程和标准，建立数据质量管理体系，将智能财务战略融入集团整体战略，探索商业模式变革，完成战略导向的组织能力及人力资源保障建设路线图，制定长期与短期工作计划，自上而下推动，上下协同一致，提升全员数字化意识，循序渐进推动迭代升级，营造财务智能生态系统[ 7 ]。

2.智能财务场景运用研究——以产品定价为例

LA公司采取局部探索带动整体转型的思路，从最容易产生问题的核心业务——产品定价入手，建立基于BPNN的氧气定价智能财务应用场景。

LA公司目前面对多样化的客户，气体产品处于充分竞争市场。首先，业务部门与财务部门充分评估和定义影响产品定价的相关因素。企业内部环境、外部环境、竞争对手和客户因素四个维度下的多维动态变量交互影响着气体产品定价（见表1），除了产品成本、物流费用、安全库存量等因素，事实上，竞争对手产品质量和报价、道路限行时段、运输车量载货量、客户平均用气量、客户可收货时段等因素都对产品定价产生影响，传统的预测模型难以整合多维特征。BPNN强大的数据融合和非线性特征表达优势适用于解决气体定价问题。其次，制定数据清单，将业务数据化，确定数据处理规则，对影响氧气定价四个维度的元数据属性进行定义，充分清洗、解构多维度业务信息的关联关系和特征，形成坚实的数据基础。

标准化数据通过传递函数输入到神经网络隐藏层，在各级神经元间进行连接和特征交换，获得不同维度的特征描述，数据被神经网络深度分类融合，再通过传递函数输出科学合理的产品定价。BPNN定价系统将客户接受的样本作为新的训练集，通过反向傳播不断调整参数和阈值，提升智能系统整体性能。LA公司同时设立数据对照系，与基于经验的传统单点特征集合得出的财务结果进行比对。市场反馈的实验样本数据持续输入，BP神经网络得到偏差后，智能定价系统功能持续自我优化（见图3）。

传统氧气定价法很大程度上是简单的市场客户接受逆向法，对自身综合成本平衡及可持续发展能力等多维度因素的考量是不全面的，带来极大的潜在内控风险。可以看出，BPNN网络凭借强大的非线性函数表达功能，高质量融合了影响氧气定价的四个维度多变量数据特征，将客户安全库存量、客户可收货可卸货时段、物流过程限行时段等繁复的可量化及抽象特征系统完整描述，输入到目标函数相关网络层，进行大量自适应迭代运算及训练，重组数据特征链条误差，通过误差反向传播训练和权重更新进行持续优化，完成目标值。系统最优价格与市场接受误差值越来越小，高效满足企业对氧气产品实时可靠定价的需求（见表2）。

这时的财务指标是内外部因素协同，业务、财务和技术深度融合的结果，同时也成为通过严格的标准化管理及精益化管理提升企业价值的典型业务案例。

通过BPNN智能化改造，LA集团解决了数据融合困难，实现了财务量化数据和非财务因素协同、多维度参数变化条件下实时动态的最优化定价系统。LA集团从局部智能化场景改造驱动财务共享中心整体智能化转型，以单点突破实现系统提升，通过探索研发、采购、生产、仓储、运营、销售业务单元的智能财务场景实践，建立了高效的数据资产管理体系，不断推进新的数据价值产生，推动业务模块间不断协同，从局部触发整体，实现业务流、财务流和信息流融合后的智能财务系统不断升级与进化。

六、结论

本文基于BPNN原理进行财务智能化研究，提出了将BPNN运用于财务智能化应用场景的思路，解决智能化过程中数据多维信息特征治理困难的问题。

基于BPNN智能财务系统融合了业务数据多维特征，同时系统具有持续自我学习、修正和升级的优势，业务场景在流程化标准化改造甚至“自我演化”后，源源不断产生人—机协同效应，持续促进企业提升资源配置效率和组织建设能力，在竞争环境下创造更大的经济价值。

未来，人工智能必然与大数据、区块链、下一代ERP等新技术相融合，即使没有人类专家指导，单个智能体也能通过不断试错、纠偏程序自主完成任务，这就是智能财务运用最高阶段的发展方向。总之，具有自我意识、自主学习、自主决策的强化深度学习在智能财务场景有着广阔的运用空间和研究价值。

【主要参考文献】

[1] 伊恩·古德费洛.深度学习[M].北京：人民邮电出版社，2020：1-337.

[2] 特伦斯.谢诺夫斯基.深度学习[M].北京：中信出版社，2019：1-327.

[3] 张红，程传祺，徐志刚，等.基于深度学习的数据融合方法研究综述[J].计算机工程与运用，2020（1）：1-12.

[4] 刘勤，杨寅.智能财务的体系架构、实现路径和应用趋势探讨[J].管理会计研究，2018（1）：84-96.

[5] 唐勇，胡先伟.共享服务模式下企业财务数字化转型探讨[J].会计之友，2019（8）：122-125.

[6] 陈春花，朱丽.数字化时代组织效率的本质[M].北京：机械工业出版社，2019：1-276.

[7] SELMI N，CHANEY D.A measure of revenue management orientation and its mediating role in the relationship between market orientation and performance[J].Journal of Business Research，2018，89：99-109.