基于ERP平台的公立医院财务风险预警模型研究

王迎辉

(首都医科大学附属北京康复医院,北京 100144)

0 引言

企业资源计划系统(ERP)在公立医院管理体系中,可以提供各部门及各设备的详细运行信息。即其内建组件中,业务流程管理体系可以提供公立医院各部门的经营性账目信息,其设备定制化系统中,可以将内建细节账目进行分别控制。所以利用ERP系统可以实现对公立医院运营管理细部数据的逐一管理。ERP系统对医院的运营管理和资金流量的管理都能够起到很好的监督作用,系统的基本理念也是为企业的发展创造良好的管理模式,利于企业的风控管理和其他的业务的开发管理,也为企业的发展和企业的业务提升创造良好的发展环境。

而传统财务风险管理体系下,投融资现金流风险、设备投资回收风险和管理过程控制风险是公立医院财务风险的3个重要控制要素。该研究重点就上述3个财务风险控制因素的ERP大数据应用模型进行优化改进,探索公立医院财务风险管理的新型财务内审模型。

1 ERP平台大数据资源中财务风险预警的支持途径

ERP系统作为企业中最常用的管理信息系统之一,ERP系统的管理客体是业务流程,其主数据表中每一条数据均为其管理流程中的节点信息。其数据关联结构构建在业务种类对照表、管理员工作单位及职务信息对照表和涉财务业务发生金额等,如图1所示。

图1 ERP系统大数据的财务内审工作流程

图1中,系统的大数据财务的内审工作流程主要是采取了工作流程图的形式,以申请人作为基础来开展相关的业务模式,逐级进行分管,达到财务内审的标准和规范。通过逻辑标志法、关键字查询法、分类统计法等统计学方法,可以从ERP大数据中提取以下信息:

1) 关键设备的应用频率和营收情况。为提供检查、化验所需的技术服务,公立医院一般会购买诸多大型关键设备,如磁共振设备、X光及CT扫描设备、介入介导设备、蛋白质及核算检测设备等,这些设备采购价值一般达到数十万至数百万不等。而通过ERP系统大数据,可以获得这些设备在实际诊疗过程中的应用情况,根据服务单价和服务次数,可以获得不同科室为设备提供的回款进度。

2) 一次性医疗器械及药品的进销存情况。注射器、一次性手术器械、导管等一次性护理器械、病房用药、急诊用药、手术室用药、门诊处方等信息,可以明确给出各科室的一次性医疗器械和药品的流动效率,且可以做出详细的数据汇总统计。

3) 投融资数据管控过程中,设备融资租赁、药品供应链、固定资产质押等均可以根据ERP系统做出内审大数据管控。通过ERP系统的设备定制化功能模块,可以将上述投融资行为具体到设备、科室等。

2 财务风险的模型基函数搭建

财务风险的传统控制工作流程是企业内审工作流程,但该研究中为了充分提升该风险值的估计能力,考虑到诸多不完备数据的影响,且在逻辑关系不完备的前提下将更多ERP系统中的数据应用到评价模型中,所以需要构建一个机器学习模糊神经网络模型对其进行控制。机器学习模型可以对系统的财务风险进行预警,在各个环节的模拟下完善对于财务风险控制体系的模式,对财务风险进行管控,达到财务管理的目的。

2.1 投融资现金流风险

医院常用的投融资工具,包括设备金融租赁工具(Ls),药品及一次性器械的供应链金融工具(Sc)、固定资产质押贷款等(Fn)。其中:

1) 金融租赁的使用方法为由金融机构提供不少于70%的设备采购款项,设备所有权在运作初期归金融机构所有,医院作为融资方通过协议租赁的方式每周期向金融机构缴纳租金,租赁期满后,该设备所有权移交给医院。金融租赁的财务风险保障措施为设备当期服务收益大于当期租金,如式(1):

(1)

式中,S(i)为该设备提供第i次服务的价格,i遍历该财务周期内该设备提供服务的次数,Ls(x)为当期(第x期)设备金融租赁费用,m(x)为当期(第x期)设备预期利润率。

2) 供应链金融的使用方法是由医院建立一个供应链基金账户,其中医院作为融资方提供至少30%资金量,金融机构提供最多70%资金量,该账户涉及到的进销存过程由双方共管。供应链金融的财务风险控制措施为确保医院投资得到有效回收,如式(2):

(2)

式中,E(i)为该批次(第i批)物资的总销售收入,B(i)为金融机构提取的销售收入,F(i)为该批次物资的医院总投入,m(i)为预期利润率。

3) 质押贷款的使用方法为医院通过固定资产质押的方式获得自由资金支持,其当期库存现金可以满足质押贷款的应付利息和到期本金的支付需求。该控制方法较为简单,此处不再展开基函数公式。

2.2 模糊神经网络模型

设备投资回收风险的控制过程的本质是对前文中m(x)变量的控制过程,即设备的实际服务收益变化趋势,通过回归分析后,发现其变化趋势,以判断第x+1期是否可以继续满足该设备的财务风险控制需求。此时可引入多列神经网络统计方法对x+1期、x+2期、x+5期的数据进行深度迭代回归分析。该分析架构如图2所示。

图2 设备投资回收风险多列神经网络架构图

图2中,选取特定设备近n期的m(x)数据,实现对前推第1期、第2期、第5期的数据预测值,多列神经网络共分为3列,每列服务一个输出值,且3列神经网络的架构完全一致,仅其收敛方向根据分析需求和前期训练有不同方向的收敛。该模型中共截取前6期数据,即每列神经网络的输入层共6节点,隐藏层4层,分别给出7节点、11节点、5节点、3节点的隐藏层架构,其节点函数均选择多项式函数进行节点设计,如式(3):

(3)

式中,Xi为前一层神经网络节点的第i个输入量,Y为该节点的输出量,j为多项式阶数,Aj为第j阶多项式的回归系数。

该神经网络的输出值为m(x)的预期值,当预期值低于设计值时,给出预警。此时也应采用神经网络算法,根据各科室的前n个周期的收益能力变化情况作出卷积回归评价。其输入数据为该科室对应的式(1)和式(2)中的m值。通过卷积神经网络的方式,将上述n个财务评价周期内的2n个数据进行卷积,输出一个评价数据。该神经网络的节点基函数同式(3),假定以前6期数据作为参照数据,其输入项为12个,隐藏层5层,分别为17节点、23节点、19节点、11节点、3节点。该神经网络的输出值训练收敛到[0,1]区间上,当科室管理风险评价接近0.000时,认为风险较低,当科室管理风险评价接近1.000时,做出风险预警。

3 模型运行效果实证

在MATLAB平台上运行该神经网络模型,其输出的风险预警值处于[0,1]区间上,将考察同期的库存现金余额、资产负债率、投资回收效率等数据也通过线性投影算法投影到[0,1]区间上进行数据比较,得到如图3结果。

图3 模型分析结果的实证结果图

为评价模型运行的效果,对医院财务的评价指标进行敏感性分析,对本模型分别设定费用+10%、+15%,相应效益不变;效益增减-10%、-15%,相应费用不变;费用+10%,相应效益-10%等条件,社会折现率取8%,对模型进行了敏感性分析,见表1敏感性分析指标表。

表1 敏感性分析指标表

图3中,以该评价结果为自变量,库存现金余额基本呈现幂次逆相关关系,资产负债率基本呈现线性正相关关系,投资回报率基本呈现线性逆相关关系。形成了表1所示的敏感性分析的指标表,分析此模型的实证结果,即该模型与资产负债率、投资回收效率等线性相关,与库存现金余额敏感相关。

4 总结

该研究将控制变量较为简单的投融资现金流风险使用杜邦法进行分析,得到3个分析结果,根据该3个结果,对控制变量较为复杂的设备投资回收风险和管理过程控制风险使用神经网络分析法进行过程简化,提供更细致的分析结果。公立医院投资较大、管理体系较复杂,财务风险控制难度较大,该方案可以利用较小的算力实现其财务风险的实时评价。后续研究中,根据ERP数据还可以生成评价周期更短,数据依赖性更小,分析精度更高的财务风险控制模式。