基于BP神经网络的医院财务管理算法研究与设计
2023-12-13马宇霆
马宇霆
(河北北方学院附属第一医院, 挂号收费处, 河北, 张家口 075000)
0 引言
财务管理主要包括财务规划、资本预算、资金管理、会计管理、风险管理、税务管理和财务监督[1]。近年来,随着经济体制改革的推进,企业开始逐渐摆脱政府部门的直接控制[2]。在加入WTO后,中国的财务管理进入了一个全新的阶段[3],企业对财务管理的重视程度明显提高。
随之而来,企业对财务管理工具的使用也越来越广泛[4]。人工智能[5]、大数据[6]、云计算[7]、区块链[8]和深度学习[9]等先进技术在财务管理中都有应用,这些应用主要存在信息化程度低、信息化管理模式滞后、数据缺乏共享性等问题[10]。其中,李孝清等[11]开发的智能化餐饮企业财务管理平台,曾荣快等[12]开发的某市公安局财务管理系统平台,主要存在场景化、个性化不足,财务工作人员的沟通能力、创新能力和组织能力等无法用系统模拟等一系列问题。在智能化的医院财务内控管理方面,主流的医院财务管理方法主要有智能识别、VPA机器人、RPA机器人、AI中心、数据算法模型库[13]等。目前基于BP神经网络的财务管理的研究成果包括:章银平[14]以MATLAB作为仿真平台、BP神经网络作为模型算法构建出的企业财务分析模型,该模型可对传统财务管理模式进行优化;李晓璐[15]提出基于BP神经网络的企业财务管理风险预测实证分析方法,参考现有的研究成果以确定指标,借助CSMAR数据库来补齐所缺失数据,利用BP神经网络筛选出合适的样本,借助MATLAB等软件将Logistic回归预测结果及主成分分析预测的结果与使用BP神经网络预测的企业财务管理风险结果作对照。目前的智能化医院财务内控管理研究主要存在的问题,除了现有系统过于落后等问题外,最为突出的是财务系统本身智能化程度不够高,以及已有的智能算法的应用设计创新性不强。
本文从BP神经网络和医院财务管理角度出发,在信息化条件下,创新提出一种医院财务内控管理的智能化方法。经验证,本文方法在医院的财务信用预测方面具备较好的准确性。
1 方法
1.1 网络模型
神经网络由多个神经元组成,主要包括输入层、隐藏层、输出层、权重、偏置和激活函数(Activation Function)等组成部分。输入层接收的医院财务数据,隐藏层处理输入层输入的数据,并传递给下一层;输出层输出辅助医院财务决策的结果数据。图1是一个典型的3层神经网络结构。该模型有1个隐藏层,输入和输出层各有m个节点。
图1 BP神经网络基本结构
图2是每个神经元模型的结构。xi代表i神经元的输入值,wi代表i神经元的连接权重值,θ是阈值,y代表i神经元的输出值。
图2 每个神经元模型的结构
由此产生的前向传播计算公式如下:
(1)
模型中的每个神经元会将医院财务数据的计算结果通过一个激活函数处理得到输出。引入激活函数的目的是增加神经网络的表达能力,防止输入医院财务数据是0、输出结果数据也是0等类似的僵化的计算结果。本文采用Sigmoid函数作为实验用的激活函数。函数表达式如下:
(2)
图3是Sigmoid函数的图像。
图3 Sigmoid函数的图像
1.2 网络训练
神经网络的训练过程是通过不断调整网络中的权重和偏置来实现的,目的是让网络能够准确地按照输入的医院财务数据的预测输出结果。具体的训练过程一般包括以下几个步骤:
1) 训练用的医院财务数据集预处理。
2) 随机初始化网络中的权重和偏置,将输入数据通过网络进行前向传播,计算网络的输出结果,并通过损失函数衡量输出结果与真实结果之间的误差。
3) 采用梯度下降的反向传播算法计算每个神经元对损失函数的贡献,并更新网络的权重和偏置,使损失函数下降。
4) 重复执行以上步骤直到训练误差满足预设条件或者达到预定的训练次数。
设l代表隐藏层的节点数,n代表输入层的节点数,k代表输出层的节点数,i代表0到9之间的任何常数。根据BP神经网络的参数调试经验,隐藏层的节点数须同时满足下列3个经验公式:
l (3) 此外,模型训练前的数据规范化工作非常必要。对于每一个输入神经网络之前的医院财务数据特征指标的归一化操作,有如下公式: (4) 其中,Xn代表原始指标,Xmax代表所有医院财务数据中X的最大值,Xmin代表所有数据中X的最小值,Xn( new )是将原始指标Xn归一化得到的新值。 目前,该BP神经网络方法预测被本文用于预测医院病人的信用等级数据。预测功能模块被内置在医院的财务管理系统的会计业务和审计业务的操作界面中,主要是在医院病人信息旁标识出其信用风险级别,以此来辅助医院的财务决策。 本实验主要使用MATLAB编程软件来训练和模拟神经网络的结果,数据主要来自医院财务管理系统中抽取的一部分财务信用数据。从本质上来说,信用是短期融资的一种,属于特殊类型的付款承诺,但是,这种承诺缺少抵押担保的保证。因此,医院在信用交易的过程中存在一定风险。医院一般会采用信用状况调查的方式来获取赊销病人的信用状况,并在此基础上分析对某病人开展赊销业务的风险程度,实践中,按照病人补齐欠款的积极程度(当天内、3天内、1周内、1月内、1年内、拒不补款)将赊销病人的信用等级定为6级,赊销病人具体的信用值为欠款天数的倒数。本实验的初始数据样本有3000个数据集,各个信用级别的数据分类见表1。 表1 数据分类 其中,随机从数据集中抽取2500组作为训练数据集,300组作为验证数据集,200组作为测试数据集。对于每一个赊销病人样本,其被选择的特征见表2。第一步是对系统采用的非数值数据进行数值化操作,具体来说,就是对表2 的第一个指标“该病人就诊疾病类别”进行数值化,本系统采用嵌入(embedding)的方法完成该任务。首先利用国际疾病分类标准ICD-11,将疾病类别数据构造为一个具有层次结构的图(graph)。接着使用一个图嵌入(graph embed-ding)的算法模块,输入该疾病图的邻接矩阵,输出对应位置的疾病节点的嵌入表示,参考现有病种的数量,将该嵌入表示Embedding的维度设置为16,最终量化后的数据维度也是16,该嵌入表示就是就诊疾病类型的数值化表示。 表2 赊销病人的特征选择 表3 混淆矩阵 第二步,采用归一化方法,将所有3000组数据转变为[0,1)之间的小数。归一化操作后,随机选择2500组数据作为训练集,其余500组数据作为测试集和验证集。 第三步,在第二步基础上,对模型预测的准确性进行验证。训练轮数(epoch)设为500次,预期误差目标为0.001,学习率为0.01。随后利用训练集数据训练BP神经网络模型,该BP神经网络共有5个隐层,每个隐藏层的节点数分别设置为9、10、11、12、13。然后是本文2.1中介绍的神经网络前向传播过程(Forword)和2.2中介绍的后向传播过程(Backward)对BP神经网络进行建模和训练。训练结束后,将该BP神经网络模型完整保存到硬盘。 最后,本研究利用R2回归预测模型、精确度、准确率和ROC等4个指标评价该BP神经网络的训练效果。首先从硬盘读取该模型,接着利用验证集数据,计算得到相应的信用等级预测结果,最后采用R2回归模型、精确度、准确率和ROC 4个指标分别评价该BP神经网络模型在验证集上的运行效果。R2回归模型主要涉及下面3个指标: (5) R2=SSR/(SSR+SSE) 精确度计算公式为 (6) 准确率计算公式为 (7) 上面两式中的TP,TN,FP,FN的含义见下表所示混淆矩阵。 TP含义为该样本的预测结果为真,真实值为真。FP含义为该样本的预测结果为真,真实值为假。FN含义为该样本的预测结果为假,真实值为真。TN含义为该样本的预测结果为假,真实值为假。 本文基于回归分析方法评价BP神经网络模型的训练效果,主要从以下2个指标进行评价:一是分析信用等级识别错误的总体数量占验证集数据的比例;二是单独分析偏离度的相对误差,本文利用R2回归模型分析此相对误差。分析结果如下表4所示。 表4 R2回归模型分析相对误差的结果 第一个指标的检测结果,信用等级识别错误的总体数量占验证集数据的比例为5.2%,为较低水平,表明了该模型对赊销病人的信用等级预测效果较好。 第二个指标的检测结果,在用MATLAB软件利用R2回归模型和验证数据集进行模型效果验证中,得到的验证集数据在模型上的运行结果R2=0.993 51,也从侧面反映了本文对财务风险的良好估计能力和较高的准确性。 本文从精确度、准确率、ROC曲线等3个角度评价BP神经网络模型的训练效果,结果如表5所示。 表5 实验结果的精确度、准确率、AUC值情况 其中,AUC值为ROC曲线下面积大小。从表5可以看出,本文使用BP神经网络对医院的财务信用数据进行预测,取得了比较好的效果。在测试集中,其精确度达到了79%,准确率达到了82%,AUC值到达了0.91。 此外,本文结果绘制ROC曲线如图4所示。其中,曲线为ROC曲线,虚线为从(0,0)到(1,1)的对角线,用于对标ROC曲线。ROC曲线和X轴围成的区域面积为AUC值。 图4 本文实验结果的ROC曲线图 综上,实验结果表明,若将此模型应用到实际的财务指标评分过程中,能够帮助医院准确确定赊销病人的财务风险的得分,并据此作出合理的判断,有效应对潜在的财务风险。 本研究通过BP神经网络对医院的财务数据进行信用等级评估预测,实验结果表明,该方法具有较高的预测准确率,能够对医院的财务决策提供有效支持。目前,该研究依然存在的主要不足是应用面较为狭窄,主要局限于财务风险预测方面。下一步,我们计划将智能化方法不断推广到医院财务的智能化管理、预测、规划、可视化等各个方面,期望获得更好的效果。1.3 实验过程介绍
1.4 结果分析
2 总结
