康軼婷

（蘭州資源環(huán)境職業(yè)技術(shù)大學(xué),甘肅 蘭州 730020）

隨著經(jīng)濟(jì)的不斷發(fā)展，中小微企業(yè)在國(guó)民經(jīng)濟(jì)中的地位越來(lái)越重要。財(cái)稅服務(wù)平臺(tái)作為企業(yè)在財(cái)務(wù)管理和稅務(wù)申報(bào)方面的重要工具，具有極大的價(jià)值和意義。然而，隨著中小微企業(yè)數(shù)量的不斷增加，財(cái)稅服務(wù)平臺(tái)風(fēng)險(xiǎn)也在逐漸增加，中小微企業(yè)財(cái)稅服務(wù)平臺(tái)在提供財(cái)務(wù)和稅務(wù)支持的過(guò)程中面臨各種風(fēng)險(xiǎn)，如數(shù)據(jù)安全、合規(guī)風(fēng)險(xiǎn)等，給企業(yè)帶來(lái)了巨大的風(fēng)險(xiǎn)挑戰(zhàn)。通過(guò)研究風(fēng)險(xiǎn)評(píng)估方法，可以提前發(fā)現(xiàn)和識(shí)別潛在風(fēng)險(xiǎn)，并采取相應(yīng)措施來(lái)保護(hù)中小微企業(yè)的利益，進(jìn)一步促進(jìn)中小微企業(yè)財(cái)稅服務(wù)平臺(tái)的安全和穩(wěn)定發(fā)展[1]。希望通過(guò)本文的研究，可以更好地理解中小微企業(yè)財(cái)稅服務(wù)平臺(tái)的風(fēng)險(xiǎn)評(píng)估方法和實(shí)踐，為相關(guān)研究和實(shí)踐提供參考和借鑒，促進(jìn)中小微企業(yè)財(cái)稅服務(wù)平臺(tái)的安全和穩(wěn)定發(fā)展。

1 采集中小微企業(yè)財(cái)稅服務(wù)平臺(tái)風(fēng)險(xiǎn)數(shù)據(jù)

在進(jìn)行中小微企業(yè)財(cái)稅服務(wù)平臺(tái)風(fēng)險(xiǎn)評(píng)估時(shí)，首先假設(shè)中小微企業(yè)財(cái)稅服務(wù)平臺(tái)數(shù)據(jù)集合為"，其中包含風(fēng)險(xiǎn)數(shù)據(jù)集合x(chóng)。x可以被分解成若干個(gè)子集，每個(gè)子集表示一個(gè)風(fēng)險(xiǎn)事件，用t表示。關(guān)聯(lián)規(guī)則的構(gòu)成是由兩個(gè)不相交的α風(fēng)險(xiǎn)數(shù)據(jù)子集與β風(fēng)險(xiǎn)數(shù)據(jù)子集，即

本文采用支持度與置信度衡量評(píng)判其關(guān)聯(lián)規(guī)則的價(jià)值，其中將事件α在每個(gè)風(fēng)險(xiǎn)值Y中的置信度這一個(gè)衡量標(biāo)準(zhǔn)發(fā)生事件β的前提下發(fā)生的概率表示為

其中，M代表風(fēng)險(xiǎn)數(shù)據(jù)集合中的元素總數(shù)。在中小微企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)評(píng)估系統(tǒng)中，風(fēng)險(xiǎn)數(shù)據(jù)的置信度和支持度是評(píng)估風(fēng)險(xiǎn)程度和關(guān)聯(lián)性的重要指標(biāo)。為了進(jìn)行風(fēng)險(xiǎn)數(shù)據(jù)的挖掘和提取，需要設(shè)定置信度和支持度的最小閾值。置信度是指在給定條件下，某個(gè)數(shù)據(jù)關(guān)聯(lián)規(guī)則成立的可信程度，支持度是指在數(shù)據(jù)集中出現(xiàn)某個(gè)數(shù)據(jù)的頻率或比例。通過(guò)設(shè)定最小閾值，可以篩選出符合置信度和支持度要求的數(shù)據(jù)，即強(qiáng)關(guān)聯(lián)的風(fēng)險(xiǎn)數(shù)據(jù)。相反地，當(dāng)數(shù)據(jù)的置信度和支持度都低于最小閾值時(shí)，說(shuō)明該數(shù)據(jù)的關(guān)聯(lián)性較弱，不屬于風(fēng)險(xiǎn)數(shù)據(jù)，無(wú)須進(jìn)行進(jìn)一步提取和分析。通過(guò)利用置信度和支持度指標(biāo)，可以實(shí)現(xiàn)對(duì)風(fēng)險(xiǎn)數(shù)據(jù)的提取，并為后續(xù)的風(fēng)險(xiǎn)評(píng)估模型提供準(zhǔn)確的數(shù)據(jù)支持，以支持更精準(zhǔn)的風(fēng)險(xiǎn)評(píng)估和決策分析。

2 建立基于大數(shù)據(jù)的風(fēng)險(xiǎn)指標(biāo)體系

在建立基于大數(shù)據(jù)的中小微企業(yè)財(cái)稅服務(wù)平臺(tái)風(fēng)險(xiǎn)評(píng)估指標(biāo)體系的過(guò)程中，除了依靠專家意見(jiàn)和相關(guān)文獻(xiàn)資料，還可以通過(guò)主成分分析法進(jìn)行指標(biāo)初次篩選。主成分分析法是一種數(shù)據(jù)降維方法，可以將原始數(shù)據(jù)降維成幾個(gè)主成分，這些主成分可以更好地反映數(shù)據(jù)的主要特征和信息，從而減少指標(biāo)數(shù)量，提高指標(biāo)的解釋力和判別力[2]。并且主成分分析法就是一種常用的數(shù)據(jù)降維技術(shù)，可以將具有相關(guān)性的指標(biāo)合并為盡可能少且不相關(guān)的主成分指標(biāo)，同時(shí)保留原始數(shù)據(jù)的信息。首先收集并獲取評(píng)價(jià)對(duì)象的原始數(shù)據(jù)，包括各種指標(biāo)或變量的取值，對(duì)原始數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，使用以下公式將原始數(shù)據(jù)xij轉(zhuǎn)換為標(biāo)準(zhǔn)化指標(biāo)，具體計(jì)算公式為

式（3）中，xij表示第i個(gè)評(píng)價(jià)對(duì)象的第j個(gè)指標(biāo)的取值，sj表示第j個(gè)指標(biāo)的樣本標(biāo)準(zhǔn)差。計(jì)算相關(guān)系數(shù)矩陣R，組成該矩陣的元素為

式（4）中，rij是第i個(gè)指標(biāo)與第j個(gè)指標(biāo)的相關(guān)系數(shù)。然后對(duì)相關(guān)系數(shù)矩陣R進(jìn)行特征值分解，得到特征值和對(duì)應(yīng)的特征向量u1,u2,f,um，其中u2j,....,unjhT。特征值表示主成分的重要程度，特征向量表示主成分的組合權(quán)重，將特征向量表示為

針對(duì)中小微企業(yè)財(cái)稅服務(wù)平臺(tái)，發(fā)現(xiàn)其中存在許多無(wú)法用明確的指標(biāo)來(lái)衡量的風(fēng)險(xiǎn)因素。為了改進(jìn)這一模型，需要對(duì)其進(jìn)行相應(yīng)的調(diào)整和優(yōu)化[3]。在傳統(tǒng)的CCR模型中，輸入和輸出指標(biāo)需要具體的數(shù)值來(lái)進(jìn)行計(jì)算。然而，在實(shí)際情況中，可能無(wú)法確定某些指標(biāo)的具體數(shù)值，或者難以找到可靠的數(shù)據(jù)來(lái)源。針對(duì)這種情況，可以采取一種改進(jìn)的方法。具體而言，當(dāng)無(wú)法確定輸入和輸出指標(biāo)的數(shù)值時(shí)，可以將這些指標(biāo)的輸入值設(shè)為1。這樣做的目的是確保在缺乏具體數(shù)據(jù)時(shí)仍能夠?qū)δＰ瓦M(jìn)行計(jì)算和分析，以提供一定程度上的風(fēng)險(xiǎn)評(píng)估。當(dāng)可以確定輸入和輸出指標(biāo)的數(shù)值時(shí)，可以按照常規(guī)的CCR模型進(jìn)行計(jì)算，以得出相應(yīng)的效率評(píng)估結(jié)果，其中改進(jìn)模型為

式（7）中，wr表示輸入權(quán)重大小，通過(guò)這種改進(jìn)后的模型，可以在面對(duì)無(wú)法確定指標(biāo)數(shù)值的情況下，仍然進(jìn)行風(fēng)險(xiǎn)評(píng)估和決策支持。這種方法的靈活性使得模型可以適應(yīng)各種數(shù)據(jù)情況，并提供對(duì)中小微企業(yè)的有效服務(wù)。通過(guò)不斷改進(jìn)和優(yōu)化，可以提升財(cái)稅服務(wù)平臺(tái)的風(fēng)險(xiǎn)評(píng)估能力，為中小微企業(yè)提供更精準(zhǔn)的支持和指導(dǎo)。

根據(jù)上述風(fēng)險(xiǎn)評(píng)估指標(biāo)體系可知，本次構(gòu)建的風(fēng)險(xiǎn)指標(biāo)包括用戶風(fēng)險(xiǎn)、服務(wù)風(fēng)險(xiǎn)、安全風(fēng)險(xiǎn)以及運(yùn)營(yíng)風(fēng)險(xiǎn)。通過(guò)上述構(gòu)建的中小微企業(yè)財(cái)稅服務(wù)平臺(tái)風(fēng)險(xiǎn)指標(biāo)體系，實(shí)現(xiàn)對(duì)中小微企業(yè)財(cái)稅服務(wù)平臺(tái)的風(fēng)險(xiǎn)評(píng)估。

3 確定風(fēng)險(xiǎn)指標(biāo)體系權(quán)重

確定風(fēng)險(xiǎn)指標(biāo)體系權(quán)重是風(fēng)險(xiǎn)評(píng)估的重要環(huán)節(jié)[4-5]，它能夠反映不同風(fēng)險(xiǎn)指標(biāo)的重要性，為后續(xù)的風(fēng)險(xiǎn)評(píng)估提供參考依據(jù)。

在確定評(píng)估指標(biāo)基礎(chǔ)上，為更加精準(zhǔn)地評(píng)估出中小微企業(yè)財(cái)稅服務(wù)平臺(tái)風(fēng)險(xiǎn)等級(jí)，為后續(xù)的風(fēng)險(xiǎn)值評(píng)估提供參考依據(jù)。本文采用基于層次分析法的方法來(lái)確定風(fēng)險(xiǎn)指標(biāo)體系的綜合權(quán)重。層次分析法是一種定量分析方法，它能夠?qū)?fù)雜的決策問(wèn)題進(jìn)行分層，將問(wèn)題分解為多個(gè)層次的因素，并通過(guò)對(duì)比兩兩因素的重要性，確定各因素的權(quán)重。在本研究中，首先構(gòu)造判斷矩陣，將上述風(fēng)險(xiǎn)指標(biāo)因素進(jìn)行層次劃分與處理，使用德?tīng)柗品?，讓工作人員對(duì)一級(jí)指標(biāo)、二級(jí)指標(biāo)進(jìn)行評(píng)估打分，分值用Aij來(lái)表示，同一層級(jí)的指標(biāo)兩兩比較，構(gòu)造出判斷矩陣A：

2.3 兩組患者妊娠結(jié)局比較 觀察組胎膜早破、產(chǎn)后出血、巨大兒、新生兒窒息發(fā)生率與對(duì)照組比較，差異無(wú)統(tǒng)計(jì)學(xué)意義(P>0.05)，早產(chǎn)與低體質(zhì)量?jī)喊l(fā)生率顯著低于對(duì)照組，差異有統(tǒng)計(jì)學(xué)意義(P<0.05)。見(jiàn)表3。

式（8）中，Ai和Aj（i=1,2,3,…,n）分別為各個(gè)因素的影響因子。

其次計(jì)算指標(biāo)主觀權(quán)重，采用幾何平均法來(lái)計(jì)算判斷矩陣的特征根λ以及特征向量β'，計(jì)算矩陣Mi：

計(jì)算mi的n次平方根mi：

對(duì)向量進(jìn)行歸一化處理：

表1 中小微企業(yè)財(cái)稅服務(wù)平臺(tái)風(fēng)險(xiǎn)指標(biāo)體系

再次利用貝葉斯網(wǎng)絡(luò)法計(jì)算評(píng)估指標(biāo)的客觀權(quán)重，其主要思想是根據(jù)數(shù)據(jù)的先驗(yàn)概率和新數(shù)據(jù)的后驗(yàn)概率，通過(guò)統(tǒng)計(jì)學(xué)方法來(lái)推斷模型參數(shù)。這個(gè)過(guò)程可以理解為一個(gè)學(xué)習(xí)的過(guò)程，其中模型會(huì)不斷地更新參數(shù)，使其能夠更準(zhǔn)確地預(yù)測(cè)未知數(shù)據(jù)的概率分布?？梢詫⒃u(píng)估指標(biāo)看作網(wǎng)絡(luò)中的節(jié)點(diǎn)，它們之間的關(guān)系可以通過(guò)有向邊表示。對(duì)于每個(gè)節(jié)點(diǎn)，可以計(jì)算出它對(duì)于目標(biāo)節(jié)點(diǎn)的貢獻(xiàn)度，即該節(jié)點(diǎn)對(duì)目標(biāo)節(jié)點(diǎn)的影響程度，從而得出客觀權(quán)重。這個(gè)過(guò)程中需要依據(jù)貝葉斯公式計(jì)算節(jié)點(diǎn)的概率分布，并通過(guò)網(wǎng)絡(luò)結(jié)構(gòu)和數(shù)據(jù)樣本來(lái)調(diào)整節(jié)點(diǎn)之間的權(quán)重。貝葉斯網(wǎng)絡(luò)中各評(píng)估指標(biāo)的權(quán)重的計(jì)算公式如下：

最后確定指標(biāo)綜合權(quán)重，將β'與β' '進(jìn)行組合賦權(quán)，得到評(píng)估中小微企業(yè)財(cái)稅服務(wù)平臺(tái)風(fēng)險(xiǎn)評(píng)估指標(biāo)的綜合權(quán)重Wi，公式如下：

對(duì)評(píng)估指標(biāo)構(gòu)造進(jìn)行判斷矩陣，確定指標(biāo)對(duì)應(yīng)的特征函數(shù)，利用層次分析法計(jì)算系統(tǒng)的分布區(qū)間，結(jié)合貝葉斯網(wǎng)絡(luò)法獲取評(píng)估指標(biāo)綜合權(quán)重，便于接下來(lái)實(shí)現(xiàn)中小微企業(yè)財(cái)稅服務(wù)平臺(tái)風(fēng)險(xiǎn)值評(píng)估。

4 實(shí)現(xiàn)風(fēng)險(xiǎn)值評(píng)估

在中小微企業(yè)財(cái)稅服務(wù)平臺(tái)中，為了確定風(fēng)險(xiǎn)等級(jí)，需要根據(jù)計(jì)算得出的評(píng)估指標(biāo)綜合權(quán)重對(duì)單項(xiàng)指標(biāo)的風(fēng)險(xiǎn)值進(jìn)行計(jì)算。首先，需要將監(jiān)測(cè)得到的數(shù)據(jù)χ1,χ2,…,χn劃分為學(xué)習(xí)樣本和預(yù)測(cè)樣本。將數(shù)據(jù)分成K組，每組包含m+1個(gè)值。前m個(gè)值作為學(xué)習(xí)樣本，最后一個(gè)值作為預(yù)測(cè)樣本。這樣的劃分可以幫助在訓(xùn)練和評(píng)估模型時(shí)使用不同的數(shù)據(jù)集。其次，需要確定模型的參數(shù)。為了簡(jiǎn)化模型的復(fù)雜性，同時(shí)確保訓(xùn)練的精度，采用了三層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。具體而言，使用了一個(gè)輸入層、一個(gè)隱層和一個(gè)輸出層。為了確定隱層神經(jīng)元的個(gè)數(shù)，可以根據(jù)經(jīng)驗(yàn)式來(lái)選擇，以確保隱層神經(jīng)元數(shù)量適宜。在確定隱層神經(jīng)元個(gè)數(shù)時(shí)，可以考慮輸入層的神經(jīng)元個(gè)數(shù)z和輸出層的神經(jīng)元個(gè)數(shù)m，并結(jié)合經(jīng)驗(yàn)常數(shù)0＜a≤10，使得模型的結(jié)構(gòu)合理有效。計(jì)算評(píng)估指標(biāo)的綜合權(quán)重值為：

將數(shù)據(jù)歸一化處理，將樣本數(shù)據(jù)進(jìn)行歸一化處理，使其值在（0,1）之間，算式如下：

最后通過(guò)BP算法，對(duì)模型進(jìn)行訓(xùn)練，得到隱含層神經(jīng)元的最優(yōu)數(shù)目及最優(yōu)學(xué)習(xí)率等參數(shù)，得到風(fēng)險(xiǎn)值。

根據(jù)式（16）計(jì)算出的風(fēng)險(xiǎn)值，將中小微企業(yè)財(cái)稅服務(wù)平臺(tái)風(fēng)險(xiǎn)等級(jí)劃分為3個(gè)區(qū)間，具體如表2所示。

表2 中小微企業(yè)財(cái)稅服務(wù)平臺(tái)風(fēng)險(xiǎn)等級(jí)劃分

利用式（16）對(duì)中小微企業(yè)財(cái)稅服務(wù)平臺(tái)風(fēng)險(xiǎn)值進(jìn)行計(jì)算，將計(jì)算結(jié)果與上表劃分區(qū)間進(jìn)行比較，從而確定中小微企業(yè)財(cái)稅服務(wù)平臺(tái)風(fēng)險(xiǎn)等級(jí)。至此，完成中小微企業(yè)財(cái)稅服務(wù)平臺(tái)風(fēng)險(xiǎn)等級(jí)評(píng)估過(guò)程。

5 實(shí)驗(yàn)驗(yàn)證

針對(duì)上述提出的評(píng)估方法，為實(shí)現(xiàn)對(duì)其應(yīng)用可行性與應(yīng)用合理性的檢驗(yàn)，將其作為實(shí)驗(yàn)組，將傳統(tǒng)的基于XGBoost算法的風(fēng)險(xiǎn)評(píng)估方法與本文大數(shù)據(jù)下風(fēng)險(xiǎn)評(píng)估方法做對(duì)比實(shí)驗(yàn)，在相同的實(shí)驗(yàn)環(huán)境中對(duì)相同實(shí)驗(yàn)對(duì)象進(jìn)行風(fēng)險(xiǎn)評(píng)估。

5.1 實(shí)驗(yàn)準(zhǔn)備

本實(shí)驗(yàn)選取2020年深、滬交易所公布的90家中小微企業(yè)財(cái)稅服務(wù)平臺(tái)作為研究對(duì)象，其中有30家風(fēng)險(xiǎn)較低的財(cái)稅服務(wù)平臺(tái)，30家風(fēng)險(xiǎn)中等的財(cái)稅服務(wù)平臺(tái)，30家風(fēng)險(xiǎn)高的財(cái)稅服務(wù)平臺(tái)。在三個(gè)不同風(fēng)險(xiǎn)等級(jí)的樣本中各選取20個(gè)作為訓(xùn)練樣本，剩余的30個(gè)樣本作為測(cè)試樣本。選取資產(chǎn)負(fù)債率、流動(dòng)比率、速動(dòng)比率、流動(dòng)負(fù)債比率4個(gè)對(duì)風(fēng)險(xiǎn)影響較大的指標(biāo)作為衡量財(cái)稅服務(wù)平臺(tái)的風(fēng)險(xiǎn)指標(biāo)。

利用CAFA算法搜索到的BP網(wǎng)絡(luò)的最優(yōu)初始權(quán)值和閾值分別為

最后得到最優(yōu)初始值閾值為

5.2 評(píng)估結(jié)果分析

本實(shí)驗(yàn)通過(guò)采集不同風(fēng)險(xiǎn)等級(jí)的中小微企業(yè)財(cái)稅服務(wù)平臺(tái)數(shù)據(jù)，獲取基于大數(shù)據(jù)建立的指標(biāo)體系的權(quán)重，最終根據(jù)隱層的數(shù)目和試湊法選取隱含層節(jié)點(diǎn)數(shù)，分別用XGBoost算法和本文的算法對(duì)30個(gè)測(cè)試樣本進(jìn)行預(yù)測(cè)，因?yàn)闇y(cè)試樣本為原始樣本，沒(méi)有經(jīng)過(guò)預(yù)測(cè)，故無(wú)法判斷其中的準(zhǔn)確度，故該值缺失。測(cè)試結(jié)果如表3所示。

表3 兩種算法精確度對(duì)比

從表3可以看出，基于XGBoost決策樹(shù)算法對(duì)財(cái)稅服務(wù)平臺(tái)正確識(shí)別數(shù)低于本文設(shè)計(jì)基于大數(shù)據(jù)的方法，即本文提出的基于大數(shù)據(jù)的中小微企業(yè)財(cái)稅服務(wù)平臺(tái)風(fēng)險(xiǎn)評(píng)估方法相比傳統(tǒng)評(píng)估方法，具有更全面的評(píng)估指標(biāo)。通過(guò)實(shí)驗(yàn)對(duì)比，發(fā)現(xiàn)基于大數(shù)據(jù)的風(fēng)險(xiǎn)評(píng)估方法能夠更準(zhǔn)確地識(shí)別中小微企業(yè)財(cái)稅服務(wù)平臺(tái)中存在的風(fēng)險(xiǎn)，并且在風(fēng)險(xiǎn)預(yù)測(cè)方面有更好的表現(xiàn)。此外，基于大數(shù)據(jù)的評(píng)估方法還能夠根據(jù)中小微企業(yè)財(cái)稅服務(wù)平臺(tái)的不同特征和風(fēng)險(xiǎn)程度，為企業(yè)提供更加個(gè)性化和全面的服務(wù)，幫助企業(yè)降低風(fēng)險(xiǎn)和提高效率。

6 結(jié)語(yǔ)

本文通過(guò)采集大量中小微企業(yè)財(cái)稅服務(wù)平臺(tái)的數(shù)據(jù)，利用主成分分析法建立了基于大數(shù)據(jù)的風(fēng)險(xiǎn)評(píng)估指標(biāo)體系，并利用層次分析法確定了指標(biāo)的權(quán)重，最終實(shí)現(xiàn)了對(duì)中小微企業(yè)財(cái)稅服務(wù)平臺(tái)風(fēng)險(xiǎn)的評(píng)估。通過(guò)本研究，可以更好地了解中小微企業(yè)財(cái)稅服務(wù)平臺(tái)的風(fēng)險(xiǎn)情況，為企業(yè)提供更加科學(xué)、準(zhǔn)確的風(fēng)險(xiǎn)評(píng)估服務(wù)，有助于企業(yè)制定更加合理的風(fēng)險(xiǎn)管理策略，提高企業(yè)的風(fēng)險(xiǎn)抵御能力和經(jīng)營(yíng)效率。在未來(lái)還將繼續(xù)深入研究基于大數(shù)據(jù)的企業(yè)風(fēng)險(xiǎn)評(píng)估方法，為企業(yè)的可持續(xù)發(fā)展提供更加有效的保障。