吳恒銘 張忠良

【作者簡介】吳恒銘（1999-），男，廣東汕頭人，碩士研究生在讀，研究方向：數(shù)字化工程與管理。

【摘? 要】近年來，制造型企業(yè)在經(jīng)營過程中面臨的挑戰(zhàn)日益增大。為幫助制造型企業(yè)探索科學合理的財務(wù)管理方法，更好地保障企業(yè)的健康經(jīng)營和降低成本，論文首先利用哈夫曼樹將多分類不均衡企業(yè)數(shù)據(jù)分解為一系列相對平衡的二分類子問題，接著以支持向量機為分類器構(gòu)建模型，然后，采用算術(shù)優(yōu)化算法進行模型參數(shù)尋優(yōu)。結(jié)果表明，發(fā)展能力、經(jīng)營能力、償債能力對企業(yè)的財務(wù)狀況影響較大。最后，論文基于結(jié)果對企業(yè)提出相關(guān)管理建議。

【關(guān)鍵詞】制造型企業(yè)；多分類不均衡數(shù)據(jù)；支持向量機；財務(wù)管理

【中圖分類號】F426；F275；TP391? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?【文獻標志碼】A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?【文章編號】1673-1069（2024）03-0191-03

1 引言

在經(jīng)濟全球化的背景下，我國制造業(yè)上市公司的規(guī)模不斷擴大，與此同時，企業(yè)面臨許多不確定性的微觀或宏觀因素，企業(yè)在財務(wù)管理上的挑戰(zhàn)隨之增加[1]。在我國對制造企業(yè)的財務(wù)管理研究中，大部分把企業(yè)的狀況分為兩類，即把ST企業(yè)定義為存在財務(wù)管理問題的樣本，非ST的企業(yè)定義為經(jīng)營正常的樣本。但是，這種二分類的處理存在兩方面的問題。第一，忽略了企業(yè)的其他狀況，企業(yè)的狀況除了經(jīng)營正常和出現(xiàn)財務(wù)問題，還存在進入退市整理期和終止上市等情況，這些狀況還可能發(fā)生變動，即企業(yè)的狀況存在著多種變動情況；第二，在實際數(shù)據(jù)中，由正常經(jīng)營到ST、由ST到終止上市、由ST轉(zhuǎn)為正常經(jīng)營等這些樣本往往存在不平衡的問題，有的變動類型的樣本數(shù)量會遠大于其他樣本，而傳統(tǒng)的機器學習模型在面對不平衡數(shù)據(jù)時性能表現(xiàn)不佳[2]。

綜上，制造型企業(yè)的財務(wù)管理問題實際上是一個多分類不均衡的問題，本文用支持向量機（Support Vector Machine，SVM）與哈夫曼樹（Huffman Tree，HT）結(jié)構(gòu)結(jié)合，將支持向量機擴展為多分類支持向量機模型，并緩和不平衡問題，在此基礎(chǔ)上，利用算術(shù)優(yōu)化算法（Arithmetic Optimization Algorithm，AOA）來尋找模型的全局參數(shù)，根據(jù)模型結(jié)果，對制造型企業(yè)的財務(wù)管理提供相關(guān)建議，將本文模型稱為AOA-HT-SVM。

2 相關(guān)理論

2.1 制造型企業(yè)財務(wù)管理面臨的問題

2.1.1 內(nèi)部管理問題

管理制度因素，不完善財務(wù)控制制度、風險管理制度和授權(quán)審批制度可能導致企業(yè)運行出現(xiàn)異常；生產(chǎn)決策因素，管理者需要對企業(yè)的內(nèi)外部的生產(chǎn)或采購進行評估，制定適時恰當?shù)臎Q策來管理好企業(yè)財務(wù)；融資因素，制造企業(yè)通常需要融資并投入生產(chǎn)裝置和原材料中，然而，市場波動、利率不確定或融資渠道受阻可能影響企業(yè)的融資成本[3]。

2.1.2 外部管理問題

自然不可抗力因素，當面臨自然災(zāi)害時，如地震、洪水、海嘯，可能損壞廠房、在制品和成品，造成企業(yè)的財產(chǎn)損失；社會因素，企業(yè)在特定的文化、社會環(huán)境下生產(chǎn)運營，提供的產(chǎn)品或服務(wù)應(yīng)與相應(yīng)的社會環(huán)境適配；政策因素，稅收政策、進出口政策、環(huán)境法規(guī)政策等會導致企業(yè)財務(wù)波動，例如，貿(mào)易政策的改變會使制造企業(yè)面臨進出口受阻。

2.2 制造型企業(yè)財務(wù)管理的作用

①控制成本。對于制造型企業(yè)，在勞動力成本不斷增加、工廠等生產(chǎn)基礎(chǔ)設(shè)施有限的情況下，通過財務(wù)管理，可以幫助企業(yè)識別一些低價值、非核心的制造活動，這能夠優(yōu)化生產(chǎn)，降低運營成本。

②合理分配資金。制造業(yè)通常需要購買生產(chǎn)設(shè)備與工具，有效的財務(wù)管理確保企業(yè)將資金正確投入日常經(jīng)營所需的活動中，避免造成資金占用與浪費。

③優(yōu)化供應(yīng)鏈。供應(yīng)鏈對制造企業(yè)至關(guān)重要，財務(wù)管理可以對供應(yīng)鏈中的各項過程進行分析，例如，運輸過程、庫存處理過程、采購過程等，通過對這些過程進行分析，尋找可以優(yōu)化的步驟，從而提高生產(chǎn)效率。

2.3 支持向量機

支持向量機是一種基于統(tǒng)計學習理論的機器學習方法，其主要目標是找到一個最佳分離超平面，使數(shù)據(jù)空間中兩類樣本間隔最大化，同時使分類誤差最小化[4]。

當模型的數(shù)據(jù)集是非線性的或數(shù)據(jù)不能在當前維度空間中分隔時，支持向量機使用核函數(shù)將樣本從低維空間映射到更高維的特征空間，常用的核函數(shù)包括多項式、徑向基函數(shù)（RBF）和Sigmoid核函數(shù)。

2.4 算術(shù)優(yōu)化算法

受到加減乘除4種數(shù)學運算的啟發(fā)，Abualigah et al.[5]在2021年提出了算術(shù)優(yōu)化算法，該算法分為以下3個步驟：

①初始化。隨機生成候選解，每一輪迭代新產(chǎn)生的最優(yōu)候選解被認為是最優(yōu)解或近似最優(yōu)解。

②全局勘探。使用除法（D）和乘法（M）運算符的數(shù)學運算被用于可搜索空間的全局探索。

③局部開發(fā)。使用減法（S）或加法（A）的數(shù)學運算會產(chǎn)生高密度結(jié)果。

3 財務(wù)管理模型設(shè)計

3.1 多分類不均衡支持向量機

哈夫曼樹是具有最短加權(quán)路徑長度的最佳二叉樹[6]，基于哈夫曼樹的數(shù)據(jù)分解策略采用分層的二叉樹結(jié)構(gòu)處理多分類數(shù)據(jù)集，每個結(jié)點由一個二元SVM進行決策，其構(gòu)造過程如下：

①具有m個類別的數(shù)據(jù)集，表示為：

C（m）={n1，n2，n3，…，nm}? ? （1）

ni表示第i個類的數(shù)量。

②根據(jù)ni的大小對C（m）進行升序排列，形成一個新的集合：

C（m'）={n■■，n■■，n■■，…，n■■}（n■■≤n■■≤n■■≤…≤n■■） （2）

③選擇C（m'）中的前兩個最小元素作為左子節(jié)點、右子節(jié)點，構(gòu)造一個新的二叉樹節(jié)點。新節(jié)點的值是其左子節(jié)點和右子節(jié)點的和：

n■■+n■■=n■■? ?（3）

④刪除在C（m'）中選擇的兩個元素，并將新的節(jié)點添加到C（m'）：

C（m'）={n■■，n■■，…，n■■} （4）

⑤重復步驟②、③和④，直到集合C（m'）只剩下一個節(jié)點元素，HT-SVM構(gòu)建完成。

根據(jù)上述構(gòu)建過程，每個二元SVM處理的兩個類的數(shù)量會盡可能地接近，即在沒對樣本數(shù)量重采樣或改動算法的情況下，直接改善了數(shù)據(jù)不平衡的問題。

3.2 模型的參數(shù)優(yōu)化

由于SVM對懲罰參數(shù)和核函數(shù)的變化很敏感，需要有合適的方法對這些參數(shù)尋優(yōu)[7]。本文使用算法優(yōu)化算法（AOA）來尋找模型參數(shù)，過程如下：

①種群初始化：AOA隨機生成種群，每個個體編碼的內(nèi)容即需要優(yōu)化的參數(shù)，包括懲罰參數(shù)、核函數(shù)的類型（線性、徑向基函數(shù)和多項式），以及核函數(shù)的參數(shù)。

②設(shè)置適應(yīng)度函數(shù)：將訓練集和測試集比例設(shè)置為0.75∶0.25。在對訓練集中的樣本進行5次5折交叉驗證之后，根據(jù)類的平均準確率來設(shè)計適應(yīng)度函數(shù)。

③適應(yīng)度評估：根據(jù)適應(yīng)度函數(shù)對每個個體的適應(yīng)度進行評估，排序并保存具有最優(yōu)解的個體。

④迭代優(yōu)化：根據(jù)AOA更新規(guī)則執(zhí)行解更新。

⑤獲取最優(yōu)參數(shù)和模型測試：在迭代完成后得到最優(yōu)參數(shù)，使用最優(yōu)參數(shù)訓練并在測試集樣本上進行測試。

4 實證分析

4.1 數(shù)據(jù)獲取與預(yù)處理

4.1.1 數(shù)據(jù)獲取

本文從CSMAR數(shù)據(jù)庫選取2013-2022年間滬深A(yù)股市場中制造業(yè)上市公司數(shù)據(jù)，數(shù)據(jù)為存在財務(wù)管理問題的企業(yè)樣本，詳細情況如表1所示。

以上的企業(yè)狀況代表字母及變動類型劃分均來自國泰安數(shù)據(jù)庫，具體含義為：A為正常上市，B為ST，D為*ST，T為退市整理期，X為終止上市。AB為企業(yè)的由正常上市轉(zhuǎn)變?yōu)镾T，AD為正常上市轉(zhuǎn)變?yōu)?ST，以此類推，DT為*ST轉(zhuǎn)變?yōu)橥耸姓砥?。為了樣本類型的全面性，進一步選取500個經(jīng)營正常的企業(yè)樣本，即AA樣本，總計樣本1 323個。本文使用T-2的數(shù)據(jù)來構(gòu)建模型，進而對企業(yè)T年的變動狀況進行分析。

選擇的指標匯總?cè)绫?所示，分別從7種指標類型中選取了28個指標。

表2? 指標選取匯總

4.1.2 數(shù)據(jù)預(yù)處理

在初步選擇的指標中，有的指標可能對企業(yè)的狀況沒有顯著影響。因此，有必要刪除對企業(yè)狀況類別無明顯影響的變量，降低此類變量對模型能力的干擾。

利用K-S檢驗對各個指標進行正態(tài)性檢驗，當指標服從正態(tài)分布時，用T檢驗來判斷樣本是否存在顯著差異；當指標不服從正態(tài)分布時，用K-W檢驗進行判斷。

從K-S檢驗結(jié)果來看，所有指標均拒絕了原假設(shè)，說明均不服從正態(tài)分布。因此，采用K-W檢驗非參數(shù)檢驗，根據(jù)K-W的檢驗結(jié)果，固定資產(chǎn)比率、第一大股東持股比例、股權(quán)集中指標4（%）3個指標保留了原假設(shè)，說明在各類別中沒有顯著差異。將其余的拒絕原假設(shè)的指標作為最終選擇的指標。

4.2 模型測試與結(jié)果

為了探究哪一類指標對企業(yè)財務(wù)狀況的效果影響更大，通過剔除該類指標構(gòu)建新的數(shù)據(jù)集，將模型效果與保留所有指標的模型效果進行對比，查看該類指標的影響。將剔除發(fā)展能力類指標的數(shù)據(jù)集定義為D1，剔除經(jīng)營能力為D2，剔除償債能力為D3，剔除每股指標為D4，剔除盈利能力為D5，剔除比率結(jié)構(gòu)為D6，剔除補充的指標為D7，指標全部保留為D。表3展示了AOA-HT-SVM在各個數(shù)據(jù)和類別上的準確率以及平均準確率。

表3? AOA-HT-SVM在各個數(shù)據(jù)上的結(jié)果

根據(jù)表3，從不同數(shù)據(jù)集的結(jié)果來看，D1、D2、D3對企業(yè)狀況的影響最大。當剔除發(fā)展能力、經(jīng)營能力或償債能力這3類指標時，平均準確率分別為0.692 7，0.679 8，0.675 8，當保留所有指標時，為0.790 6，模型效果明顯提升。說明對于制造型企業(yè)，要維持企業(yè)在健康穩(wěn)定狀態(tài)，應(yīng)關(guān)注其發(fā)展能力、經(jīng)營能力和償債能力。

4.3 對制造型企業(yè)的管理建議

①穩(wěn)步提升企業(yè)的發(fā)展能力

制造企業(yè)可以通過了解不同市場的需求，推動產(chǎn)品多樣化和技術(shù)創(chuàng)新，提供符合多個市場需求的產(chǎn)品，以此為企業(yè)帶來更多的收入。

②優(yōu)化企業(yè)的經(jīng)營能力

制造企業(yè)可以通過產(chǎn)品的整合，降低生產(chǎn)流程的成本和管理的復雜度，推動產(chǎn)品模塊化生產(chǎn)，從而提高產(chǎn)品的生產(chǎn)效率和交付水平。

③重視企業(yè)的償債能力

企業(yè)在平時應(yīng)該加強存貨管理，避免過高的庫存造成資金占用，確保企業(yè)有一定的資金用于償債，同時也應(yīng)積極主動償還債務(wù)。

5 研究結(jié)論與展望

5.1 研究結(jié)論

①針對多分類不均衡的制造企業(yè)財務(wù)管理問題，本文以支持向量機為分類器，首先構(gòu)建基于哈夫曼樹的支持向量機模型，將多分類問題轉(zhuǎn)化為一系列相對平衡的二分類問題，使其能有效地處理企業(yè)數(shù)據(jù)，并使用算術(shù)優(yōu)化算法進行參數(shù)尋優(yōu)。

②使用本文提出的AOA-HT-SVM模型對制造型企業(yè)狀況進行研究，實驗結(jié)果顯示，制造型企業(yè)的發(fā)展能力、經(jīng)營能力、償債能力對企業(yè)狀況的影響較大，公司應(yīng)注重提升這些能力。

5.2 未來展望

①本研究通過選取財務(wù)類指標對制造業(yè)公司財務(wù)管理進行分析，未來研究可以將非財務(wù)指標因素考慮進去，更全面地進行企業(yè)狀況分析。

②制造業(yè)內(nèi)部不同行業(yè)之間存在一定差異性，如果能針對細分制造業(yè)行業(yè)進行分析，更有助于為企業(yè)提供針對性的經(jīng)營建議。

【參考文獻】

【1】劉慧，張文新.“互聯(lián)網(wǎng)+”下制造業(yè)財務(wù)管理創(chuàng)新研究[J].科技資訊，2022，20（10）：125-127.

【2】Zhang C， Liu C， Zhang X， et al. An up-to-date comparison of state-of-the-art classification algorithms[J].Expert Systems with Applications，2017，82：128-150.

【3】王紅，徐睿妍.智能制造企業(yè)并購財務(wù)風險分析[J].中國農(nóng)業(yè)會計，2023，33（22）：55-57.

【4】于萬國，隋麗娜.基于支持向量機的軟件工程實驗智能評價分析方法研究[J].現(xiàn)代電子技術(shù)，2021，44（22）：183-186.

【5】Abualigah L，Diabat A，Mirjalili S，et al.The arithmetic optimization algorithm[J].Computer Methods in Applied Mechanics and Engineering，2021，376.

【6】石博文，苑海朝，路慧澤，等.基于二叉樹和一維數(shù)組的哈夫曼編碼[J].通信技術(shù)，2017，50（05）：867-872.

【7】王博，閆娟，楊慧斌，等.基于PSO-SVM的表面肌電信號多手勢識別[J].智能計算機與應(yīng)用，2023，13（07）：173-178.