基于大數據環境的醫院財務預測方法研究

王麗 沈晨 龍軍

摘要：大數據技術的發展給醫院財務預測研究提供了新的機遇，同時也帶來了挑戰。結合國內外基于大數據環境的財務預測方法相關技術的演進和應用實踐，本文梳理了大數據環境下醫院預測方法的特征，構建大數據環境下醫院財務預測方法示意圖，分析了大數據環境下醫院預測方法所面臨的挑戰和對未來研究的展望。

關鍵詞：大數據環境 ?醫院 ?財務 ?預測方法

一、引言

眾所周知，當前大數據技術帶來了管理方式變革、商業模式變革等影響。而大數據預測是大數據最核心的應用，其優勢體現在它把一個非常困難的預測問題，轉化為一個相對簡單的描述問題，而這是傳統小數據根本無法企及的。對于醫院而言，當前由于財務數據分析方式發生了巨大變化，醫院財務預測業務流程也將發生根本性的變化。醫院財務人員可以通過大數據資料，依據現實條件，運用特定的方法從海量數據中分析和挖掘出有價值的信息，來預測醫院未來的財務狀況，給醫院財務全面預算決策提供依據。然而，大數據所刻畫的是一個復雜的系統，對于醫院財務人員而言，大數據環境下如何選取有效的研究方法提升醫院財務預測的準確性是值得深入思考的。

二、大數據環境下財務預測方法研究現狀概述

（一）國內基于大數據環境的財務預測方法研究現狀

2014 年春節，百度利用 LBS 技術推出了“春運遷徙”圖，第一次通過大數據計算全程分析了動態、即時的春節前后人口移動的變化和特點，并以可視化的圖形方式呈現出來，讓人們直觀的感受到了大數據的力量。如今，可以通過大數據分析來預測用戶消費需求、進行基因組測試、預防流感疫情等，大數據的應用已經滲透到各行各業，我國將大數據戰略正式列入“十三五”規劃綱要中。國內文獻中相關學者也深入分析了大數據環境下財務相關預測方法，景立偉等（2007）在文獻中利用傳遞函數模型對醫院業務收入影響因素進行分析。在此基礎上利用分析結果對醫院業務收入做出預測，并將預測結果與ARIMA模型預測結果進行比較。張麗湘（2009）在文獻中根據灰色系統預測理論，提出關于醫院財務走向的預測方法。趙麗娥等（2015） 于文獻中在當前廣泛建設的醫療云框架上，通過醫療財務風險預測模型有效地檢測出醫院財務中可能存在的風險。王劍等（2018） 在文獻中使用稀有事件Logit模型對大樣本進行分析，提出資產負債率、固定資產周轉率和營業收入增長率等對財務困境有較強的預測作用。王海峰（2018） 在文獻中基于優化的BP神經網絡算法討論企業財務管理中的風險預測及處理。賈小平（2018）在文獻中將計量經濟學的回歸分析法與企業財務分析相結合，預測某管網企業在現有資產規模采取統購統銷模式下盈虧平衡點的銷售量數值及管輸價格。李偉杰（2018） 在文獻中把我國的上市公司作為主要研究對象，以 2011-2017年的公司財務數據為例，采用多種建模技術構建預測模型。方匡南等（2018） 提出稀疏組Lasso支持向量機方法，并應用到制造業相關上市公司的財務困境預測中。鄭治平（2018） 基于因子分析法提取企業財務風險特征，對相關化肥類上市公司年報數據進行實證分析。綜上分析，目前國內一些學者關于大數據時代財務預測方法的理論論述較多，但對大數據環境中財務預測方法的技術角度給予論述比較缺乏，還需進一步探討。

（二）國外基于大數據環境的財務預測方法研究現狀

2011 年，美國國際數據公司（IDC）在一份報告中正式將“大數據價值”觀念加入到大數據特征中，提出了大數據具有“數量大”、“速度快”、“數據類型多樣”、“數據價值小”的“4V”特征。美國東北大學學者巴拉巴西的《爆發：大數據時代預見未來的新思維》一書，分析了如何去理解人類行為時空模式中的觀念和預測問題，做出了“人類行為 93%可以預測到”的判斷。國外文獻中相關學者也深入分析了大數據環境下財務相關預測方法。Yuan X E（2009） 在文獻中引入連續蟻群算法和支持向量機理論，并建立財務預測模型CACO-SVM，利用公司財務數據對該算法進行訓練和測試。Penman S H（2010） 在文獻中闡述財務預測、風險確定和價值評估是會計問題，指出會計不僅提供預測收益的信息，而且要提供預測的收益。Jeanbaptiste H（2016） 在文獻中針對金融行業大數據，提出大數據風險預測模型（MMA-RFM），通過性能優化的實驗評估，驗證所提出的方案。Nyman R（2018） 在文獻中將算法分析應用于基于文本的金融市場數據，利用大數據進行系統風險評估。Cockcroft S （2018） 在文獻中對2007-2016年間47種會計、財務及信息系統期刊進行分析，得出會計和金融領域大數據未被充分研究的領域是風險與安全、數據質量等。通過對國外文獻大數據研究相關資料的梳理，可以發現國外財務預測研究重點放在技術方面。從大數據計劃中可以看出，絕大多數財務預測研究項目都是數據工程，重點放在了大數據帶來的技術挑戰。

（三）基于大數據環境的醫院財務主要預測方法剖析

大數據環境下醫院財務數據具有多樣性，不僅包括傳統財務報表的結構化數據，同時也包括互聯網、物聯網、社交網絡等大數據財務管理系統半結構化數據。面對未來醫院飛速上升的非結構化數據，我們醫院財務人員應該如何獲得有效的財務預測信息？當前大數據相關的建模方法有：有監督學習和無監督學習。有監督學習是從標簽化訓練數據集中推斷出函數的機器學習任務;無監督學習則事先沒有訓練樣本，需要直接對相應數據進行建模。當前在財務預測研究中有監督建模運行更多，具體包括：決策樹、深度學習等算法。與傳統財務預測研究的方法相比，基于大數據環境的醫院財務預測方法主要體現在以下四個方面，如圖1所示：

1、主觀預測法

圖1 大數據環境下醫院財務預測方法示意圖

主觀預測法主要是利用市場調查得到的各種信息，根據預測者個人的知識、經驗和主觀判斷，對預測對象的發展趨勢可能性作出主觀估測的預測方法。對于大數據環境下醫院財務預測而言，主觀預測法偏重于對醫院運營的發展方向和醫院財務分析中各種影響因素的分析，發揮專家經驗和主觀能動性。主觀預測法具體包括：德爾菲法、專家會議法等。其中，德爾菲法是由企業組成一個專門的預測機構，其中包括若干專家和企業預測組織者，按照規定的程序，征詢專家對未來市場的意見或者判斷，然后進行預測的方法。在這里，選擇哪些合適的人員作為專家是采用德爾菲法的重要環節。而專家會議法是指對預測對象有較豐富知識和經驗的人員組成專家小組進行座談討論，互相啟發、集思廣益，最終形成預測結果的方法。但在大數據醫院財務預測中，主觀預測法需要根據問題自身的特點去分析，盡可能地搜集相關財務數據，結合數學方法力爭從數量上作出相關財務測算。

2、回歸分析預測法

大數據環境下醫院財務預測業務環節中，數據已經成為醫院財務人員決策與規劃控制的最關鍵環節。例如：在大數據財務預測統計建模中，回歸分析是根據自變量來預測因變量。判斷自變量與因變量因素相關程度成為醫院財務回歸分析必須要解決的首要問題?；貧w分析按照涉及財務變量的多少，分為一元回歸和多元回歸分析。在醫院財務大數據分析中，回歸分析是指確定兩種或兩種以上變量間相互依賴的定量關系的一種統計分析方法。在大數據分析中，回歸分析是一種預測性的建模技術，它研究的是因變量和自變量之間的關系。醫院財務人員結合變量最終確定的因果關系，可以對財務發展趨勢進行預測分析。

3、傳統時間序列分析預測法

時間序列是指將同一統計指標的數值按其發生的時間先后順序排列而成的數列，其分析的主要目的是根據已有的歷史數據對未來進行預測。財務時間序列包括財務會計報告中現金流量數據、年度銷售數據等。醫院財務時間序列分析所反映的現象是由眾多復雜因素共同作用的結果，不同因素的作用會產生不同的結果。其反映的是一段時間內發展變化過程的總量。針對醫院財務預測而言，財務時間序列分析的主要作用有：（1）描述醫院財務發展狀態和結果;（2）研究醫院財務的發展趨勢和發展速度;（3）對醫院財務進行預測;（4）通過控制、修正和重新設計等方式，達到把握醫院財務發展趨勢的目的。時間序列預測模型包括：移動平均模型（MA）以及混合模型等。在實際財務預測運用中，混合模型具體包括自回歸移動平均模型（ARMA）以及差分自回歸移動平均模型（ARIMA）。傳統統計學時間序列分析預測法對于趨勢性較強的財務數據集效果比較好，但如果遇到趨勢不那么強的醫院財務數據集，則效果不太理想。我們可以考慮用機器學習的方法進行財務預測。

4、機器學習時間序列分析預測法

為提高預測的精度，基于數據的機器學習是大數據環境下財務預測技術的重要方面。機器學習可以根據給定的訓練樣本求出財務預測系統輸入輸出之間依賴關系的估計，使它能夠對未知輸出作出盡可能準確的預測。在這里，醫院財務機器學習時間序列分析預測法的整體流程為：首先，將財務數據集劃分為訓練集和測試集;其次，對于訓練集做特征篩選，提取有信息量的特征變量，而篩除掉無信息等干擾特征變量;再次，應用算法建立相關財務預測模型;最后，結合測試集對算法模型的輸出參數進行優化。具體算法包括：線性回歸模型、決策樹（回歸樹）模型等算法模型。在大數據環境下具體醫院財務預測中，我們可以將機器學習方法和傳統時序預測法結合運用。

通過大數據財務預測方法分析，可以發現大數據環境下醫院財務人員將面臨思維模式與技術挑戰，而如何有效平衡醫院財務管理各相關方的認知，處理好醫院財務預測需求與大數據預測方法模型應用需求之間的矛盾也是當前面臨的主要難題之一。與此同時，基于大數據財務預測方法更多依賴于大數據財務數據來源。按照預測的精細程度，大數據財務預測可以分為不同層級，在不同層級獲得準確的預測結果，關鍵在于宏觀數據和微觀數據、共性數據和個性數據之間的關聯分析。大數據環境下醫院財務預測包括成本管理預測、預算管理預測、風險與結余管理預測、收支結構預測、資產運營預測等。醫院財務人員結合各個部門傳送的不同業務數據，運用大數據預測方法進行有效性分析。根據分析結果深入挖掘醫院成本管理、預算管理、風險與結余管理、收支結構和資產運營等方面財務預測。

三、結束語

通過國內外大數據環境下財務預測方法分析得出：與傳統醫院財務數據樣本相比來看，大數據財務預測過程為醫院財務人員提供了范圍更廣、更多的數據支持。當然，大數據財務預測由于醫院復雜系統本身的不確定性以及突現現象的產生而變得困難，要提高大數據環境下醫院財務預測的準確性，需要不斷的改進和完善相關方法模型，以期更好為醫院發展戰略提供科學依據。希望通過本文的研究和探索，為大數據時代醫院財務預測方法提供理論參考。

參考文獻

[1]景立偉，王彤，王衛琪.傳遞函數模型在醫院業務收入預測中的應用[J].現代預防醫學，2007，（20）：3858-3859+3864.

[2] 張麗湘. 醫院財務預測模型研究[J].管理觀察， 2009（31）：334-335.

[3]趙麗娥，陳氤，譚警宇.云平臺下基于貝葉斯的醫療財務風險預測模型[J].電子技術與軟件工程，2015，（22）：185-186.

[4]王劍，黃錦春.基于稀有事件Logit模型的財務困境預測研究[J].會計之友，2018，（23）：55-59.

[5]王海峰.試論企業財務管理中的風險預測及處理—基于優化的BP神經網絡算法[J].中國注冊會計師，2018，（09）：103-106.

[6]賈小平.計量經濟學回歸分析法在企業財務預測中的應用[J].經濟師，2018，（12）：111+113.

[7]李偉杰.基于理論角度的經典統計財務困境預測模型問題研究[J].納稅，2018，12（33）：151.

[8]方匡南，楊陽.SGL-SVM方法研究及其在財務困境預測中的應用[J].統計研究，2018，35（08）：104-115.

[9]鄭治平.基于模式識別的企業財務風險預測方法[J].商業會計，2018，（06）：25-28.

[10]艾伯特-拉斯洛·巴拉巴西， 巴拉巴西， 馬慧. 爆發：大數據時代預見未來的新思維[M].中國人民大學出版社， 2012.

[11] Yuan X E， Yu Z. Technology Program Financial Forecast Model Based on CACO-SVM[C]. International Workshop on Intelligent Systems & Applications. 2009.

[12]Penman S H . Financial Forecasting， Risk and Valuation： Accounting for the Future[J]. Abacus， 2010， 46（2）：18.

[13] Jeanbaptiste H ， Qiu M ， Gai K ， et al. Meta Meta-Analytics for Risk Forecast Using Big Data Meta-Regression in Financial Industry [C]. IEEE International Conference on Cyber Security & Cloud Computing. IEEE， 2016.

[14]Nyman R， Kapadia S， Tuckett D， et al. News and Narratives in Financial Systems： Exploiting Big Data for Systemic Risk Assessment[J]. Bank of England Working Papers， 2018.

[15] Cockcroft S ， Russell M . Big Data Opportunities for Accounting and Finance Practice and Research： Big Data in Accounting and Finance[J]. Australian Accounting Review， 2018（2）.

[16]李永梅，張艷紅，汪軍.財務預測理論與實務[M].立信會計出版社， 2005.

[17]郎茂祥.預測理論與方法[M].清華大學出版社，2011.