AI算法在企業經營績效預測中的應用研究

王天?林建邦

摘要：當前全球產業結構由“工業型經濟”向“服務型經濟”加速轉型，現代服務業的面貌日新月異。在全球競爭激烈的經濟環境中，現代服務業的經營績效發展在產業結構的轉型中起到非常關鍵的作用。近年來，人工智能技術的發展快速，許多智能化技術已應用于現代服務業之中。本文主要通過人工智能技術，以智能算法優化機器學習，建構出適合我國現代服務業的經營績效預測模型。研究結果顯示，通過智能算法優化的經營績效模型預測能力良好;同時，根據不同經營績效評價指標的預測模型提出重要的影響因素。研究結果可作為現代服務業可持續發展的基礎保障。

關鍵詞：現代服務業;人工智能;經營績效;智能優化;MARS

一、前言

2017年印發的《“十三五”現代服務業科技創新專項規劃，以下簡稱規劃》指出，當前全球產業結構由“工業型經濟”向“服務型經濟”加速轉型，現代服務業的面貌日新月異[1]。隨著大數據時代到來，人工智能（artificial intelligent， AI）技術已應用于現代服務業之中。由此可知，在全球競爭激烈的經濟環境中，現代服務業的發展在產業結構的轉型中起到非常關鍵的作用。

近年來，我國服務業比重快速增長。2019年，服務業增加值占國內生產總值的53.9%[2]，預計到2025年服務業增加值占國內生產總值的比重將達到60%[3]。然而，盡管中國的現代服務業發展迅速，但如果企業沒有做好合理的資源分配，對于經營績效發展進行有效地預測，容易導致企業的虧損，進而造成社會經濟環境的不穩定。

因此，本文遵循《規劃》的總體部署“142”體系框架路線，研究開發現代服務業領域發展的基礎理論和共性關鍵技術[1]。本研究目的主要透過大數據分析技術找出對現代服務業經營績效預測有顯著影響的財務指標，并對比于其他不同產業進行分析提出相關建議，強化現代服務業領域發展理論。最后，研究結論可作為未來我國現代服務業發展的參考依據，為現代服務業可持續發展提供基礎保障。

二、文獻探討

現代服務業相當于除第一、二產業以外的第三產業。基礎理論和共性關鍵技術一直是我國現代服務業發展的薄弱環節，特別是標準規范制定方面相比國際先進水平差距較大，嚴重制約了我國現代服務業企業綜合競爭力的提升[1]。然而，企業經營績效作為評估企業綜合競爭力的主要指標之一，對于現代服務業企業經營績效的預測，便成為是國內外學者廣泛研究的項目之一。

對于企業經營績效發展的預測，國內外學者已提出許多重要的影響因素，同時根據財務指標的屬性，可分為“償債能力”、“營運效率”、“營業成本”、“盈利能力”及“每股指標”等。償債能力指企業對于債務的還款能力。例如：速動比率、產權比率及資產負債率等。營運效率指對于企業對于資產的周轉與利用，可用于評估管理水平和資產運用能力。例如：總資產周轉率、存貨周轉率及應收賬款周轉天數等。盈利能力是代表企業資金應收獲利的能力。例如：銷售凈利率、主營業務利潤率及資產回報率等[4]。每股指標則有每股營業總收入、每股凈資產及每股息稅前利潤等指標。然而，根據過去文獻的探討發現，影響企業經營績效預測的重要因素往往會根據研究對象所屬產業，或者使用的企業實際數據而有所不同，通常會數據分析的不斷嘗試，找出有顯著影響力的變量。現代服務業強調在與顧客密切接觸過程中，讓顧客能體驗到更高附加價值，使顧客愿意持續消費，維持企業的正常發展。因此，關于顧客關系或企業結構流程方面的財務指標，對現代服務業經營績效同樣起到非常重要的影響作用。

三、研究設計

（一）研究流程

本文依據國家政策對AI發展的總體思路，通過國內外文獻搜集與研究，結合對現代服務業企業的調查研究，采用AI方法進行反復自動驗證，計算對企業經營績效預測影響變量的重要性，以確定顯著的建模變量。進一步采用AI智能算法優化，為現代服務業企業尋找合適的經營績效預測模型。最后，根據研究結果做出經營績效管理與企業發展的建議，為現代服務業可持續發展提供可行的、便于操作的指導方針，研究流程如圖1所示。

（二）研究數據

根據《規劃》的指導意見可知，文化和旅游產業的需求潛力大，是現代服務業積極發展的應用領域之一。本研究選取2016 - 2018年Wind數據庫中文化、旅游等業務符合條件的上市公司作為研究樣本。同時，經過文獻匯總之后，以企業經營績效最常用的3種評價指標：凈資產收益率（ROE）、資產收益率（ROA）、每股收益（EPS）[5]作為預測模型的應變量;另外，從數據庫中挑取出過去文獻曾經提及，對企業經營績效有顯著影響的財務指標作為自變量的候選列表，并進一步篩選出建模的變量組合。

（三）研究方法

隨著大數據AI技術快速發展，傳統的分析方法開始被智能優化方法取代。近年來，學者基于自然界的生物覓食過程提出許多群體智能算法。其中，學者潘文超（2011）提出的果蠅優化算法（fruit fly optimization algorithm，FOA）計算簡單、尋優能力強且能有效優化預測的準確度，受到學者廣泛的討論并應用于不同領域的優化上，都有非常不錯的表現[6]。此外，本文采用AI學習方法――多元自適應回歸樣條法（multivariate adaptive regression splines， MARS）的方法建構模型，用來預測現代服務業企業經營績效發展。MARS是Friedman（1991）提出的一種分段擬合的回歸方法[7]。MARS主要是通過節點講樣本空間劃分為不同的子集，再重新組合為預測模型，適用于高維度的預測;同時，MARS的另一個特性是可以計算出自變量的重要性。因此，在強調研發現代服務業的共性關鍵技術上，本文結合FOA優化MARS的方法，進一步提升現代服務業企業經營績效預測模型的精確度。

四、實證結果

（一）變量重要性

特征選擇為影響模型預測力的重要程序之一。本文為確保預測模型的預測力，在建構經營績效預測模型之前采用二階段特征選擇。首先，采用多元回歸篩選出對應變量有顯著影響的建模自變量，接著，在FOA優化MARS建模過程中進一步計算自變量的重要性，確認對不同經營績效評價指標有重要影響的變量（如表1所示）。

由表1可知，經過二階段特征選取方法，不同的評價指標的重要變量也不盡相同。除了“全部資產現金回收率（重要性100）”同時為3個預測模型的重要變量外，影響EPS模型的重要變量還有“每股營業總收入”與“總資產周轉率”;同時對ROA與ROE模型有影響的重要變量為“每股息稅前利潤”與“每股凈資產”。另外，“流動比率”與“銷售凈利率”對ROA模型有影響;“營業成本率”與“經營活動現金流量凈額占比”則是對ROE模型有影響。

（二）優化后經營績效預測模型

本文以FOA優化MARS預測模型，訓練集與測試集的預測誤差（RMSE）整理如表2所示。由表2可知，FOA優化后的3個應變量的經營績效模型預測誤差相對較小，建模結果可以適用于現代服務業經營績效預測。

五、結論與建議

我國正在積極發展現代服務業。雖然國家出臺許多政策扶持，現代服務業企業更應該由企業內部出發，尋求有效的發展。本文遵循《規劃》的總體部署“142”體系框架路線，

采用AI技術建構現代服務業經營績效模型，經過智能優化后的預測模型，皆能獲得較好的預測效果。另外，財務指標常被用于預測經營績效發展，但不同分類的財務指標對于不同評價指標的經營績效模型，影響的程度也略有差異。

由研究結果可知，“全部資產現金回收率”在3個模型中都是最重要的，表示現代服務業企業在預測經營績效發展時，應該著重于確認企業全部資產產生現金的能力，獲取現金能力越強，經營管理水平越高。除此之外，“總資產周轉率”在EPS的預測模型中相對較ROA與ROE預測模型具有影響力，表示在進行EPS預測時，可以多嘗試利用營運效率方面的財務指標;在ROA的預測模型中，“償債能力（速動比率）”與“盈利能力（銷售凈利率）”相對重要;而ROE的預測中，更重視“營業成本”類指標的運用。

基礎理論和共性關鍵技術一直是我國現代服務業發展的薄弱環節，本文通過收集實際的現代服務業數據，以AI智能技術建構經營績效發展的預測模型，為現代服務業理論研究和共性關鍵技術提出有效建議，可作為現代服務業可持續發展的參考。

本文對于現代服務業經營績效發展提出系統化與專業化的研究方向，惟過程中仍有部分不足。未來建議可再加入更多現代服務業的企業數據及有關研發與人力資源相關的變量，以增加預測模型的有效性與完整性。

參考文獻：

[1] 科技部.《“十三五”現代服務業科技創新專項規劃》解讀[EB/OL]. http：//www.most.gov.cn/kjbgz/201705/t20170516_132783.htm. 2017-05-16/2020-05-30.

[2]國家統計局.年底數據-國產總值[EB/OL]. http：//data.stats.gov.cn/easyquery.htm？cn=C01&zb=A0201&sj=2019.2020-01-17/2020-05-30.

[3] 國家發展改革委.發展改革委關于印發《服務業創新發展大綱（2017—2025年）》的通知[EB/OL]. http：//www.gov.cn/xinwen/2017-06/21/content_5204377.htm. 2017-06-21/2020-02-01.

[4] 李琨.財務指標分析在審計實踐中的應用[J].現代商業，2011（6）：229.

[5] Téllez， D.， González， M.， Guzma?N， A.， Trujillo， M.A. What do you say and how do you say it： Information disclosure in Latin American firms[C]. Documentos de Trabajo CIEF 016358 Universidad EAFIT， 2017.

[6] 潘文超.應用果蠅優化算法優化廣義回歸神經網絡進行企業經營績效評估[J]. 太原理工大學學報（社會科學版）， 2011， 29（4）：1-5.

[7] Friedman， J.H. Multivariate Adaptive Regression Splines[J]. The Annals of Statistics， 1991， 19 （1）： 1-67.

基金項目：廣東省教育廳普通高校特色創新類項目（2018WTSCX226）;廣東省哲學社會科學學科共建項目（GD18XGL33）;科研創新團隊階段成果（團隊號：2018TD05）。