基于機器學習的預算管理預測研究

黃坤

【摘要】? ? 預算管理有助于公司更好的控制費用。目前，對預算的預測主要是各單位財務人員根據單位自身的情況以及經驗進行估算，在實際的操作過程中受限于財務人員的主觀性，預算往往存在較大的偏差。機器學習算法能夠根據歷史預算使用情況來預測未來的預算，具有比財務人員預測更強的客觀性，因此本文研究機器學習中的支持向量機模型對預算的預測。本文基于支持向量機設計預算管理的預測模型，采用遺傳算法對各個參數進行優化，在樣本外的測試中，RMSE為 2496.82，優于BP神經網絡模型以及隨機森林模型。

【關鍵詞】? ? 預算管理? ? 預算預測? ? 機器學習

一、緒論

預算管理作為企業績效管理體系（EPM）的重要環節，是推進企業持續發展和戰略目標實現的重要手段之一。在具體實現上，有五個環節，分別為預算目標確定、預算編制、預算執行監控、預算調整和預算分析。 預算管理有助于公司更好的控制費用，對財務等進行規劃。對于公司而言，資金的需求與供給之間可能存在不確定性，特別是公司處于發展期間，短期的資金短缺可能影響公司的業務發展，因此對預算進行管理是公司業務得以順利發展的重要保障。而預算管理的基礎是對預算進行預測，根據各單位的預測結果進行有序的規劃與監督。目前，對預算的預測主要是各單位財務人員根據單位自身的情況以及經驗進行估算，在實際的操作過程中受限于財務人員的主觀性，預算往往存在較大的偏差。隨著大數據的發展，充分利用單位的數據，并采用機器學習模型對公司的各項數據進行預測成為準確預估公司預算的重要手段。機器學習算法能夠根據歷史預算使用情況來預測未來的預算，具有比財務人員預測更強的客觀性，因此本文研究機器學習中的支持向量機模型對預算的預測。

二、機器學習研究

機器學習模型根據歷史數據中蘊含的規律，對系統的未來進行預測。常用的機器學習模型包括支持向量機模型、隨機森林模型、BP神經網絡模型等。

2.1支持向量機模型

最早的支持向量機理論是為了解決二分類的問題。Vapnik于1995年最早提出了該理論，并且通過嚴格的數學推導進行了求解。這種分類問題樣本可以用如下的數學公式進行表達：

而分類器的目的是尋找一個學習函數f（x），當輸入是x時該函數的輸出為y，y的取值為-1或1，分類器的目標是盡可能的能夠識別該樣本的正確類型，也就是y的正確取值。一般而言，分類問題可以采用線性的方式或者非線性的方式進行建模分析，支持向量機也支持這兩種方式。對于非線性的問題，支持向量機使用，將該樣本數據集映射到更高的維度空間，在更高的維度空間重，構建切分子空間，對樣本的分類問題進行求解，可以采用以下公式進行建模。

2.2隨機森林模型

隨機森林是一種應用較多的有監督學習算法，其性能較好，預測精度也較高，在很多領域得到了廣泛的應用。回歸樹的基本屬性原理便是將一系列輸入屬性x1，x2映射為最終的輸出，可以用如下公式進行表達：

隨機森林模型會針對不同的樣本屬性來進行劃分，比如選擇某個特征A，當該特征取值為a時，可以劃分為屬性等于a以及屬性不等于a的兩個集合，然后分別計算基尼指數，如（2-4）所示：

2.3 BP神經網絡模型

BP算法是一種典型的前饋網絡，能夠解決各類線性的或者非線性的問題，并且能夠對抗各類樣本噪音的干擾。一般而言，BP神經網絡具有三層或者三層以上的網絡結構，每一層網絡由神經元組成，這些神經元相互連接，形成網絡。該網絡具有一定的學習功能，首先把樣本通過輸入逐層傳遞到輸出，然后根據預測結果與正式結果的差異，按照反方向反饋到網絡結構中，并調整網絡結構中的各項參數，并按照（9）修改連接權值：

其中是節點j到節點k在t+1步的權重，是節點j到節點k在t步的權重，是學習率，是節點j的輸出。

三、基于支持向量機的預算預測模型構建

本文構建預算管理的預測模型，主要用于對項目的月度預算進行預測，其方式主要通過建立時間窗口，然后基于對下一個月的預算進行滾動預測，通過預測的結果分析，將其納入到對整個項目預算生命周期的管理中。從預測的周期來看，由于采用滑動時間窗口，可以實現連續的滾動的預算預測，對項目整個生命周期以及每月的預算都可以進行預測，然后基于模型的預測結果，編制相應的預算文件。在進行滾動預測的時候，主要將項目的各項經營指標作為模型的輸入，然后模型會生成以下一月度預算為基礎的輸出結果，基于數據結果可以分析項目的盈利以及現金流的相關情況，并建立預算的管理目標。通過對月度的財務預算進行預測，能夠為整個項目編制預算提醒提供參考。通過審閱每個月預算與實際執行情況的差異，能夠保障預算目標的正確執行。以此為基礎，才能解決整個項目周期內預算情況的正常推進，對整體的收入、成本、稅金等進行控制。一般而言，在對項目預算進行滾動預測時，采用4+N的方式進行，主要基于前4年的情況來進行預測，并進行更新。

本文采用支持向量機模型構建預算預測模型，支持向量機模型存在以下參數。

為了能夠得到支持向量機模型的最優參數，本文基于遺傳算法對模型進行最優化。遺傳算法模擬生物界的進化方式，通過迭代的方式不斷生成新的種群，然后不斷接近最優解。本文為了檢測模型的預測精準性，主要采用均方根誤差以及平均絕對誤差進行衡量。其中均方根誤差的定義如（10）所示。

四、實證分析

本文采用某公司的預算歷史數據進行實證分析，對每個月的預算進行預測。采用遺傳算法求取該模型的最優參數，如表2所示。

樣本外預測如圖1所示。可以看到，樣本外預測的結果與預算的真實使用之間的誤差較小，經過計算可以得到該模型的RMSE為 2496.82。

為了對比分析支持向量機模型的有效性，采用BP神經網絡以及隨機森林模型進行樣本外預測，得到下圖。

可以看到，BP神經網絡與隨機森林的預測效果相對較弱，其中BP神經網絡模型的RMSE為3416.36，隨機森林的RMSE為3126.65，支持向量機模型的預測效果較好。

五、總結

本文基于支持向量機模型設計預算預測模型，通過實證分析檢驗了本文設計模型的有效性。通過與BP神經網絡、隨機森林等模型進行對比分析，驗證了本文設計模型的有效性。

參? 考? 文? 獻

[1]賴婧， 歐通澤. 基于數據挖掘的電網企業收入預算預測系統研究[J]. 金融經濟， 2019， 502（04）：199-200.

[2]孫云山， 劉照德. 基于稀疏組Lasso懲罰函數支持向量機的經費預算困境預測[J]. 統計與決策， 2019（23）：19-23.