基于灰色系統理論的財務風險評估方法

陳友嫻

(南京中醫藥大學附屬醫院， 江蘇省中醫院， 江蘇， 南京 210000)

0 引言

物聯網技術的廣泛應用帶動了各行各業的生產水平的提升，同時也給企業的安全帶來了全新的挑戰。在物聯網技術不斷發展的形式下，其存在的弊端也日益呈現，網絡安全問題成為炙手可熱的話題[1]。由于市場經濟制度的不斷完善，市場競爭的壓力與日俱增，企業的財務保護和風險評估變得十分重要[2]。在當今背景下，很多中小型企業的財務風險評估體系存在諸多薄弱環節，隨時會發生不可控因素引起的資產損失，嚴重影響和制約企業信息化的發展[3]。

針對上述存在的問題，文獻[4]發布了一種基于數據包絡分析模型的評估體系，雖然在一定程度上財務風險評價效果不錯，但效率值域受限且難以進行縱向指標對比評價。文獻[5]提出了一種基于模糊推理算法的評價體系，雖然評價全面、整體性強、算法過程簡單，但是評價準確率低。為此，本研究基于灰色系統理論構建財務風險評估模型，利用灰色系統理論對財務風險進行預測，并采用數據包絡分析模型優化灰色系統權值系數。

1 財務風險評估分析

在對財務風險進行評估時，為了量化風險，本文構建了財務風險模型，能夠將財務風險中存在的各個因素直觀地描述出來，能夠使網絡信息安全存在的威脅和漏洞直觀地表達出來，進而預防事故的發生。

為了預防安全事故的發生，必須根據安全需求實行保險措施，將財務風險控制到最低，保障財產的安全[6]。財務風險評估各個因素關系圖如圖1所示。

1.1.2 父本來源。父本由皖芝2164 Co60輻射誘變系選，單稈型，一般株高160 cm。葉綠色，白花，一葉三蒴，蒴果四棱，單株蒴果數82.5個。始蒴部位較低，中長果型，結蒴較密，每蒴粒數60.8粒左右，千粒重3.02 g，種皮白色。耐旱性較強，抗枯萎病。正常夏播全生育期90 d左右。2013年參加安徽省區試，平均產量為1 479.0 kg/hm2，比豫芝4號增產0.68%。2014年通過安徽省鑒定。

從圖1可以看出，整個企業的經濟運轉依靠財產，財產具有價值，財產越豐厚則價值越大，同時財產也具有脆弱性，財產過多脆弱性則容易暴露。根據財務風險可以提出安全要求，安全需求的成本由財產價值提供，通過滿足安全需求得到保險措施。保險措施能夠防御威脅和降低財務風險，但當保險措施存在殘缺，會存在殘余風險且會進一步導致安全事故的發生[7]。

圖1 財務風險評估各個因素關系圖

在對財務風險信息進行評估時，本文先對財務風險信息進行識別，進而發現威脅發生的頻率賦值，識別脆弱性并對脆弱性的強度賦值。根據已有的保險措施進行風險分析，判斷整個財務管理系統是否能夠承受該風險，得出結論并進行下一步具體實施。風險評估的過程示意圖如圖2所示。

圖2 關于風險評估實施流程圖

2 關鍵技術

2.1 灰色系統理論

灰色系統的核心思想是通過整理已知信息尋找規律，并通過這種內在規律進行信息預測[8]。本研究的財務風險灰色系統構建的基本預測數學模型步驟如下所示。

調整后的Q值用于圖1來確定合適的邊墻支護參數。 加筋噴混的厚度、 間距和鋼筋的數量和直徑都必須根據地下洞室的尺寸和巖體質量而變化。

假設財務風險原始序列為X0，其表達式為

3.3.1 積極營造適合中職生學習的課堂環境 良好的環境對心理調節和行為規范有積極作用，包括物質環境和心理環境。物質環境：主要是指教室布置。應按照專業特點合理規劃，設計與專業有關的內容，保持教室的整潔，從而增強學生的責任感。心理環境：和諧的課堂氛圍對于學生良好行為習慣的養成具有重要影響。課堂氣氛和諧融洽，教師講課心情愉悅，學生就容易受到感染，不僅課堂問題行為很少，還能促進其學習與交流。

式中施加力F，壓電應變常數[d]，尺寸參數為L*W*H，介電常數ε，由上述方程式可知所產生的電壓幅值與壓電陶瓷的外形尺寸、性能參數以及所受壓力密切相關。

X0=(x01，x02，…,x0n)

(1)

將得到的財務風險原始數據信息序列進行累加，最終輸出的新序列為

X1=(x11，∑2n=1x12，…,∑nn=1x1n)

(2)

【查閱資料】制作固體酒精時，用由硬脂酸和氫氧化鈉反應生成的硬脂酸鈉作為凝固劑，再加入酒精，酒精填充在硬脂酸鈉骨架間隙中，即可得到固體酒精。固體酒精在較高的溫度下燃燒時，硬脂酸鈉可完全轉化為硬脂酸和氫氧化鈉，硬脂酸和酒精均可完全燃燒生成二氧化碳和水。

其中，ε表示非阿基米德無窮小量，S-r與S+S分別表示減少的投入向量與增加的產出向量。

x0i+ax1i=bi

(3)

其中，k是1到n之間的任意自然數。通過累減計算進行還原得到財務風險灰色系統模型的最終形式為

a=[a,b]T=(BTB)-1BY

(4)

B=-x111

-x121

??

-x1n1,Y=x01

x02

?

x0n

(5)

由式(3)確定白化方程為

dX1dt+aX1=b

(6)

通過對財務風險原始序列X1離散化得到X1(t)，由式(6)確定時間t的響應式為

x1(t)=x0(t)-bae-at+ba

(7)

進而由時間響應式得到時間相應序列為

1(k+1)=X0(1)-bae-ak+ba

(8)

其中，a和b都是財務風險灰色系統模型中的參數，具體參數運算為

(2)計算財務風險樣本數據的殘差值u(k)和殘差平均值：

0(k+1)=x0(1)-ba(1-ea)e-ak

(9)

0(k+1)=w1(k+1), 0≤w≤1

(10)

其中，w表示財務風險預測權重值。在得到最終形式的財務風險灰色系統模型后，為了驗證財務風險灰色系統模型預測的準確性，通常在過程中對財務風險灰色系統模型進行檢驗。本研究采用后驗差檢驗法驗證財務風險灰色系統模型的精準度，其過程如下。

(1) 計算財務風險樣本數據的平均值x-和均方差S21：

x-=1n∑nk=1x0(k)

(11)

S21=1n∑nk=1(x0(k)-x-)2

(12)

慢性阻塞性肺疾病是比較多見的疾病,因為氣流受限,不完全可逆等導致了患者的肺部疾病。患者還會合并右心功能衰竭,大部分都是因為慢性阻塞性肺疾病所導致的?；颊呒毙园l作期優于缺氧和二氧化碳潴留導致了肺動脈痙攣,血液粘度上升,高凝和血栓前狀態,肺部通氣受到影響,肺功能衰竭,心衰難以控制,因此抗凝和降低肺動脈壓是治療的關鍵。

u(k)=x0(k)-0(k)x0(k)

(13)

=1n∑nk=1u(k)

(14)

(3)計算財務風險樣本數據的均方差S22和2個均方差之比C：

S22=1n∑nk=1(u(k)-)2

(15)

C=S2S1

(16)

(4)通過財務風險樣本數據的殘差值與平均殘差值算出誤差概率P為

P={u(k)-<0.674 5S1}

(17)

由上述過程得到均方差之比C與誤差概率P，根據這兩個參數來檢驗財務風險灰色系統模型預測的準確性，檢驗等級標準如表1所示。

表1 灰色系統模型檢驗等級標準

在表1的計算過程中，如果均方差之比C越小，誤差概率P越大，那么財務風險灰色系統模型的預測精度就越高。雖然灰色系統理論在很多方面效果很好，但依然存在某些缺陷。

2.2 數據包絡分析模型優化

為了使財務風險灰色系統模型的預測結果能夠得到進一步地優化，本研究采用數據包絡分析(DEA)模型進行改進，有效地克服了財務風險灰色系統模型的預測結果的缺陷，減弱了隨機財務風險數據干擾的影響，使評估結果更加科學合理。

通過式(1)、式(2)得到財務風險灰色系統模型的基本形式為

在DEA強化模型中，當zj=1且減少的投入向量與增加的產出向量均為0時，說明財務風險獨立決策模塊Mj相對效率達到最高，無法進行優化;當zj<1且減少的投入向量與增加的產出向量均不為0時，按照實際減少的投入向量與增加的產出向量的值進行調整，實現DEA模型對財務風險灰色系統模型的預測結果的優化。

將字母j表示為用戶可以任意設置的自然數，則存在一組財務風險獨立決策模塊Mj，其投入向量xj與產出向量yj表達式為

xj=(x1j,x2j,…,xrj)T

yj=(y1j,y2j,…,ysj)T

(18)

其中，r與s均為自然數。假設Aj與Bj分別表示投入指標的權重向量與產出指標的權重向量，則財務風險獨立決策模塊Mj的相對效率為

zj=∑sj=1Bjysj∑rj=1Ajxrj,j=1,2,…,n

(19)

通過選取合適的投入權重與產出權重，使得相對效率小于等于1。通過Charnes-Cooper對式(19)變換得到線性方程組，即為DEA基礎模型：

minzj

DEA∑nj=1kjxrj≤zjxrj

∑nj=1kjysj≥yrj

kj≥0

(20)

其中，kj表示財務風險獨立決策模塊Mj的決策變量。由于單純的DEA基礎模型優化效果十分有限，本研究在式(20)的基礎上引用非阿基米德無窮小量等參數，得到DEA強化模型：

大多數剖腹產手術患者因對手術了解不充分,存在緊張、焦慮、恐懼等不良心理,非常不利于術后康復。因此,護理人員要將手術的相關知識及手術注意事項向患者詳細的講解,協助做好術前各種檢查;指導患者學會有效咳嗽,避免震動傷口;同時,認真傾聽患者的主訴,給予細致的解答,盡量滿足她們的訴求,給予親人般關心和安慰,消除她們術前、術中、術后各種不良情緒,樹立樂觀的心態,積極配合臨床治療與護理,爭取早日康復。

minzj-ε∑nj=1S-r+∑nj=1S+s

DEA∑nj=1kjxrj+S-r=zjxrj

∑nj=1kjxrj-S+s=ysj

kj≥0S-r≥0,S+s≥0

(21)

（5）新材料輔助的轉基因定量檢測技術。從近年來的轉基因食品分析檢測技術研究實踐而言，提出了使用新材料輔助進行檢測的技術，比如納米技術不僅能夠降低背景值，還能夠提高檢測的準確性。除此之外，利用氧化石墨烯、納米金粒子以及量子點等，輔助檢測作業。Zhu等[5]基于GD的特點，優先結合單鏈DNA的能力，構建了檢測系統，驗證了GD的應用價值。

DEA的原理在于將每種財務風險看作是一個獨立的決策模塊，利用投入和產出之間線性關系計算得出相對效率，并對相對效率進行分析。DEA基礎模型的構建過程如下。

2.3 財務風險指標體系的構建

本研究通過構建財務風險指標體系進行風險評估，財務風險指標的選取要遵循實用性和可行性，目前對于財務風險指標分類沒有一個確定的標準，本研究構建出的一套財務風險指標體系如表2所示。

表2 財務風險指標體系

從表2可以看出，將本研究構建出的整個財務風險指標體系劃分為財務指標和非財務指標等不同的類型，這些數據類型包含了資產利潤率、資產周轉率等10個財務指標，利率風險、市場周期律等6個非財務指標。

3 實驗與分析

3.1 實驗環境與數據樣本

關于實驗的硬件環境為Pentium(R)CPU、8核16G內存、512G的硬盤容量;操作系統為Windows 10、JDK 5.0，通過MATLAB軟件系統進行仿真。

聯動的PLC、2套步進電機、1塊觸摸屏、1套鎖付機及相關的外圍機械組件構成。PLC1為主控制器， 實現自動裝料、自動安裝螺絲等功能；PLC2為從站控制器，實現工作臺前后、左右移動到預訂安裝位置的功能。通過人機界面(觸摸屏)來實時查看系統工作狀態，修改螺絲安裝位置等相關參數。

本研究以某企業最近4年財務實際流向數據作為實驗數據樣本，通過構建財務風險指標體系得到該企業從2016年到2019年的財務數據樣本如表3、表4所示。

進行單因素試驗時，一種元素含量作為變量，其余三種元素含量保持不變.試驗中各元素質量分數范圍分別為10%～12%Si，1.5%～3.5%Cu，0.1%～0.3%Mg，0.1%～0.5%Mn.在ADC12鋁合金成分范圍內，采用單因素條件試驗分別向合金中添加不同量的Si，Cu，Mg，Mn元素時，考查合金力學性能的變化情況.在4種元素質量分數為10%Si，1.5%Cu，0.1%Mg，0.1%Mn的條件下，分別進行Si，Cu，Mg，Mn添加量對鑄態合金抗拉強度與延伸率影響的單因素試驗，試驗結果如圖2～5所示.

表3 企業財務指標數據樣本

表4 企業非財務指標數據樣本

表3和表4中的權值w由式(10)計算得出。

3.2 實驗內容與結果分析

在有了實驗數據樣本后，下面將通過MATLAB軟件來構建財務風險評估模型，關于基于灰色系統理論構建財務風險評估模型的程序如圖3所示。

圖3 財務風險評估模型程序流程圖

根據圖3程序編輯得到財務風險評估模型，以表3中企業2017年營業利潤率財務指標作為對象，輸入預測年份為2021年至2028年，通過對比采用與不采用DEA強化模型的計算權重所耗時間，統計結果如圖4所示。

圖4 計算權重耗時對比曲線圖

從圖4可以看出，采用DEA強化模型進行優化能夠顯著提高計算效率，并且隨著預測年份的變化，采用DEA強化模型計算權重耗時鄰近年份差距不是很大，這是因為DEA強化模型減弱了隨機財務風險數據干擾的影響。實驗結果表明，采用DEA強化模型對財務風險評估模型優化非常實用。

為了驗證本研究基于灰色系統理論的財務風險評估模型比傳統評估模型更加適用，以文獻[5]中提出的模糊推理算法評估模型作為對照，以實際2016年至2019年的財務風險評估值為實驗數據，計算這兩種財務風險評估模型所預測的評估值，并得出結果與真實評估值進行對比，結果如圖5所示。

2.2.4 MRI 完成MRI檢查者62例，其中MRI異常15例；其預測神經系統不良預后的靈敏度為61.5%，特異度為85.7%，陽性預測值為53.3%，陰性預測值為89.4%。

圖5 兩種預測模型與真實評估值對比

從圖5可以看出，模糊推理算法評估模型對財務風險的評估值與真實值相差較大，而本研究所用方法預測評估值與真實值相差較小，為了更加清晰地對比，本研究統計2016年至2019年間的財務風險誤差數值結果如表5所示。

表5 兩種預測模型評估結果對比

從表5可以看出，本研究基于灰色系統理論的財務風險評估模型比模糊推理算法評估模型誤差值要小，在預測2016年時達到最小誤差率4.4%，表明本研究構建財務風險評估方法的精準性高。

4 總結

本文基于灰色系統理論構建了財務風險評估模型，通過分析存在的威脅和漏洞評估財務流失等安全事故帶來的危害程度，充分利用了灰色系統對財務風險進行預測，并融入了數據包絡分析模型優化灰色系統預測效率。最后利用某企業的數據通過實驗驗證了該評估模型的有效性和可靠性。但是本研究仍舊存在一些不足，有待在進一步的研究中改進。