基于ERP平臺的公立醫院財務風險預警模型研究

王迎輝

(首都醫科大學附屬北京康復醫院,北京 100144)

0 引言

企業資源計劃系統(ERP)在公立醫院管理體系中,可以提供各部門及各設備的詳細運行信息。即其內建組件中,業務流程管理體系可以提供公立醫院各部門的經營性賬目信息,其設備定制化系統中,可以將內建細節賬目進行分別控制。所以利用ERP系統可以實現對公立醫院運營管理細部數據的逐一管理。ERP系統對醫院的運營管理和資金流量的管理都能夠起到很好的監督作用,系統的基本理念也是為企業的發展創造良好的管理模式,利于企業的風控管理和其他的業務的開發管理,也為企業的發展和企業的業務提升創造良好的發展環境。

而傳統財務風險管理體系下,投融資現金流風險、設備投資回收風險和管理過程控制風險是公立醫院財務風險的3個重要控制要素。該研究重點就上述3個財務風險控制因素的ERP大數據應用模型進行優化改進,探索公立醫院財務風險管理的新型財務內審模型。

1 ERP平臺大數據資源中財務風險預警的支持途徑

ERP系統作為企業中最常用的管理信息系統之一,ERP系統的管理客體是業務流程,其主數據表中每一條數據均為其管理流程中的節點信息。其數據關聯結構構建在業務種類對照表、管理員工作單位及職務信息對照表和涉財務業務發生金額等,如圖1所示。

圖1 ERP系統大數據的財務內審工作流程

圖1中,系統的大數據財務的內審工作流程主要是采取了工作流程圖的形式,以申請人作為基礎來開展相關的業務模式,逐級進行分管,達到財務內審的標準和規范。通過邏輯標志法、關鍵字查詢法、分類統計法等統計學方法,可以從ERP大數據中提取以下信息:

1) 關鍵設備的應用頻率和營收情況。為提供檢查、化驗所需的技術服務,公立醫院一般會購買諸多大型關鍵設備,如磁共振設備、X光及CT掃描設備、介入介導設備、蛋白質及核算檢測設備等,這些設備采購價值一般達到數十萬至數百萬不等。而通過ERP系統大數據,可以獲得這些設備在實際診療過程中的應用情況,根據服務單價和服務次數,可以獲得不同科室為設備提供的回款進度。

2) 一次性醫療器械及藥品的進銷存情況。注射器、一次性手術器械、導管等一次性護理器械、病房用藥、急診用藥、手術室用藥、門診處方等信息,可以明確給出各科室的一次性醫療器械和藥品的流動效率,且可以做出詳細的數據匯總統計。

3) 投融資數據管控過程中,設備融資租賃、藥品供應鏈、固定資產質押等均可以根據ERP系統做出內審大數據管控。通過ERP系統的設備定制化功能模塊,可以將上述投融資行為具體到設備、科室等。

2 財務風險的模型基函數搭建

財務風險的傳統控制工作流程是企業內審工作流程,但該研究中為了充分提升該風險值的估計能力,考慮到諸多不完備數據的影響,且在邏輯關系不完備的前提下將更多ERP系統中的數據應用到評價模型中,所以需要構建一個機器學習模糊神經網絡模型對其進行控制。機器學習模型可以對系統的財務風險進行預警,在各個環節的模擬下完善對于財務風險控制體系的模式,對財務風險進行管控,達到財務管理的目的。

2.1 投融資現金流風險

醫院常用的投融資工具,包括設備金融租賃工具(Ls),藥品及一次性器械的供應鏈金融工具(Sc)、固定資產質押貸款等(Fn)。其中:

1) 金融租賃的使用方法為由金融機構提供不少于70%的設備采購款項,設備所有權在運作初期歸金融機構所有,醫院作為融資方通過協議租賃的方式每周期向金融機構繳納租金,租賃期滿后,該設備所有權移交給醫院。金融租賃的財務風險保障措施為設備當期服務收益大于當期租金,如式(1):

(1)

式中,S(i)為該設備提供第i次服務的價格,i遍歷該財務周期內該設備提供服務的次數,Ls(x)為當期(第x期)設備金融租賃費用,m(x)為當期(第x期)設備預期利潤率。

2) 供應鏈金融的使用方法是由醫院建立一個供應鏈基金賬戶,其中醫院作為融資方提供至少30%資金量,金融機構提供最多70%資金量,該賬戶涉及到的進銷存過程由雙方共管。供應鏈金融的財務風險控制措施為確保醫院投資得到有效回收,如式(2):

(2)

式中,E(i)為該批次(第i批)物資的總銷售收入,B(i)為金融機構提取的銷售收入,F(i)為該批次物資的醫院總投入,m(i)為預期利潤率。

3) 質押貸款的使用方法為醫院通過固定資產質押的方式獲得自由資金支持,其當期庫存現金可以滿足質押貸款的應付利息和到期本金的支付需求。該控制方法較為簡單,此處不再展開基函數公式。

2.2 模糊神經網絡模型

設備投資回收風險的控制過程的本質是對前文中m(x)變量的控制過程,即設備的實際服務收益變化趨勢,通過回歸分析后,發現其變化趨勢,以判斷第x+1期是否可以繼續滿足該設備的財務風險控制需求。此時可引入多列神經網絡統計方法對x+1期、x+2期、x+5期的數據進行深度迭代回歸分析。該分析架構如圖2所示。

圖2 設備投資回收風險多列神經網絡架構圖

圖2中,選取特定設備近n期的m(x)數據,實現對前推第1期、第2期、第5期的數據預測值,多列神經網絡共分為3列,每列服務一個輸出值,且3列神經網絡的架構完全一致,僅其收斂方向根據分析需求和前期訓練有不同方向的收斂。該模型中共截取前6期數據,即每列神經網絡的輸入層共6節點,隱藏層4層,分別給出7節點、11節點、5節點、3節點的隱藏層架構,其節點函數均選擇多項式函數進行節點設計,如式(3):

(3)

式中,Xi為前一層神經網絡節點的第i個輸入量,Y為該節點的輸出量,j為多項式階數,Aj為第j階多項式的回歸系數。

該神經網絡的輸出值為m(x)的預期值,當預期值低于設計值時,給出預警。此時也應采用神經網絡算法,根據各科室的前n個周期的收益能力變化情況作出卷積回歸評價。其輸入數據為該科室對應的式(1)和式(2)中的m值。通過卷積神經網絡的方式,將上述n個財務評價周期內的2n個數據進行卷積,輸出一個評價數據。該神經網絡的節點基函數同式(3),假定以前6期數據作為參照數據,其輸入項為12個,隱藏層5層,分別為17節點、23節點、19節點、11節點、3節點。該神經網絡的輸出值訓練收斂到[0,1]區間上,當科室管理風險評價接近0.000時,認為風險較低,當科室管理風險評價接近1.000時,做出風險預警。

3 模型運行效果實證

在MATLAB平臺上運行該神經網絡模型,其輸出的風險預警值處于[0,1]區間上,將考察同期的庫存現金余額、資產負債率、投資回收效率等數據也通過線性投影算法投影到[0,1]區間上進行數據比較,得到如圖3結果。

圖3 模型分析結果的實證結果圖

為評價模型運行的效果,對醫院財務的評價指標進行敏感性分析,對本模型分別設定費用+10%、+15%,相應效益不變;效益增減-10%、-15%,相應費用不變;費用+10%,相應效益-10%等條件,社會折現率取8%,對模型進行了敏感性分析,見表1敏感性分析指標表。

表1 敏感性分析指標表

圖3中,以該評價結果為自變量,庫存現金余額基本呈現冪次逆相關關系,資產負債率基本呈現線性正相關關系,投資回報率基本呈現線性逆相關關系。形成了表1所示的敏感性分析的指標表,分析此模型的實證結果,即該模型與資產負債率、投資回收效率等線性相關,與庫存現金余額敏感相關。

4 總結

該研究將控制變量較為簡單的投融資現金流風險使用杜邦法進行分析,得到3個分析結果,根據該3個結果,對控制變量較為復雜的設備投資回收風險和管理過程控制風險使用神經網絡分析法進行過程簡化,提供更細致的分析結果。公立醫院投資較大、管理體系較復雜,財務風險控制難度較大,該方案可以利用較小的算力實現其財務風險的實時評價。后續研究中,根據ERP數據還可以生成評價周期更短,數據依賴性更小,分析精度更高的財務風險控制模式。