基于BP神經(jīng)網(wǎng)絡(luò)的醫(yī)院財(cái)務(wù)管理算法研究與設(shè)計(jì)

馬宇霆

(河北北方學(xué)院附屬第一醫(yī)院, 掛號(hào)收費(fèi)處, 河北, 張家口 075000)

0 引言

財(cái)務(wù)管理主要包括財(cái)務(wù)規(guī)劃、資本預(yù)算、資金管理、會(huì)計(jì)管理、風(fēng)險(xiǎn)管理、稅務(wù)管理和財(cái)務(wù)監(jiān)督[1]。近年來(lái),隨著經(jīng)濟(jì)體制改革的推進(jìn),企業(yè)開(kāi)始逐漸擺脫政府部門(mén)的直接控制[2]。在加入WTO后,中國(guó)的財(cái)務(wù)管理進(jìn)入了一個(gè)全新的階段[3],企業(yè)對(duì)財(cái)務(wù)管理的重視程度明顯提高。

隨之而來(lái),企業(yè)對(duì)財(cái)務(wù)管理工具的使用也越來(lái)越廣泛[4]。人工智能[5]、大數(shù)據(jù)[6]、云計(jì)算[7]、區(qū)塊鏈[8]和深度學(xué)習(xí)[9]等先進(jìn)技術(shù)在財(cái)務(wù)管理中都有應(yīng)用,這些應(yīng)用主要存在信息化程度低、信息化管理模式滯后、數(shù)據(jù)缺乏共享性等問(wèn)題[10]。其中,李孝清等[11]開(kāi)發(fā)的智能化餐飲企業(yè)財(cái)務(wù)管理平臺(tái),曾榮快等[12]開(kāi)發(fā)的某市公安局財(cái)務(wù)管理系統(tǒng)平臺(tái),主要存在場(chǎng)景化、個(gè)性化不足,財(cái)務(wù)工作人員的溝通能力、創(chuàng)新能力和組織能力等無(wú)法用系統(tǒng)模擬等一系列問(wèn)題。在智能化的醫(yī)院財(cái)務(wù)內(nèi)控管理方面,主流的醫(yī)院財(cái)務(wù)管理方法主要有智能識(shí)別、VPA機(jī)器人、RPA機(jī)器人、AI中心、數(shù)據(jù)算法模型庫(kù)[13]等。目前基于BP神經(jīng)網(wǎng)絡(luò)的財(cái)務(wù)管理的研究成果包括:章銀平[14]以MATLAB作為仿真平臺(tái)、BP神經(jīng)網(wǎng)絡(luò)作為模型算法構(gòu)建出的企業(yè)財(cái)務(wù)分析模型,該模型可對(duì)傳統(tǒng)財(cái)務(wù)管理模式進(jìn)行優(yōu)化;李曉璐[15]提出基于BP神經(jīng)網(wǎng)絡(luò)的企業(yè)財(cái)務(wù)管理風(fēng)險(xiǎn)預(yù)測(cè)實(shí)證分析方法,參考現(xiàn)有的研究成果以確定指標(biāo),借助CSMAR數(shù)據(jù)庫(kù)來(lái)補(bǔ)齊所缺失數(shù)據(jù),利用BP神經(jīng)網(wǎng)絡(luò)篩選出合適的樣本,借助MATLAB等軟件將Logistic回歸預(yù)測(cè)結(jié)果及主成分分析預(yù)測(cè)的結(jié)果與使用BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的企業(yè)財(cái)務(wù)管理風(fēng)險(xiǎn)結(jié)果作對(duì)照。目前的智能化醫(yī)院財(cái)務(wù)內(nèi)控管理研究主要存在的問(wèn)題,除了現(xiàn)有系統(tǒng)過(guò)于落后等問(wèn)題外,最為突出的是財(cái)務(wù)系統(tǒng)本身智能化程度不夠高,以及已有的智能算法的應(yīng)用設(shè)計(jì)創(chuàng)新性不強(qiáng)。

本文從BP神經(jīng)網(wǎng)絡(luò)和醫(yī)院財(cái)務(wù)管理角度出發(fā),在信息化條件下,創(chuàng)新提出一種醫(yī)院財(cái)務(wù)內(nèi)控管理的智能化方法。經(jīng)驗(yàn)證,本文方法在醫(yī)院的財(cái)務(wù)信用預(yù)測(cè)方面具備較好的準(zhǔn)確性。

1 方法

1.1 網(wǎng)絡(luò)模型

神經(jīng)網(wǎng)絡(luò)由多個(gè)神經(jīng)元組成,主要包括輸入層、隱藏層、輸出層、權(quán)重、偏置和激活函數(shù)(Activation Function)等組成部分。輸入層接收的醫(yī)院財(cái)務(wù)數(shù)據(jù),隱藏層處理輸入層輸入的數(shù)據(jù),并傳遞給下一層;輸出層輸出輔助醫(yī)院財(cái)務(wù)決策的結(jié)果數(shù)據(jù)。圖1是一個(gè)典型的3層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。該模型有1個(gè)隱藏層,輸入和輸出層各有m個(gè)節(jié)點(diǎn)。

圖1 BP神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)

圖2是每個(gè)神經(jīng)元模型的結(jié)構(gòu)。xi代表i神經(jīng)元的輸入值,wi代表i神經(jīng)元的連接權(quán)重值,θ是閾值,y代表i神經(jīng)元的輸出值。

圖2 每個(gè)神經(jīng)元模型的結(jié)構(gòu)

由此產(chǎn)生的前向傳播計(jì)算公式如下:

(1)

模型中的每個(gè)神經(jīng)元會(huì)將醫(yī)院財(cái)務(wù)數(shù)據(jù)的計(jì)算結(jié)果通過(guò)一個(gè)激活函數(shù)處理得到輸出。引入激活函數(shù)的目的是增加神經(jīng)網(wǎng)絡(luò)的表達(dá)能力,防止輸入醫(yī)院財(cái)務(wù)數(shù)據(jù)是0、輸出結(jié)果數(shù)據(jù)也是0等類似的僵化的計(jì)算結(jié)果。本文采用Sigmoid函數(shù)作為實(shí)驗(yàn)用的激活函數(shù)。函數(shù)表達(dá)式如下:

(2)

圖3是Sigmoid函數(shù)的圖像。

圖3 Sigmoid函數(shù)的圖像

1.2 網(wǎng)絡(luò)訓(xùn)練

神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程是通過(guò)不斷調(diào)整網(wǎng)絡(luò)中的權(quán)重和偏置來(lái)實(shí)現(xiàn)的,目的是讓網(wǎng)絡(luò)能夠準(zhǔn)確地按照輸入的醫(yī)院財(cái)務(wù)數(shù)據(jù)的預(yù)測(cè)輸出結(jié)果。具體的訓(xùn)練過(guò)程一般包括以下幾個(gè)步驟:

1) 訓(xùn)練用的醫(yī)院財(cái)務(wù)數(shù)據(jù)集預(yù)處理。

2) 隨機(jī)初始化網(wǎng)絡(luò)中的權(quán)重和偏置,將輸入數(shù)據(jù)通過(guò)網(wǎng)絡(luò)進(jìn)行前向傳播,計(jì)算網(wǎng)絡(luò)的輸出結(jié)果,并通過(guò)損失函數(shù)衡量輸出結(jié)果與真實(shí)結(jié)果之間的誤差。

3) 采用梯度下降的反向傳播算法計(jì)算每個(gè)神經(jīng)元對(duì)損失函數(shù)的貢獻(xiàn),并更新網(wǎng)絡(luò)的權(quán)重和偏置,使損失函數(shù)下降。

4) 重復(fù)執(zhí)行以上步驟直到訓(xùn)練誤差滿足預(yù)設(shè)條件或者達(dá)到預(yù)定的訓(xùn)練次數(shù)。

設(shè)l代表隱藏層的節(jié)點(diǎn)數(shù),n代表輸入層的節(jié)點(diǎn)數(shù),k代表輸出層的節(jié)點(diǎn)數(shù),i代表0到9之間的任何常數(shù)。根據(jù)BP神經(jīng)網(wǎng)絡(luò)的參數(shù)調(diào)試經(jīng)驗(yàn),隱藏層的節(jié)點(diǎn)數(shù)須同時(shí)滿足下列3個(gè)經(jīng)驗(yàn)公式:

l

(3)

此外,模型訓(xùn)練前的數(shù)據(jù)規(guī)范化工作非常必要。對(duì)于每一個(gè)輸入神經(jīng)網(wǎng)絡(luò)之前的醫(yī)院財(cái)務(wù)數(shù)據(jù)特征指標(biāo)的歸一化操作,有如下公式:

(4)

其中,Xn代表原始指標(biāo),Xmax代表所有醫(yī)院財(cái)務(wù)數(shù)據(jù)中X的最大值,Xmin代表所有數(shù)據(jù)中X的最小值,Xn( new )是將原始指標(biāo)Xn歸一化得到的新值。

目前,該BP神經(jīng)網(wǎng)絡(luò)方法預(yù)測(cè)被本文用于預(yù)測(cè)醫(yī)院病人的信用等級(jí)數(shù)據(jù)。預(yù)測(cè)功能模塊被內(nèi)置在醫(yī)院的財(cái)務(wù)管理系統(tǒng)的會(huì)計(jì)業(yè)務(wù)和審計(jì)業(yè)務(wù)的操作界面中,主要是在醫(yī)院病人信息旁標(biāo)識(shí)出其信用風(fēng)險(xiǎn)級(jí)別,以此來(lái)輔助醫(yī)院的財(cái)務(wù)決策。

1.3 實(shí)驗(yàn)過(guò)程介紹

本實(shí)驗(yàn)主要使用MATLAB編程軟件來(lái)訓(xùn)練和模擬神經(jīng)網(wǎng)絡(luò)的結(jié)果,數(shù)據(jù)主要來(lái)自醫(yī)院財(cái)務(wù)管理系統(tǒng)中抽取的一部分財(cái)務(wù)信用數(shù)據(jù)。從本質(zhì)上來(lái)說(shuō),信用是短期融資的一種,屬于特殊類型的付款承諾,但是,這種承諾缺少抵押擔(dān)保的保證。因此,醫(yī)院在信用交易的過(guò)程中存在一定風(fēng)險(xiǎn)。醫(yī)院一般會(huì)采用信用狀況調(diào)查的方式來(lái)獲取賒銷病人的信用狀況,并在此基礎(chǔ)上分析對(duì)某病人開(kāi)展賒銷業(yè)務(wù)的風(fēng)險(xiǎn)程度,實(shí)踐中,按照病人補(bǔ)齊欠款的積極程度(當(dāng)天內(nèi)、3天內(nèi)、1周內(nèi)、1月內(nèi)、1年內(nèi)、拒不補(bǔ)款)將賒銷病人的信用等級(jí)定為6級(jí),賒銷病人具體的信用值為欠款天數(shù)的倒數(shù)。本實(shí)驗(yàn)的初始數(shù)據(jù)樣本有3000個(gè)數(shù)據(jù)集,各個(gè)信用級(jí)別的數(shù)據(jù)分類見(jiàn)表1。

表1 數(shù)據(jù)分類

其中,隨機(jī)從數(shù)據(jù)集中抽取2500組作為訓(xùn)練數(shù)據(jù)集,300組作為驗(yàn)證數(shù)據(jù)集,200組作為測(cè)試數(shù)據(jù)集。對(duì)于每一個(gè)賒銷病人樣本,其被選擇的特征見(jiàn)表2。第一步是對(duì)系統(tǒng)采用的非數(shù)值數(shù)據(jù)進(jìn)行數(shù)值化操作,具體來(lái)說(shuō),就是對(duì)表2 的第一個(gè)指標(biāo)“該病人就診疾病類別”進(jìn)行數(shù)值化,本系統(tǒng)采用嵌入(embedding)的方法完成該任務(wù)。首先利用國(guó)際疾病分類標(biāo)準(zhǔn)ICD-11,將疾病類別數(shù)據(jù)構(gòu)造為一個(gè)具有層次結(jié)構(gòu)的圖(graph)。接著使用一個(gè)圖嵌入(graph embed-ding)的算法模塊,輸入該疾病圖的鄰接矩陣,輸出對(duì)應(yīng)位置的疾病節(jié)點(diǎn)的嵌入表示,參考現(xiàn)有病種的數(shù)量,將該嵌入表示Embedding的維度設(shè)置為16,最終量化后的數(shù)據(jù)維度也是16,該嵌入表示就是就診疾病類型的數(shù)值化表示。

表2 賒銷病人的特征選擇

表3 混淆矩陣

第二步,采用歸一化方法,將所有3000組數(shù)據(jù)轉(zhuǎn)變?yōu)閇0,1)之間的小數(shù)。歸一化操作后,隨機(jī)選擇2500組數(shù)據(jù)作為訓(xùn)練集,其余500組數(shù)據(jù)作為測(cè)試集和驗(yàn)證集。

第三步,在第二步基礎(chǔ)上,對(duì)模型預(yù)測(cè)的準(zhǔn)確性進(jìn)行驗(yàn)證。訓(xùn)練輪數(shù)(epoch)設(shè)為500次,預(yù)期誤差目標(biāo)為0.001,學(xué)習(xí)率為0.01。隨后利用訓(xùn)練集數(shù)據(jù)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)模型,該BP神經(jīng)網(wǎng)絡(luò)共有5個(gè)隱層,每個(gè)隱藏層的節(jié)點(diǎn)數(shù)分別設(shè)置為9、10、11、12、13。然后是本文2.1中介紹的神經(jīng)網(wǎng)絡(luò)前向傳播過(guò)程(Forword)和2.2中介紹的后向傳播過(guò)程(Backward)對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行建模和訓(xùn)練。訓(xùn)練結(jié)束后,將該BP神經(jīng)網(wǎng)絡(luò)模型完整保存到硬盤(pán)。

最后,本研究利用R2回歸預(yù)測(cè)模型、精確度、準(zhǔn)確率和ROC等4個(gè)指標(biāo)評(píng)價(jià)該BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效果。首先從硬盤(pán)讀取該模型,接著利用驗(yàn)證集數(shù)據(jù),計(jì)算得到相應(yīng)的信用等級(jí)預(yù)測(cè)結(jié)果,最后采用R2回歸模型、精確度、準(zhǔn)確率和ROC 4個(gè)指標(biāo)分別評(píng)價(jià)該BP神經(jīng)網(wǎng)絡(luò)模型在驗(yàn)證集上的運(yùn)行效果。R2回歸模型主要涉及下面3個(gè)指標(biāo):

(5)

R2=SSR/(SSR+SSE)

精確度計(jì)算公式為

(6)

準(zhǔn)確率計(jì)算公式為

(7)

上面兩式中的TP,TN,FP,FN的含義見(jiàn)下表所示混淆矩陣。

TP含義為該樣本的預(yù)測(cè)結(jié)果為真,真實(shí)值為真。FP含義為該樣本的預(yù)測(cè)結(jié)果為真,真實(shí)值為假。FN含義為該樣本的預(yù)測(cè)結(jié)果為假,真實(shí)值為真。TN含義為該樣本的預(yù)測(cè)結(jié)果為假,真實(shí)值為假。

1.4 結(jié)果分析

本文基于回歸分析方法評(píng)價(jià)BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練效果,主要從以下2個(gè)指標(biāo)進(jìn)行評(píng)價(jià):一是分析信用等級(jí)識(shí)別錯(cuò)誤的總體數(shù)量占驗(yàn)證集數(shù)據(jù)的比例;二是單獨(dú)分析偏離度的相對(duì)誤差,本文利用R2回歸模型分析此相對(duì)誤差。分析結(jié)果如下表4所示。

表4 R2回歸模型分析相對(duì)誤差的結(jié)果

第一個(gè)指標(biāo)的檢測(cè)結(jié)果,信用等級(jí)識(shí)別錯(cuò)誤的總體數(shù)量占驗(yàn)證集數(shù)據(jù)的比例為5.2%,為較低水平,表明了該模型對(duì)賒銷病人的信用等級(jí)預(yù)測(cè)效果較好。

第二個(gè)指標(biāo)的檢測(cè)結(jié)果,在用MATLAB軟件利用R2回歸模型和驗(yàn)證數(shù)據(jù)集進(jìn)行模型效果驗(yàn)證中,得到的驗(yàn)證集數(shù)據(jù)在模型上的運(yùn)行結(jié)果R2=0.993 51,也從側(cè)面反映了本文對(duì)財(cái)務(wù)風(fēng)險(xiǎn)的良好估計(jì)能力和較高的準(zhǔn)確性。

本文從精確度、準(zhǔn)確率、ROC曲線等3個(gè)角度評(píng)價(jià)BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練效果,結(jié)果如表5所示。

表5 實(shí)驗(yàn)結(jié)果的精確度、準(zhǔn)確率、AUC值情況

其中,AUC值為ROC曲線下面積大小。從表5可以看出,本文使用BP神經(jīng)網(wǎng)絡(luò)對(duì)醫(yī)院的財(cái)務(wù)信用數(shù)據(jù)進(jìn)行預(yù)測(cè),取得了比較好的效果。在測(cè)試集中,其精確度達(dá)到了79%,準(zhǔn)確率達(dá)到了82%,AUC值到達(dá)了0.91。

此外,本文結(jié)果繪制ROC曲線如圖4所示。其中,曲線為ROC曲線,虛線為從(0,0)到(1,1)的對(duì)角線,用于對(duì)標(biāo)ROC曲線。ROC曲線和X軸圍成的區(qū)域面積為AUC值。

圖4 本文實(shí)驗(yàn)結(jié)果的ROC曲線圖

綜上,實(shí)驗(yàn)結(jié)果表明,若將此模型應(yīng)用到實(shí)際的財(cái)務(wù)指標(biāo)評(píng)分過(guò)程中,能夠幫助醫(yī)院準(zhǔn)確確定賒銷病人的財(cái)務(wù)風(fēng)險(xiǎn)的得分,并據(jù)此作出合理的判斷,有效應(yīng)對(duì)潛在的財(cái)務(wù)風(fēng)險(xiǎn)。

2 總結(jié)

本研究通過(guò)BP神經(jīng)網(wǎng)絡(luò)對(duì)醫(yī)院的財(cái)務(wù)數(shù)據(jù)進(jìn)行信用等級(jí)評(píng)估預(yù)測(cè),實(shí)驗(yàn)結(jié)果表明,該方法具有較高的預(yù)測(cè)準(zhǔn)確率,能夠?qū)︶t(yī)院的財(cái)務(wù)決策提供有效支持。目前,該研究依然存在的主要不足是應(yīng)用面較為狹窄,主要局限于財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)方面。下一步,我們計(jì)劃將智能化方法不斷推廣到醫(yī)院財(cái)務(wù)的智能化管理、預(yù)測(cè)、規(guī)劃、可視化等各個(gè)方面,期望獲得更好的效果。