大數據技術在應收賬款管理中的應用研究

閆勁松 張云濤

(1.廣西財經學院 廣西南寧 530000;2.廣西民族大學 廣西南寧 530006)

1 大數據時代下企業財務管理的新要求

近年來，中央與地方政府制定了許多措施與方法以保障大數字科技的發展和使用，例如：大力支持5G技術的開發與完善；在政府部門的日常工作中大力推行物聯網、云計算、大數據、人工智能、區塊鏈等新技術的使用等。習近平總書記在中國共產黨第二十次全國代表大會上的報告《高舉中國特色社會主義偉大旗幟——為全面建設社會主義現代化國家而團結奮斗》一文中指出要構建新一代信息技術、人工智能等一批新的增長引擎；2021 年11 月印發的《會計改革與發展“十四五”規劃綱要》也指出，要切實加快會計審計數字化轉型步伐，即積極推動會計工作數字化轉型、審計工作數字化轉型、會計管理工作數字化轉型[1]。目前，我國正處于向大數字經濟轉變的關鍵時期，在未來5年，中國大數據行業將迎來全新的挑戰與機會。由此可見，我國的大數據技術發展正處于政策紅利期，企業應當穩妥推進會計行業管理信息化進程，充分發揮會計數據標準的作用，暢通跨平臺的數據接口，運用大數據手段來管理會計業務，在政策驅動與技術支持的指引下對企業財務流程進行優化。

1.1 提高企業財務人員集中處理業務的能力

大數據時代下，企業要想提高自身的競爭力，降低成本，占據更大的市場份額，則需要建立一個可以處理所有地區業務的部門，將原先分散的財務人員集中起來進行工作，對不同業務制定一套標準化的處理流程，提高財務人員處理業務的效率。

1.2 提高企業的財務一體化程度

在傳統的模式下，企業的財務部門與業務部門之間經常存在著信息差，雙方無法快速地交換信息，海量的業務數據的錄入與核對占用了財務人員大部分的時間，因此企業可以利用大數據的相關技術，讓各個部門的負責人員進行數據的錄入，從而提升信息錄入的效率與準確性。此外，財務人員也需要提升自身的能力，不僅要深入了解企業的財務工作，也應該對企業的各項業務有一定的了解，從而更好地為企業提供服務。

1.3 建立標準化業務流程

對于現代企業來說，上文中的“一體化”僅僅是初步的要求，接下來還需優化業務流程以提升效率和管理水平，這對企業至關重要，特別是在共享服務模式下。構建標準化的流程，就是要對現有的流程進行梳理并適當進行刪減，達到流程能夠高效、簡潔地運行，并避免重復某一環節的效果。同時，要不斷改進流程，依據企業特點進行有針對性的設置，以適應未來的一體化發展趨勢。

1.4 利用技術手段推進信息化發展

隨著整個社會信息化程度的不斷深入，會計電算化、電子支付和數據分析等新技術的涌現，正逐漸改變甚至取代原有的手工操作模式，這為財務共享的產生提供了先決條件，企業應充分利用這一優勢，積極尋求信息技術的突破。

2 應收賬款管理的意義及風險

作為集團公司需要重點關注的一項流動資產，能否有效管理應收賬款已成為企業能否降低財務風險的重要指標。但是，隨著企業為了不斷擴大市場規模，信用賒銷方式也開始成為了公司首選的營銷方法，這就意味著企業需要由財務人員負責的應收賬款工作量也將進一步增加；同時，如何更迅速地掌握公司不同業務部門的經營情況、對財務數據的記錄和復核等，都成了企業當前亟待改革的難點。在大數據分析的時代背景下，過去僅可見于計算機領域的大數據分析技術越來越被運用于財務管理方面，作為財務管理共享中開展應收賬款管理的一種“利器”，這種技術手段能夠高效地優化管理過程，使之更加易于被實施，并符合公司運營管理的要求。

企業在應收賬款管理方面所面臨的主要風險是由于主觀原因和客觀原因導致賬款無法收回，針對這種風險，事前評價客戶的信用程度和事后及時、準確預測壞賬風險顯得尤為重要。在評價客戶信用程度方面，企業需要了解客戶的運營情況、資金周轉情況、過往年度是否能按時履約償還貨款的信息，以便在應收賬款產生前規避風險[2]，可以使用聚類算法進行信用評級和信用評級分析。針對預測壞賬風險這一方面，由于逾期賬款會增加企業的壞賬風險，對企業的經營利潤產生不利影響，為避免上述情況的發生，企業可以運用神經網絡算法及時評估應收賬款的壞賬風險，并根據評級結果對不同級別的客戶采用適宜的回款管理方式。

3 基于RPA的開票、應收賬款對賬和收款對銷賬過程優化

3.1 基于RPA技術的自動化開票流程

首先將各子公司業務合同的簽訂過程進行優化，系統會自動生成合同方的數據并可以根據情況修改或刪除；雙方簽署后的合同無須再像傳統模式只保存紙質材料，造成查閱的不便，財務共享中心的合同管理系統可以保存合同的所有信息；子公司根據識別后的合同向業主提供產品或勞務；負責收回應收賬款的資金結算中心進行登記工作時，可利用機器人流程自動化（Robotics Process Automation，RPA）技術自動讀取之前儲存在財務共享中心合同管理系統中的合同信息并進行匹配，同時完成自動開票和記賬；當共享中心的出納人員實際收到對方支付的款項后，無須再手動填制收款登記手續，資金結算中心將自動處理該手續；并會與最初錄入的信息進行自動比對；如果審核通過，總賬核算崗的工作人員會收到系統發送的憑證以備核查，負責該項應收賬款的業務部人員會根據收款登記信息再次審核是否為自己所負責的業務。只有兩次審核一致，該收款款項才會被核銷[3]。

3.2 對賬與收款核銷流程的優化

公司業務部門與財務共享中心核對賬目時，可以利用RPA 工具調取之前保存在財務共享中心的相關數據。另外，企業如果希望核實更為細致的數據，RPA系統還能夠在財務系統的企業管理系統中，自動匹配企業客戶名、應收賬款賬齡、所欠賬款的賬期等詳細信息；而ERP 系統還能夠主動核實企業業務部門與財務部門之間的關系數據，從而保證了統一性，并主動檢測雙方所辦理的是否為同一項業務。如果業務名稱、應支付的金額均一致，總賬核算崗才可進行收款的核銷。如果出現賬款到期仍未支付，財務共享中心將會提示賬目不相符的地方，并要求業主及時繳清所欠賬款。

4 應收賬款風險管理模型的構建

4.1 基于RPA技術和K-Means聚類算法的業主信用評級

4.1.1 數據收集

應收賬款的管理始于協議的履行，要防止與資信較差的公司進行合作造成壞賬的發生，必須以公司的金幣財務信息為分析的切入點，以直接或間接地體現公司的誠信管理水平。首先，分公司、子公司工作人員將客戶基本信息，例如客戶單位的名稱、納稅人識別號、銀行賬戶信息以及基本財務數據等，輸入CRM 系統，從而生成一張客戶基本信息表，以方便進行統一管理；RPA 技術則根據客戶基本信息表設計一套評價指標進行K-Means聚類算法以評估業主信用等級。如果信用水平較低，企業會有較大的壞賬風險，則應避免與之合作。其中，可以將公司公開發表的相關財務數據作為相應的評價指標，具體評價指標如表1所示。

4.1.2 評級

使用因子之間的線性組合來表示該階段的函數，公式為

構建模型首先要確定評價指標體系，即通過哪些數據反映客戶的信用情況，財務分析中常用的盈利、償債、發展及營運能力的分析非常適合作為信用評級的評價指標。F為提取的因子，其權重記為α。針對集團公司的數據集，需統一儲存在數據庫中。接著，將所有的數據進行標準化處理（SQL語句），完成模型的構建。

其次，利用因子分析的方法對數據進行初步處理?？赏ㄟ^巴特利特球度檢驗可獲取因子間線性相關的程度。若巴特利特球度檢驗的數據值預期接近零，則指標間的線性相關性成立。為保留70%信息，選擇5 個因子并構建Z值得分系數矩陣[4]。該矩陣表明5 個主成分與14 個原始變量存在轉換關系，其中Y為主成分，X為原始變量，其得分用K表示，具體公式如下：

為了方便判斷業主信用評級，需要制定評級標準。首先將業主按Z值分類，根據Z值的大小對業主進行分類。然后根據K-Means 聚類算法，按照與中心點的距離確定信用等級。

4.2 基于BP神經網絡的壞賬風險預測

反向傳播算法（Backpropagation Algorithm，BP）是神經網絡的通用訓練算法，由Williams 等人于1986 年提出。BP算法的基礎是基于梯度下降的誤差函數優化，因為利用了神經網絡的層次結構，顯著提高了計算效率。

若BP神經網絡輸入、隱含及輸出層的節點數分別為c、e和d。輸入與隱含層間的權值為Viw，隱含與輸出層間的權值為Vjw，而隱含層及輸出層函數分別為f1和f2，則隱含層及輸出層節點的輸出公式分別如下：

在輸入x1，x2，…，xc個學習樣本后，其輸出值為yjc（j=1，2，…，c），采用平方型誤差函數即可得到誤差值，若當時輸入的是p個學習樣本，則其誤差值的計算公式為

式（5）中，tjp指的是期望輸出數值，整體誤差值計算公式為

為降低整體誤差，則需利用累計誤差算法調整權值，若γ表示該模型的學習率，則誤差調整公式為

為了進行壞賬風險的預測，可以將其視為一個非線性映射的輸入和輸出。一個3層的BP網絡可以被構建，其中3個財務指標為輸入層的神經元，而輸出層只有1個神經元，這個神經元的取值范圍是1～7的任何整數。這個神經元代表了評價的結果。為了減少誤差，可以使用梯度下降法來訓練選取的樣本數據。一旦評價結果確定，業務人員就可以選擇恰當的回款策略。逾期賬款問題由業務部門和法務部門共同承擔責任。

5 優化方案的實際案例應用

Z 企業是一家建筑施工類型企業，其主要經營范圍包括基礎建設業務、礦山開發、采礦隧道的建設、設備安裝等。目前，Z 企業在國內外參加了數個地區的礦山、城市及其他工程的建設。

5.1 業主信用評級的優化

根據案例企業特點，進行業主信用評級的優化時使用的數據是從各數據庫中選取Z 企業相關行業（即建筑施工類企業）中部分上市公司的財務數據。

為了縮減原始變量，同時保障原始信息的完整，首先要進行因子分析操作，其步驟如下：（1）分析選取的樣本是否能夠進行因子分析；（2）提取每個樣本中的因子；（3）對因子進行命名；（4）計算因子得分，得出因子得分系數矩陣。

進行因子分析后，運行K-Means 聚類算法。KMeans 聚類算法的流程為：（1）根據需求，對輸入的樣本數據集合設置K個起始聚類中心；（2）利用K-Means算法的迭代與分類計算出各目標數據集類別與起始聚類中心的距離；（3）根據數據點與聚類中心之間的距離，按照距離最小的原則將數據集進行分類；（4）KMeans 算法會在完成劃分后，自動計算每個類別數據集的平均值，以此作為最終聚類中心；（5）當最終聚類中心和每次聚類中心之間的差異低于閾值時，或完成最大迭代次數時，K-Means模型停止聚類過程，否則返回第二步；（6）輸出聚類結果。

5.2 壞賬風險預測的優化

BP神經網絡算法具體操作步驟如下。

（1）收集數據集。在2017—2022年上市公司中選取100 家ST 公司（即連續兩年虧損或者凈資產低于股票面值的公司）與100家非ST公司，將這些公司公開的財務數據作為研究對象。

（2）整理好上述200家公司的相關數據后，將其分為兩部分，一部分用于測試，其余部分用于訓練。

（3）對用于訓練的樣本進行歸一化。利用最大最小區間映射法完成該步驟。

（4）計算最大隱含層的節點個數。將最大隱含層的節點個數設為M，輸入節點個數記為n，輸出節點個數記為m，常用公式如下：

基于本文的案例計算，本模塊隱藏層節點數量為三，而計算層節點數量為一。隱藏層三節點分別是現金百分比、應收賬款周轉率和庫存周轉率。一作為因變量，轉數與速動比率的聚類評級為七。通過訓練，最優估計正確率超過了99.6%，誤差小于預期偏差1×10-13。模型已實現了對所有數據的輸入。為了檢驗精度，筆者進行了實驗，發現ST 公司正確預測的數量為總樣本的82%，而非ST 公司的正確預測數量約為76.00%。具體數據如表2所示[5-6]。

表2 模型精確度檢驗

研究數據表明：該模型在預測公司應收賬款的壞賬風險方面具有可行性，運用該模型可以有效幫助企業準確判斷壞賬所帶來的風險程度，從而及時加強應收賬款的管理。

5.3 運用大數據技術實現企業財務管理的建議

5.3.1 加強財務數據的信息化程度

企業通過各種會計信息系統，可以將各種財務數據集中保存，根據數據類型的不同建立不同的框架體系。這個框架體系要根據企業的具體情況進行開展，以實現分門別類、有序全面地儲存數據。同時，企業需要保證財務基礎設施的穩定運行，包括各種系統的維護與更新等，同時裝配現代化的存儲服務器和精細化的數據庫結構規劃設計方案，統一分類標準，以便隨時調用[7]。同時，提高工作人員的保密意識，確保企業與客戶信息不被暴露給未經授權的第三方。

5.3.2 加快財務人員的轉型升級

進入大數據時代后，企業需要轉變傳統的理念，利用先進的技術，實現市場調研、需求預測、營銷管理、生產管理和財務管理的創新和長遠發展。與此同時，企業的財務人員也應抓緊轉型升級，提升自身收集、整理、分析海量數據的能力。為提升企業績效，應優選財務管理人才，并注重日常培訓。招聘有實力的專業技術人員加入團隊，并定期為員工提供行業新聞、知識和技能的學習機會，以強化其工作能力。同時，建立有效的激勵機制，將薪酬與績效直接掛鉤，激發員工的積極性與創造力[8]。

5.3.3 完善企業內部控制機制

在財務管理工作中，內部控制的基礎工作是風險的識別和防范。但是，由于傳統的財務模式對內部控制的理解程度還不夠深入，因此不少公司由于對內部控制的有關專業知識還不夠熟悉，將內部控制完全當作是財務部門的事，對內部控制系統的建立和完成缺乏積極性和主動性，而有的公司的內部控制系統則僅僅停留在表面層次，缺乏具體的衡量指標。因此，創新內部控制機制是企業順應現代管理發展必須采取的重要措施。加強針對應收賬款的內部控制，避免應收賬款的壞賬等問題的發生。

6 結語

在大數據智能化的背景下，財務共享中心主要面臨繁瑣的業務處理流程，大量的重復工作，管理效率很低的問題，大數據技術則可以有效幫助企業解決這些問題。本文主要研究了大數據時代的到來對企業財務工作的要求、應收賬款管理的意義與風險、財務領域一些常用的大數據技術；同時，以Z 公司為案例，將應收賬款管理優化模型進行了實際應用。其結果表明，使用RPA技術對應收賬款流程進行優化，可以快速解決數據量太大難以迅速處理、財務人員忙于繁雜的基礎工作而無暇進行財務分析、各部門沒有統一的信息傳輸通道等問題，從而大大精簡了繁雜的開票、對賬和應收核銷流程；同時，將大數據技術實際運用到應收賬款管理工作中去，幫助企業更好地管理應收賬款。