基于BP神经网络技术的智能财务研究.docx

?

?

基于BP神经网络技术的智能财务研究

?

?

朱敏

【关键词】深度学习;BP神经网络技术（BPNN）;智能财务;产品定价

F272;F270.7?A?1004-5937（2021）18-0038-05

移动互联网、人工智能、区块链、大数据、云计算、物联网等新兴技术改变了服务和商品的性质，在商业以及企业管理领域开拓了一系列新的业务场景，新的数字技术推动互联网进入算法竞争的下半场，智能化转型将成为企业智力水平竞赛的制胜关键。2020年国家发改委对新基建做了进一步定义，新基建以经济转型、增效发展为总纲，旨在加快各产业的数字化升级，国家“新基建”战略要求企业加速智能化管理转型。传统企业纷纷谋求财务转型，信息化和数字化技术为财务智能化变革提供了技术支持，人工智能将使计算机替代人类心智完成工作任务。

目前对财务智能化的研究主要集中在职能、宏观架构、内涵、风险等方面，对智能财务的具体技术路径探索较少。智能化转型的本质是数据技术驱动的智能升级，深度学习在语音识别、金融、司法领域的运用实践对财务智能化将产生重大启示，本文对引入深度学习之BP神经网络技术（BackPropagationNeuralNetwork，BPNN）的财务智能化转型路径进行探索研究。

一、BP神经网络技术和智能财务概述

（一）BP神经网络技术

BP神经网络技术属于深度学习使用最普遍的一种算法。深度学习技术自20世纪90年代以来被运用于自动驾驶、交通管理、语言处理、语音识别、医疗诊断、司法判断及金融量化等多领域实践[1]。深度学习运用于语音识别领域，极大地降低了语音识别错误率;在电子游戏及唇语识别中取得超越人类的表现;对金融交易过程生物识别提供技术保障，提升了金融机构贷款信用评估效率;帮助律师事务所完成辅助复核，浏览海量文件获取合法证据，使法律工作流程更高效，成本大幅下降;在新兴教育行业中，深度学习发挥了数字导师功能，使教师从教学重复劳动中解脱，致力于精神层次支持和启发[2]。随着更强大的计算机、更庞大的数据集和更深邃网络的发展，深度学习技术必然被逐渐应用于更多商业领域。以不可替代的技术优势，深度学习将成为推动智能财务转型的技术利器。

BP神经网络技术（BPNN）相比于传统深度学习能够更有效地学习非线性目标函数[3]。BPNN包含输入层、隐藏层和输出层三层级，包括正向和反向传播两个计算步骤（如图1所示）。（1）正向传播：信息特征从输入层进入神经网络，通过隐藏层计算，由输出层输出;（2）反向传播：计算输出层的输出与真实值的误差，将误差反向传播，通过梯度下降算法更新各层级参数，实现自我学习，直到计算输出层的输出与真实值的误差停止更新为止。

BP神经网络技术大幅扩展了计算机灵活表达并模拟世界万物特征规律的能力，帮助计算机通过持续训练样本，进行尝试和自主学习，逐步总结事物客观规律。

（二）智能财务

智能财务指人类财务专家与人工智能技术联合组成人—机协同系统，完成企业复杂的财务管理任务，同时，人工智能技术在财务管理活动中不断得到演化，逐步取代人类财务专家的功能[4]。

企业运用新的信息技术重构组织架构、再造业务流程、赋能业务并支持决策，这个过程被称为财务数字化转型，但不能称为智能财务，因为工作流程仍然依赖人工编程设计完成[5]。财务共享中心使用财务机器人（RPA）替代人工进行单据识别和数据记录等重复性、有规律的操作层面的业务活动，RPA财务机器人以零差错、低成本优势快速取代开票、对账、录入等重复流程化工作，释放出大量财务人力资源，极大提升了财务工作效率。但是，RPA财务机器人实际上距离智能财务实现人—机互动、替代财务专家进行财务预测与决策支持的功能和目标尚远。

财务数字化是智能财务的基础，智能财务是财務数字化的发展方向。财务共享中心是财务数字化的起点，基于云计算，分散的业务活动在共享中心集聚，并被标准化、数据化，集合为数据仓库和集市。智能财务发挥算法和算力作用，在大量实践样本数据基础上，无限模拟企业资源配置，辅助甚至代替管理人员做出预测和决策。智能财务技术激活、治理数字化平台的数据集合，不断进化迭代的人机交互算法支持预测、控制、决策财务模型，实践财务运用场景，最终实现财务管理的终极价值（张庆龙，2020）。

二、财务智能化发展现状与问题

2019年，上海国家会计学院智能财务研究中心发布了《中国企业财务智能化现状调查报告》，指出企业智能财务运用最多的领域是会计核算和银企互联系统，而对风险管理和决策支持模块的使用程度最低。报告显示，企业财务智能化运用尚处于探索阶段。

新技术背景下，企业不断推进财务数字化平台建设，来自客户、供应商等不同渠道的巨量业务数据涌入信息系统，但一系列迫切需要解决的问题和挑战随之而来，包括高效融合数据仓库多维特征困难