朱碧琴

（湖南環(huán)境生物職業(yè)技術(shù)學(xué)院，湖南 衡陽 421005）

0 引言

在數(shù)字化時(shí)代，數(shù)據(jù)已成為企業(yè)經(jīng)營的核心資源[1]。大數(shù)據(jù)技術(shù)為企業(yè)提供了更強(qiáng)大的數(shù)據(jù)處理和分析工具，可以為企業(yè)提供更高效、精準(zhǔn)和智能的決策依據(jù)[2]。然而，許多企業(yè)仍面臨數(shù)據(jù)孤島、數(shù)據(jù)孿生和數(shù)據(jù)共享等問題，這些問題極大地限制了企業(yè)的數(shù)據(jù)價(jià)值和業(yè)務(wù)效益。財(cái)務(wù)數(shù)據(jù)在企業(yè)運(yùn)營中占據(jù)至關(guān)重要的地位，財(cái)務(wù)共享模式可以解決企業(yè)中數(shù)據(jù)孤島和數(shù)據(jù)孿生的問題，能將各個(gè)部門的數(shù)據(jù)進(jìn)行整合，形成一個(gè)全面的數(shù)據(jù)匯總，以實(shí)現(xiàn)數(shù)據(jù)共享。但是在實(shí)際操作中，企業(yè)在財(cái)務(wù)數(shù)據(jù)的共享和利用上仍存在數(shù)據(jù)安全、數(shù)據(jù)標(biāo)準(zhǔn)以及數(shù)據(jù)質(zhì)量等問題，這些問題嚴(yán)重影響了企業(yè)財(cái)務(wù)數(shù)據(jù)的利用價(jià)值[3]。該文基于財(cái)務(wù)共享模式構(gòu)建了一種大數(shù)據(jù)智能分析模型，以期解決企業(yè)在財(cái)務(wù)數(shù)據(jù)利用上的問題。通過采集與整理財(cái)務(wù)信息、確立財(cái)務(wù)數(shù)據(jù)操控權(quán)限和測(cè)算財(cái)務(wù)共享數(shù)據(jù)，來獲取財(cái)務(wù)共享分析結(jié)果，構(gòu)建完整的財(cái)務(wù)共享智能分析模型。測(cè)試試驗(yàn)表明，該文研究對(duì)解決企業(yè)在財(cái)務(wù)數(shù)據(jù)共享和利用方面的問題具有一定的實(shí)際意義和應(yīng)用價(jià)值，構(gòu)建的基于財(cái)務(wù)共享模式的大數(shù)據(jù)智能分析模型可以幫助企業(yè)實(shí)現(xiàn)財(cái)務(wù)數(shù)據(jù)的集成、共享和智能化分析，提高企業(yè)的經(jīng)營效益和決策能力。

1 財(cái)務(wù)信息采集與整理

1.1 數(shù)據(jù)采集

數(shù)據(jù)采集是獲取財(cái)務(wù)共享數(shù)據(jù)的第一步，它是財(cái)務(wù)數(shù)據(jù)分析的基礎(chǔ)，并直接關(guān)系到后續(xù)數(shù)據(jù)分析的質(zhì)量和精度。數(shù)據(jù)采集的目標(biāo)是從數(shù)據(jù)源中獲取原始數(shù)據(jù)，并將其存儲(chǔ)到數(shù)據(jù)倉庫或者數(shù)據(jù)庫中，方便后續(xù)的數(shù)據(jù)分析和處理。該系統(tǒng)通過網(wǎng)絡(luò)爬蟲技術(shù)從互聯(lián)網(wǎng)上獲取數(shù)據(jù)，該方法可以獲取大量的數(shù)據(jù)，但需要考慮反爬蟲措施和數(shù)據(jù)來源的可靠性[4]。首先，根據(jù)需要分析的財(cái)務(wù)數(shù)據(jù)類型選擇合適的數(shù)據(jù)源，例如公開的財(cái)務(wù)數(shù)據(jù)公告、公司的內(nèi)部數(shù)據(jù)源和第三方數(shù)據(jù)提供商等。選擇數(shù)據(jù)源時(shí)需要考慮數(shù)據(jù)來源的可靠性和數(shù)據(jù)的更新周期。編寫爬蟲程序是網(wǎng)絡(luò)爬蟲采集數(shù)據(jù)的關(guān)鍵步驟，需要有一定的編程能力，具體流程如圖1 所示。

圖1 數(shù)據(jù)采集流程

編寫爬蟲程序是網(wǎng)絡(luò)爬蟲采集數(shù)據(jù)的關(guān)鍵步驟，爬蟲框架可以簡(jiǎn)化爬蟲程序的編寫過程。該系統(tǒng)用到的框架為BeautifulSoup，根據(jù)需要分析的財(cái)務(wù)數(shù)據(jù)類型，確定需要爬取的數(shù)據(jù)類型和格式，然后查看網(wǎng)頁源代碼，了解網(wǎng)頁的結(jié)構(gòu)和規(guī)律，確定需要抓取數(shù)據(jù)的所在位置[5]。根據(jù)爬取的數(shù)據(jù)類型和格式，使用爬蟲框架編寫爬蟲程序，并設(shè)置抓取數(shù)據(jù)的規(guī)則和頻率。網(wǎng)絡(luò)爬蟲采集的數(shù)據(jù)往往存在格式不一致、缺失值以及重復(fù)數(shù)據(jù)等問題，需要使用Python中的Pandas 庫等工具進(jìn)行數(shù)據(jù)清洗。完成數(shù)據(jù)清洗后，需要將數(shù)據(jù)存儲(chǔ)到數(shù)據(jù)倉庫或者SQL 數(shù)據(jù)庫中，方便后續(xù)的數(shù)據(jù)分析和處理。

1.2 數(shù)據(jù)整理

基于大數(shù)據(jù)財(cái)務(wù)共享的數(shù)據(jù)整理方法主要流程如下：1）數(shù)據(jù)獲取。獲取需要整理的財(cái)務(wù)數(shù)據(jù)，包括會(huì)計(jì)憑證、科目余額表和現(xiàn)金流量表等數(shù)據(jù)。2）數(shù)據(jù)清洗。對(duì)獲取的數(shù)據(jù)進(jìn)行清洗，去除無效數(shù)據(jù)、異常數(shù)據(jù)和重復(fù)數(shù)據(jù)等，保證數(shù)據(jù)的準(zhǔn)確性和一致性。3）數(shù)據(jù)預(yù)處理。對(duì)清洗后的數(shù)據(jù)進(jìn)行預(yù)處理，包括數(shù)據(jù)歸一化、缺失值填補(bǔ)和異常值處理等，以便后續(xù)進(jìn)行數(shù)據(jù)分析和建模。4）特征提取。根據(jù)具體業(yè)務(wù)需求和分析目的，從預(yù)處理后的數(shù)據(jù)中提取有用的特征，如財(cái)務(wù)指標(biāo)、資產(chǎn)負(fù)債表比率以及現(xiàn)金流量比率等。5）數(shù)據(jù)建模。基于提取的特征，使用機(jī)器學(xué)習(xí)算法或統(tǒng)計(jì)方法構(gòu)建財(cái)務(wù)模型，包括財(cái)務(wù)預(yù)測(cè)模型、風(fēng)險(xiǎn)評(píng)估模型。6）模型評(píng)估。對(duì)構(gòu)建的財(cái)務(wù)模型進(jìn)行評(píng)估，包括模型精度、泛化能力和穩(wěn)定性等指標(biāo)評(píng)估，以確定模型的有效性和適用性。7）模型應(yīng)用。將構(gòu)建好的財(cái)務(wù)模型應(yīng)用于實(shí)際業(yè)務(wù)中，進(jìn)行系統(tǒng)預(yù)測(cè)財(cái)務(wù)業(yè)績、風(fēng)險(xiǎn)預(yù)警。其中，特征提取和數(shù)據(jù)建模是整個(gè)流程中最關(guān)鍵的環(huán)節(jié)，需要根據(jù)具體業(yè)務(wù)場(chǎng)景和問題特點(diǎn)選擇合適的算法和方法。設(shè)預(yù)測(cè)的財(cái)務(wù)指標(biāo)為Y，已知的特征變量為X1、X2、X3……Xn，可建立公式如式（1）所示的線性回歸模型用于預(yù)測(cè)財(cái)務(wù)算法。

式中：β0、β1、β2……βn為模型的系數(shù)；ε為誤差項(xiàng)。

在模型訓(xùn)練過程中可以使用最小二乘法來確定模型的系數(shù)，使模型的預(yù)測(cè)值與真實(shí)值的平方差最小化。完成模型訓(xùn)練后，可以使用模型對(duì)企業(yè)未來的財(cái)務(wù)業(yè)績進(jìn)行預(yù)測(cè)。

2 構(gòu)建財(cái)務(wù)共享智能分析模型

2.1 確立財(cái)務(wù)數(shù)據(jù)操控權(quán)限

基于財(cái)務(wù)共享模式的大數(shù)據(jù)智能分析模型需要對(duì)數(shù)據(jù)類型進(jìn)行權(quán)限分配，以確保敏感數(shù)據(jù)的保密性和數(shù)據(jù)分析的準(zhǔn)確性。首先，確定數(shù)據(jù)類型，分析數(shù)據(jù)敏感程度，即對(duì)每種數(shù)據(jù)類型進(jìn)行敏感度分析，確定數(shù)據(jù)的敏感程度和需要保護(hù)的隱私信息，例如公司財(cái)務(wù)報(bào)表中的納稅人識(shí)別號(hào)、股東信息等[6]。其次，制定權(quán)限控制策略，這點(diǎn)極為重要，應(yīng)根據(jù)敏感程度和隱私信息的不同制定不同的權(quán)限控制策略，例如對(duì)敏感數(shù)據(jù)實(shí)施訪問限制、審計(jì)追蹤等控制措施。最后，分配數(shù)據(jù)權(quán)限，根據(jù)制定的權(quán)限控制策略，將數(shù)據(jù)類型和相應(yīng)的權(quán)限進(jìn)行匹配，并將權(quán)限分配給不同的數(shù)據(jù)使用者，例如內(nèi)部員工、外部合作伙伴等。在權(quán)限分配過程中，可以使用基于訪問控制的RBAC 模型進(jìn)行權(quán)限控制。RBAC 模型將用戶、角色和權(quán)限之間的關(guān)系進(jìn)行了明確的定義，用戶通過角色訪問權(quán)限，角色和權(quán)限之間也存在對(duì)應(yīng)關(guān)系。RBAC 模型的具體算法如公式（2）所示。

式中：u為用戶集合；r為角色集合；P為權(quán)限集合。

該文提出的多維權(quán)限管理模型是在RBAC 模型的基礎(chǔ)上引入用戶組，并對(duì)數(shù)據(jù)資源不同分類這一情況特別增加了客體維元素，從而形成新的數(shù)據(jù)資源權(quán)限管理模型，如圖2 所示。

圖2 數(shù)據(jù)資源權(quán)限管理模型

根據(jù)RBAC 模型，數(shù)據(jù)權(quán)限控制需要用戶權(quán)限分配和角色權(quán)限分配2 個(gè)環(huán)節(jié)。通過制定適當(dāng)?shù)挠脩艚巧成潢P(guān)系和角色權(quán)限映射關(guān)系，對(duì)數(shù)據(jù)類型的權(quán)限進(jìn)行控制，以確保數(shù)據(jù)的安全性和合規(guī)性。

2.2 測(cè)算財(cái)務(wù)共享數(shù)據(jù)

在模型確立財(cái)務(wù)數(shù)據(jù)操控權(quán)限后，需要進(jìn)一步對(duì)財(cái)務(wù)共享數(shù)據(jù)做出測(cè)算。先收集需要共享的財(cái)務(wù)數(shù)據(jù)，包括收入、支出和利潤等，收集的方式可以是手動(dòng)輸入或者從系統(tǒng)中獲取。將收集到的數(shù)據(jù)進(jìn)行格式化和預(yù)處理，以便后續(xù)的計(jì)算[7]。可以對(duì)數(shù)據(jù)進(jìn)行清洗、去重和轉(zhuǎn)換格式等操作，確保數(shù)據(jù)的準(zhǔn)確性和完整性。對(duì)處理后的數(shù)據(jù)進(jìn)行加密，保證數(shù)據(jù)的安全性。為避免數(shù)據(jù)在傳輸和存儲(chǔ)過程中發(fā)生泄露，可以采用對(duì)稱加密算法或非對(duì)稱加密算法進(jìn)行數(shù)據(jù)加密[8]?？梢酝ㄟ^網(wǎng)絡(luò)傳輸或傳輸文件的方式將加密后的數(shù)據(jù)傳輸?shù)侥繕?biāo)端。然后采用相應(yīng)的解密算法對(duì)數(shù)據(jù)進(jìn)行解密，再根據(jù)數(shù)據(jù)源和目標(biāo)，并通過算法或第三方軟件進(jìn)行計(jì)算，計(jì)算結(jié)果包括收入、支出和利潤等，模型中用到的具體收入的計(jì)算如公式（3）所示。

式中：R為收入總和；X為銷售數(shù)量；m為銷售單價(jià)。

具體的支出如公式（4）所示。

式中：E為支出公式；c為材料費(fèi)用；b為人力耗費(fèi)；I為利息；T為稅費(fèi)；D為折舊費(fèi)用。

利潤P的具體計(jì)算如公式（5）所示。

計(jì)算后，將計(jì)算結(jié)果存儲(chǔ)在數(shù)據(jù)庫中，以備后續(xù)使用。可以使用關(guān)系型數(shù)據(jù)庫或非關(guān)系型數(shù)據(jù)庫進(jìn)行存儲(chǔ)，確保數(shù)據(jù)的可靠性和可訪問性。

2.3 獲取財(cái)務(wù)共享分析結(jié)果

可以使用數(shù)據(jù)可視化工具Power BI 獲取財(cái)務(wù)共享分析結(jié)果，將財(cái)務(wù)數(shù)據(jù)可視化圖表呈現(xiàn)在一個(gè)統(tǒng)一的平臺(tái)中，可以方便地對(duì)財(cái)務(wù)數(shù)據(jù)進(jìn)行交互和比較，幫助管理人員更好地做出決策。首先，需要從企業(yè)的數(shù)據(jù)倉庫、數(shù)據(jù)庫和Excel 文件等來源獲取需要可視化的數(shù)據(jù)，如果數(shù)據(jù)集比較大，需要進(jìn)行數(shù)據(jù)清理和預(yù)處理，例如去除重復(fù)值、填充缺失值和轉(zhuǎn)換數(shù)據(jù)類型等。其次，使用數(shù)據(jù)可視化工具連接數(shù)據(jù)源，將數(shù)據(jù)源導(dǎo)入工具中。連接數(shù)據(jù)源時(shí)，需要指定數(shù)據(jù)源類型、數(shù)據(jù)源地址和認(rèn)證方式等信息。連接數(shù)據(jù)源后，數(shù)據(jù)可視化工具將自動(dòng)識(shí)別數(shù)據(jù)源中的數(shù)據(jù)結(jié)構(gòu)和字段名。使用數(shù)據(jù)可視化工具創(chuàng)建可視化圖表，以圖表的形式呈現(xiàn)企業(yè)的各項(xiàng)財(cái)務(wù)比率，包括流動(dòng)比率、資產(chǎn)負(fù)債率和凈利率等指標(biāo)，可用于評(píng)估企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)和健康度。將可視化圖表發(fā)布到數(shù)據(jù)可視化工具的服務(wù)器或云端，或者導(dǎo)出為PDF、Excel等格式的文件。將可視化圖表共享給內(nèi)部的團(tuán)隊(duì)成員或外部的客戶和供應(yīng)商，方便其理解數(shù)據(jù)，共同制定業(yè)務(wù)決策。

3 測(cè)試試驗(yàn)

3.1 試驗(yàn)準(zhǔn)備

為測(cè)試基于財(cái)務(wù)共享模式構(gòu)建的大數(shù)據(jù)智能分析模型的各項(xiàng)性能，該文試驗(yàn)選擇的試驗(yàn)環(huán)境如下：軟件方面選擇8.0 或以上版本MySQL 數(shù)據(jù)庫軟件，大數(shù)據(jù)平臺(tái)為3.3或以上版本的Hadoop，數(shù)據(jù)可視化工具采用Tableau，測(cè)試系統(tǒng)采取TensorFlow 機(jī)器學(xué)習(xí)框架，編程語言為3.9 或以上版本的Python。硬件方面需要選擇合適的數(shù)據(jù)存儲(chǔ)設(shè)備，該文試驗(yàn)選取Intel DC S4500 系列SSD，英特爾酷睿i9 的數(shù)據(jù)處理器，大容量、高頻率的Kingston Fury 系列內(nèi)存，并采用Cisco Catalyst 系列交換機(jī)。

3.2 試驗(yàn)結(jié)果

試驗(yàn)過程中使用Python 編程語言和PySpark 計(jì)算框架，利用財(cái)務(wù)共享模式構(gòu)建大數(shù)據(jù)智能分析模型，并對(duì)模擬數(shù)據(jù)集進(jìn)行試驗(yàn)驗(yàn)證。該試驗(yàn)是基于財(cái)務(wù)共享模式構(gòu)建的大數(shù)據(jù)智能分析模型，用于預(yù)測(cè)股票價(jià)格的走勢(shì)。試驗(yàn)數(shù)據(jù)包括蘋果公司（AAPL）、微軟公司（MSFT）、亞馬遜公司（AMZN）和谷歌公司（GOOG）的歷史股價(jià)數(shù)據(jù)。模型采用神經(jīng)網(wǎng)絡(luò)算法進(jìn)行訓(xùn)練和預(yù)測(cè)，使用Tableau 數(shù)據(jù)可視化工具來展示4 只股票2022 年10 月至2023 年2 月的歷史走勢(shì)折線圖，最終得出分析結(jié)果，并與實(shí)際數(shù)據(jù)做對(duì)比，具體數(shù)據(jù)見表1。

表1 試驗(yàn)結(jié)果

從表1 可以看出，模型能夠較好地預(yù)測(cè)股票價(jià)格走勢(shì)，并與實(shí)際數(shù)據(jù)有較好的擬合度。MSFT 在2023 年1 月的預(yù)測(cè)與實(shí)際股票差距為1.3 元/股，已是最高模型預(yù)測(cè)偏差值。在大數(shù)據(jù)的沖擊下，統(tǒng)計(jì)和預(yù)測(cè)是對(duì)產(chǎn)品、資源的最大化利用，是企業(yè)運(yùn)行不可或缺的重要組成部分，精準(zhǔn)可靠的預(yù)測(cè)對(duì)資源共享模式有較大幫助。預(yù)測(cè)依據(jù)是結(jié)果是否準(zhǔn)確的關(guān)鍵，基于財(cái)務(wù)共享模式的大數(shù)據(jù)智能分析可以幫助企業(yè)預(yù)測(cè)財(cái)務(wù)經(jīng)濟(jì)風(fēng)險(xiǎn)。試驗(yàn)表明，以財(cái)務(wù)共享為依據(jù)的分析模型能夠及時(shí)發(fā)現(xiàn)財(cái)務(wù)問題，使相關(guān)人員能及時(shí)調(diào)整對(duì)沖戰(zhàn)略，更好地定制應(yīng)對(duì)該風(fēng)險(xiǎn)的方案，以做到企業(yè)經(jīng)濟(jì)利益最大化和虧損最小化，因此精準(zhǔn)預(yù)測(cè)可成為企業(yè)把控風(fēng)險(xiǎn)和規(guī)劃戰(zhàn)略的基石。

4 結(jié)語

綜上所述，該文旨在探討如何將大數(shù)據(jù)技術(shù)和財(cái)務(wù)共享模式相結(jié)合，構(gòu)建一個(gè)高效、準(zhǔn)確的財(cái)務(wù)數(shù)據(jù)分析模型。對(duì)財(cái)務(wù)信息進(jìn)行采集與整理，確立財(cái)務(wù)數(shù)據(jù)操控權(quán)限，測(cè)算財(cái)務(wù)共享數(shù)據(jù)，以此獲取財(cái)務(wù)共享分析結(jié)果，構(gòu)建完整的財(cái)務(wù)共享智能分析模型。未來，隨著大數(shù)據(jù)技術(shù)和人工智能技術(shù)的不斷發(fā)展，模型還將得到進(jìn)一步的完善和優(yōu)化。同時(shí)，還需要注意數(shù)據(jù)隱私保護(hù)和信息安全等方面的問題，為企業(yè)提供更可靠和安全的數(shù)據(jù)服務(wù)。該研究成果有望為企業(yè)財(cái)務(wù)管理和決策提供新的思路和方法，促進(jìn)企業(yè)的持續(xù)和創(chuàng)新發(fā)展。