AI算法在企业经营绩效预测中的应用研究

王天 林建邦

摘要：当前全球产业结构由“工业型经济”向“服务型经济”加速转型，现代服务业的面貌日新月异。在全球竞争激烈的经济环境中，现代服务业的经营绩效发展在产业结构的转型中起到非常关键的作用。近年来，人工智能技术的发展快速，许多智能化技术已应用于现代服务业之中。本文主要通过人工智能技术，以智能算法优化机器学习，建构出适合我国现代服务业的经营绩效预测模型。研究结果显示，通过智能算法优化的经营绩效模型预测能力良好;同时，根据不同经营绩效评价指标的预测模型提出重要的影响因素。研究结果可作为现代服务业可持续发展的基础保障。

关键词：现代服务业;人工智能;经营绩效;智能优化;MARS

一、前言

2017年印发的《“十三五”现代服务业科技创新专项规划，以下简称规划》指出，当前全球产业结构由“工业型经济”向“服务型经济”加速转型，现代服务业的面貌日新月异[1]。随着大数据时代到来，人工智能（artificial intelligent， AI）技术已应用于现代服务业之中。由此可知，在全球竞争激烈的经济环境中，现代服务业的发展在产业结构的转型中起到非常关键的作用。

近年来，我国服务业比重快速增长。2019年，服务业增加值占国内生产总值的53.9%[2]，预计到2025年服务业增加值占国内生产总值的比重将达到60%[3]。然而，尽管中国的现代服务业发展迅速，但如果企业没有做好合理的资源分配，对于经营绩效发展进行有效地预测，容易导致企业的亏损，进而造成社会经济环境的不稳定。

因此，本文遵循《规划》的总体部署“142”体系框架路线，研究开发现代服务业领域发展的基础理论和共性关键技术[1]。本研究目的主要透过大数据分析技术找出对现代服务业经营绩效预测有显著影响的财务指标，并对比于其他不同产业进行分析提出相关建议，强化现代服务业领域发展理论。最后，研究结论可作为未来我国现代服务业发展的参考依据，为现代服务业可持续发展提供基础保障。

二、文献探讨

现代服务业相当于除第一、二产业以外的第三产业。基础理论和共性关键技术一直是我国现代服务业发展的薄弱环节，特别是标准规范制定方面相比国际先进水平差距较大，严重制约了我国现代服务业企业综合竞争力的提升[1]。然而，企业经营绩效作为评估企业综合竞争力的主要指标之一，对于现代服务业企业经营绩效的预测，便成为是国内外学者广泛研究的项目之一。

对于企业经营绩效发展的预测，国内外学者已提出许多重要的影响因素，同时根据财务指标的属性，可分为“偿债能力”、“营运效率”、“营业成本”、“盈利能力”及“每股指标”等。偿债能力指企业对于债务的还款能力。例如：速动比率、产权比率及资产负债率等。营运效率指对于企业对于资产的周转与利用，可用于评估管理水平和资产运用能力。例如：总资产周转率、存货周转率及应收账款周转天数等。盈利能力是代表企业资金应收获利的能力。例如：销售净利率、主营业务利润率及资产回报率等[4]。每股指标则有每股营业总收入、每股净资产及每股息税前利润等指标。然而，根据过去文献的探讨发现，影响企业经营绩效预测的重要因素往往会根据研究对象所属产业，或者使用的企业实际数据而有所不同，通常会数据分析的不断尝试，找出有显著影响力的变量。现代服务业强调在与顾客密切接触过程中，让顾客能体验到更高附加价值，使顾客愿意持续消费，维持企业的正常发展。因此，关于顾客关系或企业结构流程方面的财务指标，对现代服务业经营绩效同样起到非常重要的影响作用。

三、研究设计

（一）研究流程

本文依据国家政策对AI发展的总体思路，通过国内外文献搜集与研究，结合对现代服务业企业的调查研究，采用AI方法进行反复自动验证，计算对企业经营绩效预测影响变量的重要性，以确定显著的建模变量。进一步采用AI智能算法优化，为现代服务业企业寻找合适的经营绩效预测模型。最后，根据研究结果做出经营绩效管理与企业发展的建议，为现代服务业可持续发展提供可行的、便于操作的指导方针，研究流程如图1所示。

（二）研究数据

根据《规划》的指导意见可知，文化和旅游产业的需求潜力大，是现代服务业积极发展的应用领域之一。本研究选取2016 - 2018年Wind数据库中文化、旅游等业务符合条件的上市公司作为研究样本。同时，经过文献汇总之后，以企业经营绩效最常用的3种评价指标：净资产收益率（ROE）、资产收益率（ROA）、每股收益（EPS）[5]作为预测模型的应变量;另外，从数据库中挑取出过去文献曾经提及，对企业经营绩效有显著影响的财务指标作为自变量的候选列表，并进一步筛选出建模的变量组合。

（三）研究方法

随着大数据AI技术快速发展，传统的分析方法开始被智能优化方法取代。近年来，学者基于自然界的生物觅食过程提出许多群体智能算法。其中，学者潘文超（2011）提出的果蝇优化算法（fruit fly optimization algorithm，FOA）计算简单、寻优能力强且能有效优化预测的准确度，受到学者广泛的讨论并应用于不同领域的优化上，都有非常不错的表现[6]。此外，本文采用AI学习方法――多元自适应回归样条法（multivariate adaptive regression splines， MARS）的方法建构模型，用来预测现代服务业企业经营绩效发展。MARS是Friedman（1991）提出的一种分段拟合的回归方法[7]。MARS主要是通过节点讲样本空间划分为不同的子集，再重新组合为预测模型，适用于高维度的预测;同时，MARS的另一个特性是可以计算出自变量的重要性。因此，在強调研发现代服务业的共性关键技术上，本文结合FOA优化MARS的方法，进一步提升现代服务业企业经营绩效预测模型的精确度。

四、实证结果

（一）变量重要性

特征选择为影响模型预测力的重要程序之一。本文为确保预测模型的预测力，在建构经营绩效预测模型之前采用二阶段特征选择。首先，采用多元回归筛选出对应变量有显著影响的建模自变量，接着，在FOA优化MARS建模过程中进一步计算自变量的重要性，确认对不同经营绩效评价指标有重要影响的变量（如表1所示）。

由表1可知，经过二阶段特征选取方法，不同的评价指标的重要变量也不尽相同。除了“全部资产现金回收率（重要性100）”同时为3个预测模型的重要变量外，影响EPS模型的重要变量还有“每股营业总收入”与“总资产周转率”;同时对ROA与ROE模型有影响的重要变量为“每股息税前利润”与“每股净资产”。另外，“流动比率”与“销售净利率”对ROA模型有影响;“营业成本率”与“经营活动现金流量净额占比”则是对ROE模型有影响。

（二）优化后经营绩效预测模型

本文以FOA优化MARS预测模型，训练集与测试集的预测误差（RMSE）整理如表2所示。由表2可知，FOA优化后的3个应变量的经营绩效模型预测误差相对较小，建模结果可以适用于现代服务业经营绩效预测。

五、结论与建议

我国正在积极发展现代服务业。虽然国家出台许多政策扶持，现代服务业企业更应该由企业内部出发，寻求有效的发展。本文遵循《规划》的总体部署“142”体系框架路线，

采用AI技术建构现代服务业经营绩效模型，经过智能优化后的预测模型，皆能获得较好的预测效果。另外，财务指标常被用于预测经营绩效发展，但不同分类的财务指标对于不同评价指标的经营绩效模型，影响的程度也略有差异。

由研究结果可知，“全部资产现金回收率”在3个模型中都是最重要的，表示现代服务业企业在预测经营绩效发展时，应该着重于确认企业全部资产产生现金的能力，获取现金能力越强，经营管理水平越高。除此之外，“总资产周转率”在EPS的预测模型中相对较ROA与ROE预测模型具有影响力，表示在进行EPS预测时，可以多尝试利用营运效率方面的财务指标;在ROA的预测模型中，“偿债能力（速动比率）”与“盈利能力（销售净利率）”相对重要;而ROE的预测中，更重视“营业成本”类指标的运用。

基础理论和共性关键技术一直是我国现代服务业发展的薄弱环节，本文通过收集实际的现代服务业数据，以AI智能技术建构经营绩效发展的预测模型，为现代服务业理论研究和共性关键技术提出有效建议，可作为现代服务业可持续发展的参考。

本文对于现代服务业经营绩效发展提出系统化与专业化的研究方向，惟过程中仍有部分不足。未来建议可再加入更多现代服务业的企业数据及有关研发与人力资源相关的变量，以增加预测模型的有效性与完整性。

参考文献：

[1] 科技部.《“十三五”现代服务业科技创新专项规划》解读[EB/OL]. http：//www.most.gov.cn/kjbgz/201705/t20170516_132783.htm. 2017-05-16/2020-05-30.

[2]国家统计局.年底数据-国产总值[EB/OL]. http：//data.stats.gov.cn/easyquery.htm？cn=C01&zb=A0201&sj=2019.2020-01-17/2020-05-30.

[3] 国家发展改革委.发展改革委关于印发《服务业创新发展大纲（2017—2025年）》的通知[EB/OL]. http：//www.gov.cn/xinwen/2017-06/21/content_5204377.htm. 2017-06-21/2020-02-01.

[4] 李琨.财务指标分析在审计实践中的应用[J].现代商业，2011（6）：229.

[5] Téllez， D.， González， M.， GuzmáN， A.， Trujillo， M.A. What do you say and how do you say it： Information disclosure in Latin American firms[C]. Documentos de Trabajo CIEF 016358 Universidad EAFIT， 2017.

[6] 潘文超.应用果蝇优化算法优化广义回归神经网络进行企业经营绩效评估[J]. 太原理工大学学报（社会科学版）， 2011， 29（4）：1-5.

[7] Friedman， J.H. Multivariate Adaptive Regression Splines[J]. The Annals of Statistics， 1991， 19 （1）： 1-67.

基金项目：广东省教育廳普通高校特色创新类项目（2018WTSCX226）;广东省哲学社会科学学科共建项目（GD18XGL33）;科研创新团队阶段成果（团队号：2018TD05）。