神经网络在应收账款管理中的应用

◎汪瑶庆

随着人工智能产业的发展被推向新的高度，大数据、云计算等人工智能技术和实体经济的深度融合将带来新的产业变革。人工智能在财务会计领域的应用中，神经网络在应收账款管理中发挥着作用，企业可以通过神经网络技术的应用来提升应收账款管理的质量，尤其是在信用评估和监督管理方面。

当前人工智能在会计领域的两个主要应用是专家系统和人工神经网络智能系统。专家系统能够拥有某领域专业的知识储备，并采用人工智能中的推理技术模仿人类专家推理、解决问题。人工神经网络系统作为一种强大的数据处理技术，可以高效处理非结构化分布数据信息，识别数据间的关系从而进行分类、评估、建模、预测和控制。虽然模糊集、遗传算法和混沌模型目前正在考虑应用于会计核算，但很多会计领域已经成熟运用了专家系统和神经网络系统。德勤咨询公司与Kira Systems 联手开发财务机器人，将人工智能引入会计、税务、审计等工作当中。

一、会计中神经网络的应用

会计与金融是最能发挥神经网络优势的领域之一。神经网络是通过对预先提供的模型数据（包括输入字段和输出字段）进行学习，通过调整权值，分析并掌握两者之间潜在的规律，最终使用这些规律对样本进行训练（即根据规律使用新的输入字段来推算新的输出字段），这就是数据预测与挖掘的过程。随着计算机技术的快速发展，神经网络的训练时间可以大大缩短，并且神经网络对输入字段的要求很低，可以接受不同种类的变量输入，适应性强，允许输出输入字段具有模糊性，因此神经网络方法可以广泛用于各领域的数据挖掘与分析。在人工智能背景下，神经网络卓越的模式识别能力及其运行速度为其应用提供了大量机会。神经网络通常帮助会计人员制定决策、问题预警和评估反馈。

神经网络改变了企业看待数据和决策的方式，它可以通过与其他应用程序有效结合来加强数据处理和制定决策建议的能力。在这些应用程序中，神经网络可以用作前端、中间或后端。神经网络可以快速隔离原始数据中的条件，并传输信号到专家系统知识库（或其他决策支持模块），从而缩短访问搜索引擎的时间——这个过程称为模式识别；在中间处理中，神经网络可以接收前端的结果，并向相应的后续流程输出信号——这个过程称为标记筛选；在后端处理中，神经网络接收来自其他系统输入的信息并做出最终决策——这个过程称为预测。会计活动通常围绕这三种功能，因此神经网络可以改善会计职能。

图1 神经网络系统结构图

二、应收账款管理

专家系统在会计工作中能够发挥很大作用，因为会计工作具有程序化、规范化、原则性强的特点。专家系统最常应用的会计领域包括财务会计、管理会计、税务和审计等。由于专家系统可以支持复杂的决策类型，专家系统在应收账款管理中可用于订单验证、信用批准、开具发票以及更新分类账。专家系统可以提高决策的质量，标记异常订单，在一定限度内加快非常规订单的处理速度。

首席财务官、总会计师和应收账款管理者可以使用神经网络维护信息，以便向客户提供信用条件、监督销售、识别欺诈违约行为、催收账款，以及核销坏账等。很多公司已经在使用神经网络来管理应收账款，例如美国HNC 软件公司研发了CapstoneTM Decision Manager 程序，它可以嵌入到任何行业应收账款决策的应用处理系统中；通用汽车使用开源的Credit Advisor 软件来评估客户信用，用来判断是否向客户发放汽车贷款。

（一）信用评估

在日常经营活动中，企业会提供商业信用给符合资格的消费者、客户和其他主体。应收账款作为商业信用，不要求客户提供抵押品，因此企业必须对客户进行全面的信用评估。许多公司，尤其是那些拥有大量应收款账户的公司（如大型分销商、拥有大量直接客户的制造商和拥有自己信用卡的零售公司），会使用神经网络来标记客户。

神经网络参与的环节包括预先筛选信用条件较差的客户，提出与商业信用授权有关的建议。由于使用神经网络可缩短分析时间，客户可立即获得有关是否提供信用条件的反馈，因此可降低处理成本并改善客户服务。黄晓波等（2015）研究发现中小企在应收账款信用评估时，神经网络筛选客户方面相较于传统的参数统计方法有绝对的优势，可以缩短时间，节约成本。许多企业已经成功地将训练有素的神经网络嵌入软件，这些软件甚至可以让企业在销售环节就做出决策。例如，美国运通公司使用了Authorizer's Assistant 软件在销售阶段进行信用评估和授权，很大程度上提高了应收账款管理的效率。

神经网络在规划阶段，应明确其任务、运行时间以及如何输出结果。输入赊购商品的客户信息后，计算机将访问信用评估机构的报告和其他存储的数据，进行信用评估决策。不过，公司必须支付相关成本，例如向信用评估机构支付费用。如果原始应用程序中有足够的数据，公司可以通过使用神经网络做出最终的信用决策来避免许多诸如此类处理成本。由于大量客户的数据来源太多，神经网络非常善于准确识别可能影响信用状况的数据之间的关系。制造商和分销商使用神经网络可以帮助他们更新客户信用状况的变化。李为波（2015）认为数据越多，神经网络作用越明显。在识别和筛选数据过程中，神经网络同时需要成功和失败的信用数据。如果企业没有关于应收账款信用违约的客户数据，则无法构建神经网络。在试验项目中发现使用少量账户样本（100 至150 个）过去两个季度到五年的可用的数据，改变输入数可以帮助确定神经网络开发的最佳输入组合。申请日期也可以提供账户以外的经济状况的重要数据，这些数据可能会影响信用评估。

企业可以将训练有素的神经网络作为子程序安装信用决策的任何操作软件中。在预筛选阶段，它可以在数据输入程序的末尾执行，只需执行有效性检查程序。这样，企业可以立即通知线下或在线申请的客户申请结果。神经网络通常是向首席财务官、信用部门经理或销售经理提出建议，由他们做出最终决策，但有时网络也会做出授信决策。随着公司获取越来越多信用损失的经验，以及客户信用状况的变化，神经网络可以通过再训练来更新数据库信息。

使用神经网络的企业需要运用程序来分析坏账发生的原因，以便能够发现神经网络是否能检测到不符合信用条件的客户。当坏账率在任何会计期间（月份、季度或年）显著上升时，后续程序应立即进行再训练。

（二）信用监督

在应收账款管理中，企业应建立应收账款的信用监督体系和预警机制，完善内部控制制度。随着越来越多的商家使用线上信用评估进行赊销活动（例如淘宝提供分期付款服务），神经网络可以监控系统以确定潜在的欺诈性客户，使公司有机会拒绝此类即时的信贷授权。这种类型的模式识别软件可以嵌入到公司的应收账款和销售授权软件中。建立神经网络需要的数据包括客户的过去购买和支付信息、交易频率、交易的规模、客户特征和其他账户数据。

企业会定期核销无法收回的应收账款，当客户财务状况较差时，与账户相关的数据（客户定期财务报表、采购和付款信息）会发生变化。在客户宣告破产之前识别到客户财务状况恶化的趋势可以帮助企业显著减少损失。由于市场竞争日益激烈，企业为了促进销售、降低库存给予客户一定的付款期，由此形成了应收账款。在传统的应收账款管理系统下，财务部门对应收账款负担管理职责，同时需要信用部门和销售部门负责跟踪和管理，由此形成动态跟踪、分析，强化日常监督和管理。在大数据背景下，神经网络可以从庞大的财务数据库中快速地分析出有效的财务信息，预测趋势、提供决策依据。训练有素的神经网络可以与其他决策支持系统整合，定期监控公司应收账款管理，延长或者收回授信。随着时间的推移，客户的财务状况、采购和支付模式会发生变化，公司获取大量的客户信用状况，神经网络可以通过导入新的数据进行再训练，以此来提高神经网络预测坏账、实施信用监督的准确性，并且神经网络具有反馈功能，能够及时有效地对应收账款的回款作出及时的反应。由于计算机数据处理能力的加强，神经网络对输入量的适应性提高，训练时间缩短，因此神经网络已被广泛用于各领域的数据挖掘与分析。

图2 和图3 对神经网络应用前后应收账款管理流程做了对比分析：

图2 传统应收账款管理流程

图3 神经网络系统应收账款管理流程图

客户信用反馈信息可通过反向传播神经网络获取。反向神经网络的优点在于其对输入字段的容错性高可以用来处理企业内部机制复杂的财务决策，并有效提高财务预测的准确率。图4 为反向传播神经网络系统运行机制。传统的应收账款管理中，企业通过对客户的财务状况、信用违约等信息来评估其信用状况并授予信用条件。神经网络可以提取样本所隐含的特征关系，并对企业财务信息发生变化的数据进行内插和外推以预测其发展。如果将神经网络系统应用于应收账款管理中，企业可以既通过正向传导机制，也可以通过反向传播神经网络来提升应收账款管理的质量。

图4 反向神经网络系统图

张玲等（2005）采用164 家沪深上市公司财务数据进行了实证分析，结果显示神经网络技术应用于上市公司财务困境预警具有较高的预测能力，这也进一步证明了在现有会计制度和会计准则下，财务报表能提供预测财务困境的大量有用信息，财务危机有迹可循。神经网络善于在流程的早期识别与财务恶化相关的采购、付款以及财务报表数据，以便公司能够采取行动防止损失。企业使用神经网络监控所有赊购客户的采购和付款活动，以便在客户无法支付甚至破产之前采取行动，提供预警。由C·Ducan（伊利诺伊大学）开发的Auditor 神经网络程序可以应用于帮助企业分析坏账准备。

三、总结

会计的目标在于为信息使用者提供有助于决策的信息。应收账款的风险在于企业应收账款产生的资金成本、坏账损失和管理成本。作为企业重要的流动资产，应收账款的管理会直接影响企业资金的流动性。在人工智能时代，财会人员需要不断吸取国内外的会计研究和实践成果，将智能技术应用到决策支持系统中，将会计工作与生产、销售、人事等管理工作融为一体。加强应收账款管理可以为企业带来稳定的现金流入，加速资金周转，降低资金成本。因此，企业将神经网络应用于应收账款管理能降低企业经营风险，提升竞争力，在应收账款的客户信用分析和评估以及信用授权之后的追踪和监督发挥积极作用。虽然人工智能的应用能让会计处理自动化、分析决策智能化，但数据安全性和程序可靠性仍然需要相关技术和会计人员的复核、监督。