审计视角下电子政务系统的风险评估及应对研究

刘国城 陈婕妤 陈意正

【摘 要】 近年来，电子政务系统的风险问题受到广泛关注。加强对电子政务系统的风险管控有利于保障政务系统的机密性、完整性、可用性和可控性，有益于政府为社会公众提供更加高效的政务服务。电子政务系统是一个复杂的社会系统，其在组织、应用、安全等方面面临诸多威胁和挑战，如何科学评估和应对电子政务系统风险已成为实务界亟待解决的问题。文章基于审计视角探寻电子政务系统风险管理相关理论，设计有关电子政务系统的风险评估指标体系，以BP神经网络为关键方法构建风险评估模型，分析政务系统风险的应对策略，并结合案例阐释了BP神经网络模型的应用机制，旨在为政务部门优化电子政务系统风险管理实践提供审计支持。

【关键词】 政府审计； 电子政务； 政务系统； 风险评估； BP神经网络

【中图分类号】 F239.4；F49  【文献标识码】 A  【文章编号】 1004-5937（2024）02-0035-09

2017年5月，国务院办公厅印发《政务信息系统整合共享实施方案》。2018年7月，国务院印发《关于加快推进全国一体化在线政务服务平台建设的指导意见》。2021年12月，国家发展和改革委员会印发《“十四五”推进国家政务信息化规划》。一系列政策文件的出台旨在加强电子政务的顶层设计，推进电子政务的智慧化、便捷化建设。随着电子政务的深入发展，各级政务部门已经越来越依赖信息化手段履行其政务职能。然而，电子政务系统的应用在给政府部门带来便捷的同时，也为政府部门的政务系统安全管理带来全新挑战，如电子政务系统面临着非法入侵、计算机病毒、数据缺失、拒绝服务、内部人员泄密、越权操作、恶意欺诈、非法嗅探等诸多威胁，随时会对电子政务系统造成“灾难性”影响。

近年来，电子政务系统风险已引起社会的广泛关注，如何强化对电子政务系统的风险管理及有效防范成为业界关注的热点问题。审计可以为政府部门防控电子政务系统风险提供服务，以其特有的程序，分析电子政务系统的运行机制并发现电子政务系统自身的缺陷。信息系统审计全面性、综合性、实用性以及可操作性的特点完全可以满足电子政务管理和控制的要求[ 1 ]。在电子政务系统审计过程中，对电子政务系统开展风险评估至关重要，其能够为政务部门如何有效防控風险提供重要的证据支撑。然而，在审计实践中，由于电子政务系统的复杂性、公众性、不确定性等特点，使得审计人员运用定性评估方法对电子政务系统风险进行评估缺乏科学性。当前，有许多定量评估方法被广泛应用于风险评估领域，如BP神经网络、模糊综合评价、灰色综合评价等。如何将特定的定量评估方法有效应用于电子政务系统风险评估之中，已成为审计人员亟待解决的问题。基于此，本文特别选取BP神经网络方法，并以此构建电子政务系统风险评估模型，旨在为审计机构如何开展电子政务系统风险评估及审计提供理论支撑和实践借鉴。

一、文献回顾

（一）电子政务系统审计

电子政务系统审计是审计人员独立客观地对电子政务信息系统的安全性、有效性、可靠性进行全面检查和评价并向政务部门提出问题与建议的活动[ 2 ]，具有整体综合性、方法灵活性、知识专业性、集群风险性等特征。电子政务系统审计的对象是政府组织的信息系统，主要涵盖电子政务项目、信息系统资产和相关管理活动[ 3 ]，其目标在于揭示系统规划、建设和运行管理中存在的重大风险隐患，保障政务信息系统安全、可靠和高效运行[ 4 ]。审计实施方面，温廷新和邵良杉[ 5 ]从开发前审计、开发运行中审计和运用效果审计三个方面提出电子政务系统审计框架。

风险评价是电子政务系统审计的一项重要内容。风险是否得到有效控制是决定电子政务系统成败的关键，而对电子政务进行审计能有效管控风险。因此，政务部门迫切需要将信息系统审计引入政务系统[ 6 ]。基于审计视角探索电子政务系统风险的文献主要集中于：（1）将风险管理纳入审计基本业务。吕成戍和史达[ 7 ]分析了电子政务信息系统审计的基本业务，指出风险管理和应用控制是政务信息系统审计的重要内容。（2）构建政务系统风险审计框架。张鹏和王延章[ 8 ]设计了电子政务系统风险审计框架，以求基于全局视域控制政务信息系统的建设和运营风险。（3）强化电子政务云安全审计。政务云风险是电子政务系统风险的重要部分，王会金和刘国城[ 9 ]探索政务云安全审计的运行机制及保障策略，旨在强化审计在防控电子政务系统风险方面的功能实现。

（二）BP神经网络在风险管理中的应用

BP神经网络是以Rumelhart和McClelland为首的科学家团队在1986年提出的一种按照误差反向传播算法训练的多层前馈神经网络。BP神经网络具有自学习和自适应的特点，由于其强大的泛化能力和非线性拟合能力，BP神经网络被广泛应用于风险管理领域。

BP神经网络在风险管理中的应用研究主要集中于：（1）风险识别。仝凌云等[ 10 ]借助BP神经网络识别P2P网贷平台信用风险，林源[ 11 ]使用BP神经网络模型对医疗保险欺诈滥用风险进行识别。（2）风险估计。运用BP神经网络技术可以对供应链风险进行估计，如Zou等[ 12 ]运用BP神经网络模型估计企业供应链的风险。此外，BP神经网络还可用于估计信用风险，Tari等[ 13 ]基于BP神经网络算法对有关商业银行、制造业上市公司以及小微企业的信用风险进行估计。（3）风险预警。李丽珍[ 14 ]应用BP神经网络模型对地方政府债务风险进行风险预警，旨在为政府提前感知并预防债务风险提供理论支持。为应对网贷平台的迅猛发展所带来的借贷风险，梁爽等[ 15 ]构建BP神经网络模型对P2P网贷平台的风险进行监测与预警。在企业层面，李彩[ 16 ]利用BP神经网络对上市企业的退市风险、财务风险、信用风险以及人才流失风险进行预警，有关预警结论可为企业管理层进行战略决策提供重要参考。

（三）文献述评

通过梳理发现，鲜有学者将BP神经网络、模糊数学、支持向量机、灰色综合评价等定量方法运用于以电子政务系统为对象的风险评估之中，且未曾发现有学者基于审计视角探索BP神经网络在电子政务系统风险管理中的应用。尽管BP神经网络在商业、金融、医疗保险、铁路建设等领域风险估计中的应用已经趋于成熟，但如何基于审计视角，并结合电子政务系统自身特征将BP神经网络运用于电子政务系统的风险评估还是一个尚未有学者涉足的领域。BP神经网络对电子政务系统风险评价的贡献究竟体现在哪些方面，BP神经网络的功能供给与电子政务系统风险评价的本质需求如何匹配与耦合，这些都是未来研究的方向。有鉴于此，本文站于审计视角，引入BP神经网络的模型与算法，对电子政务系统风险开展定量评估、收集审计证据并提出应对策略，以期为政务部门防范信息系统风险提供建设性意见。

二、电子政务系统风险评估指标体系的构建

电子政务系统是优化政府办公、管理、服务等活动的辅助人机系统，其促进了政务资源在信息系统中的生成、呈现、管理、集成、共享和利用。然而，电子政务系统在提高政务办公和服务效率的同时，也成为孕育风险的温床，它的风险分布于组织管理、系统应用、信息网络、系统安全四个领域。在组织管理领域，电子政务系统涉及组织、建设、运行、维护四个阶段的全生命周期管理。其中，组织风险涵盖组织机构、制度管理、管理队伍等方面风险，建设风险是指从立项审批至验收的全过程风险，运行风险是指系统运行过程中的操作风险，维护风险是指系统维护部门职责履行中的风险。在系统应用领域，电子政务系统面临政务信息输入控制、输出控制、预处理、存储、共享、分析、可视化、容灾、备份、隔离、删除等方面的风险，以及应用操作、应用服务、应用软件、应用接口等方面的风险。在信息网络领域，电子政务系统可能存在网络布线混乱、网络产品功能缺失、不同层级网络之间通信易受干扰或中断等风险。在系统安全领域，电子政务系统的工作环境、物理设施面临着威胁，考验着被审计单位抵御恶意代码攻击、病毒攻击、黑客攻击的水平，同时对电子政务系统的访问控制、不可抵赖性、完整性、机密性、可控性、应急响应能力等提出了更高的挑战。

电子政务系统风险指标体系是由一系列与电子政务系统风险密切相关的指标构成的体系，是对电子政务系统风险进行评估的尺度。基于科学性、系统性、相关性、相对独立性等指标设定原则，本文借鉴层次分析法的思想，结合上述电子政务系统风险领域的分类，将电子政务系统的风险指标体系分解为目标层、准则层和方案层，设置了37个电子政务系统的风险指标，并特别设计了电子政务系统风险的层次结构，如表1所示。其中，目标层即为电子政务系统的总风险，准则层为电子政务系统的具体风险类别，包括组织风险、应用风险、网络风险以及安全风险，方案层则是37个具体风险类别下的特定风险指标。上述分层使得所构建的电子政务系统风险评估指标体系逻辑清晰、层析分明。

三、电子政务系统的风险评估分析

（一）电子政务系统风险评估的框架思路

为便于审计人员从整体上把握被审计电子政务系统的风险情况，快速发现影响电子政务系统风险的关键因素，强化依托审计手段全面治理电子政务系统风险的功能，本文借助BP神经网络算法模型对电子政务系统风险进行评估。在进行深入研究与测试的基础上，本文构建了基于BP神经网络的电子政务系统风险评估框架，该框架涵盖模型准备、模型训练、模型测试和模型应用四个模块，具体如图1所示。

（二）电子政务系统风险评估模型的设计

根据柯尔莫哥洛夫定理，三层神经网络可以精确地实现任意给定的连续映射F：ap→bq。1989年，Robert Hecht-Nielson证明了多层感知机（MLP）的万能逼近定理，即含有一个隐含层的BP神经网络可以逼近任意一个闭区间内的连续函数。基于此，本文所构建的电子政务系统风险评估模型是一个由输入层、隐含层和输出层构成的三层BP神经网络模型，如图2所示。

1.输入层。集合专家团队对表1中的37个定性评估指标进行打分，并将专家打分值作为输入值。输入层神经元数量为37。

2.输出层。输出电子政务系统风险的综合评价值。输出层神经元数量为1。

3.隐含层。确定隐含层神经元的个数多采用经验值与试凑法相结合的方法。首先，参考经验法下的公式s= +i确定隐含层的范围（s为隐含层神经元数，r为输入层神经元数，k为输出层神经元数，i為1～10之间确定的常数）；其次，借助实际输出与期望输出的均方误差数值及训练步数的数值，采用试凑法确定最佳的神经元数。

（三）电子政务系统风险评估的具体步骤

1.BP神经网络初始化。创建一个结构为r-s-k的三层神经网络，设置相应的参数。其中，s、r、k等参数前文已述，输入层与隐含层之间的权重为Vij，隐含层与输出层之间的权重为Wjz，初始化隐含层偏置值为a，输出层偏置值为b，学习速率为φ，训练次数为？琢，目标误差为？着。

2.确定训练样本、测试样本和待评估样本，进行专家打分并设置风险阈值。选取n个政务部门作为训练样本，m个政务部门作为测试样本，1个政务部门为待评估样本。专家团队在对各样本进行访谈和考察的基础上，对各样本的风险评估指标值和综合评估值进行打分，并对打分数据进行归一化处理。由于在表1中存在正向与负向的指标，所以采用属性归一化处理方法。

若属性值为效益型，即属性值越大，电子政务系统风险综合评估值越大，则令：

若属性值为成本型，即属性值越大，电子政务系统风险综合评估值越小，则令：

在数据归一化基础上，结合被审计单位的风险意识和专家意见，确定电子政务系统风险的两个阈值，即低风险阈值（G）和高风险阈值（T），两个阈值将政务系统风险划分为三个区间，并对应三个风险等级。其中，（0，G）为低风险，（G，T）为中风险，（T，1）为高风险。

3.将训练样本输入模型，计算隐含层输出值（H），计算公式为：

其中，隐含层的节点数是s，隐含层传输函数f1采用tansig函数，表达式为：

4.计算输出层的输出值（Q），计算公式为：

其中，输出层的节点数为k，隐含层的传输函数f2采用purelin函数，表达式为：

5.计算网络预测总误差。为了避免单个样本分次输入模型使权重修改过频而引发振荡问题，改用批处理样本，将样本分批输入模型并计算实际输出与期望输出的总误差。计算公式为：

Q*q和Qq分别为第q个样本的期望输出值和经网络模型计算得出的实际输出值，Eq为第q个样本的误差函数。

6.判断总误差是否满足预期（|E|＜ε）。如果不满足预期，则将误差反向传播，重新调整模型的权重和偏置值，返回第3步骤进行迭代处理，直到总误差小于目标误差时停止训练。BP神经网络模型的权重调整公式为：

其中t表示时刻，？浊1、？浊2为学习步长，？茁1、？茁2为动量因子。

7.利用测试样本对训练好的模型进行测试，比较测试模型的实际输出和期望输出的拟合程度。当拟合程度高于85%时，仿真效果良好，所构建的模型能够有效应用于电子政务系统的风险评估实践。

8.调用训练成熟的模型，对待评估样本开展风险评估。首先，审计人员将待评估样本的风险指标数据输入上述步骤“7”中训练并导入调试好的模型中，得出综合评估值。其次，审计人员通过判断评估值所属的风险区间得到待评估样本的风险等级。最后，审计人员提取网络模型权重，引入链条分析的思想，比较隐含层到输出层之间的连接权值wjz，找到连接权值最大的隐含层节点j，随之比较输入层到隐含层节点j之间的连接权重Vij，找到连接权重较大的若干输入层节点i，则输入层节点i对应的风险指标为影响综合评估值的关键因素，审计人员将会借此确定电子政务系统的风险等级和重要风险点。

四、电子政务系统的风险应对探索

借助BP神经网络模型，审计人员能够获取模型反馈的电子政务系统风险评估结果，包括被审计单位政务系统的风险等级以及关键风险因素。审计人员应结合自身知识，在进一步分析关键风险因素的基础上，根据不同的风险等级，有针对性地为被审计单位提供风险应对策略。

（一）基于低风险评估结果的应对

前文提及的低风险（0，G）一般被视为被审计电子政务系统的可承受风险。如果BP神经网络模型的反馈结果为低风险，则说明当前电子政务系统所存在的风险处于可接受的范围，预计发生实际损失的可能性较小。为此，应对低风险，审计人员需要对有关风险治理的效益与成本进行衡量，当治理效益高于治理成本，则采用控制措施降低风险或减轻损失，当治理效益低于治理成本，则采用风险接受策略，不采取控制行动。然而，风险接受并不意味着放弃对低风险事项的后续跟踪。审计人员需要于每季度对并未采取控制措施的低风险事项开展实质性测试，如对被审计单位政务系统的管理人员、操作人员、维护人员进行访谈，对政务系统的管理制度文件、操作手册、维护日志进行审阅和检查，对政务系统的业务处理流程进行穿行测试等，以防止电子政务系统的低风险事项向中风险或高风险等级演变。

（二）基于中风险评估结果的应对

如果BP神经网络模型的反馈结果为中风险，则审计人员应指导被审计单位从如下层面做好风险应对，具体为：（1）风险分析。针对中风险事项的关键风险因素进行深层次分析，厘清相关风险因素对电子政务系统总风险的影响机制。如对应用服务中的电子邮件系统开展深度分析，会发现其存在功能缺失、运行不畅、界面丢失、垃圾邮件泛滥等风险，上述因素将增加政务部门办公的时间成本，甚至引发业务停摆危机。（2）分类应对。在明晰中风险因素影响机制的基础上，审计人员应制定分类应对策略，有针对性地降低或消除风险。如针对垃圾邮件泛滥风险，审计人员可以建议被审计单位完善垃圾邮件识别机制，构架规则过滤和内容过滤相结合的综合型反垃圾系统。再如针对系统维护风险，审计人员可建议被审计单位采取与系统提供商签订服务失灵的赔偿合约、购买保险、将系统维护业务外包给第三方等措施转移和分担风险。（3）持续跟踪。上述分类应对策略实施后，审计人员需要做好后续追踪工作，定期运用BP神经网络模型频繁开展风险估计，通过模型反馈结果的动态输出，及时观测中风险事项的关键风险因素是否降至可接受的风险水平。一旦发现模型反饋结果未达到低风险标准，则提示被审计单位继续开展风险控制工作，直至将中风险事项降低至较低风险水平。

（三）基于高风险评估结果的应对

如果BP神经网络模型的反馈结果为高风险，则审计人员应指导被审计单位基于如下方面做好风险应对，具体为：（1）特别处理事项。审计人员应将高风险因素确定为特别处理事项，成立专项审计小组，制定重点审计预案，加强审计力量。（2）风险应急处置。审计人员应针对高风险事项的关键风险因素执行全面的细节测试和实质性测试，获取具有高度相关性和可靠性的审计证据链条，分析造成风险的具体原因，指导被审计单位实施风险处置，直到风险解除。例如，针对内部人员滥用、误用风险，审计人员首先应查验政务系统的信息是否被错误删除或者恶意转移，其次通过审阅政务系统操作规范、检查系统中的日志文件、追踪异常处理情况、测试被审计单位对员工操作的监督是否有效等方式获取足够的审计证据，最后开展上述证据的核验工作。假设审计人员通过追踪系统操作日志发现内部人员在某些应用中的异常操作相对集中，则应该进一步核查是内部人员误用，还是滥用。若核查结果为误用行为，则建议被审计单位在该应用模块上增加操作提示，或者对内部人员开展专项培训；若核查结果为滥用行为，则建议政务部门立即暂停该内部人员的操作，并开展深入调查。（3）知识归纳。审计人员应梳理与归纳针对高风险因素的风险处置流程，从中总结规律，凝练基于特定高风险因素的风险处置指南，以供被审计单位在未来类似风险的处置中作为参考和借鉴。

五、案例阐释

2022年10月，笔者联络南京市17个政务部门，针对电子政务系统风险问题开展调查研究。其中，政务系统C为待评估样本，政务系统A1-A10为训练样本，政务系统B1-B6为测试样本。笔者集合业内专家团队分别对训练样本和测试样本进行考察，并依据考察结果对37个风险指标值在1～9之间进行赋分。业内专家团队由11名成员组成，其中，理论界专家5名，实务界专家6名，分别来自风险评价、信息系统审计、行政管理、信息科学、应用数学等领域。专家团以相同标准对待评估样本C开展深入考察，并对C的37个风险指标值进行赋分。审计人员归集整理赋分结果，并进行属性归一化处理，具体数值如表2所示。

（一）构建风险评估模型

本文采用的BP神经网络模型的输入层有37个神经元，分别对应37个风险指标。输出层神经元个数为1，对应的是电子政务系统风险的综合评估值。隐含层的神经元个数在运用经验公式确定基本范围的基础上，根据试凑法所确定的最佳神经元个数为10。此外，模型训练函数使用基于Levenberg-Marquardt优化算法更新权重和偏置值的trainlm函数，学习函数采用基于梯度下降法的learngdm函数，性能函数是均方误差性能函数mse，设置最大训练次数为5 000，误差精度为e-7。有关网络模型参数如表3所示。

（二）模型训练和测试

审计人员根据表2中专家团对不同政务部门电子政务系统风险的评分情况，结合被审计单位的风险意识和专家意见，将低风险阈值和高风险阈值分别设定为0.45和0.75，即评估值在0到0.45之间为低风险等级，在0.45到0.75之间为中风险等级，在0.75到1之间为高风险等级。确定参数后，审计人员运用Matlab2019b编写程序，创建神经网络，建立矩阵输入数据，并对神经网络进行训练和测试。将表2中A1—A10组样本的指标值输入网络模型，与之对应的综合评价值作为期望输出，推动模型的学习和训练。B1—B6组样本数据作为测试集，测试BP神经网络模型的仿真效果。

BP神经网络模型对测试样本进行评估后得出风险评估值如图3所示。各测试样本的网络综合评估值分别为：YB1=0.8099，YB2=0.5649，YB3=0.3597，YB4=0.7895，YB5=0.6449，YB6=0.5101。将实际测试与期望输出进行对比（见图4），结果显示网络模型评估值与真实评估值拟合情况良好。从表4可知，6个测试样本的风险等级判定均准确，且实际输出与期望输出的拟合程度均在90%以上，表明所构建的电子政务系统风险评估模型可靠，可用于待评估样本C的风险评估。

（三）待评估样本的风险评估

审计人员将待评估样本C的37个指标值（表2中C组数据）导入上述训练成熟的模型中，得到待评估样本C的风险评估值为0.5144。根据上文的风险等级区间，进一步确定待评估样本的风险等级为中风险。然后，审计人员对训练成熟的BP神经网络模型进行权重提取，并进行逐层分析，从而得到关键风险因素。图5列示了针对主要风险因素的追溯过程，明确了对模型输出结果具有重要意义的权重和节点。通过对图5中的隐含层权重进行排列，可以得到隐含层神经元8的权重最大，相比于其他隐含层神经元，此节点对最终评估值的影响较大。继续追踪与隐含层神经元8相关联的输入层，进一步发现输入层中的26号（0.0942）、18号（0.0934）以及32号（0.0904）的神经元权重分别排前三位，其对应的指标分别是电子政务系统安全管理的混乱性、政务系统数据的容灾、备份以及电子政务系统的不可抵赖性，这三个要素为引发待评估样本C总风险的关键要素。

（四）待评估样本的风险应对

依据模型评估结果，显示样本C处于中风险级别，则审计人员应同被审计单位一道，对评定为中风险等级的待评估样本开展风险应对，尤其要对26号、18号、32号等指标的风险状况开展深层次分析，采取有效的分类应对策略，并持续追踪。针对18号事项的风险应对，审计人员可引入安克诺斯所提倡的3-2-1规则，建议被审计单位至少保留3个数据副本，以至少2种不同的格式存储数据，且将1个副本保留在异地。针对26号事项的风险应对，审计人员应建议被审计单位完善安全管理流程，明确安全管理人员的权利和义务，确保安全管控流程的科学性、可行性和可闭合性，保障各项安全管理活动落到实处。针对32号事项的风险应对，审计人员应建议被审计单位完善对身份认证和数字签名的管理，以避免操作人员对自身行为的抵赖，并提示被审计单位引入数字时间戳，从而避免相关人员对行为发生时间的抵赖。

【參考文献】

［1］ 史达，朱荣，杨洋.电子政务信息系统审计的基本特征研究［J］.财经问题研究，2005（4）：91-95.

［2］ 吴小芬，李永忠，许惠煌.我国电子政务信息系统审计探析［J］.情报杂志，2006（8）：5-7.

［3］ 唐志豪，郝振平.我国电子政务审计研究［J］.审计研究，2013（5）：46-52.

［4］ SUTOPO B，WULANDARI T R，ADIATI A K.E-government，audit opinion，and performance of local government administration in Indonesia［J］.Australasian Accounting，Business and Finance Journal，2017，11（4）：6-22.

［5］ 温廷新，邵良杉.信息系统审计在电子政务中的框架设计［J］.信息技术，2008，32（12）：32-33.

［6］ 郑伟.试析电子政务审计［J］.审计研究，2007（4）：38-42.

［7］ 吕成戍，史达.电子政务信息系统审计的基本问题［J］.情报杂志，2007（12）：43-44.

［8］ 张鹏，王延章.信息系统审计在电子政务中的应用［J］.中国管理信息化，2006（10）：47-49.

［9］ 王会金，刘国城.大数据时代政务云安全风险估计及其审计运行研究［J］.审计与经济研究，2018，33（5）：1-11.

［10］ 仝凌云，曹泽阳，安利平，等.P2P网络借贷平台信用风险识别研究［J］.金融理论与实践，2019（10）：51-58.

［11］ 林源.基于BP神经网络的新农合欺诈识别实证研究：以定点医疗机构欺诈滥用为中心［J］.云南师范大学学报（哲学社会科学版），2015，47（3）：117-128.

［12］ ZOU Z，FARNOOSH A，MCNMARA T.Risk analysis in the management of a green supply chain［J］.Strategic Change，2021，30（1）：5-17.

［13］ TARI F，EBRAHIMI S A，MOUSAVI S J，et al.Comparison between neural network，genetic algorithm and logit models in evaluating consumer credit risk［J］.Journal of Monetary and Banking Research，2018，10（34）：657-680.

［14］ 李丽珍.地方政府或有隐性债务风险预警系统构建与应用研究：基于BP神经网络分析法［J］.财经论丛，2021（3）：14-25.

［15］ 梁爽，刁节文，肖邦.P2P网贷平台风险预测研究［J］.运筹与管理，2021，30（1）：170-176.

［16］ 李彩.基于BP神经网络的饲料上市公司财务风险预警研究［J］.饲料研究，2022，45（7）：117-121.