財(cái)務(wù)風(fēng)險(xiǎn)精準(zhǔn)預(yù)測(cè)研究

序論：寫(xiě)作是一種深度的自我表達(dá)。它要求我們深入探索自己的思想和情感，挖掘那些隱藏在內(nèi)心深處的真相，好投稿為您帶來(lái)了一篇財(cái)務(wù)風(fēng)險(xiǎn)精準(zhǔn)預(yù)測(cè)研究范文，愿它們成為您寫(xiě)作過(guò)程中的靈感催化劑，助力您的創(chuàng)作。

1引言

財(cái)務(wù)管理作為醫(yī)院發(fā)展的基礎(chǔ)，是醫(yī)院展開(kāi)經(jīng)營(yíng)管理活動(dòng)的保障，醫(yī)院所面臨的財(cái)務(wù)風(fēng)險(xiǎn)大小影響醫(yī)院財(cái)務(wù)管理水平的高低[1-3]。因此，國(guó)內(nèi)外學(xué)者針對(duì)醫(yī)院財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)進(jìn)行了相關(guān)研究。其中，SilvaAPBD學(xué)者提出基于一元判別模型的醫(yī)院財(cái)務(wù)風(fēng)險(xiǎn)精準(zhǔn)預(yù)測(cè)方法，將醫(yī)院財(cái)務(wù)風(fēng)險(xiǎn)進(jìn)行了不同標(biāo)準(zhǔn)的分類(lèi)，建立醫(yī)院財(cái)務(wù)風(fēng)險(xiǎn)共享資源矩陣，預(yù)測(cè)醫(yī)院財(cái)務(wù)走向，但該方法的風(fēng)險(xiǎn)預(yù)測(cè)精度誤差較大，結(jié)果精準(zhǔn)度不高[4]。桂嘉偉學(xué)者基于F分?jǐn)?shù)模型分析預(yù)測(cè)財(cái)務(wù)風(fēng)險(xiǎn)，運(yùn)用三階段DEA模型和Mal-mquist指數(shù),比較財(cái)政償債和盈利效率，但是該方法的風(fēng)險(xiǎn)預(yù)測(cè)指標(biāo)收集不全面，造成財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)信息有偏差[5]。針對(duì)上述研究存在的問(wèn)題，提出基于直覺(jué)時(shí)間模糊序列的醫(yī)院財(cái)務(wù)風(fēng)險(xiǎn)精準(zhǔn)預(yù)測(cè)研究方法，全面提取財(cái)務(wù)數(shù)據(jù)信息，篩選風(fēng)險(xiǎn)指標(biāo)，實(shí)現(xiàn)對(duì)醫(yī)院財(cái)務(wù)風(fēng)險(xiǎn)的精準(zhǔn)預(yù)測(cè)。

2財(cái)務(wù)風(fēng)險(xiǎn)精準(zhǔn)預(yù)測(cè)方法

2.1財(cái)務(wù)風(fēng)險(xiǎn)數(shù)據(jù)挖掘首先考慮醫(yī)院規(guī)模、研究樣本的實(shí)際時(shí)間跨度以及醫(yī)院財(cái)務(wù)危機(jī)概念這幾種因素對(duì)研究醫(yī)院樣本進(jìn)行確定。選取的樣本包括財(cái)務(wù)正常醫(yī)院與存在財(cái)務(wù)危機(jī)的醫(yī)院。其中存在財(cái)務(wù)危機(jī)的醫(yī)院指的是存在連續(xù)虧損等財(cái)務(wù)狀況的醫(yī)院。樣本的具體選取標(biāo)準(zhǔn)如下：（1）研究樣本如果來(lái)源于不同會(huì)計(jì)年度，則可能產(chǎn)生時(shí)間性研究差異，為減少和控制外部經(jīng)濟(jì)因素帶來(lái)的偏差，盡量比較同一年度的研究數(shù)據(jù)[6]。（2）選取的總樣本量為六十家醫(yī)院，其中財(cái)務(wù)正常醫(yī)院共三十家，存在財(cái)務(wù)危機(jī)的醫(yī)院共三十家。接著對(duì)樣本醫(yī)院的財(cái)務(wù)風(fēng)險(xiǎn)數(shù)據(jù)進(jìn)行挖掘，在該過(guò)程中首先需要進(jìn)行樣本醫(yī)院財(cái)務(wù)風(fēng)險(xiǎn)數(shù)據(jù)的關(guān)聯(lián)分析，具體過(guò)程如圖1所示。然后利用Apriori算法進(jìn)行樣本醫(yī)院的財(cái)務(wù)風(fēng)險(xiǎn)數(shù)據(jù)挖掘，具體挖掘流程如下：（1）將多項(xiàng)數(shù)據(jù)集設(shè)為T(mén)k(k=1,2,3,…,m)，對(duì)其進(jìn)行掃描，獲取候選數(shù)據(jù)集合。（2）以最小支持度SUPmin為依據(jù)產(chǎn)生候選繁榮集。（3）對(duì)候選繁榮集中成員對(duì)應(yīng)的最小支持度進(jìn)行判斷。對(duì)于不是最繁榮的成員，將其在候選繁榮集中去除。（4）對(duì)于候選繁榮集中的全部非空子集，確定其強(qiáng)關(guān)聯(lián)規(guī)則，通過(guò)強(qiáng)關(guān)聯(lián)規(guī)則挖掘需要的樣本醫(yī)院財(cái)務(wù)風(fēng)險(xiǎn)數(shù)據(jù)。

2.2財(cái)務(wù)風(fēng)險(xiǎn)指標(biāo)選取對(duì)數(shù)據(jù)的實(shí)際可獲得性進(jìn)行考慮，遵循一定原則選取醫(yī)院財(cái)務(wù)風(fēng)險(xiǎn)指標(biāo)[7-8]。包括經(jīng)濟(jì)性、可操作性、可比性、全面性、科學(xué)性原則，結(jié)合醫(yī)院財(cái)務(wù)風(fēng)險(xiǎn)實(shí)際狀況，確定了四類(lèi)醫(yī)院財(cái)務(wù)風(fēng)險(xiǎn)指標(biāo)，四種類(lèi)別分別如下：償債能力財(cái)務(wù)風(fēng)險(xiǎn)指標(biāo)類(lèi)別、盈利能力財(cái)務(wù)風(fēng)險(xiǎn)指標(biāo)類(lèi)別、成長(zhǎng)能力財(cái)務(wù)風(fēng)險(xiǎn)指標(biāo)類(lèi)別和經(jīng)營(yíng)能力財(cái)務(wù)風(fēng)險(xiǎn)指標(biāo)類(lèi)別。

2.3財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)根據(jù)選取的財(cái)務(wù)風(fēng)險(xiǎn)指標(biāo)，基于直覺(jué)時(shí)間模糊序列構(gòu)建醫(yī)院財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)模型，實(shí)現(xiàn)醫(yī)院財(cái)務(wù)風(fēng)險(xiǎn)的精準(zhǔn)預(yù)測(cè)。根據(jù)上式結(jié)果，利用構(gòu)建的醫(yī)院財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)模型進(jìn)行醫(yī)院財(cái)務(wù)的風(fēng)險(xiǎn)預(yù)測(cè)。具體步驟如下：（1）對(duì)劃分間隔與論域進(jìn)行定義。將論域定義為U，并對(duì)初始聚類(lèi)數(shù)進(jìn)行選取，通過(guò)直覺(jué)模糊優(yōu)化均值對(duì)間隔長(zhǎng)度進(jìn)行確定。（2）對(duì)變量語(yǔ)言直覺(jué)模糊集進(jìn)行定義。對(duì)樣本的集合隸屬程度進(jìn)行計(jì)算，從而獲取其直覺(jué)時(shí)間模糊序列。（3）構(gòu)建模糊直覺(jué)關(guān)系。首先確定窗口參數(shù)的最佳值，并對(duì)操作矩陣與標(biāo)準(zhǔn)向量進(jìn)行計(jì)算，從而構(gòu)建直覺(jué)模糊關(guān)系。（4）調(diào)節(jié)距離參數(shù)因子，對(duì)各種聚類(lèi)數(shù)進(jìn)行獲取從而進(jìn)行循環(huán)操作，得到相應(yīng)預(yù)測(cè)值。（5）對(duì)去直覺(jué)模糊化進(jìn)行實(shí)施，選取預(yù)測(cè)誤差率最小的一組預(yù)測(cè)值，作為最優(yōu)的預(yù)測(cè)結(jié)果。

3實(shí)證分析

3.1實(shí)證數(shù)據(jù)獲取為了驗(yàn)證財(cái)務(wù)風(fēng)險(xiǎn)精準(zhǔn)預(yù)測(cè)方法的整體有效性進(jìn)行實(shí)驗(yàn)，對(duì)北京中醫(yī)醫(yī)院順義醫(yī)院進(jìn)行財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)實(shí)驗(yàn)。擬定實(shí)驗(yàn)平臺(tái)即MatlabR2022b，在主頻為1的環(huán)境下進(jìn)行仿真。在北京中醫(yī)醫(yī)院順義醫(yī)院2013～2020年的樣本數(shù)據(jù)集中隨機(jī)選取2000個(gè)財(cái)務(wù)信息數(shù)據(jù)，將其中1400個(gè)財(cái)務(wù)信息用于訓(xùn)練，600個(gè)財(cái)務(wù)信息用于測(cè)試，獲取醫(yī)院財(cái)務(wù)風(fēng)險(xiǎn)精準(zhǔn)預(yù)測(cè)方法的償債能力、盈利能力、成長(zhǎng)能力、運(yùn)營(yíng)能力四種指標(biāo)類(lèi)別的風(fēng)險(xiǎn)預(yù)測(cè)誤差率數(shù)據(jù)。為增強(qiáng)本次實(shí)驗(yàn)結(jié)果的對(duì)比性，將文獻(xiàn)[4]方法和文獻(xiàn)[5]方法作為對(duì)比實(shí)驗(yàn)方法，完成實(shí)驗(yàn)分析。

3.2償債能力指標(biāo)數(shù)據(jù)預(yù)測(cè)誤差率分析償債能力指標(biāo)能夠反映醫(yī)院財(cái)務(wù)狀況好壞，可用于考察醫(yī)院持續(xù)經(jīng)營(yíng)能力，因此償債能力指標(biāo)數(shù)據(jù)預(yù)測(cè)至關(guān)重要。通過(guò)對(duì)比本文方法與文獻(xiàn)[4]、文獻(xiàn)[5]方法的償債能力指標(biāo)數(shù)據(jù)預(yù)測(cè)誤差率，驗(yàn)證本文方法的優(yōu)越性，結(jié)果如圖2所示。根據(jù)圖2的償債能力指標(biāo)數(shù)據(jù)預(yù)測(cè)誤差率實(shí)驗(yàn)結(jié)果可知，相較于文獻(xiàn)[4]方法和文獻(xiàn)[5]方法，本文方法誤差率較低，在財(cái)務(wù)信息數(shù)據(jù)數(shù)量達(dá)到500個(gè)時(shí)趨于穩(wěn)定，為1.5%。

3.3盈利能力指標(biāo)數(shù)據(jù)預(yù)測(cè)誤差率分析盈利能力指標(biāo)能夠反映醫(yī)院當(dāng)前的經(jīng)營(yíng)業(yè)績(jī)，可用于分析醫(yī)院實(shí)際經(jīng)營(yíng)狀況。對(duì)盈利能力指標(biāo)類(lèi)別進(jìn)行風(fēng)險(xiǎn)預(yù)測(cè)，結(jié)果如圖3所示。根據(jù)圖3的盈利能力指標(biāo)數(shù)據(jù)預(yù)測(cè)誤差率實(shí)驗(yàn)結(jié)果可知，相較于文獻(xiàn)[4]方法和文獻(xiàn)[5]方法，本文方法的誤差率為1.2%，實(shí)現(xiàn)了約7.8%與6.1%的降低。

3.4成長(zhǎng)能力指標(biāo)數(shù)據(jù)預(yù)測(cè)誤差率分析成長(zhǎng)能力指標(biāo)能夠反映醫(yī)院未來(lái)生產(chǎn)經(jīng)營(yíng)水平，可用于測(cè)量醫(yī)院擴(kuò)展經(jīng)營(yíng)能力。對(duì)成長(zhǎng)能力指標(biāo)類(lèi)別進(jìn)行風(fēng)險(xiǎn)預(yù)測(cè)，結(jié)果如圖4所示。根據(jù)圖4的成長(zhǎng)能力指標(biāo)數(shù)據(jù)預(yù)測(cè)誤差率實(shí)驗(yàn)結(jié)果可知，本文方法誤差率波動(dòng)較穩(wěn)定，在預(yù)測(cè)至400個(gè)財(cái)務(wù)信息數(shù)量時(shí)趨于穩(wěn)定，誤差率為2.4%，而文獻(xiàn)[4]方法和文獻(xiàn)[5]方法的數(shù)據(jù)預(yù)測(cè)誤差率為4.7%和3.9%。

3.5運(yùn)營(yíng)能力指標(biāo)數(shù)據(jù)預(yù)測(cè)誤差率分析運(yùn)營(yíng)能力指標(biāo)能夠反映醫(yī)院當(dāng)前盈利狀態(tài)，可用于分析醫(yī)院資產(chǎn)運(yùn)營(yíng)效率。對(duì)運(yùn)營(yíng)能力指標(biāo)類(lèi)別進(jìn)行風(fēng)險(xiǎn)預(yù)測(cè)，結(jié)果如圖5所示。根據(jù)圖5的運(yùn)營(yíng)能力指標(biāo)數(shù)據(jù)預(yù)測(cè)誤差率實(shí)驗(yàn)結(jié)果可知，本文方法誤差率低于文獻(xiàn)[4]方法和文獻(xiàn)[5]方法，在財(cái)務(wù)信息數(shù)量為600時(shí)，本文方法誤差率為1.9%。

4結(jié)束語(yǔ)

將直覺(jué)時(shí)間模糊序列應(yīng)用于醫(yī)院財(cái)務(wù)風(fēng)險(xiǎn)精準(zhǔn)預(yù)測(cè)方面的研究中，償債能力指標(biāo)類(lèi)別風(fēng)險(xiǎn)預(yù)測(cè)誤差率為1.5%，盈利能力指標(biāo)類(lèi)別風(fēng)險(xiǎn)預(yù)測(cè)誤差率為1.2%，成長(zhǎng)能力指標(biāo)類(lèi)別風(fēng)險(xiǎn)預(yù)測(cè)誤差率為2.4%，運(yùn)營(yíng)能力指標(biāo)類(lèi)別風(fēng)險(xiǎn)預(yù)測(cè)誤差率為1.9%。本文方法能夠抓住數(shù)據(jù)的隨機(jī)變化特征，幫助醫(yī)院做出更準(zhǔn)確的財(cái)務(wù)決策。

參考文獻(xiàn):

[1]趙浩,魯亞軍,高潔,等.基于指導(dǎo)性正則化隨機(jī)森林SMO-TEBoost的算法與應(yīng)用[J].統(tǒng)計(jì)與決策,2020,36(4):11-16.

[2]趙蕊菡,陳一.基于扎根理論的網(wǎng)絡(luò)健康信息多維度風(fēng)險(xiǎn)感知理論模型研究[J].情報(bào)理論與實(shí)踐,2020,43(1):68-75.

[3]徐永紅,張彬.改革試點(diǎn)公立醫(yī)院的薪酬關(guān)聯(lián)系數(shù)探索與分析[J].中國(guó)衛(wèi)生經(jīng)濟(jì),2019,38(4):37-39.

作者:劉慧蓮 單位:北京中醫(yī)醫(yī)院順義醫(yī)院