财务共享模式下应收账款管理优化
来源:用户上传
作者:贾赟
【摘要】 近年来，各个集团公司纷纷建立起财务共享中心，以降低成本和提供决策数据信息支持，但在财务共享模式下应收账款管理中系统的衔接性、深度集成与自动化方面尚显不足，大数据智能化为解决上述问题提供了很好的思路与发展方向。基于此，文章利用大数据技术设计了财务共享模式下应收账款管理的优化方案，即开票流程、应收账款对账及收款核销流程自动化和构建业主信用评级、坏账风险预测模型，并以某建筑行业上市公司为例展示了该方案的具体实施过程。该方案的实用性和可行性较高，对提高集团公司应收账款管理水平、降低财务风险有所裨益。
【关键词】 财务共享模式;应收账款管理;大数据智能化
【中图分类号】 F232 【文献标识码】 A 【文章编号】 1002-5812（2020）06-0066-04
以单一报表进行合规分析及基础核算的传统财务会计已无法满足集团公司经营管理的需求。同时集团公司在扩张过程中分、子公司众多，为充分挖掘财务会计的多元化价值，促进管理职能的有效发挥，财务组织应积极开展自我变革。在此背景下，众多集团公司纷纷建立起财务共享中心，以应对当前的发展状况。应收账款是集团公司的一项重要的流动资产，完善应收账款管理机制对于加快货款回收、防范财务风险具有重要意义。随着集团公司规模的扩大，财务共享中心需要处理的应收账款工作量也逐渐增多，其中涉及的跨系统调取数据、人工反复复核及流程繁琐等问题日益突出。在大数据智能化背景下，积极运用RPA技术、K-Means聚类算法和BP神经网络等大数据技术优化财务共享中心应收账款管理，提高管理流程的自动化、智能化和标准化程度，事前及事后相结合管控应收账款风险，可有效解决当前集团公司应收账款管理存在的弊端，为集团公司管理水平的提高添砖加瓦。
一、财务共享模式下应收账款管理优化方案设计
（一）设计目标及整体框架
在大数据时代背景下，应收账款管理的主要目标为：一方面，理清应收账款管理流程，借助系统功能优势充分融合信息技术、业务及财务管理流程;另一方面，充分利用现有的大数据技术积极实现集团公司应收账款管理需求，使业务流程更加标准化和简便化。基于大数据智能化的应收账款管理优化，首先需要将涉及的各管理环节有效闭合，构建可以进行资金流监督及跨系统管控的规范化和完整化的流程闭环，同时为RPA技术的应用提供便利。应收账款管理优化可以从开票、对账及收款流程优化和风险管理两方面来实现，财务机器人自动化可应用于重复率高、工序繁琐且容易出问题的流程，而风险管理则需要分为事前管理与事后管理。事前管理可以通过RPA技术筛选财务指标、降维并计算信用评分，后续使用K-Means聚类算法进行分析得出业主信用评级模型，针对不同信用等级设定不同的应收账款额度及标准;事后管理则需要借助K-Means聚類算法建立风险预测模型，在此基础上利用BP神经网络构建坏账预测模型，共同监管财务共享中心的应收账款管理风险。综上所述，应收账款管理优化的整体框架如右图所示。
（二）基于RPA的开票、应收账款对账及收款核销流程优化
1.开票流程自动化。优化起点为各子公司业务合同的签订，系统会依照指令进行业主数据创建、修改与注销;确定合作关系后签订的合同经过OCR技术识别后上传至财务共享中心合同管理系统;子公司向业主提供合同规定的劳务或服务;当资金结算中心进行收款登记后，RPA技术会自动提取财务共享中心合同管理系统的相关数据进行匹配，并对数据进行同步更新，同时实现跨系统自动开票和录入账务信息;财务共享中心出纳岗切实收到款项后，系统会自动在资金结算中心进行收款登记，并与自动录入信息进行校验;审核通过后，系统自动生成凭证发送至总账核算岗，收款登记信息由子公司业务部门人员认领，相当于二次审核;两次审核均一致，则核销该收款款项。
2.应收账款对账及收款核销流程自动化。子公司业务部门发起对账申请，RPA技术会自动提取财务共享中心ERP系统中相关的应收、实收数据;同时，为便于对应收账款精准管理，RPA技术还会从财务共享中心合同管理系统自动匹配选取业主账户、账龄、账期和打款备注等详细信息;ERP系统会自动验证两方信息的一致性并自动对账，若支付款项与账目款项一致，则在总账核算岗自动收款核销;反之，财务共享中心会向子公司业务部门发送邮件，提醒相关业务人员核对账目，督促业主按时足额缴纳款项。
（三）应收账款风险管理模型的构建
1.基于RPA技术和K-Means聚类算法的业主信用评级。
（1）数据收集。应收账款管理的起点为签订合同，因此，进行信用评级首先需要收集业主相关数据信息。子公司人员可将业主相关信息录入CRM系统之中，通过RPA技术从中提取信息形成相应的财务指标，然后根据相互之间的关联规则代入模型自动对信用进行评级。
（2）评级。该阶段函数可用因子之间的线性组合来展示，公式为：
Z=α1F1+α2F2+…+αmFm （1）
其中，F为通过因子分析提取的因子，α为因子的权重。构建模型首先需要建立评价指标体系，相应的评价指标可从公司年报及工商数据中从盈利、偿债、发展及营运四方面选取，具体指标见下页表1。
集团公司需要将采集的数据统一储存在数据库，并建立资产负债表及利润表，之后通过SQL语句进行标准化处理，最后通过上述公式将结果数值存储在数据表的相应位置。各项数据还要通过因子分析来进行预处理，因子间线性相关的程度可借由巴特利特球度检验、平均值计算和KMO检验获取，其中，前者检验的数据值预期接近零则说明指标间的线性相关性成立。其中，5个因子保留了原变量百分之七十的信息，因此选取5个因子进行后续分析，并构建Z值得分系数矩阵。在该矩阵中，可以得到5个主成分与14个初始变量的转换关系，Y为主成分，X为初始变量，初始变量的得分记作K，具体公式为： Yj= KiXi，j=1，2，…，5;i=1，2，…，14 （2）
同时，为便于清楚明了地判断业主的信用评级情况，还需构建评级标准。首先，根据Z值将各个业主划分至各区间进行分类，然后找出各层级的分界线，最后，根据K-Means聚类算法分析结果构建评级模型，依照分值距中心点距离最短原则划分等级。
2.基于BP神经网络的坏账风险预测。若BP神经网络输入与隐含层间的权值为Viw，隐含与输出层间的权值为Vjw，输入、隐含及输出层的节点数分别为c、e和d，而隐含层及输出层函数分别为f1和f2，则隐含层及输出层节点的输出公式分别如下所示：
Zk=f1（ VikXi），k=1，2，…，q （3）
ym=f2（ VdmZm），k=1，2，…，d （4）
在输入x1，x2，…，xc个学习样本后，其输出值为yjc（j=1，2，…，c），采用平方型误差函数即可得到误差值，若当时输入的是p个学习样本，则其误差值的计算公式为：
Ep=0.5 （tjp-yjp）2 （5）
其中，tjp指的是期望输出数值，整体误差值计算公式为：
E=0.5 （tjp-yjp）2 （6）
利用累计误差算法调整权值来降低整体误差，若γ表示该模型的学习率，则误差调整公式为：
Δwjw=-γ =-γ （ Ep）= -γ （7）
本文选取2013—2018年50家A股上市公司作为样本，其中分别有25家ST及25家非ST公司，研究数据为T-3年和横截面数据并将其记录为T年，将数据输入作为检验及训练之用。之后，构建风险评估指标体系，可从纵向和横向来选择指标，具体指标主要包括产权比率、净利润增长率、资产负债比率、固定资产增长率、应收账款周转率及财务杠杆。
在构建风险评估指标体系后，还要采用巴特利特球度检验各指标的线性相关性。当因子有4个时，原有变量信息基本保留，但数量仅为原有变量的三分之二，达到了精简的目的，因此选取3个因子进行主成分分析。通过以上步骤可以得到Z值系数矩阵，权重为因子的方差贡献率，以获取业主综合得分。最后，按照上文所述方法构建评级模型，划分业主等级。
将各业主的坏账风险预测看作输入到输出的非线性映射，可设定3层BP网络结构，其中，3个财务指标为输入层神经元，而输出层为1个神经元，是取值1到7的任意整数，以代表评价结果，将上文选取的样本数据作为训练集，通过梯度下降法逐渐减少误差。业务人员可以通过评价结果选择回款策略，逾期账款由相应业务部门及法务部门共同负责。
二、财务共享模式下应收账款管理优化方案的案例应用
某建筑股份有限公司（以下简称“某建筑公司”）成立于2007年，于2009年上市，是某建筑集团有限公司旗下的一家上市公司，主要经营范围为：承接国内外公用、民用房屋建筑工程的施工、安装及咨询;承建装饰工程、园林工程的设计与施工。公司获得标普、穆迪、惠誉等国际三大评级机构信用评级A级，2018年度被《财富》杂志评为世界500强企业。某建筑公司基于大数据智能化视角的应收账款管理优化实施情况如下：
（一）应收账款管理流程优化后的实施情况
某建筑公司应用基于RPA流程的Uipath自动化软件后，财务共享中心应收账款管理功能更为完善，同时可以共享和重用插件，使得财务机器人可以模拟及执行重复操作，还能跨系统调阅数据，有效节省时间。其功能主要由以下三个工具实现：一是Orchestrator工具，是一种基于Wed的高度可扩展服务器平台，由成千上万的财务机器人进行自动化过程，使用灵活且成本较低。二是Studio工具，可以建模所有组织所需的业务流程，完美兼容SAP和Java等系统，可读写任何类型的文档。三是Robot工具，可通过系统协调器进行管理，由人工触发，后由系统设定关联规则触发相应后续流程。
应收账款管理流程优化主要体现在Excel操作自动化和自动发送电子邮件两方面。一是数据拷贝，Excel通过添加Excel application scope（以下简称EAS），制定文件路径，添加Read Range活动至添加程序中，读取其中数据，保存在另一个文件中，并转换数据类型，以备写入目标文件，重复上述流程，将Read Range变更为Write Range，最終将文件写入目标文件。二是添加数据，添加Build Data Table活动创建数据表，再添加EAS选择操作的表格文件，最后添加Write Range活动，即可在制定表格文件中指定位置添加数据。三是表格排序，打开文件选中相应数据，设置名称后添加EAS，随后添加表单页名及范围，最后添加Write Range，将排序后数据写入文件中运行。四是筛选数据，设置表格应用程序范围EAS，添加选择范围来读取表格数据保存在变量中，添加IF活动输入筛选条件，再添加Write Range，输出满足条件的单元格名称。五是建新表格，设置添加数据表，在参数选项中输入新列及相应属性值，添加ESA创建新存储表格路径文件，最后添加Write Range，将参数设置为New DT，运行新数据表。后者需要在设计面板添加Send Outlook Mail Message，填上主题、收件人及内容，即可自动发送电子邮件。 （二）业主信用评级模型的实施情况
某建筑公司属于建筑行业，模型数据为在国泰安数据库的业主相关行业中随机选择385家上市公司数据。为在保障原始信息完整性的同时精简变量方便后续计算，对各项因子还需进行因子分析操作，具体操作为：首先，选择影响应收账款管理的各项指标（见上页表1），在统计选项中选择初始解，相关性矩阵选项中选择巴特利特球度检验和KMO检验。其次，选择主成分分析方法，特征值大于1，最大收敛迭代次数为25。再次，使用最大方差法输出旋转后的解，将因子得分保存为变量并显示因子得分系数矩阵。最后，在排除小系数后按照大小进行排序，得出综合得分计算结果。
K-Means聚类算法分析步骤如下：某建筑公司要根据自身需求选择固定集群数，之后制定K类的初始类中心，该项数值的确定要结合实际工作及经验，保证数值的合理性和客观性;据此计算各数据点到中心的欧几里得距离，基于最近距离原则将观测值分类;据此计算各类中各变量的均值作为类中心点，进行迭代。最后，判断是否满足终止条件，满足即可停止迭代，反之，重复迭代直到满足条件为止。
（三）坏账风险预测模型实施情况
在2013—2018年分别选取50家上市公司和50家ST上市公司，以其T-3年数据为研究对象。采用随机抽列方法分别选择25家ST公司和25家非ST公司用于测试，剩余部分则用于训练，在使用前期还要对训练样本采用最大最小区间映射法完成归一化处理。其中，n、M和m分别为BP神经网络三个层级的节点数量。经计算，隐含层最优节点数目为3，公式如下：
M= +10 （8）
某建筑公司的坏账预测模型的隐含和输出层节点分别为3个和1个，隐含层节点为坏账风险预测指标，输出节点取整数作为某建筑公司业务信用评级数值。隐含层3个节点分别为现金比率、应收账款周转率和速动比率，因变量为1，聚类评级为7，训练后最优正确率为99.6%，误差低于预定误差1e-13。将所有数据输入该模型进行实验检验精确度，结果发现ST公司的正确率为84.00%，非ST公司的正确率为78.00%。数据表明，该模型具有一定的实用性，可以用于预测公司是否出现了坏账导致的财务危机，及时加强公司应收账款管理，降低坏账占比。
三、结论
在大数据智能化背景下，财务共享中心面临的财务处理工作繁杂、重复工作量大且管理效率偏低等问题都可以借由大数据技术予以解决。其中，应收账款管理对集团公司现金流及盈利能力的影响颇大，为提高管理水平和效率，利用大数据技术对应收账款进行流程优化和风险管控尤为重要。对此，本文首先基于大数据技术探讨应收账款流程自动化优化、业主信用评级和坏账风险预测，之后以某建筑公司为案例进行应用分析，得出以下结论：基于RPA技术的应收账款流程优化可快速准确地解决认知需求低、重复程度高、多系统访问及易于标准化的规则性数据的处理工作，可有效优化开票、对账及应收核销工作流程，实现数据共享;应收账款风险管理模型则可借助大数据技术进行事前业主信用评级和事后坏账预测工作，提高企业集团应收账款的管理水平。
【主要参考文献】
[1] 李刚.应收账款的风险与管理探讨——以汉森制药为例[J].商业会计，2017，（13）：40-42.
[2] 李芳萍.中小企業应收账款管理的问题与对策[J].山西财经大学学报，2016，38（S2）：72-73.
[3] 雒长刚.煤炭行业应收账款高企的因素分析及应对策略[J].财务与会计，2018，（02）：59-60.
[4] 徐德顺，马军海.企业应收账款类信用资产管理研究[J].宏观经济研究，2018，（01）：129-145+155.
[5] 赵慧琳.国有大型煤炭企业应收账款催收管理之实践——以××大型煤炭企业为例[J].商业会计，2018，（15）：90-92.
转载注明来源:https://www.xzbu.com/2/view-15186395.htm
