刘抗英
摘 要： 传统的财务信息管理系统风险评估方法在评估系统风险时，所能处理的数据吞吐量较少，导致系统风险评估效果不佳，为此研究大数据背景下的财务信息管理系统风险估计方法。该方法根据系统模块设置逻辑节点，通过找寻数据之间的逻辑关系搭建风险估计模型。基于大数据背景，依据效用理论以及估计风险偏好函数，选择大数据批量计算和流式计算方法，计算系统程序风险指标以及财务数据失信风险指标。根据风险残值调整系统主体模块、子模块中某一系统功能失效的概率，并通过指数函数定义风险等级，实现大数据背景下的系统风险估计。实验结果表明，与两种传统系统风险估计方法相比，文中的估计方法所处理的数据吞吐量更大，得到的风险指标范围更广，由此可见，所提方法满足企业财务信息管理系统的风险估计要求。
关键词： 财务信息管理; 大数据背景; 风险评估; 估计模型; 风险指标计算; 风险等级定义
中图分类号： TN911.2?34; TP351 文献标识码： A 文章编号： 1004?373X（2020）11?0079?04
Financial information management system risk estimation in context of big data
LIU Kangying
（Baise University， Baise 533000， China）
Abstract： The risk estimation method of the traditional financial information management system has less data throughput when it is used to assess the system risk， which leads to poor effect of system risk estimation. Therefore， the risk estimation method of financial information management system in the context of big data is studied. In this method， the logical nodes are set up according to system modules， and a risk estimation model is built by finding the logical relationships between data. On the basis of the background of big data， the methods of batch computing and stream computing are selected to calculate system program risk indicators and financial data dishonesty risk indicators according to utility theory and estimation risk preference function. The function failure probability of a certain system in the main modules and sub?modules of the system is adjusted according to the residual value of risk， and the risk level is defined with exponential function. On the basis of the above， the system risk estimation under the background of big data is achieved. The experimental results show that， in comparison with the risk estimation methods of two traditional systems， the data throughput processed with the proposed estimation method is larger， and the risk indicator range obtained with the proposed method is wider. It can be seen that the proposed method can meet the risk estimation requirements of enterprise financial information management system.
Keywords： financial information management; big data background; risk estimation; estimation model; risk indicator calculation; risk level definition
0 引 言
财务管理系统是财务领域发展的方向，该系统利用先进的数据录入、数据处理以及数据储存方法，实现对企业各项财务数据的实时同步处理。而随着国家经济体制的不断完善，社会各类型企业的经济效益随之提高，产业结果发生质的飞跃，这就令财务数据体量巨大、数据种类繁多，致使财务领域形成当前的大数据模式。大数据是近些年来备受瞩目的新概念，通过发现数量巨大、来源复杂的数据特征，捕捉数据之间的关联性，以此分析各项数据指标[1]。
面对当前的财务数据新特点，对企业财务信息管理系统进行风险安全评估时，放弃原有的传统随机抽样分析调查法处理数据，通过多元化的形式对企业所有财务数据信息进行大量、高速、多样、低密度价值的处理，以此精确掌握系统风险，及时对风险模块进行安全维护，保证企业财务信息安全。该估计方法的出现，减轻了企业财务管理人员的风险管控压力，并为其他信息管理系统的风险估计提供了估计思路[2]。
1 大数据背境下的财务信息管理系统风险估计方法
1.1 搭建财务信息管理系统风险估计模型
传统的财务信息管理系统风险评估过程中，所能处理的数据量较少，仅采用抽样调查的方法评估数据风险，忽视了数据之间的信息关联。为此，在大数据背景下，充分考虑系统硬件、软件、人为因素的影响，整合所有数据信息，参照以往估计模型对系统功能和装置的描述，搭建一个财务信息管理系统风险估计模型。财务信息管理系统每一模块完成一项共同任务，并将数据之间通过通信模块互联，实现一系列综合任务或单个子任务的功能集合，具体表现如图1所示[3]。
通过图1可知，所搭建的评估模型考虑到了财务系统的逻辑节点[d]，利用此节点对系统交换数据或者执行指令时，抽象理解系统硬件、软件和操作人员的行为特征，而节点之间的通信链路是财务信息交互的途径，以此说明数据之间的交互关系[4]。针对上述结构，搭建的财务系统风险评估模型如下：
[ε=k=1kki?n?AdBd=ei=1nki?lnax-aycn] （1）
式中：[ki]表示管理系统的功能[k]的第[i]个功能;[Ad]表示功能[ki]下节点[d]的逻辑集合;[Bd]表示功能[ki]下节点[d]之间的逻辑关系集合;[n]表示逻辑节点数量;[ax]与[ay]表示任意两个逻辑节点在[x]轴和[y]轴上的坐标;[cn]表示[n]个节点之间存在的[c]个关联关系。
当计算得到的结果超过给定的安全范围时，则说明该系统存在风险，至此该估计模型搭建完毕[5]。
1.2 基于大数据背景计算风险指标
在估计模型搭建完毕的基础上，当测评结果超过规定标准安全范围时，针对海量的财务信息数据，利用大数据分析方法计算风险指标。风险指标意在考察信息管理系统中可能发生的各类故障，以及导致故障发生的原因和故障结果。本文的评估方法，采用此项概念，以系统运行时的估计模型与系统运行程序故障特点的量化可能性，通过效用理论以及估计风险偏好函数，计算严重程度函数下的量化后果，以此实现对风险指标的计算[6]，如图2所示。
通过图2可知，计算风险指标时，要采用批量计算以及流式计算的方法处理财务数据，以此提高该风险估计方法对于数据处理的吞吐量。其中，对于基本不会发生变化的数据进行批量处理，对于实时动态变化的数据则采用流式计算方法[7]。系统运行程序的越线风险指标反映的是不同管理模块下，各控制单元运行时的数据信息量超过系统所能承载的规定数值量;而失信风险指标表示的是当管理系统运行发生故障时，每一数据节点会失去相关数据信息的风险，此时的两种风险指标的计算表达式为：
[ω1=i=1sλps-∞0fxsigxsi+i=1sλps0∞fxsigxsiω2=i=1smμpsqsi] （2）
式中：[ω1]表示系统程序风险指标;[λ]表示风险数据吞吐量;[s]表示系统管理模式类型;[i]表示系统运行程序的数据节点;[ps]表示[s]管理模式下的风险形成概率;[fxsi]表示程序运行数据[x]，在第[s]种网络管理模式下，数据节点[i]的风险概率密度函数;[gxsi]表示程序运行数据[x]，在第[s]种网络管理模式下，数据节点[i]的系统程序风险严重程度函数[8];[ω2]表示管理系统中，各项财务数据的失信风险指标;[μ]表示失信数据吞吐量;[qsi]表示失信指标在[s]管理模式下的风险形成概率;[m]表示数据总量;[x?-∞，∞]表示大数据量[9]。综合式（2）的计算结果，得到大数据背景下的风险综合指标计算公式：
[ω=i=1nγn×ω1+ω2EDi] （3）
式中：[ω]是所求的管理系统综合风险指标;[E（Di）]表示[i]类数据的节点下，节点度值[D]的关联函数;[γn]表示数据量为[n]的管理系统节点重要度[10]。通过将两种类型风险指标进行联立，得到一个更加完整的风险指标函数公式。
1.3 评定系统风险等级
在确定系统风险指标后，估计此时财务信息管理系统的风险等级。在实际操作中，仅仅根据风险指标的大小判断系统风险是不够严谨的，因为有些风险是可以忽略不计的，同时，系统风险等级还要考虑风险残值[11]。假定调整后的系统失效概率为[p0]，默认此时该系统的功能价值为[j]，计算风险残值[r]。此时需要考虑的充分必要条件包括：每一系统层面、模块的某一个功能[j]的功能风险、每一系统子模块、子单元中，某一个功能[j]的功能风险，以及系统风险传递权重、参考指标[12]。
利用指数函数定义风险等级估计公式，以此计算风险残值，根据计算结果划分财务系统的风险等级类别，该级别的具体划分如表1所示[13]。管理人员根据得到的计算结果，对比表1中的风险等级，及时对存在安全威胁的系统进行维护，至此实现大数据背景下的财务信息管理系统风险估计[14]。
2 仿真实验
2.1 仿真实验平台
为使研究的风险估计方法可以运用到实际工作中去，搭建一个仿真实验环境，测试本文的风险估计方法。实验所选用的操作系统为Windows 10，处理器为专用处理器，浏览器版本为IE 12.0 for Win10（64位），仿真实验软件为Matlab R2019a，记录实验结果的测试记录工具为Dev Test。此次估计方法测试所搭建的仿真实验平台如图3所示。
图3中，设备1是仿真实验用计算机，其CPU为3.4 GHz、4 GB内存、500 GB硬盘;设备2为财务报表、原始凭证扫描仪。基于上述实验设备，搭建两个机器配置完全相同的实验平台，重置计算机，运行实验所需各项软件，确保所有软件处于初始化状态。下载财务信息管理系统，如图4所示。
双击该软件图标，得到如图4中所示的操作页面，注册用户名，设置登录密码，选择注册时间，建立数据账套。将某一企业近5年的财务数据作为实验对象，录入到该财务信息管理系统中，任选其中2年的财务数据，开始实验。
2.2 结果分析
为了让实验结果更加明显，将本文方法与传统估计方法进行对比，分析两种方法下对于海量财务数据信息的处理能力。选取的财务数据年份分别为2016年和2018年，数据量大小为344 GB和417.5 GB。将2016年的数据默认为[A1]组，2018年数据默认为[A2]组。将这些数据录入到图4的管理系统中，运行该系统，打开风险测试仿真实验软件，两种风险估计方法下，得到如图5所示的数据吞吐量对比结果。
从图5风险指数评估结果可看出：本文的风险估计方法，在财务管理系统中，评估了6个模块中的数据，本文的方法处理的数据吞吐量更大，因此，得到的风险指标范围也更广;而同样的财务数据量下，传统方法只分析了系统中的部分模块，所能处理的数据吞吐量远小于本文方法，致使得到的系统风险指数也仅在一个小的范围内，漏掉了其他等级的系统风险。
3 结 语
大数据背景下，财务数据更加多元化，从原有的单一、固定数据，演变到现今的模式多样、结构多重、实时变动的形式，传统的系统风险估计方法已经不能满足财务系统的升级需要。本文的估计方法，将财务数据的庞大性、复杂性作为首要研究的重点，令所有财务数据均可以被分析、评估、演算，保证财务数据的真实性。系统在处理海量数据的同时，所提出的方法针对每一模块均进行数据评估，不放过每一处理数据的节点，保证可以估计该系统中的所有模块及运行程序。但当前的研究在计算上还存在一定的误差，今后还要着重研究对系统模块的实时风险估计。
参考文献
[1] 易芹，田伟，杨涛，等.HO?GDINA模型的EM算法参数估计[J].心理学探新，2017，37（5）：441?448.
[2] 陈国青，吴刚，顾远东，等.管理决策情境下大数据驱动的研究和应用挑战：范式转变与研究方向[J].管理科学学报，2018，21（7）：6?15.
[3] 马相春，钟绍春，徐妲.大数据视角下个性化自适应学习系统支撑模型及实现机制研究[J].中国电化教育，2017（4）：97?102.
[4] 唐晓彬，周志敏，董莉.大数据背景下网络突发事件动态监测研究[J].统计研究，2017，34（2）：44?54.
[5] 占飞燕.面向新财会制度的高校财务审计信息系统构建[J].武汉理工大学学报（信息与管理工程版），2018，40（2）：240?244.
[6] 刘逸爽，陈艺云.管理层语调与上市公司信用风险预警：基于公司年报文本内容分析的研究[J].金融经济学研究，2018，33（4）：46?54.
[7] 陈晓丹.基于现代统计学理论的教育信息化管理系统风险评估[J].现代电子技术，2018，41（5）：149?152.
[8] 柴继文，王胜，梁晖辉，等.信息系统脆弱性被利用概率计算方法[J].重庆大学学报（自然科学版），2017，40（12）：35?42.
[9] 吕晓珍，孙凤，詹思延.偏倚风险评估系列：（四）整群设计随机对照试验[J].中华流行病学杂志，2018，39（2）：240?244.
[10] 聂文滨，刘卫东，肖胜辉，等.广义点关联系数在FMEA风险评估中的应用[J].机械设计与制造，2018（11）：1?5.
[11] 陈晶，刘明群，覃日升，等.基于可信性理论和效用理论的电网连锁故障综合风险评估方法[J].电力系统及其自动化学报，2017，29（7）：144?150.
[12] 王钰楠，杨镜非，何也帅，等.基于网络流转移分布因子的主动配电网运行风险评估及预警[J].电网技术，2017，41（2）：371?377.
[13] 任秋洁，潘刚，白永强，等.基于FAHP和攻击树的信息系统安全风险评估[J].电子技术应用，2018，44（8）：113?117.
[14] 陶振文，张俊锋.物联网环境下不协调目标信息脆弱性风险评估系统[J].科学技术与工程，2018，18（9）：272?277.
[15] 施薇.基于FMEA的企业信息管理系统模糊风险评估法[J].控制工程，2017，24（3）：675?679.
