叶梦娇
广东电网有限责任公司肇庆供电局，广东 肇庆 526060
(1. Zhaoqing Power Supply Bureau Corporation, Zhaoqing, Guangdong 526060, China)
摘要：本文首先介绍了财务报销逐渐迈向智能化的趋势；然后分析了财务报销存在的诸多问题；最后，利用人工智能算法构建了智慧纪检财务报销系统，实现了了财务报销的自动监督，减少了违纪报销的行为的产生。
1 引言
随着现代社会的飞速发展，不管是企业还是事业单位，如何组织进行财务报销工作都是十分重要的企业管理问题。财务报销是控制企业成本的关键环节之一，企业成本耗费的大小决定着企业的盈利水平以及其在经济社会的竞争能力[1]。
近年来，智慧财务系统正在频繁冲击着人们的思维，2018年12 月，在首届智能财务高峰论坛上，多位专家学者提出了对智慧财务的展望，未来的智慧财务，将通过人和机器的有机合作，完成组织复杂的财务管理活动，并在管理活动中不断扩大、延伸和部分替代人类财务专家在财务管理中的活动。
当前，由于信息化技术的快速普及，大部分的企事业单位已经实现了财务系统的电子系统化，这样可以有效的减小财务报销的繁琐操作，同时规范化员工的报销行为[2,3]。尽管电子报销系统使得报销工作流程已经尽量优化，但仍然存在着很多问题如报销单真实性的鉴定、重复提单的审查等。
对待这些问题，可以通过制定相关的鉴定规则直接判断出虚假报销单，或者通过人工的层层审查进行判定。但在针对发票真实、也不属于重复报销的单据，此时的人工判定很难发现其中的问题，设计判定规则也是及其复杂困难的，因此，如何对存在隐藏问题的单据进行鉴别成为了一个重要问题。
2 问题分析
常见的财务报销问题如下
(1)报销凭证不完整
财务报销的过程中，对于报销凭证有着比较高的要求，由于受到拍摄环境和拍摄设备的影响，经常存在拍摄不完整的情况发生。同时，企业很多的工作人员在进行财务报销时，其上交的报销凭证填写都比较随意，凭证上的内容、时间、金额、收款单位的财务章等都不齐全，甚至出现了在凭证上随意涂改的情况。这样的凭证严重影响到财务报账工作的质量，也对报销会计信息的准确性极为不利。
(2)财务报销凭证不真实
主要体现在上传的凭证信息和报销信息不一致。如将个人购物发票、餐饮费当做客户接待费用进行报销，或者虚报发票金额等问题。
(3)财务报销凭证不合法
主要是利用过期作废的发票、假发票及收费收据等进行报销。虽然我国对假票据的打击力度不断加大, 但是在短时间无法消灭票据制假造假的现象。这些不合法票据的流入, 扰乱了正常的财务秩序,为不法分子编造各类名目的报销款项提供了便利, 助长了报销作假的歪风邪气。不但使单位(企业) 蒙受巨大经济损失, 同时也使国家财政与税收遭受严重损失。
(4)管理机制不健全
当前我国很多企业对于财务报销工作的认识并不健全，认为财务报销工作只是财务管理部门的工作内容，而没有对其进行重视，忽视了财务报销会对企业经营发展带来的影响，只是片面的制定一系列财务管理部门的财务报销管理制度，还没有将其列入到企业的日常管理工作中。但问题在出现之后，会使得财务报销工作难以受到有力的监管，企业的很多会计人员只是进行报销核对和账面核对，并没有对其真实性进行重视，导致财务报销工作的真实性低。
(5)审核机制不完善
企业的财务报销工作，影响着企业的财务管理和日常经营发展，因此企业在财务管理工作中，必须要对财务报销工作进行严格的审核和管理，对财务审核的流程和规范性进行严格的监督和管理，对其进行严谨的审。但是目前我国很多企业的财务报销审核机制都不完善，审核的流程不规范，相关的规章制度也并不完善，审核过程中经常会出现错误，影响财务报销工作的开展，同时给企业带来严重的损失。
(6)工作人员业务水平有待提高
当前我国很多企业的财务报销工作人员水平都不高，缺乏专业知识和技能，职业道德等方面也存在着缺陷，对财务报销工作的理解不足，导致其工作的质量和效率都比较低。
3 智慧纪检财务报销系统
针对上述的财务报销问题，总结下来可以分为两个方面，一是报销人员的疏忽或故意作假，二是审核过程的疏忽和不完善。对待这些问题本文构建了基于智慧纪检的财务报销系统，具体来说，主要是通过人工智能算法对财务报销进行智慧监督，减少各种虚假报销的发生的概率。整个智慧纪检财务报销系统的流程如下：
.png)
在整个智慧纪检财务报销系统中最重要的是票据完整性和真实性的判定、虚假率的生成。票据完整性和真实性的判定主要是通过在上传票据图像后通过深度学习算法对票据图像进行识别判定，从而进行票据查验，减少报销人员的疏忽和故意作假。虚假率生成主要是通过机器学习算法，利用历史报销数据，创建虚假率生成模型，对新的报销数据其可能为虚假报销的概率，对高虚假率的报销，提高审核人员的警惕性，减少虚假报销行为发生。
3.1 报销凭证真实性及完整性判别模型
在本系统中通过对比票据信息和报销人员填写信息是否一致进行判别，主要需要校验的部分包括金额、日期、公司信息等。在进行真实性及完整性判别的过程中，最主要的问题是如何获取票据上的信息，也即为如何提取票据上的文字信息。传统的文字提取算法通常分为了目标区域获取、图像分割、骨架提取等步骤。但传统的方法在对字符的提取存在准确率低、速度慢等问题，本系统使用深度学习算法提取票据字符。模型的判别步骤流程图如下
.png)
在进行目标信息检测时，构建的目标包含了日期部分、金额部分、印章信息等，考虑到速度和精度的问题，本系统使用Yolov3-tiny模型对目标进行检测，Yolov3模型[4]是当前工业界使用最为广泛的目标检测模型，它在速度和精度方面达到了极高的地步，Yolo3-tiny对Yolov3的一个缩小版的网络，它的主干网络使用更小的卷积网络，其速度得到了极大的提升。在进行目标检测后，根据检测到的目标信息判断是否有检测到所需要进行识别的目标，若没有检测到所需要的目标则认定为票据不完整，例如为检测到日期部分等。
在判断票据凭证完整后，通过对目标信息区域通过阈值分割，并结合像素联通性判断将所有的字符提取出来。使用Mobilenet-V3分类网络对字符进行分类，
将所有的字符信息提取并进行组合。将提取到的字符信息与数据库中已经填报的信息进行对比，检查是否一致，若信息一致则可以判别为票据凭证真实。
3.2 虚假率生成模型
一般的电子系统只能核验票据的真实性、重复性，以及金额是否超标的问题，对于报销单中潜在的问题只能通过人工的仔细审查去核对，但这些潜在的问题需要利用到历史数据进行对比研究，而由于时间的有限性以及人的注意力的发散性，很难针对所有表面符合规定的报销单进行仔细核查。
针对潜在问题的报销单的甄别需要耗费大量的人力，但若不加以检查，那么将会造成公司的财务损失。考虑到并非所有的报销单都是虚假的，若能够对财务报销单提供一个虚假分数，若报销单虚假分数较高则着重于该报销单的检查，则将极大的减少相关审核人员的工作量，我们将这种潜在的危险分数称之为虚假率。
日常的报销包括的会议费、培训费、福利费、差旅费等，通常报销系统中需要报销人员填写包括时间、地点、人物、消费明细等信息，如差旅费通常需要包含出差起始日期、出差人员、出差地点、酒店名称、交通工具、交通费用等。如何将获取到的信息进行整合得到能够准确预测预警率的有效模型是一个重要问题。
由于报销特征都是明显的离散特征，并且为了模拟人对报销单的判断方式，本文采用决策树来对报销的预警率进行预测。决策树模型具有很强的易用性、灵活性以及扩展性，通过公司不断的增加历史审批信息，能使更有效的提升模型的准确率，极大的减少相关人员的工作。
决策树算法是一种逼近离散函数值的方法。它是一种典型的分类方法，首先对数据进行处理，利用归纳算法生成可读的规则和决策树，然后使用决策对新数据进行分析。本质上决策树是通过一系列规则对数据进行分类的过程。
决策树的设计目标在于尽可能使得每个叶子节点所包含的样本类别相同，通常设计不同的评价函数来确定中间节点的选取；常见的决策树算法有ID3、C4.5、CART等[4,5,6]，他们在评价函数的的选取上分别使用了信息增益、信息增益比、基尼系数，由于CART算法在计算速度、模型的泛化能力都较强，因此本文使用CART算法来构建决策树预警模型。
决策树在对特征类别的预测或者是回归值的预测时，通常选取的是叶子节点上样本类别的最大数目或者平均值作为预测值。但本文考虑的是虚假率也即为虚假报销发生的概率，因此本文设计的叶子节点的预测值为
.png)
其中x代表预警模型的输入，f代表叶子节点上虚假报销单的数目，p代表叶子节点上真实报销单的数量，p(x)代表所提交的报销信息的虚假率的大小。从式中可以看出，若该叶子节点的虚假报销单越多，则虚假率越高。
考虑到在特征中可能会有从未出现过的信息，如酒店名称等，考虑到实际中，针对从未报销过的信息应该着重审核的原因，本系统将其分配到该特征节点的所有子节点中，然后取最大的虚假率值作为预测值。
在获取到报销单的虚假率后，可以通过为审核人员提供参考依据，针对虚假率较大的报销单花费更多的精力和注意力去审核，减少因审核人员的疏忽所导致的虚假报销结果的产生。
5 结论
本文分析了财务报销系统的常见问题，提出了使用人工智能算法将智慧纪检和财务报销相结合的报销系统，在票据上传阶段通过深度学习算法和传统图像处理算法相结合的方式，对票据凭证的完整性和真实性进行校验；在审核阶段通过构造决策树模型，实现虚假率的生成，为审核人员提供预警性，提高审核工作的效率。
6 参考文献
[1] 徐红祥, 张俊, 陈向东等. 企业财务报销工作中的问题及有效措施分析[J]. 中国商论, 2018, 000(036):119-120.
[2] 孙晓东,陈霆,向万红,鲁静,唐静,陈梦杰.财务报销单据智能审批系统[J].计算机系统应用,2017,26(02):63-67.
[3] 董昊. 科学事业单位智能财务应用初探[J]. 中国农业会计, 2019, No.338(09):61-64.
[4] Redmon J , Farhadi A . YOLOv3: An Incremental Improvement[J]. arXiv e-prints, 2018.
[5]Howard A , Sandler M , Chu G , et al. Searching for MobileNetV3[J]. 2019.
[6] 周志华. 机器学习[M]. 清华大学出版社, 2016.
[7] 李航. 统计学习方法[M]. 清华大学出版社, 2012.
[8] Bishop C M . Pattern Recognition and Machine Learning (Information Science and Statistics)[M]. Springer-Verlag New York, Inc. 2006.