一种量化资产保管能力的评估方法与流程

本发明涉及数学建模的
技术领域：
，特别是涉及一种量化资产保管能力的评估方法。
背景技术：
：目前，有效资产是企业的核心，是战略资源的重要组成部分；有效资产能否安全稳定运行对的能源安全、经济增长、社会稳定都至关重要；对有效资产的保管、使用和管理，直接关系到企业的收入和盈利。企业资产自身具有规模大、数量种类多、分布地域广、使用寿命长的客观条件，加大了管理的难度，同时，由于以前资产历史资料和数据不全，信息化管理水平落后，也令资产追溯、划转的工作难度增大。目前，企业有效资产管理体系不够完善，资产保管缺乏标准、无导向；资产管理存在资产保管混乱、资产流失风险高等问题。技术实现要素：本发明提供一种实现资产精准管控，实现资产保管的科学标准、导向性的量化资产保管能力的评估方法。为解决上述技术问题，本发明采用的技术方案是：一种量化资产保管能力的评估方法，包括以下步骤：s1.确定评估指标；s2.采集需要评估指标的数据；s3.针对采集的数据信息进行数学建模；s4.输入最新的评估指标数据进行评估；s5.针对评估的指标数据建立评估价值等级；s6.根据评估价值等级得出评估结果；所述的评估指标包括资产总量、资产投运时间、资产保管人信息是否准确、部门保管资产人力、资产是否在企业内部和资产存放地点信息是否准确。其中，在本方案中，确定评估指标，根据需要采集相应的指标数据，进一步的，对相应的指标数据进行数学建模，同时，将最新的评估指标数据进行评估；针对评估的指标数据建立评估价值等级，进一步的，根据评估价值等级得出评估结果，可根据得出的评估结果获取相应的得分情况；在上述方案中，对各项指标数据进行建模计算，实现资产精准管控，解决现有资产保管缺乏科学标准、无导向的问题。优选的，所述的步骤s3的具体步骤如下：s31.对评估指标进行计算；s32.计算评估指标权重值、部门资产保管能力值。优选的，所述的步骤s31的具体计算如下：采集以下数据信息：部门资产总数、中心资产总数、净值、原值、部门保管人信息准确数量、部门人数、部门资产本地数量、部门资产存放地点信息准确数量；根据采集的数据信息计算以下数据：非本部门资产密度(x1)指标、选取资产净值率(x2)指标、选取保管人信息准确率(x3)指标、选取人均保管资产率(x4)指标、选取资产本地率(x5)指标和选取资产存放地点准确率(x6)指标；其中：(1)资产总量的计算：选取非本部门资产密度(x1)指标表示，x1＝(1-部门资产总数/中心资产总数)*100％；(2)资产投运时间的计算：选取资产净值率(x2)指标表示，x2＝净值/原值*100％(3)资产保管人信息是否准确的计算：选取保管人信息准确率(x3)指标表示，x3＝部门保管人信息准确数量/部门资产总数(4)部门保管资产人力的计算：选取人均保管资产率(x4)指标表示，x4＝部门人数/部门资产总数(5)资产是否在企业内部的计算：选取资产本地率(x5)指标表示，x5＝部门资产本地数量/部门资产总数(6)资产存放地点信息是否准确的计算：选取资产存放地点准确率(x6)指标表示,x6＝部门资产存放地点信息准确数量/部门资产总数。优选的，所述的步骤s32的具体计算如下：运用回归分析法对有效资产保管能力评估模型的指标权重值进行确定；其中，帐实相符率是指账册上登记的资产数量与实际保管资产数量相同；选取账实相符率作为衡量资产保管能力的指标(y)；建立多元回归方程，描述账实相符率(y)与各影响指标x1,x2,x3,….x6之间的关系，表示为：y＝β0+β1x1+β2x2+...+β6x6；其中，回归模型的参数中，β0,β1,β2,......β6是未知数的，需要根据样本数据进行估计；采用样本统计量估计回归方程中的未知参数β0,β1,β2,......β6，得到估计的多元线性回归方程：其形式为：利用最小二乘法，确认各系数的值；其中，最小二乘法计算如下：令给定样本数据后，q是的函数，最小值总是存在；根据微积分的极值定理，对q求相应于的偏导数，并令其等于0；求出其中，求解的标准方程组为：其中：求得的多元线性回归方程进行假设检验；利用方差分析法检验自变量与应变量之间是否具有线性关系，利用决定系数对回归方程的预测或解释能力作出综合评价，在此基础上，用t检验进一步对各个自变量的重要性作出评价；将通过验证后的β0,β1,β2,......β6代入多元回归方程中，可得到账实相符率(y)的预测公式：y＝β0+β1x1+β2x2+...+β6x6；将通过检验的因变量和自变量进行标准化处理，根据标准化后的值进行回归，可得到标准化回归方程及标准化回归系数标准化的计算公式为：根据标准化系数的比例，可计算各指标权重值b1,b2,b3,...,b6；其中权重总和为100，方程组如下：其中，部门资产保管能力值＝非部门资产密度*b1+资产净值率*b2+保管人信息准确率*b3+人均保管资产率*b4+资产本地率*b5+存放地点信息准确率*b6。优选的，所述的步骤s5具体如下：得到资产保管能力评估得分后，结合实际管理要求，对部门得分情况划分为“可接受”和“不可接受”两个个等级，管理要求是各部门账实相符率为100％；根据对每个部门的帐实相符率进行预测，预测值低于100％的部门，列为不可接受部门，对应能力值也为“不可接受”的临界值；对于“不可接受”部门，可以根据具体每项指标的得分，找出资产管理短板，精准投入资源。与现有技术相比，本发明的有益效果是：在本方案中，确定评估指标，根据需要采集相应的指标数据，进一步的，对相应的指标数据进行数学建模，同时，将最新的评估指标数据进行评估；针对评估的指标数据建立评估价值等级，进一步的，根据评估价值等级得出评估结果，可根据得出的评估结果获取相应的得分情况；在上述方案中，对各项指标数据进行建模计算，实现资产精准管控，解决现有资产保管缺乏科学标准、无导向的问题。附图说明图1为一种量化资产保管能力的评估方法的流程图。具体实施方式附图仅用于示例性说明，不能理解为对本专利的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。下面结合附图和实施例对本发明的技术方案做进一步的说明。实施例1：一种量化资产保管能力的评估方法，包括以下步骤：s1.确定评估指标；s2.采集需要评估指标的数据；s3.针对采集的数据信息进行数学建模；s4.输入最新的评估指标数据进行评估；s5.针对评估的指标数据建立评估价值等级；s6.根据评估价值等级得出评估结果；所述的评估指标包括资产总量、资产投运时间、资产保管人信息是否准确、部门保管资产人力、资产是否在企业内部和资产存放地点信息是否准确。其中，在本实施例中，确定评估指标，根据需要采集相应的指标数据，进一步的，对相应的指标数据进行数学建模，同时，将最新的评估指标数据进行评估；针对评估的指标数据建立评估价值等级，进一步的，根据评估价值等级得出评估结果，可根据得出的评估结果获取相应的得分情况；在上述方案中，对各项指标数据进行建模计算，实现资产精准管控，解决现有资产保管缺乏科学标准、无导向的问题。在本实施例中，步骤s3的具体步骤如下：s31.对评估指标进行计算；s32.计算评估指标权重值、部门资产保管能力值。在本实施例中，所述的步骤s31的具体计算如下：采集以下数据信息：部门资产总数、中心资产总数、净值、原值、部门保管人信息准确数量、部门人数、部门资产本地数量、部门资产存放地点信息准确数量；根据采集的数据信息计算以下数据：非本部门资产密度(x1)指标、选取资产净值率(x2)指标、选取保管人信息准确率(x3)指标、选取人均保管资产率(x4)指标、选取资产本地率(x5)指标和选取资产存放地点准确率(x6)指标；其中：(1)资产总量的计算：选取非本部门资产密度(x1)指标表示，x1＝(1-部门资产总数/中心资产总数)*100％；(2)资产投运时间的计算：选取资产净值率(x2)指标表示，x2＝净值/原值*100％(3)资产保管人信息是否准确的计算：选取保管人信息准确率(x3)指标表示，x3＝部门保管人信息准确数量/部门资产总数(4)部门保管资产人力的计算：选取人均保管资产率(x4)指标表示，x4＝部门人数/部门资产总数(5)资产是否在企业内部的计算：选取资产本地率(x5)指标表示，x5＝部门资产本地数量/部门资产总数(6)资产存放地点信息是否准确的计算：选取资产存放地点准确率(x6)指标表示,x6＝部门资产存放地点信息准确数量/部门资产总数。在本实施例中，所述的步骤s32的具体计算如下：运用回归分析法对有效资产保管能力评估模型的指标权重值进行确定；其中，帐实相符率是指账册上登记的资产数量与实际保管资产数量相同；选取账实相符率作为衡量资产保管能力的指标(y)；建立多元回归方程，描述账实相符率(y)与各影响指标x1,x2,x3,….x6之间的关系，表示为：y＝β0+β1x1+β2x2+...+β6x6；其中，回归模型的参数中，β0,β1,β2,......β6是未知数的，需要根据样本数据进行估计；采用样本统计量估计回归方程中的未知参数β0,β1,β2,......β6，得到估计的多元线性回归方程：其形式为：利用最小二乘法，确认各系数的值；其中，最小二乘法计算如下：令给定样本数据后，q是的函数，最小值总是存在；根据微积分的极值定理，对q求相应于的偏导数，并令其等于0；求出其中，求解的标准方程组为：其中：求得的多元线性回归方程进行假设检验；利用方差分析法检验自变量与应变量之间是否具有线性关系，利用决定系数对回归方程的预测或解释能力作出综合评价，在此基础上，用t检验进一步对各个自变量的重要性作出评价；将通过验证后的β0,β1,β2,......β6代入多元回归方程中，可得到账实相符率(y)的预测公式：y＝β0+β1x1+β2x2+...+β6x6；将通过检验的因变量和自变量进行标准化处理，根据标准化后的值进行回归，可得到标准化回归方程及标准化回归系数标准化的计算公式为：根据标准化系数的比例，可计算各指标权重值b1,b2,b3,...,b6；其中权重总和为100，方程组如下：其中，部门资产保管能力值＝非部门资产密度*b1+资产净值率*b2+保管人信息准确率*b3+人均保管资产率*b4+资产本地率*b5+存放地点信息准确率*b6。在本实施例中，步骤s5具体如下：得到资产保管能力评估得分后，结合实际管理要求，对部门得分情况划分为“可接受”和“不可接受”两个个等级，管理要求是各部门账实相符率为100％；根据对每个部门的帐实相符率进行预测，预测值低于100％的部门，列为不可接受部门，对应能力值也为“不可接受”的临界值；对于“不可接受”部门，可以根据具体每项指标的得分，找出资产管理短板，精准投入资源。实施例2：以部门为例进行资产保管能力量化评估；首先采集2015年各部门资产保管参数，作为体系的历史样本，通过进行回归系数的计算以及拟合优度和显著性检验，得到评价体系的线性回归方程及各指标权重值；再将2016年各部门资产保管参数输入评价体系，得出各部门保管能力值与各部门预测账实相符率，得出“能力值不可接受”部门，提出针对性建议。采集2015年各部门资产帐实相符率、非本部门资产密度、资产净值率、保管人信息准确率、人均保管资产率、资产本地率、存放地点信息准确率7个参数信息，如表1所示。表1根据建立的模型计算，由多元回归结果如表2，表3，表4所示。其中：求得的多元线性回归方程进行假设检验；利用方差分析法检验自变量与应变量之间是否具有线性关系，利用决定系数对回归方程的预测或解释能力作出综合评价，在此基础上，用t检验进一步对各个自变量的重要性作出评价；表2模型的主要统计量模型汇总表2为计算模型的相关系数(r)、判定系数(r方)、调整的判定系数(调整r方)以及估计标准误差。其中，回归平方和占总平方和的比例称为判定系数r2,其计算公式为：r2的取值范围是[0,1]。r2越接近1，表示样本数据对所选用的线性回归模型拟合越好。本模型的r2为0.998，回归直线拟合程度较高。调整的r2增加了对方程中引入自变量的“监督”，当有统计学意义的变量进入方程时，调整的r2增大，而当无统计学意义的变量进入方程时，调整的r2减少。其计算公式为：n为样本数，p为自变量数。此模型调整的r2为0.996，接近于1，说明所建立的方程自变量统计学意义较高。估计标准误差是残差平方和的均方根，用se来表示，其计算公式为：其中，se反映用估计的回归方程预测因变量y时预测误差的大小。se越小，各样本越靠近直线，回归直线对各样本的代表性越好。本模型的标准估计误差为0.09605，预测误差较小。表3模型的方差分析表anovab表3为计算回归分析的方差分析表，包括回归平方和、残差平方和、总平方和及相应的自由度(df)，回归均方和残差均方，检验统计量(f)、f检验的显著性水平(sig.)。方差分析表部分主要用于对回归模型的线性关系进行显著性检验。线性关系检验是检验因变量y与k个自变量之间的关系是否显著。检验的具体步骤为：第1步：提出假设:h0:β1＝β2＝...＝βk＝0h1:β1,β2,...,βk至少有一个不等0第2步：计算检验统计量f：第3步：做出决策，给定显著性水平a，根据分子自由度k，分母自由度n-k-1计算出统计量的p值。若p<a,拒绝原假设，表明y与k个自变量之间的线性关系显著。取a＝0.05为检验水准，本模型中，显著性水平(sig.)的值为0，小于a，拒绝原假设，说明本模型的y与6个自变量之间的线性关系显著。表4模型参数的估计和检验系数a表4是模型中参数估计的有关内容。包括回归系数的常数项、非标准化回归系数和回归系数检验的统计量(t)，检验的显著性水平(sig.)。要判断每个自变量对因变量的影响是否显著，需要对各回归系数βi分别进行t检验，具体步骤如下：第1步：提出假设。对于任意参数βi(i＝1,2,...,k),有h0:βi＝0；h1:βi≠0第2步：计算检验的统计量t：式中，是回归系数的抽样分布的标准差。第3步：做出决策。给定显著水平a＝0.05，根据自由度＝n-k-1计算出统计量的p值。若p<a，则拒绝原假设，表明回归系数βi显著。根据表4的结果可知，t1＝6.135，t1＝4.438，t1＝2.691，t1＝2.337，t1＝3.969，t1＝3.808，相应的显著性水平(sig.)分别为0.000,0.001,0.023,0.042,0.003,0.003，均小于0.05。通过t检验，说明非本部资产密度、资产净值率、保管人信息准确率、人均资产保管率、资产本地率和存放地点信息准确率这6个自变量对因变量的影响都显著。根据表4结果，得到多元线性回归方程为：y＝76.698+0.066x1+0.014x2+0.058x3+0.006x4+0.008x5+0.087x6根据上述结果，此回归方程的拟合程度较好，因变量y和自变量x之间通过线性关系检验、回归系数检验。通过上述计算对求得的多元线性回归方程进行假设检验；其中，对线性关系的判断以及利用决定系数对回归方程的预测或解释能力作出综合评价，同时，用t检验进一步对各个自变量的重要性作出评价，有效提高数据的准确性，提高评估的可靠性。将因变量和各自自变量进行标准化处理，根据标准化后的值进行回归，可得到标准化回归系数，如表4所示。按照标准化系数的比例，计算各指标权重值，总权重为100。标准回归系数和权重如表5所示：表5标准回归系数和权重指标x1x2x3x4x5x6标准回归系数0.3140.2020.1170.0880.1220.234权重29.218.810.98.211.321.7从而得到资产保管能力的评价指标体系，表现形式如表6：表6资产保管能力评价指标体系其中，部门资产保管能力值＝非部门资产密度*29.2％+资产净值率*18.8％+保管人信息准确率*10.9％+人均保管资产率*8.2％+资产本地率*11.3％+存放地点信息准确率*21.7％。输入2016年各部门资产保管参数，并将各部门最终能力得分从高至低排列，结果如表7所示：表7按照管理实际管理要求，各部门账实相符率不能低于99％。以账实相符率预测值为99％为临界值进行能力等级划分，预测值高于99％的为资产保管能力“可接受”等级，低于99％的为“不可接受”等级。根据评价结果，安全生产部、继电保护部、办公室等7个部门为化为“不可接受”等级，应继续分析每个指标值，提出针对性措施。例如自动化部的各指标中，人均资产保管率明显偏低，建议加强保管资产人力资源投入。显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。当前第1页12