浅析大数据下的网点库存现金限额的最优发展策

　1 科学计算网点库存现金限额的必要性
　　1.1 降低机会成本的内在必须。全省农信社有数量众多的ATM自动存取款机，机具内存放了大量现金资产，如果可以合理调节库存现金限额，这将使库存现金所节余的总量进一步提升，以此减少非生利息资金占用，提升经营效益。
　　1.2 提高服务水平的外在要求。农信社客户结构单一、业务品种狭窄，存取款业务在所有业务当中占到大多数。对于顾客来说，取款方便、没有障碍是保证服务体验的首要条件。因此，合理设定库存现金限额也是为了进一步提升服务水平的需要。
　　1.3 推动转型提质的实践需要。采用大数据技术科学合理设定库存现金限额不仅可以进一步降低经营成本，提升财务管理质效，同时以此为契机，或许还能为农信社经营管理提供一种新的思路与途径。
　　2 一般库存现金计算方法的特点分析
　　目前，企业在计算库存现金时所采用的一般计算公式是：库存现金=前一个月的平均每天支付的现金数额（不含每月平均工资数额）×限定天数。
　　对于绝大多数企业来说，其主营业务为生产商品、提供服务等，库存现金具有总量小、使用少、要求少的特点，一般不会超过2000元，采取以上公式计算即可满足日常经营需要。银行类金融机构主营货币业务，这一点与一般企业不同，其现金流动具有较强的不确定性，会受到时间周期、经营状况、客户需求、政策环境等因素影响，库存现金余额呈现为不规则的波浪线，通常我们会根据网点年末或某月末的存款余额作为基数来确定网点库存现金。因此，传统方法下，计算库存现金限额一般具有以下五方面的特点。
　　一是现金状态的假设性。目前学者对银行网点库存现金的研究大多建立在模型假设上，即根据实际经营情况，抽象出数学模型，然后根据模型与实际业务的相关性，估算出网点库存现金需求。由于缺乏大量的统计数据做支撑，大多以假设模型套用实际数据，实际会采用比较普通的平均数法来确定库存现金限额。二是核定时点的固定性。在实际经营中，由于会计核算过程本身具有周期性特性的影响，财务人员会依照某个时点计算营业网点库存现金限额，即在一个相对固定的周期内（如一个会计年度）一般会采用相对固定的库存现金限额，这既便于计算调整限额，同时也便于进行会计核算。三是模型变量的单一性。由于统计技术、财务管理能力、操作复杂度等因素影响，一般方法下计算库存现金限额会简少变量数目、简化计算过程，仅会考虑到日平均余额，而没有把季节时间的周期性影响、市场环境的联动性影响因素等考虑进来，计算库存现金限额的前提是假定的一种趋于理想化的状态。四是限额调整的被动性。由于银行现金业务的不确定性，库存现金的调整往往滞后于实际业务发生。由于管理惰性的存在，库存现金出现偶然性不足、经常性地存在节余并不能够引起管理部门的重视，只有当经常性地出现库存现金不足以满足实际业务需要时，管理部门才会对库存现金额度进行调整。一般情况下，库存现金限额往大调整的概率要远远高于往小调整的概率，这也就造成了对库存现金的管理忽视，过量节余的现金资产就产生了机会成本。五是计算过程的简易性。由于考虑因素单一、计算难度不高、操作简单易学，不需要投入过多成本即能够满足日常经营的大多数需求，因而传统的计算方法受到了财务人员青睐，被广泛采用。
　　也正是由于计算库存现金限额的一般公式所具有的这些特点，在解决银行类金融机构对现金需求量大、需求变动频繁、对综合收益要求较高的情况下，不合理的库存现金限额致使大量现金资产处于闲置状态，与投入贷款、同业业务等形成的收益相比，产生了不可估量的机会成本。
　　3 大数据下的库存现金计算模型的建立
　　3.1 大数据技术与库存现金限额计算。大数据技术（或称巨量资料），指的是所涉及的资料量规模巨大到无法通过目前主流软件工具，在合理时间内达到提取、管理、处理、并整理成为帮助企业经营决策更积极目的的信息。大数据不用随机分析法（抽样调查），而采用所有数据进行分析处理。大数据技术让我们更加容易了解事物的真相，而非对事态发展进行假设。本文就是通过运用大数据技术，对所有业务发生数据进行计算，通过预先建立的数学模型与总体数据进行匹配，了解经营过程中库存现金的实际需求，通过计算库存现金的机会成本，以达到库存现金合理调整的目的。
　　3.2 大数据技术下库存现金限额计算方法的优势分析。一是以全部数据（或接近总体的数据）为样本，较一般计算方法具有更高的可靠性。二是以数据统计为依据，模型建立为辅助，弥补了人工计算下主观性强的不足，能够将库存现金的最小单元状态缩小到每笔业务，真实反映了实际业务经营过程。三是依靠现代计算技术进行计算，短期内处理大量数据，能够快速计算库存现金并进行实时调整，具有快速性、及时性和准确性。四是能够根据既有数据和模型预测未来发展趋势，为库存现金调整提供预测性决策依据。在此基础上，根据多方因素，联动预测综合收益，以确定最佳库存现金额度。
　　尽管采用大数据计算有诸多优点，但由于其技术门槛高、操作复杂度高、准入成本高，要求数据样本容量足够大，对经营理念、科技水平、人员素质都提出了相对较高的要求，从理论研究到实际运用还存在一个长期的渐进过程。
　　3.3 采用大数据计算库存现金限额前的准备工作。由于大数据自身数据量大的特性，在采用大数据技术计算时，需要做好以下几方面的工作。一是建立高可用计算机集群，以应对大量数据计算需要。二是根据既有的海量数据集建立数据仓库，包括对原有数据库数据的整理、分类、筛选和整合。三是培养相关专业性人才，包括计算机、统计、财务等方面的专业人才，同时也需要跨专业类的综合性人才。四是建立以数据分析、管理、运用为导向的经营管理机制，由货币经营为主逐渐向数据经营为主转变。
　3.4 大数据技术下库存现金限额调整的模型建立与操作。
　　3.4.1 计算模型的变量识别。以单个营业网点作为核算对象：单笔存款或取款业务记作S（为便于统计，将资产负债表借贷记账法暂由收付记账法表示，存款记作收方，为正数，取款记作付方，为负数），单笔存款业务金额I，单笔取款业务金额O，单笔存取款业务发生后的库存现金余额R，m为业务发生的序列，网点调拨现金 的边际成本C（仅计耗人工成本、运费成本）、资产平均收益率P。最佳库存现金限额A（即超过限额之后向清算中心交款）。
　　3.4.2 计算模型的建立原则。一是定量计算为主，定性分析为辅。库存现金应当是根据一段时期的实际业务发生额计算。二是动态调整，数据模型需要根据计算结果的变化而进行动态调整。三是最低安全支付原则，根据大数据计算出的限额是理论最佳限额，需要在此基础上向上浮动，在概率范围内确保资金支付安全。
　　3.4.3 模型的建立。 以一个周期T（1，2，3……t-2，t-1，t）的连续t天内，发生的存取款业务序列M（1，2，3……m-2，m-1，m）的交易记录数据为计算全部样本。为保证统计数据真实反映资金需求，需排除超过20万元（网点确定的提前预约取款的额度）、超过库存现金限额后向清算中心的交款金额的数据记录，这些数据存在人为干扰因素。
　　以上变量存在以下关系：Sm=Im，Sm=-Om表示第m笔业务Sm为存款业务Im 或取款业务Om。
　　Rm=Rm-1+Sm表示第m笔业务后的库存现金Rm等于第m笔业务所发生的金额Sm（存款计入正数，取款计入负数）加上这笔业务前的库存现金余额Rm-1。
　　Rm-Om+1>0任何一个时点的库存现金余额都应当满足取钱需求，即第m笔业务后的库存现金余额Rm应大于第m+1笔取款业务Om+1。
　　每次调款的边际成本C= k·D，k为系数，D表示营业网点与调款中心距离。
　　在满足上述条件下，机会成本T=（R-A）·P-C·∑n（Om-A）。
　　R表示原来所设定的库存现金余额，A表示最佳库存现金限额，C·∑n（Om-A）表示取款需求时候n次调拨现金所耗费成本之和。即当T=0时所求得A值为最佳库存现金限额。根据最低安全支付原则，A值需要根据取款业务发生概率再上浮一定数值。
　　3.4.4 模型套用与实例。由于没有实际数据可供笔者进行分析，因此笔者采用计算机模拟了一组连续交易的数据（见附表一）S作为实例。假定之前设定库存现金限额为B，即800，000元，在移动实时库存现金余额线之后，可以求解到最低安全支付限额A，即480，000元。
　　通过A求出机会成本T最大值，即可取得库存现金最佳限额。
　　在一个T周期内，连续取得A的平均值，即为这个周期内的最佳库存现金限额。
　　4 总结
　　本文通过采用大数据分析技术，对每笔业务发生记录进行分析，以通过对整体样本的计算分析，综合考虑库存现金调拨成本与机会成本，以此求解出最佳库存现金限额，以满足实际业务需要的库存现金。弥补了以往拍板决策主观性强、根据时点余额计算存在偏差等不足，更加具有科学性与合理性。由于大数据技术尚处于一门新兴技术，没有权威理论，因此在实际应用当中可能还存在一个探索与修正的过程。
　　参考文献：
　　[1]维克托·迈尔-舍恩伯格，肯尼斯·库克耶.大数据时代[M].
　　[2]陈淑荣，杨志坚.浅谈辖内现金调拨的核算与管理[J].
　　[3]赵月斋，谢丁.邮政金融网点库存现金的控制方法研究[J].邮政研究，2011.3.

本文链接：http://www.qk112.com/lwfw/jingjilunwen/caizhengjinrong/256320.html