随着饲料工业由成长阶段转变为成熟阶段，饲料市场竞争逐渐由数量型转变为质量型，由专业化向产业链整合过渡。受到饲料行业市场竞争激烈影响，小型饲料加工企业传统区域化、分散式经营方式受到较大冲击，导致行业集中度显著下降。据报道，2020年饲料行业前三总量（CR3）产量约占全国饲料产量的20.75%，德国、日本CR3占32%。此背景下，养殖规模化进程推进及产品同质化问题催化，饲料行业整体盈利空间被压缩，洗牌速度明显加快。饲料企业作为影响饲料行业发展中坚力量，财务管理也会受到影响[1]。为提高工作效率和工作质量、争取利润最大化，饲料企业开始探索财务精细化管理模式，优化财务管理结构、提升综合经营水平。相关学者致力于探究财务精细化管理在饲料企业中的作用。王毅婕[2]探究精细化管理在饲料企业财务管理中的应用，表明随着财务精细化管理方法的完善，促进饲料企业发展。杨靖婧[3]指出，财务精细化管理可以完善饲料企业经营结构，提升企业经营绩效。徐峻[4]则强调饲料企业实施财务管理精细化，优化财务工作流程，促进企业健康发展。现有研究大多从理论层面出发，探讨饲料企业财务精细化管理的作用、意义及路径，很少从实证角度加以分析。理论分析虽可为饲料企业财务精细化管理提供思路，但无法准确刻画影响饲料企业财务精细化管理的因素。而实证模型常用的主成分分析法（PCA）能够客观确定各影响饲料企业财务精细化管理指标的权重，准确识别重要因素，为企业优化财务工作流程提供具体量化方案[5]。支持向量机（SVM）可剔除大量冗余样本，还具有算法简单和“鲁棒性”特点，可精准、高效评价饲料上市企业精细化管理方式[6]。文章通过建立饲料企业财务精细化管理指标体系，深入探究PCA-SVM模型在饲料企业财务精细化管理中的应用，为饲料企业强化财务管理能力提供参考。1基于PCA-SVM模型的饲料企业财务精细化管理研究1.1数理工具的选择1.1.1主成分分析法（PCA）参考张璐[7]、张晓峰等[8]的研究，以主成分分析法计算饲料企业财务精细化管理综合得分，主要包括7大步骤：第一步：以m个研究对象或样本的n个观测指标，构建原始样本数据矩阵Pm*n：Pm*n=X11 X12 ... X1nX21 X22 ... X2n...     ...   ...   ...Xm1 Xm2 ... Xmn (1)第二步：将数据矩阵P进行标准化处理，构造矩阵Z，此矩阵表现为标准化。Zij=Xij-Xj¯Sj (2)其中，Xj¯为第j个指标的平均值，Sj表示标准差，Zij为经过标准化处理的数值。标准化矩阵Zm*n=Z11 Z12 ... Z1nZ21 Z22 ... Z2n...    ...  ...  ...Zm1 Zm2 ... Zmn (3)第三步：计算相关系数矩阵R，该系数来自标准化矩阵Z。R=ZTZn-1 (4)第四步：计算系数矩阵R对应的相关系数，得到矩阵方程R及其取值所对应的特征方程。R-λα=0 (5)第五步：确定主成分的依据为特征值大于1或方差累计贡献率大于80%。∑jpλj/∑jnλj≥80% (6)第六步：规范与各主成分对应的特征向量，得到相异主成分的线性组合与其表达式：Gi=α1iX1*+α2iX2*+...αmiXn* (7)第七步：通过分析式（7），各主成分的方差贡献率作为权重系数，得出的权重系数与对应主成分得分相乘，将所有结果相加得到综合绩效得分G。G=β1G1+β2G2+...βpGp (8)1.1.2支持向量机分析（SVM）支持向量机是常见的核学习方法之一，在解决非线性、样本数量少等问题时具有较好应用效果[9]，其初始训练集可表示为：x1,y1,x2,y2,...xn,yn,xi∈Rn,y∈-1,1 (9)在上述公式基础上对支持向量机进行划分，而超平面线性划分可以将两类没有错误的分类线分割，使样本分类间隔最大。将低维空间中的数据转换至高维空间，需要采用特征转换手段予以进行，将在平面中无法分割的信息转换为新分类信息，得到分类函数，具体如式（10）和式（11）。其中，将低维空间中的核函数运算Kxi,xj=ϕxi*ϕxj采用高维特征空间的点积运算ϕxi*ϕxj代替，可简化计算步骤。maxHα=∑i=1nαi-12∑i,j=1nαiαyyiyjRxi,xj (10)fx=sign∑i=1nyiαLxi,x+c (11)1.2财务精细化管理指标体系设计饲料企业财务状况稳定性由其内部精细化管理方式决定[10]，而财务精细化管理受负债金额、营运能力、成长能力等因素影响[11-15]。基于此，立足饲料企业财务管理实际，遵循科学性、可操作性、全面性、系统性等原则，综合考量上述因素，构建饲料企业精细化管理初步指标体系，财务精细化管理指标见表1。10.13557/j.cnki.issn1002-2813.2022.10.026.T001表1财务精细化管理指标财务指标类别具体公式X1现金流量与当期债务比率（现金流量/当期债务）×100%X2债务保障率（净现金流量/全部债务）×100%X3全部资产现金收回率（经营现金净流量/全部资产）×100%X4现金再投资比率（业务活动现金流量/再投资资产）×100%X5主营业务增长率（本期主营业务收入-上期主营业务收入）/上期主营业务收入×100%X6总资产收益率（净利润/平均资产总额）×100%X7总资产报酬率（息税前利润/平均资产总额）×100%X8存货周转率（销货成本/平均应收账款余额）×100%X9应收账款周转率（赊销净收入/平均存货余额）×100%X10长期负债比率（长期负债金额/资产总额）×100%X11股东权益比率（股东权益总额/资产总额）×100%X12资产负债比率（负债总额/资产总额）×100%X13主营利润增长率（本期主营业务利润-上期主营业务利润）/上期主营业务利润×100%X14利润留存率（税后利润-应发股利）/税后利润×100%X15清算价值比率（有形资产/负债金额）×100%X16总资产周转率（主营业务收入净额/平均资产总额）×100%X17总资本增长率（企业本年总资产/年初资产总额）×100%X18营业收入增长率（企业本年营业收入增加额/上年营业收入总额）×100%X19股东权益与固定资产比率（股东权益总额/固定资产总额）×100%1.3PCA-SVM模型构建通过上文分析发现，PCA和SVM在饲料企业财务精细化管理中均具有重要作用。因此，将两种方法进行组合，构建包含主成分分析法和支持向量机的组合模型。针对两种方法的组合模式主要包括两大类：第一，在支持向量机中嵌入主成分数据，再由支持向量机对相关数据进行分析，继而得出相应结果，如式（12）所示：Y=SVMPCAX (12)第二，线性组合模型，利用PCA对原始数据加以分析，得到原始数据与主成分数据Y1，再运用PCA对以上数据进行研究，最终得到结果Y2。Y1和Y2组合即线性组合，输出结果用Y表示，具体如下：Y=a1Y1+a2Y2 (13)通过分析两种组合方式发现，第二种组合方式研究结果易受人为因素影响，且未将指标权重考虑在内[16]。反言之，第一种组合方式可使权重结果具备客观性与可行性[17]。因此，选用第一种组合方式构建PCA-SVM模型，针对饲料企业财务精细化管理展开分析。2PCA-SVM模型在饲料企业财务精细化管理中的应用2.1样本选择与数据来源文章试图借助PCA-SVM模型深化饲料企业财务精细化管理研究，拓展关联领域。因此，选用A股上市饲料企业作为样本，并将符合要求的样本（ST、非ST、*ST企业）进行区分，分为训练组与估测组，以此评价饲料企业财务精细化管理水平。根据主成分分析法、支持向量及相关文献可知，PCA-SVM模型的构建对t-1年和t-2年有关数据展开研究，可提升财务精细化管理水平评价的准确率。但根据我国证监会相关文件显示，t-1年与t-2年的上市企业可能因亏损受到退市风险警告。基于这一事实，本研究以饲料上市企业t-3年的数据作为研究对象，对饲料企业财务精细化管理水平进行分析。2.2数据收集与标准化处理（1）数据收集。样本数据选取2020年深、沪两市20家饲料上市企业作为研究样本。针对PCA-SVM模型将样本按照比例进行细分，即70%的样本为训练组，30%的样本为估测组。训练组为训练PCA-SVM模型，估测组为检验模型结果精准性。以随机方式对样本划分10次，通过训练获得与之对应的支持向量机模型，并对其进行测试。（2）数据预处理。在实证分析前需对数据进行预处理，确保数据可用性[18]。在前文已选19项指标基础上，通过显著性检验选取对财务精细化管理具有实际意义的指标。目前，应用于检验显著性的方法主要包括参数检验与非参数检验。通常情况下，参数检验结果优于非参数检验，但需要样本满足正态分布。利用Kolmogorov-Smimov（K-S）检验进行正态性检验，结果表明，在95%置信水平下初次筛选出19个指标的显著性均小于0.05，说明饲料企业财务精细化管理样本不服从正态分布，无法使用参数开展显著性检验。因此，借鉴张园园等[19-20]研究成果，利用Mann-Whitney U方法对指标进行非参数检验，样本显著性检验见表2。10.13557/j.cnki.issn1002-2813.2022.10.026.T002表2样本显著性检验财务指标类别检验统计量P值X1现金流量与当期债务比率-4.5440.000X2债务保障率-2.1470.000X3全部资产现金收回率-4.1570.000X4现金再投资比率-2.0960.004X5主营业务增长率-1.2650.093X6总资产收益率-3.2410.000X7总资产报酬率-0.0490.002X8存货周转率-5.2410.000X9应收账款周转率-2.2690.013X10长期负债比率-2.1740.997X11股东权益比率-3.1470.002X12资产负债比率-0.0060.089X13主营利润增长率-4.2190.004X14利润留存率-2.3610.029X15清算价值比率-2.0610.013X16总资产周转率-2.3140.096X17总资本增长率-2.1740.000X18营业收入增长率-2.3610.547X19股东权益与固定资产比率-2.8740.002在进行非参数检验时，假设训练组与估测组样本总体均值不存在显著差异。结果显示，在95%水平下只有14项指标通过显著性检验。经过显著性检验后，显著性检验后的指标删减情况见表3。10.13557/j.cnki.issn1002-2813.2022.10.026.T003表3显著性检验后的指标删减情况操作指标符号删除X4、X9、X10、X12、X16保留X1、X2、X3、X5、X6、X7、X8、X11、X13、X14、X15、X17、X18、X19（3）多重共线性检验。指标间具有多重共线性，可使构建模式失去应有经济意义。因此，在分析之前进行多重共线性检验，多重共线性检验见表4。其中，有4个财务指标容忍度值小于0.1，且VIF值大于10，存在严重多重共线性。而主成分分析法可消除指标多重共线性问题，故对上述筛选得出的14个指标进行主成分分析。10.13557/j.cnki.issn1002-2813.2022.10.026.T004表4多重共线性检验财务指标类别容忍度方差扩大因子X1现金流量与当期债务比率0.6041.522X2债务保障率0.02540.130X3全部资产现金收回率0.9851.256X5主营业务增长率0.6021.657X6总资产收益率0.8204.134X7总资产报酬率0.03128.174X8存货周转率0.9001.084X11股东权益比率0.1506.604X13主营利润增长率0.4252.124X14利润留存率0.7102.254X15清算价值比率0.2503.395X17总资本增长率0.02240.170X18营业收入增长率0.6101.625X19股东权益与固定资产比率0.08810.2542.3基于PCA-SVM模型的财务精细化管理分析2.3.1基于PCA提取主成分（见表5）利用SPSS 22.0软件进行主成分分析，并选取特征根大于等于1的主成分。其中，KMO和Bartlett球形检验主要验证主成分分析法适用性。KMO值越接近1，表明指标越具有相关性，适用性愈强；Bartlett球形检验服从卡方分布，显著性越接近于0，则说明方法合理有效。由表5可知，KMO和Bartlett球形检验均符合要求适用于主成分分析方法。10.13557/j.cnki.issn1002-2813.2022.10.026.T005表5KMO和Bartlett球形检验KMO取样适切性量数Bartlett球形度检验结果卡方自由度显著性0.7887 367.974277.0000.000但为保障提取主成分涵盖更多变量信息，再次借助SPSS 22.0软件重新进行主成分提取，总方差解释见表6。10.13557/j.cnki.issn1002-2813.2022.10.026.T006表6总方差解释成分初始特征值提取载荷平方和特征根贡献率/%累积贡献率/%特征根贡献率/%累积贡献率/%15.17230.20630.2065.17230.20630.20621.90228.23158.4371.90228.23158.43731.36416.66075.0971.36416.66075.09741.01012.22587.3221.01012.22587.32250.9255.98493.30660.8702.60293.90870.4421.91495.82280.2401.10096.92290.1450.90297.824100.1120.85398.677110.0940.76599.442120.0450.42699.868130.0160.07799.945140.0120.055100.000由表6可知，提取得出4个主成分后的累计贡献率达到80%以上，促使提取信息具备完整性。2.3.2主成分解释表7反映各个指标在4个主成分中所占比重，数值越大表示该指标在主成分中的贡献越大。10.13557/j.cnki.issn1002-2813.2022.10.026.T007表7主成分得分系数矩阵变量1234X10.9200.0830.1400.042X20.8470.1090.0050.074X30.6060.0090.0250.947X50.2010.8130.0960.021X60.2110.7340.008-0.074X70.0740.812-0.0110.005X8-0.0130.0290.9220.024X110.0130.007-0.0240.910X130.0600.3520.4220.920X140.0610.002-0.0100.874X15-0.0550.0070.8620.030X170.0560.3320.9010.012X180.0750.1070.8320.008X190.061-0.0710.0900.902主成分F1包含X1、X2、X3的信息，X1表示企业流动资产与流动负债比例，可反映企业现金能力与短期偿债能力；X2表示企业现金流与所有债务比值，可反映企业长期债务偿还能力；X3表示现有资产产生经营所得，表征企业资产盈利能力。基于上述指标特点，将主成分F1定义为现金流量。主成分F2包含X5、X6、X7的信息，X5表示企业业务增长情况，主要衡量企业盈利情况；X6为总资产的净利润率，该指标越高说明企业收益能力越强；X7表示企业资产报酬率，该指标越高表明企业资产利用效率越好。结合X5、X6、X7指标特点，将主成分F2命名为成长能力。主成分F3包括X8、X15、X17、X18的信息，X8不仅能够反映企业库存流动性，还能反映企业库存资金合理性。该指标越高，表明企业存货周转速度越快；X15衡量企业有形资产与负债间关系，该值越大，说明企业债务偿还能力越强；X17衡量企业本期内增产增长情况，该值越大，说明企业资产积累情况越好；X18是企业营业收入增长率，该指标越高，表示企业及产品畅销程度越好。基于上述指标特点，将主成分F3命名为营运能力。主成分F4包括X11、X13、X14、X19的信息，X11反映股东权益情况，该值越大，说明企业所有者资产效率越高。X13反映企业主营业务利润增长情况，该值越大说明企业主营业务受市场欢迎度越高。X14反映企业每年利润存量，该值越大说明企业资本结构越好。X19反映企业股东权益与固定资产之间关系，该值越大说明股东享有权益越多。综合上述指标特点，将主成分F4命名为资本结构。获取的主成分为成长能力、现金流量、营运能力、资本结构。基于此，进一步进行主成分计算，主成分得分系数矩阵见表7。根据表7获得4个主成分的表达式为：F1=0.920X1+0.847X2+0.606X3+0.201X5+0.211X6+0.074X7-0.013X8+0.013X11+0.06X13+0.061X14-0.055X15+0.056X17+0.075X18+0.061X19。F2=0.103X1+0.109X2+0.009X3+0.813X5+0.743X6+0.812X7+0.029X8+0.007X11+0.352X13+0.002X14+0.007X15+0.332X17+0.107X18-0.071X19。F3=0.140X1+0.005X2+0.025X3+0.096X5+0.008X6-0.011X7+0.922X8-0.024X11+0.422X13-0.010X14+0.862X15+0.901X17+0.832X18+0.090X19。F4=0.042X1+0.074X2+0.947X3+0.021X5-0.074X6+0.005X7+0.024X8+0.910X11+0.920X13+0.874X14+0.030X15+0.012X17+0.008X18+0.902X19。2.3.3基于PCA-SVM模型的财务精细化管理水平检验将主成分数据（主成分分析法对10组样本数据分析的结果）引入编制完备的SVM系统中，训练并估测样本数据的准确率与错误率。利用linear核和rbf核函数进行建模，并采取网格搜索方法进行参数选优，最终得到试验结果，核函数的PCA-SVM模型准确率见表8。10.13557/j.cnki.issn1002-2813.2022.10.026.T008表8核函数的PCA-SVM模型准确率核函数类型训练组样本准确率/%最优参数估测组样本准确率/%linear89.54C=478.21rbf90.78C=8γ=0.036 4181.26由表8可知，核函数模型训练组样本准确率均高于估测组，可能是由于训练组样本数量较多。且在核函数中，rbf核函数训练组测试率与估测组测试率均处于较高水平。其中，训练组样本准确率高达90.78%，估测组样本准确率高达81.26%，最优参数对为（C，r）=（4，0.036 41）。此时模型学习能力与泛化能力最好，表明对饲料企业财务精细化管理效果也较好。进一步观察可以发现，估测组样本准确率并未超过85%，这可能与文章主要研究数据是t-3年有关，使得测试结果具有一定局限性。综上可知，PCA-SVM组合模型对饲料企业财务精细化管理水平评价较为有效，具有较好泛化作用与普适性，可广泛用于财务管理决策。3结论本文选取2020年深沪两市20家饲料上市企业为研究对象，并以t-3年的饲料上市企业财务数据信息为研究样本，探究PCA-SVM模型研究饲料企业财务精细化管理水平的可行性。借助PCA与SVM模型相关理论，融合构建用以分析饲料企业财务精细化管理水平的PCA-SVM模型。其次，根据财务精细化管理指标功能与选取原则，获得19项综合体现饲料企业财务精细化管理状况的指标，进一步剔除5项不合格指标，最终保留14项适用于PCA-SVM模型分析的指标，确保财务精细化管理指标选取客观性与准确性。采用PCA-SVM模型进行饲料企业财务精细化管理水平检验得出，训练组准确率高于85%，表明该模型在饲料企业财务精细化管理中具有一定可行性和合理性。基于上述结果，针对PCA-SVM模型应用于饲料企业财务精细化管理共同工作，提出如下对策建议：（1）加强现代信息网络技术应用。PCA-SVM模型应用离不开高效、便捷的信息技术支撑，故饲料企业在将PCA-SVM模型应用于财务精细化管理中，需对财务活动进行监控与分析，建立信息网络系统，提升该模型在财务精细化管理工作的应用性。（2）完善技术嵌入制度。为保障PCA-SVM模型顺畅应用于财务精细化管理工作中，饲料企业应在把控各流程的同时，逐步完善内部技术嵌入制度，为PCA-SVM模型应用提供良好的制度环境。且应针对PCA-SVM模型的应用，出台配套性落地方案，在提升PCA-SVM模型应用便利性的同时，提升财务精细化管理水平。（3）强化全流程管控。在将PCA-SVM模型应用于财务精细化管理过程中，饲料企业应加强管理工作全流程管控，确保评价结果准确性。且在把控财务精细化管理水平评价结果准确性的基础上，饲料企业应对销售、采购以及资金流动等环节数据进行全流程监督，以此提升财务精细化管理能力。