研发费用多口径智能汇算及异常归集风险预警方法及系统与流程

本发明属于数据处理，具体涉及研发费用多口径智能汇算及异常归集风险预警方法及系统。

背景技术：

1、在研发费用核算管理领域，企业需按照人员人工费用、直接投入费用、固定资产折旧费用、无形资产摊销费用、新产品设计试验费、其他相关费用等六大类目对研发支出进行归集核算。当前行业内主流的核算方式仍采用excel手工台账配合工时分摊表人工汇总的模式，即由财务人员和研发人员线下填报、人工分摊完成各项目研发费用的归集。

2、此种传统核算模式存在以下技术问题：

3、多源异构研发数据分散存储于多个业务系统，各系统字段规范与编码规则均不一致，且原始数据普遍缺乏研发项目关联标识，使计算机系统无法自动识别成本归属，需人工跨系统处理后才能进入计算流程；跨项目共用的人员及设备成本依赖人工依据工时拆分，计算路径不唯一且无法自动校验，易出错且错误无法自动定位，而能耗数据又呈现仪表读数、单位能耗系数、多能源并行等多种不兼容格式，现有系统缺乏能适配上述全部格式的统一计算模型，导致分摊结果偏离实际耗用；人工核算过程中，工时逻辑冲突、成本归集缺乏依据等问题仅在税务核查或审计后才暴露，系统在数据处理时,全程缺乏实时质量校验；更关键的是，最终输出的费用数据需同时满足会计核算、高企认定、加计扣除及r&d（研究与开发）统计四套监管要求，各套结构对费用科目的定义、范围及限额存在差异，人工分别编制时口径混用和数据不一致问题频发。

4、针对上述问题，本发明提出了研发费用多口径智能汇算及异常归集风险预警方法及系统。

技术实现思路

1、为解决现有技术中存在的上述问题，本发明的目的在于提供研发费用多口径智能汇算及异常归集风险预警方法及系统。

2、为实现上述发明目的，本发明采取的技术方案是：

3、研发费用多口径智能汇算及异常归集风险预警方法，包括：

4、采集企业各业务系统中的原始研发数据，对原始研发数据进行标准化清洗与项目匹配审核，将每一笔成本支出与对应的研发项目建立关联，锁定为标准化核算基础数据库；

5、在标准化核算基础数据库的基础上，根据费用科目的不同调用差异化的分摊计算模型完成各项目研发费用的归集，得到归集后的各科目费用数据；

6、将归集后的各科目费用数据填入对应的标准辅助账子表，逐级汇总生成研发支出汇总及研发费用优惠明细，依据四套不同的映射规则同时转换为会计核算口径、高企认定口径、加计扣除口径及r&d统计口径四种输出结构，生成各项目费用汇总总表与单项目费用明细台账；

7、在数据采集及分摊计算过程中分层运行双层异常校验，其中第一层校验作为四套映射规则的入口闸门，对进入映射链路的数据源进行可信度验证，未通过第一层校验的数据被阻止流入映射链路；第二层校验作为映射链路的出口过滤器，对映射链路输出的各口径数据的结构合理性进行校验；

8、当触发异常时执行修正重算流程，修正数据重新进入映射链路执行重算，并基于历史预警数据优化各费用科目在各口径下的映射参数，确认当月全部数据无误后执行月度数据锁定，形成全程审计链。

9、优选地，标准辅助账子表至少包括原辅材料费用表、燃料动力消耗汇总表、设备折旧费用汇总表、无形资产摊销费用汇总表及其他费用汇总表；四套不同的映射规则至少包括：对于同一笔原辅材料费用，加计扣除口径按实际耗用量全额计入，而会计核算口径按领用数量计入；对于委外研发费用，加计扣除口径仅允许按实际支付额的80%计入，其他口径按实际支付额全额计入。

10、优选地，对于其他费用科目，加计扣除口径执行循环依赖的代数求解：

11、将全部研发项目的五项费用进行求和，五项费用包括人员人工费用、直接投入费用、折旧费用、无形资产摊销、新产品设计费；根据加计扣除政策，其他费用限额与五项费用之和之间存在循环依赖关系，通过代数变形将循环依赖关系转化为可一次性求解的形式，计算出全部项目的其他费用限额；将全部项目的其他费用实际发生总额与限额进行比较，当实际发生总额超过限额时，按照各项目其他费用实际发生额占全部项目其他费用实际发生总额的比例，将限额分摊至各项目，并执行一致性校验。

12、优选地，第一层校验为逻辑一致性校验，在数据采集环节即行启动，识别研发工时超出员工月度总考勤工时、设备研发工时超出设备月度开机总时长等逻辑冲突情形并触发超工时预警；第二层校验为费用结构校验，在分摊计算及四套映射完成后启动，将各项目的费用科目占比与预设的合理占比阈值区间进行比对，当某一科目占比超出阈值区间时触发费用结构预警。

13、优选地，当某套口径的输出数据触发费用结构预警时，若仅单一口径出现结构异常，将该口径输出标记为需人工复核状态，其他口径正常输出；若多口径同时出现结构异常，触发修正重算流程。

14、优选地，优化各费用科目在各口径下的映射参数，具体为：

15、将映射规则抽象为参数化函数，以最小化各历史周期映射占比与合规阈值区间边界之间的加权偏差平方和为优化目标，自动计算该科目在对应口径下的最优计入比例；

16、其中，每个历史周期的偏差值按以下方式确定：

17、当该周期的映射占比处于合规阈值区间内时偏差为零，低于下限时偏差为下限减去映射占比，高于上限时偏差为映射占比减去上限；各周期的权重采用指数衰减策略确定，近期数据权重高于远期数据权重。

18、优选地，月度数据锁定按组织单位及年月执行，锁定后该月所有计量数据与汇总数据的修改受控；全程审计链由前述各环节的修改留痕日志构成。

19、优选地，还包括可视化展示，包括：

20、将汇算完成的费用数据以费用结构环图、月度费用曲线及项目状态分布图的形式进行展示；还包括研发投入与研发产出的数据闭环：研发项目自立项起始，经项目、人员和设备的关联，以及过程计量、月度汇总与锁定、标准报表与申报输出，至研发成果及成果转化记录，全部数据沿项目全生命周期逐级贯通。

21、本发明还公开了研发费用多口径智能汇算及异常归集风险预警系统，包括：

22、数据采集与清洗模块，被配置为采集企业各业务系统中的原始研发数据，对原始研发数据进行标准化清洗与项目匹配审核，将每一笔成本支出与对应的研发项目建立关联，锁定为标准化核算基础数据库；

23、汇算与映射模块，被配置为在标准化核算基础数据库的基础上，根据费用科目的不同调用差异化的分摊计算模型完成各项目研发费用的归集，将归集后的各科目费用数据填入对应的标准辅助账子表，逐级汇总生成研发支出汇总及研发费用优惠明细，依据四套不同的映射规则同时转换为会计核算口径、高企认定口径、加计扣除口径及r&d统计口径四种输出结构，生成各项目费用汇总总表与单项目费用明细台账；

24、校验与预警模块，被配置为在数据采集及分摊计算过程中分层运行双层异常校验，其中第一层校验作为四套映射规则的入口闸门，对进入映射链路的数据源进行可信度验证，未通过第一层校验的数据被阻止流入映射链路；第二层校验作为映射链路的出口过滤器，对映射链路输出的各口径数据的结构合理性进行校验；

25、闭环与优化模块，被配置为当触发异常时执行修正重算流程，修正数据重新进入映射链路执行重算，并基于历史预警数据优化各费用科目在各口径下的映射参数；

26、定版与审计模块，被配置为确认当月全部数据无误后执行月度数据锁定，形成全程审计链。

27、优选地，闭环与优化模块中优化各费用科目在各口径下的映射参数，具体为：将映射规则抽象为参数化函数，以最小化各历史周期映射占比与合规阈值区间边界之间的加权偏差平方和为优化目标，自动计算该科目在对应口径下的最优计入比例；

28、其中，每个历史周期的偏差值按以下方式确定：当该周期的映射占比处于合规阈值区间内时偏差为零，低于下限时偏差为下限减去映射占比，高于上限时偏差为映射占比减去上限；各周期的权重采用指数衰减策略确定，近期数据权重高于远期数据权重。

29、有益效果

30、1、本发明通过多源数据采集与标准化清洗，将每一笔成本支出自动关联至对应研发项目，构建统一数据结构的基础数据库，解决了多源异构数据因字段规范不一致且缺少项目关联标识而无法被系统自动识别归属的问题；在此基础上，针对人员人工、设备折旧、动力能耗、直接材料、无形资产摊销及其他费用分别调用差异化的分摊计算模型，其中动力能耗场景兼容仪表读数直接计量与单位能耗系数折算两种数据格式，并支持单设备多种能源独立核算，解决了多类型能耗数据格式不兼容、单一模型无法适配全部数据格式的问题，使不同格式的能耗数据在统一框架下完成分摊计算。

31、2、本发明通过双层异常校验与四口径并行映射链路之间构成的质量级联约束关系，构建了数据质量分级保障机制，即：第一层校验在采集环节即行启动，对工时与考勤等原始数据进行逻辑一致性比对，未通过者被标记为不可信数据并被阻止流入映射链路，从源头避免数据失真导致的系统性风险；通过第一层校验的数据方被允许进入映射链路执行分摊与多口径转换；第二层校验在映射链路输出端启动，将各口径输出数据的科目占比与预设阈值区间进行自动比对，单一口径异常时仅标记该口径为待审状态而不阻塞其他三路输出。该机制使进入映射链路的数据在源头具备逻辑可信度，输出的多口径数据在结果端具备结构合理性，解决了数据处理流程中因缺乏分层校验而无法区分数据源可信度与计算结果合理性的问题，使预警准确率显著高于单层校验方案。

32、3、本发明沿费用科目、标准辅助账子表、研发支出汇总、研发费用优惠明细逐级汇总，依据四套不同的字段映射规则，将同一套标准化数据同时转换为会计核算、高企认定、加计扣除及r&d统计四种输出结构，各结构间的字段差异可直接追溯至对应的映射规则层面，解决了同一套基础数据向多套监管口径输出时因人工编制导致的规则不一致和数据不一致的问题；同时通过月度数据锁定将已定版数据的状态从可编辑切换为锁定，锁定后数据修改受控，并结合修改留痕日志构成从原始采集到终稿定版的变更全量追溯路径，使最终输出的多口径数据在规则一致性和变更可追溯性两个维度上同时获得保障。