会计决策分析方法
大约 31 分钟数据挖掘
帮助会计人员解决企业资金运动过程中的问题、把握机会，制定和选择活动方案，核心围绕成本分析、本量利分析、预测分析、财会机器人四大模块展开，全程使用Python实现实操分析。
三、边际值分析
3.1 边际成本计算
前言
定义
边际值：自变量发生1个微小单位变化时，因变量的变化值，核心计算边际成本、边际收益、边际利润、需求价格弹性。
核心知识点
边际成本：每多生产1 件产品所新增的总成本，用来判断增产是否划算，边际成本＜售价 就值得扩产，反之则会越产越亏。
实操案例1：计算产量1000件时的总成本、平均成本
成本函数：（为产量）
实现代码
# 定义成本函数
def cost(c):
return 1000 + c**2/1500
quantity=1000
# 计算总成本和平均成本
print("总成本为:%f"%cost(quantity))
print("平均成本为:%f"%(cost(quantity)/ quantity))运行结果
总成本为:1666.666667
平均成本为:1.666667代码运行后解说
运行代码后输出总成本1666.67元、平均成本1.67元/件，结果解读：
- 总成本包含固定成本1000元（x=0时的成本）和变动成本666.67元（1000²/1500）；
- 平均成本是总成本除以产量，反映每件产品的平均成本，可用于定价参考（定价需高于平均成本才能盈利）；
- 若修改产量为1500件，总成本=1000+1500²/1500=2500元，平均成本=2500/1500≈1.67元/件，说明产量增加后平均成本未变（此成本函数的平均成本在x=1224时达到最低）。👈
可以修改上面的代码，用可视化的方式展示产量和成本的关系
实操案例2：计算总成本平均变化率
背景： 计算产量从1000件到1200件时，总成本的平均变化率
实现代码
def cost(c):
return 1000 + c**2/1500
quantity1=1200
quantity2 = 1000
# 平均变化率 = 成本变化量 / 产量变化量
print("总成本平均变化率为:%f"%((cost(quantity1)-cost(quantity2))/(quantity1-quantity2)))运行结果
总成本平均变化率为:1.466667代码运行后解说
运行代码后输出平均变化率1.47元/件，结果解读：
- 平均变化率反映产量从1000到1200件时，每增加1件产品，总成本平均增加1.47元 ；
- 平均变化率是“区间内的平均边际成本”，与边际成本（某一点的瞬时变化率）不同，适用于产量变动较大时的成本分析；
- 若产量变动区间缩小（如1000到1001件），平均变化率会趋近于边际成本（4/3≈1.33元/件）。
实操案例3：用sympy计算边际成本（对总成本函数求一阶导数）
- 总成本： ，产量为 时的总成本
- 边际成本 MC：产量增加一单位时，总成本的变化率
也就是总成本对产量的一阶导数。
实现代码
from sympy import *
# 定义符号变量（x为产量，正数）
x=symbols('x',positive=True)
# 定义成本函数
cost=1000+x**2/1500
# 对x求导（边际成本函数）
cost_d=diff(cost,x)
# 计算x=1000时的边际成本
print(cost_d.subs(x,1000))运行结果
4/3代码说明
from sympy import *：导入符号计算库symbols('x',positive=True)：定义符号变量x，指定为正数diff(cost,x)：对成本函数cost关于x求一阶导数subs(x,1000)：将x=1000代入导数函数，得到具体边际成本值
代码运行后解说
运行代码后输出边际成本4/3≈1.33元/件，结果解读：
- 边际成本是成本函数的导数（cost’=2x/1500），x=1000时，cost’=2000/1500=4/3，反映产量1000件时，每多生产1件产品，总成本增加1.33元；
- 平均成本 AC：每一件产品平均花了多少钱 ; 边际成本 MC：再多生产这一件要花多少钱
- 边际成本1.33元 < 平均成本1.67元，说明此时增加产量会降低平均成本（边际成本 ＜ 平均成本 ⇒ 平均成本正在下降 ）；
- 若x=1500，边际成本=2×1500/1500=2元 > 平均成本1.67元，此时增加产量会提高平均成本,因此存在一个平均成本最低的产量（最优生产规模）。
3.2 边际收益计算
前言
定义
核心知识点
收益 = 销售量 × 价格，边际收益是总收益函数对销售量的导数，反映每增加1单位销售量，总收益的增加量，通俗说：每多卖 1 件产品，企业能多赚的钱。
实操案例1：计算销售量100件时的总收益、边际收益
价格函数：（为销售量），
说明：SciPy 版本 ≥1.14.0 的最新版本，该版本已彻底移除 derivative 函数（无论 scipy.misc 还是 scipy.optimize 都没有），因此唯一可行的方案是使用手动实现的导数函数
实现代码
# 手动实现一阶导数计算函数（适配 SciPy 1.16.3，无任何依赖）
def derivative(func, x0, dx=1e-6):
"""
中心差分法计算一阶数值导数，完全替代 SciPy 的 derivative 函数
:param func: 要求导的函数（如总收益函数）
:param x0: 求导的点（如销售量100）
:param dx: 微小步长（默认1e-6，保证精度）
:return: 函数在x0处的一阶导数
"""
return (func(x0 + dx) - func(x0 - dx)) / (2 * dx)
# 定义价格函数
def price(q):
return 200 + q/4
# 定义总收益函数
def totalRevenue(q):
return price(q)*q
quantity = 100
# 计算总收益和边际收益
total_rev = totalRevenue(quantity)
marginal_rev = derivative(totalRevenue, quantity)
# 输出结果
print("总收益为%f" % total_rev)
print("边际收益为%f" % marginal_rev)运行结果
总收益为22500.000000
边际收益为249.999999代码运行后解说
运行代码后输出总收益22500元、边际收益250元/件，结果解读：
- 总收益=价格×销售量，q=100时，价格=200+100/4=225元，总收益=225×100=22500元；
- 边际收益是总收益函数的导数（totalRevenue’=200 + q/2），q=100时，边际收益=200+50=250元，反映销售量100件时，每多卖1件产品，总收益增加250元；
- 此价格函数中价格随销售量增加而上升（特殊市场场景，如稀缺商品 ），因此边际收益高于当前价格。
实操案例2：计算总收益平均变化率
计算销售量从100件到200件时，总收益的平均变化率
实现代码
def price(q):
return 200+q/4
def totalRevenue(q):
return price(q)*q
quantity1 =200
quantity2 = 100
# 平均变化率 = 收益变化量 / 销售量变化量
print("总收益平均变化率为%f"%((totalRevenue(quantity1)-totalRevenue(quantity2))/(quantity1-quantity2)))运行结果
总收益平均变化率为275.0代码运行后解说
运行代码后输出平均变化率275元/件，结果解读：
- 平均变化率反映销售量从100到200件时，每增加1件产品，总收益平均增加275元；
- 对比边际收益（q=100时250元，q=200时300元），平均变化率是区间内的平均值（(250+300)/2=275），符合线性收益函数的特征；
- 若价格函数为递减（如price(q)=200-q/4），边际收益会随销售量增加而降低，需结合边际成本判断最优销售量（边际收益=边际成本时利润最大）。
3.3 边际利润计算
前言
定义
核心知识点
边际利润是利润函数对销售量的导数，反映每增加1单位销售量，利润的变化量，用散点图可直观展示边际利润随销售量的变化趋势。
实操案例：散点图展示销售量10-50的边际利润
利润函数：（为销售量）
实现代码
import matplotlib.pyplot as plt
import math
# 中文正常显示
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
# 数值求导（中心差分）
def derivative(func, x0, dx=1e-6):
return (func(x0 + dx) - func(x0 - dx)) / (2 * dx)
# 利润函数
def profit(q):
return (25000 * q - 5 * q**3) / math.sqrt(q)
# 准备数据
qs = list(range(10, 51))
profits = [profit(q) for q in qs]
margins = [derivative(profit, q) for q in qs]
# 创建上下两个子图
fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(8, 8))
# 上图：利润
ax1.plot(qs, profits, 'b-', linewidth=2, label='利润')
ax1.set_title('利润曲线')
ax1.set_xlabel('销售量 q')
ax1.set_ylabel('利润')
ax1.grid(True)
ax1.legend()
# 下图：边际利润
ax2.plot(qs, margins, 'r-', linewidth=2, label='边际利润')
ax2.set_title('边际利润曲线')
ax2.set_xlabel('销售量 q')
ax2.set_ylabel('边际利润')
ax2.grid(True)
ax2.legend()
# 自动调整布局
plt.tight_layout()
plt.show()代码运行后解说
运行代码后弹出散点图窗口，横轴为销售量（10-50），纵轴为边际利润，结果解读：
- 散点图中边际利润随销售量增加先上升后下降，存在一个最大值点（x=32，利润最大化的销售量）,；
- 边际利润为正时，利润增加；边际利润为负时，利润减少；边际利润为0时，利润达到最大值；
- 说明：SciPy 版本 ≥1.14.0 的最新版本，该版本已彻底移除 derivative 函数（无论 scipy.misc 还是 scipy.optimize 都没有），因此唯一可行的方案是使用手动实现的导数函数
3.4 需求价格弹性计算
前言
定义
核心知识点
需求价格弹性：需求量对价格变动的反应程度，弹性函数为 （y为需求量，x为价格,y=f(x) ），需求量与价格呈减函数关系，弹性值为负。
= 需求函数对价格求导= 价格变动一点点，需求会变多少
价格涨一点，销量就明显减少，说明需求对价格反应敏感、弹性大；
价格怎么涨,销量都差不多，就是弹性小。
实操案例：计算价格50/100/150时的需求价格弹性
需求函数：（x为价格，e为自然常数）
实现代码
import matplotlib.pyplot as plt
import math
# 数值求导（中心差分）
def derivative(func, x0, dx=1e-6):
return (func(x0 + dx) - func(x0 - dx)) / (2 * dx)
# 定义需求函数
def demand(p):
return math.e **(-p/100)
# 计算不同价格下的需求价格弹性
price1=50
price2=100
price3 =150
print(derivative(demand,price1)*price1/demand(price1)) #需求的价格点弹性
print((derivative(demand,price2)*price2/demand(price2)))
print((derivative(demand,price3)*price3/demand(price3)))运行结果
-0.4999999948618223
-0.9999999989878123
-1.4999999908951311代码运行后解说
运行代码后输出三个价格对应的弹性值：-0.5、-1.0、-1.5，结果解读：
- 弹性值为负，符合“价格上涨，需求量下降”的需求定律，实际分析中通常关注绝对值；
- 价格50时弹性绝对值0.5（缺乏弹性），说明价格变动1%，需求量变动0.5%，此时提价会增加总收益；
- 价格100时弹性绝对值1.0（单位弹性），价格变动1%，需求量变动1%，总收益不变；
- 价格150时弹性绝对值1.5（富有弹性），价格变动1%，需求量变动1.5%，此时降价会增加总收益； 👈
四、预测分析
4.1 销售预测
前言
定义
基于历史数据，预测企业未来的销售、成本、利润、资金，
常用方法：移动加权平均法、指数平滑法、回归分析法、高低点法、销售百分比法等。
方法1：移动加权平均法1️⃣
核心知识点
对过去若干期销售额按时间远近加权（近期权数大，远期权数小），计算加权平均数，结合销售变动趋势值，预测未来销售额,是时间序列预测里最简单、最常用的一种。
核心步骤
- 按时间单位（如3个月=1季度）计算各季度月平均销售额
- 计算平均每月销售变动趋势值 =（最后季度月均 - 初始季度月均）/ 时间单位
- 对最后一季度销售额按权数加权求和
- 预测销售额 = 加权和 + 平均每月销售变动趋势值
实操案例1：对企业销售额进行移动加权平均法预测
数据基础：7-12月销售额[520,480,500,560,600,620]（万元），权数[0.2,0.3,0.5]
实现代码
sales =[520,480,500,560,600,620]
# 初始季度（7-9月）月平均销售额
avg1=0
for i in range(3):
avg1 +=sales[i]
avg1= avg1/3
# 最后季度（10-12月）月平均销售额
avg2=0
for i in range(3):
avg2+=sales[-i-1]
avg2=avg2/3
# 平均每月销售变动趋势值
increment=(avg2 -avg1)/3
# 预测未来一个月销售额
print(sales[-3]*0.2+sales[-2]*0.3+sales[-1]*0.5+increment)运行结果
633.1111111111111代码运行后解说
结果解读：
- 初始季度（7-9月）月均销售额=(520+480+500)/3=500万元，最后季度（10-12月）月均=(560+600+620)/3=593.33万元；
- 平均每月变动趋势值=(593.33-500)/3≈31.11万元，反映销售额每月平均增长31.11万元；
- 最后一季度加权和=560×0.2+600×0.3+620×0.5=602万元，加趋势值后得到预测值633.11万元；
- 加权平均法通过“近期权数大”突出最新数据的影响，预测结果更贴合近期趋势。
实操案例2：对企业销售额进行移动加权平均法预测（适配任意时间单位/权数）
实现代码
sales=[520, 480,500,560,600,620]#各个月的销售量
weights=[0.2,0.3,0.5]#移动权值
size=len(weights)#时间单位（权数长度）
# 计算各季度月平均销售额
avg=[0]*(len(sales)// size)
for i in range(len(avg)):
sum=0
for j in range(size):
sum +=sales[i*size+j]
avg[i]= sum/size
# 平均每月销售变动趋势值
increment =(avg[-1]- avg[0])/size
# 加权求和并预测
result=0
for i in range(size):
result +=sales[i-size] *weights[i]
print(result + increment)运行结果
633.1111111111111代码运行后解说
运行代码后输出与基础版一致的预测值633.11万元，结果解读：
- 通用版代码通过变量
size适配任意权数长度（如权数长度4则按4个月为一个周期），无需修改核心逻辑； - 若将权数改为[0.1,0.2,0.7]（更侧重最新数据），预测值=560×0.1+600×0.2+620×0.7+31.11=635.11万元，更接近最新月份的销售额；
- 权数之和需为1（0.2+0.3+0.5=1），否则需归一化处理（如权数[2,3,5]需转换为[0.2,0.3,0.5]）。
实操案例3：函数封装版（支持用户交互式输入）
实现代码
# 移动加权平均预测函数
def predict(sales, weights):
size = len(weights)
avg=[0]*(len(sales)// size)
for i in range(len(avg)):
sum=0
for j in range(size):
sum +=sales[i*size+j]
avg[i]= sum/size
increment=(avg[-1] -avg[0])/size
result=0
for i in range(size):
result +=sales[i-size]* weights[i]
return result +increment
# 输入序列函数（输入0结束）
def inputSeries(title):
arrays =[]
while True:
num = float(input(title))
if num==0:
break
arrays.append(num)
return arrays
# 主程序（交互式运行）
while True:
strs=input('开始计算,确认吗(Y/N)?')
if strs.upper()=="Y":
arrays1=inputSeries("请输入各月销售额:")
arrays2=inputSeries("请输入各个权值系数:")
print(predict(arrays1, arrays2))
else:
break运行示例
开始计算,确认吗(Y/N)?y
请输入各月销售额:520
请输入各月销售额:480
请输入各月销售额:500
请输入各月销售额:560
请输入各月销售额:600
请输入各月销售额:620
请输入各月销售额:0
请输入各个权值系数:0.2
请输入各个权值系数:0.3
请输入各个权值系数:0.5
请输入各个权值系数:0
633.1111111111111
开始计算,确认吗(Y/N)?n代码运行后解说
运行代码后进入交互式界面，用户输入销售额和权数后输出预测值，使用说明：
- 输入销售额时，按月份顺序输入，输入0结束；权数需按“远期到近期”顺序输入，输入0结束；
- 若输入的销售额数量不是权数长度的整数倍（如销售额输入7个，权数3个），代码会取前6个销售额计算（len(sales)//size=7//3=2个周期）；
- 输入权数时需确保长度与时间单位一致，且之和为1，否则预测结果会偏离实际；
- 输入
N可退出程序，适合非编程人员快速使用。
方法2：指数平滑法 2️⃣
核心知识点
指数式递减加权的移动平均，越近期数据权重越高，分为：一次指数平滑（无趋势）、二次指数平滑（线性趋势，霍尔特平滑法）、三次指数平滑（非线性/季节性趋势），使用statsmodels库实现。
- 一次（简单）指数平滑
只适合：平稳、没趋势、没季节 → 预测一条水平线 - 二次（Holt）指数平滑
适合：有上升/下降趋势，但没有季节 → 预测一条斜线 - 三次（Holt-Winters）指数平滑
它把时间序列拆成 3 部分：
1. 水平项：数据整体在什么位置
2. 趋势项：整体是涨还是跌、涨多快
3. 季节项：周期性起伏（比如夏天高、冬天低）
适合：有趋势 + 有季节波动 → 预测波浪形曲线
实操案例1：一次指数平滑预测
实现代码
# 导入：简单指数平滑法（用来预测无趋势、无季节的平稳数据）
from statsmodels.tsa.holtwinters import SimpleExpSmoothing
# 历史销量数据（12个月/12期）
sales = [520, 480, 500, 560, 570, 580, 590, 595, 600, 560, 600, 620]
# 1. 构建简单指数平滑模型
# 适合：数据没有明显上升/下降大趋势、没有季节波动的销量预测
model = SimpleExpSmoothing(sales)
# 2. 拟合模型（让模型学习历史数据的规律，自动计算最优平滑系数α）
r1 = model.fit()
# 3. 预测未来4个时期的销量
# start=len(sales) → 从“历史数据最后一条的下一条”开始预测
# end=len(sales)+3 → 连续预测4个值（+0、+1、+2、+3）
pred1 = r1.predict(start=len(sales), end=len(sales) + 3)
# 输出预测结果
print("未来4期销量预测：")
print(pred1)运行结果
[619.9999997 619.9999997 619.9999997 619.9999997]代码运行后解说
运行代码后输出未来4个月的预测销售额均为620万元左右，结果解读：
- 一次指数平滑适用于无明显趋势、无季节性的时间序列，预测值围绕最新值波动；
- 模型默认使用最优平滑系数（α），无需手动设置，拟合效果优于简单移动平均；
- 预测值全部相同，说明一次指数平滑认为未来销售额无增长趋势，仅维持当前水平；
- 若运行时提示“ModuleNotFoundError: No module named 'statsmodels'”，需执行
pip install statsmodels安装时间序列库。
实操案例2：三次指数平滑预测（考虑趋势/季节性）
什么时候必须用三次指数平滑？
- 超市月度销量：旺季高、淡季低 + 整体逐年上涨
- 气温、用电、旅游数据
- 只要你看到波浪形 + 整体往上/往下，就用三次
实现代码
from statsmodels.tsa.holtwinters import ExponentialSmoothing
sales=[520,480,500,560,570,580,590,595,600,560,600,620]
# 构建模型（加法趋势+加法季节性，季节周期4）
model=ExponentialSmoothing(sales,trend="add",seasonal='add', seasonal_periods=4)
r1=model.fit()
# 预测未来6个值
pred1=r1.predict(start=len(sales),end=len(sales)+5)
print(pred1)运行结果
[629.40714887 606.07272147 629.40514569 657.73836198 666.44558167 643.11115427]代码运行后解说
运行代码后输出未来6个月的预测销售额（629.41、606.07、629.41、657.74、666.45、643.11万元），结果解读：
- 三次指数平滑（霍尔特-温特斯法）考虑了趋势和季节性，预测值随季节周期波动且整体呈上升趋势；
seasonal_periods=4表示季节周期为4个月，模型会识别历史数据中的4个月周期规律；trend="add"表示加法趋势（趋势值固定），若数据趋势递增,曲线越来越陡峭，可改为trend="mul"（乘法趋势）；- 对比一次指数平滑，三次指数平滑的预测值更贴合实际销售的季节波动，适合有季节性的行业（如零售、制造业）。
方法3：回归分析法 3️⃣
核心知识点
假设销售量与时间呈线性函数关系，用线性回归拟合历史数据，预测未来销售额，使用sklearn库的线性回归模型实现。
实操案例：线性回归预测销售额
实现代码
from sklearn import linear_model
import numpy as np
sales =[520,480,500,560,570,580,590,595,600,560,600,620]
# 构建线性回归模型
model =linear_model.LinearRegression()
# 构造自变量x（时间序列），转换为二维数组
x=np.arange(len(sales))
x=x.reshape(-1, 1) # 等价于x.resize((len(sales),1))
# 拟合模型
model.fit(x, sales)
# 构造未来6个时间点的自变量
newX=np.arange(len(sales),len(sales)+6)
newX=newX.reshape(-1, 1)
# 预测未来销售额
predict_outcome = model.predict(newX)
print(predict_outcome)
# 输出回归方程 y=kx+b
print("y={}x+{}".format(model.coef_[0],model.intercept_))运行结果
[630.15151515 640.23892774 650.32634033 660.41375291 670.5011655 680.58857809]
y=10.087412587412583x+509.10256410256414代码运行后解说
运行代码后输出未来6个月的预测销售额（630.15、640.24、650.33、660.41、670.50、680.59万元）和回归方程，结果解读：
- 回归方程
y=10.09x+509.10表示：时间每增加1个月（x+1），销售额平均增长10.09万元； - 预测值呈线性上升趋势，适合销售额稳定增长的企业，若数据有波动（如10月销售额560万元），模型会自动拟合整体趋势；
- 可通过
model.score(x, sales)计算拟合优度R²，R²越接近1，拟合效果越好； - 若运行时提示“ModuleNotFoundError: No module named 'sklearn'”，需执行
pip install scikit-learn安装机器学习库。
4.2 成本预测
前言
定义
核心方法：高低点法
核心知识点
选择产量最高和产量最低的两组数据，拟合成本与产量的线性关系 ，预测未来产量对应的总成本。
核心步骤
- 计算总成本 = 固定成本总额 + 产量 × 单位变动成本
- 确定高低点：高点（max_x, max_y）、低点（min_x, min_y）
- 计算斜率a =（max_y - min_y）/（max_x - min_x）
- 计算截距b = min_y - a×min_x
- 预测总成本 = a×预测产量 + b，单位成本 = 预测总成本 / 预测产量
实操案例：高低点法预测产量60件时的成本
数据基础：8-12月产量、固定成本总额、单位变动成本数据
实现代码
import pandas as pd
# 读取数据
data=pd.read_csv("./data/产品产量与成本.csv",encoding='GBK')
# 计算总成本
data["总成本"]=data["固定成本总额（元）"]+data["产量（件）"]*data["单位变动成本（元）"]
# 按产量降序排序，确定高低点
data.sort_values(by='产量（件）',ascending=False,inplace=True)
max_x=data.head(1)['产量（件）'].values[0]
min_x=data.tail(1)["产量（件）"].values[0]
max_y=data.head(1)["总成本"].values[0]
min_y=data.tail(1)["总成本"].values[0]
# 拟合线性方程
a=(max_y-min_y)/(max_x-min_x)
b=min_y-a*min_x
# 预测产量60件时的成本
volume =60
totalCost= a* volume +b
print("总成本为:{},单位成本为:{}".format(totalCost, totalCost/ volume))运行结果
总成本为:25268.571428571428,单位成本为:421.1428571428571代码运行后解说
运行代码后输出预测总成本25268.57元、单位成本421.14元/件，结果解读：
- 高低点法通过产量最高和最低的两组数据拟合成本线，计算简单、适合快速预测；
- 斜率a是单位变动成本（每增加1件产量，总成本增加a元），截距b是固定成本（产量为0时的成本）；
- 若实际成本与拟合成本偏差较大（如高点/低点为异常值），需改用回归法或移动平均法；
- 预测的单位成本421.14元可用于报价、成本控制等决策，若实际单位成本高于此值，需分析成本超支原因。
4.3 利润预测
前言
定义
核心方法：本量利法
利润 = 卖东西赚的 “纯增量钱” − 不管卖不卖都要花的固定钱
边际贡献率= 每卖 1 块钱收入里，能留下来覆盖固定成本、最后变成利润的比例。
公式：
比如：卖 100 元，变动成本 60 元→ 边际贡献率 = 40% → 每卖 1 块钱收入，留下 0.4 元用来覆盖房租、设备等固定成本。
总边际贡献= 所有产品一共留下了多少钱,就是把每个产品的“留下来的钱”加总。
公式：
预测利润公式：
逻辑顺序是这样的： 👈
- 先卖货，产生销售收入
- 扣掉变动成本（材料、包装等），剩下的就是边际贡献
- 用这些边际贡献先去覆盖固定成本
- 覆盖完剩下的，就是利润
实操案例：预测多产品（A/B）的利润
数据基础：A/B产品的预测销售量、销售收入、销售比重、边际贡献率；固定成本85万元
实现代码
import pandas as pd
# 读取数据
data=pd.read_csv('./data/产品销售资料.csv',encoding="GBK")
fixedCost = 850000
# 计算各产品边际贡献
data["边际贡献"]=data['预测销售收入（元）']*data["边际贡献率"]
# 预测利润 = 边际贡献总和 - 固定成本
print("预测利润为:{}".format(data["边际贡献"].sum()-fixedCost))运行结果
预测利润为:434871.5代码运行后解说
运行代码后输出预测利润434871.5元（43.49万元），结果解读：
- 总边际贡献=A产品边际贡献+B产品边际贡献，是覆盖固定成本后的盈利潜力；
- 预测利润=总边际贡献-固定成本85万元，若结果为负，说明企业需提高销售收入或降低固定成本才能盈利；
- 可通过调整产品销售比重（增加高边际贡献率产品的销售）提高预测利润，例如A产品边际贡献率40%，B产品30%，可优先推广A产品；
- 若实际利润低于预测值，需分析“销售收入未达标”或“边际贡献率低于预期”等原因。
4.4 资金预测
前言
定义
核心方法：销售百分比法
核心知识点
根据销售额的变动，预测企业需要追加的资金金额，考虑随销售额变动的资产/负债、折旧、留存收益、零星资金需求。
核心步骤
- 计算销售额变动额 = 计划期销售额 - 基期销售额
- 计算敏感资产/负债占销售额的百分比（敏感资产：货币资金、应收账款、存货、固定资产；敏感负债：应付账款、应交税费）
- 计算资产变动额 = 销售额变动额 × 敏感资产占比
- 计算负债变动额 = 销售额变动额 × 敏感负债占比
- 计算留存收益增加额 = 计划期销售额 × 销售净利率 ×（1-股利发放率）
- 计算可动用折旧 = 折旧总额 ×（1-设备改造比例）
- 追加资金额 = 资产变动额 - 负债变动额 - 留存收益增加额 - 可动用折旧 + 零星资金需求
- 追加资金额：企业为了扩大产销，需从外部额外筹措的资金总额。
- 资产变动额：因销售增长而需追加占用的流动资产与长期资产资金。
- 负债变动额：销售增长中自动产生的应付账款等无息负债，可抵减资金需求。
- 留存收益增加额：企业通过经营内部积累形成的留存利润，可用于补充资金。
- 可动用折旧：前期计提的非现金支出，折旧摊销后可作为当期的内部资金来源。
- 零星资金需求：除上述预算外，为应对突发情况或零星开支而预留的应急资金。
实操案例：预测企业追加资金金额
已知条件
- 基期销售额1.2亿元，计划期1.5亿元；基期净利润480万元，股利发放率50%
- 折旧60万元，50%用于设备改造；零星资金需求30万元
- 敏感资产：7960万元（无无形资产）；敏感负债：900万元（应付账款600+应交税费300）
核心计算
- 销售额变动额 = 15000 - 12000 = 3000万元
- 销售净利率 = 480/12000 = 4%
- 敏感资产占比 = 7960/12000 ≈ 0.6633；
- 敏感负债占比 = 900/12000 = 0.075
- 资产变动额 = 3000×0.6633 = 1989.9万元；
- 负债变动额 = 3000×0.075 = 225万元
- 留存收益增加额 = 15000×4%×(1-50%) = 300万元
- 可动用折旧 = 60×(1-50%) = 30万元
- 追加资金额 = 1989.9 - 225 - 300 - 30 + 30 = 1464.9万元
代码
# 销售百分比法资金预测
# 基期数据
base_sales = 12000 # 基期销售额（万元）
plan_sales = 15000 # 计划期销售额（万元）
base_profit = 480 # 基期净利润（万元）
dividend_rate = 0.5 # 股利发放率
depreciation = 60 # 折旧总额（万元）
depreciation_ratio = 0.5 # 设备改造比例
misc_fund = 30 # 零星资金需求（万元）
sensitive_asset = 7960 # 敏感资产（万元）
sensitive_debt = 900 # 敏感负债（万元）
# 计算核心指标
sales_change = plan_sales - base_sales # 销售额变动额
profit_rate = base_profit / base_sales # 销售净利率
asset_ratio = sensitive_asset / base_sales # 敏感资产占比
debt_ratio = sensitive_debt / base_sales # 敏感负债占比
# 计算各项变动额
asset_change = sales_change * asset_ratio # 资产变动额
debt_change = sales_change * debt_ratio # 负债变动额
retained_earnings = plan_sales * profit_rate * (1 - dividend_rate) # 留存收益增加额
available_depreciation = depreciation * (1 - depreciation_ratio) # 可动用折旧
# 计算追加资金额
additional_fund = asset_change - debt_change - retained_earnings - available_depreciation + misc_fund
print(f"需追加资金金额：{additional_fund:.1f}万元")运行结果
需追加资金金额：1464.9万元代码运行后解说
- 追加资金额为正，说明企业销售额增长需要额外投入1464.9万元资金，可通过银行借款、发行股票等方式筹集；
- 资产变动额1989.9万元是销售额增长所需的资产投入，负债变动额225万元是自动增加的应付账款等（无需主动筹资）；
- 留存收益增加额300万元和可动用折旧30万元是企业内部可动用的资金，减少了外部筹资需求；
- 零星资金需求30万元是额外的资金需求（如临时采购、费用支出），需纳入筹资计划；
- 若计划期销售额改为1.4亿元，追加资金额= (14000-12000)×0.6633 - 2000×0.075 - 14000×4%×0.5 - 30 +30 = 1326.6-150-280-30+30=996.6万元，销售额增长放缓，筹资需求减少。
五、财会机器人 🚀 自行学习
5.1 基于键盘鼠标模拟的实现方法
前言
定义
利用Python程序自动化处理财务工作，替代人工操作，核心两种实现方法：键盘鼠标模拟、直接读写财务文件。
核心知识点
使用pyautogui库模拟人工的点击、复制、粘贴、按键操作，pyperclip库实现剪贴板交互，自动填写财务表单（如记账凭证），核心需求：将阿拉伯数字金额转换为中文大写金额。
实操案例：自动填写记账凭证（金额大写转换+鼠标模拟）
实现代码
import pyautogui
import pyperclip
import time
# 定义函数：阿拉伯数字转中文大写金额
def daxie(number):
numchar=["零","壹","贰","叁","肆","伍","陆","柒","捌","玖"]
pr=["圆整","拾","佰","仟","萬","拾","佰","仟","亿"]
length=len(str(number))
result=""
for i in str(number):
length -=1
result +=("%s%s"%(numchar[int(i)],pr[length]))
# 清洗多余的零
result =result.replace("零萬","萬")
result =result.replace("零仟","")
result =result.replace("零佰","")
result =result.replace("零拾","")
result=result.replace("零圆","圆")
return result
# 测试大写转换
print(daxie(10000)) # 输出：壹萬圆整
# 鼠标模拟操作（填写3张记账凭证）
time.sleep(5) # 预留5秒打开Excel文件
pyautogui.PAUSE=0.5 # 每次操作间隔0.5秒
pyautogui.FAILSAFE = True # 鼠标移到屏幕角落触发终止，防止程序失控
for i in range(3):
pyautogui.click(800,780) # 点击阿拉伯数字金额单元格
pyautogui.hotkey('ctrl','c') # 复制金额
# 转换为大写并粘贴
pyperclip.copy(daxie(int(float(pyperclip.paste().replace(",","")))))
pyautogui.doubleClick(490,780) # 双击大写金额单元格
pyautogui.hotkey('ctrl','v') # 粘贴大写金额
pyautogui.hotkey('ctrl',"pagedown") # 切换到下一张凭证
pyautogui.hotkey('ctrl','home') # 回到凭证顶部代码说明
daxie(number)：核心函数，实现阿拉伯数字到中文大写金额的转换，通过replace清洗多余的“零”pyautogui.click(x,y)：点击坐标为(x,y)的位置（需根据自己的Excel界面调整坐标）pyautogui.hotkey：模拟快捷键操作（ctrl+c复制，ctrl+v粘贴，pagedown下翻）pyperclip：实现Python程序与系统剪贴板的交互，传递金额数据time.sleep(5)：预留时间打开记账凭证Excel文件，确保程序操作有效
代码运行后解说
运行代码后执行以下操作：
- 首先测试大写转换函数，输出“壹萬圆整”，验证转换功能正常；
- 预留5秒时间，需在此期间打开记账凭证Excel文件并切换到该窗口；
- 自动点击阿拉伯数字金额单元格（坐标800,780），复制金额后转换为大写；
- 双击大写金额单元格（坐标490,780），粘贴大写金额；
- 切换到下一张凭证，重复操作3次，完成3张凭证的大写金额填写；
使用注意：
- 坐标需根据自己的屏幕分辨率和Excel窗口位置调整（可通过
pyautogui.position()获取鼠标当前坐标）； - 若Excel单元格有千分位分隔符（如10,000），代码中
replace(",","")会自动去除，避免转换错误； - 运行时若操作错误，将鼠标移到屏幕左上角（坐标0,0）可触发
FAILSAFE终止程序。
5.2 基于文件读写的实现方法
前言
定义
核心知识点
使用openpyxl库直接读写Excel文件，无需模拟鼠标操作，效率更高、更稳定，直接修改Excel单元格的数值，实现记账凭证的自动填写。
实操案例：直接读写Excel，自动填写大写金额
实现代码
import openpyxl
# 阿拉伯数字转中文大写金额函数
def daxie(number):
numchar=["零","壹","贰","叁","肆","伍","陆","柒","捌","玖"]
pr=["圆整","拾","佰","仟","萬","拾","佰","仟","亿"]
length=len(str(number))
result =""
for i in str(number) :
length -=1
result +=("%s%s"%(numchar[int(i)],pr[length]))
result=result.replace("零萬","萬")
result =result.replace("零仟","")
result =result.replace("零佰","")
result =result.replace("零拾","")
result =result.replace("零圆","圆")
return result
# 读取记账凭证Excel文件
wb=openpyxl.load_workbook("记账凭证.xlsx", data_only=True)
# 遍历3张工作表（凭证）
for i in range(1,4):
sheet =wb[str(i)]
value1 =sheet.cell(11,2).value # 读取大写金额单元格原值
value2 =sheet.cell(11, 3).value # 读取阿拉伯数字金额
sheet.cell(11,2).value=value1+daxie(value2) # 填写大写金额
# 保存新的记账凭证文件
wb.save("记账凭证New.xlsx")代码说明
openpyxl.load_workbook：读取Excel文件，data_only=True表示读取单元格的数值而非公式sheet.cell(row,col).value：读取/修改指定行、列的单元格数值（行/列从1开始计数）wb.save：将修改后的内容保存为新的Excel文件，避免覆盖原文件- 优势：无需调整鼠标坐标，直接操作Excel数据，适配大批量凭证处理，稳定性远高于鼠标模拟。
代码运行后解说
运行代码后自动完成以下操作：
- 读取
记账凭证.xlsx文件，该文件包含3张工作表（命名为1、2、3，对应3张凭证）； - 遍历每张工作表，读取第11行第3列的阿拉伯数字金额（如10000），转换为中文大写（壹萬圆整）；
- 将大写金额填写到第11行第2列的单元格（追加到原有值后）；
- 保存为新文件
记账凭证New.xlsx，原文件保持不变；
结果验证：
