基于財務(wù)分析的數(shù)據(jù)挖掘技術(shù)

［摘 要］ 企業(yè)在信息化管理條件下 ，會產(chǎn)生各種信息，其中財務(wù)信息是反映企業(yè)經(jīng)營狀況的重要信息。對于海量財務(wù)信息，如何進行分析和決策是企業(yè)管理人員面臨的主要問題。本文通過對數(shù)據(jù)挖掘技術(shù)的研究，闡述數(shù)據(jù)挖掘技術(shù)在財務(wù)分析中的應(yīng)用，將對企業(yè)決策提供幫助。

［關(guān)鍵詞］ 財務(wù)分析；數(shù)據(jù)挖掘；財務(wù)信息

［中圖分類號］F275；F270.7［文獻標(biāo)識碼］A［文章編號］1673-0194（2008）09-0058-04

面對日趨激烈的全球競爭，企業(yè)正在借助信息化提高管理和決策水平。目前，以會計信息化為代表的企業(yè)管理信息化為企業(yè)管理和決策積累了大量的信息。隨著海量信息的涌現(xiàn)，目前會計信息系統(tǒng)的分析功能將更顯薄弱。豐富的信息的確可以為企業(yè)的利益各方做出決策提供方便，但同時也帶來很多問題，比如大量信息難以全部掌握，等于信息丟失；信息過多，導(dǎo)致真?zhèn)坞y辨，容易造成誤導(dǎo)。面對大量的信息，如果不采用相應(yīng)的技術(shù)手段，就不能發(fā)現(xiàn)隱藏在信息背后的知識，不能分析數(shù)據(jù)中存在的關(guān)系和規(guī)則，也不能根據(jù)現(xiàn)有的數(shù)據(jù)預(yù)測未來的走勢，從而無法給出正確的輔助決策的信息。如何從會計信息系統(tǒng)等信息資源中挖掘出潛在的知識，為管理和決策服務(wù)，是企業(yè)迫切需要解決的問題。數(shù)據(jù)挖掘正是解決這一問題的有效方法。

一、數(shù)據(jù)挖掘技術(shù)

數(shù)據(jù)挖掘（data mining），又稱數(shù)據(jù)采掘，是指從大量的數(shù)據(jù)中挖掘出有用的信息，即從大量的、不完全的、有噪聲的、隨機的實際應(yīng)用數(shù)據(jù)中發(fā)現(xiàn)隱含的、規(guī)律性的、人們事先未知的，但又是潛在有用的，并且最終可以理解的信息和知識的過程。筆者在《基于財務(wù)數(shù)據(jù)分析的數(shù)據(jù)倉庫模型》一文中闡述了采用數(shù)據(jù)庫技術(shù)實現(xiàn)對海量數(shù)據(jù)的存儲方式——數(shù)據(jù)倉庫。數(shù)據(jù)挖掘可以自動在數(shù)據(jù)倉庫中尋找預(yù)測性信息，它是一個利用各種分析工具在海量數(shù)據(jù)中發(fā)現(xiàn)模型和數(shù)據(jù)間關(guān)系的過程，使用這些模型和關(guān)系可以進行預(yù)測，以幫助決策者尋找數(shù)據(jù)間潛在的關(guān)聯(lián)，發(fā)現(xiàn)被忽略的因素，從而被認為是解決當(dāng)今時代所面臨的數(shù)據(jù)爆炸而信息貧乏問題的一種有效方法。數(shù)據(jù)挖掘的主要技術(shù)有：

1. 關(guān)聯(lián)分析

若兩個或多個變量的取值之間存在某種規(guī)律性，就稱為關(guān)聯(lián)。數(shù)據(jù)關(guān)聯(lián)是數(shù)據(jù)庫中存在的一類重要的、可被發(fā)現(xiàn)的知識。關(guān)聯(lián)規(guī)則是尋找在同一個事件中出現(xiàn)的不同項目的相關(guān)性，如“90%的顧客在一次購買活動中購買商品A的同時購買商品B”之類的知識。關(guān)聯(lián)分析的目的就是利用關(guān)聯(lián)規(guī)則找出數(shù)據(jù)庫中潛在的關(guān)聯(lián)關(guān)系，以幫助人們作出正確的決策。一般用置信度和支持度兩個參數(shù)來度量挖掘出來的關(guān)聯(lián)規(guī)則是否符合要求。置信度表示關(guān)聯(lián)規(guī)則的強度，支持度表示事務(wù)在規(guī)則中出現(xiàn)的頻率。最為著名的關(guān)聯(lián)規(guī)則發(fā)現(xiàn)方法是R.Agrawal提出的Apriori算法。關(guān)聯(lián)規(guī)則的發(fā)現(xiàn)可分為兩步：第一步是迭代識別所有的頻繁項目集，要求頻繁項目集的支持率不低于用戶設(shè)定的最低值；第二步是從頻繁項目集中構(gòu)造可信度不低于用戶設(shè)定的最低值的規(guī)則。

2. 聚 類

聚類就是把整個數(shù)據(jù)分成不同的組，這種分組基于如下的原理：組與組之間數(shù)據(jù)的差異盡可能大，組內(nèi)數(shù)據(jù)的差異盡可能小。聚類分析處理的數(shù)據(jù)對象的類是未知的。聚類分析就是通過分析數(shù)據(jù)庫中的記錄數(shù)據(jù)，根據(jù)一定的分類規(guī)則，合理地劃分記錄集合，確定每個記錄所在的類別。其基本方法是定義樣本間及類與類間的距離，為了準(zhǔn)確地對樣本進行聚類，聚類前樣本的原始數(shù)據(jù)要進行標(biāo)準(zhǔn)化。

3. 分類和預(yù)測

對離散數(shù)據(jù)的分類稱為分類，對數(shù)值數(shù)據(jù)的分類稱為預(yù)測。分類就是通過分析訓(xùn)練集中的數(shù)據(jù)，為每個類別做出準(zhǔn)確描述，或建立分析模型，或挖掘出分類規(guī)則，并用這個分類規(guī)則對其他數(shù)據(jù)對象進行分類。常用的分類方法有決策樹和貝葉斯分類。預(yù)測是利用歷史數(shù)據(jù)找出變化規(guī)律，通過建立模型，對未來數(shù)據(jù)的種類、特征及發(fā)展趨勢進行預(yù)測。

4. 發(fā)現(xiàn)序列模式

序列模式尋找的是事件之間在順序上的相關(guān)性。時間序列分析是用變量過去的值來預(yù)測未來的值。序列模式分析和關(guān)聯(lián)分析相似，但側(cè)重點在于分析數(shù)據(jù)間的前后序列關(guān)系。它能發(fā)現(xiàn)數(shù)據(jù)庫中形如“在某一段時間內(nèi)，顧客購買商品A，接著購買商品B，而后購買商品C，即序列A→B→C出現(xiàn)的頻度較高”之類的知識。序列模式分析描述的問題是：在給定交易序列數(shù)據(jù)庫中，每個序列是按照交易時間排列的一組交易集，挖掘序列函數(shù)作用在這個交易序列數(shù)據(jù)庫上，返回該數(shù)據(jù)庫中出現(xiàn)的高頻序列。在進行序列模式分析時，同樣也需要由用戶輸入最小置信度和最小支持度。

二、數(shù)據(jù)挖掘技術(shù)在財務(wù)決策中應(yīng)用的必要性

一個財務(wù)決策的正確程度取決于所使用的事實和數(shù)據(jù)的正確程度。隨著競爭的增加，財務(wù)決策的時效性也變得越來越重要。因此，在財務(wù)決策領(lǐng)域應(yīng)用數(shù)據(jù)挖掘技術(shù)是企業(yè)現(xiàn)實的需要。

1. 有利于提高財務(wù)信息的利用能力

解決企業(yè)財務(wù)決策問題需要以詢問為中心的數(shù)據(jù)圖解，其以序列導(dǎo)向和多維為特征。而傳統(tǒng)的財務(wù)數(shù)據(jù)查詢是一種事務(wù)處理（OLAP），它是面向應(yīng)用、支持日常操作的，對查詢得到的數(shù)據(jù)信息缺乏分析能力，決策者不能在大量歷史數(shù)據(jù)的支持下對某一主題的相關(guān)數(shù)據(jù)進行多角度的比較、分析，得出科學(xué)的分析結(jié)果。因此，財務(wù)決策問題自身的多維特性驅(qū)動了數(shù)據(jù)挖掘技術(shù)在財務(wù)決策領(lǐng)域的應(yīng)用，以提高對財務(wù)信息的利用能力。

2. 有利于解決財務(wù)信息的噪聲問題

由于網(wǎng)絡(luò)技術(shù)的發(fā)展，企業(yè)可以通過Intranet、Internet方便地獲取企業(yè)內(nèi)部、關(guān)聯(lián)方及外部各種資料。現(xiàn)今的問題已不是信息缺乏，而是信息過量，難以消化，且信息真假難辨，可靠性難以保證。所以，對企業(yè)來說，這時就需要高效的數(shù)據(jù)分析工具——數(shù)據(jù)挖掘，在海量的信息中分辨、析取、整理、挖掘?qū)ω攧?wù)決策有用的信息，減少信息噪聲的影響。

3. 有利于滿足財務(wù)信息析取智能化的需求

由于決策本身的動態(tài)性、復(fù)雜性以及決策者本身素質(zhì)層次的多樣性，不同的情況應(yīng)有不同的處理方式。傳統(tǒng)的數(shù)據(jù)析取是依靠程序設(shè)計人員在系統(tǒng)開發(fā)過程中設(shè)計的專用程序來實現(xiàn)，非常機械化。隨著數(shù)據(jù)量的增大和查詢的復(fù)雜化，這種方式越來越不可取，決策者希望信息的析取過程能夠智能化。數(shù)據(jù)挖掘能夠利用現(xiàn)有的數(shù)據(jù)來獲取新的有用信息，支持查詢、存儲的優(yōu)化，使信息的析取具有較強的自我學(xué)習(xí)功能，滿足財務(wù)信息析取智能化的需求。

三、數(shù)據(jù)挖掘技術(shù)在財務(wù)分析中的應(yīng)用

財務(wù)分析是以財務(wù)報表和其他數(shù)據(jù)為依據(jù)，采用專門方法，系統(tǒng)分析和評價企業(yè)過去和現(xiàn)在的經(jīng)營成果和財務(wù)狀況及其變動情況。其目的是了解過去、評價現(xiàn)在、預(yù)測未來，幫助企業(yè)決策者改善決策。財務(wù)分析常用的方法主要包括比較分析、結(jié)構(gòu)分析、因素分析、比率分析等。從財務(wù)管理角度來看，數(shù)據(jù)挖掘是一種新的財務(wù)信息處理技術(shù)，其主要特點是能對會計數(shù)據(jù)倉庫、其他業(yè)務(wù)數(shù)據(jù)庫中的大量數(shù)據(jù)進行綜合處理，通過抽取、轉(zhuǎn)換、分析及其他模型化處理，從中提取輔助決策的關(guān)鍵性數(shù)據(jù)。利用數(shù)據(jù)挖掘技術(shù)進行財務(wù)分析的基本過程如下：

1. 確定財務(wù)分析對象

定義財務(wù)分析的對象，根據(jù)財務(wù)分析的目的選擇合適的分析模型，采用相應(yīng)的數(shù)據(jù)挖掘方法。

2. 數(shù)據(jù)收集

數(shù)據(jù)收集是數(shù)據(jù)挖掘的首要步驟，數(shù)據(jù)可以來自于現(xiàn)有的會計信息系統(tǒng)，也可以從數(shù)據(jù)倉庫中得到，還可以是其他業(yè)務(wù)系統(tǒng)，如ERP等中的數(shù)據(jù)。

3. 數(shù)據(jù)篩選

數(shù)據(jù)收集階段得到的數(shù)據(jù)可能有一定的“噪聲”，因此對數(shù)據(jù)的整理是必須的。同時通過數(shù)據(jù)篩選整理，可以對數(shù)據(jù)作簡單的泛化處理，從而在原始數(shù)據(jù)的基礎(chǔ)之上得到更為豐富的數(shù)據(jù)信息，以便于下一步數(shù)據(jù)挖掘的順利進行。

4. 數(shù)據(jù)挖掘

對所得到的經(jīng)過轉(zhuǎn)換的數(shù)據(jù)進行挖掘。除了完善選擇合適的挖掘算法外，其余一切工作都能自動地完成。

5. 結(jié)果分析

數(shù)據(jù)挖掘的結(jié)果有些是有實際意義的，而有些是沒有實際意義的，或是與實際情況相違背的，這就需要進行評估。評估可以根據(jù)用戶多年的經(jīng)驗，也可以直接用實際數(shù)據(jù)來驗證模型的正確性，進而調(diào)整挖掘模型，再次進行挖掘。

下面以企業(yè)資產(chǎn)負債表為例，討論數(shù)據(jù)挖掘技術(shù)在報表分析中的應(yīng)用。首先建立分析模型框架：結(jié)合OLAP的切片、切塊功能對數(shù)據(jù)進行篩選，運用財務(wù)分析中的比率或比值分析方法處理數(shù)據(jù)，建立更有實際分析意義的資產(chǎn)結(jié)構(gòu)值表。在此基礎(chǔ)上，利用數(shù)據(jù)挖掘的聚類、關(guān)聯(lián)規(guī)則，決策樹等方法，層層深入來分析某行業(yè)內(nèi)企業(yè)的財務(wù)狀況，得到一些有意義的結(jié)論。模型框架見圖1。

1. 數(shù)據(jù)收集和篩選

以上市股份公司公開披露的2007年三季度報表數(shù)據(jù)為基礎(chǔ)，選擇機械類公司的資產(chǎn)負債表數(shù)據(jù)，共72家。將上述數(shù)據(jù)導(dǎo)入SQL Server 數(shù)據(jù)庫，利用其OLAP工具Analysis Service建立時間、企業(yè)、指標(biāo)三維立方體，建立這個切片來分析機械行業(yè)的基本狀況。為了方便說明財務(wù)分析模型，本文將部分篩選數(shù)據(jù)作為示例，見表1。

2. 數(shù)據(jù)處理

對表1進行簡單的統(tǒng)計可知，每個指標(biāo)的數(shù)據(jù)相差較多，如果用這樣的原數(shù)據(jù)進行財務(wù)分析，并不具有可比性。因此本文用財務(wù)分析中的比率分析方法作為標(biāo)準(zhǔn)化方法進行數(shù)據(jù)整理，形成的基本數(shù)據(jù)指標(biāo)即資產(chǎn)結(jié)構(gòu)值表，見表2。使用比率分析法的好處是可以消除規(guī)模的影響，用來比較不同企業(yè)的收益與風(fēng)險。

3. 利用數(shù)據(jù)挖掘技術(shù)對財務(wù)數(shù)據(jù)進行分析

對上述數(shù)據(jù)，本文利用聚類、關(guān)聯(lián)規(guī)則、決策樹等聯(lián)合模式進行分析。

（1） 聚類分析。聚類分析是依據(jù)樣本之間關(guān)聯(lián)的度量標(biāo)準(zhǔn)將其分成幾個組，且使同一群組內(nèi)的樣本差異小，而使不同群組的樣本之間差異較大的一種方法。利用上述方法可以將企業(yè)按每股收益分為好、較好、一般、較差、差等5類。最終分類結(jié)果是：好的企業(yè)8家，較好的企業(yè)13家，一般的企業(yè)30家，較差的企業(yè)7家，差的企業(yè)14家。

（2） 關(guān)聯(lián)分析。經(jīng)過聚類分析后，本文把企業(yè)按財務(wù)狀況分成5類，接下來利用關(guān)聯(lián)分析，找到影響企業(yè)財務(wù)狀況的各種因素。選擇每股收益好和較好的21家公司為目標(biāo)進行關(guān)聯(lián)分析，最后得到強關(guān)聯(lián)規(guī)則，見表3。從中可以看出，對公司的財務(wù)狀況有明顯影響的因素有資產(chǎn)負債率、速動比率、總資產(chǎn)周轉(zhuǎn)率、銷售毛利率、凈資產(chǎn)收益率等。

（3） 決策樹。根據(jù)上述強關(guān)聯(lián)規(guī)則中的指標(biāo)建立決策樹模型，算法主要用增益標(biāo)準(zhǔn)來選擇需要檢驗的屬性，它是基于信息論中熵的概念。定義熵來描述信息增益比，計算各個屬性的信息增益的大小，具有最高信息增益的屬性就是具有最高區(qū)分度的屬性。通過信息增益計算公式分別計算各屬性的信息增益值，并進行比較，把信息增益最大的屬性作為首選的分類節(jié)點，次之的作為下一個分類節(jié)點，這樣依次分類下去就形成了決策樹。通過決策樹分析結(jié)果，可以發(fā)現(xiàn)符合強關(guān)聯(lián)規(guī)則的企業(yè)，財務(wù)狀況好的概率較高。財務(wù)預(yù)測是企業(yè)財務(wù)管理的重要環(huán)節(jié)，是經(jīng)濟預(yù)測原理和方法在財務(wù)管理中的具體運用。財務(wù)預(yù)測是一個涉及自身財務(wù)活動和外部財務(wù)環(huán)境各個方面的復(fù)雜動態(tài)過程，其中包含著很多不受管理人員控制的和狀態(tài)不確定的因素的影響，有主觀方面的也有客觀方面的，有企業(yè)內(nèi)部的也有企業(yè)外部的。單純利用傳統(tǒng)的模型和方法很難做出準(zhǔn)確的判斷。而數(shù)據(jù)挖掘正是解決這一難題的有效方法，它可以從大量的、不完全的、模糊的數(shù)據(jù)中，提取隱含在其中的、潛在有用的知識，會計信息化的普及為這種新技術(shù)的應(yīng)用奠定了基礎(chǔ)。利用數(shù)據(jù)挖掘技術(shù)有助于對企業(yè)的財務(wù)狀況進行預(yù)測和分析。

四、結(jié)束語

隨著數(shù)據(jù)庫技術(shù)和網(wǎng)絡(luò)技術(shù)的迅速發(fā)展，會計信息系統(tǒng)也在逐步完善，人們獲取數(shù)據(jù)的能力越來越強，并將海量的數(shù)據(jù)儲存在數(shù)據(jù)庫和數(shù)據(jù)倉庫中。目前的會計信息系統(tǒng)可以高效地實現(xiàn)財務(wù)數(shù)據(jù)的錄入、修改、統(tǒng)計、查詢以及簡單的財務(wù)分析等功能，但是無法發(fā)現(xiàn)數(shù)據(jù)中存在的潛在關(guān)系和規(guī)則，無法根據(jù)現(xiàn)有的數(shù)據(jù)預(yù)測未來的發(fā)展趨勢，缺乏挖掘數(shù)據(jù)背后隱藏的知識的手段。本文提出將數(shù)據(jù)挖掘技術(shù)應(yīng)用于財務(wù)數(shù)據(jù)分析，增強財務(wù)分析功能，將海量的數(shù)據(jù)轉(zhuǎn)化為有用的知識，為決策者提供有效的信息，有助于決策者作出相應(yīng)決策。

主要參考文獻

［1］ 李劍鋒，李一軍，祁威，等. 數(shù)據(jù)挖掘在公司財務(wù)分析中的應(yīng)用［J］. 計算機工程與應(yīng)用，2005，（2）：217-219.

［2］ 李愛玲，沈憲章，李豫州. 數(shù)據(jù)挖掘在財務(wù)預(yù)測中的應(yīng)用［J］. 安陽師范學(xué)院學(xué)報，2005，24（2）：129-131.

［3］ 唐曉東. 基于數(shù)據(jù)倉庫的數(shù)據(jù)挖掘技術(shù)［M］. 北京：電子工業(yè)出版社，2004.

［4］ 陳京民. 數(shù)據(jù)倉庫與數(shù)據(jù)挖掘技術(shù)［M］. 北京：電子工業(yè)出版社，2002.