數(shù)據(jù)挖掘在會(huì)計(jì)中的應(yīng)用研究綜述

陳斯穎

關(guān)鍵詞：數(shù)據(jù)挖掘;財(cái)務(wù)會(huì)計(jì);管理會(huì)計(jì);審計(jì)

一、引言

隨著互聯(lián)網(wǎng)、云計(jì)算、大數(shù)據(jù)、虛擬現(xiàn)實(shí)、區(qū)塊鏈和人工智能等技術(shù)的逐步成熟和應(yīng)用，數(shù)據(jù)挖掘技術(shù)應(yīng)運(yùn)而生。數(shù)據(jù)挖掘指是從大型數(shù)據(jù)庫(kù)或數(shù)據(jù)倉(cāng)庫(kù)中提取隱含的、先前未知的、非平凡的，以及有潛在應(yīng)用價(jià)值信息的過程（吉根林，2000）。它也被稱為從大量數(shù)據(jù)中提取和挖掘知識(shí)的過程（Han，2006），以優(yōu)化學(xué)科中的決策。所以，數(shù)據(jù)挖掘的重點(diǎn)是充分利用組織中的海量數(shù)據(jù)資產(chǎn)來獲取財(cái)務(wù)和非財(cái)務(wù)的利益。這一技術(shù)已經(jīng)廣泛的應(yīng)用在了金融業(yè)、零售業(yè)和保險(xiǎn)業(yè)等各個(gè)領(lǐng)域（黃解軍，2003），更是被各大會(huì)計(jì)專業(yè)機(jī)構(gòu)所重視。

會(huì)計(jì)作為企業(yè)的基石，它的涉及范圍很廣，包括內(nèi)外部財(cái)務(wù)報(bào)告、成本計(jì)算、盈余管理和審計(jì)等，而這些內(nèi)容都有著極大的不確定性、復(fù)雜性和風(fēng)險(xiǎn)性。會(huì)計(jì)界關(guān)于人工智能的新聞近年來頻頻發(fā)布，2017年3月10日，德勤與Kira Systems宣布合作，在會(huì)計(jì)、審計(jì)、稅務(wù)工作中引入人工智能;畢馬威也宣布引入IBM watson認(rèn)知技術(shù)（王加燦，2017），使用數(shù)據(jù)挖掘來降低會(huì)計(jì)活動(dòng)中的復(fù)雜性和識(shí)別風(fēng)險(xiǎn)已成為財(cái)務(wù)智能化的重要標(biāo)志。目前，有關(guān)于數(shù)據(jù)挖掘在會(huì)計(jì)中應(yīng)用的研究已經(jīng)大量發(fā)表，但尚缺乏對(duì)現(xiàn)有文獻(xiàn)的系統(tǒng)回顧。鑒于此，本文試圖在梳理相關(guān)文獻(xiàn)的基礎(chǔ)上，以會(huì)計(jì)的兩大分支：財(cái)務(wù)會(huì)計(jì)、管理會(huì)計(jì)為切入角度，首先從財(cái)務(wù)績(jī)效評(píng)價(jià)和財(cái)務(wù)危機(jī)預(yù)警來闡述財(cái)務(wù)會(huì)計(jì)中的數(shù)據(jù)挖掘，接著描述數(shù)據(jù)挖掘在管理會(huì)計(jì)的三個(gè)重要領(lǐng)域：成本管理和預(yù)算管理中的應(yīng)用進(jìn)行說明，最后分析現(xiàn)有研究的不足，以期為后續(xù)研究提供參考。

二、財(cái)務(wù)會(huì)計(jì)中的數(shù)據(jù)挖掘

企業(yè)財(cái)務(wù)績(jī)效評(píng)價(jià)與財(cái)務(wù)危機(jī)預(yù)警的實(shí)現(xiàn)都需要對(duì)企業(yè)的財(cái)務(wù)報(bào)表及其相關(guān)資料進(jìn)行分析（王媛媛，2012）。然而兩者主體、目的的不同決定了兩者在分析內(nèi)容上的不同，進(jìn)而決定了數(shù)據(jù)挖掘的應(yīng)用也不同。

（一）財(cái)務(wù)績(jī)效評(píng)價(jià)

Callen等人于1996年建立了一個(gè)神經(jīng)網(wǎng)絡(luò)模型來預(yù)測(cè)季度會(huì)計(jì)收益，這是數(shù)據(jù)挖掘在財(cái)務(wù)會(huì)計(jì)這一領(lǐng)域最早的應(yīng)用之一。這項(xiàng)工作將神經(jīng)網(wǎng)絡(luò)與線性時(shí)間序列預(yù)測(cè)模型進(jìn)行了對(duì)比，得出的結(jié)論是：采用線性時(shí)間序列模型預(yù)測(cè)季度盈利比人工神經(jīng)網(wǎng)絡(luò)模型更加準(zhǔn)確。但在這項(xiàng)早期工作之后的研究報(bào)告中，大多數(shù)的結(jié)論卻與此相反，也許是因?yàn)镃allen等人（1996）實(shí)驗(yàn)的神經(jīng)網(wǎng)絡(luò)模型缺乏詳細(xì)的說明，所以后人在進(jìn)行實(shí)驗(yàn)時(shí)很難完全復(fù)制。Back等人（2001）使用自組織映射算法來分別將從數(shù)字信息中與從年度報(bào)告文本信息中提取的公司績(jī)效進(jìn)行比較，但這種比較主要是著眼于未來。董斌（2008）利用BP神經(jīng)網(wǎng)絡(luò)可以從之前的數(shù)據(jù)樣本中自動(dòng)學(xué)習(xí)經(jīng)驗(yàn)且能夠逼真的刻畫各種函數(shù)，在對(duì)21家汽車企業(yè)數(shù)據(jù)樣本構(gòu)建的擬模型進(jìn)行訓(xùn)練和測(cè)試之后，建立了一個(gè)完整的 BP 神經(jīng)網(wǎng)絡(luò)模型。并將此模型用于評(píng)價(jià)上市公司財(cái)務(wù)績(jī)效，實(shí)證證明了BP神經(jīng)網(wǎng)絡(luò)模型能夠用于有效的評(píng)價(jià)企業(yè)財(cái)務(wù)績(jī)效。

（二）財(cái)務(wù)危機(jī)預(yù)警

Fitzpatrick（1932）以19家公司為樣本，通過單變量判定模型發(fā)現(xiàn)了凈利潤(rùn)股東權(quán)益和股東權(quán)益負(fù)債最能有效判別財(cái)務(wù)危機(jī)。但是一個(gè)企業(yè)的財(cái)務(wù)狀況很難由一個(gè)財(cái)務(wù)比率指標(biāo)反映出來。后來Altman（1968）將多變量判別法引入財(cái)務(wù)危機(jī)預(yù)警研究領(lǐng)域，通過選取企業(yè)的多個(gè)財(cái)務(wù)比率指標(biāo)，使用估計(jì)出的錯(cuò)判率最小的判別系數(shù)來建立函數(shù)，并利用該函數(shù)求出總判別分值來預(yù)測(cè)企業(yè)的財(cái)務(wù)危機(jī)。

隨著數(shù)據(jù)挖掘技術(shù)的日漸成熟，Odom和Sharda（1990）以65家企業(yè)為樣本，構(gòu)建了神經(jīng)網(wǎng)絡(luò)預(yù)警模型。通過與多元判別方法進(jìn)行比較，發(fā)現(xiàn)采用神經(jīng)網(wǎng)絡(luò)的方法來預(yù)測(cè)企業(yè)危機(jī)要比傳統(tǒng)的多元判別方法更加準(zhǔn)確。鄭柏詡（2001）通過遺傳規(guī)劃和分類回歸樹來建立財(cái)務(wù)預(yù)警模型，采用企業(yè)的財(cái)務(wù)指標(biāo)和智慧資本指標(biāo)分別進(jìn)行建模。

三、管理會(huì)計(jì)中的數(shù)據(jù)挖掘

管理會(huì)計(jì)的應(yīng)用主要集中在成本管理和預(yù)算管理等領(lǐng)域。

（一）成本管理

在成本預(yù)測(cè)方面，許多作者都將數(shù)據(jù)挖掘應(yīng)用于產(chǎn)品成本計(jì)算，即用于預(yù)測(cè)產(chǎn)品單位成本（Chang，2012）、估計(jì)產(chǎn)品生命周期成本（Seo，2002;Yeh和Deng，2012）、估計(jì)項(xiàng)目設(shè)計(jì)成本（Deng和Yeh，2010）和估計(jì)產(chǎn)品制造成本（Deng和Yeh，2011）。這些研究都是利用混合數(shù)據(jù)挖掘建模技術(shù)來進(jìn)行實(shí)驗(yàn)、得出結(jié)論。但這些研究?jī)H局限于單個(gè)行業(yè)、公司或產(chǎn)品，因此很難被認(rèn)為具有廣泛的適用性。陳一飛（2003）提出了使用關(guān)聯(lián)規(guī)則算法來挖掘產(chǎn)品成本的相互影響規(guī)則，并利用神經(jīng)網(wǎng)絡(luò)方法來對(duì)時(shí)間序列的成本數(shù)據(jù)，進(jìn)行成本組成因素的趨勢(shì)預(yù)測(cè)分析。

（二）預(yù)算管理

Warren、Moffitt和Byrnes（2015）指出在管理會(huì)計(jì)方面，大數(shù)據(jù)將促進(jìn)管理控制系統(tǒng)的效率提升和預(yù)算編制過程的發(fā)展演變。張露（2008）闡述了某卷煙廠商業(yè)智能和全面預(yù)算管理軟件合作應(yīng)用的情況，并指出商業(yè)智能與全面預(yù)算管理軟件的融合應(yīng)用大大提高了全面預(yù)算管理的效果。Tang（2009）開發(fā)了一個(gè)基于web的早期成本預(yù)算案例推理系統(tǒng)，以幫助決策者進(jìn)行項(xiàng)目篩選，并將模糊層次分析法應(yīng)用于多準(zhǔn)則決策，以改進(jìn)預(yù)算分配決策。

四、未來研究展望

本文回顧了數(shù)據(jù)挖掘在會(huì)計(jì)中的應(yīng)用。數(shù)據(jù)挖掘這一未來十大信息系統(tǒng)技術(shù)與會(huì)計(jì)進(jìn)行融合是當(dāng)今信息時(shí)代的必然趨勢(shì)，可研究者們對(duì)數(shù)據(jù)挖掘的研究并沒有普及到會(huì)計(jì)的各個(gè)方面。

財(cái)務(wù)會(huì)計(jì)中的數(shù)據(jù)挖掘主要側(cè)重于財(cái)務(wù)績(jī)效分析和財(cái)務(wù)危機(jī)預(yù)警，如預(yù)測(cè)季度會(huì)計(jì)收益、比較業(yè)績(jī)計(jì)量的數(shù)字與文本數(shù)據(jù)的信息價(jià)值、識(shí)別年度報(bào)告中的風(fēng)險(xiǎn)因素等。這些應(yīng)用大多以聚類和分類為數(shù)據(jù)挖掘任務(wù)。未來的研究機(jī)會(huì)可以在預(yù)測(cè)財(cái)務(wù)業(yè)績(jī)時(shí)，更多地利用財(cái)務(wù)報(bào)告的文本部分;在數(shù)據(jù)挖掘運(yùn)用的專業(yè)領(lǐng)域，更加注重?cái)?shù)據(jù)資料的質(zhì)量;在數(shù)據(jù)挖掘的程序設(shè)計(jì)上，通過尋找財(cái)務(wù)指標(biāo)之外新的變量來預(yù)測(cè)財(cái)務(wù)績(jī)效;根據(jù)數(shù)據(jù)特點(diǎn)選取模型的敏感性測(cè)試分析，還有在分析中考慮變量之間關(guān)系的重要性。

數(shù)據(jù)挖掘在管理會(huì)計(jì)中的應(yīng)用主要涉及不同層面（產(chǎn)品、設(shè)備、過程和項(xiàng)目層面）的成本管理、資產(chǎn)（主要是庫(kù)存）管理等，但在其他方面的應(yīng)用還較少。這些應(yīng)用具體包括分類、選擇、預(yù)測(cè)和優(yōu)化庫(kù)存管理、定義成本動(dòng)因、估計(jì)和預(yù)測(cè)項(xiàng)目和產(chǎn)品成本、開發(fā)預(yù)算系統(tǒng)、預(yù)測(cè)現(xiàn)金流。數(shù)據(jù)挖掘在應(yīng)用中的主要任務(wù)是估計(jì)和優(yōu)化。該領(lǐng)域未來的研究機(jī)會(huì)包括：使用web服務(wù)公開這些應(yīng)用程序，更好地識(shí)別相關(guān)變量，對(duì)生成的模型進(jìn)行更敏感的分析，簡(jiǎn)化模型，改進(jìn)數(shù)據(jù)處理，明確區(qū)分因果關(guān)系，解決數(shù)據(jù)可用性問題，以及跨行業(yè)模型驗(yàn)證。

參考文獻(xiàn)：

[1]吉根林，帥克，孫志揮.數(shù)據(jù)挖掘技術(shù)及其應(yīng)用[J].南京師大學(xué)報(bào)（自然科學(xué)版），2000，23（2）：25-27.

[2]Han J ， Kamber M ， Pei J . Data Mining： Concepts and Techniques[M]. Morgan Kaufmann，2006.

[3]黃解軍，潘和平，萬(wàn)幼川.數(shù)據(jù)挖掘技術(shù)的應(yīng)用研究[J].計(jì)算機(jī)工程與應(yīng)用，2003，39（2）：45-48

[4]Hian Chye K.Going concern prediction using data mining techniques[J]. Managerial Auditing Journal， 2004， 19（3）：462-476.

[5]王加燦，蘇陽(yáng).人工智能與會(huì)計(jì)模式變革[J].財(cái)會(huì)通訊，2017（22）：41-43.

[6]王媛媛. 基于因子分析與支持向量機(jī)的上市公司財(cái)務(wù)危機(jī)預(yù)警研究[D].西安電子科技大學(xué)，2012.