財(cái)務(wù)診斷中數(shù)據(jù)挖掘應(yīng)用研究

《財(cái)務(wù)診斷中數(shù)據(jù)挖掘應(yīng)用研究》由會員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在工程資料-天天文庫。

1、財(cái)務(wù)診斷中數(shù)據(jù)挖掘應(yīng)用研究一、引言企業(yè)的經(jīng)營目的在于獲取利潤，發(fā)展自身經(jīng)營和管理能力，并逐步壯大發(fā)展，創(chuàng)造更大的盈利。企業(yè)想要高效運(yùn)轉(zhuǎn)并獲得可觀收益，必須要有危機(jī)意識和風(fēng)險(xiǎn)意識，其中財(cái)務(wù)風(fēng)險(xiǎn)意識尤其值得注意。根據(jù)復(fù)旦大學(xué)相關(guān)研究成果可知，在使用國際通用會計(jì)準(zhǔn)則進(jìn)行財(cái)務(wù)審計(jì)時(shí)，屮國的上市公司78%存在財(cái)務(wù)問題，存在明顯的財(cái)務(wù)風(fēng)險(xiǎn)。根據(jù)我國國情而降低標(biāo)準(zhǔn),30%的上市公司財(cái)務(wù)問題仍然嚴(yán)重，可見我國企業(yè)財(cái)務(wù)方面有待進(jìn)一步改進(jìn)，總體而言，我國企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)較大。企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)較大不僅不利于企業(yè)自身的發(fā)展，也不利于相關(guān)利益者，從財(cái)務(wù)數(shù)據(jù)屮發(fā)掘出

2、對企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)冇益的信息已成為許多企業(yè)面對的一個挑戰(zhàn)。而數(shù)據(jù)挖掘技術(shù)有利于企業(yè)的財(cái)務(wù)診斷，對企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)的降低作用巨大，它是一種基于人工智能和統(tǒng)計(jì)學(xué)及數(shù)據(jù)庫的商業(yè)信息處理技術(shù)，從財(cái)務(wù)數(shù)據(jù)中提取提煉并自動進(jìn)行分析，做出總結(jié)歸納，提出相關(guān)解決辦法，從而幫助企業(yè)管理層做出市場戰(zhàn)略策略，有效地降低其做出的戰(zhàn)略的風(fēng)險(xiǎn)。財(cái)務(wù)數(shù)據(jù)是企業(yè)財(cái)務(wù)運(yùn)行的基礎(chǔ)，也是財(cái)務(wù)風(fēng)險(xiǎn)的來源之一,運(yùn)用數(shù)據(jù)挖掘技術(shù)對財(cái)務(wù)數(shù)據(jù)進(jìn)行診斷分析，能夠從中找出企業(yè)存在的財(cái)務(wù)問題，提出有效的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警措施以幫助企業(yè)穩(wěn)步經(jīng)營。近年來數(shù)據(jù)挖掘技術(shù)是數(shù)據(jù)庫方面的研究熱點(diǎn)，很多領(lǐng)域已經(jīng)開

3、始實(shí)際運(yùn)用。木文研究數(shù)據(jù)挖掘在財(cái)務(wù)診斷中的運(yùn)用，主要研究數(shù)據(jù)挖掘技術(shù)在財(cái)務(wù)診斷、信息預(yù)警和財(cái)務(wù)診斷方案策劃決策等三個過程中的應(yīng)用，建立準(zhǔn)確有效的數(shù)據(jù)模型來指導(dǎo)實(shí)際的財(cái)務(wù)工作，能夠預(yù)測出企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)程度并提出財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警，便于企業(yè)及時(shí)地掌握財(cái)務(wù)狀況和經(jīng)營狀況，適時(shí)調(diào)整企業(yè)財(cái)務(wù)戰(zhàn)略，提高企業(yè)經(jīng)濟(jì)效益。因此，數(shù)據(jù)挖掘在財(cái)務(wù)診斷中的應(yīng)用，無論在理論上還是實(shí)踐上，都有其重要意義。二、文獻(xiàn)綜述數(shù)據(jù)挖掘分析有關(guān)聯(lián)分析、序列模式、聚類等方法，這方面的研究總體上成果豐碩。國外的數(shù)據(jù)挖掘分析方法發(fā)展比較成熟，冇大量財(cái)務(wù)風(fēng)險(xiǎn)方面的著作，其研究主要在于財(cái)務(wù)

4、風(fēng)險(xiǎn)預(yù)警模型的構(gòu)建。國內(nèi)的證券市場發(fā)展不成熟，缺乏理性的投資者，對數(shù)據(jù)挖掘分析方法研究少，主要集中在建立數(shù)學(xué)預(yù)測模型。(一)國外研究現(xiàn)狀Beaver(1958)提岀了單變量模型。他對80家經(jīng)營公司進(jìn)行一元判定預(yù)測，使用了28個財(cái)務(wù)比率作為變量。Altman(1968)在財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警領(lǐng)域引入了多元線性判別方法，創(chuàng)立了Z值模型。Altman、Haldeman(1980)又提岀了一種優(yōu)于Z模型的ZETA模型,其更能準(zhǔn)確預(yù)測企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)。Ohlson(1990)以95家經(jīng)營失敗的公司為基礎(chǔ)，運(yùn)用Logistic回歸進(jìn)行財(cái)務(wù)預(yù)警模型的建立。結(jié)

5、果表明，與企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)緊密相關(guān)的因素冇企業(yè)的規(guī)模大小、財(cái)務(wù)結(jié)構(gòu)、經(jīng)營績效、流動性四個方面。Fyaber(1989)運(yùn)用神經(jīng)網(wǎng)絡(luò)模型，進(jìn)行對銀行的首次信用風(fēng)險(xiǎn)預(yù)測。Eichengreen(1998)研究表明財(cái)務(wù)模型研究有危機(jī)管理和財(cái)務(wù)危機(jī)預(yù)警等。(二)國內(nèi)研究現(xiàn)狀李一軍、金世偉(2006)在模糊聚類分析方法的基礎(chǔ)上，使用KPT財(cái)務(wù)指標(biāo)，對上市公司進(jìn)行相關(guān)分析，并在投資決策的制定時(shí)輔助性地使用到英研究結(jié)果。郭春陣(2005)運(yùn)用三類挖掘分析方法一一聚類、關(guān)聯(lián)規(guī)則、決策樹方法，綜合分析，構(gòu)建了財(cái)務(wù)報(bào)衣分析模型。呂澄、易艷紅(2006)研究

6、數(shù)據(jù)挖掘在財(cái)務(wù)分析中的可行性，說明在財(cái)務(wù)分析運(yùn)用數(shù)據(jù)挖掘技術(shù)時(shí)，XBRL語言有著有效的作用。齊中華、黃麗娜(2010)使用EXCEL實(shí)現(xiàn)了模糊聚類的數(shù)據(jù)分析，運(yùn)用上市公司財(cái)務(wù)數(shù)據(jù)，說明了數(shù)據(jù)挖掘在財(cái)務(wù)分析中有巨大作用。張星文、梁戈夫(2006)研究發(fā)現(xiàn)財(cái)務(wù)危機(jī)預(yù)警的研究進(jìn)展很大，企業(yè)在財(cái)務(wù)管理屮已經(jīng)使用到大量的模型，如人工神經(jīng)網(wǎng)絡(luò)模型和logit回歸模型等。馮征(2007)提出了基于智能計(jì)算機(jī)的數(shù)據(jù)挖掘方法，且可用于上市公司的財(cái)務(wù)預(yù)警。三、應(yīng)用數(shù)據(jù)挖掘的財(cái)務(wù)診斷體系(一)應(yīng)用數(shù)據(jù)挖掘的財(cái)務(wù)診斷體系流程數(shù)據(jù)挖掘是基于財(cái)務(wù)比率分析、杜邦

7、分析等模型運(yùn)用于財(cái)務(wù)分析、預(yù)警及決策屮，并進(jìn)行財(cái)務(wù)診斷。故財(cái)務(wù)診斷不僅是對財(cái)務(wù)報(bào)表的分析，從系統(tǒng)的角度可以將財(cái)務(wù)診斷分為診斷數(shù)據(jù)系統(tǒng)、財(cái)務(wù)專項(xiàng)判斷、財(cái)務(wù)預(yù)警系統(tǒng)、財(cái)務(wù)決策系統(tǒng)四個部分。財(cái)務(wù)診斷系統(tǒng)分為三個階段，分別是：數(shù)據(jù)收集階段、分析診斷階段、形成報(bào)告階段。圖1為應(yīng)用數(shù)據(jù)挖掘的財(cái)務(wù)診斷模式及流程示意圖。從圖1屮可以看出，數(shù)據(jù)收集階段包括收集非財(cái)務(wù)輔助數(shù)據(jù)、三大報(bào)表數(shù)據(jù)、財(cái)務(wù)指標(biāo)數(shù)據(jù)。XBRL具有實(shí)時(shí)標(biāo)準(zhǔn)性，可以有效減少錄入轉(zhuǎn)換時(shí)間，具有針對性、實(shí)用性，可以更高效地詮釋數(shù)據(jù)的內(nèi)容及意義，提高了財(cái)務(wù)診斷的效率及精確度。分析診斷階段主要

8、是將收集的數(shù)據(jù)進(jìn)行專項(xiàng)判斷，通過XBRL與財(cái)務(wù)指標(biāo)進(jìn)行對比分析，再進(jìn)行財(cái)務(wù)診斷并作出財(cái)務(wù)預(yù)警和決策。在此階段，對目標(biāo)公司釆用遺傳算法、回歸模型等進(jìn)行建模，需要選釋決策樹方法、關(guān)聯(lián)分析等，高效簡單地完成數(shù)據(jù)分析。考慮到了影響企業(yè)財(cái)務(wù)的各