数据挖掘在上市公司财务风险预警中的应用解析.pptVIP

*/15 * 商务数据挖掘与应用案例分析 第14章 数据挖掘在上市公司财务风险预警分析中的应用 14.1 应用概述 14.2 案例1：上市公司财务报表舞弊识别 14.3 案例2：上市公司财务困境预警 14.1 应用概述 （1） 上市公司是证券市场的基石，其行为的规范与否和财务状况的好坏将直接影响到证券市场的发展和投资者的利益。但是目前中国的上市公司整体情况不是太好，存在着各种各样的问题，这些问题通过公司的财务状况反映出来。 上市公司财务风险涵盖上市企业运营过程中所有资金运动和处理生产关系给企业带来的风险。财务风险预警是以上市公司的财务数据为基础，对企业的经营活动和财务活动等进行分析预测，以发现企业在经营管理活动中潜在的经营风险和财务风险，并在危机发生之前向上市公司利益相关者发出警示，为管理者和利益相关者提供决策依据，降低损失。 如何从大量财务数据中挖掘出对企业财务风险有预警作用的信息，成为上市公司需要解决的一个重要难题。数据挖掘技术能够从企业的大量业务数据中提取关键性数据并高度自动化地分析企业的数据，挖掘出潜在的模式，从而帮助决策者调整市场策略，减少风险。 14.1 应用概述 （2） 在上市公司财务风险预警分析中，数据挖掘技术应用主要包括以下几个方面： （1）分类预测技术。通过分类挖掘对被审计数据库中的各类数据，或者审计人员建立统计模型对被审计单位的大量财务或业务历史数据进行预测分析，根据分析的预测值和审计值进行比较，当预测值与审计值差距较大时，能帮助审计人员从中发现审计疑点，从而将其列为审计重点。 （2）聚类分析技术。由于舞弊方式多种多样，数据表现出来的特点也就各式各样，并不是所有的可疑账户都可以聚成一类。因此，在舞弊行为识别中，簇的数量是未知的，因舞弊方式的不同而不同。聚类分析中“簇的数量未知”这个特点刚好满足舞弊行为识别的这个要求。 （3）离群点分析技术。离群点分析对虚假财务报告中数据的异常变动识别有着非常重要的应用价值。 （4）关联分析技术。在会计领域中，会计数据之间存在严密的逻辑关系，通过基于关联规则的数据挖掘分析，可挖掘出隐藏在数据间的相互关系。如财务做假有时表现在科目做假上，通过各个科目之间的运作、协调和配合，表现为“假科目，真做账”现象。 14.2 案例1： 上市公司财务报表舞弊识别 14.2.1 商业理解 14.2.2 数据理解与准备 14.2.3 建模阶段 14.2.1 商业理解 财务报表舞弊识别大多是利用审计人员的经验和计算机查询技术相结合的方法，对被审计单位的电子数据进行审计“发现其中的异常情况”，但仍存在一些不足： 一是审计人员的经验和知识是“有限的”，被审计对象行业跨度大，各单位情况千差万别，当审计经验无法运用时，面对海量数据真有如“瞎子摸象”； 二是数据是不断发展的，审计经验相对于数据的发展往往是滞后的，这种不同步性给审计带来巨大的潜在风险； 三是对同一数据不同的审计人员可能会得出完全不同的审计结论，知识的“不对称性”无法保障审计质量。 针对这些问题，数据挖掘技术可以发挥重要作用，通过对企业财务数据的深度分析和挖掘，可以有效识别财务报表舞弊。 14.2.2 数据理解与准备 （1） 表14-1 20个财务指标的名称和具体计算公式 根据上市公司财务报表舞弊的原因分析，需要建立上市公司会计舞弊识别模型的指标体系，其中应包含反映企业偿债能力，风险水平，营运能力，股东获利能力，发展能力，盈利能力等方面的指标。我们从这六个方面选择了20个财务指标，表14-1给出了这些指标的名称和具体计算公式。在数据分析时把审计意见类型设置为输出，其他的财务指标设置为输入。 指 标 名 称 计 算 公 式 偿债能力 流动比率 流动资产/流动负债 速动比率 （货币资金+短期投资+应收账款+应收票据）/流动负债 资产负债率 负债总额/资产总额 盈利能力 每股收益 税后利润/股本总数 留存收益资产比 留存收益余额/资产总额 营业利润率 营业利润/营业收入 营业毛利率 营业毛利额/主营业务收入 销售净利率 净利润/主营业务收入 资产报酬率 息税前利润/平均资产总额 运营能力 应收账款周转率 主营业务收入/应收账款平均余额 总资产周转率 主营业务收入/平均总资产 应收账款与收入比 应收账款/收入 14.2.2 数据理解与准备 （2） 表14-1 20个财务指标的名称和具体计算公式 指 标 名 称 计 算 公 式 运营能力 存货周转率 销货成本/存货平均余额 财务杠杆系数 普通股每股利润变动率/息税前利润变动率 营运资金对资产总额比率 营运资金/资产总额 固定资产周转率 销售收入 / 固定资产净值 营业收入增长率 （本期营业额-上期营业额）/上期营业额 总资产净利润率 净利润/平均总资产 成长能力 固定资产增长率 （期