基于模糊识别算法财务指标分析系统设计.docVIP

基于模糊识别算法财务指标分析系统设计 　　[摘 要] 本文利用数据挖掘技术，设计了一个具有财务分析和数据挖掘功能的财务指标分析系统，以便为企业决策层提供快速的财务分析支持。在指标分析模块中使用了模糊识别算法。该算法是利用训练样本集的模糊识别矩阵计算出模糊聚类中心矩阵，再利用模糊聚类中心矩阵反算出测试样本集的最优模糊识别矩阵，从而克服了传统的模糊聚类算法只能聚类的缺点。 　　[关键词] 数据挖掘；财务指标；模糊识别 　　doi ： 10 . 3969 / j . issn . 1673 - 0194 . 2013 . 12. 022 　　[中图分类号] F232 [文献标识码] A [文章编号] 1673 - 0194（2013）12-0036-02 　　随着全集团ERP系统的逐步推广，如何从海量数据中提取出对决策有价值的信息成为了财务分析的一大难题。本文将模糊识别算法引入到财务分析工作中，结合本企业实际决策分析需求在SAP BW平台上设计一个财务指标分析系统，并对该系统进行了深入的需求分析、系统设计。该系统能够智能挖掘出有效信息，并将结果直观、友好地呈现出来。 　　1 需求分析 　　通过分析对各公司的经营指标，能够即时监控企业的各项经营管理活动，发现和纠正企业管理活动的重大失误和波动，及时发出警报，建立免疫机制，不断提高企业抵抗财务风险的能力，使企业的财务管理活动始终处于安全、可靠的运行状态。本系统需要对偿债能力、营运能力、盈利能力和发展能力进行分析和预警。 　　偿债能力分析包括资产负债率和流动比率。营运能力分析包括总资产周转率和存货周转率。盈利能力分析包括资产净利率和净资产收益率。发展能力分析包括资本积累率。 　　2 体系结构设计 　　本系统的体系结构设计为4层。 　　最底层是数据获取层，数据源主要是企业财务日常数据，包括财务总账表里的各凭证数据。数据要保持一致性就必须对数据源中的数据清理、抽取、转换，统一数据类型后再存入数据仓库中。通过SAP BW的数据抽取机制将SAP R/3源系统数据源中的数据按定制的计划进行分段上载，通过传输规则先上载到PSA（Persistent Staging Area，持续分段传输区域），再通过信息源的对照与更新规则的清洗转换上载到信息提供者ODS中，最终通过转换进入信息立方体[1]。 　　数据存储层是用来存储经过加工处理后的企业财务指标分析系统数据仓库中的数据，并按分析需求进行重新组织，为决策支持提供大量规范的数据。 　　数据处理层主要是系统利用OLAP技术和数据挖掘技术对企业财务分析系统的信息立方体的数据进行分析处理，从而得到有用的知识。 　　数据访问层是用户与系统交互的入口。决策者通过这一层展现出的数据、报表和图像可以查询到想要的具体数据，并能根据数据分析的结果得到有用的知识，对下一步决策提供依据。 　　3 功能模块设计 　　根据需求分析，本系统的功能模块图可以设计为如图1所示。 　　系统共分为3大模块，分别是数据准备模块、指标分析模块和报表输出模块。数据准备模块用于对R/3里的数据进行标准化处理，并将处理后的数据存储到SAP BW中，形成可以进行多维分析的数据立方体。指标分析模块即财务数据的分析过程，包括偿债能力分析、营运能力分析、盈利能力分析和发展能力分析。报表输出模块用于将分析挖掘后的结果直观、友好地展现给用户。 　　4 模糊识别算法设计 　　本文在做指标分析时引入了模糊识别算法，从而可求得各公司经营情况优劣。 　　模糊识别算法的核心思想是人们根据训练样本集的好坏轻重程度将其分为C个等级，每个样本的等级隶属度组成模糊识别矩阵U。同时，训练样本集存在m个指标。这m个指标与C个类别可以通过训练得到模糊聚类中心矩阵S。则测试样本集通过模糊聚类中心矩阵S可以反推出自己的模糊识别矩阵U′[2]，从而得到测试样本的好坏轻重程度等级。 　　由于训练样本的各个指标的特征值存在量纲量级上的差异，为了消除指标特征值之间量纲的影响，必须对其进行规格化处理。处理后得到该训练样本集的相对隶属度矩阵R。如果企业经营指标的重要性程度有区别，则各指标应当附有权值。即各指标的权向量为 　　W=（w1，w2，…，wm），■wi=1（1） 　　式中，m为指标的个数。 　　训练样本j与样本的类别h的特征值聚类中心间差异用广义欧氏权距离表示为： 　　||wi（rj-sh）||={■[wi（rij-sih）]p}1/p（2） 　　式中，p为距离参数。加权后的加权广义欧氏权距离为： 　　d（rj，sh）=uhj||wi（rj-sh）||（3） 　　为使训练样本集对于全体类别加权广义欧氏权距离平方和最小，建立目标函数为： 　　min{F=■■{uhj[■[wi（rij-s