财务诊断中数据挖掘的应用的研究.docVIP

财务诊断中数据挖掘的应用的研究 　　一、引言 　　企业的经营目的在于获取利润，发展自身经营和管理能力，并逐步壮大发展，创造更大的盈利。企业想要高效运转并获得可观收益，必须要有危机意识和风险意识，其中财务风险意识尤其值得注意。根据复旦大学相关研究成果可知，在使用国际通用会计准则进行财务审计时，中国的上市公司78%存在财务问题，存在明显的财务风险。根据我国国情而降低标准，30%的上市公司财务问题仍然严重，可见我国企业财务方面有待进一步改进，总体而言，我国企业的财务风险较大。 　　企业财务风险较大不仅不利于企业自身的发展，也不利于相关利益者，从财务数据中发掘出对企业财务风险有益的信息已成为许多企业面对的一个挑战。而数据挖掘技术有利于企业的财务诊断，对企业财务风险的降低作用巨大，它是一种基于人工智能和统计学及数据库的商业信息处理技术，从财务数据中提取提炼并自动进行分析，做出总结归纳，提出相关解决办法，从而帮助企业管理层做出市场战略策略，有效地降低其做出的战略的风险。财务数据是企业财务运行的基础，也是财务风险的来源之一，运用数据挖掘技术对财务数据进行诊断分析，能够从中找出企业存在的财务问题，提出有效的财务风险预警措施以帮助企业稳步经营。近年来数据挖掘技术是数据库方面的研究热点，很多领域已经开始实际运用。 　　本文研究数据挖掘在财务诊断中的运用，主要研究数据挖掘技术在财务诊断、信息预警和财务诊断方案策划决策等三个过程中的应用，建立准确有效的数据模型来指导实际的财务工作，能够预测出企业财务风险程度并提出财务风险预警，便于企业及时地掌握财务状况和经营状况，适时调整企业财务战略，提高企业经济效益。因此，数据挖掘在财务诊断中的应用，无论在理论上还是实践上，都有其重要意义。 　　二、文献综述 　　数据挖掘分析有关联分析、序列模式、聚类等方法，这方面的研究总体上成果丰硕。国外的数据挖掘分析方法发展比较成熟，有大量财务风险方面的著作，其研究主要在于财务风险预警模型的构建。国内的证券市场发展不成熟，缺乏理性的投资者，对数据挖掘分析方法研究少，主要集中在建立数学预测模型。 　　（一）国外研究现状 Beaver（1958）提出了单变量模型。他对80家经营公司进行一元判定预测，使用了 28 个财务比率作为变量。Altman（1968）在财务风险预警领域引入了多元线性判别方法，创立了 Z 值模型。Altman 、 Haldeman（1980）又提出了一种优于Z 模型的ZETA模型，其更能准确预测企业财务风险。Ohlson（1990）以95家经营失败的公司为基础，运用Logistic回归进行财务预警模型的建立。结果表明，与企业财务风险紧密相关的因素有企业的规模大小、财务结构、经营绩效、流动性四个方面。Fyaber（1989）运用神经网络模型，进行对银行的首次信用风险预测。Eichengreen（1998）研究表明财务模型研究有危机管理和财务危机预警等。 　　（二）国内研究现状 李一军、金世伟（2006）在模糊聚类分析方法的基础上，使用KPI财务指标，对上市公司进行相关分析，并在投资决策的制定时辅助性地使用到其研究结果。郭春阵（2005）运用三类挖掘分析方法――聚类、关联规则、决策树方法，综合分析，构建了财务报表分析模型。吕澄、易艳红（2006）研究数据挖掘在财务分析中的可行性，说明在财务分析运用数据挖掘技术时，XBRL语言有着有效的作用。齐中华、黄丽娜（2010）使用EXCEL实现了模糊聚类的数据分析，运用上市公司财务数据，说明了数据挖掘在财务分析中有巨大作用。张星文、梁戈夫（2006）研究发现财务危机预警的研究进展很大，企业在财务管理中已经使用到大量的模型，如人工神经网络模型和logit回归模型等。冯征（2007）提出了基于智能计算机的数据挖掘方法，且可用于上市公司的财务预警。 　　三、应用数据挖掘的财务诊断体系 　　（一）应用数据挖掘的财务诊断体系流程 数据挖掘是基于财务比率分析、杜邦分析等模型运用于财务分析、预警及决策中，并进行财务诊断。故财务诊断不仅是对财务报表的分析，从系统的角度可以将财务诊断分为诊断数据系统、财务专项判断、财务预警系统、财务决策系统四个部分。 　　财务诊断系统分为三个阶段，分别是：数据收集阶段、分析诊断阶段、形成报告阶段。图1为应用数据挖掘的财务诊断模式及流程示意图。 　　从图1中可以看出，数据收集阶段包括收集非财务辅助数据、三大报表数据、财务指标数据。XBRL具有实时标准性，可以有效减少录入转换时间，具有针对性、实用性，可以更高效地诠释数据的内容及意义，提高了财务诊断的效率及精确度。分析诊断阶段主要是将收集的数据进行专项判断，通过XBRL与财务指标进行对比分析，再进行财务诊断并作出财务预警和决策。在此阶段，对