本站小編為你精心準備了會計財務分析研究參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

摘要：

本文旨在通過對數據挖掘技術結合會計財務分析的現狀，完成對海量財務數據挖掘分析的研究工作，從100家上市公司中提取數據并進行了聚類和關聯規則的挖掘實驗，實驗結果表明，數據挖掘技術可以很好的完成海量數據處理，從海量數據中提取有意義的關聯規則或其他隱藏信息，這些信息可以協助企業做好下一步的決策，具有重要的意義。

關鍵詞：

大數據；數據挖掘；財務分析；聚類；關聯規則

隨著計算機的不斷發展和數據挖掘技術的興起，越來越多的傳統行業將受到信息化的“洗禮”。傳統行業信息化進程中必須面對海量的待處理的數據，會計部門亟需處理海量財務數據的能力[1]。以企業信息化進程中的會計部門為代表，面對在企業運行中產生的大量呈指數增長的財務和決策類數據信息，基于傳統數學模型的財務分析軟件的分析能力已經越來越薄弱，很難進行有效的分析和決策。財務信息分析可以有效地為企業做出更有利的決策，面對大數據時代的海量數據，需要采用數據挖掘技術來完成對數據隱藏信息的挖掘，分析海量數據中存在的內在關系和關聯規則，并根據歷史數據的特征分析給出數據的未來預測情況，完成合理有效的分析工作，為決策提供有益參考。

一、數據挖掘技術

數據挖掘技術旨在通過一定的機器學習和數據挖掘算法，對海量數據進行分析，找出隱藏在海量數據中的內在關系和關聯規則。數據挖掘又叫知識發現，也是一種通過對未處理的帶噪聲數據進行合理的處理，從無規律的數據中完成對隱藏規則的挖掘，進而從海量數據中發現一些有意義的知識[2]。從技術角度來看，數據挖掘算法也是建立一些分析模型來對數據進行分析，與傳統的財務分析軟件的數學模型不同，數據挖掘模型一般采用統計理論為基礎，是一些概率上的模型，通過概率統計的方式進行模型預測和分類，而不是結果確定的數學模型，在海量數據面前，具有統計意義上的數據挖掘模型將能更好地完成數據分析和挖掘。在數據挖掘算法中，主要包括三個類別的算法，分別是關聯分析、聚類、分類和預測。每種類型的數據挖掘算法對應不同的應用方向。

（一）關聯規則提取關聯規則提取，是通過數學模型的方法從無規則的數據中提取有意義的關聯規則，通過關聯規則協助做出合理的決策[3]。在會計財務分析中，通過關聯規則分析企業銷售情況，從實際上看，A、B類產品的銷售并無有效的聯系，但是通過關聯規則的挖掘結果來看，可以從中得出購買A產品的客戶再次購買B產品的幾率，通過分析可以為客戶合理推薦產品。在關聯規則挖掘中，最常用的是Apriori算法，將待分析的數據各個屬性輸入到Apriori算法中，該算法通過提取各個數據樣本的頻繁模式項，通過迭代的提取多重頻繁模式項，最終得到不再改變的頻繁模式項，這些頻繁模式項就是關聯規則?？梢钥闯觯P聯規則有大量數據基礎的支撐，具有一定的理論基礎，可信度較高，適合在做產品開發決策中的協助因素。

（二）聚類聚類方法是無監督分類方法，將數據通過某種距離計算進而分類的方法，該方法通過事先給定的幾個聚類中心，然后計算每個數據到各個聚類中心的距離來將每個數據劃分到對應類別，通過多次迭代修改聚類中心，最終得到各個數據對應的聚類中心[4]。在計算距離的時候，最常見的是如式（1-1）所示的歐式距離，該距離是最簡單有效的計算數據間距離的方式。通過聚類方法，可以對一些未知的數據分類，從而得到相應的結果。例如，在會計財務分析中，財務賬本的聚類就是一個很好的應用，對于財務數據來說，某些財務數據缺失一些必要的屬性，在收集過程中丟失了購買產品的信息，通過聚類算法將該條數據進行分類，就可以得到該條數據最像的購買產品信息，從而完善數據。

（三）分類和預測分類和預測與聚類相反，是有監督的學習方法，通過將帶有標簽的數據（每條數據都已知購買產品的信息）進行訓練，得到分類和預測的模型，通過模型對一些未知標簽的數據進行分類和預測。常見的分類和預測模型包括感知機、神經網絡、邏輯斯蒂回歸和支持向量機[5]。在會計財務分析數據挖掘中，最常用的就是利用已知的數據進行后續的預測，預測公司業務的開展方向，然后通過預測結果協助公司高層進行決策。合理使用數據挖掘技術，對企業信息化進程中獲得的海量會計財務數據進行分析，具有較強的實踐意義。由于財務數據一般情況下都是有標簽數據，所以在該領域中最常用的數據挖掘算法應該是關聯規則挖掘和分類、預測等過程。

二、數據挖掘技術在財會分析中的必要性

隨著時代的進步，越來越多的財會決策不再像以前那樣通過簡單的高層做出決定即可，財會決策需要基于一定的事實和數據分析。在競爭日益激烈的社會環境下，傳統方式的財會決策只會造成企業難以存活，隨著時代進步，決策分析手段也應該與大數據結合，通過數據分析和挖掘給出具有理論指導意義的結果來協助財會決策，從一定程度上提高財會決策的有效性。因此，在財會決策中采用數據挖掘技術進行數據分析具有重要意義，是企業信息化的需要。

（一）提高財務信息可用性傳統的財務數據查詢過程采用面向應用和面向日常操作的方式進行，僅僅采用常規的數學模型分析數據，得到的結果缺乏一定的分析能力，不能通過對所有數據產生宏觀的把握，完成合理的決策輔助，得出合理的決策結果。財會決策類問題自身的多維特性驅動決定了采用數據挖掘技術的重要性，通過數據挖掘獲得的結果也提高了財務信息的可用性。

（二）減小財務信息噪聲在數據挖掘的初始化階段，一般需要對數據進行一定的初始化，通常采用濾波的方式減少數據中的噪聲，在進一步的分析中，由于數據挖掘模型是基于統計意義的，在統計特征下，個別沒有濾去的噪聲也不能對結果造成多大影響，從這方面來看，數據挖掘結果能很好地減少數據的噪聲。

（三）為滿足不同用戶的需求提供了可能由于財會決策的不斷變化性，以及財會決策者的不斷更換，使得進行財會決策變得非常復雜，有無數的可能性，使用傳統模型只能適應某一種用戶的需求，并不能完成各種各樣的需求。而數據挖掘模型構建的結果具有統計意義，對于某些特定的需求也可以采用特定的數據挖掘方法進行數據處理，為滿足不同用戶的需求提供了可能。

三、數據挖掘技術在財會分析中的應用

財會分析是通過對財務報表和其他相關財務數據的分析，對目前的財務情況進行評價以及對今后的財務趨勢做出預測，其主要目的包括了解過去、分析現狀和預測未來。通過數據挖掘技術可以對財務進行更為有效的分析，數據挖掘方法需要對財會數據進行綜合處理，通過數據預處理、特征提取、分析分類以及綜合模型構建等過程，從海量冗余數據中提取出隱藏的、可供財務決策的數據。利用數據挖掘方法對財務分析基本過程：

（一）確定分析對象根據數據信息和所需要進行的決策完成財會分析對象，再通過分析對象選擇合適的模型和數據挖掘方法。

（二）數據采集數據挖掘的主要對象為數據，所以對于財會分析來說，首先需要收集一些有意義的財會數據。一般情況下，財會數據由時間構成時間序列，可以從公司的數據庫中收集相應的財會時間序列數據使用。

（三）數據預處理采集到的財會時間序列數據通常帶有很多的噪聲，這些噪聲有的是一些確實屬性造成的，有些是因為某些屬性值為空造成的，通常情況下，這些噪聲數據或多或少會影響數據挖掘，所以在數據預處理階段需要找出噪聲數據并刪除。

（四）特征提取通常進行數據挖掘，無論是關聯規則提取還是聚類或者分類預測，僅僅將所有的數據加入模型進行挖掘，由于原始數據的維度較高，直接進行數據挖掘將會造成“維度災難”，耗費大量時間，且挖掘效果不理想。這時候，需要提取原始數據中的特征，特征一般可以用較低的維數來表示整體數據的特性，再通過特征進行數據挖掘，不但會得到良好結果，而且時間復雜度也得到了降低。

（五）數據挖掘通過將數據的特征加入到相應的數據挖掘模型中，就可以進行數據挖掘了。數據挖掘的方法和種類都較多，對于不同的問題需要選擇相應的模型進行分析和處理，得出解決問題所需要的數據挖掘結果。

（六）結果分析通過多個數據挖掘模型將會得到許許多多的結果，而如今隨著企業信息化的發展，更是需要多個數據挖掘模型的綜合結果完成企業決策。包括多個關聯規則、多個聚類中心、多個預測結果。通過分析去除其中一些不需要的結果，留下對決策有意義的挖掘結果，將會為企業高層決策給出許多有意義的幫助。下圖1給出了在財會分析中應用數據挖掘技術的流程圖，本文也以某公司的財務表進行挖掘并給出結果作為例子，來討論數據挖掘技術在財會分析中的應用。通過對100家傳統行業企業的財務表進行數據收集和預處理并將數據中的噪聲進行了刪除，可以得到如下表1的兩個傳統企業的資產財務表。由于表1給出的是實際數據，以萬元為單位，不能很好地進行數據比較，所以需要通過比值比率分析，將原始的萬元為單位的數據通過比率變成百分比，通過百分比的結果更能展示出數據的一些特性，這些百分比結果也就是從原始數據中提取到的特征，如下表2所示，通過比值比率分析，本文將兩個上市企業的數據轉化為變化率，通過比較率分析，可以更好地完成對企業的風險和收益的分析工作。

通過提取數據后，完成對比值比率數據的挖掘工作，本文主要進行聚類和關聯規則的結合使用，為決策給出有意義的結論。在聚類結果中，本文主要利用該算法對100家企業進行好壞區分，通過對利潤、財務等信息的結果作為特征輸入到聚類模型中進行聚類，從聚類結果中得出每個企業的財務狀況和經營分析，在結果上分為好、較好、一般、較差、差5個級別，最終的聚類結果表明，好的企業13家，較好的企業19家，一般的企業41家，較差的企業17家，差的企業10家。關聯分析，通過將企業分為5個類別后，再通過對13家經濟良好企業和19家經濟較好企業進行關聯規則分析，提取影響公司財會的相關因素。下表3給出了本文提取的相關結果。從結果中可以看出，影響公司財會分析的因素包括資產負載率、總資產周轉率、流動比率、速動比率和凈資產收益率。通過上表中給出的五個相關財務指標及其相應的關聯規則可以看出，資產經濟好的企業應該在相應的比率中滿足相應的標準。這將為上市企業給出一定的提示作用，可以將公司的下一步策略定位在這幾個指標的提升上。

四、結論

隨著信息化時代的不斷深入，企業需要面對海量待處理的財務數據，采用新興的數據挖掘技術對傳統海量數據進行分析和挖掘，從中挖掘出隱藏特征為公司決策給出有意義的輔助作用。本文通過對100個上市企業的財務數據進行分析，從數據挖掘結果來看，數據挖掘技術可以很好地得出一些有意義的關聯規則和聚類結果來協助分析哪些企業是經濟效益好的，哪些企業的經濟狀況較差。對于經濟較好的企業更進一步分析影響企業的一些指標及相應指標的比率，企業決策者將在決策中考慮提升對自己企業經濟狀況有幫助的指標。

參考文獻

[1]馬明志,李艷東,鞠亞輝等.高校智能財務分析系統設計研究[J].商業會計,2015,(5).

[2]包金輝.財務分析中數據挖掘技術的應用[J].現代商業，2014,(36).

[3]陳俊明.基于布爾矩陣的空間關聯規則提取方法研究[J].測繪與空間地理信息,2014,(5).

[4]黃月,高學東.聚類分析在高校財務風險評價中的應用[J].中國管理信息化,2014,(8).

[5]胡雙俊.基于統計學習理論財務模型構建研究[J].現代商業，2014,(27).

作者：林潔瑩 單位：福建船政交通職業學院