会计财务分析研究范文

摘要：

本文旨在通过对数据挖掘技术结合会计财务分析的现状，完成对海量财务数据挖掘分析的研究工作，从100家上市公司中提取数据并进行了聚类和关联规则的挖掘实验，实验结果表明，数据挖掘技术可以很好的完成海量数据处理，从海量数据中提取有意义的关联规则或其他隐藏信息，这些信息可以协助企业做好下一步的决策，具有重要的意义。

关键词：

大数据；数据挖掘；财务分析；聚类；关联规则

随着计算机的不断发展和数据挖掘技术的兴起，越来越多的传统行业将受到信息化的“洗礼”。传统行业信息化进程中必须面对海量的待处理的数据，会计部门亟需处理海量财务数据的能力[1]。以企业信息化进程中的会计部门为代表，面对在企业运行中产生的大量呈指数增长的财务和决策类数据信息，基于传统数学模型的财务分析软件的分析能力已经越来越薄弱，很难进行有效的分析和决策。财务信息分析可以有效地为企业做出更有利的决策，面对大数据时代的海量数据，需要采用数据挖掘技术来完成对数据隐藏信息的挖掘，分析海量数据中存在的内在关系和关联规则，并根据历史数据的特征分析给出数据的未来预测情况，完成合理有效的分析工作，为决策提供有益参考。

一、数据挖掘技术

数据挖掘技术旨在通过一定的机器学习和数据挖掘算法，对海量数据进行分析，找出隐藏在海量数据中的内在关系和关联规则。数据挖掘又叫知识发现，也是一种通过对未处理的带噪声数据进行合理的处理，从无规律的数据中完成对隐藏规则的挖掘，进而从海量数据中发现一些有意义的知识[2]。从技术角度来看，数据挖掘算法也是建立一些分析模型来对数据进行分析，与传统的财务分析软件的数学模型不同，数据挖掘模型一般采用统计理论为基础，是一些概率上的模型，通过概率统计的方式进行模型预测和分类，而不是结果确定的数学模型，在海量数据面前，具有统计意义上的数据挖掘模型将能更好地完成数据分析和挖掘。在数据挖掘算法中，主要包括三个类别的算法，分别是关联分析、聚类、分类和预测。每种类型的数据挖掘算法对应不同的应用方向。

（一）关联规则提取关联规则提取，是通过数学模型的方法从无规则的数据中提取有意义的关联规则，通过关联规则协助做出合理的决策[3]。在会计财务分析中，通过关联规则分析企业销售情况，从实际上看，A、B类产品的销售并无有效的联系，但是通过关联规则的挖掘结果来看，可以从中得出购买A产品的客户再次购买B产品的几率，通过分析可以为客户合理推荐产品。在关联规则挖掘中，最常用的是Apriori算法，将待分析的数据各个属性输入到Apriori算法中，该算法通过提取各个数据样本的频繁模式项，通过迭代的提取多重频繁模式项，最终得到不再改变的频繁模式项，这些频繁模式项就是关联规则。可以看出，关联规则有大量数据基础的支撑，具有一定的理论基础，可信度较高，适合在做产品开发决策中的协助因素。

（二）聚类聚类方法是无监督分类方法，将数据通过某种距离计算进而分类的方法，该方法通过事先给定的几个聚类中心，然后计算每个数据到各个聚类中心的距离来将每个数据划分到对应类别，通过多次迭代修改聚类中心，最终得到各个数据对应的聚类中心[4]。在计算距离的时候，最常见的是如式（1-1）所示的欧式距离，该距离是最简单有效的计算数据间距离的方式。通过聚类方法，可以对一些未知的数据分类，从而得到相应的结果。例如，在会计财务分析中，财务账本的聚类就是一个很好的应用，对于财务数据来说，某些财务数据缺失一些必要的属性，在收集过程中丢失了购买产品的信息，通过聚类算法将该条数据进行分类，就可以得到该条数据最像的购买产品信息，从而完善数据。

（三）分类和预测分类和预测与聚类相反，是有监督的学习方法，通过将带有标签的数据（每条数据都已知购买产品的信息）进行训练，得到分类和预测的模型，通过模型对一些未知标签的数据进行分类和预测。常见的分类和预测模型包括感知机、神经网络、逻辑斯蒂回归和支持向量机[5]。在会计财务分析数据挖掘中，最常用的就是利用已知的数据进行后续的预测，预测公司业务的开展方向，然后通过预测结果协助公司高层进行决策。合理使用数据挖掘技术，对企业信息化进程中获得的海量会计财务数据进行分析，具有较强的实践意义。由于财务数据一般情况下都是有标签数据，所以在该领域中最常用的数据挖掘算法应该是关联规则挖掘和分类、预测等过程。

二、数据挖掘技术在财会分析中的必要性

随着时代的进步，越来越多的财会决策不再像以前那样通过简单的高层做出决定即可，财会决策需要基于一定的事实和数据分析。在竞争日益激烈的社会环境下，传统方式的财会决策只会造成企业难以存活，随着时代进步，决策分析手段也应该与大数据结合，通过数据分析和挖掘给出具有理论指导意义的结果来协助财会决策，从一定程度上提高财会决策的有效性。因此，在财会决策中采用数据挖掘技术进行数据分析具有重要意义，是企业信息化的需要。

（一）提高财务信息可用性传统的财务数据查询过程采用面向应用和面向日常操作的方式进行，仅仅采用常规的数学模型分析数据，得到的结果缺乏一定的分析能力，不能通过对所有数据产生宏观的把握，完成合理的决策辅助，得出合理的决策结果。财会决策类问题自身的多维特性驱动决定了采用数据挖掘技术的重要性，通过数据挖掘获得的结果也提高了财务信息的可用性。

（二）减小财务信息噪声在数据挖掘的初始化阶段，一般需要对数据进行一定的初始化，通常采用滤波的方式减少数据中的噪声，在进一步的分析中，由于数据挖掘模型是基于统计意义的，在统计特征下，个别没有滤去的噪声也不能对结果造成多大影响，从这方面来看，数据挖掘结果能很好地减少数据的噪声。

（三）为满足不同用户的需求提供了可能由于财会决策的不断变化性，以及财会决策者的不断更换，使得进行财会决策变得非常复杂，有无数的可能性，使用传统模型只能适应某一种用户的需求，并不能完成各种各样的需求。而数据挖掘模型构建的结果具有统计意义，对于某些特定的需求也可以采用特定的数据挖掘方法进行数据处理，为满足不同用户的需求提供了可能。

三、数据挖掘技术在财会分析中的应用

财会分析是通过对财务报表和其他相关财务数据的分析，对目前的财务情况进行评价以及对今后的财务趋势做出预测，其主要目的包括了解过去、分析现状和预测未来。通过数据挖掘技术可以对财务进行更为有效的分析，数据挖掘方法需要对财会数据进行综合处理，通过数据预处理、特征提取、分析分类以及综合模型构建等过程，从海量冗余数据中提取出隐藏的、可供财务决策的数据。利用数据挖掘方法对财务分析基本过程：

（一）确定分析对象根据数据信息和所需要进行的决策完成财会分析对象，再通过分析对象选择合适的模型和数据挖掘方法。

（二）数据采集数据挖掘的主要对象为数据，所以对于财会分析来说，首先需要收集一些有意义的财会数据。一般情况下，财会数据由时间构成时间序列，可以从公司的数据库中收集相应的财会时间序列数据使用。

（三）数据预处理采集到的财会时间序列数据通常带有很多的噪声，这些噪声有的是一些确实属性造成的，有些是因为某些属性值为空造成的，通常情况下，这些噪声数据或多或少会影响数据挖掘，所以在数据预处理阶段需要找出噪声数据并删除。

（四）特征提取通常进行数据挖掘，无论是关联规则提取还是聚类或者分类预测，仅仅将所有的数据加入模型进行挖掘，由于原始数据的维度较高，直接进行数据挖掘将会造成“维度灾难”，耗费大量时间，且挖掘效果不理想。这时候，需要提取原始数据中的特征，特征一般可以用较低的维数来表示整体数据的特性，再通过特征进行数据挖掘，不但会得到良好结果，而且时间复杂度也得到了降低。

（五）数据挖掘通过将数据的特征加入到相应的数据挖掘模型中，就可以进行数据挖掘了。数据挖掘的方法和种类都较多，对于不同的问题需要选择相应的模型进行分析和处理，得出解决问题所需要的数据挖掘结果。

（六）结果分析通过多个数据挖掘模型将会得到许许多多的结果，而如今随着企业信息化的发展，更是需要多个数据挖掘模型的综合结果完成企业决策。包括多个关联规则、多个聚类中心、多个预测结果。通过分析去除其中一些不需要的结果，留下对决策有意义的挖掘结果，将会为企业高层决策给出许多有意义的帮助。下图1给出了在财会分析中应用数据挖掘技术的流程图，本文也以某公司的财务表进行挖掘并给出结果作为例子，来讨论数据挖掘技术在财会分析中的应用。通过对100家传统行业企业的财务表进行数据收集和预处理并将数据中的噪声进行了删除，可以得到如下表1的两个传统企业的资产财务表。由于表1给出的是实际数据，以万元为单位，不能很好地进行数据比较，所以需要通过比值比率分析，将原始的万元为单位的数据通过比率变成百分比，通过百分比的结果更能展示出数据的一些特性，这些百分比结果也就是从原始数据中提取到的特征，如下表2所示，通过比值比率分析，本文将两个上市企业的数据转化为变化率，通过比较率分析，可以更好地完成对企业的风险和收益的分析工作。

通过提取数据后，完成对比值比率数据的挖掘工作，本文主要进行聚类和关联规则的结合使用，为决策给出有意义的结论。在聚类结果中，本文主要利用该算法对100家企业进行好坏区分，通过对利润、财务等信息的结果作为特征输入到聚类模型中进行聚类，从聚类结果中得出每个企业的财务状况和经营分析，在结果上分为好、较好、一般、较差、差5个级别，最终的聚类结果表明，好的企业13家，较好的企业19家，一般的企业41家，较差的企业17家，差的企业10家。关联分析，通过将企业分为5个类别后，再通过对13家经济良好企业和19家经济较好企业进行关联规则分析，提取影响公司财会的相关因素。下表3给出了本文提取的相关结果。从结果中可以看出，影响公司财会分析的因素包括资产负载率、总资产周转率、流动比率、速动比率和净资产收益率。通过上表中给出的五个相关财务指标及其相应的关联规则可以看出，资产经济好的企业应该在相应的比率中满足相应的标准。这将为上市企业给出一定的提示作用，可以将公司的下一步策略定位在这几个指标的提升上。

四、结论

随着信息化时代的不断深入，企业需要面对海量待处理的财务数据，采用新兴的数据挖掘技术对传统海量数据进行分析和挖掘，从中挖掘出隐藏特征为公司决策给出有意义的辅助作用。本文通过对100个上市企业的财务数据进行分析，从数据挖掘结果来看，数据挖掘技术可以很好地得出一些有意义的关联规则和聚类结果来协助分析哪些企业是经济效益好的，哪些企业的经济状况较差。对于经济较好的企业更进一步分析影响企业的一些指标及相应指标的比率，企业决策者将在决策中考虑提升对自己企业经济状况有帮助的指标。

参考文献

[1]马明志,李艳东,鞠亚辉等.高校智能财务分析系统设计研究[J].商业会计,2015,(5).

[2]包金辉.财务分析中数据挖掘技术的应用[J].现代商业，2014,(36).

[3]陈俊明.基于布尔矩阵的空间关联规则提取方法研究[J].测绘与空间地理信息,2014,(5).

[4]黄月,高学东.聚类分析在高校财务风险评价中的应用[J].中国管理信息化,2014,(8).

[5]胡双俊.基于统计学习理论财务模型构建研究[J].现代商业，2014,(27).

作者：林洁莹 单位：福建船政交通职业学院