定稿：数据挖掘技术在财务决策支持系统中的应用研究.doc

数据挖掘技术在财务决策支持系统中的应用研究Application of the Financial Decision Support System with the Data Ming Technology周喜 王加阳(中南大学信息科学与工程学院，湖南 长沙 410083；湖南商学院，湖南 长沙 410205)【内容摘要】 财务决策支持系统是在传统电算化会计信息系统的基础上建立和发展起来的，传统会计信息系统输出的企业财务数据及非财务数据都存在数据过剩而信息不足的情况，面对这些结构化或半结构化的海量数据，将数据挖掘技术应用到系统中充分有效的预测企业未来的发展趋势，有利于输出财务决策信息供高层管理者使用。【关键词】财务决策支持系统 数据挖掘技术 会计信息系统 财务预测前言：会计信息系统是可分为三个层次：会计核算层、财务管理层和财务决策支持层，分别属于事后核算、事中控制和事前预测与决策过程。财务决策支持系统就是最高层，也是会计信息系统发展的最终目标。财务决策支持系统是在核算层和财务管理层会计信息系统的基础上建立和发展起来的，核算层和财务管理层会计信息系统输出的企业财务数据及非财务数据都存在数据过剩而信息不足的情况，这严重影响了财务决策支持系统发挥其有效的作用。面对这些结构化或半结构化的海量数据，将数据挖掘技术应用到财务决策支持系统中充分有效的预测企业未来的发展趋势，有利于输出决策信息供高层管理者使用，提高企业的竞争力。一、财务决策系统定义及其国内外发展情况财务决策支持系统（Financial Decision Support System，FDSS）是决策支持系统的一个子系统，是在会计电算化、信息化、网络化的基础上建立的，具有人机交互特征的、能够利用会计数据、非会计数据和相关模型帮助决策者去解决财务管理中结构化或半结构化问题，并能将非结构化问题逐渐向半结构化以及结构化方向转化的信息系统（所谓结构化问题指的是在决策时处理的过程是清楚的，所谓非结构化问题指的是在决策时处理的过程是不清楚的，半结构化问题界于两者之间）。在国内，会计核算系统和财务管理系统已发展良好，逐步地为用户理解和接受，但财务决策支持系统的发展尚处初级阶段，国内也只有少数的大企业建有数据仓库及使用数据挖掘技术，而且国内大部分的财务软件是单独存在，缺乏与其他管理信息系统的联系，而财务分析决策模块也份量轻微或根本不存在。在国外，财务决策支持系统已较为完善，以财务管理为核心构造系统，做到了账务系统与管理系统的有机融合，做到了事前预测与决策、事中控制、事后分析为一体的网络化、科学化的决策管理，同时也有了商品化的软件系统产品，其中较为著名的有Microsoft SQL Server 2000等。二、数据挖掘技术简介数据挖掘是在信息化环境下发展起来的一门新技术，是统计学、人工智能、计算机技术、建模技术、电子技术、信息技术等不同学科、不同领域的思想交汇和结合，它是利用各种分析工具在海量数据中发现模型和数据间关系的过程，使用这些模型和关系可以进行预测，以帮助决策者寻找数据间潜在的关联。总的来说数据挖掘技术分为两大类：探索型数据挖掘和预测型数据挖掘。探索型数据挖掘包括一系列在预先未知任何现有模式的情况下，在数据内查找模型的技术。探索型数据挖掘可分群、关联分析和频度分析技术。预测型挖掘包括一系列在数据中查找特定定量与其他定量之间关系的技术。预测型数据挖掘常用的有分类和聚类、数值预测技术。数据挖掘使用的算法很多，主要包括统计分析、机器学习、决策树、粗糙集、人工神经网络和径向基函数等。数据挖掘的应用领域从学术、医药、科学研究领域扩展开来，已被非常有效地应用在零售、银行、医疗、电信、保险、制造、旅游和服务行业。（一）数据挖掘的主要方法1、决策树方法决策树方法是数据挖掘中经常使用的方法，它可以用来进行数据分析，也可以用来做预测。决策树是一个类似流程图的树型结构，其中每个内部节点表示在一个属性上的测试，每个分枝代表一个测试输出，而每个树叶点代表类或类分布，树的最顶层节点是根节点。决策树建立的过程，每次切分对应一个问题，也对应着一个节点。对每个切分都要求分成的组之间“差异”最大。2、神经网络法神经网络最早由心理学家和神经生物学家提出，旨在寻求开发和测试神经的计算模拟。由于神经网络在解决复杂问题时能提供一种相对简单的方法，因此近年来越来越受到人们的关注。典型的神经网络模型主要分三大类：（1）以感知机、BP反向传播模型、函数型网络为代表，用于分类、预测和模式识别的前馈式神经网络模型；（2）以Hopfield的离散模型和连续模型为代表，分别用语联想记忆和优化计算的反馈式神经网络模型；（3）以ART模型、Kohonen模型为代表的，用于聚类的自组织影射方法。（二）数据挖掘的基本步骤SEMMA方法是目前最受欢迎的一种数据挖掘方法，其描述的数据挖掘的大致过程包括取样、探索、修改、模型和评价。1、数据取样。在进行数据挖掘之前，首先要根据数据挖掘的目标选定相关的数据库。通过创建一个或多个数据表进行抽样。所抽样的样本数据量即要大到足以包含有实际意义的信息，同时有不至于大到无法处理。2、数据探索。数据探索就是对数据进行深入调查的过程，通过对数据进行深入探索以发现隐藏在数据中预期的或未被预期的关系和异常，从而获取对事物的理解和概念。3、数据调整。在上述两个步骤的基础上对数据进行增删、修改，使之更有明确、有效。4、建模。使用人工神经网络、回归分析、决策树、时间序列等分析工具来建立模型，从数据中发现那些能够对预测结果进行可靠预测的模型。5、评价。就是从数据挖掘过程中发现的信息的实用性和可靠性进行评估。三、数据挖掘技术在财务决策支持系统中的应用财务决策支持系统结构的研究开始于1995年，研究内容包括将DSS的结构体系引入过来，从二库、三库结构到四库、五库结构的研究，进一步讲就是从传统的FDSS研究到智能的或高级的FDSS的研究。随着近年信息技术的不段发展，把数据仓库（DW）、联机分析处理（OLAP）、数据挖掘（DM）也引入到财务决策支持系统中，出现了基于数据仓库和数据挖掘技术的财务决策支持系统结构，其典型的结构如下：目前，数据挖掘技术在财务决策支持系统中的应用包括：1、财务状况分析。财务分析是财务管理的重要组成部分，包括企业偿债能力分析、企业营运能力分析、企业获利能力分析、企业发展能力分析。它是利用已有的财务数据对企业过去的财务状况、经营成果进行分析与评价。财务分析系统可以运用数据挖掘分类技术、预测等技术，根据企业过去、现在的财务数据做进一步的加工、整理、分析和评价，在预测未来的财务状况的同时从中取得有用的信息供决策者使用。2、财务预测。财务预测系统是FDSS的重要组成部分，其功能分为两个方面：一是利用已有的财务数据对企业未来的财务状况和经营成功进行预测。二是利用专家经验和专门知识对某项财务专题进行预测。财务预测的主要内容应包括销售预测、利润预测、成本预测、资金预测、财务指标预测等方面。利用回归，神经网络等技术根据已有的财务数据预测企业未来的财务状况，从而判断企业未来发生财务危机的可能性。3、筹资决策。筹资是指企业何时、采用何种方式、获得何种规模资金的过程。企业筹资决策主要包括筹资数量决策、筹资方式决策和债务偿还决策。一般地说，企业筹资首先应考虑自有资本筹资，即所有者权益筹资；然后考虑债务筹资，其目的是使财务风险达到最小。利用数据挖掘中的分类、聚类等技术可根据企业经营管理的需要进行决策信息输出，确定一个合理的筹资方案。4、投资决策。企业的投资决策主要包括企业内部长期投资决策、联营投资决策和证券投资决策。投资决策问题是企业管理中较为复杂的问题，其决策问题一般分为半结构化或非结构化问题。可利用预测、关联等技术对投资时机、投资规模、投资方式等方面确认投资方案。通过在众多项目中选择系统输出最有价值的项目决策信息，实现资金效率最大化。5、成本决策。成本决策涉及企业供产销、生产经营和资本运作等各个领域，可以说凡是发生成本费用支出的各项经济活动，都有成本决策问题。企业成本决策包括：存货成本决策、生产成本决策、资金成本决策、销售成本决策、服务成本决策等，其中销售成本决策和服务成本决策，其非结构化因素较多，包括促销费用、广告费用、销货服务费等，这些相关成本决策的非结构化程度增加，从而使其决策方案的确定更加复杂化。这就需要利用数据挖掘技术中的时间序列分析，关联分析等技术对历史数据进行分析预测，对销售和服务成本进行分析预测。6、股利分配决策。股利分配是指公司向股东分派股利。股利分配决策的合理与否，将会对公司的发展和股东利益产生重大影响。股利分配决策包括股利发放决策、股利支付比率决策和股利发放形式决策等。由于股利分配决策要受到法律、公司投资、筹资和盈余稳定性，股东利益，以及股票市场等内外部诸多因素的影响，其决策问题大量的为半结构化和非结构化问题，可用数据挖掘技术中分类技术提供支持。7、存货决策。存货决策主要是指材料和产成品的决策，即确定合理的经济订货量以及何时订货才是最有利时机，力求使在存货上耗费的总成本达到最低水平。销售的不确定性使得存货决策成为一种风险性决策，它需要根据以往的经验储存、历史统计资料的分析和用户的输入的调研数据，运用数据挖掘技术中的决策树方法帮助决策者确定需求变量的范围及其发生概率，并提供最优方案的参考数据。结束语财务决策支持系统作为企业管理信息系统的核心，也是会计信息系统发展的最终目标。随着数据库技术和网络技术的迅速发展，传统的核算层及管理层会计信息系统在逐步完善，人们获取数据的能力越来越强，将海量的数据存储在数据库和数据仓库中。将数据仓库（DW）、数据挖掘（DM）和联机分析（OLAP）等信息技术应用于财务决策支持系统，更能将数据仓库里的海量数据从执行系统中筛选出来，减少冗余，完成一系列转换处理，便于决策者从厐大的信息系统中分辨、析取、整理、挖掘对财务决策有用的信息，极大提高企业管理信息系统的工作效率。Application of the Financial Decision Support System with the Data Ming TechnologyZhou Xi Wang Jia yang(College of Information Science and Engineering,Central South University,Changsha Hunan,410083; Hunan University of Commerce;Changsha Hunan 410205)Abstract：Financial Decision Support System is established and developed based on the traditional Acounting Information System. Both the enterprise financial and non-financial datas given out by the tradition one lead to data-excess sometimes. In the face of these massive structured or semi-structured datas, data mining technology will be applied to the system and will be fully effective to predict the future trend of enterprisesdevelopment, and in a timely manner the output of the financial decision-making information to senior managers.Key word: FDSS; Data Mining; Acounting Information System; Financial Forecast参考文献：1仲维庆.决策支持系统在企业管理中的应用研究J.商业经济, 2008(8):53-552李捷杨,周南.如何建立现代会计信息系统J.会计研究,2004(4):30-343康晓东.基于数据仓库的数据挖掘技术M.机械工业出版社,2004;148-1504李守明,黄敏学,范明等.财务决策支持系统M,经济科学出版社,2001:67-7