數(shù)據(jù)挖掘技術(shù)在財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警中的應(yīng)用

李成鋒 黃康梅 賈 男

(1.中海油能源發(fā)展股份有限公司湛江采油服務(wù)文昌分公司，廣東 湛江 524000；2.廣東醫(yī)科大學(xué)附屬醫(yī)院；廣東 湛江 524000;3.中海油能源發(fā)展股份有限公司采油服務(wù)分公司，天津 300452)

企業(yè)發(fā)展處于復(fù)雜的市場(chǎng)環(huán)境體系之下，導(dǎo)致企業(yè)發(fā)展面臨很多不確定因素，這些不確定性會(huì)引發(fā)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)，如果缺乏科學(xué)的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警系統(tǒng)，不僅很難有效規(guī)避財(cái)務(wù)風(fēng)險(xiǎn)，還會(huì)對(duì)企業(yè)的生產(chǎn)經(jīng)營(yíng)造成損失。而數(shù)據(jù)挖掘技術(shù)可以在廣泛收集影響財(cái)務(wù)相關(guān)因素指標(biāo)的基礎(chǔ)上，通過(guò)數(shù)學(xué)方法對(duì)財(cái)務(wù)指標(biāo)進(jìn)行自動(dòng)分析，這樣既避免了傳統(tǒng)財(cái)務(wù)風(fēng)險(xiǎn)數(shù)據(jù)計(jì)算、收集的弊端，又簡(jiǎn)化財(cái)務(wù)指標(biāo)計(jì)算程序，提高數(shù)據(jù)處理效率，對(duì)形成科學(xué)的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警系統(tǒng)具有重要的意義。

一、數(shù)據(jù)挖掘技術(shù)的應(yīng)用及企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)概述

1.數(shù)據(jù)挖掘技術(shù)的應(yīng)用現(xiàn)狀

數(shù)據(jù)挖掘技術(shù)是一項(xiàng)綜合的技術(shù)，是多項(xiàng)技術(shù)輔助而誕生的，思想理論的誕生源于統(tǒng)計(jì)學(xué)，數(shù)據(jù)挖掘技術(shù)指的是使用人工智能技術(shù)、數(shù)據(jù)庫(kù)技術(shù)以及統(tǒng)計(jì)學(xué)原理等來(lái)完成的數(shù)據(jù)收集、收據(jù)分析的過(guò)程。數(shù)據(jù)挖掘技術(shù)的主要目的是發(fā)現(xiàn)和目標(biāo)群體切合的數(shù)據(jù)，找到這些數(shù)據(jù)之間存在的規(guī)律，然后將其運(yùn)用到日常工作、生產(chǎn)等環(huán)節(jié)，以此減少風(fēng)險(xiǎn)的發(fā)生。從數(shù)據(jù)挖掘技術(shù)的工作原理來(lái)看，可以將數(shù)據(jù)挖掘技術(shù)看作是一項(xiàng)數(shù)據(jù)處理技術(shù)，這種技術(shù)離不開(kāi)計(jì)算機(jī)技術(shù)的輔助和應(yīng)用。

數(shù)據(jù)挖掘技術(shù)研究起步較晚，最早產(chǎn)生于1989年，是一項(xiàng)現(xiàn)代化的新型技術(shù)，之后在研究的過(guò)程中經(jīng)常將數(shù)據(jù)挖掘技術(shù)和知識(shí)發(fā)現(xiàn)緊密的聯(lián)系在一起，在經(jīng)過(guò)相關(guān)學(xué)者的研究之后，發(fā)現(xiàn)數(shù)據(jù)挖掘技術(shù)就是一個(gè)發(fā)現(xiàn)新規(guī)則、新知識(shí)的過(guò)程，因此又將其命名為知識(shí)發(fā)現(xiàn)。數(shù)據(jù)挖掘是指在紛雜數(shù)據(jù)中提取有效數(shù)據(jù)，發(fā)現(xiàn)數(shù)據(jù)之間本質(zhì)聯(lián)系的過(guò)程，這個(gè)過(guò)程的出現(xiàn)是有前奏鋪墊的，它首先是要收集有效的數(shù)據(jù)；然后針對(duì)有效數(shù)據(jù)的類(lèi)型特點(diǎn)，對(duì)數(shù)據(jù)庫(kù)中的數(shù)據(jù)進(jìn)行篩選、清理，去除不相關(guān)的數(shù)據(jù)，將收集好的有效數(shù)據(jù)轉(zhuǎn)變成為所要挖掘的數(shù)據(jù)類(lèi)型；接著再找到適合轉(zhuǎn)化后數(shù)據(jù)類(lèi)型的挖掘技術(shù)；最后通過(guò)相應(yīng)的分析方式找到數(shù)據(jù)之間存在的關(guān)系。隨著數(shù)據(jù)挖掘技術(shù)的實(shí)踐水平不斷提高，關(guān)聯(lián)規(guī)則數(shù)據(jù)挖掘技術(shù)方法、時(shí)間序列數(shù)據(jù)挖掘技術(shù)方法、聚類(lèi)算法數(shù)據(jù)挖掘技術(shù)方法等常用的數(shù)據(jù)挖掘技術(shù)方法被廣泛的應(yīng)用到具體的工作中，為提高工作效率和工作質(zhì)量提供了有利條件。

2.企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)的相關(guān)概述

處于復(fù)雜競(jìng)爭(zhēng)環(huán)境的企業(yè)面臨的影響可能有積極影響，也可能有消極影響，積極的影響促進(jìn)企業(yè)的發(fā)展，但是消極的影響會(huì)使企業(yè)經(jīng)營(yíng)面臨各種風(fēng)險(xiǎn)，如果不對(duì)其進(jìn)行風(fēng)險(xiǎn)管控，有效的規(guī)避市場(chǎng)中存在的風(fēng)險(xiǎn)狀況，就會(huì)嚴(yán)重影響企業(yè)的發(fā)展。企業(yè)財(cái)務(wù)狀況作為企業(yè)發(fā)展經(jīng)營(yíng)的風(fēng)向標(biāo)，能夠反映企業(yè)經(jīng)營(yíng)發(fā)展的綜合情況，對(duì)企業(yè)經(jīng)營(yíng)決策和發(fā)展戰(zhàn)略制定都有重要的引導(dǎo)作用，因此加強(qiáng)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)管控具有重要的實(shí)踐意義。

企業(yè)在財(cái)務(wù)風(fēng)險(xiǎn)的管控中通常采用財(cái)務(wù)指標(biāo)、財(cái)務(wù)報(bào)表、專(zhuān)家意見(jiàn)等傳統(tǒng)方法來(lái)完成企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)分析，其中財(cái)務(wù)報(bào)表分析方法是最常用的一種風(fēng)險(xiǎn)分析方法，由于會(huì)計(jì)的日常工作中會(huì)涉及大量的財(cái)務(wù)報(bào)表信息，這些信息的收集和處理是會(huì)計(jì)的日常工作，貫穿于企業(yè)的整個(gè)發(fā)展過(guò)程，內(nèi)容詳細(xì)，提供的數(shù)據(jù)準(zhǔn)確，這種分析方法能夠通過(guò)報(bào)表數(shù)據(jù)提供有價(jià)值的信息，進(jìn)而實(shí)現(xiàn)對(duì)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)的管控。指標(biāo)分析法指的是運(yùn)用企業(yè)中的綜合數(shù)據(jù)形成的一種數(shù)據(jù)分析方法，主要有企業(yè)財(cái)務(wù)數(shù)據(jù)、企業(yè)業(yè)務(wù)數(shù)據(jù)、企業(yè)統(tǒng)計(jì)數(shù)據(jù)等，是企業(yè)財(cái)務(wù)分析方法的進(jìn)一步升級(jí)，能夠更全面的了解、分析財(cái)務(wù)中的各項(xiàng)數(shù)據(jù)，比如營(yíng)運(yùn)能力中的流動(dòng)資金周轉(zhuǎn)天數(shù)、流動(dòng)資產(chǎn)周轉(zhuǎn)率、存款周轉(zhuǎn)率等，還有償債能力、盈利能力、凈資產(chǎn)收益等指標(biāo)的分析，數(shù)據(jù)繁多，但是分析具有全面性、綜合性。但是這些傳統(tǒng)的分析方法，一方面，數(shù)據(jù)量較大，工作分析任務(wù)大；另一方面，對(duì)財(cái)務(wù)風(fēng)險(xiǎn)的預(yù)測(cè)并不基于客觀事實(shí)，受管理者認(rèn)知模式的影響較大，而融入數(shù)據(jù)挖掘技術(shù)進(jìn)行的財(cái)務(wù)風(fēng)險(xiǎn)分析方法，改變了傳統(tǒng)數(shù)據(jù)分析方法的弊端，不僅減少了工作壓力和人工參與，而且大大提高了數(shù)據(jù)的準(zhǔn)確性，為更好地制定企業(yè)發(fā)展政策，預(yù)防財(cái)務(wù)風(fēng)險(xiǎn)的發(fā)生提供有利條件。

二、財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警指標(biāo)體系

數(shù)據(jù)挖掘技術(shù)的使用前提是進(jìn)行數(shù)據(jù)類(lèi)型的確定以及有效數(shù)據(jù)搜集，因此首要問(wèn)題是建立數(shù)據(jù)收集的目標(biāo)體系，即財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警指標(biāo)體系。財(cái)務(wù)指標(biāo)的選擇應(yīng)以企業(yè)發(fā)展中常用的財(cái)務(wù)評(píng)價(jià)指標(biāo)為主，以此構(gòu)建能夠客觀反映常用財(cái)務(wù)指標(biāo)的財(cái)務(wù)比率，財(cái)務(wù)預(yù)警指標(biāo)體系中也是主要根據(jù)財(cái)務(wù)指標(biāo)的財(cái)務(wù)比率實(shí)現(xiàn)的數(shù)據(jù)預(yù)測(cè)，通過(guò)企業(yè)平時(shí)的業(yè)務(wù)經(jīng)營(yíng)狀況體現(xiàn)的財(cái)務(wù)指標(biāo)的財(cái)務(wù)比率來(lái)進(jìn)行分析，這種分析能夠找到企業(yè)各個(gè)數(shù)據(jù)在發(fā)展過(guò)程中存在的本質(zhì)聯(lián)系，然后能夠通過(guò)這種規(guī)律性的聯(lián)系，找到相應(yīng)的規(guī)律，為企業(yè)制定可行的風(fēng)險(xiǎn)預(yù)警策略。但是這種建立在原有數(shù)據(jù)上的沒(méi)有考慮到市場(chǎng)動(dòng)態(tài)的運(yùn)行情況以及企業(yè)受市場(chǎng)影響的發(fā)展情況，因此這種數(shù)據(jù)分析方法具有局限性，僅僅適用于受市場(chǎng)發(fā)展變化較小的企業(yè)的數(shù)據(jù)分析。為了為企業(yè)提供更為客觀的參考數(shù)據(jù)，應(yīng)科學(xué)地選擇財(cái)務(wù)指標(biāo)，并將市場(chǎng)的動(dòng)態(tài)發(fā)展因素考慮在內(nèi)，為企業(yè)制定出客觀、有效的運(yùn)行政策提供有價(jià)值的數(shù)據(jù)參考。

財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警指標(biāo)體系應(yīng)和企業(yè)的生產(chǎn)經(jīng)營(yíng)活動(dòng)緊密相連，因此指標(biāo)體系的構(gòu)成應(yīng)包括企業(yè)的償債能力預(yù)警、運(yùn)營(yíng)能力預(yù)警、營(yíng)運(yùn)能力預(yù)警、獲利能力預(yù)警、資金結(jié)構(gòu)預(yù)警、現(xiàn)金流量預(yù)警等，其中償還債務(wù)能力預(yù)警系統(tǒng)對(duì)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)影響最大，首先，企業(yè)要具備償還債務(wù)的能力，才能保障企業(yè)安全運(yùn)行，持續(xù)為經(jīng)營(yíng)目標(biāo)運(yùn)轉(zhuǎn)。因此，預(yù)警體系中企業(yè)償還債務(wù)數(shù)據(jù)的分析應(yīng)是考慮的首要因素，主要包括資金流動(dòng)比例、存貨流動(dòng)負(fù)債比率、債務(wù)資本比率等。其次，是企業(yè)運(yùn)行能力的預(yù)警。企業(yè)的運(yùn)營(yíng)能力是企業(yè)發(fā)展的動(dòng)力，查看企業(yè)資金運(yùn)營(yíng)動(dòng)向、周轉(zhuǎn)速度等，這些能力對(duì)企業(yè)獲利具有重要的影響，主要包括固定資產(chǎn)周轉(zhuǎn)率、資產(chǎn)周轉(zhuǎn)率等，總之這些預(yù)警體系的構(gòu)建為挖掘技術(shù)的使用提供了數(shù)據(jù)分析方向，提供了數(shù)據(jù)收集類(lèi)型，為使用數(shù)據(jù)挖掘技術(shù)提供有利條件。

三、數(shù)據(jù)挖掘技術(shù)在財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警中的應(yīng)用方法

1.基于數(shù)據(jù)挖掘技術(shù)關(guān)聯(lián)規(guī)則的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警應(yīng)用

關(guān)聯(lián)數(shù)據(jù)挖掘技術(shù)主要是探索事物之間的有效關(guān)聯(lián)性，通過(guò)關(guān)聯(lián)性找到事物中存在的本質(zhì)性的聯(lián)系，但是這種數(shù)據(jù)搜集有限定的范圍，即對(duì)進(jìn)行同一項(xiàng)目前提下進(jìn)行的數(shù)據(jù)關(guān)系的探索，主要包括兩個(gè)方面的數(shù)據(jù)挖掘內(nèi)容，一方面，是有效數(shù)據(jù)的搜集，即頻繁項(xiàng)集的產(chǎn)生，通過(guò)設(shè)置最小閥值來(lái)搜集有效的數(shù)據(jù)；另一方面，是通過(guò)上一步提供的數(shù)據(jù)支持來(lái)尋找數(shù)據(jù)之間存在的本質(zhì)性聯(lián)系，即關(guān)聯(lián)規(guī)則。關(guān)于上述兩方面數(shù)據(jù)挖掘的內(nèi)容，有效數(shù)據(jù)的收集是前提，在具體的收集中一般采用格結(jié)構(gòu)來(lái)完成，在進(jìn)行數(shù)據(jù)收集的過(guò)程中，將收集目標(biāo)設(shè)置為d，并作為數(shù)據(jù)收集標(biāo)準(zhǔn)來(lái)完成收集，收集的過(guò)程中會(huì)產(chǎn)生2d個(gè)頻繁出現(xiàn)的數(shù)據(jù)，這些數(shù)據(jù)之間會(huì)產(chǎn)生多種規(guī)則體系，多種規(guī)則體系用R來(lái)代替，進(jìn)而構(gòu)建出數(shù)據(jù)之間存在的關(guān)系。

數(shù)據(jù)挖掘技術(shù)中發(fā)現(xiàn)數(shù)據(jù)項(xiàng)集是數(shù)據(jù)處理的前提，所以在設(shè)置好目標(biāo)數(shù)據(jù)之后，需要在數(shù)據(jù)結(jié)構(gòu)中進(jìn)行和目標(biāo)數(shù)據(jù)有關(guān)聯(lián)數(shù)據(jù)的分析，并確定這些關(guān)聯(lián)的數(shù)據(jù)的有效性。為了減少龐大數(shù)據(jù)量的產(chǎn)生，通常會(huì)采用減少支持度、數(shù)據(jù)采集量來(lái)簡(jiǎn)化計(jì)算過(guò)程，但是盡管如此，也會(huì)存在一種數(shù)據(jù)項(xiàng)集本身具有繁雜屬性的數(shù)據(jù)模型，在這種情況下和其具有關(guān)聯(lián)的數(shù)據(jù)也是復(fù)雜的，會(huì)構(gòu)成對(duì)應(yīng)的復(fù)雜的關(guān)聯(lián)體系。比如數(shù)據(jù)收集的標(biāo)準(zhǔn)被設(shè)置為包含有c、d、e三種數(shù)據(jù)項(xiàng)集，那么不管是包含其中的子元素還是其中構(gòu)成的復(fù)合元素都是有效的數(shù)據(jù)，而如果是非頻繁的數(shù)據(jù)項(xiàng)集，比如設(shè)定e、f為非頻繁的數(shù)據(jù)項(xiàng)集，那么其中包含e、f的項(xiàng)集將會(huì)被裁剪。通過(guò)上述方式形成候選模式數(shù)據(jù)挖掘方法以及增長(zhǎng)模式數(shù)據(jù)挖掘方法，以此對(duì)財(cái)務(wù)中存在的關(guān)聯(lián)屬性強(qiáng)烈的數(shù)據(jù)進(jìn)行分析，排除關(guān)聯(lián)性較低的財(cái)務(wù)數(shù)據(jù)分析，被廣泛的應(yīng)用到企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)的預(yù)測(cè)中，尤其是金融領(lǐng)域、商品零售領(lǐng)域等，用來(lái)進(jìn)行渠道分析，進(jìn)而建立財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型。

2.基于數(shù)據(jù)挖掘技術(shù)時(shí)間序列的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警應(yīng)用

時(shí)間序列的數(shù)據(jù)挖掘技術(shù)指的是利用數(shù)據(jù)中存在的時(shí)間屬性來(lái)進(jìn)行數(shù)據(jù)關(guān)系之間的探索，進(jìn)行數(shù)據(jù)采集的標(biāo)準(zhǔn)是以時(shí)間作為數(shù)據(jù)收集的切入點(diǎn)進(jìn)行大量有效數(shù)據(jù)的收集，進(jìn)而為提供可行性的決策辦法提供數(shù)據(jù)參考。時(shí)間序列數(shù)據(jù)挖掘技術(shù)的應(yīng)用特點(diǎn)是以時(shí)間為軸心，對(duì)不同時(shí)間點(diǎn)上的數(shù)據(jù)進(jìn)行收集、分析，然后按照數(shù)據(jù)發(fā)生的時(shí)間順序來(lái)生成數(shù)據(jù)列表，進(jìn)而為行業(yè)制定政策提供相應(yīng)的數(shù)據(jù)參考。數(shù)據(jù)時(shí)間挖掘技術(shù)中對(duì)時(shí)間標(biāo)準(zhǔn)的定性具有差異性，這種差異性主要是由于不同企業(yè)的業(yè)務(wù)經(jīng)營(yíng)性質(zhì)、經(jīng)營(yíng)屬性不同而產(chǎn)生的不同的時(shí)間序列行為，比如股票數(shù)據(jù)的搜集時(shí)間動(dòng)向標(biāo)準(zhǔn)點(diǎn)主要為連續(xù)的時(shí)間數(shù)據(jù)截??；天氣預(yù)報(bào)數(shù)據(jù)的搜集時(shí)間動(dòng)向標(biāo)準(zhǔn)點(diǎn)為多元時(shí)間數(shù)據(jù)截??；超市進(jìn)行的數(shù)據(jù)收集多為某一個(gè)具體時(shí)間段的銷(xiāo)售數(shù)據(jù)截取，在進(jìn)行數(shù)據(jù)挖掘技術(shù)的使用中將變化的時(shí)間點(diǎn)設(shè)置為t，然后進(jìn)行不同時(shí)間點(diǎn)的數(shù)據(jù)統(tǒng)計(jì)，即t1、t2、t3直到tn的時(shí)間段截取，接著在對(duì)應(yīng)的具體時(shí)間段下進(jìn)行相應(yīng)數(shù)據(jù)的提取，設(shè)置為Yt1、Yt2、Yt3直到Y(jié)tn，其中Yt為時(shí)間序列，序列具有不同的時(shí)間屬性和所研究事物的屬性來(lái)選擇具體的研究方法，主要包括多變量時(shí)間和單變量時(shí)間兩種預(yù)測(cè)方法，其中多變量時(shí)間預(yù)測(cè)主要通過(guò)建立時(shí)間模型來(lái)進(jìn)行數(shù)據(jù)挖掘，單變量時(shí)間預(yù)測(cè)主要包括隨機(jī)時(shí)間、傳統(tǒng)固定時(shí)間兩種預(yù)測(cè)方法，模型構(gòu)建主要包括循環(huán)變動(dòng)、季節(jié)變動(dòng)、長(zhǎng)期趨勢(shì)變動(dòng)等數(shù)據(jù)模型。由于時(shí)間挖掘技術(shù)的運(yùn)用是動(dòng)態(tài)環(huán)境的提取，因此對(duì)復(fù)雜市場(chǎng)變化情況的數(shù)據(jù)提取具有重要的參考價(jià)值，尤其是對(duì)股票市場(chǎng)、企業(yè)營(yíng)銷(xiāo)計(jì)劃等方面能夠做出客觀的分析，對(duì)規(guī)避企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)具有重要的意義。

3.基于數(shù)據(jù)挖掘技術(shù)改進(jìn)型模糊神經(jīng)網(wǎng)絡(luò)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警應(yīng)用

隨著計(jì)算機(jī)技術(shù)的深入發(fā)展，數(shù)據(jù)挖掘技術(shù)可以利用計(jì)算機(jī)技術(shù)以及統(tǒng)計(jì)學(xué)的應(yīng)用來(lái)完成數(shù)據(jù)挖掘工作，比如改進(jìn)型模糊神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)挖掘技術(shù)，主要的應(yīng)用原理是通過(guò)建立財(cái)務(wù)指標(biāo)的方式來(lái)完成數(shù)據(jù)挖掘技術(shù)，由于企業(yè)經(jīng)營(yíng)狀況的不同，所以財(cái)務(wù)指標(biāo)的獲取具有差異性，因此財(cái)務(wù)指標(biāo)的確定主要依靠統(tǒng)計(jì)方法、人工方法來(lái)制定財(cái)務(wù)指標(biāo)，需要注意的是財(cái)務(wù)指標(biāo)的選擇要和企業(yè)的具體經(jīng)營(yíng)狀況具有高度的匹配性。神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)挖掘技術(shù)具有豐富的推廣能力，而且神經(jīng)網(wǎng)絡(luò)設(shè)置非常豐富，具有很高的兼容性，能夠?qū)崿F(xiàn)對(duì)不同環(huán)境、不同時(shí)間段的數(shù)據(jù)搜集工作，所以能夠?qū)ζ髽I(yè)提出針對(duì)性的預(yù)警措施。

模糊神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)挖掘技術(shù)使用的數(shù)據(jù)處理方法為粗糙即屬性約簡(jiǎn)的處理方法，主要包括兩個(gè)方面，一方面，進(jìn)行數(shù)據(jù)篩選工作，通過(guò)運(yùn)用粗糙集理論和統(tǒng)計(jì)方法來(lái)對(duì)輸入的數(shù)據(jù)進(jìn)行簡(jiǎn)化處理；另一方面，利用模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)處理并完成財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警。其中對(duì)于數(shù)據(jù)的篩選工作至關(guān)重要，為了讓計(jì)算機(jī)工作更為便捷，尤其是當(dāng)前數(shù)據(jù)獲取越來(lái)越便利的情況下，將有效的數(shù)據(jù)進(jìn)行簡(jiǎn)約轉(zhuǎn)換，讓人們熟知，更方便地理解數(shù)據(jù)顯得尤為重要。粗糙的處理方法主要包括信息系統(tǒng)和決策、屬性的核算、約簡(jiǎn)的選取等數(shù)據(jù)處理過(guò)程，通過(guò)這些數(shù)據(jù)梳理選擇n個(gè)合理的數(shù)據(jù)元素，然后構(gòu)建模糊神經(jīng)網(wǎng)絡(luò)，形成財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警系統(tǒng)。該方法目前在保險(xiǎn)類(lèi)型業(yè)務(wù)具有重大實(shí)踐意義。

4.基于數(shù)據(jù)挖掘技術(shù)聚類(lèi)算法的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警應(yīng)用

數(shù)據(jù)挖掘技術(shù)聚類(lèi)算法就是通過(guò)將類(lèi)似的數(shù)據(jù)搜集在一起進(jìn)行的數(shù)據(jù)處理方法，由于是分類(lèi)別的數(shù)據(jù)收集，因此在所構(gòu)成的數(shù)據(jù)組合下，這些數(shù)據(jù)具有高度的相似性，折射到具體的應(yīng)用中，可以對(duì)所聚集起來(lái)的類(lèi)似的數(shù)據(jù)進(jìn)行統(tǒng)一應(yīng)用。聚類(lèi)分析的模式識(shí)別不僅僅是進(jìn)行數(shù)據(jù)的識(shí)別，通過(guò)對(duì)數(shù)據(jù)進(jìn)行歸類(lèi)，還包括對(duì)圖像、模式、市場(chǎng)研究等識(shí)別，總之?dāng)?shù)據(jù)挖掘技術(shù)聚類(lèi)算法就是對(duì)數(shù)據(jù)進(jìn)行的具體分類(lèi)，然后對(duì)分好類(lèi)的數(shù)據(jù)進(jìn)行處理的一種數(shù)據(jù)挖掘應(yīng)用方法，比如將被研究的財(cái)務(wù)數(shù)據(jù)樣本定義為數(shù)據(jù)E，將A定義為和它具有相同屬性的一個(gè)子集，然后A在E數(shù)據(jù)之下，但是并不在D數(shù)據(jù)之下，和D數(shù)據(jù)沒(méi)有相同的分類(lèi)屬性，但是在之后的模糊理論的影響下，數(shù)據(jù)的范圍逐漸擴(kuò)大。折射到財(cái)務(wù)預(yù)警系統(tǒng)的構(gòu)建和應(yīng)用中，聚類(lèi)數(shù)據(jù)挖掘方式能夠識(shí)別多種類(lèi)型的數(shù)據(jù)，比如圖形、密度空間、大小等多類(lèi)型的數(shù)據(jù)，當(dāng)前企業(yè)所面對(duì)的數(shù)據(jù)類(lèi)型日益復(fù)雜，通過(guò)聚類(lèi)數(shù)據(jù)挖掘方法的應(yīng)用能減少數(shù)據(jù)搜集、處理的難度，對(duì)客觀的反映企業(yè)財(cái)務(wù)信息，制定客觀的財(cái)務(wù)處理措施具有重要的意義。

5.基于數(shù)據(jù)技挖掘術(shù)雙向加權(quán)模糊支持向量機(jī)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警應(yīng)用

財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警本就是針對(duì)未知發(fā)生的事件進(jìn)行預(yù)測(cè)，在這些未知因素中有些因素是無(wú)法確定的，是沒(méi)辦法進(jìn)行實(shí)際考量的，而一些因素通過(guò)數(shù)據(jù)分析，發(fā)現(xiàn)是既定發(fā)生的，但是在進(jìn)行風(fēng)險(xiǎn)預(yù)測(cè)過(guò)程中也會(huì)存在不發(fā)生的比例，通過(guò)對(duì)未知風(fēng)險(xiǎn)和已知風(fēng)險(xiǎn)進(jìn)行對(duì)比，從而為未知樣本找到預(yù)警類(lèi)別，主要采用SVM方法來(lái)完成財(cái)務(wù)數(shù)據(jù)的計(jì)算，SVM方法中主要包括塊算法、固定樣本收集兩種方法，其中塊算法排除了非支持向量，通過(guò)對(duì)樣本中的非支持項(xiàng)量進(jìn)行優(yōu)化，進(jìn)而實(shí)現(xiàn)風(fēng)險(xiǎn)樣本的預(yù)測(cè)，但是隨著處理的數(shù)據(jù)較多，這種計(jì)算方法難度較大，因此在數(shù)據(jù)挖掘技術(shù)中會(huì)采用固定樣本集進(jìn)行數(shù)據(jù)的整合優(yōu)化，大大的提高運(yùn)算效率，在對(duì)財(cái)務(wù)預(yù)警系統(tǒng)的構(gòu)建中，可以通過(guò)對(duì)財(cái)務(wù)數(shù)據(jù)中的具體財(cái)務(wù)指標(biāo)，比如資產(chǎn)營(yíng)運(yùn)資產(chǎn)率、利潤(rùn)總額、速動(dòng)比例、主營(yíng)業(yè)務(wù)收入增長(zhǎng)率等財(cái)務(wù)指標(biāo)采用雙向加權(quán)模糊支持向量的數(shù)據(jù)挖掘技術(shù)進(jìn)行數(shù)據(jù)分析，通過(guò)因素集、評(píng)判集、權(quán)重向量來(lái)進(jìn)行綜合評(píng)判，進(jìn)而實(shí)現(xiàn)對(duì)財(cái)務(wù)指標(biāo)的風(fēng)險(xiǎn)預(yù)測(cè)。

四、結(jié)語(yǔ)

由于數(shù)據(jù)挖掘技術(shù)能夠全面的收集企業(yè)在市場(chǎng)經(jīng)濟(jì)環(huán)境中的相關(guān)數(shù)據(jù)，對(duì)財(cái)務(wù)指標(biāo)中的數(shù)據(jù)以關(guān)聯(lián)、時(shí)間、聚類(lèi)等數(shù)據(jù)處理技術(shù)進(jìn)行數(shù)據(jù)分析，所以能夠綜合的反映企業(yè)的經(jīng)營(yíng)發(fā)展?fàn)顩r，從財(cái)務(wù)的角度來(lái)有效地規(guī)避市場(chǎng)經(jīng)營(yíng)風(fēng)險(xiǎn)。此外還因?yàn)樨?cái)務(wù)指標(biāo)數(shù)據(jù)呈現(xiàn)方式不同，企業(yè)經(jīng)營(yíng)業(yè)務(wù)類(lèi)型不同，所以數(shù)據(jù)挖掘技術(shù)的應(yīng)用方式不同，比如對(duì)于金融行業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)應(yīng)以時(shí)間序列數(shù)據(jù)挖掘技術(shù)處理方式，復(fù)雜的數(shù)據(jù)應(yīng)選擇模糊神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)挖掘技術(shù)等。我們?cè)趹?yīng)用數(shù)據(jù)挖掘技術(shù)構(gòu)建風(fēng)險(xiǎn)預(yù)測(cè)模型時(shí)，應(yīng)仔細(xì)分析數(shù)據(jù)應(yīng)用場(chǎng)景，選擇合理的數(shù)據(jù)挖掘技術(shù)為構(gòu)建科學(xué)的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警系統(tǒng)提供有效支撐。