基于數(shù)據(jù)挖掘的企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警研究.pdf

1、隨著信息化過程的迅猛推進(jìn),企業(yè)信息化管理已經(jīng)得到越來越多的關(guān)注,面對(duì)日益復(fù)雜多變的社會(huì)經(jīng)濟(jì)環(huán)境,企業(yè)風(fēng)險(xiǎn)管理難度也逐漸增大。如何建立高效的風(fēng)險(xiǎn)管理機(jī)制對(duì)企業(yè)風(fēng)險(xiǎn)預(yù)警是企業(yè)尋求的目標(biāo)。傳統(tǒng)的統(tǒng)計(jì)分析已經(jīng)不能滿足對(duì)海量財(cái)務(wù)數(shù)據(jù)的處理。因此如何在企業(yè)經(jīng)營活動(dòng)產(chǎn)生的大量財(cái)務(wù)數(shù)據(jù)信息中尋找出對(duì)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警管理有用的信息是企業(yè)當(dāng)前迫切需要解決的問題。而數(shù)據(jù)挖掘技術(shù)的不斷改進(jìn)創(chuàng)新,以及對(duì)海量數(shù)據(jù)研究分析的良好表現(xiàn),使得兩者緊密的聯(lián)系了起來。因此本

2、文采用數(shù)據(jù)挖掘技術(shù)對(duì)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警進(jìn)行研究分析,具有非常重要的理論和實(shí)際意義。主要研究內(nèi)容如下:
　　首先,本文對(duì)財(cái)務(wù)風(fēng)險(xiǎn)分析以及財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警進(jìn)行了深入的研究,包括財(cái)務(wù)風(fēng)險(xiǎn)的成因、特征及財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警的方法等。
　　其次,提出了一種更高效的基于對(duì)頻繁項(xiàng)集分組并行的 P-Apriori挖掘算法。該算法利用一定的規(guī)則先把頻繁(k-1)-項(xiàng)集分組,分組后每組的頻繁(k-1)-項(xiàng)子集不僅能并行處理,而且還能極大的減少頻繁(k-1)-

3、項(xiàng)集自連接次數(shù),再把每組產(chǎn)生的頻繁 k-項(xiàng)子集組合起來,就能得到頻繁k項(xiàng)集。有效的減少了頻繁項(xiàng)集產(chǎn)生的時(shí)間,提高了挖掘的效率。為進(jìn)一步對(duì)財(cái)務(wù)風(fēng)險(xiǎn)分析的應(yīng)用研究提供了技術(shù)保障。
　　第三,對(duì)決策樹C4.5算法進(jìn)行了研究分析,采用上市公司的虛擬財(cái)務(wù)指標(biāo)數(shù)據(jù)作為該算法的訓(xùn)練樣本數(shù)據(jù),來展現(xiàn)構(gòu)建財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型的過程。
　　第四,基于關(guān)聯(lián)規(guī)則 P-Apriori算法提出建立財(cái)務(wù)風(fēng)險(xiǎn)分析系統(tǒng),目的在于更便捷地處理財(cái)務(wù)指標(biāo)數(shù)據(jù),為財(cái)務(wù)風(fēng)

4、險(xiǎn)研究分析提供便利性以及可靠性。通過該系統(tǒng)對(duì)66家ST公司的499條財(cái)務(wù)指標(biāo)數(shù)據(jù)挖掘分析發(fā)現(xiàn)26個(gè)財(cái)務(wù)風(fēng)險(xiǎn)指標(biāo)中有11個(gè)頻繁出現(xiàn)的關(guān)鍵指標(biāo),這些指標(biāo)更能體現(xiàn)財(cái)務(wù)風(fēng)險(xiǎn)狀況,應(yīng)該重點(diǎn)關(guān)注這些關(guān)鍵指標(biāo)對(duì)財(cái)務(wù)風(fēng)險(xiǎn)狀況的影響。
　　最后,基于決策樹C4.5算法構(gòu)建了財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型,使用了財(cái)務(wù)風(fēng)險(xiǎn)分析系統(tǒng)分析產(chǎn)生的11個(gè)關(guān)鍵財(cái)務(wù)指標(biāo)作為決策樹的屬性集,通過對(duì)66家 ST公司和66家非ST公司財(cái)務(wù)指標(biāo)樣本數(shù)據(jù)進(jìn)行反復(fù)訓(xùn)練得到初步的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警