林穎華+陳長鳳

【摘 要】 基于關聯(lián)規(guī)則的交互挖掘是以數(shù)據(jù)挖掘為基礎，專門用于解決最小支持度和置信度閾值未知情況下的數(shù)據(jù)挖掘問題，其最大的特點就在于需要通過實驗和調(diào)整來探知最小支持度和置信度閾值，最終實現(xiàn)對數(shù)據(jù)用戶需求的有效滿足。通過構(gòu)建的基于關聯(lián)規(guī)則交互挖掘的企業(yè)財務風險分析模型，分別對模型的支持度和置信度閾值進行數(shù)值設定，進而實現(xiàn)了對企業(yè)財務風險指標頻繁模式類型數(shù)目以及規(guī)則數(shù)目的挖掘，并以此為基礎最終實現(xiàn)對財務指標間規(guī)律的探析。未來企業(yè)應結(jié)合具體財務指標選擇對企業(yè)財務風險實現(xiàn)多層面、全方位的防范。

【關鍵詞】 關聯(lián)規(guī)則； 數(shù)據(jù)挖掘； 財務風險； 風險評價

【中圖分類號】 F275 【文獻標識碼】 A 【文章編號】 1004-5937（2017）01-0032-04

對于企業(yè)而言，自身運營過程中存在的風險因素能否被準確洞察直接關系著自身的可持續(xù)發(fā)展，也正是如此，理論界始終關注企業(yè)財務風險或預警指標的選擇和整體模型的構(gòu)建，其相關理論研究成果也為企業(yè)的持續(xù)、健康運營產(chǎn)生了積極影響，但不可否認，傳統(tǒng)統(tǒng)計模型過于苛刻的假設條件和繁雜的計算過程也極大限制了理論成果的實踐效用[1]。伴隨信息技術的快速發(fā)展，數(shù)字時代的到來一改傳統(tǒng)的假設分析方法，更強調(diào)大規(guī)模數(shù)據(jù)分析中規(guī)律的呈現(xiàn)，這對于企業(yè)財務風險評價而言也帶來了一種全新的方法，即在充分運用數(shù)據(jù)挖掘技術的基礎上，結(jié)合企業(yè)發(fā)展的動態(tài)性，建立更具實效性和實踐性的企業(yè)財務風險分析和危機預警模型，以確保企業(yè)管理者可以及時發(fā)現(xiàn)運用過程中存在的潛在風險因素，并采取積極的應對措施。基于此，本文擬在充分分析企業(yè)財務風險現(xiàn)狀的基礎上，以關聯(lián)規(guī)則交互挖掘算法為基本方法、以企業(yè)相關財務風險指標挖掘為基本方式，以期探尋隱藏于財務指標體系中的基本規(guī)則），從而發(fā)現(xiàn)真正引致企業(yè)財務風險的根源之所在。

一、關聯(lián)規(guī)則的數(shù)據(jù)挖掘內(nèi)涵及運用

數(shù)據(jù)挖掘，也稱為知識發(fā)現(xiàn)，即在海量數(shù)據(jù)中探索隱藏于其中的規(guī)律、規(guī)則的過程[2]。從其發(fā)展過程來看，它最初的思想萌芽于統(tǒng)計學，且發(fā)展也以統(tǒng)計學為基礎，在計算機、信息技術實現(xiàn)飛速發(fā)展后，實現(xiàn)了統(tǒng)計學與數(shù)據(jù)庫技術、人工智能技術等理論和技術的融合，最終實現(xiàn)了數(shù)據(jù)挖掘?？梢姡@一知識發(fā)現(xiàn)過程的實現(xiàn)有著兩個充分條件：一是高性能計算技術，這是實現(xiàn)數(shù)據(jù)分析的必備技術手段；二是海量數(shù)據(jù)搜集，這是探索基本規(guī)律的必要資料基礎。從數(shù)據(jù)挖掘的使用來看，數(shù)據(jù)挖掘技術的使用最初始于計算機領域，以IBM為代表的企業(yè)率先將其運用于自身的相關產(chǎn)品研發(fā)，如IBM Intelligent Miner[3]；國內(nèi)則主要關注于數(shù)據(jù)挖掘的算法研究，這就導致研究主體以高校和相關科研機構(gòu)為主，其在實踐方面的運用尚不普遍。從20世紀90年代數(shù)據(jù)挖掘技術出現(xiàn)至今，雖然對其的研究仍是理論界關注的焦點，但在實踐領域也有了相當?shù)倪M展，總體來看，在所有數(shù)據(jù)挖掘方法中以關聯(lián)規(guī)則的挖掘運用最為廣泛。因此，本文也將主要以關聯(lián)規(guī)則數(shù)據(jù)挖掘方法為基礎，將其與企業(yè)財務風險分析相結(jié)合。關聯(lián)規(guī)則的數(shù)據(jù)挖掘方法如下：一是Apriori算法，該方法由Agrawal等首先提出，其基本思想是在所建立的支持度-置信度框架下通過迭代運算形成最終所需的頻繁模式集，即在對數(shù)據(jù)庫掃描的基礎上生成首要A候選集，在此基礎上進行支持度計數(shù)比較（主要采用Apriori算法），形成頻繁集A，此時，候選集的生成將不再是對數(shù)據(jù)庫的掃描，而是數(shù)據(jù)集A將以自身鏈接的形式再生成新的候選集B，B仍然采用Apriori算法進行支持度計數(shù)比較形成頻繁集B。如此反復，直到得出所有長度L（k≥1）的頻繁項集L，此時應不再產(chǎn)生新的頻繁集項。二是FP-Growth 算法，該方法由Jiawei Han等率先提出，克服了支持度閾值較低時運用Apriori算法對數(shù)據(jù)庫頻繁掃描所導致的算法性能下降的缺陷[4]。其基本思想是在Apriori算法基礎上引入Frequent Patterns Tree重新保存數(shù)據(jù)集，這樣就避免了對數(shù)據(jù)庫的頻繁掃描，且有效縮減了每一條數(shù)據(jù)傳導路徑中節(jié)點的頻繁程度，既強化了數(shù)據(jù)結(jié)構(gòu)的緊湊度，又為后續(xù)生成算法中對FP-Tree的快捷拆分提供了方法保障。

基關聯(lián)規(guī)則的交互挖掘則是以數(shù)據(jù)挖掘為基礎，專門用于解決最小支持度和置信度閾值未知情況下的數(shù)據(jù)挖掘問題，其最大的特點就在于需要通過實驗和調(diào)整來探知最小支持度和置信度閾值，最終實現(xiàn)對數(shù)據(jù)用戶需求的有效滿足；其常用的方法主要包括以下兩類：

一是基于Apriori算法的交互挖掘方法，該方法主要以Apriori算法為基礎，試圖通過對已挖掘的關聯(lián)規(guī)則的高效運用，從而達到控制候選集規(guī)模的目的，這樣可以最終實現(xiàn)對數(shù)據(jù)庫測試頻率的有效降低。目前，理論界常用的具體方法包括IUA（Incremental Updating Algorithm）和 NewIUA（NewIncremental Updating Algorithm）兩類[5]。以IUA為例，對于真正有效關聯(lián)規(guī)則挖掘目的的實現(xiàn)則主要依賴于最小支持度和最小置信度閾值的實驗和調(diào)整，若數(shù)據(jù)庫始終保持不變則支持度和置信度閾值的變化就會引致關聯(lián)規(guī)則更新，此時可利用已存在的頻繁項集實現(xiàn)對新的頻繁項集的開發(fā)，即采用增量式更新算法IUA，但對于頻繁項集的劃分容易導致大量無用候選集的產(chǎn)生和有效頻繁項集的誤刪。

二是基于模式增長的交互挖掘方法，該方法的主要思想是通過對已發(fā)現(xiàn)關聯(lián)規(guī)則使用效率的提升進而實現(xiàn)對算法效率的改善，其主要改善路徑則是控制頻繁模式樹的重復構(gòu)建率和減少數(shù)據(jù)庫的重復掃描次數(shù)。以Khashei M，Cong et al.[6]為代表的研究者就主張以有效的壓縮策略實現(xiàn)對三個頻繁模式挖掘技術的匹配，以避免頻繁模式的不斷增加。

總體而言，伴隨關聯(lián)數(shù)據(jù)挖掘技術理論研究的豐富，其在社會實踐中的運用范圍也不斷擴大，已經(jīng)被逐漸應用于零售、金融、電子商務等領域特定產(chǎn)品的研發(fā)中。以美國銀行為例，其目前對數(shù)據(jù)倉庫和數(shù)據(jù)挖掘技術的使用增長率已達到15%，同時，還將其充分運用于利潤評測模型和風險控制模型的構(gòu)建中，實現(xiàn)了管理效率的有效提升。

二、基于關聯(lián)規(guī)則交互挖掘的企業(yè)財務風險分析指標體系構(gòu)建

傳統(tǒng)財務風險指標體系的構(gòu)建均建立于評價者或管理者對企業(yè)財務風險的自我認知和判別基礎上，具有極大的主觀性，但基于數(shù)據(jù)挖掘的財務指標選擇更強調(diào)指標間的相關性，保障了指標選擇的客觀性。目前，理論界普遍采用的指標體系通常包括以下方面[7]：

一是對企業(yè)營運能力的綜合反映，該類指標需要充分反映企業(yè)資產(chǎn)的周轉(zhuǎn)狀況，進而實現(xiàn)對企業(yè)生產(chǎn)、銷售等環(huán)節(jié)效率的準確判斷，若經(jīng)營狀況良好則資產(chǎn)運轉(zhuǎn)情況良好，收入也越高。常選用的指標包括針對流動性資產(chǎn)周轉(zhuǎn)狀況評價的流動資產(chǎn)周轉(zhuǎn)率、應收賬款周轉(zhuǎn)率和存貨周轉(zhuǎn)率，以及針對固定資產(chǎn)周轉(zhuǎn)狀況評價的固定資產(chǎn)周轉(zhuǎn)率和總資產(chǎn)周轉(zhuǎn)率。

二是對企業(yè)盈利能力的評價，該類指標主要與企業(yè)長期盈利能力相關，雖然企業(yè)短期盈利能力也是投資者關注的主要指標之一，但從財務風險應對角度來看，只有持續(xù)的長期盈利能力才能確保企業(yè)具備有效風險對抗能力。常選用的指標主要包括毛利率、營業(yè)利潤率、凈利潤率、凈資產(chǎn)收益率和每股收益指標。這些指標均與企業(yè)總利潤間呈正相關關系，即企業(yè)盈利能力增強，風險的應對能力隨之上升。

三是對于企業(yè)未來成長潛能的評價，該類指標主要是通過對企業(yè)一定時期內(nèi)經(jīng)營能力的判斷進而形成對其成長潛在空間的評價，即以當前營運、發(fā)展狀況為評價基礎。常選擇的評價指標包括總資產(chǎn)增長率、凈資產(chǎn)增長率、凈利潤增長率、每股收益增長率和主營業(yè)務收入增長率。這些指標可以在一定程度上反映企業(yè)的資本規(guī)模擴張速度、負債規(guī)模的擴展速度以及經(jīng)營規(guī)模的擴張速度等，進而形成對未來成長潛能的準確、客觀評價。

四是對于企業(yè)償債能力的評價，這又涉及短期償債能力和長期償債能力的分別判斷；對于企業(yè)而言，短期償債能力與未來融資規(guī)模、融資成本息息相關，常選擇的指標主要是企業(yè)的流動比率和速動比率；長期償債能力則直接關系企業(yè)自身的正常運營，若不能按時還本付息則會直接影響企業(yè)自身的可持續(xù)發(fā)展，常選擇的評價指標包括資產(chǎn)負債比率、股東權(quán)益比率和利息支付倍數(shù)三項。

五是對于企業(yè)現(xiàn)金流量狀況的評價，該類指標直接決定著企業(yè)管理決策的制定，且屬于動態(tài)類指標，應根據(jù)實時變化對相關指標進行分析。常選擇的評價指標包括經(jīng)營現(xiàn)金凈流量對流動負債的比率、經(jīng)營現(xiàn)金凈流量對凈利潤的比率以及經(jīng)營現(xiàn)金凈流量對銷售收入的比率。

考慮到風險評價過程中對于營業(yè)收入、凈資產(chǎn)以及現(xiàn)金流的綜合考察，在選擇具體評價指標時增加營業(yè)收入、每股凈資產(chǎn)、每股現(xiàn)金流量等評價指標。

三、基于關聯(lián)規(guī)則交互挖掘的企業(yè)財務風險分析模型

（一）基于風險視角的層次樹構(gòu)建

企業(yè)財務風險評價模型能否真正對潛在風險因素進行準確的識別和程度預測關鍵在于能否對復雜的風險類型進行深入的解析，即能否準確構(gòu)建風險概念層次樹。從上述財務風險評價指標體系的構(gòu)建可以明確其對于企業(yè)風險的評價是多方面的，既有針對經(jīng)營狀況的盈利、營運、成長方面的評價，也有專門針對企業(yè)債務規(guī)模、還債能力狀況的償債能力、現(xiàn)金流量方面的分析，這就必然涉及數(shù)據(jù)的泛化問題，而建立風險概念層次樹正好可以利用高層次概念對低層次概念的替換而實現(xiàn)這一技術目標。具體而言，財務風險概念層次樹包含4個層級：企業(yè)財務風險（最高層）、企業(yè)財務風險評價的各個方面（第二層）、企業(yè)財務風險評價的綜合關鍵指標（第三層）以及具體概念指標層次（第四層），具體見圖1。

從圖1可見，這一概念層次樹既充分描述了不同層級間概念遞進關系，又實現(xiàn)了對低層次具體概念的深入挖掘，且這種挖掘的形式不單局限于指標的綜合挖掘，還可以延伸至各個具體模塊中進行局部挖掘。在實現(xiàn)了低層次概念深入挖掘的基礎上，再進行第三層、第二層概念的挖掘，直至最高層，從而有效尋找指標間的隱藏規(guī)律。

（二）支持度閾值的交互挖掘

現(xiàn)以盈利能力為例，假定凈利潤率和凈資產(chǎn)收益率為頻繁項集，則在支持閾值交互挖掘策略下層級級別的高低將直接決定支持閾值的大小，即財務指標層級越高，則所對應的最小支持閾值就越大，反之亦反。這也意味著在考慮支持度閾值時必須結(jié)合指標的層級綜合判斷，想要得到最小的支持度閾值就必須著眼于最低級別的指標層，具體見圖2。

（三）數(shù)據(jù)挖掘與結(jié)果輸出

上述所構(gòu)建的基于關聯(lián)規(guī)則交互挖掘的企業(yè)財務風險分析模型，應對模型的支持度和置信度閾值進行分別數(shù)值設定，進而實現(xiàn)對企業(yè)財務風險指標頻繁模式類型數(shù)目以及規(guī)則數(shù)目的挖掘，以此為基礎最終實現(xiàn)對財務指標間規(guī)律的探析，現(xiàn)將對具體的操作過程進行描述。

首先，在算法選擇上，為避免交互挖掘中因支持度閾值遞減而導致的計算過程重復，改用已獲取挖掘信息下的新支持度閾值的頻繁項，在此基礎上以Hash結(jié)構(gòu)為數(shù)據(jù)儲存方式并同時更新支持度閾值下頻繁項集的支持度計數(shù)，這將有效提高了數(shù)據(jù)挖掘的效率[8]，至于HIUA的算法偽代碼在此不做專門描述。具體而言，在初次計算新支持度閾值下頻繁項集時，算法仍然采用Apriori算法，可得到相應閾值下分級數(shù)據(jù)的頻繁項集；隨后不再采用Apriori算法，分兩種不同情況進行處理：若是支持度閾值遞增則通過對上一頻繁項集的篩選得到進一步的分級數(shù)據(jù)頻繁項集；若是支持度閾值遞減則將上一頻繁項集設為A，在此基礎上計算新閾值下的頻繁項集A1，從而得到新的頻繁項集項。此時頻繁項集項間的自連接將分別得到新的閾值，對這些數(shù)據(jù)進行再篩選和再組合最終得到頻繁項集L，直到L為空時算法結(jié)束，此時將生產(chǎn)相應之尺度下的具體關聯(lián)規(guī)則。

其次，在性能測試上，為確保算法的高效性現(xiàn)專門對Apriori算法、IUA算法和HIUA算法進行對比。從前面分析已知，在避免了頻繁集的重復更新后，置信度和支持度閾值上升的環(huán)境下，IUA算法的速度明顯高于HUIA，因此現(xiàn)只對支持度閾值遞減的情況進行專門測算?，F(xiàn)選擇上市公司中ST公司2007—2014年期間的相關財務指標數(shù)據(jù)，共計34家841條記錄；以X軸表示支持度閾值，范圍為0.2—0.3，步長0.01，Y軸為計算頻繁模式集的運行時間，則不同支持度閾值和置信度閾值下規(guī)則數(shù)目如圖3所示。

四、政策建議

從所構(gòu)建的具體財務風險評價指標層次樹可以看出，對于企業(yè)財務風險的防范應該是多層面、全方位的，結(jié)合具體財務指標選擇企業(yè)對于潛在財務風險的防范應基于以下方面。

一是在企業(yè)營運風險管理方面，應著重關注應收賬款周轉(zhuǎn)速度和存貨周轉(zhuǎn)，這主要是因為應收賬款的周轉(zhuǎn)狀況直接關系著企業(yè)資產(chǎn)的流動速度，兩者間呈正相關關系，只有資產(chǎn)高速流轉(zhuǎn)才能有效提升企業(yè)營運能力；對于存貨而言，也是如此，只有周轉(zhuǎn)速度越快才能提高資源的使用效率，也才能最終實現(xiàn)對企業(yè)營運能力的提升。

二是在企業(yè)盈利能力管理方面，應主要關注每股收益與凈資產(chǎn)收益率，這兩個指標也是外在投資者最為關注的指標，它們直接與企業(yè)的利潤回報率相聯(lián)系，彼此間呈正相關關系，利潤回報率越高則每股收益與凈資產(chǎn)收益率也越高。

三是在企業(yè)成長能力評價方面，應著重關注凈利潤增長狀況和總資產(chǎn)增長速度，這主要是因為凈利潤增長率直接與企業(yè)經(jīng)營績效相關，作為對企業(yè)未來成長潛力的評判，必然首先關注其經(jīng)營績效的高低，企業(yè)經(jīng)營效益越高則意味著成長潛力越大；而總資產(chǎn)增長速度則直接決定于企業(yè)一定時期內(nèi)資產(chǎn)經(jīng)營規(guī)模的擴張速度，資產(chǎn)經(jīng)營規(guī)模擴張越快意味著潛在成長空間越大。

四是在企業(yè)現(xiàn)金流評價方面，應主要關注經(jīng)營現(xiàn)金凈流量對銷售收入比和資產(chǎn)經(jīng)營現(xiàn)金流量回報率，這兩個指標值的高低直接決定于企業(yè)持續(xù)經(jīng)營的狀況，如呈現(xiàn)良性、健康循環(huán)則現(xiàn)金流必然隨之上升，反之亦反。

五是在企業(yè)償債能力評價方面，應主要關注流動比率和現(xiàn)金比率，這可以實現(xiàn)對企業(yè)長短期償債能力的綜合判斷。流動比率越高則意味著企業(yè)到期還款能力越強，而現(xiàn)金比率越高則意味著企業(yè)資產(chǎn)流動性越強，企業(yè)風險自然也就越小。

【參考文獻】

[1] 吳應宇，蔡秋萍，吳.基于神經(jīng)網(wǎng)絡技術的企業(yè)財務危機預警研究[J].東南大學學報（哲學社會科學版）， 2008，10（1）：22-26.

[2] 韓家煒，KAMBER M. 數(shù)據(jù)挖掘概念與技術[M].北京： 機械工業(yè)出版社，2004.

[3] 劉英華，楊炳儒，馬楠，等.分布式隱私保護數(shù)據(jù)挖掘研究[J].計算機應用研究，2011，28（10）：3606-3610.

[4] 宋威，李晉宏，徐章艷，等.一種新的頻繁項集精簡表示方法及其挖掘算法的研究[J].計算機研究與發(fā)展，2010，47（2）：277-285.

[5] 戰(zhàn)立強，劉大昕.頻繁項集快速挖掘算法研究[J].哈爾濱工程大學學報，2008，29（3）：266-271.

[6] KHASHEI M，et al.Improvement of Auto-Regressive Integrated Moving Average Models Using Fuzzy Logic and Artificial Neural Networks （Anns）[J].Neurocomputing，2009，72（4-6）： 956-967.

[7] 李清.基于適度財務指標和遺傳算法的財務危機預測模型研究[J].統(tǒng)計與信息論壇，2010，25（2）：3-9.

[8] 呂志軍，王照飛，謝福鼎，等.基于FCM聚類的時間序列模糊關聯(lián)規(guī)則挖掘[J].大連理工大學學報，2010，50（5）：806-810.