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
ApplicationoftheFinancialDecisionSupportSystemwiththeDataMingTechnology
周喜①②王加阳①
(①中南大学信息科学与工程学院，湖南长沙410083；②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（FinancialDecisionSupportSystem，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MicrosoftSQLServer2000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