信息技術在高校資產管理領域的應用研究*——以數據挖掘技術為研究對象

董宏志，陳　妹，王澤一

（吉林大學資產管理與后勤處，吉林長春130012）

信息技術在高校資產管理領域的應用研究*——以數據挖掘技術為研究對象

董宏志，陳妹，王澤一

（吉林大學資產管理與后勤處，吉林長春130012）

利用數據挖掘技術設計高校資產管理系統是很好的應用趨勢，能夠為高校資產管理者提供有效的決策支持。本文對數據挖掘技術的研究現狀進行了梳理，分析了高校資產管理特點及存在的問題，設計了高校資產管理系統，并對管理系統決策模塊的實現進行研究。資產管理系統的實際應用過程中，要注重歸納與總結，不斷改進完善數據挖掘算法，找出數據背后蘊藏的關聯規則，以便挖掘結果更科學化，為管理者提供決策支持。

數據挖掘；高校資產；資產管理；決策支持

當前，我們正處在一個網絡化、信息化高速發展的時代，數據挖掘技術正在迅速地改變著整個社會的發展進程。計算機技術與Internet技術的迅猛發展，大大提高了數據挖掘（Data Mining）、收集與整理加工的能力，當今社會數據資源變得日益豐富，各行各業充斥著大量的數據源。正當此時新的問題應運而生，如何挖掘出數據源中蘊含的知識與信息并加以利用，怎樣處理不斷涌現出的信息源噪聲問題，已迫在眉睫。

新興技術即數據挖掘技術與知識發現（Data Mining and Knowledge Discovery in Databases）順勢而生，并展現出旺盛的生命力，學者們匯聚了數據庫技術、數據統計學、人工智能以及管理信息系統等學科，致力于這一邊緣科學的蓬勃發展，解決當前數據源噪聲問題。自此，數據挖掘技術在各行各業得到了極大應用，為資產管理、生產運營以及信息處理提供了新的理論指導。

于此同時，高校是特殊的事業單位群體，其資產管理效率直接關乎于高校的整體運行。當今，高校的資產管理已經普遍實現了信息化管理，并針對其數據的存取與檢索配備了相應的設備。但當前高校資產信息化管理的過程中存在一個致命性問題，即數據源未得到充分應用，蘊藏在其中的信息未得到有效挖掘與開發。高校資產信息化處理系統在運行過程中會收集大量數據信息，而在實際操作中系統管理員僅具有簡單的統計評估與分析功能，而隱藏在數據背后的價值卻不能進行深度挖掘與應用。資產管理者需要采用一種有效的方法自動的發現與分析隱藏在各數據之間的關聯性與動態的發展趨勢，從而為管理者的決策提供有效的數據支撐，以此來發揮信息系統收集的當前與歷史數據的價值。依前文所述，數據挖掘技術與知識發現能夠有效地將信息系統收集的大量數據源進行整合，提高高校資產管理效率。為此，本文會引入數據挖掘技術與知識發現對高校資產的需求與使用情況，以及資產的損耗情況進行深層的剖析，以為決策者的資產管理提供有力的支撐，從而合理有效地利用高校有限的資源創造出更優越的教學育人環境，進而提高其整體的教學質量。

一、數據挖掘技術的國內外研究現狀

上世紀八十年代末，國際上召開了第11屆國際聯合人工智能的學術性會議，首次提出了數據挖掘。此后，上世紀九十年代中期，美國的計算機年會（ACM）召開之際，首次確定了數據挖掘技術的概念，指出集來的大量且不完全的有噪聲的隨機數據中，提取出蘊藏在其中的有價值的信息與知識即為數據挖掘，通過這種數據挖掘技術能夠有利于數據分析與決策支持。自此，學者們匯聚了數據庫技術、數據統計學、人工智能以及管理信息系統等學科，致力于這一邊緣科學的蓬勃發展。到了二十一世紀初，數據挖掘技術已經滲入到了各個學科領域，并在企事業單位的生產經營過程中發揮了巨大作用。于2002年中，在加拿大舉行了第八屆關于數據挖掘與知識發現（KDD）的ACM.SIGKDD國際性大會，將數據挖掘與知識發現技術這一邊緣學科推向了新的研究進程。

美國電氣與電子工程師協會（IEEE）出版的會刊中從上世紀90年代開始多次出版關于KDD技術的專刊，專門對數據挖掘與知識發現技術進行專項研究。除此之外，其他領域的專業技術學會也出版了專刊，計算機網絡與信息工程技術方面紛紛展開了對數據挖掘技術的探討，KDD技術的發展受到了越來越多領域學者的重視，如在《半月刊》中發表了關于KDD的諸多研究成果。時至今日，美國人工智能協會關于數據挖掘與知識發現技術方面的國際性研討會已經舉辦了數十次，涉及范圍越來越廣。有關KDD技術的學術成果越來越多，研究領域也逐漸擴大，逐漸由原來的方法發現擴大到了系統應用，從而擴大到了大規模的綜合系統的應用與開發。于此同時，學術界還注重了對多種技術的集成，以及交叉學科之間的相互滲透。在實踐方面，諸多數據挖掘軟件在國際范圍內得到了廣泛的應用，早在二十一世紀初期，美國IBM公司就研發了智能開礦工（IntelligentMiner）軟件，而美國硅圖公司則開發了SPSS軟件（統計產品與服務解決方案）。當前，KDD技術已經成為了數據庫與信息應用方面最前沿的研究領域，KDD技術已然成為世界計算機領域最大的研究熱點。

相對來說，國內關于數據挖掘技術的研究起步較晚，且研究的進程相對緩慢。直到上世紀就是九十年代中期，才逐漸引入數據挖掘技術。在研究的進程中，《計算機學報》與《軟件學報》紛紛刊載了一些該領域的研究成果，這些研究成果多借鑒于國外先進的學術成果，其重點也是從發現方法到系統的應用問題，但在實踐方面的研究十分匱乏。國家自然科學基金首次出資支持KDD研究項目是在1993年，經過幾年到二十一世紀初才形成KDD研究的基本框架，自此以后研究的重點逐漸側重于如何將知識發現與數據挖掘技術應用到企事業單位生產經營當中。當今，清華大學、華中科技大學以及華中理工大學等高等院校及科研單位正致力于數據挖掘技術理論及其應用的研究。而復旦大學與吉林大學則對關聯規則挖掘算法的優化進行了大量的研究；而北京大學對數據立方體代數領域的探索成為推動數據挖掘技術發展的重要推動力。

于此同時，隨著數據挖掘技術理論研究的發展，國內學者開始了對數據挖掘技術應用方面的探討，尤其是金融與商品營銷領域。隨著數據挖掘技術的發展，其應用范圍越來越廣泛，既包括了證券銀行等金融行業，又包括了制造業和批發零售業，KDD技術的應用已經滲透到人們生活中的方方面面，成為了基金與企業投資的熱點。學者們普遍認為數據挖掘技術擁有者廣闊的應用空間和無限的發展潛力。但縱觀已有的研究成果來看，眾多學者的研究重點仍是理論方面，在實踐方面的研究成果匱乏。與此同時，已有的數據挖掘方面應用的研究多是金融行業或生產零售業等商業領域，鮮有對高校等事業單位方面應用的研究。當前對數據挖掘領域的研究涉及到高校資產的研究更是鳳毛麟角。有關于高校資產管理的研究多側重于資產采購環節，而利用數據挖掘技術設計高校資產管理系統方面的研究才剛剛起步，其研究的深度與廣度十分有限。如何提高日趨龐雜的高校資產管理的效率，是數據挖掘技術應用方面的一個新的課題。本文旨在引入數據挖掘技術與知識發現對高校資產的需求與使用情況，以及資產的損耗情況進行深層的剖析，以提高高校資產管理的效率。

二、高校資產管理的現狀和問題分析

隨著高校擴招擴建，其辦學規模得到了跨越式的擴大，其國有資產得到了突飛猛進增長，但隨之而來的是高校資產管理問題的凸顯：高校不同部門間資產雷同，且長期擱置，資產利用率低下；資產購置價格過高，使用期限短，性價比低下；資產浪費嚴重。高校長期的教學管理過程中，積累了大量的設備、儀器以及耗材等賬目問題，形成了龐雜的歷史數據記錄。高校資產管理人員無法理清各種資產賬目，資產購置、報廢、外借等無法得到有效及時的動態化管理，數據源混亂。具體來說高校資產管理的問題體現在以下四個方面：

（1）現有的資產管理系統相對落后，無法滿足日益龐雜的資產賬目問題。

當前，高校擴招擴建嚴重，國有資產規模日益擴張，形成了龐雜的歷史數據記錄，而高校采用的資產管理系統多為簡單化辦公軟件，在處置資產時多采取的是簡單的計算機信息錄入功能，對于資產流轉無法進行動態化管理。高校資產管理人員在進行資產數據處理過程中，僅以數據統計為主，缺乏自動化管理和數據分析功能，無法為決策提供有力支撐。

（2）資產管理體制不完善，缺乏合理有效的分工制度。

高校是特殊的事業單位，其經費多由國家或省級財政予以撥款，受到計劃經濟體制的影響，且官僚風氣嚴重，多年來資產管理體制混亂，管理人員權責分配不對等，造成高校資產賬目不清，統計數據存在偏差，資產流失嚴重。很多高校資產管理體制不健全，政策模糊、分工混亂，教學設備流轉混亂，責任落實不到位，出現資產重復采購與提前報廢等現象。分工不明，權責不清，資產責任人與使用人分離，約束不足，長此以往造成高校賬目混亂、資產流失嚴重。

（3）資產管理缺乏規劃。

在資產的流轉過程中需要進行預先規劃，而在高校的資產管理過程中，管理者僅憑經驗進行采買與使用，缺乏理性分析和事前規劃。在進行圖書、儀器設備的采購前資產管理人員收集到各部門上報的數據后僅進行簡單的統計就憑經驗進行購買。缺乏理性的判斷和合理的規劃，往往造成了相同資產的重復購買和資源的浪費。而在集體采購過程中，管理者根據個人利益與經驗選擇供應商，事前并不對供應商提供的產品性價比進行綜合性分析比較。這種采購方式形成了主觀臆斷的決策，隨意性強，給高校資源造成極大浪費。而在購置后的使用管理過程中，缺乏合力有效的規劃，資產使用與報廢僅憑經驗處置，缺乏長期性規劃，造成高校資產大量流失。

（4）信息傳遞存在障礙。

信息的順暢傳遞是高校資產高效率使用的保障。而就當前高校資產管理的形勢來看，僅有管理部門才擁有高校資產的全部信息，而各部門之間的信息是閉塞的。每個部門僅擁有本單位資產的信息情況，而部門之間信息與資源不能共享，造成資源的重復購買與閑置。與此同時，不僅部門之間的信息傳遞存在障礙，管理部門與各資產使用部門之間的信息傳遞也存在障礙，為保障高校資產的完備性，管理者要在每年進行清查工作，但在資產盤點過程中，資產管理處僅為各使用單位提供賬目清單，各單位根據清單進行實物盤點，然后管理處再根據賬實情況對設備保管情況進行調整。這種資產盤點方法的信息傳遞效率低下，無法滿足當前高校日益龐雜的資產賬目管理的需要。

綜上所述，高校資產存在著重復購買與資產流失的問題，亟待科學化與準確化管理。隨著高校建校規模的擴大，積累了龐雜的資產，若仍像過去那樣無紀律、無規劃地進行管理，必然會造成高校資產管理效率的低下。而解決當前問題之關鍵在于充分利用購置資產過去與現在的數據，利用計算機技術與數據挖掘技術，構建高校資產管理信息化系統，運用自動化辦公系統從海量數據中挖掘出各部門資產需求度與資產采購匹配度，并深度分析資產購置價格、使用期限與頻率之間的動態關聯關系，挖掘出蘊藏在高校資產內部的發展趨勢與規律，從而提高高校資產使用率，降低資產購置經費，為高校資產管理提供決策支持。

三、利用數據挖掘技術設計高校資產管理系統

當前，數據挖掘方法主要有關聯分析、聚類分析、分類以及時序模式等，綜合上述方法能夠合理有效地構建高校資產管理系統，能夠挖掘出蘊藏在海量的數據源中有價值的信息，從而提高高校資產管理效率。

1.以資產為中心的設計主題

在設計高校資產管理系統的過程中，首先要確定系統中最有價值的決策主題域以及各個主題域的維度。根據對高校資產管理系統的需求分析，明確了數據庫系統的主題域包含資產、部門（即系統用戶）以及資金這三個主題域。而這三個主題域之間關系是，資產是管理系統主體設計之核心，通過對這一主題域數據分析，能夠獲得相應的主題域分析結果，從而為決策支持提供信息庫。而部門與資金這兩個主題域在系統管理過程中起輔助作用，反映一些需要關注的備用信息。具體來說利用數據挖掘技術設計的資產管理系統擁有以下三個主題域：

（1）資產主題，即用來分析各單位的資產運行情況。

各部門的資產數據信息均會錄入到資產管理系統中，資產主體會通過對各單位過去與當前的資產運行情況數據進行分析，獲取資產更新或升級數據，從而對資產進行全面管理與調配。該數據域不僅錄入過去與當前資產信息，還需囊括各部門下一年度的資產購置與更新的財務預算，以為決策者提供完備的信息庫。

（2）部門主題，即對高校各部門（系統用戶）狀況的分析。

不同部門之間的職能不同，使得其購置的資產性質存在一定的差異性。而不同部門之間的工作內容又存在一定的關聯性，為避免資產的重復購置有必要了解不同部門之間的關聯關系，從而促進部門間資源共享。而部門主題域的設計用途是容納各部門性質與工作職能等數據信息，從而根據不同部門的特點制定資產管理與購置計劃，以在制定下一年度的財務預算時有所側重。與此同時，還可利用關聯規則挖掘各部門之間的內在聯系，從而避免資產的重復購置。

（3）資金主題，即是對各部門與各資產的資金運作狀況的分析，包括整體資金情況以及各部門資產管理資金配置情況。

資金域中錄入的是已購置資產資金花銷及來源，資產管理過程中的折舊、升級投入經費情況。不僅如此，這一主題還要涵蓋資金分配規劃和預處理數據信息。

通常，高校資產管理系統中都要涵蓋以上三個基本主題域。但在實踐中，有時為了簡單化將三個主題域進行合并，即在資產主題域內對部門與資金主題進行考慮，但在數據庫設計過程中需要通過增加維度的途徑來達到相同之效果。

2.以決策支持與數據挖掘為目標的二級粒度設計

高校資產管理系統設計之目標在于對資產數據的有效挖掘，并為管理者提供決策支持。高校資產管理者為對資產管理系統提出各種要求，而高校資產數據會隨著高校規模的擴大而無限增加，自然分化出常調動數據與沉淀數據，在存儲上有必要進行區分，即將沉淀數據存儲在備用存儲器中，并清楚報廢多年資產的數據，這就要求粒度級別劃分的精準性。經過對各大高校資產管理情況進行反復分析與合理推測，筆者認為可將高校管理系統數據庫設計為二級粒度，即詳細數據與綜合數據。前者是指每天的資產數據，后者則分為輕度綜合數據（每部門數據、每月數據或每大類資產數據）與高度綜合數據 （每年數據或綜合大類資產數據）。詳細數據冗雜，不宜長期在管理系統中保存；可定期整理生成綜合數據并進行轉存、清理，而綜合數據量較小，數據關聯性強，可在數據庫中長期保存，并利用其定期生產資產數據報表。

3.資產管理系統邏輯模型設計

資產管理系統邏輯模型由事實表與維度表，前者是模型的核心部分。事實表包括鍵與詳細指標兩項，在模型中通過事實表的鍵將維度表組織連接起來，以為系統用戶提供查詢功能。事實表用來對設計的主題域多個角度進行描述，而維度表從不同角度對設計的主題域數據進行描述。通過對高校資產管理情況的深度分析，本文認為高校資產管理系統適用于雪花模型，據此設計出資產管理系統邏輯模型。其中“資產數據事實表”和后面的“部門表”、“資產編碼表”、“資產分級表”以及“時間表”4個主維度表關聯，而“部門表”、“資產編碼表”以及“資產分級表”則分別具有“上級部門表”、“資產類別表”以及“資產指標表”3個2級的維度表。這種多層級的維度表降低了資產數據冗余度，節省了資產管理系統的儲備空間，提高了系統數據挖掘粒度的靈活性。

模型設計后需要對管理系統進行數據裝載（ETL），首先要對資產的源數據進行簡單抽取，然后依據預先設定的邏輯模型對源數據進行轉換并進行數據倉庫的存儲。

4.資產數據歸約與取值

對數據的屬性進行歸約，能夠使挖掘的數據規則更加簡單化，本質來說大戶也是對數據庫施加的約束，能夠縮減生成候選集的數量，從而能夠快速發現數據關聯規則。教育部規定，高校資產分為16個大類，既包括房屋等地產又包括了圖書與器具等教學設備，對其進行管理是十分復雜的工程。為此本文在實際應用中可以確定四個管理指標，即資產購置價格（A）、資產剩余使用年限（B）、資產年使用率（C）以及資產質量評估（D）。

對上述確定的資產管理指標進行統一的分級，即1～5級，分別用1～5表示實現指標數據取值的分類轉換。

（1）根據購置價格、購置時間與當前市場行情等因素對資產進行評級。

（2）根據折舊情況與使用年限進行評級，在折舊與使用年限的確定上應根據會計與稅務上的規定進行計算，得出資產的剩余使用年限率，并根據資產屬性與具體使用情況進行相應調整。將資產使用年限分為五個區間，并根據資產的剩余使用年限率=（稅務規定資產使用年限-已使用年限）/稅務規定資產使用年限公式，計算出分區化的資產剩余使用年限的區間值。通過對高校資產情況的深度分析，將其區間值定為（1，0.8］、（0.8，0.6］、（0.6，0.4］、（0.4，0.2］以及（0.2，0］，其分別對應著1～5各級別。

（3）依據資產使用率確定資產級別取值。資產使用率源數據來自于資產管理者定期的核查與記錄，并據此做出評價，使用率越低則級別越接近1級，即使用期限越長，反之則越接近5級。

（4）根據資產定期的質量檢查與評估。

綜上，高校資產歸約與取值的描述為：（資產編號，購置價格、剩余使用年限率、使用頻率、質量評估值）。如編號414011的資產其購置價格是3級，剩余使用年限率是2級，使用頻率是2級，而質量評估值為1級，則在數據庫中為（414011，A3，B2，C2，D1）。

5.數據挖掘過程

上述通過對高校資產管理系統的設計，獲得高校資產的數據庫的具體構建，下面將分析如何對源數據進行整理與特征化轉換。本文認為通過Apriori算法能夠實現對資產數據庫關聯規則的數據挖掘。而利用高校資產的數據庫多指標之間的關聯規則就可以實現對高校資產的數據庫進行多變量數據集合進行數據挖掘。

（1）在高校資產管理的指標設定下，將高校資產質量評估值作為規則目標，利用Apriori算法的生成頻繁數據項集。頻繁數據項集中可以確地各個高校資產資產管理系統中變量的信任度和支持度。

（2）通過分析高校資產質量指標數據集合之間的關聯性規則，計算出滿足最小信任度的相應規則。

（3）挖掘數據間的關聯性，即計算出滿足最小信任度的規則。

四、資產管理系統決策支持模塊的實現

可想而知，利用數據挖掘技術設計高校資產管理系統的目的，在于為資產管理者提供決策支持。而通過管理系統挖掘出的數據越精準，得到的資產的動態數據越有意義，其關聯規則對輔助管理者進行決策越具有價值。而通過上述方法設計的管理系統收集的數據十分龐雜，若直接進行數據挖掘其效率與實際價值定會十分低下，信息可信度會大大降低。這樣，保證資產管理系統決策支持模塊的實現，是利用數據挖掘技術提高我國高校資產管理的效率的關鍵。資產管理系統決策支持模塊是面向業務主管或更高級別管理人員而設定的，通過對高校資產管理系統收集而來的數據進行更深層次的挖掘分析而來，以為管理者提供決策支持。資產管理系統決策支持模塊的實現是高校資產數據庫建立的重要目標，依賴于資產管理系統，但又與其完全分開，即是高校資產管理系統的有益補充，彌補其系統功能之不足。

1.決策支持模塊中的數據挖掘過程

決策支持系統的數據挖掘有別于資產管理系統，具體來說包括了管理問題定義、數據準備與轉換、數據挖掘、結果分析以及知識運用等五個過程。

（1）管理問題定義，即數據挖掘的目標，即定義出資產管理過程中需要解決的業務問題。

（2）數據準備與轉換，是指根據確定的目標，在上述設定的資產管理系統中提取出特定數據集，并對這些數據集進行預先加工和處理，剔除數據缺值與冗余，并修正其存在的錯誤，從而完成數據的準備工作。

（3）接下來進行的是決策模塊的數據挖掘，即根據上述收集加工的特定數據集的功能與特點，利用相應的數據算法建立分析模型，從而實現對經過轉換的數據的挖掘工作。

（4）經過數據挖掘后，要對挖掘的數據進行結果分析，所謂的結果分析及對挖掘的數據進行系統分析、解釋與評價，并運用文字或圖表的方式將數據蘊含的動態關聯規則進行轉換與闡釋，以被用戶所理解與采納。

（5）最后一步是知識運用，即將通過上述數據挖掘過程獲得的知識集成到決策系統的知識庫當中，構成決策備用信息庫為管理者提供決策支持。

2.決策支持模塊中數據挖掘的分類應用

決策支持系統是為高校資產管理提供決策支持的系統，具體來說包括了設備采購、資產配置、維修管理以及報廢決策四個方面的決策實現過程。資產管理不同環節的決策依據不同，要根據管理特點選擇合適的算法對數據進行有效的挖掘，為管理者提供科學有效的決策依據，是資產管理系統決策支持模塊的實現的關鍵：

（1）資產采購環節的決策支持，采購決策的合理與否關乎后續的維護成本與資產使用效率。在這一環節，要挖掘資產管理系統中已有的海量歷史采購數據，與此同時結合當前市場情況，對預采購資產進行技術經濟分析與性價比分析，并配合調研選型。在數據挖掘過程中適當采用聚類分析與關系分析相結合的方法，對市場上不同供應商提供的產品進行差異性分析，根據大數據中提供的平均使用壽命與維修頻率的綜合性評價選擇性價比較高的產品進行采購。于此同時，在采購過程中適當使用預測模式，對預購置資產價格進行初步概算，以對部門資產采購資金進行有效控制。

（2）資產配置環節的決策支持。購置后的資產要在各部門之間進行分配，資產的合理配置是提高高校資產管理效率的基礎。資產配置的不合理會造成資產的重復購置以及資源的極大浪費。無論是購置資產的初次配置，還是特定資產的二次處理均需要數據挖掘技術為管理者的決策提供信息支持。可采用聚類分析法，以各單位性質為依據，將其分派成不同組別，從而決策分析者根據聚類分析之結果，探索各組別間差異性，并通過建立決策樹，來確定預配置資產分配方案。

（3）維修管理環節的決策支持。資產配置后的維修管理對提高資產使用效率至關重要，而“以養代修”是資產保管的重要方法。但何時養護，怎樣養護卻不能僅憑經驗進行判斷，在這方面可以利用數據挖掘技術中的時序模式與預測分析方法，對類似資產的使用情況與維修記錄的數據進行挖掘與提煉，并結合該項資產的維修記錄與具體情況，得出判斷信息，從而對資產進行科學維修管理，以保證資產使用性能的充分發揮，提高資產利用率。與此同時，還可以采用預測分析法，促進資產維護經費預算與分配的科學合理化。

（4）報廢更新環節的決策支持。資產的報廢更新源自于兩個方面：一方面是資產性能的下降，已經達到預期使用壽命；另一方面是由于高校教學與科研內容的革新所觸發的，對資產性能方面提出了新的技術要求。要采用數據挖掘技術的關聯規則分析資產關系，對資產進行動態化管理，通過對已有數據的挖掘及時剔除壽命降至的資產。而對于資產性能無法滿足高校教學與科研革新需要的資產，要采用數據挖掘技術制定多種方案進行計算決策，依據技術上先進、經濟上合理的資產管理原則，確定對原有資產進行改造升級，還是予以報廢更新。

五、結束語

高校資產信息化處理系統在運行過程中會收集大量數據信息，而在實際操作中系統管理員僅具有簡單的統計評估與分析功能，而隱藏在數據背后的價值卻不能進行深度挖掘與應用。利用數據挖掘技術設計高校資產管理系統是很好的應用趨勢，能夠為高校資產管理者提供有效的決策支持。但數據挖掘具體工作的開展需要從事資產管理和系統設計人員充分的準備，以及對案例與算法的實際把握與分析能力。在資產管理系統的實際應用過程中，要注重歸納與總結，不斷改進完善數據挖掘算法，找出數據背后蘊藏的關聯規則，以便挖掘結果更科學化，為管理者與決策者提供便于理解的信息庫，適應當前高校資產管理與決策的需要。

［1］袁雋媛.高校資產數據挖掘的研究與實現［D］.湖南：湖南大學，2012.

［2］金豆.數據挖掘技術在資產管理系統中的應用［D］.吉林：長春理工大學，2010.

［3］江敏，徐艷.數據挖掘技術在高校教學管理中的應用［J］.電腦知識與技術，2012（24）：5741-5745，5760.

［4］劉治良，張庾.數據挖掘在設備管理中的應用探究［J］.電腦知識與技術，2014（33）：7836-7837.

［5］陳永峰.大數據背景下數據挖掘在高校固定資產統計中的應用研究［J］.河北軟件職業技術學院學報，2015 （2）：6-9.

［6］袁雋媛.數據挖掘在高校資產管理中的應用［J］.中國管理信息化，2011（5）：26-28.

［7］陸蒼海，吳漢強.基于數據挖掘的高校信息管理系統研究［J］.長沙通信職業技術學院學報，2013（1）：16-18.

［8］Han J，Kambr M.Datam ining：conceptsand techniques［M］.Beijing：Beijing Higher Education Press，2001：121-124.

（編輯：楊馥紅）

G647

A

1673-8454（2016）09-0041-06

吉林大學廉政建設專項研究課題（項目編號：20153121）。