基于關聯規則的企業財務風險評價研究

林穎華+陳長鳳

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

【關鍵詞】 關聯規則； 數據挖掘； 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發展，也正是如此，理論界始終關注企業財務風險或預警指標的選擇和整體模型的構建，其相關理論研究成果也為企業的持續、健康運營產生了積極影響，但不可否認，傳統統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展，數字時代的到來一改傳統的假設分析方法，更強調大規模數據分析中規律的呈現，這對于企業財務風險評價而言也帶來了一種全新的方法，即在充分運用數據挖掘技術的基礎上，結合企業發展的動態性，建立更具實效性和實踐性的企業財務風險分析和危機預警模型，以確保企業管理者可以及時發現運用過程中存在的潛在風險因素，并采取積極的應對措施?；诖?，本文擬在充分分析企業財務風險現狀的基礎上，以關聯規則交互挖掘算法為基本方法、以企業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則），從而發現真正引致企業財務風險的根源之所在。

一、關聯規則的數據挖掘內涵及運用

數據挖掘，也稱為知識發現，即在海量數據中探索隱藏于其中的規律、規則的過程[2]。從其發展過程來看，它最初的思想萌芽于統計學，且發展也以統計學為基礎，在計算機、信息技術實現飛速發展后，實現了統計學與數據庫技術、人工智能技術等理論和技術的融合，最終實現了數據挖掘?？梢?，這一知識發現過程的實現有著兩個充分條件：一是高性能計算技術，這是實現數據分析的必備技術手段；二是海量數據搜集，這是探索基本規律的必要資料基礎。從數據挖掘的使用來看，數據挖掘技術的使用最初始于計算機領域，以IBM為代表的企業率先將其運用于自身的相關產品研發，如IBM Intelligent Miner[3]；國內則主要關注于數據挖掘的算法研究，這就導致研究主體以高校和相關科研機構為主，其在實踐方面的運用尚不普遍。從20世紀90年代數據挖掘技術出現至今，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的進展，總體來看，在所有數據挖掘方法中以關聯規則的挖掘運用最為廣泛。因此，本文也將主要以關聯規則數據挖掘方法為基礎，將其與企業財務風險分析相結合。關聯規則的數據挖掘方法如下：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，即在對數據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據庫的掃描，而是數據集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算法對數據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重新保存數據集，這樣就避免了對數據庫的頻繁掃描，且有效縮減了每一條數據傳導路徑中節點的頻繁程度，既強化了數據結構的緊湊度，又為后續生成算法中對FP-Tree的快捷拆分提供了方法保障。

基關聯規則的交互挖掘則是以數據挖掘為基礎，專門用于解決最小支持度和置信度閾值未知情況下的數據挖掘問題，其最大的特點就在于需要通過實驗和調整來探知最小支持度和置信度閾值，最終實現對數據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規則的高效運用，從而達到控制候選集規模的目的，這樣可以最終實現對數據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，對于真正有效關聯規則挖掘目的的實現則主要依賴于最小支持度和最小置信度閾值的實驗和調整，若數據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規則更新，此時可利用已存在的頻繁項集實現對新的頻繁項集的開發，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現關聯規則使用效率的提升進而實現對算法效率的改善，其主要改善路徑則是控制頻繁模式樹的重復構建率和減少數據庫的重復掃描次數。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，伴隨關聯數據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，已經被逐漸應用于零售、金融、電子商務等領域特定產品的研發中。以美國銀行為例，其目前對數據倉庫和數據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建中，實現了管理效率的有效提升。

二、基于關聯規則交互挖掘的企業財務風險分析指標體系構建

傳統財務風險指標體系的構建均建立于評價者或管理者對企業財務風險的自我認知和判別基礎上，具有極大的主觀性，但基于數據挖掘的財務指標選擇更強調指標間的相關性，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]：

一是對企業營運能力的綜合反映，該類指標需要充分反映企業資產的周轉狀況，進而實現對企業生產、銷售等環節效率的準確判斷，若經營狀況良好則資產運轉情況良好，收入也越高。常選用的指標包括針對流動性資產周轉狀況評價的流動資產周轉率、應收賬款周轉率和存貨周轉率，以及針對固定資產周轉狀況評價的固定資產周轉率和總資產周轉率。

二是對企業盈利能力的評價，該類指標主要與企業長期盈利能力相關，雖然企業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，只有持續的長期盈利能力才能確保企業具備有效風險對抗能力。常選用的指標主要包括毛利率、營業利潤率、凈利潤率、凈資產收益率和每股收益指標。這些指標均與企業總利潤間呈正相關關系，即企業盈利能力增強，風險的應對能力隨之上升。

三是對于企業未來成長潛能的評價，該類指標主要是通過對企業一定時期內經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、發展狀況為評價基礎。常選擇的評價指標包括總資產增長率、凈資產增長率、凈利潤增長率、每股收益增長率和主營業務收入增長率。這些指標可以在一定程度上反映企業的資本規模擴張速度、負債規模的擴展速度以及經營規模的擴張速度等，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；對于企業而言，短期償債能力與未來融資規模、融資成本息息相關，常選擇的指標主要是企業的流動比率和速動比率；長期償債能力則直接關系企業自身的正常運營，若不能按時還本付息則會直接影響企業自身的可持續發展，常選擇的評價指標包括資產負債比率、股東權益比率和利息支付倍數三項。

五是對于企業現金流量狀況的評價，該類指標直接決定著企業管理決策的制定，且屬于動態類指標，應根據實時變化對相關指標進行分析。常選擇的評價指標包括經營現金凈流量對流動負債的比率、經營現金凈流量對凈利潤的比率以及經營現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收入、凈資產以及現金流的綜合考察，在選擇具體評價指標時增加營業收入、每股凈資產、每股現金流量等評價指標。

三、基于關聯規則交互挖掘的企業財務風險分析模型

（一）基于風險視角的層次樹構建

企業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，即能否準確構建風險概念層次樹。從上述財務風險評價指標體系的構建可以明確其對于企業風險的評價是多方面的，既有針對經營狀況的盈利、營運、成長方面的評價，也有專門針對企業債務規模、還債能力狀況的償債能力、現金流量方面的分析，這就必然涉及數據的泛化問題，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：企業財務風險（最高層）、企業財務風險評價的各個方面（第二層）、企業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律。

（二）支持度閾值的交互挖掘

現以盈利能力為例，假定凈利潤率和凈資產收益率為頻繁項集，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）數據挖掘與結果輸出

上述所構建的基于關聯規則交互挖掘的企業財務風險分析模型，應對模型的支持度和置信度閾值進行分別數值設定，進而實現對企業財務風險指標頻繁模式類型數目以及規則數目的挖掘，以此為基礎最終實現對財務指標間規律的探析，現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結構為數據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，這將有效提高了數據挖掘的效率[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據的頻繁項集；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據頻繁項集；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，對這些數據進行再篩選和再組合最終得到頻繁項集L，直到L為空時算法結束，此時將生產相應之尺度下的具體關聯規則。

其次，在性能測試上，為確保算法的高效性現專門對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境下，IUA算法的速度明顯高于HUIA，因此現只對支持度閾值遞減的情況進行專門測算?，F選擇上市公司中ST公司2007—2014年期間的相關財務指標數據，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則數目如圖3所示。

四、政策建議

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

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

二是在企業盈利能力管理方面，應主要關注每股收益與凈資產收益率，這兩個指標也是外在投資者最為關注的指標，它們直接與企業的利潤回報率相聯系，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收益率也越高。

三是在企業成長能力評價方面，應著重關注凈利潤增長狀況和總資產增長速度，這主要是因為凈利潤增長率直接與企業經營績效相關，作為對企業未來成長潛力的評判，必然首先關注其經營績效的高低，企業經營效益越高則意味著成長潛力越大；而總資產增長速度則直接決定于企業一定時期內資產經營規模的擴張速度，資產經營規模擴張越快意味著潛在成長空間越大。

四是在企業現金流評價方面，應主要關注經營現金凈流量對銷售收入比和資產經營現金流量回報率，這兩個指標值的高低直接決定于企業持續經營的狀況，如呈現良性、健康循環則現金流必然隨之上升，反之亦反。

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

【參考文獻】

[1] 吳應宇，蔡秋萍，吳.基于神經網絡技術的企業財務危機預警研究[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. 數據挖掘概念與技術[M].北京： 機械工業出版社，2004.

[3] 劉英華，楊炳儒，馬楠，等.分布式隱私保護數據挖掘研究[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].計算機研究與發展，2010，47（2）：277-285.

[5] 戰立強，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規則挖掘[J].大連理工大學學報，2010，50（5）：806-810.