基于數據挖掘的財務信息管理系統風險識別

司橋林

(天津市眼科醫院， 天津 300020)

0 引言

隨著信息技術不斷發展，許多企業以及政府部門都建立了自身的財務信息管理系統，并通過網絡進行信息共享，因此當前存在大量、各種類型的財務信息管理系統[1]。在財務信息管理系統的實用過程中，其同其它信息系統一樣，不可避免地受到一些非法用戶的干擾和入侵，使財務信息管理系統面臨巨大風險[2-4]。由于財務信息管理系統保存著一些重要的信息，一旦出現安全問題，如信息泄露、被非法篡改，會給企業帶來不可估量的損失，因此財務信息管理系統風險識別一直是人們關注的焦點[5]。

由于財務信息管理系統風險識別的研究可以保證系統的安全，為管理人員提供有價值的信息，可以提早做出相應的防范措施，因此企業的一些財務信息管理人員以及一些有名的研究機構投入了大量的時間對財務信息管理系統風險識別問題進行了不懈的研究，并且取得了不錯的財務信息管理系統風險識別研究成果[6]。財務信息管理系統風險識別方法劃分為傳統技術和現代技術兩種，其中傳統技術方法中最具代表的為基于時間序列的財務信息管理系統風險識別方法，其將財務信息管理系統風險的變化過程看作是一個根據時間先后順序變化的系統，從歷史數據分析中揭示出財務信息管理系統風險變化的特點，但是其財務信息管理系統風險識別誤差極大，識別結果可信度低[7-9]；現代技術方法中最具代表性的方法為：基于灰色模型的財務信息管理系統風險識別方法、貝葉斯網絡的財務信息管理系統風險識別方法，它們的財務信息管理系統風險識別結果要優于時間序列分析法，但是它們的缺陷也十分明顯，如存在財務信息管理系統風險識別結果不穩定、建模時間過長、風險識別效率低等[10-12]。

近年來，隨著數據挖掘技術的不斷發展，BP神經網絡得到了長足的發展，為財務信息管理系統風險識別建模提供一種新的研究工具[13]，由于財務信息管理系統風險變化十分復雜，為了提高財務信息管理系統風險識別正確率，本文提出了數據挖掘的財務信息管理系統風險識別算法，該方法結合了灰色模型和BP神經網絡的優點，分別對財務信息管理系統風險變化特點進行挖掘，全面評價財務信息管理系統所處的風險等級，并與其它財務信息管理系統風險識別方法進行了對比測試，結果表明，本文方法是一種高正確率、速度快的財務信息管理系統風險識別方法，為解決復雜多變化的財務信息管理系統風險識別問題提供了一種新的研究思路。

1 數據挖掘的財務信息管理系統風險識別方法

1.1 灰色模型

GM(1,1)是灰色模型中最典型的一種，其一階微分為式(1)。

a(1)x(1)+a?x(1)=u

(1)

對式(1)進行白化微分處理得式(2)。

(2)

式中，a和u為參數。

采用LS算法計算a的值得式(3)。

(3)

1.2 BP神經網絡

BP神經網絡是一種非線性的數據挖掘方法，具有很好的擬合和逼近能力，第k個節點的輸入和輸出分別為x(k)=(x1(k),x2(k),…,xn(k))和yo=(yo1,yo2,…,yoq)，兩者之間的變化關系,如式(4)—式(6)。

net=x1ω1+x2ω2+…+xnωn

(4)

(5)

(6)

期望輸出為d(k)=(d1(k),d2(k),…,dq(k))，神經網絡的全局誤差計算為式(7)。

(7)

如果輸出誤差在實際要求的范圍內，那么BP神經網絡完成訓練，否則需要調整相應的參數，進行下一輪學習。

1.3 數據挖掘的財務信息管理系統風險識別原理

基于數據挖掘的財務信息管理系統風險識別原理為：首先收集財務信息管理系統風險的歷史值，采用專家系統對它們分別從設備風險、網絡風險、入侵風險、人員意識風險、技術風險等對企業財務信息管理風險的影響和危害方面進行打分，打分參考國內外相關企業的先進經驗，本文采用100分制形式，然后采用灰色模型和BP神經網絡對影響因素和財務信息管理系統風險之間的變化關系進行擬合，建立財務信息管理系統風險識別模型，得到各種財務信息管理系統風險識別結果，最后采用加權形式對灰色模型和BP神經網絡的識別結果進行組合，得到財務信息管理系統風險識別的最后結果，如圖1所示。

圖1 數據挖掘的財務信息管理系統風險識別原理

2 仿真測試

2.1 測試數據集合

為了分析數據挖掘的財務信息管理系統風險識別性能，選擇一個財務信息管理系統的風險樣本數據進行仿真測試，樣本數據如圖2所示。

圖2 仿真用到的實驗樣本數據集合

從圖2可以看出，該信息管理系統風險變化比較復雜，具有多種變化特點，如規律性、時變性、隨機性等。為了使數據挖掘的財務信息管理系統風險識別結果更具說服力，選擇傳統的財務信息管理系統風險識別作為測試對比測試，它們分別為：基于灰色模型的財務信息管理系統風險識別方法、基于貝葉斯網絡的財務信息管理系統風險識別方法，選擇財務信息管理系統風險識別正確率、拒識率以及財務信息管理系統風險識別建模時間作為評價指標。

2.2 訓練樣本和測試樣本的劃分

在財務信息管理系統風險識別的建模過程中，首先要進行訓練，因此訓練樣本的選擇十分關鍵，為了體現實驗結果的公平性，每一種方法均進行5次財務信息管理系統風險識別的仿真實驗，采用不同數量的訓練樣本對模型進行訓練，而測試樣本主要用于檢驗財務信息管理系統風險識別方法的泛化能力，每一次實驗的訓練樣本和測試樣本的劃分結果如表1所示。

表1 訓練和測試樣本的劃分結果

2.3 結果與分析

統計3種方法從財務信息管理系統識別訓練樣本中識別出的正確數量，與測試樣本數量比即可得到風險識別正確率，建模時間為財務信息管理系統識別訓練和測試時間，如圖3、圖4所示。

圖3 財務信息管理系統風險識別正確率對比

圖4 財務信息管理系統風險識別建模時間對比

對它們進行分析可以得到如下結論。

(1) 在所有的方法中，灰色模型的財務信息管理系統風險識別效果最低，這主要因為灰色模型方法是一種簡單的線性建模技術，不能全面描述系統風險變化規律，財務信息管理系統風險識別結果不理想。

(2) 基于貝葉斯網絡的財務信息管理系統風險識別效果要優于灰色模型的財務信息管理系統風險識別效果，減少了灰色模型的財務信息管理系統風險識別誤差，但是貝葉斯網絡同樣存在缺陷，如財務信息管理系統風險識別結果不穩定，可靠性差。

(3) 數據挖掘的財務信息管理系統風險識別效果要優于灰色模型和貝葉斯網絡，減少了財務信息管理系統風險識別誤差，大幅度降低了財務信息管理系統風險的拒識率，財務信息管理系統風險識別結果更加可靠，克服了傳統方法的不足，驗證了數據挖掘的財務信息管理系統風險識別方法的優越性。

(4) 數據挖掘的財務信息管理系統風險識別時間少于灰色模型和貝葉斯網絡，財務信息管理系統風險識別效率得到明顯的改善。

2.4 穩定性仿真分析

穩定性也是評價一個財務信息管理系統風險識別方法性能的重要評價指標，因此選擇100個財務信息管理系統進行風險識別，統計它們的財務信息管理系統風險識別正確率和拒識率，如圖5所示。

a 識別正確率

b 拒識率

從圖5可知，數據挖掘的財務信息管理系統風險識別正確率超過95%，財務信息管理系統風險拒識率控制在了10%以內，具有較好的穩定性，可以廣泛地應用于各種財務信息管理系統風險的識別中，具有較高的實際應用價值。

3 總結

財務信息管理系統風險識別研究具有十分重要的價值，成為當前財務領域研究的一個重大課題，傳統方法無法全面、科學描述財務信息管理系統風險的變化態勢，它們的識別結果十分明顯，無法保證財務信息管理系統的安全，為了獲得理想的財務信息管理系統風險識別效果，本文設計了基于數據挖掘的財務信息管理系統風險識別方法，與其他財務信息管理系統風險識別方法的對照結果表明，數據挖掘可以客觀跟蹤財務信息管理系統風險的變化態勢，建立了高正確率的財務信息管理系統風險識別模型，并縮短了財務信息管理系統風險識別時間，可以為財務信息管理人員提供有價值的參考信息。