引言
當人類步入21世紀時,企業的經濟管理環境發生了巨大的變化,管理會計研究的焦點從企業內部挖潛(成本、預算、控制)逐漸地轉移到對企業外部競爭環境的分析上,這一變化促使管理會計發展到戰略管理會計階段。戰略管理會計的形成即是以企業生存環境不確定性的增強為背景的,其特別關注企業外部環境的變化,注重對競爭對手的分析,強調非財務信息的利用。然而企業外部環境是變幻莫測的,其信息(包括財務和非財務的信息)數量龐大,信息結構(半結構化數據、多維數據)復雜,信息傳遞的知識多是隱含的,這些特點決定了應用原有的技術分析方法(如差量分析、比率分析等)無法實現戰略管理會計的思想,在實施戰略管理會計的過程中必然會遇到一些技術分析上的障礙。
數據挖掘是近年來信息爆炸推動下的新興產物,是從海量數據中提取有用知識的熱門技術,其具有集成化、自動化和智能化的特征,在信息的深入加工、充分利用方面具有獨到且強大的功能。數據挖掘恰恰適合于處理上述戰略管理會計的環境信息,善于對那種數據海量、模式未知、結構復雜、知識隱含的信息的獲得和利用,因此數據挖掘能夠解決戰略管理會計實施中的一些技術障礙問題,其必將成為戰略管理會計實施的有力技術支持。
一、數據挖掘及其實施流程
(一)數據挖掘的概念和功能
數據挖掘是一個面向應用的,能夠從大量的、不完全的、有噪聲的、模糊的、在隨機的實際應用數據中,提取隱含在其中的、人們事先不知道的,但又是潛在有用的信息或知識的技術,提取的知識表示為概念、規律、模式或規則。數據挖掘具有知識發現的功能:能夠發現廣義知識,并進行概念描述;能夠發現關聯知識,并進行關聯分析;能夠發現類知識,并進行分類或聚類;能夠發現預測型知識,并進行趨勢預測;能夠發現特異型知識,并進行偏差檢測。
(二)數據挖掘的實施流程
數據挖掘是一個反復的過程,通常包含以下幾個相互聯系的步驟:1.問題定義與主題分析;2.數據準備;3.建立模型;4.模型評估;5.結果表達與實施。
結合戰略管理會計的應用領域,其具體流程如圖1所示。
二、數據挖掘在AB公司的應用
本文以AB集團股份有限公司為應用背景進行實證研究,通過此實例探討企業實施數據挖掘的具體步驟及方法。
(一)主題確定
美國哈佛工商管理學院的邁克爾·波特教授認為企業最關心的應該是它所處行業中的競爭強度。戰略管理會計的主要特點之一是其超越了會計主體的限制,可以在與競爭對手對比的基礎上提供比較性的管理會計信息。在信息經濟的形態下,利用數據挖掘能夠將大量看似無關的數據關聯起來,發現其中的規則和知識,幫助企業判斷其競爭能力和強度。
AB公司是化工行業內的上市公司。上市十年來,公司規模不斷擴大。行業內日益激烈的競爭,使高層管理者更加關注公司在行業內的競爭地位,因此本次實證研究將數據挖掘的主題定義為對AB公司行業競爭能力的分析;挖掘任務確定為利用關聯規則算法挖掘各項財務指標與企業競爭能力的內在聯系,分析和研究財務指標與企業競爭能力之間的關聯關系。如果兩項或多項屬性之間存在關聯關系,利用關聯算法,其中一項的屬性值就可以依據其他屬性值進行預測。因此,可以依據關聯規則的挖掘結果,通過財務指標確定AB公司在其化工行業內的相對競爭地位,評價其競爭能力。
(二)算法原理及工具軟件選擇
1.關聯規則算法的原理。關聯規則是數據挖掘的一種主要形式,最早產生于發現超市交易數據庫中隱含的模式。關聯規則是尋找在同一事件中出現不同項的相關性。
關聯規則挖掘可形式化地定義為:設I={i1,i2,...,im}為項的集合(稱作項集),D為全體事件的集合,每個事件T有唯一的TID標識。若項集X?哿T時,稱T包含X。關聯規則的形式是X?圯Y,其中X?哿T,Y?哿T,且X∩Y=Φ,稱X為規則的前件,Y為規則的后件,規則的支持度和可信度是關聯規則的重要概念。
支持度Support(X?圯Y)=P(X∪Y)。
可信度Confidence(X?圯Y)=P(Y/X)。
在挖掘過程中,同時滿足最小支持度和最小可信度的規則稱作強規則。
期望可信度(Expected Confidence),是在全體事件集中,所關注的項集出現的概率,即P(Y)。
挖掘得到的規則未必都是有用的規則,有的可能是正確的,有的可能是錯誤的,還要通過規則的興趣度(Interestingness)來判斷規則的有效性、新穎性和可靠性。支持度和可信度是興趣度客觀度量的基本框架,應用最廣泛。支持度衡量了規則的重要性。支持度越高,說明規則越重要。可信度衡量了規則的準確度、真實度。如果一條規則可信度較低,那么這條規則沒有任何意義。當關聯規則的可信度很高,支持度卻很低時,說明這條規則實用的機會很小,因此也不重要。應用這兩個指標,可以過濾掉一些無趣的規則,但是仍然會產生一些對用戶而言不感興趣的規則。作用度Lift(X?圯Y)=P(Y/X)/P(Y)的引入,避免了強規則對用戶的誤導作用,它是規則的可信度與規則的期望可信度的比值,反映了前件對后件之間的關聯影響的強度。作用度等于1,說明前件對后件沒有影響,這條規則就失去了關聯的意義了。所以,作用度一般得大于1,說明前件的出現對后件的出現有促進作用,而且值越大說明前件對后件的影響程度越高。
對關聯規則的客觀度量,還可以有多個角度。比如正確率和覆蓋率。正確率越高說明規則越可靠。覆蓋率高說明規則應用頻率較高。
2.工具軟件的選擇。Magnum Opus是一個專門用來挖掘關聯規則的工具軟件,本研究將其3.0版本作為挖掘的工具。
(三)數據預處理
1.數據選取。由于AB公司是一家上市公司,為了使數據具有可比性,將研究范圍鎖定為化工行業內的上市公司,財務指標數據選自于海生證券的大福星行情分析系統。參考中國化工企業管理協會2009年中國化工企業500強名單,最終確定了80家(考慮了選取數據的特征覆蓋面問題)化工行業上市公司,將其2008年度的數據作為分析樣本。
2.數據清理。由于上市公司會計報表屬于強制性公開披露的內容,因此,數據質量較好,錯誤及缺失數據較少,數據清理工作在此也就意義不大。
3.數據歸約。上市公司財務指標比較繁多,并且很多指標彼此相關、信息重疊,因此,有必要從諸多的財務指標中篩選出具有代表性的典型指標,以降低維數。具體方法可結合定性判斷采用統計分析方法中的顯著性檢驗法(T檢驗)或正態分布檢驗,本研究借鑒了楊兵及劉洪等的研究成果,篩選出表1所列的10個變量。
4.數據變換。對于個別數值變量,需要將其數值進行變換,轉換為類別變量,變換方法較多,本研究選擇比較簡單的方法,即基于數值間的距離進行轉換,如,上市年限1-[0,4],2-[5,8],3-[9,12],4
-[13,16];競爭力水平評分也做類似的轉換,c-[0,49],e-[50,64],r-[65,79],a-[80,100]。
(四)實施挖掘及結果分析
經過預處理之后的數據,便可借助數據挖掘工具Magnum Opus來挖掘關聯規則。按照軟件讀入文件的格式,創建了變量名文件和數據文件,圖2是數據裝載后的挖掘界面。
首先,需要設定挖掘閾值來挖掘關聯規則。在一些實際測試中,針對一個特定的數據集,支持度0.02%的變動,使得規則的數量相差兩個數量級(以百倍變化)。因此支持度閾值的設定,對規則的數量影響很大。如果支持度取值過小,那么會產生大量無用的規則,不但影響執行效率、浪費系統資源,而且可能把目標埋沒;如果取值過大,則又有可能找不到規則,與知識失之交臂。為了找出支持度對規則數量的影響,應固定其他指標閾值,將最小可信度設為0,將作用度設為1,此時最小支持度的變化對規則數量的影響如圖3所示。圖3顯示了支持度的改變對規則數量產生的影響。由圖3可知,當最小支持度設為0.1時,對規則數量的影響是最大的,因此,本研究選擇了最小支持度為0.1。其他閾值也是通過多次調整進行挖掘來選擇,最終確定最小可信度為0.2,最小作用度為1.2。
圖4顯示了挖掘結果的輸出。
將競爭力水平變量設為后件,其他變量設為前件,經過多次不斷對閾值的修改,得出了較為理想的結果,表2列出了其中幾條規則。
各條規則說明了前件(各項財務指標的取值)發生時,企業在化工行業內競爭力水平為a(絕對競爭優勢)、r(相對競爭優勢)、e(無競爭優勢)、c(危機)的可能性。
根據挖掘得到的規則,通過計算AB公司2008年度的各項財務指標,初步確定該公司在化工行業內處于相對競爭優勢地位。
三、實證研究結論
利用數據挖掘工具找到了滿足條件的關聯規則,但工具本身不能判定關聯規則的實際意義,這需要根據企業的實際背景,依據豐富的業務經驗及在對數據充分理解的基礎上去判定關聯規則的價值,解釋規則的實際意義。在發現的關聯規則中,經常存在著可能有兩個主觀上認為沒有多大關系的項,但其關聯規則支持度和可信度卻很高,在這種情況下,就需要根據業務知識、經驗,從各個角度去判斷這是一個偶然現象還是有其內在的合理性;反之,可能有主觀上認為關系密切的項,結果卻顯示它們之間的相關性不強。所以,挖掘規則只是第一步,更關鍵的是要理解規則。只有很好地理解關聯規則,才能取其精華,去其糟粕,充分發揮關聯規則的作用。
通過對這些財務數據進行挖掘,得到了一些有用的關聯規則。這些規則可以為企業的管理實踐提供一個依據。企業在實踐中,可以參照挖掘出來的這些規則。但挖掘出來的關聯規則能否真正有用,必須在實踐中應用并經受實踐的檢驗,所以需要對這些規則繼續進行研究,結合企業具體情況進行綜合分析,這樣才能使這些規則成為真正有用的知識。
數據分析和挖掘已經變得越來越重要。通過關聯規則的挖掘,找出隱含的對企業有用的知識,指導企業實踐,從而有效地提升企業決策質量,使企業獲得重要的競爭優勢。
數據挖掘是一個互動循環的過程,數據挖掘并非生長在真空中,在應用實施的過程中需要應用領域人員不斷進行專業指導,從而避免挖掘技術偏離應用領域。另外,不能只關注數據挖掘的最終結果,數據挖掘過程中生成的信息同樣重要,在挖掘過程中不斷加深對數據的了解和認識,發現未知的信息和趨勢,這也是數據挖掘的意義所在。
【主要參考文獻】
[1] 余緒纓.現代管理會計新發展的主要特點[J].財會通訊,2004(3):28-29.
[2] R.格羅思.數據挖掘——構筑企業競爭優勢[M].西安交通大學出版社,2001(7).
[3] 華廣穎.數據挖掘在企業運作策略中的應用研究[D].天津大學碩士論文,2004(16).
[4] 孫茂竹,文光偉,楊萬貴.管理會計學(第四版)[M].北京:中國人民大學出版社,2006:436.
[5] 楊兵.基于非財務指標及數據挖掘方法的財務危機預測研究[D].華南熱帶農業大學碩士學位論文,2005:34-40.
[6] 劉洪,何光軍.基于人工神經網絡方法的上市公司經營失敗預警研究[J].會計研究,2004(2):42-46.
