数据挖掘在会计中的应用研究综述

陈斯颖

关键词：数据挖掘;财务会计;管理会计;审计

一、引言

随着互联网、云计算、大数据、虚拟现实、区块链和人工智能等技术的逐步成熟和应用，数据挖掘技术应运而生。数据挖掘指是从大型数据库或数据仓库中提取隐含的、先前未知的、非平凡的，以及有潜在应用价值信息的过程（吉根林，2000）。它也被称为从大量数据中提取和挖掘知识的过程（Han，2006），以优化学科中的决策。所以，数据挖掘的重点是充分利用组织中的海量数据资产来获取财务和非财务的利益。这一技术已经广泛的应用在了金融业、零售业和保险业等各个领域（黄解军，2003），更是被各大会计专业机构所重视。

会计作为企业的基石，它的涉及范围很广，包括内外部财务报告、成本计算、盈余管理和审计等，而这些内容都有着极大的不确定性、复杂性和风险性。会计界关于人工智能的新闻近年来频频发布，2017年3月10日，德勤与Kira Systems宣布合作，在会计、审计、税务工作中引入人工智能;毕马威也宣布引入IBM watson认知技术（王加灿，2017），使用数据挖掘来降低会计活动中的复杂性和识别风险已成为财务智能化的重要标志。目前，有关于数据挖掘在会计中应用的研究已经大量发表，但尚缺乏对现有文献的系统回顾。鉴于此，本文试图在梳理相关文献的基础上，以会计的两大分支：财务会计、管理会计为切入角度，首先从财务绩效评价和财务危机预警来阐述财务会计中的数据挖掘，接着描述数据挖掘在管理会计的三个重要领域：成本管理和预算管理中的应用进行说明，最后分析现有研究的不足，以期为后续研究提供参考。

二、财务会计中的数据挖掘

企业财务绩效评价与财务危机预警的实现都需要对企业的财务报表及其相关资料进行分析（王媛媛，2012）。然而两者主体、目的的不同决定了两者在分析内容上的不同，进而决定了数据挖掘的应用也不同。

（一）财务绩效评价

Callen等人于1996年建立了一个神经网络模型来预测季度会计收益，这是数据挖掘在财务会计这一领域最早的应用之一。这项工作将神经网络与线性时间序列预测模型进行了对比，得出的结论是：采用线性时间序列模型预测季度盈利比人工神经网络模型更加准确。但在这项早期工作之后的研究报告中，大多数的结论却与此相反，也许是因为Callen等人（1996）实验的神经网络模型缺乏详细的说明，所以后人在进行实验时很难完全复制。Back等人（2001）使用自组织映射算法来分别将从数字信息中与从年度报告文本信息中提取的公司绩效进行比较，但这种比较主要是着眼于未来。董斌（2008）利用BP神经网络可以从之前的数据样本中自动学习经验且能够逼真的刻画各種函数，在对21家汽车企业数据样本构建的拟模型进行训练和测试之后，建立了一个完整的 BP 神经网络模型。并将此模型用于评价上市公司财务绩效，实证证明了BP神经网络模型能够用于有效的评价企业财务绩效。

（二）财务危机预警

Fitzpatrick（1932）以19家公司为样本，通过单变量判定模型发现了净利润股东权益和股东权益负债最能有效判别财务危机。但是一个企业的财务状况很难由一个财务比率指标反映出来。后来Altman（1968）将多变量判别法引入财务危机预警研究领域，通过选取企业的多个财务比率指标，使用估计出的错判率最小的判别系数来建立函数，并利用该函数求出总判别分值来预测企业的财务危机。

随着数据挖掘技术的日渐成熟，Odom和Sharda（1990）以65家企业为样本，构建了神经网络预警模型。通过与多元判别方法进行比较，发现采用神经网络的方法来预测企业危机要比传统的多元判别方法更加准确。郑柏诩（2001）通过遗传规划和分类回归树来建立财务预警模型，采用企业的财务指标和智慧资本指标分别进行建模。

三、管理会计中的数据挖掘

管理会计的应用主要集中在成本管理和预算管理等领域。

（一）成本管理

在成本预测方面，许多作者都将数据挖掘应用于产品成本计算，即用于预测产品单位成本（Chang，2012）、估计产品生命周期成本（Seo，2002;Yeh和Deng，2012）、估计项目设计成本（Deng和Yeh，2010）和估计产品制造成本（Deng和Yeh，2011）。这些研究都是利用混合数据挖掘建模技术来进行实验、得出结论。但这些研究仅局限于单个行业、公司或产品，因此很难被认为具有广泛的适用性。陈一飞（2003）提出了使用关联规则算法来挖掘产品成本的相互影响规则，并利用神经网络方法来对时间序列的成本数据，进行成本组成因素的趋势预测分析。

（二）预算管理

Warren、Moffitt和Byrnes（2015）指出在管理会计方面，大数据将促进管理控制系统的效率提升和预算编制过程的发展演变。张露（2008）阐述了某卷烟厂商业智能和全面预算管理软件合作应用的情况，并指出商业智能与全面预算管理软件的融合应用大大提高了全面预算管理的效果。Tang（2009）开发了一个基于web的早期成本预算案例推理系统，以帮助决策者进行项目筛选，并将模糊层次分析法应用于多准则决策，以改进预算分配决策。

四、未来研究展望

本文回顾了数据挖掘在会计中的应用。数据挖掘这一未来十大信息系统技术与会计进行融合是当今信息时代的必然趋势，可研究者们对数据挖掘的研究并没有普及到会计的各个方面。

财务会计中的数据挖掘主要侧重于财务绩效分析和财务危机预警，如预测季度会计收益、比较业绩计量的数字与文本数据的信息价值、识别年度报告中的风险因素等。这些应用大多以聚类和分类为数据挖掘任务。未来的研究机会可以在预测财务业绩时，更多地利用财务报告的文本部分;在数据挖掘运用的专业领域，更加注重数据资料的质量;在数据挖掘的程序设计上，通过寻找财务指标之外新的变量来预测财务绩效;根据数据特点选取模型的敏感性测试分析，还有在分析中考虑变量之间关系的重要性。

数据挖掘在管理会计中的应用主要涉及不同层面（产品、设备、过程和项目层面）的成本管理、资产（主要是库存）管理等，但在其他方面的应用还较少。这些应用具体包括分类、选择、预测和优化库存管理、定义成本动因、估计和预测项目和产品成本、开发预算系统、预测现金流。数据挖掘在应用中的主要任务是估计和优化。该领域未来的研究机会包括：使用web服务公开这些应用程序，更好地识别相关变量，对生成的模型进行更敏感的分析，简化模型，改进数据处理，明确区分因果关系，解决数据可用性问题，以及跨行业模型验证。

参考文献：

[1]吉根林，帅克，孙志挥.数据挖掘技术及其应用[J].南京师大学报（自然科学版），2000，23（2）：25-27.

[2]Han J ， Kamber M ， Pei J . Data Mining： Concepts and Techniques[M]. Morgan Kaufmann，2006.

[3]黄解军，潘和平，万幼川.数据挖掘技术的应用研究[J].计算机工程与应用，2003，39（2）：45-48

[4]Hian Chye K.Going concern prediction using data mining techniques[J]. Managerial Auditing Journal， 2004， 19（3）：462-476.

[5]王加灿，苏阳.人工智能与会计模式变革[J].财会通讯，2017（22）：41-43.

[6]王媛媛. 基于因子分析与支持向量机的上市公司财务危机预警研究[D].西安电子科技大学，2012.