研究预警系统基于商业智能高校财务预警体系研究
本站原创 【摘 要】 文章基于高校财务指标的构建，从构建财务数据仓库、引用OLAP技术进行财务分析以及运用数据挖掘技术进行财务预警模型三个方面就运用商业智能技术构建高校财务预警系统进行研究。
【关键词】 商业智能； 财务指标体系； 财务预警
一、引言
随着我国高等教育的改革和发展，高校进入大规模举债办学的阶段，高校财务面临的局面越来越复杂。高校不仅有基础建设、事业单位经费收支，还涉及到科研经费、校办企业投资等，高校一旦发生财务问题，影响的不仅仅是高校本身，更会引发各式各样的社会问题，因此需要对影响高校正常运行的各种财务问题进行实时有效的监控。
传统的财务分析方法单纯以财务报表为基础，就多个指标进行分析，也就是单纯地看最近一年或几年，或者某个院系的指标。与这些静态的分析方法相比，把商业智能运用到财务预警系统，即将财务数据和各种外部数据进行收集、归纳、量化（ETL技术）建立数据仓库，高校财务部门可以通过提取有用的数据经过联机分析处理工具（OLAP）或数据挖掘工具（Date Mining）结合财务部门的专业知识进行分析，转化为对高校财务分析有用的信息，从而为高校财务提供一个动态的风险预警方案。总而言之，将商业智能运用于高校的财务分析系统，可以根据不同的决策层灵活地展现财务分析结果，也可以连续分析财务问题，还可以与高校其他院系联合在一起进行综合分析。
即使指标选择严谨，这些指标中某些指标间还是有一定的相关性，并且过多的指标会增加信息的收集和整理难度，降低工作效率，所以要对这些指标进行优化。将初选四个方面的所有十七个指标汇总进行正态性检验，将服从正态性分布的指标体系进一步做T检验，以确定哪些指标具有显著性作用，筛选出显著性指标，删除不显著的指标；将没有服从正态性分布的指标体系进一步做非参数检验，同理确定这部分指标中的显著性指标，删除不显著的指标，最后汇总所有显著性指标用于构建高校财务预警模型指标体系。此优化过程不仅解决了预警指标体系的显著性问题，同时也达到了尽可能降低预警指标体系维度的目的。
高校各类指标的多维分析是商业智能技术构建高校财务预警的核心问题，所以在设计概念模型时，应选择财务指标作为数据仓库的主题，并以这一主题建立事实表，然后从高校财务分析的角度来确定维度，如时间、项目、部门等。各高校可以根据自身的情况来设定维度，文章根据自身了解的情况拟设了六个维度作为介绍：院级单位、项目、部门、指标、往来单位、时间。星型结构设计如图2。
而对于已经建立并装载完成了高校数据仓库的，可以在此基础上建立OLAP系统。首先对OLAP的多维数据结构进行设计，包括维度和多维数据集的设计，然后创建维度和多维数据集，可摘自：硕士论文格式http://www.328tibet.cn
以采用Analysis Service做分析服务器，最后利用SSRS展示查询数据。高校财务预警正是运用OLAP技术实现各监控指标的多维综合评价，达到对高校财务数据的实时分析。
例如，通过对高校财务部门的调查研究，发现其需要了解高校不同时间、不同院系的科研收入、教学成果以及偿债能力等，那么信息使用者可以在选择范围内的维度和量度来进行有意义的组合，还可以从其他不同的角度来了解高校的财务状况。通过报表展示，可以选择对不同维度上涉及到的数量进行分析，并找到有价值的信息。高校可以选择“时间”、“各级院”、“偿债能力”组成一个三维的偿债能力立方体，以表示在不同的时间，各个二级院校的偿债能力如何。具体如图3。
OLAP对于数据的即时处理和分析充分体现出财务分析的时效性和真实性，实现了商业智能技术与财务分析的融合。OLAP通过多维的方式对数据进行了分析、查询和报表。维是人们观察数据的特定角度，多维分析方式符合思维模式，减少了混淆并且降低了出现错误的可能性，它能使用户多侧面、多角度地观察数据库中的数据。OLAP可以通过切片、切块、钻取及旋转等操作来分析数据仓库中的财务数据，以对高校的财务数据进行更透彻形象地分析。
数据挖掘技术提供了多种财务预警计算方法，如神经网络算法、逻辑回归算法、聚类分析算法、决策树和关联规则等，在前文已建立数据仓库的基础上，可以根据财务预警的具体需要选择适当的算法构建财务预警模型，分析数据挖掘的结果。具体说，将已经准备好的数据分离到定型数据集中，并生成挖掘模型，通过创建预测查询，运用测试数据集验证模型的准确性，以确定是否是性能最佳的模型。当模型确定以后，进行财务预警分析。
鉴于高校财务问题与一般企业的财务问题有着本质的区别，高校财务数据并不如上市公司一样公开，数据量不丰富，导致成熟的企业财务预警模型很难适用于高校，所以本文认为数据挖掘方法中的灰色关联计算方法更适合高校财务预警。运用灰色关联的数据挖掘技术进行财务预警相对于传统的财务分析方法能够消除数据的噪声，将非标准的数据标准化，在应对高校面临的外部环境多变的形势下，运用该项技术是必要的。具体做法是首先将数据从数据仓库中提取出来，然后对数据进行处理，如无量纲化，将处理后的数据带入灰色关联模型，得出结果并进行分析。具体步骤如图4。
四、结论
对于高校的财务预警问题，需要一个动态的监控系统来进行实时监控，而商业智能技术能够促进这一设想的实现。运用商业智能来构建高校财务预警系统可以将潜在的影响高校正常运行的各种财务状况实时反映出来。数据仓库技术能够使高校的数据进行自动的更新存储，OLAP技术能够对高校现有的财务数据进行多维的分析，同时应用数据挖掘技术建立财务预警模型，实现了对高校财务进行动态的监控。
【参考文献】会计毕业论文
田隆.基于财务数据中心的商业智能平台设计与实现[D].北京：北京信息控制研究所硕士学位论文，2010.
陈俊.财务商业智能系统的研究及其实现[D].中国航天第二研究院硕士学位论文，2008.
[3] 丁博.基于商业智能的A央企财务分析系统研究[D].北京：北京交通大学硕士学位论文，2012.
[4] 徐玉鹏.数据仓库、OLAP和数据挖掘在商业智能中的应用研究[D].南京：南京航空航天大学硕士学位论文，2010.
[5] 李程.论商业智能技术在企业财务管理中的应用[J].现代商贸工业，2011（2）.
[6] 张琦，曾繁荣，等.数据仓库与OLAP技术在上市公司财务分析中的应用[J].财会通讯，2011（7上）.
【关键词】 商业智能； 财务指标体系； 财务预警
一、引言
随着我国高等教育的改革和发展，高校进入大规模举债办学的阶段，高校财务面临的局面越来越复杂。高校不仅有基础建设、事业单位经费收支，还涉及到科研经费、校办企业投资等，高校一旦发生财务问题，影响的不仅仅是高校本身，更会引发各式各样的社会问题，因此需要对影响高校正常运行的各种财务问题进行实时有效的监控。
传统的财务分析方法单纯以财务报表为基础，就多个指标进行分析，也就是单纯地看最近一年或几年，或者某个院系的指标。与这些静态的分析方法相比，把商业智能运用到财务预警系统，即将财务数据和各种外部数据进行收集、归纳、量化（ETL技术）建立数据仓库，高校财务部门可以通过提取有用的数据经过联机分析处理工具（OLAP）或数据挖掘工具（Date Mining）结合财务部门的专业知识进行分析，转化为对高校财务分析有用的信息，从而为高校财务提供一个动态的风险预警方案。总而言之，将商业智能运用于高校的财务分析系统，可以根据不同的决策层灵活地展现财务分析结果，也可以连续分析财务问题，还可以与高校其他院系联合在一起进行综合分析。
二、高校财务指标体系的构建
高校财务指标是高校财务预警的一个核心，相关学者对高校财务指标体系已经有了一定的研究，本文针对高校过度举债、资金利用率低等问题，就高校财务指标作了相应的调整，再结合指标选取原则初步建立了有效的高校指标体系。财务会计论文(一)偿债能力
为了反映高校偿还债务能力和资产负债水平，选取流动比率、资产负债率、长期负债率、贷款收入比重、利息保障倍数五个指标。(二)营运能力
为了反映高校的经营状况选取现实支付比率、潜在的支付比率、公共经费支出比率、投资收益比率、自有资金余额占年末货币资金比重五个指标。(三)发展能力
为了反映高校的成长性以及开源创收的能力，选取净资产增长率、固定资产增长率、净额增长率、自筹收入比率四个指标。(四)非财务因素财务类毕业论文范文
一些非财务因素也能体现出高校的办学效率和发展实力，为了全面反映高校的发展状况选取了师生比、教师人均科研经费和教师贡献率三个指标。即使指标选择严谨，这些指标中某些指标间还是有一定的相关性，并且过多的指标会增加信息的收集和整理难度，降低工作效率，所以要对这些指标进行优化。将初选四个方面的所有十七个指标汇总进行正态性检验，将服从正态性分布的指标体系进一步做T检验，以确定哪些指标具有显著性作用，筛选出显著性指标，删除不显著的指标；将没有服从正态性分布的指标体系进一步做非参数检验，同理确定这部分指标中的显著性指标，删除不显著的指标，最后汇总所有显著性指标用于构建高校财务预警模型指标体系。此优化过程不仅解决了预警指标体系的显著性问题，同时也达到了尽可能降低预警指标体系维度的目的。
三、高校财务预警基于商业智能技术的实现
高校商业智能系统主要包括三部分：高校数据仓库、多维分析和高校数据挖掘。高校数据仓库用于存储有用信息；多维分析可以从不同层面进行全面了解储存在高校数据仓库中的信息；高校数据挖掘则是发现问题找规律，并对将来进行预测。高校商业智能实现的大体过程是收集数据，对数据进行清理、转化，存入数据仓库，将仓库数据变为信息，并用OLAP工具、数据挖掘工具对信息进行处理，将信息变为对决策有用的知识。其架构如图1。(一)财务数据仓库的设计会计论文格式模板
高校数据仓库的目的是通过对整个高校的相关数据进行梳理，构建一个体系化的数据存储环境，把大量分散复杂的数据转化成集成的、统一的信息，将正确的信息方便、准确地传递给需要的人。数据仓库与传统的数据库的最大区别在于传统的数据库是未经整理的一堆杂乱数据，而数据仓库是经过整理、规划过的系统数据库的子集合。数据仓库可以使高校面对大量的错综复杂的数据进行灵活的处理，为内部各个信息使用者提供他们所需要的有效信息。1.数据仓库概念模型的设计
数据仓库的概念模型主要任务是界定系统边界和确定主题域及内容，星形概念模式是由一个事实表和一组维表组成，是一种多维的数据关系，相对于别的概念模型来说，星型虽然不节省空间，但是操作相对简单，所以创建高校数据仓库的概念模型采用星型。高校各类指标的多维分析是商业智能技术构建高校财务预警的核心问题，所以在设计概念模型时，应选择财务指标作为数据仓库的主题，并以这一主题建立事实表，然后从高校财务分析的角度来确定维度，如时间、项目、部门等。各高校可以根据自身的情况来设定维度，文章根据自身了解的情况拟设了六个维度作为介绍：院级单位、项目、部门、指标、往来单位、时间。星型结构设计如图2。
2.财务数据仓库逻辑模型设计
逻辑模型主要是根据星形维度的选择，构建维度的层次关系，层次关系以高校相关人员对信息的需求为主线，分析各维度的层次关系以及粒度的划分、事实表的设计等。比如之前的高校数据仓库概念模型设计分了六个维度，时间维度就可以从日、周、月、季度、年来进行划分层次；院级单位可以按一级单位（校），二级单位（院），单位（部门）依次划分；指标可以根据前文中所示的指标类型进行划分；项目可以按照高校所承接的国家级项目、省级项目以及其他项目类别进行划分；部门可以按党委部门、行政部门、教学单位、教辅单位、附属单位依次划分；往来单位按照政府、金融机构、企业等进行划分。3.财务数据仓库物理模型设计
物理模型需要确定数据的存储结构、索引策略、数据存放位置及存储分配等，主要目的是提高性能和更好地管理存储数据。4.数据ETL
ETL包括抽取、转换、装载。其中，抽取是将数据从各种原始存放系统（如各种帐套数据和Excel文件）中读取；转换是按照预先设计好的规则将数据转换，使数据格式统一；装载则是将转换好的数据导入高校数据仓库。(二)基于OLAP技术的财务分析模型实现
OLAP技术（联机分析处理技术）以数据仓库为基础，针对某个特定的主题进行联机数据访问、处理和分析，通过直观的方式从多个维度、多种数据综合程度将系统的运营情况展现给使用者。OLAP技术的一个重要特点是通过多维交互的方式对数据进行处理，与多维数据组织的数据仓库相互结合、补充，这些多维分析操作可以使用户从不同的维度和角度来分析数据，其中主要方法包括切片、切块、钻取和旋转。而对于已经建立并装载完成了高校数据仓库的，可以在此基础上建立OLAP系统。首先对OLAP的多维数据结构进行设计，包括维度和多维数据集的设计，然后创建维度和多维数据集，可摘自：硕士论文格式http://www.328tibet.cn
以采用Analysis Service做分析服务器，最后利用SSRS展示查询数据。高校财务预警正是运用OLAP技术实现各监控指标的多维综合评价，达到对高校财务数据的实时分析。
例如，通过对高校财务部门的调查研究，发现其需要了解高校不同时间、不同院系的科研收入、教学成果以及偿债能力等，那么信息使用者可以在选择范围内的维度和量度来进行有意义的组合，还可以从其他不同的角度来了解高校的财务状况。通过报表展示，可以选择对不同维度上涉及到的数量进行分析，并找到有价值的信息。高校可以选择“时间”、“各级院”、“偿债能力”组成一个三维的偿债能力立方体，以表示在不同的时间，各个二级院校的偿债能力如何。具体如图3。
OLAP对于数据的即时处理和分析充分体现出财务分析的时效性和真实性，实现了商业智能技术与财务分析的融合。OLAP通过多维的方式对数据进行了分析、查询和报表。维是人们观察数据的特定角度，多维分析方式符合思维模式，减少了混淆并且降低了出现错误的可能性，它能使用户多侧面、多角度地观察数据库中的数据。OLAP可以通过切片、切块、钻取及旋转等操作来分析数据仓库中的财务数据，以对高校的财务数据进行更透彻形象地分析。
(三)基于数据挖掘技术的财务预警模型的实现
对于已经存在的财务信息，可以利用OLAP技术从不同的维度由高校数据仓库中获取，但是高校数据仓库数据中潜在的、隐藏的关系和信息很难得到充分的体现，以确定高校的财务发展趋势。因此需要利用数据挖掘技术对它们进行深度的挖掘，构建高校财务危机预警模型。数据挖掘技术提供了多种财务预警计算方法，如神经网络算法、逻辑回归算法、聚类分析算法、决策树和关联规则等，在前文已建立数据仓库的基础上，可以根据财务预警的具体需要选择适当的算法构建财务预警模型，分析数据挖掘的结果。具体说，将已经准备好的数据分离到定型数据集中，并生成挖掘模型，通过创建预测查询，运用测试数据集验证模型的准确性，以确定是否是性能最佳的模型。当模型确定以后，进行财务预警分析。
鉴于高校财务问题与一般企业的财务问题有着本质的区别，高校财务数据并不如上市公司一样公开，数据量不丰富，导致成熟的企业财务预警模型很难适用于高校，所以本文认为数据挖掘方法中的灰色关联计算方法更适合高校财务预警。运用灰色关联的数据挖掘技术进行财务预警相对于传统的财务分析方法能够消除数据的噪声，将非标准的数据标准化，在应对高校面临的外部环境多变的形势下，运用该项技术是必要的。具体做法是首先将数据从数据仓库中提取出来，然后对数据进行处理，如无量纲化，将处理后的数据带入灰色关联模型，得出结果并进行分析。具体步骤如图4。
四、结论
对于高校的财务预警问题，需要一个动态的监控系统来进行实时监控，而商业智能技术能够促进这一设想的实现。运用商业智能来构建高校财务预警系统可以将潜在的影响高校正常运行的各种财务状况实时反映出来。数据仓库技术能够使高校的数据进行自动的更新存储，OLAP技术能够对高校现有的财务数据进行多维的分析，同时应用数据挖掘技术建立财务预警模型，实现了对高校财务进行动态的监控。
【参考文献】会计毕业论文
田隆.基于财务数据中心的商业智能平台设计与实现[D].北京：北京信息控制研究所硕士学位论文，2010.
陈俊.财务商业智能系统的研究及其实现[D].中国航天第二研究院硕士学位论文，2008.
[3] 丁博.基于商业智能的A央企财务分析系统研究[D].北京：北京交通大学硕士学位论文，2012.
[4] 徐玉鹏.数据仓库、OLAP和数据挖掘在商业智能中的应用研究[D].南京：南京航空航天大学硕士学位论文，2010.
[5] 李程.论商业智能技术在企业财务管理中的应用[J].现代商贸工业，2011（2）.
[6] 张琦，曾繁荣，等.数据仓库与OLAP技术在上市公司财务分析中的应用[J].财会通讯，2011（7上）.