發布時間：2023-07-13 16:42:54
序言：寫作是分享個人見解和探索未知領域的橋梁，我們為您精選了8篇的財務數據可視化分析樣本，期待這些樣本能夠為您提供豐富的參考和啟發，請盡情閱讀。
【關鍵詞】 XBRL; 數據挖掘; 財務數據; 構建
XBRL通常被譯為可擴展的商業報告語言(extensible business reporting language),是一個開放式的不局限于特定操作平臺的國際標準,通過它可以實現財務和商業報告數據及時、準確、高效和經濟的存儲、處理和交流。XBRL是在XML(可擴展的標記語言)的基礎上發展起來的,是目前應用于非結構化信息處理尤其是財務報表信息處理的最新技術。它通過對財務數據進行特定的標簽識別和分類,促進統一信息的財務數據在不同的計算機平臺和財務信息使用者之間共享,極大地促進了財務信息數據挖掘的進行,滿足了決策者對有用信息和知識的要求。
一、XBRL技術框架及特點
(一)XBRL技術框架
XBRL運用XML數據標記描述財務信息,主要由XBRL規范、XBRL分類標準、XBRL實例文檔和樣式表組成。XBRL規范,或稱規格書、說明,是XBRL的核心和基礎,它規定了XBRL的理念和原則,主要用于定義XBRL的各種專用術語,規范XBRL的文件格式,說明怎樣建立XBRL;XBRL分類標準是XBRL為企業報告中的每個項目建立不同的標簽,分類標準定義了各項目的屬性及其之間的關系等,相當于一個行業商業信息交換的“詞典”。分類標準是在技術規范的基礎上,結合各個國家、行業、企業的實際情況制定的;XBRL實例文檔是一個企業財務報告的實例文件,主要包含財務報告中的標簽和數據。XBRL根據財務報告中標簽與會計業務數據的對應,利用應用程序自動從會計業務數據庫中提取數據,生成實例文檔;樣式表用于定義財務報告時的顯示項目和格式。整個技術框架采用自下而上的層次結構(如圖1所示)。
(二)XBRL特點和技術優勢
作為一種以XML為基礎發展起來的標記語言,XBRL繼承了XML所擁有的所有語言優勢,其特點和技術優勢如下:
(1)無許可證限制,XBRL具有良好屬性的開放式技術構架,它使任何財務信息供應鏈上的人都能免費、自由地在不同的軟件平臺上準備、獲得、交換并分析財務信息。
(2)跨平臺使用。由于XML文件可以跨平臺使用,XBRL就具有了跨平臺的優勢。在不同的操作系統下,如Windows、Unix和Linux等,XBRL文件無需修改就可以直接使用。在不同的應用軟件中,即使所用的數據庫不同,只要轉換成XBRL格式,也可以實現數據的交換。因而,通過XBRL 信息可以在不同的操作系統、數據庫和應用軟件之間進行傳輸和交換,XBRL是一種互聯網上企業報告的通用語言。
(3)多種格式的輸出。對同一份XBRL實例文檔,采用不同的樣式表,可以生成多種企業報告,所有報告的編制一次性完成,不僅降低了輸入錯誤的風險,保證了數據的一致性,而且減少了重復輸入,提高了報告的編制效率。對同一份企業報告,XBRL也可以按多種格式輸出,如在瀏覽器上顯示、轉換成不同的數據格式進行傳輸,或打印成紙質財務報告等。
(4)搜索快速、準確。采用XBRL的方式,統一了網上的數據定義和格式,無需以人工方式找出網上的數據資料后逐一進行比較,所以XBRL在數據處理方面的效率要遠遠高于網絡上常用的PDF、WORD、HTML格式文件,有利于網上搜尋引擎的自動搜尋和過濾工作,達到快速、準確。
二、數據挖掘技術及其在財務信息系統中的應用分析
(一)數據挖掘
隨著數據庫技術的廣泛使用,以及計算技術和計算機性能與網絡的迅速發展,人們面臨著一個困難的問題,即如何從海量的數據中提取出有價值的信息。查詢功能遠不能滿足人們的需要,數據挖掘應運而生。數據挖掘(Data Mining,DM)是從大量的、不完全的、有噪聲的、模糊的和隨機的數據集中識別有效的、新穎的和潛在有用的,以及最終可理解的模式的過程。
在當今瞬息萬變的商業環境中,競爭的主要方式是信息的競爭,傳統的事后分析型的數據分析方法被事前探索型的數據挖掘所取代。而與此同時,信息提供者之間也存在著激烈的競爭,如財務信息與非財務信息之間的競爭。XBRL技術的應用不但為財務信息提供者增加了競爭的籌碼,也直接推動了財務數據挖掘的展開。
(二)財務信息系統中應用的數據挖掘策略
數據挖掘策略概括了一種解決問題的方法,即選擇什么方式解決特定的問題。數據挖掘策略可以廣義地分為有指導學習和無指導聚類。有指導學習是指利用已知的模型和屬性來幫助我們進一步區分結構相似的對象。與有指導學習不同,無指導沒有預先已知的模型和屬性,所有變量均為自變量。在財務信息系統中主要應用以下幾種數據挖掘策略:(1)分類,分類是用一個函數把各個數據項映射到某個預定義的類,或者說是發掘出關于該類數據的描述或者模型,重點在于建立模型,將新的實例指派給一組定義明確的類中的一個。例如:確定一項長期投資是否具有高風險;將進行賒銷的客戶歸類為具有良好的或者不良的信用風險的客戶群等。(2)估計,與分類模型類似,估計模型的目的在于確定一個未知屬性的值。然而,不同于分類屬性的是,對一個估計問題,其輸出屬性(一個或多個)是數值的而不是分類的。例如:估計一項投資的風險程度;估計當前應收賬款中的壞賬比例;估計籌資規模(數量)等。(3)預測,預測模型的目的在于確定未來的輸出結果而不是當前的行為。通過建立表示數據中固有模式和趨勢的模型,這樣該模型可以用來對未來事件的結果進行預測,在財務系統中,常有的一些預測例子有:預測一項投資的未來收益;預測產品銷售的價格趨勢等。(4)無指導聚類,對于無指導聚類,沒有因變量指導學習的過程。相反,學習規程通過使用聚類度量將實例分為兩個或更多個類,來建立知識結構。無指導聚類策略的主要目標在于發現數據中的概念結構,是一種對具有共同趨勢和模式的數據元組進行分組的方法。聚類經常用于搜索并且識別一個有限的種類集合或簇集合,從而描述數據。例如對客戶群體分類,將目標消費群體化分為三個類:高收入、中等收入、低收入,針對不同類的客戶采取不同的營銷策略等。
到目前為止,大多數數據挖掘是借用人工智能的各種方法來挖掘數據中存在的知識。但是正如人工智能本身的發展現狀一樣,數據挖掘還不能很好的理解數據中存在的知識。XML技術的出現,不僅為互聯網上的電子數據交換提供了一個標準,而且XML技術從數據的角度提供了一個更好的表示數據內容以及數據所代表意義的手段。XBRL作為XML在網絡財務報告語言上的應用,則為我們理解大量的財務數據,為企業戰略的建立提供有效的支持。
三、基于XBRL技術的財務信息挖掘系統架構模型
傳統財務數據挖掘的一般過程主要包括財務數據源、財務數據的集成和變換、財務數據倉庫、財務數據挖掘以及知識表達等幾個階段。首先將各種形式的財務數據經過集成和變換,去除冗余,轉換成符合一定格式的數據,并裝入財務數據倉庫,而財務數據倉庫是一個面向主題的、集成的、相對穩定的、反映歷史變化的財務數據集合,用于支持管理決策。財務數據挖掘是整個過程的核心部分,其目的是從大量的財務數據中挖掘出潛在的、有用的知識或模式。傳統財務數據挖掘過程需要數據倉庫的支持,而財務數據倉庫的建立需要專業的技術手段,對大多數企業來講,實現的難度很大,往往達不到預期的效果。
筆者設計的基于XBRL的財務數據挖掘過程,主要通過一個數據變換模塊將各種格式的數據轉換為符合XBRL規范的數據,解決了重要而繁雜的技術難題,財務數據挖掘是從具有統一XBRL描述形式的數據中挖掘出潛在的有用的知識或模式。
基于XBRL的財務數據挖掘模型如圖2所示,主要包括財務數據獲取模塊、XBRL模式變換、財務數據挖掘以及基于XBRL的知識表達與理解四個部分。各部分之間的信息流動和數據交換都是基于XBRL進行的。
(一)財務數據獲取模塊
數據獲取模塊的主要功能是獲取財務數據源,財務數據的來源可以有多種,可以是企業內部財務系統、本地外部財務系統、遠程外部財務系統以及企業已經建立的諸如ERP、SCM、CRM、OA等系統和一些相關系統,這些系統數據格式千差萬別,需要按照XBRL的語法格式和語義規則進行提取、轉換,統一轉換為XBRL模式數據。
(二)XBRL模式變換
基于XBRL的財務數據挖掘,其數據源必須是符合XBRL規范的財務數據,因此在進行財務數據挖掘之前,所有財務數據以及其他源數據都要經過處理,轉換成符合XBRL規范的格式。這一過程需要通過XBRL模式變換來實現。根據數據的組織形式,XBRL模式變換模塊的主要功能分為兩個部分:一是對XBRL描述的財務數據源進行規范性檢測;二是對非XBRL描述的財務數據進行XBRL封裝。
(三)財務數據挖掘
利用多維分析工具、多維報表工具以及數據挖掘工具對數據進行綜合數據查詢、分析統計和生成統計圖表等,通過采用分類、聚類分析、統計方法、關聯規則、決策樹方法、神經網絡等數據挖掘方法,從大量的具有統一XBRL格式的財務數據中挖掘出潛在的、有用的知識或模式。
(四)基于XBRL的知識表達模塊
知識表達模塊的主要功能是對在數據挖掘模塊中發現的知識進行可視化的表示,以便于非專業管理人員理解。財務數據挖掘的根本目的是從財務數據中發現有用的知識或模式,在知識的表示形式上,目前較好的且應用較多的有專家系統知識規則、決策樹規則和在數據挖掘中的關聯規則以及分類規則等。財務數據挖掘結果不僅要有利于人的理解,而且更主要的是要有利于計算機的理解,因此在數據挖掘完成之后,要將所得到的知識,形成符合XBRL規范的知識庫。
四、結束語
XBRL在未來發展前景良好,所有企業都會向這一方向發展,所以面向XBRL數據挖掘也會得到長遠發展。本文從XBRL的技術框架及特點、數據挖掘技術及其在財務系統中應用分析出發,結合傳統財務數據挖掘的一般過程和XBRL技術,設計出一種基于XBRL技術的財務數據挖掘系統模型,為進一步深入研究財務數據挖掘提供了一種較好的方法。
【參考文獻】
[1] 劉國英.基于XBRL的財務數據挖掘系統分析與設計[J].中國管理信息化,2008(18):12-15.
[2] 劉靜.淺談XBRL與財務信息數據挖掘[J].湖南財經高等專科學校學報,2004,20(6):53-55.
[3] XBRL Progress ReportApril 2003,省略/
關鍵詞：市公司 綜合評價 Chernoff 臉譜
一、引言
對于上市公司多指標財務分析，數值方法給出的結果往往缺乏整體性印象，而圖形化方法則具有明顯的直觀優勢，借助計算機編程和多元統計分析理論，圖形不僅可以幫助觀察多維數據的本質，更可以通過多元圖形本身的信息來反映公司財務的綜合狀況。用于上市公司多指標財務分析與評價的常用多元圖形化方法有：二維散布圖、雷達圖、臉譜圖、星座圖及像素圖等，舒曉惠等（2006）提出了一種新的圖形化方法：樹譜圖。基于可視化目標的多元圖形方法主要來看分為兩個層次，一是直觀反映上市公司財務的各指標狀況，例如，二維散布圖、雷達圖、星座圖；二是圖形本身所具有的信息可以形象反映財務狀況的優劣，例如，臉譜圖和樹譜圖等。目前，國內文獻主要集中在研究雷達圖在財務分析評價與預警中的應用，主要有王強（2000），舒曉惠等（2005），付（2007）與金曉燕（2010）；臉譜圖則最初是由Chernoff（1973）提出來，Wainer and Thissen（1981）以及 Smith與Taffler（1984）將其應用于公司財務分析，國內則僅有舒曉惠等（2006）將其用于上市公司財務評價，實證研究表明，在進行上市公司財務分析時，通過雷達圖向普通股民傳達公司信息時缺乏綜合形象性，而臉譜圖的應用則有明顯的優勢。上述研究都是對上市公司財務狀況展開靜態分析，并沒有動態跟蹤一段時期內上市公司的財務狀況，同時，以往文獻都沒有明確提出可以將綜合評價方法與Chernoff臉譜圖相結合的思想來實現利用臉譜的表情綜合評價上市公司財務狀況。基于此，本文應用Chernoff臉譜圖的基本思想，結合綜合評價方法對所構建的上市公司財務評價指標體系通過主成分分析方法進行降維后，利用舒曉惠（2006）的方法通過計算機實現了上市公司財務績效的可視化臉譜圖，并對深、滬兩市鋼鐵行業30家上市公司2003年至2007年財務狀況進行了動態跟蹤，結果表明，臉譜圖不僅能夠形象反映上市公司的財務狀況，而且可以很好地動態反映不同時期財務狀況的變化情況。
二、研究設計
（一）基本原理 Chernoff 臉最初設計可處理18 個變量，當變量數小于18 時，可將臉譜中某幾個部位固定；當變量數超過18 時則可以設法在臉譜中再添加一些部位，如頭發、耳朵等。Chernoff 臉最初認為主要可以用于對研究對象進行分組：由原始材料和直覺提出的最初的分組；由聚類算法產生的最終的分組。進一步研究表明，利用Chernoff 臉除了可以進行輔助聚類分析外，也可以通過已經得到的聚類結果對新的結果進行輔助判別分析。顯然，將上市公司相關財務指標數值與臉譜的相關部位進行對應即可實現利用Chernoff臉對上市公司的財務狀況進行輔助聚類分析和輔助判別分析。考慮人臉表情的復雜性，當處理的變量過多時，臉譜所表示的人的各種表情則不容易合理用于綜合評價上市公司的財務狀況，例如通過嘴的微笑，眉毛舒展等來反映相關財務狀況良好，顯然這些表情具有很好的直觀效果。因此，用Chernoff 臉譜圖綜合反映上市公司的財務狀況，除了實現第一層次的財務指標值與臉譜的各部位對應外，還需考慮第二層次臉的表情所表達的財務狀況，從而能夠達到直觀形象的目的。為實現這一思想，本文提出可以通過構建上市公司財務狀況的綜合評價財務指標體系，應用綜合評價方法進行財務指標數據的預處理和主成分分析，并在此基礎上通過以行業財務指標平均值為閾值進行映射轉換，將相關綜合評價的數值轉換為Chernoff 臉譜圖，從而實現臉譜圖形自身的表情，即達到可用于評價上市公司綜合財務狀況的目的。也即Chernoff 臉譜圖相關表情需通過綜合評價方法來合理加以實現。
（二）上市公司財務狀況Chernoff 臉譜圖設計 對于上市公司財務狀況的綜合評價，已經有眾多的學者展開研究，結果表明，傳統產業與高新技術產業上市公司的評價指標體系具有一定的差異，本文主要以傳統產業為研究對象，參照1999年財政部、國家經貿委、人事部和國家計委聯合的《國有資本金效益評價規則》中公布的競爭性工商企業評價指標體系，按盈利能力、償債能力、資產運營能力和成長能力四個方面11個財務指標給出權重如（表1）所示。一般認為，臉部的各部位形態及表情可以給人初步明確的信息，比如嘴形的笑意，眉心是否舒展，眼睛是否炯炯有神，鼻子長短表明氣息是否粗壯，臉形是否圓潤等，這些臉部的形態和表情所傳達的信息好壞顯然給人的感受基本是一致的。注意到人眼對臉部各個部位的敏感程度不同，按權重的重要程度與敏感程度相對應，本文選取臉譜指標與財務指標對應如下：嘴部指標對應盈利能力指標，眼部指標對應償債能力指標，鼻子眉毛指標對應資產運營能力指標，下部臉形指標對應成長能力指標。具體實現則首先對各財務比率指標值進行一致化和無量綱化處理后，再利用主成分分析法對各類財務指標進行降維，在與Chernoff 臉譜的18個變量相關對應中，按（表2）選取相對應的指標，其余Chernoff 臉譜的指標值則取某一固定值。臉譜圖的優點是不僅將財務數據通過圖形化直觀表示，而且可以利用人的自然表情來傳達上市公司的財務狀況，作為一個對應的聯系，本文以行業平均值作為人臉表情改變的閥值，各財務指標值較行業平均值超過越多則表情越開心，其示意圖如（圖1）。由（圖1）以行業均值為閥值，圖1-a從臉部形態看不喜不悲，各指標均為平常形態表情，表明財務狀況基本正常; 圖1-b從臉部形態看嘴帶笑意，目光炯炯有神，眉心舒展，鼻長氣粗，臉形圓潤，呈現良好形態，表明各財務指標狀況良好；圖1-c從臉部形態看則顯得愁眉苦臉，臉形削瘦，表明各財務指標出現一定的危機。
三、動態跟蹤分析
（一）數據預處理 本文以鋼鐵行業為例，選取深、滬兩市鋼鐵行業30家上市公司，按前述11個財務指標從RESSET金融數據庫中得2003年至2007年共5年的年度財務數據總計1650個財務指標值。按照將上市公司財務績效的綜合評價方法與Chernoff 臉譜相對應的思路，按如下方法展開實證分析。首先進行數據預處理。第一，極端值處理：按3?滓原則剔除財務指標值中的極端值，在其后的處理中再對剔除的相關指標值進行相應取值。第二，進行一致化處理，將各財務指標化為正向型指標。在所選取的上述指標中，有正向性指標和適度性指標兩類，其中資產負債比率X4、流動比率X5、速動比率X6為適度性指標。因此有必要進行一致化處理，使之都為正向性指標。按照國際慣例注意到資產負債比率、流動比率、速動比率的適度值分別為50%、200%、100%，設xij為第j個上市公司的第個財務指標值［L1j，L2j］為最優適度區間，則可利用如下公式（1）進行變換：
x'ij=1.0-■ xij
注：適度區間為一點時，取L1j=L2j；Mj，mj分別為xij的允許上下界。
第三，采用極值法對各財務指標進行無量綱化。進行無量綱化處理的方法一般有：“標準化”處理法、極值處理法和功效系數法，本文目的是建立各類財務指標的主成分與臉譜相關指標數據的聯系，因此采用極值處理法，利用如下公式（2）進行無量綱處理（對于剔除的極端值，這里都賦為最大值1.0）：x'ij=■ （2）
這里，Mj=■｛xij｝，mj=■｛xij｝為保證動態跟蹤的可比性，本文將Mj和mj固定為2003年度各財務指標數據的極值。第四，按盈利能力、償債能力、運營能力和成長能力對各類指標提取主成分，利用SAS軟件分別對財務指標盈利能力方面、償債能力和運營能力方面各提取兩個主成分，對成長能力方面求出主成分綜合得分，即求得指標值。第五，確定各類指標的主成分與臉譜指標的對應關系。臉譜的特點就是通過人的自然表情來反映上市公司的財務狀況，本文以行業平均值作為臉譜表情不悲不喜對應的中間值。設主成分值zij∈［x1j，x2j］，x0j為行業平均值對應的主成分值；臉譜指標值yj∈［y1j，y2j］，y0j為臉譜表情不悲不喜的取值，則按下式（3）做變換：
yj=■（y0j-y1j）+y1j x1j?燮zij?燮x0j y0j zij=x0j■（y2j-y0j）+y0j x0j?燮zij?燮x2j （3）
這里為保證動態跟蹤的可比性，本文以2003年度30家鋼鐵行業的平均值做為基期的定基值，各年度的各上市公司指標值均與該相應平均值按式（3）進行變換，從而利用式（3）即可計算出各上市公司對應的臉譜指標數值。
（二）上市公司財務績效臉譜圖 運用Bland C++編程畫出所有30家鋼鐵行業上市公司2003年至2007年的臉譜圖。為方便起見，這里報告2003年度30家鋼鐵行業上市公司財務綜合狀況的臉譜圖如（圖2）。利用上述分析結果，則可以展開利用Chernoff 臉譜對上市公司財務績效狀況的靜態和動態兩方面的分析。
（1）Chernoff臉譜靜態聚類分析。對于上市公司財務狀況的多元圖形分析，其第一層的意義乃是可以進行最初的聚類分析，以2003年鋼鐵行業30家上市公司為例，按照對臉譜圖的最初印象，可以將圖形結果分為六類，具體見（圖3）。顯然通過聚類，可以清楚地將上市公司的財務狀況做一個大致的分類，而如此分類的方式相對于利用多元統計分析得到的聚類結果，其具有多指標聚類的性質，這一點是數據分析結果較難企及的。利用分類結果，進一步按照臉譜圖本身所具有表性等形象反映上市公司財務狀況的第二層次的功能，可以明顯發現，（圖3）中的第一類和第二類上市公司，其財務狀況綜合看較為良好，各項指標均基本正常。第三類公司則顯著特點是嘴形較大，笑意明顯，表明這三家公司的盈利能力良好，但從眉心來看都不舒展，表明公司的資本運營能力存在一定程度的欠缺。第四類和第五類公司分類則臉部表情較為怪異，說明財務指標數據反映的綜合狀況較為復雜，比如眼睛的斜率不好但較大，反映了一個相互矛盾的償債能力指標，這也表明使用臉譜圖，當指標值良莠參半時，其表性則較為古怪。第六類公司則是明顯地臉形偏、愁眉苦臉，這也清楚地表明這類公司的財務狀況比較糟糕。最后，利用臉譜圖還可以對相近資產的上市公司進行對比分析，例如，取總資產相近的000825以及000629，由（圖2），上市公司 000825給人的第一印象明顯要好于000629；進一步按六個臉譜指標逐對照，000825的臉譜圖除嘴形的寬度不如000629外，其余都好于或相近于000629，說明000825除盈利能力較弱于000629 外，其余均較優于000629。此外，000629 的臉譜圖面有愁容，財務狀況具有危機。
（2）Chernoff臉譜動態跟蹤分析。應用SAS軟件對鋼鐵行業上市公司2003至2007年各年度數據首先按盈利能力、償債能力、運營能力和成長能力進行主成分分析，結果表明各年度的兩主成分累積貢獻率均超過85%，進一步以2003年鋼鐵行業平均值為基期值轉化為臉譜圖，本文展開如下兩主面的動態跟蹤比較。第一，對整個上市公司財務狀況的臉譜圖動態跟蹤分析。應用臉譜圖考察整個鋼鐵行業財務指標四個方面綜合能力平均水平的變化，以2003年鋼鐵行業平均值為基期對比值，對5年間的鋼鐵行業各財務指標按四個方面分別提取主成分后其行業平均水平的臉譜圖見（圖4），實證數據分析表明：由臉譜圖的嘴部表明，整個鋼鐵行業的盈利能力出現一定程度的下降，特別是盈利能力第二主成分即嘴形的寬度減少。而第二主成分主要與主營業務的盈利能力有關，表明整個鋼鐵行業相對于2003年其主營業務利潤率有所下降，其中一個主要原因是鐵礦石價格不斷攀升導致。由臉譜圖的眼部表明，整個鋼鐵行業的償債能力也漸次下降，2005年后基本穩定相差不大。由臉譜圖的眉毛和鼻子的形態表明，整個鋼鐵行業的運營能力喜憂參半，總體來說有所降低；第一主成分對應的眉心并不舒展，但第二主成分對應的鼻子長度增加，這主要是由于各上市分司運營能力指標數據參差不齊導致。由臉譜圖的下臉形態表明，2004年與2005年整個鋼鐵行業的成長能力有所下降，但2006年后則有所增強，這主要與近年來鋼鐵行業在受外部鐵礦石價格因素的影響整個行業進行了一定的整合重組，使得強者愈強以提高行業的整體競爭力。上述圖形分析與我國鋼鐵行業的5 年來的發展情況基本吻合，這表明臉譜圖可以動態反映行業的發展狀況。第二，對單個上市公司財務狀況的臉譜圖進行動態跟蹤分析。簡單起見，本文對鋼鐵行業龍頭企業寶鋼股份，財務狀況變化較為明顯的寶鋼股份、韶鋼松山與鞍鋼新扎等上市公司展開分析，其相應各年度臉譜圖的結果如（圖5）。由（圖5），以2003年鋼鐵行業平均值為基期對比值，實證數據分析表明：寶鋼股份總體來看，各項指標表明其財務狀況基本呈現下降趨勢，僅2005年下臉形態表明有一次較明顯的成長，而鼻子長度增加表明運營能力有所加強，這與寶鋼因為鐵礦石價格上漲壓縮盈利空間和在此原因下的規模擴張有關。韶鋼松山則在2003年各項指標均表明其財務狀況良好，其主要受益于廣東省的經濟建設迅速發展，然而在鐵礦石價格上漲的壓力下，中等規模技術含量相對落后的鋼鐵企業受到的沖擊更大，其臉譜圖表明大部分財務指標狀況出現不同程度的惡化，而鼻子長度增加表明公司加強了內部運營能力，2007年下臉形態表明有一次較明顯的成長。鞍鋼新扎的臉譜圖則表明，受益于本地的鐵礦石資源，除償債能力外，公司其他各項指標表明其財務狀況基本呈現良好趨勢，而償債能力即眼睛變小表明公司在發展過程中充分利用了財務的杠桿作用，同時增加了財務風險。2006年與2007年公司成長明顯，盈利能力也明顯增強。由上述分析可見，臉譜圖對于單個上市公司的財務狀況能夠進行跟蹤反映，并且能通過臉譜的表情綜合反映企業財務狀況的動態變化。
四、結論
對于上市公司財務績效的圖形化分析，由于其直觀形象與綜合性，可以為使用者提供簡單明了又全面的公司財務狀況的初步印象。這為廣大中小投資者了解上市公司基本財務狀況提供了一種有效途徑，從而避免了對大量財務數據的整理分析，使得更多的普通投資者也可以解讀公司的基本狀況。運用臉譜圖分析上市公司的財務狀況，可以從臉的形狀和表情來直觀反映公司的情況，更貼切地實現了上述圖形化的特點，因此具有廣泛的實用價值。在靜態分析的基礎上進一步展開了上市公司財務狀況臉譜圖的動態跟蹤研究，以鋼鐵行業為例實證分析發現，臉譜圖既能對整個鋼鐵行業的綜合財務狀況進行有效跟蹤，也能對單個上市公司的財務狀況進行動態跟蹤，其臉譜圖能夠很好地反映上市公司在不同時期各財務指標的動態變化，從而更好地幫助投資者了解上市公司財務的歷史信息，進行對比分析。由此可見，臉譜圖不僅可以作為聚類分析和判別分析的輔助手段，也可以進一步作為綜合評價和動態跟蹤方法展開應用。研究過程中也發現應用臉譜圖進行上市公司財務狀況評價和動態跟蹤需要進一步探討的問題：基期參照財務指標值的設定，本文使用的是2003年鋼鐵行業財務指標的平均值作為閾值，其參考點是否合理仍可進一步商榷。進行無量綱化的方法的選擇，不同的方法實證結果會有一定的出入。臉譜圖的表情處理問題需進一步改善。在進行將預處理后的財務指標數據對應到各臉譜圖的數值轉換映射時，對于靈敏度的處理需進一步改善，以保證臉譜圖的表情能夠更準確地反映上市公司財務狀況。
*本文湖南省教育廳科研項目“上市公司財務績效評價方法與多元圖形化研究”（編號：06C644）以及懷化學院重點學科金融學建設項目階段性成果
參考文獻：
［1］［美］Richard A.Johnson & Dean W.Wichern著、陸璇譯：《多元統計分析》，清華大學出版社2001年版。
［2］王強：《“銀行風險雷達圖”在我國商業銀行風險監測中的應用》，《上海金融》2000年第5期。
［3］舒曉惠等：《上市公司財務的樹譜分析及實證研究》，《金融經濟》2006年第2期。
［4］舒曉惠等：《上市公司財務的Chernoff臉譜分析及實證研究》，《金融經濟》2006年第2期。
5月5日15時19分，一架在后機身涂有象征天空藍色和大地綠色的大型客機，瀟灑穩健地降落在第四跑道上。這是一個歷史性的時刻――它標志著中華民族百年的“大飛機夢”終于取得了歷史性突破。而C919的下線以及首飛，不僅僅是一個產品的成功研制，更是一種新模式新體系――智能制造的實踐檢驗。
2015年5月，國務院印發《中國制造2025》規劃，部署全面推進實施制造強國戰略。規劃提出， 以加快新一代信息技術與制造業深度融合為主線，以推進智能制造為主攻方向。
智能制造是一系列熱點技術的總稱，它是基于物聯網、大數據、云計算等新一代信息技術，貫穿于研發、設計、生產、管理、服務等制造活動的各個環節，具有信息深度自感知、智慧優化自決策、精準控制自執行等功能的先進制造過程、系統與模式的總稱。
智能制造具有以智能工S為載體、以關鍵制造環節智能化為核心、以端到端數據流為基礎、以全面深度互聯為支撐四大特征，其目標是縮短研發周期、降低運營成本、提高生產效率、提升產品質量、降低資源能耗。
C9型客機成功首飛意味著中國實現了民機技術集群式突破，形成了我國大型客機發展的核心能力，其中就包括工業大數據技術。
中國商用飛機有限責任公司信息化中心主任王文捷介紹，大飛機一次飛行產生的數據量達到10個TB的量級，也就是說至少20臺500G大硬盤的電腦才能裝得下。而中國商飛公司，不僅要成功研制自主知識產權大飛機，還要成功運營大飛機制造商，從適航試飛到供應鏈管理，分分秒秒、日新月異的大數據堪稱天量。
專家表示，設計圖紙將成為過去，飛機完全是在數字世界里設計的，3D幾何數據模型以數字模型的形式呈現飛機。數字化樣機將含有制造所需的全部信息，不僅含有產品幾何體，而且還含有制造產品所需的信息，比如材料、技術要求、包含的標準件、授權的文件等。在裝配階段，數字化裝配技術將實現飛機裝配建模、裝配序列建模、裝配路徑規劃和裝配過程分析。
為此，中國商飛已經新合并成立信息化與管理創新部，并專門下設數據處，用數據驅動創新。如今，中國商飛建立起以零件號、版次、物料組等為基礎的編碼標準，給大大小小每一種零件都配上“身份檔案”和“電子履歷”，引入11萬種以上的物料主數據。王文捷表示，即使在像馬航MH370這樣的事件中，任何零件都可追溯還原為一架完整的飛機，甚至倒查出某零件的前世今生。目前，C919研制已形成全程管控中心，可實現三維可視化分析。
“對于民用飛機來說，不僅僅是實現技術上的成功，把飛機飛上天，還要讓這架飛機在航線上取得商業成功。中國商飛在飛機的研制過程中，伴隨產品的演化衍生出各類試飛數據、試演數據、在航線運營過程中關機監控的數據，所有的數據貫穿始終。”王文捷說。
“我國智能制造未來發展潛力巨大，2020年我國智能制造產值有望超過3萬億元，年均復合增長率約20%。”國家信息中心副主任馬忠玉在大數據智能應用推動制造業變革與升級研討會上強調，智能制造是中國制造業轉型升級的戰略支點。
隨著產業互聯網和智能制造時代的到來，工業大數據技術將成為制造業轉型升級的重要引擎，是驅動研發設計智能化、生產過程智能化、 管理經營智能化、市場營銷智能化、服務運維智能化、新業態新模式智能化的關鍵要素。
工業大數據的演變
自工業從社會生產中獨立成為一個門類以來，工業生產的數據采集、使用范圍就逐步加大。從泰勒拿著秒表計算工人用鐵鍬送煤到鍋爐的時間開始，是對制造管理數據的采集和使用；福特汽車的流水化生產，是對汽車生產過程的工業數據的采集和工廠內使用；豐田的精益生產模式，將數據的采集和使用擴大到工廠和上下游供應鏈；核電站發電過程中全程自動化將生產過程數據的自動化水平提高到更高程度。
任何數據的采集和使用都是有成本的，工業數據也不例外。但隨著信息技術的發展，一批智能化、高精度、長續航、高性價比、微型傳感器面世，以物聯網為代表的新一代網絡技術在移動數據通信的支持下，能做到任何時間、任何地點采集、傳送數據。以云計算為代表的新型數據處理基礎架構，大幅降低工業數據處理的技術門檻和成本支出。以工業領域的SCADA系統為例，傳統模式下每個電網、化工企業都需要建立一套SCADA系統，成本在千萬以上，如果采用云架構模式，成本可以降低7成以上。
社會需求的演進是工業變革的重要動力。當經濟發展進入新常態，商品極大豐富甚至出現過剩，以個性化、多元化為代表的消費文化，使得工業企業的產出物，要最大限度匹配個性需求和多元需求。
以服裝定制為例，通過制訂一套數據采集手段，通過線上或線下采集用戶身形數據，然后將數據傳回總部，結合生產原材料數據，對需求和工藝進行分解，實現柔性生產，達到定制化要求的服裝，而且效率和質量都可以得到保證。隨著生產線的擴容線性提升和工藝的不斷改進，定制化生產的成本將得以顯著攤薄，可以滿足大批量個性化定制的社會生產需求。
無論是德國工業4.0，還是美國的工業互聯網，其核心都離不開工業大數據。德國“工業 4.0 ”戰略的實施重點在于信息互聯技術與傳統工業制造結合， 其中大數據分析作為關鍵技術將得到較大范圍應用。一是“智能工廠”，重點研究智能化生產系統及過程，以及網絡化分布式生產設施的實現；二是“智能生產”，主要涉及整個企業的生產物流管理、人機互動以及 3D 技術在工業生產過程中的應用等；三是“智能物流”，主要通過互聯網、物聯網、物流網，整合物流資源，充分發揮現有供應方的效率，需求方則能夠快速獲得服務匹配。
美國擁有強大的互聯網、云計算及大數據處理能力，基于此，提出工業互聯網戰略，將單個設備、單條生產線、單個工廠的數據聯網，通過大數據處理后，在診斷、預測、后服務等方面挖掘工業服務的價值。2014 年，美國白宮總統行政辦公室《 2014 年全球大數據白皮書》，指出美國大型企業在投資數據科技方面存在以下幾個關鍵驅動因素：分析運營和交易的能力；洞察客戶線上消費的行為，以向市場提供新的高度復雜的產品；對組織中的機器和設備進行更加深入的感知。
中國相對于德國、美國而言，在工業自動化和數字化方面都處于發展期。《中國制造2025》明確提出通過工業化和信息化融合發展的方式，制定一系列的重點工程和推進計劃。為推動智能制造的發展，國務院又于2015年8月了《促進大數據發展行動綱要》，強調要發展工業大數據，推動大數據在工業研發設計、生產制造、經營管理、市場營銷、售后服務等產品全生命周期、產業鏈全流程各環節的應用，分析感知用戶需求，提升產品附加價值，打造智能工廠。建立面向不同行業、不同環節的工業大數據資源聚合和分析應用平臺。抓住互聯網跨界融合機遇，促進大數據、物聯網、云計算和三維（3D）打印技術、個性化定制等在制造業全產業鏈集成運用，推動制造模式變革和工業轉型升級。
工業大數據來源及特點
在工業生產中，無時無刻不產生數據。那么什么是工業大數據？中國電子技術標準化研究院的《工業大數據白皮書（2017版）》指出，工業大數據是指在工業領域中，圍繞典型智能制造模式，從客戶需求到銷售、訂單、計劃、研發、設計、工藝、制造、采購、供應、庫存、發貨和交付、售后服務、運維、報廢或回收再制造等整個產品全生命周期各個環節所產生的各類數據及相關技術和應用的總稱。其以產品數據為核心，極大延展了傳統工業數據范圍，同時還包括工業大數據相關技術和應用。
工業大數據主要來源于機器設備數據、工業信息化數據（包括傳統工業設計和制造類軟件、企業資源計劃ERP、產品生命周期管理PLM、供應鏈管理SCM、客戶關系管理CRM和環境管理系統EMS等）和產業鏈跨界數據（包括氣象、地理、環境、宏觀經濟）。
今天做工業大數據分析，不僅要看自己數據還要看別人的數據，比如優化供應鏈的時候還需要市場銷售的數據、供應商的數據等。風電優化分析除了利用風機的數據，也需要結合氣象的數據。很多外部數據原來工業界從來沒有嘗試過管理這些數據，這是大數據分析的時候傳統工業管理數據的機制遇到的一些挑戰。
“制造業大數據是一座金礦！”北京大學工學院工業工程與管理系主任侍樂媛表示，制造業擁有的大數據遠超其他行業，但到現在為止距開采出來還差得很h，很多數據天天“流淌”都沒有辦法收集起來。究其原因，制造業大數據具有復雜性，是動態復雜的拆分合并數據。從全球應用現狀看，制造業基本上是縱向數據的采集和利用，缺乏橫向數據的鏈接和利用。實際上，制造業需要經緯縱橫的數據采集能力。
工業大數據除了具有一般大數據的特征，比如容量大、類型多、存取速度快、應用價值高，業界認為還具有實時性、準確性、閉環性、集成性、透明性、預測性等特征。
清華大學數據科學研究院工業大數據研究中心總工程師、昆侖數據公司CTO王晨表示，工業大數據主要面臨兩方面的變化，第一是人才的變化，以前用大數據是互聯網公司的復合型極客，這些人有很強的數學功底、編程能力、數據管理技術、分布式計算技術，同時掌握領域的業務知識，是具備四大方面的全面型的人才。在產業互聯網領域里的人更多的是熟悉領域業務知識，而計算機能力真的很有限。第二是數據種類的變化，以前互聯網領域是大量的文本數據、社交數據、多媒體數據等，而產業互聯網領域是大量的傳感器產生的實時數據、企業內部的業務過程數據，大量的非結構化工程數據、仿真數據、設計的CAD數據，這些數據跟傳統互聯網的數據都不太一樣。
工業大數據如何變革制造業
“大數據驅動智能制造加快發展，加快互聯網與制造業快速融合，是傳統制造業變革與升級的重要內容。”馬忠玉表示，大數據智能應用發展對生產、生活都產生重大影響，以數據挖掘分析為核心的應用和服務，為經濟社會發展帶來了深刻變革。
工業大數據技術是指工業大數據中所蘊含的價值得以挖掘和展現的一系列技術和方法，包括數據采集、預處理、存儲、分析挖掘、可視化和智能控制等。工業大數據是智能制造的關鍵技術，主要作用是打通物理世界和信息世界，推動生產型制造向服務型制造轉型。其在智能制造中有著廣泛的應用前景，在智能制造中有著廣泛的應用前景，在產品市場需求獲取、產品研發、制造、運行、服務直至報廢回收的產品全生命周期過程中，工業大數據在智能化設計、智能化生產、網絡協同制造、智能化服務、個性化定制等場景都發揮出巨大的作用。
創新研發設計模式實現個性化定制
實現定制化設計。企業通過互聯網平臺能夠收集用戶的個性化產品需求，也能獲取到產品的交互和交易數據；挖掘和分析這些客戶動態數據，能夠幫助客戶參與到產品的需求分析和產品設計等創新活動中，實現定制化設計，再依托柔性化的生產流程，就能為用戶生產出量身定做的產品。例如，海爾集團沈陽冰箱工廠利用云將用戶需求和生產過程無縫對接，用戶個性化需求可直接發送到生產線上，實現定制化生產。用戶還可通過生產線上的上萬個傳感器隨時查到自己冰箱的生產進程。目前，一條生產線可支持500多個型號的柔性化大規模定制，生產時間可以縮短到10秒一臺。
私人定制工廠青島紅領也探索出了C2M、M2B等服裝定制模式，通過精準的量體裁衣，在其他成衣服裝規模關店的市場下，能保持每年150%的收入和利潤增長，每件衣服的成本僅比成衣高10%。小米手機也屬于這一類。
利用大數據進行虛擬仿真。傳統生產企業在測試、驗證環節需要生產出實物來評測其性能等指標，成本隨測試次數增加而不斷提升。利用虛擬仿真技術，可以實現對原有研發設計環節過程的模擬、分析、評估、驗證和優化，從而減少工程更改量，優化生產工藝，降低成本和能耗。長安福特采用虛擬仿真技術改良汽車設計環節，設計師帶著3D眼鏡能夠看見最新設計的福特轎車，甚至還能夠模擬坐進車內，感受內裝是否符合心意。如果有任何不好的地方，設計師能夠馬上通過軟件修改，減少了開發產品的次數，能夠在短時間內完成更多的設計工作，更快地反映市場的需求。
促進研發資源集成共享和創新協同。企業通過建設和完善研發設計知識庫，促進數字化圖紙、標準零部件庫等設計數據在企業內部以及供應鏈上下游企業間的資源共享和創新協同，提升企業跨區域研發資源統籌管理和產業鏈協同設計能力。提升企業管理利用全球研發資源能力，優化重組研發流程，提高研發效率。例如，C9型客機成功首飛意味著中國實現了民機技術集群式突破，形成了以中國商飛公司為平臺，包括設計研發、總裝制造、客戶服務、適航取證、供應商管理、市場營銷等在內的我國民用飛機研制核心能力，形成了以上海為龍頭，陜西、四川、江西、遼寧、江蘇等22個省市、200多家企業、近20萬人參與的民用飛機產業鏈。
在C919飛機的智能制造項目建設過程中，形成了一套主制造商―供應商模式下的協同制造技術、管理方法。C919飛機的研發成員企業包括了設計與主制造商、10家機體結構、24家機載設備、16家材料供應商和54家標準件等供應商，另有200多家企業參與了項目的研制過程。通過協同設計、敏捷生產與智能管理等先進技術手段，將飛機從設計到制造過程中涉及的設計商、制造商、供應商、集成商等成員有機緊密聯合。
其中，在協同設計方面，中國商飛通過構建多供應商協同設計環境，并實施基于模型的定義、工藝設計等應用技術，建立起民用飛機聯合協同研制的新模式，建設協同研制平臺，實現了設計與制造過程的一體化。同時，在智能管理方面，全面實施了PLM、ERP、MES、BI等信息化平臺，實現了各系統之間的信息互通和集成，支撐了制造現場層、車間控制層、業務操作層、業務管理層、企業決策層的一體化智能管理。
培育研發新模式。基于設計資源的社會化共享和參與，企業能夠立足自身研發需求開展眾創、眾包等研發新模式，提升企業利用社會化創新和資金資源能力。在帝樽空調和天樽空調的研發過程中，海爾集團前期通過互聯網平臺與數十萬用戶實時互動，提取用戶對產品的共性需求。然后利用HOPE（開放創新平臺）平臺對接全球100多萬個領域專家和上千家全球一流的研發資源。
建立先進生產體系實現智能化生產
提升車間管理水平。現代化工業制造生產線安裝有數以千計的小型傳感器，來探測溫度、壓力、熱能、振動和噪聲等，利用這些數據可以實現很多形式的分析，包括設備診斷、用電量分析、能耗分析、質量事故分析等。在生產過程中使用這些大數據，就能分析整個生產流程，一旦某個流程偏離了標準工藝，就會發出報警信號，快速地發現錯誤或者瓶頸所在。
優化生產流程。將生產制造各個環節的數據整合集聚，并對工業產品的生產過程建立虛擬模型，仿真并優化生產流程。當所有流程和績效數據都能在系統中重建時，對各環節制造數據的集成分析有助于制造商改進其生產流程。例如，在能耗分析方面，在設備生產過程中利用傳感器集中監控所有的生產流程，能夠發現能耗的異常或峰值情形，由此便可在生產過程中優化能源的消耗，對所有流程進行分析，此舉將會大大降低能耗。
德國安貝格電子工廠基于西門子PLM軟件在虛擬環境中仿真產品的研發和生產，并在真實世界的工廠中進行實際操作，即實現了產品跨行業的多樣化，也提升了生產效率和質量。研發環節，安貝格擁有一個虛擬的工廠，研發設計部門把虛擬的研發產品同步給生產部門來生產，兩部門有著統一平臺，并時刻保持著協調的一致性。真實工廠生產時的數據參數、生產環境等都會通過虛擬工廠來反映出來，而人則通過虛擬工廠對現實中的真實工廠進行把控。生產環節，當一個元件進入烘箱時，機器會判斷該用什么溫度以及溫度持續的時間長短，并可以判斷下一個進入烘箱的元件是哪一種，并適時調節生產參數。安貝格工廠的每一條生產線每天并不是一成不變地只生產一種產品，生產系統會實時同步研發部門的最新指示，自動跳轉到不同產品或者器件的生產模式。在這樣的生產模式下，該工廠每年可生產約1000個品種共計1200萬件工業控制產品。按照每年生產230天計算，平均每秒就能生產出一件產品，其中百萬件缺陷僅為15，缺陷率僅為德國工人的1/25。
優化經營管理體系實現精益化管理
優化工業供應鏈。RFID等電子標識技術、物聯網技術以及移動互聯網技術能幫助工業企業獲得完整的產品供應鏈的大數據，利用這些數據進行分析，將帶來倉儲、配送、銷售效率的大幅提升和成本的大幅下降。跟蹤產品庫存和銷售價格，而且準確地預測全球不同區域的需求，從而運用數據分析得到更好的決策來優化供應鏈。
推動經營管理全流程的銜接和優化。整合企業生產數據、財務數據、管理數據、采購數據、銷售數據和消費者行為數據等資源，通過數據挖掘分析，能夠幫助企業找到生產要素的最佳投入比例，實現研產供銷、經營管理、生產控制、業務與財務全流程的無縫銜接和業務協同，促進業務流程、決策流程、運營流程的整合、重組和優化，推動企業管理從金字塔靜態管理組織向扁平化動態管理組織轉變，利用云端數據集成驅動提升企業管理決策的科學性和運營一體化能力。
例如，三一公司通過在線跟蹤銷售出去的挖掘機的開工、負荷情況，就能了解全國各地基建情況，進而對于宏觀經濟判斷、市場銷售布局、金融服務提供調整依據。
促進商業模式創新實現服務型制造
大數據將幫助工業企業不斷創新產品和服務，發展新的商業模式。通過嵌在產品中的傳感器，企業能夠實時監測產品的運行狀態，通過商務平臺，企業能夠獲得產品的銷售數據和客戶數據，通過對這些數據的分析和預測，企業能夠開展故障預警、遠程監控、遠程運維、質量診斷等在線增值服務，提供個性化、在線化、便捷化的增值服務，擴展產品價值空間，使得以產品為核心的經營模式向“制造+服務”的模式轉變。
比如，GE不銷售發動機，而是將發動機租賃給航空公司使用，按照運行時間收取費用，這樣GE通過引入大數據技術監測發動機運行狀態，通過科學診斷和維護提升發動機使用壽命，獲得的經濟回報高于發動機銷售。
保利協鑫是中國首家突破年產萬噸級以上多晶硅產能和產量、全球最大的光伏切片企業。在光伏切片的生產過程中，有數千個生產參數會影響到切片良品率。
保利協鑫僅切片廠就有1000多臺智能裝備，加上DCS以及復雜的ERP系統，每天產生大量的數據，但是數據存在于“孤島”之上，并沒有實現互聯互通；雖然從采購、生產、銷售、物流等業務全方位實現了信息化，企業在生產過程中重視對數據分析與利用，但都是依靠以往的經驗進行人工分析，很難把握這些數據的關聯性，缺乏可靠的技術支持，也很難得出科學的結果。
