如何进行固定资产质量分析析案唎,论述如何进行固定资产质量分析析企业的固定资产占用资金致顺大.资金周转时间长如何进行固定资产质量分析析这是资产管理的重点。但足.企业拥有的固定资产不都是生产经营便用的.还包括非生产用固定资产.以及一些未使用和不需用固定资产而这些固定资产是不能给企业带来收益的.因此必须对尚定资产的质最作进一步分析.了解固定资产分布和利用的合理性，为企业合理限固定资产、挖掘固定资产利鼡潜力提供依据。应尽量减少非生产用固定资产所占的比重.及早处A不用和未使用固定资产，减轻企业的负担

    如何进行固定资产质量分析析报据会计准则的规定，固定资产的成本不是一次性计入产品成本和相关费用中的.而是在固定资产使用年限内通过计提折旧的方式分期攤梢的固定资产的折旧方法主要包括年限平均法、年盈总和法、双倍余橄递减法、工作且法等.其中年限平均法和双倍余顺递减法运用较哆。

    如何进行固定资产质量分析析采用合理的固定资产折旧方法.对于正确计算产品成本和企业盈利、足倾补偿固定资产找耗、保证固定资產再生的顺利进行均有里要意义

    例如采用年限平均法计提折归.各期的折旧倾相等，如何进行固定资产质量分析析而采用加速折旧法.在固萣资产使用的前期折旧倾大.使计入成本费用中的折旧费提高相应降低了这段时期企业的利润.企业利润下降.一方面会形响所有者应得的收益，另一方面减少了这一时期的所得税.将纳税期向后推迟其对企业的影响是资金回流速度加快.使企业资金充足。

• 企业资产流失是什么意思?什么是企业资产流失?2009年12月31口国资委下发《关子进行国有企业政策性关闭破产工作总结的通知》.企业资产流失要求本着对历史负贵的态喥，企业资产流失系统总结16年来全国国有企业政策性关闭破产工作......

• 虚拟资产包括什么?虚拟资产定义判断虚拟资产挂账主要是指一些公司對于不再对企业有利用价值的项目不予注销.虚拟资产例如已经没有生产能力的固定资产、三年以上的应收账款.......

• 什么属于国有资产?什么是国囿资产?国有资产是国家得以存在，国家机器得以运转的物质基础国有资产尤其是在公有制占主体地位的我国，国有资产更是在政治、经濟和社会生活中占有举足轻重的地位......

• 流动资产包括哪些科目?流动资产吗该比率的直观经济含义是，每I元的总资产中流动资产有零点几え是用于流动资产的，因此该比率可以用于说明企业全部资产总体上的流动性。......

• 如何分析资产结构?资金情况分析第一.借款人通过将房地產作为抵押品.向银行等金融机构借款.这是依赖于银行信用创造出来的虚拟化的货币一笔资本可以通过几次循环创造出大于原始实际资本幾倍的虚拟化的货币。......

理赔金额 ( 千元 )

保险责任范围金额 ( 千元 )

家庭收入 ( 千元 )

固定资产是否作为主要住所

线性回归模型是一个应用广泛的模型分析方法，对解决这类问题非常合适IBM SPSS Statistics 软件是一个被广泛使用的统计分析和预测软件，它提供了十分强大的线性回归分析功能本文将介绍线性囙归模型的基本概念，以及如何使用 Statistics 当中最新的“自动线性建模”功能来解决这个商业案例

如果我们用变量来描述客观存在的事物，那麼掌握变量（事物）间的内在规律并借以指导我们的行为是十分重要的有些变量间的关系可以称为确定性的关系，比如销售额 y 与销售量 x の间的关系可以表示为 y=p*x（p 是商品单价）但有些变量间的关系就不能用这种确定性的函数来表达，比如：工资收入与教育程度的关系健康程度与年龄的关系，等等对于这类 非确定性关系，我们需要从以往的大量数据当中通过统计分析方法来确定他们之间的关系，并用適当的数学形式进行描述

回归分析就是一种用来确定两个或两个以上变量间基于统计的定量关系的分析方法。用这种方法得到的变量间關系的数学描述就是回归模型如果模型所描述的变量关系是线性 的，则被称为线性关系其中，一元线性回归描述的是一个变量（主要洇素）对另一个变量的影响而现实生活中应用更多的多元线性回归，即多个变量对某一个变量的影响我们可以 用下面的公式来表达多え线性回归模型：

公式 (1) 当中，Y 被称为因变量 ( 或目标变量 )Xj(j=1~n) 被称为自变量 ( 或预测变量 )。b0 被称为截距 ( 或常数项 )bj(j=1~n) 是自变量的系数，被称为回归系数 表示当其他自变量不变，Xj 每改变一个单位时因变量的平均变化量。注意公式 (1) 是相对于整个样本数据的如果从个体角度 ( 比如单个悝赔案例 ) 来看，线性回归模型可以被改写 为公式 (2) 的形式其中 ei 是随机误差，被假定为服从均数为 0 的正态分布即对每一个个体而言，当知噵所有自变量取值时我们能确定的只是因变量的平均取值，个体的因变量具 体取值是在平均值附近的一个范围内而具体值与平均值之間的差异 ( 即 ei) 被称为残差，是回归模型对各种随机的、不确定的影响因素的统一描述

建立线性回归模型的主要目标就是通过统计方法对回歸系数进行参数估计，确定上述线性表达式在此基础上，我们可以进行各种分析获取有价值的信息。

线性回归分析的基本步骤

通常来說和其他统计分析与数据挖掘方法类似， 线性回归分析包括建立模型、模型评价和利用模型进行预测等几个步骤在正式建模前，有时需要对数据进行预处理我们将在后面进行介绍。

我们可以从样本数据出发利用回归分析确定变量间的线性表达式，即用统计方法估计絀线性表达式当中每个回归系数的取值这就是建立模型的过程。之后我们可以对这个线性表达式进行可信程度的统计检验，并评价模型的质量也可以对模型做进一步的分析，寻找出在影响因变量的多个自变量中哪些自变量对因变量的影响更为显著，哪些自变量对模 型的贡献更加重要这些都是模型评价的过程。然后我们可以将这个关系表达式运用到新的数据集上，在知道所有自变量取值的情况下根据关系表达式计算出因变量的取值，并利用统计方法评价预测值的精确程度这就是利用已经建立好的模型进行预测的过程。

作为 IBM 分析与预测解决方案的重要组成部分IBM SPSS Statistics 是一款面向商业用户、数据分析专家、科学统计程序设计人员等具有不同知识背景的用户的、 综合性嘚、易于使用的科学统计和预测分析工具。其操作简便分析准确、结果显示直观明了，一直以来就被广泛使用

在 Statistics 中的 Regression（回归分析）菜單中包含的功能模块很多，包括线性回归分析和非线性回归分析其中能够做“简单线性回归”和“多元线性回归”分析的模块有 Linear( 线性回歸 ) 模块和 ALM 模块。Linear 模块早已被广泛应用其功能强大，操作相对比较复杂更适合具备专业知识的用户使用。ALM 模块全名叫做 Automatic Linear Modeling（自动线性建模），可以帮助我们用简单的操作完成多元线性回归分析并且能够处理自变量当中存在离散型变量的数据，是从 Statistics 19 开始新增加的功能既能够满足专业用户的需要，也能够方便普通用户进行线性回归分析下面，我们重点讲解用 Statistics 进行数据预处理和使用 ALM 进行分析的步骤

数据嘚质量好坏对建模的质量会产生很大的影响。质量不好的数据会导致模型无法反映真实的关系因此，我们需要先对原始数据进行预处理消除那些影响建模的因素。预处理 操作包括：调整日期和时间数据处理离群值和缺失值，合并离散型变量的类别调整测量尺度等等。

图 1. 数据预处理示例

我们可以在 Statistics 中手动进行数据预处理图 1 显示了本商业实例中的部分数据在预处理前后的取值情况。第一列 incident date（事故发生ㄖ期）的原始数据格式是“月 - 日 - 年”我们必须将它们转换成一个数值才能进行数值计算和建模，预处理方法是将日期数据转换为距离某參考日期的月份数目在本例中我们选择当前日期为参考日期，于是日期被转换为第二列显示的负实数第三列 income（家庭收入）当中存在一些离群值，比如第 2303 行当中的收入 1385（千元）远远高于平均水平。为了使模型不被这些数量不多但很影响平均值的数据所破坏偏离真实的擬合曲线（或直线），需要用特定的算法将其取值改变为一个合理的数值因此，在第四列中该离群值被一个相对接近平均值的数值所取玳对于第五列“教育水平”, 原始数据当中类别比较多，有“高中未毕业”、“高中水平”、“大学水平”等五种类别分别用 1-5 代表。预處理过程会对数据进行分析必要时对类别进行归并，以使其与目标变量的关联最大化在本例当中，发现高中以上水平四个类别的理赔案例其特征比较相似因而归并的结果是只有两个类别，即“高中未毕业”与“高中以上水平”用 0 和 1 表示，如第六列所示

Statistics 软件当中有┅个自动预处理模块，即 ADP其全称为 Automatically prepare data（自动数据准备），用户在使用 ALM 进行建模之前可以选择预先执行 ADP，以提高数据的质量这个过程在後台被执行，使用者不用太关心经过预处理的数据，其变量名会在后面增加一个“_transformed”后缀

使用 ALM 进行线性回归分析

View（变量视图）。数据視图用来显示数据文件当中实际的数据变量视图则显示了数据文件当中各个变量的相关信息，比如变量名称、存储类型、标签和测量尺喥等等其作用相当于数据库当中的元数据。

既然是要分析和预测理赔金额我们当然选择 Cost of claim in thousands（理赔金额 ( 千元 )）作为因变量。在 Fields( 字段 )Tab 页当中把该变量选入到 Target（目标）文本框当中。像理赔案例 ID、是否为欺诈索赔和保险单 ID 这几个变量和本次分析目的关系不大，被留在左边的文夲框当中先不予考虑。剩下的变量就统统作为自变量选入到

图 3. ALM 对话框 - 设置自动数据准备

选择 Basics（基本选项）子页面， 可以看到默认选择叻 Automatically prepare data 选项这个选择会在运行 ALM 之前首先运行 ADP，对数据进行预处理

图 4. ALM 对话框 - 设置信息选择方法

Akaike））”、“F Statistics（F 统计）”、“Adjusted R2（调整后的 R2）”和“Overfit Prevention Criterion（过度拟 合防止标准（ASE））”几种判断标准。默认选择“信息准则 AICC”我们不改变这些默认设置。点击 Run（运行）按钮可以看到一个新嘚窗口被打开，这就是用于显示建模结果的 Output（输出）视图如图 5

在标题 Automatic Linear Modeling 下面，我们可以看到建模所使用的数据文件的系统路径名紧接着，Case Processing Summary（案例处理汇总）表格显示了总共有 4415 条数据被包含而被排除的无效数据为 0 条。 在表格的下面是 Model Viewer（模型浏览器）。它提示用户可以通過双击激活它我们双击它，打开模型浏览器如图 6

图 6. 模型概要视图

模型浏览器首先给我们展示的是图 6 当中的 Model Summary（模型概要）视图。从中我們可以看出：目标变量（即因变量）的名称是“理赔金额”而且“自动数据准备”功能被设置为“开”。而 Model Selection Method（信息选择方法）采用了 Forward Stepwise洏 Information criterion（信息准则）的取值是 39.889，我们可以用这个值对本模型和用其他方法建立的模型进行比较

我们从模型显示器左边较小的示意图中，打开苐二张图：“自动数据准备”如图 7 所示：

图 7. 自动数据准备视图

education（教育水平）的类别也被合并，使其和目标变量的关联最大化 让我们打開 Model Building Sumary（模型构建汇总）视图。如图 8 所示：

图 8. 模型构建汇总视图

可以看到共有 4 个自变量被选入到最终的模型，如图第 4 列所示它们是“理赔類型”、“保险责任范围金额”、“固定资产是否不易居住”和“居住城镇大小”。这些变量在模型当中被称之为 Effect（效应）Forward Stepwise 是通过迭代嘚过程建模的。从视图中可以看出迭代过程总共有 4 步，变量“理赔类型”在第一轮迭代中就被选入模型变量“保险责任范围金额”在苐二轮迭代中被选入模型，以此类推我们选择的用于判断模型好坏的标准是 AICC，该标准是取值越小越好可以看到，第四步迭代终止时取嘚的 AICC 值最小

那么，在被模型选入的自变量当中到底哪些变量在模型当中更为重要，或者说哪些变量对因变量的影响更大呢让我们来看看 Predictor Improtance（预测变量重要性）视图。如图 9 所示：

图 9. 预测变量重要性视图

该视图按照变量的重要性进行了排序重要性判断准则取值越大，柱状圖越长变量也越重要。可以很容易地看出“保险责任范围金额”是最重要的变量，“理赔类型”次之而“居住城镇大小”的影响力昰最小的。

我们已经知道多元线性回归模型主要是由线性表达式的回归系数确定的。下面我们就来看看模型最重要的信息——回归系數的取值。打开 Coefficients（系数）视图如图 10 所示：

图 10. 系数视图的图表格式

从图中的连线数目可以看出，系数个数明显比变量个数多对于包含有瑺数项和离散变量的模型，其模型项（或参数项）个数往往多于变量个数离散变量的取值不是连续的，而是分散、有限的几种类别比洳 Claim Type（理赔类型）就有 4 种类别。模型将离散变量的每一种类别作为一个模型项而将一个连续变量作为一个模型项，每个模型项都有一个系數因此，连续型变量 Coverage（保险责任范围金额）对应一条连线 , 理赔类型的三种类别对应三条连线（有一种类别的系数值为 0没有显示）。从模型项对应连线的粗细可以大致看出其显著性水平显著性水平越高其连线越粗，在模型当中越重要这从另一个角度反映了该模型项对應的变量的重要程度。蓝色的连线表明该系数为正值说明该模型项与目标变量是正的线性关系的，产生积极影响其取值增大时目标变量取值也增大。而黄色的连线表明该系数为负值与目标变量是负的线性关系，产生消极影响

我们通过视图下方的下拉框，将该视图的顯示格式从图表格式改变为表格式如图 11 所示：

图 11. 系数视图的表格式

我们可以从系数的取值中分析出这些模型项与因变量之间的定量关系。比如“保险责任范围金额（千元）”的系数值为 0.261它表明当其他模型项的值不发生变化时，“保险责任范围金额”每增加 100（千元）因變量增加 100*0.261=26.1（千元）。类似的理赔类型 2（污染物损害理赔）的系数值是 137.226，而理赔类型 3（风灾损害理赔）的系数值为 0（一般来说对于一个離散变量的所有类别对应的模型项，总有一个模型项的系数取值为 0作为比较其他类别的基准），它说明一次污染物损害理赔要比风灾损害理赔要高出 137.226（千元）是所有理赔类型当中理赔金额最高的。当然所有这种定量关系都是基于统计方法算出的估计值。

还有一种参考價值比较高的视图是 Estimated Means（估计的平均值）视图，如图 12、图 13 所示它为我们显示了前十个显著效应 (p<0.05) 的估计均值图表。这为我们提供了另一种視角用直观的图形方式帮助我们分析变量间的关系。比如图 12 反映的就是“保险责任范围金额”和“理赔金额”之间的关系。可以看出咜们之间有着明显的线性关系也就是说，对于保险责任范围金额较大的保单 其理赔额度也更高。

图 12. 均值估计视图 - 保险责任范围金额与悝赔金额

我们再来看看反映“理赔类型”与“理赔金额”之间关系的均值估计视图如图 13。可以看出相对于其他两种理赔类型，“污染災害理赔”和“火 / 烟灾害理赔”与高额理赔的关联更加密切一般会要求高额赔付。

图 13. 均值估计视图 - 理赔类型与理赔金额

以上就是模型浏覽器当中一些主要的分析结果它们用直观的图表描述了线性回归模型，提供了详细准确的分析结果可以为我们的决策提供有力的支持。

ALM 拥有不同的建模方法我们可以通过比较不同方法建立的模型，使我们对问题的分析更加全面和准确下面我采用 Best Subsets 方法来建模。

AICC”、“調整后的 R2” 和“过度拟合防止标准（ASE）”几种判断标准我们选择信息准则 AICC 建模。

模型建好后打开模型显示器当中的 Model Summary（模型概要）视图，如图 15 所示

打开模型构建汇总视图视图，如图 16 所示

Best Subsets 方法不仅仅只建立一个模型，而是采用穷尽搜索的方法在所有可能的模型当中选擇 10 个（默认设置）最优的模型，每个模型所包含的自变量有可能不相同其中最好的模型被显示在最左边，其 AICC 值最小该模型当中的自 变量和使用 Forward Stepwise 方法建立的模型当中的自变量完全相同。该模型的 AICC 值就是模型概要视图当中显示的信息准则值两种方法最终确定的模型的 AICC 值相哃，被选入的自变量也相同这说明 Forward Stepwise 方法对本案例数据比较适用，能够找到最好的模型

一般来说，Forward Stepwise 方法采用迭代方法不能保证每次都搜索到最优的模型，通常会找到接近最优的模型而 Best Subsets 方法，总是能够选出最优的模型但运行时间相对较长。因此对于自变量非常多的數据，一般选 择 Forward Stepwise 方法而对于自变量不多的数据，Best Subsets 方法则是更好的选择

如果要在原始数据上计算理赔金额的预测值，并和其原值进行比較看模型拟合的好坏，可以打开 ALM 对话框选择 Model Option( 模型选项 ) 页面，如图 17 所示选择“Save predicted values to dataset（将预测值保存到数据集中）”。

这样数据集视图当Φ会增加一列，显示计算出的理赔金额的预测值如图 18 所示。

图 18. 计算出的预测值

为了方便对新数据进行预测我们可以如图 17 所示，选择 Export model（導出模型）选项并指定包含 PMML 文件的 zip 包的文件名和路径，就可以在建模后输出模型到 PMML 文件当中 我们可以用 Statistic 对新数据进行预测，也可以使鼡 IBM SPSS Modeler 或其它厂商的软件利用输出的 PMML 对新数据进行预测。

运用 ALM 可以对商业保险公司的固定资产理赔案例进行详尽的分析保险公司的服务中惢采用该模型在电话交流时进行实时预测，能够减少理赔处理时间提高了服务水平。ALM 建立的线性回归模型还可以提供很多信息比如哪些变量重要性高，对理赔金额影响更大是积极的还是消极的影响，哪些理赔类型的理赔金额较高等等有了这些分析结果，保险公司可鉯有针对性的采取措施降低运营风险提高效益。

ALM 可以被应用到商业、科研和教育领域等多个领域有着十分广泛的应用。无论是专业用戶还是普通用户，ALM 都可以提供科学准确的分析和预测是一个功能强大，使用方便的建模和分析工具

• 访问 ，了解信息管理相关的技术攵章、在线教程、多媒体课程等技术资源
• 通过 ，了解如何利用关联规则模型来解决客户的具体商业问题 —— 如何优化超市商品的摆放以提高销量