税务数据仓库的构建与数据挖掘

２００７年第２４卷第７期微电子学与计算机１引言随着税务方面的数据越来越丰富，数据库已经无法满足要求，构建数据仓库是很好的解决方案。

在数据仓库的基础上，可以进行有效的决策支持和税务稽查。

文中介绍的税务数据仓库的构建模型、构建步骤、实现方法，并进一步介绍了数据挖掘技术在税务数据仓库中的应用。

２税务数据仓库数据仓库是面向主题的，集成的，时变的，非易失的数据集合。

数据仓库的构建过程与数据挖掘如图１所示。

首先，将外部数据、数据库数据以及文档数据等通过抽取、转化、装载技术（ＥＴＬ技术），放到数据仓库中；其次，在构建的数据仓库基础上，可以进行数据挖掘、知识提取。

最后，可以对挖掘的知识在实践中进行验证。

税务数据仓库的数据来源主要有三方面：（１）“征收”税务数据。

是最主要的数据来源，包括各个纳税企业的纳税种类、税率以及纳税金额等信息，每月有上百万条数据。

（２）“行政”税务数据。

包括税务局行政管理人员信息，数据量较少，总共几万条。

（３）“稽查”数据。

包括需要稽查的对象等信息，数据量也比较少。

税务数据仓库具有以下特点：!主题多，业务逻辑复杂；!业务比较稳定，分析的主题也较稳定；!数据量较大；!需要保留长期的明细历史信息。

３税务数据仓库的构建步骤３．１确定主题建立数据仓库前，需要确定相关主题。

税务数据仓库的主题多，业务逻辑复杂。

下面仅以纳税户为主题进行介绍。

纳税户主题包括纳税户进行纳税时的申请、发票；同时，必须对纳税户进行管理服务；纳税户也可能是税务稽查的对象或者在纳税过税务数据仓库的构建与数据挖掘孙惠琴（中国铁道科学研究院，北京１０００８１）摘要：介绍了某市税务数据仓库构建的模型、步骤，以及实现过程中的难点。

介绍了基于粗集的数据挖掘技术在税务数据仓库中的应用，从而有效地提高了税务稽查的效率。

关键词：数据仓库；粗集；数据挖掘中图分类号：ＴＰ３９文献标识码：Ａ文章编号：１０００－７１８０（２００７）０７－００８０－０３ＴｈｅＢｕｉｌｄｉｎｇｏｆＴａｘＷａｒｅｈｏｕｓｅａｎｄＤａｔａＭｉｎｉｎｇＳＵＮＨｕｉ－ｑｉｎ（ＣｈｉｎａＡｃａｄｅｍｙｏｆＲａｉｌｗａｙＳｃｉｅｎｃｅｓ，Ｂｅｉｊｉｎｇ１０００８１，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｔｈｉｓｐａｐｅｒｉｎｔｒｏｄｕｃｅｓｔｈｅｍｏｄｅｌａｎｄｂｕｉｌｄｉｎｇｓｔｅｐｓｏｆｔａｘｗａｒｅｈｏｕｓｅ．Ｔｈｅｄｉｆｆｉｃｕｌｔｉｅｓｏｆｐｒｏｃｅｓｓａｒｅａｌｓｏｉｎ－ｔｒｏｄｕｃｅｄ．Ｆｕｒｔｈｅｒｍｏｒｅ，ｄａｔａｍｉｎｉｎｇｔｅｃｈｎｏｌｏｇｉｅｓｂａｓｅｄｏｎｒｏｕｇｈｓｅｔａｒｅａｐｐｌｉｅｄｔｏｔｈｅｔａｘｗａｒｅｈｏｕｓｅｔｏｉｍｐｒｏｖｅｔｈｅｅｆｆｉ－ｃｉｅｎｃｙｏｆｔａｘｉｎｓｐｅｃｔｉｏｎ．Ｋｅｙｗｏｒｄｓ：ｄａｔａｗａｒｅｈｏｕｓｅ；ｒｏｕｇｈｓｅｔ；ｄａｔａＭｉｎｉｎｇ收稿日期：２００６－０３－３０８０２００７年第２４卷第７期微电子学与计算机程中有违章现象，如图２所示。

３．２确定数据仓库的模型建立数据仓库前，需要确定模型。

本系统采用了星型模型，如图３所示。

３．３数据仓库的结构与数据抽取数据仓库的模型采用星型模型，星型模型由事实表和维表组成。

３．３．１缓慢变化的表的处理在数据仓库的星型模型中，事实表为中心，和各个维表相连。

比如，图３的“纳税人基本信息”是事实表，连接了多个维表，维表“注册类型”中包括纳税人所属的企业类型。

有些表是随时间而缓慢变化，其在数据仓库中处理过程比在普通的数据库中要复杂，需要考虑周到。

比如，维表“注册类型”中包括纳税人所属的企业类型，假设某企业以前是非股份制企业，现在变成了股份制企业。

在普通数据库中，处理起来只需要一条Ｕｐｄａｔｅ语句即可，但是，在数据仓库中，如果仅仅这样处理，就会丢失掉重要的历史信息，不利于数据仓库的ＯＬＡＰ统计分析。

在数据仓库中，最好的解决方案如下：事实表中的数据用版本号与维表相关联。

比如，企业在版本１的时候是非股份制企业，在版本２的时候是股份制企业，这样可以不丢失历史信息，有助于今后的Ｏ－ＬＡＰ统计分析和数据挖掘。

３．３．２命名规范化从数据库到数据仓库的迁移，命名规则是非常重要的。

命名规范化，有利于数据迁移规则的制订，从而可以方便地进行数据迁移。

比如对于和数据库中完全相同的事实表，在数据仓库中需要以Ｆａ－命名，对于数据仓库中的维表，则以Ｄｉｍ开头进行命名。

这样，在进行ＥＴＬ抽取规则的制定和书写时，非常方便。

３．３．３数据仓库的优化问题数据仓库的优化问题非常重要，因为数据仓库的数据非常多。

优化可以使得数据的查询、迁移非常迅速，大大提高了数据仓库的效率。

本数据仓库采用了Ｏｒａｃｌｅ数据仓库，为了进行数据仓库的优化，解决方案如下：（１）通过索引技术加快数据仓库的查询效率以及统计查询的效率，从而增加决策支持的效率。

Ｏｒａｃｌｅ具有丰富的索引技术，Ｏｒａｃｌｅ数据库中Ｂ－树索引、聚簇索引、哈希聚簇索引等，大大提高了数据库的查询能力，被成功地用到了Ｏｒａｃｌｅ数据仓库中。

另外，Ｏｒａｃｌｅ数据仓库中用到了一种新的索引技术：位图索引（ｂｉｔｍａｐｉｎｄｅｘ），它是二进制的索引，由一组０和１的字符组成。

它适用于数据仓库中大量的统计查询的需要，统计查询速度非常快。

（２）通过分区表等技术加快数据仓库的数据迁移效率。

数据仓库中建立的存储上千万条的数据的税务情况表，需要建立位图索引（ｂｉｔｍａｐｉｎｄｅｘ），便于提高统计查询的速度。

但是，使用位图索引读数据的速度很快，但是写数据的速度慢。

每月如果新增加税务情况表数据（从数据库中迁移数据到数据仓库中），直接向数据仓库中的表中插入数据显然比较慢，需要采用一些优化的方案，而Ｏｒａｃｌｅ８ｉＰａｒｔｉ－ｔｉｏｎｉｎｇＯｐｔｉｏｎ的分区表是一种很好的解决方案。

Ｏｒａｃｌｅ８ｉＰａｒｔｉｔｉｏｎｉｎｇＯｐｔｉｏｎ（数据分区选件）将大表和索引分成可以管理的小块，从而避免了对每个表作为一个大的，单独的对象进行管理。

分区（ｐａｒｔｉ－ｔｏｎｉｎｇ）是一种“分而置之”的技术，它为大量数据提供了可伸缩的性能。

分区通过将操作分配给更小的存储单元，减少了需要进行管理操作的时间，并通过增强的并行处理提高了性能，通过包含故障的影响还增加了可用性。

管理员可以指定每个分区的存储属性，分区在宿主文件系统中的放置情况，这样便增加了对超大型数据库的控制粒度（ｇｒａｎｕｌａｒｉｔｙ）。

对表分区还可以创建单独的索引分区，从而限制了８１２００７年第２４卷第７期微电子学与计算机需要进行索引维护操作的时间。

此外，还提供了种类繁多的局部和全局的索引技术。

分区操作也可以被并行执行。

分区技术还提高了数据的可用性。

当部分数据由于故障或其它原因不可用时，其它分区内的数据不受影响，可以继续使用。

４基于税务数据仓库的数据挖掘利用数据挖掘方法来进行税务稽查的步骤如下：将历史数据分为训练数据和测试数据两部分，以历史数据的税务评估和选案的结果为指导。

首先，利用训练数据，建立挖掘模型并进行挖掘，得到规则库。

其次，利用测试数据，对规则库进行检验，并修正规则库。

然后，利用专家知识和经验，再次修正规则库。

最后，应用规则到当前数据集，判断当前评估和选案的结果。

使用者可通过规则库进行：!规则的管理；!规则参数调整；!规则的应用。

因此，建立灵活的规则库，可以支持正确及时的评估和选案。

对于规则的建立，可以采用数据挖掘方法中的粗集方法。

粗集理论是由波兰的Ｚ．Ｐａｗｌａｋ教授于１９８２年提出的。

它从新的角度把握知识，把知识和分类紧密联系起来，为处理不精确、不完全数据的分类问题提供了更符合人类认知的数学工具。

粗集是目前使用较多的一种归纳学习方法，它不仅能对知识系统进行数据约简，从决策表中导出决策规则，而且能分析属性间的依赖关系，并可对导出的规则进行评价。

粗集已被广泛地应用于专家系统、决策支持系统、机器学习、归纳推理、数据挖掘、模式识别等领域。

粗集的可辨识矩阵是由斯科龙（Ｓｋｏｗｒｏｎ）教授提出的。

在粗集中，知识系统可用一个４元组来描述：Ｓ＝（Ｕ，Ａ，Ｖ，ｆ），其中Ｕ表示数据集中的所有对象；Ａ表示数据集中的全部属性，Ａ＝Ｃ∪Ｄ，Ｃ为条件属性集合（也称特征属性集合），Ｄ为决策属性集合（也称分类属性集合）；ａｉ（ｘｊ）是对象ｘｊ在属性ａｉ上的取值。

ＣＤ（ｉ，ｊ）表示可辨识矩阵中第ｉ行ｊ列的元素，则可辨识矩阵ＣＤ的定义为ＣＤ（ｉ，ｊ）＝｛ａｋ｜ａｋ∈Ｃ∧ａｋ（ｘｉ）≠ａｋ（ｘｉ）｝ｉｆｄ（ｘｉ）≠ｄ（ｘｊ）０ｉｆｄ（ｘｉ）＝ｄ（ｘｊ&）基于可辨识矩阵和逻辑运算的属性约简算法如下：（１）计算决策表的可辨识矩阵ＣＤ；（２）对于可辨识矩阵中的所有取值为非空集合的元素Ｃｉｊ（Ｃｉｊ≠０，Ｃｉｊ≠Ф），建立相应的析取逻辑表达式Ｌｉｊ＝∨ａｉ∈Ｃｉｊａｉ；（３）将所有的析取逻辑表达式Ｌｉｊ进行合取运算，得一个合取范式Ｌ＝∧Ｃｉｊ≠０，Ｃｉｊ≠"Ｌｉｊ；（４）将合取范式Ｌ转化为析取范式的形式，得Ｌ′＝∨ｉＬｉ。

输出属性的约简结果：析取范式中的每个合取项就对应一个属性约简的结果，每个合取项中所包含的属性组成了约简后的条件属性集合。

应用上述算法，对税务数据仓库进行属性约简，并提取出相关的规则。

成功地将这些规则应用于税务稽查中，在实际的税务稽查中，预测准确率达９５％。

５结束语随着数据库的多年的成功应用，企业积累了大量的数据。

将这些历史数据进行整理，构建企业数据仓库，是今后的发展趋势。

文中以税务数据仓库的构建过程为例，系统的介绍了数据仓库的构建步骤、构建难点，在此基础上，介绍了基于粗集的数据挖掘在税务数据仓库中的应用，从而为税务数据仓库的构建提供了借鉴的经验。

参考文献：［１］韩家炜．数据挖掘［Ｍ］．北京：高教出版社，２００１［２］袁怀民．数据仓库中索引技术研究［Ｊ］．宁夏大学学报（自然科学版）．２００４，２５（３）：２３７￣２３９［３］曾黄麟．粗集理论及其应用［Ｍ］．重庆：重庆大学出版社，１９９８［４］王国胤．Ｒｏｕｇｈ集理论与知识获取［Ｍ］．西安：西安交通大学出版社，２００１［５］张文修，梁怡，吴伟志．信息系统与知识发现［Ｍ］．北京：科学出版社，２００３［６］孙惠琴，熊璋．粗集理论集成ＯＲＤＢＭＳ的原型系统［Ｊ］．计算机学报，２００５，２８（２８）：１８７５￣１８８２作者简介：孙惠琴女，（１９７３－），博士。

研究方向为粗集、数据仓库、数据挖掘及应用。

８２。