为了进行指标选取，我们使用数据挖掘功能中的关联分析技术。关联分析挖掘发现大量数据中项集之间的关联和相互联系。关联分析广泛用于购物篮和事务处理的分析。它挖掘的一个典型例子是购物篮分析，该过程通过发现顾客放入购物篮中不同商品之间的联系，分析顾客的购买习惯。我们这里使用的算法是Apriori算法。Apriori算法是一种最有影响的挖掘关联规则频繁项集的算法，由频繁项集可以直截了当地产生强关联规则。算法的名字基于这样的事实：算法使用频繁项集性质的先验知识。Apirori使用一种称作逐层搜索的迭代算法，k项集用于探索（k 1）项集。首先，找出频繁1—项集的集和。该项集记作L1。L1用于找频繁2—项集的集和L2，而L2用于寻找L3，如此下去，直到不能找到频繁k项集。找每个Lk需要一次数据库扫描。
　　为了验证Apriori算法的可行性，我们根据某商业银行提供的数据，构造了一个数据库，该数据库包含有二千多项事实数据，数据库构造过程如下：将现有贷款样本的模糊化数据构成数据库，模糊化过程为：
　　1． 领导者素质、企业经济实力和信誉状况三项由专家打分确定。
　2． 资产负债率、流动比率、速动比率、净利润率和销售增长值根据同行业的具体标准确定。
　　这样，每项贷款的风险要素模糊化的表示如下：X₁=资产负债率={X₁₁好，X₁₂中，X₁₃差}；X₂=流动比率={X₂₁好，X₂₂中，X₂₃差}；X₃=速动比率={X₃₁好，X₃₂中，X₃₃差}；X₄=净利润率={X₄₁好，X₄₂中，X₄₃差}；X₅=销售增长值={X₅₁好，X₅₂中，X₅₄差}；X₆=领导者素质={X₆₁好，X₆₂中，X₆₃差}；X₇=企业经济实力={X₇₁好，X₇₂中，X₇₃差}；X₈=信誉状况={X₈₁好，X₈₂中，X₈₃差}；用Y₁表示贷款风险分类为“正常”，用Y₂表示贷款的风险分类为“损失”，在此基础上通过应用Apriori算法寻找数据库中的频繁项集，来找出影响贷款风险分类的主要因素。
　　使用数据库一条记录举例如下，该数据库表示如下：Y₁，X₁₁，X₂₂，X₃₁，X₄₁，X₅₃，X₆₁，X₇₂，X₈₁则意指为：
　　信用风险分类为“正常”；资产负债率=好；流动比率= 中；速动比率=好；净利润率=好；销售增长值=差；领导者素质=好；企业经济实力=中；信誉状况=好；
　　我们使用C＋＋语言实现Apriori算法，通过Apriori算法扫描前面我们构造的事实数据库，算法找出与信用风险分类最相关的五个要素为：流动比率，净利润率，销售增长值，领导者素质和企业经济实力。上面的五个指标分别体现了企业的流动性、增长性、盈利性等方面的情况，这五个指标和进行信用风险评估时所使用的经典指标是基本一致的。因此可以证明基于Apriori算法选择与信用风险相关的关键指标的方法是可行的。
　　
　　参考文献：
　　1．（加）Jiawei Han，Micheline Kamber著．范明，孟小峰等译．数据挖掘概念与技术．北京：机械工业出版社，2001．
　　2．张维，李玉霜．商业银行信用风险分析综述．管理科学学报，1998，（3）：20-27．
　　3．朱明，杨保安．基于知识的银行贷款分类系统．CJCAI，2001：231-235．
　　4．黄娟，冯玉强，王洪伟．基于联接归纳推理的信贷风险评估集成智能系统．计算机应用研究，1999，（9）：74-16．
　　5．王春峰，万海晖，张维．商业银行信用风险评估及其实证研究．管理科学学报，1998，（1）：68-72．
　　6．（美）约翰·B·考埃特，爱德华·I·爱特曼，保罗·纳拉亚南著．石晓军等译．演进着的信用风险管理．北京：机械工业出版社，2001．
　　7．李志辉．现代信用风险量化度量和管理研究．北京：中国金融出版社，2001．