CN103366091A - 基于多级阈值指数加权平均的异常报税数据检测方法 - Google Patents

基于多级阈值指数加权平均的异常报税数据检测方法 Download PDF

Info

Publication number
CN103366091A
CN103366091A CN2013102919139A CN201310291913A CN103366091A CN 103366091 A CN103366091 A CN 103366091A CN 2013102919139 A CN2013102919139 A CN 2013102919139A CN 201310291913 A CN201310291913 A CN 201310291913A CN 103366091 A CN103366091 A CN 103366091A
Authority
CN
China
Prior art keywords
dutiable goods
vector
declaring dutiable
data
error
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN2013102919139A
Other languages
English (en)
Other versions
CN103366091B (zh
Inventor
刘烃
桂宇虹
刘杨
郑庆华
屈宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Servyou Software Group Co., Ltd.
Original Assignee
Xian Jiaotong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN201310291913.9A priority Critical patent/CN103366091B/zh
Publication of CN103366091A publication Critical patent/CN103366091A/zh
Application granted granted Critical
Publication of CN103366091B publication Critical patent/CN103366091B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Abstract

本发明公开了一种基于多级阈值指数加权平均的异常报税数据检测方法：基于纳税人的历史报税数据，计算报税数据的统计指标；利用残差指数加权滑动平均算法，迭代计算各统计指标的预测值、预测误差和多级误差阈值；根据多级误差阈值，检测异常报税数据并评估异常等级。本方法可以有效提高异常报税数据的检测精度，并实现异常程度的评估。

Description

基于多级阈值指数加权平均的异常报税数据检测方法
技术领域：
本发明涉及数据检测领域，特别涉及一种异常报税数据的检测方法。 
背景技术：
税务审计是指税务机关依法对纳税人、扣缴义务人履行纳税义务、扣缴义务情况所进行的税务稽查和处理工作的总称。税务法律法规复杂、审计点多，通用审计点多达2000项以上；同时审计对象数据庞大，一个大型企业仅财务凭证数据一项，约有数千万笔，按照传统人工方式，完成一家较大企业审计一般需要5-10个人团队工作6个月时间。如何通过对纳税人的报税数据进行自动分析，筛查出异常的报税数据，降低人工审计的数据量，成为税务审计领域亟待解决的问题之一。 
发明内容：
本发明主要目的在于提供一种基于多级阈值指数加权平均的异常报税数据检测方法，采用多级阈值指数加权平均算法分析纳税人的历史报税数据，检测出纳税人的报税数据是否存在异常。 
本发明的目的通过以下技术方案实现： 
基于多级阈值指数加权平均的异常报税数据检测方法，包括以下步骤： 
S100、采集纳税人的历史报税数据； 
S101、根据步骤S100采集的纳税人历史报税数据，计算出各类报税数据在每个报税周期的统计指标； 
S102、根据步骤S101中所计算的统计指标，构建统计指标向量；根据统计指标的报税周期，生成统计指标向量的时间序列S(i)，S(i)表示第i个报税周期的统计指标向量；采用指数加权滑动平均算法计算第i个报税周期的统计指标预测向量PS(i)和误差向量E(i)： 
PS(i)＝λ1·S(i)+(1-λ1)·PS(i-1) 
E(i)＝|S(i)-PS(i-1)| 
其中，平滑系数λ1为0.3，PS(i-1)为第i-1个报税周期预测向量，PS(0)为第1个报税周期的统计指标向量S(1)； 
S103、采用残差指数加权滑动平均算法，计算第i个报税周期的估计误差向量PE(i)： 
PE(i)2＝λ2·E(i)2+(1-λ2)·PE(i-1)2
其中预测误差系数λ2为0.1，PE(0)=0； 
计算获得多级预测误差容忍阈值向量； 
S104、对比报税数据统计指标误差向量E(i)与多级预测误差容忍阈值向量中的误差容忍阈值，判断各报税周期各项数据指标是否含有异常报数数据。 
本发明进一步的改进在于：纳税人的历史报税数据包括各类进项、支出、各税种报税额中的一种或多种。 
本发明进一步的改进在于：步骤S102中统计指标向量的时间序列生成过程为：将在同一报税周期内的各项统计指标Z1,Z2,…,Zn，生成一个统计指标向量S=(Z1,Z2,…,Zn)；根据报税数据的时间顺序，对统计指标集排序，并生成统计指标向量的时间序列S(1),S(2),…,S(i)，其中S(i)=(Z1(i),Z2(i),…,Zn(i))，Zn(i)表示第i个报税周期的第n个统计指标。 
本发明进一步的改进在于：步骤S103中计算多级预测误差容忍阈值向量的方法为：设置m级不同的置信度α1,α2,…,αm，计算对应置信度的正态分布区间值Uα1,Uα2,…,Uαm；与估计误差向量PE(i)相乘，得到多级误差容忍阈值向量CL_1,CL_2,…,CL_m，其中i个报税周期第x级误差容忍阈值向量CL_x(i)计算公式为 
CL_x(i)＝Uαx·PE(i-1)；x、m为正整数，1≤x≤m。 
本发明进一步的改进在于：步骤S104中，在第i个报税周期，寻找预测误差向量E(i)中是否有分量超过多级预测误差容忍阈值，若含有则该分量所对应的报数数据有异常；若预测误差向量E(i)没有任何分量超过多级预测误差容忍阈值，则报税数据中未含有异常数据。 
本发明进一步的改进在于：步骤S104中，在i时刻，寻找预测误差向量E(i)中是否存在任何分量超过多级误差容忍阈值向量的对应分量，若含有则该分量所对应的报数数据有异常，并按照误差容忍阈值向量所对应的置信度的大小分为不同的异常度；若预测误差向量E(i)没有任何分量超过多级预测误差容忍阈值，则报税数据中未含有异常数据。 
本发明进一步的改进在于：步骤S103中所述多级预测误差容忍阈值向量包括第一级误差容忍阈值向量和第二级误差容忍阈值向量；第一级误差容忍阈值向量和第二级误差容忍阈值向量所对应的置信度分别为95%和99%。 
本发明进一步的改进在于：步骤S104中中异常数据的检测方法为：在i时刻，寻找预测误差向量预测误差向量E(i)中是否存在任何分量超过多级误差容忍阈值向量的对应分量，若存在分量Ej(i)大于第x级的误差容忍阈值向量的分量CL_xj(i)，且小于第x+1级的分析CL_x+1j(i)，则输出：“异常检测结果：Zj，其异 常度为x”；若没有任何分量超过多级预测误差容忍阈值，则输出：“未发现异常数据”。 
相对于现有技术，本发明的有益效果是： 
（1）算法复杂度低，有利于大规模使用：全国的纳税人数量已经接近千万数量级，分析算法的复杂度直接影响使用的效果；本发明利用残差指数加权平均算法对纳税人历史数据进行分析，算法复杂度低，运算速度快，可以支持大规模纳税人的数据分析； 
（2）异常检测精度高，实现异常度评估：常规方法异常检测方法依靠单一置信区间设定以检测异常，本发明通过设置多级阈值以评估数据的异常程度，一方面可以更灵活的设置检测阈值，无需担心阈值设置造成的误报与漏报间的矛盾；另一方面，通过对数据的异常度进行评估，给税务审计人员提供决策支持，协助其更快发现异常事件。 
本发明基于纳税人的历史报税数据，计算报税数据的统计指标；利用残差指数加权滑动平均算法，迭代计算各统计指标的预测值、预测误差和多级误差阈值；根据多级误差阈值，检测异常报税数据并评估异常等级；本方法可以有效提高异常报税数据的检测精度，并实现异常程度的评估。 
附图说明：
图1为基于多级阈值指数加权平均的异常报税数据检测方法框图。 
具体实施方式：
请参阅图1所示，本发明一种基于多级阈值指数加权平均的异常报税数据检 测方法，包括以下步骤： 
步骤S100，采集纳税人的历史报税数据，包括各类进项、支出、各税种报税额中的一种或多种； 
步骤S101，根据纳税人的历史报税数据，计算出各类报税数据在每个报税周期的统计指标；本示例中选择上海XX企业2005年至2012年的报税数据作为分析对象，选择增值税比例（A）、营业税比例（B）、销售额年增幅（C）和支出额年增幅（D）作为统计指标，具体数值如表1所示； 
表1上海XX企业2005年至2012年报税数据统计指标 
  2005 2006 2007 2008 2009 2010 2011 2012
增值税比例 25.1% 25.2% 25.3% 24.9% 25.3% 25.7% 25.4% 20.7%
营业税比例 14.2% 13.8% 13.4% 12.9% 13.1% 12.8% 12.9% 21.2%
销售年增幅 13.5% 11.2% 18.6% 10.5% 10.6% 19.1% 18.8% 15.3%
支出年增幅 12.1% 13.3% 15.9% 11.2% 13.8% 17.4% 16.9% 38.1%
步骤S102，根据步骤S101中所计算的统计指标，构建统计指标向量S=（增值税比例，营业税比例，销售额年增幅，支出额年增幅）；根据统计指标的年份，生成统计指标向量的时间序列S(1)-S(8)，分别表示2005年至2012年的统计指标向量；采用指数加权滑动平均算法计算统计指标预测向量PS(i)和误差向量E(i)： 
PS(i)＝λ1·S(i)+(1-λ1)·PS(i-1) 
E(i)＝|S(i)-PS(i-1)| 
其中，平滑系数λ1为0.3，PS(i-1)为上一报税周期的预测向量，PS(0)为统计指标向量S(1)；计算统计指标预测向量和误差向量，如表2和表3所示； 
表2报税数据统计指标预测结果 
  2005 2006 2007 2008 2009 2010 2011 2012
增值税比例 25.1% 25.1% 25.2% 25.1% 25.2% 25.3% 25.3% 24.0%
营业税比例 14.2% 14.1% 13.9% 13.6% 13.4% 13.2% 13.1% 15.6%
销售年增幅 13.5% 12.8% 14.5% 13.3% 12.5% 14.5% 15.8% 15.6%
支出年增幅 12.1% 12.5% 13.5% 12.8% 13.1% 14.4% 15.1% 22.0%
表3报税数据统计指标误差结果 
  2005 2006 2007 2008 2009 2010 2011 2012
增值税比例 0 0.0010 0.0017 0.0028 0.0020 0.0054 0.0008 0.0464
营业税比例 0 0.0040 0.0068 0.0098 0.0048 0.0064 0.0035 0.0806
销售年增幅 0 0.0230 0.0579 0.0405 0.0273 0.0659 0.0431 0.0048
支出年增幅 0 0.0120 0.0344 0.0229 0.0100 0.0430 0.0251 0.2296
步骤S103，采用残差指数加权滑动平均算法，计算估计误差向量： 
PE(i)2＝λ2·E(i)2+(1-λ2)·PE(i-1)2
其中预测误差系数λ2设为0.1，计算估计误差向量，计算结果如表4所示； 
表4报税数据统计指标估计误差结果 
  2005 2006 2007 2008 2009 2010 2011 2012
增值税比例 0 0.0003 0.0006 0.0011 0.0012 0.0021 0.0020 0.0148
营业税比例 0 0.0013 0.0025 0.0039 0.0040 0.0043 0.0042 0.0258
销售年增幅 0 0.0073 0.0196 0.0225 0.0231 0.0302 0.0317 0.0301
支出年增幅 0 0.0038 0.0115 0.0131 0.0128 0.0182 0.0190 0.0748
设定2级误差容忍阈值，置信度分别为95%和99%，计算得到置信度的正态分布区间值U95%=1.96和U99%=2.58，由此计算得到2级误差容忍阈值向量，如表5和表6所示； 
表5第1级误差容忍阈值（95%置信区间） 
  2005 2006 2007 2008 2009 2010 2011 2012
增值税比例 0 0.0006 0.0012 0.0021 0.0023 0.0040 0.0039 0.0290
营业税比例 0 0.0025 0.0048 0.0076 0.0078 0.0084 0.0082 0.0505
销售年增幅 0 0.0143 0.0384 0.0442 0.0452 0.0592 0.0622 0.0591
支出年增幅 0 0.0074 0.0225 0.0256 0.0251 0.0357 0.0373 0.1466
表6第2级误差容忍阈值（99%置信区间） 
  2005 2006 2007 2008 2009 2010 2011 2012
增值税比例 0 0.0008 0.0016 0.0027 0.0031 0.0053 0.0051 0.0382
营业税比例 0 0.0033 0.0064 0.0100 0.0103 0.0110 0.0108 0.0665
销售年增幅 0 0.0188 0.0505 0.0582 0.0595 0.0780 0.0819 0.0778
支出年增幅 0 0.0098 0.0296 0.0337 0.0330 0.0470 0.0491 0.1930
步骤S104，对比表3报税数据统计指标误差结果与表5和表6中的误差容忍阈值，得到各年度各项数据指标的异常度，判断各报税周期各项数据指标是否含有异常报数数据；结果如表7所示； 
表7报税数据异常度评估结果（NULL表示无异常（报税数据统计指标误 差结果小于对应的所有误差容忍阈值），II表示2级异常（报税数据统计指标误差结果小于对应的所有误差容忍阈值大于1级和2级误差容忍阈值），I表示1级异常（报税数据统计指标误差结果小于对应的所有误差容忍阈值大于1级误差容忍阈值，小于2级误差容忍阈值）） 
表7报税数据异常度评估结果 
  2005 2006 2007 2008 2009 2010 2011 2012
增值税比例 NULL II II II NULL II NULL II
营业税比例 NULL II II NULL NULL NULL NULL II
销售年增幅 NULL II II NULL NULL II NULL NULL
支出年增幅 NULL II II NULL NULL II NULL II
分析结果可以看出，2006、2007、2010和2012年存在显著异常，通过分析发现，2006年和2007年的异常是由于模型处于数据训练阶段导致；2010年的异常是2010年经济环境回暖，企业各项指标出现显著增长导致；2012年的异常显示企业的增值税大幅下降而营业税大幅增长，可能是纳税人违规转化税种导致，同时支出成本的增幅也存在显著异常。因此，输出2012年企业的报税数据存在异常，其中增值税比例、营业税比例和支出年增幅数据存在显著异常。 

Claims (7)

1.基于多级阈值指数加权平均的异常报税数据检测方法，其特征在于，包括以下步骤：
S100、采集纳税人的历史报税数据；
S101、根据步骤S100采集的纳税人历史报税数据，计算出各类报税数据在每个报税周期的统计指标；
S102、根据步骤S101中所计算的统计指标，构建统计指标向量；根据统计指标的报税周期，生成统计指标向量的时间序列S(i)，S(i)表示第i个报税周期的统计指标向量；采用指数加权滑动平均算法计算第i个报税周期的统计指标预测向量PS(i)和误差向量E(i)：
PS(i)＝λ1·S(i)+(1-λ1)·PS(i-1)
E(i)＝|S(i)-PS(i-1)|
其中，平滑系数λ1为0.3，PS(i-1)为第i-1个报税周期预测向量，PS(0)为第1个报税周期的统计指标向量S(1)；
S103、采用残差指数加权滑动平均算法，计算第i个报税周期的估计误差向量PE(i)：
PE(i)2＝λ2·E(i)2+(1-λ2)·PE(i-1)2
其中预测误差系数λ2为0.1，PE(0)=0；
计算获得多级误差容忍阈值向量；
S104、对比报税数据统计指标误差向量E(i)与多级误差容忍阈值向量中的误差容忍阈值，判断各报税周期各项数据指标是否含有异常报数数据。
2.根据权利要求1所述的基于多级阈值指数加权平均的异常报税数据检测方法，其特征在于，纳税人的历史报税数据包括各类进项、支出、各税种报税额中的一种或多种。
3.根据权利要求1所述的基于多级阈值指数加权平均的异常报税数据检测方法，其特征在于，步骤S102中统计指标向量的时间序列生成过程为：将在同一报税周期内的各项统计指标Z1,Z2,…,Zn，生成一个统计指标向量S=(Z1,Z2,…,Zn)；根据报税数据的时间顺序，对统计指标集排序，并生成统计指标向量的时间序列S(1),S(2),…,S(i)，其中S(i)=(Z1(i),Z2(i),…,Zn(i))，Zn(i)表示第i个报税周期的第n个统计指标。
4.根据权利要求1所述的基于多级阈值指数加权平均的异常报税数据检测方法，其特征在于，步骤S103中计算多级预测误差容忍阈值向量的方法为：设置m级不同的置信度α1,α2,…,αm，计算对应置信度的正态分布区间值Uα1,Uα2,…,Uαm；与估计误差向量PE(i)相乘，得到多级误差容忍阈值向量CL_1,CL_2,…,CL_m，其中i个报税周期第x级误差容忍阈值向量CL_x(i)计算公式为CL_x(i)＝Uαx·PE(i-1)；x、m为正整数，1≤x≤m。
5.根据权利要求4所述的基于多级阈值指数加权平均的异常报税数据检测方法，其特征在于，步骤S104中，在第i个报税周期，寻找预测误差向量E(i)中是否有分量超过多级误差容忍阈值，若含有则该分量所对应的报数数据有异常；若预测误差向量E(i)没有任何分量超过多级误差容忍阈值，则报税数据中未含有异常数据。
6.根据权利要求4所述的基于多级阈值指数加权平均的异常报税数据检测方法，其特征在于，步骤S104中，在i时刻，寻找预测误差向量E(i)中是否存在任何分量超过多级误差容忍阈值向量的对应分量，若含有则该分量所对应的报数数据有异常，并按照误差容忍阈值向量所对应的置信度的大小分为不同的异常度；若预测误差向量E(i)没有任何分量超过多级误差容忍阈值，则报税数据中未含有异常数据。
7.根据权利要求1或6所述的基于多级阈值指数加权平均的异常报税数据检测方法，其特征在于，步骤S103中所述多级误差容忍阈值向量包括第一级误差容忍阈值向量和第二级误差容忍阈值向量；第一级误差容忍阈值向量和第二级误差容忍阈值向量所对应的置信度分别为95%和99%。
CN201310291913.9A 2013-07-11 2013-07-11 基于多级阈值指数加权平均的异常报税数据检测方法 Active CN103366091B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310291913.9A CN103366091B (zh) 2013-07-11 2013-07-11 基于多级阈值指数加权平均的异常报税数据检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310291913.9A CN103366091B (zh) 2013-07-11 2013-07-11 基于多级阈值指数加权平均的异常报税数据检测方法

Publications (2)

Publication Number Publication Date
CN103366091A true CN103366091A (zh) 2013-10-23
CN103366091B CN103366091B (zh) 2015-08-26

Family

ID=49367418

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310291913.9A Active CN103366091B (zh) 2013-07-11 2013-07-11 基于多级阈值指数加权平均的异常报税数据检测方法

Country Status (1)

Country Link
CN (1) CN103366091B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104102833A (zh) * 2014-07-10 2014-10-15 西安交通大学 基于密集区间发现的税务指标归一化与融合计算方法
CN104517232A (zh) * 2014-12-19 2015-04-15 西安交通大学 一种挖掘纳税金额突增的关联纳税人群体的方法
CN107086944A (zh) * 2017-06-22 2017-08-22 北京奇艺世纪科技有限公司 一种异常检测方法和装置
CN108667686A (zh) * 2018-04-11 2018-10-16 国电南瑞科技股份有限公司 一种网络报文时延测量的可信度评估方法
CN108880841A (zh) * 2017-05-11 2018-11-23 上海宏时数据系统有限公司 一种业务监控系统的阀值设置、异常检测系统及方法
CN111325472A (zh) * 2020-02-28 2020-06-23 北京思特奇信息技术股份有限公司 一种异常数据检测方法和系统
CN114445207A (zh) * 2022-04-11 2022-05-06 广东企数标普科技有限公司 基于数字人民币的税务管理系统
CN115801901A (zh) * 2023-01-05 2023-03-14 安徽皖欣环境科技有限公司 一种企业生产排放数据压缩处理方法
CN116342301A (zh) * 2023-03-08 2023-06-27 深圳欧税通技术有限公司 一种基于大数据的跨境企业税务申报状况监测管理系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002039254A1 (en) * 2000-11-09 2002-05-16 Spss Inc. System and method for building a time series model
CN101615186A (zh) * 2009-07-28 2009-12-30 东北大学 一种基于隐马尔科夫理论的bbs用户异常行为审计方法
CN101916335A (zh) * 2010-08-19 2010-12-15 河北农业大学 城市需水量时间序列-指数平滑模型预测方法
CN102539823A (zh) * 2012-01-13 2012-07-04 重庆大学 一种wtg风速分布的预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002039254A1 (en) * 2000-11-09 2002-05-16 Spss Inc. System and method for building a time series model
CN101615186A (zh) * 2009-07-28 2009-12-30 东北大学 一种基于隐马尔科夫理论的bbs用户异常行为审计方法
CN101916335A (zh) * 2010-08-19 2010-12-15 河北农业大学 城市需水量时间序列-指数平滑模型预测方法
CN102539823A (zh) * 2012-01-13 2012-07-04 重庆大学 一种wtg风速分布的预测方法

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104102833A (zh) * 2014-07-10 2014-10-15 西安交通大学 基于密集区间发现的税务指标归一化与融合计算方法
CN104517232A (zh) * 2014-12-19 2015-04-15 西安交通大学 一种挖掘纳税金额突增的关联纳税人群体的方法
CN104517232B (zh) * 2014-12-19 2018-07-17 西安交通大学 一种挖掘纳税金额突增的关联纳税人群体的方法
CN108880841A (zh) * 2017-05-11 2018-11-23 上海宏时数据系统有限公司 一种业务监控系统的阀值设置、异常检测系统及方法
CN107086944B (zh) * 2017-06-22 2020-04-21 北京奇艺世纪科技有限公司 一种异常检测方法和装置
CN107086944A (zh) * 2017-06-22 2017-08-22 北京奇艺世纪科技有限公司 一种异常检测方法和装置
CN108667686A (zh) * 2018-04-11 2018-10-16 国电南瑞科技股份有限公司 一种网络报文时延测量的可信度评估方法
CN108667686B (zh) * 2018-04-11 2021-10-22 国电南瑞科技股份有限公司 一种网络报文时延测量的可信度评估方法
CN111325472A (zh) * 2020-02-28 2020-06-23 北京思特奇信息技术股份有限公司 一种异常数据检测方法和系统
CN114445207A (zh) * 2022-04-11 2022-05-06 广东企数标普科技有限公司 基于数字人民币的税务管理系统
CN115801901A (zh) * 2023-01-05 2023-03-14 安徽皖欣环境科技有限公司 一种企业生产排放数据压缩处理方法
CN115801901B (zh) * 2023-01-05 2023-08-04 安徽皖欣环境科技有限公司 一种企业生产排放数据压缩处理方法
CN116342301A (zh) * 2023-03-08 2023-06-27 深圳欧税通技术有限公司 一种基于大数据的跨境企业税务申报状况监测管理系统
CN116342301B (zh) * 2023-03-08 2023-11-28 深圳欧税通技术有限公司 一种基于大数据的跨境企业税务申报状况监测管理系统

Also Published As

Publication number Publication date
CN103366091B (zh) 2015-08-26

Similar Documents

Publication Publication Date Title
CN103366091B (zh) 基于多级阈值指数加权平均的异常报税数据检测方法
Whittington Some basic properties of accounting ratios
CN107239458B (zh) 基于大数据推算开发对象关系的方法及装置
CN103377454B (zh) 基于余弦相似度的异常报税数据检测方法
CN111242793B (zh) 医保数据异常的检测方法和装置
CN113312578B (zh) 一种数据指标的波动归因方法、装置、设备、及介质
CN105184078A (zh) 基于专利相对量分析的技术成熟度评价方法
CN112329862A (zh) 基于决策树的反洗钱方法及系统
CN113835947A (zh) 一种基于异常识别结果确定异常原因的方法和系统
CN110930258A (zh) 一种应收账款融资变现规模预测方法及系统
Shurda Basic risk assessment methods
Qiang et al. Relationship model between human resource management activities and performance based on LMBP algorithm
Nenkova et al. Government expenditure efficiency and macroeconomic performance of Balkan countries: DEA approach
Liu et al. Crowding in or crowding out? The effect of imported environmentally sound technologies on indigenous green innovation
CN113919609A (zh) 一种配电网模型质量综合评估方法和系统
CN112396430A (zh) 用于企业评价的处理方法及系统
Puspitasari et al. The effect of financial secrecy and IFRS adoption on earnings quality: A comparative study between Indonesia, Malaysia and Singapore
US20230394069A1 (en) Method and apparatus for measuring material risk in a data set
Ahmed et al. Forecasting GDP Of Bangladesh Using Time Series Analysis
CN108593053A (zh) 流量计量单元中仪表的故障诊断方法及装置
Subhan et al. THE INFLUENCE OF ECONOMIC FACTORS ON THE STOCK PRICE OF KIMIA FARMA COMPANIES ON THE INDONESIAN STOCK EXCHANGE
CN115687323A (zh) 一种指标数据质量监测方法、装置、电子设备及存储介质
CN114648228B (zh) 一种业务执行效率的评估方法、装置及设备
CN102129651A (zh) 一种智能确定离群点和优化显示方式的财务预测方法
CN117611364A (zh) 投入成本预估偏差测算方法及其系统

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
C41 Transfer of patent application or patent right or utility model
TR01 Transfer of patent right

Effective date of registration: 20160419

Address after: 310053, tax building, No. 3738 South Ring Road, Hangzhou, Zhejiang, Binjiang District

Patentee after: Servyou Software Group Co., Ltd.

Address before: 710049 Xianning West Road, Shaanxi, China, No. 28, No.

Patentee before: Xi'an Jiaotong University