CN104156905A - 一种基于纳税人利益关联网络的重点监控企业评估方法 - Google Patents
一种基于纳税人利益关联网络的重点监控企业评估方法 Download PDFInfo
- Publication number
- CN104156905A CN104156905A CN201410404605.7A CN201410404605A CN104156905A CN 104156905 A CN104156905 A CN 104156905A CN 201410404605 A CN201410404605 A CN 201410404605A CN 104156905 A CN104156905 A CN 104156905A
- Authority
- CN
- China
- Prior art keywords
- node
- significance level
- sigma
- type
- taxpayer
- 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.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于纳税人利益关联网络的重点监控企业评估方法,主要步骤如下:(1)利用纳税人利益关联网络,建立相应的随机游走模型;(2)根据地区、行业信息获取纳税人利益关联网络子图;(3)计算子图中各节点的重要程度,将企业节点按照重要程度排序,得到重点监控企业列表。所述重点监控企业是指在纳税行为中需要被重点监控的企业,重要程度是其衡量指标,实现了度量评估各企业的重要程度,并根据重要程度决定需要被监控的企业。
Description
技术领域
本发明涉及网络监控评估领域,尤其涉及一种基于纳税人利益关联网络的重点监控企业评估方法。
背景技术
重点税源企业是指一个地区中有一定规模和影响力的企业,或对该地区税收任务完成起主要贡献作用的企业,这样的企业需要被重点监控。由于其收入比重大,并对地区经济发展、地区税收都有着举足轻重的影响,因而加强对这些重点企业的监控对税务机关来讲是一项非常重要的工作。
根据《重点企业税源监控月报数据库管理暂行办法》可以看出,目前税务部门主要是采用指标的方式来决定哪些是需要被重点监控的企业,使用的指标有:
(1)年缴纳增值税和消费税合计500万以上的增值纳税户;
(2)年缴纳营业税100万元以上的营业纳税税户;
(3)年缴纳企业所得税或外商外资企业和外国企业所得税500万元以上的纳税户。
在现实中,对于重点企业税收分析的意义在于分析地区税源状况和税收收入形势,分析政策执行情况以及征收管理情况,客观反映税源发展、税收收入以及税收管理中存在的问题,而之前单纯利用指标的方式并没有利用企业之间的利益关联,无法有效体现出企业对于地区经济发展的影响。基于纳税人利益关联网络的方法可以将企业之间的经济行为、利益关系引入到重点监控企业评估之中,能为税收分析提供更良好的支持。
专利《引入节点重要性的对等网络超级节点选择和资源搜索方法》[专利号:ZL200710176639.5]公开了一种将节点重要性引入对等网络的超级节点选择和资源搜索的方法。它通过计算节点重要性来识别那些负责维持通信、保证服务性能的高效节点。该发明所采用的分布式迭代计算方法是局部化的算法,具有灵活高效、不存在单点故障问题、能够快速适应对等网络中网络拓扑变化的特点。但是该方法在计算网络重要节点过程中,考虑的是单一种类节点,并没有考虑多种类型节点的情况。
专利《基于纳税人利益关联网络模型的偷漏税关联企业识别方法》[申请号:201310293435.5]使用了一种基于纳税人利益关联网络模型的方法识别偷漏税关联企业,有效利用了纳税人之间控股关系、实际控制人关系以及企业之间的交易关系。其中的纳税人利益关联网络TPIIN是一种以图方式组织纳税人的形式,可形式化表示为TPIIN=(V,E,W),其中V={vp|p=1,...,NP}表示节点集合,V包含三种类别,有V=L∪C∪B,其中L={vl|l=1,...,NL,NL<Np}表示所有法人节点,C={vc|c=1,...,NC,NC≤Np}表示所有企业节点,B={vb|b=1,...,NB,NB<Np}表示所有董事节点,则有NL+NC+NB=Np;E表示图中所有边的集合,且令E={epq}={(vp,vq)|0<p,q≤Np},其中epq=(vp,vq)表示存在从第p个节点到第q个节点的有向连线;W={wpq|0<p,q≤Np}为从第p个节点到第q个节点的有向连线上的权重。
边之间的权重与边的类别有关。表示有向边的类别集合,其中表示实际控制人间双向的间接关联关系,且如果vp到vq的边epq的颜色为记为则边epq的权重 表示法人vl与企业vc之间、或者董事vb和企业vc间的单向实际控制人关系, 表示法人与企业之间、或董事与企业之间、或企业之间的单向控股关系,表示控股百分比;表示多个董事间的双向互锁关系,其表示董事间控股权重程度;表示企业间的单向交易关系,其权重公式为:
其中Ave(profit(vi))为企业vp同期平均净利润,Ave(profit(C(V)))为同企业vi同行业的企业同期平均净利润,Ave(profitproducti(vp))为企业vp生成产品producti的同期平均净利润,Ave(profitproducti(C(V)))为同企业vp同行业的企业生成产品producti的同期平均净利润。
发明内容
针对以上缺点及不足,本发明的目的在于提供一种基于纳税人利益关联网络的重点监控企业评估方法,该方法利用纳税人利益关联网络中节点种类的不同以及节点之间的关系,度量各企业的重要程度,根据重要程度决定需要被监控的企业。
为达到以上目的,本发明的技术方案为:
包括以下步骤:
1)建立基于纳税人利益关联网络的随机游走模型,并根据自动学习法设置随机游走模型型中的传递因子;
2)根据地区、行业信息生成纳税人利益关联子图;
3)根据随机游走模型,计算纳税人利益关联子图中各节点的重要程度,并将企业节点按照重要程度排序,得到重点监控企业列表,以使得对重点监控企业进行评估。
所述步骤1)包括:
第1步:设纳税人利益关联网络的传递因子为λXY,
对于每种节点来说,其重要程度递归计算公式为:
其中,SX表示类型为X的节点重要程度向量,val表示节点的重要程度,T表示节点类别集合,T={L,C,B},其中,L表示法人节点,C表示企业节点,B表示董事节点;d表示阻尼系数;λXY表示为类型为X的节点的重要程度会以λXY大小的传递因子传递给其相邻类型为Y的节点;MXY代表X类型节点和Y类型节点之间的重要程度转移矩阵,MXY中的每个元素是其计算公式为 指节点xi和节点yj之间的边权重,SY表示Y类型节点的重要程度向量,表示节点xi与节点ys之间的边权重,ys表示与节点xi相邻的任意节点,ny表示与节点xi相邻的Y类型节点数量;
第2步:利用自动学习方法设置随机游走模型中的传递因子λXY:
2.1)定义并初始化目标函数;
2.2)初始化传递因子为平均值;
2.3)依次更新传递因子和节点重要程度的值,直到目标函数的变化小于指定阈值,得到传递因子值为自动学习后的传递因子。
所述第2步的具体过程为:
a)将λXY初始化设置为满足公式(2)的平均值,公式(2)为;
其中,λLX表示L类型节点跳转至X类型节点的重要程度转移概率,λCX表示C类型节点跳转至X类型节点的重要程度转移概率,λBX表示B类型节X类型节点的重要程度转移概率,λXL表示X类型节点跳转至L类型节点的重要程度转移概率,λXC表示X类型节点跳转至C类型节点的重要程度转移概率,λXB表示X类型节点跳转至B类型节点的重要程度转移概率;
定义目标函数为:
式中yij=vali-valj,即需要被监控的企业与不需要被监控的企业之间的重要程度差值;na为需要被重点监控的企业数量,nb为不需要被重点监控的企业数量;
推导得出:
将公示(4)代入公式(3),对传递因子λXY求导并使其为0,得到:
公式(5)是传递因子λXY的更新公式:
λXY=λXY+μ*ΔλXY (6)
其中,μ是用来控制λXY的更新步长的参数;
b)保持传递因子λXY不变,按照公式(3)更新所有val;
c)保持val不变,按照公式6更新所有λXY;
d)重复第b)步与第c)步,直至目标函数变化小于阈值。
述步骤2)的包括:
第1步:根据地区、行业选择待评估企业节点作为子图节点;
第2步:在纳税人利益关联网络中,将与第1步得到的节点距离小于等于2的相关节点加入到子图节点中;
第3步:以第2步得到的节点为子节点,得到的纳税人利益关联网络的导出子图,则为所需要的纳税人利益关联子图。
所述步骤(3)包括:
第1步:利用步骤1)中的随机游走模型,计算子图中各节点的重要程度;
第2步:将纳税人利益关联网络子图中的企业节点按照重要程度排序,并返回重点监控企业列表。
利用步骤1)中的随机游走模型,计算子图中各节点的重要程度具体包括:
3.1)给所有纳税人利益关联子图中的子节点赋予相同的初始重要程度;
3.2)遍历所有子节点,利用公式7计算改变后的节点重要程度vali′,计算改变量changei=|vali′-vali|;
公式7为:
其中,wji指节点j和节点i之间的边权重,λji为节点j所属类型与节点i所属类型之间的传递因子;
3.1)对所有节点更新其重要程度,以vali′值作为最新的重要程度;
计算如果sum大于阈值,则跳转至步骤3.2);如果sum小于阈值,则结束计算过程,以最后的值作为子节点最终重要程度。与现有技术比较,本发明的有益效果为:
本发明提供了一种基于纳税人利益关联网络的重点监控企业评估方法,通过设置纳税人利益关联网络的随机游走模型,以及纳税人利益关联子图,并根据随机游走模型,计算纳税人利益关联子图中各节点的重要程度,并将企业节点按照重要程度排序,得到重点监控企业列表,该方法利用纳税人利益关联网络中节点种类的不同以及节点之间的关系,实现了度量评估各企业的重要程度,并根据重要程度决定需要被监控的企业。
附图说明
附图1是基于纳税人利益关联网络的重点监控企业评估方法流程图;
附图2是基于纳税人利益关联网络的随机游走模型形式化图;
附图3是随机游走模型的传递因子自动学习方法流程图
具体实施方式
为了更清楚的理解本发明,以下对本发明作进一步的详细描述。
1)建立基于纳税人利益关联网络的随机游走模型:
此步骤主要是利用纳税人利益关联网络,建立随机游走模型,并利用自动学习方法对模型中的传递因子进行设置。
第1步:根据纳税人利益关联网络建立相应的随机游走模型。纳税人利益关联网络是有向异构图,在该网络中,节点之间的重要程度会随着网络结构进行传播,节点之间重要程度的传播与节点类型以及边的权重有关。
由于重要程度在不同类型节点之间传递的可能性的不同,因此在计算两种节点之间的重要程度转移值时,需要乘以对应的传递因子λXY。λXY可以理解为X类型节点与Y类型节点之间的重要程度转移概率,即随机游走概率,需要满足条件:
其中,λLX表示L类型节点跳转至X类型节点的重要程度转移概率,λCX表示C类型节点跳转至X类型节点的重要程度转移概率,λBX表示B类型节X类型节点的重要程度转移概率,λXL表示X类型节点跳转至L类型节点的重要程度转移概率,λXC表示X类型节点跳转至C类型节点的重要程度转移概率,λXB表示X类型节点跳转至B类型节点的重要程度转移概率;对于每种节点来说,其重要程度递归计算公式为
利用公式1递归计算直至收敛,收敛后的各节点的重要程度即为最终的重要程度。式中SX表示类型为X的节点重要程度向量,T表示节点类别集合,T={L,C,B},其中,L表示法人节点,C表示企业节点,B表示董事节点;val表示节点的重要程度,T表示节点类别集合,T={L,C,B};d表示阻尼系数,实际计算中采用常用值0.15;λXY的意义是,X类型节点的重要程度会以λXY大小的传递因子传递给其相邻的Y类型节点;MXY代表X类型节点和Y类型节点之间的重要程度转移矩阵,MXY中的元素是即两个节点之间的关联强度,其计算公式为式中指的是纳税人利益关联网络中节点xi和节点yj之间的边权重,SY表示Y类型节点的重要程度向量,表示节点xi与节点ys之间的边权重,ys表示与节点xi相邻的任意节点,ny表示与节点xi相邻的Y类型节点数量。可以看出,边权重大的节点之间,其重要程度传播值也较大。
第2步:对上述模型中的传递因子λXY进行设置,传统方法一般是手工设置,但是这种方法比较困难,并且效果不稳定。这里使用一种自动的参数学习方法对传递因子λXY进行设置。该参数学习方法的主要思想是:给定训练数据集,并设置一个目标函数,不断调整参数λXY的取值,使得该目标函数取得最大值,此时的参数即为最终所取的参数值。
训练数据为人工标注的企业列表,该列表中的企业被标注为需要被重点监控或不需要被重点监控。参数学习的目标是使得训练数据集中的需要被重点监控的企业与不需要被重点监控的企业之间的重要程度差值最大。
目标函数为:
式中yij=vali-valj,即需要被监控的企业与不需要被监控的企业之间的重要程度差值;na为需要被重点监控的企业数量,nb为不需要被重点监控的企业数量。
可以推导得出:
将公式4代入公式3,对λXY求导并使其为0,可以得到:
公式5可以看做是传递因子λXY的更新公式:
λXY=λXY+μ*ΔλXY (6)
其中,μ是用来控制λXY的更新步长的参数;
参数学习算法是一个迭代的过程,其算法过程为:
1)将λXY初始化设置为满足公式2的平均值;
2)保持λXY不变,按照公式3更新所有val;
3)保持val不变,按照公式6更新所有λXY;
4)重复第2步与第3步,直至目标函数变化小于阈值,实际计算中,阈值取为0.01。
收敛之后的λXY值即为所求的结果。
2)根据地区、行业信息生成纳税人利益关联子图:
一般情况下,纳税监控是按照地区以及行业进行的,因此,企业重要程度评估需要在地区、行业子图上进行。这里给出在给定地区及行业信息时的纳税人利益关联网络子图Gs的具体生成方法:
Step1、将纳税人利益关联网络转化为无向图Gu=(Vu,Eu);
Step2、遍历无向图Gu,将满足地区、行业条件的企业节点全部取出作为子图Gs的节点
Step3、获取在Gu上的所有相邻节点加入子图Gs中;
Step4、获取在Gu上的所有相邻节点加入子图Gs中;
Step5、那么Gs是纳税人利益关联网络G的导出子图,它以为顶点,可记为
3)根据随机游走模型,计算纳税人利益关联子图中各节点的重要程度,并将企业节点按照重要程度排序,得到重点监控企业列表,以使得对重点监控企业进行评估。
3.1)给所有纳税人利益关联子图中的子节点赋予相同的初始重要程度;
3.2)遍历所有子节点,利用公式7计算改变后的节点重要程度vali′,计算改变量changei=|vali′-vali|;
公式7为:
其中,wji指节点j和节点i之间的边权重,λji为节点j所属类型与节点i所属类型之间的传递因子,节点j是任意指向节点i的节点;
3.1)对所有节点更新其重要程度,以vali′值作为最新的重要程度;
计算如果sum大于阈值,则跳转至步骤3.2);如果sum小于阈值,则结束计算过程,以最后的值作为子节点最终重要程度。
这步过程需要对纳税人利益关联网络子图Gs中的所有类型节点计算其重要程度,并返回重点监控企业列表,该计算过程在子图Gs上进行。
根据公式1,可推得对于每一个节点vi来说,其重要程度计算公式为:
其中wji指节点j和节点i之间的边权重,λji为节点j所属类型与节点i所属类型之间的传递因子。
该公式的具体递归算法如下:
1)给所有节点赋予相同的初始重要程度;
2)遍历所有节点,利用公式7计算改变后的节点重要程度vali′,计算
改变量changei=|vali′-vali|;
3)对所有节点更新其重要程度,以vali′值作为最新的重要程度;
4)计算如果sum大于阈值,则跳转至过程2;如果sum小于阈值,则结束计算过程,以最后的值作为节点最终重要程度。
计算得到节点重要程度后,按照其大小对所有企业节点进行排序,该排序列表反映了企业的重要程度,最靠前的N个企业为需要重点监控的企业,其中N的值根据实际需求来设定。
Claims (7)
1.一种基于纳税人利益关联网络的重点监控企业评估方法,其特征在于,包括以下步骤:
1)建立基于纳税人利益关联网络的随机游走模型,并根据自动学习法设置随机游走模型型中的传递因子;
2)根据地区、行业信息生成纳税人利益关联子图;
3)根据随机游走模型,计算纳税人利益关联子图中各节点的重要程度,并将企业节点按照重要程度排序,得到重点监控企业列表。
2.如权利要求1所述的基于纳税人利益关联网络的重点监控企业评估方法,其特征在于,所述步骤1)包括:
第1步:设纳税人利益关联网络的传递因子为λXY,对于每种节点来说,其重要程度递归计算公式为:
其中,SX表示类型为X的节点重要程度向量,val表示节点的重要程度,T表示节点类别集合,T={L,C,B},其中,L表示法人节点,C表示企业节点,B表示董事节点;d表示阻尼系数;λXY表示为类型为X的节点的重要程度会以λXY大小的传递因子传递给其相邻类型为Y的节点;MXY代表X类型节点和Y类型节点之间的重要程度转移矩阵,MXY中的每个元素是其计算公式为 指节点xi和节点yj之间的边权重,SY表示Y类型节点的重要程度向量,表示节点xi与节点ys之间的边权重,ys表示与节点xi相邻的任意节点,ny表示与节点xi相邻的Y类型节点数量;
第2步:利用自动学习方法设置随机游走模型中的传递因子λXY:
2.1)定义并初始化目标函数;
2.2)初始化传递因子为平均值;
2.3)依次更新传递因子和节点重要程度的值,直到目标函数的变化小于指定阈值,得到传递因子值为自动学习后的传递因子。
3.如权利要求2所述的基于纳税人利益关联网络的重点监控企业评估方法,其特征在于,所述第2步的具体过程为:
a)将λXY初始化设置为满足公式(2)的平均值,公式(2)为;
其中,λLX表示L类型节点跳转至X类型节点的重要程度转移概率,λCX表示C类型节点跳转至X类型节点的重要程度转移概率,λBX表示B类型节X类型节点的重要程度转移概率,λXL表示X类型节点跳转至L类型节点的重要程度转移概率,λXC表示X类型节点跳转至C类型节点的重要程度转移概率,λXB表示X类型节点跳转至B类型节点的重要程度转移概率;
定义目标函数为:
式中yij=vali-valj,即需要被监控的企业与不需要被监控的企业之间的重要程度差值;na为需要被重点监控的企业数量,nb为不需要被重点监控的企业数量;
推导得出:
将公示(4)代入公式(3),对传递因子λXY求导并使其为0,得到:
公式(5)是传递因子λXY的更新公式为:
λXY=λXY+μ*ΔλXY (6)
其中,μ是用来控制λXY的更新步长的参数;
b)保持传递因子λXY不变,按照公式(3)更新所有val;
c)保持val不变,按照公式6更新所有λXY;
d)重复第b)步与第c)步,直至目标函数变化小于阈值。
4.如权利要求1所述的基于纳税人利益关联网络的重点监控企业评估方法,其特征在于,所述步骤2)的包括:
第1步:根据地区、行业选择待评估企业节点作为子图节点;
第2步:在纳税人利益关联网络中,将与第1步得到的节点距离小于等于2的相关节点加入到子图节点中;
第3步:以第2步得到的节点为子节点,得到的纳税人利益关联网络的导出子图,则为所需要的纳税人利益关联子图。
5.如权利要求1所述的基于纳税人利益关联网络的重点监控企业评估方法,其特征在于,所述步骤(3)包括:
第1步:利用步骤1)中的随机游走模型,计算子图中各节点的重要程度;第2步:将纳税人利益关联网络子图中的企业节点按照重要程度排序,并返回重点监控企业列表。
6.如权利要求5所述的基于纳税人利益关联网络的重点监控企业评估方法,其特征在于,利用步骤1)中的随机游走模型,计算子图中各节点的重要程度具体包括:
3.1)给所有纳税人利益关联子图中的子节点赋予相同的初始重要程度;
3.2)遍历所有子节点,利用公式7计算改变后的节点重要程度vali′,计算改变量changei=|vali′-vali|;
公式7为:
其中,wji指节点j和节点i之间的边权重,λji为节点j所属类型与节点i所属类型之间的传递因子,节点j是任意指向节点i的节点;
3.1)对所有节点更新其重要程度,以vali′值作为最新的重要程度;
计算如果sum大于阈值,则跳转至步骤3.2);如果sum小于阈值,则结束计算过程,以最后的值作为子节点最终重要程度。
7.如权利要求6所述的基于纳税人利益关联网络的重点监控企业评估方法,其特征在于,所述阈值取为0.01。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410404605.7A CN104156905A (zh) | 2014-08-15 | 2014-08-15 | 一种基于纳税人利益关联网络的重点监控企业评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410404605.7A CN104156905A (zh) | 2014-08-15 | 2014-08-15 | 一种基于纳税人利益关联网络的重点监控企业评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104156905A true CN104156905A (zh) | 2014-11-19 |
Family
ID=51882396
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410404605.7A Pending CN104156905A (zh) | 2014-08-15 | 2014-08-15 | 一种基于纳税人利益关联网络的重点监控企业评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104156905A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105574761A (zh) * | 2015-12-11 | 2016-05-11 | 西安交通大学 | 一种基于Spark的纳税人利益关联网络并行生成方法 |
CN105574649A (zh) * | 2015-12-10 | 2016-05-11 | 西安交通大学 | 一种基于多阶段MapReduce模型的纳税人偷漏税嫌疑群组检测方法 |
CN106504084A (zh) * | 2016-11-16 | 2017-03-15 | 航天信息股份有限公司 | 一种用于识别供应链中核心企业的方法及系统 |
CN108335755A (zh) * | 2017-01-19 | 2018-07-27 | 京东方科技集团股份有限公司 | 数据分析方法和设备 |
CN108805432A (zh) * | 2018-05-30 | 2018-11-13 | 中国科学技术大学 | 一种企业资产评估方法 |
CN109993493A (zh) * | 2017-12-29 | 2019-07-09 | 航天信息股份有限公司 | 一种基于企业关系网络的企业走逃分析方法和系统 |
CN112241914A (zh) * | 2020-09-30 | 2021-01-19 | 航天信息股份有限公司 | 一种企业的评估方法、装置、存储介质和电子设备 |
CN115578007A (zh) * | 2022-10-12 | 2023-01-06 | 南京数聚科技有限公司 | 一种税务行业的积分计算和任务统筹的方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007070890A2 (en) * | 2005-12-16 | 2007-06-21 | General Electric Capital Corporation | Method and apparatus for administering a dual account loan system |
CN101321190A (zh) * | 2008-07-04 | 2008-12-10 | 清华大学 | 一种异构网络中的推荐方法及推荐系统 |
CN102662941A (zh) * | 2011-12-31 | 2012-09-12 | 武汉理工大学 | 基于random walk的排序方法 |
CN103383767A (zh) * | 2013-07-12 | 2013-11-06 | 西安交通大学 | 基于纳税人利益关联网络模型的偷漏税关联企业识别方法 |
-
2014
- 2014-08-15 CN CN201410404605.7A patent/CN104156905A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007070890A2 (en) * | 2005-12-16 | 2007-06-21 | General Electric Capital Corporation | Method and apparatus for administering a dual account loan system |
CN101321190A (zh) * | 2008-07-04 | 2008-12-10 | 清华大学 | 一种异构网络中的推荐方法及推荐系统 |
CN102662941A (zh) * | 2011-12-31 | 2012-09-12 | 武汉理工大学 | 基于random walk的排序方法 |
CN103383767A (zh) * | 2013-07-12 | 2013-11-06 | 西安交通大学 | 基于纳税人利益关联网络模型的偷漏税关联企业识别方法 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105574649B (zh) * | 2015-12-10 | 2021-05-28 | 西安交通大学 | 一种基于多阶段MapReduce模型的纳税人偷漏税嫌疑群组检测方法 |
CN105574649A (zh) * | 2015-12-10 | 2016-05-11 | 西安交通大学 | 一种基于多阶段MapReduce模型的纳税人偷漏税嫌疑群组检测方法 |
CN105574761A (zh) * | 2015-12-11 | 2016-05-11 | 西安交通大学 | 一种基于Spark的纳税人利益关联网络并行生成方法 |
CN106504084A (zh) * | 2016-11-16 | 2017-03-15 | 航天信息股份有限公司 | 一种用于识别供应链中核心企业的方法及系统 |
US11195114B2 (en) | 2017-01-19 | 2021-12-07 | Boe Technology Group Co., Ltd. | Medical data analysis method and device as well as computer-readable storage medium |
CN108335755A (zh) * | 2017-01-19 | 2018-07-27 | 京东方科技集团股份有限公司 | 数据分析方法和设备 |
CN108335755B (zh) * | 2017-01-19 | 2022-03-04 | 京东方科技集团股份有限公司 | 数据分析方法和设备 |
CN109993493A (zh) * | 2017-12-29 | 2019-07-09 | 航天信息股份有限公司 | 一种基于企业关系网络的企业走逃分析方法和系统 |
CN109993493B (zh) * | 2017-12-29 | 2021-08-17 | 航天信息股份有限公司 | 一种基于企业关系网络的企业走逃分析方法和系统 |
CN108805432A (zh) * | 2018-05-30 | 2018-11-13 | 中国科学技术大学 | 一种企业资产评估方法 |
CN112241914A (zh) * | 2020-09-30 | 2021-01-19 | 航天信息股份有限公司 | 一种企业的评估方法、装置、存储介质和电子设备 |
CN115578007A (zh) * | 2022-10-12 | 2023-01-06 | 南京数聚科技有限公司 | 一种税务行业的积分计算和任务统筹的方法及系统 |
CN115578007B (zh) * | 2022-10-12 | 2023-07-18 | 南京数聚科技有限公司 | 一种税务行业的积分计算和任务统筹的方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104156905A (zh) | 一种基于纳税人利益关联网络的重点监控企业评估方法 | |
Emrouznejad et al. | The state of the art in fuzzy data envelopment analysis | |
Triantis et al. | A mathematical programming approach for measuring technical efficiency in a fuzzy environment | |
Stanujkic et al. | An objective multi-criteria approach to optimization using MOORA method and interval grey numbers | |
Li et al. | Methodology for multicriteria decision making in highway asset management | |
Chen et al. | Computation and application of the paired combinatorial logit stochastic user equilibrium problem | |
Al-Zwainy et al. | Forecasting the cost of structure of infrastructure projects utilizing artificial neural network model (highway projects as case study) | |
CN104798043A (zh) | 一种数据处理方法和计算机系统 | |
Wan et al. | Possibility method for triangular intuitionistic fuzzy multi-attribute group decision making with incomplete weight information | |
Rubio et al. | Forecasting portfolio returns using weighted fuzzy time series methods | |
CN103106535A (zh) | 一种基于神经网络解决协同过滤推荐数据稀疏性的方法 | |
Alinezhad et al. | Sensitivity Analysis in the QUALIFLEX and VIKOR Methods | |
Abd El Khalek et al. | Risk and uncertainty assessment model in construction projects using fuzzy logic | |
Ulusan et al. | Approximate dynamic programming for network recovery problems with stochastic demand | |
Swei et al. | Probabilistic approach for long-run price projections: Case study of concrete and asphalt | |
KR101812007B1 (ko) | 사례기반추론 기법에 의한 도로토공부의 환경 부하량 예측 시스템 및 그 방법 | |
Jato-Espino et al. | Decision support model for the selection of asphalt wearing courses in highly trafficked roads | |
Manganelli et al. | Using genetic algorithms in the housing market analysis | |
Srinivasa Raju et al. | Fuzzy data envelopment analysis for performance evaluation of an irrigation system | |
Webb et al. | Sustainability quantification and valuation. II: Probabilistic framework and metrics for sustainable construction | |
Mathew et al. | Demand forecasting for economic order quantity in inventory management | |
Larsson et al. | Decision analysis with multiple objectives in a framework for evaluating imprecision | |
Rukmana et al. | Land use change in suburban area: a case of Malang City, East Java Province | |
Nutkiewicz et al. | Exploring the integration of simulation and deep learning models for urban building energy modeling and retrofit analysis | |
CN112241808A (zh) | 路面技术状况预测方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20141119 |
|
WD01 | Invention patent application deemed withdrawn after publication |