CN104517232A - 一种挖掘纳税金额突增的关联纳税人群体的方法 - Google Patents
一种挖掘纳税金额突增的关联纳税人群体的方法 Download PDFInfo
- Publication number
- CN104517232A CN104517232A CN201410802859.4A CN201410802859A CN104517232A CN 104517232 A CN104517232 A CN 104517232A CN 201410802859 A CN201410802859 A CN 201410802859A CN 104517232 A CN104517232 A CN 104517232A
- Authority
- CN
- China
- Prior art keywords
- taxpayer
- value
- node
- amount
- burst characteristic
- 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
Links
Abstract
本发明公开一种挖掘纳税金额突增的关联纳税人群体的方法,按照如下步骤:(1)依据纳税人当前以及历史纳税信息,对纳税人利益关联网络中的纳税人节点赋予权值;(2)利用密集子图挖掘算法,发现纳税人利益关联网络中纳税金额突增且密切相关的纳税人群体。本发明依据纳税人当前以及历史纳税信息,对纳税人利益关联网络中的纳税人节点进行节点加权,然后利用密集子图挖掘方法,发现纳税人利益关联网络中纳税金额突增且密切相关的纳税人群体。纳税金额的突然增长有可能受到异常的商业活动的驱使,该方法结合纳税人利益关联网络,能够为纳税活动及相关商业活动的监管提供参考的依据。
Description
【技术领域】
本发明涉及计算机科学与技术中的数据挖掘子领域,特别涉及一种挖掘纳税金额突增的关联纳税人群体的方法。
【背景技术】
在真实环境的税务系统中,不同地区的税务系统之间的信息不对称,信息封闭没有统一,难以真实统计各个地区的税务数据,大量税务数据缺乏分析利用,大量偷逃骗税行为难以发现,导致税收流失率和流失税金居高不小。对税收数据进行分析,通过纳税人之间的利益关联找到纳税行为异常的关联团体对纳税行为及相关商业行为监管,具有重要的作用。
中国专利公开第CN1776737A号公开一种税务监控的方法及系统,该方法在不改变商业信息系统的硬件、软件和网络结构的前提下,通过在商业信息系统中接入嵌入式税务监控器实现对商业销售终端打印信息的截获并进行判断、重整转换成为税控发票信息,该系统包括商业收款机、打印机及其网络,在商业收款机、打印机之间设有通过接口相连的税务监控器,税务监控器内嵌有对销售系统软件发送给操作系统的打印信息进行截获并判断、重整和转换成为税控发票信息的操作序列,通过打印机打印出税控发票和保留相关的税务信息,从而实现税务监控的目的。该税务监控的方法及系统,商家投入成本较小、应用简单方便、易于实现税务监控系统产品化。
中国专利公开第CN102842099A号公开一种电子税务管理终端,适用于电子税务服务领域,提供一种电子税务管理终端,包括:中央处理器、智能卡安全模块、时钟控制模块、接口模块,其中所述智能卡安全模块包括数据加密保存单元,所述中央处理器包括数据连接建立单元、凭证请求发送单元、数据文件接收单元、凭证开具单元以及数据上传单元。使用该电子税务管理终端,可以实现开具电子纳税凭证功能,与纸质开票相比,避免了偷税漏税、提高了纳税操作效率、便于纳税统一管理,为实现发票信息化、信息管税、降低纳税成本提供了解决方案。
中国专利公开第CN103218743A号公开一种企业税务风险评估平台,包括:数据获取模块,用于获取企业的账务数据和税务数据;风险指标分析模块,用于根据数据获取模块获取的账务数据和税务数据,计算出风险指标,并将计算出的风险指标与指标基准值进行对比分析;风险评估模块,用于将风险指标分析模块中计算出的多个风险指标进行关联性分析。该企业税务风险评估平台,通过将企业的风险指标值与风险指标基准值和基准范围进行对比,发现企业内异常的风险指标;进一步地,通过将多个风险指标进行关联性分析,对企业的税务风险程度进行评估,能够帮助企业及时发现存在的税务风险。
中国专利公开第CN103106613A号公开一种基于项目的企业税务监控分析平台,包括:基础数据定义模块,用于定义企业项目的基础资料;动态数据获取模块,用于获取企业项目在生命周期内的涉税动态数据;数据处理模块,用于对所述基础数据定义模块和动态数据获取模块所获取的数据进行处理;监控分析展示模块,用于展示所述数据处理模块的处理结果,用户根据所展示的处理结果对企业项目进行监控分析。通过上述模块的设立,将企业项目涉税数据统一获取进来,并对获取的数据进行统计分析整理,进而讲统计分析整理的结果以图标的形式展现出来。
中国专利公开第CN103383767A号公开一种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,该方法中所述的纳税人利益关联网络揭示了纳税人之间控股关系、实际控制人关系和互锁关系。纳税人利益关联初始网络表示为五元组:TPIIN=(V,E,W,VColor,EColor),其中V={vp|p=1,...,NP}表示节点集合;E表示图中所有存在边的集合,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;VColor={LC,CC,BC,BLC,GC},其中LC表示法人颜色;CC表示企业颜色;BC表示董事颜色;BLC表示董事互锁利益关联颜色,是多个董事节点形成互锁关系之后的标记;GC表示企业集团颜色,是多个企业形成最小完全连通图后聚合形成的节点标记;通过VColor中的颜色对TPIIN中的V节点分类可得:V=L∪C∪B,其中L={vl|l=1,...,NL,NL<Np}表示所有标记颜色为LC的法人节点,C={vc|c=1,...,NC,NC≤Np}表示所有标记颜色为CC的企业节点,B={vb|b=1,...,NB,NB<Np}表示所有标记颜色为BC的董事节点,则有NL+NC+NB=Np;为有向边上的颜色,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;
基于上述定义,纳税人利益关联初始网络的构建步骤如下:
(1)从企业的工商局注册信息和证监会上市公司信息中获得C中所有vc的董事、法人、股东和实际控制人信息,按照其类型生成节点及从该节点到vc的弧,同时标记该弧的颜色为
(2)从公安户籍部门和证监会上市公司披露信息中获得董事、法人、股东与实际控制人之间是否为亲属关系,如果是,则在vc和vb两者之间建立边,并且标记颜色为实际控制人间双向的间接关联关系
(3)从上市公司、金融机构披露的信息中对具有一致行动人的董事和金融机构之间添加边,颜色为
(4)从税务部门的电子发票系统,获得交易双方信息,在卖出企业和购入企业之间形成单向交易关系;
最终得到纳税人利益关联初始网络TPIIN0=(V0,E0,W0,VColor,EColor),其中V0=L0∪C0∪B0,其中L0={vl0|l0=1,...,NL0,NL0<Np0}表示法人节点,C0={vc0|c0=1,...,NC0,NC0≤Np0}表示所有的企业节点,B0={vb0|b0=1,...,NB0,NB0<Np0}表示董事节点,则有NL+NC+NB=Np。E0={ep0q0}={(vp,vq)|0<p0,q0≤Np},其存储结构为一组数组节点颜色TPE=(vp0,vq0,wp0q0,vcolor,ecolor),其中vcolor为VColor的枚举变量;ecolor为EColor的枚举变量。
但是上述现有技术中还没有一种方法能够挖掘纳税金额突增的关联纳税人群体。
【发明内容】
本发明的目的在于提供一种基于纳税人利益关联网络,挖掘纳税金额突增的关联纳税人群体的方法。
为了实现上述目的,本发明采用如下技术方案:
一种挖掘纳税金额突增的关联纳税人群体的方法,包括以下步骤:
1)、依据纳税人当前以及历史纳税信息,对纳税人利益关联网络中所有纳税人节点进行加权;
2)、密集子图挖掘:对纳税人利益关联网络中的每一个节点进行遍历,找出纳税人利益关联网络中权重大于阈值φ的节点,删除权重小于或等于阈值φ的节点及该节点与关联节点的关系;剩余的纳税人利益关联网络中的每一个连通子图都是密集子图。
本发明进一步的改进在于:步骤1)具体包括以下步骤:
利用移动指数加权平均算法计算纳税人利益关联网络中某一个纳税人下一时刻时间序列的预测值:
在(2)式中,Predict(vi,t)表示t时刻节点vi纳税额度的预测值,δ为加权系数,取值范围为[0,1],ΔQi代表i时刻纳税额度的实际值;i∈(t-1,t-k);k≥6,相邻时刻之间的间隔为1月;
通过求得实际值与下一时刻预测值之间的差值,从而得到节点突发特性的绝对值;节点的突发特性用于描述节点中短文本数量突然增加的情况;然而在实际情况中,实际值和预测值之差有可能为负值,为了计算和分析的方便,通过max(x,y)函数,将突发特性绝对值的最小值设为1;
AbsBurst(vi,t)=max(1,ΔQt-Predict(vi,t)) (3)
因此,在(3)式中,AbsBurst(vi,t)表示t时刻节点vi的突发特性绝对值,max(x,y)为大小比较函数,返回较大值,ΔQi代表t-1时刻时刻纳税额度的实际值,Predict(vi,t)表示t时刻节点vi纳税额度的预测值;
使用相对变化值描述纳税额度的突发特性:
在式(4)中,RelBurst(vi,t)为t时刻节点vi的突发特性相对值,AbsBurst(vi,t)表示t时刻节点vi的突发特性绝对值,ΔQt-1为t-1时刻纳税额度的实际值;ε为数据平滑参数,取值范围为[0,1];
综合突发特性绝对值和突发特性相对值两方面因素,节点vi的t时刻的权重度量Burst(vi,t)如式(5)所示:
Burst(vi,t)=RelBurst(vi,t)·logAbsBurst(vi,t) (5)。
本发明进一步的改进在于:阈值为0.5。
本发明进一步的改进在于:步骤1)具体包括以下步骤:
1.1)基于纳税人的纳税历史记录,利用移动指数加权平均算法计算出纳税人在t时刻的纳税额度预测值;
1.2)基于纳税额度预测值和纳税额度实际值计算出纳税人的突发特性绝对值;
1.3)基于突发特性绝对值和t-1时刻纳税额度实际值计算出纳税人的突发特性相对值;
1.4)基于突发特性绝对值和突发特性相对值计算出该纳税人节点的权重值。
相对于现有技术,本发明具有以下有益效果:本发明依据纳税人当前以及历史纳税信息,对纳税人利益关联网络中的纳税人节点进行节点加权,然后利用密集子图挖掘方法,发现纳税人利益关联网络中纳税金额突增且密切相关的纳税人群体。纳税金额的突然增长有可能受到异常的商业活动的驱使,该方法结合纳税人利益关联网络,能够为纳税活动及相关商业活动的监管提供参考的依据。
【附图说明】
图1为是纳税人利益关联网络示意图。
【具体实施方式】
请参阅图1所示,挖掘纳税金额突增的关联纳税人群体的方法分为2个步骤,即纳税人节点加权和密集子图挖掘,其具包括以下步骤:
1)、对纳税人利益关联网络中所有纳税人节点进行加权:
利用移动指数加权平均算法(EWMA)来计算某一个纳税人下一时刻时间序列的预测值。
在(2)式中,Predict(vi,t)表示t时刻节点vi纳税额度的预测值,δ为加权系数,取值范围为[0,1],ΔQi代表i时刻(t-1时刻)纳税额度的实际值。i∈(t-1,t-k);k≥6,相邻时刻之间的间隔为1月。纳税人利益关联网络是指一种用于描述纳税人之间控股关系、实际控制人关系、互锁关系的网络模型。
通过求得实际值与下一时刻预测值之间的差值,从而得到节点突发特性的绝对值。节点的突发特性用于描述节点中短文本数量突然增加的情况。然而在实际情况中,实际值和预测值之差有可能为负值,为了计算和分析的方便,通过max(x,y)函数,将突发特性绝对值的最小值设为1。
AbsBurst(vi,t)=max(1,ΔQt-Predict(vi,t))(3)
因此,在(3)式中,AbsBurst(vi,t)表示t时刻节点vi的突发特性绝对值,max(x,y)为大小比较函数,返回较大值,ΔQi代表t-1时刻时刻纳税额度的实际值,Predict(vi,t)表示t时刻节点vi纳税额度的预测值。
然而仅仅考虑绝对值是不合理的,因为某些纳税人基数大,其正常波动造成的差值也是不可忽略的,因此使用其相对变化值将更加有效地描述纳税额度的突发特性。
在式(4)中,RelBurst(vi,t)为t时刻节点vi的突发特性相对值,AbsBurst(vi,t)表示t时刻节点vi的突发特性绝对值,ΔQt-1为t-1时刻纳税额度的实际值,ε为数据平滑参数,取值范围为[0,1]。
ε参数能够使得突发特性相对值处于合理的值域空间。当纳税人的纳税额度基数较小时,较小的增幅都有可能引起突发量相对值的巨大增加。然而这种突发行为的实际影响并没有那么大。通过加入参数ε可以有效避免这种情况。举例而言,当AbsBurst(vi,t)=50而ΔQt-1=1,若没加入参数ε,则突发特性相对值为50;而加入ε并将其赋值为100时,突发量相对值约为1.5。
综合突发特性绝对值和突发特性相对值两方面因素,节点vi的t时刻的权重度量Burst(vi,t)如式(5)所示:
Burst(vi,t)=RelBurst(vi,t)·logAbsBurst(vi,t) (5)
在式(5)中,对突发特性绝对值取对数,这样能够使它和突发特性相似值在相似的值域范围。
2)、密集子图挖掘
对纳税人利益关联网络中的每一个节点进行遍历,找出纳税人利益关联网络中权重大于阈值φ(本实施例中阈值取0.5)的节点,删除权重小于或等于阈值φ(本实施例中阈值取0.5)的节点及该节点与关联节点的关系;剩余的纳税人利益关联网络中的每一个连通子图都是密集子图。
附图1为纳税人利益关联网络示意图,以图1为示例对密集子图挖掘过程进行说明。对纳税人利益关联网络中所有纳税人节点进行加权;然后对纳税人利益关联网络中的每一个节点进行遍历,找出纳税人利益关联网络中权重大于阈值0.5的节点为v2和v7;而且节点v2和v7构成一个连通子图,所以节点v2和v7是一个密集子图。
Claims (4)
1.一种挖掘纳税金额突增的关联纳税人群体的方法,其特征在于,包括以下步骤:
1)、依据纳税人当前以及历史纳税信息,对纳税人利益关联网络中所有纳税人节点进行加权;
2)、密集子图挖掘:对纳税人利益关联网络中的每一个节点进行遍历,找出纳税人利益关联网络中权重大于阈值φ的节点,删除权重小于或等于阈值φ的节点及该节点与关联节点的关系;剩余的纳税人利益关联网络中的每一个连通子图都是密集子图。
2.根据权利要求1所述的一种挖掘纳税金额突增的关联纳税人群体的方法,其特征在于,步骤1)具体包括以下步骤:
利用移动指数加权平均算法计算纳税人利益关联网络中某一个纳税人下一时刻时间序列的预测值:
在(2)式中,Predict(vi,t)表示t时刻节点vi纳税额度的预测值,δ为加权系数,取值范围为[0,1],ΔQi代表i时刻纳税额度的实际值;i∈(t-1,t-k);k≥6,相邻时刻之间的间隔为1月;
通过求得实际值与下一时刻预测值之间的差值,从而得到节点突发特性的绝对值;节点的突发特性用于描述节点中短文本数量突然增加的情况;然而在实际情况中,实际值和预测值之差有可能为负值,为了计算和分析的方便,通过max(x,y)函数,将突发特性绝对值的最小值设为1;
AbsBurst(vi,t)=max(1,ΔQt-Predict(vi,t)) (3)
因此,在(3)式中,AbsBurst(vi,t)表示t时刻节点vi的突发特性绝对值,max(x,y)为大小比较函数,返回较大值,ΔQi代表t-1时刻时刻纳税额度的实际值,Predict(vi,t)表示t时刻节点vi纳税额度的预测值;
使用相对变化值描述纳税额度的突发特性:
在式(4)中,RelBurst(vi,t)为t时刻节点vi的突发特性相对值,AbsBurst(vi,t)表示t时刻节点vi的突发特性绝对值,ΔQt-1为t-1时刻纳税额度的实际值;ε为数据平滑参数,取值范围为[0,1];
综合突发特性绝对值和突发特性相对值两方面因素,节点vi的t时刻的权重度量Burst(vi,t)如式(5)所示:
Burst(vi,t)=RelBurst(vi,t)·logAbsBurst(vi,t) (5)。
3.根据权利要求1所述的一种挖掘纳税金额突增的关联纳税人群体的方法,其特征在于,阈值为0.5。
4.根据权利要求1所述的一种挖掘纳税金额突增的关联纳税人群体的方法,其特征在于,步骤1)具体包括以下步骤:
1.1)基于纳税人的纳税历史记录,利用移动指数加权平均算法计算出纳税人在t时刻的纳税额度预测值;
1.2)基于纳税额度预测值和纳税额度实际值计算出纳税人的突发特性绝对值;
1.3)基于突发特性绝对值和t-1时刻纳税额度实际值计算出纳税人的突发特性相对值;
1.4)基于突发特性绝对值和突发特性相对值计算出该纳税人节点的权重值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410802859.4A CN104517232B (zh) | 2014-12-19 | 2014-12-19 | 一种挖掘纳税金额突增的关联纳税人群体的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410802859.4A CN104517232B (zh) | 2014-12-19 | 2014-12-19 | 一种挖掘纳税金额突增的关联纳税人群体的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104517232A true CN104517232A (zh) | 2015-04-15 |
CN104517232B CN104517232B (zh) | 2018-07-17 |
Family
ID=52792487
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410802859.4A Active CN104517232B (zh) | 2014-12-19 | 2014-12-19 | 一种挖掘纳税金额突增的关联纳税人群体的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104517232B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106022595A (zh) * | 2016-05-16 | 2016-10-12 | 山东大学 | 基于采购数据的企业自我网络关系圈划分方法及服务器 |
CN106097090A (zh) * | 2016-06-22 | 2016-11-09 | 西安交通大学 | 一种基于图理论的纳税人利益关联团体识别方法 |
CN110232078A (zh) * | 2019-04-26 | 2019-09-13 | 上海生腾数据科技有限公司 | 一种企业集团关系获取方法及系统 |
CN110782327A (zh) * | 2018-07-12 | 2020-02-11 | 阿里巴巴集团控股有限公司 | 一种异常信息发现方法、装置及设备 |
CN114997978A (zh) * | 2022-06-08 | 2022-09-02 | 深圳多有米网络技术有限公司 | 一种基于纳税人经营特征的优质纳税人识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060224484A1 (en) * | 2005-04-04 | 2006-10-05 | Eli Nhaissi | System and method of economic taxation |
CN103366091A (zh) * | 2013-07-11 | 2013-10-23 | 西安交通大学 | 基于多级阈值指数加权平均的异常报税数据检测方法 |
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 |
CN104103011A (zh) * | 2014-07-10 | 2014-10-15 | 西安交通大学 | 一种基于纳税人利益关联网络的可疑纳税人识别方法 |
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 |
-
2014
- 2014-12-19 CN CN201410802859.4A patent/CN104517232B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060224484A1 (en) * | 2005-04-04 | 2006-10-05 | Eli Nhaissi | System and method of economic taxation |
CN103366091A (zh) * | 2013-07-11 | 2013-10-23 | 西安交通大学 | 基于多级阈值指数加权平均的异常报税数据检测方法 |
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 |
CN104103011A (zh) * | 2014-07-10 | 2014-10-15 | 西安交通大学 | 一种基于纳税人利益关联网络的可疑纳税人识别方法 |
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 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN106022595A (zh) * | 2016-05-16 | 2016-10-12 | 山东大学 | 基于采购数据的企业自我网络关系圈划分方法及服务器 |
CN106022595B (zh) * | 2016-05-16 | 2019-10-01 | 山东大学 | 基于采购数据的企业自我网络关系圈划分方法及服务器 |
CN106097090A (zh) * | 2016-06-22 | 2016-11-09 | 西安交通大学 | 一种基于图理论的纳税人利益关联团体识别方法 |
CN110782327A (zh) * | 2018-07-12 | 2020-02-11 | 阿里巴巴集团控股有限公司 | 一种异常信息发现方法、装置及设备 |
CN110782327B (zh) * | 2018-07-12 | 2023-06-30 | 阿里巴巴集团控股有限公司 | 一种异常信息发现方法、装置及设备 |
CN110232078A (zh) * | 2019-04-26 | 2019-09-13 | 上海生腾数据科技有限公司 | 一种企业集团关系获取方法及系统 |
CN110232078B (zh) * | 2019-04-26 | 2021-03-30 | 上海合合信息科技股份有限公司 | 一种企业集团关系获取方法及系统 |
CN114997978A (zh) * | 2022-06-08 | 2022-09-02 | 深圳多有米网络技术有限公司 | 一种基于纳税人经营特征的优质纳税人识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104517232B (zh) | 2018-07-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104517232A (zh) | 一种挖掘纳税金额突增的关联纳税人群体的方法 | |
Hilorme et al. | Smart grid concept as a perspective for the development of Ukrainian energy platform | |
Darghouth et al. | Customer-economics of residential photovoltaic systems (Part 1): The impact of high renewable energy penetrations on electricity bill savings with net metering | |
US10341376B2 (en) | Diversity analysis with actionable feedback methodologies | |
CN104463603A (zh) | 一种信用评估方法及系统 | |
Wang et al. | A model for commercial adoption of photovoltaic systems in California | |
US20130191296A1 (en) | Method and system for obtaining ghg reduction credits associated with ghg reduction efforts | |
Giupponi et al. | Spatial assessment of water use efficiency (SDG indicator 6.4. 1) for regional policy support | |
Zhang et al. | Privacy-preserving aggregate mobility data release: An information-theoretic deep reinforcement learning approach | |
Pediaditis et al. | Bilevel optimization model for the design of distribution use-of-system tariffs | |
Hesamzadeh et al. | Merger analysis in wholesale power markets using the equilibria-band methodology | |
CN105469308A (zh) | 一种中小企业融资风险评估系统及方法 | |
Dagoumas | Modelling socio-economic and energy aspects of urban systems | |
CN103729796A (zh) | 一种抽样调查的方法及系统 | |
Liu | The effects of international shocks on Australia's business cycle | |
Prljić et al. | Management of business economic growth as function of resource rents | |
Bristow et al. | Potential of building-scale alternative energy to alleviate risk from the future price of energy | |
Tam et al. | The five V’s, seven virtues and ten rules of big data engagement for official statistics | |
DeCanio et al. | Minimax-regret climate policy with deep uncertainty in climate modeling and intergenerational discounting | |
Kim et al. | Probability distribution of the project payback period using the equivalent cash flow decomposition | |
US20110119199A1 (en) | Facility Resource Consumption Estimator | |
Dhavale et al. | Integrating carbon market uncertainties into a sustainable manufacturing investment decision: A Bayesian NPV approach | |
Sun et al. | A queuing-theory-based interval-fuzzy robust two-stage programming model for environmental management under uncertainty | |
Ratliff et al. | Privacy and customer segmentation in the smart grid | |
US20150199695A1 (en) | Reporting on Technology Sector Sizes Using Patent Assets |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |