CN105956747A - 一种企业信誉评估可视化方法 - Google Patents
一种企业信誉评估可视化方法 Download PDFInfo
- Publication number
- CN105956747A CN105956747A CN201610255954.6A CN201610255954A CN105956747A CN 105956747 A CN105956747 A CN 105956747A CN 201610255954 A CN201610255954 A CN 201610255954A CN 105956747 A CN105956747 A CN 105956747A
- Authority
- CN
- China
- Prior art keywords
- debt
- circle
- eigenvalue
- data
- graphic feature
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/206—Drawing of charts or graphs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种企业信誉评估可视化方法,该方法主要实现过程为:将原始数据用同圆多边形图进行绘制,并进行图形特征提取,然后把得到的图形特征作为绘制上一级同圆多边形图的参数;基于图形特征融合原理进行图形特征提取、绘制同圆多边形融合图和计算综合得分。本发明的方法具有针对性、实用性、可操作性,为企业信誉度评估提供了直观高维空间表征的蜘蛛网图谱方法,样本需求量较小,人为干预少。
Description
技术领域
本发明涉及一种企业信誉评估可视化方法。
背景技术
经济全球一体化和知识经济的发生发展,作为无形资产重要组成部分的信誉在企业经营中发挥越来越重要的作用。由于信誉的无形性和弱成本性,使得其价值评估相对困难,因此准确评估企业的信誉价值,提供一个对供需双方特定而公平的市价商誉,信誉价值的评估为企业的产权变动、联营、合资、股份改造、公司上市等具有十分重要的意义。信誉是企业中最无形的资产,只能依附于企业整体存在,它具有以下几个方面特点:(l)信誉价值形成的动态性和不确定性。信誉是在企业长期的经营管理过程中形成的,影响信誉的因素众多,其中一个因素或几个因素的改变都可能影响信誉的存在和价值,因此信誉价值具有动态性和不确定性;(2)信誉构成因素的复杂性。信誉是由企业管理水平、产品质量、人力资源状况、组织文化、外部环境等多种因素构成的。这些定性因素本身具有很大的不确定性,虽然我们大致知道这些因素能够影响商誉价值,但是各个因素的影响有多大却不得而知;(3)信誉价值评估参数具有很大的不确定性,这是因为企业经营中的不确定因素较多,经营状况变化快,因此只能根据历史数据确定出超额收益是属于某个范围内的可能值。此外企业外部市场环境的复杂性和评估主体对信誉认识的差异,都会导致信誉及评估价值呈现很大的不确定性。另外得到的信息不对称,企业掌握整个情况,占据信息上的优势,出于某种原因他们会进行信息封锁。因而评估者只能得到一个不完全的信息,即:部分确知,部分不确知。
对企业信誉度的评价可采用的方法有直接评价法、加权综合评价法、模糊数学综合评价法,多层次灰色评价等。由于企业信誉主要是定性的分析,很难简单地以达到那一级评语来判断,而是在这两者之间存在一种中介状态,具有模糊的关系。评价信息的全面与准确受评价人员的知识水平、认识能力、个人经验和偏好制约。近年来随着计算机技术的发展,一些非参数统计方法以及人工智能模型逐渐被引进信用评价模型中,如神经网络、模糊分类、遗传算法等,这些算法在一定程度上克服传统方法综合分析能力差、缺乏整体概括能力的缺点,弥补了评价结果的一些不足。但还存在样本需求量大,人为干预多的缺点。例如支持向量机基于统计学习理论和结构风险最小化原则,其基本思想是把输入空间的样本通过非线性变换映射到高维特征空间,然后在特征空间中求取把样本线性分开的最优分类面。算法使用分类间隔控制线性学习机器的容量,从而使结构风险最小,也使其在有限样本下具有了较强的泛化能力。不同的核函数即变换到不同的特征空间,使用核函数也避免了在高维的特征空间中直接计算。
同圆多边形图(蜘蛛网图)是一种对多维数据进行图表达和分析的方法。对于d维欧式空间的一个样本点Xi=(xi 1,xi2,…,xid),若将其映射到蜘蛛网图平面上可以得到一个d边形。假设一个有n个类似样本的数据集,重复进行上述映射步骤,就可画出n个d边形,从而构成整个数据集的同圆多边形图表示。对于不同类别的样本,为了进行区分,可以采用不同的颜色、线条类型等等。蜘蛛网图是将原始数据的正交坐标轴变换后重新安排为非正交的坐标轴,也就是相交于圆心的径向坐标轴,这样就可以在一个二维平面上同时显示多维数据。所以对原始数据采用蜘蛛网表示可以实现各样本点之间关系的可视化,有利于对它们进行研究并进而发现利于样本分类的特征。图形特征可以用来综合表示一个多元图的特点。多维数据通过采用多元图来表示实现了自身的结构化表示,而具有可视化结构的多元图同时包含了多元图形状信息和丰富的多元图图形结构信息,称为多元图的图形特征。因为图形特征浓缩了多维数据的特异性,所以采用多元图的图形特征来进行分类可以得到较好分类效果。多元图的图形特征可以为多元图的整体特征以及局部特征,而整体特征包含有面积、重心矢量、方向和位置等特征,局部特征则包含有相邻幅值比、分区面积比以及对称性等特征。
发明内容
本发明所要解决的技术问题是,针对现有技术不足,提供一种企业信誉评估可视化方法,使企业信誉评估系统具有针对性、实用性、可操作性。
为解决上述技术问题,本发明所采用的技术方案是:一种企业信誉评估可视化方法,该方法主要实现过程为:将原始数据用同圆多边形图进行绘制,并进行图形特征提取,然后把得到的图形特征作为绘制上一级同圆多边形图的参数;基于图形特征融合原理进行图形特征提取、绘制同圆多边形融合图和计算综合得分。
该方法具体实现过程包括:
1)收集评价数据;所述评价数据包括目标层、准则层和指标层;
2)用同圆多边形图绘制所述评价数据;
3)提取由所述评价数据绘制的同圆多边形的特征参数;
4)重复步骤1)—3),对收集的不同评价数据样本进行计算,基于各特征参数的权重绘制加权后的同圆多边形;
5)基于图形特征融合原理计算加权后的同圆多边形的特征参数:重心特征值、面积图特征值、分区面积比图特征值、第三遍相邻幅值比,然后根据得到的特征参数绘制上一级同圆多边形图,依此类推最后得到一个融合同圆多边形图;
6)消除所述融合同圆多边形图的重心特征值、面积图特征值、分区面积比图特征值、第三遍相邻幅值比图特征值参数之间的数量级和量纲上的不同,对上述特征值采用Z=(X–X*)/σ进行转化,其中X*为平均值,σ为标准差;
7)求取步骤6)处理后的标准化数据的相关矩阵,并计算所述相关矩阵的特征值和特征向量;
8)利用所述特征值和特征向量计算所述标准化数据的方差贡献率与累积方差贡献率,确定评价因子;
9)计算因子得分,以各因子的方差贡献率为权,由各因子的线性组合得到综合评价指标函数的得分,确定企业之间的信誉状况。
收集评价数据的过程包括以下步骤:
1)确定评价指标体系和指标层次;
2)利用层次分析法,以同属一层的要素以上一层的要素为准则,进行两两比较,确定每层中诸多元素与上一层某元素的相对重要性,构造出判断矩阵,计算矩阵每一行的几何平均数来确定各层次评价指标的权重;
3)确定各被评企业的评价值数据,第k个评价人员按评价标准对某因素给出的评分值为Bk,k=1,…,p。
与现有技术相比,本发明所具有的有益效果为:本发明的方法具有针对性、实用性、可操作性,为企业信誉度评估提供了直观高维空间表征的蜘蛛网图谱方法,样本需求量较小,人为干预少。
具体实施方式
本发明的实现过程如下:
(一)、建立收集评价数据
(1)确定评价指标体系和指标层次;
(2)根据用层次分析法通过对同属一层的要素以上一层的要素为准则进行两两比较确定其相对重要度,确定各评价指标的权重wi,评价指标权重的确定可采用如下类似方法。
首先,根据选取的指标建立n个层次评价指标集(通常采用三个层次),第一层为目标层U={U1,U2,U3,U4……Uk……Un},例如假设B1、B2、B3、B4分别代表企业的资本、能力、品质和抵押四个方面,第二层为准则层,Uk={Uk1,Uk2,Uk3,……Ukm},m为目标层中每个指标在准则层中的子指标数量,第三层为指标层,Ukm={UkmUkm1,Ukm2Ukm3……Ukmi},其中i表示准则层中每个指标在统计层中对应的子指标的数量。
第二,建立评判集,评判集是评价对象可能出现的结果的集合,例如选用五级标准的评判集,用V表示,V={V1,V2,V3,V4,V5},其中V1~V5分别表示评判结果优秀,良好,中等,合格,不合格。
第三,构造判断矩阵,建立如上层次结构后,就需要建立一个上层元素所对应的的下层元素以该上层元素为准则的比较判断矩阵,具体过程为是邀请n位专家应用层次分析法分别对信用评价体系中的s个子目标以及该子目标中的各个指标分别进行比较,得到若干个判断系数矩阵rk=(rij)m@m,式中,k表示第k个专家,m为子目标或子目标中指标的个数;rij表示指标i与指标j相比较所得的判断系数,而rji表示指标j与指标i相比较得出的判断系数为rji=1/rij。判断系数设定在0.1~0.9的范围内取值,取值方法如下:0.1两个元素相比较,后者比前者极端重要;0.2两个元素相比较,后者比前者重要得多;0.3两个元素相比较,后者比前者明显重要;0.4两个元素相比较,后者比前者稍微重要;0.5两个元素相比较,两者具有同等重要性;0.6两个元素相比较,前者比后者稍微重要;0.7两个元素相比较,前者比后者明显重要;0.8两个元素相比较,前者比后者重要得多;0.9两个元素相比较,前者比后者极端重要。这样通过两两比较,确定每层中诸多元素与上一层某元素的相对重要性,构造出判断矩阵。
第四,确定各层次评价指标的权重。采用方根法来确定各因素的权重。该方法的具体步骤如下:计算矩阵每一行的几何平均数:
i为行号,i=1,2,…,n)。对向量wi=[w1,w2……wn]进行归一化处理,令
那么向量Wi=[W1,W2……Wn]就是所要计算的权重。
(3)确定各被评企业的评价值数据,设第k个评价人员按评价标准对某因素给出的评分值为Bk(k=1,…,p)。
(二)、同圆多边形图的绘制
(1)先作一个圆,对一个有p个指标值的数据则把圆周进行p等分;
(2)将圆心和各分点相连接,得到p条半径,
(3)n个数据组可作出n个p边形。
(4)蜘蛛网雷达图的加权变换
为了使蜘蛛网图更清晰地表达数据,并进一步挖掘蜘蛛网图的图形特征,对蜘蛛网图进行如下规范。将圆周上的坐标定义为周坐标,并用L表示,定义顺时针方向为圆周正方向;将半径上的坐标定义为径坐标,并用r表示评分数值(Bk),定义圆心到圆周的方向为正方向,也是变量幅值增加的方向,并把变量归一化到[0,1];将相邻变量的夹角定义为这样,采用映射函数可以将原始数据映射到蜘蛛网图上。
为表征不同变量对整体分类贡献的不同,可以采用弧度加权的方式。对于一个含有p个变量的样本,均匀划分雷达图区域时的弧度值为且加权后的弧度值为定义权重系数加权后的弧度值并且满足 在作图时,计算出就可得到加权后的同圆多边形图。
由于数据的各个指标在圆周上的位置分配是由人自定的,所以性质相似的指标可以放在相邻部位,或者重要的放在起始点的前几个位置,然后试绘制图形、并可以适当着色以观察直观效果。
(三)、同圆多边形图的特征参数
采用同圆多边形图表示多元数据实现了数据的可视化表示,使得我们能够进一步发现数据的内部结构关系。同时,同圆多边形图的可视化结构包含了丰富的图形信息,这些图形信息统称为同圆多边形图的图形特征。同圆多边形图的图形特征综合表示了同圆多边形图的特点,浓缩了多维数据之间的特异性,可以用来对数据进行分类,提取数据的信息特征。应用中采用同圆多边形图形特征有面积特征、重心图特征、分区面积比图特征和相邻第三边幅值比图特征。
(1)图面积特征
面积是用来评价多维径向坐标图的多边形整体质量的信息,它是多元图各个定量信息形成的一个多元函数。多元图的各个定量信息对整体信息评价质量的贡献是各不相同的,有的信息变量越大,相应地整体评价质量越好,而有的信息则是变量太大或太小都达不到最佳的评价质量。针对这种问题,多元图表示理论建立了单调函数及区间函数两个概念。单调函数的定义是:当一个输入变量对整体评价质量的影响呈现单调特性时就是单调函数,比如,噪声对舒适度评价质量的贡献就是单调函数,因为噪声越小,感觉越舒适。区间函数的定义是:当一个输入变量在一特定区间内对整体评价质量的贡献是正面的,积极的,而当输入变量的数值超出这一特定范围时,对整体评价质量的贡献则为负面的这样的函数则为区间函数。三角形的面积特征称为面积图形特征(面积特征维数与原始数据特征维数一样)。相关符号分别为面积S、射线ri以及弧度wi。
单调函数的面积图形特征求解方法为S=∑Si
三角形的面积图形特征求解方法为Si=(riri+1sinw)/2
三角形的面积图形特征为ΔS=(︱Δri︱ri+1sinw)/2
(2)多维数据同圆多边形图的重心图特征计算方法
多元数据的同圆多边形图的各个顶点就是各维变量信息的质点,对于一个由m(2≤m<n)个相邻变量所构成的多边形的重心图特征的数学计算,可以采用变量质量集中于顶点的多边形重心特征数学计算模型来进行。对于一个n维数据,在特征全排序条件下所构成的同圆多边形图,它的相邻m变量的重心图形特征的维数是Cn m,而n维数据所构成的同圆多边形图的重心图形特征空间的总维数是(2n-n-1).
一个多元信息R,包含有n个变量,从n个变量当中任意选择m(2≤m≤n)个变量为(r1,r2,…,rm),并且它们依次相邻,从而构成m+1边形O r1,r2,…,rm。根据质量集中在顶点(即顶点即为质点)的任意多边形的重心计算公式推导出由(r1,r2,…,rm)相邻m变量所构成的多边形的重心矢量特征表示公式为(John W.Tukey.Exploratory DataAnalysis.Addison-Wesley,1977)
式中,absm为相邻m变量重心特征矢量的幅值;anglem为相邻m变量重心特征矢量的角度;pi为相邻m变量各个变量信息质点的权值,通过各个变量的信息熵函数来确定,实际应用中为了方便通常取为1/m。
(3)分区面积比图特征
分区面积比图特征为多元图表示中各个不同子区域的面积值之比。对于一个n维多元图,任意的两个分区面积值之比都称作分区面积比图特征,即包含有1相邻分区面积之比、2相邻分区面积之比、…、
n-1相邻分区面积之比。n相邻分区面积之比Sij=(Si+1)/(Sj+1),Si与Sj分别是i区域和j区域的面积,且n=︱i-j︱。
(4)相邻第三边幅值比图特征
每个三角形中圆心角所对的第三边相邻幅值比特征是不同维的变量幅值之间的比值,它能够比较清楚地刻画多元图的形状变化的内部过程。对于一个n维的多元图,相邻幅值比图特征包含有1相邻幅值比、2相邻幅值比、…以及n-1相邻幅值比。其中,n相邻幅值比rij表示的是第i维向量与第j维向量的幅值之比,即(xi+1)/(xj+1)。
(四)、同圆多边形图特征融合图谱及综合得分计算
先对数据集进行同圆多边形图表示(非等间距或等间距),对图形特征提取,然后把得到的图形特征作为参数绘制下一级同圆多边形图,基于图形特征融合原理进行图形特征提取,最后得到一个融合同圆多边形图。
在光学中指两种色光以适当地比例混合而能产生白色感觉时,则这两种颜色就称为“互为补色”。红色与绿色互补﹑蓝色与橙色互补﹑紫色与黄色互补。为了提高同圆多边形图的视觉效果,在图形绘制过程原数据图用红色时,同圆多边形图特征融合图用绿色;原数据图用蓝色时,图形特征融合图用橙色;原数据图用紫色时,图形特征融合图用黄色。反之亦然。
采用因子分析方法对数据进行处理:
(1)了消除重心特征值、面积图特征值、分区面积比图特征值、第三边相邻幅值比图特征值参数之间的数量级和量纲上的不同,将上述数据标准化,采用Z=(X–X*)/σ进行转化(X*为平均值,σ标准差);
(2)求标准化数据的相关矩阵;
(3)求相关矩阵的特征值和特征向量;
(4)计算方差贡献率与累积方差贡献率,确定因子。
设F1,F2,….,Fp为p个因子,其中前m个因子包含的数据信息总量(即其累积贡献率)不低于80%时,可取前m个因子来反映原评价指标;
(5)因子旋转
若所得的m个因子无法确定或其实际意义不是很明显,这时需将因子进行旋转以获得较为明显的实际含义。
(6)用原指标的线性组合来求各因子得分
采用回归估计法计算因子得分。
(7)综合得分
以各因子的方差贡献率为权,由各因子的线性组合得到综合评价指标函数的得分,确定企业之间信誉状况。
实施例1:
对企业的信誉评价主要是对企业履行各种经济承诺的能力及可信任程度进行综合判断,不仅要评估企业的货币支付能力、还贷能力和偿债能力,还要对企业的内在素质和经营管理水平及发展前景做出评价。从以下方面进行专家分析评分:
(1)企业基础素质分析:如规模及经济实力、员工基本状况;
(2)企业经营管理能力分析:主要从管理层应变能力(与行业风险和企业经营环境结合起来分析)、企业的经营战略、管理层风险倾向、管理一贯性和可信性、管理层变动和管理模式进行分析;
(3)人力资源能力分析:着眼于如何充分调动劳动者的积极性、能动性,从而提高经营效率,通常用劳动效率来分析,如人均销售收入(主营业务收入)、人均净利润等;
(4)企业设备能力分析:对设备先进性、设备成新度、设备利用程度技术素质和新技术及新材料的应用能力的分析;
(5)研究开发能力:包括科研力量、技术改造能力、技术创新能力;
(6)市场营销能力:主要分析企业产品的竞争力,企业对销售活动组织以及促销能力,企业市场决策能力、企业的定价合理性等;
(7)财务能力:即基于公司的财务数据定量分析公司的财务状况;
选择上述7个方面分别给定了其在总评价中所占的权重,总和为100。建立评分调查表发给专家,专家给出相应权重和每项指标的得分。
得到40调份查数据。先对数据集进行同圆多边形图表示(非等间距),然后基于图形特征融合原理进行图形特征提取最后得到一个同圆多边形图。采用Matlab进行计算和绘图。分类器选用线性分类器、二次分类器(qdc)、k近邻分类器(knnc)、parzen分类器(parzenc)。用于分类的图特征包括重心矢量方向图特征值、面积图特征值、分区面积比图特征值、第三边相邻幅值比图特征值;对比特征分别为:原始特征、主成分(PCA)特征。诊断结果采用10%样本测试90次交叉检验误差估计作为对比评价检验指标。同圆多边形图法的多元图特征平均误差(Average error)、最大误差(Max error)和最小误差(Min error)都明显低于采用原始特征、主成分特征的误差(见表1)。这说明基于同圆多边形图融合特征表示的特征提取能够挖掘到有价值的特征,有利于企业信誉评估识别。
表1不同方法分类误差的比较
实施例2:
基于企业财务指标的企业信用评估
采用文献(蒋鸿爱,基于因子分析及聚类分析的企业债信用评级财务指标体系的构建,陕西师范大学硕士学位论文,2010)选取的财务指标及数据:非流动负债/(非流动负债+股东权益)(C1);负债总额/资产总额(C2);资产总额/资产总额(C3,较上年同期);主营业务收入/主营业务收入(C4,较上年同期);(销售费用+财务费用+管理费用)/主营业务收入(C5);(主营业务收入-营业务成本)/主营业务收入(C6);净利润/主营业务收入(C7);己获利息倍数(C8);净利润/净利润(C9,较上年同期);经营活动产生的现金流量净额/经营活动流入的现金(C10);经营活动产生的现金流量净额/现金及现金等价物净增加额(C11);息税折旧摊销前利润/负债(C12);净利润/平均股东权益(C13);主营业务收入/平均固定资产(C14;)主营业务收入/平均资产总额(C15);经营活动产生的现金流量净额/负债(C16)、经营活动产生的现金流量净额/主营业务收入(C17)。共计17个参数。
对40个企业债发行主体的财务数据采用同圆多边形图表达,采用回归估计法计算重心特征值、面积图特征值、分区面积比图特征值、第三边相邻幅值比图特征值参数的得分。以各参数的方差贡献率为权,由各参数的线性组合得到综合指标函数,计算出综合得分,确定企业信誉状况。将数值由大到小等分四个区间进行分类:
第一类(前25%)包含了14个企业债,分别为:08兵器债、08兵器装备债、09湘有色债、08皖华茂债、09华润债、08国网债、09东特债、08南网债、09港中旅债、09舞钢债、08赣煤债、08首钢债、08联想债、09中国有色债。
第二类(25%到50%之间)包含了3个企业债:09铁岭债、09广纸债、09陕投债。
第三类(50%到75%之间)包含了15个企业债,分别为:08晋煤债、09云煤化债、09淮北矿业债、08鲁能债、09二重债、08中船重工债、08中冶债、08雨交投债、08国投债、09苏交通债、08闽高速债、08大唐债、08合肥建投债、08常城建债、09海航债、。
第四类(后25%)包含了8个企业债,分别为:08无锡公用债、09云投债、08沪建债、08大连港债、08嘉城投债、08苏高新债、08吉高速债、08福煤债。
参考文献采用因子分析第一类样本中现金流因子、综合因子、收益因子、净利润增长率的得分居中,营运因子、息税折旧摊销前负债率的得分突出,可知企业总体能力较强;第二类样本较为特殊,一个样本的现金流因子及综合因子得分较高,但营运因子、收益因子、净利润增长率因子、息税折旧摊销前负债率因子的得分均较低,从而使其偿债能力较为靠后,另一个样本出收益因子得分较高以外,其他因子的得分均较低,使得其总体能力也较为靠后,第三类样本收益因子及净利润增长率因子的得分较高,但其在权重较大的现金流及营运因子的得分较为靠后,直接影响了其总体偿债能力;第四类样本的与第一类样本一样,也是部分因子的得分居中,权重较大的现金流因子较为突出,使得其的总体能力也较为突出。其结果如下:
第一类包含了15个企业债,分别为:08兵器债、08兵器装备债、09湘有色债、08皖华茂债、09华润债、08国网债、09东特债、08南网债、09港中旅债、09舞钢债、08赣煤债、08首钢债、09陕投债、08联想债、09中国有色债。
第二类包含了2和企业债:09铁岭债、09广纸债。
第三类包含了16个企业债,分别为:08晋煤债、09云煤化债、09淮北矿业债、08鲁能债、09二重债、08中船重工债、08中冶债、08雨交投债、08国投债、09苏交通债、08闽高速债、08大唐债、08合肥建投债、08常城建债、09海航债、08福煤债。
第四类包含了7个企业债,分别为:08无锡公用债、09云投债、08沪建债、08大连港债、08嘉城投债、08苏高新债、08吉高速债。
通过对比表明本发明提出的同圆多边形图分析方法与因子分析的结果基本吻合。
Claims (2)
1.一种企业信誉评估可视化方法,其特征在于,该方法主要实现过程为:将原始数据用同圆多边形图进行绘制,并进行图形特征提取,然后把得到的图形特征作为绘制上一级同圆多边形图的参数;基于图形特征融合原理进行图形特征提取、绘制同圆多边形融合图和计算综合得分。
2.根据权利要求1所述的企业信誉评估可视化方法,其特征在于,该方法具体实现过程包括:
1)收集评价数据;所述评价数据包括目标层、准则层和指标层;
2)用同圆多边形图绘制所述评价数据;
3)提取由所述评价数据绘制的同圆多边形的特征参数;
4)重复步骤1)—3),对收集的不同评价数据样本进行计算,基于各特征参数的权重绘制加权后的同圆多边形;
5)基于图形特征融合原理计算加权后的同圆多边形的特征参数:重心特征值、面积图特征值、分区面积比图特征值、第三遍相邻幅值比,然后根据得到的特征参数绘制上一级同圆多边形图,依此类推最后得到一个融合同圆多边形图;
6)消除所述融合同圆多边形图的重心特征值、面积图特征值、分区面积比图特征值、第三遍相邻幅值比图特征值参数之间的数量级和量纲上的不同,对上述特征值采用Z=(X–X*)/σ进行转化,其中X*为平均值,σ为标准差;
7)求取步骤6)处理后的标准化数据的相关矩阵,并计算所述相关矩阵的特征值和特征向量;
8)利用所述特征值和特征向量计算所述标准化数据的方差贡献率与累积方差贡献率,确定评价因子;
9)计算因子得分,以各因子的方差贡献率为权,由各因子的线性组合得到综合评价指标函数的得分,确定企业之间的信誉状况。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610255954.6A CN105956747A (zh) | 2016-04-22 | 2016-04-22 | 一种企业信誉评估可视化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610255954.6A CN105956747A (zh) | 2016-04-22 | 2016-04-22 | 一种企业信誉评估可视化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105956747A true CN105956747A (zh) | 2016-09-21 |
Family
ID=56915364
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610255954.6A Pending CN105956747A (zh) | 2016-04-22 | 2016-04-22 | 一种企业信誉评估可视化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105956747A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107870817A (zh) * | 2016-09-28 | 2018-04-03 | 腾讯科技(北京)有限公司 | 一种多维参数的展示方法、客户端及服务器 |
CN109342680A (zh) * | 2018-11-07 | 2019-02-15 | 浙江理工大学 | 基于lca多边形的纺织服装产品水环境负荷综合评价方法 |
CN109447815A (zh) * | 2018-10-31 | 2019-03-08 | 哈尔滨工业大学 | 互联网金融平台信用风险监测雷达软件系统 |
CN112364182A (zh) * | 2020-12-09 | 2021-02-12 | 交通银行股份有限公司 | 基于图特征的企业风险传导预测方法、设备及存储介质 |
CN113112138A (zh) * | 2021-04-01 | 2021-07-13 | 中国民航大学 | 航空专利综合评估系统构建方法 |
CN113743817A (zh) * | 2021-09-14 | 2021-12-03 | 福建三钢闽光股份有限公司 | 一种基于云平台的企业信用等级评估方法 |
CN114926032A (zh) * | 2022-05-24 | 2022-08-19 | 江苏邦鼎科技有限公司 | 一种饲料企业模块化装配方法及系统 |
CN116414906A (zh) * | 2022-12-12 | 2023-07-11 | 新维陆科技(珠海)有限公司 | 一种数据处理及可视化的方法、装置、介质和设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101540018A (zh) * | 2009-01-23 | 2009-09-23 | 浙江师范大学 | 一种企业信息技术应用程度评价方法及系统 |
CN104915735A (zh) * | 2015-06-26 | 2015-09-16 | 国家电网公司 | 企业运营分析预警系统的预警分析方法 |
-
2016
- 2016-04-22 CN CN201610255954.6A patent/CN105956747A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101540018A (zh) * | 2009-01-23 | 2009-09-23 | 浙江师范大学 | 一种企业信息技术应用程度评价方法及系统 |
CN104915735A (zh) * | 2015-06-26 | 2015-09-16 | 国家电网公司 | 企业运营分析预警系统的预警分析方法 |
Non-Patent Citations (2)
Title |
---|
王慧等: "基于雷达模型的信用评价方法", 《江汉论坛》 * |
王立强: "基于多元统计图的高维数据降维方法及应用研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107870817A (zh) * | 2016-09-28 | 2018-04-03 | 腾讯科技(北京)有限公司 | 一种多维参数的展示方法、客户端及服务器 |
CN109447815A (zh) * | 2018-10-31 | 2019-03-08 | 哈尔滨工业大学 | 互联网金融平台信用风险监测雷达软件系统 |
CN109342680A (zh) * | 2018-11-07 | 2019-02-15 | 浙江理工大学 | 基于lca多边形的纺织服装产品水环境负荷综合评价方法 |
CN112364182A (zh) * | 2020-12-09 | 2021-02-12 | 交通银行股份有限公司 | 基于图特征的企业风险传导预测方法、设备及存储介质 |
CN113112138A (zh) * | 2021-04-01 | 2021-07-13 | 中国民航大学 | 航空专利综合评估系统构建方法 |
CN113743817A (zh) * | 2021-09-14 | 2021-12-03 | 福建三钢闽光股份有限公司 | 一种基于云平台的企业信用等级评估方法 |
CN114926032A (zh) * | 2022-05-24 | 2022-08-19 | 江苏邦鼎科技有限公司 | 一种饲料企业模块化装配方法及系统 |
CN114926032B (zh) * | 2022-05-24 | 2023-07-25 | 江苏邦鼎科技有限公司 | 一种饲料企业模块化装配方法及系统 |
CN116414906A (zh) * | 2022-12-12 | 2023-07-11 | 新维陆科技(珠海)有限公司 | 一种数据处理及可视化的方法、装置、介质和设备 |
CN116414906B (zh) * | 2022-12-12 | 2024-03-01 | 新维陆科技(珠海)有限公司 | 一种数据处理及可视化的方法、装置、介质和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105956747A (zh) | 一种企业信誉评估可视化方法 | |
Aras et al. | Multidimensional comprehensive corporate sustainability performance evaluation model: Evidence from an emerging market banking sector | |
Siew et al. | Regression techniques for the prediction of stock price trend | |
Chow et al. | The consensus of local stakeholders and outside experts in suitability modeling for future camp development | |
Ketprapakorn | Toward an Asian corporate sustainability model: An integrative review | |
Montazar et al. | A fuzzy analytical hierarchy methodology for the performance assessment of irrigation projects | |
Ecer et al. | Evaluating economic freedom via a multi-criteria MEREC-DNMA model-based composite system: case of OPEC countries | |
Yazdani-Chamzini et al. | Proposing a new methodology for prioritising the investment strategies in the private sector of Iran | |
CN108876487A (zh) | 一种基于大数据及智能决策机制的工业地块估计方法 | |
Matviychuk et al. | Neuro-fuzzy model of country's investment potential assessment | |
CN104346698A (zh) | 基于云计算和数据挖掘的餐饮会员大数据分析和考核系统 | |
Rivera-Lirio et al. | The effectiveness of the public support policies for the European industry financing as a contribution to sustainable development | |
Aghdaie et al. | A HYBRID APPROACH FOR MARKET SEGMENTATION AND MARKET SEGMENT EVALUATION AND SELECTION: AN INTEGRATION OF DATA MINING AND MADM. | |
Mokarram et al. | Risk-based multi-criteria decision analysis of gas power plants placement in semi-arid regions | |
Huang | Construction and analysis of green investment risk evaluation index system based on information entropy fuzzy hierarchical analysis model | |
Dainiene et al. | COMPANY'S GOING CONCERN EVALUATION FUZZY MODEL. | |
Obadia et al. | Measuring Toronto's vital signs–Comparing global and local ideal point analysis in an urban equity case study | |
Cobo et al. | Innovative propensity with a fuzzy multicriteria approach: analysis of the Spanish industrial sector with data mining techniques | |
Rouyendegh | Selecting the high-performing departments within universities applying the fuzzy MADM methods | |
Wang et al. | Assessing financial distress of SMEs through event propagation: An adaptive interpretable graph contrastive learning model | |
Deng et al. | Comparison and Analysis of Novel Score-Variance Portfolio Models based on Methods for Ranking Fuzzy Numbers | |
Wu et al. | Chinese airline competitiveness evaluation based on extended binary relative evaluation (BRE) model | |
Yan et al. | NFTVis: Visual Analysis of NFT Performance | |
Nazeri et al. | A hybrid algorithm for managing green performance in supply chain using SWOT approach, by combining MCDM techniques in grey conditions | |
Wei et al. | Credit risk evaluation and analysis of power generation enterprises under the spot trading |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160921 |
|
RJ01 | Rejection of invention patent application after publication |