CN107292477A - 一种基于公司经营健康状况的信用评估方法 - Google Patents
一种基于公司经营健康状况的信用评估方法 Download PDFInfo
- Publication number
- CN107292477A CN107292477A CN201610227288.5A CN201610227288A CN107292477A CN 107292477 A CN107292477 A CN 107292477A CN 201610227288 A CN201610227288 A CN 201610227288A CN 107292477 A CN107292477 A CN 107292477A
- Authority
- CN
- China
- Prior art keywords
- value
- score value
- credit
- sample
- subitem
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种基于公司经营健康状况的信用评估方法,包括如下步骤:引入Z‑score模型并根据评估对象的类型选取信用评估参数;根据评估对象的类型获取样本,并获取样本的信用评估参数的样本值;剔除样本值的异常值,再对样本值进行聚类,根据聚类结果确定信用评估参数的分类区间及分项分值;获取评估对象的经营数据,计算评估对象的各项信用评估参数值;将信用评估参数值代入分类区间中,根据信用评估参数值在分类区间中的分布得到相应的分项分值,计算每个分项分值的总和得到信用评估结果。本发明通过对信用评估参数进行区间化处理,解决了极大值数据影响整体评估结果的技术问题,能够准确地评估中小型企业的财务及信用状况。
Description
技术领域
本发明属于计算机及财务评估领域,尤其涉及一种基于公司经营健康状况的信用评估方法。
背景技术
奥特曼Z得分模型(Z-Score Formula)是在1958年由当时在纽约大学担任金融系助理教授的奥特曼首先提出来的主要用于预测未来两年内评价对象企业是否会倒闭的模型。在Z-Score模型出现之前,评价企业是否会倒闭的方法基本上还是综合分析法,即综合一个对象企业的不同财务指标或财务比例的情况,但是没有明确的阈值来根据财务指标或财务比例评价和分析对象企业的财务健康状况。当不同的财务指标或财务比例出现相互矛盾的含义时,如何分析和评价对象企业就完全取决于评价人的个人经验了。
奥特曼第一次把统计计量的方法用到了破产违约分析中来。他收集了大量国外上市公司的财务数据,包括健康的公司和最终破产的公司,并且总结了将近三十个与企业财务健康状况有关的财务指标,然后把这些指标和是否破产违约的结果进行相关性检验。为了提高指标和破产违约结果之间的关联度,他选择了把财务指标相互组合计算,变成财务比例。最终筛选出来五个关联度最大的财务比例,然后把这些财务比例和破产违约结果进行线性回归,得出了Z-Score模型。
奥特曼最初搜集的数据来自于上市的制造业公司,相应的Z-Score模型有五个财务比例,它们分别是运营资本/总资产(X1)、盈余公积/总资产(X2)、息税前利润/总资产(X3)、公司市值/总负债(X4)以及营业收入/总资产(X5)。Z-Score模型的公式如下:
Z=1.2×X1+1.4×X2+3.3×X3+0.6×X4+0.99×X5。
当Z值大于2.99时,对象企业没有破产可能性;当Z值介于1.81和2.99之间时,无法对对象企业下结论;当Z值小于1.81时,对象企业的财务健康状况堪忧。
非上市制造业企业的Z-Score模型也包含五个财务比例,它们分别是运营资本/总资产(X1)、盈余公积/总资产(X2)、息税前利润/总资产(X3)、股东权益/总负债(X4)以及营业收入/总资产(X5)。Z-Score模型的公式如下:
Z=0.717×X1+0.847×X2+3.107×X3+0.420×X4+0.998×X5。
当Z值大于2.9时,对象企业没有破产可能性;当Z值介于1.23和2.9之间时,无法对对象企业下结论;当Z值小于1.23时,对象企业的财务健康状况堪忧。
服务业企业的Z-Score模型包含四个财务比例,它们分别是运营资本/总资产(X1)、盈余公积/总资产(X2)、息税前利润/总资产(X3)、以及股东权益/总负债(X4)。Z-Score模型的公式如下:
Z=6.56×X1+3.26×X2+6.72×X3+1.05×X4。
当Z值大于2.6时,对象企业没有破产可能性;当Z值介于1.1和2.6之间时,无法对对象企业下结论;当Z值小于1.1时,对象企业的财务健康状况堪忧。
Z-Score模型作为真正用计量法开发的信用评价模型,到今天仍然在被广泛使用,尤其在财务数据相对准确的西方国家中。但是Z-Score模型也存在明显的缺陷。首先,例如在考察上市制造企业时,当Z值大于2.99时,Z值大的企业与Z值小的企业之间信用资质之间是否不同以及差异的程度,通过Z-Score模型无法获得相应的数据。且若财务数据质量参差不齐,可能会出现由于某一项或某几项财务指标影响过大,导致Z-Score模型的结果失真。
为了解决现有技术所存在的上述缺陷,本发明提出一种新的基于Z-Score模型的信用评估方法,将原本用于破产违约分析的模型参数运用到风险评估当中,且通过对信用评估参数进行区间化处理,克服了原模型中因财务数据质量问题引起的结果失真缺陷,本发明的信用评估方法能够准确地评估中小型企业的财务及信用状况。
发明内容
本发明提出了一种基于公司经营健康状况的信用评估方法,其包括如下步骤:模型建立步骤:引入Z-score模型并根据评估对象的类型选取信用评估参数;样本值获取步骤:根据所述评估对象的类型获取样本,并获取所述样本的所述信用评估参数的样本值;区间化处理步骤:剔除所述样本值的异常值,再对所述样本值进行聚类,根据聚类结果确定所述信用评估参数的分类区间及分项分值;信用评估参数值获取步骤:获取所述评估对象的经营数据,计算所述评估对象的各项信用评估参数值;及信用评估步骤:将所述信用评估参数值代入所述分类区间中,根据信用评估参数值在所述分类区间中的分布得到相应的分项分值,计算每个分项分值的总和得到信用评估结果。
本发明提出的所述基于公司经营健康状况的信用评估方法中,所述信用评估参数包括:X1=营运资本/资产总额,其用于反映公司资产的经营效率;X2=盈余公积/资产总额,其用于反映公司的抗风险能力;X3=息税前利润/资产总额,其用于反映公司运用资产获利的能力;X4=股东权益/负债总额,其用于反映公司经营的杠杆率;及X5=销售收入/资产总额,其为总资产周转率,用于反映企业的经营水平。
本发明提出的所述基于公司经营健康状况的信用评估方法中,利用四分位数据原理剔除所述样本值的异常值,包括如下处理步骤:
步骤a1:根据Z-score模型计算每一个样本的信用评估参数的样本值;
步骤a2:按所述样本值进行升序或降序排序后,获得所述样本值在每一项信用评估参数中的分布,在样本值分布中取第一分位数、第二分位数和第三分位数;
步骤a3:根据所述第一分位数、所述第二分位数和所述第三分位数计算样本值分布的上边界与下边界;
步骤a4:取低于所述下边界和高于所述上边界的样本值为异常值,从所述样本值中剔除所述异常值。
本发明提出的所述基于公司经营健康状况的信用评估方法中,所述上边界以如下式(1)表示:
上边界=Q3+(Q3-Q1)*1.5; (1)
式(1)中,Q3表示第三分位数,Q1表示第一分位数。
本发明提出的所述基于公司经营健康状况的信用评估方法中,所述下边界以如下式(2)表示:
下边界=Q1-(Q3-Q1)*1.5; (2)
式(2)中,Q3表示第三分位数,Q1表示第一分位数。
本发明提出的所述基于公司经营健康状况的信用评估方法中,对于Z-score模型的每一项信用评估参数,分别采用自底向上的凝聚的层次聚类方法进行聚类,包括如下处理步骤:
步骤b1:将一项信用评估参数中将每个样本值单独初始化为一类;
步骤b2:计算类与类之间的距离;
步骤b3:将距离最接近的两个类合并成一类;
步骤b4:重复进行步骤b2与b3,直至所述样本值被汇聚到至少两类为止;每个类中的样本值被定义为所述分类区间。
本发明提出的所述基于公司经营健康状况的信用评估方法中,所述距离采用欧氏距离,以如下公式(3)表示:
公式(3)中,k=1,2…n,k表示类中样本值的序号;x1k表示第一个点的第k维坐标,x2k表示第二个点的第k维坐标。
本发明提出的所述基于公司经营健康状况的信用评估方法中,经区间化处理后,所述营运资本/资产总额的分类区间及分项分值为:
若X1>75%,则该分项分值为5;
若50%<X1≤75%,则该分项分值为4;
若25%<X1≤50%,则该分项分值为3;
若5%<X1≤25%,则该分项分值为2;
若X1≤5%,则该分项分值为1。
本发明提出的所述基于公司经营健康状况的信用评估方法中,经区间化处理后,所述盈余公积/资产总额的分类区间及分项分值为:
若X2>4%,则该分项分值为4;
若3%<X2≤4%,则该分项分值为3;
若1.5%<X2≤3%,则该分项分值为2;
若1%<X2≤1.5%,则该分项分值为1;
若0%<X2≤1%,则该分项分值为0。
本发明提出的所述基于公司经营健康状况的信用评估方法中,经区间化处理后,所述息税前利润/资产总额的分类区间及分项分值为:
若X3>25%,则该分项分值为4;
若15%<X3≤25%,则该分项分值为3;
若8%<X3≤15%,则该分项分值为2;
若0%≤X3≤8%,则该分项分值为1;
若X3<0%,则该分项分值为0。
本发明提出的所述基于公司经营健康状况的信用评估方法中,经区间化处理后,所述股东权益/负债总额的分类区间及分项分值为:
若X4>400%,则该分项分值为5;
若300%<X4≤400%,则该分项分值为4;
若200%<X4≤300%,则该分项分值为3;
若80%<X4≤200%,则该分项分值为2;
若X4≤80%,则该分项分值为1。
本发明提出的所述基于公司经营健康状况的信用评估方法中,经区间化处理后,所述股东权益/负债总额的分类区间及分项分值为:
若X5>110%,则该分项分值为12;
若80%<X5≤110%,则该分项分值为9;
若70%<X5≤80%,则该分项分值为6;
若50%<X5≤70%,则该分项分值为3;
若X5≤50%,则该分项分值为0。
本发明的有益效果在于:本发明基于Z-Score模型的信用评估方法将原本用于破产违约分析的模型参数运用到风险评估当中,且通过对信用评估参数进行区间化处理,解决了极大值数据影响整体评估结果的技术问题,能够准确地评估中小型企业的财务及信用状况。
附图说明
图1为本发明信用评估方法的流程示意图。
图2为聚类后箱型图的示意图。
具体实施方式
结合以下具体实施例和附图,对本发明作进一步的详细说明。实施本发明的过程、条件、实验方法等,除以下专门提及的内容之外,均为本领域的普遍知识和公知常识,本发明没有特别限制内容。
图1显示的是本发明信用评估方法的具体流程图,其中,包括如下步骤:
模型建立步骤:引入Z-score模型并根据评估对象的类型选取信用评估参数。Z-score模型是用于预测未来两年内评价对象企业是否会倒闭的模型,而本发明选取其中五项指标用于评估企业信用。这五项指标即为信用评估参数,包括:X1=营运资本/资产总额,其用于反映公司资产的经营效率;X2=盈余公积/资产总额,其用于反映公司的抗风险能力;X3=息税前利润/资产总额,其用于反映公司运用资产获利的能力;X4=股东权益/负债总额,其用于反映公司经营的杠杆率;及X5=销售收入/资产总额,其为总资产周转率,用于反映企业的经营水平。
样本值获取步骤:根据评估对象的类型获取样本,并获取样本的信用评估参数的样本值。本发明中所涉及的样本是指与评测对象相同类型的其他企业,因为相同类型企业之间的经营数据具有更高的可参考性,所以获取这些样本的经营数据从而获取样本的信用评估参数的样本值,为区间化处理打下基础。
区间化处理步骤:剔除样本值的异常值,再对样本值进行聚类,根据聚类结果确定信用评估参数的分类区间及分项分值。
1)本实施例采用四分位数据原理剔除样本值的异常值,具体包括如下步骤:
步骤a1:根据Z-score模型计算每一个样本的信用评估参数的样本值;
步骤a2:按样本值进行升序或降序排序后,获得样本值在每一项信用评估参数中的分布,在样本值分布中取第一分位数、第二分位数和第三分位数;本实施例中,第一分位数取25%分位数,第二分位数为50%分位数即中位数,第三分位数为75%分位数。
步骤a3:根据第一分位数、第二分位数和第三分位数计算样本值分布的上边界与下边界;本实施例中,上边界=Q3+(Q3-Q1)*1.5,下边界=Q1-(Q3-Q1)*1.5,其中Q3表示第三分位数,Q1表示第一分位数。
步骤a4:通过上述步骤生成一个如图2所示的箱形图,箱体包含了大部分的正常数据,而低于下边界和高于上边界的样本值为异常值,将异常值从样本值中剔除。
2)本实施例中,对于Z-score模型的每一项信用评估参数,分别采用自底向上的凝聚的层次聚类方法进行聚类,包括如下处理步骤
步骤b1:将一项信用评估参数中将每个样本值单独初始化为一个类;
步骤b2:计算类与类之间的距离;该距离采用汉明距离表示。
步骤b3:将距离最接近的两个类合并成一类;
步骤b4:重复进行步骤b2与b3,直至样本值被汇聚到至少两类为止;每个类中的样本值被定义为分类区间。
信用评估参数值获取步骤:获取评估对象的经营数据,计算评估对象的各项信用评估参数值。
信用评估步骤:将信用评估参数值代入分类区间中,根据信用评估参数值在分类区间中的分布得到相应的分项分值,计算每个分项分值的总和得到信用评估结果。
实施例
本实施例中选取1000家高新技术企业为样本,从样本的2012年,2013年,2014年年报中选取总资本,总负债,流动资产,流动负债,股东权益,营运资本,盈余公积,息税前利润,主营业务收入,营业税金及附加等经营数据。根据从Z-score模型中提取的信用评估参数,计算每一个样本的五项样本值:营运资本/总资产,盈余公积/总资产,息税前利润/总资产,股东权益/总负债,销售额/总资产。计算得出上述每一项指标的相关分布,并选取中位数(50%分位数),25/%分位数,75/%分位数,上边界和下边界来描述数据的整体分布情况。根据25%分位数和75%分位数计算上边界和下边界,形成一个如图2所示的箱型图,箱体包含了大部分的正常样本值,而在箱体上边界和下边界之外的样本值就是异常值,将异常值从中剔除。
剔除异常值后,对于Z-score模型的每一项信用评估参数,分别采用自底向上的凝聚的层次聚类方法(Agglomerative hierarchical method)进行分层聚类(hierarchicalcluster)。首先将一项信用评估参数中将每个样本值单独初始化为一个类,共得到多个类,每类仅包含一个样本值。类与类之间的距离就是它们所包含的样本值之间的距离,本实施例距离选用欧式距离(Euclidean)计算,欧氏距离如下表示:
式中,k表示……,k=1,2…n,x1k表示第一个点的第k维坐标,x2k表示第二个点的第k维坐标,n为维欧氏空间是一个点集,它的每个点可以表示为(x(1),x(2),...x(n)),其中x(k)(k=1,2...n)是实数,称为x的第k个坐标,两个点x和y=(y(1),y(2)...y(n))之间的距离d(x,y)定义为上面的公式。之后找到距离最接近的两个类,并合并成一类,重新计算新的类与所有旧类之间的距离。如此重复上述步骤,直到所有对象被分为5个类,即为此Z-score指标的分类区间,本实施例中经聚类后的分类区间及分项分值如以下表1所示。
表1 经聚类后信用评估分值的分类区间及分项分值
获得上述分类区间及分项分值后,获取评估对象的经营数据,根据经营数据计算其信用评估参数值。本实施例中,评估对象的信用评估参数值分别为:X1=95%,X2=0%,X3=-1%,X4=1866%,X5=87%。将信用评估参数值代入分类区间中,所对应的各分项分值为:5分,0分,0分,5分,9分。所以,该评估对象的信用评估结果为19分,将信用评估结果的评分作为参考对该公司的信用作进一步评估。
其中,针对X4(股东权益/总负债)一项的信用评估参数值为1866%,若按照原Z-score模型,此项参数值过大导致严重弱化了其他指标的作用,最终导致结果失真,但是按照本发明区间化处理后的分类区间进行评估,则该项参数值处于“大于400%”的分类区间中,其分项分值为5。与原Z-score模型相比,本发明信用评估方法避免因财务数据质量的参差不齐出现由于某一项或某几项财务指标影响过大导致模型不合理的情况。
本发明的保护内容不局限于以上实施例。在不背离发明构思的精神和范围下,本领域技术人员能够想到的变化和优点都被包括在本发明中,并且以所附的权利要求书为保护范围。
Claims (12)
1.一种基于公司经营健康状况的信用评估方法,其特征在于,其包括如下步骤:
模型建立步骤:引入Z-score模型并根据评估对象的类型选取信用评估参数;
样本值获取步骤:根据所述评估对象的类型获取样本,并获取所述样本的所述信用评估参数的样本值;
区间化处理步骤:剔除所述样本值的异常值,再对所述样本值进行聚类,根据聚类结果确定所述信用评估参数的分类区间及分项分值;
信用评估参数值获取步骤:获取所述评估对象的经营数据,计算所述评估对象的各项信用评估参数值;
信用评估步骤:将所述信用评估参数值代入所述分类区间中,根据信用评估参数值在所述分类区间中的分布得到相应的分项分值,计算每个分项分值的总和得到信用评估结果。
2.如权利要求1所述的基于公司经营健康状况的信用评估方法,其特征在于,所述信用评估参数包括:
X1=营运资本/资产总额,其用于反映公司资产的经营效率;
X2=盈余公积/资产总额,其用于反映公司的抗风险能力;
X3=息税前利润/资产总额,其用于反映公司运用资产获利的能力;
X4=股东权益/负债总额,其用于反映公司经营的杠杆率;及
X5=销售收入/资产总额,其为总资产周转率,用于反映企业的经营水平。
3.根据权利要求1或2所述的基于公司经营健康状况的信用评估方法,其特征在于,利用四分位数据原理剔除所述样本值的异常值,包括如下处理步骤:
步骤a1:根据Z-score模型计算每一个样本的信用评估参数的样本值;
步骤a2:按所述样本值进行升序或降序排序后,获得所述样本值在每一项信用评估参数中的分布,在样本值分布中取第一分位数、第二分位数和第三分位数;
步骤a3:根据所述第一分位数、所述第二分位数和所述第三分位数计算样本值分布的上边界与下边界;
步骤a4:取低于所述下边界和高于所述上边界的样本值为异常值,从所述样本值中剔除所述异常值。
4.根据权利要求3所述的基于公司经营健康状况的信用评估方法,其特征在于,所述上边界以如下式(1)表示:
上边界=Q3+(Q3-Q1)*1.5; (1)
式(1)中,Q3表示第三分位数,Q1表示第一分位数。
5.根据权利要求3所述的基于公司经营健康状况的信用评估方法,其特征在于,所述下边界以如下式(2)表示:
下边界=Q1-(Q3-Q1)*1.5; (2)
式(2)中,Q3表示第三分位数,Q1表示第一分位数。
6.根据权利要求1或2所述的基于公司经营健康状况的信用评估方法,其特征在于,对于Z-score模型的每一项信用评估参数,分别采用自底向上的凝聚的层次聚类方法进行聚类,包括如下处理步骤:
步骤b1:将一项信用评估参数中将每个样本值单独初始化为一个类;
步骤b2:计算类与类之间的距离;
步骤b3:将距离最接近的两个类合并成一类;
步骤b4:重复进行步骤b2与b3,直至所述样本值被汇聚到至少两类为止;每个类中的样本值被定义为所述分类区间。
7.根据权利要求6所述的基于公司经营健康状况的信用评估方法,其特征在于,所述距离采用欧氏距离,以如下公式(3)表示:
<mrow>
<msub>
<mi>d</mi>
<mn>12</mn>
</msub>
<mo>=</mo>
<msqrt>
<mrow>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mn>1</mn>
<mi>k</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mrow>
<mn>2</mn>
<mi>k</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mo>;</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
公式(3)中,k=1,2…n,k表示类中样本值的序号;x1k表示第一个点的第k维坐标,x2k表示第二个点的第k维坐标。
8.如权利要求6所述的基于公司经营健康状况的信用评估方法,其特征在于,经区间化处理后,所述营运资本/资产总额的分类区间及分项分值为:
若X1>75%,则该分项分值为5;
若50%<X1≤75%,则该分项分值为4;
若25%<X1≤50%,则该分项分值为3;
若5%<X1≤25%,则该分项分值为2;
若X1≤5%,则该分项分值为1。
9.如权利要求6所述的基于公司经营健康状况的信用评估方法,其特征在于,经区间化处理后,所述盈余公积/资产总额的分类区间及分项分值为:
若X2>4%,则该分项分值为4;
若3%<X2≤4%,则该分项分值为3;
若1.5%<X2≤3%,则该分项分值为2;
若1%<X2≤1.5%,则该分项分值为1;
若0%<X2≤1%,则该分项分值为0。
10.如权利要求4所述的基于公司经营健康状况的信用评估方法,其特征在于,经区间化处理后,所述息税前利润/资产总额的分类区间及分项分值为:
若X3>25%,则该分项分值为4;
若15%<X3≤25%,则该分项分值为3;
若8%<X3≤15%,则该分项分值为2;
若0%≤X3≤8%,则该分项分值为1;
若X3<0%,则该分项分值为0。
11.如权利要求6所述的基于公司经营健康状况的信用评估方法,其特征在于,经区间化处理后,所述股东权益/负债总额的分类区间及分项分值为:
若X4>400%,则该分项分值为5;
若300%<X4≤400%,则该分项分值为4;
若200%<X4≤300%,则该分项分值为3;
若80%<X4≤200%,则该分项分值为2;
若X4≤80%,则该分项分值为1。
12.如权利要求6所述的基于公司经营健康状况的信用评估方法,其特征在于,经区间化处理后,所述股东权益/负债总额的分类区间及分项分值为:
若X5>110%,则该分项分值为12;
若80%<X5≤110%,则该分项分值为9;
若70%<X5≤80%,则该分项分值为6;
若50%<X5≤70%,则该分项分值为3;
若X5≤50%,则该分项分值为0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610227288.5A CN107292477A (zh) | 2016-04-13 | 2016-04-13 | 一种基于公司经营健康状况的信用评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610227288.5A CN107292477A (zh) | 2016-04-13 | 2016-04-13 | 一种基于公司经营健康状况的信用评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107292477A true CN107292477A (zh) | 2017-10-24 |
Family
ID=60093251
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610227288.5A Pending CN107292477A (zh) | 2016-04-13 | 2016-04-13 | 一种基于公司经营健康状况的信用评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107292477A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108615124A (zh) * | 2018-05-11 | 2018-10-02 | 北京窝头网络科技有限公司 | 基于词频分析的企业评价方法及系统 |
CN110348688A (zh) * | 2019-06-12 | 2019-10-18 | 江苏富山软件科技有限公司 | 一种财税预警管理方法及其系统 |
CN112085328A (zh) * | 2020-08-03 | 2020-12-15 | 北京贝壳时代网络科技有限公司 | 风险评估方法、系统、电子设备及存储介质 |
-
2016
- 2016-04-13 CN CN201610227288.5A patent/CN107292477A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108615124A (zh) * | 2018-05-11 | 2018-10-02 | 北京窝头网络科技有限公司 | 基于词频分析的企业评价方法及系统 |
CN108615124B (zh) * | 2018-05-11 | 2022-02-01 | 北京窝头网络科技有限公司 | 基于词频分析的企业评价方法及系统 |
CN110348688A (zh) * | 2019-06-12 | 2019-10-18 | 江苏富山软件科技有限公司 | 一种财税预警管理方法及其系统 |
CN112085328A (zh) * | 2020-08-03 | 2020-12-15 | 北京贝壳时代网络科技有限公司 | 风险评估方法、系统、电子设备及存储介质 |
CN112085328B (zh) * | 2020-08-03 | 2024-05-24 | 北京贝壳时代网络科技有限公司 | 风险评估方法、系统、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sueyoshi et al. | Sustainability development for supply chain management in US petroleum industry by DEA environmental assessment | |
Ullah et al. | ISO certification, financial constraints, and firm performance in Latin American and Caribbean countries | |
CN111126828A (zh) | 一种基于知识图谱的多层资金异常流向监控方法 | |
Gurný et al. | Comparison of credit scoring models on probability of default estimation for us banks | |
Liang et al. | Greenwashing: Evidence from hedge funds | |
CN108898476A (zh) | 一种贷款客户信用评分方法和装置 | |
Mihai et al. | The impact of foreign ownership on the performance of Romanian liste manufacturing companies | |
CN105354210A (zh) | 移动游戏支付账户行为数据处理方法和装置 | |
Yu et al. | Imported intermediate inputs, firm productivity and product complexity | |
CN110322335A (zh) | 一种基于woe转换通过机器学习的信贷客户资质分类方法 | |
CN106447075A (zh) | 行业用电需求预测方法与系统 | |
CN109840843A (zh) | 基于相似性合并的连续型特征自动分箱算法 | |
CN107292477A (zh) | 一种基于公司经营健康状况的信用评估方法 | |
Liu et al. | Application of hierarchical clustering in tax inspection case-selecting | |
CN107133722A (zh) | 基于电力企业大数据技术的配电网差异特征诊断分析方法 | |
Mehmood et al. | A study on mapping out alliance between economic growth and foreign direct investment in Pakistan | |
Lu | Assessing the credit risk of bank loans using an extended Markov chain model | |
Ramadani et al. | Financial distress prediction: the role of financial ratio and firm size | |
Apparao et al. | Financial statement fraud detection by data mining | |
CN107506515A (zh) | Pcb加投率计算模型构建方法和装置 | |
Martini | Backward-engineering trade protection: How to estimate worldwide industry-level trade barriers | |
Fan et al. | How Does the Regional Comprehensive Economic Partnership Affect the Restructuring of Global Value Chains? | |
Martynova et al. | Impact of ESG Ratings on Companies’ Financial Performance: Evidence from Asia | |
Horobet et al. | A NEURAL NETWORKS PERSPECTIVE ON THE FINANCIAL INTE-GRATION OF EUROPEAN CAPITAL MARKETS. | |
Khalaf et al. | Use of the Quality Loss Function for Improving the Productive Processes in the General Company for the Automotive Industry–Alexandria–An Applied Research |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20171024 |