CN108171602A - 应收账款保理业务风险模型的建立方法及装置 - Google Patents

Abstract

本申请提供一种应收账款保理业务风险模型的建立方法及装置，方法包括：获取某商超类公司N年内各供应商的基本信息、交易信息及外部征信信息，各信息包括多个变量；对变量进行数据清理及整合；对处理后所得变量进行探索性分析；根据交易信息确定供应商的风险指数，将风险指数定义为因变量；将剩余变量定义为自变量，分析自变量与风险的相关性，根据相关性对自变量进行初步筛选；根据自变量的多重共线性、在统计学上的意义及信息价值确定关键自变量；根据关键自变量及因变量建立供应商的风险模型，计算风险模型中的未知参数，将计算得到的未知参数值代回风险模型。本申请能够量化评估应收账款保理业务的风险。

Description

应收账款保理业务风险模型的建立方法及装置

技术领域

本申请属于风险控制领域，特别涉及一种应收账款保理业务风险模型关键变量的确定方法及装置。

背景技术

供应链金融市场规模巨大，达十万亿级。其中，最主要的金融模式之一就是应收账款保理业务。

现有技术中，应收账款保理业务风险模型的建立一般是通过专家评分方法及基于一定行业数据样本累积的量化决策规则确定。

对于专家评分方法，金融机构主要采取加强贷前资料审核，调查人员走访客户，撰写尽职调查报告，采用专家经验评分的方法，对风险进行评估。这种方法存在如下缺陷：1)即使同一操作标准，金融机构审批人员的主观认识差异，也可能会对相同企业产生不同的判断，容易造成人为操作性风险；2)本质上还是主观经验的判断，难以客观量化评估风险大小；3)由于是人工决策，周期长，速度慢，一般只适用于大额授信。

对于基于一定行业数据样本累积的量化决策规则，存在某一个垂直领域有一定的数据积累，结合经验，形成一套风险评估的准则。该种方法存在如下缺陷：1)分析样本数量小，风险评估的规则精准度较差；2)分析样本时间短，风险评估的规则稳定性较差。

发明内容

为了解决背景技术中提到的缺陷，本申请提供一种应收账款保理业务风险模型的建立方法，包括：

获取某商超类公司N年内各供应商的基本信息、交易信息及外部征信信息，其中，基本信息、交易信息及外部征信信息包括多个变量；

对供应商的变量进行数据清理及整合处理；

对处理后所得变量进行探索性分析，剔除异常值大于第一预定阈值和缺失值大于第二预定阈值的变量；

根据交易信息确定供应商的风险指数，将风险指数定义为因变量；

将剩余的变量定义为自变量，分析自变量与供应商风险的相关性，根据相关性对自变量进行初步筛选；

对于初步筛选出的自变量，分析自变量之间多重共线性、自变量在统计学上的意义及自变量信息价值，根据自变量的多重共线性、自变量在统计学上的意义及自变量信息价值确定关键自变量；

根据关键自变量及因变量利用逻辑回归建立供应商的风险模型，计算风险模型中的未知参数，将计算得到的未知参数值代回风险模型。

本申请还提供一种应收账款保理业务风险模型的建立装置，包括：

获取模块，用于获取某商超类公司N年内各供应商的基本信息、交易信息及外部征信信息，其中，基本信息、交易信息及外部征信信息包括多个变量；

处理模块，用于对供应商的变量进行数据清理及整合处理；

探索性分析模块，用于对处理后所得变量进行探索性分析，剔除异常值大于第一预定阈值和缺失值大于第二预定阈值的变量；

风险指数确定模块，用于根据交易信息确定供应商的风险指数，将风险指数定义为因变量；

第一自变量筛选模块，用于将剩余的变量定义为自变量，分析自变量与供应商风险的相关性，根据相关性对自变量进行初步筛选；

第二自变量筛选模块，用于对于初步筛选出的自变量，分析自变量之间多重共线性、自变量在统计学上的意义及自变量信息价值，根据自变量的多重共线性、自变量在统计学上的意义及自变量信息价值确定关键自变量；

建模模块，用于根据关键自变量及因变量利用逻辑回归建立供应商的风险模型，计算风险模型中的未知参数，将计算得到的未知参数值代回风险模型。

本申请基于海量供应商数据，确定了关键自变量，建立了应收账款保理业务风险模型，能够量化评估应收账款保理业务的风险，为实现商超类保理业务的自动审批提供依据。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例的应收账款保理业务风险模型的建立方法流程图；

图2为本申请实施例的应收账款保理业务风险模型的建立装置结构图。

具体实施方式

为了使本申请的技术特点及效果更加明显，下面结合附图对本申请的技术方案做进一步说明，本申请也可有其他不同的具体实例来加以说明或实施，任何本领域技术人员在权利要求范围内做的等同变换均属于本申请的保护范畴。

在本说明书的描述中，参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。各实施例中涉及的步骤顺序用于示意性说明本申请的实施，其中的步骤顺序不作限定，可根据需要作适当调整。

本申请所述的应收账款保理业务指的是，金融机构(包括银行及保理公司)从客户(本申请中，指某商超类公司的供应商)购进的应收账款，从而为其融通资金的一系列服务。本申请所述的应收账款保理业务风险模型适用于商业超市类型的企业，例如，永辉超市。本申请所述的风险指的是，供应商在获取贷款以后，与商超类公司合作关系出现问题，造成金融机构购进的应收账款产生瑕疵，进而形成损失。

如图1所示，图1为本申请实施例的应收账款保理业务风险模型的建立方法流程图。本实施例确定了关键自变量，建立了应收账款保理业务风险模型，能够量化评估应收账款保理业务的风险，为实现商超类保理业务的自动审批提供依据。具体的，包括：

步骤101：获取某商超类公司N年内各供应商的基本信息、交易信息及外部征信信息，其中，基本信息、交易信息及外部征信信息包括多个变量；

步骤102：对供应商的变量进行数据清理及整合处理；

步骤103：对处理后所得变量进行探索性分析处理，剔除异常值大于第一预定阈值和缺失值大于第二预定阈值的变量；

步骤104：根据交易信息确定供应商的风险指数，将风险指数定义为因变量；

步骤105：将剩余的变量定义为自变量，分析自变量与客户风险的相关性，根据相关性对自变量进行初步筛选；

步骤106：对于初步筛选出的自变量，分析自变量之间多重共线性、自变量在统计学上的意义及自变量信息价值，根据自变量的多重共线性、自变量在统计学上的意义及自变量信息价值确定关键自变量；

步骤107：根据关键自变量及因变量利用逻辑回归建立供应商的风险模型，通过最大似然估计计算风险模型中的未知参数，将计算得到的未知参数值代回风险模型。

详细的说，步骤101中，供应商的基本信息包括但不限于注册资本、注册时间、所属行业、客户地域、销售品牌所属科目、合作时间、结算方式、结算周期等。

供应商的交易信息包括信息流、物流及资金流信息。信息流信息指数据的时间维度分为小时、日、月、年等，可以反映客户的经营趋势的信息。物流及资金流信息反映供应商的资金和商品流向。一具体实施方式中，交易信息包括但不限于历史进货、退货、销售、促销、对账、票核、付款等。另一具体实施方式中，供应商的交易信息还包括衍生变量信息，例如到货率、毛利率、退货率、保证金率、销售环比/同比、促销率、是否有质量投诉等。

供应商的外部信用记录包括但不限于有无不良信用记录、公检法信息、有无司法纠纷等，外部信用记录可从第三方征信机构获得。

上述步骤102中，对供应商的变量进行数据清理及整合处理具体包括：

步骤1021：对变量的变量名及数据格式进行转换，例如，源销售额变量的名称为TZOPC0009，为了便于阅读及分析，可将销售额变量名更改为sales-amt，同时将数据格式设置为数值型；

步骤1022：对同一供应商与时间相关的变量做整合处理，例如，月度或天度的变量，数据整合即对月度或天度的变量进行横向或竖向合并。

步骤102能够解决源变量可视性和适应性较差的问题，以便后续方便运算使用。

上述步骤103中，探索性分析的目的是对杂乱无章的变量，在尽量少的假设条件下进行处理探索变量的结构和规律，例如通过作图、制表等形式和方程拟合、计算某些特征量等手段实现。一具体实施方式中，使用直方图、折线图统计变量异常值和缺失值的情况。其它实施方式中，还使用直方图、折线图观察变量是否接近对称，是否分散，是否有间隙等情况，结合这些情况剔除变量。

上述步骤104中，供应商的风险指数的确定过程包括：设定一观察时间点，根据供应商观察点前后的交易信息判断该商超类公司与供应商的交易关系是否稳定，若交易关系稳定，则将供应商的风险指数赋值为0，若交易关系不稳定，则将供应商的风险指数赋值为1。

例如，以2017年1月为观察时间点，则2016年12月的交易信息则为已知数据，2017年1月的交易信息为未知数据。交易关系的稳定与否可根据交易信息中交易额(交易量)的变化趋势来判断。若观察时间点之前供应商每个月的交易额基本相同，而观察时间点之后交易额却大幅下滑，如下降50％，则该类供应商为风险供应商。若观察时间点之前及之后的交易额基本相同，或交易额大幅上升，则该类供应商无风险。

上述步骤105中，分析自变量与供应商风险的相关性，根据相关性对自变量进行初步筛选进一步包括：

利用逐步回归方法结合AIC(An Information Criterion)准则和BIC(BayesianInformation Criterion)准则对自变量进行初步筛选；和/或采用信息熵方法对自变量进行初步筛选；和/或采用Lasso方法对自变量进行初步筛选。下面分别详细说明：

1)逐步回归方法结合AIC和BIC准则选择变量

逐步回归法方法的思路是将自变量逐个引入回归方程(自变量与因变量的组合模型)，每次引入对供应商风险(因变量)影响最显著的自变量，每引入一个自变量后都要计算AIC、BIC值，并对已经选入的自变量逐个进行p-value检验，当原来引入的自变量由于新自变量的引入变得不再显著时，则将其删除(一般以p-value<0.05定义为显著，p-value<0.01定义为最显著，p-value>＝0.05定义为不显著)。本方法能够确保每次引入新自变量之前回归方程中只包含显著性自变量，且模型AIC、BIC没有剧烈变化。这是一个反复的过程，直到既没有显著的自变量选入回归方程，也没有不显著的自变量从回归方程中剔除为止，从而得到最优的自变量。

AIC准则的全称为最小信息量准则，是一种考评综合最优配置的指标，是拟合精度和参数未知个数的加权函数，使AIC函数达到最小值的模型(变量)被认为是最优模型。

AIC＝－2ln(模型中极大似然函数值)+2(极大似然函数的未知参数个数)，公式中的模型指多个自变量与因变量的组合模型，极大似然函数的未知参数个数等于自变量和因变量的个数总和。取该模型的极大似然函数值与未知参数个数就可以计算出该模型的AIC值，再与其它自变量组合模型的AIC值比较，AIC值越小的自变量组合效果越好。

BIC准则是对AIC准则的改进，改进之处为将未知参数个数的惩罚权重由常数2变成了样本容量。BIC＝BIC＝－2ln(模型中极大似然函数值)+ln(n)(极大似然函数的未知参数个数)。

具体实施时，可通过SAS软件的逻辑回归语句实现以上功能，选择p-value小于0.0001的自变量，也就是选择能够最大程度解释因变量的自变量。

2)信息熵选择变量

信息熵(IV)借鉴了热力学的概念，把信息中排除了冗余后的平均信息量成为信息熵，并给出了计算信息熵的数学表达式：

H(x)＝E[I(xi)]＝E[log(2,1/p(xi))]＝-∑p(xi)log(2,p(xi))(i＝1,2,..n)，

其中，H(x)为信息源的信息熵，xi表示随机变量，n为自变量个数，I(xi)为以xi为因变量的函数表达式，p(xi)为输出概率密度函数。

变量的不确定性越大，熵也就越大，所需要的信息量也就越大。基于信息熵筛选自变量的标准如下：

IV<0.02:不期望的

0.02≤IV<0.1:弱

0.1≤IV<0.3:中

0.3≤IV<0.5:强

IV≥0.5:怀疑

具体实施时，可通过SAS软件编程，选择0.02≤IV<0.5的变量。

3)Lasso方法选择变量

Lasso方法定义：假设已知数据(Xⁱ,y_i),i＝1,2,...,N,其中，Xⁱ＝(x_i1,...,x_ip)^T为预测变量(自变量)，y_i为响应变量(因变量)，在一般的回归设置中，我们假设观测值独立或者对于给定的x_ij，y_i是条件独立的，假设x_ij是标准化的，那么

令Lasso估计的定义如下：

其中，调优参数t≥0。现在对于所有t，α的解决方案是我们可以假设不是一般性y＝0，因此省略α。

参数t≥0控制了应用于估计的收缩量。令为完全最小二乘估计，t＜t₀将导致方案的收缩趋向于0，并且一些系数可能刚好等于0。

Lasso算法是一种带有惩罚因子的线性模型估计方法，该方法的本质是约束各个回归系数的绝对值之和小于某个常数的条件下，最小化回归方程的残差平方和，同时阈值的设定又可以收缩每个估计的参数值。Lasso方法可以有效地估计回归模型中的各个参数，同时也可以较好地解决变量间的多重共线性问题。

具体实施时，可通过软件R的Lasso包实现以上基于lasso的变量选择。

当采用上述三种变量选择方法进行变量选择时，最终筛选出的变量为三种方法筛选出变量的并集，但要去掉明显线性相关的变量。当采用上述任两种变量选择方法来进行变量选择时，最终筛选出的变量为两种方法筛选出变量的并集，同样，也要去掉明显线性相关的变量。

上述步骤106中，自变量之间的多重共线性可采用现有方法检验，此处对自变量之间的多重共线性的检验过程不再详细说明。不具有多重共线性的变量是关键自变量的首选。

自变量统计学上的意义可使用统计检验值p-value判断，一般认为满足p-value<0.05的自变量具有统计意义，是关键自变量的首选。

自变量信息价值的大小是用来衡量自变量的预测能力，可采用现有方法计算得到，例如，采用信息熵来计算。如果自变量对预测供应商风险大小贡献越大，则其信息价值越大，该自变量越应该放入风险模型中。具有较高信息价值的变量是关键自变量的首选。

具体实施时，关键自变量的筛选还要遵守覆盖准则，即筛选出的关键自变量应为所有供应商都有的自变量。同时，筛选出的关键自变量的膨胀系数(VIF)应小于2，自变量的统计检验值p-value小于0.001。

上述步骤107中，逻辑回归(Logistic Regression)是机器学习中的一种分类器，是一种广义线性模型。利用逻辑回归建立的供应商的风险模型计算公式为：

其中，g(x)为供应商的风险指数，β₀为截距，β_k为系数，x_k为第k个关键自变量，n为自变量个数。

风险模型使用极大似然估计(Maximum likelihood)计算截距和关键自变量的系数。极大似然估计为现有技术，本申请对此计算过程不再详细说明。

具体实施时，使用SAS软件的proc logistic语句实现风险模型的建立。

本申请一具体实施例中，步骤101中采集某商超类上市公司2014年6月至2016年5月内各供应商的基本信息、交易信息及外部征信信息。通过上述步骤102至步骤106得到7个自变量。步骤107中，建模样本可选取2015年6月到2016年5月的关键自变量及风险指数数据，其中，70％作为风险模型的训练集，30％作为风险模型的测试集，另外选择2014年6月至2015年5月的关键自变量及风险指数数据作为外推验证集，以对风险模型进行二次验证。

经过验证可以得出，本申请方法建立的风险模型能够准确预测供应商是否存在风险。

本申请进一步实施例中，上述步骤107之后还包括根据风险模型计算风险概率，风险概率的计算公式为：

其中，P(x)为风险概率。

本申请建立的风险模型能够用于商超类保理业务的自动化审批，能够实现全在线、全自动、实时审批放款。如某客户(供应商)提出保理业务请求：首先需先确定该供应商的关键变量值；然后代入上述风险模型中得到该供应商的风险指数；接着根据风险指数计算风险概率；最后结合风险战略，制定不同的授信策略，比如，高风险客户(风险概率大于预定阈值的客户)拒绝保理业务申请，中风险客户，维持或降低授信系数，低风险客户，增加授信系数。

基于同一发明构思，本申请实施例中还提供了一种应收账款保理业务风险模型的建立装置，如下面的实施例所述。由于该装置解决问题的原理与方法相似，因此该装置的实施可以参见方法的实施，重复之处不再赘述。

如图2所示，图2为本申请实施例的应收账款保理业务风险模型的建立装置结构图，本申请基于海量供应商数据，确定了关键自变量，建立了应收账款保理业务风险模型，能够量化评估应收账款保理业务的风险，为实现商超类保理业务的自动审批提供依据。具体的，建立装置包括：

获取模块201，用于获取某商超类公司N年内各供应商的基本信息、交易信息及外部征信信息，其中，基本信息、交易信息及外部征信信息包括多个变量；

处理模块202，用于对供应商的变量进行数据清理及整合处理；

探索性分析模块203，用于对处理后所得变量进行探索性分析，剔除异常值大于第一预定阈值和缺失值大于第二预定阈值的变量；

风险指数确定模块204，用于根据交易信息确定供应商的风险指数，将风险指数定义为因变量；

第一自变量筛选模块205，用于将剩余的变量定义为自变量，分析自变量与供应商风险的相关性，根据相关性对自变量进行初步筛选；

第二自变量筛选模块206，用于对于初步筛选出的自变量，分析自变量之间多重共线性、自变量在统计学上的意义及自变量信息价值，根据自变量的多重共线性、自变量在统计学上的意义及自变量信息价值确定关键自变量；

建模模块207，用于根据关键自变量及因变量利用逻辑回归建立供应商的风险模型，计算风险模型中的未知参数，将计算得到的未知参数值代回风险模型。

进一步的，处理模块202对供应商的变量进行数据清理及整合处理包括：对变量的变量名及数据格式进行转换；对同一供应商与时间相关的变量做整合处理。

进一步的，第一自变量筛选模块205分析自变量与供应商风险的相关性，根据相关性对自变量进行初步筛选包括：

利用逐步回归方法结合AIC准则和BIC准则对自变量进行初步筛选；和/或采用信息熵方法对自变量进行初步筛选；和/或采用Lasso方法对自变量进行初步筛选。

进一步的，风险指数确定模块204具体用于：设定一观察时间点，根据供应商观察点前后的交易信息判断该商超类公司与供应商的交易关系是否稳定，若交易关系稳定，则将供应商的风险指数赋值为0，若交易关系不稳定，则将供应商的风险指数赋值为1。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述仅用于说明本申请的技术方案，任何本领域普通技术人员均可在不违背本申请的精神及范畴下，对上述实施例进行修饰与改变。因此，本申请的权利保护范围应视权利要求范围为准。

Claims (10)

1.一种应收账款保理业务风险模型的建立方法，其特征在于，包括：

获取某商超类公司N年内各供应商的基本信息、交易信息及外部征信信息，其中，基本信息、交易信息及外部征信信息包括多个变量；

对供应商的变量进行数据清理及整合处理；

对处理后所得变量进行探索性分析，剔除异常值大于第一预定阈值和缺失值大于第二预定阈值的变量；

根据交易信息确定供应商的风险指数，将风险指数定义为因变量；

将剩余的变量定义为自变量，分析自变量与供应商风险的相关性，根据相关性对自变量进行初步筛选；

对于初步筛选出的自变量，分析自变量之间多重共线性、自变量在统计学上的意义及自变量信息价值，根据自变量的多重共线性、自变量在统计学上的意义及自变量信息价值确定关键自变量；

根据关键自变量及因变量利用逻辑回归建立供应商的风险模型，计算风险模型中的未知参数，将计算得到的未知参数值代回风险模型。

2.如权利要求1所述的方法，其特征在于，对供应商的变量进行数据清理及整合处理包括：

对变量的变量名及数据格式进行转换；

对同一供应商与时间相关的变量做整合处理。

3.如权利要求1所述的方法，其特征在于，分析自变量与供应商风险的相关性，根据相关性对自变量进行初步筛选包括：

利用逐步回归方法结合AIC准则和BIC准则对自变量进行初步筛选；和/或

采用信息熵方法对自变量进行初步筛选；和/或

采用Lasso方法对自变量进行初步筛选。

4.如权利要求1所述的方法，其特征在于，供应商的风险指数确定过程包括：

设定一观察时间点，根据供应商观察点前后的交易信息判断该商超类公司与供应商的交易关系是否稳定，若交易关系稳定，则将供应商的风险指数赋值为0，若交易关系不稳定，则将供应商的风险指数赋值为1。

5.如权利要求1所述的方法，其特征在于，风险模型的计算公式为：

其中，g(x)为风险指数，β₀为截距，β_k为系数，x_k为第k个关键自变量，n为自变量个数。

6.如权利要求5所述的方法，其特征在于，还包括根据风险模型计算风险概率，风险概率的计算公式为：

其中，P(x)为风险概率。

7.一种应收账款保理业务风险模型的建立装置，其特征在于，包括：

获取模块，用于获取某商超类公司N年内各供应商的基本信息、交易信息及外部征信信息，其中，基本信息、交易信息及外部征信信息包括多个变量；

处理模块，用于对供应商的变量进行数据清理及整合处理；

探索性分析模块，用于对处理后所得变量进行探索性分析，剔除异常值大于第一预定阈值和缺失值大于第二预定阈值的变量；

风险指数确定模块，用于根据交易信息确定供应商的风险指数，将风险指数定义为因变量；

第一自变量筛选模块，用于将剩余的变量定义为自变量，分析自变量与供应商风险的相关性，根据相关性对自变量进行初步筛选；

第二自变量筛选模块，用于对于初步筛选出的自变量，分析自变量之间多重共线性、自变量在统计学上的意义及自变量信息价值，根据自变量的多重共线性、自变量在统计学上的意义及自变量信息价值确定关键自变量；

建模模块，用于根据关键自变量及因变量利用逻辑回归建立供应商的风险模型，计算风险模型中的未知参数，将计算得到的未知参数值代回风险模型。

8.如权利要求7所述的装置，其特征在于，所述处理模块对供应商的变量进行数据清理及整合处理包括：

对变量的变量名及数据格式进行转换；

对同一供应商与时间相关的变量做整合处理。

9.如权利要求7所述的装置，其特征在于，所述第一自变量筛选模块分析自变量与供应商风险的相关性，根据相关性对自变量进行初步筛选包括：

利用逐步回归方法结合AIC准则和BIC准则对自变量进行初步筛选；和/或

采用信息熵方法对自变量进行初步筛选；和/或

采用Lasso方法对自变量进行初步筛选。

10.如权利要求7所述的装置，其特征在于，风险指数确定模块具体用于：

设定一观察时间点，根据供应商观察点前后的交易信息判断该商超类公司与供应商的交易关系是否稳定，若交易关系稳定，则将供应商的风险指数赋值为0，若交易关系不稳定，则将供应商的风险指数赋值为1。