CN108629507A - 一种企业信用管理系统 - Google Patents
一种企业信用管理系统 Download PDFInfo
- Publication number
- CN108629507A CN108629507A CN201810413786.8A CN201810413786A CN108629507A CN 108629507 A CN108629507 A CN 108629507A CN 201810413786 A CN201810413786 A CN 201810413786A CN 108629507 A CN108629507 A CN 108629507A
- Authority
- CN
- China
- Prior art keywords
- index
- enterprise
- credit
- text
- value
- 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
- 238000004519 manufacturing process Methods 0.000 claims abstract description 65
- 238000011156 evaluation Methods 0.000 claims abstract description 59
- 238000012545 processing Methods 0.000 claims abstract description 29
- 238000012360 testing method Methods 0.000 claims abstract description 19
- 238000004458 analytical method Methods 0.000 claims abstract description 13
- 238000003860 storage Methods 0.000 claims description 32
- 238000012216 screening Methods 0.000 claims description 22
- 238000009826 distribution Methods 0.000 claims description 14
- 230000006641 stabilisation Effects 0.000 claims description 9
- 238000011105 stabilization Methods 0.000 claims description 9
- 238000000556 factor analysis Methods 0.000 claims description 5
- 238000012706 support-vector machine Methods 0.000 claims description 5
- 238000012502 risk assessment Methods 0.000 abstract description 11
- 238000007726 management method Methods 0.000 description 35
- 230000006870 function Effects 0.000 description 16
- 238000013528 artificial neural network Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 7
- 238000002474 experimental method Methods 0.000 description 7
- 238000000034 method Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 210000005036 nerve Anatomy 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 1
- 208000036365 Normal labour Diseases 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000018199 S phase Effects 0.000 description 1
- 238000001793 Wilcoxon signed-rank test Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
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
- 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
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
一种企业信用管理系统，不仅考虑到数值指标，还考虑到文本指标对制造业企业信用的影响，并且主动对文本进行分析获取文本指标对应的指标值，丰富企业信用风险预警的评价指标，还对获得的所有评价指标进行多重共线性检验处理，得到远低于评价指标的数量的公共评价因子，在保证了不丢失太多原始指标的信息的同时，尽可能的保留其反映的信息，以便更好更快地对企业信用风险进行预警。本发明更加科学、及时地获得了企业的信用值，在企业发生信用风险之前及时反映给企业自身及其利益相关者，为其科学决策提供信息支持。
Description
技术领域
本发明涉及一种企业信用管理系统，尤其涉及一种制造业企业信用管理系统。
背景技术
信用风险识别是指在风险事故发生之前，人们运用各种方法来系统的、连续的认识所面临的各种风险以及分析风险事故发生的潜在原因。企业一旦发生信用危机，其将带来巨大的危害，不仅可能导致企业自身陷入一系列困境泥潭，也会给企业的投资者、债权人、上下游供应商、企业员工以及社会等带来严重的影响。
制造业作为我国国民经济的支柱行业，由于内外部经济形势的变化，近年来频频发生信用风险。在制造业与我国银行业的债务关系中，制造业约占据了中国商业银行20％的贷款金额，其不良资产率却是全行业的2.6倍。因此，对制造业企业进行信用风险进行识别并管理，对我国经济的稳定和可持续发展将起到不可忽视的作用。
目前对于企业信用风险的研究主要侧重于对上市公司的财务数据的研究大多以一个财年为研究单位。当前企业风险预警体系通过采用最初的单一财务指标逐渐到以企业的偿债能力、营运能力、盈利能力、成长能力为主的财务多变量指标，再引入现金流管理能力来评估企业的风险承受能力，但是这样评估得到的企业风险承受能力仅仅只是对财务的判断，比较片面，而企业的风险不仅仅只来自于财务，还涉及其他方面。
另外，现有技术中常常采用Logit模型或人工神经网络模型等对企业风险进行评估，但Logit模型计算过程比较复杂，而且在计算过程中有很多的近似处理，这不可避免地会影响到预测精度，最终得到的企业风险数据的准确度不高，而人工神经网络模型的最大缺点是其工作的随机性较强，如果要得到一个较好的神经网络结构，需要人为地去调试，非常耗费人力与时间，不存在普适性，因此该人工神经网络模型无法推广。
发明内容
本发明提供一种企业信用管理系统，更加科学、及时地获得了企业的信用值，在企业发生信用风险之前及时反映给企业自身及其利益相关者，为其科学决策提供信息支持。
为了达到上述目的，本发明提供一种企业信用管理系统，包含：
参照信息存储部，其中存储有作为参照企业的多个制造业企业的参照企业名称、以及与该参照企业名称相对应的信用值、多个与信用值相关联的数值指标以及文本指标；
数值指标获取部，其从参照企业的数值报表中获取数值指标对应的指标值；
文本指标分析部，其对与参照企业相关联的文本进行分析从而获取文本指标对应的指标值；
指标筛选部，其根据参照企业的多个指标值对所有指标进行筛选得出M个适用于评价参照企业的信用值的评价指标；
线性检验部，其基于评价指标的指标值，采用因子分析法对所有评价指标进行多重共线性检验处理，得出N个与评价指标相关联的公共评价因子；
分类函数建立部，其基于所有参照企业的N个公共评价因子对应的指标、指标值以及信用值，采用支持向量机得到分类识别函数；
信用值计算部，其基于待评价制造业企业当前的N个公共评价因子对应的指标、指标值根据分类识别函数计算得到当前信用值；
其中，N、M为大于1的正整数，且M＞N。
所述的文本指标分析部包含：
关键词存储单元，其存储与文本指标相对应的关键词；
文本抓取单元，其从文本指标相关联的网站抓取与制造业企业名称相关联的文本；
关键词识别单元，其根据关键词存储单元中的关键词依次识别文本中的关键词；
判断单元，其基于预定规则判断关键词所在文本为正面描述或负面描述；
统计单元，其根据判断单元的判断结果分别进行统计得到预定时间内参照企业与指标相关的正面描述或负面描述的次数；
指标值设定单元，其根据与指标相关的正面描述或负面描述的次数设定指标对应的指标值。
所述的指标筛选部包含：
正态分布筛选单元，其使用K-S检验对每个指标进行单独的正态分布检验；
显著性分布筛选单元，其筛选初始指标中对于信用值终结的制造业企业和在历史时间段内信用值稳定的制造业企业的这两类企业之间存在显著性差异的指标。
如权利要求3所述的企业信用管理系统，其特征在于，所述的企业信用管理系统还包含：
结果输出部，其输出待评价制造业企业的当前信用值；
信用类型判定部，其基于特定规则根据当前信用值判定与待评价制造业企业相对应的信用类型；
处理部，其基于信用类型以及预先设定与信用类型相对应的处理方式进行处理；
处理记录存储部，其对待评价制造业企业以及对应的处理方式进行存储；
暂存部，其用于暂时储存制造业企业信用管理系统的各个组成部分之间所交换的数据信息。
所述的企业信用管理系统还包含：控制部，其用于控制参照信息存储部、数值指标获取部、文本指标分析部、指标筛选部、线性检验部、分类函数建立部、信用值计算部、结果输出部、信用类型判定部、处理部、处理记录存储部以及暂存部的运行。
所述的参照企业包含：信用值终结的制造业企业，以及在历史时间段内信用值稳定的制造业企业；
所述的数值报表为参照企业的财务报表；
所述的数值指标包含：财务类指标；
所述的文本指标包含：舆情类指标以及法律类指标；
判断单元采用的预定规则为：当关键词所在语句中出现奇数次负面词汇时，判断关键词所在文本为负面描述；当关键词所在语句中连续出现偶数次负面词汇时，判断关键词所在文本为正面描述；当关键词所在语句中仅出现正面词汇时，判断关键词所在文本为正面描述。
本发明不仅考虑到数值指标，还考虑到文本指标对制造业企业信用的影响，并且主动对文本进行分析获取文本指标对应的指标值，丰富企业信用风险预警的评价指标，还对获得的所有评价指标进行多重共线性检验处理，得到远低于评价指标的数量的公共评价因子，在保证了不丢失太多原始指标的信息的同时，尽可能的保留其反映的信息，以便更好更快地对企业信用风险进行预警。本发明更加科学、及时地获得了企业的信用值，在企业发生信用风险之前及时反映给企业自身及其利益相关者，为其科学决策提供信息支持。
附图说明
图1是本发明提供的一种企业信用管理方法的流程图。
图2是本发明的实施例中参照信息存储部存储的数值指标的示意图。
图3是本发明的实施例中参照信息存储部存储的舆情类指标的示意图。
图4是本发明的实施例中参照信息存储部存储的法律类指标的示意图。
图5是本发明的实施例中正态分布筛选单元的筛选结果示意图。
图6是本发明的实施例中显著性分布筛选单元的筛选结果示意图。
图7是本发明的实施例中多重共线性检验处理的示意图。
图8是本发明提供的一种企业信用管理系统的示意图。
具体实施方式
以下根据图1～图8，具体说明本发明的较佳实施例。
如图1所示，本发明提供一种企业信用管理方法，包含以下步骤：
步骤S1、从作为参照企业的多个制造业企业的数值报表中获取数值指标对应的指标值；
步骤S2、对与参照企业相关联的文本进行分析从而获取文本指标对应的指标值；
步骤S3、根据参照企业的多个指标值对所有指标进行筛选得出M个适用于评价参照企业的信用值的评价指标；
步骤S4、基于评价指标的指标值，采用因子分析法对所有评价指标进行多重共线性检验处理，得出N个与评价指标相关联的公共评价因子；
步骤S5、基于所有参照企业的N个公共评价因子对应的指标、指标值以及信用值，采用支持向量机得到分类识别函数；
步骤S6、基于待评价制造业企业当前的N个公共评价因子对应的指标、指标值根据分类识别函数计算得到当前信用值；
步骤S7、输出待评价制造业企业的当前信用值，其中，N、M为大于1的正整数，且M＞N；
步骤S8、基于特定规则根据当前信用值判定与待评价制造业企业相对应的信用类型；
步骤S9、基于信用类型以及预先设定与信用类型相对应的处理方式进行处理；
步骤S10、对待评价制造业企业以及对应的处理方式进行存储。
所述的步骤S1中，所述的参照企业包含：信用值终结的制造业企业，以及在历史时间段内信用值稳定的制造业企业。在本实施例中，信用值终结的制造业企业为已经破产的制造业企业，在历史时间段内信用值稳定的制造业企业为在5年间信用值的变化小于预定值的制造业企业。
所述的数值报表为参照企业的财务报表，所述的数值指标包含：财务类指标，如图2所示，该财务类指标主要包含企业的偿债能力、营运能力、营运资金管理能力、盈利能力、成本管理能力、成长能力以及现金流量管理能力，共28个指标。
所述的步骤S2中，所述的文本指标包含：舆情类指标以及法律类指标；其中，与舆情类指标相关联的网站为财经网站，与舆情类指标相关联的文本为财经新闻，如图3所示，舆情类指标主要包含舆情数目、舆情类别以及舆情评分等方面，共具有12个指标；与法律类指标相关联的网站为法院网站，与法律类指标相关联的文本为法律文书，如图4所示，法律类指标主要包含案件流程关键词评分指标、曝光台关键词评分指标、法院公告关键词评分指标、开庭公告关键词评分指标、执行公告关键词评分指标、裁判文书关键词评分指标等，共具有8个指标。
所述的步骤S2包含以下步骤：
步骤S2.1、从文本指标相关联的网站抓取与制造业企业名称相关联的文本；
步骤S2.2、根据预先存储的关键词依次识别文本中的关键词；
步骤S2.3、基于预定规则判断关键词所在文本为正面描述或负面描述；
预定规则为：当关键词所在语句中出现奇数次负面词汇时，判断关键词所在文本为负面描述；当关键词所在语句中连续出现偶数次负面词汇时，判断关键词所在文本为正面描述；当关键词所在语句中仅出现正面词汇时，判断关键词所在文本为正面描述；
步骤S2.4、根据判断单元的判断结果分别进行统计得到预定时间内参照企业与指标相关的正面描述或负面描述的次数；
步骤S2.5、根据与指标相关的正面描述或负面描述的次数设定指标对应的指标值。
所述的步骤S3包含以下步骤：
步骤S3.1、使用K-S检验对每个指标进行单独的正态分布检验；
若所有的变量各自都符合正态分布，则认为这些所有的指标在总体上也能够符合正态分布；
如图5所示，本实施例中采用Z统计量，利用Z值以及其对应的概率P值作为参考依据，给定预设值为0.05，当伴随概率P值>0.05时，认为样本的总体分布与正态分布一致，样本总体符合正态分布；反之，当其<0.05时，认为集样本总体分布与正态分布存在显著性的差异，样本在总体上不符合正态分布；在本次实验选取的48个企业信用风险预警的指标中，有45个指标的伴随概率P值低于给定的预设值0.05，仅有3个指标伴随概率P值高于该值，即3个指标不符合正态分布，因此筛除该3个指标；
步骤S3.2、筛选对信用值终结的制造业企业(信用风险较低)和在历史时间段内信用值稳定的制造业企业(信用风险较高)的存在显著性差异的指标；
如果指标不存在显著性差异，则将那些指标予以剔除，从而可以减少其对预测模型的准确率的影响；
如图6所示，本次试验采用Wilcoxon符号秩检验对两组变量间是否存在显著性差异进行检验；在原始给出的48个指标中，在给定的0.1的显著性水平上，共有31个指标通过检验，共有31个指标通过检验，即X1、X2、X3、X4、X5、X6、X8、X9、X11、X14、X15、X17、X18、X20、X23、X24、X26、X27、X29、X30、X31、X34、X36、X37、X38、X40、X42、X43、X44、X45、X47，因此，这31个指标是适用于评价参照企业的信用值的评价指标，其余17个指标做剔除处理。
如图7所示，所述的步骤S4中，采用因子分析法对31个评价指标进行多重共线性检验处理，最终得出7个与评价指标相关联的公共评价因子；这7个公共评价因子可以概括为偿债能力因子、营运资金管理能力因子、成本-现金管理能力因子、盈利-成长能力因子、舆情数量因子、舆情评分因子以及法律评分因子。
所述的步骤S5包含以下步骤：
步骤S5.1、根据与每个公共评价因子对应的评价指标的评价值计算得到公共评价因子对应的公共评价值，再将得到的公共评价值代入给定训练样本数据TT＝{(x1，y1),(x2，y2),...,(xm，ym),x1∈Rn，yi∈{-1,+1}}，在(x1，y1)中的x1包含一家参考企业的7个公共评价因子，y1表示该企业为信用值终结的制造业企业(-1)或者为在历史时间段内信用值稳定的制造业企业(+1)；
步骤S5.2、探索选取的核函数K(x1，x)以及惩罚因子CC，构建并求解如下最优化问题：
从而得到优判别函数，即分类识别函数：
所述的步骤S8中，当f(x)＝1，则将信用类型划分至y＝+1这一类别中(即、对应企业信用风险较小的公司)；若f(x)＝-1，则将信用类型划分至y＝-1这一类别中(即、对应企业信用风险较大的公司)。
如图8所示，本发明还提供一种企业信用管理系统，包含：
参照信息存储部11，其中存储有作为参照企业的多个制造业企业的参照企业名称、以及与该参照企业名称相对应的信用值、多个与信用值相关联的数值指标以及文本指标；
数值指标获取部12，其从参照企业的数值报表中获取数值指标对应的指标值；本实施例中，数值指标获取部12可以仅从参照企业的财务报表中获取财务类指标对应的指标值，还可以结合参照企业的财务报表以及银行的财务报表中获取与财务类指标对应的指标值；
文本指标分析部13，其对与参照企业相关联的文本进行分析从而获取文本指标对应的指标值；
指标筛选部14，其根据参照企业的多个指标值对所有指标进行筛选得出M个适用于评价参照企业的信用值的评价指标；
线性检验部15，其基于评价指标的指标值，采用因子分析法对所有评价指标进行多重共线性检验处理，得出N个与评价指标相关联的公共评价因子；
分类函数建立部16，其基于所有参照企业的N个公共评价因子对应的指标、指标值以及信用值，采用支持向量机得到分类识别函数；
信用值计算部17，其基于待评价制造业企业当前的N个公共评价因子对应的指标、指标值根据分类识别函数计算得到当前信用值；
结果输出部18，其输出待评价制造业企业的当前信用值；
信用类型判定部19，其基于特定规则根据当前信用值判定与待评价制造业企业相对应的信用类型；
处理部20，其基于信用类型以及预先设定与信用类型相对应的处理方式进行处理；例如，当信用类型判定部19判定待评价制造业企业为企业信用风险较小的公司时，处理部20进行提额处理；当信用类型判定部19判定待评价制造业企业为企业信用风险较大的公司时，处理部20进行催款处理；
处理记录存储部21，其对待评价制造业企业以及对应的处理方式进行存储；
暂存部22，其用于暂时储存制造业企业信用管理系统的各个组成部分之间所交换的数据信息，比如数值指标、文本指标、指标值、评价指标、公共评价因子等数据；
控制部23，其用于控制参照信息存储部11、数值指标获取部12、文本指标分析部13、指标筛选部14、线性检验部15、分类函数建立部16、信用值计算部17、结果输出部18、信用类型判定部19、处理部20、处理记录存储部21以及暂存部22的运行。
进一步，所述的文本指标分析部13包含：
关键词存储单元131，其存储与文本指标相对应的关键词；例如与舆情类指标相对应的关键词有企业名称、简称、企业可能出现的新闻事件，例如拖欠工资、税金、造假、金融违规、业务异常、政策压力、劳动纠纷、非法融资、外部债务违约、重大亏损、投资失利、自然灾害影响、客户投诉、整改、产品品种单一、破产重组等；与法律类指标相对应的关键词有企业的全称、企业的涉案类别、涉案金额等；对于不同的类别的关键词设置不同的关键词权重字典，根据法院文书评分系统对企业在案件流程、曝光台、法院公告、开庭公告、执行公告、裁判文书中出现的相关案情等等；
文本抓取单元132，其从文本指标相关联的网站抓取与制造业企业名称相关联的文本；
关键词识别单元133，其根据关键词存储单元中的关键词依次识别文本中的关键词；
判断单元134，其基于预定规则判断关键词所在文本为正面描述或负面描述；
统计单元135，其根据判断单元的判断结果分别进行统计得到预定时间内参照企业与指标相关的正面描述或负面描述的次数；
指标值设定单元136，其根据与指标相关的正面描述或负面描述的次数设定指标对应的指标值。
所述的指标筛选部14包含：
正态分布筛选单元141，其使用K-S检验对每个指标进行单独的正态分布检验；
显著性分布筛选单元142，其筛选48个初始指标中对于信用值终结的制造业企业(信用风险较低)和在历史时间段内信用值稳定的制造业企业(信用风险较高)的这两类企业之间存在显著性差异的指标。
实验结果对比及分析
本实验采用财务类指标、舆情类指标以及法律类指标对制造业企业信用进行评估，并从正确率、误报率与漏报率进行对比。正确率从整体上严格描述了系统对好坏样本的识别能力。误报率描述了系统将好样本描述为坏样本的错误几率，对于银行而言，若将其作为坏客户来进行后续的贷后管理方案，可能会造成好客户的用户体验较差，从而导致客户流失。漏报率刻画了分类系统将坏样本误判为好样本的错误几率，对于银行而言，这可能导致未对潜在的坏客户进行很好的识别以及开展后续贷后管理方案，一旦这些坏客户发生信用风险，银行将面临其违约造成的严重后果，对于银行将是较大的打击，可能导致其不良贷款率的上升。
实验采用10折交叉检验的方法，即通过将训练集分为10份相等的样本，每次留一份作为测试数据，其他数据参与系统的训练，根据10次迭代后的最优性能来表示不同参数下系统的预测能力。实验拟采用按指数增长的方式初始化系统中的惩罚系数CC以及高斯核函数中的参数σσ，即：CC＝{2-5，2-4，2-3，…，25}，σσ＝{2-10，2-9，2-8，…，25}，对于每个网格结点，按照遍历的方法计算其测试集的最大正确率。当惩罚系数为{2-3，2-2}并且高斯核函数中的参数为{2-7，2-6}时，支持向量机的系统的运行结果最好，其正确率为82.04％(表1)。
表1
现有技术中常用的信用管理系统是依托于BP神经网络方法，该系统对于样本的预测性能，与其中的参数设置存在密切的关系，而参数的设置并不仅仅靠历史经验以及理论依据就可以达到良好的效果的，其还需经过BP神经网络的多次训练实验，在进行多次试错、反馈等的循环过程后，模型达到了收敛状态，此时得到的BP神经网络模型内部的参数才是最优参数组合，即传递参数、隐层节点数、训练函数、学习率、迭代次数等。
依托于BP神经网络的信用管理系统经过处理后，将样本进行10折交叉验证，从而进行BP神经网络的训练以及最优隐层节点数的搜寻，并综合正确率和收敛速度，得到分类性能最优时的结果(表2)。
表2
如表3所示，基于本实施例的制造业企业信用管理系统与现有技术中依托于BP神经网络的信用管理系统的数据进行比较，可以看到，在正确率上，本实施例的制造业企业信用管理系统的正确率略高于现有技术中依托于BP神经网络的信用管理系统，两者的最优分类正确率分别达到了82.04％与80.63％。
现有技术中依托于BP神经网络的信用管理系统在其多次的分类结果中，其分类准确性方差比本实施例的制造业企业信用管理系统大。
本实施例的制造业企业信用管理系统在漏报率与误报率方面均优于基于BP神经网络的企业信用风险识别模型，其中，本实施例的制造业企业信用管理系统的最优误报率比现有技术中依托于BP神经网络的信用管理系统的最优误报率低0.86％的绝对值，即效果提升4.7％。在漏报率上，本实施例的制造业企业信用管理系统相对于现有技术中依托于BP神经网络的信用管理系统而言，稍具备优势。
表3 SVM与BP神经网络的比较结果
| 对比项 | 最优正确率 | 10次预测正确率方差 | 最优误报率 | 最优漏报率 |
| 本实施例 | B2.04％ | 3_31E-06 | 17.95％ | 1B_19％ |
| BP神经网络 | 80-63％ | 1-16E-05 | 27.27％ | 19-05％ |
综上，实验证明本实施例的制造业企业信用管理系统相对于现有技术中依托于BP神经网络的信用管理系统而言，具备更好的预测性能，更符合银行以及企业自身对于提前正确发现信用风险的需求。
本发明不仅考虑到数值指标，还考虑到文本指标对制造业企业信用的影响，并且主动对文本进行分析获取文本指标对应的指标值，丰富企业信用风险预警的评价指标，还对获得的所有评价指标进行多重共线性检验处理，得到远低于评价指标的数量的公共评价因子，在保证了不丢失太多原始指标的信息的同时，尽可能的保留其反映的信息，以便更好更快地对企业信用风险进行预警。本发明更加科学、及时地获得了企业的信用值，在企业发生信用风险之前及时反映给企业自身及其利益相关者，为其科学决策提供信息支持。
尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。
Claims (7)
1.一种企业信用管理系统，其特征在于，包含：
参照信息存储部，其中存储有作为参照企业的多个制造业企业的参照企业名称、以及与该参照企业名称相对应的信用值、多个与信用值相关联的数值指标以及文本指标；
数值指标获取部，其从参照企业的数值报表中获取数值指标对应的指标值；
文本指标分析部，其对与参照企业相关联的文本进行分析从而获取文本指标对应的指标值；
指标筛选部，其根据参照企业的多个指标值对所有指标进行筛选得出M个适用于评价参照企业的信用值的评价指标；
线性检验部，其基于评价指标的指标值，采用因子分析法对所有评价指标进行多重共线性检验处理，得出N个与评价指标相关联的公共评价因子；
分类函数建立部，其基于所有参照企业的N个公共评价因子对应的指标、指标值以及信用值，采用支持向量机得到分类识别函数；
信用值计算部，其基于待评价制造业企业当前的N个公共评价因子对应的指标、指标值根据分类识别函数计算得到当前信用值；
其中，N、M为大于1的正整数，且M＞N。
2.如权利要求1所述的企业信用管理系统，其特征在于，所述的文本指标分析部包含：
关键词存储单元，其存储与文本指标相对应的关键词；
文本抓取单元，其从文本指标相关联的网站抓取与制造业企业名称相关联的文本；
关键词识别单元，其根据关键词存储单元中的关键词依次识别文本中的关键词；
判断单元，其基于预定规则判断关键词所在文本为正面描述或负面描述；
统计单元，其根据判断单元的判断结果分别进行统计得到预定时间内参照企业与指标相关的正面描述或负面描述的次数；
指标值设定单元，其根据与指标相关的正面描述或负面描述的次数设定指标对应的指标值。
3.如权利要求2所述的企业信用管理系统，其特征在于，所述的指标筛选部包含：
正态分布筛选单元，其使用K-S检验对每个指标进行单独的正态分布检验；
显著性分布筛选单元，其筛选初始指标中对于信用值终结的制造业企业和在历史时间段内信用值稳定的制造业企业的这两类企业之间存在显著性差异的指标。
4.如权利要求3所述的企业信用管理系统，其特征在于，所述的企业信用管理系统还包含：
结果输出部，其输出待评价制造业企业的当前信用值；
信用类型判定部，其基于特定规则根据当前信用值判定与待评价制造业企业相对应的信用类型；
处理部，其基于信用类型以及预先设定与信用类型相对应的处理方式进行处理；
处理记录存储部，其对待评价制造业企业以及对应的处理方式进行存储；
暂存部，其用于暂时储存制造业企业信用管理系统的各个组成部分之间所交换的数据信息。
5.如权利要求4所述的企业信用管理系统，其特征在于，所述的企业信用管理系统还包含：控制部，其用于控制参照信息存储部、数值指标获取部、文本指标分析部、指标筛选部、线性检验部、分类函数建立部、信用值计算部、结果输出部、信用类型判定部、处理部、处理记录存储部以及暂存部的运行。
6.如权利要求5所述的企业信用管理系统，其特征在于，所述的参照企业包含：信用值终结的制造业企业，以及在历史时间段内信用值稳定的制造业企业；
所述的数值报表为参照企业的财务报表；
所述的数值指标包含：财务类指标；
所述的文本指标包含：舆情类指标以及法律类指标。
7.如权利要求6所述的企业信用管理系统，其特征在于，判断单元采用的预定规则为：当关键词所在语句中出现奇数次负面词汇时，判断关键词所在文本为负面描述；当关键词所在语句中连续出现偶数次负面词汇时，判断关键词所在文本为正面描述；当关键词所在语句中仅出现正面词汇时，判断关键词所在文本为正面描述。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810413786.8A CN108629507A (zh) | 2018-05-03 | 2018-05-03 | 一种企业信用管理系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810413786.8A CN108629507A (zh) | 2018-05-03 | 2018-05-03 | 一种企业信用管理系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108629507A true CN108629507A (zh) | 2018-10-09 |
Family
ID=63695233
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810413786.8A Pending CN108629507A (zh) | 2018-05-03 | 2018-05-03 | 一种企业信用管理系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108629507A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116628206A (zh) * | 2023-06-08 | 2023-08-22 | 江苏万禾信息技术有限公司 | 基于数据分析的企业信用分析管理系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105719073A (zh) * | 2016-01-18 | 2016-06-29 | 苏州汇誉通数据科技有限公司 | 一种企业信用评价系统及方法 |
| CN105787073A (zh) * | 2016-03-02 | 2016-07-20 | 上海源庐加佳信息科技有限公司 | 一种基于大数据挖掘技术的企业信用评价方法 |
| CN107437151A (zh) * | 2017-08-08 | 2017-12-05 | 惠国征信服务股份有限公司 | 企业信用评级方法 |
-
2018
- 2018-05-03 CN CN201810413786.8A patent/CN108629507A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105719073A (zh) * | 2016-01-18 | 2016-06-29 | 苏州汇誉通数据科技有限公司 | 一种企业信用评价系统及方法 |
| CN105787073A (zh) * | 2016-03-02 | 2016-07-20 | 上海源庐加佳信息科技有限公司 | 一种基于大数据挖掘技术的企业信用评价方法 |
| CN107437151A (zh) * | 2017-08-08 | 2017-12-05 | 惠国征信服务股份有限公司 | 企业信用评级方法 |
Non-Patent Citations (2)
| Title |
|---|
| 李俊梅: ""天津市中小企业信用风险识别"", 《中国优秀博硕士学位论文全文数据库（硕士）经济与管理科学辑》 * |
| 许艳秋: ""基于支持向量机的企业信用贷款风险评估体系模型研究——以中小型上市企业为例"", 《中国优秀硕士学位论文全文数据库经济与管理科学辑》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116628206A (zh) * | 2023-06-08 | 2023-08-22 | 江苏万禾信息技术有限公司 | 基于数据分析的企业信用分析管理系统 |
| CN116628206B (zh) * | 2023-06-08 | 2024-01-05 | 乌鲁木齐汇智兴业信息科技有限公司 | 基于数据分析的企业信用分析管理系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | DP-LSTM: Differential privacy-inspired LSTM for stock prediction using financial news | |
| CN110852856B (zh) | 一种基于动态网络表征的发票虚开识别方法 | |
| CN108564465A (zh) | 一种企业信用管理方法 | |
| CN108108352A (zh) | 一种基于机器学习文本挖掘技术的企业投诉风险预警方法 | |
| CN108733748A (zh) | 一种基于商品评论舆情的跨境产品质量风险模糊预测方法 | |
| CN111583012B (zh) | 融合文本信息的信用债发债主体违约风险评估方法 | |
| CN109492097B (zh) | 一种企业新闻数据风险分类方法 | |
| CN117455417B (zh) | 一种智能风控审批策略自动迭代优化方法及系统 | |
| CN111738843B (zh) | 一种使用流水数据的量化风险评价系统和方法 | |
| CN112419029A (zh) | 类金融机构风险监控方法、风险模拟系统及存储介质 | |
| Wang et al. | Establishment of a financial crisis early warning system for domestic listed companies based on three decision tree models | |
| Si | Construction and application of enterprise internal audit data analysis model based on decision tree algorithm | |
| Davalos et al. | A textual analysis of the US Securities and Exchange Commission's accounting and auditing enforcement releases relating to the Sarbanes–Oxley Act | |
| CN112907371A (zh) | 一种风控模型的训练方法 | |
| CN108629507A (zh) | 一种企业信用管理系统 | |
| CN112199480A (zh) | 一种基于bert模型的在线对话日志违规检测方法及系统 | |
| CN116611911A (zh) | 基于支持向量机的信用风险预测方法及装置 | |
| Suwa et al. | Develop method to predict the increase in the Nikkei VI index | |
| CN112580992B (zh) | 类金融企业的非法集资风险监测系统 | |
| Mao et al. | Information system construction and research on preference of model by multi-class decision tree regression | |
| Yang | A Study on the Impact of Corporate Financial Accounting Management System on Corporate Innovation Under Sustainable Development Strategy | |
| Hu | Design and application of a financial distress early warning model based on data reasoning and pattern recognition | |
| CN115345401A (zh) | 一种发现企业金融风险的六维分析方法 | |
| Su et al. | Detection of tax arrears based on ensemble leaering model | |
| Zhang et al. | [Retracted] Analysis of Bank Customer Default Risk Based on Embedded Microprocessor Wireless Communication |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181009 |
|
| RJ01 | Rejection of invention patent application after publication |