CN109858740A - 企业风险的评估方法、装置、计算机设备及存储介质 - Google Patents
企业风险的评估方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN109858740A CN109858740A CN201811571429.0A CN201811571429A CN109858740A CN 109858740 A CN109858740 A CN 109858740A CN 201811571429 A CN201811571429 A CN 201811571429A CN 109858740 A CN109858740 A CN 109858740A
- Authority
- CN
- China
- Prior art keywords
- enterprise
- risk
- cluster
- business
- risk assessment
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及企业风险的评估方法、装置、计算机设备及存储介质，属于风险评估技术领域。所述方法包括：根据所述多个企业得到对应的企业簇群；确定所述企业簇群的风险评估值；其中，所述风险评估值根据所述企业簇群的特征指标确定；所述特征指标根据企业簇群的运行数据确定；根据所述风险评估值确定所述多个企业的风险评估结果。上述技术方案，解决了企业风险的评估准确性不够高的问题。充分考虑了企业之间的风险关联关系，且风险评估值的确定能对风险评估结果进行量化，使得企业风险评估更加准确。
Description
技术领域
本发明涉及风险评估技术领域，特别是涉及企业风险的评估方法、装置、计算机设备及存储介质。
背景技术
目前，市场上已经有较多提供个人信贷征信服务的产品或企业。但是在企业级金融服务市场，能够为企业提供风险评估的方法较少，目前比较成熟的方法有序数衡量法等。在实现本发明过程中，发明人发现现有技术中至少存在如下问题：序数衡量法只能反映企业间信用风险的高低顺序，如BBB级高于BB级，但其间的级差无法进行客观量化。当某一企业发生风险事件时往往会危及到其他相关的企业，而在目前的风险评估方法得出的结果中企业间关系是较为离散的，难以关联分析。因此，企业风险的评估准确性还是不够高。
发明内容
基于此，本发明实施例提供了企业风险的评估方法、装置、计算机设备及存储介质，能有效提高企业风险评估的准确性。
本发明实施例的内容如下：
一种企业风险的评估方法，包括以下步骤：获取待评估的多个企业；根据所述多个企业得到对应的企业簇群；确定所述企业簇群的风险评估值；其中，所述风险评估值根据所述企业簇群的特征指标确定；所述特征指标根据企业簇群的运行数据确定；根据所述风险评估值确定所述多个企业的风险评估结果。
在其中一个实施例中，所述根据所述多个企业得到对应的企业簇群的步骤，包括：获取所述多个企业之间的风险关联关系和风险关联权重；其中，所述风险关联关系根据所述多个企业的运行数据确定；根据所述风险关联关系和所述风险关联权重，构建企业知识图谱；根据所述企业知识图谱，确定所述企业簇群。
在其中一个实施例中，所述企业知识图谱为随机游走模型；所述根据所述企业知识图谱，确定所述企业簇群的步骤，包括：根据所述企业知识图谱确定所述多个企业的风险转移向量；根据PageRank算法对所述风险转移向量进行处理，计算所述多个企业对应的风险转移概率值；根据所述风险转移概率值，得到所述企业簇群。
在其中一个实施例中，所述根据所述风险转移概率值，得到所述企业簇群的步骤，包括：对所述风险转移概率值进行结构熵分析；根据结构熵分析的结果将所述多个企业划分为若干簇群，得到所述多个企业对应的企业簇群。
在其中一个实施例中，还包括：获取风险评估指标；所述风险评估指标由风险评估初始指标整合得到；所述风险评估初始指标根据企业簇群的运行数据确定；通过主成分分析法对所述风险评估指标进行处理，得到所述特征指标。
在其中一个实施例中，所述确定所述企业簇群的风险评估值的步骤，包括：获取所述特征指标对应的指标数据；将所述指标数据输入预先建立的风险评估模型中，根据风险评估模型的输出确定所述企业簇群对应的风险评估值。
在其中一个实施例中，所述根据所述风险评估值确定所述多个企业的风险评估结果的步骤，包括：将所述风险评估值大于预设的阈值的企业簇群确定为风险企业簇群；将所述多个企业中包含在所述风险企业簇群中的企业确定为风险企业；根据所述风险企业的名单确定风险评估结果。
相应的，本发明实施例提供一种企业风险的评估装置，包括：企业获取模块，用于获取待评估的多个企业；簇群获取模块，用于根据所述多个企业得到对应的企业簇群；评估值确定模块，用于确定所述企业簇群的风险评估值；其中，所述风险评估值根据所述企业簇群的特征指标确定；所述特征指标根据企业簇群的运行数据确定；以及，评估结果确定模块，用于根据所述风险评估值确定所述多个企业的风险评估结果。
上述企业风险的评估方法及装置，根据多个企业之间的风险关联关系确定企业簇群，确定这些企业簇群的风险评估值，进而根据风险评估值确定这些企业的风险评估结果。充分考虑了企业之间的风险关联关系，且风险评估值的确定能对风险评估结果进行量化，使得企业风险评估更加准确。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：获取待评估的多个企业；根据所述多个企业得到对应的企业簇群；确定所述企业簇群的风险评估值；其中，所述风险评估值根据所述企业簇群的特征指标确定；所述特征指标根据企业簇群的运行数据确定；根据所述风险评估值确定所述多个企业的风险评估结果。
上述计算机设备，充分考虑了企业之间的风险关联关系，且风险评估值的确定能对风险评估结果进行量化，使得企业风险评估更加准确。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：获取待评估的多个企业；根据所述多个企业得到对应的企业簇群；确定所述企业簇群的风险评估值；其中，所述风险评估值根据所述企业簇群的特征指标确定；所述特征指标根据企业簇群的运行数据确定；根据所述风险评估值确定所述多个企业的风险评估结果。
上述计算机可读存储介质，充分考虑了企业之间的风险关联关系，且风险评估值的确定能对风险评估结果进行量化，使得企业风险评估更加准确。
附图说明
图1为一个实施例中企业风险的评估方法的应用环境图；
图2为一个实施例中企业风险的评估方法的流程示意图；
图3为一个实施例中企业知识图谱的结构示意图；
图4为一个实施例中确定企业簇群的流程示意图；
图5为一个实施例中确定特征指标的流程示意图；
图6为另一个实施例中企业风险的评估方法的流程示意图；
图7为一个实施例中企业风险的评估装置的结构框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请提供的企业风险的评估方法可以应用于如图1所示的计算机设备中。该计算机设备可以是服务器，其内部结构图可以如图1所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储企业风险的评估方法的流程中所需的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信，例如，接收终端输入的特征指标的指标数据等。该计算机程序被处理器执行时实现一种企业风险的评估方法。
本领域技术人员可以理解，图1中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
本发明实施例提供一种企业风险的评估方法、装置、计算机设备和存储介质。以下分别进行详细说明。
在一个实施例中，如图2所示，提供了一种企业风险的评估方法。以该方法应用于图1中的处理器端为例进行说明，包括以下步骤：
S201、获取待评估的多个企业。
其中，企业可以指各种类型的企业，例如：农业企业、工业企业和服务企业等。
S202、根据所述多个企业得到对应的企业簇群。
企业簇群指的是包括多个企业的簇群；企业簇群的个数可以为一个、两个甚至多个。同样，各个企业簇群中所包含的企业个数也可以为一个、两个甚至多个。这个企业簇群可以根据这些待评估的多个企业之间的风险关联关系来确定。
企业之间的风险关联关系可以指发生风险事件时，各个企业之间的关联关系方向、关联类型等。对于关联关系方法，现有A、B两个企业，A企业发生风险事件时会影响到B企业，而B企业发生风险事件时对A企业几乎没有影响，则这个风险传递方向可以为A→B。而关联类型可以指关联性强、关联性一般、关联性弱等。
S202、确定所述企业簇群的风险评估值；其中，所述风险评估值根据所述企业簇群的特征指标确定；所述特征指标根据企业簇群的运行数据确定。
其中，特征指标是能代表企业簇群主要特征的指标。这个特征指标可以根据企业的运营风险指标、财务风险指标、政治和法律环境指标等来确定。各个特征指标可以对应有指标数据，根据这些指标数据就能确定企业簇群的风险评估值。另外，可以根据企业簇群中所包含的企业所对应的特征指标来确定企业簇群的特征指标。
风险评估值可以是根据特征指标确定的能代表某一企业簇群对其他企业簇群的风险影响的具体数值。
其中，企业簇群的运行数据可以指企业簇群中各个企业的日常业务所产生的数据，可以是工商数据、司法数据、上市披露数据、招聘数据、新闻资讯数据、大宗商品数据、招投标数据、税务数据等。这些运行数据可以通过页面爬取或者调用接口的方式来获取。通过页面爬取获取的可以是公开的舆情信息(如：招聘数据、新闻资讯数据)等，通过接口调用获取的可以是企业维护的数据信息(如：工商数据、司法数据等)。
S203、根据所述风险评估值确定所述多个企业的风险评估结果。
风险评估结果可以指各个企业是否为风险企业以及对其他企业的影响。还包括企业的风险等级，即，可以根据风险评估值确定对应企业簇群的风险等级，根据企业簇群的风险等级确定簇群内的各个企业的风险等级。
目前常用的企业风险评估方法有：序数衡量法、FICO(美国信用评级法)、ZestFinance等。通过对国内外市场主流产品和方法的调研与分析，在应用或推广过程中这些方法往往存在不足。例如：序数衡量法只能反映企业间信用风险的高低顺序，但其间的级差无法进行客观量化，且企业间关系是较为离散的，难以关联分析；FICO在方法上通常采取逻辑回归和决策树，然而逻辑回归一般只能包含10-15个风险因子，且各变量必须服从正太分布，决策树要求所有申请者的分类是完全互斥的，这些问题产生的结果是“偏误”还是“错误”很难界定；ZestFinance中的评估模型对征信信息的准确性依赖较高，需要一套完善的征信体系支撑，依据目前国内征信的体系和披露信息，ZestFinance很难适应中国的信贷业务。综上，企业信息关联分析和企业风险量化仍是金融实体对内提高风险管理水平对外提升服务效率的难题。
本实施例，充分考虑了企业之间的风险关联关系，且风险评估值的确定能对风险评估结果进行量化，使得企业风险评估更加准确。
在一个实施例中，所述根据所述多个企业得到对应的企业簇群的步骤，包括：获取所述多个企业之间的风险关联关系和风险关联权重；其中，所述风险关联关系根据所述多个企业的运行数据确定；根据所述风险关联关系和所述风险关联权重，构建企业知识图谱；根据所述企业知识图谱，确定所述企业簇群。
其中，风险关联权重指的是发生风险事件时，各个企业之间的受影响程度。风险关联权重可以通过特定的算法确定，也可以通过人工标注的方式确定。
确定风险关联关系的实现过程可以为：1、确认运行数据的数据源及数据格式。2、通过所确定的数据源和数据格式抓取页面数据或者调用接口获取数据，得到企业的运行数据。3、若数据为页面爬取获得，则对文本进行分词操作，并使用CRF命名实体识别获取相关联的企业以及这些企业的相关关联关系；若通过调用接口获取的数据，则直接获取相关联的企业和这些企业的相关关联关系。
构建企业知识图谱的过程可以为：调用图数据库API，通过这个图数据库构建企业知识图谱。将企业的属性信息、风险关联关系和风险关联群众写入到图数据库中。从图数据库中读取风险关联关系和风险关联权重，进而构建企业知识图谱，所构建的企业知识图谱可以如图3所示。其中，顶点为A/B/C/D/E这5家企业，有向边表明关联关系方向，边属性表明关联类型及风险关联权重。当然，企业知识图谱中还可以包括企业属性、风险转移概率等信息。
进一步地，所述企业知识图谱为随机游走模型；所述根据所述企业知识图谱，确定所述企业簇群的步骤，包括：根据所述企业知识图谱确定所述多个企业的风险转移向量；根据PageRank算法对所述风险转移向量进行处理，计算所述多个企业对应的风险转移概率值；根据所述风险转移概率值，得到所述企业簇群。
企业知识图谱这个随机游走模型中包含有各个企业之间的初始风险转移概率值，但是这个初始风险概率转移值是随机，需要进行一定的运算，得到稳定的企业知识图谱，进而确定各个企业间的风险转移概率值。能精确量化企业簇群内受风险事件的影响情况，最终将企业评估结果输出。
其中，根据PageRank算法得到风险转移概率值的实现过程可以为：
1)为企业知识图谱中的每个企业设定风险转移向量。其中，风险转移向量的维度表示某一企业对其他企业转移风险的概率。风险转移向量中的向量元素vi可以通过以下公式来计算：vi＝风险转移概率*风险关联权重。
2)将所有风险转移向量按列转置，构建风险转移矩阵，记为T。其中，风险转移矩阵中每个元素都>＝0，且列和为1，T[i][j]表示企业i将风险传递至企业j的概率。
3)若一共有N家企业，则将每个企业的初始风险转移概率均设置为1/N，则初始的风险转移向量为(1/N，1/N，……，1/N)，记为V0。
4)迭代计算Vn＝T*Vn-1。由PageRank算法可知，当N趋向无穷大时，Vn收敛，此时Vn表明每个企业的风险转移概率，实现企业知识图谱的稳态分布。当然在实际的计算过程中，可以设置迭代次数，当结果足够稳定时，就认为企业知识图谱处于稳态分布。
另外，基于随机游走模型，风险转移概率能表征风险事件到达各个企业的概率；这个概率由两部分组成，一部分是直接随机选中的概率，另一部分是向它指向的企业顺着有向边传递的概率。因此，风险转移概率能表明各个企业向其他企业转移风险的概率，若某个企业E对应的风险转移概率高，则企业E对其他企业而言就是风险企业。而将众多的企业划分为企业簇群能更好地提高企业风险评估的效率。因此可以根据各个企业的风险转移概率来确定企业簇群，实现过程可以为：对所述风险转移概率值进行结构熵分析；根据结构熵分析的结果将所述多个企业划分为若干簇群，得到所述多个企业对应的企业簇群。
根据各个企业的风险转移概率来确定企业概率的实现过程可以为：
从Vn的最大值向最小值依次遍历企业知识图谱，划分企业簇群(将所得到的HP(G)确定为企业簇群)，计算方式为：
其中：
m为有向图上的总边数，di为企业vi的度数(与企业vi相关的企业数)，Vj为第j个划分模块的体积，即第j个划分模块中所有顶点的度数和。fout代表j企业出度(j企业所影响的企业数量)，fin代表j节点入度(能影响j企业的企业数量)。
无向图上的二维结构熵可以定义为在所有的划分中HP(G)的最小值：
其中，H2(G)中的2表示二维。只要遵循着结构熵极小化的目标就能找出风险传递能力强的企业簇群，因此，H2(G)对应的企业簇群就是风险传递能力最强的簇群。
如图4所示，本实施例确定企业簇群的过程包括：1、运行数据采集。2、构建企业知识图谱。3、基于随机游走模型对企业知识图谱进行处理，确定结构熵模型。4、输出企业簇群。
本实施例运用图数据库构建企业知识图谱，构建多维数据在企业脉络上的复杂关联，在知识图谱上量化簇群内企业间的多维关系的距离。同时按照风险转移概率的大小对企业信息进行排序，进而将多个企业划分为企业簇群。量化了风险传递概率，使得企业簇群的划分更为直观准确，将传统的风险预测升级，使风控从自动化升级到智能化。
在一个实施例中，确定特征指标的实现过程可以为：获取风险评估指标；所述风险评估指标由风险评估初始指标整合得到；所述风险评估初始指标根据企业簇群的运行数据确定；通过主成分分析法对所述风险评估指标进行处理，得到所述特征指标。
其中，风险评估初始指标可以包含内部风险指标和外部风险指标。内部风险指标包含运营风险指标、组织风险指标、财务风险指标、信用风险指标、人事风险指标、舆情风险指标中的多种或一种；外部风险指标包含：政治和法律环境、经济和行业环境、原材料价格、供销关系风险中的多种或一种。
确定特征指标的实现过程可以为：
1、获取企业对应的运行数据(可以是过去一段时间内的数据)。这些运行数据包含工商基本信息变更、股东高管信息变更、违法违规涉诉、税务信息、舆情正负面评价数量、项目招标信息、招聘信息、失信被执行信息、老赖信息、行业经济指数、大宗商品价格趋势、政策风险信息等。根据这些运行数据确定各类风险评估初始指标。
2、对风险评估初始指标进行整合，进而确定风险评估指标。风险评估指标可以包括税务信息、招聘信息、项目招标信息等的环比数、环比率等。
3、对风险评估指标对应的码值和类型进行标准化清洗和加工，得到处理后的风险评估指标。
4、确定处理后的风险评估指标对应的运行数据，通过主成分分析法来对这些运行数据进行降维处理。
5、将降维后得到的风险评估指标确定为特征指标。
如图5所示，确定特征指标的具体过程可以为：
S501、选取风险评估指标。
S502、构建主成分分析模型。假设风险评估指标X有d个变量，为n*d阶矩阵，即n个样本的d维向量，所构建的主成分分析模型可以为：
C＝λ1P1P1 T+…+λdPdPd T
其中，λ1……λd分别表示各个维度的特征向量对应的特征值的降序排列，P＝(P1…Pd)是单位正交的特征向量构成的矩阵。
S503、确定重构误差。
选取前k个较大的特征值，使得：
构造矩阵P0，Z，X0，其中X0表示重构之后的数据集。
P0＝(P1…Pk,0,···,0)
Z＝P0 TXT
X0＝P0Z
重构误差可以表示为ε：
S504、确定最小重构误差。通过优化，使得原始数据集经过重构变换之后的损失最小。
S505、将重构误差的最小值所对应的风险评估指标确定为特征指标。
另外，由于不同企业簇群对应的运行数据和特点会存在差异，因此不同企业簇群对应的特征指标可以是不同的。即，可以分别对不同企业簇群的风险评估初始数据进行分析，进而有针对性地确定对应的特征指标。进一步地，由于不同企业簇群对应的特征指标可能不同，为方便企业簇群间的比较，还可以包括对风险评估值进行归一化的过程。
本实施例，根据风险评估初始指标确定风险评估指标，并通过主成分分析法从风险评估指标中确定特征指标，能在体现企业簇群主要特征的情况下使得特征指标的数量尽可能少，有效提高企业风险评估的效率。
在一个实施例中，所述确定所述企业簇群的风险评估值的步骤，包括：获取所述特征指标对应的指标数据；将所述指标数据输入预先建立的风险评估模型中，根据风险评估模型的输出确定所述企业簇群对应的风险评估值。
确定企业簇群的特征指标之后，也可以包括对特征指标进行处理的过程，例如确定各个特征指标的权重，进而确定对应的风险评估模型。在获取到特征指标对应的指标数据之后，可以将指标数据直接代入到风险评估模型中，根据模型的输出就能确定企业簇群的风险评估值。
本实施例，结合选取的特征指标确定对应的风险评估模型。定期对企业簇群进行风险评估模型跑批，从而量化企业簇群的风险信息。
在一个实施例中，所述根据所述风险评估值确定所述多个企业的风险评估结果的步骤，包括：将所述风险评估值大于预设的阈值的企业簇群确定为风险企业簇群；将所述多个企业中包含在所述风险企业簇群中的企业确定为风险企业；根据所述风险企业的名单确定风险评估结果。
其中，预设的阈值可以根据实际情况确定。当需要确定更少的风险企业时，可以将这个阈值设置为一个更高的值，反之亦然。
本实施例，根据风险评估值输出企业风险信息的黑灰名单，进而得到风险评估结果。
为了更好地理解上述方法，如图6所示，以下详细阐述一个本发明企业风险的评估方法的应用实例。
S601、通过页面爬取或调用接口的方式获取待评估的N个企业的运行数据，根据运行数据确定这些企业之间的风险关联关系以及风险关联权重。
S602、根据风险关联关系和风险关联权重构建这N个企业的企业知识图谱。
S603、确定各个企业的风险转移向量，通过PageRank算法对风险转移向量进行处理，计算企业知识图谱达到稳态时这N个企业对应的风险转移概率值。
S604、对风险转移概率值进行结构熵分析；根据结构熵的分析结果将这N个企业划分为多个簇群，得到企业簇群。
S605、确定这些企业簇群的风险评估指标，通过主成分分析法对风险评估指标进行整合得到特征指标。
S606、根据特征指标构建企业簇群的风险评估模型。
S607、获取特征指标对应的指标数据，将指标数据代入风险评估模型中，确定各个企业簇群的风险评估值。将风险评估值大于预先阈值的企业簇群确定为风险企业簇群。将风险企业簇群中包含的企业确定为风险企业，将着N个企业中风险企业簇群中不包含的企业确定为非风险企业。
S608、定期获取新的指标数据，对风险评估模型进行训练和优化，使企业的风险评估结果更为准确。
本实施例，充分考虑了企业之间的风险关联关系，且风险评估值的确定能对风险评估结果进行量化，使得企业风险评估更加准确。实现对企业簇群存在的风险进行全面的分析、评估。帮助金融机构在对公业务开展过程中发现风险、监测风险。
需要说明的是，对于前述的各方法实施例，为了简便描述，将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其它顺序或者同时进行。
基于与上述实施例中的企业风险的评估方法相同的思想，本发明还提供企业风险的评估装置，该装置可用于执行上述企业风险的评估方法。为了便于说明，企业风险的评估装置实施例的结构示意图中，仅仅示出了与本发明实施例相关的部分，本领域技术人员可以理解，图示结构并不构成对装置的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图7所述，企业风险的评估装置包括企业获取模块701、簇群获取模块702、评估值确定模块703和评估结果确定模块704，详细说明如下：
企业获取模块701，用于获取待评估的多个企业。
簇群获取模块702，用于根据所述多个企业得到对应的企业簇群。
评估值确定模块703，用于确定所述企业簇群的风险评估值；其中，所述风险评估值根据所述企业簇群的特征指标确定；所述特征指标根据企业簇群的运行数据确定。
以及，评估结果确定模块704，用于根据所述风险评估值确定所述多个企业的风险评估结果。
本实施例，充分考虑了企业之间的风险关联关系，且风险评估值的确定能对风险评估结果进行量化，使得企业风险评估更加准确。
在一个实施例中，簇群获取模块702，包括：企业信息获取子模块，用于获取所述多个企业之间的风险关联关系和风险关联权重；其中，所述风险关联关系根据所述多个企业的运行数据确定；知识图谱构建子模块，用于根据所述风险关联关系和所述风险关联权重，构建企业知识图谱；企业簇群确定子模块，用于根据所述企业知识图谱，确定所述企业簇群。
在一个实施例中，所述企业知识图谱为随机游走模型；企业簇群确定子模块，包括：转移向量确定单元，用于根据所述企业知识图谱确定所述多个企业的风险转移向量；概率值确定单元，用于根据PageRank算法对所述风险转移向量进行处理，计算所述多个企业对应的风险转移概率值；企业簇群确定单元，用于根据所述风险转移概率值，得到所述企业簇群。
在一个实施例中，企业簇群确定单元，包括：熵分析子单元，用于对所述风险转移概率值进行结构熵分析；企业簇群确定子单元，用于根据结构熵分析的结果将所述多个企业划分为若干簇群，得到所述多个企业对应的企业簇群。
在一个实施例中，还包括：评估指标获取模块，用于获取风险评估指标；所述风险评估指标由风险评估初始指标整合得到；所述风险评估初始指标根据企业簇群的运行数据确定；特征指标确定模块，用于通过主成分分析法对所述风险评估指标进行处理，得到所述特征指标。
在一个实施例中，评估值确定模块703，包括：指标数据获取子模块，用于获取所述特征指标对应的指标数据；评估值确定子模块，用于将所述指标数据输入预先建立的风险评估模型中，根据风险评估模型的输出确定所述企业簇群对应的风险评估值。
在一个实施例中，评估结果确定模块704，包括：评估值判断子模块，用于将所述风险评估值大于预设的阈值的企业簇群确定为风险企业簇群；风险企业确定子模块，用于将所述多个企业中包含在所述风险企业簇群中的企业确定为风险企业；评估结果确定子模块，用于根据所述风险企业的名单确定风险评估结果。
需要说明的是，本发明的企业风险的评估装置与本发明的企业风险的评估方法一一对应，在上述企业风险的评估方法的实施例阐述的技术特征及其有益效果均适用于企业风险的评估装置的实施例中，具体内容可参见本发明方法实施例中的叙述，此处不再赘述，特此声明。
此外，上述示例的企业风险的评估装置的实施方式中，各程序模块的逻辑划分仅是举例说明，实际应用中可以根据需要，例如出于相应硬件的配置要求或者软件的实现的便利考虑，将上述功能分配由不同的程序模块完成，即将所述企业风险的评估装置的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分功能。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：获取待评估的多个企业；根据所述多个企业得到对应的企业簇群；确定所述企业簇群的风险评估值；其中，所述风险评估值根据所述企业簇群的特征指标确定；所述特征指标根据企业簇群的运行数据确定；根据所述风险评估值确定所述多个企业的风险评估结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取所述多个企业之间的风险关联关系和风险关联权重；其中，所述风险关联关系根据所述多个企业的运行数据确定；根据所述风险关联关系和所述风险关联权重，构建企业知识图谱；根据所述企业知识图谱，确定所述企业簇群。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据所述企业知识图谱确定所述多个企业的风险转移向量；根据PageRank算法对所述风险转移向量进行处理，计算所述多个企业对应的风险转移概率值；根据所述风险转移概率值，得到所述企业簇群。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：对所述风险转移概率值进行结构熵分析；根据结构熵分析的结果将所述多个企业划分为若干簇群，得到所述多个企业对应的企业簇群。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取风险评估指标；所述风险评估指标由风险评估初始指标整合得到；所述风险评估初始指标根据企业簇群的运行数据确定；通过主成分分析法对所述风险评估指标进行处理，得到所述特征指标。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取所述特征指标对应的指标数据；将所述指标数据输入预先建立的风险评估模型中，根据风险评估模型的输出确定所述企业簇群对应的风险评估值。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：将所述风险评估值大于预设的阈值的企业簇群确定为风险企业簇群；将所述多个企业中包含在所述风险企业簇群中的企业确定为风险企业；根据所述风险企业的名单确定风险评估结果。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取待评估的多个企业；根据所述多个企业得到对应的企业簇群；确定所述企业簇群的风险评估值；其中，所述风险评估值根据所述企业簇群的特征指标确定；所述特征指标根据企业簇群的运行数据确定；根据所述风险评估值确定所述多个企业的风险评估结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取所述多个企业之间的风险关联关系和风险关联权重；其中，所述风险关联关系根据所述多个企业的运行数据确定；根据所述风险关联关系和所述风险关联权重，构建企业知识图谱；根据所述企业知识图谱，确定所述企业簇群。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据所述企业知识图谱确定所述多个企业的风险转移向量；根据PageRank算法对所述风险转移向量进行处理，计算所述多个企业对应的风险转移概率值；根据所述风险转移概率值，得到所述企业簇群。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：对所述风险转移概率值进行结构熵分析；根据结构熵分析的结果将所述多个企业划分为若干簇群，得到所述多个企业对应的企业簇群。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取风险评估指标；所述风险评估指标由风险评估初始指标整合得到；所述风险评估初始指标根据企业簇群的运行数据确定；通过主成分分析法对所述风险评估指标进行处理，得到所述特征指标。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取所述特征指标对应的指标数据；将所述指标数据输入预先建立的风险评估模型中，根据风险评估模型的输出确定所述企业簇群对应的风险评估值。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将所述风险评估值大于预设的阈值的企业簇群确定为风险企业簇群；将所述多个企业中包含在所述风险企业簇群中的企业确定为风险企业；根据所述风险企业的名单确定风险评估结果。
本领域普通技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，作为独立的产品销售或使用。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本发明实施例的术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或(模块)单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，不能理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种企业风险的评估方法，其特征在于，包括以下步骤：
获取待评估的多个企业；
根据所述多个企业得到对应的企业簇群；
确定所述企业簇群的风险评估值；其中，所述风险评估值根据所述企业簇群的特征指标确定；所述特征指标根据企业簇群的运行数据确定；
根据所述风险评估值确定所述多个企业的风险评估结果。
2.根据权利要求1所述的企业风险的评估方法，其特征在于，所述根据所述多个企业得到对应的企业簇群的步骤，包括：
获取所述多个企业之间的风险关联关系和风险关联权重；其中，所述风险关联关系根据所述多个企业的运行数据确定；
根据所述风险关联关系和所述风险关联权重，构建企业知识图谱；
根据所述企业知识图谱，确定所述多个企业对应的企业簇群。
3.根据权利要求2所述的企业风险的评估方法，其特征在于，所述企业知识图谱为随机游走模型；
所述根据所述企业知识图谱，确定所述企业簇群的步骤，包括：
根据所述企业知识图谱确定所述多个企业的风险转移向量；
根据PageRank算法对所述风险转移向量进行处理，计算所述多个企业对应的风险转移概率值；
根据所述风险转移概率值，得到所述企业簇群。
4.根据权利要求3所述的企业风险的评估方法，其特征在于，所述根据所述风险转移概率值，得到所述企业簇群的步骤，包括：
对所述风险转移概率值进行结构熵分析；
根据结构熵分析的结果将所述多个企业划分为若干簇群，得到所述多个企业对应的企业簇群。
5.根据权利要求1所述的企业风险的评估方法，其特征在于，还包括：
获取风险评估指标；所述风险评估指标由风险评估初始指标整合得到；所述风险评估初始指标根据企业簇群的运行数据确定；
通过主成分分析法对所述风险评估指标进行处理，得到所述特征指标。
6.根据权利要求1所述的企业风险的评估方法，其特征在于，所述确定所述企业簇群的风险评估值的步骤，包括：
获取所述特征指标对应的指标数据；
将所述指标数据输入预先建立的风险评估模型中，根据风险评估模型的输出确定所述企业簇群对应的风险评估值。
7.根据权利要求1至6任一项所述的企业风险的评估方法，其特征在于，所述根据所述风险评估值确定所述多个企业的风险评估结果的步骤，包括：
将所述风险评估值大于预设的阈值的企业簇群确定为风险企业簇群；
将所述多个企业中包含在所述风险企业簇群中的企业确定为风险企业；
根据所述风险企业的名单确定风险评估结果。
8.一种企业风险的评估装置，其特征在于，包括：
企业获取模块，用于获取待评估的多个企业；
簇群获取模块，用于根据所述多个企业得到对应的企业簇群；
评估值确定模块，用于确定所述企业簇群的风险评估值；其中，所述风险评估值根据所述企业簇群的特征指标确定；所述特征指标根据企业簇群的运行数据确定；
以及，评估结果确定模块，用于根据所述风险评估值确定所述多个企业的风险评估结果。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811571429.0A CN109858740B (zh) | 2018-12-21 | 2018-12-21 | 企业风险的评估方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811571429.0A CN109858740B (zh) | 2018-12-21 | 2018-12-21 | 企业风险的评估方法、装置、计算机设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109858740A true CN109858740A (zh) | 2019-06-07 |
| CN109858740B CN109858740B (zh) | 2022-03-25 |
Family
ID=66891841
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811571429.0A Active CN109858740B (zh) | 2018-12-21 | 2018-12-21 | 企业风险的评估方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109858740B (zh) |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110335145A (zh) * | 2019-07-12 | 2019-10-15 | 深圳众赢维融科技有限公司 | 一种影响因素动态展示方法、装置、电子设备及存储介质 |
| CN110968701A (zh) * | 2019-11-05 | 2020-04-07 | 量子数聚（北京）科技有限公司 | 用于图神经网络的关系图谱建立方法以及装置、设备 |
| CN111340246A (zh) * | 2020-02-26 | 2020-06-26 | 未来地图(深圳)智能科技有限公司 | 用于企业智能决策分析的处理方法、装置和计算机设备 |
| CN111401777A (zh) * | 2020-03-30 | 2020-07-10 | 未来地图(深圳)智能科技有限公司 | 企业风险的评估方法、装置、终端设备及存储介质 |
| CN111429255A (zh) * | 2020-03-19 | 2020-07-17 | 中国建设银行股份有限公司 | 一种风险评估方法、装置、设备及存储介质 |
| CN111951105A (zh) * | 2020-08-24 | 2020-11-17 | 上海银行股份有限公司 | 基于多维大数据分析的智能信贷风控系统 |
| CN112150014A (zh) * | 2020-09-27 | 2020-12-29 | 平安资产管理有限责任公司 | 一种企业风险预警方法、装置、设备及可读存储介质 |
| CN112184012A (zh) * | 2020-09-27 | 2021-01-05 | 平安资产管理有限责任公司 | 一种企业风险预警方法、装置、设备及可读存储介质 |
| CN112214614A (zh) * | 2020-10-16 | 2021-01-12 | 民生科技有限责任公司 | 基于知识图谱挖掘风险传播路径的方法及其系统 |
| CN112488843A (zh) * | 2020-10-29 | 2021-03-12 | 中国农业银行股份有限公司福建省分行 | 基于社交网络的企业风险预警方法、装置、设备和介质 |
| CN112529681A (zh) * | 2021-02-08 | 2021-03-19 | 南京审计大学 | 一种基于信用主体关联强度的信用风险传递方法 |
| CN112613762A (zh) * | 2020-12-25 | 2021-04-06 | 北京知因智慧科技有限公司 | 基于知识图谱的集团评级方法、装置和电子设备 |
| CN112926833A (zh) * | 2021-01-28 | 2021-06-08 | 北京安九信息技术有限公司 | 企业健康状况的检测方法及检测系统 |
| CN113674081A (zh) * | 2021-07-30 | 2021-11-19 | 浙江创邻科技有限公司 | 一种基于图数据库的中小企业风控管理系统及方法 |
| CN113743695A (zh) * | 2020-05-29 | 2021-12-03 | 中国石油化工股份有限公司 | 基于大数据的国际工程项目投标报价风险管理方法 |
| CN114118526A (zh) * | 2021-10-29 | 2022-03-01 | 中国建设银行股份有限公司 | 一种企业风险预测方法、装置、设备及存储介质 |
| CN114637263A (zh) * | 2022-03-15 | 2022-06-17 | 中国石油大学(北京) | 一种异常工况实时监测方法、装置、设备及存储介质 |
| CN114860692A (zh) * | 2022-05-27 | 2022-08-05 | 国网河北省电力有限公司营销服务中心 | 一种电网运营诉求风险数据库及其应用 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20010039523A1 (en) * | 2000-04-28 | 2001-11-08 | The Tokio Marine And Fire Insurance Co., Ltd | System and method for supporting provision of rating related service |
| US20040215551A1 (en) * | 2001-11-28 | 2004-10-28 | Eder Jeff S. | Value and risk management system for multi-enterprise organization |
| CN107480856A (zh) * | 2017-07-06 | 2017-12-15 | 浙江大学 | 基于改进逼近理想解排序法的售电公司电力客户评估方法 |
| CN107945024A (zh) * | 2017-12-12 | 2018-04-20 | 厦门市美亚柏科信息股份有限公司 | 识别互联网金融借贷企业经营异常的方法、终端设备及存储介质 |
| CN107977575A (zh) * | 2017-12-20 | 2018-05-01 | 北京关键科技股份有限公司 | 一种基于私有云平台的代码组成分析系统和方法 |
| CN108564286A (zh) * | 2018-04-19 | 2018-09-21 | 天合泽泰（厦门）征信服务有限公司 | 一种基于大数据征信的人工智能金融风控授信评定方法和系统 |
| CN108596439A (zh) * | 2018-03-29 | 2018-09-28 | 北京中兴通网络科技股份有限公司 | 一种基于知识图谱的企业风险预测方法及系统 |
-
2018
- 2018-12-21 CN CN201811571429.0A patent/CN109858740B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20010039523A1 (en) * | 2000-04-28 | 2001-11-08 | The Tokio Marine And Fire Insurance Co., Ltd | System and method for supporting provision of rating related service |
| US20040215551A1 (en) * | 2001-11-28 | 2004-10-28 | Eder Jeff S. | Value and risk management system for multi-enterprise organization |
| CN107480856A (zh) * | 2017-07-06 | 2017-12-15 | 浙江大学 | 基于改进逼近理想解排序法的售电公司电力客户评估方法 |
| CN107945024A (zh) * | 2017-12-12 | 2018-04-20 | 厦门市美亚柏科信息股份有限公司 | 识别互联网金融借贷企业经营异常的方法、终端设备及存储介质 |
| CN107977575A (zh) * | 2017-12-20 | 2018-05-01 | 北京关键科技股份有限公司 | 一种基于私有云平台的代码组成分析系统和方法 |
| CN108596439A (zh) * | 2018-03-29 | 2018-09-28 | 北京中兴通网络科技股份有限公司 | 一种基于知识图谱的企业风险预测方法及系统 |
| CN108564286A (zh) * | 2018-04-19 | 2018-09-21 | 天合泽泰（厦门）征信服务有限公司 | 一种基于大数据征信的人工智能金融风控授信评定方法和系统 |
Non-Patent Citations (2)
| Title |
|---|
| 孙凯等: "基于网络数据的企业知识图谱可视化", 《东华大学学报自然科学版》 * |
| 李喜梅: "《供应链管理》", 31 August 2016, 西安交通大学出版社 * |
Cited By (25)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110335145A (zh) * | 2019-07-12 | 2019-10-15 | 深圳众赢维融科技有限公司 | 一种影响因素动态展示方法、装置、电子设备及存储介质 |
| CN110968701A (zh) * | 2019-11-05 | 2020-04-07 | 量子数聚（北京）科技有限公司 | 用于图神经网络的关系图谱建立方法以及装置、设备 |
| CN111340246A (zh) * | 2020-02-26 | 2020-06-26 | 未来地图(深圳)智能科技有限公司 | 用于企业智能决策分析的处理方法、装置和计算机设备 |
| CN111429255A (zh) * | 2020-03-19 | 2020-07-17 | 中国建设银行股份有限公司 | 一种风险评估方法、装置、设备及存储介质 |
| CN111429255B (zh) * | 2020-03-19 | 2024-02-20 | 中国建设银行股份有限公司 | 一种风险评估方法、装置、设备及存储介质 |
| CN111401777A (zh) * | 2020-03-30 | 2020-07-10 | 未来地图(深圳)智能科技有限公司 | 企业风险的评估方法、装置、终端设备及存储介质 |
| CN111401777B (zh) * | 2020-03-30 | 2024-03-12 | 未来地图(深圳)智能科技有限公司 | 企业风险的评估方法、装置、终端设备及存储介质 |
| CN113743695A (zh) * | 2020-05-29 | 2021-12-03 | 中国石油化工股份有限公司 | 基于大数据的国际工程项目投标报价风险管理方法 |
| CN111951105A (zh) * | 2020-08-24 | 2020-11-17 | 上海银行股份有限公司 | 基于多维大数据分析的智能信贷风控系统 |
| CN112184012B (zh) * | 2020-09-27 | 2024-05-31 | 平安资产管理有限责任公司 | 一种企业风险预警方法、装置、设备及可读存储介质 |
| CN112184012A (zh) * | 2020-09-27 | 2021-01-05 | 平安资产管理有限责任公司 | 一种企业风险预警方法、装置、设备及可读存储介质 |
| CN112150014A (zh) * | 2020-09-27 | 2020-12-29 | 平安资产管理有限责任公司 | 一种企业风险预警方法、装置、设备及可读存储介质 |
| CN112214614B (zh) * | 2020-10-16 | 2024-02-09 | 民生科技有限责任公司 | 基于知识图谱挖掘风险传播路径的方法及其系统 |
| CN112214614A (zh) * | 2020-10-16 | 2021-01-12 | 民生科技有限责任公司 | 基于知识图谱挖掘风险传播路径的方法及其系统 |
| CN112488843A (zh) * | 2020-10-29 | 2021-03-12 | 中国农业银行股份有限公司福建省分行 | 基于社交网络的企业风险预警方法、装置、设备和介质 |
| CN112613762A (zh) * | 2020-12-25 | 2021-04-06 | 北京知因智慧科技有限公司 | 基于知识图谱的集团评级方法、装置和电子设备 |
| CN112613762B (zh) * | 2020-12-25 | 2024-04-16 | 北京知因智慧科技有限公司 | 基于知识图谱的集团评级方法、装置和电子设备 |
| CN112926833A (zh) * | 2021-01-28 | 2021-06-08 | 北京安九信息技术有限公司 | 企业健康状况的检测方法及检测系统 |
| CN112529681A (zh) * | 2021-02-08 | 2021-03-19 | 南京审计大学 | 一种基于信用主体关联强度的信用风险传递方法 |
| CN113674081B (zh) * | 2021-07-30 | 2023-12-19 | 浙江创邻科技有限公司 | 一种基于图数据库的中小企业风控管理系统及方法 |
| CN113674081A (zh) * | 2021-07-30 | 2021-11-19 | 浙江创邻科技有限公司 | 一种基于图数据库的中小企业风控管理系统及方法 |
| CN114118526A (zh) * | 2021-10-29 | 2022-03-01 | 中国建设银行股份有限公司 | 一种企业风险预测方法、装置、设备及存储介质 |
| CN114637263B (zh) * | 2022-03-15 | 2024-01-12 | 中国石油大学(北京) | 一种异常工况实时监测方法、装置、设备及存储介质 |
| CN114637263A (zh) * | 2022-03-15 | 2022-06-17 | 中国石油大学(北京) | 一种异常工况实时监测方法、装置、设备及存储介质 |
| CN114860692A (zh) * | 2022-05-27 | 2022-08-05 | 国网河北省电力有限公司营销服务中心 | 一种电网运营诉求风险数据库及其应用 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109858740B (zh) | 2022-03-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109858740A (zh) | 企业风险的评估方法、装置、计算机设备及存储介质 | |
| Sarma | Predictive modeling with SAS enterprise miner: Practical solutions for business applications | |
| Dong et al. | A cosine similarity based QUALIFLEX approach with hesitant fuzzy linguistic term sets for financial performance evaluation | |
| Lee et al. | Search-based peer firms: Aggregating investor perceptions through internet co-searches | |
| US8583568B2 (en) | Systems and methods for detection of satisficing in surveys | |
| US20180197128A1 (en) | Risk identification engine and supply chain graph generator | |
| Sun et al. | Using Bayesian networks for bankruptcy prediction: Some methodological issues | |
| CN103154991B (zh) | 信用风险采集 | |
| CN108280541A (zh) | 基于随机森林和决策树的客户服务策略制定方法、装置 | |
| Wu et al. | A multiple attribute group decision making framework for the evaluation of lean practices at logistics distribution centers | |
| US20070288336A1 (en) | Method and System For Advanced Financial Analysis | |
| Wan et al. | A probabilistic linguistic dominance score method considering individual semantics and psychological behavior of decision makers | |
| Baloui Jamkhaneh et al. | Inspection error and its effects on single sampling plans with fuzzy parameters | |
| CN109636430A (zh) | 对象识别方法及其系统 | |
| Ye et al. | Identification of supply chain disruptions with economic performance of firms using multi-category support vector machines | |
| CN114077980A (zh) | 智能供应商管理系统及智能供应商管理方法 | |
| Lenzen | Aggregating input–output systems with minimum error | |
| Afzali et al. | An interval-valued intuitionistic fuzzy-based CODAS for sustainable supplier selection | |
| Zhou et al. | Research on corporate financial performance prediction based on self‐organizing and convolutional neural networks | |
| CN107844874A (zh) | 企业营运问题分析系统及其方法 | |
| Kang et al. | Global trade of South Korea in competitive products and their impact on regional dependence | |
| Khan et al. | [Retracted] Applications of Hesitant Interval Neutrosophic Linguistic Schweizer‐Sklar Power Aggregation Operators to MADM | |
| CN107357847A (zh) | 数据处理方法及其装置 | |
| Pan et al. | An analysis of bank service satisfaction based on quantile regression and grey relational analysis | |
| US11004156B2 (en) | Method and system for predicting and indexing probability of financial stress |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |