CN109858762A - 一种企业风险预测方法及装置 - Google Patents
一种企业风险预测方法及装置 Download PDFInfo
- Publication number
- CN109858762A CN109858762A CN201811639811.0A CN201811639811A CN109858762A CN 109858762 A CN109858762 A CN 109858762A CN 201811639811 A CN201811639811 A CN 201811639811A CN 109858762 A CN109858762 A CN 109858762A
- Authority
- CN
- China
- Prior art keywords
- enterprise
- basic data
- business
- information
- structuring
- 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
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000007635 classification algorithm Methods 0.000 claims abstract description 14
- 238000010801 machine learning Methods 0.000 claims abstract description 14
- 230000004048 modification Effects 0.000 claims abstract description 14
- 238000012986 modification Methods 0.000 claims abstract description 14
- 230000008859 change Effects 0.000 claims description 25
- 238000004519 manufacturing process Methods 0.000 claims description 6
- 238000007477 logistic regression Methods 0.000 claims description 5
- 230000004083 survival effect Effects 0.000 abstract description 3
- 238000003066 decision tree Methods 0.000 description 5
- 239000004566 building material Substances 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000003723 Smelting Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000003245 coal Substances 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 239000010985 leather Substances 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 238000005272 metallurgy Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 239000004033 plastic Substances 0.000 description 2
- 238000007639 printing Methods 0.000 description 2
- 238000009941 weaving Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种企业风险预测方法及装置，通过获取企业的基础数据，其中基础数据包括工商注册基本信息、行业信息、法务信息、变更信息以及与企业存在关联关系的关联企业的法务信息；将基础数据进行进行结构化处理，得到结构化的基础数据；读取结构化的基础数据，并对结构化的基础数据进行缺失值处理以及异常值处理，将进行缺失值处理以及异常值处理后的基础数据作为训练集；利用机器学习分类算法，对训练集进行训练得到预测模型；在预测阶段，获取待预测企业的基础数据，将待预测企业的基础数据输入到预测模型，得到待预测企业的风险概率；实现了企业风险的自动预测，帮助企业衡量、规避风险，提升企业的生存能力。
Description
技术领域
本发明涉及企业风险管控领域，尤其涉及一种企业风险预测方法及装置。
背景技术
目前，企业运营过程中，风险预测主要依据企业风险分析师或者管理者，依据以往工作经验以及市场环境等因素进行主观判断。这种方式主要依赖于分析人员的个人经验和能力，主观因素较大、标准不统一，且大多数企业并不具备这样的人员配备，因此对市场洞察力和企业风险预测能力不足。
在企业风险判断中，如果能够基于企业历史的数据，形成统一的规则实现对企业未来风险的预测，在金融行业将会形成一个非常重要的研究领域，因为这不仅有利于帮助企业衡量风险，在企业做出重大决定作为参考因素，还有利于降低企业人工成本。例如对企业风险的预判能够降低金融行业(比如银行)的贷款回收风险，或者对申请贷款的企业进行风险定价。
发明内容
本发明提供的一种企业风险预测方法及装置，主要解决的技术问题是：如何对企业风险实现自动预测。
为解决上述技术问题，本发明提供一种企业风险预测方法，包括：
获取企业的基础数据，所述基础数据包括工商注册基本信息、行业信息、法务信息、变更信息以及与所述企业存在关联关系的关联企业的法务信息；
将所述基础数据进行进行结构化处理，得到结构化的基础数据；
读取所述结构化的基础数据，并对所述结构化的基础数据进行缺失值处理以及异常值处理，将进行缺失值处理以及异常值处理后的基础数据作为训练集；
利用机器学习分类算法，对所述训练集进行训练得到预测模型；
在预测阶段，获取待预测企业的基础数据，将所述待预测企业的基础数据输入到所述预测模型，得到所述待预测企业的风险概率。
可选的，所述机器学习分类算法包括决策树、逻辑回归。
可选的，所述工商注册基本信息包括如下至少一种：注册号、注册名称、类型、法定代表人、注册资本、住所、营业期限自、营业期限至、核准日期、经营范围、经营状态、股东信息；
所述法务信息包括如下至少一种：失信被执行、裁判文书、执行；
所述变更信息包括如下至少一种：法定代表人的变更、注册基本的变更、经营范围的变更、股东的变更。
可选的，所述关联关系包括如下至少一种：
所述关联企业与所述企业之间，其中一方持有另一方的股份；
所述关联企业与所述企业两者同为第三者所拥有或控制；
所述关联企业与所述企业之间，其中一方的负债至少部分由另一方承担；
所述关联企业与所述企业之间，法定代表人或者董事或者至少部分股东相同；
所述关联企业与所述企业之间，其中一方的生产或销售由另一方控制。
本发明还提供一种企业风险预测装置，包括模型建立模块和风险预测模块；
所述模型建立模块包括：
第一获取子模块，用于获取企业的基础数据，所述基础数据包括工商注册基本信息、行业信息、法务信息、变更信息以及与所述企业存在关联关系的关联企业的法务信息；
结构化子模块，用于将所述基础数据进行进行结构化处理，得到结构化的基础数据；
数据处理子模块，用于读取所述结构化的基础数据，并对所述结构化的基础数据进行缺失值处理以及异常值处理，将进行缺失值处理以及异常值处理后的基础数据作为训练集；
训练子模块，用于利用机器学习分类算法，对所述训练集进行训练得到预测模型；
所述风险预测模块包括：
第二获取子模块，用于在预测阶段，获取待预测企业的基础数据；
风险预测子模块，用于将所述待预测企业的基础数据输入到所述预测模型，得到所述待预测企业的风险概率。
可选的，所述机器学习分类算法包括决策树、逻辑回归。
可选的，所述工商注册基本信息包括如下至少一种：注册号、注册名称、类型、法定代表人、注册资本、住所、营业期限自、营业期限至、核准日期、经营范围、经营状态、股东信息；
所述法务信息包括如下至少一种：失信被执行、裁判文书、执行；
所述变更信息包括如下至少一种：法定代表人的变更、注册基本的变更、经营范围的变更、股东的变更。
可选的，所述关联关系包括如下至少一种：
所述关联企业与所述企业之间，其中一方持有另一方的股份；
所述关联企业与所述企业两者同为第三者所拥有或控制；
所述关联企业与所述企业之间，其中一方的负债至少部分由另一方承担；
所述关联企业与所述企业之间，法定代表人或者董事或者至少部分股东相同；
所述关联企业与所述企业之间，其中一方的生产或销售由另一方控制。
本发明的有益效果是：
根据本发明提供的一种企业风险预测方法及装置，通过获取企业的基础数据，其中基础数据包括工商注册基本信息、行业信息、法务信息、变更信息以及与企业存在关联关系的关联企业的法务信息；将基础数据进行进行结构化处理，得到结构化的基础数据；读取结构化的基础数据，并对结构化的基础数据进行缺失值处理以及异常值处理，将进行缺失值处理以及异常值处理后的基础数据作为训练集；利用机器学习分类算法，对训练集进行训练得到预测模型；在预测阶段，获取待预测企业的基础数据，将待预测企业的基础数据输入到预测模型，得到待预测企业的风险概率；实现了企业风险的自动预测，在企业做出重大决定之前作为参考因素，帮助企业衡量、规避风险，提升企业的生存能力。
附图说明
图1为本发明实施例一的企业风险预测方法流程示意图；
图2为本发明实施例二的企业风险预测装置结构示意图。
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，下面通过具体实施方式结合附图对本发明作进一步详细说明。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。
实施例一：
为了解决当前在企业风险预测过程中，主要依赖分析人员或者管理者的主观判断，存在标准不统一、准确性参差不齐的问题，本实施例提供一种企业风险预测方法，基于企业历史基本数据，形成统一的预测标准，实现对企业风险的自动预测。准确性高，避免因分析人员能力不足导致预测结果不够准确，导致企业做出错误决定。
请参见图1，图1为本实施例的企业风险预测方法流程示意图，该方法包括：
S101、获取企业的基础数据，基础数据包括工商注册基本信息、行业信息、法务信息、变更信息以及与该企业存在关联关系的关联企业的法务信息。
工商注册基本信息包括如下至少一种：注册号、注册名称、类型、法定代表人、注册资本、住所、营业期限自、营业期限至、核准日期、经营范围、经营状态、股东信息。
行业信息可以分为如下多类：(1)党政机关、社会团体；(2)新闻、出版、科教、文体；(3)金融、保险、开发、涉外；(4)广告、会展、商务、咨询；(5)信息产业；(6)交通、物流、交运设备；(7)城建房产、水电煤、建筑建材；(8)工业；(9)轻工业、手工业、日用品；(10)批零、外贸、物资调剂、市场；(11)旅游、餐饮、娱乐、休闲；(12)医疗、药品、器械、保健品；(13)日常服务；(14)农业、水利、采矿；(15)数据库专用；(16)新闻、出版、科研、教育；(17)旅游、餐饮、娱乐、休闲、购物；(18)家具、生活用品、食品；(19)钟表眼镜、工艺品、礼品；(20)医疗保健、社会福利；(21)金融、保险、证券、投资；(22)广告、会展、商务办公、咨询业；(23)通信、邮政、计算机、网络；(24)交通物流、运输设备；(25)城建、房产、建材、装潢；(26)贸易、批发、市场；(27)纺织、皮革、服装、鞋帽；(28)造纸、纸品、印刷、包装；(29)石油化工、橡胶塑料；(30)电子电器、仪器仪表；(31)机械设备、通用零部件；(32)冶金冶炼、金属及非金属制品；(33)农林牧渔。
法务信息包括如下至少一种：失信被执行、裁判文书、执行。
变更信息包括如下至少一种：法定代表人的变更、注册基本的变更、经营范围的变更、股东的变更。
关联关系包括如下至少一种：
1)关联企业与企业之间，其中一方持有另一方的股份。
2)关联企业与所述企业两者同为第三者所拥有或控制。
3)关联企业与所述企业之间，其中一方的负债至少部分由另一方承担。
4)关联企业与所述企业之间，法定代表人或者董事或者至少部分股东相同。
5)关联企业与所述企业之间，其中一方的生产或销售由另一方控制。
S102、将基础数据进行进行结构化处理，得到结构化的基础数据。
对基础数据进行结构化处理的方式可以采用现有任意方式，本实施例对此不做限制。
S103、读取结构化的基础数据，并对结构化的基础数据进行缺失值处理以及异常值处理，将进行缺失值处理以及异常值处理后的基础数据作为训练集。
S104、利用机器学习分类算法，对训练集进行训练得到预测模型。
其中，机器学习分类算法可以采用决策树、逻辑回归等算法。当然，也可以采用其他算法训练预测模型。
S105、在预测阶段，获取待预测企业的基础数据，将待预测企业的基础数据输入到预测模型，得到所述待预测企业的风险概率。
在预测模型建立完成后，当需要对相应的企业(待预测企业)进行风险预测时，可以获取待预测企业的基础数据，包括但不限于工商注册基本信息、行业信息、法务信息、变更信息以及与该待预测企业存在关联关系的关联企业的法务信息等，将该待预测企业的基础数据输入到建立好的预测模型中，即可得到该待预测企业的风险概率。
例如，预测模型为决策树模型，将待预测企业的基础数据输入到该决策树模型中，按照各个节点依次进行判断，确定该待预测企业最终所落入哪一个子节点中，该子节点的风险概率，即为该待预测企业的风险概率。
为了更好地理解本发明，下面结合的具体的示例进行说明：
根据本实施例提供的企业风险预测方法，通过获取企业的基础数据，其中基础数据包括工商注册基本信息、行业信息、法务信息、变更信息以及与企业存在关联关系的关联企业的法务信息；将基础数据进行进行结构化处理，得到结构化的基础数据；读取结构化的基础数据，并对结构化的基础数据进行缺失值处理以及异常值处理，将进行缺失值处理以及异常值处理后的基础数据作为训练集；利用机器学习分类算法，对训练集进行训练得到预测模型；在预测阶段，获取待预测企业的基础数据，将待预测企业的基础数据输入到预测模型，得到待预测企业的风险概率；实现了企业风险的自动预测，在企业做出重大决定之前作为参考因素，帮助企业衡量、规避风险，提升企业的生存能力。
实施例二：
本实施例在实施例一的基础上，提供一种企业风险预测装置，用于实现上述实施例一所述的企业风险预测方法的步骤，请参见图2，图2为本实施例提供的一种企业风险预测装置的结构示意图，该企业风险预测装置20包括模型建立模块21和风险预测模块22；其中模型建立模块21包括第一获取子模块211、结构化子模块212、数据处理子模块213、训练子模块214；风险预测模块22包括第二获取子模块221、风险预测子模块222。
其中，第一获取子模块211用于获取企业的基础数据，基础数据包括工商注册基本信息、行业信息、法务信息、变更信息以及与该企业存在关联关系的关联企业的法务信息。
工商注册基本信息包括如下至少一种：注册号、注册名称、类型、法定代表人、注册资本、住所、营业期限自、营业期限至、核准日期、经营范围、经营状态、股东信息。
行业信息可以分为如下多类：(1)党政机关、社会团体；(2)新闻、出版、科教、文体；(3)金融、保险、开发、涉外；(4)广告、会展、商务、咨询；(5)信息产业；(6)交通、物流、交运设备；(7)城建房产、水电煤、建筑建材；(8)工业；(9)轻工业、手工业、日用品；(10)批零、外贸、物资调剂、市场；(11)旅游、餐饮、娱乐、休闲；(12)医疗、药品、器械、保健品；(13)日常服务；(14)农业、水利、采矿；(15)数据库专用；(16)新闻、出版、科研、教育；(17)旅游、餐饮、娱乐、休闲、购物；(18)家具、生活用品、食品；(19)钟表眼镜、工艺品、礼品；(20)医疗保健、社会福利；(21)金融、保险、证券、投资；(22)广告、会展、商务办公、咨询业；(23)通信、邮政、计算机、网络；(24)交通物流、运输设备；(25)城建、房产、建材、装潢；(26)贸易、批发、市场；(27)纺织、皮革、服装、鞋帽；(28)造纸、纸品、印刷、包装；(29)石油化工、橡胶塑料；(30)电子电器、仪器仪表；(31)机械设备、通用零部件；(32)冶金冶炼、金属及非金属制品；(33)农林牧渔。
法务信息包括如下至少一种：失信被执行、裁判文书、执行。
变更信息包括如下至少一种：法定代表人的变更、注册基本的变更、经营范围的变更、股东的变更。
关联关系包括如下至少一种：
1)关联企业与企业之间，其中一方持有另一方的股份。
2)关联企业与所述企业两者同为第三者所拥有或控制。
3)关联企业与所述企业之间，其中一方的负债至少部分由另一方承担。
4)关联企业与所述企业之间，法定代表人或者董事或者至少部分股东相同。
5)关联企业与所述企业之间，其中一方的生产或销售由另一方控制。
结构化子模块212用于将基础数据进行进行结构化处理，得到结构化的基础数据。
数据处理子模块213用于读取结构化的基础数据，并对结构化的基础数据进行缺失值处理以及异常值处理，将进行缺失值处理以及异常值处理后的基础数据作为训练集。
训练子模块214用于利用机器学习分类算法，对训练集进行训练得到预测模型。
第二获取子模块221用于在预测阶段，获取待预测企业的基础数据。
风险预测子模块222用于将待预测企业的基础数据输入到预测模型，得到待预测企业的风险概率。
显然，本领域的技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在计算机存储介质(ROM/RAM、磁碟、光盘)中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。所以，本发明不限制于任何特定的硬件和软件结合。
以上内容是结合具体的实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。
Claims (8)
1.一种企业风险预测方法，其特征在于，所述企业风险预测方法包括：
获取企业的基础数据，所述基础数据包括工商注册基本信息、行业信息、法务信息、变更信息以及与所述企业存在关联关系的关联企业的法务信息；
将所述基础数据进行进行结构化处理，得到结构化的基础数据；
读取所述结构化的基础数据，并对所述结构化的基础数据进行缺失值处理以及异常值处理，将进行缺失值处理以及异常值处理后的基础数据作为训练集；
利用机器学习分类算法，对所述训练集进行训练得到预测模型；
在预测阶段，获取待预测企业的基础数据，将所述待预测企业的基础数据输入到所述预测模型，得到所述待预测企业的风险概率。
2.如权利要求1所述的企业风险预测方法，其特征在于，所述机器学习分类算法包括决策树、逻辑回归。
3.如权利要求1所述的企业风险预测方法，其特征在于，所述工商注册基本信息包括如下至少一种：注册号、注册名称、类型、法定代表人、注册资本、住所、营业期限自、营业期限至、核准日期、经营范围、经营状态、股东信息；
所述法务信息包括如下至少一种：失信被执行、裁判文书、执行；
所述变更信息包括如下至少一种：法定代表人的变更、注册基本的变更、经营范围的变更、股东的变更。
4.如权利要求1-3任一项所述的企业风险预测方法，其特征在于，所述关联关系包括如下至少一种：
所述关联企业与所述企业之间，其中一方持有另一方的股份；
所述关联企业与所述企业两者同为第三者所拥有或控制；
所述关联企业与所述企业之间，其中一方的负债至少部分由另一方承担；
所述关联企业与所述企业之间，法定代表人或者董事或者至少部分股东相同；
所述关联企业与所述企业之间，其中一方的生产或销售由另一方控制。
5.一种企业风险预测装置，其特征在于，所述企业风险预测装置包括模型建立模块和风险预测模块；
所述模型建立模块包括：
第一获取子模块，用于获取企业的基础数据，所述基础数据包括工商注册基本信息、行业信息、法务信息、变更信息以及与所述企业存在关联关系的关联企业的法务信息；
结构化子模块，用于将所述基础数据进行进行结构化处理，得到结构化的基础数据；
数据处理子模块，用于读取所述结构化的基础数据，并对所述结构化的基础数据进行缺失值处理以及异常值处理，将进行缺失值处理以及异常值处理后的基础数据作为训练集；
训练子模块，用于利用机器学习分类算法，对所述训练集进行训练得到预测模型；
所述风险预测模块包括：
第二获取子模块，用于在预测阶段，获取待预测企业的基础数据；
风险预测子模块，用于将所述待预测企业的基础数据输入到所述预测模型，得到所述待预测企业的风险概率。
6.如权利要求6所述的企业风险预测装置，其特征在于，所述机器学习分类算法包括决策树、逻辑回归。
7.如权利要求6所述的企业风险预测装置，其特征在于，所述工商注册基本信息包括如下至少一种：注册号、注册名称、类型、法定代表人、注册资本、住所、营业期限自、营业期限至、核准日期、经营范围、经营状态、股东信息；
所述法务信息包括如下至少一种：失信被执行、裁判文书、执行；
所述变更信息包括如下至少一种：法定代表人的变更、注册基本的变更、经营范围的变更、股东的变更。
8.如权利要求5-7任一项所述的企业风险预测装置，其特征在于，所述所述关联关系包括如下至少一种：
所述关联企业与所述企业之间，其中一方持有另一方的股份；
所述关联企业与所述企业两者同为第三者所拥有或控制；
所述关联企业与所述企业之间，其中一方的负债至少部分由另一方承担；
所述关联企业与所述企业之间，法定代表人或者董事或者至少部分股东相同；
所述关联企业与所述企业之间，其中一方的生产或销售由另一方控制。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811639811.0A CN109858762A (zh) | 2018-12-29 | 2018-12-29 | 一种企业风险预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811639811.0A CN109858762A (zh) | 2018-12-29 | 2018-12-29 | 一种企业风险预测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109858762A true CN109858762A (zh) | 2019-06-07 |
Family
ID=66893266
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811639811.0A Pending CN109858762A (zh) | 2018-12-29 | 2018-12-29 | 一种企业风险预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109858762A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110458324A (zh) * | 2019-07-04 | 2019-11-15 | 重庆金融资产交易所有限责任公司 | 风险概率的计算方法、装置和计算机设备 |
| CN110674970A (zh) * | 2019-08-19 | 2020-01-10 | 广州荔支网络技术有限公司 | 企业法务风险预警方法、装置、设备及可读存储介质 |
| CN110930250A (zh) * | 2020-02-12 | 2020-03-27 | 成都数联铭品科技有限公司 | 企业信用风险的预测方法及系统、存储介质及电子设备 |
| CN111126676A (zh) * | 2019-12-05 | 2020-05-08 | 北京明略软件系统有限公司 | 一种公司经营风险预测的方法、装置及设备 |
| CN111191853A (zh) * | 2020-01-06 | 2020-05-22 | 支付宝(杭州)信息技术有限公司 | 风险预测方法及装置、风险查询方法及装置 |
| CN111460312A (zh) * | 2020-06-22 | 2020-07-28 | 上海冰鉴信息科技有限公司 | 空壳企业识别方法、装置及计算机设备 |
| CN111915155A (zh) * | 2020-07-13 | 2020-11-10 | 上海冰鉴信息科技有限公司 | 小微企业风险等级识别方法、装置及计算机设备 |
| CN112286986A (zh) * | 2020-10-14 | 2021-01-29 | 北京乾唐伟业科技股份公司 | 一种基于企业族谱的产权分析管理系统 |
| CN112541698A (zh) * | 2020-12-22 | 2021-03-23 | 北京中数智汇科技股份有限公司 | 基于企业外部特征识别企业风险的方法和系统 |
| WO2021232588A1 (zh) * | 2020-05-21 | 2021-11-25 | 平安国际智慧城市科技股份有限公司 | 食品安全风险评估方法、装置、设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105913195A (zh) * | 2016-04-29 | 2016-08-31 | 浙江汇信科技有限公司 | 基于全行业数据的企业金融风险评分方法 |
| CN106203808A (zh) * | 2016-07-01 | 2016-12-07 | 中国民生银行股份有限公司 | 企业信用风险评估方法和装置 |
| 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 |
| 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
- 2018-12-29 CN CN201811639811.0A patent/CN109858762A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105913195A (zh) * | 2016-04-29 | 2016-08-31 | 浙江汇信科技有限公司 | 基于全行业数据的企业金融风险评分方法 |
| CN106203808A (zh) * | 2016-07-01 | 2016-12-07 | 中国民生银行股份有限公司 | 企业信用风险评估方法和装置 |
| 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 |
| 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 |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110458324A (zh) * | 2019-07-04 | 2019-11-15 | 重庆金融资产交易所有限责任公司 | 风险概率的计算方法、装置和计算机设备 |
| CN110458324B (zh) * | 2019-07-04 | 2023-07-25 | 赣州市银税之家企业服务有限公司 | 风险概率的计算方法、装置和计算机设备 |
| CN110674970A (zh) * | 2019-08-19 | 2020-01-10 | 广州荔支网络技术有限公司 | 企业法务风险预警方法、装置、设备及可读存储介质 |
| CN111126676A (zh) * | 2019-12-05 | 2020-05-08 | 北京明略软件系统有限公司 | 一种公司经营风险预测的方法、装置及设备 |
| CN111191853A (zh) * | 2020-01-06 | 2020-05-22 | 支付宝(杭州)信息技术有限公司 | 风险预测方法及装置、风险查询方法及装置 |
| CN111191853B (zh) * | 2020-01-06 | 2022-07-15 | 支付宝(杭州)信息技术有限公司 | 风险预测方法及装置、风险查询方法及装置 |
| CN110930250A (zh) * | 2020-02-12 | 2020-03-27 | 成都数联铭品科技有限公司 | 企业信用风险的预测方法及系统、存储介质及电子设备 |
| WO2021232588A1 (zh) * | 2020-05-21 | 2021-11-25 | 平安国际智慧城市科技股份有限公司 | 食品安全风险评估方法、装置、设备及存储介质 |
| CN111460312A (zh) * | 2020-06-22 | 2020-07-28 | 上海冰鉴信息科技有限公司 | 空壳企业识别方法、装置及计算机设备 |
| CN111915155A (zh) * | 2020-07-13 | 2020-11-10 | 上海冰鉴信息科技有限公司 | 小微企业风险等级识别方法、装置及计算机设备 |
| CN112286986B (zh) * | 2020-10-14 | 2021-08-03 | 北京乾唐伟业科技股份公司 | 一种基于企业族谱的产权分析管理系统 |
| CN112286986A (zh) * | 2020-10-14 | 2021-01-29 | 北京乾唐伟业科技股份公司 | 一种基于企业族谱的产权分析管理系统 |
| CN112541698A (zh) * | 2020-12-22 | 2021-03-23 | 北京中数智汇科技股份有限公司 | 基于企业外部特征识别企业风险的方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109858762A (zh) | 一种企业风险预测方法及装置 | |
| CN109670724A (zh) | 风险评估方法及装置 | |
| Pettersson et al. | Aid, aid for trade, and bilateral trade: An empirical study | |
| Brown et al. | The Dow theory: William Peter Hamilton's track record reconsidered | |
| CN109858761A (zh) | 企业风险预估方法及装置 | |
| Kumar et al. | Data mining and machine learning in retail business: developing efficiencies for better customer retention | |
| CN107851283A (zh) | 投资证券的综合投资组合的分割和分层 | |
| Matilla-García* et al. | A hybrid approach based on neural networks and genetic algorithms to the study of profitability in the spanish stock market | |
| von Braun et al. | AI/Robotics and the Poor | |
| Nguyen et al. | Do Changes in the Exchange Rate Have an Asymmetric Effect on the Trade Balance between Vietnam and Japan? | |
| Behrer et al. | The impact of institutional and land use change on local incomes in Chilean Patagonia | |
| Mollov | Strategic supply chain management with the balanced scorecard | |
| Owasi et al. | Investigating the role of institutional frameworks in food waste reduction at the retailer interface in the European Union | |
| CN110276634A (zh) | 产品价值估算方法、装置及计算机可读存储介质 | |
| Alekseyenko Lyudmyla Mykhaylivna | Correction of Interaction in the Conditions of the Establishment of Digital Economy. | |
| Omidvar et al. | Advanced decision support systems for managers | |
| Charemza et al. | Plans and exogeneity: the genetic-teleological dispute revisited | |
| Westerman | Cash management organisation decision-making: economics, strategy and operations | |
| Cristescu et al. | The Role of Big Data Analytics in Increasing Competitiveness | |
| Yu | RFID Tag Trajectory Tracking Algorithm for International Export of Agricultural Products based on Information Sharing Platform | |
| Serbaya | Facility location decision for global entrepreneurial small-to-medium enterprises using similarity coefficient-based clustering algorithms | |
| García-Flores et al. | Tuning inventory policy parameters in a small chemical company | |
| Gumzej et al. | E-Governance | |
| Sabu | CONSUMER ADOPTION OF DIGITAL PAYMENT SYSTEMS: A LITERATURE REVIEW | |
| Rozumovych | INTERNATIONAL FINANCIAL MANAGEMENT: CHALLENGES OF OUR TIME |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20191112 Address after: 400042 No.51 dapingzheng street, Yuzhong District, Chongqing Applicant after: CHONGQING TELECOMMUNICATION SYSTEM INTEGRATION CO.,LTD. Applicant after: CHONGQING SOCIALCREDITS BIG DATA TECHNOLOGY CO.,LTD. Address before: The middle section of Mount Huangshan road 401121 Chongqing city Yubei District No. 53 of No. 2 C block 9 layer kylin Applicant before: CHONGQING SOCIALCREDITS BIG DATA TECHNOLOGY CO.,LTD. |
|
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190607 |