CN109948932A - 基于大数据的风险监控分析系统 - Google Patents
基于大数据的风险监控分析系统 Download PDFInfo
- Publication number
- CN109948932A CN109948932A CN201910213580.5A CN201910213580A CN109948932A CN 109948932 A CN109948932 A CN 109948932A CN 201910213580 A CN201910213580 A CN 201910213580A CN 109948932 A CN109948932 A CN 109948932A
- Authority
- CN
- China
- Prior art keywords
- risk
- module
- information
- data
- credit
- 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
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于大数据的风险监控分析系统，包括大数据采集模块和信息分类模块；所述大数据采集模块将信息从服务器获取并传递至信息分类模块，分类评估模块通过评估要素模块从大数据采集模块获得的信息对信息分类模块进行评估，风险预估模块将结果信息交由风险评定模块进行等级划分并将数据传递至风险动态评估模块动态监测，风险警示模块根据参数的设置将数据传输至数据展示模块对系统进行风险监控；本发明从最初的数据获取到分类再到风险评定和动态的监控，最后做出警示的全过程是具体和详细的，并且包含了大部分的数据样本，使风险的监控更加准确和有效，避免了风险的持续发生和不可挽回的局面。
Description
技术领域
本发明涉及风险监控技术领域，具体的是一种基于大数据的风险监控分析系统。
背景技术
风险监控分析系统是根据所研究对象的特点，通过收集相关的资料信息，监控风险因素的变动趋势，并评价各种风险状态偏离预警线的强弱程度，向决策层发出预警信号并提前采取预控对策的系统。因此，要构建监控系统必须先构建评价指标体系，并对指标类别加以分析处理；其次，依据监控预警的模型，对评价指标体系进行综合评判；最后，依据评判结果设置预警区间，并采取相应对策，风险的监控是降低风险最有效的方式，企业风险的发生大多不是爆发性的，是阶段性的和可预判性的。
目前风险监控系统以预警系统为基础对可能出现的风险的存在方式给定特定值，超过风险的部分进行预警和采取措施，这种预警方式往往已经造成了部分的损失，并且这种损失是不可挽回的，因此，如何改善风险监控系统的大数据的获取方式和分类细节，使其对于公开的大数据信息进行充分的获取和具体的分类，并且这种分类进行了重复的筛选和精确的取值，还需要通过动态的数据实时的对风险数据进行更新和重新计算风险，当风险达到预定的分析风险值时需要作出提示的动作，警示风险的存在和风险的大小，并且预估未来可能的风险是本发明需要解决的问题。
发明内容
本发明的目的在于提供基于大数据的风险监控分析系统。
本发明所解决的技术问题为：
1)信息分类所采用的算法组成和具体的分类方式；
2)评估风险的具体要素有哪些，是如何通过数据获取的；
3)风险监控的动态数据变化的方式和其获取的方式。
本发明的目的可以通过以下技术方案实现：
基于大数据的风险监控分析系统，包括大数据采集模块、信息分类模块、分类评估模块、评估要素模块、风险预估模块、风险评定模块、风险对比对模块、风险动态评估模块、风险警示模块和数据展示模块；所述大数据采集模块将收集的数据信息分别传递到信息分类模块和风险动态评估模块，将收集的风险信息传递至评估要素模块，信息分类模块将数据分为信用、债务和资产信息传递至分类评估模块，分类评估模块结合评估要素模块的信息进行风险评估，并将风险评估信息传递至风险预估模块，风险预估模块将计算出的风险值信息传递至风险评定模块进行确认，确认的风险评定信息通过风险对比模块的数据对比将信息传递至风险动态评估模块，风险动态评估模块将动态的风险传递至风险警示模块和反馈模块，风险警示模块通过设置的警示值传递至数据展示模块，反馈模块将动态信息反馈到信息分类模块重新进行风险评定；
其中，所述信息分类模块将大数据采集的信息分为信用信息模块、负债信息模块和资产信息模块，大数据信息通过决策树和逻辑回归相结合的分类方式，首先通过决策树的分类方式将信用、负债和资产信息做纯粹的划分，再通过逻辑回归的方式将信用、负债和资产信息中的重合部分做具体的归类，信息分类模块的分类过程如下：
步骤一、决策树通过算法公式Gain_ratio(X)＝Gain(X)/Split_Infox(X)，得到所需要的数据主值，数据主值的式中，Split_Infox(X)＝-SUM((|T|/|Ti|))*LOG(|Ti|/|T|)，Gain(X)＝Info(X)-Infox(X)，Info(X)＝-SUM(P*LOG(P)),P＝freq(Cj,S)/|S|，Infox(X)＝SUM((|Ti|/|T|)*Info(X))，其中，Gain(X)是数据副值的结果算法，Info(X)和P是求j从1到n的和，j为标记，通过这样的数据主值将信用信息、负债信息和资产信息分类，单独成为信用树、负债树和资产树；
所述信用树通过采集信用发生的总数和履行数作为数据样本，信用树分类为债务信用(标记为Ai)、诉讼信用(标记为Bi)、用工信用(标记为Ci)、税务信用(标记为Di)和关联信用(标记为Ei)；
所述负债树通过采集负债的总额和种类作为数据样本，负债树分类为银行负债(标记为Fi)、股东负债(标记为Gi)、抵押负债(标记为Hi)和信用负债(标记为Ii)；
所述资产树通过固定资产和流动资产作为数据样本，资产树分类为建筑资产(标记为Ji)、设备资产(标记为Ki)、银行资产(标记为Li)和债券资产(标记为Mi)；
步骤二、逻辑回归对步骤一进行的具体分类做因果关系的认定和全数据的整合，通过训练找到逻辑回归对于分类树和子分类树的回归系数，然后带入一组分类树进行校验，再做全部的模型检验X2，X2是输入的变量能够解释目标变量的百分比，X2数值越大模型拟合越好；
所述信用树采用分类值变量，列出划分为五个子集的全部可能组合，计算每种组合下生成子节点的异质性，找到使异质性减小程度最大的组合作为最佳划分点，将债务信用、诉讼信用、用工信用、税务信用和关联信用中的相同部分区别并保留在重复的信用数据只在一个信用子树中；
所述债务树采用数量值变量，对记录的值从小到大排序，计算每一个值作为临界点产生的子节点的异质性统计量，异质性减小程度最大的临界值便是最佳的划分点，将银行负债、股东负债、低压负债和信用负债中的相同部分区别并保留在重复的负债数据只在一个负债子树中；
所述资产树采用分类值变量，列出划分为四个子集的全部可能组合，计算每种组合下生成子节点的异质性，找到使异质性减小程度最大的组合作为最佳划分点，将建筑资产、设备资产、银行资产和债券资产中的相同部分区别并保留在重复的信用资产只在一个资产子树中；决策树和逻辑回归的方式先后的顺序使决策树的算法首先对数据进行详细的划分，划分完成后再通过逻辑回归的方式对整体的决策树细分的类别进行整合和去重复，使大数据获取的复杂信息具体和附有逻辑；
其中，所述评估要素模块将从大数据获取的数据信息进行分类和统计分为被诉讼案件占比、股东信息变更次数、资产负债率趋势、资质信息级别占比、税务信息异常占比和政策福利享有次数的六大种类；
所述被诉讼占比、资质信息级别占比和税务信息异常占比通过求和占比公式计算得到，其中，m小于等于n，b小于等于c，被诉讼占比中的主动诉讼不计入总数，资质信息级别以最高级别的占比为依据，税务信息异常占比中对下达补交通知书的双倍计入总数；
所述股东信息变更次数和政策福利享有次数通过求和公式计算得到，股东信息变更次数以等级信息为依据，政策福利享受次数以实际享有的发生为依据；
所述资产负债率趋势通过年度资产负债表数据进行以年为单位线性函数的趋势表示，年内以月为单位对资产负债表的月份数据进行以月为单位线性函数的趋势表示。
作为本发明进一步的方案，所述大数据采集模块通过筛选获取关于企业发布的全部信息，连接政府职能部门的信息公开数据和银行系统、税务系统的全覆盖的公开信息数据，并且通过标记ABCDEFGHIJKLM的变量的方式传递至信息分类模块中对应的子模块中。
作为本发明进一步的方案，所述风险对比模块将风险评估模块评估的风险进行相互之间的比对，和与之性质相同的数据进行决策树的比对，对比对的结果进行重新整理和风险值的计算。
作为本发明进一步的方案，所述风险预估模块将风险对比模块的风险计算值进行评估，评估通过对大数据中的决策树和子决策树进行单独的分析到两两组合分析，再到三个组合分析，依次升序进行分析，到最后的全部数据的整体分析评估，将分析评估的单独到全部的所有值取平均值，得到最终的预估值。
作为本发明进一步的方案，所述风险评定模块是对风险预估模块的预估值进行细化，细化后的风险预估值与存在系统中进行过风险预估的企业进行自身数据的对比，进而对新的风险进行检查和评定。
作为本发明进一步的方案，所述风险动态评估模块采用可变的量Xi对进行中的数据进行实时的更新，更新的数据通过反馈模块重新提交到信息分类模块中进行第二次的数据分析和风险的评估，风险动态评估模块从大数据模块中获取变化的公开数据信息同样通过反馈模块传递至信息分类模块中，风险动态评估模块将动态的信息传递至风险警示模块，通过评定的风险进行实时的监控；风险评估要素模块的六大种类的覆盖信息使企业的风险值更加具有参考价值和保持数据的多样性，多样性的数据在进行风险评估保证评估值的准确和不具有偏向性，也不会因为某项数据的负面影响导致风险的评估和监控出现异常。
作为本发明进一步的方案，所述风险警示模块中预设置有风险警示的条件参数，当风险警示模块中风险评定值在20％-25％之间超过两倍时，提示预警，当风险警示模块中风险平定值在10％-20％之间超过2.5倍时，提示预警，当风险警示模块中风险评定值在5％-10％之间超过三倍时，提示预警，当风险警示模块中风险评定值小于5％超过四倍时，提示预警，并且预警信息通过数据展示模块显示。
作为本发明进一步的方案，所述反馈模块将风险动态评估模块中的监测数据进行筛选，对于该风险监控企业关联度大于1的数据值传送至数据分类模块，对于该风险监控企业关联度小于1的数据进行数据的暂存，当数个关联度小于1的数据之和大于等于1时，将该数据传递至数据分类模块中。
作为本发明进一步的方案，所述数据展示模块通过数字可视化的方式，将决策树分类成的债务信用、诉讼信用、用工信用、税务信用、关联信用、银行负债、挂东负债、低压负债、信用负债、建筑资产、设备资产、银行资产和债券资产分类并显示其风险评定值以及动态变化的区间。
本发明的有益效果：
1、该基于大数据的风险监控分析系统通过大数据的准确的分类成信用信息、负债信息和资产信息的全覆盖数据，获得企业公开的所有信息，通过信息的具体分类使大数据展示出与各个方面相关的数据情况，在做风险评估的过程中不会只看到哪一方面或者一项的数据，从整体上的数据关联性降低风险的存在，并且可以对已知的风险做全面的监控，布局和计划分步骤进行，进行有效的风险控制。
2、细化动态的变量值在大数据的检索筛选中目的明确，简洁快速，使采集响应更加迅速；决策树和逻辑回归的方式先后的顺序使决策树的算法首先对数据进行详细的划分，划分完成后再通过逻辑回归的方式对整体的决策树细分的类别进行整合和去重复，使大数据获取的复杂信息具体和附有逻辑性；风险评估要素模块的六大种类的覆盖信息使企业的风险值更加具有参考价值和保持数据的多样性，多样性的数据在进行风险评估保证评估值的准确和不具有偏向性，也不会因为某项数据的负面影响导致风险的评估和监控出现异常。
3、本发明从最初的数据获取到分类再到风险评定和动态的监控，最后做出警示的全过程是具体和详细的，并且包含了大部分的数据样本，使风险的监控更加准确和有效，避免了风险的持续发生和不可挽回的局面。
附图说明
下面结合附图对本发明作进一步的说明。
图1是本发明主体模块传递示意图。
图2是本发明评估要素模块构成示意图。
具体实施方式
下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1和图2所示，本发明为基于大数据的风险监控分析系统，包括大数据采集模块、信息分类模块、分类评估模块、评估要素模块、风险预估模块、风险评定模块、风险对比对模块、风险动态评估模块、风险警示模块和数据展示模块；所述大数据采集模块将收集的数据信息分别传递到信息分类模块和风险动态评估模块，将收集的风险信息传递至评估要素模块，信息分类模块将数据分为信用、债务和资产信息传递至分类评估模块，分类评估模块结合评估要素模块的信息进行风险评估，并将风险评估信息传递至风险预估模块，风险预估模块将计算出的风险值信息传递至风险评定模块进行确认，确认的风险评定信息通过风险对比模块的数据对比将信息传递至风险动态评估模块，风险动态评估模块将动态的风险传递至风险警示模块和反馈模块，风险警示模块通过设置的警示值传递至数据展示模块，反馈模块将动态信息反馈到信息分类模块重新进行风险评定；
其中，所述信息分类模块将大数据采集的信息分为信用信息模块、负债信息模块和资产信息模块，大数据信息通过决策树和逻辑回归相结合的分类方式，首先通过决策树的分类方式将信用、负债和资产信息做纯粹的划分，再通过逻辑回归的方式将信用、负债和资产信息中的重合部分做具体的归类，信息分类模块的分类过程如下：
步骤一、决策树通过算法公式Gain_ratio(X)＝Gain(X)/Split_Infox(X)，得到所需要的数据主值，数据主值的式中，Split_Infox(X)＝-SUM((|T|/|Ti|))*LOG(|Ti|/|T|)，Gain(X)＝Info(X)-Infox(X)，Info(X)＝-SUM(P*LOG(P)),P＝freq(Cj,S)/|S|，Infox(X)＝SUM((|Ti|/|T|)*Info(X))，其中，Gain(X)是数据副值的结果算法，Info(X)和P是求j从1到n的和，j为标记，通过这样的数据主值将信用信息、负债信息和资产信息分类，单独成为信用树、负债树和资产树；
所述信用树通过采集信用发生的总数和履行数作为数据样本，信用树分类为债务信用(标记为Ai)、诉讼信用(标记为Bi)、用工信用(标记为Ci)、税务信用(标记为Di)和关联信用(标记为Ei)；
所述负债树通过采集负债的总额和种类作为数据样本，负债树分类为银行负债(标记为Fi)、股东负债(标记为Gi)、抵押负债(标记为Hi)和信用负债(标记为Ii)；
所述资产树通过固定资产和流动资产作为数据样本，资产树分类为建筑资产(标记为Ji)、设备资产(标记为Ki)、银行资产(标记为Li)和债券资产(标记为Mi)；
步骤二、逻辑回归对步骤一进行的具体分类做因果关系的认定和全数据的整合，通过训练找到逻辑回归对于分类树和子分类树的回归系数，然后带入一组分类树进行校验，再做全部的模型检验X2，X2是输入的变量能够解释目标变量的百分比，X2数值越大模型拟合越好；
所述信用树采用分类值变量，列出划分为五个子集的全部可能组合，计算每种组合下生成子节点的异质性，找到使异质性减小程度最大的组合作为最佳划分点，将债务信用、诉讼信用、用工信用、税务信用和关联信用中的相同部分区别并保留在重复的信用数据只在一个信用子树中；
所述债务树采用数量值变量，对记录的值从小到大排序，计算每一个值作为临界点产生的子节点的异质性统计量，异质性减小程度最大的临界值便是最佳的划分点，将银行负债、股东负债、低压负债和信用负债中的相同部分区别并保留在重复的负债数据只在一个负债子树中；
所述资产树采用分类值变量，列出划分为四个子集的全部可能组合，计算每种组合下生成子节点的异质性，找到使异质性减小程度最大的组合作为最佳划分点，将建筑资产、设备资产、银行资产和债券资产中的相同部分区别并保留在重复的信用资产只在一个资产子树中；
其中，所述评估要素模块将从大数据获取的数据信息进行分类和统计分为被诉讼案件占比、股东信息变更次数、资产负债率趋势、资质信息级别占比、税务信息异常占比和政策福利享有次数的六大种类；
所述被诉讼占比、资质信息级别占比和税务信息异常占比通过求和占比公式计算得到，其中，m小于等于n，b小于等于c，被诉讼占比中的主动诉讼不计入总数，资质信息级别以最高级别的占比为依据，税务信息异常占比中对下达补交通知书的双倍计入总数；
所述股东信息变更次数和政策福利享有次数通过求和公式计算得到，股东信息变更次数以等级信息为依据，政策福利享受次数以实际享有的发生为依据；
所述资产负债率趋势通过年度资产负债表数据进行以年为单位线性函数的趋势表示，年内以月为单位对资产负债表的月份数据进行以月为单位线性函数的趋势表示。通过大数据的准确的分类成信用信息、负债信息和资产信息的全覆盖数据，获得企业公开的所有信息，通过信息的具体分类使大数据展示出与各个方面相关的数据情况，在做风险评估的过程中不会只看到哪一方面或者一项的数据，从整体上的数据关联性降低风险的存在，并且可以对已知的风险做全面的监控，布局和计划分步骤进行，进行有效的风险控制。
优选的，所述大数据采集模块通过筛选获取关于企业发布的全部信息，连接政府职能部门的信息公开数据和银行系统、税务系统的全覆盖的公开信息数据，并且通过标记ABCDEFGHIJKLM的变量的方式传递至信息分类模块中对应的子模块中，细化动态的变量值在大数据的检索筛选中目的明确，简洁快速，使采集响应更加迅速。
优选的，所述风险对比模块将风险评估模块评估的风险进行相互之间的比对，和与之性质相同的数据进行决策树的比对，对比对的结果进行重新整理和风险值的计算。
优选的，所述风险预估模块将风险对比模块的风险计算值进行评估，评估通过对大数据中的决策树和子决策树进行单独的分析到两两组合分析，再到三个组合分析，依次升序进行分析，到最后的全部数据的整体分析评估，将分析评估的单独到全部的所有值取平均值，得到最终的预估值。
优选的，所述风险评定模块是对风险预估模块的预估值进行细化，细化后的风险预估值与存在系统中进行过风险预估的企业进行自身数据的对比，进而对新的风险进行检查和评定。
优选的，所述风险动态评估模块采用可变的量Xi对进行中的数据进行实时的更新，更新的数据通过反馈模块重新提交到信息分类模块中进行第二次的数据分析和风险的评估，风险动态评估模块从大数据模块中获取变化的公开数据信息同样通过反馈模块传递至信息分类模块中，风险动态评估模块将动态的信息传递至风险警示模块，通过评定的风险进行实时的监控。
优选的，所述风险警示模块中预设置有风险警示的条件参数，当风险警示模块中风险评定值在20％-25％之间超过两倍时，提示预警，当风险警示模块中风险平定值在10％-20％之间超过2.5倍时，提示预警，当风险警示模块中风险评定值在5％-10％之间超过三倍时，提示预警，当风险警示模块中风险评定值小于5％超过四倍时，提示预警，并且预警信息通过数据展示模块显示。
优选的，所述反馈模块将风险动态评估模块中的监测数据进行筛选，对于该风险监控企业关联度大于1的数据值传送至数据分类模块，对于该风险监控企业关联度小于1的数据进行数据的暂存，当数个关联度小于1的数据之和大于等于1时，将该数据传递至数据分类模块中。
优选的，所述数据展示模块通过数字可视化的方式，将决策树分类成的债务信用、诉讼信用、用工信用、税务信用、关联信用、银行负债、挂东负债、低压负债、信用负债、建筑资产、设备资产、银行资产和债券资产分类并显示其风险评定值以及动态变化的区间。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”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发明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。
以上内容仅仅是对本发明结构所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。
Claims (10)
1.基于大数据的风险监控分析系统，其特征在于，包括大数据采集模块、信息分类模块、分类评估模块、评估要素模块、风险预估模块、风险评定模块、风险对比模块、风险动态评估模块、风险警示模块和数据展示模块；
所述大数据采集模块将收集的信用信息分别传递到信息分类模块和风险动态评估模块，将收集的风险信息传递至评估要素模块，信息分类模块将数据分为信用、债务和资产信息传递至分类评估模块，分类评估模块结合评估要素模块的信息进行风险评估，并将风险评估信息传递至风险预估模块，风险预估模块将计算出的风险值信息传递至风险评定模块进行确认，确认的风险评定信息通过风险对比模块的数据对比将信息传递至风险动态评估模块，风险动态评估模块将动态的风险传递至风险警示模块和反馈模块，风险警示模块通过设置的警示值传递至数据展示模块，反馈模块将动态信息反馈到信息分类模块重新进行风险评定；
其中，所述信息分类模块将大数据采集的信息分为信用信息模块、负债信息模块和资产信息模块，大数据信息通过决策树和逻辑回归相结合的分类方式，首先通过决策树的分类方式将信用、负债和资产信息做纯粹的划分，再通过逻辑回归的方式将信用、负债和资产信息中的重合部分做具体的归类，信息分类模块的分类过程如下：
步骤一、决策树通过算法公式Gain_ratio(X)＝Gain(X)/Split_Infox(X)，得到所需要的数据主值，数据主值的式中，Split_Infox(X)＝-SUM((|T|/|Ti|))*LOG(|Ti|/|T|)，Gain(X)＝Info(X)-Infox(X)，Info(X)＝-SUM(P*LOG(P)),P＝freq(Cj,S)/|S|，Infox(X)＝SUM((|Ti|/|T|)*Info(X))，其中，Gain(X)是数据副值的结果算法，Info(X)和P是求j从1到n的和，j为标记，通过这样的数据主值将信用信息、负债信息和资产信息分类，单独成为信用树、负债树和资产树；
所述信用树通过采集信用发生的总数和履行数作为数据样本，信用树分类为债务信用、诉讼信用、用工信用、税务信用和关联信用；
所述负债树通过采集负债的总额和种类作为数据样本，负债树分类为银行负债、股东负债、抵押负债和信用负债；
所述资产树通过固定资产和流动资产作为数据样本，资产树分类为建筑资产、设备资产、银行资产和债券资产；
步骤二、逻辑回归对步骤一进行的具体分类做因果关系的认定和全数据的整合，通过训练找到逻辑回归对于分类树和子分类树的回归系数，然后带入一组分类树进行校验，再做全部的模型检验X2，X2是输入的变量能够解释目标变量的百分比，X2数值越大模型拟合越好。
2.根据权利要求1所述的基于大数据的风险监控分析系统,其特征在于，所述评估要素模块将从大数据获取的数据信息进行分类和统计分为被诉讼案件占比、股东信息变更次数、资产负债率趋势、资质信息级别占比、税务信息异常占比和政策福利享有次数的六大种类；
所述被诉讼占比、资质信息级别占比和税务信息异常占比通过求和占比公式计算得到，其中，m小于等于n，b小于等于c，被诉讼占比中的主动诉讼不计入总数，资质信息级别以最高级别的占比为依据，税务信息异常占比中对下达补交通知书的双倍计入总数；
所述股东信息变更次数和政策福利享有次数通过求和公式计算得到，股东信息变更次数以等级信息为依据，政策福利享受次数以实际享有的发生为依据；
所述资产负债率趋势通过年度资产负债表数据进行以年为单位线性函数的趋势表示，年内以月为单位对资产负债表的月份数据进行以月为单位线性函数的趋势表示。
3.根据权利要求1所述的基于大数据的风险监控分析系统,其特征在于，所述大数据采集模块通过筛选获取关于企业发布的全部信息，连接政府职能部门的信息公开数据和银行系统、税务系统的全覆盖的公开信息数据，并且通过标记的变量的方式传递至信息分类模块中对应的子模块中。
4.根据权利要求1所述的基于大数据的风险监控分析系统,其特征在于，所述风险对比模块将风险评估模块评估的风险进行相互之间的比对，和与之性质相同的数据进行决策树的比对，对比对的结果进行重新整理和风险值的计算。
5.根据权利要求1所述的基于大数据的风险监控分析系统,其特征在于，所述风险预估模块将风险对比模块的风险计算值进行评估，评估通过对大数据中的决策树和子决策树进行单独的分析到两两组合分析，再到三个组合分析，依次升序进行分析，到最后的全部数据的整体分析评估，将分析评估的单独到全部的所有值取平均值，得到最终的预估值。
6.根据权利要求1所述的基于大数据的风险监控分析系统,其特征在于，所述风险评定模块是对风险预估模块的预估值进行细化，细化后的风险预估值与存在系统中进行过风险预估的企业进行自身数据的对比，进而对新的风险进行检查和评定。
7.根据权利要求1所述的基于大数据的风险监控分析系统,其特征在于，所述风险动态评估模块采用可变的量Xi对进行中的数据进行实时的更新，更新的数据通过反馈模块重新提交到信息分类模块中进行第二次的数据分析和风险的评估，风险动态评估模块从大数据模块中获取变化的公开数据信息同样通过反馈模块传递至信息分类模块中，风险动态评估模块将动态的信息传递至风险警示模块，通过评定的风险进行实时的监控。
8.根据权利要求1所述的基于大数据的风险监控分析系统,其特征在于，所述风险警示模块中预设置有风险警示的条件参数，当风险警示模块中风险评定值在20％-25％之间超过两倍时，提示预警，当风险警示模块中风险平定值在10％-20％之间超过2.5倍时，提示预警，当风险警示模块中风险评定值在5％-10％之间超过三倍时，提示预警，当风险警示模块中风险评定值小于5％超过四倍时，提示预警，并且预警信息通过数据展示模块显示。
9.根据权利要求1所述的基于大数据的风险监控分析系统,其特征在于，所述反馈模块将风险动态评估模块中的监测数据进行筛选，对于该风险监控企业关联度大于1的数据值传送至数据分类模块，对于该风险监控企业关联度小于1的数据进行数据的暂存，当数个关联度小于1的数据之和大于等于1时，将该数据传递至数据分类模块中。
10.根据权利要求1所述的基于大数据的风险监控分析系统,其特征在于，所述数据展示模块通过数字可视化的方式，将决策树分类成的债务信用、诉讼信用、用工信用、税务信用、关联信用、银行负债、挂东负债、低压负债、信用负债、建筑资产、设备资产、银行资产和债券资产分类并显示其风险评定值以及动态变化的区间。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910213580.5A CN109948932B (zh) | 2019-03-20 | 2019-03-20 | 基于大数据的风险监控分析系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910213580.5A CN109948932B (zh) | 2019-03-20 | 2019-03-20 | 基于大数据的风险监控分析系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109948932A true CN109948932A (zh) | 2019-06-28 |
| CN109948932B CN109948932B (zh) | 2021-06-04 |
Family
ID=67010300
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910213580.5A Active CN109948932B (zh) | 2019-03-20 | 2019-03-20 | 基于大数据的风险监控分析系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109948932B (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110516966A (zh) * | 2019-08-28 | 2019-11-29 | 江苏达科信息科技有限公司 | 一种基于政务数据预警分析处理方法 |
| CN110648057A (zh) * | 2019-09-12 | 2020-01-03 | 深圳市世和安全技术咨询有限公司 | 智能化城市安全风险管控系统和方法 |
| CN111260223A (zh) * | 2020-01-17 | 2020-06-09 | 山东省计算中心（国家超级计算济南中心） | 一种审判风险智能识别与预警方法、系统、介质及设备 |
| CN111401914A (zh) * | 2020-04-02 | 2020-07-10 | 支付宝(杭州)信息技术有限公司 | 风险评估模型的训练、风险评估方法及装置 |
| CN112017059A (zh) * | 2020-07-14 | 2020-12-01 | 北京淇瑀信息科技有限公司 | 一种分级优化的风险控制方法、装置和电子设备 |
| CN112419674A (zh) * | 2020-10-26 | 2021-02-26 | 四川大学 | 一种泥石流地质灾害的监测系统及方法 |
| CN112767167A (zh) * | 2021-02-07 | 2021-05-07 | 中国工商银行股份有限公司 | 一种基于集成学习的投资交易风险趋势预测方法及装置 |
| CN113177849A (zh) * | 2021-04-07 | 2021-07-27 | 安徽科讯金服科技有限公司 | 一种基于政务大数据的税融通线上化系统 |
| CN113610405A (zh) * | 2021-08-11 | 2021-11-05 | 国网河北省电力有限公司邢台市环城供电分公司 | 一种基于供电营销大数据建立供电服务风险预警系统和方法 |
| CN113780876A (zh) * | 2021-09-24 | 2021-12-10 | 西安邮电大学 | 一种通信的信息安全的风险管理系统 |
| CN114022207A (zh) * | 2021-11-08 | 2022-02-08 | 广东电网有限责任公司广州供电局 | 一种电网营销风险管控方法及装置 |
| CN115330177A (zh) * | 2022-08-10 | 2022-11-11 | 北京市科学技术研究院 | 一种基于因果学习的城市公共设施安全风险评估方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103514566A (zh) * | 2013-10-15 | 2014-01-15 | 国家电网公司 | 一种风险控制系统及方法 |
| CN104636449A (zh) * | 2015-01-27 | 2015-05-20 | 厦门大学 | 基于lsa-gcc的分布式大数据系统风险识别方法 |
| 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 |
| CN106157132A (zh) * | 2016-06-20 | 2016-11-23 | 中国工商银行股份有限公司 | 信用风险监控系统及方法 |
| CN107368918A (zh) * | 2017-06-27 | 2017-11-21 | 国网北京市电力公司 | 数据处理方法和装置 |
| CN109409643A (zh) * | 2018-09-06 | 2019-03-01 | 深圳市中电数通智慧安全科技股份有限公司 | 一种城市风险预警方法、预警装置及预警系统 |
| CN109493215A (zh) * | 2018-12-29 | 2019-03-19 | 广州宸量信息科技股份有限公司 | 银行业大数据检核及风险分析系统 |
-
2019
- 2019-03-20 CN CN201910213580.5A patent/CN109948932B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103514566A (zh) * | 2013-10-15 | 2014-01-15 | 国家电网公司 | 一种风险控制系统及方法 |
| CN104636449A (zh) * | 2015-01-27 | 2015-05-20 | 厦门大学 | 基于lsa-gcc的分布式大数据系统风险识别方法 |
| 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 |
| CN106157132A (zh) * | 2016-06-20 | 2016-11-23 | 中国工商银行股份有限公司 | 信用风险监控系统及方法 |
| CN107368918A (zh) * | 2017-06-27 | 2017-11-21 | 国网北京市电力公司 | 数据处理方法和装置 |
| CN109409643A (zh) * | 2018-09-06 | 2019-03-01 | 深圳市中电数通智慧安全科技股份有限公司 | 一种城市风险预警方法、预警装置及预警系统 |
| CN109493215A (zh) * | 2018-12-29 | 2019-03-19 | 广州宸量信息科技股份有限公司 | 银行业大数据检核及风险分析系统 |
Non-Patent Citations (1)
| Title |
|---|
| 刘小瑜 等: "《"互联网+"背景下高新技术企业的税收风险预警——基于智能优化算法的研究》", 《税务研究》 * |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110516966A (zh) * | 2019-08-28 | 2019-11-29 | 江苏达科信息科技有限公司 | 一种基于政务数据预警分析处理方法 |
| CN110648057A (zh) * | 2019-09-12 | 2020-01-03 | 深圳市世和安全技术咨询有限公司 | 智能化城市安全风险管控系统和方法 |
| CN111260223A (zh) * | 2020-01-17 | 2020-06-09 | 山东省计算中心（国家超级计算济南中心） | 一种审判风险智能识别与预警方法、系统、介质及设备 |
| CN111401914B (zh) * | 2020-04-02 | 2022-07-22 | 支付宝(杭州)信息技术有限公司 | 风险评估模型的训练、风险评估方法及装置 |
| CN111401914A (zh) * | 2020-04-02 | 2020-07-10 | 支付宝(杭州)信息技术有限公司 | 风险评估模型的训练、风险评估方法及装置 |
| CN112017059A (zh) * | 2020-07-14 | 2020-12-01 | 北京淇瑀信息科技有限公司 | 一种分级优化的风险控制方法、装置和电子设备 |
| CN112419674A (zh) * | 2020-10-26 | 2021-02-26 | 四川大学 | 一种泥石流地质灾害的监测系统及方法 |
| CN112767167A (zh) * | 2021-02-07 | 2021-05-07 | 中国工商银行股份有限公司 | 一种基于集成学习的投资交易风险趋势预测方法及装置 |
| CN112767167B (zh) * | 2021-02-07 | 2024-04-19 | 中国工商银行股份有限公司 | 一种基于集成学习的投资交易风险趋势预测方法及装置 |
| CN113177849A (zh) * | 2021-04-07 | 2021-07-27 | 安徽科讯金服科技有限公司 | 一种基于政务大数据的税融通线上化系统 |
| CN113610405A (zh) * | 2021-08-11 | 2021-11-05 | 国网河北省电力有限公司邢台市环城供电分公司 | 一种基于供电营销大数据建立供电服务风险预警系统和方法 |
| CN113780876A (zh) * | 2021-09-24 | 2021-12-10 | 西安邮电大学 | 一种通信的信息安全的风险管理系统 |
| CN114022207A (zh) * | 2021-11-08 | 2022-02-08 | 广东电网有限责任公司广州供电局 | 一种电网营销风险管控方法及装置 |
| CN115330177A (zh) * | 2022-08-10 | 2022-11-11 | 北京市科学技术研究院 | 一种基于因果学习的城市公共设施安全风险评估方法 |
| CN115330177B (zh) * | 2022-08-10 | 2024-02-13 | 北京市科学技术研究院 | 一种基于因果学习的城市公共设施安全风险评估方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109948932B (zh) | 2021-06-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109948932A (zh) | 基于大数据的风险监控分析系统 | |
| Fraccascia et al. | Resilience of complex systems: State of the art and directions for future research | |
| Koyuncugil et al. | Financial early warning system model and data mining application for risk detection | |
| Nguyen et al. | Stakeholder management in complex project: Review of contemporary literature. | |
| Agrawal et al. | Climate adaptation, local institutions and rural livelihoods | |
| El Hennawy et al. | The significance of base year in developing failure prediction models | |
| CN111209486B (zh) | 一种混合推荐规则的管理平台数据推荐方法 | |
| US20070198450A1 (en) | System and method for providing terrorism intelligence indications and warnings | |
| Huang et al. | Unsupervised neural networks approach for understanding fraudulent financial reporting | |
| Nandy et al. | Impact of directors' networks on corporate social responsibility: A cross country study | |
| CN108683663A (zh) | 一种网络安全态势的评估方法及装置 | |
| Rouyendegh | Evaluating projects based on intuitionistic fuzzy group decision making | |
| Vallury et al. | Adaptive capacity beyond the household: a systematic review of empirical social-ecological research | |
| Braverman | Anticipating endangerment: the biopolitics of threatened species lists | |
| Chen et al. | Identifying systemically important financial institutions in complex network: A case study of Chinese stock market | |
| Shahbazi Alenjagh | Performance evaluation and ranking of insurance companies in Tehran Stock Exchange by financial ratios using ANP and PROMETHEE | |
| Adosoglou et al. | Lazy Network: A Word Embedding‐Based Temporal Financial Network to Avoid Economic Shocks in Asset Pricing Models | |
| KR100524649B1 (ko) | 정보 자산의 위험 분석 시스템 | |
| Min et al. | Measuring the supply chain risk in offshoring countries using data envelopment analysis and the analytic hierarchy process | |
| Koyuncugil et al. | Early warning system for financially distressed hospitals via data mining application | |
| Huang et al. | The prediction approach with growing hierarchical self-organizing map | |
| Dziekański et al. | Intraregional diversification of the level of the financial situation of the poviats of Eastern Poland in relation to the development potential | |
| Stadtfeld et al. | Dynamic capabilities for supply chain resilience: a meta-review | |
| Pandey et al. | Fuzzy based investment portfolio management | |
| Tirea et al. | Classifying and quantifying certain phenomena effect |
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: 20210517 Address after: Unit 1505, 1506 and 1507, room 1501, building 2, Suzhou International Fortune Plaza, No.9 Suzhou Avenue West, Suzhou Industrial Park, Suzhou area, China (Jiangsu) pilot Free Trade Zone, Suzhou, Jiangsu 215000 Applicant after: Suzhou yingtiandi Information Technology Co.,Ltd. Address before: Room 506, 5 / F, building 9, 972 Moganshan Road, Gongshu District, Hangzhou City, Zhejiang Province 310000 Applicant before: HANGZHOU HONGSHENG INFORMATION TECHNOLOGY Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |