CN110135689A - 企业经营风险预警方法、装置及计算机可读存储介质 - Google Patents

企业经营风险预警方法、装置及计算机可读存储介质 Download PDF

Info

Publication number
CN110135689A
CN110135689A CN201910295640.2A CN201910295640A CN110135689A CN 110135689 A CN110135689 A CN 110135689A CN 201910295640 A CN201910295640 A CN 201910295640A CN 110135689 A CN110135689 A CN 110135689A
Authority
CN
China
Prior art keywords
risk
enterprise
warning
target enterprise
target
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
Application number
CN201910295640.2A
Other languages
English (en)
Inventor
甘文俊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
OneConnect Smart Technology Co Ltd
Original Assignee
OneConnect Smart Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by OneConnect Smart Technology Co Ltd filed Critical OneConnect Smart Technology Co Ltd
Priority to CN201910295640.2A priority Critical patent/CN110135689A/zh
Publication of CN110135689A publication Critical patent/CN110135689A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种企业经营风险预警方法，该方法包括：获取企业经营风险预警指标；根据风险预警指标的数量确定待建立的BP神经网络模型的输入层的输入节点数目；根据输入节点数目、预设隐含层函数和预设输出函数构建BP神经网络模型；获取对BP神经网络模型进行训练的训练样本，通过训练样本以及预设训练函数对BP神经网络模型进行训练，得到企业经营风险预警模型；将获取到的目标企业的风险指标数据输入至企业经营风险预警模型，得到目标企业的风险预警度；若目标企业的风险预警度超过风险预警阈值，发送提醒消息。本发明还提出一种企业经营风险预警装置以及一种计算机可读存储介质。本发明可以及时、准确地在企业存在经营风险时进行预警。

Description

企业经营风险预警方法、装置及计算机可读存储介质
技术领域
本发明涉及计算机技术领域，尤其涉及一种企业经营风险预警方法、装置及计算机可读存储介质。
背景技术
在企业运行过程中，可能存在一些经营风险，目前对企业的经营状况的监管方法通常是在有些事情(例如，企业出售假冒伪劣商品)发生之后知悉存在经营风险，并无有效地对企业的经营状况进行预测，因而也不能对企业可能存在的经营风险进行预警。
发明内容
本发明提供一种企业经营风险预警方法、装置及计算机可读存储介质，其主要目的在于及时、准确地在企业存在经营风险时进行预警。
为实现上述目的，本发明还提供一种企业经营风险预警方法，该方法包括：
获取企业经营风险预警指标，所述企业经营风险预警指标包括企业偿债能力、企业运营能力、企业成长性、企业技术创新能力、企业社会感知度；
根据所述风险预警指标的数量确定待建立的BP神经网络模型的输入层的输入节点数目；
根据所述输入节点数目、预设隐含层函数和预设输出函数构建BP神经网络模型；
获取对所述BP神经网络模型进行训练的训练样本，通过所述训练样本以及预设训练函数对所述BP神经网络模型进行训练，得到企业经营风险预警模型；
获取目标企业的风险指标数据，所述目标企业的风险指标数据包括所述目标企业的企业偿债能力、所述目标企业的运营能力、所述目标企业的成长性、所述目标企业的技术创新能力、所述目标企业的社会感知度；
将所述目标企业的风险指标数据输入至所述企业经营风险预警模型，得到所述目标企业的风险预警度；
判断所述目标企业的风险预警度是超过风险预警阈值；
若所述目标企业的风险预警度超过所述风险预警阈值，发送所述目标企业存在经营风险的提醒消息。
可选地，所述训练样本包括用于训练所述BP神经网络模型的输入数据以及用于训练所述BP神经网络模型的输出数据，其中，所述输入数据包括样本企业的风险指标数据，所述样本企业的风险指标数据包括所述样本企业的偿债能力、所述样本企业的运营能力、所述样本企业的成长性、所述样本企业的技术创新能力、所述样本企业的社会感知度，所述输出数据包括对所述样本企业的风险指标数据进行主成分分析确定的所述样本企业的风险预警度。
可选地，所述方法还包括：
若所述目标企业的风险预警度超过所述风险预警阈值，获取所述目标企业的多个经营事件；
将所述多个经营事件中每个经营事件包含的多个事件因素与风险数据库包含的风险因子进行匹配；
判断所述多个事件因素中是否存在与所述风险因子相同和/或相关联的风险因子；
若所述多个事件因素中存在与所述风险因子相同和/或相关联的风险因子，获取与所述风险因子相同和/或相关联的风险因子的事件因素；
若所述事件因素的数量大于预设数量和/或所述事件因素的重要程度大于预设重要程度，确定所述多个经营事件中包含所述事件因素的经营事件为风险事件。
可选地，所述方法还包括：
若所述目标企业的风险预警度超过所述风险预警阈值，在第一时间之后，判断所述目标企业的风险预警度是否低于所述风险预警阈值；
若在所述第一时间之后，所述目标企业的风险预警阈值低于所述风险预警阈值，获取所述目标企业的当前风险等级；
增加所述目标企业的当前风险等级。
可选地，所述方法还包括：
获取在不同时间获取到的所述目标企业的多个风险预警度；
根据所述多个风险预警度的获取的时间对所述多个风险预警度进行可视化处理。
可选地，所述第一相似度或所述第二相似度满足预设相似度条件包括：
此外，为实现上述目的，本发明还提供一种企业经营风险预警装置，该装置包括存储器和处理器，所述存储器中存储有可在所述处理器上运行的企业经营风险预警程序，所述企业经营风险预警程序被所述处理器执行时实现如下步骤：
获取企业经营风险预警指标，所述企业经营风险预警指标包括企业偿债能力、企业运营能力、企业成长性、企业技术创新能力、企业社会感知度；
根据所述风险预警指标的数量确定待建立的BP神经网络模型的输入层的输入节点数目；
根据所述输入节点数目、预设隐含层函数和预设输出函数构建BP神经网络模型；
获取对所述BP神经网络模型进行训练的训练样本，通过所述训练样本以及预设训练函数对所述BP神经网络模型进行训练，得到企业经营风险预警模型；
获取目标企业的风险指标数据，所述目标企业的风险指标数据包括所述目标企业的企业偿债能力、所述目标企业的运营能力、所述目标企业的成长性、所述目标企业的技术创新能力、所述目标企业的社会感知度；
将所述目标企业的风险指标数据输入至所述企业经营风险预警模型，得到所述目标企业的风险预警度；
判断所述目标企业的风险预警度是超过风险预警阈值；
若所述目标企业的风险预警度超过所述风险预警阈值，发送所述目标企业存在经营风险的提醒消息。
可选地，所述训练样本包括用于训练所述BP神经网络模型的输入数据以及用于训练所述BP神经网络模型的输出数据，其中，所述输入数据包括样本企业的风险指标数据，所述样本企业的风险指标数据包括所述样本企业的偿债能力、所述样本企业的运营能力、所述样本企业的成长性、所述样本企业的技术创新能力、所述样本企业的社会感知度，所述输出数据包括对所述样本企业的风险指标数据进行主成分分析确定的所述样本企业的风险预警度。
可选地，所述企业经营风险预警程序被所述处理器执行，还实现如下步骤：
若所述目标企业的风险预警度超过所述风险预警阈值，获取所述目标企业的多个经营事件；
将所述多个经营事件中每个经营事件包含的多个事件因素与风险数据库包含的风险因子进行匹配；
判断所述多个事件因素中是否存在与所述风险因子相同和/或相关联的风险因子；
若所述多个事件因素中存在与所述风险因子相同和/或相关联的风险因子，获取与所述风险因子相同和/或相关联的风险因子的事件因素；
若所述事件因素的数量大于预设数量和/或所述事件因素的重要程度大于预设重要程度，确定所述多个经营事件中包含所述事件因素的经营事件为风险事件。
可选地，所述企业经营风险预警程序被所述处理器执行，还实现如下步骤：
若所述目标企业的风险预警度超过所述风险预警阈值，在第一时间之后，判断所述目标企业的风险预警度是否低于所述风险预警阈值；
若在所述第一时间之后，所述目标企业的风险预警阈值低于所述风险预警阈值，获取所述目标企业的当前风险等级；
增加所述目标企业的当前风险等级。
可选地，所述企业经营风险预警程序被所述处理器执行，还实现如下步骤：
获取在不同时间获取到的所述目标企业的多个风险预警度；
根据所述多个风险预警度的获取的时间对所述多个风险预警度进行可视化处理。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有企业经营风险预警程序，所述企业经营风险预警程序可被一个或者多个处理器执行，以实现如上所述的企业经营风险预警方法的步骤。
本发明提出的企业经营风险预警方法、企业经营风险预警装置及计算机可读存储介质，获取企业经营风险预警指标，所述企业经营风险预警指标包括企业偿债能力、企业运营能力、企业成长性、企业技术创新能力、企业社会感知度；根据所述风险预警指标的数量确定待建立的BP神经网络模型的输入层的输入节点数目；根据所述输入节点数目、预设隐含层函数和预设输出函数构建BP神经网络模型；获取对所述BP神经网络模型进行训练的训练样本，通过所述训练样本以及预设训练函数对所述BP神经网络模型进行训练，得到企业经营风险预警模型；获取目标企业的风险指标数据，所述目标企业的风险指标数据包括所述目标企业的企业偿债能力、所述目标企业的运营能力、所述目标企业的成长性、所述目标企业的技术创新能力、所述目标企业的社会感知度；将所述目标企业的风险指标数据输入至所述企业经营风险预警模型，得到所述目标企业的风险预警度；判断所述目标企业的风险预警度是超过风险预警阈值；若所述目标企业的风险预警度超过所述风险预警阈值，发送所述目标企业存在经营风险的提醒消息。通过获取企业经营过程的风险指标数据计算企业的风险预警度，在企业的风险预警度超过风险预警阈值时发送提醒消息，从而能及时、准确地在企业存在经营风险时进行预警。
附图说明
图1为本发明一实施例提供的企业经营风险预警方法的流程示意图；
图2为本发明一实施例提供的企业经营风险预警装置的内部结构示意图；
图3为本发明一实施例提供的企业经营风险预警装置中企业经营风险预警程序的模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
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。
本发明提供一种企业经营风险预警方法。参照图1所示，为本发明第一实施例提供的企业经营风险预警方法的流程示意图。该方法可以由一个电子装置执行。
在本实施例中，企业经营风险预警方法包括：
步骤S11：获取企业经营风险预警指标，所述企业经营风险预警指标包括企业偿债能力、企业运营能力、企业成长性、企业技术创新能力、企业社会感知度。
本实施例中，企业经营风险预警指标用于对企业是否存在风险进行预测以及预警。
所述企业偿债能力可以通过企业债务、以及企业资产数据体现，该指标可以反映企业当前所拥有的各项资产长偿还债务的能力，体现企业的财务健康程度。
所述企业运营能力可以通过企业投融资、生产销售以及资产增值数据体现，该指标可反映企业对资源的协调能力。
所述企业成长性可以通过企业一段时间的利润增长额和资产规模增长比例体现，该指标可以反映企业的获取持续现金流收入的增长性。
所述企业技术创新能力可以通过企业的项目、专利数据体现，该指标可以衡量企业的创新能力。
所述企业社会感知度可以通过用户对企业产品的评论和反馈体现，该指标可以体现企业的产品和服务质量。
在本实施例中，通过上述企业风险预警指标可以全面的反映企业的经营状况，进而有利于准确的对企业经营过程中是否存在风险进行预警。
步骤S12：根据所述风险预警指标的数量确定待建立的BP神经网络模型的输入层的输入节点数目。
所述BP神经网络模型是一种多层的前馈神经网络模型。
在BP神经网络中，包含输入层、隐含层(或称为中间层)以及输出层。
在本实施例中，若获取到风险预警指标包括企业偿债能力、企业运营能力、企业成长性、企业技术创新能力、企业社会感知度，则风险预警指标的数量为5，待建立的BP神经网络模型的输入层的输入节点数目为5个，即待建立的BP神经网络模型的输入层有5个输入数据。
步骤S13：根据所述输入节点数目、预设隐含层函数和预设输出函数构建BP神经网络模型。
所述预设隐含层函数为待构建的BP神经网络模型的隐含层的函数。例如，隐含层函数为非线性变换函数，即Sigmoid函数。
本实施例中，预设隐含层函数以及预设输出函数为包含未知数学参数。
在本实施例中，根据输入节点数目、预设隐含层函数和预设输出函数构建的BP神经网络即为可接收与输入节点数目相同的输入数据，并通过预设隐含层函数以及预设输出函数进行计算得到输出数据的数学模型。
在本实施例中，BP神经网络的隐含层函数可以为至少两个，每个隐含层可以包含不同的函数，每个隐含层的节点的数量与输入层的节点的数目相同，且该BP神经网络根据预设输出函数得到一个输出数据。
步骤S14：获取对所述BP神经网络模型进行训练的训练样本，通过所述训练样本以及预设训练函数对所述BP神经网络模型进行训练，得到企业经营风险预警模型。
在本实施例中，通过预设训练算法以及训练样本对BP神经网络模型进行训练，不断的求解并修正BP神经网络模型中的未知数学参数，得到BP神经网络模型中的未知数学参数的最优数值。
所述企业经营风险预警模型即为训练得到的BP神经网络模型，该BP神经网络模型包含输入层、包含最优数值的隐含层函数以及输出层函数。
可选的，在本发明一实施例中，所述训练样本包括用于训练所述BP神经网络模型的输入数据以及用于训练所述BP神经网络模型的输出数据，其中，所述输入数据包括样本企业的风险指标数据，所述样本企业的风险指标数据包括所述样本企业的偿债能力、所述样本企业的运营能力、所述样本企业的成长性、所述样本企业的技术创新能力、所述样本企业的社会感知度，所述输出数据包括对所述样本企业的风险指标数据进行主成分分析确定的所述样本企业的风险预警度。
所述样本企业的数量为多个，样本企业的数量越多，训练得到的企业经营风险预警模型的数值越准确。
在一种可能的实施例中，通过主成分分析确定样本企业的风险预警度。所述通过主成分分析确定样本企业的风险预警度包括：
从所述样本企业的风险预警度指标中提取多个主成分指标，所述多个主成分指标为样本企业的多个风险指标之中累计方差贡献率达到85％以上的多个指标。
获取多个主成分指标的得分系数矩阵；
根据多个主成分指标的得分系数矩阵计算各个主成分的得分，确定各个主成分的方差贡献率占累计方差贡献率的比重为各个主成分的权重，根据各个主成分的权重以及各个主成分的得分计算主成分综合得分，该主成分综合得分为样本企业的风险预警度。
在本实施例中，样本企业的风险预警度是通过主成分分析确定的，因此更能反映样本企业的真实风险状况，使得用于训练BP神经网络模型的训练数据更准确，从而使得训练得到的BP神经网络模型能够进行更准确的判断。
步骤S15：获取目标企业的风险指标数据，所述目标企业的风险指标数据包括所述目标企业的企业偿债能力、所述目标企业的运营能力、所述目标企业的成长性、所述目标企业的技术创新能力、所述目标企业的社会感知度。
所述目标企业为待进行风险判断的企业，例如，目标企业在监管名单中的任意一个企业。
所述目标企业的风险指标数据为反映目标企业的风险指标的数据。
本实施例中，所述目标企业的企业偿债能力、所述目标企业的运营能力、所述目标企业的成长性、所述目标企业的技术创新能力、所述目标企业的社会感知度可以分别为依据企业的经营数据得到的分数值。
步骤S16：将所述目标企业的风险指标数据输入至所述企业经营风险预警模型，得到所述目标企业的风险预警度。
在本实施例中，获取到目标企业的风险指标数据之后，结合前述步骤得到的经营风险预警模型得到目标企业的风险与精度。
步骤S17：判断所述目标企业的风险预警度是超过风险预警阈值。
所述风险预警阈值可以根据实际需要预先设定的。
步骤S18：若所述目标企业的风险预警度超过所述风险预警阈值，发送所述目标企业存在经营风险的提醒消息。
所述提醒消息用于对目标企业存在经营风险进行提醒。
例如，向管理部门或者是监管人员以邮件形式发送提醒消息。
可选的，在发明另一实施例中，所述方法还包括：
若所述目标企业的风险预警度超过所述风险预警阈值，获取所述目标企业的多个经营事件；
将所述多个经营事件中每个经营事件包含的多个事件因素与风险数据库包含的风险因子进行匹配；
判断所述多个事件因素中是否存在与所述风险因子相同和/或相关联的风险因子；
若所述多个事件因素中存在与所述风险因子相同和/或相关联的风险因子，获取与所述风险因子相同和/或相关联的风险因子的事件因素；
若所述事件因素的数量大于预设数量和/或所述事件因素的重要程度大于预设重要程度，确定所述多个经营事件中包含所述事件因素的经营事件为风险事件。
在本实施例中，获取目标企业的多个经营事件可以为在前一次对目标企业进行风险度检测之后至当前时间所产生的经营事件。
所述经营事件包括但不限于与企业生产、销售等经营活动相关的事件。
经营事件中包含的与该经营事件相关的信息为该经营事件的事件因素，例如，经营事件为采购时间，事件因素为采购时间、采购对象、采购数量、采购金额、采购商品、采购员。
所述风险数据库包含的为标识有风险的各类信息，风险数据库中包含多个风险因子，例如风险数据库中包含存在质量问题的原材料销售商。
例如，获取到10个经营事件。判断这10个经营事件中每个经营事件的事件因素中是否存在与风险数据库中所包含的风险因子相同和/或关联的风险因子，若10个经营事件中存在2个经营事件所含的事件因素与风险数据库中所包含的风险因子相同和/或关联，且这2个经营事件所含的事件因素的数量大于预设数量，确定这2个经营事件为风险事件。
在本发明实施例中，在对企业进行风险预警之后，还能够对企业所存在的风险事件进行识别，能够更加高效的进行企业监管。
可选的，在本发明另一实施例中，所述方法还包括：
若所述目标企业的风险预警度超过所述风险预警阈值，在第一时间之后，判断所述目标企业的风险预警度是否低于所述风险预警阈值；
若在所述第一时间之后，所述目标企业的风险预警阈值低于所述风险预警阈值，获取所述目标企业的当前风险等级；
增加所述目标企业的当前风险等级。
在本发明实施例中，当目标企业存在风险预警度超过风险预警阈值时可以根据风险预警预警度与风险预警阈值的差值确定目标企业的当前风险等级。
所述第一时间可以为预设的。
可选的，在本发明另一实施例中，根据风险预警预警度与风险预警阈值的差值确定第一时间。具体的，当所述差值小于第一差值时，当所述差值大于所述第一差值小于第二差值时，以及当所述差值大于所述第二差值时，确定不同的第一时间。例如，当所述差值小于第一差值时，确定第一时间为A时间，当所述差值大于所述第一差值小于第二差值时，确定第一时间为B时间，当所述差值大于所述第二差值时，确定第一时间为C时间。
例如，目标企业的当前风险等级为C等级，将目标企业的当前风险等级增加至B等级。
通过本实施例，可以及时检测企业的风险状况是否有改善，并且在企业的风险状况不存在改善时进行风险等级的调整，有利于方便对持续未改善的企业进行重点监管。
可选的，在本发明另一实施例中，所述方法还包括：
获取在不同时间获取到的所述目标企业的多个风险预警度；
根据所述多个风险预警度的获取的时间对所述多个风险预警度进行可视化处理。
本实施例中，所述可视化处理可以是将不同时间获取到的目标企业的风险预警度进行图标显示。
例如，每间隔3个月获取目标企业的风险预警度，将每间隔3个月获取到的目标企业的风险预警度以折线图进行显示。
通过本实施例，可以跟踪检测企业多个时间的风险预警度并显示，使得企业的风险状况更加一目了然。
本实施例提出的企业经营风险预警方法，获取企业经营风险预警指标，所述企业经营风险预警指标包括企业偿债能力、企业运营能力、企业成长性、企业技术创新能力、企业社会感知度；根据所述风险预警指标的数量确定待建立的BP神经网络模型的输入层的输入节点数目；根据所述输入节点数目、预设隐含层函数和预设输出函数构建BP神经网络模型；获取对所述BP神经网络模型进行训练的训练样本，通过所述训练样本以及预设训练函数对所述BP神经网络模型进行训练，得到企业经营风险预警模型；获取目标企业的风险指标数据，所述目标企业的风险指标数据包括所述目标企业的企业偿债能力、所述目标企业的运营能力、所述目标企业的成长性、所述目标企业的技术创新能力、所述目标企业的社会感知度；将所述目标企业的风险指标数据输入至所述企业经营风险预警模型，得到所述目标企业的风险预警度；判断所述目标企业的风险预警度是超过风险预警阈值；若所述目标企业的风险预警度超过所述风险预警阈值，发送所述目标企业存在经营风险的提醒消息。通过获取企业经营过程的风险指标数据计算企业的风险预警度，在企业的风险预警度超过风险预警阈值时发送提醒消息，从而能及时、准确地在企业存在经营风险时进行预警。
本发明还提供一种企业经营风险预警装置。参照图2所示，为本发明一实施例提供的企业经营风险预警装置的内部结构示意图。
在本实施例中，企业经营风险预警装置1可以是PC(Personal Computer，个人电脑)，也可以是智能手机、平板电脑、便携计算机等终端设备。该企业经营风险预警装置1至少包括存储器11、处理器12，网络接口13以及通信总线14。
其中，存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器11在一些实施例中可以是企业经营风险预警装置1的内部存储单元，例如该企业经营风险预警装置1的硬盘。存储器11在另一些实施例中也可以是企业经营风险预警装置1的外部存储设备，例如企业经营风险预警装置1上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，存储器11还可以既包括企业经营风险预警装置1的内部存储单元也包括外部存储设备。存储器11不仅可以用于存储安装于企业经营风险预警装置1的应用软件及各类数据，例如企业经营风险预警程序110的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
处理器12在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器或其他数据处理芯片，用于运行存储器11中存储的程序代码或处理数据，例如执行企业经营风险预警程序110等。
网络接口13可选的可以包括标准的有线接口、无线接口(如WI-FI接口)，通常用于在该装置1与其他电子设备之间建立通信连接。
通信总线14用于实现这些组件之间的连接通信。
可选地，该企业经营风险预警装置1还可以包括用户接口，用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard)，可选的用户接口还可以包括标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在企业经营风险预警装置1中处理的信息以及用于显示可视化的用户界面。
图2仅示出了具有组件11-14以及企业经营风险预警程序110的企业经营风险预警装置1，本领域技术人员可以理解的是，图2示出的结构并不构成对企业经营风险预警装置1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
在图2所示的企业经营风险预警装置1实施例中，存储器11中存储有企业经营风险预警程序110；处理器12执行存储器11中存储的企业经营风险预警程序110时实现如下步骤：
获取企业经营风险预警指标，所述企业经营风险预警指标包括企业偿债能力、企业运营能力、企业成长性、企业技术创新能力、企业社会感知度。
本实施例中，企业经营风险预警指标用于对企业是否存在风险进行预测以及预警。
所述企业偿债能力可以通过企业债务、以及企业资产数据体现，该指标可以反映企业当前所拥有的各项资产长偿还债务的能力，体现企业的财务健康程度。
所述企业运营能力可以通过企业投融资、生产销售以及资产增值数据体现，该指标可反映企业对资源的协调能力。
所述企业成长性可以通过企业一段时间的利润增长额和资产规模增长比例体现，该指标可以反映企业的获取持续现金流收入的增长性。
所述企业技术创新能力可以通过企业的项目、专利数据体现，该指标可以衡量企业的创新能力。
所述企业社会感知度可以通过用户对企业产品的评论和反馈体现，该指标可以体现企业的产品和服务质量。
在本实施例中，通过上述企业风险预警指标可以全面的反映企业的经营状况，进而有利于准确的对企业经营过程中是否存在风险进行预警。
根据所述风险预警指标的数量确定待建立的BP神经网络模型的输入层的输入节点数目。
所述BP神经网络模型是一种多层的前馈神经网络模型。
在BP神经网络中，包含输入层、隐含层(或称为中间层)以及输出层。
在本实施例中，若获取到风险预警指标包括企业偿债能力、企业运营能力、企业成长性、企业技术创新能力、企业社会感知度，则风险预警指标的数量为5，待建立的BP神经网络模型的输入层的输入节点数目为5个，即待建立的BP神经网络模型的输入层有5个输入数据。
根据所述输入节点数目、预设隐含层函数和预设输出函数构建BP神经网络模型。
所述预设隐含层函数为待构建的BP神经网络模型的隐含层的函数。例如，隐含层函数为非线性变换函数，即Sigmoid函数。
本实施例中，预设隐含层函数以及预设输出函数为包含未知数学参数。
在本实施例中，根据输入节点数目、预设隐含层函数和预设输出函数构建的BP神经网络即为可接收与输入节点数目相同的输入数据，并通过预设隐含层函数以及预设输出函数进行计算得到输出数据的数学模型。
在本实施例中，BP神经网络的隐含层函数可以为至少两个，每个隐含层可以包含不同的函数，每个隐含层的节点的数量与输入层的节点的数目相同，且该BP神经网络根据预设输出函数得到一个输出数据。
获取对所述BP神经网络模型进行训练的训练样本，通过所述训练样本以及预设训练函数对所述BP神经网络模型进行训练，得到企业经营风险预警模型。
在本实施例中，通过预设训练算法以及训练样本对BP神经网络模型进行训练，不断的求解并修正BP神经网络模型中的未知数学参数，得到BP神经网络模型中的未知数学参数的最优数值。
所述企业经营风险预警模型即为训练得到的BP神经网络模型，该BP神经网络模型包含输入层、包含最优数值的隐含层函数以及输出层函数。
可选的，在本发明一实施例中，所述训练样本包括用于训练所述BP神经网络模型的输入数据以及用于训练所述BP神经网络模型的输出数据，其中，所述输入数据包括样本企业的风险指标数据，所述样本企业的风险指标数据包括所述样本企业的偿债能力、所述样本企业的运营能力、所述样本企业的成长性、所述样本企业的技术创新能力、所述样本企业的社会感知度，所述输出数据包括对所述样本企业的风险指标数据进行主成分分析确定的所述样本企业的风险预警度。
所述样本企业的数量为多个，样本企业的数量越多，训练得到的企业经营风险预警模型的数值越准确。
在一种可能的实施例中，通过主成分分析确定样本企业的风险预警度。所述通过主成分分析确定样本企业的风险预警度包括：
从所述样本企业的风险预警度指标中提取多个主成分指标，所述多个主成分指标为样本企业的多个风险指标之中累计方差贡献率达到85％以上的多个指标。
获取多个主成分指标的得分系数矩阵；
根据多个主成分指标的得分系数矩阵计算各个主成分的得分，确定各个主成分的方差贡献率占累计方差贡献率的比重为各个主成分的权重，根据各个主成分的权重以及各个主成分的得分计算主成分综合得分，该主成分综合得分为样本企业的风险预警度。
在本实施例中，样本企业的风险预警度是通过主成分分析确定的，因此更能反映样本企业的真实风险状况，使得用于训练BP神经网络模型的训练数据更准确，从而使得训练得到的BP神经网络模型能够进行更准确的判断。
获取目标企业的风险指标数据，所述目标企业的风险指标数据包括所述目标企业的企业偿债能力、所述目标企业的运营能力、所述目标企业的成长性、所述目标企业的技术创新能力、所述目标企业的社会感知度。
所述目标企业为待进行风险判断的企业，例如，目标企业在监管名单中的任意一个企业。
所述目标企业的风险指标数据为反映目标企业的风险指标的数据。
本实施例中，所述目标企业的企业偿债能力、所述目标企业的运营能力、所述目标企业的成长性、所述目标企业的技术创新能力、所述目标企业的社会感知度可以分别为依据企业的经营数据得到的分数值。
将所述目标企业的风险指标数据输入至所述企业经营风险预警模型，得到所述目标企业的风险预警度。
在本实施例中，获取到目标企业的风险指标数据之后，结合前述步骤得到的经营风险预警模型得到目标企业的风险与精度。
判断所述目标企业的风险预警度是超过风险预警阈值。
所述风险预警阈值可以根据实际需要预先设定的。
若所述目标企业的风险预警度超过所述风险预警阈值，发送所述目标企业存在经营风险的提醒消息。
所述提醒消息用于对目标企业存在经营风险进行提醒。
例如，向管理部门或者是监管人员以邮件形式发送提醒消息。
可选的，在发明另一实施例中，所述企业经营风险预警程序被所述处理器执行，还实现如下步骤：
若所述目标企业的风险预警度超过所述风险预警阈值，获取所述目标企业的多个经营事件；
将所述多个经营事件中每个经营事件包含的多个事件因素与风险数据库包含的风险因子进行匹配；
判断所述多个事件因素中是否存在与所述风险因子相同和/或相关联的风险因子；
若所述多个事件因素中存在与所述风险因子相同和/或相关联的风险因子，获取与所述风险因子相同和/或相关联的风险因子的事件因素；
若所述事件因素的数量大于预设数量和/或所述事件因素的重要程度大于预设重要程度，确定所述多个经营事件中包含所述事件因素的经营事件为风险事件。
在本实施例中，获取目标企业的多个经营事件可以为在前一次对目标企业进行风险度检测之后至当前时间所产生的经营事件。
所述经营事件包括但不限于与企业生产、销售等经营活动相关的事件。
经营事件中包含的与该经营事件相关的信息为该经营事件的事件因素，例如，经营事件为采购时间，事件因素为采购时间、采购对象、采购数量、采购金额、采购商品、采购员。
所述风险数据库包含的为标识有风险的各类信息，风险数据库中包含多个风险因子，例如风险数据库中包含存在质量问题的原材料销售商。
例如，获取到10个经营事件。判断这10个经营事件中每个经营事件的事件因素中是否存在与风险数据库中所包含的风险因子相同和/或关联的风险因子，若10个经营事件中存在2个经营事件所含的事件因素与风险数据库中所包含的风险因子相同和/或关联，且这2个经营事件所含的事件因素的数量大于预设数量，确定这2个经营事件为风险事件。
在本发明实施例中，在对企业进行风险预警之后，还能够对企业所存在的风险事件进行识别，能够更加高效的进行企业监管。
可选的，在本发明另一实施例中，所述企业经营风险预警程序被所述处理器执行，还实现如下步骤：
若所述目标企业的风险预警度超过所述风险预警阈值，在第一时间之后，判断所述目标企业的风险预警度是否低于所述风险预警阈值；
若在所述第一时间之后，所述目标企业的风险预警阈值低于所述风险预警阈值，获取所述目标企业的当前风险等级；
增加所述目标企业的当前风险等级。
在本发明实施例中，当目标企业存在风险预警度超过风险预警阈值时可以根据风险预警预警度与风险预警阈值的差值确定目标企业的当前风险等级。
所述第一时间可以为预设的。
可选的，在本发明另一实施例中，根据风险预警预警度与风险预警阈值的差值确定第一时间。具体的，当所述差值小于第一差值时，当所述差值大于所述第一差值小于第二差值时，以及当所述差值大于所述第二差值时，确定不同的第一时间。例如，当所述差值小于第一差值时，确定第一时间为A时间，当所述差值大于所述第一差值小于第二差值时，确定第一时间为B时间，当所述差值大于所述第二差值时，确定第一时间为C时间。
例如，目标企业的当前风险等级为C等级，将目标企业的当前风险等级增加至B等级。
通过本实施例，可以及时检测企业的风险状况是否有改善，并且在企业的风险状况不存在改善时进行风险等级的调整，有利于方便对持续未改善的企业进行重点监管。
可选的，在本发明另一实施例中，所述企业经营风险预警程序被所述处理器执行，还实现如下步骤：
获取在不同时间获取到的所述目标企业的多个风险预警度；
根据所述多个风险预警度的获取的时间对所述多个风险预警度进行可视化处理。
本实施例中，所述可视化处理可以是将不同时间获取到的目标企业的风险预警度进行图标显示。
例如，每间隔3个月获取目标企业的风险预警度，将每间隔3个月获取到的目标企业的风险预警度以折线图进行显示。
通过本实施例，可以跟踪检测企业多个时间的风险预警度并显示，使得企业的风险状况更加一目了然。
本实施例提出的企业经营风险预警装置，获取企业经营风险预警指标，所述企业经营风险预警指标包括企业偿债能力、企业运营能力、企业成长性、企业技术创新能力、企业社会感知度；根据所述风险预警指标的数量确定待建立的BP神经网络模型的输入层的输入节点数目；根据所述输入节点数目、预设隐含层函数和预设输出函数构建BP神经网络模型；获取对所述BP神经网络模型进行训练的训练样本，通过所述训练样本以及预设训练函数对所述BP神经网络模型进行训练，得到企业经营风险预警模型；获取目标企业的风险指标数据，所述目标企业的风险指标数据包括所述目标企业的企业偿债能力、所述目标企业的运营能力、所述目标企业的成长性、所述目标企业的技术创新能力、所述目标企业的社会感知度；将所述目标企业的风险指标数据输入至所述企业经营风险预警模型，得到所述目标企业的风险预警度；判断所述目标企业的风险预警度是超过风险预警阈值；若所述目标企业的风险预警度超过所述风险预警阈值，发送所述目标企业存在经营风险的提醒消息。通过获取企业经营过程的风险指标数据计算企业的风险预警度，在企业的风险预警度超过风险预警阈值时发送提醒消息，从而能及时、准确地在企业存在经营风险时进行预警。
可选地，在其他实施例中，企业经营风险预警程序还可以被分割为一个或者多个模块，一个或者多个模块被存储于存储器11中，并由一个或多个处理器(本实施例为处理器12)所执行以完成本发明，本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段，用于描述企业经营风险预警程序在企业经营风险预警装置中的执行过程。
例如，参照图3所示，为本发明企业经营风险预警装置一实施例中的企业经营风险预警程序110的程序模块示意图，该实施例中，企业经营风险预警程序可以被分割为第一获取获取模块10、确定模块20、建模模块30、训练模块40、和第二获取模块50、输入模块60、判断模块70和提醒模块80，示例性地：
第一获取获取模块10用于：获取企业经营风险预警指标，所述企业经营风险预警指标包括企业偿债能力、企业运营能力、企业成长性、企业技术创新能力、企业社会感知度；
确定模块20用于：根据所述风险预警指标的数量确定待建立的BP神经网络模型的输入层的输入节点数目；
建模模块30用于：根据所述输入节点数目、预设隐含层函数和预设输出函数构建BP神经网络模型；
训练模块40用于：获取对所述BP神经网络模型进行训练的训练样本，通过所述训练样本以及预设训练函数对所述BP神经网络模型进行训练，得到企业经营风险预警模型；
第二获取模块50用于：获取目标企业的风险指标数据，所述目标企业的风险指标数据包括所述目标企业的企业偿债能力、所述目标企业的运营能力、所述目标企业的成长性、所述目标企业的技术创新能力、所述目标企业的社会感知度；
输入模块60用于：将所述目标企业的风险指标数据输入至所述企业经营风险预警模型，得到所述目标企业的风险预警度；
判断模块70用于：判断所述目标企业的风险预警度是超过风险预警阈值；
提醒模块80用于：若所述目标企业的风险预警度超过所述风险预警阈值，发送所述目标企业存在经营风险的提醒消息。
上述第一获取获取模块10、确定模块20、建模模块30、训练模块40、和第二获取模块50、输入模块60、判断模块70和提醒模块80等程序模块被执行时所实现的功能或操作步骤与上述实施例大体相同，在此不再赘述。
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有企业经营风险预警程序，所述企业经营风险预警程序可被一个或多个处理器执行，以实现如下操作：
获取企业经营风险预警指标，所述企业经营风险预警指标包括企业偿债能力、企业运营能力、企业成长性、企业技术创新能力、企业社会感知度；
根据所述风险预警指标的数量确定待建立的BP神经网络模型的输入层的输入节点数目；
根据所述输入节点数目、预设隐含层函数和预设输出函数构建BP神经网络模型；
获取对所述BP神经网络模型进行训练的训练样本，通过所述训练样本以及预设训练函数对所述BP神经网络模型进行训练，得到企业经营风险预警模型；
获取目标企业的风险指标数据，所述目标企业的风险指标数据包括所述目标企业的企业偿债能力、所述目标企业的运营能力、所述目标企业的成长性、所述目标企业的技术创新能力、所述目标企业的社会感知度；
将所述目标企业的风险指标数据输入至所述企业经营风险预警模型，得到所述目标企业的风险预警度；
判断所述目标企业的风险预警度是超过风险预警阈值；
若所述目标企业的风险预警度超过所述风险预警阈值，发送所述目标企业存在经营风险的提醒消息。
本发明计算机可读存储介质具体实施方式与上述企业经营风险预警装置和方法各实施例基本相同，在此不作累述。
需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种企业经营风险预警方法，其特征在于，所述方法包括：
获取企业经营风险预警指标，所述企业经营风险预警指标包括企业偿债能力、企业运营能力、企业成长性、企业技术创新能力、企业社会感知度；
根据所述风险预警指标的数量确定待建立的BP神经网络模型的输入层的输入节点数目；
根据所述输入节点数目、预设隐含层函数和预设输出函数构建BP神经网络模型；
获取对所述BP神经网络模型进行训练的训练样本，通过所述训练样本以及预设训练函数对所述BP神经网络模型进行训练，得到企业经营风险预警模型；
获取目标企业的风险指标数据，所述目标企业的风险指标数据包括所述目标企业的企业偿债能力、所述目标企业的运营能力、所述目标企业的成长性、所述目标企业的技术创新能力、所述目标企业的社会感知度；
将所述目标企业的风险指标数据输入至所述企业经营风险预警模型，得到所述目标企业的风险预警度；
判断所述目标企业的风险预警度是超过风险预警阈值；
若所述目标企业的风险预警度超过所述风险预警阈值，发送所述目标企业存在经营风险的提醒消息。
2.如权利要求1所述的企业经营风险预警方法，其特征在于，所述训练样本包括用于训练所述BP神经网络模型的输入数据以及用于训练所述BP神经网络模型的输出数据，其中，所述输入数据包括样本企业的风险指标数据，所述样本企业的风险指标数据包括所述样本企业的偿债能力、所述样本企业的运营能力、所述样本企业的成长性、所述样本企业的技术创新能力、所述样本企业的社会感知度，所述输出数据包括对所述样本企业的风险指标数据进行主成分分析确定的所述样本企业的风险预警度。
3.如权利要求1所述的企业经营风险预警方法，其特征在于，所述方法还包括：
若所述目标企业的风险预警度超过所述风险预警阈值，获取所述目标企业的多个经营事件；
将所述多个经营事件中每个经营事件包含的多个事件因素与风险数据库包含的风险因子进行匹配；
判断所述多个事件因素中是否存在与所述风险因子相同和/或相关联的风险因子；
若所述多个事件因素中存在与所述风险因子相同和/或相关联的风险因子，获取与所述风险因子相同和/或相关联的风险因子的事件因素；
若所述事件因素的数量大于预设数量和/或所述事件因素的重要程度大于预设重要程度，确定所述多个经营事件中包含所述事件因素的经营事件为风险事件。
4.如权利要求1至3中任一项所述的企业经营风险预警方法，其特征在于，所述方法还包括：
若所述目标企业的风险预警度超过所述风险预警阈值，在第一时间之后，判断所述目标企业的风险预警度是否低于所述风险预警阈值；
若在所述第一时间之后，所述目标企业的风险预警阈值低于所述风险预警阈值，获取所述目标企业的当前风险等级；
增加所述目标企业的当前风险等级。
5.如权利要求1至3中任一项所述的企业经营风险预警方法，其特征在于，所述方法还包括：
获取在不同时间获取到的所述目标企业的多个风险预警度；
根据所述多个风险预警度的获取的时间对所述多个风险预警度进行可视化处理。
6.一种企业经营风险预警装置，其特征在于，所述装置包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的企业经营风险预警程序，所述企业经营风险预警程序被所述处理器执行时实现如下步骤：
获取企业经营风险预警指标，所述企业经营风险预警指标包括企业偿债能力、企业运营能力、企业成长性、企业技术创新能力、企业社会感知度；
根据所述风险预警指标的数量确定待建立的BP神经网络模型的输入层的输入节点数目；
根据所述输入节点数目、预设隐含层函数和预设输出函数构建BP神经网络模型；
获取对所述BP神经网络模型进行训练的训练样本，通过所述训练样本以及预设训练函数对所述BP神经网络模型进行训练，得到企业经营风险预警模型；
获取目标企业的风险指标数据，所述目标企业的风险指标数据包括所述目标企业的企业偿债能力、所述目标企业的运营能力、所述目标企业的成长性、所述目标企业的技术创新能力、所述目标企业的社会感知度；
将所述目标企业的风险指标数据输入至所述企业经营风险预警模型，得到所述目标企业的风险预警度；
判断所述目标企业的风险预警度是超过风险预警阈值；
若所述目标企业的风险预警度超过所述风险预警阈值，发送所述目标企业存在经营风险的提醒消息。
7.如权利要求6所述的企业经营风险预警装置，其特征在于，所述训练样本包括用于训练所述BP神经网络模型的输入数据以及用于训练所述BP神经网络模型的输出数据，其中，所述输入数据包括样本企业的风险指标数据，所述样本企业的风险指标数据包括所述样本企业的偿债能力、所述样本企业的运营能力、所述样本企业的成长性、所述样本企业的技术创新能力、所述样本企业的社会感知度，所述输出数据包括对所述样本企业的风险指标数据进行主成分分析确定的所述样本企业的风险预警度。
8.如权利要求6所述的企业经营风险预警装置，其特征在于，所述企业经营风险预警程序被所述处理器执行，还实现如下步骤：
若所述目标企业的风险预警度超过所述风险预警阈值，获取所述目标企业的多个经营事件；
将所述多个经营事件中每个经营事件包含的多个事件因素与风险数据库包含的风险因子进行匹配；
判断所述多个事件因素中是否存在与所述风险因子相同和/或相关联的风险因子；
若所述多个事件因素中存在与所述风险因子相同和/或相关联的风险因子，获取与所述风险因子相同和/或相关联的风险因子的事件因素；
若所述事件因素的数量大于预设数量和/或所述事件因素的重要程度大于预设重要程度，确定所述多个经营事件中包含所述事件因素的经营事件为风险事件。
9.如权利要求6至8中任一项所述的企业经营风险预警装置，其特征在于，所述企业经营风险预警程序被所述处理器执行，还实现如下步骤：
若所述目标企业的风险预警度超过所述风险预警阈值，在第一时间之后，判断所述目标企业的风险预警度是否低于所述风险预警阈值；
若在所述第一时间之后，所述目标企业的风险预警阈值低于所述风险预警阈值，获取所述目标企业的当前风险等级；
增加所述目标企业的当前风险等级。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有企业经营风险预警程序，所述企业经营风险预警程序可被一个或者多个处理器执行，以实现如权利要求1至5中任一项所述的企业经营风险预警方法的步骤。
CN201910295640.2A 2019-04-12 2019-04-12 企业经营风险预警方法、装置及计算机可读存储介质 Pending CN110135689A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910295640.2A CN110135689A (zh) 2019-04-12 2019-04-12 企业经营风险预警方法、装置及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910295640.2A CN110135689A (zh) 2019-04-12 2019-04-12 企业经营风险预警方法、装置及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN110135689A true CN110135689A (zh) 2019-08-16

Family

ID=67569781

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910295640.2A Pending CN110135689A (zh) 2019-04-12 2019-04-12 企业经营风险预警方法、装置及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN110135689A (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110971674A (zh) * 2019-11-15 2020-04-07 北京明略软件系统有限公司 一种实现信息处理的方法、装置、计算机存储介质及终端
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
CN111222790A (zh) * 2020-01-06 2020-06-02 深圳前海微众银行股份有限公司 风险事件发生概率的预测方法、装置、设备及存储介质
CN112052145A (zh) * 2020-09-09 2020-12-08 中国工商银行股份有限公司 性能告警阈值的确定方法、装置、电子设备和介质
CN112950344A (zh) * 2021-02-26 2021-06-11 平安国际智慧城市科技股份有限公司 数据评估方法、装置、电子设备及存储介质
CN113129122A (zh) * 2021-04-30 2021-07-16 国家电网有限公司 财务风险预警审计方法、装置、电子设备、及存储介质
CN113177728A (zh) * 2021-05-20 2021-07-27 珠海华发金融科技研究院有限公司 一种企业运营及财务风险管控方法及系统
CN114091855A (zh) * 2021-11-10 2022-02-25 安徽经邦软件技术有限公司 基于d-s证据合成技术风险预警指标系统
CN114781937A (zh) * 2022-06-20 2022-07-22 华网领业(杭州)软件有限公司 一种预付卡企业风险预警方法和装置以及存储介质
CN117094566A (zh) * 2023-10-19 2023-11-21 中节能大数据有限公司 一种视图导向的企业管理分析策略方法
CN118350644A (zh) * 2024-05-14 2024-07-16 深圳市赋风科技有限公司 一种风控预警模型的企业风险监控方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104299031A (zh) * 2014-06-13 2015-01-21 国家电网公司 Bp神经网络超短期负荷预测方法
WO2018063773A1 (en) * 2016-07-01 2018-04-05 Intraspexion Inc. Using classified text and deep learning algorithms to identify risk and provide early warning
CN108090657A (zh) * 2017-12-05 2018-05-29 大连理工大学 基于休哈特控制理论和概率神经网络的油气储运设施风险评估与在线预警管理系统及方法
US20180336459A1 (en) * 2017-05-22 2018-11-22 International Business Machines Corporation Unstructured key definitions for optimal performance
CN108985613A (zh) * 2018-07-06 2018-12-11 广州广电研究院有限公司 一种企业经营状况评估及预警方法、装置、设备及介质
CN109063960A (zh) * 2018-06-27 2018-12-21 国网山东省电力公司淄博供电公司 企业经营风险智能预警的单一参数衰减累加法
CN109492945A (zh) * 2018-12-14 2019-03-19 深圳壹账通智能科技有限公司 企业风险识别监控方法、装置、设备及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104299031A (zh) * 2014-06-13 2015-01-21 国家电网公司 Bp神经网络超短期负荷预测方法
WO2018063773A1 (en) * 2016-07-01 2018-04-05 Intraspexion Inc. Using classified text and deep learning algorithms to identify risk and provide early warning
US20180336459A1 (en) * 2017-05-22 2018-11-22 International Business Machines Corporation Unstructured key definitions for optimal performance
CN108090657A (zh) * 2017-12-05 2018-05-29 大连理工大学 基于休哈特控制理论和概率神经网络的油气储运设施风险评估与在线预警管理系统及方法
CN109063960A (zh) * 2018-06-27 2018-12-21 国网山东省电力公司淄博供电公司 企业经营风险智能预警的单一参数衰减累加法
CN108985613A (zh) * 2018-07-06 2018-12-11 广州广电研究院有限公司 一种企业经营状况评估及预警方法、装置、设备及介质
CN109492945A (zh) * 2018-12-14 2019-03-19 深圳壹账通智能科技有限公司 企业风险识别监控方法、装置、设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
何鲁冰;雷鹏飞;: "神经网络视角下的小微企业信贷风险评估", 湖北行政学院学报, no. 06, pages 85 - 91 *
储飞飞;仇冬芳;: "基于BP神经网络的企业财务风险评价研究", 科技创业月刊, no. 10, pages 63 - 65 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110971674A (zh) * 2019-11-15 2020-04-07 北京明略软件系统有限公司 一种实现信息处理的方法、装置、计算机存储介质及终端
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
CN111222790A (zh) * 2020-01-06 2020-06-02 深圳前海微众银行股份有限公司 风险事件发生概率的预测方法、装置、设备及存储介质
CN112052145A (zh) * 2020-09-09 2020-12-08 中国工商银行股份有限公司 性能告警阈值的确定方法、装置、电子设备和介质
CN112950344A (zh) * 2021-02-26 2021-06-11 平安国际智慧城市科技股份有限公司 数据评估方法、装置、电子设备及存储介质
CN113129122A (zh) * 2021-04-30 2021-07-16 国家电网有限公司 财务风险预警审计方法、装置、电子设备、及存储介质
CN113177728A (zh) * 2021-05-20 2021-07-27 珠海华发金融科技研究院有限公司 一种企业运营及财务风险管控方法及系统
CN114091855A (zh) * 2021-11-10 2022-02-25 安徽经邦软件技术有限公司 基于d-s证据合成技术风险预警指标系统
CN114781937A (zh) * 2022-06-20 2022-07-22 华网领业(杭州)软件有限公司 一种预付卡企业风险预警方法和装置以及存储介质
CN117094566A (zh) * 2023-10-19 2023-11-21 中节能大数据有限公司 一种视图导向的企业管理分析策略方法
CN117094566B (zh) * 2023-10-19 2024-01-02 中节能大数据有限公司 一种视图导向的企业管理分析策略方法
CN118350644A (zh) * 2024-05-14 2024-07-16 深圳市赋风科技有限公司 一种风控预警模型的企业风险监控方法及系统

Similar Documents

Publication Publication Date Title
CN110135689A (zh) 企业经营风险预警方法、装置及计算机可读存储介质
Scarlat et al. Indicators and metrics used in the enterprise risk management (ERM)
CN109685651A (zh) 仓单质押的信贷风险监控方法及装置
Sajko et al. How to calculate information value for effective security risk assessment
US20240202638A1 (en) System and Method for Enhancing and Sustaining Operational Efficiency
CA2779034A1 (en) High-risk procurement analytics and scoring system
CN110472815A (zh) 一种供应链金融业务中对融资企业的风险控制方法及系统
Wasesa et al. The seaport service rate prediction system: Using drayage truck trajectory data to predict seaport service rates
US20100036699A1 (en) Structured implementation of business adaptability changes
CN107004223A (zh) 交易平台系统及方法
CN110310123A (zh) 风险判断方法和装置
CN112950344A (zh) 数据评估方法、装置、电子设备及存储介质
King et al. Use of big data in insurance
CN110032731A (zh) 企业经营范围判断方法、装置及计算机可读存储介质
Euchi et al. Structural analysis of acute success factors of performance of reverse logistics relative to customer satisfaction
Chen et al. Testing for the burst of bubbles in dry bulk shipping market using log periodic power law model
CN109214714A (zh) 资产负债预警分析方法、装置及计算机可读存储介质
Mo et al. Simulation analysis of engineering business process in asset sustainment activities based on total cost of ownership
Vasilkov et al. Management of internal risks and opportunities of enterprises
Simonson et al. Analytics in insurance
Badillo et al. A Systems Science/Cybernetics Perspective on Contemporary Management in Supply Chains
Hadjinicolaou et al. Improving project success with project portfolio management practices
TWI699727B (zh) 資金風險評估裝置及方法
Dumitrascu et al. Project costs and risks estimation regarding quality management system implementation
Silk et al. Communicating the value of brand protection through a persuasive internal communications approach

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190816

WD01 Invention patent application deemed withdrawn after publication