CN111401798A - 一种企业逃废债风险预警系统及构建方法 - Google Patents
一种企业逃废债风险预警系统及构建方法 Download PDFInfo
- Publication number
- CN111401798A CN111401798A CN202010487222.6A CN202010487222A CN111401798A CN 111401798 A CN111401798 A CN 111401798A CN 202010487222 A CN202010487222 A CN 202010487222A CN 111401798 A CN111401798 A CN 111401798A
- Authority
- CN
- China
- Prior art keywords
- enterprise
- data
- debt
- early warning
- escaping
- 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
- 239000002699 waste material Substances 0.000 title claims abstract description 105
- 238000010276 construction Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 31
- 230000002776 aggregation Effects 0.000 claims abstract description 16
- 238000004220 aggregation Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims abstract description 5
- 230000006399 behavior Effects 0.000 claims description 23
- 238000012795 verification Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 9
- 238000013500 data storage Methods 0.000 claims description 7
- 208000001613 Gambling Diseases 0.000 claims description 6
- 239000003245 coal Substances 0.000 claims description 6
- 230000005611 electricity Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 5
- 238000012790 confirmation Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013524 data verification Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 239000002689 soil Substances 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 230000008901 benefit Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- -1 electricity Substances 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 239000002574 poison Substances 0.000 description 1
- 231100000614 poison Toxicity 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
Abstract
本发明公开了一种企业逃废债风险预警系统及构建方法，属于风险预警技术领域。该构建方法为收集能反映目标企业经营状况的相关数据，构建数据汇聚模块；然后通过分析预警模块，构建风险指标体系，并基于朴素贝叶斯算法，构建企业逃废债风险预警模型；最后，对预警结果进行识别，若识别结果为企业存在逃废债风险，则通知相关部门处理，否则，不作处理。本发明能够有效的预测出逃废债企业，具有较好的准确率和查全率，能够应用于实际的企业逃废债风险预警工作中；并且该系统可以在不占有企业财务报表资料的情况下，通过对反映企业经营行为的第三方数据进行分析研判，并推送预警结果给相关部门。
Description
技术领域
本发明属于风险预警技术领域，具体涉及一种企业逃废债风险预警系统及构建方法。
背景技术
逃废债是一种民事违约行为，不是所有的欠债都是逃废债，它强调债务人的主观故意，是指有履行债务的能力而不尽力履行债务的行为。近年来，我国企业恶意逃废债务现象突出，我国对逃废债问题日益重视，逃废债行为如能早发现、早处置即可有效预防，且预防的止损率基本可达100%，社会效益明显。但当前的相关文献主要研究企业的财务风险预警，研究企业逃废债风险预警的相关文献目前还较少。基于Logistic回归法的企业财务风险预警模型构建（李长山, 统计与决策, 2018, (6): 185-188）中提出了一种基于Logistic回归法的企业财务风险预警模型；基于财务与非财务指标的亏损公司财务预警研究——以公司ST为例（王克敏, 姬美光. 财经研究, 2006: (7), 63-72）中研究了基于财务与非财务指标的亏损公司财务预警，但这些方法都严重依赖于企业的财务报表，且方法仅适用于上市企业；BP神经网络在企业财务危机预警之应用（杨保安, 季海, 徐晶等, 预测, 2001, (2), 49-54, 68）中提出了一种基于BP神经网络的企业财务危机预警方法，同样，该方法依赖于企业的财务报表。
发明内容
针对现有技术中存在的问题，本发明要解决的技术问题是提供一种企业逃废债风险预警系统的构建方法，该方法不占有企业财务报表资料，通过对反映企业经营行为的第三方数据进行分析研判，构建风险预警模型。本发明要解决的技术问题还有一个是提供一种企业逃废债风险预警系统，该系统对有恶意逃废债务倾向的企业自动分析预警，并向相关部门推送预警结果，提升发现和预防企业逃废债务的能力，服务社会经济的发展。
为了解决上述问题，本发明所采用的技术方案如下：
一种企业逃废债风险预警系统的构建方法，收集能反映目标企业经营状况的相关数据，构建数据汇聚模块；然后通过分析预警模块，构建企业逃废债风险指标体系，并基于朴素贝叶斯算法，构建企业逃废债风险预警模型；最后，对预警结果进行识别，若识别结果为企业存在逃废债风险，则通知相关部门处理，否则，不作处理。具体包括以下步骤：
（1）收集能反映目标企业经营状况的相关数据，构建数据汇聚模块；所述相关数据为企业的工商数据、税务数据、房产数据和其他相关数据；所述其他相关数据为国土、公安、法院和煤、电、水气部门的数据；
（2）通过分析预警模块，构建企业逃废债风险预警指标体系，基于企业逃废债风险预警指标进行数据计算，构建样本特征空间；并基于朴素贝叶斯算法，构建企业逃废债风险预警模型，并对模型进行测试和优化；
（3）对预警结果进行识别，若预警结果显示目标企业存在逃废债风险，则将预警结果通知相关部门，相关部门对预警结果进行实地核查确认，如果核查结果属实，则对企业进行立案通知；若预警结果显示目标企业不存在逃废债风险，则不作处理。
所述企业逃废债风险预警系统的构建方法，所述构建数据汇聚模块包括以下步骤：
（1）系统根据各部门相关数据，生成数据字典：
（2）用户根据数据字典，选择需要入库的数据字段；
（3）用户根据需要，为要入库的数据字段设置数据入库规则；所述数据入库规则为：对于数值类型，设置其最大值和最小值，对于字符串类型，设置其字符串最小长度和最大长度；
（4）系统根据数据字段和数据属性，自动生成excel格式的数据模板；
（5）用户按照数据模板的格式，填充要入库的数据，并将文件上传至系统；
（6）系统根据数据属性及数据入库规则，对用户上传的数据进行校验，如果检验成功，则将数据入库，如果失败，则转（7）；
（7）系统通知用户入库失败原因，其失败原因有三种：1.数据重复，2.数据属性错误，3.数据不符合入库规则。
所述企业逃废债风险预警系统的构建方法，所述数据字典包括数据字段、含义说明和数据类型，所述数据类型包含字符型、日期型、整数型、浮点数型和布尔值型。
所述企业逃废债风险预警系统的构建方法，所述构建企业逃废债风险预警指标体系包括构建企业危机行为指标和构建企业逃废债行为指标。
所述企业逃废债风险预警系统的构建方法，所述企业危机行为指标包括企业发生经济犯罪案件的次数，是否为法院失信被执行人，企业产生的银行不良贷款情况，是否发生拖欠社保行为，是否为黑名单企业，企业欠税欠费情况，企业是否在年底前申请贷款，企业涉及的法院经济案件判决情况和执行情况，企业是否欠薪，企业是否产生贷款逾期，银行信贷评级是否下调，法定代表人涉赌涉毒情况，法定代表人境外赌博地出入情况指标。
所述企业逃废债风险预警系统的构建方法，所述企业逃废债行为指标包括企业房产交易情况，企业车辆交易情况，企业的资产抵押是否小于贷款余额的50%，企业法定代表人是否变更为非亲属或高龄老人，企业是否存在高频股权交易，企业出资成立子公司情况，企业主营业务是否频繁变化，企业法人短期内是否频繁出境，是否存在近亲属名义成立子公司且关联交易。
所述企业逃废债风险预警系统的构建方法，基于朴素贝叶斯算法构建企业逃废债风险预警模型包括以下步骤：
（1）构建样本集，人工识别a家逃废债企业和b家非逃废债企业，基于企业逃废债风险预警指标体系计算逃废债企业的风险预警指标，构建模型的样本集，并随机选取A条数据作为测试集，选取B条数据作为训练集；
（2）数据预处理，对步骤（1）中的企业各指标进行数值化和归一化处理，所述数值化是指加工非数值类型转换为数值类型，所述归一化处理的公式为：
其中，max(x)和min(x)分别为属性x的最大值和最小值
（3）模型训练，基于数据预处理后的企业逃废债风险指标，构建样本的特征向量；选取训练集，分别统计逃废债企业和非逃废债企业情况下各个特征出现的概率，统计得到P(x i|y)，统计逃废债企业出现的概率和非逃废债企业出现的概率，统计得到P(y)，从而根据以下公式，得到企业逃废债风险预警模型；
其中，x为独立事件，c为所有类别集合中的某个类别，P(c)为事件c发生的概率，P(x|c)为条件概率，指事件c发生的情况下，x发生的概率；
（4）模型测试，使用测试集验证模型的准确性，调整模型，提高模型精度。
一种企业逃废债风险预警系统，包括数据汇聚模块和分析预警模块；所述数据汇聚模块汇聚了能反映目标企业经营状况的各部门的相关数据；所述分析预警模块用于识别可能存在逃废债风险的企业；所述企业逃废债风险预警系统，所述数据汇聚模块通过前端页面进行数据属性和入库规则设置，并提供数据上传模板自动生成、模板下载、数据上传、数据验证和结果验证功能。
有益效果：与现有的技术相比，本发明的优点包括：
（1）本发明能够有效的预测出逃废债企业，具有较好的准确率和查全率，能够应用于实际的企业逃废债风险预警工作中。
（2）本发明提出了一种企业逃废债风险预警方法及系统，可以在不占有企业财务报表资料的情况下，通过对反映企业经营行为的第三方数据进行分析研判，构建企业逃废债风险预警模型，对有恶意逃废债务倾向的企业自动分析预警，并向相关部门推送预警结果，提升发现和预防企业逃废债务的能力，服务社会经济的发展。
附图说明
图1为企业逃废债风险预警方法的流程图；
图2为构建数据汇聚模块结构示意图；
图3为构建分析预警模块流程图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合具体实施例对本发明的具体实施方式做详细的说明。
1.研究对象及数据源
本发明研究样区为江苏省宜兴市，截止2019年底，宜兴市共有3万多家在业企业。本发明汇聚了金融、工商、税务、房产、国土、公安、法院和煤、电、水气等部门的数据，通过每月数据导入的方式，实现数据的每月定期更新。截止2019年底，已建立了十七个数据库，累计汇聚数据60多万条数据。本发明基于汇聚的数据，建立企业逃废债风险预警模型，每月进行模型计算，得到疑似逃废债企业，并通知相关部门进行处理。
实施例1
1.方法原理
1.1总体流程
一种企业逃废债风险预警方法及系统，该系统包括数据汇聚模块和分析预警模块，该预警方法总体流程如图1所示，首先通过数据汇聚模块汇聚了能反映目标企业经营状况的金融、工商、税务、房产、国土、公安、法院和煤、电、水气等部门的数据；然后通过分析预警模块，构建风险指标体系，并基于朴素贝叶斯算法，构建企业逃废债风险预警模型；最后，将对预警结果进行识别，若识别结果为该企业存在逃废债风险，则通知相关部门，相关部门对预警结果进行实地核查确认，如果核查结果属实，则对企业进行立案通知，若识别结果为该企业不存在逃废债风险，则不予处理。
数据汇聚模块汇聚了能反映目标企业经营状况的金融、工商、税务、房产、国土、公安、法院和煤、电、水气等部门的数据。该模块通过前端页面进行数据属性和入库规则设置，并提供了数据上传模板自动生成、模板下载、数据上传、数据验证和结果验证等功能，构建数据汇聚模块具体包括以下步骤：
（1）系统根据各部门数据，生成数据字典；数据字典主要包括所有涉及的数据字段、含义说明以及数据类型，数据类型主要包含5种数据类型，分别为字符型、日期型、整数型、浮点数型和布尔值型；
（2）用户根据数据字典，选择需要入库的数据字段；
（3）用户根据需要为需要入库的数据字段设置入库规则；入库规则为对于数值类型数据，设置其最大值和最小值，对于字符串类型数据，设置其字符串最小长度和最大长度；
（4）系统根据数据字段和数据属性，自动生成excel格式的数据模板；
（5）用户按照数据模板的格式，填充要入库的数据，并将文件上传至系统；
（6）系统根据数据属性及数据入库规则，对用户上传的数据进行校验，如果检验成功，则将数据入库，如果失败，则转（7）；
（7）系统通知用户入库失败原因，其失败原因主要有以下三种，1.数据重复，2.数据属性错误，3. 数据不符合入库规则。
分析预警模块主要用于识别可能存在逃废债风险的企业，构建分析预警模块具体包括以下步骤如下：
（1）构建企业逃废债风险预警指标体系；构建企业逃废债风险预警指标体系的方法包括以下步骤：
（a）构建企业危机行为指标，企业危机行为是指企业可能存在的经营风险的行为，主要包括企业的如下情况：企业发生经济犯罪案件的次数，是否为法院失信被执行人，企业产生的银行不良贷款情况，是否发生拖欠社保行为，是否为黑名单企业，企业欠税欠费情况，企业是否在年底前申请贷款，企业涉及的法院经济案件判决情况和执行情况，企业是否欠薪，企业是否产生贷款逾期，银行信贷评级是否下调，法定代表人涉赌涉毒情况，法定代表人境外赌博地出入情况等指标。
（b）构建企业逃废债行为指标，逃废债行为是指企业可能存在的逃废债风险的行为，主要涉及企业的人员流、物流、资金流以及法定代表人和企业董监高人员的资产动向，其指标主要包括企业的如下情况：企业房产交易情况，企业车辆交易情况，企业的资产抵押是否小于贷款余额的50%，企业法定代表人是否变更为非亲属或高龄老人，企业是否存在高频股权交易，企业出资成立子公司情况，企业主营业务是否频繁变化，企业法人短期内是否频繁出境，是否存在近亲属名义成立子公司且关联交易。
（2）基于企业逃废债风险预警指标进行数据计算，构建样本特征空间；
（3）基于朴素贝叶斯算法构建企业逃废债风险预警模型，并对模型进行测试和优化；使用企业逃废债风险预警模型对系统的企业库中的企业进行风险识别，如果识别结果为企业存在逃废债风险，则通知相关部门处理，否则，不作处理。
朴素贝叶斯是一种基于概率论中贝叶斯规则的分类算法，贝叶斯规则如式（1）所示：
其中，P(y|x)为后验概率，指事件x发生的情况系，事件y发生的概率，P(x)，P(y)为事件x，y发生的概率，P(x|y)为条件概率，指事件y发生的情况下，x发生的概率。
当x为多个独立事件x 1,x 2,……x n 时，贝叶斯规则如（2）所示：
朴素贝叶斯算法对每条数据，计算其所有类别的贝叶斯概率，概率最大的类别即为其所属的类别。由于对所有类别来说，P(x)值相同，因此，贝叶斯算法如式（3）所示，其中y为所有类别的合集，c为y中的某个类别。
基于朴素贝叶斯算法构建企业逃废债风险预警模型的步骤如下：
（1）构建样本集，人工识别出100家逃废债企业及100家非逃废债企业，其中逃废债企业是指存在逃废债风险的企业，并基于企业逃废债风险预警指标体系，计算其风险预警指标，构建模型的样本集，并随机选取100条数据作为测试集，选取900条数据作为训练集；
（2）数据预处理，对步骤（1）中的企业各指标进行数值化和归一化处理，数值化是指将非数值类型转换为数值类型，例如将布尔值类型转换为0或1，将企业涉及的经济案件情况转换为企业涉及的经济案件数量。归一化处理的公式如式（4）所示：
其中max(x)和min(x)分别为属性x的最大值和最小值；
（3）模型训练，基于数据预处理后的企业逃废债风险指标，构建样本的特征向量，记为x 1,x 2,……x n 。选取训练集，分别统计逃废债企业和非逃废债企业情况下各个特征出现的概率，统计得到P(x i|y)，统计逃废债企业出现的概率和非逃废债企业出现的概率，统计得到P(y)，从而根据式（3），得到贝叶斯模型；
（4）模型测试，使用测试集验证模型的准确性，调整模型，提高模型精度。
本发明采用的软硬件环境分别是：操作系统为Windows 7专业版，使用的开发语言为Python 3.6，CPU是Intel Core i7，内存为16G，硬盘为PCIe SSD，显卡为GeoforceGTX1060。选取2019年宜兴地区的1000家企业数据进行模型识别，其中包含100家逃废债企业和900家非废债企业。使用企业逃废债风险预警模型，得到113家逃废债企业，其中有8家逃废债企业未识别出，有21家企业识别错误，根据式（5）和式（6）分别计算模型的准确率和查全率，得到准确率为97.9%，查全率为92%。
其中n为企业总数，S i 为企业是否为逃废债企业，是则S i 为1，否则为0，P i 表示模型预测企业为逃废债企业，是则P i 为1，否则为0；
其中TP代表模型识别成功的逃废债企业数量，PE代表逃废债企业的总数量。
本发明针对企业逃废债行为，提出了一种企业逃废债风险预警方法及系统，系统包括数据汇聚模块和分析预警模块，首先通过数据汇聚模块汇聚了能反映目标企业经营状况的金融、工商、税务、房产、国土、公安、法院和煤、电、水气等部门的数据；然后通过分析预警模块，构建风险指标体系，并基于朴素贝叶斯算法，构建企业逃废债风险预警模型；最后，将预警结果通知相关部门，相关部门对预警结果进行实地核查确认，如果核查结果属实，则对企业进行立案通知。通过对宜兴的企业数据进行模型验证，本发明方法能够有效的预测出逃废债企业，具有较好的准确率和查全率，能够应用于实际的企业逃废债风险预警工作中。
Claims (8)
1.一种企业逃废债风险预警系统的构建方法，其特征在于，收集能反映目标企业经营状况的相关数据，构建数据汇聚模块；然后通过分析预警模块，构建企业逃废债风险指标体系，并基于朴素贝叶斯算法，构建企业逃废债风险预警模型；最后，对预警结果进行识别，若识别结果为企业存在逃废债风险，则通知相关部门处理，否则，不作处理，具体包括以下步骤：
（1）收集能反映目标企业经营状况的相关数据，构建数据汇聚模块；所述相关数据为企业的工商数据、税务数据、房产数据和其他相关数据；所述其他相关数据为国土、公安、法院和煤、电、水气部门的数据；
（2）通过分析预警模块，构建企业逃废债风险预警指标体系，基于企业逃废债风险预警指标进行数据计算，构建样本特征空间；并基于朴素贝叶斯算法，构建企业逃废债风险预警模型，并对模型进行测试和优化；
（3）对预警结果进行识别，若预警结果显示目标企业存在逃废债风险，则将预警结果通知相关部门，相关部门对预警结果进行实地核查确认，如果核查结果属实，则对企业进行立案通知；若预警结果显示目标企业不存在逃废债风险，则不作处理。
2.根据权利要求1所述企业逃废债风险预警系统的构建方法，其特征在于，所述构建数据汇聚模块包括以下步骤：
（1）系统根据各部门相关数据，生成数据字典：
（2）用户根据数据字典，选择需要入库的数据字段；
（3）用户根据需要，为要入库的数据字段设置数据入库规则；所述数据入库规则为：对于数值类型，设置其最大值和最小值，对于字符串类型，设置其字符串最小长度和最大长度；
（4）系统根据数据字段和数据属性，自动生成excel格式的数据模板；
（5）用户按照数据模板的格式，填充要入库的数据，并将文件上传至系统；
（6）系统根据数据属性及数据入库规则，对用户上传的数据进行校验，如果检验成功，则将数据入库，如果失败，则转（7）；
（7）系统通知用户入库失败原因，其失败原因有三种：1.数据重复，2.数据属性错误，3.数据不符合入库规则。
3.根据权利要求2所述企业逃废债风险预警系统的构建方法，其特征在于，所述数据字典包括数据字段、含义说明和数据类型，所述数据类型包含字符型、日期型、整数型、浮点数型和布尔值型。
4.根据权利要求1所述企业逃废债风险预警系统的构建方法，其特征在于，所述构建企业逃废债风险预警指标体系包括构建企业危机行为指标和构建企业逃废债行为指标。
5.根据权利要求4所述企业逃废债风险预警系统的构建方法，其特征在于，所述企业危机行为指标包括企业发生经济犯罪案件的次数，是否为法院失信被执行人，企业产生的银行不良贷款情况，是否发生拖欠社保行为，是否为黑名单企业，企业欠税欠费情况，企业是否在年底前申请贷款，企业涉及的法院经济案件判决情况和执行情况，企业是否欠薪，企业是否产生贷款逾期，银行信贷评级是否下调，法定代表人涉赌涉毒情况，法定代表人境外赌博地出入情况指标。
6.根据权利要求4所述企业逃废债风险预警系统的构建方法，其特征在于，所述企业逃废债行为指标包括企业房产交易情况，企业车辆交易情况，企业的资产抵押是否小于贷款余额的50%，企业法定代表人是否变更为非亲属或高龄老人，企业是否存在高频股权交易，企业出资成立子公司情况，企业主营业务是否频繁变化，企业法人短期内是否频繁出境，是否存在近亲属名义成立子公司且关联交易。
7.根据权利要求1所述企业逃废债风险预警系统的构建方法，其特征在于，基于朴素贝叶斯算法构建企业逃废债风险预警模型包括以下步骤：
（1）构建样本集，人工识别a家逃废债企业和b家非逃废债企业，基于企业逃废债风险预警指标体系计算逃废债企业的风险预警指标，构建模型的样本集，并随机选取A条数据作为测试集，选取B条数据作为训练集；
（2）数据预处理，对步骤（1）中的企业各指标进行数值化和归一化处理，所述数值化是指加工非数值类型转换为数值类型，所述归一化处理的公式为：
其中，max(x)和min(x)分别为属性x的最大值和最小值
（3）模型训练，基于数据预处理后的企业逃废债风险指标，构建样本的特征向量；选取训练集，分别统计逃废债企业和非逃废债企业情况下各个特征出现的概率，以及统计逃废债企业出现的概率和非逃废债企业出现的概率，从而根据以下公式，得到企业逃废债风险预警模型；
其中，x为独立事件，c为所有类别集合中的某个类别，P(c)为事件c发生的概率，P(x|c)为条件概率，指事件c发生的情况下，x发生的概率；
（4）模型测试，使用测试集验证模型的准确性，调整模型，提高模型精度。
8.一种企业逃废债风险预警系统，其特征在于，包括数据汇聚模块和分析预警模块；所述数据汇聚模块汇聚了能反映目标企业经营状况的各部门的相关数据；所述分析预警模块用于识别可能存在逃废债风险的企业；所述数据汇聚模块通过前端页面进行数据属性和入库规则设置，并提供数据上传模板自动生成、模板下载、数据上传、数据验证和结果验证功能。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010487222.6A CN111401798A (zh) | 2020-06-02 | 2020-06-02 | 一种企业逃废债风险预警系统及构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010487222.6A CN111401798A (zh) | 2020-06-02 | 2020-06-02 | 一种企业逃废债风险预警系统及构建方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111401798A true CN111401798A (zh) | 2020-07-10 |
Family
ID=71414214
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010487222.6A Pending CN111401798A (zh) | 2020-06-02 | 2020-06-02 | 一种企业逃废债风险预警系统及构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111401798A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112330476A (zh) * | 2020-11-27 | 2021-02-05 | 中国人寿保险股份有限公司 | 一种团单保险业务预测方法及装置 |
| CN112990369A (zh) * | 2021-04-26 | 2021-06-18 | 四川新网银行股份有限公司 | 一种基于社交网络的逃废债行为识别方法及系统 |
| CN113011853A (zh) * | 2021-03-29 | 2021-06-22 | 广东电网有限责任公司 | 一种基于新楼盘用电信息的企业逃税稽查方法及系统 |
| CN113283861A (zh) * | 2021-05-18 | 2021-08-20 | 上海示右智能科技有限公司 | 构建智能企业合规的方法 |
| CN113506174A (zh) * | 2021-08-19 | 2021-10-15 | 北京中数智汇科技股份有限公司 | 中小企业风险预警模型训练方法、装置和设备 |
| CN113506034A (zh) * | 2021-07-28 | 2021-10-15 | 上海示右智能科技有限公司 | 构建智能第三方监督评估组织的方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7585634B2 (en) * | 2007-01-09 | 2009-09-08 | Samsung Electronics Co., Ltd. | Method of predicting risk of lung cancer recurrence, and a composition, kit and microarray for the same |
| CN106651424A (zh) * | 2016-09-28 | 2017-05-10 | 国网山东省电力公司电力科学研究院 | 基于大数据技术的电力用户画像建立与分析方法 |
| CN106651190A (zh) * | 2016-12-28 | 2017-05-10 | 深圳微众税银信息服务有限公司 | 一种企业风险等级评估方法以及系统 |
| CN108648068A (zh) * | 2018-05-16 | 2018-10-12 | 长沙农村商业银行股份有限公司 | 一种信用风险评估方法及系统 |
-
2020
- 2020-06-02 CN CN202010487222.6A patent/CN111401798A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7585634B2 (en) * | 2007-01-09 | 2009-09-08 | Samsung Electronics Co., Ltd. | Method of predicting risk of lung cancer recurrence, and a composition, kit and microarray for the same |
| CN106651424A (zh) * | 2016-09-28 | 2017-05-10 | 国网山东省电力公司电力科学研究院 | 基于大数据技术的电力用户画像建立与分析方法 |
| CN106651190A (zh) * | 2016-12-28 | 2017-05-10 | 深圳微众税银信息服务有限公司 | 一种企业风险等级评估方法以及系统 |
| CN108648068A (zh) * | 2018-05-16 | 2018-10-12 | 长沙农村商业银行股份有限公司 | 一种信用风险评估方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 安英博 等: "基于朴素贝叶斯的村镇银行信用风险预警研究", 《无线互联科技》 * |
| 栾江霞 等: "大数据技术在金融领域的实战应用", 《信息技术与标准化》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112330476A (zh) * | 2020-11-27 | 2021-02-05 | 中国人寿保险股份有限公司 | 一种团单保险业务预测方法及装置 |
| CN113011853A (zh) * | 2021-03-29 | 2021-06-22 | 广东电网有限责任公司 | 一种基于新楼盘用电信息的企业逃税稽查方法及系统 |
| CN113011853B (zh) * | 2021-03-29 | 2022-08-23 | 广东电网有限责任公司 | 一种基于新楼盘用电信息的企业逃税稽查方法及系统 |
| CN112990369A (zh) * | 2021-04-26 | 2021-06-18 | 四川新网银行股份有限公司 | 一种基于社交网络的逃废债行为识别方法及系统 |
| CN113283861A (zh) * | 2021-05-18 | 2021-08-20 | 上海示右智能科技有限公司 | 构建智能企业合规的方法 |
| CN113283861B (zh) * | 2021-05-18 | 2024-04-16 | 上海示右智能科技有限公司 | 构建智能企业合规的方法 |
| CN113506034A (zh) * | 2021-07-28 | 2021-10-15 | 上海示右智能科技有限公司 | 构建智能第三方监督评估组织的方法 |
| CN113506174A (zh) * | 2021-08-19 | 2021-10-15 | 北京中数智汇科技股份有限公司 | 中小企业风险预警模型训练方法、装置和设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11263703B2 (en) | Systems and methods for anti-money laundering analysis | |
| CN111401798A (zh) | 一种企业逃废债风险预警系统及构建方法 | |
| US20220122171A1 (en) | Client server system for financial scoring with cash transactions | |
| Ekin et al. | Statistical medical fraud assessment: exposition to an emerging field | |
| US8489499B2 (en) | System and method of detecting and assessing multiple types of risks related to mortgage lending | |
| US20070055619A1 (en) | Systems and methods for analyzing disparate treatment in financial transactions | |
| US20120030076A1 (en) | System and method for risk-based data assessment | |
| CN111476660B (zh) | 一种基于数据分析的智能风控系统及方法 | |
| US7729964B2 (en) | Methods and systems for anomaly detection in small datasets | |
| US20200184487A1 (en) | Adaptive transaction processing system | |
| WO2012018968A1 (en) | Method and system for quantifying and rating default risk of business enterprises | |
| Papik et al. | Detection models for unintentional financial restatements | |
| Kim et al. | Development of an anomaly detection model for a bank's transitory account system | |
| Wang | Operating risk and accounting conservatism: an empirical study | |
| CN117203638A (zh) | 使用机器学习技术预测机构风险的系统和方法 | |
| Hu | Predicting and improving invoice-to-cash collection through machine learning | |
| CN116596674A (zh) | 基于大数据分析的对外贸易风险评估方法 | |
| CN112037006A (zh) | 小微企业的信用风险识别方法及装置 | |
| CN112329862A (zh) | 基于决策树的反洗钱方法及系统 | |
| Basu et al. | The impact of conservatism and supply chain finance on bad debt expense | |
| Andersson et al. | Bankruptcy determinants among Swedish SMEs:-The predictive power of financial measures | |
| CN110738570A (zh) | 基于多通道异质数据的信息型操纵自动识别方法 | |
| Bouaguel et al. | The impact of the COVID-19 pandemic on the Saudi credit industry: an empirical analysis using machine learning techniques to focus on the factors affecting consumer credit scoring | |
| Fan et al. | Unearthing Financial Statement Fraud: Insights from News Coverage Analysis | |
| Jiang et al. | Towards Real-Time Financial Statement Fraud Detection Using Machine Learning |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200710 |
|
| RJ01 | Rejection of invention patent application after publication |