CN111861758A - 一种基于全连接神经网络的僵尸企业识别方法及其系统 - Google Patents

一种基于全连接神经网络的僵尸企业识别方法及其系统 Download PDF

Info

Publication number
CN111861758A
CN111861758A CN202010711180.XA CN202010711180A CN111861758A CN 111861758 A CN111861758 A CN 111861758A CN 202010711180 A CN202010711180 A CN 202010711180A CN 111861758 A CN111861758 A CN 111861758A
Authority
CN
China
Prior art keywords
enterprise
data
neural network
financing
fully
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
CN202010711180.XA
Other languages
English (en)
Inventor
李志敏
毛浩地
蔡承佑
何真可
李莹
杜楠楠
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.)
Zhejiang Chinese Medicine University ZCMU
Original Assignee
Zhejiang Chinese Medicine University ZCMU
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 Zhejiang Chinese Medicine University ZCMU filed Critical Zhejiang Chinese Medicine University ZCMU
Priority to CN202010711180.XA priority Critical patent/CN111861758A/zh
Publication of CN111861758A publication Critical patent/CN111861758A/zh
Pending legal-status Critical Current

Links

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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/06—Asset management; Financial planning or analysis
    • 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
    • G06N3/08—Learning methods
    • 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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Technology Law (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Primary Health Care (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明涉及一种基于全连接神经网络的僵尸企业识别方法，包括以下步骤：步骤S1：采集若干样本企业数据；步骤S2：进行数据预处理，提取样本企业特征并添加标签，划分训练数据集、测试数据集；步骤S3：利用Sequential模型构建全连接神经网络；步骤S4：根据训练数据集，初始化并训练全连接神经网络模型，直到到达预设最大训练次数，得到训练后的全连接神经网络模型；步骤S5：将待测企业数据输入训练后的全连接神经网络模型，识别是否为僵尸企业。本发明还包括实施本发明方法的系统。本发明具有高效准确、自动化的特点，对推进企业风险监察具有重大意义。

Description

一种基于全连接神经网络的僵尸企业识别方法及其系统
【技术领域】
本发明属于信息技术领域，涉及一种工商管理系统的僵尸企业识别方法。
【背景技术】
僵尸企业是指缺乏盈利能力却能够以低于市场最优利率成本获得信贷资源，依靠外界输血的企业，地方政府不断给濒临破产的僵尸企业进行各种形式的“输血”，然后再通过补贴贷款来维持其局面，带来严重的资源配置问题。
僵尸企业的识别标准主要有CHK标准，FN-CHK标准以及各类FN-CHK修正标准等。CHK标准的核心是企业是否接受信贷补贴，FN-CHK标准则包含“真实利润原则”以及“常青贷款原则”，相关的FN-CHK修正方法大部分都是对以上两类标准的修正，对企业利润与资产负债率等指标进行调整，将企业的经营管理费用、净资产水平、企业效率和创新等指标引入僵尸企业的识别标准体系中，力求从更加多维的层次反映僵尸企业的经营特征。通过各类标准分类识别僵尸企业均有其局限性，尤其是标准的制定有其主观性。
随着经济社会的不断发展，企业数量急剧增加，但企业经营质量参差不齐， 通过对企业从业人数、成立年限、注册资本、营业收入、风险信息，行政处罚、 纳税信用等级、黑名单、上市信息、电商信息等数据关联处理，按需进行权重分 割，对这些数据进行基于机器学习的综合分析并识别僵尸企业。
【发明内容】
本发明要克服现有技术的上述缺点，的目的在于提供一种基于全连接神经网络的僵尸企业识别与分类方法。具有高效准确、自动化的特点，对推进企业风险监察具有重大意义。
为实现上述目的，本发明采用如下技术方案。
一种基于全连接神经网络的僵尸企业识别方法，其特征在于，包括以下步骤：
步骤S1：采集若干样本企业数据(数据来源：上海证券交易所、深圳证券交易所、企业财报、国家知识产权局)；
步骤S2：提取样本企业特征并添加标签，并进行数据预处理，划分训练数据集、测试数据集；
步骤S3：利用Sequential模型构建全连接神经网络；
步骤S4：根据训练数据集，初始化并训练全连接神经网络模型，直到测试误差达到预设值或者到达预设最大训练次数，得到训练后的全连接神经网络模型；
步骤S5：将待测企业数据输入训练后的全连接神经网络模型，识别是否为僵尸企业。
进一步的，步骤S2所述DE数据预处理和特征提取过程，包括缺失值插补、数据归一化、均值代换和时间序列化。
所述的缺失值插补包括以下步骤：
若融资额度或融资成本其中一项为0，另一项缺失，则将另一项置为0；若融资额度和融资成本均缺失则将两项都置为0；若融资额度或融资成本其中一项为实数，另一项缺失，则由以下公式计算缺失值：
Figure BDA0002596591280000021
k1≈k2≈…≈kn≈K，K为常数
对所有数据按行计算主营业务收入/营业总收入比例，并按如下公式计算平均比例：
Figure BDA0002596591280000022
根据平均比例插补营业总收入、主营业务收入的缺失值。
对于“专利”、“商标”、“著作权”、“注册时间”、“行业”、“区域”、“企业类型”、“控制人类型”这种非定距型数据，按行相应数据，选取众数插补缺失值。
经过上述步骤之后，从业人数、资产总额、负债总额、所有者权益、利润总额、注册资本、控制人持股比例剩余的缺失值，采用均值插补缺失值。
优选地，数据归一化采取max-min方法对：
Figure BDA0002596591280000023
上式中，X为某列特征数据的向量。
均值代换和时间序列化，包括以下步骤：
计算企业上市以来总融资额度(包括债权融资额度、股权融资额度、内部融资和贸易融资额度、项目融资和政策融资额度)、总融资成本(总融资成本包括债权融资成本、股权融资成本、内部融资和贸易融资成本、项目融资和政策融资成本)的平均增长率，并以该平均增长率作为企业的特征数据，公式如下，
Figure BDA0002596591280000031
上式中，i为第i列特征，s为该企业IPO年份，c为上市第c年(判定企业是否为僵尸企业应观察其是否有多年僵尸化特征，故本模型只分析上市三年以上的企业，即c≥3)，下同。
计算企业上市以来其余特征数据的均值，并以这些特征的均值作为企业的特征数据，公式如下：
Figure BDA0002596591280000032
优选地，步骤S2提取企业特征包括注册资本、控制人持股比例、创新指数、融资额度增长率、融资成本增长率、从业人数、资产总额、负债总额、营业总收入、主营业务收入、利润总额、净利润、纳税总额、所有者权益合计。
由此确定，步骤S4所述的所述全连接神经网络模型以每组样本数据的各项特征指标作为输入，以是否为僵尸企业的判断结果作为输出，其中输入层节点数为14，输出层节点数为1。所述全连接神经网络模型的隐藏层节点数为：
Figure BDA0002596591280000033
其中，Ninput是输入层神经元个数，Noutput是输出层神经元个数，Ntrain是训练集样本个数，α∈[2,10]是可以自取的变量。
步骤S4所述的所述全连接神经网络模型输入层激励函数采用ReLU函数，隐藏层以及输出层的激励函数采用Sigmoid函数，损失函数采用 Binary_crossentropy函数。
实施本发明所述的一种基于全连接神经网络的僵尸企业识别方法的系统，包括依次连接的数据输入装置、识别引擎、识别结果输出装置，识别引擎包括样本企业数据存储模块、数据预处理模块、全连接神经网络构建模块、全连接神经网络训练模块、识别模块，其中：
样本企业数据存储模块采集若干样本企业数据，数据来源：上海证券交易所、深圳证券交易所、企业财报、国家知识产权局；
数据预处理模块进行数据预处理，提取企业特征并添加标签，划分训练数据集、测试数据集；
全连接神经网络构建模块利用Sequential模型构建全连接神经网络；
全连接神经网络训练模块，根据训练数据集，初始化并训练全连接神经网络模型，直到测试误差达到预设值或者到达预设最大训练次数，得到训练后的全连接神经网络模型；
识别模块将待测企业数据输入训练后的全连接神经网络模型，识别是否为僵尸企业。
本发明的优点是：本发明具有高效准确、自动化的特点，对推进企业风险监察具有重大意义。
【附图说明】
图1是本发明的全连接神经网络模型图；
图2是本发明的模型训练过程图；
图3是本发明的模型训练次数与损失值之间的关系图；
图4是本发明的模型训练次数与正确率之间的关系图。
【具体实施方式】
下面结合附图，进一步说明本发明的技术方案。
本发明提供一种基于全连接神经网络的僵尸企业识别方法，包括以下步骤：
步骤S1：采集中国银监会及企业财报上的若干企业数据；
步骤S2：提取样本企业特征并根据银监会信息添加标签，构造训练数据集；
步骤S3：构建全连接神经网络模型；
步骤S4：根据训练数据集，初始化并训练全连接神经网络模型，指导测试误差达到预设值或到达预设最大的训练次数，得到训练后的全连接神经网络模型；
步骤S5：将待测企业数据输入训练后的全连接神经网络模型，判断是否为僵尸企业。
在本实施例中，所述样本企业特征包括注册资本、控制人持股比例、创新指数、融资额度增长率、融资成本增长率、从业人数、资产总额、负债总额、营业总收入、主营业务收入、利润总额、净利润、纳税总额、所有者权益合计。
在本实施例中，所述全连接神经网络模型以每组样本数据的各项特征直表作为输入，以是否为僵尸课程的判断结果作为输出，其输入层节点数为14，输出层节点数为1。
隐藏层的节点数为：
Figure BDA0002596591280000051
其中，Ni是输入层神经元个数，No是输出层神经元个数，Ns是训练集样本个数，α∈[2,10]是可以自取的变量。
在本实施例中，所述前两层隐藏层的激活函数分别采用ReLU函数和sigmoid 函数。
实施例1
将如表一所示的部分训练集作为训练数据输入初始化的全连接神经网络模型，将表二所示的测试集输入训练好的全连接神经网络模型。如图2所示，这是某一次测试的损失值图，损失值越小，说明实际输出与期望输出间的误差值越小。可以看出在训练次数达到20次时，神经网络基本达到较满意的损失值。
表一部分训练样本数据集
Figure BDA0002596591280000052
Figure BDA0002596591280000061
根据企业ID接上表
Figure BDA0002596591280000062
Figure BDA0002596591280000071
表二部分测试集数据
Figure BDA0002596591280000072
根据企业ID接上表
Figure BDA0002596591280000073
实施本发明所述的一种基于全连接神经网络的僵尸企业识别方法的系统，包括依次连接的数据输入装置、识别引擎、识别结果输出装置，识别引擎包括样本企业数据存储模块、数据预处理模块、全连接神经网络构建模块、全连接神经网络训练模块、识别模块，其中：
样本企业数据存储模块采集若干样本企业数据，数据来源：上海证券交易所、深圳证券交易所、企业财报、国家知识产权局；
数据预处理模块进行数据预处理，提取企业特征并添加标签，划分训练数据集、测试数据集；
全连接神经网络构建模块利用Sequential模型构建全连接神经网络；
全连接神经网络训练模块，根据训练数据集，初始化并训练全连接神经网络模型，直到测试误差达到预设值或者到达预设最大训练次数，得到训练后的全连接神经网络模型；
识别模块将待测企业数据输入训练后的全连接神经网络模型，识别是否为僵尸企业。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。

Claims (7)

1.一种基于全连接神经网络的僵尸企业识别方法，其特征在于，包括以下步骤：
步骤S1：采集若干样本企业数据，数据来源：上海证券交易所、深圳证券交易所、企业财报、国家知识产权局；
步骤S2：进行数据预处理，提取企业特征并添加标签，划分训练数据集、测试数据集；
步骤S3：利用Sequential模型构建全连接神经网络；
步骤S4：根据训练数据集，初始化并训练全连接神经网络模型，直到测试误差达到预设值或者到达预设最大训练次数，得到训练后的全连接神经网络模型；
步骤S5：将待测企业数据输入训练后的全连接神经网络模型，识别是否为僵尸企业。
2.根据权利要求1所述的基于全连接神经网络的僵尸企业识别方法，其特征在于：步骤S2所述的数据预处理和企业特征，具体包括缺失值插补、数据归一化、均值代换和时间序列化；
所述的缺失值插补，具体包括：
若融资额度或融资成本其中一项为0，另一项缺失，则将另一项置为0；若融资额度和融资成本均缺失则将两项都置为0；若融资额度或融资成本其中一项为实数，另一项缺失，则由以下公式计算缺失值：
Figure FDA0002596591270000011
k1≈k2≈…≈kn≈K，K为常数
对所有数据按行计算主营业务收入/营业总收入比例，并按如下公式计算平均比例：
Figure FDA0002596591270000012
根据平均比例插补营业总收入、主营业务收入的缺失值；
对于“专利”、“商标”、“著作权”、“注册时间”、“行业”、“区域”、“企业类型”、“控制人类型”这种非定距型数据，按行相应数据，选取众数插补缺失值；
经过上述步骤之后，从业人数、资产总额、负债总额、所有者权益、利润总额、注册资本、控制人持股比例剩余的缺失值，采用均值插补缺失值；
数据归一化采取max-min方法对：
Figure FDA0002596591270000021
其中，X为某列特征数据的向量；
均值代换和时间序列化，具体包括：
计算企业上市以来总融资额度(包括债权融资额度、股权融资额度、内部融资和贸易融资额度、项目融资和政策融资额度)、总融资成本(总融资成本包括债权融资成本、股权融资成本、内部融资和贸易融资成本、项目融资和政策融资成本)的平均增长率，并以总融资额度、总融资成本的平均增长率作为企业的特征数据，公式如下，
Figure FDA0002596591270000022
上式中，i为第i列特征，s为该企业IPO年份，c为上市第c年(判定企业是否为僵尸企业应观察其是否有多年僵尸化特征，故本模型只分析上市三年以上的企业，即c≥3)，下同；
计算企业上市以来其余特征数据的均值，并以这些特征的均值作为企业的特征数据，公式如下：
Figure FDA0002596591270000023
3.根据权利要求1所述的基于全连接神经网络的僵尸企业识别方法，其特征在于：步骤S2所述的提取的企业特征包括：注册资本、控制人持股比例、创新指数、融资额度增长率、融资成本增长率、从业人数、资产总额、负债总额、营业总收入、主营业务收入、利润总额、净利润、纳税总额、所有者权益合计。
4.根据权利要求1所述的基于全连接神经网络的僵尸企业识别方法，其特征在于：步骤S4所述的全连接神经网络模型以每组样本数据的各项特征指标作为输入，以是否为僵尸企业的判断结果作为输出，其中输入层节点数为14，输出层节点数为1。
5.根据权利要求1所述的基于全连接神经网络的僵尸企业识别方法，其特征在于：步骤S4所述的全连接神经网络模型的隐藏层节点数为：
Figure FDA0002596591270000031
其中，Ninput是输入层神经元个数，Noutput是输出层神经元个数，Ntrain是训练集样本个数，α∈[2,10]是可以自取的变量。
6.根据权利要求1所述的基于全连接神经网络的僵尸企业识别方法，其特征在于：步骤S4所述的全连接神经网络模型输入层激励函数采用ReLU函数，隐藏层以及输出层的激励函数采用Sigmoid函数，损失函数采用Binary_crossentropy函数。
7.实施权利要求1所述的基于全连接神经网络的僵尸企业识别方法的系统，采用权利要求1-6之一所述的方法构建，其特征在于：包括依次连接的数据输入装置、识别引擎、识别结果输出装置，识别引擎包括样本企业数据存储模块、数据预处理模块、全连接神经网络构建模块、全连接神经网络训练模块、识别模块，其中：
样本企业数据存储模块采集若干样本企业数据，数据来源：上海证券交易所、深圳证券交易所、企业财报、国家知识产权局；
数据预处理模块进行数据预处理，提取企业特征并添加标签，划分训练数据集、测试数据集；
全连接神经网络构建模块利用Sequential模型构建全连接神经网络；
全连接神经网络训练模块，根据训练数据集，初始化并训练全连接神经网络模型，直到测试误差达到预设值或者到达预设最大训练次数，得到训练后的全连接神经网络模型；
识别模块将待测企业数据输入训练后的全连接神经网络模型，识别是否为僵尸企业。
CN202010711180.XA 2020-07-22 2020-07-22 一种基于全连接神经网络的僵尸企业识别方法及其系统 Pending CN111861758A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010711180.XA CN111861758A (zh) 2020-07-22 2020-07-22 一种基于全连接神经网络的僵尸企业识别方法及其系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010711180.XA CN111861758A (zh) 2020-07-22 2020-07-22 一种基于全连接神经网络的僵尸企业识别方法及其系统

Publications (1)

Publication Number Publication Date
CN111861758A true CN111861758A (zh) 2020-10-30

Family

ID=72949200

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010711180.XA Pending CN111861758A (zh) 2020-07-22 2020-07-22 一种基于全连接神经网络的僵尸企业识别方法及其系统

Country Status (1)

Country Link
CN (1) CN111861758A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113313407A (zh) * 2021-06-16 2021-08-27 上海交通大学 一种企业用电行为识别方法及设备

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113313407A (zh) * 2021-06-16 2021-08-27 上海交通大学 一种企业用电行为识别方法及设备

Similar Documents

Publication Publication Date Title
Bubna et al. Venture capital communities
Rao et al. Information systems maturity, knowledge sharing, and firm performance
CN113011973B (zh) 基于智能合约数据湖的金融交易监管模型的方法及设备
CN110796539A (zh) 一种征信评估方法及装置
Міщук et al. Intellectual capital as a factor forming economic security of enterprises in society 5.0
CN112613977A (zh) 一种基于政务数据的个人信用贷款准入授信方法及系统
Anandarajan et al. A comparison of machine learning techniques with a qualitative response model for auditor’s going concern reporting
Hariyono et al. The role of intellectual capital in the development of financial technology in the new normal period in Indonesia
CN110689437A (zh) 一种基于随机森林的通信施工项目财务风险预测方法
Sidorova et al. AI agency risks and their mitigation through business process management: A conceptual framework
Wang et al. Applying TOPSIS method to evaluate the business operation performance of Vietnam listing securities companies
CN111861758A (zh) 一种基于全连接神经网络的僵尸企业识别方法及其系统
Apparao et al. Financial statement fraud detection by data mining
Qiang et al. [Retracted] Relationship Model between Human Resource Management Activities and Performance Based on LMBP Algorithm
Zhailybayevich et al. Development of a predictive intellectual model for predicting the financial crisis in banks
Song Construction of corporate investment decision support model based on deep learning
Wang et al. [Retracted] Risk Prevention of E‐Commerce Supply Chain Financial Market Based on High‐Performance Computing
CN113516544A (zh) 一种基于大数据的智能风控管理系统及方法
Yao et al. Quantitative Investment Trading Model Based on Model Recognition Strategy with Deep Learning Method
Dimitras Evaluation of greek construction companies’ securities using UTADIS method
Ali et al. Credit risk analysis in agri-supply chain finance: genetic algorithm & neural network model
Golej Identification the Determinants of Pre-revenue Young Enterprises Value
Chen et al. Business portfolio reconfiguration and firm performance: the contingency role of organizational capabilities, slack and ownership
Merchan Alvarez International managerial skill and big Colombian big exporting firms' performance, 2006–2014
Akinyosoye-Gbonda ESTIMATING THE RELATIONSHIP BETWEEN TECHNOLOGY AND ECONOMIC GROWTH-EVIDENCE FROM SIERRA LEONE EXPERIENCE

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20201030