CN112085328A - 风险评估方法、系统、电子设备及存储介质 - Google Patents
风险评估方法、系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112085328A CN112085328A CN202010767604.4A CN202010767604A CN112085328A CN 112085328 A CN112085328 A CN 112085328A CN 202010767604 A CN202010767604 A CN 202010767604A CN 112085328 A CN112085328 A CN 112085328A
- Authority
- CN
- China
- Prior art keywords
- risk
- evaluation
- risk evaluation
- interval
- characteristic
- 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
- 238000012502 risk assessment Methods 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000003860 storage Methods 0.000 title claims abstract description 10
- 238000011156 evaluation Methods 0.000 claims abstract description 581
- 238000009826 distribution Methods 0.000 claims abstract description 150
- 238000004590 computer program Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000009827 uniform distribution Methods 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供了一种风险评估方法、系统、电子设备及存储介质，方法包括：采用核密度估计的方式对该风险评价特征的原始数据进行拟合，得到该风险评价特征的概率分布曲线；根据所述极小值点进行评估区间的划分；为每个评估区间分配对应的风险评价分值；根据各个风险评价特征的风险评价值以及各个风险评价特征的权重系数，确定所述待评价对象的风险评估结果。本发明实施例基于风险评价特征的概率分布曲线进行评估区间划分，能够较为客观地划分评估区间；同时通过为每个评估区间分配对应的风险评价分值，确定该风险评价特征的风险评价值结合相应地权重系数确定待评价对象的风险评估结果，使得最终的风险评估结果更具有客观性和准确性。
Description
技术领域
本发明涉及数据处理技术领域，尤其涉及一种风险评估方法、系统、电子设备及存储介质。
背景技术
在风险评估领域，风险评估方法多采用经验评分卡模型对评估对象进行综合打分，现有的经验评分卡模型是根据评价对象的具体要求选择若干个评价特征，再参考专家经验进行人工指定各评价特征评价标准的分值，然后对其进行求和。然而，利用经验指定各评价特征评价标准的分值，具有极强的主观性，同时根据经验硬划分的数据区间与实际数据分布不符，从而导致样本评级数据倾斜，并且根据经验硬划分的数据区间，极容易划在样本高密度区域，导致评级结果随时间波动剧烈。
发明内容
针对现有技术中存在的问题，本发明实施例提供一种风险评估方法、系统、电子设备及存储介质。
第一方面，本发明实施例提供一种风险评估方法，包括：
获取待评价对象的各个风险评价特征；
针对各个风险评价特征，获取每个风险评价特征的原始数据；
针对每个风险评价特征，采用核密度估计的方式对该风险评价特征的原始数据进行拟合，得到该风险评价特征的概率分布曲线；
确定所述概率分布曲线上的极小值点，将所述极小值点作为评估区间的划分点，根据所述极小值点进行评估区间的划分；
根据评估区间的划分结果，为每个评估区间分配对应的风险评价分值；
根据各个风险评价特征的风险评价值以及各个风险评价特征的权重系数，确定所述待评价对象的风险评估结果。
进一步地，针对每个风险评价特征，采用核密度估计的方式对该风险评价特征的原始数据进行拟合，得到该风险评价特征的概率分布曲线，包括：
针对每个风险评价特征，采用核密度估计的方式对该风险评价特征的原始数据进行拟合，得到初步概率分布曲线；
判断所述初步概率分布曲线上是否存在极小值点的数量不满足预设要求或与实际业务情况不符的区段，若存在，则针对该区段调整核密度估计的拟合带宽，以实现该区段的自适应拟合；
将调整后的概率分布曲线作为该风险评价特征的概率分布曲线。
进一步地，在根据各个风险评价特征的风险评价值以及各个风险评价特征的权重系数，确定所述待评价对象的风险评估结果之前，所述方法还包括：
根据当前风险评价类型以及各个风险评价特征与所述风险评价类型的关联程度，确定各风险评价特征的权重系数。
进一步地，所述根据评估区间的划分结果，为每个评估区间分配对应的风险评价分值，包括：
根据评估区间的划分结果与当前风险评价类型对应的风险分值分配方式，为每个评估区间分配对应的风险评价分值。
进一步地，所述根据评估区间的划分结果与当前风险评价类型对应的风险分值分配方式，为每个评估区间分配对应的风险评价分值，包括：
若当前风险评价类型对应的风险分值分配方式为递增均分分配方式；则根据评估区间的划分结果与当前风险评价类型对应的风险分值分配方式，为每个评估区间分配对应的风险评价分值，包括：
确定当前风险评价类型对应的风险分值总分；
根据风险分值总分、评估区间的划分数量、评估区间的分布顺序，为每个评估区间分配对应的风险评价分值；
和/或，
若当前风险评价类型对应的风险分值分配方式为评估区间顺序指定分值分配方式；则根据评估区间的划分结果与当前风险评价类型对应的风险分值分配方式，为每个评估区间分配对应的风险评价分值，包括：
根据评估区间的划分数量、评估区间的分布顺序，按照评估区间顺序指定分值的指定规则，为每个评估区间分配对应的风险评价分值。
第二方面，本发明实施例提供了一种风险评估系统，包括：
第一获取模块，用于获取待评价对象的各个风险评价特征；
第二获取模块，用于针对各个风险评价特征，获取每个风险评价特征的原始数据；
拟合模块，用于针对每个风险评价特征，采用核密度估计的方式对该风险评价特征的原始数据进行拟合，得到该风险评价特征的概率分布曲线；
划分评估区间模块，用于确定所述概率分布曲线上的极小值点，将所述极小值点作为评估区间的划分点，根据所述极小值点进行评估区间的划分；
分值分配模块，用于根据评估区间的划分结果，为每个评估区间分配对应的风险评价分值；
第一确定模块，用于根据各评估区间以及各评估区间对应的风险评价分值，确定该风险评价特征的风险评价值；
第二确定模块，用于根据各个风险评价特征的风险评价值以及各个风险评价特征的权重系数，确定所述待评价对象的风险评估结果。
进一步地，所述拟合模块，包括：
针对每个风险评价特征，采用核密度估计的方式对该风险评价特征的原始数据进行拟合，得到初步概率分布曲线；
判断所述初步概率分布曲线上是否存在极小值点的数量不满足预设要求或与实际业务情况不符的区段，若存在，则针对该区段调整核密度估计的拟合带宽，以实现该区段的自适应拟合；
将调整后的概率分布曲线作为该风险评价特征的概率分布曲线。
第三方面，本发明实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上第一方面所述的风险评估方法的步骤。
第四方面，本发明实施例还提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上第一方面所述的风险评估方法的步骤。
由上述技术方案可知，本发明实施例提供的风险评估方法、系统、电子设备及存储介质，获取待评价对象的各个风险评价特征；针对各个风险评价特征，获取每个风险评价特征的原始数据；针对每个风险评价特征，采用核密度估计的方式对该风险评价特征的原始数据进行拟合，得到该风险评价特征的概率分布曲线；从而根据所述概率分布曲线上的极小值点进行评估区间的划分；这样的划分方式与现有的固定划分评估区间相比可以根据风险评价特征的分布集中情况进行客观合理的分割，从而可以解决现有技术中根据经验进行经验硬划分或根据整数进行整数硬划分所带来的种种缺陷，例如，根据经验硬划分的数据区间与实际数据分布不符，导致样本评级数据倾斜，根据经验硬划分或根据整数划分的数据区间，极容易划在样本高密度区域，导致评级结果随时间波动剧烈，从而使得评估区间划分结果更为客观，举例来说将0到2000划分为若干个区间，现有的划分方式例如为(0-500)、(500-1000)、(1000-1500)、(1500-2000)，但是由于实际应用中各个风险评价特征大多数均不适合整数硬化分，因此这样的划分方式一方面容易与实际数据分布不符，另一方面若将评估区间划在样本高密度区域，则会导致评级结果随时间波动剧烈，本发明实施例根据所述概率分布曲线上的极小值点进行评估区间的划分，例如同样将0到2000根据极小值点划分为若干个评估区间，根据实际概率分布情况和概率分布曲线上的极小值点划分为(0-300)、(300-750)、(750-780)、(780-890)、(890-920)、(920-1000)……等确定若干个评估区间。可见本发明实施例基于风险评价特征的概率分布曲线进行评估区间划分，能够较为客观地划分评估区间；同时本发明实施例根据评估区间的划分结果，为每个评估区间分配对应的风险评价分值，该赋值可以根据实际业务需求为每一评估区间赋予合理风险评价分值，使得该风险评价特征的风险评价分值更具有客观性，从而为各评估区间以及各评估区间对应的风险评价分值确定的该风险评价特征的风险评价值提供了理论依据，最终根据各个风险评价特征的风险评价值以及各个风险评价特征的权重系数，确定所述待评价对象的风险评估结果，权重的设置弥补了将各风险评价特征得分直接相加的特征间区分度缺失，可以通过权值的不同建立各风险评价特征之间的联系，综合考虑各个风险评价特征对风险评估结果的影响程度有所不同，根据风险评价特征对风险评估结果的实际影响情况，确定各风险评价特征的权重系数，可以使得最终的风险评估结果更具有客观性和准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的风险评估方法的流程示意图；
图2为本发明另一实施例提供的风险评估方法的结构示意图；
图3为本发明另一实施例提供的风险评估方法的结构示意图；
图4为本发明另一实施例提供的风险评估方法的结构示意图；
图5为本发明一实施例提供的风险评估系统的结构示意图；
图6为本发明一实施例中电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明一实施例提供的风险评估方法的流程示意图；如图1所示，该方法包括：
步骤101：获取待评价对象的各个风险评价特征。
在本步骤中，举例来说，待评价对象为企业；企业的各个风险评价特征为门店面积、门店经纪人数目、近6个月业绩、企业法人年龄、订单成交率等。
步骤102：针对各个风险评价特征，获取每个风险评价特征的原始数据。
在本步骤中，举例来说，针对近6个月的业绩这一风险评价特征，获取企业近6个月的财务报表，并根据近6个月的财务报表确定近6个月的业绩这一风险评价特征的原始数据；针对订单成交率这一风险评价特征，获取订单总量和成交单数量，并根据订单总量和成交单数量确定订单成交率这一风险评价特征的原始数据；针对门店面积这一风险评价特征，获取企业房屋租赁合同，并根据房屋租赁合同确定门店面积这一风险评价特征的原始数据。
步骤103：针对每个风险评价特征，采用核密度估计的方式对该风险评价特征的原始数据进行拟合，得到该风险评价特征的概率分布曲线。
在本步骤中，采用核密度估计的方式对该风险评价特征的原始数据进行拟合，核函数选择数学性质较为方便的高斯核，拟合出该风险评价特征的概率分布曲线。举例来说，采用核密度估计的方式对近6个月的业绩这一风险评价特征的原始数据进行拟合，得到如图2所示的概率分布曲线；类似的，采用核密度估计的方式对“门店面积、门店经纪人数目、订单成交率”等风险评价特征的原始数据进行拟合，得到相应地概率分布曲线。
需要说明的是，本步骤采用核密度估计的方式对该风险评价特征的原始数据进行拟合，得到该风险评价特征的概率分布曲线的目的是可以根据风险评价特征的概率分布曲线对相应风险评价特征进行评估区间的划分。需要说明的是，采用根据风险评价特征的概率分布曲线对相应风险评价特征进行评估区间的划分的优势是：可以根据风险评价特征的分布集中情况进行客观合理的分割，从而可以解决现有技术中根据经验进行经验硬划分或根据整数进行整数硬划分所带来的种种缺陷，例如，根据经验硬划分的数据区间与实际数据分布不符，导致样本评级数据倾斜，根据经验硬划分或根据整数划分的数据区间，极容易划在样本高密度区域，导致评级结果随时间波动剧烈。
步骤104：确定所述概率分布曲线上的极小值点，将所述极小值点作为评估区间的划分点，根据所述极小值点进行评估区间的划分。
在本步骤中，如图2所示，可见该概率分布曲线上存在若干极小值点，将图中这些极小值点作为评估区间的划分点进行评估区间的划分，划分出若干评估区间。举例来说，参见图2，例如极小值点在300，则(0,300)为一评估区间，下一极小值点在750，则(300,750)为另一评估区间，下一极小值点在780，则(750,780)为另一评估区间，下一极小值点在890，则(780,890)为另一评估区间，下一极小值点在920，则(890,920)为另一评估区间等。
需要说明的是，本步骤将极小值点作为评估区间的划分点进行评估区间划分的优势是：避免将评估区间划在高密度区域，对评估区间进行客观合理的分割。
步骤105：根据评估区间的划分结果，为每个评估区间分配对应的风险评价分值。
在本步骤中，为每个评估区间赋风险评价分值，例如根据实际业务需求为每个评估区间赋予合理风险评价分值，若在实际业务第一评估区间需要的分值高，而第二评估区间需要的分值低，则对第一评估区间分配较高的分值，对第二评估区间分配较低的分值。
步骤106：根据各评估区间以及各评估区间对应的风险评价分值，确定该风险评价特征的风险评价值。
在本步骤中，可以理解的是，例如将各评估区间对应的风险评价分值进行相加求和，确定该风险评价特征的风险评价值。
步骤107：根据各个风险评价特征的风险评价值以及各个风险评价特征的权重系数，确定所述待评价对象的风险评估结果。
在本步骤中，需要说明的是，不同分布的中心极限定理表明，大量独立且方差有限的随机变量之和近似服从正态分布，那么只要风险评估的风险评价特征足够多，无论单个风险评价特征的数据分布如何，最终求和后的最终得分将会近似服从正态分布，符合大样本数据的分布特征。因此，基于中心极限定理的思想，将单个风险评价特征的得分进行加权求和，最终得出近似正态分布的企业评分数据。而加权时各风险评价特征的权重则根据业务需求进行设置，权重的设置弥补了将各风险评价特征得分直接相加的特征间区分度缺失，可以通过权值的不同建立各风险评价特征之间的联系。
此外，需要说明的是，各个风险评价特征的权重系数用于根据业务需求进行设置，它的作用是弥补将各特征得分直接相加的特征间区分度缺失，也即是说，针对不同的风险评价特征来说，由于其对最终的风险评估结果的影响程度是不同的，因此，通过设置权重可以体现这一点，也即通过权重的设置，可以体现各个风险评价特征对风险评估结果影响的区分度。举例来说，假设风险评价特征A对风险评估结果的影响度较高，则可以为其设置较大的权重值。假设风险评价特征B对风险评估结果的影响度较小，则可以为其设置较小的权重值。这里的权重值设置根据各个风险评价特征对风险评估结果的影响程度决定，也可以理解为根据业务需求进行设置，本质上是相同的意思。
此外，针对不同的风险评价类型，在确定各风险评价特征的权重系数时，可以先确定当前的风险评价类型，然后根据各个风险评价特征与当前的风险评价类型的关联程度，确定各风险评价特征的权重系数。风险评价类型例如为经营风险，金融逾期风险，违约风险，财务风险。
举例来说，对于风险评价类型I来说，假设风险评价特征A对其风险评估结果的影响度较高，风险评价特征B对其风险评估结果的影响度中等，风险评价特征C对其风险评估结果的影响度较低，则可以在针对风险评价类型I进行风险评价时，为A设置较大的权重值，为B设置中等的权重值，为C设置较小的权重值。
而对于风险评价类型II来说，假设风险评价特征A对其风险评估结果的影响度较小，风险评价特征B对其风险评估结果的影响度中等，风险评价特征C对其风险评估结果的影响度较高，则可以在针对风险评价类型II进行风险评价时，为A设置较小的权重值，为B设置中等的权重值，为C设置较大的权重值。
由此可见，根据各个风险评价特征与当前的风险评价类型的关联程度，确定各风险评价特征的权重系数，可以使得最终的风险评估结果更具有客观性和准确性。
由上面技术方案可知，本发明实施例提供的风险评估方法，获取待评价对象的各个风险评价特征；针对各个风险评价特征，获取每个风险评价特征的原始数据；针对每个风险评价特征，采用核密度估计的方式对该风险评价特征的原始数据进行拟合，得到该风险评价特征的概率分布曲线；从而根据所述概率分布曲线上的极小值点进行评估区间的划分；这样的划分方式与现有的固定划分评估区间相比可以根据风险评价特征的分布集中情况进行客观合理的分割，从而可以解决现有技术中根据经验进行经验硬划分或根据整数进行整数硬划分所带来的种种缺陷，例如，根据经验硬划分的数据区间与实际数据分布不符，导致样本评级数据倾斜，根据经验硬划分或根据整数划分的数据区间，极容易划在样本高密度区域，导致评级结果随时间波动剧烈，从而使得评估区间划分结果更为客观，举例来说将0到2000划分为若干个区间，现有的划分方式例如为(0-500)、(500-1000)、(1000-1500)、(1500-2000)，但是由于实际应用中各个风险评价特征大多数均不适合整数硬化分，因此这样的划分方式一方面容易与实际数据分布不符，另一方面若将评估区间划在样本高密度区域，则会导致评级结果随时间波动剧烈，本发明实施例根据所述概率分布曲线上的极小值点进行评估区间的划分，例如同样将0到2000根据极小值点划分为若干个评估区间，根据实际概率分布情况和概率分布曲线上的极小值点划分为(0-300)、(300-750)、(750-780)、(780-890)、(890-920)、(920-1000)……等确定若干个评估区间。可见本发明实施例基于风险评价特征的概率分布曲线进行评估区间划分，能够较为客观地划分评估区间；同时本发明实施例根据评估区间的划分结果，为每个评估区间分配对应的风险评价分值，该赋值可以根据实际业务需求为每一评估区间赋予合理风险评价分值，使得该风险评价特征的风险评价分值更具有客观性，从而为各评估区间以及各评估区间对应的风险评价分值确定的该风险评价特征的风险评价值提供了理论依据，最终根据各个风险评价特征的风险评价值以及各个风险评价特征的权重系数，确定所述待评价对象的风险评估结果，权重的设置弥补了将各风险评价特征得分直接相加的特征间区分度缺失，可以通过权值的不同建立各风险评价特征之间的联系，综合考虑各个风险评价特征对风险评估结果的影响程度有所不同，根据风险评价特征对风险评估结果的实际影响情况，确定各风险评价特征的权重系数，可以使得最终的风险评估结果更具有客观性和准确性。
在上述实施例的基础上，在本实施例中，针对每个风险评价特征，采用核密度估计的方式对该风险评价特征的原始数据进行拟合，得到该风险评价特征的概率分布曲线，包括：
针对每个风险评价特征，采用核密度估计的方式对该风险评价特征的原始数据进行拟合，得到初步概率分布曲线；
判断所述初步概率分布曲线上是否存在极小值点的数量不满足预设要求或与实际业务情况不符的区段，若存在，则针对该区段调整核密度估计的拟合带宽，以实现该区段的自适应拟合；举例来说：
若使用当前拟合带宽得到的概率分布曲线上只有2个极小值点，即可将该特征取值分为3个区段，但预设要求需对该特征进行5个区段的划分，那么此时需要减小拟合带宽，使得拟合出的概率分布曲线更加尖俏，从而识别出更多可能的极小值点，对该特征的取值进行区间划分。
相类似，若使用当前拟合带宽得到的概率分布曲线存在符合预设要求个数的极小值点，但某个区间由于特征取值过于集中(大部分的取值都落在该区间内)，概率密度曲线较平缓，无法识别到极小值点作为区间的分割点，那么此时对于该区间选取更小的拟合带宽进行重新拟合，识别其新的概率分布曲线上的极小值点，与原始极小值点相结合得到该特征整体的区段划分情况。
将调整后的概率分布曲线作为该风险评价特征的概率分布曲线。
在本实施例中，根据图3所示，图3中左半部分虚线框为与拟合结果不理想的区段，无法体现该区段的数据分布情况，需要对该区段进行调整重新拟合，该区段调整后的拟合结果如图3中右半部分所示，查询到该区段存在2个极小值点，划分为3个评估区间，从而符合实际业务要求，实现准确反映实际业务情况。
在本实施例中，需要说明的是，拟合带宽是可以进行调整的，带宽越大越平滑，越小越尖俏，且其最优选择和样本(即极小值点的数量不满足预设要求或与实际业务情况不符的区段)的分布情况有关，因此可以根据样本数据在不同区间上的不同分布，动态选择与其相适应的带宽进行拟合，从而实现与该区段的自适应拟合，从而能够使得拟合得到的概率分布曲线更为准确地反映风险评价特征本身的分布特性。由上面技术方案可知，本发明实施例提供的风险评估方法，针对极小值点的数量不满足预设要求或与实际业务情况不符的区段，动态选择与其相适应的带宽进行拟合，从而实现与该区段的自适应拟合，从而能够使得拟合得到的概率分布曲线更为准确地反映风险评价特征本身的分布特性。
在上述实施例的基础上，在本实施例中，在根据各个风险评价特征的风险评价值以及各个风险评价特征的权重系数，确定所述待评价对象的风险评估结果之前，所述方法还包括：
根据当前风险评价类型以及各个风险评价特征与所述风险评价类型的关联程度，确定各风险评价特征的权重系数。
在本实施例中，举例来说，对于风险评价类型I来说，假设风险评价特征A对其风险评估结果的影响度较高，风险评价特征B对其风险评估结果的影响度中等，风险评价特征C对其风险评估结果的影响度较低，则可以在针对风险评价类型I进行风险评价时，为A设置较大的权重值，为B设置中等的权重值，为C设置较小的权重值。而对于风险评价类型II来说，假设风险评价特征A对其风险评估结果的影响度较小，风险评价特征B对其风险评估结果的影响度中等，风险评价特征C对其风险评估结果的影响度较高，则可以在针对风险评价类型II进行风险评价时，为A设置较小的权重值，为B设置中等的权重值，为C设置较大的权重值。在本实施例中，可以理解的是，权重系数的设置弥补了将各风险评价特征得分直接相加的特征间区分度缺失，可以通过权值的不同建立各风险评价特征之间的联系。
由上面技术方案可知，本发明实施例提供的风险评估方法，通过当前风险评价类型以及各个风险评价特征与所述风险评价类型的关联程度，确定各风险评价特征的权重系数，有助于增强风险评估结果的客观性。
在上述实施例的基础上，在本实施例中，根据各个风险评价特征的风险评价值以及各个风险评价特征的权重系数，确定所述待评价对象的风险评估结果，包括：
根据各个风险评价特征的风险评价值以及各个风险评价特征的权重系数，采用加权求和的方式，确定所述待评价对象的风险评估结果。
在本实施例中，参见图4，例如：
通过对各个风险评价特征的得分和相对应的权重系数进行加权求和，可以得到单个评价对象的风险评估结果(总得分)。根据不同分布的中心极限定理表明，大量独立且方差有限的随机变量之和近似服从正态分布，那么只要风险评估的评价特征足够多，无论单个特征的数据分布如何，最终求和后的最终得分将会近似服从正态分布，符合大样本数据的分布特征。因此，基于中心极限定理的思想，将单个评价特征的得分进行加权求和，最终可以得出近似正态分布的企业评分数据。图4即为对一实验样本运用该方法进行风险评估所得结果(总得分)的分布情况。
在本实施例中，举例来说，各个风险评价特征的权重系数合为1，A风险评价特征的风险评价值为10，B风险评价特征的风险评价值为30，C风险评价特征的风险评价值为15，D风险评价特征的风险评价值为25，E风险评价特征的风险评价值为30；A风险评价特征的权重系数为0.2，B风险评价特征的权重系数为0.1，C风险评价特征的权重系数为0.4，D风险评价特征的权重系数为0.15，E风险评价特征的权重系数为0.15；加权求和：10*0.2+30*0.1+15*0.4+25*0.15+30*0.15＝19.25，确定所述待评价对象的风险评估结果为19.25，若得分小于20表示该评价对象的风险评估结果为危险，根据加权求和结果(19.25)判断小于20，认定为有风险。
在本实施例中，需要说明的是，根据不同分布的中心极限定理表明，大量独立且方差有限的随机变量之和近似服从正态分布，那么只要风险评估的评价特征足够多，无论单个特征的数据分布如何，最终求和后的最终得分将会近似服从正态分布，符合大样本数据的分布特征。因此，基于中心极限定理的思想，将单个评价特征的得分进行加权求和，最终得出近似正态分布的企业评分数据。
由上面技术方案可知，本发明实施例提供的风险评估方法，采用加权求和的方式，确定所述待评价对象的风险评估结果，从而实现多个评价特征得分可加性的实现，为企业各评价特征得分的可加性问题提供了理论依据。
在上述实施例的基础上，在本实施例中，所述根据评估区间的划分结果，为每个评估区间分配对应的风险评价分值，包括：
根据评估区间的划分结果与当前风险评价类型对应的风险分值分配方式，为每个评估区间分配对应的风险评价分值。
在本实施例中，风险评价类型例如为经营风险，金融逾期风险，违约风险，财务风险。针对风险评价类型I来说，适合递增均分分配方式，如第一评估区间为0、第二评估区间为1、第三评估区间为2、第四评估区间为3、第五评估区间为4，逐渐递增“1”；而风险评价类型II来说，适合评估区间顺序指定分值分配方式，如第一评估区间指定1分、第二评估区间指定3分、第三评估区间指定3分、第四评估区间指定2分、第五评估区间指定1分。由此可见，根据评估区间的划分结果与当前风险评价类型对应的风险分值分配方式，能够针对风险评级类型的不同特性，选择不同的分值分配方式，有助于使得最终的风险评估结果更具有客观性和准确性。
在上述实施例的基础上，在本实施例中，若当前风险评价类型对应的风险分值分配方式为递增均分分配方式；则根据评估区间的划分结果与当前风险评价类型对应的风险分值分配方式，为每个评估区间分配对应的风险评价分值，包括：
确定当前风险评价类型对应的风险分值总分；
根据风险分值总分、评估区间的划分数量、评估区间的分布顺序，为每个评估区间分配对应的风险评价分值。
在本实施例中，需要说明的是，递增均分分配方式是指：各评估区间对应的分值按照分布顺序依次递增，且每相邻的两个评估区间对应的分值之差相等。需要说明的是，递增均分分配方式适合一些评估区间越大，对应的风险分值越高，且风险分值随着评估区间的变大均匀变化的风险评价类型。
在本实施例中，举例来说，假设当前风险评价类型对应的风险分值分配方式为递增均分分配方式，且当前风险评价类型对应的风险分值总分为10分，评估区间的划分数量为5，评估区间分布顺序为【(0-300)、(300-750)、(750-780)、(780-890)、(890-920)】，则根据风险分值总分、评估区间的划分数量、评估区间的分布顺序，为每个评估区间分配对应的风险评价分值分别为0分、1分、2分、3分、4分，也即为每个评估区间分配对应的风险评价分值结果为：(0-300)区段对应风险分值为0分、(300-750)区段对应风险分值为1分、(750-780)区段对应风险分值为2分、(780-890)区段对应风险分值为3分、(890-920)区段对应风险分值为4分。
由上面技术方案可知，本发明实施例提供的风险评估方法，针对当前风险评价类型对应的风险分值分配方式适合递增均分分配的情况，通过确定当前风险评价类型对应的风险分值总分，根据所述风险分值总分、所述评估区间的划分数量、所述评估区间的分布顺序，为每个评估区间分配对应的风险评价分值，使分值分配更合理，适用范围更广泛。
在上述实施例的基础上，在本实施例中，
若当前风险评价类型对应的风险分值分配方式为评估区间顺序指定分值分配方式；则根据评估区间的划分结果与当前风险评价类型对应的风险分值分配方式，为每个评估区间分配对应的风险评价分值，包括：
根据评估区间的划分数量、评估区间的分布顺序，按照评估区间顺序指定分值的指定规则，为每个评估区间分配对应的风险评价分值。
在本实施例中，需要说明的是，评估区间顺序指定分值分配方式是指：按照评估区间顺序指定分值的预设指定规则，为各个评估区间依次分配对应的风险评价分值。
在本实施例中，举例来说，假设当前风险评价类型对应的风险分值分配方式为评估区间顺序指定分值分配方式，且评估区间顺序指定分值的预设指定规则为(1，3，3，2，1)，评估区间的分布顺序为【(0-300)、(300-750)、(750-780)、(780-890)、(890-920)】，则按照该预设指定规则为各个评估区间依次分配对应的风险评价分值。即为每个评估区间分配对应的风险评价分值结果为：(0-300)区段对应风险分值为1分、(300-750)区段对应风险分值为3分、(750-780)区段对应风险分值为3分、(780-890)区段对应风险分值为2分、(890-920)区段对应风险分值为1分。
由上面技术方案可知，本发明实施例提供的风险评估方法，针对当前风险评价类型对应的风险分值分配方式适合指定分值分配的情况，通过指定分值的指定规则，为每个评估区间分配对应的风险评价分值，使分值分配更合理，适用范围更广泛。
在上述实施例的基础上，在本实施例中，若当前风险评价类型对应的风险分值分配方式为递增均分分配方式；则根据评估区间的划分结果与当前风险评价类型对应的风险分值分配方式，为每个评估区间分配对应的风险评价分值，包括：确定当前风险评价类型对应的风险分值总分；根据风险分值总分、评估区间的划分数量、评估区间的分布顺序，为每个评估区间分配对应的风险评价分值；
若当前风险评价类型对应的风险分值分配方式为评估区间顺序指定分值分配方式；则根据评估区间的划分结果与当前风险评价类型对应的风险分值分配方式，为每个评估区间分配对应的风险评价分值，包括：根据评估区间的划分数量、评估区间的分布顺序，按照评估区间顺序指定分值的指定规则，为每个评估区间分配对应的风险评价分值。
图5为本发明一实施例提供的风险评估系统的结构示意图，如图5所示，该系统包括：第一获取模块201、第二获取模块202、拟合模块203、划分评估区间模块204、分值分配模块205、第一确定模块206、第二确定模块207，其中：
其中，第一获取模块201，用于获取待评价对象的各个风险评价特征；
第二获取模块202，用于针对各个风险评价特征，获取每个风险评价特征的原始数据；
拟合模块203，用于针对每个风险评价特征，采用核密度估计的方式对该风险评价特征的原始数据进行拟合，得到该风险评价特征的概率分布曲线；
划分评估区间模块204，用于确定所述概率分布曲线上的极小值点，将所述极小值点作为评估区间的划分点，根据所述极小值点进行评估区间的划分；
分值分配模块205，用于根据评估区间的划分结果，为每个评估区间分配对应的风险评价分值；
第一确定模块206，用于根据各评估区间以及各评估区间对应的风险评价分值，确定该风险评价特征的风险评价值；
第二确定模块207，用于根据各个风险评价特征的风险评价值以及各个风险评价特征的权重系数，确定所述待评价对象的风险评估结果。
本发明实施例提供的风险评估系统具体可以用于执行上述实施例的风险评估方法，其技术原理和有益效果类似，具体可参见上述实施例，此处不再赘述。
基于相同的发明构思，本发明实施例提供一种电子设备，参见图6，电子设备具体包括如下内容：处理器301、通信接口303、存储器302和通信总线304；
其中，处理器301、通信接口303、存储器302通过总线304完成相互间的通信；通信接口303用于实现各建模软件及智能制造装备模块库等相关设备之间的信息传输；处理301用于调用存储器302中的计算机程序，处理器执行计算机程序时实现上述各方法实施例所提供的方法，例如，处理器执行计算机程序时实现下述步骤：获取待评价对象的各个风险评价特征；针对各个风险评价特征，获取每个风险评价特征的原始数据；针对每个风险评价特征，采用核密度估计的方式对该风险评价特征的原始数据进行拟合，得到该风险评价特征的概率分布曲线；确定所述概率分布曲线上的极小值点，将所述极小值点作为评估区间的划分点，根据所述极小值点进行评估区间的划分；根据评估区间的划分结果，为每个评估区间分配对应的风险评价分值；根据各评估区间以及各评估区间对应的风险评价分值，确定该风险评价特征的风险评价值；根据各个风险评价特征的风险评价值以及各个风险评价特征的权重系数，确定所述待评价对象的风险评估结果。
基于相同的发明构思，本发明又一实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法实施例提供的方法，例如，获取待评价对象的各个风险评价特征；针对各个风险评价特征，获取每个风险评价特征的原始数据；针对每个风险评价特征，采用核密度估计的方式对该风险评价特征的原始数据进行拟合，得到该风险评价特征的概率分布曲线；确定所述概率分布曲线上的极小值点，将所述极小值点作为评估区间的划分点，根据所述极小值点进行评估区间的划分；根据评估区间的划分结果，为每个评估区间分配对应的风险评价分值；根据各评估区间以及各评估区间对应的风险评价分值，确定该风险评价特征的风险评价值；根据各个风险评价特征的风险评价值以及各个风险评价特征的权重系数，确定所述待评价对象的风险评估结果。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
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各实施方式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。基于这样的理解，上述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，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分的方法。
此外，在本发明中，诸如“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
此外，在本发明中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、方法、物品或者设备不仅包括那些要素，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、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
此外，在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”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必须针对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一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种风险评估方法，其特征在于，包括：
获取待评价对象的各个风险评价特征；
针对各个风险评价特征，获取每个风险评价特征的原始数据；
针对每个风险评价特征，采用核密度估计的方式对该风险评价特征的原始数据进行拟合，得到该风险评价特征的概率分布曲线；
确定所述概率分布曲线上的极小值点，将所述极小值点作为评估区间的划分点，根据所述极小值点进行评估区间的划分；
根据评估区间的划分结果，为每个评估区间分配对应的风险评价分值；
根据各评估区间以及各评估区间对应的风险评价分值，确定该风险评价特征的风险评价值；
根据各个风险评价特征的风险评价值以及各个风险评价特征的权重系数，确定所述待评价对象的风险评估结果。
2.根据权利要求1所述的风险评估方法，其特征在于，针对每个风险评价特征，采用核密度估计的方式对该风险评价特征的原始数据进行拟合，得到该风险评价特征的概率分布曲线，包括：
针对每个风险评价特征，采用核密度估计的方式对该风险评价特征的原始数据进行拟合，得到初步概率分布曲线；
判断所述初步概率分布曲线上是否存在极小值点的数量不满足预设要求或与实际业务情况不符的区段，若存在，则针对该区段调整核密度估计的拟合带宽，以实现该区段的自适应拟合；
将调整后的概率分布曲线作为该风险评价特征的概率分布曲线。
3.根据权利要求1所述的风险评估方法，其特征在于，在根据各个风险评价特征的风险评价值以及各个风险评价特征的权重系数，确定所述待评价对象的风险评估结果之前，所述方法还包括：
根据当前风险评价类型以及各个风险评价特征与所述风险评价类型的关联程度，确定各风险评价特征的权重系数。
4.根据权利要求1所述的风险评估方法，其特征在于，根据各个风险评价特征的风险评价值以及各个风险评价特征的权重系数，确定所述待评价对象的风险评估结果，包括：
根据各个风险评价特征的风险评价值以及各个风险评价特征的权重系数，采用加权求和的方式，确定所述待评价对象的风险评估结果。
5.根据权利要求1所述的风险评估方法，其特征在于，所述根据评估区间的划分结果，为每个评估区间分配对应的风险评价分值，包括：
根据评估区间的划分结果与当前风险评价类型对应的风险分值分配方式，为每个评估区间分配对应的风险评价分值。
6.根据权利要求5所述的风险评估方法，其特征在于，所述根据评估区间的划分结果与当前风险评价类型对应的风险分值分配方式，为每个评估区间分配对应的风险评价分值，包括：
若当前风险评价类型对应的风险分值分配方式为递增均分分配方式；则根据评估区间的划分结果与当前风险评价类型对应的风险分值分配方式，为每个评估区间分配对应的风险评价分值，包括：
确定当前风险评价类型对应的风险分值总分；
根据风险分值总分、评估区间的划分数量、评估区间的分布顺序，为每个评估区间分配对应的风险评价分值；
和/或，
若当前风险评价类型对应的风险分值分配方式为评估区间顺序指定分值分配方式；则根据评估区间的划分结果与当前风险评价类型对应的风险分值分配方式，为每个评估区间分配对应的风险评价分值，包括：
根据评估区间的划分数量、评估区间的分布顺序，按照评估区间顺序指定分值的指定规则，为每个评估区间分配对应的风险评价分值。
7.一种风险评估系统，其特征在于，包括：
第一获取模块，用于获取待评价对象的各个风险评价特征；
第二获取模块，用于针对各个风险评价特征，获取每个风险评价特征的原始数据；
拟合模块，用于针对每个风险评价特征，采用核密度估计的方式对该风险评价特征的原始数据进行拟合，得到该风险评价特征的概率分布曲线；
划分评估区间模块，用于确定所述概率分布曲线上的极小值点，将所述极小值点作为评估区间的划分点，根据所述极小值点进行评估区间的划分；
分值分配模块，用于根据评估区间的划分结果，为每个评估区间分配对应的风险评价分值；
第一确定模块，用于根据各评估区间以及各评估区间对应的风险评价分值，确定该风险评价特征的风险评价值；
第二确定模块，用于根据各个风险评价特征的风险评价值以及各个风险评价特征的权重系数，确定所述待评价对象的风险评估结果。
8.根据权利要求7所述的风险评估系统，其特征在于，所述拟合模块，包括：
针对每个风险评价特征，采用核密度估计的方式对该风险评价特征的原始数据进行拟合，得到初步概率分布曲线；
判断所述初步概率分布曲线上是否存在极小值点的数量不满足预设要求或与实际业务情况不符的区段，若存在，则针对该区段调整核密度估计的拟合带宽，以实现该区段的自适应拟合；
将调整后的概率分布曲线作为该风险评价特征的概率分布曲线。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述的风险评估方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至6任一项所述的风险评估方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010767604.4A CN112085328B (zh) | 2020-08-03 | 2020-08-03 | 风险评估方法、系统、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010767604.4A CN112085328B (zh) | 2020-08-03 | 2020-08-03 | 风险评估方法、系统、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112085328A true CN112085328A (zh) | 2020-12-15 |
| CN112085328B CN112085328B (zh) | 2024-05-24 |
Family
ID=73735945
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010767604.4A Active CN112085328B (zh) | 2020-08-03 | 2020-08-03 | 风险评估方法、系统、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112085328B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115829335A (zh) * | 2023-02-16 | 2023-03-21 | 山东和顺腾达高科技材料有限公司 | 一种面向铝型材加工的生产线执行风险评估系统 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100921618B1 (ko) * | 2009-04-28 | 2009-10-15 | 기술신용보증기금 | 기술창업기업에 대한 기술평가방법 |
| US20120203590A1 (en) * | 2011-02-04 | 2012-08-09 | Bank Of America Corporation | Technology Risk Assessment, Forecasting, and Prioritization |
| US20150088783A1 (en) * | 2009-02-11 | 2015-03-26 | Johnathan Mun | System and method for modeling and quantifying regulatory capital, key risk indicators, probability of default, exposure at default, loss given default, liquidity ratios, and value at risk, within the areas of asset liability management, credit risk, market risk, operational risk, and liquidity risk for banks |
| 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 |
| CN107038292A (zh) * | 2017-04-01 | 2017-08-11 | 三峡大学 | 一种基于自适应多变量非参数核密度估计的多风电场出力相关性建模方法 |
| CN107292477A (zh) * | 2016-04-13 | 2017-10-24 | 上海斯睿德信息技术有限公司 | 一种基于公司经营健康状况的信用评估方法 |
| CN108073578A (zh) * | 2016-11-07 | 2018-05-25 | 阿里巴巴集团控股有限公司 | 一种进行对象推荐的方法和系统 |
| CN109188258A (zh) * | 2018-07-17 | 2019-01-11 | 国网浙江省电力有限公司检修分公司 | 基于振电结合的高压断路器特征提取及分类方法 |
| CN110443458A (zh) * | 2019-07-05 | 2019-11-12 | 深圳壹账通智能科技有限公司 | 风险评估方法、装置、计算机设备和存储介质 |
| CN110826902A (zh) * | 2019-10-31 | 2020-02-21 | 北京东软望海科技有限公司 | 目标对象考核评价方法、装置、计算机设备及存储介质 |
| CN111181757A (zh) * | 2019-07-26 | 2020-05-19 | 腾讯科技（深圳）有限公司 | 信息安全风险预测方法、装置以及计算设备、存储介质 |
-
2020
- 2020-08-03 CN CN202010767604.4A patent/CN112085328B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150088783A1 (en) * | 2009-02-11 | 2015-03-26 | Johnathan Mun | System and method for modeling and quantifying regulatory capital, key risk indicators, probability of default, exposure at default, loss given default, liquidity ratios, and value at risk, within the areas of asset liability management, credit risk, market risk, operational risk, and liquidity risk for banks |
| KR100921618B1 (ko) * | 2009-04-28 | 2009-10-15 | 기술신용보증기금 | 기술창업기업에 대한 기술평가방법 |
| US20120203590A1 (en) * | 2011-02-04 | 2012-08-09 | Bank Of America Corporation | Technology Risk Assessment, Forecasting, and Prioritization |
| CN107292477A (zh) * | 2016-04-13 | 2017-10-24 | 上海斯睿德信息技术有限公司 | 一种基于公司经营健康状况的信用评估方法 |
| CN108073578A (zh) * | 2016-11-07 | 2018-05-25 | 阿里巴巴集团控股有限公司 | 一种进行对象推荐的方法和系统 |
| 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 |
| CN107038292A (zh) * | 2017-04-01 | 2017-08-11 | 三峡大学 | 一种基于自适应多变量非参数核密度估计的多风电场出力相关性建模方法 |
| CN109188258A (zh) * | 2018-07-17 | 2019-01-11 | 国网浙江省电力有限公司检修分公司 | 基于振电结合的高压断路器特征提取及分类方法 |
| CN110443458A (zh) * | 2019-07-05 | 2019-11-12 | 深圳壹账通智能科技有限公司 | 风险评估方法、装置、计算机设备和存储介质 |
| CN111181757A (zh) * | 2019-07-26 | 2020-05-19 | 腾讯科技（深圳）有限公司 | 信息安全风险预测方法、装置以及计算设备、存储介质 |
| CN110826902A (zh) * | 2019-10-31 | 2020-02-21 | 北京东软望海科技有限公司 | 目标对象考核评价方法、装置、计算机设备及存储介质 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115829335A (zh) * | 2023-02-16 | 2023-03-21 | 山东和顺腾达高科技材料有限公司 | 一种面向铝型材加工的生产线执行风险评估系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112085328B (zh) | 2024-05-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11272059B2 (en) | Exclusive agent pool allocation method, electronic device, and computer readable storage medium | |
| CN108280670B (zh) | 种子人群扩散方法、装置以及信息投放系统 | |
| CN110866767A (zh) | 电信用户满意度的预测方法、装置、设备及介质 | |
| CN111061624A (zh) | 策略执行效果确定方法、装置、电子设备及存储介质 | |
| CN112308704A (zh) | 数据评估方法、装置、电子设备及存储介质 | |
| CN110222971A (zh) | 一种基于交易单分级提高交易效率的方法及装置 | |
| CN113570260A (zh) | 任务分配方法和计算机可读存储介质、电子设备 | |
| CN114625523A (zh) | 一种资源分配方法、装置和计算机可读存储介质 | |
| CN116739742A (zh) | 信贷风控模型的监控方法、装置、设备及存储介质 | |
| CN112085328A (zh) | 风险评估方法、系统、电子设备及存储介质 | |
| CN109167806B (zh) | 一种基于前景理论的不确定QoS感知Web服务选择方法 | |
| CN114723481A (zh) | 数据处理方法、装置、电子设备和存储介质 | |
| CN117237053B (zh) | 一种机票分销平台及其控制方法 | |
| CN112819069B (zh) | 一种事件的定级方法及装置 | |
| CN102622706A (zh) | 一种风险缓释分配方法 | |
| CN111160647A (zh) | 一种洗钱行为预测方法及装置 | |
| CN109145207B (zh) | 一种基于分类指标预测的信息个性化推荐方法及装置 | |
| CN114529144A (zh) | 一种政务云的云服务质量的评估方法、装置及存储介质 | |
| CN112633948A (zh) | 一种目标受众占比计算方法及装置 | |
| CN113128794A (zh) | 一种量化评估方法及装置 | |
| CN112419050B (zh) | 基于电话通讯网络和社交行为的信用评估方法及装置 | |
| CN112749076B (zh) | 测试方法、装置及电子设备 | |
| CN109801001A (zh) | 一种电力企业保障体系的评价方法、装置及存储介质 | |
| CN114723199A (zh) | 用户群组划分方法、装置、电子设备及可读存储介质 | |
| CN115982455B (zh) | 基于模糊断点回归模型的流量调整方法、装置和电子设备 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240826 Address after: Room 102, 1st Floor, Building 1, No. 2 Chuangye Road, Haidian District, Beijing, 100080 Patentee after: Seashell Housing (Beijing) Technology Co.,Ltd. Country or region after: China Address before: Room 106-802, building 2, yard 8, Xingsheng South Road, Miyun District, Beijing Patentee before: Beijing Shell Time Network Technology Co.,Ltd. Country or region before: China |