CN112116197A - 一种基于供应商评价体系的不良行为预警方法及系统 - Google Patents
一种基于供应商评价体系的不良行为预警方法及系统 Download PDFInfo
- Publication number
- CN112116197A CN112116197A CN202010770578.0A CN202010770578A CN112116197A CN 112116197 A CN112116197 A CN 112116197A CN 202010770578 A CN202010770578 A CN 202010770578A CN 112116197 A CN112116197 A CN 112116197A
- Authority
- CN
- China
- Prior art keywords
- supplier
- adverse
- correlation
- probability
- occurrence probability
- 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
- 230000002411 adverse Effects 0.000 title claims abstract description 78
- 238000011156 evaluation Methods 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000004364 calculation method Methods 0.000 claims abstract description 28
- 238000012417 linear regression Methods 0.000 claims abstract description 23
- 238000010219 correlation analysis Methods 0.000 claims abstract description 14
- 238000012502 risk assessment Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 5
- 230000006399 behavior Effects 0.000 claims description 119
- 238000012360 testing method Methods 0.000 claims description 31
- 101100491857 Columba livia ASL gene Proteins 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 10
- 238000004519 manufacturing process Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000001422 normality test Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 5
- 238000011160 research Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 2
- 230000000638 stimulation Effects 0.000 claims description 2
- 238000010998 test method Methods 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims 2
- 238000010586 diagram Methods 0.000 description 15
- 238000004590 computer program Methods 0.000 description 7
- 238000007726 management method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 101100074187 Caenorhabditis elegans lag-1 gene Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000004141 dimensional analysis Methods 0.000 description 1
- 230000036541 health Effects 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
- 238000005457 optimization Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000013068 supply chain management Methods 0.000 description 1
- 230000003313 weakening effect 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
- G06Q10/06—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
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0282—Rating or review of business operators or products
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Theoretical Computer Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于供应商评价体系的不良行为预警方法，包括：获取待测供应商的评价指标值，将所述评价指标值带入预先构建的供应商不良行为发生概率计算式中得到不良行为发生概率，所述待测供应商不良行为发生概率对所述待测供应商进行风险评估，其中，所述应商不良行为发生概率计算式由供应商评价体系中各单因子相关性分析和多元线性回归模型进行训练确定的指标及占比构建而成；本发明通过供应商评价体系，采集核心因子并选择与不良行为相关性大的核心因子构建多元线性回归模型，得到供应商评价体系的不良行为预警方法。
Description
技术领域
本发明涉及一种评价体系，具体讲涉及一种基于供应商评价体系的不良行为预警方法及系统。
背景技术
供应链管理是所有企业经营的核心业务环节，而招投标采购又是其中控制成本、提高利润的业务中枢。随着企业投资金额不断增加，招投标业务的迅猛发展，招标采购规模呈现上升趋势，投标供应商数量与日俱增，对供应商精益化管理要求逐步提高，传统的采购管理模式已难以当前管理需求。
供应商通常被认为是企业的重要无形资产，其选择和评估成为企业管理最为关键的活动之一。供应商的选择除满足传统的价格、生产能力、财务状况这些基本要求外，还需要考虑其他诸多定性因素如以高素质人员数量来衡量的发展潜力等。随着供应商信息库的建立和不断完善，企业依托大数据、人工智能，结合宏观经济数据、行业发展状况、生产要素价格、企业征信等各类信息，可以实现对各类供应商信息多层次、多维度的分析解读，从中挖掘数据资产的价值，为分析和判断产品合理报价区间、构建价格分析模型、招投标风险预警等各类智能化应用的实现提供现实基础，进而提高企业的供应商管理工作质量和工作效率。综上而言，现有技术还无法完善的对供应商不良行为发生概率进行评价。
发明内容
针对现有技术还无法完善的对供应商不良行为发生概率进行评价，提供了一种基于供应商评价体系的不良行为预警方法，包括：
获取待测供应商的评价指标值；
将所述评价指标值带入预先构建的供应商不良行为发生概率计算式中得到不良行为发生概率；
根据所述待测供应商不良行为发生概率对所述待测供应商进行风险评估；
其中，所述应商不良行为发生概率计算式由供应商评价体系中各单因子相关性分析和多元线性回归模型进行训练确定的指标及占比构建而成。
优选的，所述供应商评价体系的建立包括：
基于影响供应商不良行为的影响因子构建一级指标；
为所述一级指标设置下级指标；
所述一级指标包括：产品质量、企业财务状况、企业生产技术、产品价格和公司声誉。
优选的，所述供应商不良行为发生概率计算式的构建包括：
基于所述各项指标的历史数据进行因子相关性分析，得到因子的相关性，从多个因子中选择相关性最大的设定数量的指标；
根据多元线性回归模型确定相关性最大的设定数量的指标，检验变量之间的相关性确定各指标的占比值；
根据选取的指标和占比值确定供应商不良行为发生概率计算式。
优选的，所述基于所述各项指标的历史数据进行因子相关性分析，得到因子的相关性，从多个因子中选择相关性最大的设定数量的指标，包括：
对所述多个因子分别进行单因子回归并做因子相关性分析，检验变量间的相关性，对所述变量间的相关性按照由大到小选取设定数量的指标。
优选的，还包括对所述相关性最大的设定数量的指标和所述指标的占比值进行检验。
优选的，所述对所述相关性最大的设定数量的指标和所述指标的占比值进行检验，包括：
利用正态分布检验方法，通过选取设定数量的指标判断整体是否服从正态分布；
利用线性检验方法，检验选取设定数量的指标值和供应商不良行为发生概率之间的线性关系是否显著；
利用误差独立性检验方法，检验供应商不良行为概率是否存在序列相关性，判断误差项是否独立。
优选的，所述供应商不良行为发生概率计算式，如下所示：
MISCONDUCT＝-a*DELTAP+b*LEV-c*R.D-d*ROE-e*LNOOPREV-f*LNTOTDEBT
式中，MISCONDUCT为供应商不良行为发生概率；DELTAP为供应商的投标价差；LEV为负债率；R.D为研发人员数量；ROE为净资产收益率；LNOOPREV为营业收入总额的对数；LNTOTDEBT为总负债金额的对数；a为供应商的投标价差对供应商不良行为发生概率的占比值；b为负债率对供应商不良行为发生概率的占比值；c为研发人员数量对供应商不良行为发生概率的占比值；d为净资产收益率对供应商不良行为发生概率的占比值；e为营业收入总额的对数对供应商不良行为发生概率的占比值；f为总负债金额的对数对供应商不良行为发生概率的占比值。
优选的，所述基于所述待测供应商不良行为发生概率对所述待测供应商进行风险评估，包括：
当供应商不良行为发生概率小于第一阈值时，待测供应商为低风险；
当供应商不良行为发生概率大于第一阈值小于第二阈值时，待测供应商为中风险；
当供应商不良行为发生概率大于第二阈值时，待测供应商为高风险。
基于同一发明构思，本发明提供了一种基于供应商评价体系的不良行为预警系统，其特征在于，包括：
获取模块：获取待测供应商的评价指标值；
计算模块：将所述评价指标值带入预先训练好的供应商不良行为发生概率计算式中得到不良行为发生概率；
评估模块：根据所述待测供应商不良行为发生概率对所述待测供应商进行风险评估。
优选的，所述获取模块包括：初级获取子模块和次级设置子模块；
所述初级获取子模块：基于影响供应商不良行为的影响因子构建一级指标；
所述刺激设置子模块：为所述一级指标设置下级指标；
优选的，所述计算模块包括分析单元、获取单元和概率计算单元；
所述分析单元：基于所述各项指标的历史数据进行因子相关性分析，得到因子的相关性，从多个因子中选择相关性最大的一定数量的指标；
所述获取单元：根据多元线性回归模型确定相关性最大的一定数量的指标，检验变量之间的相关性确定各指标的占比值；
所述概率计算单元：根据选取的指标和占比值确定供应商不良行为发生概率计算式。
优选的，还包括检验模块；对所述相关性最大的设定数量的指标和所述指标的占比值进行检验。
优选的，所述检验模块包括：正态性检验子模块，线性检验子模块和误差独立性检验子模块；
所述正态检验子模块：通过选取设定数量的指标判断整体是否服从正态分布；
所述线性检验子模块：检验选取设定数量的指标值和供应商不良行为发生概率之间的线性关系是否显著；
所述误差独立性检验子模块：检验供应商不良行为概率是否存在序列相关性，判断误差项是否独立。
优选的，所述评估模块包括：判断子模块和风险等级确定子模块；
所述判断子模块，用于判断所述待测供应商不良行为发生概率与第一阈值和第二阈值的大小关系；
所述风险等级确定子模块，用于基于所述待测供应商不良行为发生概率与第一阈值和第二阈值的大小关系确定所述待测供应商所属的风险等级。
与现有技术相比，本发明的有益效果为：
1、本发明提供了一种基于供应商评价体系的不良行为预警方法，包括：获取待测供应商的评价指标值，基于所述评价指标值和预先训练好的多元线性回归模型得到待测供应商不良行为发生概率，基于所述待测供应商不良行为发生概率对所述待测供应商进行风险评估，所述多元线性回归模型的训练包括：将预先建立的供应商评价体系进行因子相关性分析确定的指标对应的指标值作为输入，供应商不良行为发生概率实际值作为输出训练而成；本发明通过供应商评价体系，获取待测供应商的评价指标值训练多元线性回归模型，通过计算得到供应商不良行为发生概率，对供应商的风险等级进行评价，根据风险等级的评价，有效的对供应商评价体系的不良行为进行预警。
2、本发明的一种基于供应商评价体系的不良行为预警方法，可根据产品质量、企业财务状况、企业生产技术、产品价格以及公司声誉构建评价体系，通过评价体系采集核心因子，选择与不良行为相关性大的前六项核心因子构建多元线性回归模型，可得到供应商评价体系的不良行为预警方法，方法准确且实现对企业的评估。
附图说明
图1为本发明的基于供应商评价体系的不良行为预警方法示意图；
图2为本发明的无不良行为的样本估计结果分布示意图；
图3为本发明的存在不良行为的样本估计结果分布示意图；
图4为本发明的供应商评价体系示意图；
图5为本发明的供应商不良行为预警方法流程示意图；
图6为本发明的对多元回归模型的正态性检验示意图；
图7为本发明的对多元回归模型的线性检验示意图；
图8为本发明的对六个因子进行全子集回归示意图。
具体实施方式
结合附图对本发明的实施例作进一步说明。
实施例1
结合图1，本发明提供了一种基于供应商评价体系的不良行为预警方法，包括：
步骤一：获取待测供应商的评价指标值；
步骤二：基于所述评价指标值和预先训练好的多元线性回归模型得到待测供应商不良行为发生概率；
步骤三：基于所述待测供应商不良行为发生概率对所述待测供应商进行风险评估；
多元线性回归模型：由预先建立的供应商评价体系进行因子相关性分析确定的指标构建而成；
供应商评价体系包括一级指标和二级指标，其中每个所述一级指标包括多个所述二级指标。
步骤一：获取待测供应商的评价指标值，具体包括：
确定以产品质量、企业财务状况、企业生产技术、产品价格和公司声誉五个维度为主干的评价体系，覆盖了评价供应商表现的28个主要核心因子，并在考察供应商现有绩效的同时也注重供应商的长期表现，形成多维多级联动的供应商评价体系。
步骤二:基于所述评价指标值和预先训练好的多元线性回归模型得到待测供应商不良行为发生概率，包括：
采集供应商不良行为数据、供应商基本信息及招投标价格信息等28个主要核心因子数据，并对数据中的缺失值和异常值进行预处理。
对28个变量分别进行单因子回归并做因子相关性分析，检验变量间的相关性。选取相关性大的前六项因子建立多元线性回归模型，通过正态性检验、线性检验和误差独立性检验，选择全子集回归建立基于多元线性回归模型的供应商不良行为预警方法。
基于所述与相关性大的前六项因子建立多元线性回归模型，如下所示：
MISCONDUCT＝-1.664*DELTAP+1.748*LEV-0.004*R.D-0.459*ROE-0.055*LNOOPREV-0.0305*LNTOTDEBT
其具体含义为供应商不良行为发生概率(MISCONDUCT)与该供应商的投标价差(DELTAP)、负债率(LEV)、研发人员数量(R.D)、净资产收益率(ROE)、营业收入总额的对数(LNOOPREV)、总负债金额的对数(LNTOTDEBT)有关。
根据模型显示，供应商的投标价格比越低，发生不良行为的概率越高，投标价格每低于平均投标价1％会导致不良行为发生概率提升1.664％；
供应商的负债率越高，发生不良行为的概率越高，负债率每提升1％会导致不良行为发生概率提升1.748％；
供应商的研发人员数量越多，发生不良行为的概率越低，研发人员每增加1人次会使不良行为发生概率降低0.4％；
供应商的净资产收益率越高，发生不良行为的概率越低，净资产收益率每提升1％会使不良行为发生概率降低0.459％；
供应商的营业收入越高，发生不良行为的概率越低，营业收入取对数后，每增加一单位会使不良行为发生概率降低5.5％；
供应商的总负债金额越高，发生不良行为的概率越低，总负债金额取对数后，每增加一单位会使不良行为发生概率降低3.05％；
上述模型说明，从过往的数据来看，一个容易发生不良行为的高风险供应商在总体上呈现以下特征：报价远低于平均水平、负债率高、负债总额少、技术研发人员少、净资产收益率较低、营业收入少。反之，则供应商出现不良行为的概率较低。
分析模型所呈现的结果，模型的现实意义可以解释为以下几点：从价格维度来看，当供应商的报价过低时，其通过牺牲产品质量来降低成本的风险会显著提高；从财务维度来看，当供应商负债率过高时，回笼资金降低财务成本的压力同样会导致企业在人员、质控、生产工艺、原料成本等各方面的紧缩进而提高企业的风险；从财务维度来看，净资产收益率反映了供应商利用自有资产的盈利能力，良好的净资产收益率代表企业财务状况的健康稳健，一定程度上降低了供应商发生不良行为的概率；而总负债金额的上升会使供应商发生不良行为的概率下降，这与负债率不同的原因在于总负债的规模体现了金融系统对供应商的授信程度，当企业有足够的抵押物时才会获得相应的贷款形成负债，只有当负债过大形成债务驱动的杠杆经营模式时，才会在负债率上形成明显的风险增加，而单纯的总负债规模较大不仅说明企业规模较大，也隐含说明了金融系统对其信用评估较高，因此总负债规模越大，供应商发生不良行为的概率越低，从样本中也可以看到，往往是中标次数较多的大型企业或上市公司才有能力形成足够规模的负债。
本发明采用发生了不良行为的样本外数据和未发生不良行为的样本外数据分别进行检验。通过检验结果的分布差异可以为判断不良行为发生的风险提供边界值的参考。
表1最优模型对样本外数据不良率的预测结果
| 变量 | 样本数 | 不良率均值 | 方差 | 最小值 | 最大值 |
| 不良样本估计结果 | 14 | 0.564243 | 0.196331 | 0.2851 | 0.9028 |
| 无良样本估计结果 | 42 | 0.310291 | 0.13674 | 0.1206 | 0.6898 |
步骤三：基于所述待测供应商不良行为发生概率对所述待测供应商进行风险评估，具体包括：
不同类型的样本检验结果的统计描述如上表所示，其估计值的分布结合图2和图3。两类样本的估计值存在重叠区域，因此通过不同样本模型估计结果的均值将不良行为发生的风险划分为三个区间，分别代表对应高、中、低三级风险。以本次样本的检验结果来看：
当不良行为发生概率小于第一阈值时，待测供应商为低风险；
当模型估计结果小于0.310时为低风险；
当不良行为发生概率大于第二阈值时，待测供应商为高风险；
当模型估计结果高于0.564时为高风险；
当不良行为发生概率大于第一阈值小于第二阈值时，待测供应商为中风险；
而当模型估计结果介于0.310-0.564之间时为中等风险。
随着样本的变化和模型检验结果也会呈现出不同，因此在运用模型的过程中表现出动态优化的特征。随着样本数据分类的不断完善和细化，风险分级结果的合理性也将对应提升，进而为不良行为的预警提供更有效的指示。
实施例2
本发明建立的供应商评价体系充分考虑了评价准则的系统性和全面性，在传统评价体系的基础上增加或细化了诸如供应商经营财务状况、技术实力和企业声誉等维度的考察，覆盖了评价供应商表现的主要核心因子，并在考察供应商现有绩效的同时也注重供应商的长期表现。最终确立了以产品质量、产品价格、企业财务状况、企业生产技术和公司声誉五个维度为主干的评价体系，形成了多维多级联动的供应商评价体系，结合图4。
在已构建的供应商评价体系上选取了供应商不良行为数据、供应商基本信息及招投标价格信息等信息数据，利用统计学模型分析了存在不良行为的供应商的普遍特征，建立了供应商不良行为预警模型。结合图5，本实施方式公开的供应商不良行为预警模型，其包括步骤：
步骤1：基于建立的供应商评价体系，选取上述评价体系统的5个维度中可以获得的数据进行研究分析，总共包括28个因子。在模型建立过程中以供应商不良行为发生率，以下简称不良率(供应商不良行为发生次数除以供应商中标次数，既供应商实际发生不良行为的概率)作为模型的被解释变量，并从剩余的因子中筛选出具有解释能力和逻辑性的解释变量。各维度主要的因子如下：
质量维度因子：不良率(供应商不良行为发生次数除以供应商中标次数，既供应商实际发生不良行为的概率)；
价格维度因子：产品价差(供应商投标报价与同批次报价均值差距百分比)；
财务维度因子：负债率、净资产收益率、营业收入、营业收入对数、总负债、总负债对数、流动负债、流动负债对数、流动资产、流动资产对数、总资产、总资产对数、净资产、净资产对数、净利润、净现金流、注册资本金、注册资本金对数、流动比率、实收资本；
技术维度因子：研发人员数量；
声誉维度因子：是否存在诚信不良行为、是否为上市公司、总资产、总资产对数、净资产收益率。
步骤2：对总共28个变量(包括不良率MISCONDUCT)，分别进行单因子回归。把每一个因子的回归P值储存在p_value中，并做降序排列。
表2单因子回归的p值
根据上表，前六项因子DELTAP、LEV、R.D、ROE、LNOPREV、LNTOTDEBT极为重要。对前六项因子进行单因子回归统计，如表3所示。
表3前六项因子的单因子回归统计描述
| 因子名 | 估计值 | 调整R^2 | 正负性 | P值 |
| DELTAP | -1.78389 | 0.8648 | 负 | 1.183073e-26 |
| LEV | 0.3066 | 0.5836 | 正 | 1.180393e-12 |
| R.D | -0.019822 | 0.2693 | 负 | 1.520569e-05 |
| ROE | -0.12309 | 0.1873 | 负 | 0.0003655589 |
| LNOPREV | -1.2608 | 0.1608 | 负 | 0.006658875 |
| LNTOTDEBT | -1.277 | 0.09952 | 负 | 0.008588003 |
分析：LEV系数为0.3067，说明资产负债率与不良率同方向变动。资产负债率越高，往往说明长期偿债风险较大，因而不良率升高。三项指标符合基本认识：ROE系数为-0.12309，LNOPREV营业收入(对数)系数为-1.2608，反映了较好的盈利能力、营业数据能弱化不良风险。
而LNTOTDEBT总负债(对数)系数为-1.2777，与通常的经济学直觉上存在一定的矛盾，一般来说企业负债越多，合作方会对其偿债能力产生担心，因而总负债应该呈现与不良率的正相关关系，而在本模型中却呈现出了负相关关系。但是认为当负债作为表征企业规模的因子时这种关系是合意的。由于会负担高额负债的企业往往自身体量足够，其自身应当具有足够的抵押物才能够从金融体系内获取相应的贷款产生负债，不然无法获得高额贷款，因而这类企业实际偿债能力并不差，所以并不会造成不良情况。而企业的偿债能力在模型中则由LEV负债率与不良率的正向关系体现，因此模型中总负债越高而企业不良率越低是合理的。
步骤3：选取DELTAP、LEV、R.D、ROE、LNOPREV、LNTOTDEBT六项因子，检验变量之间的相关性，如表4所示。
表4变量之间的相关系数
步骤4：采用六元模型对供应商不良行为数据进行多元线性回归拟合，并得到六项因子的多元回归统计描述，得到各项因子的估计值、残差、t值以及P值等拟合性能数据，结论如下。
表5前六项因子的多元回归统计描述
| 因子名 | 估计值 | 残差 | t值 | P值 |
| DELTAP | -1.664 | 0.146 | -11.361 | 1.06e-15 |
| LEV | 1.748 | 0.222 | 7.859 | 2.13e-10 |
| R.D | -0.0041 | 0.002 | -2.036 | 0.0468 |
| ROE | -0.459 | 0.360 | -1.276 | 0.207 |
| LNOPREV | -0.055 | 0.066 | -0.834 | 0.408 |
| LNTOTDEBT | -0.0305 | 0.545 | -0.926 | 0.358 |
Residual standard error:0.1153 on 52 degrees of freedom
Multiple R-squared:0.913,Adjusted R-squared:0.9029
F-statistic:90.91 on 6 and 52 DF,p-value:<2.2e-16
总体来说，所有的因子解释了不良率90.29％的方差。
步骤5：对六元模型回归诊断，进行正态性检验、线性检验、误差独立性检验。正态性检验的效果结合图6，所有的点都离直线很近，并落在置信区间内，这表明正态性假设符合得很好。线性检验的效果结合图7。误差独立性检验的效果如表5。
表6前六项因子的误差独立性检验
| lag | Autocorrelati | D-W Statistic | p-value |
| 1 | 0.4865 | 1.0219 | 0 |
根据上表，Durbin-Waston检验下，p值不显著说明因变量值(及残差)无序列自相关性，误差项之间独立。滞后项lag＝1表明数据集中每个数据都是与其后一个数据进行比较的。
步骤6：对六个因子进行全子集回归，结果结合图8。全子集回归结果显示，包含截距(intercept)的情况下，第一行代表的DELTAP、LEV、R.D、ROE、LNOOPREV、LNTOTDEBT的组合是最佳模型，它的调整R平方最大＝0.94。这也与在多元回归分析中的结论较为一致。
综上，选择DELTAP+LEV+ROE+LNOPREV+LNTOTDEBT+R.D因子作为自变量,模型符合OLS四项假设，且对不良率的解释最高，并且符合经济学理论的相应解释。因此，结合多元回归结果和模型检验，确定最优模型如下：
供应商不良行为发生概率＝-1.664*DELTAP+1.748*LEV-0.004*R.D-0.459ROE-0.055*LNOOPREV-0.0305*LNTOTDEBT
实施例3
基于同一发明构思，一种基于供应商评价体系的不良行为预警系统，包括：
获取模块：获取待测供应商的评价指标值；
计算模块：基于所述评价指标值和预先训练好的多元线性回归模型得到待测供应商不良行为发生概率；
计算模块包括：模型构建子模块和概率计算子模块；
模型构建子模块，用于于影响供应商不良行为的各项指标构建多元线性回归模型；
概率计算子模块：用于基于所述评价指标值和预先训练好的多元线性回归模型得到待测供应商不良行为发生概率。
评估模块：基于所述待测供应商不良行为发生概率对所述待测供应商进行风险评估。
还包括检验模块：多元线性回归模型的回归诊断，所述回归诊断对所述相关性最大的设定数量的指标和所述指标的占比值进行检验。
检验模块包括：
正态性检验，线性检验，误差独立性检验。
评估模块包括：判断子模块和风险等级确定子模块；
判断子模块，用于判断所述待测供应商不良行为发生概率与第一阈值和第二阈值的大小关系；
风险等级确定子模块，用于基于所述待测供应商不良行为发生概率与第一阈值和第二阈值的大小关系确定所述待测供应商所属的风险等级。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本发明的实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均包含在申请待批的本发明的权利要求范围之内。
Claims (14)
1.一种基于供应商评价体系的不良行为预警方法，其特征在于，包括：
获取待测供应商的评价指标值；
将所述评价指标值带入预先构建的供应商不良行为发生概率计算式中得到不良行为发生概率；
根据所述待测供应商不良行为发生概率对所述待测供应商进行风险评估；
其中，所述应商不良行为发生概率计算式由供应商评价体系中各单因子相关性分析和多元线性回归模型进行训练确定的指标及占比构建而成。
2.如权利要求1所述的方法，其特征在于，所述供应商评价体系的建立包括：
基于影响供应商不良行为的影响因子构建一级指标；
为所述一级指标设置下级指标；
所述一级指标包括：产品质量、企业财务状况、企业生产技术、产品价格和公司声誉。
3.如权利要求1所述的方法，其特征在于，所述供应商不良行为发生概率计算式的构建包括：
基于所述各项指标的历史数据进行因子相关性分析，得到因子的相关性，从多个因子中选择相关性最大的设定数量的指标；
根据多元线性回归模型确定相关性最大的设定数量的指标，检验变量之间的相关性确定各指标的占比值；
根据选取的指标和占比值确定供应商不良行为发生概率计算式。
4.如权利要求3所述的方法，其特征在于，所述基于所述各项指标的历史数据进行因子相关性分析，得到因子的相关性，从多个因子中选择相关性最大的设定数量的指标，包括：
对所述多个因子分别进行单因子回归并做因子相关性分析，检验变量间的相关性，对所述变量间的相关性按照由大到小选取设定数量的指标。
5.如权利要求4所述的方法，其特征在于，还包括对所述相关性最大的设定数量的指标和所述指标的占比值进行检验。
6.如权利要求5所述的方法，其特征在于，所述对所述相关性最大的设定数量的指标和所述指标的占比值进行检验，包括：
利用正态分布检验方法，通过选取设定数量的指标判断整体是否服从正态分布；
利用线性检验方法，检验选取设定数量的指标值和供应商不良行为发生概率之间的线性关系是否显著；
利用误差独立性检验方法，检验供应商不良行为概率是否存在序列相关性，判断误差项是否独立。
7.如权利要求6所述的方法，其特征在于，所述供应商不良行为发生概率计算式，如下所示：
MISCONDUCT＝-a*DELTAP+b*LEV-c*R.D-d*ROE-e*LNOOPREV-f*LNTOTDEBT
式中，MISCONDUCT为供应商不良行为发生概率；DELTAP为供应商的投标价差；LEV为负债率；R.D为研发人员数量；ROE为净资产收益率；LNOOPREV为营业收入总额的对数；LNTOTDEBT为总负债金额的对数；a为供应商的投标价差对供应商不良行为发生概率的占比值；b为负债率对供应商不良行为发生概率的占比值；c为研发人员数量对供应商不良行为发生概率的占比值；d为净资产收益率对供应商不良行为发生概率的占比值；e为营业收入总额的对数对供应商不良行为发生概率的占比值；f为总负债金额的对数对供应商不良行为发生概率的占比值。
8.如权利要求1所述的方法，其特征在于，所述基于所述待测供应商不良行为发生概率对所述待测供应商进行风险评估，包括：
当供应商不良行为发生概率小于第一阈值时，待测供应商为低风险；
当供应商不良行为发生概率大于第一阈值小于第二阈值时，待测供应商为中风险；
当供应商不良行为发生概率大于第二阈值时，待测供应商为高风险。
9.一种基于供应商评价体系的不良行为预警系统，其特征在于，包括：
获取模块：获取待测供应商的评价指标值；
计算模块：将所述评价指标值带入预先训练好的供应商不良行为发生概率计算式中得到不良行为发生概率；
评估模块：根据所述待测供应商不良行为发生概率对所述待测供应商进行风险评估。
10.如权利要求7所述的系统，其特征在于，所述获取模块包括：初级获取子模块和次级设置子模块；
所述初级获取子模块：基于影响供应商不良行为的影响因子构建一级指标；
所述刺激设置子模块：为所述一级指标设置下级指标。
11.如权利要求8所述的系统，其特征在于，所述计算模块包括分析单元、获取单元和概率计算单元；
所述分析单元：基于所述各项指标的历史数据进行因子相关性分析，得到因子的相关性，从多个因子中选择相关性最大的一定数量的指标；
所述获取单元：根据多元线性回归模型确定相关性最大的一定数量的指标，检验变量之间的相关性确定各指标的占比值；
所述概率计算单元：根据选取的指标和占比值确定供应商不良行为发生概率计算式。
12.如权利要求11所述的系统，其特征在于，还包括检验模块；对所述相关性最大的设定数量的指标和所述指标的占比值进行检验。
13.如权利要求12所述的系统，其特征在于，所述检验模块包括：正态性检验子模块，线性检验子模块和误差独立性检验子模块；
所述正态检验子模块：通过选取设定数量的指标判断整体是否服从正态分布；
所述线性检验子模块：检验选取设定数量的指标值和供应商不良行为发生概率之间的线性关系是否显著；
所述误差独立性检验子模块：检验供应商不良行为概率是否存在序列相关性，判断误差项是否独立。
14.如权利要求7所述的系统，其特征在于，所述评估模块包括：判断子模块和风险等级确定子模块；
所述判断子模块，用于判断所述待测供应商不良行为发生概率与第一阈值和第二阈值的大小关系；
所述风险等级确定子模块，用于基于所述待测供应商不良行为发生概率与第一阈值和第二阈值的大小关系确定所述待测供应商所属的风险等级。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010770578.0A CN112116197A (zh) | 2020-08-04 | 2020-08-04 | 一种基于供应商评价体系的不良行为预警方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010770578.0A CN112116197A (zh) | 2020-08-04 | 2020-08-04 | 一种基于供应商评价体系的不良行为预警方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112116197A true CN112116197A (zh) | 2020-12-22 |
Family
ID=73799355
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010770578.0A Pending CN112116197A (zh) | 2020-08-04 | 2020-08-04 | 一种基于供应商评价体系的不良行为预警方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112116197A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114254916A (zh) * | 2021-12-20 | 2022-03-29 | 国网江苏省电力有限公司物资分公司 | 具有电网业务特色的多维度供应商风险实时预警方法 |
-
2020
- 2020-08-04 CN CN202010770578.0A patent/CN112116197A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114254916A (zh) * | 2021-12-20 | 2022-03-29 | 国网江苏省电力有限公司物资分公司 | 具有电网业务特色的多维度供应商风险实时预警方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR20010109302A (ko) | 자산 샘플링 방법, 시스템 및 컴퓨터 | |
| WO2001050315A2 (en) | Methods and apparatus for automated underwriting of segmentable portfolio assets | |
| US11556807B2 (en) | Automated account opening decisioning using machine learning | |
| EP1266318A2 (en) | Methods and systems for quantifying cash flow recovery and risk | |
| Bakhach et al. | TSFDC: A trading strategy based on forecasting directional change | |
| Kordlouie et al. | Role of accounting conservatism on the quality of financial statements | |
| Ali et al. | The relationship between risk measurement and the accounting information system: A review in the commercial and islamic banking sectors | |
| Ozbugday | The effects of certification on total factor productivity: A propensity score matching approach | |
| CN112116197A (zh) | 一种基于供应商评价体系的不良行为预警方法及系统 | |
| CN112037006A (zh) | 小微企业的信用风险识别方法及装置 | |
| CN116596674A (zh) | 基于大数据分析的对外贸易风险评估方法 | |
| Prorokowski | Validation of the backtesting process under the targeted review of internal models: practical recommendations for probability of default models | |
| KR102499182B1 (ko) | 인공지능을 이용한 가계대출 사기/부실 상시감사지원시스템 | |
| Belás et al. | The quality and accuracy of bank internal rating model. A case study from Czech Republic | |
| Taherinia et al. | Prediction the Return Fluctuations with Artificial Neural Networks' Approach | |
| CN111179077B (zh) | 股票异常交易的识别方法及系统 | |
| Strakova et al. | Verification of earnings management in Slovak enterprises using Teoh, Welch and Wong model | |
| CN113393328A (zh) | 融资贷前审批评估方法、装置及计算机存储介质 | |
| Bhatara et al. | The Effect of Good Corporate Governance and Corporate Social Responsibility on Corporate Value in Banking Subsector Companies Listed in Indonesia Stock Exchange Period 2018–2019 | |
| TWM581728U (zh) | Credit risk stress test system | |
| KR102334923B1 (ko) | 인공지능을 이용한 대출 확대 가설 검정 시스템 및 이를 이용한 방법 | |
| US20230274163A1 (en) | Opposing Polarity Machine Learning Device and Method | |
| Tanjung | Detecting Fraudulent Financial Reporting with Financial Ratios: Case Study on Indonesia Stock Exchange | |
| CN117853254B (zh) | 账务平台的测试方法、装置、设备及存储介质 | |
| McDonald et al. | Credit risk rating at Australian banks |
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: 20201222 |
|
| RJ01 | Rejection of invention patent application after publication |