CN112132441A - 风险传播信息评估方法、系统、存储介质、计算机设备 - Google Patents
风险传播信息评估方法、系统、存储介质、计算机设备 Download PDFInfo
- Publication number
- CN112132441A CN112132441A CN202010984313.0A CN202010984313A CN112132441A CN 112132441 A CN112132441 A CN 112132441A CN 202010984313 A CN202010984313 A CN 202010984313A CN 112132441 A CN112132441 A CN 112132441A
- Authority
- CN
- China
- Prior art keywords
- risk
- propagation
- network
- enterprise
- party
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/283—Multi-dimensional databases or data warehouses, e.g. MOLAP or ROLAP
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- Fuzzy Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于企业信息查询技术领域,公开了一种风险传播信息评估方法、系统、存储介质、计算机设备,获取存储目标企业及其关联方信息,构建多层次多分类的关联方数据库;根据关联方数据库,从中提取数据,构建基于目标企业的多层级关系网;关系网上的每个实体进行基本资信风险状况的考察并给出量化的分值;应用基于复杂网络的传播模型,给予驱动风险传播事件,分析风险传播过程,实现目标企业及其关联方的风险强度量化。本发明通过构建社会关联网络的关系网,结合大宗交易行业背景,实现当处于关系网上的某家企业发生风险变动时,运用风险传播模型,对风险传播的过程及风险强度量化,实现待入市主体的风险测评。
Description
技术领域
本发明属于企业信息查询技术领域,尤其涉及一种风险传播信息评估方法、系统、存储介质、计算机设备。
背景技术
随着国家监管部门对信用体系的建设一体化、规范化的高要求,规范主体准入是防控大宗商品交易市场贸易风险的重要举措和关键方式。一般情况下,通过对企业关联方信息审查,可了解其资产结构的组成及其它相关信息的查询。这种对三方征信机构过度依赖的准入规则存在以下缺陷:(1)查得的企业图谱信息仅能展示目标对象与其直接关联方的情况,脱离了大宗市场业务场景特点,忽略了企业自身所在贸易关系网中多层级的风险传播和多级关联方的风险相互感染情况(2)传统的人工调查仅能定性分析风险传播可能影响的企业,但对风险的传播过程、穿透及量化的研究相当受限。
通过上述分析,现有技术存在的问题及缺陷为:
(1)对三方征信机构过度依赖的准入规则存在查得的企业图谱信息仅能展示目标对象与其直接关联方的情况,脱离了大宗市场业务场景特点,忽略了企业自身所在贸易关系网中多层级的风险传播和多级关联方的风险相互感染情况。
(2)传统的人工调查仅能定性分析风险传播可能影响的企业,但对风险的传播过程、穿透及量化的研究相当受限。
解决以上问题及缺陷的难度为:多层级关系网的构建:基于大宗市场,关系网的构成节点是与目标企业相关联的企业;基于复杂网络的传播模型,对风险的传播、穿透及量化做定量的分析。
解决以上问题及缺陷的意义为:基于关联方信息构建多层级关系网,充分掌握除目标企业自身信息之外的,与其相关的上下游企业、关联方企业、贸易关联方企业信息。将风险事件触发作为驱动风险传播的条件,在此基础上定量研究风险的波及范围及程度,作为大宗市场待入市主体的风险评估要素,为授予准入决策提供依据。
发明内容
针对现有技术存在的问题,本发明提供了一种风险传播信息评估方法、系统、存储介质、计算机设备。
本发明是这样实现的,一种风险传播信息评估方法,所述风险传播信息评估方法包括:
获取存储目标企业及其关联方信息,构建多层次多分类的关联方数据库;
根据关联方数据库,从中提取数据,构建基于目标企业的多层级关系网;
关系网上的每个实体进行基本资信风险状况的考察并给出量化的分值;
应用基于复杂网络的传播模型,给予驱动风险传播事件,分析风险传播过程,实现目标企业及其关联方的风险强度量化。
进一步,所述风险传播信息评估方法关联方数据库的构建包括以下步骤:
步骤一,获得上下游关联方:掌握目标企业的上下游客户信息,并了解贸易背景和资金状况;
步骤二,获得关联企业信息:是指与目标企业存在股权关系、投资关系、司法关系等关系的企业;
步骤三,若目标企业拥有已建立贸易关系的客户,获得贸易关联方企业实体;
步骤四,相应的上下游企业、关联企业、贸易关联方的各自的关联方可按照以上步骤一-步骤三获得;
步骤五,将上述步骤一-步骤四中获得的关联方企业分类存入数据库中,形成多分类多层次的关联方数据库。
进一步,所述风险传播信息评估方法多层级关系网的构建包括以下步骤:
步骤一,从获得的多层次分类关联方数据库中提取关联方数据,形成以图为拓扑结构的关系网,并标明网中节点与边的含义;
步骤二,对以上步骤一中形成的图关系网进行简化,根据各类关系的连通性、可达性,分析各关系的有效性,剔除无效关联,筛选出构建关系网的所需的边;
步骤三,计算关系网中各关联方节点的中心度,输入预设参数剔除与目标企业节点无关的中心度极大的节点,筛选出构建关系网所需的节点;
步骤四,根据筛选出的节点、边、节点属性、边的属性构建基于目标企业的多层级关系网。
进一步,所述风险传播信息评估方法基于复杂网络传播模型的目标企业关联方风险传播及风险等级量化的方法包括以下步骤:
步骤一:模拟风险驱动事件发生,例如资金链的断裂,该风险事件作用于处于关系网中的某家企业节点i,使风险源发生变化,具体表现为资信风险状况分值的变动,将使得企业节点发生变化的力称为传播过程对节点的传播强度,根据风险分值变动的幅度得出被传播强度ρi;
步骤二:若ρi大于预设风险传播阈值,通过激活函数ReLU完成在整张关系网中的传播过程;
步骤三:由于传播过程趋于衰减,受到企业节点间结构差异、节点间边缘权重差异、节点自身差异的不同,存在一定程度的传播阻尼,传播阻尼根据公式(1)获得;
步骤四:ρi由于传播阻尼而衰减,假设ρj为到达企业节点j时的传播强度。重复传播过程,计算传播衰减过程,可得到每个被传播节点的该传播强度;
根据步骤四得到目标企业的被传播强度,完成与风险变动值的逆映射,得到目前它的风险分值,综合考量后,做出准入决策;
在一个企业节点处的风险传播强度来源于多个风险传染源,此时节点处存在多个传播强度,形成多点对单点的结构;ρ1,ρ2,ρ3,......ρn为某一节点处的传播强度,且总体传播强度通常大于强度ρmax的最大值;采用离散时间系统的常系数线性差分方程法来计算整体传播强度,具体计算过程如下:
步骤一:将传播强度序列由小至大排序:传播强度相对于最大值越小,对整体传播强度的贡献和影响就越小,反之亦然,将传播强度序列从小到大进行排序,形成一个倾斜序ρ={ρ(1),ρ(2),ρ(3),......ρ(n)};
步骤二:y(n)是总传播强度的最终状态,y(n)取决于传播强度序列中的最后一个值和前一个状态值,并按顺序推进,由此构造常系数线性差分方程如下:
y(n)=αy(n-1)+ρ(n)
y(n-1)=αy(n-2)+ρ(n-1)
……
y(2)=αy(1)+ρ(2)
y(1)=αy(0)+ρ(1)
y(0)=0;
常系数α一般大于0,y(n)采用迭代法求解:
y(n)=ρ(n)+αρ(n-1)+α2ρ(n-2)+......αn-1ρ(1);
根据级数收敛准则,当α<1时,级数收敛,y(n)收敛且有界;
步骤三:根据求得的总传播强度状态y(n),同单点对单点的传播模式相同,最终完成与风险变动值的逆映射,得到目前它的风险分值,综合考量后,做出准入决策。
进一步,所述风险传播信息评估方法对于风险传播模型,利用基于数学模型的传染病模型进行。
本发明的另一目的在于提供一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如下步骤:
获取存储目标企业及其关联方信息,构建多层次多分类的关联方数据库;
根据关联方数据库,从中提取数据,构建基于目标企业的多层级关系网;
关系网上的每个实体进行基本资信风险状况的考察并给出量化的分值;
应用基于复杂网络的传播模型,给予驱动风险传播事件,分析风险传播过程,实现目标企业及其关联方的风险强度量化。
本发明的另一目的在于提供一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如下步骤:
获取存储目标企业及其关联方信息,构建多层次多分类的关联方数据库;
根据关联方数据库,从中提取数据,构建基于目标企业的多层级关系网;
关系网上的每个实体进行基本资信风险状况的考察并给出量化的分值;
应用基于复杂网络的传播模型,给予驱动风险传播事件,分析风险传播过程,实现目标企业及其关联方的风险强度量化。
本发明的另一目的在于提供一种运行所述风险传播信息评估方法的风险传播信息评估系统,所述风险传播信息评估系统包括:
关联方数据库构建模块,用于结合大宗市场的业务场景,获取存储目标企业及其关联方信息,构建多层次多分类的关联方数据库;
多层级关系网构建模块,用于根据关联方数据库,从中提取数据,构建基于目标企业的多层级关系网;
量化分值获取模块,用于针对关系网上的每个实体,对其进行基本资信风险状况的考察并给出量化的分值;
风险强度量化实现模块,用于应用基于复杂网络的传播模型,给予驱动风险传播事件,分析风险传播过程,实现目标企业及其关联方的风险强度量化。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:本发明基于社会关联网络模型的大宗商品行业待入市主体风险传播及传播强度量化方法,进而在企业入市前做好风险把控与预测,提高入市主体的质量,为稳定大宗市场的宏观经济稳定做出贡献。
本发明通过构建社会关联网络的关系网,结合大宗交易行业背景,实现以下功能:当处于关系网上的某家企业发生风险变动时,由于存在跃迁现象,很可能会影响与之关联的目标企业风险状况。运用风险传播模型,对风险传播的过程及风险强度量化,实现待入市主体的风险测评。通过风险等级的高低的评判来决定是否允许其入市,反映了授准机制的门槛的提高。通过这种方式,使得资质优良的企业参与市场交易,有利于大宗市场宏观环境的稳定,为金融机构、交易平台、政府等监管部门提供了风险把控。
本发明针对大宗市场主体准入机制存在的漏洞,提出以待入市主体所在关系网的风险传播模型。通过获得目标企业的上下游关联方、贸易关联方及关联企业信息,构建关联关系网络,研究当处于关系网中的某家企业发生风险变动时,对整个关系网中各企业节点造成的风险变动影响。通过研究市场主体多重网络化关联影响机制,研究风险传播技术,可动态获取目标企业的风险状况,为准入市场提供决策依据;
本发明针对关联网中企业风险传播模型,将企业抽象为神经元节点,从点对点的角度描述和量化企业节点间风险边缘传播权重的特征。考虑单点对单点、多点对单点两种情况,将企业节点自身特质、传播边界权重、关联结构作为对传播阻尼的影响因素,通过对风险传播过程中衰减值及被风险传播波及到的企业的传染强度,对目标企业的风险状况进行动态定量分析。
本发明对于处于多层级关系网上的每个关联实体的资信风险状况的量化采取指标体系与权重体系的结合,通过专家知识与技术手段算法的结合可获得较为全面的主体静态风险状况。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图做简单的介绍,显而易见地,下面所描述的附图仅仅是本申请的一些实施例,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是本发明实施例提供的风险传播信息评估方法流程图。
图2是本发明实施例提供的风险传播信息评估系统的结构示意图;
图2中:1、关联方数据库构建模块;2、多层级关系网构建模块;3、量化分值获取模块;4、风险强度量化实现模块。
图3是本发明实施例提供的关联企业网示意图。
图4是本发明实施例提供的主体风险传播评估流程图。
图5是本发明实施例提供的关系网的建立流程图。
图6是本发明实施例提供的点到点的神经元传播模型示意图。
图7是本发明实施例提供的风险传播及强度量化过程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。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。
针对现有技术存在的问题,本发明提供了一种风险传播信息评估方法、系统、存储介质、计算机设备,下面结合附图对本发明作详细的描述。
如图1所示,本发明提供的风险传播信息评估方法包括以下步骤:
S101:结合大宗市场的业务场景,获取存储目标企业及其关联方信息,构建多层次多分类的关联方数据库;
S102:根据关联方数据库,从中提取数据,构建基于目标企业的多层级关系网;
S103:针对关系网上的每个实体,对其进行基本资信风险状况的考察并给出量化的分值;
S104:应用基于复杂网络的传播模型,给予驱动风险传播事件,分析风险传播过程,实现目标企业及其关联方的风险强度量化。
在本发明中,关联方数据库的构建包括以下步骤:
步骤一,获得上下游关联方:掌握目标企业的上下游客户信息,并了解其贸易背景和资金状况;
步骤二,获得关联企业信息:主要是指与目标企业存在股权关系、投资关系、司法关系等关系的企业;
步骤三,若目标企业拥有已建立贸易关系的客户,获得贸易关联方企业实体;
步骤四,相应的上下游企业、关联企业、贸易关联方的各自的关联方可按照以上步骤一-步骤三获得;
步骤五,将上述步骤一--步骤四中获得的关联方企业分类存入数据库中,形成多分类多层次的关联方数据库。
在本发明中,多层级关系网的构建包括以下步骤:
步骤一,从获得的多层次分类关联方数据库中提取关联方数据,形成以图为拓扑结构的关系网,并标明网中节点与边的含义;
步骤二,对以上步骤一中形成的图关系网进行简化,根据各类关系的连通性、可达性,分析各关系的有效性,剔除无效关联,筛选出构建关系网的所需的边;
步骤三,计算关系网中各关联方节点的中心度,输入预设参数剔除与目标企业节点无关的中心度极大的节点,筛选出构建关系网所需的节点;
步骤四,根据筛选出的节点、边、节点属性、边的属性构建基于目标企业的多层级关系网;
因在关系网中,与目标企业相关的节点以及它们之间的关系处于动态变化中,故以上步骤二与步骤三交替进行,因此随着数据的丰富在步骤四中所形成的关系网在处于动态变化之中。
本发明实施例提供了一种基于复杂网络传播模型的目标企业关联方风险传播及风险等级量化的方法,主要包括以下步骤:
步骤一,基于驱动风险触发的事件,例如资金链断裂导致处于关系网上的某家企业节点发生信用风险,该风险触发的标志是某企业的资信风险状况数值发生了变动;
步骤二,若该变动超过一定的传播阈值,通过激活函数RELU完成风险在整张关系网中的传播;
步骤三,考虑风险经由各免疫力不同的节点、代表各种关系属性的边传播,风险传播的衰减过程受到各节点、各边的影响,这些因素会影响风险传播的强度;
步骤四,重复传播过程,可得到每个节点的被传播强度。特别是当得到目标企业节点的被传播强度时,根据映射关系得出当前的风险状况分值,基于此,给予授准决策。
本发明提供的风险传播信息评估方法业内的普通技术人员还可以采用其他的步骤实施,图1的本发明提供的风险传播信息评估方法仅仅是一个具体实施例而已。
如图2所示,本发明提供的风险传播信息评估系统包括:
关联方数据库构建模块1,用于结合大宗市场的业务场景,获取存储目标企业及其关联方信息,构建多层次多分类的关联方数据库;
多层级关系网构建模块2,用于根据关联方数据库,从中提取数据,构建基于目标企业的多层级关系网;
量化分值获取模块3,用于针对关系网上的每个实体,对其进行基本资信风险状况的考察并给出量化的分值;
风险强度量化实现模块4,用于应用基于复杂网络的传播模型,给予驱动风险传播事件,分析风险传播过程,实现目标企业及其关联方的风险强度量化。
下面结合附图对本发明的技术方案作进一步的描述。
由于大宗商品交易具有交易量巨大、价格波动大、交易金额大的行业特性,且风险的扩散传播往往具有级联效应,故对国民经济的稳定性起着重要作用。因此对主体入市前的准入授予决策尤为重要,引入资质高、风险等级低的交易商可以避免在后续交易过程中发生因市资金回收困难、财务结构不合理、资金链断裂而导致的风险扩散现象,从而避免因授准决策制度不严格而产生威胁大宗市场稳定性事件的发生。为此,本发明提供一种基于社会关联网络传播模型的大宗商品行业待入市主体信用风险传播及评估方法,通过构建企业关系网,结合各企业自身资质信用风险差异性,并给予驱动风险事件,最终利用风险传播模型对目标企业潜在的风险等级进行预测,从而达到风险评估的目的,为授准提供决策支持。
下面结合具体实施例对本发明的技术方案作进一步的描述。
参看图1所示,本发明实施例提供风险传播信息评估方法,包括:
S101,结合大宗市场的业务场景,获取存储目标企业及其关联方信息,构建多层次多分类的关联方数据库;
S102:根据关联方数据库,从中提取数据,构建基于目标企业的多层级关系网;
S103:针对关系网上的每个实体,对其进行基本资信风险状况的考察并给出量化的分值;
S104:应用基于复杂网络的传播模型,给予驱动风险传播事件,分析风险传播过程,实现目标企业及其关联方的风险强度量化。
本发明实施例所述的风险传播信息评估方法,通过目标企业所处的错综复杂的社会网络研究风险的传播并将其量化。结合大宗市场的业务背景,获取待入市目标企业的关联方信息,在此基础上构建多层次多分类的关联方数据库;根据获得的关联方数据库,通过一定的条件提取构建关联网所用的数据,确定用于后续分析所需的多层级关系网;针对关系网上的每个实体,基于其基本属性信息评估其资信风险状况,并给出具体的量化值;应用复杂网络传播模型,给予风险传染源一个驱动,在此模型上借鉴神经元模型、级数理论和信息传递理论的一些思想,模拟风险传播过程,并量化传播强度,得出目标企业的风险状况。这样,根据目标企业的风险状况,并将其以量化数值的形式展现出来,为授予准入决策提供依据。高质量授准决策过滤掉低水平的市场主体,为大宗市场稳健、壮硕地发展起了一定的积极作用。
本实施例中,目标企业关联方数据库的构建要结合具体的大宗市场背景,在这里所述的关联方主要是指:上下游关联方、关联企业、已建立贸易关系的客户。其一,由于上下游企业的变动牵引着整个大宗市场经济发展,它们的风险变动也会在很大程度上影响到目标企业的资信风险状况,上下游关联方信息可在大宗市场公开数据渠道获得,将其归属为关联方之一。其二,关联企业是指与目标企业存在投资、合营、股权、担保、司法关系的企业,这些可能对目标企业施加重大影响的企业也作为关联方之一,该关联方信息可由三方征信平台的企业关联图谱获得;其三,若该目标企业存在以往的交易记录,据此可找到与其建立过贸易关系的客户,获得贸易关联方实体。相应的,以上三类关联方也存在对应的上下游关联方、关联企业、贸易关联方。据此得到的多分类、多层次关联方,构建关联方数据库。
本实施例中,基于目标企业的复杂关联网络的构建,需从构建的关联方数据库中提取数据,并将其以拓扑图的形式展现出来(如图3所示)。拓扑图中的每个节点代表三类关联方实体,节点之间的边表示各节点之间的关系,标记好各类实体及依附于节点上的边的具体含义。进一步,对以上形成的关联网进行简化,剔除掉与目标企业存在无效关联的实体节点与边。各类关联的剔除主要考虑关系网中可达路径的经由的距离,输入符合大宗市场业务场景预设参数,进行关联边的筛选;计算关系网中各关联方节点的中心度,输入符合大宗市场业务场景的预设参数,剔除与目标企业节点无关的中心度极大的节点,筛选出构建关系网所需的节点。根据筛选出来的节点、边及它们之间的关系,形成最终的多层级交叉关系网。在多层级交叉关系网中,与目标企业相关的上下游企业节点、关联企业节点、贸易关联节点以及它们之间的关系处于动态变化中,故该网也随着数据的变动及丰富处于动态变化之中。
本实施例中,对于多层级交叉网上的每个实体节点的资信风险状况评估,主要基于每个节点的属性,主要手段为:
步骤1:建立企业实体节点的风险指标评价体系:通过与三方征信机构的对接,查明各企业节点实体的工商注册、资质审批、行政处罚等信息的真实性,进行基本身份的核查。另外,选取需要针对大宗市场业务背景的指标数据,具体资信风险状况的指标选择如表1所示:
表1资信风险指标
步骤2:建立基于指标体系的权重体系:对步骤1中的指标体系给予相应的权重,采用AHP法计算指标体系对应的权重,权重越大说明该指标在该层中所占的比例越大。对于指标体系而言,单一权重系数每一上层的权重系数与下一层权重系数之间不存在直接关联关系,不同层次权重体系之间具有相对独立性;
步骤3:建立评价分析方法:根据以上步骤1和2所完成的指标体系构建和权重体系建设,对各关联企业节点的综合风险定量分析。
本实施例中,基于关联方关系网,目标企业关联方风险传播及风险等级量化的方法包含以下考虑因素:
首先设定假设条件:由于大宗市场环境极易受到国内外行业贸易环境的影响,从而导致风险传播的联动效应是非常巨大的。但这些外部环境因素通常是无法预期且不可控的,故在这里的风险传播研究只针对触发风险产生的影响因素(如因某家关联方的资金链断裂)作研究,暂不考虑市场汇率变动、经济形势、市场需求周期性或季节性的变化产生的影响。
第二,基于以上假定条件,提出基于关联网络非线性点到点传播模型。就存在直接关联的关联方而言,从点对点的角度描述和量化企业节点间风险边缘传播权重的特征。以边代表的目标企业与关联方之间的关系以及关联方之间存在的关系,由于各种关系的类型不同,故其在风险传播过程中所起到的作用不同,这里充分考虑到边缘权重的特征。
第三,目标企业各关联方节点存在对传播的阻尼作用,即因节点自身属性的差异体现了其免疫力属性,故对传播风险的消释及继续传播存在一定的影响,这里充分考虑节点在传播过程中的重要性。
以上说明充分考虑了如何有效地衡量节点和边的重要性,以及节点和边在传播过程中所所起到的具体作用和含义。
具体的,结合上述对企业节点及关联边的重要特征的衡量,提出以下衡量标准:
第一,对于关联网中企业节点重要度的衡量:利用神经元模型(如图所示),将网络中的节点视为神经元,基于自身属性信息得出的风险等级用以表示企业节点间的差异,丰富了节点的信息,同时也度量了节点在风险传播过程中的重要性;
第二,对于企业节点间关系重要度的衡量:利用非线性距离表示节点间的不同关系,用以度量风险传播过程中的边缘。
具体的,企业节点关联网中风险的传播抽象为点到点的传播模型,提出以下假设:
假设一,多个风险源的传播过程可分解为单个风险源的叠加。单个风险源通过关联网的边缘传播,单个风险源可以分解为复杂网络中从一个节点到另一个相邻节点的传播。因此,点对点的传播结构是点对点传播模型的基本分析单元;
假设二,风险传播的衰减曲线实则为严格单调的递减函数曲线。例如,由于关联方企业都有规避风险的免疫力,当风险发生在企业所代表的的节点上时,传播过程中的传播强度会随着传播路径的增加而降低。
针对传播结构,一般存在以下四种结构:(1)单点对单点;(2)单点对多点;(3)多点对单点;(4)多点对多点;
在以上四种结构中,单点对多点可以视为多个单点对单点。但是,若结构是多点到单点,要将多个传播强度转化为综合传播强度。多点对多点可以分解为前三种情况。
重点分析企业关联网中单点对单点的传播过程,风险传播不是无限传播的,所以传播的范围是有限的。结合图有如下描述:
描述1:假设某个传播过程ρ作用于节点i上的力为ρi,使节点i发生变化的变化为δi,则该力ρi称为传播过程对节点i的传播强度。在实际场景中,传播强度体现在企业自身资信风险数值的变动上,变动幅度越大,传播强度越强,反之,传播强度越弱;
描述2:网络中一个节点i的节点属性集合,在这里可理解为各关联企业节点的利用资信风险指标体系得出的风险刻画,用来表示非线性点对点网络结构中节点的个体差异。集合名为vi;
描述3:假设传播边权重rij定义为两个相邻节点i和j之间整个关系的权重,该权重主要由两个相邻节点的关系属性集决定。在这里,关系属性集理解为依附于关系网中边所代表的投资关系、担保关系、股权关系、上下游企业关系、贸易等关系。根据非线性距离表示的对于企业节点间关系重要度的衡量,得出各关联企业间边的关系权重;
描述4:在关系网络G中,相邻两节点i和j的结构阻尼cij是一个参数为sysi、sysj的函数。cij表示了在传播过程中引起传播衰减的网络结构因素。参数sysi、sysj是节点i,j在网络G中的重要性;
描述5:在复杂网络G中,节点的自阻尼gi是通过自阻尼函数Gi(vi)来表示由于自身因素引起的传播衰减。假定的函数形式是正态分布函数Gi(vi)。在这里,理解为不同企业节点的自身差异性对传播衰减造成的影响;
描述6:在复杂网络G中,传播过程趋于衰减。假设一个传播过程ρ从一个节点i传播到相邻节点j,则节点i和j的传播强度为ρi、ρj,传播过程ρ存在衰减,衰减量为Δρ,然后将导致衰减的因素定义为传播阻尼。相邻节点间的传播阻尼与节点间的结构阻尼、被传播节点的自阻尼和传播边界权重有关。函数形式如下:
dij=Dij(cij,gj) (1)
ρj=(ρi-Δρ)*rij=(ρi-ρi*dij)*rij=ρi*(1-dij)*rij (2)
dij表示传播阻尼,dij=Dij(cij,gj)是传播阻尼函数。根据公式(1),可以计算出每个传播步骤的衰减值,根据公式(2),可以计算被传播节点的传播强度。在这里,可以理解为风险传播过程中衰减值及被风险传播波及到的企业的传染强度。
本实施例基于以上描述,具体的风险传播过程及量化如下:
步骤1:模拟风险驱动事件发生,例如资金链的断裂,该风险事件作用于处于关系网中的某家企业节点i,使风险源发生变化,具体表现为资信风险状况分值的变动,将使得企业节点发生变化的力称为传播过程对节点的传播强度,根据风险分值变动的幅度得出被传播强度ρi;
步骤2:若ρi大于预设风险传播阈值,通过激活函数ReLU完成在整张关系网中的传播过程;
步骤3:由于传播过程趋于衰减,受到企业节点间结构差异、节点间边缘权重差异、节点自身差异的的影响,存在一定程度的传播阻尼,传播阻尼根据公式(1)获得;
步骤4:ρi由于传播阻尼而衰减,假设ρj为到达企业节点j时的传播强度。重复传播过程,计算传播衰减过程,可得到每个被传播节点的该传播强度;
根据步骤4得到目标企业的被传播强度,完成与风险变动值的逆映射,得到目前它的风险分值,综合考量后,做出准入决策。
考虑实际情况,由于关联网中各关联企业存在错综复杂的关系,在一个企业节点处的风险传播强度往往来源于多个风险传染源。此时节点处存在多个传播强度,形成多点对单点的结构。
假设ρ1,ρ2,ρ3,......ρn为某一节点处的传播强度,且总体传播强度通常大于强度ρmax的最大值。简单的加法运算不能满足整体收敛性和边界条件,故采用离散时间系统的常系数线性差分方程法来计算整体传播强度,具体计算过程如下:
步骤1:将传播强度序列由小至大排序:传播强度相对于最大值越小,对整体传播强度的贡献和影响就越小,反之亦然。因此,将传播强度序列从小到大进行排序,形成一个倾斜序ρ={ρ(1),ρ(2),ρ(3),......ρ(n)};
步骤2:假设y(n)是总传播强度的最终状态,y(n)取决于传播强度序列中的最后一个值和前一个状态值,并按顺序推进,由此构造常系数线性差分方程如下:
y(n)=αy(n-1)+ρ(n)
y(n-1)=αy(n-2)+ρ(n-1)
……
y(2)=αy(1)+ρ(2)
y(1)=αy(0)+ρ(1)
y(0)=0
常系数α一般大于0,y(n)采用迭代法求解:
y(n)=ρ(n)+αρ(n-1)+α2ρ(n-2)+......αn-1ρ(1) (3)
根据级数收敛准则,当α<1时,级数收敛,y(n)收敛且有界。
步骤3:根据求得的总传播强度状态y(n),同单点对单点的传播模式相同,最终完成与风险变动值的逆映射,得到目前它的风险分值,综合考量后,做出准入决策。
在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上;术语“上”、“下”、“左”、“右”、“内”、“外”、“前端”、“后端”、“头部”、“尾部”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”等仅用于描述目的,而不能理解为指示或暗示相对重要性。
应当注意,本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现;软件部分可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种风险传播信息评估方法,其特征在于,所述风险传播信息评估方法包括:
获取存储目标企业及其关联方信息,构建多层次多分类的关联方数据库;
根据关联方数据库,从中提取数据,构建基于目标企业的多层级关系网;
关系网上的每个实体进行基本资信风险状况的考察并给出量化的分值;
应用基于复杂网络的传播模型,给予驱动风险传播事件,分析风险传播过程,实现目标企业及其关联方的风险强度量化。
2.如权利要求1所述的风险传播信息评估方法,其特征在于,所述风险传播信息评估方法关联方数据库的构建包括以下步骤:
步骤一,获得上下游关联方:掌握目标企业的上下游客户信息,并了解贸易背景和资金状况;
步骤二,获得关联企业信息:是指与目标企业存在股权关系、投资关系、司法关系等关系的企业;
步骤三,若目标企业拥有已建立贸易关系的客户,获得贸易关联方企业实体;
步骤四,相应的上下游企业、关联企业、贸易关联方的各自的关联方可按照以上步骤一-步骤三获得;
步骤五,将上述步骤一-步骤四中获得的关联方企业分类存入数据库中,形成多分类多层次的关联方数据库。
3.如权利要求1所述的风险传播信息评估方法,其特征在于,所述风险传播信息评估方法多层级关系网的构建包括以下步骤:
步骤一,从获得的多层次分类关联方数据库中提取关联方数据,形成以图为拓扑结构的关系网,并标明网中节点与边的含义;
步骤二,对以上步骤一中形成的图关系网进行简化,根据各类关系的连通性、可达性,分析各关系的有效性,剔除无效关联,筛选出构建关系网的所需的边;
步骤三,计算关系网中各关联方节点的中心度,输入预设参数剔除与目标企业节点无关的中心度极大的节点,筛选出构建关系网所需的节点;
步骤四,根据筛选出的节点、边、节点属性、边的属性构建基于目标企业的多层级关系网。
4.如权利要求1所述的风险传播信息评估方法,其特征在于,所述风险传播信息评估方法基于复杂网络传播模型的目标企业关联方风险传播及风险等级量化的方法包括以下步骤:
步骤一:模拟风险驱动事件发生,例如资金链断裂导致处于关系网上的某家企业节点发生信用风险,该风险触发的标志是某企业节点的资信风险状况数值发生了变动;
步骤二:若该变动超过一定的阈值,通过激活函数RELU完成风险在整张关系网中的传播;
步骤三:考虑风险经由自身差异不同的各节点、连接各节点且存在权重差异的不同的边时,风险传播过程趋于衰减,将节点差异、边缘权重差异视为传播阻尼,其会影响风险传播的强度;
步骤四:重复传播过程,可得到每个企业节点的被传播强度。特别是当得到目标企业节点的被传播强度时,根据映射关系得出当前的风险状况分值,综合考量后,做出准入决策。
5.如权利要求1所述的风险传播信息评估方法,其特征在于,所述风险传播信息评估方法还包括:具体的点对点模型的风险传播过程:
步骤一:利用神经元模型,将各企业节点视为神经元。模拟风险事件发生,当节点i的资信风险状况值发生变动时,根据变动的幅度得出被传播的风险强度ρi;
步骤二:若ρi大于预设风险传播阈值,通过激活函数RELU完成在整张关系网中的传播;
步骤三:由于传播过程趋于衰减,受到节点间结构差异、节点自身差异、节点间边缘权重的影响,将这些因素视为传播阻尼;
步骤四:ρi由于传播阻尼而衰减,ρj为到达企业节点j时的传播强度,重复传播过程,计算传播衰减过程,得到每个被传播节点的该传播强度。
6.如权利要求1所述的风险传播信息评估方法,其特征在于,所述风险传播模型还包括以下多点对单点结构,具体计算过程如下:
步骤一:当一节点处的风险传播强度来源于多个风险传染源时,此时节点处存在多个传播强度,假设ρ1,ρ2,ρ3,......ρn为节点i处的传播强度,将其从小到大进行排序;
步骤二:设y(n)是总传播强度的最终状态,y(n)取决于传播强度序列中的最后一个值和前一个状态值,并按顺序推进,构造常系数线性差分方程求解。
7.如权利要求1所述的风险传播信息评估方法,其特征在于,所述风险传播信息评估方法对于风险传播模型,利用基于数学模型的传染病模型进行。
8.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如下步骤:
获取存储目标企业及其关联方信息,构建多层次多分类的关联方数据库;
根据关联方数据库,从中提取数据,构建基于目标企业的多层级关系网;
关系网上的每个实体进行基本资信风险状况的考察并给出量化的分值;
应用基于复杂网络的传播模型,给予驱动风险传播事件,分析风险传播过程,实现目标企业及其关联方的风险强度量化。
9.一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如下步骤:
获取存储目标企业及其关联方信息,构建多层次多分类的关联方数据库;
根据关联方数据库,从中提取数据,构建基于目标企业的多层级关系网;
关系网上的每个实体进行基本资信风险状况的考察并给出量化的分值;
应用基于复杂网络的传播模型,给予驱动风险传播事件,分析风险传播过程,实现目标企业及其关联方的风险强度量化。
10.一种运行权利要求1~6任意一项所述风险传播信息评估方法的风险传播信息评估系统,其特征在于,所述风险传播信息评估系统包括:
关联方数据库构建模块,用于结合大宗市场的业务场景,获取存储目标企业及其关联方信息,构建多层次多分类的关联方数据库;
多层级关系网构建模块,用于根据关联方数据库,从中提取数据,构建基于目标企业的多层级关系网;
量化分值获取模块,用于针对关系网上的每个实体,对其进行基本资信风险状况的考察并给出量化的分值;
风险强度量化实现模块,用于应用基于复杂网络的传播模型,给予驱动风险传播事件,分析风险传播过程,实现目标企业及其关联方的风险强度量化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010984313.0A CN112132441A (zh) | 2020-09-16 | 2020-09-16 | 风险传播信息评估方法、系统、存储介质、计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010984313.0A CN112132441A (zh) | 2020-09-16 | 2020-09-16 | 风险传播信息评估方法、系统、存储介质、计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112132441A true CN112132441A (zh) | 2020-12-25 |
Family
ID=73841945
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010984313.0A Pending CN112132441A (zh) | 2020-09-16 | 2020-09-16 | 风险传播信息评估方法、系统、存储介质、计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112132441A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112749237A (zh) * | 2020-12-30 | 2021-05-04 | 广州金越软件技术有限公司 | 一种基于图计算的人员关系构建和分析方法 |
CN113191879A (zh) * | 2021-05-21 | 2021-07-30 | 中国工商银行股份有限公司 | 基于复杂网络的数据报送方法、装置、系统及介质 |
CN116307724A (zh) * | 2023-03-22 | 2023-06-23 | 江苏风云科技服务有限公司 | 一种基于复杂网络的产业链风险传播方法和系统 |
CN117273935A (zh) * | 2023-09-25 | 2023-12-22 | 江门职业技术学院 | 一种基于区块链技术的供应链金融风控系统及方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110930249A (zh) * | 2020-02-07 | 2020-03-27 | 成都数联铭品科技有限公司 | 大型企业信用风险预测方法及系统、存储介质及电子设备 |
CN111401600A (zh) * | 2019-12-09 | 2020-07-10 | 合肥工业大学 | 基于关联关系的企业信用风险评价方法和系统 |
-
2020
- 2020-09-16 CN CN202010984313.0A patent/CN112132441A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111401600A (zh) * | 2019-12-09 | 2020-07-10 | 合肥工业大学 | 基于关联关系的企业信用风险评价方法和系统 |
CN110930249A (zh) * | 2020-02-07 | 2020-03-27 | 成都数联铭品科技有限公司 | 大型企业信用风险预测方法及系统、存储介质及电子设备 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112749237A (zh) * | 2020-12-30 | 2021-05-04 | 广州金越软件技术有限公司 | 一种基于图计算的人员关系构建和分析方法 |
CN113191879A (zh) * | 2021-05-21 | 2021-07-30 | 中国工商银行股份有限公司 | 基于复杂网络的数据报送方法、装置、系统及介质 |
CN116307724A (zh) * | 2023-03-22 | 2023-06-23 | 江苏风云科技服务有限公司 | 一种基于复杂网络的产业链风险传播方法和系统 |
CN117273935A (zh) * | 2023-09-25 | 2023-12-22 | 江门职业技术学院 | 一种基于区块链技术的供应链金融风控系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lee et al. | Are founder CEOs more overconfident than professional CEOs? Evidence from S&P 1500 companies | |
CN112132441A (zh) | 风险传播信息评估方法、系统、存储介质、计算机设备 | |
CN110110981B (zh) | 一种信用评级违约概率测度与风险预警方法 | |
Prasad et al. | Examining the contribution of information technology toward productivity and profitability in US retail banking | |
Dhaliwal et al. | The association between accruals quality and the characteristics of accounting experts and mix of expertise on audit committees | |
de Barcelos Tronto et al. | An investigation of artificial neural networks based prediction systems in software project management | |
Michalisin | Validity of annual report assertions about innovativeness: an empirical investigation | |
Lu et al. | The individual characteristics of board members and internal control weakness: Evidence from China | |
Darby et al. | Stakes and stars: The effect of intellectual human capital on the level and variability of high-tech firms' market values | |
Crawford et al. | What motivates buy-side analysts to share recommendations online? | |
Oktafianto et al. | Dismissal working relationship using analytic hierarchy process method | |
Chiu et al. | Managerial commitment to the status quo and corporate divestiture: can power motivate openness to change? | |
Fu et al. | Property rights protection, financial access and corporate R&D: Evidence from a large representative sample of Chinese firms | |
Zhang et al. | Design of financial big data audit model based on artificial neural network | |
Lyu | Construction of enterprise financial early warning model based on logistic regression and BP neural network | |
Yanti et al. | Determinants of Audit Report Lag during the Covid-19 Pandemic: A Study on Companies Conducting IPOs and Indexed LQ-45 | |
CN114881485A (zh) | 一种基于层次分析法和云模型的企业资金风险评估方法 | |
Cook et al. | Does perception of social issues affect portfolio choices? Evidence from the# MeToo movement | |
Gatehi et al. | Effect of board characteristics on financial performance of non-financial firms listed at the Nairobi Securities Exchange | |
CN117455681A (zh) | 业务风险预测方法和装置 | |
Qiang et al. | [Retracted] Relationship Model between Human Resource Management Activities and Performance Based on LMBP Algorithm | |
Cheng | [Retracted] Enterprise Financial Risk Prediction and Prevention Based on Big Data Analysis | |
Teng et al. | [Retracted] Invested Costs and Risk Control Model of Social Governance Based on Fuzzy Algorithm | |
Shabani et al. | Developing imprecise dual-role hybrid measure of efficiency for international market selection using ternary variable | |
Kourtellos et al. | Robust Correlates of Growth Spells: Do Inequality and Redistribution Matter? |
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 |