CN112163757B - 一种企业风险评估方法及系统 - Google Patents
一种企业风险评估方法及系统 Download PDFInfo
- Publication number
- CN112163757B CN112163757B CN202011016692.0A CN202011016692A CN112163757B CN 112163757 B CN112163757 B CN 112163757B CN 202011016692 A CN202011016692 A CN 202011016692A CN 112163757 B CN112163757 B CN 112163757B
- Authority
- CN
- China
- Prior art keywords
- government affair
- data
- total
- enterprise
- risk assessment
- 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.)
- Active
Links
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
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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
- G06Q30/018—Certifying business or products
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了计算机技术领域的一种企业风险评估方法及系统,方法包括如下步骤:步骤S10、从各政务系统获取各企业的政务数据;步骤S20、对获取的所述政务数据进行预处理后,存储至预先创建的数据库中;步骤S30、利用二维列联表对数据库中存储的各所述政务数据进行相关性分析,得到影响企业风险的自变量;步骤S40、创建一风险评估模型,将影响企业风险的自变量输入所述风险评估模型进行训练;步骤S50、利用训练后的所述风险评估模型对企业风险进行评估。本发明的优点在于:实现对施工企业的风险进行客观评估,进而极大的提高了施工的安全性。
Description
技术领域
本发明涉及计算机技术领域,特别指一种企业风险评估方法及系统。
背景技术
施工企业在承揽工程时需要具备一定的资质,不同等级的资质能够承揽不同规模的工程,但单纯从资质等级并不能有效的判断施工企业的风险系数,若仅从资质等级这单一的维度觉得施工企业能否承揽工程,将产生巨大的安全隐患。
随着政务信息的建设,海量的政务数据正在逐步生成和生长,这些不断产生的政务数据里蕴含的大量信息,具有丰富的利用价值,通过对这些政务数据的整理和分析,能够更有效、更有针对性的对施工企业进行风险评估。
因此,如何提供一种企业风险评估方法及系统,实现对施工企业的风险进行客观评估,进而提高施工的安全性,成为一个亟待解决的问题。
发明内容
本发明要解决的技术问题,在于提供一种企业风险评估方法及系统,实现对施工企业的风险进行客观评估,进而提高施工的安全性。
第一方面,本发明提供了一种企业风险评估方法,包括如下步骤:
步骤S10、从各政务系统获取各企业的政务数据;
步骤S20、对获取的所述政务数据进行预处理后,存储至预先创建的数据库中;
步骤S30、利用二维列联表对数据库中存储的各所述政务数据进行相关性分析,得到影响企业风险的自变量;
步骤S40、创建一风险评估模型,将影响企业风险的自变量输入所述风险评估模型进行训练;
步骤S50、利用训练后的所述风险评估模型对企业风险进行评估。
进一步地,所述步骤S10具体包括:
步骤S11、客户端通过SPI接口向各政务系统分别发送登录请求;
步骤S12、政务系统基于接收的所述登录请求向客户端返回临时串码;
步骤S13、客户端接收所述临时串码,利用加密算法基于用户密码对所述临时串码进行签名,生成第一签名数据并发送给政务系统;
步骤S14、政务系统接收所述第一签名数据,利用加密算法基于本地的用户密码对所述临时串码进行签名,生成第二签名数据,判断所述第一签名数据与第二签名数据是否一致,若是,则身份验证通过,进入步骤S15;若否,则身份验证不通过,结束流程;
步骤S15、政务系统将各企业的政务数据发送给客户端;所述政务数据至少包括注册资本、成立时间、总资本、总负债、总收入、总利润、净利润、企业性质、资质等级、不良行为次数、黑名单上榜次数、处罚次数、惩戒次数、经营异常情况、外部信用评价分数以及安全事故发生次数。
进一步地,所述步骤S20具体为:
创建一数据库,对获取的所述政务数据进行包括数据清洗、格式转换以及数据脱敏的预处理后,存储至所述数据库中。
进一步地,所述步骤S30具体为:
设定一数量阈值n,n为正整数;将所述政务数据中的注册资本、成立时间、总资本、总负债、总收入、总利润、净利润、企业性质、资质等级、不良行为次数、黑名单上榜次数、处罚次数、惩戒次数、经营异常情况以及外部信用评价分数作为自变量,将所述政务数据中的安全事故发生次数作为因变量;
利用二维列联表对所述自变量与因变量进行相关性分析,得到相关性最大的n个自变量,即对企业风险影响最大的n个自变量。
进一步地,所述步骤S40中,所述风险评估模型具体为:
安全事故发生概率=1/(1+exp(a+b1*自变量1+b2*自变量2+…+bn*自变量n));
其中a和bn均表示回归系数;自变量n为注册资本、成立时间、总资本、总负债、总收入、总利润、净利润、企业性质、资质等级、不良行为次数、黑名单上榜次数、处罚次数、惩戒次数、经营异常情况、外部信用评价分数中的一个。
第二方面,本发明提供了一种企业风险评估系统,包括如下模块:
政务数据获取模块,用于从各政务系统获取各企业的政务数据;
政务数据预处理模块,用于对获取的所述政务数据进行预处理后,存储至预先创建的数据库中;
相关性分析模块,用于利用二维列联表对数据库中存储的各所述政务数据进行相关性分析,得到影响企业风险的自变量;
风险评估模型训练模块,用于创建一风险评估模型,将影响企业风险的自变量输入所述风险评估模型进行训练;
风险评估模块,用于利用训练后的所述风险评估模型对企业风险进行评估。
进一步地,所述政务数据获取模块具体包括:
登录请求发送单元,用于客户端通过SPI接口向各政务系统分别发送登录请求;
临时串码发送单元,用于政务系统基于接收的所述登录请求向客户端返回临时串码;
临时串码签名单元,用于客户端接收所述临时串码,利用加密算法基于用户密码对所述临时串码进行签名,生成第一签名数据并发送给政务系统;
签名验证单元,用于政务系统接收所述第一签名数据,利用加密算法基于本地的用户密码对所述临时串码进行签名,生成第二签名数据,判断所述第一签名数据与第二签名数据是否一致,若是,则身份验证通过,进入政务数据发送单元;若否,则身份验证不通过,结束流程;
政务数据发送单元,用于政务系统将各企业的政务数据发送给客户端;所述政务数据至少包括注册资本、成立时间、总资本、总负债、总收入、总利润、净利润、企业性质、资质等级、不良行为次数、黑名单上榜次数、处罚次数、惩戒次数、经营异常情况、外部信用评价分数以及安全事故发生次数。
进一步地,所述政务数据预处理模块具体为:
创建一数据库,对获取的所述政务数据进行包括数据清洗、格式转换以及数据脱敏的预处理后,存储至所述数据库中。
进一步地,所述相关性分析模块具体为:
设定一数量阈值n,n为正整数;将所述政务数据中的注册资本、成立时间、总资本、总负债、总收入、总利润、净利润、企业性质、资质等级、不良行为次数、黑名单上榜次数、处罚次数、惩戒次数、经营异常情况以及外部信用评价分数作为自变量,将所述政务数据中的安全事故发生次数作为因变量;
利用二维列联表对所述自变量与因变量进行相关性分析,得到相关性最大的n个自变量,即对企业风险影响最大的n个自变量。
进一步地,所述风险评估模型训练模块中,所述风险评估模型具体为:
安全事故发生概率=1/(1+exp(a+b1*自变量1+b2*自变量2+…+bn*自变量n));
其中a和bn均表示回归系数;自变量n为注册资本、成立时间、总资本、总负债、总收入、总利润、净利润、企业性质、资质等级、不良行为次数、黑名单上榜次数、处罚次数、惩戒次数、经营异常情况、外部信用评价分数中的一个。
本发明的优点在于:
通过从各政务系统获取包括注册资本、成立时间、总资本、总负债、总收入、总利润、净利润、企业性质、资质等级、不良行为次数、黑名单上榜次数、处罚次数、惩戒次数、经营异常情况、外部信用评价分数以及安全事故发生次数的政务数据,即整合了各政务系统多维度的政务数据,再对政务数据进行数据清洗、格式转换以及数据脱敏的预处理后,利用二维列联表找出对企业风险影响最大的n个自变量,将n个自变量输入创建的风险评估模型进行训练,最终利用训练后的风险评估模型对企业风险进行评估,实现对施工企业的风险进行客观评估,进而极大的提高了施工的安全性,使施工企业的监管逐步从粗放型向精细化、精准化转变,从被动响应向主动预见转变,从经验判断向大数据科学决策转变。
附图说明
下面参照附图结合实施例对本发明作进一步的说明。
图1是本发明一种企业风险评估方法的流程图。
图2是本发明一种企业风险评估系统的结构示意图。
具体实施方式
本申请实施例中的技术方案,总体思路如下:从各政务系统获取多维度的政务数据,再对政务数据进行预处理后,利用二维列联表找出对企业风险影响最大的n个自变量,将n个自变量输入创建的风险评估模型进行训练,最终利用训练后的风险评估模型对企业风险进行评估,实现对施工企业的风险进行客观评估,进而提高施工的安全性。
请参照图1至图2所示,本发明一种企业风险评估方法的较佳实施例,包括如下步骤:
步骤S10、从各政务系统获取各企业的政务数据;传统上各政务系统的政务数据是相互割裂的,未进行整合分析,使得数据的价值未被充分利用,本申请从各政务系统获取多维的政务数据能够对企业风险进行全面的评估,提升风险评估的准确性;
步骤S20、对获取的所述政务数据进行预处理后,存储至预先创建的数据库中;
步骤S30、利用二维列联表对数据库中存储的各所述政务数据进行相关性分析,得到影响企业风险的自变量;
步骤S40、在SPSS软件上创建一风险评估模型,将影响企业风险的自变量输入所述风险评估模型进行训练;所述风险评估模型能够很好的解释各自变量对因变量的影响。
步骤S50、利用训练后的所述风险评估模型对企业风险进行评估。
利用所述风险评估模型能够对企业的安全事故发生概率进行计算,在具体实施时,可将安全事故发生概率转换为对应的分值,例如(1-安全事故发生概率)*1200,即将分值映射到1至1200的区间,还可基于资质等级以及是否具有施工安全证进行额外的加分,并将分值区间用A、B、C、D、E来表示,便于直观区分风险等级。
所述步骤S10具体包括:
步骤S11、客户端通过SPI接口向各政务系统分别发送登录请求;
步骤S12、政务系统基于接收的所述登录请求向客户端返回临时串码;即将所述临时串码作为会话凭据;
步骤S13、客户端接收所述临时串码,利用加密算法基于用户密码对所述临时串码进行签名,生成第一签名数据并发送给政务系统;
步骤S14、政务系统接收所述第一签名数据,利用加密算法基于本地的用户密码对所述临时串码进行签名,生成第二签名数据,判断所述第一签名数据与第二签名数据是否一致,若是,则身份验证通过,进入步骤S15;若否,则身份验证不通过,结束流程;所述加密算法优选为HMAC算法;通过这种身份验证的方法,全过程无需传输用户密码,避免用户密码在传输过程中被窃取,而所述临时串码作为后续调用的身份标识;
步骤S15、政务系统将各企业的政务数据发送给客户端;所述政务数据至少包括注册资本、成立时间、总资本、总负债、总收入、总利润、净利润、企业性质、资质等级、不良行为次数、黑名单上榜次数、处罚次数、惩戒次数、经营异常情况、外部信用评价分数以及安全事故发生次数,即从企业基本信息、资质信息以及信用行为3大维度选取政务数据。
在具体实施时,可对所述政务数据进行量化,例如注册资本单位为万元,取其自然对数作为自变量;根据总资产、总负债、总收入、总利润、净利润等财务指标计算资产负债率、利润率和总资产净利率;资质等级分为一级、二级、三级、四级,对应4、3、2、1四个定值,若没有匹配到资质等级则取0;外部信用评价分数取近三年最高分和最低分均值。
所述步骤S20具体为:
创建一数据库,对获取的所述政务数据进行包括数据清洗、格式转换以及数据脱敏的预处理后,存储至所述数据库中。数据清洗即预设一些筛选条件对所述政务数据进行过滤;格式转换即将从各政务系统获取的政务数据转换为统一格式,便于后期的数据分析利用;数据脱敏指对某些敏感信息通过脱敏规则进行数据的变形,实现敏感隐私数据的可靠保护。
所述步骤S30具体为:
设定一数量阈值n,n为正整数;将所述政务数据中的注册资本、成立时间、总资本、总负债、总收入、总利润、净利润、企业性质、资质等级、不良行为次数、黑名单上榜次数、处罚次数、惩戒次数、经营异常情况以及外部信用评价分数作为自变量,将所述政务数据中的安全事故发生次数作为因变量;
利用二维列联表对所述自变量与因变量进行相关性分析,得到相关性最大的n个自变量,即对企业风险影响最大的n个自变量。
所述步骤S40中,所述风险评估模型具体为:
安全事故发生概率=1/(1+exp(a+b1*自变量1+b2*自变量2+…+bn*自变量n));
其中a和bn均表示回归系数;自变量n为注册资本、成立时间、总资本、总负债、总收入、总利润、净利润、企业性质、资质等级、不良行为次数、黑名单上榜次数、处罚次数、惩戒次数、经营异常情况、外部信用评价分数中的一个。所述风险评估模型中,(a+b1*自变量1+b2*自变量2+…+bn*自变量n)部分为线性回归分析,1/(1+exp(.))表示将线性回归的取值进行归一化处理,最终使得安全事故发生概率的取值范围为0至1。
例如设置数量阈值n的取值为5,通过二维列联表分析得到对企业风险影响最大的5个自变量分别为不良行为次数、处罚次数、黑名单上榜次数、惩戒次数以及外部信用评价分数,利用这5个自变量对所述风险评估模型进行训练得到:
安全事故发生概率=1/(1+exp(0.642+0.079*不良行为次数+0.447*处罚次数+0.21*黑名单上榜次数+0.188*惩戒次数-0.007*外部信用评价分数))。
本发明一种企业风险评估系统的较佳实施例,包括如下模块:
政务数据获取模块,用于从各政务系统获取各企业的政务数据;传统上各政务系统的政务数据是相互割裂的,未进行整合分析,使得数据的价值未被充分利用,本申请从各政务系统获取多维的政务数据能够对企业风险进行全面的评估,提升风险评估的准确性;
政务数据预处理模块,用于对获取的所述政务数据进行预处理后,存储至预先创建的数据库中;
相关性分析模块,用于利用二维列联表对数据库中存储的各所述政务数据进行相关性分析,得到影响企业风险的自变量;
风险评估模型训练模块,用于在SPSS软件上创建一风险评估模型,将影响企业风险的自变量输入所述风险评估模型进行训练;所述风险评估模型能够很好的解释各自变量对因变量的影响。
风险评估模块,用于利用训练后的所述风险评估模型对企业风险进行评估。
利用所述风险评估模型能够对企业的安全事故发生概率进行计算,在具体实施时,可将安全事故发生概率转换为对应的分值,例如(1-安全事故发生概率)*1200,即将分值映射到1至1200的区间,还可基于资质等级以及是否具有施工安全证进行额外的加分,并将分值区间用A、B、C、D、E来表示,便于直观区分风险等级。
所述政务数据获取模块具体包括:
登录请求发送单元,用于客户端通过SPI接口向各政务系统分别发送登录请求;
临时串码发送单元,用于政务系统基于接收的所述登录请求向客户端返回临时串码;即将所述临时串码作为会话凭据;
临时串码签名单元,用于客户端接收所述临时串码,利用加密算法基于用户密码对所述临时串码进行签名,生成第一签名数据并发送给政务系统;
签名验证单元,用于政务系统接收所述第一签名数据,利用加密算法基于本地的用户密码对所述临时串码进行签名,生成第二签名数据,判断所述第一签名数据与第二签名数据是否一致,若是,则身份验证通过,进入政务数据发送单元;若否,则身份验证不通过,结束流程;所述加密算法优选为HMAC算法;通过这种身份验证的方法,全过程无需传输用户密码,避免用户密码在传输过程中被窃取,而所述临时串码作为后续调用的身份标识;
政务数据发送单元,用于政务系统将各企业的政务数据发送给客户端;所述政务数据至少包括注册资本、成立时间、总资本、总负债、总收入、总利润、净利润、企业性质、资质等级、不良行为次数、黑名单上榜次数、处罚次数、惩戒次数、经营异常情况、外部信用评价分数以及安全事故发生次数,即从企业基本信息、资质信息以及信用行为3大维度选取政务数据。
在具体实施时,可对所述政务数据进行量化,例如注册资本单位为万元,取其自然对数作为自变量;根据总资产、总负债、总收入、总利润、净利润等财务指标计算资产负债率、利润率和总资产净利率;资质等级分为一级、二级、三级、四级,对应4、3、2、1四个定值,若没有匹配到资质等级则取0;外部信用评价分数取近三年最高分和最低分均值。
所述政务数据预处理模块具体为:
创建一数据库,对获取的所述政务数据进行包括数据清洗、格式转换以及数据脱敏的预处理后,存储至所述数据库中。数据清洗即预设一些筛选条件对所述政务数据进行过滤;格式转换即将从各政务系统获取的政务数据转换为统一格式,便于后期的数据分析利用;数据脱敏指对某些敏感信息通过脱敏规则进行数据的变形,实现敏感隐私数据的可靠保护。
所述相关性分析模块具体为:
设定一数量阈值n,n为正整数;将所述政务数据中的注册资本、成立时间、总资本、总负债、总收入、总利润、净利润、企业性质、资质等级、不良行为次数、黑名单上榜次数、处罚次数、惩戒次数、经营异常情况以及外部信用评价分数作为自变量,将所述政务数据中的安全事故发生次数作为因变量;
利用二维列联表对所述自变量与因变量进行相关性分析,得到相关性最大的n个自变量,即对企业风险影响最大的n个自变量。
所述风险评估模型训练模块中,所述风险评估模型具体为:
安全事故发生概率=1/(1+exp(a+b1*自变量1+b2*自变量2+…+bn*自变量n));
其中a和bn均表示回归系数;自变量n为注册资本、成立时间、总资本、总负债、总收入、总利润、净利润、企业性质、资质等级、不良行为次数、黑名单上榜次数、处罚次数、惩戒次数、经营异常情况、外部信用评价分数中的一个。所述风险评估模型中,(a+b1*自变量1+b2*自变量2+…+bn*自变量n)部分为线性回归分析,1/(1+exp(.))表示将线性回归的取值进行归一化处理,最终使得安全事故发生概率的取值范围为0至1。
例如设置数量阈值n的取值为5,通过二维列联表分析得到对企业风险影响最大的5个自变量分别为不良行为次数、处罚次数、黑名单上榜次数、惩戒次数以及外部信用评价分数,利用这5个自变量对所述风险评估模型进行训练得到:
安全事故发生概率=1/(1+exp(0.642+0.079*不良行为次数+0.447*处罚次数+0.21*黑名单上榜次数+0.188*惩戒次数-0.007*外部信用评价分数))。
综上所述,本发明的优点在于:
通过从各政务系统获取包括注册资本、成立时间、总资本、总负债、总收入、总利润、净利润、企业性质、资质等级、不良行为次数、黑名单上榜次数、处罚次数、惩戒次数、经营异常情况、外部信用评价分数以及安全事故发生次数的政务数据,即整合了各政务系统多维度的政务数据,再对政务数据进行数据清洗、格式转换以及数据脱敏的预处理后,利用二维列联表找出对企业风险影响最大的n个自变量,将n个自变量输入创建的风险评估模型进行训练,最终利用训练后的风险评估模型对企业风险进行评估,实现对施工企业的风险进行客观评估,进而极大的提高了施工的安全性,使施工企业的监管逐步从粗放型向精细化、精准化转变,从被动响应向主动预见转变,从经验判断向大数据科学决策转变。
虽然以上描述了本发明的具体实施方式,但是熟悉本技术领域的技术人员应当理解,我们所描述的具体的实施例只是说明性的,而不是用于对本发明的范围的限定,熟悉本领域的技术人员在依照本发明的精神所作的等效的修饰以及变化,都应当涵盖在本发明的权利要求所保护的范围内。
Claims (2)
1.一种企业风险评估方法,其特征在于:包括如下步骤:
步骤S10、从各政务系统获取各企业的政务数据;
步骤S20、创建一数据库,对获取的所述政务数据进行包括数据清洗、格式转换以及数据脱敏的预处理后,存储至所述数据库中;
步骤S30、利用二维列联表对数据库中存储的各所述政务数据进行相关性分析,得到影响企业风险的自变量;
步骤S40、创建一风险评估模型,将影响企业风险的自变量输入所述风险评估模型进行训练;
步骤S50、利用训练后的所述风险评估模型对企业风险进行评估;
所述步骤S10具体包括:
步骤S11、客户端通过SPI接口向各政务系统分别发送登录请求;
步骤S12、政务系统基于接收的所述登录请求向客户端返回临时串码,将所述临时串码作为会话凭据;
步骤S13、客户端接收所述临时串码,利用加密算法基于用户密码对所述临时串码进行签名,生成第一签名数据并发送给政务系统;
步骤S14、政务系统接收所述第一签名数据,利用加密算法基于本地的用户密码对所述临时串码进行签名,生成第二签名数据,判断所述第一签名数据与第二签名数据是否一致,若是,则身份验证通过,进入步骤S15;若否,则身份验证不通过,结束流程;
步骤S15、政务系统将各企业的政务数据发送给客户端;所述政务数据至少包括注册资本、成立时间、总资本、总负债、总收入、总利润、净利润、企业性质、资质等级、不良行为次数、黑名单上榜次数、处罚次数、惩戒次数、经营异常情况、外部信用评价分数以及安全事故发生次数;
所述步骤S30具体为:
将所述政务数据中的注册资本、成立时间、总资本、总负债、总收入、总利润、净利润、企业性质、资质等级、不良行为次数、黑名单上榜次数、处罚次数、惩戒次数、经营异常情况以及外部信用评价分数作为自变量,将所述政务数据中的安全事故发生次数作为因变量;
利用二维列联表对所述自变量与因变量进行相关性分析,得到相关性最大的n个自变量,即对企业风险影响最大的n个自变量;其中,n表示数量阈值n,且n为正整数;
所述步骤S40中,所述风险评估模型具体为:
安全事故发生概率=1/(1+exp(a+b1*自变量1+b2*自变量2+…+bn*自变量n));
其中a和bn均表示回归系数;自变量n为注册资本、成立时间、总资本、总负债、总收入、总利润、净利润、企业性质、资质等级、不良行为次数、黑名单上榜次数、处罚次数、惩戒次数、经营异常情况、外部信用评价分数中的一个。
2.一种企业风险评估系统,其特征在于:包括如下模块:
政务数据获取模块,用于从各政务系统获取各企业的政务数据;
政务数据预处理模块,用于创建一数据库,对获取的所述政务数据进行包括数据清洗、格式转换以及数据脱敏的预处理后,存储至所述数据库中;
相关性分析模块,用于利用二维列联表对数据库中存储的各所述政务数据进行相关性分析,得到影响企业风险的自变量;
风险评估模型训练模块,用于创建一风险评估模型,将影响企业风险的自变量输入所述风险评估模型进行训练;
风险评估模块,用于利用训练后的所述风险评估模型对企业风险进行评估;
所述政务数据获取模块具体包括:
登录请求发送单元,用于客户端通过SPI接口向各政务系统分别发送登录请求;
临时串码发送单元,用于政务系统基于接收的所述登录请求向客户端返回临时串码,将所述临时串码作为会话凭据;
临时串码签名单元,用于客户端接收所述临时串码,利用加密算法基于用户密码对所述临时串码进行签名,生成第一签名数据并发送给政务系统;
签名验证单元,用于政务系统接收所述第一签名数据,利用加密算法基于本地的用户密码对所述临时串码进行签名,生成第二签名数据,判断所述第一签名数据与第二签名数据是否一致,若是,则身份验证通过,进入政务数据发送单元;若否,则身份验证不通过,结束流程;
政务数据发送单元,用于政务系统将各企业的政务数据发送给客户端;所述政务数据至少包括注册资本、成立时间、总资本、总负债、总收入、总利润、净利润、企业性质、资质等级、不良行为次数、黑名单上榜次数、处罚次数、惩戒次数、经营异常情况、外部信用评价分数以及安全事故发生次数;
所述相关性分析模块具体为:
将所述政务数据中的注册资本、成立时间、总资本、总负债、总收入、总利润、净利润、企业性质、资质等级、不良行为次数、黑名单上榜次数、处罚次数、惩戒次数、经营异常情况以及外部信用评价分数作为自变量,将所述政务数据中的安全事故发生次数作为因变量;
利用二维列联表对所述自变量与因变量进行相关性分析,得到相关性最大的n个自变量,即对企业风险影响最大的n个自变量;其中,n表示数量阈值n,且n为正整数;
所述风险评估模型训练模块中,所述风险评估模型具体为:
安全事故发生概率=1/(1+exp(a+b1*自变量1+b2*自变量2+…+bn*自变量n));
其中a和bn均表示回归系数;自变量n为注册资本、成立时间、总资本、总负债、总收入、总利润、净利润、企业性质、资质等级、不良行为次数、黑名单上榜次数、处罚次数、惩戒次数、经营异常情况、外部信用评价分数中的一个。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011016692.0A CN112163757B (zh) | 2020-09-24 | 2020-09-24 | 一种企业风险评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011016692.0A CN112163757B (zh) | 2020-09-24 | 2020-09-24 | 一种企业风险评估方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112163757A CN112163757A (zh) | 2021-01-01 |
CN112163757B true CN112163757B (zh) | 2023-09-22 |
Family
ID=73862718
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011016692.0A Active CN112163757B (zh) | 2020-09-24 | 2020-09-24 | 一种企业风险评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112163757B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113177849A (zh) * | 2021-04-07 | 2021-07-27 | 安徽科讯金服科技有限公司 | 一种基于政务大数据的税融通线上化系统 |
CN113177833A (zh) * | 2021-04-07 | 2021-07-27 | 安徽科讯金服科技有限公司 | 一种基于大数据的担保决策系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220769A (zh) * | 2017-05-26 | 2017-09-29 | 北京汇通金财信息科技有限公司 | 一种企业信用风险评估方法及系统 |
CN107464187A (zh) * | 2017-08-24 | 2017-12-12 | 河南鑫安利安全科技股份有限公司 | 企业风险评价方法 |
CN111191921A (zh) * | 2019-12-27 | 2020-05-22 | 安徽科讯金服科技有限公司 | 一种小微企业经营状况风控分析系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3007117A1 (en) * | 2014-10-08 | 2016-04-13 | Deutsche Post AG | Handling data about a company specific supply chain network |
-
2020
- 2020-09-24 CN CN202011016692.0A patent/CN112163757B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220769A (zh) * | 2017-05-26 | 2017-09-29 | 北京汇通金财信息科技有限公司 | 一种企业信用风险评估方法及系统 |
CN107464187A (zh) * | 2017-08-24 | 2017-12-12 | 河南鑫安利安全科技股份有限公司 | 企业风险评价方法 |
CN111191921A (zh) * | 2019-12-27 | 2020-05-22 | 安徽科讯金服科技有限公司 | 一种小微企业经营状况风控分析系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112163757A (zh) | 2021-01-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11238176B1 (en) | System and methods for privacy management | |
US20200356676A1 (en) | Identity risk and cyber access risk engine | |
CN113657545B (zh) | 用户业务数据的处理方法、装置、设备及存储介质 | |
US11956272B2 (en) | Identifying legitimate websites to remove false positives from domain discovery analysis | |
CN112163757B (zh) | 一种企业风险评估方法及系统 | |
US7644026B2 (en) | Ranking systems based on a risk | |
CN109831459B (zh) | 安全访问的方法、装置、存储介质和终端设备 | |
CN113726784A (zh) | 一种网络数据的安全监控方法、装置、设备及存储介质 | |
US8620911B2 (en) | Document registry system | |
CN112861056A (zh) | 一种企业网站建设信息展示发布系统及方法 | |
CN116112194A (zh) | 用户行为分析方法、装置、电子设备及计算机存储介质 | |
AL-Maliki et al. | Comparison study for NLP using machine learning techniques to detecting SQL injection vulnerabilities | |
CN109063485B (zh) | 一种基于漏洞平台的漏洞分类统计系统及方法 | |
US20230388306A1 (en) | Data circulation control method, data circulation control system, and approval server | |
Bandy et al. | Exposure to Marginally Abusive Content on Twitter | |
EP4123483A1 (en) | Method for confirming the identity of a user in a browsing session of an online service | |
Holm et al. | A metamodel for web application injection attacks and countermeasures | |
CN113239126A (zh) | 一种基于bor方法的业务活动信息标准化方案 | |
EP3761197A1 (en) | Method and system for producing a scoring model | |
CN118229432B (zh) | 金融一体机的网络数据处理方法及系统 | |
Song | Strengthening Small and Medium-Sized Businesses’ Cybersecurity: A Machine Learning-based Phishing Classification Model | |
KR102181009B1 (ko) | 임의후견 사무관리감독을 위한 블록체인 기반 자산활동 관리 서비스 제공 방법 | |
Ayo-Akere | Towards an Effective Social Engineering susceptibility detection Model Using Machine Learning on the Online Social Network | |
SRAVANI et al. | FRAUD IDENTIFICATION: FRAUD MONETARY DETECTION WITH AID OF HUMAN BEHAVIOR APPRAISAL EXAMINATION | |
CN117077189A (zh) | 银行业威胁建模平台建设方法、设备及可读存储介质 |
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 |