CN112330439A - 一种基于五流合一业务数据的金融风险识别装置及方法 - Google Patents
一种基于五流合一业务数据的金融风险识别装置及方法 Download PDFInfo
- Publication number
- CN112330439A CN112330439A CN202011227417.3A CN202011227417A CN112330439A CN 112330439 A CN112330439 A CN 112330439A CN 202011227417 A CN202011227417 A CN 202011227417A CN 112330439 A CN112330439 A CN 112330439A
- Authority
- CN
- China
- Prior art keywords
- data
- business
- risk
- dynamic
- business data
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开一种基于五流合一业务数据的金融风险识别装置及方法,该装置包括:数据获取模块用于采集融资方在实时贸易过程中的动态业务数据,将动态业务数据存储到存储模块中;所述存储模块用于获取所述融资方在历史贸易过程中的静态业务数据,并存储;模型构建模块用于读取与交易活动相关联的业务数据,并将所读取的业务数据根据五流合一类型进行聚类,根据聚类得到的五流合一业务数据构建描述模型;模型操作模块用于读取所述描述模型中的五流合一业务数据;所述模型应用模块用于识别所述融资方的业务动态风险。通过本发明,企业能够更直观、更完整的将整个供应链业务贸易过程中的业务数据呈现给金融机构,以便于金融机构对企业进行授信评价。
Description
技术领域
本发明涉及金融及信息技术领域,尤其涉及一种基于五流合一业务数据的金融风险识别装置及方法。
背景技术
目前,中小企业的直接融资渠道存在门槛高、条件苛刻等问题。传统授信及风控评价标准局限于企业规模、企业主体资质及抵押物价值,金融机构较难评估中小企业的资信状况,诸如商业银行等金融机构的资金投向通常偏好政府融资项目,因此金融机构的贷款更多的倾向于发放给大型企业。
现有的金融风险评估体系对于供应链条中动态变化的物权及债权,唯有通过核心企业信用担保或切分核心企业授信的模式才可以完成授信,此种模式不仅风险集中度高,在核心企业无法给出明确权的绝大多数行业中,能够准入的中小企业数量稀少,且完全不利于跨行业横向发展。
对于中小企业而言,由于中小企业业务细分纵深,财务管理存在不规范的情况,金融机构无法获取中小企业的所有真实交易数据,因而难以理解中小企业的业务底层逻辑;中小企业也没有渠道向供应链的金融授信机制提供可信可靠的业务交易数据,从而金融机构无法从企业的业务角度出发,来评判中小企业的业务风险及财务状况。即中小企业和金融机构天然的存在信息不对称,金融机构无法获取中小企业的真实业务数据,也无法掌握供应链业务中的风险点,导致众多中小企业拥有好业务却很难融资,金融机构对中小企业的融资态度基本上是惧贷、拒贷。
发明内容
本发明实施例提供了一种基于五流合一业务数据的金融风险识别装置及方法,以解决现有技术中如何将企业的业务数据从金融角度真实、完整的呈现给金融机构,以及如何使得金融机构全面了解业务中的风险点的问题。
为了解决上述技术问题,本发明实施例提供了一种基于五流合一业务数据的金融风险识别装置,包括:
一种基于五流合一业务数据的金融风险识别装置,包括:
数据获取模块,用于采集融资方在实时贸易过程中的动态业务数据,将所述动态业务数据存储到存储模块中;
所述存储模块,与所述数据获取模块连接,用于获取所述融资方在历史贸易过程中的静态业务数据,并存储所述静态业务数据;
模型构建模块,与所述存储模块连接,用于从所述存储模块中读取与交易活动相关联的动态业务数据和静态业务数据,并将所读取的业务数据根据五流合一类型进行聚类,根据聚类得到的五流合一业务数据构建描述模型;
模型操作模块,与所述模型构建模块连接,用于基于模型应用模块的需求读取所述描述模型中的五流合一业务数据;
所述模型应用模块,与所述模型操作模块连接,用于根据需求并读取的五流合一业务数据,识别所述融资方的业务动态风险。
在一实施例中,所述模型应用模块包括:
量化分析单元,用于根据从所述描述模型中读取的五流合一业务数据预估当前交易环节的收益、损失,并对贸易参与方的资产变化量、资金变化量、权益变化量及当前交易环节的费用进行资产资金守恒核算;
风险识别单元,包括业务动态风险分析单元,用于根据所述量化分析单元所预估的总收益和总损失,监控和识别对应交易环节的第一业务动态风险;还用于根据所述守恒核算的结果以及所识别的风险,确定是否进行预警。
在一实施例中,所述风险识别单元还包括:
企业风险分析单元,用于获取行业级标准数据,根据所述行业级标准数据识别融资方风险,基于所述融资方风险确定适合所述融资方的金融产品;
所述业务动态风险分析单元,还用于根据所述金融产品预判断所述当前交易环节的业务数据的连续性,基于所述连续性识别第二业务动态风险。
在一实施例中,所述业务动态风险分析单元还用于:
通过所述模型操作模块读取所述描述模型中的所述静态业务数据和动态业务数据,并比对同类型的静态业务数据和动态业务数据,根据比对结果识别第三业务动态风险。
在一实施例中,所述模型应用模块还包括:
视图转化单元,用于根据所读取的业务数据以及量化分析结果,将业务数据、资产资金以及业务动态风险转化为金融视角的贸易视图,所述量化分析结果包括预估计的收益、损失以及资产资金守恒核算的结果。
为了解决上述技术问题,本发明实施例还提供了一种基于五流合一业务数据的金融风险识别方法,包括:
采集融资方在实时贸易过程中的动态业务数据,将所述动态业务数据进行存储;
获取所述融资方在历史贸易过程中的静态业务数据,并存储所述静态业务数据;
从所存储的数据中读取与交易活动相关联的动态业务数据和静态业务数据,并将所读取的业务数据根据五流合一类型进行聚类,根据聚类得到的五流合一业务数据构建描述模型;
读取所述描述模型中的五流合一业务数据;
根据读取的五流合一业务数据,识别所述融资方的业务动态风险。
在一实施例中,所述根据读取的五流合一业务数据,识别所述融资方的业务动态风险,包括:
根据从所述描述模型中读取的五流合一业务数据预估当前交易环节的收益、损失,并对贸易参与方的资产变化量、资金变化量、权益变化量及当前交易环节的费用进行资产资金守恒核算;
根据所预估的总收益和总损失,监控和识别对应交易环节的第一业务动态风险;还用于根据所述守恒核算的结果以及所识别的风险,确定是否进行预警。
在一实施例中,所述根据读取的五流合一业务数据,识别所述融资方的业务动态风险,还包括:
获取行业级标准数据,根据所述行业级标准数据识别融资方风险,基于所述融资方风险确定适合所述融资方的金融产品;
根据所述金融产品预判断所述当前交易环节的业务数据的连续性,基于所述连续性识别第二业务动态风险。
在一实施例中,所述根据读取的五流合一业务数据,识别所述融资方的业务动态风险,还包括:
通过所述模型操作模块读取所述描述模型中的所述静态业务数据和动态业务数据,并比对同类型的静态业务数据和动态业务数据,根据比对结果识别第三业务动态风险。
在一实施例中,根据读取的五流合一业务数据,识别所述融资方的业务动态风险,还包括:
根据所读取的业务数据以及量化分析结果,将业务数据、资产资金以及业务动态风险转化为金融视角的贸易视图,所述量化分析结果包括预估计的收益、损失以及资产资金守恒核算的结果。
有益的效果
本发明实施例提供的一种基于五流合一业务数据的金融风险识别装置及方法,通过获取企业的历史静态业务数据和实时动态业务数据,将这些数据聚类为五流合一类型,以交易活动为中心,构建用于描述整个业务贸易过程的描述模型,通过描述模型能够复现贸易过程中的动态变化及实时交互的关系。从而,企业通过描述模型能够更直观、更完整的将整个供应链业务贸易过程中的五流合一的业务数据呈现给金融机构,将具体产生真实收益的业务环节纳入融资评估范畴,使得供应链中的相关企业与融资企业主体作为整体能够被金融机构授信,为金融机构及资金方开辟新的利润来源,降低中小企业的融资成本。
进一步地,本发明还可以对企业的业务动态风险及企业风险进行识别,从而便于更清晰的向企业和金融机构呈现贸易过程中会产生的风险点,以提醒企业及时调整,同时将维度单一的企业融资评估标准拓展为评估供应链结构风险,为中小企业获取贷款开辟了新途径。
另一方面,本发明还可以通过对贸易过程中的业务数据进行量化分析以及资产资金守恒核算,在及时发现风险点及预警的同时,还可以将贸易参与方的资产、业务数据等转化为金融角度的贸易视图,便于金融机构更深入的了解企业的业务状况,对企业的融资给出客观的评估。
附图说明
图1是本发明一个实施例提供的一种基于五流合一业务数据的金融风险识别装置的结构示意图;
图2是本发明另一个实施例提供的一种基于五流合一业务数据的金融风险识别装置的结构示意图;
图3是本发明另一个实施例提供的一种基于五流合一业务数据的金融风险识别装置的结构示意图;
图4是本发明另一个实施例提供的一种基于五流合一业务数据的金融风险识别装置的结构示意图;
图5是本发明另一个实施例提供的一种基于五流合一业务数据的金融风险识别方法的流程图;
图6是本发明另一个实施例提供的一种基于五流合一业务数据的金融风险识别方法的流程图;
图7是本发明另一个实施例提供的一种基于五流合一业务数据的金融风险识别方法的流程图;
图8是本发明另一个实施例提供的一种基于电煤贸易供应链的风控模型的示意图。
具体实施方式
以下,举出实施例来说明本发明的具体实施方式,但本发明的实施方式不受如下这些实施例的限制,可在不影响本发明所要达到的技术效果的范围内做出任意选择和变更。
为了使本发明更容易理解,所使用的术语用以下来定义。
如图1所示,为本发明一个实施例提供的一种基于五流合一业务数据的金融风险识别装置的结构示意图,该金融风险识别装置可以应用在终端上,本公开中的终端可以是任何具有上网功能的智能终端,例如,可以具体为手机、电脑、PDA(Personal DigitalAssistant,个人数字助理)等。该金融风险识别装置至少可以包括:数据获取模块110、存储模块120、模型构建模块130、模型操作模块140以及模型应用模块150。
其中,数据获取模块110用于采集融资方(企业)在当前贸易过程中的业务数据,该业务数据为实时动态的可信防伪业务数据,数据获取模块110将获取的该动态业务数据存储到存储模块120中。
存储模块120与数据获取模块110连接,用于存储数据获取模块110获取的动态业务数据,还用于读取企业在历史贸易过程中的静态业务数据,并将静态业务数据写入区块链中进行存储。
模型构建模块130与存储模块120连接,用于读取存储模块120中存储的与交易活动相关的业务数据,将读取的业务数据聚类为五流合一类型的业务数据,并以交易活动为中心,根据五流合一业务数据构造描述模型,描述模型用于描述企业供应链的完整贸易过程。
模型操作模块140,与模型构建模块130以及模型应用模块150连接,用于基于模型应用模块150的需求对描述模型进行访问和读取业务数据的操作,并将读取的业务数据发送给模型应用模块150。
模型应用模块150,用于根据需求并指示模型操作模块140读取的业务数据,识别企业的业务动态风险。
在一实施例中,数据获取模块110可以包括:经多重加密的可信物端感知设备,该可信物端感知设备通过物联网,从企业供应链中发生贸易交互的各个环节、节点获取全生命周期的可信业务数据,该业务数据为防伪数据,可信数据获取模块110将获取的实时动态的业务数据存储到存储模块120中。
在一实施例中,存储模块120为区块链形态的存储模块,例如全量区块链数据库。
本实施例中,通过基于多重加密物联网设备及行业联盟链来获取和存储业务数据,能够确保业务数据的真实性和有效性,且区块链中碎片化的存储方式使得业务数据对托管方不可见,从而保障了业务数据的安全性。
其中,五流合一数据类型具体包括合同流、发票流、资金流、货物流以及信息数据流这五种类型。由于在业务的完整供应链条中,所涉及的数据必然会包括合同类、发票类、资金类、货物类以及信息数据类这几个类型,因而可以将业务数据拆解为这五种类型,通过五流合一业务数据来描述整个贸易过程,能够使得贸易的各参与方更清晰的了解整个贸易过程所涉及到的数据,便于判断各交易环节是否规范和完整。
在一实施例中,模型构建模块130以交易活动为中心来构建描述模型。交易活动可以理解为交易行为,与交易活动相关的业务数据可以包括交易行为所涉及的各个节点,也就是交易行为所涉及的交易环节的交易方、工作内容等。交易环节可以包括:订购、运输、存储、交付、验收以及结算等环节;交易环节的交易方可以包括:供货商、销售方等;交易环节的工作内容可以包括:角色清单,订单要素。其中订单要素可以包括交易时间、交易地点、交易金额、收益及交易数量等。与交易活动相关的业务数据还可以包括交易活动之间的关系,即如果一个交易活动必须要用另一个交易活动的结果才能继续开展工作,那么这两个交易活动之间就是有关系、有关联,并且这种关联是单向的;如果这两个交易活动互相要使用对方的结果才能使工作进展下去,那么这两个交易活动之间的关系就是双向的。交易活动之间的关系数据,可以包括:交易活动之间的顺序、交易活动之间的逻辑等。交易活动之间的顺序根据活动发生的时间、活动类型等因素来确定,例如活动B必须在活动A完成之后、且活动C完成之前执行,那么这几个活动的顺序为A、B、C。而交易活动之间的逻辑可以根据设定的公式等因素来确定。
在一实施例中,还可以在该描述模型中写入资产损益数据,资产损益数据可以包括行业逻辑、公允价值变动、贸易期内数据连续性变动、货物损耗、业务利润损耗等损益数据,资产损益数据用于交易环节的资产资金守恒核算。
在一实施例中,资产指的是购买的货品;资产损益,是指在货品最终交付前,发生的成本及费用;资产的公允价值表示资产(货品)的市场价格,包括资产的重量、质量、运费变动、贸易过程中产生的税金和业务成本;贸易期内数据的变动是指资金与货物之间的连续转换;货物损耗是指亏吨亏卡等货品品或质的变化;业务利润损耗是指交付前产生的各种费用,可以包括:资产的发运前成本变动、到厂后成本变动。其中公允价值可以通过网络或者行业标准数据获得,资产损益数据可以通过网络获得。
在一实施例中,交易活动包括:金融性属性、物流类属性、信息类属性和管理类属性。金融性属性涵盖保证金及货物处置信息等风险缓释措施、融资类型、银行、融资参与方、授信属性、抵押资产信息、金融凭证、合约类资源、资金、融资周期、融资费率、执行情况、动态风险、静态风险、核心企业风险、融资企业风险、外部环境风险;物流类属性包括铁路发运轨迹、站台接收吨数、下游接收吨数、矿发质检、发运前质检、下游接收质检、矿出短倒运费、铁路运费、站台费、物流公司、物流信息、发货时间、交付时间、货运单状态和跟踪;信息类属性具体包括中标通知书、历史交易数据交叉验证、电厂锅炉机组容量、电厂询价函、下游需求指标匹配、铁路局历史发运计划及到站信息等贸易真实性数据;管理类属性包括:项目开始时间、结束时间、时限、履行地点、当前状态、历史状态和资质评级等外部数据。在每一个交易活动、交易环节中,上述属性信息都几乎同时存在,这也是贸易参与方和融资机构难以掌握融资方(企业)真实数据的原因所在。而本实施例中,将上述信息通过描述模型以活动为中心来展示,就可以让融资机构了解贸易过程中的真实交易数据,并且也便于资产资金守恒核算。
至此,本发明实施例提供的一种基于五流合一业务数据的金融风险识别装置,通过获取企业的历史静态业务数据和实时动态业务数据,将这些数据聚类为五流合一类型,以交易活动为中心,能够构建用于描述整个业务贸易过程的描述模型,描述模型能够复现贸易过程中的动态变化及实时交互的关系。从而,企业通过描述模型能够更直观、更完整的将整个供应链业务贸易过程中的五流合一的业务数据呈现给金融机构(融资机构),以便于金融机构了解企业的业务状况。
下面以具体实施例来说明本公开实施例提供的技术方案。
如图2所示,为本发明另一个实施例提供的一种基于五流合一业务数据的金融风险识别装置的结构示意图,在上述图1所示实施例的基础上,模型应用模块150至少可以包括:量化分析单元151和风险识别单元152。
量化分析单元151,用于根据从描述模型中读取的五流合一业务数据,预估当前交易环节的损失或收益,并对贸易参与方在交易环节的资产资金进行守恒核算。量化分析单元151可以包括:假设线性模型单元1511和资产资金守恒核算单元1512。
其中,假设线性模型单元1511,通过模型操作模块140从描述模型中读取五流合一业务数据,并从读取的五流合一业务数据中提取出六大数据源。该六大数据源包括:客户基本信息、企业财务信息、企业关联信息、企业结算信息、企业行为数据以及客户风险信息。假设线性模型单元1511根据该六大数据源建立假设线性模型,以估计本次业务或当前交易环节可能的损失或收益。
在一实施例中,假设线性模型单元1511可以包括:收益假设线性模型单元,用于根据六大数据源预估本次业务或当前交易环节的收益;假设线性模型单元1511还可以包括:损失假设模型单元,用于根据六大数据源预估本次业务或当前交易环节会造成的损失,包括货品损失、商誉损失等。例如,客户风险信息可以包括货物交付时间,如果客户的交付时间为10天,而参考时间为3天,时间阈值为2天,那么由于交付时间和参考时间有7天的差值,大于设定时间阈值3天,那么可以判断该客户存在交付风险。也就是说,可以根据客户风险信息构建假设线性模型,采用逻辑回归等方法来预估本次交付环节可能的损失。
资产资金守恒核算单元1512,用于根据模型操作模块140从描述模型获取的五流合一业务数据,针对贸易过程的各个贸易参与方进行资产资金守恒的核算,确定是否存在违反守恒的节点,即交易环节。
在一实施例中,资产资金守恒核算单元1512,具体通过下述公式(1)进行资产资金的守恒核算:
E(X)=(V1,V2,V3,V4) (1)
其中,E(X)表示贸易过程的某一交易环节中,某一贸易参与方的资产资金变化量,其中,V1表示资金变化量,V2表示资产变化量,V3表示权益变化量,V4表示当前活动节点(交易环节)的费用。
在贸易过程的每一个实时交易活动节点上,当V1+V2+V3+V4=0时,代表当前交易环节资产资金守恒;当V1+V2+V3+V4≠0时,则代表当前交易环节的资产资金不守恒,当E(X)数值超过设定阈值,说明该交易环节的风险破坏力较大,当前操作为风险操作。
其中,资金变化量V1,表示输出资源资金属性值与输入资源资金属性值的相减值,其中输入资源资金属性值和输出资源资金属性值由模型操作模块140从描述模型中提取。
资产变化量V2,通过下述公式(2)来确定。
V2=Q*(P0±P) (2)
其中,Q表示数量,P0表示基础价格,P表示浮动价格。
在一实施例中,数量表示交易活动节点中所包含的物料或货品的数量,P0表示物料的基础价格,也是买入价格;P表示物料的浮动价格,当该值为正,说明价格上涨,当该值为负,说明价格下跌。公式(2)提取出贸易过程中交易活动节点所包含的物料的相关属性,转化为资金维度的金融数据,即资产变化量。物料相关属性可以包括收发货的货品或物料的质量、重量、特殊规格和市场价格等属性。当通过V1的价格购买了V2的货物时,假设物料买入价格为P0,在仓储过程中,该物料的市场价格发生的变化为P,那么P0±P表示物料当前的实际价格,因而V1与V2通常是不相等的。但是通常来说,V2≤Q*(P0±P)是正常的,反之则说明存在风险,需要预警。
权益变化量V3,通过模型操作模块140从描述模型中提取真实贸易过程中,交易活动节点所包含的合约类资源属性,将合约类资源属性转化为资金维度的金融数据,并在输出、输入资源间求差值。具体来说,会产生资产转移的合约共四类,包括核算磅单、铁路大票、验收单、物联网动态库存,下面分情况进行讨论。
①针对输出资源含有磅单的情况,若对方是销售方,则V3>0;若对方是购买方,则V3<0;
②针对输入资源含有验收单的情况,若对象是销售方,则V3<0;若对方是购买方,则V3>0;
③针对输出资源含有验收单的情况,若对象是销售方,则V3>0;若对方是购买方,则V3<0;
④针对输入资源含有可信库存数据或存货凭证的情况,V3<0;
⑤针对输出资源含有可信库存数据或存货凭证的情况,V3>0。
当前活动节点费用变量V4,包括行业逻辑数值、行业公允价值变动、货物损耗等资产损益,由模型操作模块140从描述模型中获得。
量化分析单元151将假设线性模型单元1511的预估结果和资产资金守恒核算单元1512的核算结果,即违反守恒的节点及核算结果发送给风险识别单元152。
在一实施例中,模型应用模块150还将量化分析单元151及资产资金核算单元152对每一次贸易过程的评估结果,存储为历史数据,以便于对融资企业进行整体授信评价。
在本实施例中,通过模型操作模块获取业务数据,并通过模型应用模块预估收益损失,以及对资产资金进行守恒核算,金融机构能够对供应链业务全过程实施监控和评估,以便及时识别业务过程中的风险点,有效把控金融风险的同时,也便于企业及时对业务作出调整。
本实施例中,通过针对贸易参与方的资产变化量、资金变化量、权益变化量以及当前交易环节的费用进行资产资金守恒核算,以及通过对当前交易环节的收益和损失进行预估,有利于持续观测业务数据的连续性,并根据资产资金守恒核算的偏差值确定是否存在风险,从而便于企业及金融机构对业务进行全局性的风险识别和把控。
如图3所示,为本发明另一个实施例提供的一种基于五流合一业务数据的金融风险识别装置的结构示意图,在上述图2所示实施例的基础上,风险识别单元152可以包括:业务动态风险分析单元1521。
业务动态风险分析单元1521,在一实施例中,用于将量化分析单元151输入的变量曲线进行累加,得到总变量-收益/损失的曲线,从而根据总变量-收益/损失曲线进行对应业务的业务动态风险的分析。其中总变量-损失曲线预估了整个业务过程中的资金收益及损失的走势,从而根据该总变量-收益/损失曲线能够监控实际交易环节的动态风险,判断实际收益/损失,这里称之为第一业务动态风险。第一业务动态风险即资产资金不守恒的风险,对于资金方而言,意味着投入的资金所购买的物料的资产价值小于资金价值。当存在第一业务动态风险时,业务动态风险分析单元1521可以给出相应的预警。
在一实施例中,风险识别单元152还包括:企业风险分析单元1522,企业风险分析单元1522用于读取国家级别的公开公示信息,处理工商、税务、征信、判决类风险,还可以读取行业级别的第三方机构的企业评估数据,然后根据国家级标准数据、行业级标准数据、企业评估数据对描述模型中的业务数据进行交叉核验、确定企业风险,判断融资企业的市场主体地位等风险,以及该企业是否符合做某些业务的要求,并进一步地根据企业的风险等级或风险数据确定适合该企业的金融产品。
其中,第三方机构可以例如企查查、征信数据库等。
那么业务动态风险分析单元1521还用于根据适合企业的金融产品确定对应的交易结构,交易结构可以例如利率、是否需要第三方担保等,然后通过模型操作模块140从描述模型中读取企业的业务数据,通过逻辑回归公式等,预判断交易数据(业务数据)是否存在连续性,例如两次交货行为的时间间隔超过设定阈值,则判定为交货时间存在异常,可能存在业务临时中断等状况,并实时监测企业的业务数据进行动态风险分析,这里称之为识别第二业务动态风险。第二业务动态风险可以包括上游/下游企业自身发生的风险,例如矿难、关停等,或不可抗力因素导致的风险,例如因运力导致的发货暂停或者延迟、货品丢失等等。当存在第二业务动态风险时,业务动态风险分析单元1521可以给出相应的预警。
在一实施例中,业务动态风险识别单元1521还对风险损失和成本收益进行量化分析,获取流程结构中的合同参与方数量、货物运输状态、合同履行进度;融资额和贸易总量、订单履行状况、订单拆分状况、保证金比例、质押物处置能力、质押物交货准确率等风险项的量化结果,结合活动节点所在的参与方信息、物流公司信息得到在区块链及相应开放存储空间共识后的量化结果,对供应链结构风险进行评估。
具体而言,业务动态风险分析单元1521接收量化分析单元151的量化结果,将活动节点对守恒值的偏移度(变化量)作为输入,修正量化打分,具体修正过程,修正值RL通过下述公式(3)来计算:
RL=a*E(X)+b*E(Y)+c*E(Z) (3)
其中,E(X)、E(Y)和E(Z)表示资产资金偏移量(变化量),a、b、c分别表示E(X)的风险系数、E(Y)的风险系数以及E(Z)的风险系数,即不守恒偏移量的加权系数,当a、b、c的值超过设定阈值时,代表当前评价体系着重考虑资产资金不守恒的风险,a、b、c具体数值的选定需结合当前供应链历史数据来确定。
修正值RL的作用是用来学习和完善风险识别装置的,例如按照本来的标准,第一业务动态风险和第二业务动态风险需要预警,但是在经过学习之后,发现行业内或者交易环节中出现了新的情况,这种情况并不一定会发生风险,而是合理的或者可控的,那么这种情况下,可以根据该修正值RL来判定业务动态风险,也即意味着拓宽了风险识别的包容范围。
在一实施例中,业务动态风险识别单元1521还将存储模块120中存储的静态业务数据和实时获取的动态业务数据做对比,当同类型的动态业务数据与静态业务数据存在的差异大于设定阈值时,存在第三业务动态风险,同时通过对比也可以判断业务数据的真实性和可靠性,保证底层业务数据的准确性,防止人为数据造假。例如根据历史静态数据,下游电厂的结算周期一贯为45天,而本次申请的产品的结算周期为90天,大于设定阈值10天,那么识别为存在第三业务动态风险,需要提出预警。所有同类历史数据都可以作为供应链业务动态风险识别的重要输入,以监控整个贸易过程轨迹。
本实施例中,风险识别的内容,包括供应链业务动态风险以及企业风险,同时关注贸易过程中的合同履约进度、物流轨迹真伪筛查、准时率与合格率。通过风险识别,能够识别出三种供应链的业务动态风险,也能够识别出企业风险,从而便于从宏观和微观上把控企业全供应链的风险状况。另一方面通过评估供应链中动态产生的风险,比如资产双花、进度逾期等,扩展了供应链风险识别手段,提供了不依赖于核心企业信用担保的授信方式。
如图4所示,为本发明另一个实施例提供的一种基于五流合一业务数据的金融风险识别装置的结构示意图,在上述图4所示实施例的基础上,模型应用模块150还可以包括:视图转化单元153。
视图转化单元153用于通过模型操作单元140读取描述模型中的合同流、发票流、资金流、货物流以及信息数据流这五类五流合一业务数据,结合量化分析单元151的量化结果,共同构造贸易视图。例如贸易参与方视图、资金方视图、金融机构视图、底层资产视图、动态风险视图等。其中,贸易参与方视图可以包括贸易参与方的资产资金、权益、企业资质、业务执行进度等信息,还可以包括在业务供应链上与该贸易参与方相关的交易活动,也可以包括该贸易参与方的资产资金守恒情况,以及业务动态风险等信息。资金方视图可以包括资金方的底层资产,例如货品、剩余资金等。金融机构视图可以包括对贸易过程中的每个活动节点计算资产变化量E(X)(参见公式(1));当E(X)数值超过设定阈值,表明该节点发生风险的破坏力大。
在贸易视图中,资产资金数据需要转换成金融角度的金融数据来呈现,以便于金融机构能够读懂贸易参与方的资产资金情况、能够从金融风控角度审视贸易参与方,从而减少中小企业与金融机构双方的信息不对称性,提高供应链条各环节的融资效率。通过贸易视图,在贸易链条的各个节点上都能够使用多方互信的数据实现多维度的企业资金资产核算与视图展示,实现供应链风险控制,并给金融机构对底层资产的梳理提供极大便利。
通过本实施例提供的基于五流合一业务数据的金融风险识别装置,中小企业能够更直观、更完整的展现自己的业务数据,贸易过程中产生的风险点也能够更清晰的呈现给金融机构,进而使得中小企业和金融机构实现更直接更紧密的连接。另一方面,在现有资信评估标准的基础上,将交易业务数据转化为企业的数字化资产,并保证真实性和完整性,通过交叉核验并转换成五流合一数据,将维度单一的评估企业规模拓展为多维度的评估供应链条结构风险,能够把控供应链中动态产生的风险,又不依赖于较强的核心企业信用担保,转而评估供应链结构,供应链中各参与方的静态风险。同时通过为金融机构提供资金资产视图,使得供应链中的相关企业,以及交易行为和通过交易行为产生的相关数据,同融资企业主体作为一个整体被综合授信,为银行、金融机构及资金方开辟新的利润来源,降低中小企业的融资成本,使得银行、金融机构、中小企业、物流企业等达成多方共赢,能够提供高效率的供应链融资。
如图5所示,为本发明另一个实施例提供的一种基于五流合一业务数据的金融风险识别方法的流程图,结合图1-4所示的装置实施例,该方法可以包括以下步骤:
步骤S110、采集并存储企业在实时贸易过程中的动态业务数据;
步骤S120、采集并存储企业在历史贸易过程中的静态业务数据;
步骤S130、读取与交易活动相关联的动态业务数据和静态业务数据,并将所读取的数据聚类为五流合一类型的业务数据,根据五流合一类型的业务数据构建描述模型;
步骤S140、基于应用的需求读取所述描述模型中的五流合一业务数据;
步骤S150、根据读取的五流合一业务数据,识别所述融资方的业务动态风险。
如图6所示,为本发明另一个实施例提供的一种基于五流合一业务数据的金融风险识别方法的流程图,结合图1-4所示的装置实施例,步骤S150可以包括以下步骤:
步骤S1501、根据从所述描述模型中读取的五流合一业务数据预估当前交易环节的收益、损失,并对贸易参与方的资产变化量、资金变化量、权益变化量及当前交易环节的费用进行资产资金守恒核算;
步骤S1502、根据所预估的总收益和总损失,监控和识别对应交易环节的第一业务动态风险;还用于根据所述守恒核算的结果以及所识别的风险,确定是否进行预警。
在另一实施例中,还可以识别交易环节的第二业务动态风险:
获取行业级标准数据,根据所述行业级标准数据识别融资方风险,基于所述融资方风险确定适合所述融资方的金融产品;
根据所述金融产品预判断所述当前交易环节的业务数据的连续性,基于所述连续性识别第二业务动态风险。
在另一实施例中,还可以识别交易环节的第三业务动态风险:
通过所述模型操作模块读取所述描述模型中的所述静态业务数据和动态业务数据,并比对同类型的静态业务数据和动态业务数据,根据比对结果识别第三业务动态风险。
如图7所示,为本发明另一个实施例提供的一种基于五流合一业务数据的金融风险识别方法的流程图,在上述图5所示实施例的基础上,该方法在步骤S1502之后,还可以包括以下步骤:
步骤S1503、根据所读取的业务数据以及量化分析结果,将业务数据、资产资金以及业务动态风险转化为金融视角的贸易视图,所述量化分析结果包括预估计的收益、损失以及资产资金守恒核算的结果。
其中,贸易视图可以包括:参与方视图、金融机构视图-底层资产视图、动态风险揭示视图等。
针对参与方视图,其所要呈现的是主体资质、资产资金数据、业务动态风险等信息。其中资产资金数据及业务动态风险需要转换成金融角度的金融数据来呈现,以便于金融机构能够读懂贸易参与方的资产资金情况、能够从金融风控角度审视贸易参与方,从而减少了中小企业与金融机构双方的信息不对称性,提高了供应链条各环节的融资效率。
为了进一步详细说明本发明实施例提供的一种基于五流合一业务数据的金融风险识别方法及装置,本实施例以订单融资风险识别为例进行说明。
订单融资模式的内涵是贸易方凭借信用良好的买方订单,在交强的发货能力和有效担保条件下,金融机构为贸易方的生产经营提供融资的方式。在本实施例中,订单融资为全流程模式。
数据获取模块获取完整贸易过程(涉及贸易方、下游电厂、上游煤矿等各主体)的实时动态业务数据,并将获取的动态业务数据存储在区块链存储模块中,同时区块链存储模块中还存储有历史贸易过程的静态业务数据。模型构建模块将区块链存储模块中存储的业务数据归类为五流合一类型的业务数据,并以交易活动为中心,根据五流合一业务数据构建描述模型,通过描述模型复现完整供应链的业务流程。
模型操作模块访问描述模型,读取业务数据、各贸易主体的历史资质数据及合作数据,提交给模型应用模块的风险识别单元,风险识别单元根据读取的数据进行企业风险识别分析以及业务动态风险分析。
以企业风险分析数据为输入项,模型操作模块将贸易方提供的静态业务数据(融资申请中的关键指标)提交至量化分析单元,量化分析单元提取出六大数据源,构建损失/收益假设线性模型,预估交易环节的收益或损失,并且量化分析单元还根据行业公允价值等数据(即国家/行业/交易级别数据),确定企业风险等级,并给出对应业务评级与建议交易模式。
通过上述步骤,能够获得业务评级的业务申请视为合格业务申请。根据金融机构要求、企业风险识别结果等参数,采用特定可信物联设备,对自上游煤矿拉运直至交付至站台的汽车行进轨迹、连续时间点做拟合,对资产资金守恒核算的偏差值大于参数标准的交易事件做出实时预警;另一方面对车辆到场地的交易环节进行卸货称重、后续三方质量检测做加密存储、互信共识,以保证数据的真实性。直至对货物状态变更为铁路运输的交易环节,查询铁路发票及相关信息,并做权益流转登记;至对货物到厂交收的交易环节,出具结算单据(标明物料品质规格的实际验收结果)。在该过程中,量化分析单元中的资产资金守恒核算功能持续观测业务数据(拉运情况、合同执行率、指标偏差等)的连续性,计算偏差值,并对偏差值预警。而且整个过程可通过金融机构视图直观的进行观测。
对于观测数据与偏差值达标的项目数据,将由本实施例提供的金融风险识别装置确定保证金比例、利率、敞口额度,并对历次交易数据进行累计记录;对于偏差值过大的业务,金融风险识别装置判断为数据不真实、不完备,以至于无法计算得出审查分值,例如风险等级,可要求贸易方按规定完善数据,增加相应可信物联设备等,直至重新调查、计算及审核。
本实施例提供的基于五流合一业务数据的金融风险识别方法,借力于集成决策森林及机器学习深度学习,旨在为多项并发的动态业务数据的观测样本寻找参数集,并根据逻辑回归模型的计算结果拟合数据,从而达到准确、预警、稳定的均衡状态。另一方面,通过充分使用适合的单体模型,经过长时间的模型训练,并于时机结果对比修正,不断迭代更加准确的金融风险识别装置。
为了进一步详细说明本发明实施例提供的一种基于五流合一业务数据的金融风险识别方法及装置,本实施例再以电煤贸易供应链进行举例说明,在电煤行业的供应链业务中考量风控点,首先需要将各贸易业务环节转换为金融机构所熟知的金融业务阶段。电煤贸易供应链中,常规自营模式的贸易业务环节包括:KPI测算、下游销售合同、上游采购计划、上游采购合同、运输计划、运输合同、实际运输情况、到厂交割、周期结算、和账期回款。将“下游销售合同、上游采购计划、上游采购合同、运输计划、运输合同”转换成金融业务阶段“订单融资”,将“实际运输情况、到厂交割、周期结算、和账期回款”转换为金融业务阶段“应收账款融资”。围煤模式的贸易业务环节包括:上游采购计划、上游采购合同、运输合同、运输计划、实际运输情况、下游销售合同、运输计划、实际运输情况、到厂交割和结算回款。将“实际运输情况、下游销售合同”转换为金融业务阶段“库存融资”。
对于订单融资业务阶段,拆分出风控重点、关注主题、关键数据、作证单据、数据来源、是否三方、数据组合、解决问题、展现形式这九大业务数据关键要素,然后按照列表的方式搭建出各个符合金融机构角度的风控模型,如图8所示。
通过本实施例提供的基于五流合一业务数据的金融风险识别方法,中小企业能够更直观、更完整的展现自己的业务数据,贸易过程中产生的风险点也能够更清晰的呈现给金融机构,进而使得中小企业和金融机构实现更直接更紧密的连接。另一方面,在现有资信评估标准的基础上,将交易业务数据转化为企业的数字化资产,并保证真实性和完整性,通过交叉核验并转换成五流合一数据,将维度单一的评估企业规模拓展为多维度的评估供应链条结构风险,能够把控供应链中动态产生的风险,又不依赖于较强的核心企业信用担保,转而评估供应链结构,供应链中各参与方的静态风险。同时通过为金融机构提供资金资产视图,使得供应链中的相关企业,以及交易行为和通过交易行为产生的相关数据,同融资企业主体作为一个整体被综合授信,为银行、金融机构及资金方开辟新的利润来源,降低中小企业的融资成本,使得银行、金融机构、中小企业、物流企业等达成多方共赢,能够提供高效率的供应链融资。
本领域技术人员在考虑说明书及实践这里公开的公开后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (10)
1.一种基于五流合一业务数据的金融风险识别装置,其特征在于,包括:
数据获取模块,用于采集融资方在实时贸易过程中的动态业务数据,将所述动态业务数据存储到存储模块中;
所述存储模块,与所述数据获取模块连接,用于获取所述融资方在历史贸易过程中的静态业务数据,并存储所述静态业务数据;
模型构建模块,与所述存储模块连接,用于从所述存储模块中读取与交易活动相关联的动态业务数据和静态业务数据,并将所读取的业务数据根据五流合一类型进行聚类,根据聚类得到的五流合一业务数据构建描述模型;
模型操作模块,与所述模型构建模块连接,用于基于模型应用模块的需求读取所述描述模型中的五流合一业务数据;
所述模型应用模块,与所述模型操作模块连接,用于根据需求并读取的五流合一业务数据,识别所述融资方的业务动态风险。
2.如权利要求1所述的装置,其特征在于,所述模型应用模块包括:
量化分析单元,用于根据从所述描述模型中读取的五流合一业务数据预估当前交易环节的收益、损失,并对贸易参与方的资产变化量、资金变化量、权益变化量及当前交易环节的费用进行资产资金守恒核算;
风险识别单元,包括业务动态风险分析单元,用于根据所述量化分析单元所预估的总收益和总损失,监控和识别对应交易环节的第一业务动态风险;还用于根据所述守恒核算的结果以及所识别的风险,确定是否进行预警。
3.如权利要求2所述的装置,其特征在于,所述风险识别单元还包括:
企业风险分析单元,用于获取行业级标准数据,根据所述行业级标准数据识别融资方风险,基于所述融资方风险确定适合所述融资方的金融产品;
所述业务动态风险分析单元,还用于根据所述金融产品预判断所述当前交易环节的业务数据的连续性,基于所述连续性识别第二业务动态风险。
4.如权利要求2所述的装置,其特征在于,所述业务动态风险分析单元还用于:
通过所述模型操作模块读取所述描述模型中的所述静态业务数据和动态业务数据,并比对同类型的静态业务数据和动态业务数据,根据比对结果识别第三业务动态风险。
5.如权利要求2所述的装置,其特征在于,所述模型应用模块还包括:
视图转化单元,用于根据所读取的业务数据以及量化分析结果,将业务数据、资产资金以及业务动态风险转化为金融视角的贸易视图,所述量化分析结果包括预估计的收益、损失以及资产资金守恒核算的结果。
6.一种基于五流合一业务数据的金融风险识别方法,其特征在于,包括:
采集融资方在实时贸易过程中的动态业务数据,将所述动态业务数据进行存储;
获取所述融资方在历史贸易过程中的静态业务数据,并存储所述静态业务数据;
从所存储的数据中读取与交易活动相关联的动态业务数据和静态业务数据,并将所读取的业务数据根据五流合一类型进行聚类,根据聚类得到的五流合一业务数据构建描述模型;
读取所述描述模型中的五流合一业务数据;
根据读取的五流合一业务数据,识别所述融资方的业务动态风险。
7.如权利要求6所述的方法,其特征在于,所述根据读取的五流合一业务数据,识别所述融资方的业务动态风险,包括:
根据从所述描述模型中读取的五流合一业务数据预估当前交易环节的收益、损失,并对贸易参与方的资产变化量、资金变化量、权益变化量及当前交易环节的费用进行资产资金守恒核算;
根据所预估的总收益和总损失,监控和识别对应交易环节的第一业务动态风险;还用于根据所述守恒核算的结果以及所识别的风险,确定是否进行预警。
8.如权利要求7所述的方法,其特征在于,所述根据读取的五流合一业务数据,识别所述融资方的业务动态风险,还包括:
获取行业级标准数据,根据所述行业级标准数据识别融资方风险,基于所述融资方风险确定适合所述融资方的金融产品;
根据所述金融产品预判断所述当前交易环节的业务数据的连续性,基于所述连续性识别第二业务动态风险。
9.如权利要求7所述的方法,其特征在于,所述根据读取的五流合一业务数据,识别所述融资方的业务动态风险,还包括:
通过所述模型操作模块读取所述描述模型中的所述静态业务数据和动态业务数据,并比对同类型的静态业务数据和动态业务数据,根据比对结果识别第三业务动态风险。
10.如权利要求7所述的方法,其特征在于,根据读取的五流合一业务数据,识别所述融资方的业务动态风险,还包括:
根据所读取的业务数据以及量化分析结果,将业务数据、资产资金以及业务动态风险转化为金融视角的贸易视图,所述量化分析结果包括预估计的收益、损失以及资产资金守恒核算的结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011227417.3A CN112330439A (zh) | 2020-11-06 | 2020-11-06 | 一种基于五流合一业务数据的金融风险识别装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011227417.3A CN112330439A (zh) | 2020-11-06 | 2020-11-06 | 一种基于五流合一业务数据的金融风险识别装置及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112330439A true CN112330439A (zh) | 2021-02-05 |
Family
ID=74316239
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011227417.3A Pending CN112330439A (zh) | 2020-11-06 | 2020-11-06 | 一种基于五流合一业务数据的金融风险识别装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112330439A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113298388A (zh) * | 2021-05-28 | 2021-08-24 | 浙江惠瀜网络科技有限公司 | 汽车金融业务二级经销商监控系统及监控方法 |
CN113627949A (zh) * | 2021-08-24 | 2021-11-09 | 上海点融信息科技有限责任公司 | 一种授信额度调整方法、装置、设备及存储介质 |
CN114022273A (zh) * | 2021-11-26 | 2022-02-08 | 江苏华博实业集团有限公司 | 一种用于融资供应链的金融风险管理系统及其方法 |
CN114529383A (zh) * | 2022-02-17 | 2022-05-24 | 浪潮卓数大数据产业发展有限公司 | 实现税务缴纳追踪和税款流失预警方法及系统 |
CN115205044A (zh) * | 2022-07-29 | 2022-10-18 | 山东浪潮爱购云链信息科技有限公司 | 一种供应链金融风险的评估方法、设备及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109658231A (zh) * | 2018-12-14 | 2019-04-19 | 曹洪 | 一种信息管理平台 |
CN109800991A (zh) * | 2019-01-25 | 2019-05-24 | 南京润辰科技有限公司 | 一种基于三流合一模型的供应链贸易金融风险评估系统 |
-
2020
- 2020-11-06 CN CN202011227417.3A patent/CN112330439A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109658231A (zh) * | 2018-12-14 | 2019-04-19 | 曹洪 | 一种信息管理平台 |
CN109800991A (zh) * | 2019-01-25 | 2019-05-24 | 南京润辰科技有限公司 | 一种基于三流合一模型的供应链贸易金融风险评估系统 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113298388A (zh) * | 2021-05-28 | 2021-08-24 | 浙江惠瀜网络科技有限公司 | 汽车金融业务二级经销商监控系统及监控方法 |
CN113627949A (zh) * | 2021-08-24 | 2021-11-09 | 上海点融信息科技有限责任公司 | 一种授信额度调整方法、装置、设备及存储介质 |
CN114022273A (zh) * | 2021-11-26 | 2022-02-08 | 江苏华博实业集团有限公司 | 一种用于融资供应链的金融风险管理系统及其方法 |
CN114529383A (zh) * | 2022-02-17 | 2022-05-24 | 浪潮卓数大数据产业发展有限公司 | 实现税务缴纳追踪和税款流失预警方法及系统 |
CN114529383B (zh) * | 2022-02-17 | 2023-07-18 | 浪潮卓数大数据产业发展有限公司 | 实现税务缴纳追踪和税款流失预警方法及系统 |
CN115205044A (zh) * | 2022-07-29 | 2022-10-18 | 山东浪潮爱购云链信息科技有限公司 | 一种供应链金融风险的评估方法、设备及介质 |
CN115205044B (zh) * | 2022-07-29 | 2024-02-13 | 山东浪潮爱购云链信息科技有限公司 | 一种供应链金融风险的评估方法、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Nagel et al. | Banks’ risk dynamics and distance to default | |
Pukthuanthong et al. | A protocol for factor identification | |
Bharath et al. | External governance and debt structure | |
CN112330439A (zh) | 一种基于五流合一业务数据的金融风险识别装置及方法 | |
Back et al. | Identifying information asymmetry in securities markets | |
Ongena et al. | Creditor concentration: An empirical investigation | |
Hausman et al. | A process analysis of global trade management: an inductive approach | |
Jiang et al. | Inventory financing with overconfident supplier based on supply chain contract | |
CN113763154A (zh) | 一种基于模糊灰色评价的钢贸供应链金融风险评估方法 | |
Wei | A machine learning algorithm for supplier credit risk assessment based on supply chain management | |
JP2004348170A (ja) | 知価指数計算方法 | |
CN112308717A (zh) | 一种基于五流合一业务数据的模型构建装置及方法 | |
Chabi-Yo | Conditioning information and variance bounds on pricing kernels with higher-order moments: Theory and evidence | |
CN111695721A (zh) | 一种会计信息可比性测定方法、应用方法及装置 | |
Liu et al. | Currency carry trade by trucks: The curious case of China’s massive imports from itself | |
Riandy et al. | Intellectual Capital: The Role of Green Accounting on Corporate Social Responsibility | |
Grody et al. | Risk accounting-part 2: The risk data aggregation and risk reporting (BCBS 239) foundation of enterprise risk management (ERM) and risk governance | |
Daromes et al. | Firm Value Effect of Managerial Ability and External Control Mechanism: Mediation Role of Financial Reporting Quality | |
Keasey et al. | Interest rate premia on UK small‐firm bank borrowings: A research note | |
RU190382U1 (ru) | Автоматизированное устройство оценки эффективности перепрофилирования промышленных территорий | |
Li et al. | Research on the Risk Measurement Algorithm of Supply Chain Order Financing Based on Insurance Actuarial | |
Prodanova et al. | Analytical capabilites of integrated corporate reporting | |
Aduda | Effects of working capital management on profitability among manufacturing and allied firms listed on Nairobi securities exchange, Kenya | |
Adamska et al. | Practical application of selected methods of intellectual capital valuation: A research study | |
Manjunath et al. | Improving Leasing Viability: A comprehensive analysis of customer credibility checks and trustworthiness |
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: 20210205 |