CN112613756A - 一种异常企业的检测方法、检测装置及电子设备 - Google Patents
一种异常企业的检测方法、检测装置及电子设备 Download PDFInfo
- Publication number
- CN112613756A CN112613756A CN202011563827.5A CN202011563827A CN112613756A CN 112613756 A CN112613756 A CN 112613756A CN 202011563827 A CN202011563827 A CN 202011563827A CN 112613756 A CN112613756 A CN 112613756A
- Authority
- CN
- China
- Prior art keywords
- risk
- event
- determining
- score
- enterprise
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 123
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 claims description 34
- 239000002131 composite material Substances 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 230000000737 periodic effect Effects 0.000 claims description 4
- 230000002547 anomalous effect Effects 0.000 claims 1
- 238000003062 neural network model Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012502 risk assessment Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000000007 visual 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- Educational Administration (AREA)
- Technology Law (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种异常企业的检测方法、检测装置及电子设备,获取待检测企业的多个风险事件,以及每个所述风险事件的风险发生时间;针对每一个所述风险事件,根据所述风险发生时间与当前检测时间的差值,确定所述风险事件的当前风险等级,其中,所述当前检测时间为预设的定期检测时间;根据每一个所述风险事件的当前风险等级,确定所述风险事件的综合风险等级;根据所述风险事件的综合风险等级,确定所述风险事件的综合风险评分;当所述风险事件的综合风险评分大于预设风险评分阈值时,确定所述待检测企业为异常企业,使检测结果更加准确。
Description
技术领域
本申请涉及风险评估技术领域,尤其是涉及一种异常企业的检测方法、检测装置及电子设备。
背景技术
在目前的技术中,主要依靠神经网络模型对发生风险事件的异常企业进行检测,其中,利用神经网络模型进行异常企业检测,是通过将企业的相关风险数据输入至训练好的神经网络模型中,由神经网络模型的隐层对相关风险数据进行检测,输出风险异常企业的识别结果,但是限于数据情况,无法对多种风险给出综合检测结果,并且检测结果的精度较为粗糙,准确性较差。
发明内容
有鉴于此,本申请的目的在于提供一种异常企业的检测方法、检测装置及电子设备,定期对待检测企业发生的多个风险事件进行检测,针对待检测企业发生的每一个风险事件,考虑到风险事件的影响力大小随时间的变化而变化,将当前检测时间以及所述风险事件的风险发生时间作为异常企业检测的影响因素,以确定每一风险事件在检测时间的当前风险等级以及当前风险评分值,并基于每一风险事件在检测时间的当前风险等级以及当前风险评分值,确定多个风险事件的综合风险等级进而确定多个风险事件的综合风险评分,将综合风险评分大于预设阈值的企业确定为异常企业,满足了检测精度,使检测结果更加准确。
本申请实施例提供了一种异常企业的检测方法,所述检测方法包括:
获取待检测企业的多个风险事件,以及每个所述风险事件的风险发生时间;
针对每一个所述风险事件,根据所述风险发生时间与当前检测时间的差值,确定所述风险事件的当前风险等级,其中,所述当前检测时间为预设的定期检测时间;
根据每一个所述风险事件的当前风险等级,确定所述风险事件的综合风险等级;根据所述风险事件的综合风险等级,确定所述风险事件的综合风险评分;
当所述风险事件的综合风险评分大于预设风险评分阈值时,确定所述待检测企业为异常企业。
进一步的,所述针对每一个所述风险事件,根据所述风险发生时间与当前检测时间的差值,确定所述风险事件的当前风险等级,其中,所述当前检测时间为预设的定期检测时间,包括:
确定所述风险事件的初始风险评分;
根据所述风险事件的初始风险评分,确定所述风险事件的初始风险等级;
获取所述风险事件的时间衰减系数及时间衰减周期;
根据所述风险事件的初始风险等级、所述风险发生时间与当前检测时间的差值、所述风险事件的时间衰减系数及时间衰减周期,确定所述风险事件的当前风险等级。
进一步的,所述根据所述风险事件的初始风险评分,确定所述风险事件的初始风险等级,包括:
确定所述风险事件的风险等级调整系数及基准风险评分;
根据所述风险事件的初始风险评分、所述风险等级调整系数及基准风险评分,确定所述风险事件的初始风险等级。
进一步的,在所述当所述风险事件的综合风险评分大于预设风险评分阈值时,确定所述待检测企业为异常企业之后,所述检测方法还包括:
确定每一个所述风险事件的当前风险评分;
根据每一个所述风险事件的当前风险评分及所述风险事件的综合风险评分,确定每一个所述风险事件的风险权重;
确定最大的所述风险权重对应的所述风险事件为所述异常企业发生的多个所述风险事件中的重大风险事件;
基于所述重大风险事件,对所述异常企业进行跟踪检测。
进一步的,所述根据每一个所述风险事件的当前风险等级,确定所述风险事件的综合风险等级,包括:
将每一所述风险事件的当前风险等级之和,确定为所述风险事件的综合风险等级。
本申请实施例还提供了一种异常企业的检测装置,所述检测装置包括:
获取模块,用于获取待检测企业的多个风险事件,以及每个所述风险事件的风险发生时间;
第一确定模块,用于针对每一个所述风险事件,根据所述风险发生时间与当前检测时间的差值,确定所述风险事件的当前风险等级,其中,所述当前检测时间为预设的定期检测时间;
第二确定模块,用于根据每一个所述风险事件的当前风险等级,确定所述风险事件的综合风险等级;根据所述风险事件的综合风险等级,确定所述风险事件的综合风险评分;
检测模块,用于当所述风险事件的综合风险评分大于预设风险评分阈值时,确定所述待检测企业为异常企业。
进一步的,所述检测装置还包括第三确定模块,所述第三确定模块用于:
确定所述风险事件的初始风险评分;
根据所述风险事件的初始风险评分,确定所述风险事件的初始风险等级;
获取所述风险事件的时间衰减系数及时间衰减周期;
根据所述风险事件的初始风险等级、所述风险发生时间与当前检测时间的差值、所述风险事件的时间衰减系数及时间衰减周期,确定所述风险事件的当前风险等级。
进一步的,所述第三确定模块还用于:
确定所述风险事件的风险等级调整系数及基准风险评分;
根据所述风险事件的初始风险评分、所述风险等级调整系数及基准风险评分,确定所述风险事件的初始风险等级。
本申请实施例还提供一种电子设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如上述的异常企业的检测方法的步骤。
本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如上述的异常企业的检测方法的步骤。
本申请实施例提供的一种异常企业的检测方法、检测装置及电子设备,定期对待检测企业发生的多个风险事件进行检测,针对待检测企业发生的每一个风险事件,考虑到风险事件的影响力大小随时间的变化而变化,将当前检测时间以及所述风险事件的风险发生时间作为异常企业检测的影响因素,以确定每一风险事件在检测时间的当前风险等级以及当前风险评分值,并基于每一风险事件在检测时间的当前风险等级以及当前风险评分值,确定多个风险事件的综合风险等级进而确定多个风险事件的综合风险评分,将综合风险评分大于预设阈值的企业确定为异常企业,在满足了检测精度的同时,保证了检测结果的时效性。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1示出了本申请实施例所提供的一种异常企业的检测方法的流程图之一;
图2示出了本申请实施例所提供的一种异常企业的检测方法的流程图之二;
图3示出了本申请实施例所提供的一种异常企业的检测装置的结构示意图;
图4示出了本申请实施例所提供的另一种异常企业的检测装置的结构示意图;
图5示出了本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的每个其他实施例,都属于本申请保护的范围。
首先,对本申请可适用的应用场景进行介绍。本申请可应用于风险评估领域,在目前的异常企业检测中,主要依靠神经网络模型及风险预警事件对发生风险事件的异常企业进行检测,其中,利用神经网络模型进行异常企业检测,是通过将企业的相关风险数据输入至训练好的神经网络模型中,由神经网络模型的隐层对相关风险数据进行检测,输出风险异常企业的识别结果,但是限于数据情况,通常时效性一般;而利用风险预警事件进行异常企业检测,虽然时效性较好,但是其检测结果的精度较为粗糙,并且无法对多种风险给出综合检测结果。
基于此,本申请实施例提供了一种异常企业的检测方法、检测装置及电子设备。
请参阅图1,图1示出了本申请实施例所提供的一种异常企业的检测方法的流程图之一。如图1中所示,本申请实施例提供的异常企业的检测方法,包括:
S101、获取待检测企业的多个风险事件,以及每个所述风险事件的风险发生时间。
该步骤中,获取待检测企业在检测时间之前发生的多个风险事件,并且记录每个风险事件的发生时间。
这里,根据预设的检测周期,定期对待检测企业进行检测,记录在检测时间之前待检测企业发生的存在风险的事件。
其中,风险事件为可能引起企业发生违约的事件。例如,在银行贷后管理阶段,银行在发放贷款后需要对借贷人/企业进行定期检测,获取借贷人/企业在检测时间之前发生的可能引起后续违约无法偿还贷款的事件,可以为经营风险事件、财务风险事件、合规风险事件、缓释风险事件、项目风险事件、公开市场风险事件、关联风险事件等。
这样,可以获取待检测企业在检测时间之前发生的风险事件,并以此为依据进行后续的异常企业检测过程。
S102、针对每一个所述风险事件,根据所述风险发生时间与当前检测时间的差值,确定所述风险事件的当前风险等级,其中,所述当前检测时间为预设的定期检测时间。
该步骤中,针对多个风险事件中的每一个风险事件,计算风险事件的发生时间与当前检测时间的差值,并根据此差值,确定该风险事件的当前风险等级。
这里,待检测企业发生的各种风险事件是一个离散的时间序列,这些风险事件对待检测企业的影响可认为是瞬时行为的持续性后果,通常是一个随时间衰减的过程,可以用卷积来表示。
其中,风险事件的发生时间距离当前检测时间越近,表示对目标企业的影响越大,未来发生违约的可能性越大。这里,可以引入地震震级的概念定义风险等级,震级是表征地震强弱的量度,相应的,在本申请中,风险等级指该风险事件对客户是否会发生违约的影响强弱,该风险事件的风险等级越高,造成的影响越严重。
这样,将待检测企业发生的风险事件的相关参数进行量化分析,更加直观且准确。
S103、根据每一个所述风险事件的当前风险等级,确定所述风险事件的综合风险等级;根据所述风险事件的综合风险等级,确定所述风险事件的综合风险评分。
该步骤中,根据步骤S102中确定的多个风险事件中每一个风险事件的当前风险等级,确定全部风险事件对应的综合风险等级,并根据综合风险等级,确定全部风险事件的综合风险评分。
其中,风险累加并非是线性的,而是随着风险增加而迅速扩大的,因此面对多个风险事件的情况下,需要引入综合风险评分反映多个风险事件对企业未来发生违约的可能性的影响。
这里,综合风险评分的数值越大,表示该风险事件的风险越高,未来发生违约的可能性越大。
这样,将多个风险事件的当前风险等级量化为综合风险评分,反映待检测企业的整体风险情况。
S104、当所述风险事件的综合风险评分大于预设风险评分阈值时,确定所述待检测企业为异常企业。
该步骤中,将步骤S103中确定的风险事件的综合评分与预设的风险评分阈值相比较,若风险事件的综合评分小于预设的风险评分阈值,则说明该待检测企业发生的风险事件严重性较小,未来发生违约的可能性较小,不认定该企业为异常企业。若风险事件的综合评分大于预设的风险评分阈值,则说明该待检测企业发生的风险事件风险严重性较高,未来发生违约的可能性较大,认定该企业为异常企业。
这里,异常企业为发生违约的可能性较大的企业,例如,在银行信贷领域,在银行向该企业进行贷款放款后,某次检测前该企业发生了破产事件、投资人撤资等风险事件,导致检测出的综合风险评分高于风险评分阈值,则该企业为异常企业,未来发生违约的可能性较大。
其中,风险评分阈值可以根据行业的不同需要确定,在此不做具体限制。
本申请实施例提供的一种异常企业的检测方法,定期对待检测企业发生的多个风险事件进行检测,针对待检测企业发生的每一个风险事件,考虑到风险事件的影响力大小随时间的变化而变化,将当前检测时间以及所述风险事件的风险发生时间作为异常企业检测的影响因素,以确定每一风险事件在检测时间的当前风险等级以及当前风险评分值,并基于每一风险事件在检测时间的当前风险等级以及当前风险评分值,确定多个风险事件的综合风险等级进而确定多个风险事件的综合风险评分,将综合风险评分大于预设阈值的企业确定为异常企业,在满足了检测精度的同时,保证了检测结果的时效性。
请参阅图2,图2示出了本申请实施例所提供的一种异常企业的检测方法的流程图之二。如图2中所示,本申请实施例提供的异常企业的检测方法,包括:
S201、获取待检测企业的多个风险事件,以及每个所述风险事件的风险发生时间。
S202、针对每一个所述风险事件,根据所述风险发生时间与当前检测时间的差值,确定所述风险事件的当前风险等级,其中,所述当前检测时间为预设的定期检测时间。
该步骤中,根据以下方法确定所述当前风险等级:
确定所述风险事件的初始风险评分;
根据所述风险事件的初始风险评分,确定所述风险事件的初始风险等级;
获取所述风险事件的时间衰减系数及时间衰减周期;
根据所述风险事件的初始风险等级、所述风险发生时间与当前检测时间的差值、所述风险事件的时间衰减系数及时间衰减周期,确定所述风险事件的当前风险等级。
这里,确定所述风险事件的初始风险评分的方法为:
确定所述风险事件的风险等级调整系数及基准风险评分;
根据所述风险事件的初始风险评分、所述风险等级调整系数及基准风险评分,确定所述风险事件的初始风险等级。
在具体实施中,假设企业发生的风险事件为:A1、A2、A3…An,初始风险评分分别为S1、S2、S3…Sn,风险发生时间分别为t1、t2、t3…tn,当前检测时间为t,基于以下公式,确定所述风险事件的初始风险等级:
其中:S0为基准风险评分;Si为初始风险评分;β为风险等级调整系数。
这里,风险等级调整系数,用来表征各等级之间的风险等级差别。可根据需要调节,在此不做具体限制,优选的默认为1.5。基准风险评分,优选的为1。Li为初始风险等级;
可选的,初始风险评分Si可以利用层次分析法,对风险事件进行评分,其数值为[0,10]。
基于以下公式,确定所述风险事件的当前风险等级:
其中:Lit为所述风险事件的当前风险等级;α为时间衰减系数;T为时间衰减周期。
这里,时间衰减系数α及时间衰减周期T表示:在T时间里,当前风险等级衰减为初始风险等级的α倍。
S203、根据每一个所述风险事件的当前风险等级,确定所述风险事件的综合风险等级;根据所述风险事件的综合风险等级,确定所述风险事件的综合风险评分。
该步骤中,根据以下方法确定所述风险事件的综合风险等级:
将每一所述风险事件的当前风险等级之和,确定为所述风险事件的综合风险等级。
在具体实施中,基于以下公式,确定所述风险事件的综合风险等级:
其中:Lc为所述风险事件的综合风险等级;Li为初始风险等级;α为时间衰减系数;T为时间衰减周期。
在具体实施中,基于以下公式,确定所述风险事件的综合风险评分:
其中:Sc为所述风险事件的综合风险评分;β为风险等级调整系数;Li为所述风险事件的初始风险等级;α为时间衰减系数;T为时间衰减周期。
S204、当所述风险事件的综合风险评分大于预设风险评分阈值时,确定所述待检测企业为异常企业。
S205、确定每一个所述风险事件的当前风险评分。
该步骤中,根据所述风险事件的初始风险评分、所述风险发生时间与当前检测时间的差值、所述风险事件的时间衰减系数及时间衰减周期,确定所述风险事件的当前风险评分。
在具体实施过程中,基于以下公式确定所述风险事件的当前风险评分:
Sit=Si+(t-ti)/Tlog10α
其中:Sit为所述风险事件的当前风险评分;α为时间衰减系数;T为时间衰减周期。
S206、根据每一个所述风险事件的当前风险评分及所述风险事件的综合风险评分,确定每一个所述风险事件的风险权重。
在该步骤中,基于以下公式确定所述风险事件的风险权重:
Vis=Sit/Sc
其中:Vis为所述风险事件的风险权重;Sit为所述风险事件的当前风险评分;Sc为所述风险事件的综合风险评分。
S207、确定最大的所述风险权重对应的所述风险事件为所述异常企业发生的多个所述风险事件中的重大风险事件;基于所述重大风险事件,对所述异常企业进行跟踪检测。
该步骤中,通过确定每一个所述风险事件的风险权重,确定每一个所述风险事件在该待检测企业发生的全部风险事件中的重要性,将最大的所述风险权重对应的所述风险事件为重大风险事件,并在后续的检测过程中针对此重大风险事件,对该异常企业进行跟踪检测。
这里,某一所述风险事件的风险权重为一个百分比值,反映此所述风险事件在该待检测企业发生的全部风险事件中的重要性。所述风险事件的风险权重越高说明其重要性越高,应该对其进行重点的关注;所述风险事件的风险权重越低说明其重要性越低,可以相对于高风险权重的风险事件减少关注度。
其中,重大风险事件表示对企业履约造成最大影响的风险事件,在待检测企业中发生的多个风险事件中的影响最大。
这样,可以直观观测在待测企业发生的多个风险事件中,每一个风险事件在全部风险事件中的重要性,为检测工作人员提供更加完善的检测指标,便于工作人员有选择性的进行风险监控,提高资源的利用率。
其中,S201与S204的描述可以参照S101与S104的描述,并且能达到相同的技术效果,对此不做赘述。
可选的,通过以下过程,示例性的说明异常企业的检测方法:
假定企业发生风险事件:A1、A2、A3;对应的,初始风险评分分别为:S1=9、S2=8、S3=8;风险发生时间分别为2019年4月1日、2019年6月1日、2019年7月1日;当前检测时间为2019年7月1日。为计算方便,取β=1,T=2月,α=0.1。
1)计算各风险事件的初始风险等级Li;
L1=109,L2=108,L3=108
2)计算当前检测时间的各风险事件的当前风险评分Sit;
S1t=9+1.5×(-1)=7.5,S2t=8+0.5×(-1)=7.5,S3t=8+0×(-1)=8
3)计算综合风险等级Lc;
Lc=107.5+107.5+108=163245553
4)计算综合风险评分Sc;
Sc=logLc=8.21
5)计算各风险事件的风险权重Vis。
V1s=19.37%,V2s=19.37%,V3s=61.26%
若预设风险评分阈值为8,而该企业的综合风险评分Sc=8.21,则该企业的检测结果为异常企业。
在该异常企业发生的风险事件中,风险事件A3的风险权重最高,为重大风险事件,需要后续的跟进监测。
本申请实施例提供的一种异常企业的检测方法,定期对待检测企业发生的多个风险事件进行检测,针对待检测企业发生的每一个风险事件,考虑到风险事件的影响力大小随时间的变化而变化,将当前检测时间以及所述风险事件的风险发生时间作为异常企业检测的影响因素,以确定每一风险事件在检测时间的当前风险等级以及当前风险评分值,并基于每一风险事件在检测时间的当前风险等级以及当前风险评分值,确定多个风险事件的综合风险等级进而确定多个风险事件的综合风险评分,将综合风险评分大于预设阈值的企业确定为异常企业,在满足了检测精度的同时,保证了检测结果的时效性。
请参阅图3、图4,图3示出了本申请实施例所提供的一种异常企业的检测装置的结构示意图,图4示出了本申请实施例所提供的另一种异常企业的检测装置的结构示意图。如图3中所示,所述检测装置300包括:
获取模块310,用于获取待检测企业的多个风险事件,以及每个所述风险事件的风险发生时间。
第一确定模块320,用于针对每一个所述风险事件,根据所述风险发生时间与当前检测时间的差值,确定所述风险事件的当前风险等级,其中,所述当前检测时间为预设的定期检测时间。
第二确定模块330,用于根据每一个所述风险事件的当前风险等级,确定所述风险事件的综合风险等级;根据所述风险事件的综合风险等级,确定所述风险事件的综合风险评分。
检测模块340,用于当所述风险事件的综合风险评分大于预设风险评分阈值时,确定所述待检测企业为异常企业。
进一步的,如图4所示,所述检测装置还包括第三确定模块350,所述第三确定模块350用于:
确定所述风险事件的初始风险评分;
根据所述风险事件的初始风险评分,确定所述风险事件的初始风险等级;
获取所述风险事件的时间衰减系数及时间衰减周期;
根据所述风险事件的初始风险等级、所述风险发生时间与当前检测时间的差值、所述风险事件的时间衰减系数及时间衰减周期,确定所述风险事件的当前风险等级。
可选的,所述第三确定模块350还用于:
确定所述风险事件的风险等级调整系数及基准风险评分;
根据所述风险事件的初始风险评分、所述风险等级调整系数及基准风险评分,确定所述风险事件的初始风险等级。
进一步的,所述检测装置还包括第四确定模块,所述第四确定模块用于:
确定每一个所述风险事件的当前风险评分;
根据每一个所述风险事件的当前风险评分及所述风险事件的综合风险评分,确定每一个所述风险事件的风险权重;
确定最大的所述风险权重对应的所述风险事件为所述异常企业发生的多个所述风险事件中的重大风险事件;
基于所述重大风险事件,对所述异常企业进行跟踪检测。
进一步的,所述第二确定模块330还用于:
将每一所述风险事件的当前风险等级之和,确定为所述风险事件的综合风险等级。
本申请实施例提供的一种异常企业的检测装置,定期对待检测企业发生的多个风险事件进行检测,针对待检测企业发生的每一个风险事件,考虑到风险事件的影响力大小随时间的变化而变化,将当前检测时间以及所述风险事件的风险发生时间作为异常企业检测的影响因素,以确定每一风险事件在检测时间的当前风险等级以及当前风险评分值,并基于每一风险事件在检测时间的当前风险等级以及当前风险评分值,确定多个风险事件的综合风险等级进而确定多个风险事件的综合风险评分,将综合风险评分大于预设阈值的企业确定为异常企业,在满足了检测精度的同时,保证了检测结果的时效性。
请参阅图5,图5为本申请实施例所提供的一种电子设备的结构示意图。如图5中所示,所述电子设备500包括处理器510、存储器520和总线530。
所述存储器520存储有所述处理器510可执行的机器可读指令,当电子设备500运行时,所述处理器510与所述存储器520之间通过总线530通信,所述机器可读指令被所述处理器510执行时,可以执行如上述图1以及图2所示方法实施例中的异常企业的检测方法的步骤,具体实现方式可参见方法实施例,在此不再赘述。
本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时可以执行如上述图1以及图2所示方法实施例中的异常企业的检测方法的步骤,具体实现方式可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述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单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,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)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种异常企业的检测方法,其特征在于,所述检测方法包括:
获取待检测企业的多个风险事件,以及每个所述风险事件的风险发生时间;
针对每一个所述风险事件,根据所述风险发生时间与当前检测时间的差值,确定所述风险事件的当前风险等级,其中,所述当前检测时间为预设的定期检测时间;
根据每一个所述风险事件的当前风险等级,确定所述风险事件的综合风险等级;根据所述风险事件的综合风险等级,确定所述风险事件的综合风险评分;
当所述风险事件的综合风险评分大于预设风险评分阈值时,确定所述待检测企业为异常企业。
2.根据权利要求1所述的检测方法,其特征在于,所述针对每一个所述风险事件,根据所述风险发生时间与当前检测时间的差值,确定所述风险事件的当前风险等级,其中,所述当前检测时间为预设的定期检测时间,包括:
确定所述风险事件的初始风险评分;
根据所述风险事件的初始风险评分,确定所述风险事件的初始风险等级;
获取所述风险事件的时间衰减系数及时间衰减周期;
根据所述风险事件的初始风险等级、所述风险发生时间与当前检测时间的差值、所述风险事件的时间衰减系数及时间衰减周期,确定所述风险事件的当前风险等级。
3.根据权利要求2所述的检测方法,其特征在于,所述根据所述风险事件的初始风险评分,确定所述风险事件的初始风险等级,包括:
确定所述风险事件的风险等级调整系数及基准风险评分;
根据所述风险事件的初始风险评分、所述风险等级调整系数及基准风险评分,确定所述风险事件的初始风险等级。
4.根据权利要求1所述的检测方法,其特征在于,在所述当所述风险事件的综合风险评分大于预设风险评分阈值时,确定所述待检测企业为异常企业之后,所述检测方法还包括:
确定每一个所述风险事件的当前风险评分;
根据每一个所述风险事件的当前风险评分及所述风险事件的综合风险评分,确定每一个所述风险事件的风险权重;
确定最大的所述风险权重对应的所述风险事件为所述异常企业发生的多个所述风险事件中的重大风险事件;
基于所述重大风险事件,对所述异常企业进行跟踪检测。
5.根据权利要求1所述的检测方法,其特征在于,所述根据每一个所述风险事件的当前风险等级,确定所述风险事件的综合风险等级,包括:
将每一所述风险事件的当前风险等级之和,确定为所述风险事件的综合风险等级。
6.一种异常企业的检测装置,其特征在于,所述检测装置包括:
获取模块,用于获取待检测企业的多个风险事件,以及每个所述风险事件的风险发生时间;
第一确定模块,用于针对每一个所述风险事件,根据所述风险发生时间与当前检测时间的差值,确定所述风险事件的当前风险等级,其中,所述当前检测时间为预设的定期检测时间;
第二确定模块,用于根据每一个所述风险事件的当前风险等级,确定所述风险事件的综合风险等级;根据所述风险事件的综合风险等级,确定所述风险事件的综合风险评分;
检测模块,用于当所述风险事件的综合风险评分大于预设风险评分阈值时,确定所述待检测企业为异常企业。
7.根据权利要求6所述的检测装置,其特征在于,所述检测装置还包括第三确定模块,所述第三确定模块用于:
确定所述风险事件的初始风险评分;
根据所述风险事件的初始风险评分,确定所述风险事件的初始风险等级;
获取所述风险事件的时间衰减系数及时间衰减周期;
根据所述风险事件的初始风险等级、所述风险发生时间与当前检测时间的差值、所述风险事件的时间衰减系数及时间衰减周期,确定所述风险事件的当前风险等级。
8.根据权利要求7所述的检测装置,其特征在于,所述第三确定模块还用于:
确定所述风险事件的风险等级调整系数及基准风险评分;
根据所述风险事件的初始风险评分、所述风险等级调整系数及基准风险评分,确定所述风险事件的初始风险等级。
9.一种电子设备,其特征在于,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过所述总线通信,所述机器可读指令被所述处理器执行时执行如权利要求1至5中任一所述的异常企业的检测方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如权利要求1至5中任一所述的异常企业的检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011563827.5A CN112613756B (zh) | 2020-12-25 | 2020-12-25 | 一种异常企业的检测方法、检测装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011563827.5A CN112613756B (zh) | 2020-12-25 | 2020-12-25 | 一种异常企业的检测方法、检测装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112613756A true CN112613756A (zh) | 2021-04-06 |
CN112613756B CN112613756B (zh) | 2024-04-02 |
Family
ID=75247858
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011563827.5A Active CN112613756B (zh) | 2020-12-25 | 2020-12-25 | 一种异常企业的检测方法、检测装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112613756B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011014037A (ja) * | 2009-07-03 | 2011-01-20 | Fuji Heavy Ind Ltd | リスク予測システム |
CN102663522A (zh) * | 2012-04-24 | 2012-09-12 | 湖南省电力公司调度通信局 | 电网在线风险评估方法 |
CN103177172A (zh) * | 2011-12-22 | 2013-06-26 | 中华人民共和国山东海事局 | 客滚船单船安全评价方法 |
US9582780B1 (en) * | 2013-01-30 | 2017-02-28 | Skyhigh Networks, Inc. | Cloud service usage risk assessment |
CN109409641A (zh) * | 2018-09-03 | 2019-03-01 | 平安科技(深圳)有限公司 | 风险评价方法、装置、计算机设备和存储介质 |
CN109450844A (zh) * | 2018-09-18 | 2019-03-08 | 华为技术有限公司 | 触发漏洞检测的方法及装置 |
CN110135691A (zh) * | 2019-04-12 | 2019-08-16 | 深圳壹账通智能科技有限公司 | 理财产品风险评估方法、装置、计算机设备以及存储介质 |
CN111784508A (zh) * | 2020-07-01 | 2020-10-16 | 北京知因智慧科技有限公司 | 企业风险评估方法、装置及电子设备 |
CN111818066A (zh) * | 2020-07-14 | 2020-10-23 | 腾讯科技(深圳)有限公司 | 一种风险检测方法及装置 |
-
2020
- 2020-12-25 CN CN202011563827.5A patent/CN112613756B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011014037A (ja) * | 2009-07-03 | 2011-01-20 | Fuji Heavy Ind Ltd | リスク予測システム |
CN103177172A (zh) * | 2011-12-22 | 2013-06-26 | 中华人民共和国山东海事局 | 客滚船单船安全评价方法 |
CN102663522A (zh) * | 2012-04-24 | 2012-09-12 | 湖南省电力公司调度通信局 | 电网在线风险评估方法 |
US9582780B1 (en) * | 2013-01-30 | 2017-02-28 | Skyhigh Networks, Inc. | Cloud service usage risk assessment |
CN109409641A (zh) * | 2018-09-03 | 2019-03-01 | 平安科技(深圳)有限公司 | 风险评价方法、装置、计算机设备和存储介质 |
CN109450844A (zh) * | 2018-09-18 | 2019-03-08 | 华为技术有限公司 | 触发漏洞检测的方法及装置 |
CN110135691A (zh) * | 2019-04-12 | 2019-08-16 | 深圳壹账通智能科技有限公司 | 理财产品风险评估方法、装置、计算机设备以及存储介质 |
CN111784508A (zh) * | 2020-07-01 | 2020-10-16 | 北京知因智慧科技有限公司 | 企业风险评估方法、装置及电子设备 |
CN111818066A (zh) * | 2020-07-14 | 2020-10-23 | 腾讯科技(深圳)有限公司 | 一种风险检测方法及装置 |
Non-Patent Citations (3)
Title |
---|
张楚旋;李夕兵;康虔;董陇军;马举;: "基于微震活动性参数的矿山灾害风险性评价", 安全与环境学报, no. 04 * |
阮灿华;林甲祥;: "动态事件时间数据的多任务Logistic生存预测方法", 计算机应用, no. 05 * |
马冬辉;祖巍;: "基于风险的导管架平台水下结构安全检测规划", 船舶, no. 06, 31 December 2017 (2017-12-31) * |
Also Published As
Publication number | Publication date |
---|---|
CN112613756B (zh) | 2024-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111967779B (zh) | 一种风险评估方法、装置及设备 | |
US20210233083A1 (en) | Systems and methods for cross-border atm fraud detection | |
Avino et al. | Credit default swaps as indicators of bank financial distress | |
US20150039352A1 (en) | System and method for blind-rating of risk to collateral in a secured transaction | |
Song et al. | Predicting accounting fraud: Evidence from Japan | |
JP2016206983A (ja) | ローンリスク評価パラメータ算出装置、プログラム、及び方法 | |
US8533082B1 (en) | Consumer leverage modeling | |
US10600063B2 (en) | Real-time system to identify and analyze behavioral patterns to predict churn risk and increase retention | |
CN107093053B (zh) | 一种提示日期的生成方法及装置 | |
JP2004318869A5 (zh) | ||
US8078529B1 (en) | Evaluating customers' ability to manage revolving credit | |
CN112613756B (zh) | 一种异常企业的检测方法、检测装置及电子设备 | |
US9978098B1 (en) | Proactive payroll support | |
CN111415096A (zh) | 一种征信数据检查方法与系统 | |
CN116630020A (zh) | 风险评估方法、装置、存储介质及电子设备 | |
US20150178827A1 (en) | Computer modeling of propery tax delinquency risk | |
TWM567418U (zh) | Bank internal risk assessment and automatic output audit scheduling system | |
CN110675240B (zh) | 风险雷达预警的监控方法及系统 | |
JP4610732B2 (ja) | ローン管理システム、その方法 | |
Leo Handoko et al. | An Analysis of Fraud Hexagon in Detecting Financial Statement Fraud (Empirical Study of Listed Banking Companies on Indonesia Stock Exchange for Period 2017–2019) | |
CN113409129A (zh) | 融资准入风险评估方法、装置及计算机存储介质 | |
Kolesnikov et al. | Cyber bonds and their pricing models | |
US20230325683A1 (en) | Automatically assessing alert risk level | |
Troyer et al. | Early evidence of the effect of ASU 2017‐12 on derivative disclosure compliance | |
TWI670670B (zh) | 銀行內部風險評估暨自動產出稽核排程之系統及其方法 |
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 |