CN113033892A - 一种政府监管视角下建设市场主体信用动态评价方法 - Google Patents
一种政府监管视角下建设市场主体信用动态评价方法 Download PDFInfo
- Publication number
- CN113033892A CN113033892A CN202110307030.7A CN202110307030A CN113033892A CN 113033892 A CN113033892 A CN 113033892A CN 202110307030 A CN202110307030 A CN 202110307030A CN 113033892 A CN113033892 A CN 113033892A
- Authority
- CN
- China
- Prior art keywords
- credit
- state
- evaluation
- enterprise
- model
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 76
- 238000010276 construction Methods 0.000 title claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims abstract description 14
- 238000003062 neural network model Methods 0.000 claims abstract description 9
- 230000000007 visual effect Effects 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 45
- 230000007704 transition Effects 0.000 claims description 33
- 238000007726 management method Methods 0.000 claims description 31
- 238000010606 normalization Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 230000008901 benefit Effects 0.000 claims description 12
- 230000000694 effects Effects 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 2
- 230000006399 behavior Effects 0.000 description 15
- 238000004590 computer program Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 8
- 238000011161 development Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 6
- 238000013210 evaluation model Methods 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005309 stochastic process Methods 0.000 description 2
- 238000009430 construction management Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000007306 turnover 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
- G06Q10/0639—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
- G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种政府监管视角下建设市场主体信用动态评价方法,包括:建立信用评价指标体系;收集评估对象建设市场企业的有关信用信息;构建和训练BP神经网络,基于训练好的BP神经网络建立评估对象建设市场企业的信用起始评价,获取信用评价值;基于隐马尔可夫模型动态评估该企业信用。本发明适用性强,结合BP神经网络模型能够较好的使用与建设市场主体信用评价,输出值和期望值误差较小,且具有动态性,能更加及时动态反应政府监管视角下建设市场主体的信用状态,进行信用等级的预测,以此对企业信用状态和风险进行分析预测,对信用监管工作起到了积极有效的作用。
Description
技术领域
本发明属于市场主体信用领域,具体涉及一种政府监管视角下建设市场主体信用动态评价方法。
背景技术
建筑业在我国国民经济发展中占据着重要位置,但市场主体的信用缺失阻碍着行业发展。在社会主义市场经济中,各个市场主体的信用水平在市场发展中发挥着极其重要的意义。与此同时,建设市场主体的信用状况在交易活动中也愈发被重视。良好的信用环境是促进行业健康发展的基础,但一些建设市场主体为追求经济利益在市场交易活动中存在着失信行为,这些行为使得参与交易活动的建设市场主体面临着较大的风险,阻碍着行业的持续健康发展。
我国信用管理工作取得了一定成果,但由于起步相对较晚,仍需进一步完善。国家各级政府部门为推动建设市场信用体系建设、规范建设市场交易秩序、解决建设市场主体信用缺失问题,通过印发相关管理办法促进各方信用管理工作的有序开展。与此同时,地方各级政府相关管理部门也出台了建设市场主体信用评价办法来推动建设市场信用体系建设,其中包括北京、天津、上海、重庆、福建等在内的建设管理部门。
国家各级政府的相关工作促进了建设市场信用体系的发展,同时表明在建设市场信用建设工作中取得了阶段性的成果。由于我国的建设市场信用体系建设工作处于起步阶段,信息不对称、评价指标操作性不强、信用评价方法有待提升等问题亟待解决。
所以,需要一个新的技术方案来解决这些问题。
发明内容
发明目的:为了克服现有技术中存在的不足,提供一种政府监管视角下建设市场主体信用动态评价方法,其适用性强,结合BP神经网络模型能够较好的使用与建设市场主体信用评价,输出值和期望值误差较小,且具有动态性,能更加及时动态反应政府监管视角下建设市场主体的信用状态,进行信用等级的预测,以此对企业信用状态和风险进行分析预测。
技术方案:为实现上述目的,本发明提供一种政府监管视角下建设市场主体信用动态评价方法,包括如下步骤:
S1:建立信用评价指标体系;
S2:收集评估对象建设市场企业的有关信用信息;
S3:构建和训练BP神经网络,基于训练好的BP神经网络建立评估对象建设市场企业的信用起始评价,获取信用评价值;
S4:根据信用评价值,基于隐马尔可夫模型动态评估该企业信用。
进一步地,所述步骤S1中信用评价指标体系包括如下要素:
企业基本情况、企业管理能力、企业经济能力、项目管理能力、企业履约记录。
进一步地,所述步骤S2中评估对象建设市场企业的有关信用信息包括如下要素:
信用评价指标体系中的评价指标、信用评价等级数据、评估对象良好信息和不良信息。
进一步地,所述步骤S3中指标数据归一化处理包括效益型指标归一化处理和成本型指标的归一化处理,分别如下:
效益型指标归一化处理公式表示为:
成本型指标的归一化处理指标表示为:
其中,xk表示样本数据的原始值;xmin表示某指标的最小值;xmax表示某指标的最大值;xi表示效益型指标归一化处理后的输入向量;xj表示成本型指标归一化处理后的输入向量。
进一步地,所述步骤S3中信用评价值的获取过程为:
A1:选择三层神经网络结构,由指标数目确定模型中输入层节点数目,确定输出层节点数及期望的输出结果;
A2:将指标数据归一化处理,初始化学习参数(如学习因子、势态因子等),选定不同的算法进行训练比较后选择效果最好的算法,然后将归一化处理后的训练样本数据输入BP神经网络进行训练直到满足要求;
A3:在前向传播中输入样本数据后计算模型的输出结果并与步骤A1获取的期望输出结果进行比较,若误差不满足要求则进行误差反向传播,计算同一层神经元的误差,进行权值和阈值的修正,直至满足模型误差要求;
A4:输入提前预选的建设市场主体信用评价指标测试数据进行模型测试并得出信用评价值。
进一步地,所述步骤S4中基于隐马尔可夫模型动态评估企业信用的方法为:
B1:判断隐马尔可夫模型适用性分析及假设条件
假设条件包括三个假设,分别为:齐次马尔可夫性假设、不动性假设和输出独立性假设;
齐次马尔可夫性假设可描述为:i时刻状态仅依赖于i-1时刻的数据,状态构成一阶马尔可夫链,即当前时刻状态仅由前一时刻状态决定,而与其他时刻状态无关,表示为:
P(qi|qi-1,qi-2,…,q1)=P(qi|qi-1)
隐马尔可夫模型的不动性假设描述为:在状态数据确定时,状态处于i时刻或j时刻(i≠j,对任意i,j成立)对下一刻状态产生的影响相同,表示为:
P(qi+1|qi)=P(qj+1|qj)
隐马尔可夫模型的输出独立性假设描述为:t时刻的输出观察值仅取决于t时刻状态,不会因其他时刻状态而改变,更不会受到其他时刻观察值的影响,表示为:
P(o1,o2,…,oT|q1,q2,…,qT)=P(oT|qT);
建设市场主体信用的特征与隐马尔可夫理论的假设条件较为吻合。信用行为代表着建设市场主体的外在行为表现,而信用状态体现着企业内部状况且其状态转移过程不可直接观测,信用行为与信用状态的依赖关系与隐马尔可夫模型中观测值与隐含值的相互关系较为一致。其中,信用行为可以作为信用状态的随机函数,信用状态转移过程可以近似为的马尔可夫链,而信用行为的随机过程可以作为信用状态转移过程的随机函数。因此,信用动态评价符合隐马尔可夫模型的双重随机过程。
B2:基于隐马尔可夫模型适用性分析及假设条件判定完成的基础上,确定隐马尔可夫模型的隐状态数目,根据采集到的企业信用数据进行重复训练,确定模型参数λ=(A,B,π);
B3:将良好信息与不良信息进行分类统计,加入调整系数后进行分类,形成观测值序列;
B4:结合求得的模型参数和观测值序列,利用维特比算法求出可能性最大的状态序列,即可计算得出建设市场主体信用等级的状态转移概率,并以此预测下一步信用状态转移方向。
进一步地,所述步骤B2中模型参数的确定方法为:
选取单极性Sigmoid函数作为输入向量与输出向量间的转移函数,其中隐含层节点数np可表示为:
n为输入层节点数;m为输出层节点数;ε为1~10之间的常数;
设状态转移概率矩阵A={aij},aij=P(qt=sj|qt-1=si),设样本中时刻t处于i状态且时刻t+1转移到j状态的频数为Aij,那么状态转移概率可估计为:
观测值概率分布矩阵B={bjk},bjk=P(ot=vk|qt=sj),设样本中状态j时观测为k的频数是Bjk,那么状态j时观测为k的概率可估计为:
对于初始状态概率分布π={πi},πi=P(q1=si),其估计为s个样本中初始状态为qi的概率。
进一步地,所述步骤B3中观测值分类公式为:
式中:v—观测值分类值,n良好—企业良好信息数量,n不良—企业不良信息数量,m—调整系数,调整系数为良好信息总数量与不良信息总数量的比值。
进一步地,所述步骤B4具体包括如下过程:
C1:在维特比算法过程中,定义δt(q)是t时刻状态q的所有路径q1,q2,…,qt中出现可能性最大的路径o1,o2,…,ot且qt=t的概率值,进行参数初始化,初始化公式为:
δ1i=πibi(o1),i=1,2,…,N
C2:进行递推计算,对模型参数不断优化,递推公式为:
δt(j)=max1≤i≤N[δt-1(i)aij]bj(ot),1≤j≤N,
其中,2≤t≤N;
C3:根据上步结果进行计算,终止公式为:
P*=max1≤i≤N[δT(i)],
C4:进行最优路径求解,此步骤即可计算得出建设市场主体信用等级的状态转移概率,并以此预测下一步信用状态转移方向,公式可表示为:
有益效果:本发明与现有技术相比,具备如下优点:
1、适用性强,结合BP神经网络模型能够较好的使用与建设市场主体信用评价,输出值和期望值误差较小,提高信用评价的精确度。
2、本发明方法具有动态性,能更加及时动态反应政府监管视角下建设市场主体的信用状态,进行信用等级的预测,以此对企业信用状态和风险进行分析预测。
3、本发明建立的信用评价模型能够对交易活动中的建设市场主体信用水平做出准确评估并对其违约的可能性进行预测,使交易方对信用危机信号做出决策,减少自身的损失,对信用监管工作起到了积极有效的作用。
附图说明
图1为本发明的市场主体信用评价指标体系;
图2为本发明的基于BP神经网络的建设市场主体信用评价流程图;
图3为本发明的基于隐马尔可夫的信用动态评价流程图。
具体实施方式
下面结合附图和具体实施例,进一步阐明本发明。
本发明提供一种政府监管视角下建设市场主体信用动态评价方法,包括如下步骤:
S1:建立信用评价指标体系;
S2:收集评估对象建设市场企业的有关信用信息;
S3:构建和训练BP神经网络,基于训练好的BP神经网络建立评估对象建设市场企业的信用起始评价,获取信用评价值;
S4:根据信用评价值,基于隐马尔可夫模型动态评估该企业信用。
本实施例步骤S1中信用评价指标体系采用5个方面信用指标,如图1所示,具体为:
一、企业基本情况。
建设市场主体信用管理工作是企业内部多个部门职能的交叠,市场主体若没有信用工作的专门管理部门,非常容易在各部门之间产生相互推诿责任的现象。市场主体信用管理部门能够对市场交易方的信用水平进行关注的同时,对自身信用水平进行调控和提升,从而避免因对方信用问题而引起的损失和风险。因此,在建设市场主体内部建立信用管理部门对市场主体自身的信用水平影响较大。信用管理水平是建设市场主体信用管控能力的体现,但以往的信用指标中却很少涉及,本实施例中将市场主体是否建立信用管理部门纳入评价指标。本准则层从企业总资产、企业资质、信用管理水平和机械设备情况等方面评价。
二、企业管理能力。
建设市场主体管理机构的建设水平和高级管理人才的数量和水平是自身管理能力的直观体现,本准则层从企业管理体系认证、高学历人数及比重、高层管理者素质、技术人员数量及比重等方面评价。
三、企业经济能力。
企业自身的经济能力是建设市场主体自身现金流的根本保障,同时为业务水平的提升打下基础,一定程度上体现了企业的信用水平。本准则层从总资产增长率、资产负债率、净资产收益率和总资产周转率等指标评价。
四、项目管理能力。
投资管理、质量管理和进度管理是工程项目建设的三大管理目标,而安全管理是其最根本的保障,建设市场主体的项目管理能力深刻影响着工程建设的四个管理方面。本准则层从企业参与大型项目数量、合同管理水平、执业资格人员数量及比重、工程结算收入等指标评价。
五、企业履约记录。
对建设市场主体信用水平进行评价时,需要重点考虑企业自身履约能力与履约意愿,市场主体的信用记录在很大程度上体现了其履约意愿,建设市场主体参与公益活动并积极承担社会责任体现了“放管服”理念下政府对企业行为的监管作用。本准则层从社会责任记录、公益活动情况、市场违规情况和政府部门处罚记录等指标评价。
本实施例中参照工商管理学会提出的信用等级评价标准和国际通用的信用等级评价标准,将建设市场主体信用分为AAA级、AA级、A级、BBB级4个等级,每一次建设单位企业仅输出唯一信用评价等级。
本实施例步骤S2中的有关信用信息即前文所描述的5准则层共20个评价指标以及1个信用评价等级数据。
本实施例步骤S3中建设市场主体信用评价的过程具体如图2所示,其具体包括如下步骤:
(1)收集评估对象的20个评价指标数据;
(2)BP神经网络模型构建:确定BP神经网络模型的网络层数和输入层、隐含层、输出层的节点数;
(3)BP神经网络模型训练:将指标数据归一化处理,初始化学习参数,选择最佳算法进行训练,修正模型误差;
效益型指标归一化处理公式表示为:
成本型指标的归一化处理指标表示为:
其中,xk表示样本数据的原始值;xmin表示某指标的最小值;xmax表示某指标的最大值;xi表示效益型指标归一化处理后的输入向量;xj表示成本型指标归一化处理后的输入向量。
(4)测试模型得到信用评价值。
由此可通过评估对象的具体信用评价指标数据,判断该评估对象在政府监管的角度下的市场主体信用等级,同时为下一步信用动态预测打好基础。
本实施例步骤S4中基于隐马尔可夫的信用动态评价流程如图3所示,具体过程如下:
(1)数据收集及预处理,其主要包括企业的经营信息、良好及不良行为信息、信用评价结果等,对其统计整理;
(2)判定信用动态评价符合隐马尔可夫模型,基于隐马尔可夫模型适用性分析及假设条件判定完成的基础上,确定隐马尔可夫的隐状态数目,根据采集到有效完整的企业信用数据进行重复训练,确定模型参数;
(3)将良好信息与不良信息进行分类统计,加入调整系数后进行合理的分类,形成观测值序列;
(4)进行递推计算,对模型参数不断优化;
(5)结合求得的模型参数和观测值序列,进行最优路径求解,利用维特比算法求出可能性最大的状态序列,此步骤即可计算得出建设市场主体信用等级的状态转移概率,并以此预测下一步信用状态转移方向。
根据上述设计思路,基于隐马尔可夫模型动态评估企业信用的方法为:
B1:判断隐马尔可夫模型适用性分析及假设条件
假设条件包括三个假设,分别为:齐次马尔可夫性假设、不动性假设和输出独立性假设;
齐次马尔可夫性假设可描述为:i时刻状态仅依赖于i-1时刻的数据,状态构成一阶马尔可夫链,即当前时刻状态仅由前一时刻状态决定,而与其他时刻状态无关,表示为:
P(qi|qi-1,qi-2,…,q1)=P(qi|qi-1)
隐马尔可夫模型的不动性假设描述为:在状态数据确定时,状态处于i时刻或j时刻(i≠j,对任意i,j成立)对下一刻状态产生的影响相同,表示为:
P(qi+1|qi)=P(qj+1|qj)
隐马尔可夫模型的输出独立性假设描述为:t时刻的输出观察值仅取决于t时刻状态,不会因其他时刻状态而改变,更不会受到其他时刻观察值的影响,表示为:
P(o1,o2,…,oT|q1,q2,…,qT)=P(oT|qT);
建设市场主体信用的特征与隐马尔可夫理论的假设条件较为吻合。信用行为代表着建设市场主体的外在行为表现,而信用状态体现着企业内部状况且其状态转移过程不可直接观测,信用行为与信用状态的依赖关系与隐马尔可夫模型中观测值与隐含值的相互关系较为一致。其中,信用行为可以作为信用状态的随机函数,信用状态转移过程可以近似为的马尔可夫链,而信用行为的随机过程可以作为信用状态转移过程的随机函数。因此,信用动态评价符合隐马尔可夫模型的双重随机过程。
B2:基于隐马尔可夫模型适用性分析及假设条件判定完成的基础上,确定隐马尔可夫模型的隐状态数目,根据采集到的企业信用数据进行重复训练,确定模型参数λ=(A,B,π);
B3:将良好信息与不良信息进行分类统计,加入调整系数后进行分类,形成观测值序列;
B4:结合求得的模型参数和观测值序列,利用维特比算法求出可能性最大的状态序列,即可计算得出建设市场主体信用等级的状态转移概率,并以此预测下一步信用状态转移方向。
上述步骤B2中模型参数的确定方法为:
选取单极性Sigmoid函数作为输入向量与输出向量间的转移函数,其中隐含层节点数np可表示为:
n为输入层节点数;m为输出层节点数;ε为1~10之间的常数;
设状态转移概率矩阵A={aij},aij=P(qt=sj|qt-1=si),设样本中时刻t处于i状态且时刻t+1转移到j状态的频数为Aij,那么状态转移概率可估计为:
观测值概率分布矩阵B={bjk},bjk=P(ot=vk|qt=sj),设样本中状态j时观测为k的频数是Bjk,那么状态j时观测为k的概率可估计为:
对于初始状态概率分布π={πi},πi=P(q1=si),其估计为s个样本中初始状态为qi的概率。
上述步骤B3中观测值分类公式为:
式中:v—观测值分类值,n良好—企业良好信息数量,n不良—企业不良信息数量,m—调整系数,调整系数为良好信息总数量与不良信息总数量的比值。
上述步骤B4具体包括如下过程:
C1:在维特比算法过程中,定义δt(q)是t时刻状态q的所有路径q1,q2,…,qt中出现可能性最大的路径o1,o2,…,ot且qt=t的概率值,进行参数初始化,初始化公式为:
δ1i=πibi(o1),i=1,2,…,N
C2:进行递推计算,对模型参数不断优化,递推公式为:
δt(j)=max1≤i≤N[δt-1(i)aij]bj(ot),1≤j≤N,
其中,2≤t≤N;
C3:根据上步结果进行计算,终止公式为:
P*=max1≤i≤N[δT(i)],
C4:进行最优路径求解,此步骤即可计算得出建设市场主体信用等级的状态转移概率,并以此预测下一步信用状态转移方向,公式可表示为:
由此,可以得到评估对象的下一单位时间信用等级的预测,得到了市场主体信用等级转移方向及其概率。
本发明还提供一种政府监管视角下建设市场主体信用动态评价系统,该系统包括网络接口、存储器和处理器;其中,网络接口,用于在与其他外部网元之间进行收发信息过程中,实现信号的接收和发送;存储器,用于存储能够在所述处理器上运行的计算机程序指令;处理器,用于在运行计算机程序指令时,执行上述方法的步骤。
本发明还提供一种计算机存储介质,该计算机存储介质存储有计算机程序,在处理器执行所述计算机程序时可实现以上所描述的方法。所述计算机可读介质可以被认为是有形的且非暂时性的。非暂时性有形计算机可读介质的非限制性示例包括非易失性存储器电路(例如闪存电路、可擦除可编程只读存储器电路或掩膜只读存储器电路)、易失性存储器电路(例如静态随机存取存储器电路或动态随机存取存储器电路)、磁存储介质(例如模拟或数字磁带或硬盘驱动器)和光存储介质(例如CD、DVD或蓝光光盘)等。计算机程序包括存储在至少一个非暂时性有形计算机可读介质上的处理器可执行指令。计算机程序还可以包括或依赖于存储的数据。计算机程序可以包括与专用计算机的硬件交互的基本输入/输出系统(BIOS)、与专用计算机的特定设备交互的设备驱动程序、一个或多个操作系统、用户应用程序、后台服务、后台应用程序等。
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。
Claims (10)
1.一种政府监管视角下建设市场主体信用动态评价方法,其特征在于,包括如下步骤:
S1:建立信用评价指标体系;
S2:收集评估对象建设市场企业的有关信用信息;
S3:构建和训练BP神经网络,基于训练好的BP神经网络建立评估对象建设市场企业的信用起始评价,获取信用评价值;
S4:根据信用评价值,基于隐马尔可夫模型对企业信用进行动态评价。
2.根据权利要求1所述的一种政府监管视角下建设市场主体信用动态评价方法,其特征在于,所述步骤S1中信用评价指标体系包括如下要素:
企业基本情况、企业管理能力、企业经济能力、项目管理能力、企业履约记录。
3.根据权利要求1所述的一种政府监管视角下建设市场主体信用动态评价方法,其特征在于,所述步骤S2中评估对象建设市场企业的有关信用信息包括如下要素:
信用评价指标体系中的评价指标、信用评价等级数据、评估对象良好信息和不良信息。
4.根据权利要求1所述的一种政府监管视角下建设市场主体信用动态评价方法,其特征在于:所述步骤S3中BP神经网络的构建和训练方法为:
BP神经网络模型构建:确定BP神经网络模型的网络层数和输入层、隐含层、输出层的节点数;
BP神经网络模型训练:将指标数据归一化处理,初始化学习参数,选择最佳算法进行训练,修正模型误差。
6.根据权利要求5所述的一种政府监管视角下建设市场主体信用动态评价方法,其特征在于,所述步骤S3中信用评价值的获取过程为:
A1:选择三层神经网络结构,由指标数目确定模型中输入层节点数目,确定输出层节点数及期望的输出结果;
A2:将指标数据归一化处理,初始化学习参数,选定不同的算法进行训练比较后选择效果最好的算法,然后将归一化处理后的训练样本数据输入BP神经网络进行训练直到满足要求;
A3:在前向传播中输入样本数据后计算模型的输出结果并与步骤A1获取的期望输出结果进行比较,若误差不满足要求则进行误差反向传播,计算同一层神经元的误差,进行权值和阈值的修正,直至满足模型误差要求;
A4:输入提前预选的建设市场主体信用评价指标测试数据进行模型测试并得出信用评价值。
7.根据权利要求1所述的一种政府监管视角下建设市场主体信用动态评价方法,其特征在于:所述步骤S4中基于隐马尔可夫模型动态评估企业信用的方法为:
B1:判断隐马尔可夫模型适用性分析及假设条件
假设条件包括三个假设,分别为:齐次马尔可夫性假设、不动性假设和输出独立性假设;
齐次马尔可夫性假设可描述为:i时刻状态仅依赖于i-1时刻的数据,状态构成一阶马尔可夫链,即当前时刻状态仅由前一时刻状态决定,而与其他时刻状态无关,表示为:
P(qi|qi-1,qi-2,…,q1)=P(qi|qi-1)
隐马尔可夫模型的不动性假设描述为:在状态数据确定时,状态处于i时刻或j时刻(i≠j,对任意i,j成立)对下一刻状态产生的影响相同,表示为:
P(qi+1|qi)=P(qj+1|qj)
隐马尔可夫模型的输出独立性假设描述为:t时刻的输出观察值仅取决于t时刻状态,不会因其他时刻状态而改变,更不会受到其他时刻观察值的影响,表示为:
P(o1,o2,…,oT|q1,q2,…,qT)=P(oT|qT);
B2:基于隐马尔可夫模型适用性分析及假设条件判定完成的基础上,确定隐马尔可夫模型的隐状态数目,根据采集到的企业信用数据进行重复训练,确定模型参数λ=(A,B,π);
B3:将良好信息与不良信息进行分类统计,加入调整系数后进行分类,形成观测值序列;
B4:结合求得的模型参数和观测值序列,利用维特比算法求出可能性最大的状态序列,即可计算得出建设市场主体信用等级的状态转移概率,并以此预测下一步信用状态转移方向。
8.根据权利要求7所述的一种政府监管视角下建设市场主体信用动态评价方法,其特征在于:所述步骤B2中模型参数的确定方法为:
选取单极性Sigmoid函数作为输入向量与输出向量间的转移函数,其中隐含层节点数np可表示为:
n为输入层节点数;m为输出层节点数;ε为1~10之间的常数;
设状态转移概率矩阵A={aij},aij=P(qt=sj|qt-1=si),设样本中时刻t处于i状态且时刻t+1转移到j状态的频数为Aij,那么状态转移概率可估计为:
观测值概率分布矩阵B={bjk},bjk=P(ot=vk|qt=sj),设样本中状态j时观测为k的频数是Bjk,那么状态j时观测为k的概率可估计为:
对于初始状态概率分布π={πi},πi=P(q1=si),其估计为s个样本中初始状态为qi的概率。
10.根据权利要求7所述的一种政府监管视角下建设市场主体信用动态评价方法,其特征在于:所述步骤B4具体包括如下过程:
C1:在维特比算法过程中,定义δt(q)是t时刻状态q的所有路径q1,q2,…,qt中出现可能性最大的路径o1,o2,…,ot且qt=t的概率值,进行参数初始化,初始化公式为:
δ1i=πibi(o1),i=1,2,…,N
C2:进行递推计算,对模型参数不断优化,递推公式为:
δt(j)=max1≤i≤N[δt-1(i)aij]bj(ot),1≤j≤N,
其中,2≤t≤N;
C3:根据上步结果进行计算,终止公式为:
P*=max1≤i≤N[δT(i)],
C4:进行最优路径求解,此步骤即可计算得出建设市场主体信用等级的状态转移概率,并以此预测下一步信用状态转移方向,公式可表示为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110307030.7A CN113033892A (zh) | 2021-03-23 | 2021-03-23 | 一种政府监管视角下建设市场主体信用动态评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110307030.7A CN113033892A (zh) | 2021-03-23 | 2021-03-23 | 一种政府监管视角下建设市场主体信用动态评价方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113033892A true CN113033892A (zh) | 2021-06-25 |
Family
ID=76473449
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110307030.7A Pending CN113033892A (zh) | 2021-03-23 | 2021-03-23 | 一种政府监管视角下建设市场主体信用动态评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113033892A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113590807A (zh) * | 2021-08-05 | 2021-11-02 | 苏州工业园区企业发展服务中心 | 一种基于大数据挖掘的科技企业信用评价方法 |
CN116824258A (zh) * | 2023-06-30 | 2023-09-29 | 哈尔滨工业大学 | 一种基于反向投影的施工场地烟尘检测方法 |
CN117557288A (zh) * | 2023-10-18 | 2024-02-13 | 广州电力交易中心有限责任公司 | 一种市场主体交易行为规范方法 |
-
2021
- 2021-03-23 CN CN202110307030.7A patent/CN113033892A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113590807A (zh) * | 2021-08-05 | 2021-11-02 | 苏州工业园区企业发展服务中心 | 一种基于大数据挖掘的科技企业信用评价方法 |
CN113590807B (zh) * | 2021-08-05 | 2023-07-25 | 苏州工业园区企业发展服务中心 | 一种基于大数据挖掘的科技企业信用评价方法 |
CN116824258A (zh) * | 2023-06-30 | 2023-09-29 | 哈尔滨工业大学 | 一种基于反向投影的施工场地烟尘检测方法 |
CN116824258B (zh) * | 2023-06-30 | 2024-05-14 | 哈尔滨工业大学 | 一种基于反向投影的施工场地烟尘检测方法 |
CN117557288A (zh) * | 2023-10-18 | 2024-02-13 | 广州电力交易中心有限责任公司 | 一种市场主体交易行为规范方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113033892A (zh) | 一种政府监管视角下建设市场主体信用动态评价方法 | |
CN110110981B (zh) | 一种信用评级违约概率测度与风险预警方法 | |
Yan et al. | Improved adaptive genetic algorithm for the vehicle Insurance Fraud Identification Model based on a BP Neural Network | |
JP6771751B2 (ja) | リスク評価方法およびシステム | |
Brauers et al. | MULTIMOORA for the EU Member States updated with fuzzy number theory | |
Kim et al. | Corporate bankruptcy prediction using machine learning methodologies with a focus on sequential data | |
CN111178675A (zh) | 基于LR-Bagging算法的电费回收风险预测方法、系统、存储介质及计算机设备 | |
Badescu et al. | A marked Cox model for the number of IBNR claims: estimation and application | |
Chen et al. | Loan default prediction using diversified sensitivity undersampling | |
Cascarino et al. | Explainable artificial intelligence: interpreting default forecasting models based on machine learning | |
Kristanti et al. | Are Indonesian construction companies financially distressed? A prediction using artificial neural networks | |
CN117575328A (zh) | 一种基于图注意力神经网络的产业链风险评估方法及装置 | |
CN112052273A (zh) | 一种多角度业务流程下一候选活动提取方法 | |
CN110570300A (zh) | 基于XGBoost驱动的海萨尼转换金融决策处理系统 | |
CN115204501A (zh) | 企业评估方法、装置、计算机设备和存储介质 | |
CN115563568A (zh) | 异常数据的检测方法及其装置、电子设备及存储介质 | |
CN112016971B (zh) | 基于以太坊gas原理的移动群智感知数据可靠性保障方法 | |
Napolitano et al. | Learning Confidence Intervals for Feature Importance: A Fast Shapley-based Approach. | |
Seo et al. | Improving the accuracy of software effort estimation based on multiple least square regression models by estimation error-based data partitioning | |
Maciel | Financial interval time series modelling and forecasting using threshold autoregressive models | |
Fang | Credit Risk Evaluation Model of Small-Micro Enterprises for Rural Commercial Bank Based on XGBoost and Random Forest | |
Hui | Financial risk prediction model of listed companies based on particle swarm optimization classifier | |
CN113032643B (zh) | 目标行为识别系统 | |
Hasan et al. | Empirical Analysis of Regression Techniques to Predict the Cybersecurity Salary | |
Karnati et al. | Prediction and Analysis of Bitcoin Price using Machine learning and Deep learning models |
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: 20210625 |