CN113159930A - 一种基于经济依存关系的客户群体识别方法和装置 - Google Patents
一种基于经济依存关系的客户群体识别方法和装置 Download PDFInfo
- Publication number
- CN113159930A CN113159930A CN202110509249.5A CN202110509249A CN113159930A CN 113159930 A CN113159930 A CN 113159930A CN 202110509249 A CN202110509249 A CN 202110509249A CN 113159930 A CN113159930 A CN 113159930A
- Authority
- CN
- China
- Prior art keywords
- enterprise
- economic
- relationship
- dependency
- client
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Technology Law (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明提供了一种基于经济依存关系的客户群体识别方法和装置,本发明涉及人工智能,该方法包括:识别显性经济依存客户;以显性经济依存客户为基础,识别隐性经济依存客户;以显性经济依存客户和隐性经济依存客户为网络的基础数据进行构图,形成经济依存关联网络,确定经济依存关系图;根据经济依存关系图,对经济依存关联网络进行划分,识别经济依存客户群体。本发明通过自动化精确识别经济依存客户群体,实现了精确识别企业之间是否存在经济依存关系,可以帮助银行更好、更准确地提前识别集团派系,挖掘集团成员企业,从而更好的经营和管理风险。
Description
技术领域
本发明涉及计算机数据处理技术领域,尤其涉及一种基于经济依存关系的客户群体识别方法和装置。
背景技术
本部分旨在为权利要求书中陈述的本发明的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
随着我国经济的高速发展,企业与企业、企业与个人之间的经营、社交活动日益丰富,进而形成很多关系复杂的企业关系、企业派系以及集团成员关系等,这些关系会根据一定的特征形成特定的客户群体,有时会涉及到几百甚至上千企业。银行本质是经营风险,如何针对派系关系,精准识别客户群体,在很大程度上可以有效控制银行经营和管理风险。目前,企业派系以及企业集团关系的深度挖掘,是银行进行风险管理、贷后预警中的重要利器,但目前,企业集团派系等客户群体划分大部分使用集团成员的关系,而集团成员关系又大多通过客户经理来认定和维护,取决于客户经理本身认知程度及经验,需要耗费大量的人力物力,同时受限于人工,该客户群体识别存在识别延迟、群体范围不全等局限性,因此迫切需要使用新方法、新技术,迅速、精准地识别企业客户群体,进而挖掘出企业间关系,满足现有银行业务经营和管理风险的工作需求。
目前,银行内部主要以集团成员关系将企业内部客户进行区分,通过集团成员的关系,识别客户关联风险,而这些关系都是基于业务人员手工维护,存在一定的滞后性和局限性。
因此,如何提供一种新的方案,其能够解决上述技术问题是本领域亟待解决的技术难题。
发明内容
本发明实施例提供一种基于经济依存关系的客户群体识别方法,实现了经济依存客户群体的自动化精准识别,可以更好、更准确地提前识别集团派系,挖掘集团成员企业,从而更好的经营和管理风险,该方法包括:
识别显性经济依存客户;
以显性经济依存客户为基础,识别隐性经济依存客户;
以显性经济依存客户和隐性经济依存客户为网络的基础数据进行构图,形成经济依存关联网络,确定经济依存关系图;
根据经济依存关系图,对经济依存关联网络进行划分,识别经济依存客户群体。
具体实施本发明实施例提供的一种基于经济依存关系的客户群体识别方法时,在一个实施例中,识别显性经济依存客户,包括:
挖掘扩展存在经济依存关系的企业对;
根据存在经济依存关系的企业对,构建企业关系;
通过资金占用、资金代偿和还款资金来源对企业关系进行挖掘,将满足经济依存判断规则的企业识别为显性经济依存客户。
具体实施本发明实施例提供的一种基于经济依存关系的客户群体识别方法时,在一个实施例中,挖掘扩展存在经济依存关系的企业对,包括:
对于在集团挖掘中获取的全部集团成员企业,通过经济依存关系扩展企业对,确定存在经济依存关系的企业对;其中,经济依存关系,包括:企业对外投资,企业持股,个人担保关系,个人持股,企业担保关系,分支机构关系,企业上下游关系,账户资金往来关系,法人关系,配偶关系,子女父母关系,兄弟姐妹关系,共同担保关系,共同借款关系,法人对企业客户投资关系,企业及个人与担保物关系,企业票据上下游关系。
具体实施本发明实施例提供的一种基于经济依存关系的客户群体识别方法时,在一个实施例中,根据存在经济依存关系的企业对,构建企业关系,包括:
根据存在经济依存关系的企业对,构建由自然人–持股–企业、企业–被持股–自然人、母公司–持股–企业、企业–被持股–母公司、企业–持股–企业、企业–经济往来转账–企业、企业–担保关系–企业、企业–上下游关系–核心企业以及核心企业–上下游关系–企业组成的企业关系。
具体实施本发明实施例提供的一种基于经济依存关系的客户群体识别方法时,在一个实施例中,通过资金占用、资金代偿和还款资金来源对企业关系进行挖掘,将满足经济依存判断规则的企业识别为显性经济依存客户,包括:
通过资金占用、资金代偿和还款资金来源对企业关系进行挖掘,
将满足经济依存判断规则的企业视为有极大的违约风险传导可能性以及紧密的经济往来关系,识别为显性经济依存客户。
具体实施本发明实施例提供的一种基于经济依存关系的客户群体识别方法时,在一个实施例中,将满足经济依存判断规则的企业视为有极大的违约风险传导可能性以及紧密的经济往来关系,识别为显性经济依存客户,包括:
设定两个需要判断经济依存的企业为企业A和企业B;
按照经济依存判断规则,判断企业A和企业B之间是否具有极大的违约风险传导可能性以及紧密的经济往来关系;
当企业A和企业B之间满足经济依存判断规则时,将企业A和企业B识别为显性经济依存客户。
具体实施本发明实施例提供的一种基于经济依存关系的客户群体识别方法时,在一个实施例中,所述经济依存判断规则,包括:
企业A与企业B有资金往来关系,且交易金额超过企业上一年度总入账或总出账的50%;
企业A与企业B有票据上下游关系,且票据金额超过企业上一年度总票据收款或总票据付款的50%;
企业A与企业B的一年内的资金往来关系中,金额超过企业半年内偿还债项的金额;
企业A与企业B是票据上下游关系,企业A为收款方,企业B为付款方,票据金额超过企业A上一年度总收入或总支出的50%;
企业A向企业B提供担保,担保金额超过企业注册资本20%;
企业A的实际控制人/法人向企业B提供担保,担保金额超过企业A的注册资本的20%;
建立风险传导模型,当风险传导模型判定企业受风险源客户影响大于0.6时,则该企业为显性经济依存客户。
具体实施本发明实施例提供的一种基于经济依存关系的客户群体识别方法时,在一个实施例中,以显性经济依存客户为基础,识别隐性经济依存客户,包括:
挖掘企业关联关系特征,构建机器学习模型;
以显性经济依存客户为基础,训练机器学习模型,确实训练后的机器学习模型;
以企业的属性和企业之间的关联为基础,对企业对的经济依存程度进行刻画,利用训练后的机器学习模型识别隐性经济依存客户。
具体实施本发明实施例提供的一种基于经济依存关系的客户群体识别方法时,在一个实施例中,根据经济依存关系图,对经济依存关联网络进行划分,识别经济依存客户群体,包括:
使用Louvain社区发现算法对经济依存关系图进行聚类,对经济依存关联网络进行划分,识别出识别经济依存客户群体。
具体实施本发明实施例提供的一种基于经济依存关系的客户群体识别方法时,在一个实施例中,按照如下方式,使用Louvain社区发现算法:
其中,△Q表示模块度的变化;k是节点的权重;m是所有边的权重,i是节点;ki,in代表由节点i所属社区内部与节点i连边的权重之和;Σtot代表与节点i连接的所有边的权重之和;ki代表入射节点i的总权重。
本发明实施例还提供一种基于经济依存关系的客户群体识别装置,包括:
显性经济依存客户识别模块,用于识别显性经济依存客户;
隐性经济依存客户识别模块,用于以显性经济依存客户为基础,识别隐性经济依存客户;
经济依存关系图确定模块,用于以显性经济依存客户和隐性经济依存客户为网络的基础数据进行构图,形成经济依存关联网络,确定经济依存关系图;
经济依存客户群体识别模块,用于根据经济依存关系图,对经济依存关联网络进行划分,识别经济依存客户群体。
具体实施本发明实施例提供的一种基于经济依存关系的客户群体识别装置时,在一个实施例中,显性经济依存客户识别模块,具体用于:
挖掘扩展存在经济依存关系的企业对;
根据存在经济依存关系的企业对,构建企业关系;
通过资金占用、资金代偿和还款资金来源对企业关系进行挖掘,将满足经济依存判断规则的企业识别为显性经济依存客户。
具体实施本发明实施例提供的一种基于经济依存关系的客户群体识别装置时,在一个实施例中,显性经济依存客户识别模块,还用于:
对于在集团挖掘中获取的全部集团成员企业,通过经济依存关系扩展企业对,确定存在经济依存关系的企业对;其中,经济依存关系,包括:企业对外投资,企业持股,个人担保关系,个人持股,企业担保关系,分支机构关系,企业上下游关系,账户资金往来关系,法人关系,配偶关系,子女父母关系,兄弟姐妹关系,共同担保关系,共同借款关系,法人对企业客户投资关系,企业及个人与担保物关系,企业票据上下游关系。
具体实施本发明实施例提供的一种基于经济依存关系的客户群体识别装置时,在一个实施例中,显性经济依存客户识别模块,还用于:
根据存在经济依存关系的企业对,构建由自然人–持股–企业、企业–被持股–自然人、母公司–持股–企业、企业–被持股–母公司、企业–持股–企业、企业–经济往来转账–企业、企业–担保关系–企业、企业–上下游关系–核心企业以及核心企业–上下游关系–企业组成的企业关系。
具体实施本发明实施例提供的一种基于经济依存关系的客户群体识别装置时,在一个实施例中,显性经济依存客户识别模块,还用于:
通过资金占用、资金代偿和还款资金来源对企业关系进行挖掘,
将满足经济依存判断规则的企业视为有极大的违约风险传导可能性以及紧密的经济往来关系,识别为显性经济依存客户。
具体实施本发明实施例提供的一种基于经济依存关系的客户群体识别装置时,在一个实施例中,显性经济依存客户识别模块,还用于:
设定两个需要判断经济依存的企业为企业A和企业B;
按照经济依存判断规则,判断企业A和企业B之间是否具有极大的违约风险传导可能性以及紧密的经济往来关系;
当企业A和企业B之间满足经济依存判断规则时,将企业A和企业B识别为显性经济依存客户。
具体实施本发明实施例提供的一种基于经济依存关系的客户群体识别装置时,在一个实施例中,所述经济依存判断规则,包括:
企业A与企业B有资金往来关系,且交易金额超过企业上一年度总入账或总出账的50%;
企业A与企业B有票据上下游关系,且票据金额超过企业上一年度总票据收款或总票据付款的50%;
企业A与企业B的一年内的资金往来关系中,金额超过企业半年内偿还债项的金额;
企业A与企业B是票据上下游关系,企业A为收款方,企业B为付款方,票据金额超过企业A上一年度总收入或总支出的50%;
企业A向企业B提供担保,担保金额超过企业注册资本20%;
企业A的实际控制人/法人向企业B提供担保,担保金额超过企业A的注册资本的20%;
建立风险传导模型,当风险传导模型判定企业受风险源客户影响大于0.6时,则该企业为显性经济依存客户。
具体实施本发明实施例提供的一种基于经济依存关系的客户群体识别装置时,在一个实施例中,隐性经济依存客户识别模块,用于:
挖掘企业关联关系特征,构建机器学习模型;
以显性经济依存客户为基础,训练机器学习模型,确实训练后的机器学习模型;
以企业的属性和企业之间的关联为基础,对企业对的经济依存程度进行刻画,利用训练后的机器学习模型识别隐性经济依存客户。
具体实施本发明实施例提供的一种基于经济依存关系的客户群体识别装置时,在一个实施例中,经济依存客户群体识别模块,具体用于:
使用Louvain社区发现算法对经济依存关系图进行聚类,对经济依存关联网络进行划分,识别出识别经济依存客户群体。
具体实施本发明实施例提供的一种基于经济依存关系的客户群体识别装置时,在一个实施例中,经济依存客户群体识别模块,还用于按照如下方式,使用Louvain社区发现算法:
其中,△Q表示模块度的变化;k是节点的权重;m是所有边的权重,i是节点;ki,in代表由节点i所属社区内部与节点i连边的权重之和;Σtot代表与节点i连接的所有边的权重之和;ki代表入射节点i的总权重。
本发明实施例还提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述一种基于经济依存关系的客户群体识别方法。
本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有执行上述一种基于经济依存关系的客户群体识别方法的计算机程序。
本发明实施例提供的一种基于经济依存关系的客户群体识别方法和装置,包括:首先识别显性经济依存客户;然后以显性经济依存客户为基础,识别隐性经济依存客户;接着以显性经济依存客户和隐性经济依存客户为网络的基础数据进行构图,形成经济依存关联网络,确定经济依存关系图;最后根据经济依存关系图,对经济依存关联网络进行划分,识别经济依存客户群体。本发明实施例通过自动化精确识别经济依存客户群体,实现了精确识别企业之间是否存在经济依存关系,利用显性经济依存客户和隐性经济依存客户构建经济依存关联网络,再进行经济依存网络的划分,设计一种基于济依存度客户群体的识别的方法,可以帮助银行更好、更准确地提前识别集团派系,挖掘集团成员企业,从而更好的经营和管理风险。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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。在附图中:
图1为本发明实施例一种基于经济依存关系的客户群体识别方法示意图。
图2为本发明实施例一种基于经济依存关系的客户群体识别方法的识别显性经济依存客户过程示意图。
图3为本发明实施例一种基于经济依存关系的客户群体识别方法的将满足经济依存判断规则的企业识别为显性经济依存客户过程示意图。
图4为本发明实施例一种基于经济依存关系的客户群体识别方法的识别隐性经济依存客户过程示意图。
图5为运行本发明实施的一种基于经济依存关系的客户群体识别方法的计算机装置示意图。
图6为本发明实施例一种基于经济依存关系的客户群体识别装置示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
本发明涉及人工智能领域中的知识图谱技术。图1为本发明实施例一种基于经济依存关系的客户群体识别方法示意图,如图1所示,本发明实施例提供一种基于经济依存关系的客户群体识别方法,实现了经济依存客户群体的自动化精准识别,可以更好、更准确地提前识别集团派系,挖掘集团成员企业,从而更好的经营和管理风险,该方法包括:
步骤101:识别显性经济依存客户;
步骤102:以显性经济依存客户为基础,识别隐性经济依存客户;
步骤103:以显性经济依存客户和隐性经济依存客户为网络的基础数据进行构图,形成经济依存关联网络,确定经济依存关系图;
步骤104:根据经济依存关系图,对经济依存关联网络进行划分,识别经济依存客户群体。
本发明实施例提供的一种基于经济依存关系的客户群体识别方法,包括:首先识别显性经济依存客户;然后以显性经济依存客户为基础,识别隐性经济依存客户;接着以显性经济依存客户和隐性经济依存客户为网络的基础数据进行构图,形成经济依存关联网络,确定经济依存关系图;最后根据经济依存关系图,对经济依存关联网络进行划分,识别经济依存客户群体。本发明实施例通过自动化精确识别经济依存客户群体,实现了精确识别企业之间是否存在经济依存关系,利用显性经济依存客户和隐性经济依存客户构建经济依存关联网络,再进行经济依存网络的划分,设计一种基于济依存度客户群体的识别的方法,可以帮助银行更好、更准确地提前识别集团派系,挖掘集团成员企业,从而更好的经营和管理风险。
在《商业银行大额风险暴露管理办法》,非同业关联客户认定中包括经济依存客户,可通过经济往来关系识别客户群体,丰富集团派系关系,进而识别更多的集团成员关联客户。
经济依存客户是指存在经济依存关系的一组企事业法人客户。经济依存关系指一个客户发生财务困难或违约时可能导致另一个客户无法及时足额偿还债务的情形。商业银行应识别风险暴露超过一级资本净额5%的企事业法人客户之间是否存在经济依存关系。判断客户之间是否存在经济依存关系时,商业银行应至少考虑以下因素:
一个客户年度总收入或总支出的50%以上源于与另一个客户的交易,或50%以上的产品销售给另一个客户且难以找到替代的产品购买方;(规则1)
一个客户通过保证等方式对另一个客户融资负有代偿责任且金额较大,保证人履行担保义务时,自身债务很可能违约,导致两个客户的债务违约存在相关性;(规则3)
一个客户偿还债务的主要资金来自另一个客户对其还款,后者发生财务困难或违约可能导致前者无法及时足额偿还债务;(规则3)
两个客户依赖共同的、难以替代的融资来源获得大部分资金,当共同的资金提供方违约时,无法找到替代的资金提供方,一个客户的融资问题很可能扩展到另一个客户;
一个客户与另一个客户偿还贷款的主要来源相同,且双方均没有其他收入来源足额归还贷款。
对于不受大额风险暴露监管要求约束的主体,如果两个客户同时与其存在经济依存关系,但客户之间不存在经济依存关系,两个客户均不认定为经济依存客户。
在此,我们在大额风险暴露管理办法中定义的有潜在违约传导风险的客户基础上,通过加入经济往来关系来扩展经济依存客户,丰富集团派系关系。经济依存客户范围设定为:
1.参股公司、对外投资;
2.经济协作型公司(供应链、产品、技术、契约、协议等);
3.资金往来紧密型公司;
4.对外担保、被担保公司。
本发明基于经济依存度的定义,通过对风险传导及经济往来关系,识别企业之间是否存在经济依存关系,利用已经识别经济依存关系企业构建经济依存网络,形成经济依存关联网络,再使用Louvain社区风险算算法,进行经济依存网络的划分,完成经济依存客户群体的识别。
具体实施本发明实施例提供的一种基于经济依存关系的客户群体识别方法时,可以包括:
识别显性经济依存客户;
以显性经济依存客户为基础,识别隐性经济依存客户;
以显性经济依存客户和隐性经济依存客户为网络的基础数据进行构图,形成经济依存关联网络,确定经济依存关系图;
根据经济依存关系图,对经济依存关联网络进行划分,识别经济依存客户群体。
图2为本发明实施例一种基于经济依存关系的客户群体识别方法的识别显性经济依存客户过程示意图,如图2所示,具体实施本发明实施例提供的一种基于经济依存关系的客户群体识别方法时,在一个实施例中,识别显性经济依存客户,包括:
步骤201:挖掘扩展存在经济依存关系的企业对;
步骤202:根据存在经济依存关系的企业对,构建企业关系;
步骤203:通过资金占用、资金代偿和还款资金来源对企业关系进行挖掘,将满足经济依存判断规则的企业识别为显性经济依存客户。
具体实施本发明实施例提供的一种基于经济依存关系的客户群体识别方法时,在一个实施例中,挖掘扩展存在经济依存关系的企业对,包括:
对于在集团挖掘中获取的全部集团成员企业,通过经济依存关系扩展企业对,确定存在经济依存关系的企业对;其中,经济依存关系,包括:企业对外投资,企业持股,个人担保关系,个人持股,企业担保关系,分支机构关系,企业上下游关系,账户资金往来关系,法人关系,配偶关系,子女父母关系,兄弟姐妹关系,共同担保关系,共同借款关系,法人对企业客户投资关系,企业及个人与担保物关系,企业票据上下游关系。
实施例中,对于集团挖掘中发现的全部集团成员企业,通过以下关系扩展潜在经济依存关系的企业对:
1.企业对外投资;
2.企业持股;
3.个人担保关系;
4.个人持股;
5.企业担保关系;
6.分支机构关系;
7.企业上下游关系;
8.账户资金往来关系;
9.法人关系;
10.配偶关系;
11.子女父母关系;
12.兄弟姐妹关系;
13.共同担保关系;
14.共同借款关系;
15.法人对企业客户投资关系;
16.企业及个人与担保物关系;
17.企业票据上下游关系。
具体实施本发明实施例提供的一种基于经济依存关系的客户群体识别方法时,在一个实施例中,根据存在经济依存关系的企业对,构建企业关系,包括:
根据存在经济依存关系的企业对,构建由自然人–持股–企业、企业–被持股–自然人、母公司–持股–企业、企业–被持股–母公司、企业–持股–企业、企业–经济往来转账–企业、企业–担保关系–企业、企业–上下游关系–核心企业以及核心企业–上下游关系–企业组成的企业关系。
实施例中,根据以上企业对的定义,构建以下企业关系:
1.自然人–(持股)–企业;
2.企业–(被持股)–自然人;
3.母公司–持股–企业;
4.企业–被持股–母公司;
5.企业–(持股)–企业;
6.企业–经济往来(转账)–企业;
7.企业–担保关系–企业;
8.企业–上下游关系–核心企业;
9.核心企业–上下游关系–企业。
图3为本发明实施例一种基于经济依存关系的客户群体识别方法的将满足经济依存判断规则的企业识别为显性经济依存客户过程示意图,如图3所示,具体实施本发明实施例提供的一种基于经济依存关系的客户群体识别方法时,在一个实施例中,通过资金占用、资金代偿和还款资金来源对企业关系进行挖掘,将满足经济依存判断规则的企业识别为显性经济依存客户,包括:
步骤301:通过资金占用、资金代偿和还款资金来源对企业关系进行挖掘,
步骤302:将满足经济依存判断规则的企业视为有极大的违约风险传导可能性以及紧密的经济往来关系,识别为显性经济依存客户。
具体实施本发明实施例提供的一种基于经济依存关系的客户群体识别方法时,在一个实施例中,将满足经济依存判断规则的企业视为有极大的违约风险传导可能性以及紧密的经济往来关系,识别为显性经济依存客户,包括:
设定两个需要判断经济依存的企业为企业A和企业B;
按照经济依存判断规则,判断企业A和企业B之间是否具有极大的违约风险传导可能性以及紧密的经济往来关系;
当企业A和企业B之间满足经济依存判断规则时,将企业A和企业B识别为显性经济依存客户。
具体实施本发明实施例提供的一种基于经济依存关系的客户群体识别方法时,在一个实施例中,所述经济依存判断规则,包括:
企业A与企业B有资金往来关系,且交易金额超过企业上一年度总入账或总出账的50%;
企业A与企业B有票据上下游关系,且票据金额超过企业上一年度总票据收款或总票据付款的50%;
企业A与企业B的一年内的资金往来关系中,金额超过企业半年内偿还债项的金额;
企业A与企业B是票据上下游关系,企业A为收款方,企业B为付款方,票据金额超过企业A上一年度总收入或总支出的50%;
企业A向企业B提供担保,担保金额超过企业注册资本20%;
企业A的实际控制人/法人向企业B提供担保,担保金额超过企业A的注册资本的20%;
建立风险传导模型,当风险传导模型判定企业受风险源客户影响大于0.6时,则该企业为显性经济依存客户。
实施例中,通过资金占用、资金代偿、还款资金来源等角度挖掘,对满足以下规则的企业视为有极大的违约风险传导可能性以及紧密的经济往来关系,作为经济依存关系客户进行保留:
1.企业A与企业B有资金往来关系,且交易金额超过企业上一年度总入账或总出账的50%。
实施方案:取企业资金上下游关系
细则:
(1).B交易对手为A的入账金额占B的结算账户得总入账资金的50%(结算账户资金流水)则B–>A(B依赖于A)。
(2).B交易对手为A的出账金额占B的结算账户的总出账金额的50%(结算账户资金流水)则B–>A(B依赖A)。
2.企业A与企业B有票据上下游关系,且票据金额超过企业上一年度总票据收款或总票据付款的50%;
实施方案:取企业票据信息
细则:
(1).B交易对手为A的票据付款占B的上一年度总票据收款的50%则B–>A(B依赖于A)。
(2).B交易对手为A的票据收款占B的上一年度总票据收款的50%则B–>A(B依赖于A)。
3.企业A与企业B的一年内的资金往来关系中,金额超过企业半年内偿还债项的金额;
实施方案:取企业资金上下游关系及财报里提供偿还债项金额。
细则:
企业A与企业B的一年内的资金往来借贷差额,超过企业B半年内偿还债项的金额,则B–>A(B依赖于A)。
4.企业A与企业B是票据上下游关系,企业A为收款方,企业B为付款方。票据金额超过企业A上一年度总收入或总支出的50%;
实施方案:取企业票据信息、财务报表
细则:
(1).B的交易对手为A的票据付款,占A的上一年度的总收入的50%,则A->B(A依赖于B)。
(2).B的交易对手为A的票据付款,占A的上一年度的总支出的50%,
则A->B(A依赖于B)。
5.企业A向企业B提供担保,担保金额超过企业注册资本20%;
实施方案:取企业担保关系信息
细则:
企业A给企业B提供担保,担保金额超过企业A注册资本20%,则A->B(A依赖于B,B违约时,有大概率影响到A)。
6.企业A的实际控制人/法人向企业B提供担保,担保金额超过企业A的注册资本的20%;
实施方案:取企业担保信息、企业实际控制人、法人信息。
细则:
企业A的实际控制人/或法人给企业B提供担保,担保金额超过企业A注册资本20%,则A->B(A依赖于B,B违约时,有大概率影响到A)。
7.风险传导模型,当模型判定企业受风险源(违约)客户影响(传导率)大于某0.6时,则为经济依存客户;
实施方案:取传导模型结果信息表
细则:
通过风险传导模型分析企业A逾期传导给企业B的单边传导率不小于0.6时,则B->A(B依赖于A)。
该风险传导模型为行内已实现的传导模型,主要用于识别企业发生风险后对其关联企业的影响程度;
图4为本发明实施例一种基于经济依存关系的客户群体识别方法的识别隐性经济依存客户过程示意图,如图4所示,具体实施本发明实施例提供的一种基于经济依存关系的客户群体识别方法时,在一个实施例中,以显性经济依存客户为基础,识别隐性经济依存客户,包括:
步骤401:挖掘企业关联关系特征,构建机器学习模型;
步骤402:以显性经济依存客户为基础,训练机器学习模型,确实训练后的机器学习模型;
步骤403:以企业的属性和企业之间的关联为基础,对企业对的经济依存程度进行刻画,利用训练后的机器学习模型识别隐性经济依存客户。
实施例中,当企业之间不满足上一部分列举的规则时,虽然每个单条规则都不满足,但多个条件叠加的影响下,也会形成企业之间的经济依赖,因此可以利用企业的担保关系、交易关系、融资、还贷、股权关系数据,构建机器学习模型,以企业的属性(资产、负债、规模等)和企业之间的关联(交易、股权、担保等)为基础,使用机器学模型来识别隐性的经济依存企业。利用xgboost集成学习算法训练一个判断企业之间是否存在经济依存的分类器,对全量企业关系对进行预估,得到企业经济依存关系概率。
主要包括如下步骤:
1.基于显性经济依存客户识别的企业对作为样本。
2.通过构建企业对之间经济往来和关联关系的特征,对企业对的经济依存程度进行刻画,如表1所示:
表1
该隐性经济依存客户识别方法,通过机器学习算法识别企业之间的经济依存关系,具备如下两方面的优势:
可解释:利用企业的关联,企业之间的交易金额等特征,可以对模型的结果进行解释,业务人员可以看到企业之间存在经济依存判断的依据(企业的交易频次、金额等等)。
可落地:xgbosst模型已经被证明是一种快速有效的机器学习模型,已经被广泛的应用到行业。且已经训练好的模型,可以在新增数据较少的情况下,不做更新,在数据更新较多的情况下,在进行模型的更新,不需要每次新加入数据就要重新训练。
具体实施本发明实施例提供的一种基于经济依存关系的客户群体识别方法时,在一个实施例中,根据经济依存关系图,对经济依存关联网络进行划分,识别经济依存客户群体,包括:
使用Louvain社区发现算法对经济依存关系图进行聚类,对经济依存关联网络进行划分,识别出识别经济依存客户群体。
具体实施本发明实施例提供的一种基于经济依存关系的客户群体识别方法时,在一个实施例中,按照如下方式,使用Louvain社区发现算法:
其中,△Q表示模块度的变化;k是节点的权重;m是所有边的权重,i是节点;ki,in代表由节点i所属社区内部与节点i连边的权重之和;Σtot代表与节点i连接的所有边的权重之和;ki代表入射节点i的总权重。在一个first phase,判断一个node加入到哪个Community,需要找到一个ΔQ最大。
前述提到的使用Louvain社区发现算法的表达式为举例说明,本领域技术人员可以理解,在实施时还可以根据需要对上述公式进行一定形式的变形和添加其它的参数或数据,或者提供其它的具体公式,这些变化例均应落入本发明的保护范围。
在完成经济依存客户识别后,通过以下两个步骤可完成经济依存客户群体发现:
以显性经济依存客户和隐性挖掘的经济依存客户为网络的基础数据进行构图。
使用Louvain社区发现算法对新生成的经济依存关系图进行聚类,完成经济依存客户群体的发现。
其中,Louvain算法是一种基于多层次优化Modularity的算法,它的优点是快速、准确,被认为是性能最好的社区发现算法之一。Modularity函数最初被用于衡量社区发现算法结果的质量,它能够刻画发现的社区的紧密程度。那么既然能刻画社区的紧密程度,也就能够被用来当作一个优化函数,即将结点加入它的某个邻居所在的社区中,如果能够提升当前社区结构的modularity。
如果当前结点所在的社区只有它自己,那么在计算将它加入到其它社区时的modularity的变化有个技巧来加速计算,Louvain的高效性也在一定程度上受益于此,
本发明通过对风险传导及经济往来关系,识别企业之间是否存在经济依存关系,利用已经识别经济依存关系企业构建经济依存网络,形成经济依存关联网络,再使用Louvain社区风险算算法,进行经济依存网络的划分,设计一种基于济依存度客户群体的识别的方法,以帮助银行更好、更准确地提前识别集团派系,挖掘集团成员企业,从而更好的经营和管理风险。
本发明基于经济依存度的定义,通过对风险传导及经济往来关系,识别企业之间是否存在经济依存关系,利用已经识别经济依存关系企业构建经济依存网络,形成经济依存关联网络,再使用Louvain社区风险算算法,进行经济依存网络的划分,完成经济依存客户群体的识别。
图5为运行本发明实施的一种基于经济依存关系的客户群体识别方法的计算机装置示意图,如图5所示,本发明实施例还提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述一种基于经济依存关系的客户群体识别方法。
本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有执行实现上述一种基于经济依存关系的客户群体识别方法的计算机程序。
本发明实施例中还提供了一种基于经济依存关系的客户群体识别装置,如下面的实施例所述。由于该装置解决问题的原理与一种基于经济依存关系的客户群体识别方法相似,因此该装置的实施可以参见一种基于经济依存关系的客户群体识别方法的实施,重复之处不再赘述。
图6为本发明实施例一种基于经济依存关系的客户群体识别装置示意图,如图6所示,本发明实施例还提供一种基于经济依存关系的客户群体识别装置,包括:
显性经济依存客户识别模块601,用于识别显性经济依存客户;
隐性经济依存客户识别模块602,用于以显性经济依存客户为基础,识别隐性经济依存客户;
经济依存关系图确定模块603,用于以显性经济依存客户和隐性经济依存客户为网络的基础数据进行构图,形成经济依存关联网络,确定经济依存关系图;
经济依存客户群体识别模块604,用于根据经济依存关系图,对经济依存关联网络进行划分,识别经济依存客户群体。
具体实施本发明实施例提供的一种基于经济依存关系的客户群体识别装置时,在一个实施例中,显性经济依存客户识别模块,具体用于:
挖掘扩展存在经济依存关系的企业对;
根据存在经济依存关系的企业对,构建企业关系;
通过资金占用、资金代偿和还款资金来源对企业关系进行挖掘,将满足经济依存判断规则的企业识别为显性经济依存客户。
具体实施本发明实施例提供的一种基于经济依存关系的客户群体识别装置时,在一个实施例中,显性经济依存客户识别模块,还用于:
对于在集团挖掘中获取的全部集团成员企业,通过经济依存关系扩展企业对,确定存在经济依存关系的企业对;其中,经济依存关系,包括:企业对外投资,企业持股,个人担保关系,个人持股,企业担保关系,分支机构关系,企业上下游关系,账户资金往来关系,法人关系,配偶关系,子女父母关系,兄弟姐妹关系,共同担保关系,共同借款关系,法人对企业客户投资关系,企业及个人与担保物关系,企业票据上下游关系。
具体实施本发明实施例提供的一种基于经济依存关系的客户群体识别装置时,在一个实施例中,显性经济依存客户识别模块,还用于:
根据存在经济依存关系的企业对,构建由自然人–持股–企业、企业–被持股–自然人、母公司–持股–企业、企业–被持股–母公司、企业–持股–企业、企业–经济往来转账–企业、企业–担保关系–企业、企业–上下游关系–核心企业以及核心企业–上下游关系–企业组成的企业关系。
具体实施本发明实施例提供的一种基于经济依存关系的客户群体识别装置时,在一个实施例中,显性经济依存客户识别模块,还用于:
通过资金占用、资金代偿和还款资金来源对企业关系进行挖掘,
将满足经济依存判断规则的企业视为有极大的违约风险传导可能性以及紧密的经济往来关系,识别为显性经济依存客户。
具体实施本发明实施例提供的一种基于经济依存关系的客户群体识别装置时,在一个实施例中,显性经济依存客户识别模块,还用于:
设定两个需要判断经济依存的企业为企业A和企业B;
按照经济依存判断规则,判断企业A和企业B之间是否具有极大的违约风险传导可能性以及紧密的经济往来关系;
当企业A和企业B之间满足经济依存判断规则时,将企业A和企业B识别为显性经济依存客户。
具体实施本发明实施例提供的一种基于经济依存关系的客户群体识别装置时,在一个实施例中,所述经济依存判断规则,包括:
企业A与企业B有资金往来关系,且交易金额超过企业上一年度总入账或总出账的50%;
企业A与企业B有票据上下游关系,且票据金额超过企业上一年度总票据收款或总票据付款的50%;
企业A与企业B的一年内的资金往来关系中,金额超过企业半年内偿还债项的金额;
企业A与企业B是票据上下游关系,企业A为收款方,企业B为付款方,票据金额超过企业A上一年度总收入或总支出的50%;
企业A向企业B提供担保,担保金额超过企业注册资本20%;
企业A的实际控制人/法人向企业B提供担保,担保金额超过企业A的注册资本的20%;
建立风险传导模型,当风险传导模型判定企业受风险源客户影响大于0.6时,则该企业为显性经济依存客户。
具体实施本发明实施例提供的一种基于经济依存关系的客户群体识别装置时,在一个实施例中,隐性经济依存客户识别模块,用于:
挖掘企业关联关系特征,构建机器学习模型;
以显性经济依存客户为基础,训练机器学习模型,确实训练后的机器学习模型;
以企业的属性和企业之间的关联为基础,对企业对的经济依存程度进行刻画,利用训练后的机器学习模型识别隐性经济依存客户。
具体实施本发明实施例提供的一种基于经济依存关系的客户群体识别装置时,在一个实施例中,经济依存客户群体识别模块,具体用于:
使用Louvain社区发现算法对经济依存关系图进行聚类,对经济依存关联网络进行划分,识别出识别经济依存客户群体。
具体实施本发明实施例提供的一种基于经济依存关系的客户群体识别装置时,在一个实施例中,经济依存客户群体识别模块,还用于按照如下方式,使用Louvain社区发现算法:
其中,△Q表示模块度的变化;k是节点的权重;m是所有边的权重,i是节点;ki,in代表由节点i所属社区内部与节点i连边的权重之和;∑tot代表与节点i连接的所有边的权重之和;ki代表入射节点i的总权重。
综上,本发明实施例提供的一种基于经济依存关系的客户群体识别方法和装置,包括:首先识别显性经济依存客户;然后以显性经济依存客户为基础,识别隐性经济依存客户;接着以显性经济依存客户和隐性经济依存客户为网络的基础数据进行构图,形成经济依存关联网络,确定经济依存关系图;最后根据经济依存关系图,对经济依存关联网络进行划分,识别经济依存客户群体。本发明实施例通过自动化精确识别经济依存客户群体,实现了精确识别企业之间是否存在经济依存关系,利用显性经济依存客户和隐性经济依存客户构建经济依存关联网络,再进行经济依存网络的划分,设计一种基于济依存度客户群体的识别的方法,可以帮助银行更好、更准确地提前识别集团派系,挖掘集团成员企业,从而更好的经营和管理风险。
本发明通过对风险传导及经济往来关系,识别企业之间是否存在经济依存关系,利用已经识别经济依存关系企业构建经济依存网络,形成经济依存关联网络,再使用Louvain社区风险算算法,进行经济依存网络的划分,设计一种基于济依存度客户群体的识别的方法,以帮助银行更好、更准确地提前识别集团派系,挖掘集团成员企业,从而更好的经营和管理风险。
本发明基于经济依存度的定义,通过对风险传导及经济往来关系,识别企业之间是否存在经济依存关系,利用已经识别经济依存关系企业构建经济依存网络,形成经济依存关联网络,再使用Louvain社区风险算算法,进行经济依存网络的划分,完成经济依存客户群体的识别。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明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,本发明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。
本发明是参照根据本发明实施例的方法、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。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (22)
1.一种基于经济依存关系的客户群体识别方法,其特征在于,包括:
识别显性经济依存客户;
以显性经济依存客户为基础,识别隐性经济依存客户;
以显性经济依存客户和隐性经济依存客户为网络的基础数据进行构图,形成经济依存关联网络,确定经济依存关系图;
根据经济依存关系图,对经济依存关联网络进行划分,识别经济依存客户群体。
2.如权利要求1所述的方法,其特征在于,识别显性经济依存客户,包括:
挖掘扩展存在经济依存关系的企业对;
根据存在经济依存关系的企业对,构建企业关系;
通过资金占用、资金代偿和还款资金来源对企业关系进行挖掘,将满足经济依存判断规则的企业识别为显性经济依存客户。
3.如权利要求2所述的方法,其特征在于,挖掘扩展存在经济依存关系的企业对,包括:
对于在集团挖掘中获取的全部集团成员企业,通过经济依存关系扩展企业对,确定存在经济依存关系的企业对;其中,经济依存关系,包括:企业对外投资,企业持股,个人担保关系,个人持股,企业担保关系,分支机构关系,企业上下游关系,账户资金往来关系,法人关系,配偶关系,子女父母关系,兄弟姐妹关系,共同担保关系,共同借款关系,法人对企业客户投资关系,企业及个人与担保物关系,企业票据上下游关系。
4.如权利要求3所述的方法,其特征在于,根据存在经济依存关系的企业对,构建企业关系,包括:
根据存在经济依存关系的企业对,构建由自然人–持股–企业、企业–被持股–自然人、母公司–持股–企业、企业–被持股–母公司、企业–持股–企业、企业–经济往来转账–企业、企业–担保关系–企业、企业–上下游关系–核心企业以及核心企业–上下游关系–企业组成的企业关系。
5.如权利要求2所述的方法,其特征在于,通过资金占用、资金代偿和还款资金来源对企业关系进行挖掘,将满足经济依存判断规则的企业识别为显性经济依存客户,包括:
通过资金占用、资金代偿和还款资金来源对企业关系进行挖掘,
将满足经济依存判断规则的企业视为有极大的违约风险传导可能性以及紧密的经济往来关系,识别为显性经济依存客户。
6.如权利要求5所述的方法,其特征在于,将满足经济依存判断规则的企业视为有极大的违约风险传导可能性以及紧密的经济往来关系,识别为显性经济依存客户,包括:
设定两个需要判断经济依存的企业为企业A和企业B;
按照经济依存判断规则,判断企业A和企业B之间是否具有极大的违约风险传导可能性以及紧密的经济往来关系;
当企业A和企业B之间满足经济依存判断规则时,将企业A和企业B识别为显性经济依存客户。
7.如权利要求6所述的方法,其特征在于,所述经济依存判断规则,包括:
企业A与企业B有资金往来关系,且交易金额超过企业上一年度总入账或总出账的50%;
企业A与企业B有票据上下游关系,且票据金额超过企业上一年度总票据收款或总票据付款的50%;
企业A与企业B的一年内的资金往来关系中,金额超过企业半年内偿还债项的金额;
企业A与企业B是票据上下游关系,企业A为收款方,企业B为付款方,票据金额超过企业A上一年度总收入或总支出的50%;
企业A向企业B提供担保,担保金额超过企业注册资本20%;
企业A的实际控制人/法人向企业B提供担保,担保金额超过企业A的注册资本的20%;
建立风险传导模型,当风险传导模型判定企业受风险源客户影响大于0.6时,则该企业为显性经济依存客户。
8.如权利要求1所述的方法,其特征在于,以显性经济依存客户为基础,识别隐性经济依存客户,包括:
挖掘企业关联关系特征,构建机器学习模型;
以显性经济依存客户为基础,训练机器学习模型,确实训练后的机器学习模型;
以企业的属性和企业之间的关联为基础,对企业对的经济依存程度进行刻画,利用训练后的机器学习模型识别隐性经济依存客户。
9.如权利要求1所述的方法,其特征在于,根据经济依存关系图,对经济依存关联网络进行划分,识别经济依存客户群体,包括:
使用Louvain社区发现算法对经济依存关系图进行聚类,对经济依存关联网络进行划分,识别出识别经济依存客户群体。
11.一种基于经济依存关系的客户群体识别装置,其特征在于,包括:
显性经济依存客户识别模块,用于识别显性经济依存客户;
隐性经济依存客户识别模块,用于以显性经济依存客户为基础,识别隐性经济依存客户;
经济依存关系图确定模块,用于以显性经济依存客户和隐性经济依存客户为网络的基础数据进行构图,形成经济依存关联网络,确定经济依存关系图;
经济依存客户群体识别模块,用于根据经济依存关系图,对经济依存关联网络进行划分,识别经济依存客户群体。
12.如权利要求11所述的装置,其特征在于,显性经济依存客户识别模块,具体用于:
挖掘扩展存在经济依存关系的企业对;
根据存在经济依存关系的企业对,构建企业关系;
通过资金占用、资金代偿和还款资金来源对企业关系进行挖掘,将满足经济依存判断规则的企业识别为显性经济依存客户。
13.如权利要求12所述的装置,其特征在于,显性经济依存客户识别模块,还用于:
对于在集团挖掘中获取的全部集团成员企业,通过经济依存关系扩展企业对,确定存在经济依存关系的企业对;其中,经济依存关系,包括:企业对外投资,企业持股,个人担保关系,个人持股,企业担保关系,分支机构关系,企业上下游关系,账户资金往来关系,法人关系,配偶关系,子女父母关系,兄弟姐妹关系,共同担保关系,共同借款关系,法人对企业客户投资关系,企业及个人与担保物关系,企业票据上下游关系。
14.如权利要求13所述的装置,其特征在于,显性经济依存客户识别模块,还用于:
根据存在经济依存关系的企业对,构建由自然人–持股–企业、企业–被持股–自然人、母公司–持股–企业、企业–被持股–母公司、企业–持股–企业、企业–经济往来转账–企业、企业–担保关系–企业、企业–上下游关系–核心企业以及核心企业–上下游关系–企业组成的企业关系。
15.如权利要求12所述的装置,其特征在于,显性经济依存客户识别模块,还用于:
通过资金占用、资金代偿和还款资金来源对企业关系进行挖掘,
将满足经济依存判断规则的企业视为有极大的违约风险传导可能性以及紧密的经济往来关系,识别为显性经济依存客户。
16.如权利要求15所述的装置,其特征在于,显性经济依存客户识别模块,还用于:
设定两个需要判断经济依存的企业为企业A和企业B;
按照经济依存判断规则,判断企业A和企业B之间是否具有极大的违约风险传导可能性以及紧密的经济往来关系;
当企业A和企业B之间满足经济依存判断规则时,将企业A和企业B识别为显性经济依存客户。
17.如权利要求16所述的装置,其特征在于,所述经济依存判断规则,包括:
企业A与企业B有资金往来关系,且交易金额超过企业上一年度总入账或总出账的50%;
企业A与企业B有票据上下游关系,且票据金额超过企业上一年度总票据收款或总票据付款的50%;
企业A与企业B的一年内的资金往来关系中,金额超过企业半年内偿还债项的金额;
企业A与企业B是票据上下游关系,企业A为收款方,企业B为付款方,票据金额超过企业A上一年度总收入或总支出的50%;
企业A向企业B提供担保,担保金额超过企业注册资本20%;
企业A的实际控制人/法人向企业B提供担保,担保金额超过企业A的注册资本的20%;
建立风险传导模型,当风险传导模型判定企业受风险源客户影响大于0.6时,则该企业为显性经济依存客户。
18.如权利要求11所述的装置,其特征在于,隐性经济依存客户识别模块,用于:
挖掘企业关联关系特征,构建机器学习模型;
以显性经济依存客户为基础,训练机器学习模型,确实训练后的机器学习模型;
以企业的属性和企业之间的关联为基础,对企业对的经济依存程度进行刻画,利用训练后的机器学习模型识别隐性经济依存客户。
19.如权利要求11所述的装置,其特征在于,经济依存客户群体识别模块,具体用于:
使用Louvain社区发现算法对经济依存关系图进行聚类,对经济依存关联网络进行划分,识别出识别经济依存客户群体。
21.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至10任一项所述方法。
22.一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存储有执行实现权利要求1至10任一项所述方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110509249.5A CN113159930A (zh) | 2021-05-11 | 2021-05-11 | 一种基于经济依存关系的客户群体识别方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110509249.5A CN113159930A (zh) | 2021-05-11 | 2021-05-11 | 一种基于经济依存关系的客户群体识别方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113159930A true CN113159930A (zh) | 2021-07-23 |
Family
ID=76874647
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110509249.5A Pending CN113159930A (zh) | 2021-05-11 | 2021-05-11 | 一种基于经济依存关系的客户群体识别方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113159930A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113744047A (zh) * | 2021-09-09 | 2021-12-03 | 廊坊银行股份有限公司 | 信贷客户贷中风险评估方法、装置、设备和介质 |
CN113837648A (zh) * | 2021-10-11 | 2021-12-24 | 讯飞智元信息科技有限公司 | 企业关联性分析方法、关联企业推荐方法和装置 |
-
2021
- 2021-05-11 CN CN202110509249.5A patent/CN113159930A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113744047A (zh) * | 2021-09-09 | 2021-12-03 | 廊坊银行股份有限公司 | 信贷客户贷中风险评估方法、装置、设备和介质 |
CN113837648A (zh) * | 2021-10-11 | 2021-12-24 | 讯飞智元信息科技有限公司 | 企业关联性分析方法、关联企业推荐方法和装置 |
CN113837648B (zh) * | 2021-10-11 | 2023-11-17 | 讯飞智元信息科技有限公司 | 企业关联性分析方法、关联企业推荐方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Castrén et al. | Macro-networks: An application to euro area financial accounts | |
CN110458693A (zh) | 一种企业贷款自动审批方法、装置、存储介质及电子设备 | |
Langfield et al. | Interbank exposure networks | |
CN108492001A (zh) | 一种用于担保贷款网络风险管理的方法 | |
Agarwal | Redefining banking and financial industry through the application of computational intelligence | |
CN113159930A (zh) | 一种基于经济依存关系的客户群体识别方法和装置 | |
Murugan | Large-scale data-driven financial risk management & analysis using machine learning strategies | |
CN115526700A (zh) | 风险的预测方法、装置及电子设备 | |
Li et al. | A semi-parametric ensemble model for profit evaluation and investment decisions in online consumer loans with prepayments | |
Mustafin et al. | Evaluation of the choice of borrower rating groups | |
Sümer et al. | Do banking groups shape the network structure? Evidence from Turkish interbank market | |
CN112950290A (zh) | 经济依存客户的挖掘方法、装置、存储介质及电子设备 | |
Biswas et al. | Automated credit assessment framework using ETL process and machine learning | |
Misheva et al. | Network-based models to improve credit scoring accuracy | |
Ullah et al. | Predicting Default Payment of Credit Card Users: Applying Data Mining Techniques | |
CN111932131A (zh) | 业务数据处理方法及装置 | |
Bozsik et al. | Decision tree-based credit decision support system | |
Jacobs Jr | Benchmarking alternative interpretable machine learning models for corporate probability of default | |
Heinsalu et al. | Network resilience and assessment of the credit granting policy | |
Wims et al. | Network models of financial contagion: a definition and literature review | |
Chybaj et al. | Financial relationships between commercial banks and industrial enterprises: the principles of organizing and risks | |
Sever | Exploring Model-Based Approaches to Contagion in Global Financial Markets: A Survey | |
Hlushchenko et al. | Bank lending in Ukraine and simulation of credit activity by methods of system dynamics | |
Konovalova et al. | Evaluation of credit policy implementation in commercial banks: Evidence from latvia | |
Wang et al. | Quantitative model of financial risk management of forestry enterprises based on nonlinear differential equation |
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 |