CN113177729A - 基于企业关联风险传导的风险预警方法、系统及设备 - Google Patents
基于企业关联风险传导的风险预警方法、系统及设备 Download PDFInfo
- Publication number
- CN113177729A CN113177729A CN202110551426.6A CN202110551426A CN113177729A CN 113177729 A CN113177729 A CN 113177729A CN 202110551426 A CN202110551426 A CN 202110551426A CN 113177729 A CN113177729 A CN 113177729A
- Authority
- CN
- China
- Prior art keywords
- enterprise
- risk
- data
- early warning
- conduction
- 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
- 238000000034 method Methods 0.000 title claims abstract description 103
- 230000008569 process Effects 0.000 claims abstract description 31
- 238000010586 diagram Methods 0.000 claims abstract description 28
- 238000007781 pre-processing Methods 0.000 claims abstract description 19
- 238000013507 mapping Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims description 38
- 238000012545 processing Methods 0.000 claims description 27
- 238000013480 data collection Methods 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 12
- 238000012546 transfer Methods 0.000 claims description 12
- 230000005540 biological transmission Effects 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 7
- 239000000126 substance Substances 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000013450 outlier detection Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract description 12
- 230000000694 effects Effects 0.000 abstract description 9
- 238000004458 analytical method Methods 0.000 abstract description 6
- 238000004451 qualitative analysis Methods 0.000 description 5
- 238000004445 quantitative analysis Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000013499 data model Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000007115 recruitment Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000009466 transformation 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于企业风险预警领域,具体涉及了一种基于企业关联风险传导的风险预警方法、系统及设备,旨在解决现有技术未利用股权关系进行风险传导评估,导致风险预警不够全面以及预警结果准确性低的问题。本发明包括:对企业运营数据进行预处理,并结合专家先验知识进行分布探索;通过层次分析法分析获取模型初步权重,划分正向指标和负向指标并归一化获取最终权重;构建企业风险传导链,获得企业风险传导图;将待预警企业运营数据预处理,并通过风险预警模型结合企业风险传导图进行分析;根据分析获得的企业状态‑预警级别映射关系表进行企业风险预警。本发明结合层次分析和企业关系谱系对企业间的风险传导效应,风险预警准确性、精度和效率高。
Description
技术领域
本发明属于企业风险预警领域,具体涉及了一种基于企业关联风险传导的风险预警方法、系统及设备。
背景技术
目前,全国工商在营企业数量超过4000万,并以每年超过700万家的数量快速增长。由于企业经营活动信息的多样性,并且企业之间具有错综复杂的关联性。同时,随着大众创业万众创新对营商环境的促进作用,注册新企业的成本和难度大大降低,为识别企业风险增加了难度。
当前在企业健康度综合评估及风险预警方面,主要利用一定范围内的企业信息或公开的企业信息查询工具进行,主要方法有如下两类:方法一是利用内部生产数据对企业进行评价,通过内部生产数据建立企业评价模型,评估企业健康程度和规模。然而,采用该方法对企业信用度的评估过于简单,只能够覆盖小范围的企业,同时由于生产数据维度有限,无法结合外部企业风险数据,无法有效落实价值企业评估和风险企业的识别工作。方法二是利用公开的企业信息查询工具,区别于方法一的内部生产数据,通过利用公开的企业信息查询工具,能够全面覆盖到全量的企业客户,并能够从企业经营活动的多个维度分析企业能力。例如,一种基于大数据分析的企业信用评价系统,该技术能够利用大数据从六个信息源进行数据的分类归纳,分别是官方信息源、银行信息源、客户信息源、员工信息源、媒体信息源和运营信息源,通过对不同数据源进行采集、比较、计算、权重配置,最终对这些信息通过评分模块,给出该企业的综合得分以及小项得分。一种企业信用度的评估系统,该技术能够对各企业在不同网站的信用数值进行综合评估,以确定企业的综合信用等级和综合信用系数,便于对企业的信用状况进行综合的评价,提高了企业信用评估的准确性,具有审查力度严、审查速度快的特点,同时促进企业对本企业信用度的重视,便于直观地了解各企业的信用。但这两种方案并未考虑企业之间的股权关系具有风险传导性,无法发现企业间风险传导带来的风险。
总的来说,现有方法或仅使用内部数据,或仅使用公开数据作为评估依据,未利用股权关系进行风险传导评估,因而对于系统性风险无法准确和快速识别与发现。
发明内容
为了解决现有技术中的上述问题,即现有技术未利用股权关系进行风险传导评估,导致风险预警不够全面以及预警结果准确性低的问题,本发明提供了一种基于企业关联风险传导的风险预警方法,该风险预警方法包括:
步骤S10,获取各企业运营数据,并对所述各企业运营数据进行预处理,获得预处理数据;
步骤S20,结合专家先验知识进行所述预处理数据分布探索,获得设定数量企业的预处理数据作为风险预警模型的训练数据集;
步骤S30,通过层次分析法分析所述训练数据集,获得风险预警模型的初步权重,将风险预警指标划分为正向指标和负向指标,并进行归一化后结合所述初步权重获得风险预警模型的最终权重,将所述最终权重赋予风险预警模型,获得训练好的风险预警模型;
步骤S40,分别以预处理数据中任一企业作为目标企业,构建企业风险传导链,获得企业风险传导图;
步骤S50,获取待预警企业运营数据,通过步骤S10方法进行预处理,获得预处理待预警数据;
步骤S60,基于所述训练好的风险预警模型,结合所述企业风险传导图,进行所述预处理待预警数据的分析,获得待预警企业状态;
步骤S70,基于预先设定的企业状态-预警级别映射关系表,进行企业风险预警。
在一些优选的实施例中,所述预处理包括:
数据清洗,包括将所述各企业运营数据的字段中无用符号删除以及进行数据类型规约;
重复值处理,包括将数据清洗后的数据中重复记录删除;
唯一值变量处理,包括在重复值处理后的数据中,删除只有唯一值的列;
缺失值处理,包括将唯一值变量处理后的数据中缺失值大于设定第一阈值比例的数据删除,其余数据中离散型变量缺失值填补为变量众数,连续型变量缺失值填补为变量均值;
异常值处理,包括对缺失值处理后的数据,利用四分位数进行离群检测,将小于设定第二阈值或大于设定第三阈值的数据删除。
在一些优选的实施例中,步骤S30中通过层次分析法分析所述训练数据集,获得风险预警模型的初步权重,其方法为:
步骤S311,通过层次分析法将所述训练数据集分解为目标层数据、准则层数据和方案层数据;所述目标层为上层,准则层为中层,方案层为下层;
步骤S312,对于当前层的数据,分别判别当前层的两个数据对上层的各数据的重要性,获得当前层的判别矩阵;
步骤S313,基于所述判别矩阵的最大特征根进行向量归一化,获得当前层的初步权重;
步骤S314,根据各层的初步权重,通过逐层权重连乘获取风险预警模型的初步权重。
在一些优选的实施例中,步骤S30中将风险预警指标划分为正向指标和负向指标,并进行归一化后结合所述初步权重获得风险预警模型的最终权重,其方法为:
步骤S322,分别进行正向指标和负向指标的归一化,获得风险预警模型的最终权重:
在一些优选的实施例中,步骤S40包括
步骤S41,分别以预处理数据中任一企业作为当前目标企业A0,获取当前目标企业A0的风险传导企业A1,A2,…,An;其中,n为当前目标企业A0的风险传导企业的数量;
步骤S42,根据所述当前目标企业A0与风险传导企业A1,A2,…,An的关联类型,获取各风险传导企业A1,A2,…,An对应于当前目标企业A0的风险传导强度系数;
步骤S43,基于所述风险传导强度系数进行风险转移计算,构建当前目标企业A0的企业风险传导链;
步骤S44,遍历构建所述预处理数据中每一个企业的企业风险传导链,获得企业风险传导图。
在一些优选的实施例中,步骤S43中基于所述风险传导强度系数进行风险转移计算,其方法为:
V=v1×v2×…×vn
其中,V代表当前目标企业A0在风险传导企业A1,A2,…,An下的风险转移结果,v1,v2,…,vn分别为风险传导企业A1,A2,…,An对应于当前目标企业A0的风险传导强度系数。
在一些优选的实施例中,所述待预警企业状态,其计算方法为:
其中,EC代表获取的待预警企业的状态,i为待预警企业的第i条风险传导链,m代表待预警企业的风险传导链数量,j代表风险传导链上的第j个风险传导企业,n代表风险传导链上有n个风险传导企业,Vij代表第i条风险传导链上第j个风险传导企业的风险转移结果,k代表第k个指标,t为指标的数量,代表第k个指标的映射向量,代表第k个指标的权重。
本发明的另一方面,提出了一种基于企业关联风险传导的风险预警系统,该风险预警系统包括以下模块:
数据预处理模块,配置为获取各企业运营数据,并对所述各企业运营数据进行预处理,获得预处理数据,或者获取待预警企业运营数据,并对所述待预警企业运营数据进行预处理,获得预处理待预警数据;
数据探索模块,配置为结合专家先验知识进行所述预处理数据分布探索,获得设定数量企业的预处理数据作为风险预警模型的训练数据集;
模型训练模块,配置为通过层次分析法分析所述训练数据集,获得风险预警模型的初步权重,将风险预警指标划分为正向指标和负向指标,并进行归一化后结合所述初步权重获得风险预警模型的最终权重,将所述最终权重赋予风险预警模型,获得训练好的风险预警模型;
风险传导图谱构建模块,配置为分别以训练数据集中任一企业作为目标企业,构建企业风险传导链,获得企业风险传导图;
企业状态获取模块,配置为基于所述训练好的风险预警模型,结合所述企业风险传导图,进行所述预处理待预警数据的分析,获得待预警企业状态;
预警模块,配置为基于预先设定的企业状态-预警级别映射关系表,进行企业风险预警。
本发明的第三方面,提出了一种电子设备,包括:
至少一个处理器;以及
与至少一个所述处理器通信连接的存储器;其中,
所述存储器存储有可被所述处理器执行的指令,所述指令用于被所述处理器执行以实现上述的基于企业关联风险传导的风险预警方法。
本发明的第四方面,提出了一种基于并行数据调度的企业关联风险传导的风险预警系统,该系统包括风险预警中心服务器、N个风险预警子服务器以及N×n个数据收集端;所述风险预警中心服务器与所述N个风险预警子服务器之间通过分布式通信系统进行数据交换;所述N个风险预警子服务器中每一个风险预警子服务器与n个数据收集端之间通过智能通信网关进行数据交换;
所述风险预警中心服务器,分别用于:
根据企业风险预警的先验知识获取作为模型训练数据的代表企业身份识别号,根据所述代表企业身份识别号分别获取各代表企业的设定关联关系层级的第一关联企业身份识别号,并基于企业行业属性,结合企业关联关系进行代表企业和第一关联企业的划分,获得划分后的企业组集合后将各企业组的身份识别号分别下发给相应的风险预警子服务器;
接收各风险预警子服务器上传的各企业组的运营数据,并通过上述的基于企业关联风险传导的风险预警方法步骤S10-步骤S40对应的方法进行所述各企业组的运营数据的处理,获得训练好的风险预警模型和企业风险传导图;
根据获取的待预警企业的身份识别号获取待预警企业的设定关联关系层级的第二关联企业身份识别号,并基于企业行业属性,结合企业关联关系进行待预警企业和第二关联企业的划分,获得划分后的企业组集合后将各企业组的身份识别号分别下发给相应的风险预警子服务器;
接收各风险预警子服务器上传的待预警企业和第二关联企业的运营数据,通过上述的基于企业关联风险传导的风险预警方法步骤S10方法进行预处理,并基于训练好的风险预警模型和企业风险传导图获取待预警企业状态,基于预先设定的企业状态-预警级别映射关系表,进行企业风险预警;
在进行待预警企业风险预警后,将所述待预警企业和第二关联企业的运营数据作为新的训练数据并进行所述风险预警模型和企业风险传导图的在线更新;
所述风险预警子服务器,用于根据所述风险预警中心服务器下发的企业身份识别号,结合企业运营数据类别进行数据收集任务分群,并将划分后的任务群分别下发至相应的数据收集端,以及接收各数据收集端收集的数据并上传至所述风险预警中心服务器;
数据收集端,用于根据所述风险预警子服务器下发的任务群的任务指令进行数据收集,并将收集的数据上传至对应的风险预警子服务器。
本发明的有益效果:
(1)本发明基于企业关联风险传导的风险预警方法,在大数据和数理模型技术的基础上,通过引入多源数据进行融合,构建了具有区域、行业特征的层次分析方法和归一化方法,其将定性和定量分析相结合,把复杂问题逐层分解为各个组成因素,形成层次结构模型,将难于直接做出决策的问题转化为各层因素的两两对比判断问题,具有高度的有效性、可靠性、可行性、简明性和广泛的适用性。
(2)本发明基于企业关联风险传导的风险预警方法,构建企业风险传导链获得企业风险传导图,通过企业谱系关系对信用度的风险传导效应进行定性和定量分析,增加了企业风险识别的广度和精度,降低传统评估的单一性和主观性,提升企业风险预警的准确性、精度和效率。
(3)本发明基于企业关联风险传导的风险预警方法,通过风险预警中心服务器连接多个风险预警子服务器以及多个数据收集端,通过分布式通信系统、智能通信网关分别进行数据交换,将庞大的数据收集任务根据行业分组,再结合企业运营数据类别进行数据收集任务的分群,由各数据收集端分别进行数据收集后,最终收拢至风险预警中心服务器进行数据处理、分析,通过训练数据进行模型训练以及企业风险传导图构建,最终基于待预警企业及其关联企业的相关数据获得待预警企业状态后,进行待预警企业的企业风险预警,通过并行数据调度方法大大降低的庞大的数据收集过程划分为并行的小进程,大大提升了海量数据收集的效率,并结合分布式通信系统进一步提升数据传递效率,从而能够更为快速地获取所需数据,也进一步提升了后续企业风险预警的效率。
(4)本发明基于企业关联风险传导的风险预警方法,在进行待预警企业风险预警后,将待预警企业和其关联企业的运营数据作为新的训练数据,用于进行风险预警模型和企业风险传导图的在线更新,避免模型应用中的性能下降带来的准确性和精度下降问题,并且更新中仅采用新的数据,风险预警模型和企业风险传导图的更新效率高、实时性强,不影响其应用过程,因而具有更为广泛的应用前景。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本发明基于企业关联风险传导的风险预警方法的流程示意图;
图2是本发明基于企业关联风险传导的风险预警方法一种实施例的基于并行数据调度的企业关联风险传导的风险预警系统的框架示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
本发明提供一种基于企业关联风险传导的风险预警方法,引入外部企业经营活动的多维数据,综合企业所在地区、行业特点、活跃程度和相关企业风险,同时通过企业股权关系进行风险传导评估,建立具有业务特征的信用度评估和风险预警体系和标准,通过对已核查验证的优质企业、风险企业客户样本对模型训练、调参、优化,采用层次分析方法、归一化方法和风险传导方法,将定性和定量分析相结合,把复杂问题逐层分解为各个组成因素,模型具有高度的有效性、可靠性、可行性、简明性和广泛的适应性,最终实现对全量企业客户综合信用度和风险的预测识别,解决了人为主观评测导致客户风险和价值评估的偏差,提升了工作效率,统一了评估和预警标准,降低成本、提高效率。
本发明的一种基于企业关联风险传导的风险预警方法,该风险预警方法包括:
步骤S10,获取各企业运营数据,并对所述各企业运营数据进行预处理,获得预处理数据;
步骤S20,结合专家先验知识进行所述预处理数据分布探索,获得设定数量企业的预处理数据作为风险预警模型的训练数据集;
步骤S30,通过层次分析法分析所述训练数据集,获得风险预警模型的初步权重,将风险预警指标划分为正向指标和负向指标,并进行归一化后结合所述初步权重获得风险预警模型的最终权重,将所述最终权重赋予风险预警模型,获得训练好的风险预警模型;
步骤S40,分别以预处理数据中任一企业作为目标企业,构建企业风险传导链,获得企业风险传导图;
步骤S50,获取待预警企业运营数据,通过步骤S10方法进行预处理,获得预处理待预警数据;
步骤S60,基于所述训练好的风险预警模型,结合所述企业风险传导图,进行所述预处理待预警数据的分析,获得待预警企业状态;
步骤S70,基于预先设定的企业状态-预警级别映射关系表,进行企业风险预警。
为了更清晰地对本发明基于企业关联风险传导的风险预警方法进行说明,下面结合图1对本发明实施例中各步骤展开详述。
本发明第一实施例的基于企业关联风险传导的风险预警方法,包括步骤S10-步骤S70,各步骤详细描述如下:
步骤S10,获取各企业运营数据,并对所述各企业运营数据进行预处理,获得预处理数据。
各企业运营数据包括各企业的工商数据、股权关系数据、知识产权数据、法院诉讼数据、招聘岗位数据、互联网舆情等各类数据。可以通过网页数据抓取软件/算法从互联网抓取相关数据,也可以通过调取各企业数据库获取相关数据,本发明主要对数据进行分析、处理,挖掘数据的深度关联关系,以实现对全量企业客户综合信用度和风险的高精度、高准确性和高效的预测识别。
数据预处理主要包括对数据清洗、重复值处理、唯一值变量处理、缺失值处理和异常值处理:
数据清洗,包括将所述各企业运营数据的字段中无用符号删除以及进行数据类型规约;
重复值处理,包括将数据清洗后的数据中重复记录删除;
唯一值变量处理,包括在重复值处理后的数据中,删除只有唯一值的列;
缺失值处理,包括将唯一值变量处理后的数据中缺失值大于设定第一阈值比例的数据删除,其余数据中离散型变量缺失值填补为变量众数,连续型变量缺失值填补为变量均值;
本发明一个实施例中,设定第一阈值为70%,即若有70%以上数据缺失,则删除该部分数据,其余缺失值数据按照类型分别进行填充:离散型变量缺失值填补为变量众数,连续型变量缺失值填补为变量均值;
异常值处理,包括对缺失值处理后的数据,利用四分位数进行离群检测,将小于设定第二阈值或大于设定第三阈值的数据删除;
本发明一个实施例中,设定第二阈值为QL-1.5IQR,设定第三阈值为QU+1.5IQR,其中,QL和QU分别代表下四分位数和上四分位数,IQR代表四分位数间距。
步骤S20,结合专家先验知识进行所述预处理数据分布探索,获得设定数量企业的预处理数据作为风险预警模型的训练数据集。
本发明一个实施例中,最终获得了260个全量企业数据项,作为后续风险预警模型权重构建和调优的指标数据集(即模型的训练数据集)。
步骤S30,通过层次分析法分析所述训练数据集,获得风险预警模型的初步权重,将风险预警指标划分为正向指标和负向指标,并进行归一化后结合所述初步权重获得风险预警模型的最终权重,将所述最终权重赋予风险预警模型,获得训练好的风险预警模型。
目前在综合信用度评估以及企业风险预警中给指标赋权的方法主要分为三大类:主观赋权法、客观赋权法和组合赋权法(即主客观结合来赋权)。本发明采用以层次分析法(AHP法)为基础的赋权方法,基于全量企业数据指标集进行初步权重获取,并在分别将正向指标和负向指标权重归一化求出最终权重。
层次分析法(AHP法)运用了先验专家知识,将结构较为复杂、决策准则较多,且不易量化的决策问题转化,其将定性和定量分析相结合,把复杂问题逐层分解为各个组成因素,形成层次结构模型,将难于直接做出决策的问题转化为各层因素的两两对比判断问题,具有高度的有效性、可靠性、可行性、简明性和广泛的适用性。
通过层次分析法分析所述训练数据集,获得风险预警模型的初步权重,其方法为:
步骤S311,通过层次分析法将所述训练数据集分解为目标层数据、准则层数据和方案层数据;所述目标层为上层,准则层为中层,方案层为下层;
步骤S312,对于当前层的数据,分别判别当前层的两个数据对上层的各数据的重要性,获得当前层的判别矩阵;
判断矩阵用来比较本层两两数据之间针对上一层某一个数据的相对重要性大小,以aef来表示第e个数据相对于第f个数据的判别结果,判别结果的标度如表1所示:
表1
步骤S313,基于所述判别矩阵的最大特征根进行向量归一化,获得当前层的初步权重;
步骤S314,根据各层的初步权重,通过逐层权重连乘获取风险预警模型的初步权重。
在获取判别矩阵后,对应于判别矩阵最大特征根λmax的特征向量,经归一化(使向量中各元素之和为1)后记为W。W的元素为同一层次元素对于上一层因素中某因素相对重要性的排序权值。
根据各层的权重结果,通过逐层权重连乘的方式计算获得指标最终的权重结果。
将风险预警指标划分为正向指标和负向指标,并进行归一化后结合所述初步权重获得风险预警模型的最终权重,其方法为:
步骤S322,分别进行正向指标和负向指标的归一化,获得风险预警模型的最终权重,归一化过程如式(1)和式(2)所示:
根据指标的数据属性,将指标分为离散、连续两大类,两类指标采用不同的处理方法分别计算单一指标得分,保证最后加权得到的总体代表企业状态的数值在0-1000分区间内。
离散指标计算:
对于企业规模、企业所属区域、企业价值等离散字段,采用直接分段赋值方法,单一指标的总体数值范围为[0,1000]。
连续指标计算:
为保证最终数值在[0,1000]区间内,对正向指标、负向指标分别采取不同的计算方法。设Lmin和Lmax分别为单一指标的取值下限和上限。
对于正向指标变量,各个指标都要映射到[500,1000]范围内,考虑到0值的影响,则单一指标的取值上限和取值下限的计算方法分别如式(3)和式(4)所示:
Lmin=500×(1+b) (3)
Lmax=1000-500×(1+c) (4)
其中,b代表取值为0的样本占比,c代表取值大于设定范围数值的样本占比。本发明一个实施例中,设定范围为95%。
对于负向指标变量,各个指标都要映射到[0,500]范围内,考虑到0值的影响,则单一指标的取值上限和取值下限的计算方法分别如式(5)和式(6)所示:
Lmin=500×b (5)
Lmax=500 (6)
进一步,设某正向指标X在某样本点的取值为xi,最大值为xmax,最小值为xmin,则该指标在此样本点上的映射值Scorei如式(7)所示:
步骤S40,分别以预处理数据中任一企业作为目标企业,构建企业风险传导链,获得企业风险传导图。
步骤S41,分别以预处理数据中任一企业作为当前目标企业A0,获取当前目标企业A0的风险传导企业A1,A2,…,An;其中,n为当前目标企业A0的风险传导企业的数量,即An为A0的第n层风险传导企业;
步骤S42,根据所述当前目标企业A0与风险传导企业A1,A2,…,An的关联类型,获取各风险传导企业A1,A2,…,An对应于当前目标企业A0的风险传导强度系数;
风险传导链中节点(即企业关联关系节点)之间的关联类型所对应的风险传导强度系数如表2所示:
表2
关联类型 | 风险传导强度系数 |
股权全资关系 | 1.0 |
股权控股关系 | 0.6*股权比例 |
股权参股关系 | 0.3*股权比例 |
分支机构关系 | 1.0 |
法定代表人全资投资关系 | 0.8 |
法定代表人控股投资关系 | 0.6*股权比例 |
法定代表人参股投资关系 | 0.3*股权比例 |
法定代表人担任核心职务关系 | 0.6 |
法定代表人担任非核心职务关系 | 0.3 |
主要管理人员全资投资关系 | 0.6 |
主要管理人员控股投资关系 | 0.3*股权比例 |
主要管理人员参股投资关系 | 0.1*股权比例 |
主要管理人员担任核心职务关系 | 0.3 |
主要管理人员担任非核心职务关系 | 0.1 |
步骤S43,基于所述风险传导强度系数进行风险转移计算,构建当前目标企业A0的企业风险传导链;
基于所述风险传导强度系数进行风险转移计算,如式(8)所示:
V=v1×v2×…×vn (8)
其中,V代表当前目标企业A0在风险传导企业A1,A2,…,An下的风险转移结果,v1,v2,…,vn分别为风险传导企业A1,A2,…,An对应于当前目标企业A0的风险传导强度系数。
为了进一步描述风险传导的过程,假设企业风险传导链涉及B、C、D、E四个企业,其中B向C方向的风险传导关联类型为股权全资关系,强度系数为1.0,C向D方向的风险传导关联类型为股权参股关系,强度系数为0.3*股权比例,D向E方向的风险传导关联类型为分支机构关系,强度系数为1.0,基于传导链的结构(即包括B、C、D、E)和B、C、D、E间的传导强度系数,构建企业风险传导链。
如果E发生了风险,那么D、C、B的风险传导路径和风险传导影响系数分别如式(9)-式(11)所示:
步骤S44,遍历构建所述预处理数据中每一个企业的企业风险传导链,获得企业风险传导图。
利用企业股权关系建立一个具有点(企业或人员)和边(关系)的风险传导图谱,并根据边(关系)的类型设定风险传导强度(系数)。图谱图使用G={V,E}表示,V表示点的集合,E表示边的集合,因股权关系中的两个点之间风险传导强度具有差异,因此采用有效加权图G-W={V,E-}来表示,假设节点数量为N,V={vi}为节点的集合,为边的集合且具有方向性,i,j=1,2,…,N,以任意节点vi和vj之间的关联强度作为边ij的边权wij,构建W[TX-]=[wij]N*N来表示谱系关系,1≤i,j≤N,i≠j。
步骤S50,获取待预警企业运营数据,通过步骤S10方法进行预处理,获得预处理待预警数据。
步骤S60,基于所述训练好的风险预警模型,结合企业风险传导图,进行所述预处理待预警数据的分析,获得待预警企业状态,如式(12)和式(13)所示:
其中,EC代表获取的待预警企业的状态,i为待预警企业的第i条风险传导链,m代表待预警企业的风险传导链数量,j代表风险传导链上的第j个风险传导企业,n代表风险传导链上有n个风险传导企业,Vij代表第i条风险传导链上第j个风险传导企业的风险转移结果,k代表第k个指标,t为指标的数量,代表第k个指标的映射向量,代表第k个指标的权重。
步骤S70,基于预先设定的企业状态-预警级别映射关系表,进行企业风险预警。
上述实施例在大数据和数理模型技术的基础上,通过引入多源数据进行融合,构建了具有区域、行业特征的层次分析方法和归一化方法,其将定性和定量分析相结合,把复杂问题逐层分解为各个组成因素,形成层次结构模型,将难于直接做出决策的问题转化为各层因素的两两对比判断问题,具有高度的有效性、可靠性、可行性、简明性和广泛的适用性。此外,构建企业风险传导链获得企业风险传导图,通过企业谱系关系对信用度的风险传导效应进行定性和定量分析,增加了企业风险识别的广度和精度,降低传统评估的单一性和主观性,提升企业风险预警的准确性、精度和效率。
上述实施例中虽然将各个步骤按照上述先后次序的方式进行了描述,但是本领域技术人员可以理解,为了实现本实施例的效果,不同的步骤之间不必按照这样的次序执行,其可以同时(并行)执行或以颠倒的次序执行,这些简单的变化都在本发明的保护范围之内。
本发明第二实施例的基于企业关联风险传导的风险预警系统,该风险预警系统包括以下模块:
数据预处理模块,配置为获取各企业运营数据,并对所述各企业运营数据进行预处理,获得预处理数据,或者获取待预警企业运营数据,并对所述待预警企业运营数据进行预处理,获得预处理待预警数据;
数据探索模块,配置为结合专家先验知识进行所述预处理数据分布探索,获得设定数量企业的预处理数据作为风险预警模型的训练数据集;
模型训练模块,配置为通过层次分析法分析所述训练数据集,获得风险预警模型的初步权重,将风险预警指标划分为正向指标和负向指标,并进行归一化后结合所述初步权重获得风险预警模型的最终权重,将所述最终权重赋予风险预警模型,获得训练好的风险预警模型;
风险传导图谱构建模块,配置为分别以训练数据集中任一企业作为目标企业,构建企业风险传导链,获得企业风险传导图;
企业状态获取模块,配置为基于所述训练好的风险预警模型,结合所述企业风险传导图,进行所述预处理待预警数据的分析,获得待预警企业状态;
预警模块,配置为基于预先设定的企业状态-预警级别映射关系表,进行企业风险预警。
所属技术领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统的具体工作过程及有关说明,可以参考前述方法实施例中的对应过程,在此不再赘述。
需要说明的是,上述实施例提供的基于企业关联风险传导的风险预警系统,仅以上述各功能模块的划分进行举例说明,在实际应用中,可以根据需要而将上述功能分配由不同的功能模块来完成,即将本发明实施例中的模块或者步骤再分解或者组合,例如,上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块,以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称,仅仅是为了区分各个模块或者步骤,不视为对本发明的不当限定。
本发明第三实施例的一种电子设备,包e括:
至少一个处理器;以及
与至少一个所述处理器通信连接的存储器;其中,
所述存储器存储有可被所述处理器执行的指令,所述指令用于被所述处理器执行以实现上述的基于企业关联风险传导的风险预警方法。
本发明第四实施例的一种基于并行数据调度的企业关联风险传导的风险预警系统,该系统包括风险预警中心服务器、N个风险预警子服务器以及N×n个数据收集端;
如图2所示为,本发明基于企业关联风险传导的风险预警方法一种实施例的基于并行数据调度的企业关联风险传导的风险预警系统的框架示意图,风险预警中心服务器与N个风险预警子服务器之间通过分布式通信系统进行数据交换,N个风险预警子服务器中每一个风险预警子服务器与n个数据收集端之间通过智能通信网关进行数据交换。
所述风险预警中心服务器,分别用于:
根据企业风险预警的先验知识获取作为模型训练数据的代表企业身份识别号,根据所述代表企业身份识别号分别获取各代表企业的设定关联关系层级的第一关联企业身份识别号,并基于企业行业属性,结合企业关联关系进行代表企业和第一关联企业的划分,获得划分后的企业组集合后将各企业组的身份识别号分别下发给相应的风险预警子服务器;
接收各风险预警子服务器上传的各企业组的运营数据,并通过上述的基于企业关联风险传导的风险预警方法步骤S10-步骤S40对应的方法进行所述各企业组的运营数据的处理,获得训练好的风险预警模型和企业风险传导图;
根据获取的待预警企业的身份识别号获取待预警企业的设定关联关系层级的第二关联企业身份识别号,并基于企业行业属性,结合企业关联关系进行待预警企业和第二关联企业的划分,获得划分后的企业组集合后将各企业组的身份识别号分别下发给相应的风险预警子服务器;
接收各风险预警子服务器上传的待预警企业和第二关联企业的运营数据,通过上述的基于企业关联风险传导的风险预警方法步骤S10方法进行预处理,并基于训练好的风险预警模型和企业风险传导图获取待预警企业状态,基于预先设定的企业状态-预警级别映射关系表,进行企业风险预警;
在进行待预警企业风险预警后,将所述待预警企业和第二关联企业的运营数据作为新的训练数据并进行所述风险预警模型和企业风险传导图的在线更新;
所述风险预警子服务器,用于根据所述风险预警中心服务器下发的企业身份识别号,结合企业运营数据类别进行数据收集任务分群,并将划分后的任务群分别下发至相应的数据收集端,以及接收各数据收集端收集的数据并上传至所述风险预警中心服务器;
数据收集端,用于根据所述风险预警子服务器下发的任务群的任务指令进行数据收集,并将收集的数据上传至对应的风险预警子服务器。
上述实施例通过并行数据调度方法大大降低的庞大的数据收集过程划分为并行的小进程,大大提升了海量数据收集的效率,并结合分布式通信系统进一步提升数据传递效率,从而能够更为快速地获取所需数据,也进一步提升了后续企业风险预警的效率。此外,在进行待预警企业风险预警后,将待预警企业和其关联企业的运营数据作为新的训练数据,用于进行风险预警模型和企业风险传导图的在线更新,避免模型应用中的性能下降带来的准确性和精度下降问题,并且更新中仅采用新的数据,风险预警模型和企业风险传导图的更新效率高、实时性强,不影响其应用过程,因而具有更为广泛的应用前景。
本发明第五实施例的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计算机指令,所述计算机指令用于被所述计算机执行以实现上述的基于企业关联风险传导的风险预警方法。
所属技术领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的存储装置、处理装置的具体工作过程及有关说明,可以参考前述方法实施例中的对应过程,在此不再赘述。
本领域技术人员应该能够意识到,结合本文中所公开的实施例描述的各示例的模块、方法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,软件模块、方法步骤对应的程序可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
术语“第一”、“第二”等是用于区别类似的对象,而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素,而且还包括没有明确列出的其它要素,或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征做出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (10)
1.一种基于企业关联风险传导的风险预警方法,其特征在于,该风险预警方法包括:
步骤S10,获取各企业运营数据,并对所述各企业运营数据进行预处理,获得预处理数据;
步骤S20,结合专家先验知识进行所述预处理数据分布探索,获得设定数量企业的预处理数据作为风险预警模型的训练数据集;
步骤S30,通过层次分析法分析所述训练数据集,获得风险预警模型的初步权重,将风险预警指标划分为正向指标和负向指标,并进行归一化后结合所述初步权重获得风险预警模型的最终权重,将所述最终权重赋予风险预警模型,获得训练好的风险预警模型;
步骤S40,分别以预处理数据中任一企业作为目标企业,构建企业风险传导链,获得企业风险传导图;
步骤S50,获取待预警企业运营数据,通过步骤S10方法进行预处理,获得预处理待预警数据;
步骤S60,基于所述训练好的风险预警模型,结合所述企业风险传导图,进行所述预处理待预警数据的分析,获得待预警企业状态;
步骤S70,基于预先设定的企业状态-预警级别映射关系表,进行企业风险预警。
2.根据权利要求1所述的基于企业关联风险传导的风险预警方法,其特征在于,所述预处理包括:
数据清洗,包括将所述各企业运营数据的字段中无用符号删除以及进行数据类型规约;
重复值处理,包括将数据清洗后的数据中重复记录删除;
唯一值变量处理,包括在重复值处理后的数据中,删除只有唯一值的列;
缺失值处理,包括将唯一值变量处理后的数据中缺失值大于设定第一阈值比例的数据删除,其余数据中离散型变量缺失值填补为变量众数,连续型变量缺失值填补为变量均值;
异常值处理,包括对缺失值处理后的数据,利用四分位数进行离群检测,将小于设定第二阈值或大于设定第三阈值的数据删除。
3.根据权利要求1所述的基于企业关联风险传导的风险预警方法,其特征在于,步骤S30中通过层次分析法分析所述训练数据集,获得风险预警模型的初步权重,其方法为:
步骤S311,通过层次分析法将所述训练数据集分解为目标层数据、准则层数据和方案层数据;所述目标层为上层,准则层为中层,方案层为下层;
步骤S312,对于当前层的数据,分别判别当前层的两个数据对上层的各数据的重要性,获得当前层的判别矩阵;
步骤S313,基于所述判别矩阵的最大特征根进行向量归一化,获得当前层的初步权重;
步骤S314,根据各层的初步权重,通过逐层权重连乘获取风险预警模型的初步权重。
5.根据权利要求1所述的基于企业关联风险传导的风险预警方法,其特征在于,步骤S40包括:
步骤S41,分别以预处理数据中任一企业作为当前目标企业A0,获取当前目标企业A0的风险传导企业A1,A2,…,An;其中,n为当前目标企业A0的风险传导企业的数量;
步骤S42,根据所述当前目标企业A0与风险传导企业A1,A2,…,An的关联类型,获取各风险传导企业A1,A2,…,An对应于当前目标企业A0的风险传导强度系数;
步骤S43,基于所述风险传导强度系数进行风险转移计算,构建当前目标企业A0的企业风险传导链;
步骤S44,遍历构建所述预处理数据中每一个企业的企业风险传导链,获得企业风险传导图。
6.根据权利要求5所述的基于企业关联风险传导的风险预警方法,其特征在于,步骤S43中基于所述风险传导强度系数进行风险转移计算,其方法为:
V=v1×v2×…×vn
其中,V代表当前目标企业A0在风险传导企业A1,A2,…,An下的风险转移结果,v1,v2,…,vn分别为风险传导企业A1,A2,…,An对应于当前目标企业A0的风险传导强度系数。
8.一种基于企业关联风险传导的风险预警系统,其特征在于,该风险预警系统包括以下模块:
数据预处理模块,配置为获取各企业运营数据,并对所述各企业运营数据进行预处理,获得预处理数据,或者获取待预警企业运营数据,并对所述待预警企业运营数据进行预处理,获得预处理待预警数据;
数据探索模块,配置为结合专家先验知识进行所述预处理数据分布探索,获得设定数量企业的预处理数据作为风险预警模型的训练数据集;
模型训练模块,配置为通过层次分析法分析所述训练数据集,获得风险预警模型的初步权重,将风险预警指标划分为正向指标和负向指标,并进行归一化后结合所述初步权重获得风险预警模型的最终权重,将所述最终权重赋予风险预警模型,获得训练好的风险预警模型;
风险传导图谱构建模块,配置为分别以训练数据集中任一企业作为目标企业,构建企业风险传导链,获得企业风险传导图;
企业状态获取模块,配置为基于所述训练好的风险预警模型,结合所述企业风险传导图,进行所述预处理待预警数据的分析,获得待预警企业状态;
预警模块,配置为基于预先设定的企业状态-预警级别映射关系表,进行企业风险预警。
9.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与至少一个所述处理器通信连接的存储器;其中,
所述存储器存储有可被所述处理器执行的指令,所述指令用于被所述处理器执行以实现权利要求1-7任一项所述的基于企业关联风险传导的风险预警方法。
10.一种基于并行数据调度的企业关联风险传导的风险预警系统,其特征在于,该系统包括风险预警中心服务器、N个风险预警子服务器以及N×n个数据收集端;所述风险预警中心服务器与所述N个风险预警子服务器之间通过分布式通信系统进行数据交换;所述N个风险预警子服务器中每一个风险预警子服务器与n个数据收集端之间通过智能通信网关进行数据交换;
所述风险预警中心服务器,分别用于:
根据企业风险预警的先验知识获取作为模型训练数据的代表企业身份识别号,根据所述代表企业身份识别号分别获取各代表企业的设定关联关系层级的第一关联企业身份识别号,并基于企业行业属性,结合企业关联关系进行代表企业和第一关联企业的划分,获得划分后的企业组集合后将各企业组的身份识别号分别下发给相应的风险预警子服务器;
接收各风险预警子服务器上传的各企业组的运营数据,并通过权利要求1-7任一项所述的基于企业关联风险传导的风险预警方法步骤S10-步骤S40对应的方法进行所述各企业组的运营数据的处理,获得训练好的风险预警模型和企业风险传导图;
根据获取的待预警企业的身份识别号获取待预警企业的设定关联关系层级的第二关联企业身份识别号,并基于企业行业属性,结合企业关联关系进行待预警企业和第二关联企业的划分,获得划分后的企业组集合后将各企业组的身份识别号分别下发给相应的风险预警子服务器;
接收各风险预警子服务器上传的待预警企业和第二关联企业的运营数据,通过权利要求1-7任一项所述的基于企业关联风险传导的风险预警方法步骤S10方法进行预处理,并基于训练好的风险预警模型和企业风险传导图获取待预警企业状态,基于预先设定的企业状态-预警级别映射关系表,进行企业风险预警;
在进行待预警企业风险预警后,将所述待预警企业和第二关联企业的运营数据作为新的训练数据并进行所述风险预警模型和企业风险传导图的在线更新;
所述风险预警子服务器,用于根据所述风险预警中心服务器下发的企业身份识别号,结合企业运营数据类别进行数据收集任务分群,并将划分后的任务群分别下发至相应的数据收集端,以及接收各数据收集端收集的数据并上传至所述风险预警中心服务器;
数据收集端,用于根据所述风险预警子服务器下发的任务群的任务指令进行数据收集,并将收集的数据上传至对应的风险预警子服务器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110551426.6A CN113177729A (zh) | 2021-05-20 | 2021-05-20 | 基于企业关联风险传导的风险预警方法、系统及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110551426.6A CN113177729A (zh) | 2021-05-20 | 2021-05-20 | 基于企业关联风险传导的风险预警方法、系统及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113177729A true CN113177729A (zh) | 2021-07-27 |
Family
ID=76929813
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110551426.6A Pending CN113177729A (zh) | 2021-05-20 | 2021-05-20 | 基于企业关联风险传导的风险预警方法、系统及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113177729A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113947324A (zh) * | 2021-10-25 | 2022-01-18 | 国网山东省电力公司信息通信公司 | 基于多数据耦合的企业风险预警方法及系统 |
CN114118526A (zh) * | 2021-10-29 | 2022-03-01 | 中国建设银行股份有限公司 | 一种企业风险预测方法、装置、设备及存储介质 |
CN115081950A (zh) * | 2022-07-28 | 2022-09-20 | 江西省智能产业技术创新研究院 | 企业成长性评估建模方法、系统、计算机及可读存储介质 |
CN116777222A (zh) * | 2023-07-06 | 2023-09-19 | 北京中知智慧科技有限公司 | 一种企业风险防范维度评审系统 |
CN117236521A (zh) * | 2023-11-10 | 2023-12-15 | 中国联合网络通信集团有限公司 | 产业风险等级预测方法、装置、设备及存储介质 |
CN117541057A (zh) * | 2023-11-23 | 2024-02-09 | 徐州千鹤企业管理有限公司 | 一种基于数据分析的企业运营预警监控方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109657917A (zh) * | 2018-11-19 | 2019-04-19 | 平安科技(深圳)有限公司 | 评估对象的风险预警方法、装置、计算机设备和存储介质 |
CN109657894A (zh) * | 2018-09-27 | 2019-04-19 | 深圳壹账通智能科技有限公司 | 企业信用风险预警方法、装置、设备及存储介质 |
CN110135687A (zh) * | 2019-04-12 | 2019-08-16 | 深圳壹账通智能科技有限公司 | 企业风险评估预警方法、装置及计算机可读存储介质 |
CN112364182A (zh) * | 2020-12-09 | 2021-02-12 | 交通银行股份有限公司 | 基于图特征的企业风险传导预测方法、设备及存储介质 |
-
2021
- 2021-05-20 CN CN202110551426.6A patent/CN113177729A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109657894A (zh) * | 2018-09-27 | 2019-04-19 | 深圳壹账通智能科技有限公司 | 企业信用风险预警方法、装置、设备及存储介质 |
CN109657917A (zh) * | 2018-11-19 | 2019-04-19 | 平安科技(深圳)有限公司 | 评估对象的风险预警方法、装置、计算机设备和存储介质 |
CN110135687A (zh) * | 2019-04-12 | 2019-08-16 | 深圳壹账通智能科技有限公司 | 企业风险评估预警方法、装置及计算机可读存储介质 |
CN112364182A (zh) * | 2020-12-09 | 2021-02-12 | 交通银行股份有限公司 | 基于图特征的企业风险传导预测方法、设备及存储介质 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113947324A (zh) * | 2021-10-25 | 2022-01-18 | 国网山东省电力公司信息通信公司 | 基于多数据耦合的企业风险预警方法及系统 |
CN114118526A (zh) * | 2021-10-29 | 2022-03-01 | 中国建设银行股份有限公司 | 一种企业风险预测方法、装置、设备及存储介质 |
CN115081950A (zh) * | 2022-07-28 | 2022-09-20 | 江西省智能产业技术创新研究院 | 企业成长性评估建模方法、系统、计算机及可读存储介质 |
CN116777222A (zh) * | 2023-07-06 | 2023-09-19 | 北京中知智慧科技有限公司 | 一种企业风险防范维度评审系统 |
CN116777222B (zh) * | 2023-07-06 | 2024-04-02 | 北京中知智慧科技有限公司 | 一种企业风险防范维度评审系统 |
CN117236521A (zh) * | 2023-11-10 | 2023-12-15 | 中国联合网络通信集团有限公司 | 产业风险等级预测方法、装置、设备及存储介质 |
CN117541057A (zh) * | 2023-11-23 | 2024-02-09 | 徐州千鹤企业管理有限公司 | 一种基于数据分析的企业运营预警监控方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113177729A (zh) | 基于企业关联风险传导的风险预警方法、系统及设备 | |
CN110634080B (zh) | 异常用电检测方法、装置、设备及计算机可读存储介质 | |
CN111080356A (zh) | 一种利用机器学习回归模型计算住宅价格影响因素的方法 | |
CN111950530A (zh) | 农作物种植结构提取的多特征优选与融合方法 | |
CN115602337A (zh) | 一种基于机器学习的刺激隐核虫疾病预警方法及系统 | |
CN103902798B (zh) | 数据预处理方法 | |
CN113657805A (zh) | 考核指标体系权重的构建方法、装置、设备及存储介质 | |
CN114764682B (zh) | 一种基于多机器学习算法融合的大米安全风险评估方法 | |
CN113837578B (zh) | 一种电力监理企业网格化监督管理评价方法 | |
CN113344391A (zh) | 基于dea改进模型的人工智能企业创新效率的评价方法 | |
CN111027799A (zh) | 一种国企产能分析系统 | |
CN105069543A (zh) | 基于灰色聚类的全视角反馈评价考核方法 | |
CN115952216A (zh) | 一种养老保险数据挖掘方法、装置、存储介质及电子设备 | |
CN113205274A (zh) | 一种施工质量定量化排名方法 | |
CN115239502A (zh) | 一种分析师模拟方法、系统、电子设备及存储介质 | |
CN112801544A (zh) | 一种公路数字化管理绩效评价方法及系统 | |
CN114139408A (zh) | 一种电力变压器健康状态评估方法 | |
CN114186785A (zh) | 构建房屋资源禀赋图谱的方法和提供房屋资源信息的方法 | |
CN113191569A (zh) | 一种基于大数据的企业管理方法及系统 | |
CN111105148A (zh) | 离职概率评估方法、装置及计算机可读存储介质 | |
Gáll | Determining the significance level of tourist regions in the Slovak Republic by cluster analysis | |
CN111861758A (zh) | 一种基于全连接神经网络的僵尸企业识别方法及其系统 | |
CN112465381B (zh) | 一种基于云计算的建筑工程施工进度数据共享调度管理云平台 | |
Kramarov et al. | Analysis of financial and economic indicators of agricultural enterprises in the region based on open data sources | |
CN111159861B (zh) | 基于数据包络分析的锂电池多源可靠性试验数据评价方法 |
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 |