CN113283861A - 构建智能企业合规的方法 - Google Patents
构建智能企业合规的方法 Download PDFInfo
- Publication number
- CN113283861A CN113283861A CN202110537079.1A CN202110537079A CN113283861A CN 113283861 A CN113283861 A CN 113283861A CN 202110537079 A CN202110537079 A CN 202110537079A CN 113283861 A CN113283861 A CN 113283861A
- Authority
- CN
- China
- Prior art keywords
- enterprise
- compliance
- illegal
- index
- unit
- 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
- 238000000034 method Methods 0.000 title claims abstract description 82
- 238000010276 construction Methods 0.000 claims abstract description 71
- 230000006872 improvement Effects 0.000 claims abstract description 16
- 238000001514 detection method Methods 0.000 claims description 39
- 238000004364 calculation method Methods 0.000 claims description 36
- 230000008520 organization Effects 0.000 claims description 28
- 238000004458 analytical method Methods 0.000 claims description 27
- 230000006399 behavior Effects 0.000 claims description 21
- 230000000694 effects Effects 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000012544 monitoring process Methods 0.000 claims description 15
- 238000007476 Maximum Likelihood Methods 0.000 claims description 12
- 238000011161 development Methods 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 10
- 230000002265 prevention Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000007726 management method Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 230000001364 causal effect Effects 0.000 claims description 5
- 230000003068 static effect Effects 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000012550 audit Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 238000012502 risk assessment Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000011838 internal investigation Methods 0.000 claims description 2
- 230000007717 exclusion Effects 0.000 claims 3
- 230000008901 benefit Effects 0.000 claims 2
- 238000013475 authorization Methods 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 19
- 230000008569 process Effects 0.000 description 15
- 230000001105 regulatory effect Effects 0.000 description 10
- 210000000056 organ Anatomy 0.000 description 6
- 230000009471 action Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000002596 correlated effect Effects 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000008014 freezing Effects 0.000 description 2
- 238000007710 freezing Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004900 laundering Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000002699 waste material Substances 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
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- 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
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了构建智能企业合规的方法，属于人工智能应用技术领域。本发明包括企业合规指标预测模块、企业违法违规指标可用性判断模块、企业违法违规指标识别模块、企业合规建设模块和企业合规处置模块；所述企业合规指标预测模块用于根据合规数据对企业合规指标进行判断，并将判断结果和储存的数据信息传输至企业违法违规指标可用性判断模块，所述企业合规建设模块用于根据企业违法违规指标可用性判断模块传输的企业合规建设等级，对企业出现的问题制定相应的企业合规整改方案，并将制定后的整改方案传输至企业合规处置模块，所述企业合规处置模块根据企业合规建设模块传输的整改方案，将相关证据和指标发送至相关部门，及时止损。
Description
技术领域
本发明涉及人工智能应用技术领域，具体为构建智能企业合规的方法。
背景技术
企业合规是一种以合规风险为导向的公司治理方式，其实施目的在于建立有效的违法犯罪行为的防控机制，确立及时识别合规风险的制度，实现第三方监管人的智能化预防、分析和处置，完成企业合规整改的智能化处理，对于已经出现的违法犯罪事件采取必要的应对措施。
现有的企业合规建设主要依靠人力资源对企业指标的合规情况进行判断，工作效率低，使得企业在建设过程中无法及时对企业违法违规指标进行了解，不利于企业后期的规划发展，以及现有的企业合规建设通常在企业犯罪后采取相应的整改措施，无法对企业犯罪进行预防，增加了司法机关和行政机关的工作强度，以及现有的企业合规建设无法将企业与司法机关和行政机关直接建立连接，使得企业在犯罪后进行合规整改、建设时，需要时刻与司法机关和行政机关进行沟通，防止浪费企业成本和精力。
为此，人们需要构建智能企业合规的方法来解决上述问题。
发明内容
本发明的目的在于提供构建智能企业合规的方法，以解决上述背景技术中提出的问题。
为了解决上述技术问题，本发明提供如下技术方案：包括企业合规指标预测模块、企业违法违规指标可用性判断模块、企业违法违规指标识别模块、企业合规建设模块和企业合规处置模块；
所述企业合规指标预测模块用于根据企业合规预防数据、企业合规识别数据和合规应对数据对企业合规指标进行判断，并将判断结果和储存的数据信息传输至企业违法违规指标可用性判断模块；
所述企业违法违规指标可用性判断模块对企业合规指标预测模块传输的企业合规指标和存储的数据信息进行接收，对企业违法违规指标的可用性进行检测，并将检测结果传输至企业违法违规指标识别模块；
所述企业违法违规指标识别模块用于根据企业违法违规指标可用性判断模块传输的检测结果对企业合规指标进行识别，并将识别结果传输至企业合规建设模块；
所述企业合规建设模块用于根据企业违法违规指标可用性判断模块传输的企业合规建设等级，对企业出现的问题制定相应的企业合规整改方案，并将制定后的整改方案传输至企业合规处置模块；
所述企业合规处置模块根据企业合规建设模块传输的整改方案，将相关证据和指标发送至相关部门，及时止损。
进一步的，所述企业合规指标预测模块包括企业指标数据采集分析单元、企业违法违规指标阈值计算单元、企业合规指标判断单元和企业指标数据处理存储单元；
所述企业指标数据采集分析单元对企业指标历史数据进行采集，并对同类型、同行业企业合规数据进行对比分析，将违规指标区分出，查看发生违法违规事件的构成要件，对构成要件出现的次数进行统计，并将统计结果传递至企业违法违规指标阈值计算单元；
所述企业违法违规指标阈值计算单元对企业指标数据采集分析单元传输的数据进行接收，根据接收的违法违规事件构成要件出现的次数进行概率计算，根据计算结果设置指标阈值，并将设置的指标阈值传递至企业合规指标判断单元，概率计算公式为：
其中，i表示违法违规事件构成要件的名称，Pi表示违法违规事件对应构成要件出现的概率，Xi表示违法违规事件对应构成要件出现的总次数，N表示违法违规事件出现的总次数；
所述企业合规指标判断单元对企业违法违规指标阈值计算单元传输的指标阈值进行接收，将指标阈值按数值大小进行排列，将排列靠前的指标作为主要指标和判断超限的标准，根据指标阈值对指标是否合规进行判断，并将判断结果和数据信息传递至企业指标数据处理存储单元；
所述企业指标数据处理存储单元接收企业合规指标判断单元传输的数据信息和企业合规指标，并通过朴素贝叶斯算法进行深度学习，分析违法违规事件构成要件的特征和历史数据，包括违法违规的手段、特征、规避方法、企业犯罪方法和自适应能力等，对违规指标历史数据进行提取、清洗和整合，并将整合后的数据进行存储，违规指标历史数据进行提取、清洗和整合的步骤为：
Step1：将企业违规指标历史数据提取出；
Step2：将Step1中的数据信息与同类型、同行业对应的指标数据进行对比，并将两者相同部分在企业违规指标历史数据中进行标记；
Step3：将Step2标记后的历史数据清除；
Step4：将未标记的企业违规指标历史数据与同类型、同行业对应的指标数据进行整合；
Step5：将整合后的数据进行存储。
进一步的，所述企业违法违规指标可用性判断模块包括企业违法违规指标标记单元、企业违法违规指标漏检检测单元、企业违规和企业违法犯罪概率计算单元和企业合规建设等级评定单元；
所述企业违法违规指标标记单元对企业合规指标预测模块传输的违法违规指标进行接收，根据司法判例和行政违规行为的历史数据，关联比对出现违法违规企业问题的各方面数据，并对检测出的问题数据进行打标签，将打标签后的违法违规指标传输至企业违法违规指标漏检检测单元，初始设置的标签包括走私犯罪的标签、银行保险企业犯罪的标签、地方金融组织犯罪的标签和税收犯罪的标签；
所述企业违法违规指标漏检检测单元对企业违法违规指标标记单元打标签后的违法违规指标进行统计，并通过统计检测量的分布特性和系统要求的告警极限和漏检概率，求得不同证据的最大上限值Hmax，再通过概率公式计算所有证据的最大值H值，并将求出的Hmax和H值进行大小对比，若H<Hmax,则表明当前证据可以用来检测，若不满足此条件，则不可用来检测，检测方法有最小二乘残差法，伪距比较法，奇偶空间法和先验概率法等，最小二乘残差法检测步骤如下所示：
Step1：设统计检测量为SSE；
Step2：在设计判决门限时，我们要依据法律法规、行政规章、专家数据库和历史判例数据总结的规律所要求的企业合规最大告警率来选择判决门限，使正常情况下引起的告警率不大于X，其中m为可观测的样本数；
在正常误差条件下，判决统计量SSE服从自由度为m-4的X2分布；
所述企业违规和企业违法犯罪概率计算单元对企业违法违规指标漏检检测单元检测后的违法违规指标进行接收，并将违法违规指标与数据库中相应的法律法规、企业规章制度等进行比对，通过对比后的相似度，判断该企业是否进行行政违规或违法犯罪，如果发生企业违规或犯罪，进行预警并防范、监控，预测各项指标预测重犯风险，对比后具体的相似度数值为企业违规和企业违法犯罪的概率值；
所述企业合规建设等级评定单元根据企业违规和企业违法犯罪概率计算单元S23计算的犯罪概率将企业合规建设等级分为优质、良好、达标、四级警告、三级警告、二级警告、一级警告等，当犯罪概率为0时，企业合规建设等级为优质，当犯罪概率为0至10％时，企业合规建设等级为良好，当犯罪概率为10％至20％时，企业合规建设等级为达标，当犯罪概率为20％至30％时，企业合规建设等级为四级警告，当犯罪概率为30％至40％时，企业合规建设等级为达标三级警告，当犯罪概率为40％至50％时，企业合规建设等级为达标二级警告，当犯罪概率为高于50％时，企业合规建设等级为达标一级警告。
进一步的，所述企业违法违规指标识别模块对企业违法违规指标可用性判断模块的判断结果进行接收，并根据识别方法对企业违法违规指标进行识别，识别方法存在三种，具体为：m-1组合法，特征偏差线法和似然估计法、先验概率法等，其中最大使然估计法计算步骤为：
Step1：观测指标值的矩阵H可以由QR分解为：
其中：Q1为m×4矩阵，Q2为m×(m-4)矩阵，R为4×4矩阵，0为(m-4)×4矩阵；
Step2：设概率密度函数为：
其中P为概率，b为问题指标数，T为预先设定的阈值；
由最大似然估计可知，要得到参数的最大似然估计值，就要使似然函数值达到最大；
Step3：设第i个指标对应的偏差向量应该使似然函数
的值达到最大，化简并带入偏差向量μ＝[0…bi…0]得：
Step4：将上式对参数bi求导并令其为零，得：2Siy-2biSii＝0；
所以可得参数bi的最大似然估计为：
这个估计值使
达到最大值(Siy)2/Sii-yTSy，其中Si为S的第i行，Sii为S主对角线上的第i个元素；
综上所述，检测所得的m个指标中，使概率密度最大的最可能是问题指标。
进一步的，所述企业合规建设模块包括企业问题分析单元、企业问题类型判断单元、企业问题整改方案制定单元和企业问题整改方案优化单元；
所述企业问题分析单元根据企业合规建设等级评定单元评定的企业合规建设等级分析企业出现的问题，结合企业发展阶段、发展类型分析企业问题结果，并通过神经网络对此类问题数据进行深度学习和数据挖掘，并对无标记数据自动识别并添加标签，将分析结果传输至企业问题类型判断单元，无标记数据是指因合规建设而采集的未设标记的企业数据；
所述企业问题类型判断单元根据企业问题分析单元传输的企业问题分析结果，对企业出现的问题的类别进行判断，并把相关犯罪场景学习构建再现，对企业动态数据和静态数据进行关联比对分析，并利用因果推断模型确定证据、行为和侵犯法益结果，并将推断结果传输至企业问题整改方案制定单元，企业动态数据是指每月财务数据变化值等，企业静态数据是指历史固定资产值、企业合规文化、企业规章制度等，因果推断是基于某一事件发生的条件得出关于因果联系结论的过程；
所述企业问题整改方案制定单元针对企业问题类型判断单元的推断结果，根据企业合规整改标准，计算整改时间，提出整改计划，包括整改方案、时间、进度情况等，并将制定好的企业问题整改方案传输至企业问题整改方案优化单元，整改时间计算要结合企业发展阶段、破产原因、违法违规原因，合规整改成本、超标的、查封、扣押、冻结涉案财物，对犯罪嫌疑企业正常生产经营活动的不利影响等因素，综合考虑计算，要符合正常企业合规整改的限度，结合各地合规整改政策，时间从3个月至2年不等；
所述企业问题整改方案优化单元对企业问题整改方案制定单元传输的整改方案自动建立优化版合规整改方案，并自主学习建立持续监控措施，保证持续合规建设。
进一步的，所述企业合规处置模块包括企业合规处置方案制定单元、企业合规问题处置单元和企业合规问题上报单元；
所述企业合规处置方案制定单元根据企业合规建设等级评定单元传输的企业合规建设等级结果或者企业违法违规的危险程度，提出不同类型的处置方案；
所述企业合规问题处置单元根据企业合规处置方案制定单元制定的处置方案，结合实行行为、侵犯法益结果，利用因果推断模型，因果推断主要是依据因果关系，判断是否立即处置，如果是立即处置的问题，则将需要进行处置的问题传输至企业合规问题上报单元，如果不是立即处置的问题，根据标签，按照整改计划和措施持续跟进，是否立即处置，主要判断依据为是否扩散性大、系统性风险高、危险波及面广等因素，具体参照国家法律法规、行业标准和企业合规标准，根据标签；
所述企业合规问题上报单元根据企业合规问题处置单元判定的需要立即处置的问题，将相关证据和指标分送到司法机关和行政机关，由其判断或者直接由司法机关或行政机关采取措施，经司法机关或行政机关授权后，根据规则，针对不同问题情况，及时止损，或者报送司法机关和行政机关及时止损。
进一步的，将行政不法行为和犯罪行为作为合规监控的对象，然后将上述监控对象和相关类型犯罪的历史判例数据，将企业违法违规指标识别模块识别的合规指标进行关联对比，并利用因果关系和RNN进行推理，具体步骤为：
①定义网络节点变量，包含如下内容：确定监控对象分类、确定与企业违法违规指标可能原因、与原因有关的要素，包括因果原因及相关信息，并将它们表达为节点变量；确定所有节点变量的取值集合，该集合应该包含节点变量的所有可能取值，且不同取值之间应该有明显的相斥性，确定操作节点；
②建立表示节点变量之间相互关系的有向无环图，该过程要形成诊断方向的网络结构，有向边方向代表故障定位逐渐深入的过程，同时形成过程中系统必须保障网络结构为一个有向无环图，否则将直接影响后面概率推理过程的进行；
③条件概率估计，对于网络中的每一个节点，都必须赋予相应的条件概率，没有父节点的节点则需要给定先验概率。
进一步的，所述企业违法违规指标的可用性判断存在以下三种结果，即：正确排除、不能排除和错误排除，可用性判断用于排除一些干扰因素、排除无关证据，避免对企业违法违规指标的判定产生误差。
进一步的，合规预防数据是从合规制度、合规管理机构、合规培训、合规文化等具体要素上进行查看；合规识别数据是从建立和实施合规风险识别、合规风险评估、合规风险处置、合规审计、合规举报等具体要素上进行查看；合规应对数据是从建立和实施有效的内部调查、合规问责与惩戒、持续改进等具体要素上进行查看，保证合规数据的准确性。
与现有技术相比，本发明所达到的有益效果是：
1.本发明实现企业合规建设的自动化与智能化，避免人工参与企业合规建设的工作中，工作效率高，企业在建设过程中能够及时对企业违法违规指标进行了解，有利于企业后期的规划发展。
2.本发明对企业违法违规指标进行预测，在企业犯罪前制定相应的整改方案对企业进行整改，无须司法机关和行政机关介入其中，进一步降低了司法机关和行政机关的工作强度。
3.本发明在企业合规建设过程中，自动将企业问题上报至司法机关和行政机关，为检察机关实时跟踪整改情况和合规管理情况提供支撑，无需时刻与司法机关和行政机关进行沟通，节省企业成本和精力。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明构建智能企业合规的方法的工作流程结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，本发明提供技术方案：包括企业合规指标预测模块S1、企业违法违规指标可用性判断模块S2、企业违法违规指标识别模块S3、企业合规建设模块S4和企业合规处置模块S5；企业合规指标预测模块S1用于根据合规预防数据、合规识别数据和合规应对数据对企业合规指标进行判断，并将判断结果和储存的数据信息传输至企业违法违规指标可用性判断模块S2；合规预防数据是从合规制度、合规管理机构、合规培训、合规文化等具体要素上进行查看；合规识别数据是从建立和实施合规风险识别、合规风险评估、合规风险处置、合规审计、合规举报等具体要素上进行查看；合规应对数据是从建立和实施有效的内部调查、合规问责与惩戒、持续改进等具体要素上进行查看，企业合规指标预测模块S1包括企业指标数据采集分析单元S11、企业违法违规指标阈值计算单元S12、企业合规指标判断单元S13和企业指标数据处理存储单元S14；企业指标数据采集分析单元S11对企业指标历史数据进行采集，并对采集的历史数据与同类型、同行业企业合规数据进行对比分析，将违规指标区分出，查看发生违法违规事件的构成要件，对构成要件出现的次数进行统计，并将统计结果传递至企业违法违规指标阈值计算单元S12，企业违法违规指标阈值计算单元S12对企业指标数据采集分析单元S11传输的数据进行接收，根据接收的违法违规事件构成要件出现的次数进行概率计算，根据计算结果设置指标阈值，并将设置的指标阈值传递至企业合规指标判断单元S13，概率计算公式为：
其中，i表示违法违规事件构成要件的名称，Pi表示违法违规事件对应构成要件出现的概率，Xi表示违法违规事件对应构成要件出现的总次数，N表示违法违规事件出现的总次数，企业合规指标判断单元S13对企业违法违规指标阈值计算单元S12传输的指标阈值进行接收，将指标阈值按数值大小进行排列，将排列靠前的指标作为主要指标和判断超限的标准，根据指标阈值对指标是否合规进行判断，并将判断结果和数据信息传递至企业指标数据处理存储单元S14，企业指标数据处理存储单元S14接收企业合规指标判断单元S13传输的数据信息和企业合规指标，并通过朴素贝叶斯算法进行深度学习，分析违法违规事件构成要件的特征和历史数据，包括违法违规的手段、特征、规避方法、企业犯罪方法和自适应能力等，对违规指标历史数据进行提取、清洗和整合，并将整合后的数据进行存储，违规指标历史数据进行提取、清洗和整合的步骤为：
Step1：将企业违规指标历史数据提取出；
Step2：将Step1中的数据信息与同类型、同行业对应的指标数据进行对比，并将两者相同部分在企业违规指标历史数据中进行标记；
Step3：将Step2标记后的历史数据清除；
Step4：将未标记的企业违规指标历史数据与同类型、同行业对应的指标数据进行整合；
Step5：将整合后的数据进行存储。
企业违法违规指标可用性判断模块S2对企业合规指标预测模块S1传输的企业合规指标和存储的数据信息进行接收，对企业违法违规指标的可用性进行检测，并将检测结果传输至企业违法违规指标识别模块S3，企业违法违规指标的可用性判断存在以下三种结果，即：正确排除、不能排除和错误排除，可用性判断用于排除一些干扰因素、排除无关证据，避免对企业违法违规指标的判定产生误差，企业违法违规指标可用性判断模块S2包括企业违法违规指标标记单元S21、企业违法违规指标漏检检测单元S22、企业违规和企业违法犯罪概率计算单元S23和企业合规建设等级评定单元S24，企业违法违规指标标记单元S21对企业合规指标预测模块S1传输的违法违规指标进行接收，根据司法判例和行政违规行为的历史数据，关联比对出现违法违规企业问题的各方面数据，并对检测出的问题数据进行打标签，将打标签后的违法违规指标传输至企业违法违规指标漏检检测单元S22，初始设置的标签包括走私犯罪的标签、银行保险企业犯罪的标签、地方金融组织犯罪的标签和税收犯罪的标签，企业违法违规指标漏检检测单元S22对企业违法违规指标标记单元S21打标签后的违法违规指标进行统计，并通过统计检测量的分布特性和系统要求的告警极限和漏检概率，求得不同证据的最大上限值Hmax，再通过概率公式计算所有证据的最大值H值，并将求出的Hmax和H值进行大小对比，若H<Hmax,则表明当前证据可以用来检测，若不满足此条件，则不可用来检测，检测方法有最小二乘残差法，伪距比较法，奇偶空间法和先验概率法等，最小二乘残差法检测步骤如下所示：
Step1：设统计检测量为SSE；
Step2：在设计判决门限时，我们要依据法律法规、行政规章、专家数据库和历史判例数据总结的规律所要求的企业合规最大告警率来选择判决门限，使正常情况下引起的告警率不大于X，m为可观测的样本数；
在正常误差条件下，判决统计量SSE服从自由度为m-4的X2分布；
企业违规和企业违法犯罪概率计算单元S23对企业违法违规指标漏检检测单元S22检测后的违法违规指标进行接收，并将违法违规指标与数据库中相应的法律法规、企业规章制度等进行比对，通过对比后的相似度，判断该企业是否进行行政违规或违法犯罪，如果发生企业违规或犯罪，进行预警并防范、监控，预测各项指标预测重犯风险，对比后具体的相似度数值为企业违规和企业违法犯罪的概率值，企业合规建设等级评定单元S24根据企业违规和企业违法犯罪概率计算单元S23计算的犯罪概率将企业合规建设等级分为优质、良好、达标、四级警告、三级警告、二级警告、一级警告等，当犯罪概率为0时，企业合规建设等级为优质，当犯罪概率为0至10％时，企业合规建设等级为良好，当犯罪概率为10％至20％时，企业合规建设等级为达标，当犯罪概率为20％至30％时，企业合规建设等级为四级警告，当犯罪概率为30％至40％时，企业合规建设等级为达标三级警告，当犯罪概率为40％至50％时，企业合规建设等级为达标二级警告，当犯罪概率为高于50％时，企业合规建设等级为达标一级警告。
企业违法违规指标识别模块S3用于根据企业违法违规指标可用性判断模块S2传输的检测结果对企业合规指标进行识别，并将识别结果传输至企业合规建设模块S4，企业违法违规指标识别模块S3对企业违法违规指标可用性判断模块S2的判断结果进行接收，并根据识别方法对企业违法违规指标进行识别，识别方法存在三种，具体为：m-1组合法，特征偏差线法和似然估计法、先验概率法等，其中最大使然估计法计算步骤为：
Step1：观测指标值的矩阵H可以由QR分解为：
其中：Q1为m×4矩阵，Q2为m×(m-4)矩阵，R为4×4矩阵，0为(m-4)×4矩阵；
Step2：设概率密度函数为：
其中P为概率，b为问题指标数，T为预先设定的阈值；
由最大似然估计可知，要得到参数的最大似然估计值，就要使似然函数值达到最大；
Step3：设第i个指标对应的偏差向量应该使似然函数
的值达到最大，化简并带入偏差向量μ＝[0…bi…0]得：
Step4：将上式对参数bi求导并令其为零，得：2Siy-2biSii＝0；
所以可得参数bi的最大似然估计为：
这个估计值使
达到最大值(Siy)2/Sii-yTSy，其中Si为S的第i行，Sii为S主对角线上的第i个元素；
综上，检测所得的m个指标中，使概率密度最大的最可能是问题指标。
企业合规建设模块S4用于根据企业违法违规指标可用性判断模块S2传输的企业合规建设等级，对企业出现的问题制定相应的企业合规整改方案，并将制定后的整改方案传输至企业合规处置模块S5；企业合规建设模块S4包括企业问题分析单元S41、企业问题类型判断单元S42、企业问题整改方案制定单元S43和企业问题整改方案优化单元S44；企业问题分析单元S41根据企业合规建设等级评定单元S24评定的企业合规建设等级分析企业出现的问题，结合企业发展阶段、发展类型分析企业问题结果，并通过神经网络对此类问题数据进行深度学习和数据挖掘，并对无标记数据自动识别并添加标签，将分析结果传输至企业问题类型判断单元S42，无标记数据是指因合规建设而采集的未设标记的企业数据，企业问题类型判断单元S42根据企业问题分析单元S41传输的企业问题分析结果，对企业出现的问题的类别进行判断，并把相关犯罪场景学习构建再现，对企业动态数据和静态数据进行关联比对分析，并利用因果推断模型确定证据、行为和侵犯法益结果，并将推断结果传输至企业问题整改方案制定单元S43，企业动态数据是指每月财务数据变化值等，企业静态数据是指历史固定资产值、企业合规文化、企业规章制度等，因果推断是基于某一事件发生的条件得出关于因果联系结论的过程，企业出现的问题的类别包括违法违规问题，企业不合规问题，偷税漏税问题、虚开增值税发票问题等，例如，要防止企业再次实施虚开增值税发票、走私等涉及危害税收征管秩序的犯罪行为，我们将税收领域的违法行为和犯罪行为都纳入到合规监控对象，要避免企业再次实施单位行贿、向单位行贿、单位受贿等商业贿赂行为，我们就将那些行政领域的商业贿赂行为和刑事领域的贿赂犯罪行为都纳入合规监控的对象，要防止企业再次实施反洗钱犯罪、网络犯罪、损害环境保护方面的犯罪，我们就将那些发生在上述三个领域的行政不法行为和犯罪行为都作为合规监控的对象，然后将上述监控对象和相关类型犯罪的历史判例数据，将企业违法违规指标识别模块S3识别的合规指标进行关联对比，并利用因果关系和RNN进行推理，具体步骤为：
①定义网络节点变量，包含如下内容：确定监控对象分类、确定与企业违法违规指标可能原因、与原因有关的要素，包括因果原因及相关信息，并将它们表达为节点变量；确定所有节点变量的取值集合，该集合应该包含节点变量的所有可能取值，且不同取值之间应该有明显的相斥性；确定操作节点；
②建立表示节点变量之间相互关系的有向无环图，该过程要形成诊断方向的网络结构，有向边方向代表故障定位逐渐深入的过程，同时形成过程中系统必须保障网络结构为一个有向无环图，否则将直接影响后面概率推理过程的进行；
③条件概率估计，对于网络中的每一个节点，都必须赋予相应的条件概率，没有父节点的节点则需要给定先验概率。
企业问题整改方案制定单元S43针对企业问题类型判断单元S42的推断结果，根据企业合规整改标准，计算整改时间，提出整改计划，包括整改方案、时间、进度情况等，其中整改时间计算要结合企业发展阶段、破产原因、违法违规原因，合规整改成本、超标的、查封、扣押、冻结涉案财物，对犯罪嫌疑企业正常生产经营活动的不利影响等因素，综合考虑计算，要符合正常企业合规整改的限度，结合各地合规整改政策，时间从3个月至2年不等，并将制定好的企业问题整改方案传输至企业问题整改方案优化单元S44，企业问题整改方案优化单元S44对企业问题整改方案制定单元S43传输的整改方案自动建立优化版合规整改方案，并自主学习建立持续监控措施，保证持续合规建设，企业合规处置模块S5根据企业合规建设模块S4传输的整改方案，将相关证据和指标发送至相关部门，及时止损，企业合规处置模块S5包括企业合规处置方案制定单元S51、企业合规问题处置单元S52和企业合规问题上报单元S53，企业合规处置方案制定单元S51根据企业合规建设等级评定单元S24传输的企业合规建设等级结果或者企业违法违规的危险程度，提出不同类型的处置方案，企业合规问题处置单元S52根据企业合规处置方案制定单元S51制定的处置方案，结合实行行为、侵犯法益结果，利用因果推断模型，因果推断主要是依据因果关系，判断是否立即处置，如果是立即处置的问题，则将需要进行处置的问题传输至企业合规问题上报单元S53，如果不是立即处置的问题，根据标签，按照整改计划和措施持续跟进，是否立即处置，主要判断依据为是否扩散性大、系统性风险高、危险波及面广等因素，具体参照国家法律法规、行业标准和企业合规标准，根据标签，企业合规问题上报单元S53根据企业合规问题处置单元S52判定的需要立即处置的问题，将相关证据和指标分送到司法机关和行政机关，由其判断或者直接由司法机关或行政机关采取措施，经司法机关或行政机关授权后，根据规则，针对不同问题情况，及时止损，或者报送司法机关和行政机关及时止损，避免对企业后续发展造成影响。
实施例一：
朴素贝叶斯算法，是基于贝叶斯定理与特征条件独立假设的分类方法；
有向无环图，是指一个无回路的有向图；
父结点，存在于数据库管理中的数据模型中，早期阶段的层次模型和网状模型中，一个属性如果有上一级，则称这个上一级是它的父结点，如果没有上一级，则这个属性则无父结点；
SSE，是指检测统计量；
RNN，循环神经网络；
自由度，指的是计算某一统计量时，取值不受限制的变量个数，用df表示自由度，本发明中df＝m-4，其中m为样本数量，4为被限制的条件数或变量个数，自由度通常用于抽样分布中。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意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、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.构建智能企业合规的方法，其特征在于：包括企业合规指标预测模块(S1)、企业违法违规指标可用性判断模块(S2)、企业违法违规指标识别模块(S3)、企业合规建设模块(S4)和企业合规处置模块(S5)；
所述企业合规指标预测模块(S1)用于根据企业合规预防数据、企业合规识别数据和合规应对数据对企业合规指标进行判断，并将判断结果和储存的数据信息传输至企业违法违规指标可用性判断模块(S2)；
所述企业违法违规指标可用性判断模块(S2)对企业合规指标预测模块(S1)传输的企业合规指标和存储的数据信息进行接收，对企业违法违规指标的可用性进行检测，并将检测结果传输至企业违法违规指标识别模块(S3)；
所述企业违法违规指标识别模块(S3)用于根据企业违法违规指标可用性判断模块(S2)传输的检测结果对企业合规指标进行识别，并将识别结果传输至企业合规建设模块(S4)；
所述企业合规建设模块(S4)用于根据企业违法违规指标可用性判断模块(S2)传输的企业合规建设等级，对企业出现的问题制定相应的企业合规整改方案，并将制定后的整改方案传输至企业合规处置模块(S5)；
所述企业合规处置模块(S5)根据企业合规建设模块(S4)传输的整改方案，将相关证据和指标发送至相关部门，及时止损。
2.根据权利要求1所述的构建智能企业合规的方法，其特征在于：所述企业合规指标预测模块(S1)包括企业指标数据采集分析单元(S11)、企业违法违规指标阈值计算单元(S12)、企业合规指标判断单元(S13)和企业指标数据处理存储单元(S14)；
所述企业指标数据采集分析单元(S11)对企业指标历史数据进行采集，并与同类型、同行业企业合规数据进行对比分析，将违规指标区分出，查看发生违法违规事件的构成要件，对构成要件出现的次数进行统计，并将统计结果传递至企业违法违规指标阈值计算单元(S12)；
所述企业违法违规指标阈值计算单元(S12)对企业指标数据采集分析单元(S11)传输的数据进行接收，根据接收的违法违规事件构成要件出现的次数进行概率计算，根据计算结果设置指标阈值，并将设置的指标阈值传递至企业合规指标判断单元(S13)，概率计算公式为：
其中，i表示违法违规事件构成要件的名称，Pi表示违法违规事件对应构成要件出现的概率，Xi表示违法违规事件对应构成要件出现的总次数，N表示违法违规事件出现的总次数；
所述企业合规指标判断单元(S13)对企业违法违规指标阈值计算单元(S12)传输的指标阈值进行接收，将指标阈值按数值大小进行排列，将排列靠前的指标作为主要指标和判断超限的标准，根据指标阈值对指标是否合规进行判断，并将判断结果和数据信息传递至企业指标数据处理存储单元(S14)；
所述企业指标数据处理存储单元(S14)接收企业合规指标判断单元(S13)传输的数据信息和企业合规指标，并通过朴素贝叶斯算法进行深度学习，分析违法违规事件构成要件的特征和历史数据，对违规指标历史数据进行提取、清洗和整合，并将整合后的数据进行存储。
3.根据权利要求1所述的构建智能企业合规的方法，其特征在于：所述企业违法违规指标可用性判断模块(S2)包括企业违法违规指标标记单元(S21)、企业违法违规指标漏检检测单元(S22)、企业违规和企业违法犯罪概率计算单元(S23)和企业合规建设等级评定单元(S24)；
所述企业违法违规指标标记单元(S21)对企业合规指标预测模块(S1)传输的违法违规指标进行接收，根据司法判例和行政违规行为的历史数据，关联比对出现违法违规企业问题的各方面数据，并对检测出的问题数据进行打标签，将打标签后的违法违规指标传输至企业违法违规指标漏检检测单元(S22)；
所述企业违法违规指标漏检检测单元(S22)对企业违法违规指标标记单元(S21)打标签后的违法违规指标进行统计，并通过统计检测量的分布特性和系统要求的告警极限和漏检概率，求得不同证据的最大上限值Hmax，再通过概率公式计算所有证据的最大值H值，并将求出的Hmax和H值进行大小对比，若H<Hmax,则表明当前证据可以用来检测，若不满足此条件，则不可用来检测，检测方法有最小二乘残差法，伪距比较法，奇偶空间法和先验概率法等，最小二乘残差法检测步骤如下所示：
Step1：设统计检测量为SSE；
Step2：在设计判决门限时，我们要依据法律法规、行政规章、专家数据库和历史判例数据总结的规律所要求的企业合规最大告警率来选择判决门限，使正常情况下引起的告警率不大于X，m为可观测的样本数；
在正常误差条件下，判决统计量SSE服从自由度为m-4的X2分布；
所述企业违规和企业违法犯罪概率计算单元(S23)对企业违法违规指标漏检检测单元(S22)检测后的违法违规指标进行接收，并将违法违规指标与数据库中相应的法律法规、企业规章制度等进行比对，通过对比后的相似度，判断该企业是否进行行政违规或违法犯罪，如果发生企业违规或犯罪，进行预警并防范、监控，预测各项指标预测重犯风险，对比后具体的相似度数值为企业违规和企业违法犯罪的概率值；
所述企业合规建设等级评定单元(S24)根据企业违规和企业违法犯罪概率计算单元(S23)计算的犯罪概率将企业合规建设等级分为优质、良好、达标、四级警告、三级警告、二级警告、一级警告等。
4.根据权利要求1所述的构建智能企业合规的方法，其特征在于：所述企业违法违规指标识别模块(S3)对企业违法违规指标可用性判断模块(S2)的判断结果进行接收，并根据识别方法对企业违法违规指标进行识别，识别方法存在三种，具体为：(m-1)组合法，特征偏差线法和似然估计法、先验概率法等，其中最大使然估计法计算步骤为：
Step1：观测指标值的矩阵H可以由QR分解为：
其中：Q1为m×4矩阵，Q2为m×(m-4)矩阵，R为4×4矩阵，0为(m-4)×4矩阵；
Step2：设概率密度函数为：
其中P为概率，b为问题指标数，T为预先设定的阈值；
由最大似然估计可知，要得到参数的最大似然估计值，就要使似然函数值达到最大；
Step3：设第i个指标对应的偏差向量应该使似然函数
的值达到最大，化简并带入偏差向量μ＝[0…bi…0]得：
Step4：将上式对参数bi求导并令其为零，得：2Siy-2biSii＝0；
所以可得参数bi的最大似然估计为：
这个估计值使
达到最大值(Siy)2/Sii-yTSy，其中Si为S的第i行，Sii为S主对角线上的第i个元素；
综上所述，检测所得的m个指标中，使概率密度最大的最可能是问题指标。
5.根据权利要求1所述的构建智能企业合规的方法，其特征在于：所述企业合规建设模块(S4)包括企业问题分析单元(S41)、企业问题类型判断单元(S42)、企业问题整改方案制定单元(S43)和企业问题整改方案优化单元(S44)；
所述企业问题分析单元(S41)根据企业合规建设等级评定单元(S24)评定的企业合规建设等级分析企业出现的问题，结合企业发展阶段、发展类型分析企业问题结果，并通过神经网络对此类问题数据进行深度学习和数据挖掘，并对无标记数据自动识别并添加标签，将分析结果传输至企业问题类型判断单元(S42)；
所述企业问题类型判断单元(S42)根据企业问题分析单元(S41)传输的企业问题分析结果，对企业出现的问题的类别进行判断，并把相关犯罪场景学习构建再现，对企业动态数据和静态数据进行关联比对分析，并利用因果推断模型确定证据、行为和侵犯法益结果，并将推断结果传输至企业问题整改方案制定单元(S43)；
所述企业问题整改方案制定单元(S43)针对企业问题类型判断单元(S42)的推断结果，根据企业合规整改标准，计算整改时间，提出整改计划，包括整改方案、时间、进度情况等，并将制定好的企业问题整改方案传输至企业问题整改方案优化单元(S44)；
所述企业问题整改方案优化单元(S44)对企业问题整改方案制定单元(S43)传输的整改方案自动建立优化版合规整改方案，并自主学习建立持续监控措施，保证持续合规建设。
6.根据权利要求1所述的构建智能企业合规的方法，其特征在于：所述企业合规处置模块(S5)包括企业合规处置方案制定单元(S51)、企业合规问题处置单元(S52)和企业合规问题上报单元(S53)；
所述企业合规处置方案制定单元(S51)根据企业合规建设等级评定单元(S24)传输的企业合规建设等级结果或者企业违法违规的危险程度，提出不同类型的处置方案；
所述企业合规问题处置单元(S52)根据企业合规处置方案制定单元(S51)制定的处置方案，结合实行行为、侵犯法益结果，利用因果推断模型，因果推断主要是依据因果关系，判断是否立即处置，如果是立即处置的问题，则将需要进行处置的问题传输至企业合规问题上报单元(S53)，如果不是立即处置的问题，根据标签，按照整改计划和措施持续跟进；
所述企业合规问题上报单元(S53)根据企业合规问题处置单元(S52)判定的需要立即处置的问题，将相关证据和指标分送到司法机关和行政机关，由其判断或者直接由司法机关或行政机关采取措施，经司法机关或行政机关授权后，根据规则，针对不同问题情况，及时止损，或者报送司法机关和行政机关及时止损。
7.根据权利要求6所述的构建智能企业合规的方法，其特征在于：将行政不法行为和犯罪行为作为合规监控的对象，然后将上述监控对象和相关类型犯罪的历史判例数据，将企业违法违规指标识别模块(S3)识别的合规指标进行关联对比，并利用因果关系和RNN进行推理，具体步骤为：
①定义网络节点变量；
②建立表示节点变量之间相互关系的有向无环图；
③条件概率估计。
8.根据权利要求3所述的构建智能企业合规的方法，其特征在于：所述企业违法违规指标的可用性判断存在以下三种结果，即：正确排除、不能排除和错误排除。
9.根据权利要求1所述的构建智能企业合规的方法，其特征在于：合规预防数据是从合规制度、合规管理机构、合规培训、合规文化等具体要素上进行查看；合规识别数据是从建立和实施合规风险识别、合规风险评估、合规风险处置、合规审计、合规举报等具体要素上进行查看；合规应对数据是从建立和实施有效的内部调查、合规问责与惩戒、持续改进等具体要素上进行查看。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110537079.1A CN113283861B (zh) | 2021-05-18 | 2021-05-18 | 构建智能企业合规的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110537079.1A CN113283861B (zh) | 2021-05-18 | 2021-05-18 | 构建智能企业合规的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113283861A true CN113283861A (zh) | 2021-08-20 |
| CN113283861B CN113283861B (zh) | 2024-04-16 |
Family
ID=77279588
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110537079.1A Active CN113283861B (zh) | 2021-05-18 | 2021-05-18 | 构建智能企业合规的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113283861B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115564549A (zh) * | 2022-11-10 | 2023-01-03 | 深圳标普云科技有限公司 | 一种企业智能纳税计缴申报方法及系统 |
| CN117217625A (zh) * | 2023-11-09 | 2023-12-12 | 广东省电信规划设计院有限公司 | 一种基于数据分析的企业安全监管方法及装置 |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050256735A1 (en) * | 2003-10-03 | 2005-11-17 | Echelon 4 Corporation | Method and system for network-based, distributed, real-time command and control of an enterprise |
| CN1928905A (zh) * | 2006-07-21 | 2007-03-14 | 北京航空航天大学 | 企业危机预警系统 |
| US20130132162A1 (en) * | 2012-11-30 | 2013-05-23 | Arindam Banerjee | Method and system for enabling collaboration in an enterprise |
| CN106779411A (zh) * | 2016-12-16 | 2017-05-31 | 华迪计算机集团有限公司 | 一种基于企业管理关键风险指标的预警方法和系统 |
| CN106849353A (zh) * | 2017-01-23 | 2017-06-13 | 国网山东省电力公司电力科学研究院 | 输变电工程环保监测与敏感区域预测系统及方法 |
| CN108460544A (zh) * | 2018-04-08 | 2018-08-28 | 苏州英瀚时信息科技有限公司 | 一种企业环境风险通用评价系统和方法 |
| CN109377058A (zh) * | 2018-10-26 | 2019-02-22 | 中电科新型智慧城市研究院有限公司 | 基于逻辑回归模型的企业外迁风险评估方法 |
| CN109490916A (zh) * | 2019-01-21 | 2019-03-19 | 南京航空航天大学 | 一种gnss接收机自主完好性监测方法 |
| CN109840287A (zh) * | 2019-01-31 | 2019-06-04 | 中科人工智能创新技术研究院(青岛)有限公司 | 一种基于神经网络的跨模态信息检索方法和装置 |
| CN110097252A (zh) * | 2019-03-29 | 2019-08-06 | 五渡(杭州)科技有限责任公司 | 一种用于供应链金融的风险识别系统及其方法 |
| CN110110981A (zh) * | 2019-04-26 | 2019-08-09 | 重庆第二师范学院 | 一种信用评级违约概率测度与风险预警方法 |
| CN111401600A (zh) * | 2019-12-09 | 2020-07-10 | 合肥工业大学 | 基于关联关系的企业信用风险评价方法和系统 |
| CN111401798A (zh) * | 2020-06-02 | 2020-07-10 | 南京百敖软件有限公司 | 一种企业逃废债风险预警系统及构建方法 |
| CN111681059A (zh) * | 2020-08-14 | 2020-09-18 | 支付宝(杭州)信息技术有限公司 | 行为预测模型的训练方法及装置 |
| CN111784169A (zh) * | 2020-07-02 | 2020-10-16 | 杨香 | 一种基于互联网的国有企业目标管理测评方法和系统 |
-
2021
- 2021-05-18 CN CN202110537079.1A patent/CN113283861B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050256735A1 (en) * | 2003-10-03 | 2005-11-17 | Echelon 4 Corporation | Method and system for network-based, distributed, real-time command and control of an enterprise |
| CN1928905A (zh) * | 2006-07-21 | 2007-03-14 | 北京航空航天大学 | 企业危机预警系统 |
| US20130132162A1 (en) * | 2012-11-30 | 2013-05-23 | Arindam Banerjee | Method and system for enabling collaboration in an enterprise |
| CN106779411A (zh) * | 2016-12-16 | 2017-05-31 | 华迪计算机集团有限公司 | 一种基于企业管理关键风险指标的预警方法和系统 |
| CN106849353A (zh) * | 2017-01-23 | 2017-06-13 | 国网山东省电力公司电力科学研究院 | 输变电工程环保监测与敏感区域预测系统及方法 |
| CN108460544A (zh) * | 2018-04-08 | 2018-08-28 | 苏州英瀚时信息科技有限公司 | 一种企业环境风险通用评价系统和方法 |
| CN109377058A (zh) * | 2018-10-26 | 2019-02-22 | 中电科新型智慧城市研究院有限公司 | 基于逻辑回归模型的企业外迁风险评估方法 |
| CN109490916A (zh) * | 2019-01-21 | 2019-03-19 | 南京航空航天大学 | 一种gnss接收机自主完好性监测方法 |
| CN109840287A (zh) * | 2019-01-31 | 2019-06-04 | 中科人工智能创新技术研究院(青岛)有限公司 | 一种基于神经网络的跨模态信息检索方法和装置 |
| CN110097252A (zh) * | 2019-03-29 | 2019-08-06 | 五渡(杭州)科技有限责任公司 | 一种用于供应链金融的风险识别系统及其方法 |
| CN110110981A (zh) * | 2019-04-26 | 2019-08-09 | 重庆第二师范学院 | 一种信用评级违约概率测度与风险预警方法 |
| CN111401600A (zh) * | 2019-12-09 | 2020-07-10 | 合肥工业大学 | 基于关联关系的企业信用风险评价方法和系统 |
| CN111401798A (zh) * | 2020-06-02 | 2020-07-10 | 南京百敖软件有限公司 | 一种企业逃废债风险预警系统及构建方法 |
| CN111784169A (zh) * | 2020-07-02 | 2020-10-16 | 杨香 | 一种基于互联网的国有企业目标管理测评方法和系统 |
| CN111681059A (zh) * | 2020-08-14 | 2020-09-18 | 支付宝(杭州)信息技术有限公司 | 行为预测模型的训练方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 伊万·G.彼德罗夫斯基: "《数字卫星导航与地球物理学》", 厦门大学出版社, pages: 16 - 18 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115564549A (zh) * | 2022-11-10 | 2023-01-03 | 深圳标普云科技有限公司 | 一种企业智能纳税计缴申报方法及系统 |
| CN117217625A (zh) * | 2023-11-09 | 2023-12-12 | 广东省电信规划设计院有限公司 | 一种基于数据分析的企业安全监管方法及装置 |
| CN117217625B (zh) * | 2023-11-09 | 2024-03-15 | 广东省电信规划设计院有限公司 | 一种基于数据分析的企业安全监管方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113283861B (zh) | 2024-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR100755000B1 (ko) | 보안 위험 관리 시스템 및 방법 | |
| CN117575332A (zh) | 道路施工安全监测方法及系统 | |
| CN111787011B (zh) | 一种信息系统安全威胁智能分析预警系统、方法及存储介质 | |
| CN113283861A (zh) | 构建智能企业合规的方法 | |
| Wang et al. | Data-driven risk assessment on urban pipeline network based on a cluster model | |
| CN113506034A (zh) | 构建智能第三方监督评估组织的方法 | |
| CN117150934B (zh) | 变压器套管状态综合监测系统及其在线数据处理方法 | |
| CN117853078B (zh) | 基于无人机的建筑工程施工现场动态安全报警系统及方法 | |
| Shen et al. | Risk assessment of serious crime with fuzzy random theory | |
| Xing et al. | Dynamic business continuity assessment using condition monitoring data | |
| CN117575334A (zh) | 公路施工安全监测系统 | |
| CN117132114A (zh) | 一种企业内部风险管理预警器系统 | |
| CN117216801A (zh) | 一种基于人工智能的企业财务数据安全管理系统及方法 | |
| Salamai et al. | Decision support system for risk assessment using fuzzy inference in supply chain big data | |
| CN114826770A (zh) | 一种计算机网络智能分析的大数据管理平台 | |
| CN118118249A (zh) | 一种基于大数据的企业信息安全运维管理系统 | |
| CN117893020A (zh) | 一种水利工程质量安全风险评估方法 | |
| Fan | Data mining model for predicting the quality level and classification of construction projects | |
| CN116882755A (zh) | 一种基于车载Tbox数据预测货车运输路线偷油风险的方法 | |
| Flammini et al. | Optimisation of security system design by quantitative risk assessment and genetic algorithms | |
| CN116611733A (zh) | 一种基于运维项目的项目评价指标管理方法 | |
| Salazar et al. | Monitoring approaches for security and safety analysis: application to a load position system | |
| Folasade | Computational intelligence in data mining and prospects in telecommunication industry | |
| CN118279067B (zh) | 一种基于流程挖掘技术的信息数据管理方法 | |
| CN118014713B (zh) | 一种实时风险监测智能预警方法和系统 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240719 Address after: No. 201, Unit 2, Building 83, Group 15, Weiguo Road, Baita District, Shenyang City, Liaoning Province 111000 Patentee after: Han Zhaohe Country or region after: China Address before: 200000 floor 6, No. 999, Changning Road, Changning District, Shanghai Patentee before: Shanghai Shiyou Intelligent Technology Co.,Ltd. Country or region before: China |