CN113421165A - 一种绿色金融产品评估与管理的方法及系统 - Google Patents
一种绿色金融产品评估与管理的方法及系统 Download PDFInfo
- Publication number
- CN113421165A CN113421165A CN202110547059.2A CN202110547059A CN113421165A CN 113421165 A CN113421165 A CN 113421165A CN 202110547059 A CN202110547059 A CN 202110547059A CN 113421165 A CN113421165 A CN 113421165A
- Authority
- CN
- China
- Prior art keywords
- prediction
- data
- green
- financial product
- block chain
- 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 80
- 238000007726 management method Methods 0.000 claims abstract description 101
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 59
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims abstract description 50
- 229910052799 carbon Inorganic materials 0.000 claims abstract description 50
- 238000011156 evaluation Methods 0.000 claims abstract description 22
- 238000012544 monitoring process Methods 0.000 claims abstract description 13
- 230000007613 environmental effect Effects 0.000 claims description 57
- 238000012545 processing Methods 0.000 claims description 55
- 230000008520 organization Effects 0.000 claims description 53
- 230000008901 benefit Effects 0.000 claims description 52
- 230000007246 mechanism Effects 0.000 claims description 32
- 230000009466 transformation Effects 0.000 claims description 31
- 238000003860 storage Methods 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 16
- 230000009467 reduction Effects 0.000 claims description 12
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 11
- 238000004519 manufacturing process Methods 0.000 claims description 11
- 238000010248 power generation Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 9
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 8
- 239000001569 carbon dioxide Substances 0.000 claims description 4
- 238000007477 logistic regression Methods 0.000 claims description 4
- 230000035945 sensitivity Effects 0.000 claims description 4
- 238000003672 processing method Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 13
- 238000006386 neutralization reaction Methods 0.000 abstract description 8
- 238000004458 analytical method Methods 0.000 abstract description 5
- 210000002569 neuron Anatomy 0.000 description 15
- 238000010276 construction Methods 0.000 description 10
- 238000012549 training Methods 0.000 description 10
- 230000004913 activation Effects 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000011161 development Methods 0.000 description 7
- 238000013507 mapping Methods 0.000 description 7
- 230000007547 defect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012502 risk assessment Methods 0.000 description 4
- 210000003050 axon Anatomy 0.000 description 3
- 210000005056 cell body Anatomy 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000012790 confirmation Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000011478 gradient descent method Methods 0.000 description 3
- 210000005036 nerve Anatomy 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013145 classification model Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 210000001787 dendrite Anatomy 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000002964 excitative effect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 239000000725 suspension Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000004308 accommodation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013479 data entry Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 210000000578 peripheral nerve Anatomy 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000007115 recruitment Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000013058 risk prediction model Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/06—Asset management; Financial planning or analysis
-
- 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
- G06Q40/08—Insurance
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/04—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks
- H04L63/0428—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks wherein the data content is protected, e.g. by encrypting or encapsulating the payload
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/08—Network architectures or network communication protocols for network security for authentication of entities
- H04L63/083—Network architectures or network communication protocols for network security for authentication of entities using passwords
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/1097—Protocols in which an application is distributed across nodes in the network for distributed storage of data in networks, e.g. transport arrangements for network file system [NFS], storage area networks [SAN] or network attached storage [NAS]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
- H04L9/50—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols using hash chains, e.g. blockchains or hash trees
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Development Economics (AREA)
- Computer Security & Cryptography (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Technology Law (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请公开一种绿色金融产品评估与管理的方法及系统,该方法及系统利用区块链技术重构了绿色金融产品评估与管理的信用体系,同时利用大数据与人工智能技术实现了绿色金融产品的风险预测与实时监测,将低效、高成本、含道德风险的绿色金融产品人工管理方法,重建为各利益相关方(对应于本申请中的各结构节点)参与的、自动调用人工智能分析结果的共识管理体系,从而提高了绿色金融产品的管理效率,并降低了管理成本,建立了更可靠的绿色金融产品管理方式及信用体系,从而确保绿色金融更好的服务碳中和、碳达峰需要。
Description
技术领域
本申请属于金融信息化管理领域,尤其涉及一种绿色金融产品评估与管理的方法及系统。
背景技术
绿色金融旨在推动金融系统的绿色转型,促进更多资金投向绿色产业项目。特别是针对当下的以碳达峰、碳中和为目标的决策部署,若要实现以碳达峰、碳中和为核心的环境目标,仅靠财政资金远远不够,还需要充分利用绿色金融产品,调动社会资本投向低碳等绿色产业,以促进绿色产业的发展,服务生态文明建设及碳达峰、碳中和等生态目标。
然而,如何确保募集资金全部用于指定的绿色产业项目,相关绿色产业项目是否合乎相关法律法规要求及绿色标准,绿色产业项目实施过程中是否可有效管理、避免环境、社会与公司治理(Environment-Social Responsibility-Corporate Governance,ESG)风险,绿色产业项目是否真实产生了碳减排量等环境效益等,是绿色金融产品管理需要解决的问题。特别是在决策与布署碳达峰、碳中和相关环境目标后,进一步对绿色金融的高质量发展提出了新的要求,一支绿色金融产品所支持项目是否能实现碳减排效果应该被有效计量、监测与报告。
传统绿色金融产品因人工管理成本高、效率低下等弊端往往不进行管理或管理较差,难以保证管理质量,加之人工管理方式难以避免道德风险与技术差错,导致绿色金融的信用体系没有被建立起来。因此,构建绿色金融信用体系以实现高效、低成本的绿色金融产品管理,成为本领域亟需解决的技术问题。
发明内容
为此,本申请公开一种绿色金融产品评估与管理的方法及系统,用于利用区块链技术构建高效、低成本的绿色金融信用体系,并结合人工智能与大数据技术,实现绿色金融产品的实时、在线高效管理。
具体技术方案如下:
一种绿色金融产品评估与管理的方法,应用于绿色金融产品评估与管理的系统,所述系统至少包括:多个参与机构对应的多个机构节点、应用服务层、区块链服务层和风险预测服务;所述方法包括:
机构节点向所述系统提交自身机构对金融产品的业务数据和证据数据;
所述风险预测服务针对所述机构节点的提交事件,至少基于人工智能处理对所述金融产品进行风险预测,并向所述机构节点反馈风险预测结果;
所述机构节点基于所述风险预测结果向所述区块链服务层对应的区块链录入对所述金融产品的相应风险评价数据;
所述区块链服务层对所述业务数据和所述证据数据进行区块链上链处理,以及上链后触发基于智能合约的各参与机构共识处理;
若达成共识,所述区块链服务层将所述金融产品认证为绿色金融产品;若未达成共识,将所述金融产品认证为非绿色金融产品;并将绿色认证结果进行区块链上链;
所述应用服务层基于上链数据及所述绿色认证结果,生成报告信息。
可选的,所述风险预测包括环境、社会和公司治理ESG风险预测、环境效益风险预测、极端气候气象事件风险预测及转型风险预测中的至少一种;
其中,风险预测服务针对所述机构节点的提交事件,至少基于人工智能处理对所述金融产品进行ESG风险预测,包括:
针对所述金融产品对应的每一预测实体,通过统计每一预测实体的历史处罚信息,预测所述预测实体针对处罚类型集中的每一处罚类型在未来预定时间段的处罚情况,得到所述预测实体对应每一处罚类型的第一处罚预测子结果;
利用构建的ESG风险预测人工智能模型,预测每一预测实体针对处罚类型集中的每一处罚类型在未来预定时间段的处罚情况,得到所述预测实体对应每一处罚类型的第二处罚预测子结果;
根据预测实体对应于每一处罚类型的第一处罚预测子结果和第二处罚预测子结果,确定所述预测实体对应于每一处罚类型的处罚预测结果。
可选的,上述方法中:
基于预先构建的环境效益预测人工智能模型,预测所述金融产品的环境效益;所述环境效益预测人工智能模型采用多项式回归方法实现;
基于预先构建的极端气候气象事件风险预测人工智能模型,预测所述金融产品的极端气候气象事件风险;所述极端气候气象事件风险预测人工智能模型采用逻辑回归方法并通过转换为多个二分类问题实现;
基于预先构建的转型风险预测人工智能模型,预测所述金融产品的转型风险;所述转型风险预测人工智能模型采用多项式回归方法实现。
可选的,基于共识机制对金融产品的认证包括以下各方面中的至少一种:
绿色属性的智能判断,环境效益智能评估和气候风险预测;
其中:
对金融产品的绿色属性的智能判断包括:
获取相应机构节点上传的金融产品的项目信息;识别所述项目信息中的项目内容;确定预定的绿色认证标准中是否存在与所述项目内容相匹配的条目;若存在,则判定所述金融产品具备绿色属性;
对金融产品的环境效益智能评估包括:
采用多维度数据智能模式计算金融产品对应的项目的环境效益;其中,采用多维度数据智能模式计算项目的环境效益的过程包括:在相应机构节点无法提供传统模式下的环境效益计算所需参数的情况下,利用以下备用计算式计算项目的环境效益:
PCO2=W×t×α
其中,PCO2表示二氧化碳减排量,W表示装机容量,t表示项目所在区域风力发电可利用小时数,α表示项目所在区域适用的电力排放因子;所述系统通过对相应机构节点上传的金融产品的项目信息进行信息识别与提取得到W,通过对相应机构节点上传的金融产品的项目信息进行信息识别及提取,并基于提取结果与预先构建的相应数据库进行匹配得到t和α;
对金融产品的气候风险预测包括:
针对极端气候气象事件风险:对相应机构节点上传的金融产品的项目信息进行信息识别与提取得到项目所处区域;确定项目所处区域对应的各类型气象事件;通过对项目对所处区域中的不同类型气象事件的敏感度进行量化,得到项目的气候风险指数;
针对转型风险:计算项目或企业可能产生的碳成本;根据计算得到的碳成本评估转型风险。
可选的,所述金融产品对应的预测实体,包括以下的至少一种:所述金融产品关联的需进行风险预测的企业、所述企业所属的行业和所述企业所处的区域;
所述处罚类型集中的处罚类型包括以下的至少一种:罚款;暂扣、吊销许可证;没收违法所得;行政拘留;责令停产整顿;责令停产、停业、关闭;其他处罚。
其中,若所述处罚类型集包括多种处罚类型,所述ESG风险预测人工智能模型包括与各种处罚类型一一对应的多个二分类模型,每个二分类模型用于确定预测实体在未来预定时间段在相对应处罚类型的处罚概率。
可选的,所述根据预测实体对应于每一处罚类型的第一处罚预测子结果和第二处罚预测子结果,确定所述预测实体对应于每一处罚类型的处罚预测结果,包括:
根据为统计预测方式和模型预测方式分别配置的权重,对预测实体对应于每一处罚类型的第一处罚预测子结果和第二处罚预测子结果进行加权运算,得到所述预测实体对应于每一处罚类型的处罚预测结果。
可选的,所述系统还包括存储服务;
所述区块链服务层对所述业务数据和所述证据数据进行区块链上链处理,包括:
所述区块链服务层将所述业务数据进行区块链上链;
所述区块链服务层对所述证据数据进行哈希运算处理,将得到的哈希结果进行区块链上链,并通过所述存储服务对所述证据数据进行存储。
可选的,所述应用服务层基于上链数据及所述绿色认证结果,生成报告信息,包括:
所述应用服务层生成包括核心业务数据及绿色认证结果的MRV报告。
可选的,上述方法在生成所述MRV报告之前,还包括:
在绿色金融产品发行后,在绿色金融产品的存续期对绿色金融产品进行MRV跟踪管理。
可选的,上述方法,还包括:
在所述金融产品发行完成后,各机构节点按照要求在所述金融产品的每个存续期进行自身机构对应的业务数据及证据数据的提交或修改;
所述区块链服务层根据所述金融产品的期限进行节点监控,在监控到机构节点提交或修改业务数据和/或证据数据时,对提交或修改的业务数据和/或证据数据进行区块链上链处理,并在上链后触发所述基于智能合约的各参与机构共识处理的步骤,以重新对所述金融产品进行绿色与否的认证;
其中,所述系统在所述金融产品的各个存续期分别基于对应的上链数据及绿色认证结果生成报告信息,且所述系统能维护所述金融产品全生命周期对应的所有数据及共识结果。
可选的,所述系统通过建立角色账号系统,为每个机构节点分配对应的角色,并为每个角色添加对应的系统权限以及区块链权限;
每个机构节点基于其对应的角色,向系统提交或修改其权限范围内的数据,及在共识处理中确认其权限范围内的数据。
可选的,所述区块链为联盟链。
一种绿色金融产品评估与管理的系统,包括:多个参与机构对应的多个机构节点、应用服务层、区块链服务层和风险预测服务;其中:
所述机构节点,用于向所述系统提交自身机构对金融产品的业务数据和证据数据;
所述风险预测服务,用于针对所述机构节点的提交事件,至少基于人工智能处理对所述金融产品进行风险预测,并向所述机构节点反馈风险预测结果;
所述机构节点,还用于基于所述风险预测结果向所述区块链服务层对应的区块链录入对所述金融产品的相应风险评价数据;
所述区块链服务层,用于:对所述业务数据和所述证据数据进行区块链上链处理,以及上链后触发基于智能合约的各参与机构共识处理;若达成共识,将所述金融产品认证为绿色金融产品;若未达成共识,将所述金融产品认证为非绿色金融产品;并将绿色认证结果进行区块链上链;
所述应用服务层,用于基于上链数据及所述认证结果,生成报告信息。
可选的,所述系统还包括存储服务;
所述区块链服务层在对所述业务数据和所述证据数据进行区块链上链处理时,具体用于:
将所述业务数据进行区块链上链;对所述证据数据进行哈希运算处理,将得到的哈希结果进行区块链上链,并通过所述存储服务对所述证据数据进行存储,其中,所有上链数据均能够溯源。
可选的,所述应用服务层还用于提供以下功能中的至少一种:
数据采集、用户管理、债券管理、权限管理和后台系统管理;
所述区块链服务层用于提供以下功能中的至少一种:
节点管理、存证管理、安全管理、合约管理和节点监控。
可选的,所述风险预测服务为独立的应用系统模块,能够在所述系统中动态插拔。
根据以上方案可知,本申请公开的绿色金融产品评估与管理的方法及系统,利用区块链技术重构了绿色金融产品评估与管理的信用体系,同时利用大数据与人工智能技术实现了绿色金融产品的风险预测与实时监测,将低效、高成本、含道德风险的绿色金融产品人工管理方法,重建为各利益相关方(对应于本申请中的各结构节点)参与的、自动调用人工智能分析结果的共识管理体系,从而提高了绿色金融产品的管理效率,并降低了管理成本,建立了更可靠的绿色金融产品管理方式及信用体系,从而确保绿色金融更好的服务碳中和、碳达峰需要。
附图说明
为了更清楚地说明本申请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申请的实施例,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,还可以根据提供的附图获得其他的附图。
图1是本申请实施例提供的绿色金融产品评估与管理的系统的系统架构图;
图2是本申请实施例提供的绿色金融产品评估与管理的系统的可选部署方式;
图3是本申请实施例提供的绿色金融产品评估与管理的方法的一种流程示意图;
图4是本申请实施例提供的金融产品管理的数据业务流程图;
图5是本申请实施例提供的绿色金融产品评估与管理的方法的另一种流程示意图;
图6是MLP的网络结构的结构图;
图7是神经元的输入输出示意图;
图8是常见的激活函数图。
具体实施方式
为了引用和清楚起见,下文中使用的相关名词/技术名词总结解释如下:
绿色金融产品:包括绿色债券、绿色信贷、绿色基金、绿色信托、影响力投资等等;
区块链:从科技层面来看,区块链涉及数学、密码学、互联网和计算机编程等很多科学技术问题;从应用视角来看,简单来说,区块链是一个分布式的共享账本和数据库,具有去中心化、不可篡改、全程留痕、可以追溯、集体维护、公开透明等特点。这些特点保证了区块链的“诚实”与“透明”,为区块链创造信任奠定了基础。而区块链丰富的应用场景,基本上都基于区块链能够解决信息不对称问题,实现多个主体之间的协作信任与一致行动。
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
传统绿色金融产品因人工管理成本高、效率低下等弊端往往不进行管理或管理较差,难以保证管理质量,加之人工管理难以避免道德风险与技术差错,导致绿色金融的信用体系没有被建立起来。发明人经研究发现,传统的绿色金融产品管理方式至少存在以下几方面缺陷:
1)信息协作不足
绿色金融产品的各参与方在传统模式下主要靠线下沟通交流信息,效率差,及时性差,并且极易发生信息传递错误、丢失等情况。对于某一参与方的信息变化无法作出有效响应,亦缺少交叉验证,可能导致发生资金未投向绿色产业项目或项目存在违规或项目环境效益计算错误等情况。这样的低效模式难以规避风险,无法形成高质量的信用体系。
2)信息追溯困难,难以问责
一个绿色金融产品发行与管理需要众多利益相关方参与,并且经常每个利益相关方不断更新所提供的信息,前后版本有时相差很大,若发生风险,难以追究责任。
3)难以适应长周期管理需要
绿色金融产品往往存续周期很长,一般为1-5年,需要持续性地跟踪管理与披露等。传统的人工管理方式往往难以确保持续跟踪的数据连续性,若发生人员调整很可能造成项目管理失效,最终导致绿色金融目的落空。
4)ESG风险没有得到有效管理
收益与风险是金融产品的两面,且风险的监测、评估也非常重要。以项目环境风险为例,若一支绿色金融产品投向的绿色产业项目存在环境违规,则可能无法达到“绿色”效果,反而助长了环境违规事件。另一方面,环境违规可能导致提供绿色金融产品的金融机构被监管部门处罚。出现这一问题的原因,主要是金融机构人员数量有限,且不具备环境专业背景,难以查询绿色产业项目及相关企业环境违规事件,更不可能对环境风险进行预测。
5)MRV效率低下
MRV(Monitoring-Reporting-Verfication,监测-报告-核查)包括对绿色金融产品环境效益的MRV与ESG风险的MRV,传统人工模式下,由于人工成本高,效率差,往往是每年进行一次跟踪管理,但一年中项目的实施情况、风险情况均无法管理,这给绿色金融产品带来很大的管理风险,特别是若不能及时识别ESG风险,可能让相关金融机构受到处罚。
为解决传统管理方式存在的上述缺陷中的至少部分缺陷,本申请提出了一种绿色金融产品评估与管理的方法及系统。本申请所公开的绿色金融产品评估与管理的方法具体为一种基于区块链、大数据与人工智能技术的绿色金融产品评估与管理的方法,可应用于本申请所公开的绿色金融产品评估与管理的系统中。
以下首先对本申请方法所适用的系统,即本申请所公开的绿色金融产品评估与管理的系统进行说明。
该系统包括多个参与机构对应的多个机构节点、应用服务层、区块链服务层和风险预测服务;上述各组成部分具备以下功能:
上述机构节点,用于向系统提交自身机构对金融产品的业务数据和证据数据;
上述风险预测服务,用于针对该机构节点的提交事件,至少基于人工智能处理对金融产品进行风险预测,并向该机构节点反馈风险预测结果;
上述机构节点,还用于基于风险预测结果向区块链服务层对应的区块链录入对所述金融产品的相应风险评价数据;
上述区块链服务层,用于:对提交的业务数据和证据数据进行区块链上链处理,以及上链后触发基于智能合约的各参与机构共识处理;若达成共识,将金融产品认证为绿色金融产品;若未达成共识,将金融产品认证为非绿色金融产品;并将绿色认证结果(达成共识、未达成共识情况下的认证结果)进行区块链上链;
上述应用服务层,用于基于上链数据及所述认证结果,生成报告信息。
在本申请实施例的其他实施方式中,本申请的绿色金融产品评估与管理的系统还包括存储服务,其中,区块链服务层在对机构节点提交的业务数据和证据数据进行区块链上链处理时,具体用于:
将提交的业务数据进行区块链上链;
对提交的证据数据进行哈希运算处理,将得到的哈希结果进行区块链上链,并通过所述存储服务对所述证据数据进行存储。
接下来进一步提供本申请公开的绿色金融产品评估与管理的系统的一种具体实现。
参见图1提供的该绿色金融产品评估与管理的系统的系统架构,从技术框架角度,该系统主要包括终端层、应用服务层和区块链服务层,除此之外,如图1所示,该系统还包括数据存储、文件存储等存储服务以及基于人工智能的风险预测服务。其中:
(一)终端层
终端层服务于金融产品各参与方机构的机构节点,金融产品的各参与方,包括但不限于金融机构、绿色产业项目业主企业、律师事务所、会计师、地方政府、监管机构、绿色评估机构、认证机构等。
(二)应用服务层和区块链服务层
应用服务层和区块链服务层构成该绿色金融产品评估与管理的系统的共识系统,共识系统采用SaaS+BaaS向各个参与节点提供服务。其中,SaaS(Software-as-a-Service,软件即服务)是指通过网络提供软件服务,BaaS(Blockchain-as-a-Service,区块链即服务)是指将区块链框架嵌入云计算平台,利用云服务基础设施的部署和管理优势,为开发者提供便捷、高性能的区块链生态环境和生态配套服务,支持开发者的业务拓展及运营支持的区块链开放平台。
可选的,本申请实施例中,SaaS采用微服务架构搭建,部署在私有云或者私有服务器上。可用于向机构节点用户提供数据采集、债券管理、数据管理、报告生成等基础服务,并可根据用户实际需求,进行定制化服务开发。
BaaS采用分布式存储,以区块链服务为基础,部署在私有云或者私有服务器上。可用于向节点用户提供数据上链、智能合约共识机制、节点管理、节点监控等服务,并可进行定制化开发服务。
SaaS和BaaS均可独立向绿色金融客户即本申请中的相应机构节点提供服务。SaaS帮助客户完成业务逻辑定制开发,并完成数据上链工作。如果客户系统上已有业务逻辑应用模块,只需要做数据上链等区块链服务,则可以直接使用BaaS。
(三)数据存储、文件存储等存储服务
非上链业务数据通过该存储服务存储到数据库服务器或者文件服务器中。实际应用中,可根据数据规模业务需求将数据存储服务扩展成大数据架构。
(四)基于人工智能的风险预测服务
本申请实施例中,优选的,该风险预测服务具体为ESG风险预测服务,可用于提供人工智能风险预测以及基础数据分析服务。
且实施中,优选的,可将该服务实施为独立于系统中其他组成部分的单独应用系统模块,以支持该风险预测服务在系统的动态插拔,动态扩展。
该风险预测服务具体基于金融产品的基本信息(如,发行方企业名称,发行方企业地理位置、所属行业等),进行金融产品的风险分析、评估与预测。
进一步参见图2,在进行系统部署时,可以根据实际需求,在客户端进行私有云/私有服务器部署,或者直接基于公有云通过浏览器向客户提供服务。
需要说明的是,本申请所公开系统的上述具体实现中各组成部分的功能作用及部署情况,仅为本申请实施例的示例性而非限定性说明,实施中,可在本申请提供的示例的基础上,结合实际需求或实际技术环境进行适应性的变形/变体式应用,这均在本申请的保护范围之内。
接下来继续基于上述的绿色金融产品评估与管理的系统,描述本申请公开的绿色金融产品评估与管理的方法的实现过程。
参见图3提供的绿色金融产品评估与管理的方法的流程示意图,该方法具体包括:
步骤301、机构节点向绿色金融产品评估与管理的系统提交自身机构对金融产品的业务数据和证据数据。
具体的,结合参照图4,各机构节点可通过系统页面登陆系统,并向系统提交机构自身针对金融产品的业务数据和证据数据。
其中,业务数据包括机构节点所属机构针对金融产品的相应业务逻辑而对应提供的数据,证据数据则包括业务(金融产品涵盖的全业务逻辑中对应于当前机构所属权限内的业务)相关所需的一些证据/证明信息,可以是文档、图片/照片等任意类型的文件形式,包括但不限于取得的土地产权证,政府下发的相关证明文件,法律允许文件等等。
在金融产品的发行阶段,具体可由发行方的机构节点向绿色金融产品评估与管理的系统提交其自身机构对金融产品的业务数据和证据数据,以用于金融产品的风险预测、绿色认证及发行。
本步骤301中,主要是指发行方的机构节点向绿色金融产品评估与管理的系统提交相关数据,以实现金融产品的发行。
步骤302、风险预测服务针对该机构节点的提交事件,至少基于人工智能处理对金融产品进行风险预测,并向该机构节点反馈风险预测结果。
其中,针对发行方机构节点向系统提交业务数据及证据数据的提交事件,风险预测服务基于对预测实体的历史ESG数据统计处理及人工智能处理,来对此金融产品进行ESG风险预测,并向发行方机构节点反馈ESG风险预测结果,同时在该风险预测服务端进行风险预测结果的存储,以供业务上相关的其他参与机构获取。风险预测服务的统计处理及人工智能处理,具体可以以ESG数据库中的历史ESG数据作为数据分析、统计基础,及通过ESG数据的更新迭代进行训练与优化的AI(Artificial Intelligence,人工智能)风险分析模型的样本基础。
进一步的,针对传统方式中ESG风险没有得到有效管理的弊端,本申请通过提供“ESG风险预测服务”人工智能引擎及ESG风险数据库,来对绿色金融产品实施实时风险监控,并通过建立风险预测模型,对相关ESG风险提前预测,以提供给相关金融机构用于业务参考及防范相关风险。
风险预测服务在进行风险预测时,所针对的预测实体包括发行方企业(如,公司)、发行方企业所属的行业及发行方企业所处区域(如,城市),也即,风险预测服务基于该三个维度对金融产品进行ESG风险预测。对于ESG风险预测的具体实现过程将在下文以一实施例详细说明。
另外,可选的,除了ESG风险预测结果,还可以根据需求向机构节点反馈预测实体的相关ESG历史数据,或在风险预测服务提供的公共服务端存储预测实体的相关ESG历史数据,以更好地协助各参与机构对此金融产品做出客观的风险判定。
步骤303、该机构节点基于所述风险预测结果向所述区块链服务层对应的区块链录入相应风险评价数据。
向机构节点反馈的ESG风险预测结果,用于协助节点向系统做出客观的风险判定及数据录入,如,协助节点向系统录入金融产品有没有风险或大致的风险程度的客观判定结果等。
步骤304、区块链服务层对提交的业务数据和证据数据进行区块链上链处理,以及上链后基于智能合约的各参与机构共识处理。
本申请实施例中,所采用的区块链具体为联盟链。系统将各个机构节点根据不同的金融产品在联盟链上组成各个组,每组里的节点负责一个金融产品。系统可以根据实际业务需求,动态管理各个机构节点的分组情况。
本申请通过采用联盟链的方式,来摒弃公有链的完全开放性下无信任的利益关系,通过特定节点方(如,绿色金融产品发行方,银行等金融机构,律师事务所,绿色认证机构及非政府组织NGO等)共享账本的机制以建立强信任关系。参与各方可以各司其职,通过可视化的共享数据,对绿色金融产品的合规性,募投项目绿色属性,环境效益,ESG管理,信息披露等五大维度进行核验与跟踪管理。以从系统设计层面降低信息不对称,使业务流程可以基于共享账本的方式实现对业务的重构,通过线上数据共享生成更多的凭证数据和对等信息,在此基础上精简业务流程和减少中心环节,实现总体效率的提升。更重要的是,通过ESG数据库与ESG风险预测人工智能模型,实时监测ESG风险,提前预测ESG风险,为绿色金融产品的管理大幅提高效率,降低成本,并提高准确度。
对于提交的业务数据和证据数据,区块链服务层对其进行联盟链上链处理。
可选的,该联盟链上链处理具体实现为:
将提交的业务数据进行联盟链上链;
对提交的证据数据进行哈希运算处理,将得到的哈希结果进行联盟链上链,而对于证据数据,则通过绿色金融产品评估与管理的系统的存储服务进行存储处理,如,具体可将证据文件保存在文件服务器中。
数据上链后,会执行智能合约,自动触发基于智能合约的各参与机构共识处理。
步骤305、若达成共识,区块链服务层将所述金融产品认证为绿色金融产品。
步骤306、若未达成共识,区块链服务层将金融产品认证为非绿色金融产品。
基于共识机制对金融产品的认证,包括以下各方面中的至少一种:合规性判断、绿色属性的智能判断,环境效益智能评估、资金管理、ESG风险预测和气候风险预测;在第1至4种的认证全部为通过的情况下,则系统自动将金融产品认证为绿色金融产品,而第3、5、6种认证作为注释项,用于对金融产品进行相关信息记载与披露,以用于为监管机构管理及投资机构投资决策提供依据。
其中:
(一)合规性判断
合规性判断,主要是对项目取得的批复、核准等文件的情况的判断,本申请实施例以相关机构节点上传的文件为准,对金融产品进行合规性判断。
(二)绿色属性的智能判断
对金融产品在绿色属性方面的判断,主要是判断金融产品对应的项目是否符合相关标准。以绿色债券认证为例,绿色债券所支持的项目,应符合《绿色债券支持项目目录》的要求。
现有技术一般通过人工方式金融产品进行绿色属性方面的判断,为克服人工方式存在的效率低、准确性差的缺陷,本申请实施例采用智能方式来实现绿色属性方面的自动判断。
具体的,本申请实施例对金融产品绿色属性的智能判断包括:
1)获取相应机构节点上传的金融产品的项目信息;
2)识别所述项目信息中的项目内容;
3)确定预定的绿色认证标准中是否存在与所述项目内容相匹配的条目;若存在,则判定所述金融产品具备绿色属性。
以下举例说明:
系统具体可获取相关节点上传的金融产品的项目名称(包括在合规文件中),如“广东省珠海市50MW风力发电厂建设项目”,并对项目名称进行语义分析,识别出其中的“广东省珠海市”为项目所在地点,“风力发电厂建设”为项目内容,并通过“风力发电”与“建设”这两个关键字与《绿色债券支持项目目录》的具体条目进行比对,识别出符合《绿色债券支持项目目录》中所对应的条目为“3.2.2.1风力发电设施建设和运营”,据此,判断项目符合《绿色债券支持项目目录》要求,在绿色属性方面可认定为绿色债券。
(三)环境效益智能评估
在绿色金融产品中,需要计算项目环境效益,如风力发电厂的碳减排量,计算原理为风力发电厂的上网电量乘以所在地电网排放因子,即,传统模式下需要利用节点上传的“风力发电厂的上网电量”及“所在地电网排放因子”这两个参数进行项目环境效益的计算。
然而,发明人经研究发现,实际应用中,节点上传的资料往往不够全面,如缺少上述的任一参数或所有参数,从而可能经常出现无法按照传统模式进行环境效益计算的情况。
为解决该情况下的项目环境效益计算问题,本申请实施例提出利用以下备用计算式计算项目的环境效益:
PCO2=W×t×α
其中,PCO2表示二氧化碳减排量,W表示装机容量,t表示项目所在区域风力发电可利用小时数(如,项目所在区域年风力发电可利用小时数),α表示项目所在区域适用的电力排放因子;系统通过对相应机构节点上传的金融产品的项目信息进行信息识别与提取得到W,通过对相应机构节点上传的金融产品的项目信息进行信息识别及提取,并基于提取结果与预先构建的相应数据库进行匹配得到t和α。
具体的,为解决上述情况下的项目环境效益计算问题,本申请实施例的于系统预先创建了“区域电网排放因子库”与“区域可再生资源数据库”,并基于所创建的数据库采用多维度数据智能模式进行计算。
仍以前述“广东省珠海市50MW风力发电厂建设项目”为例,假设节点无法提供项目年上网电量及所在地电网排放因子,则传统模式下将无法计算项目环境效益,但基于本申请实施例提供的上述备用计算式仍可根据项目名称信息自动对环境效益进行测算。
利用上述备用计算式根据项目名称信息自动对环境效益进行测算的流程如下:
系统根据项目名称,识别出项目位于广东省珠海市,进而调用“区域电网排放因子库”,根据地区/区域数据匹配结果,识别出广东省珠海市适用排放因子为0.6894CO2/MWh。系统根据项目名称,识别出项目内容为“风力发电厂建设”,系统匹配关键字“风力发电”调用“区域可再生资源数据库”中的“风力发电可利用小时数数据库”,确定出广东省珠海市年风力发电可利用小时数为1841。系统设定风力发电项目未知发电量的情况下,项目减排量计算公式采用PCO2=W×t×α(即二氧化碳减排量=装机容量×可利用小时数×电力排放因子)。据此,计算出广东省珠海市50MW风力发电厂建设项目年碳减排量为63459.27tCO2e。
本申请实施例通过上述功能设计,提供了核算环境效益的方法学模型,可使得环境效益的计算自动或半自动化,将大大降低对节点上传数据的完整性要求,大幅提高了环境效益计算效率,实现了环境效益计算的自动化、智能化。
后续,在绿色金融产品的存续期,继续对绿色金融产品的环境效益这一量化指标进行验证管理,其中,若经后期审核,绿色金融产品产生的碳减排量未达到前期认证时承诺、确认的碳减排量,则按策略对其进行相应处罚,如,降低绿色金融产品的利率等,否则,若达到,则绿色金融产品的利率不变。
另外,本申请实施例中,系统还提供环境效益风险预测AI模型,来协助相关机构节点完成环境效益的绿色认证,与上文中对环境效益的评估所不同的是,评估具体是在项目前期基于上传的项目内容实现,而基于AI模型对环境效益的风险预测,则具体是基于项目的实际运行过程展开,具体可参见下文关于环境效益的风险AI预测的相关描述。
(四)资金管理
不属于本申请实施例的保护核心,不再展开描述。
(五)ESG风险预测
具体可参见下文关于ESG风险的评估、预测等的相关处理。
(六)气候风险预测
气候风险包括极端气候气象事件风险与转型风险。
极端气候气象事件风险主要指因全球气候变化可能带来的海平面上涨、极端气象事件等风险;转型风险主要指企业或项目在国家、国际碳达峰、碳中和等气候变化议题下适应政策转型与市场转型所带来的风险。
本申请实施例中,对金融产品在气候方面的预测处理包括:
其中,针对极端气候气象事件风险的预测:
1)对相应机构节点上传的金融产品的项目信息进行信息识别与提取得到项目所处区域;
2)确定项目所处区域对应的各类型气象事件;
3)通过对项目对所处区域中的不同类型气象事件的敏感度进行量化,得到项目的气候风险指数。
具体的,本申请实施例通过对相应节点上传的金融产品的项目名称进行语义识别,判断出项目所在地区/区域,并将判断出的项目所在地区/区域与预先构建的“气候风险数据库”进行匹配,识别出项目所在地的台风、干旱、咸潮、冰冻、极端高温、极端降水等可能的气象事件,及可能的海平面上涨影响风险,在此基础上,系统通过进一步对不同类型项目针对不同气象事件敏感度进行量化,来自动给出针对项目的气候风险指数,据此作为投融资项目的决策参考依据。
另外,针对极端气候气象事件风险,系统还提供极端气候气象事件的风险预测AI模型,来协助相关机构节点完成极端气候气象事件风险的绿色认证,相类似,上文针对极端气候气象事件风险提供的预测方法主要是是在项目前期基于节点上传的项目内容实现极端气候气象事件的风险预测,而基于AI模型对极端气候气象事件的风险预测,则具体是基于项目的实际运行过程展开,具体可参见下文关于极端气候气象事件的风险AI预测的相关描述。
针对转型风险的预测:
1)计算项目或企业可能产生的碳成本;
2)根据计算得到的碳成本评估转型风险。
针对转型风险,本申请实施例通过对多个区域碳交易市场与多个碳交易试点地区等碳价的实时监测,并作出趋势性预估,预先构建了“碳价格数据库”。在判断企业或项目转型风险时,以构建的该数据库为基础,通过企业碳排放量、所在地碳价格,计算企业可能产生的碳成本,从而对相关财务风险等进行评估,相应达到评估转型风险的目的。
另外,针对转型风险,系统还提供转型风险的风险预测AI模型,来协助相关机构节点完成转型风险的绿色认证,相类似,上文针对转型风险提供的预测方法主要是是在项目前期基于节点上传的项目内容(如从上传的项目名称中提取项目所在地等)实现转型风险的风险预测,而基于AI模型对转型风险的风险预测,则具体是基于项目的实际运行过程展开,具体可参见下文关于转型风险的风险AI预测的相关描述。
步骤307、区块链服务层将绿色认证结果进行区块链上链。
如果满足了智能合约的逻辑,即达成了共识,则该金融产品被认证为绿色金融产品,并将认证结果进行联盟链上链;反之,如果不符合智能合约逻辑,则表明未达成共识,相应将该金融产品标识为非绿色金融产品,该结果亦进行联盟链上链。
步骤308、应用服务层基于上链数据及绿色认证结果,生成报告信息。
智能合约运行后,应用服务层会自动生成包括核心业务数据及绿色认证结果等信息的MRV报告,以用于阐述核心业务数据及绿色认证结果等信息。
其中,MRV报告的生成以对绿色金融产品的MRV跟踪管理为基础,从而,本申请实施例中,在绿色金融产品发行后,在绿色金融产品的各个存续期继续对绿色金融产品进行MRV跟踪管理。
根据以上方案可知,本申请公开的绿色金融产品评估与管理的方法及系统,利用区块链技术重构了绿色金融产品评估与管理的信用体系,同时利用大数据与人工智能技术实现了绿色金融产品的风险预测与实时监测,将低效、高成本、含道德风险的绿色金融产品人工管理方法,重建为各利益相关方(对应于本申请中的各结构节点)参与的、自动调用人工智能分析结果的共识管理体系,从而提高了绿色金融产品的管理效率,并降低了管理成本,建立了更可靠的绿色金融产品管理方式及信用体系,从而确保绿色金融更好的服务碳中和、碳达峰需要。
在本申请一可选实施例中,如图5所示的绿色金融产品评估与管理的方法的流程示意图,本申请公开的绿色金融产品评估与管理的方法还包括以下处理:
步骤309、在金融产品发行完成后,各机构节点按照要求在金融产品的每个存续期进行自身机构对应的业务数据及证据数据的提交或修改。
一个绿色金融产品的发行与管理需要众多利益相关方参与,并且每个利益相关方往往不断更新所提供的信息。由此,在金融产品发行完成后,各机构节点可以按照要求在金融产品的各存续期进行自身机构对应的业务数据及证据数据的提交或修改。
为了解决各参与方信息协作不足的问题,本申请实施例通过相应技术在系统中建立了角色账号系统,并基于该角色账号系统为每个利益相关方(机构节点)分配对应的角色,并为每个角色添加对应的系统权限以及区块链权限,在此基础上,每一机构节点基于其对应的角色确认(如共识处理中,涉及的相关共识确认)其权限范围内应确认的信息,上传其权限范围内应上传的资料,并在系统中进行资料存证,上传信息通过智能合约系统建立的模型,实现自动确认与信息共享、共识,并自动生成绿色金融产品评估结果。
步骤310、区块链服务层根据金融产品的期限进行节点监控,在监控到机构节点提交或修改业务数据和/或证据数据时,对提交或修改的业务数据和/或证据数据进行区块链上链处理,并在上链后触发上述基于智能合约的各参与机构共识处理的步骤,以重新对金融产品进行绿色与否的认证。
区块链服务层负责智能合约管理、节点管理、节点监控和存证管理,在根据金融产品的期限监控到某机构节点在客户端修改已上链的业务数据或者证据文件时,系统会将修改后的数据进行二次上链处理,其中,具体将修改后的业务数据上到联盟链,证据数据在HASH后将HASH结果上链,并通过存储服务将证据数据保存在文件服务器中。并且,系统对金融产品各存续期的每次提交或修改数据均进行完整存证,以此确保金融产品全生命周期数据的存储,确保未来数据的溯源。
针对溯源问题,本申请实施例进一步利用区块链时间戳、分布式记账难以篡改等技术特性,来设计绿色金融产品的存证功能,这样任何信息确认与资料上传均可溯源,从而确保了可追溯、可问责。
并且,针对金融产品各关联参与方的每次数据提交或修改事件,均执行智能合约,自动触发基于智能合约的各参与机构共识处理,以重新对金融产品进行绿色认证,实现多方数据共识并交叉核验,确保数据真实性,降低失误带来的各种风险。
除此之外,针对传统方式MRV效率低下的问题,本申请可在线实时自调取ESG风险数据库信息,从而快速、高效地监测ESG风险,并可根据相关参与方上传或修改的资料,通过智能合约在金融产品的每个存续期自动开展MRV及相关MRV报告自动生成工作,大大提高了MRV的效率。且系统利用多方数据相互较验模型,确保MRV结果的真实准确。
直至金融产品最后一个存续期到期后,金融产品的生命周期在系统上结束,系统将维护金融产品全生命周期内各参与方提交/修改的所有数据及共识结果,且针对难以适应长周期管理需要的问题,本申请实施例通过区块链系统设计,使数据格式统一,录入标准统一,这样可支持随时调用,从而确保长周期内亦能保持数据一致性,以便于数据的长周期管理。
以下详细说明本申请系统中的风险预测服务,以及基于该服务的风险预测实现过程。
本申请实施例中,风险预测服务包括分别基于相应AI预测模型的ESG风险预测服务、环境效益风险预测服务、极端气候气象事件风险预测服务及转型风险预测服务。
其中:
(一)ESG风险预测
ESG风险预测服务预先通过对各个企业(如,全国范围内各个企业)的非财务数据的分析、人工智能学习而构建AI风险分析模型,并通过对需预测企业历史处罚记录的统计分析,以及基于模型的AI风险预测,来对企业在未来时间段的处罚情况做出环保风险预测。
实施中,可通过爬虫系统、合规数据源等渠道采集到企业非财务数据,并通过系统数据清洗或结合人工数据清洗,最终得到AI学习和数据统计分析所需要的基础数据。
相应的,该风险预测服务主要分为两大模块:统计模块和模型模块。
两个模块分别对金融产品的发行方企业(公司)、发行方企业所属行业以及所处区域(如,所处城市)进行未来时刻的处罚预测,预测其在给定的未来时间被各种处罚类型处罚的可能性。风险预测的输入相应共有三种模式,分别是企业、行业及区域,本质上,企业、行业及区域分别作为一种预测实体,输出则包括但不限于预测实体在以下七种处罚类型的被处罚概率:
罚款;
暂扣、吊销许可证;
没收违法所得;
行政拘留;
责令停产整顿;
责令停产、停业、关闭;
其他处罚。
在进行ESG风险预测时,统计模块具体从三个层面衡量,一是该企业之前的处罚情况,二是该企业所处行业之前的处罚情况,三是该企业所处区域之前的处罚情况,通过这三方面的衡量,最终得到各预测实体在未来时间段对应各种处罚类型的处罚预测。
对于模型模块,由于每一个预测实体可能对应多个处罚类型,从而使用多个独立的二分类模型来解决模型对应于各处罚类型的风险预测问题,以上述的七种处罚类型为例,该模型模块相应使用七个独立的二分类模型来解决该问题,每个模型之间相互不干扰,每个模型的意义是预测该预测实体在对应处罚类型的处罚概率。
从而,针对每一个输入,统计模块会给出一个预测的概率值,模型模块也会给出一个概率值,最后通过配置文件中配置的两个模块的贡献加权值,得出预测实体在每一个处罚类型对应的最终概率,预测实体在各处罚类型对应的被处罚概率则作为预测实体的风险预测结果。
更具体的,可通过以下处理实现对金融产品的风险预测:
1)针对金融产品对应的每一预测实体,通过统计每一预测实体的历史处罚信息,预测相应预测实体针对处罚类型集中的每一处罚类型在未来预定时间段的处罚情况,得到该预测实体对应每一处罚类型的第一处罚预测子结果;
2)利用构建的ESG风险预测人工智能模型,预测每一预测实体针对处罚类型集中的每一处罚类型在未来预定时间段的处罚情况,得到预测实体对应每一处罚类型的第二处罚预测子结果;
3)根据为统计预测方式和模型预测方式分别配置的权重,对预测实体对应于每一处罚类型的第一处罚预测子结果和第二处罚预测子结果进行加权运算,得到预测实体对应于每一处罚类型的处罚预测结果。
其中,在进行模型选择以构建AI风险分析模型时,作为一个二分类问题,可采用但不限于朴素贝叶斯、逻辑回归、决策树、随机森林、SVM(Support Vector Machine,支持向量机)、神经网络等实现本申请中每种风险类型(处罚类型)对应的二分类模型。
发明人考虑到数据量变大之后,深度神经网络模型的效果会明显超过传统机器学习模型,且神经网络是人工智能处理中的一个主要趋势,拟合能力强,基于此,本申请实施例优选采用MLP(Multi-Layer Perception,多层感知机)模型来解决本申请的二分类问题,实现分类。
以下对MLP模型进行介绍:
神经网络是对生物神经元的模拟和简化,生物神经元由树突、细胞体、轴突等部分组成。树突是细胞体的输入端,其接受四周的神经冲动;轴突是细胞体的输出端,其发挥传递神经冲动给其他神经元的作用,生物神经元具有兴奋和抑制两种状态,当接受的刺激高于一定阈值时,则会进入兴奋状态并将神经冲动由轴突传出,反之则没有神经冲动。
基于生物神经元模型可得到多层感知器MLP的基本结构,最典型的MLP包括包括三层:输入层、隐层和输出层,MLP神经网络不同层之间是全连接的(即:上一层的任何一个神经元与下一层的所有神经元都有连接)。神经网络主要有三个基本要素:权重、偏置和激活函数。
其中:
权重:神经元之间的连接强度由权重表示,权重的大小表示可能性的大小;
偏置:偏置的设置是为了正确分类样本,是模型中一个重要的参数,即保证通过输入算出的输出值不能随便激活;
激活函数:起非线性映射的作用,其可将神经元的输出幅度限制在一定范围内,一般限制在(-1~1)或(0~1)之间。最常用的激活函数是Sigmoid函数,其可将(-∞,+∞)的数映射到(0~1)的范围内。
MLP,也即为Full-connection Neural Network,结合参见图6,其包括的三层网络结构输入层(input layer)-隐层(hidden layer)-输出层(output layer)具体说明如下:
输入具体为x=(x1,x2...,xN),经过多个隐层和最后的输出层,得到y=(y1,y...,yM)。
如图7所示,每个神经元的输入为ai,参数为wi,该神经元的输出为a,σ为激活函数,常见的有sigmod、tanh等,激活函数的目的是引入非线性,增大神经网络的表达能力:
常见的激活函数具体可参见图8。
在分类问题中,输出层的神经元等于分类数。
以下从数据与特征、训练、预测这几个方面,对本申请实施例中基于MLP模型构建的二分类模型进行详细描述:
a)数据与特征
针对每个公司、行业、城市的处罚数据,本实施例将其转化为多个二分类问题,相应需训练多个二分类模型。对于本申请面临的二分类问题,本申请实施例将输出层的神经元个数设为1,并采用sigmoid激活函数,将神经元的输出压至[0,1]。
以“罚款”这个分类问题为例,设特征为x,label为y(罚款为1,不罚款为0),则能得到很多(x,y)对。将其分为训练、验证、测试集,在训练集中训练网络参数,在验证集验证,最后在测试集进行测试,得到最优的参数。
具体的,在一个示例中,共采用15个特征,包括:'industry','subIndustry','econ_kind','status','regist_capi','province_final','city_final','year','season','s_0','s_1','s_2','s_3','s_4','s_5',各个特征分别对应行业、子行业、公司种类、状态、资本、省、市、要预测的年、要预测的季度以及空气状态0-5。
由于采集的数据中难以避免可能存在一些缺失数据和脏数据,因此在获取上述特征时需要先对采集的数据进行预处理:
当进行公司处罚预测时,本实施例首先去查询公司基本信息表以及公司区域表,得到公司的基本信息,将用到的pattern归一化,对于没有的信息,为了提高精度,对类别信息(比如行业),会补上空(预留的一个类别),对于number的信息(比如注册资本),会使用所有训练数据的均值作为填充。当进行行业和区域处罚预测时,只会使用该行业/区域作为特征,其余特征均会用整个数据均值代替。当进行行业和区域处罚预测时,只会使用该行业/区域作为特征,其余特征均会用整个数据均值代替。
考虑到并没有之后年份的空气质量,而空气质量又是非常重要的pattern,当输入查询公司时,模型会根据该公司所处的城市(或者自己指定的城市),得到该城市的平均空气质量,如果数据中没有该城市的空气质量,会用所有训练数据的均值作为空气质量数据的输入。
s_0–s_5对应下列五种状态
{'优':0,'良':1,'轻度污染':2,'中度污染':3,'重度污染':4,'严重污染':5}
为了提高准确率,本实施例按季度统计各空气质量的状态值,并且具体取各个状态的在所有状态中的概率,作为空气质量数据的输入。
b)训练
对于每一个(x,y)对,本申请实施例将x的特征x=(x1,x2...,xk),代表数据的x个特征(即行业、资本等等),首先将每个特征向量化,并具体使用embedding技术,将每个特征映射为一个k维向量。如针对“行业”这个共有V个取值(分别代表“制造业”、“建筑业”等等)的特征,初始化一个(V,k)的矩阵,按照“行业”特征的实际取值对应的index,查(V,k)矩阵的第index行,得到一个k维向量,即为此特定“行业”特征的向量。对于数值型特征,本实施例采用分桶方式,按照阈值将连续型特征映射到不同的桶中,再进行embedding化。Embedding技术可以大大增强网络的表达能力。
将每个特征映射成embedding后,本申请实施例将x=(x1,x2...,xk)的所有特征concat起来,假设每个特征的embedding为k维,则有15*k个输入,初始化两层MLP网络,分别为(15*k,40),(40,1)两层,第一层的激活函数用tanh,第二层用sigmoid,通过网络的前向传播后,在最后一层能计算出分类的预测概率ylogit,已知该数据的惩罚情况,并且有ylabel,从而根据交叉墒,可以得到分类的损失函数:
loss=-{(ylabellog(ylogit)+(1-ylabel)log(1-ylogit))}。
通过反向传播算法,最终可以训练(更新)MLP和embedding参数,相应得到本申请所需的分别对应于每一处罚类型的二分类模型。
c)预测
在完成模型训练之后,对于新的数据,本申请实施例分别将其输入(′罚款′,′暂扣、吊销许可证′,′没收违法所得′,′行政拘留′,′责令停产整顿′,′责令停产、停业、关闭′,′其他处罚′)七个二分类模型,在每个模型中,先embedding映射,然后过MLP得到logits,如果logits>0.5,则预测会对预测实体进行所对应处罚类型的处罚,如果logits<0.5则预测不会对预测实体进行该处罚类型的处罚。
(二)环境效益风险预测
在环境效益风险预测方面,本申请实施例具体提供碳减排量的AI预测。
其中,预测碳排放量是一个回归问题,预测模型采用“多项式回归”方法。假设收集到的数据为D=(x,y),其中x为特征,y为标签(碳排放量)。设x=(x1,x2,...,xn)中的各个特征,依次代表“风力发电可利用小时数”、“风力气象数据”,“地域数据”、“时间数据”和“装机量”。将数值型特征直接输入,离散型特征id化(如将地域数据的每一个省份映射到1-34,代表不同的省份),初始化权重wT,则总输入z为z=wTx=w0x0+w1x1+…+wnxn,初始化参数αβ1β2,可以得到ypred=α+β1z+β2z2,ypred即为预测的碳排放量,根据真实碳排放量ylabel,通过MSE(mean square error,均方误差)损失函数loss=∑(ylabel-ypred)2,结合梯度下降方法,可以训练得到最优的参数wTαβ1β2。
实际预测时,只要将特征输入模型,便可以得到碳排放量。
(三)极端气候气象事件风险预测服务
极端气候气象事件风险是一个二分类问题,预测是否会有极端天气风险,模型的特征为“时间”、“地域”等,预测是否有“台风”,是否有“干旱”风险等等,可以转化成多个二分类问题。考虑到特征较少,可以采用逻辑回归方法。
以预测“是否有台风”为例,假设收集到的数据为D=(x,y),其中x为特征,y为标签(有台风为1,没有为0)。设x=(x1,x2,...,xn),代表了“时间”、“地域”等特征。同样,将数值型特征直接输入,离散型特征id化,初始化权重wT,则总输入z为z=wTx=w0x0+w1x1+…+wnxn,根据可以得到ypred,即为是否有“台风”,根据真实的台风情况ylabel,通过Cross Entropy(交叉熵)损失函数loss=-{(ylabellog(ypred)+(1-ylabel)log(1-ypred))},结合梯度下降方法,训练得到最优的参数wT。
实际预测时,只要将特征输入进模型,得到ypred,如果ypred>0.5,则预测有“台风风险”,反之则预测没有。
(四)转型风险预测
和之前预测碳排放量模型一样,预测碳成本也是一个回归问题,本实施例仍然采用“多项式回归”方法。
假设系统收集到的数据为D=(x,y),其中x为特征,y为标签(碳成本)。设x=(x1,x2,...,xn),代表了“碳价格”、“碳排放量”,“企业所在地”、“企业行业”和“时间”。将数值型特征直接输入,离散型特征id化(如将相同的“企业行业”映射到相同的id,将“制造业”映射为1,“建筑业”映射为2),初始化权重wT,则总输入z为z=wTx=w0x0+w1x1+…+wnxn,初始化参数αβ1β2,可以得到ypred=α+β1z+β2z2,ypred即为预测的碳成本,根据真实碳成本ylabel,通过MSE损失函数loss=∑(ylabel-ypred)2,结合梯度下降方法,可以找到最优的参数wT αβ1β2。
实际预测时,只要将特征输入进模型,便可以得到碳成本。
综上所述,本申请公开的绿色金融产品评估与管理的方法及系统,相比于传统绿色金融产品的人工管理方式,至少可产生以下几方面的技术效果:
1)去中心化的管理模式,建立了更高效、高质、低成本的绿色金融产品管理信任体系;
2)多方数据共识并交叉核验,确保数据真实性,降低了失误带来的风险及道德风险;
3)所有数据分布式存储,降低了信息丢失给绿色金融产品认证与跟踪管理带来的麻烦;
4)采用区块链技术对核心业务数据进行上链管理,上链数据可追溯,为可能的追责提供了条件,使绿色金融产品认证更具效力;
5)自动化管理模式,同时附加跟踪管理MRV功能,为绿色金融产品拓展奠定基础,如可开展影响力投资或环境效益资产化交易;
6)自动生成报告,统一、规范了认证报告标准,确保了报告数据的真实性,降低了企业管理成本;
7)可自动调用其他数据库,如ESG数据库,为绿色金融产品的多维度管理提供兼容性;
8)实现ESG风险预测,大大降低了绿色金融产品风险。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
为了描述的方便,描述以上系统或装置时以功能分为各种模块或单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。
最后,还需要说明的是,在本文中,诸如第一、第二、第三和第四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。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (16)
1.一种绿色金融产品评估与管理的方法,其特征在于,应用于绿色金融产品评估与管理的系统,所述系统至少包括:多个参与机构对应的多个机构节点、应用服务层、区块链服务层和风险预测服务;所述方法包括:
机构节点向所述系统提交自身机构对金融产品的业务数据和证据数据;
所述风险预测服务针对所述机构节点的提交事件,至少基于人工智能处理对所述金融产品进行风险预测,并向所述机构节点反馈风险预测结果;
所述机构节点基于所述风险预测结果向所述区块链服务层对应的区块链录入对所述金融产品的相应风险评价数据;
所述区块链服务层对所述业务数据和所述证据数据进行区块链上链处理,以及上链后触发基于智能合约的各参与机构共识处理;
若达成共识,所述区块链服务层将所述金融产品认证为绿色金融产品;若未达成共识,将所述金融产品认证为非绿色金融产品;并将绿色认证结果进行区块链上链;
所述应用服务层基于上链数据及所述绿色认证结果,生成报告信息。
2.根据权利要求1所述的方法,其特征在于,所述风险预测包括环境、社会和公司治理ESG风险预测、环境效益风险预测、极端气候气象事件风险预测及转型风险预测中的至少一种;
其中,风险预测服务针对所述机构节点的提交事件,至少基于人工智能处理对所述金融产品进行ESG风险预测,包括:
针对所述金融产品对应的每一预测实体,通过统计每一预测实体的历史处罚信息,预测所述预测实体针对处罚类型集中的每一处罚类型在未来预定时间段的处罚情况,得到所述预测实体对应每一处罚类型的第一处罚预测子结果;
利用构建的ESG风险预测人工智能模型,预测每一预测实体针对处罚类型集中的每一处罚类型在未来预定时间段的处罚情况,得到所述预测实体对应每一处罚类型的第二处罚预测子结果;
根据预测实体对应于每一处罚类型的第一处罚预测子结果和第二处罚预测子结果,确定所述预测实体对应于每一处罚类型的处罚预测结果。
3.根据权利要求2所述的方法,其特征在于:
基于预先构建的环境效益预测人工智能模型,预测所述金融产品的环境效益;所述环境效益预测人工智能模型采用多项式回归方法实现;
基于预先构建的极端气候气象事件风险预测人工智能模型,预测所述金融产品的极端气候气象事件风险;所述极端气候气象事件风险预测人工智能模型采用逻辑回归方法并通过转换为多个二分类问题实现;
基于预先构建的转型风险预测人工智能模型,预测所述金融产品的转型风险;所述转型风险预测人工智能模型采用多项式回归方法实现。
4.根据权利要求1所述的方法,其特征在于,基于共识机制对金融产品的认证包括以下各方面中的至少一种:
绿色属性的智能判断,环境效益智能评估和气候风险预测;
其中:
对金融产品的绿色属性的智能判断包括:
获取相应机构节点上传的金融产品的项目信息;识别所述项目信息中的项目内容;确定预定的绿色认证标准中是否存在与所述项目内容相匹配的条目;若存在,则判定所述金融产品具备绿色属性;
对金融产品的环境效益智能评估包括:
采用多维度数据智能模式计算金融产品对应的项目的环境效益;其中,采用多维度数据智能模式计算项目的环境效益的过程包括:在相应机构节点无法提供传统模式下的环境效益计算所需参数的情况下,利用以下备用计算式计算项目的环境效益:
PCO2=W×t×α
其中,PCO2表示二氧化碳减排量,W表示装机容量,t表示项目所在区域风力发电可利用小时数,α表示项目所在区域适用的电力排放因子;所述系统通过对相应机构节点上传的金融产品的项目信息进行信息识别与提取得到W,通过对相应机构节点上传的金融产品的项目信息进行信息识别及提取,并基于提取结果与预先构建的相应数据库进行匹配得到t和α;
对金融产品的气候风险预测包括:
针对极端气候气象事件风险:对相应机构节点上传的金融产品的项目信息进行信息识别与提取得到项目所处区域;确定项目所处区域对应的各类型气象事件;通过对项目对所处区域中的不同类型气象事件的敏感度进行量化,得到项目的气候风险指数;
针对转型风险:计算项目或企业可能产生的碳成本;根据计算得到的碳成本评估转型风险。
5.根据权利要求2所述的方法,其特征在于,所述金融产品对应的预测实体,包括以下的至少一种:所述金融产品关联的需进行风险预测的企业、所述企业所属的行业和所述企业所处的区域;
所述处罚类型集中的处罚类型包括以下的至少一种:罚款;暂扣、吊销许可证;没收违法所得;行政拘留;责令停产整顿;责令停产、停业、关闭;其他处罚;
其中,若所述处罚类型集包括多种处罚类型,所述ESG风险预测人工智能模型包括与各种处罚类型一一对应的多个二分类模型,每个二分类模型用于确定预测实体在未来预定时间段在相对应处罚类型的处罚概率。
6.根据权利要求2所述的方法,其特征在于,所述根据预测实体对应于每一处罚类型的第一处罚预测子结果和第二处罚预测子结果,确定所述预测实体对应于每一处罚类型的处罚预测结果,包括:
根据为统计预测方式和模型预测方式分别配置的权重,对预测实体对应于每一处罚类型的第一处罚预测子结果和第二处罚预测子结果进行加权运算,得到所述预测实体对应于每一处罚类型的处罚预测结果。
7.根据权利要求1所述的方法,其特征在于,所述系统还包括存储服务;
所述区块链服务层对所述业务数据和所述证据数据进行区块链上链处理,包括:
所述区块链服务层将所述业务数据进行区块链上链;
所述区块链服务层对所述证据数据进行哈希运算处理,将得到的哈希结果进行区块链上链,并通过所述存储服务对所述证据数据进行存储。
8.根据权利要求1所述的方法,其特征在于,所述应用服务层基于上链数据及所述绿色认证结果,生成报告信息,包括:
所述应用服务层生成包括核心业务数据及绿色认证结果的MRV报告。
9.根据权利要求8所述的方法,其特征在于,在生成所述MRV报告之前,还包括:
在绿色金融产品发行后,在绿色金融产品的存续期对绿色金融产品进行MRV跟踪管理。
10.根据权利要求1所述的方法,其特征在于,还包括:
在所述金融产品发行完成后,各机构节点按照要求在所述金融产品的每个存续期进行自身机构对应的业务数据及证据数据的提交或修改;
所述区块链服务层根据所述金融产品的期限进行节点监控,在监控到机构节点提交或修改业务数据和/或证据数据时,对提交或修改的业务数据和/或证据数据进行区块链上链处理,并在上链后触发所述基于智能合约的各参与机构共识处理的步骤,以重新对所述金融产品进行绿色与否的认证;
其中,所述系统在所述金融产品的各个存续期分别基于对应的上链数据及绿色认证结果生成报告信息,且所述系统能维护所述金融产品全生命周期对应的所有数据及共识结果。
11.根据权利要求10所述的方法,其特征在于,所述系统通过建立角色账号系统,为每个机构节点分配对应的角色,并为每个角色添加对应的系统权限以及区块链权限;
每个机构节点基于其对应的角色,向系统提交或修改其权限范围内的数据,及在共识处理中确认其权限范围内的数据。
12.根据权利要求1-11任一项所述的方法,其特征在于,所述区块链为联盟链。
13.一种绿色金融产品评估与管理的系统,其特征在于,包括:多个参与机构对应的多个机构节点、应用服务层、区块链服务层和风险预测服务;其中:
所述机构节点,用于向所述系统提交自身机构对金融产品的业务数据和证据数据;
所述风险预测服务,用于针对所述机构节点的提交事件,至少基于人工智能处理对所述金融产品进行风险预测,并向所述机构节点反馈风险预测结果;
所述机构节点,还用于基于所述风险预测结果向所述区块链服务层对应的区块链录入对所述金融产品的相应风险评价数据;
所述区块链服务层,用于:对所述业务数据和所述证据数据进行区块链上链处理,以及上链后触发基于智能合约的各参与机构共识处理;若达成共识,将所述金融产品认证为绿色金融产品;若未达成共识,将所述金融产品认证为非绿色金融产品;并将绿色认证结果进行区块链上链;
所述应用服务层,用于基于上链数据及所述认证结果,生成报告信息。
14.根据权利要求13所述的系统,其特征在于,所述系统还包括存储服务;
所述区块链服务层在对所述业务数据和所述证据数据进行区块链上链处理时,具体用于:
将所述业务数据进行区块链上链;对所述证据数据进行哈希运算处理,将得到的哈希结果进行区块链上链,并通过所述存储服务对所述证据数据进行存储,其中,所有上链数据均能够溯源。
15.根据权利要求13所述的系统,其特征在于,所述应用服务层还用于提供以下功能中的至少一种:
数据采集、用户管理、债券管理、权限管理和后台系统管理;
所述区块链服务层用于提供以下功能中的至少一种:
节点管理、存证管理、安全管理、合约管理和节点监控。
16.根据权利要求13所述的系统,其特征在于,所述风险预测服务为独立的应用系统模块,能够在所述系统中动态插拔。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110547059.2A CN113421165A (zh) | 2021-05-19 | 2021-05-19 | 一种绿色金融产品评估与管理的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110547059.2A CN113421165A (zh) | 2021-05-19 | 2021-05-19 | 一种绿色金融产品评估与管理的方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113421165A true CN113421165A (zh) | 2021-09-21 |
Family
ID=77712588
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110547059.2A Pending CN113421165A (zh) | 2021-05-19 | 2021-05-19 | 一种绿色金融产品评估与管理的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113421165A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114240672A (zh) * | 2021-12-15 | 2022-03-25 | 平安科技(深圳)有限公司 | 绿色资产的占比的识别方法及相关产品 |
CN114612018A (zh) * | 2022-05-11 | 2022-06-10 | 中国南方电网有限责任公司 | 一种内控风险监测方法、系统和可读存储介质 |
WO2023071129A1 (zh) * | 2021-10-30 | 2023-05-04 | 平安科技(深圳)有限公司 | 绿色资产的占比的识别方法及相关产品 |
CN117114424A (zh) * | 2023-10-24 | 2023-11-24 | 罗普特科技集团股份有限公司 | 一种用于城市安全的风险综合监测平台 |
TWI824651B (zh) * | 2022-08-05 | 2023-12-01 | 中國信託商業銀行股份有限公司 | Esg存放款整合方法與esg存放款整合設備 |
WO2024029922A1 (ko) * | 2022-08-05 | 2024-02-08 | 주식회사 아이이에스지 | 소프트웨어 기반 기업 esg 경영 관리 장치 및 그 수행 방법 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109102390A (zh) * | 2018-08-06 | 2018-12-28 | 河南真二互联网科技有限公司 | 基于区块链技术的金融产品风控方法 |
CN109741059A (zh) * | 2018-12-29 | 2019-05-10 | 杭州趣链科技有限公司 | 一种基于区块链的绿色资产管理系统及方法 |
WO2020010926A1 (zh) * | 2018-07-13 | 2020-01-16 | 山东小岛网络科技有限公司 | 一种基于区块链信用币或数字存证的融资模式方法 |
CN111681091A (zh) * | 2020-08-12 | 2020-09-18 | 腾讯科技(深圳)有限公司 | 基于时间域信息的金融风险预测方法、装置及存储介质 |
US20200410590A1 (en) * | 2019-06-25 | 2020-12-31 | Resilience Financing Inc. | Business Method, Apparatus and System for Managing Data, Analytics and Associated Financial Transactions for Environmental, Engineered and Natural Systems |
-
2021
- 2021-05-19 CN CN202110547059.2A patent/CN113421165A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020010926A1 (zh) * | 2018-07-13 | 2020-01-16 | 山东小岛网络科技有限公司 | 一种基于区块链信用币或数字存证的融资模式方法 |
CN109102390A (zh) * | 2018-08-06 | 2018-12-28 | 河南真二互联网科技有限公司 | 基于区块链技术的金融产品风控方法 |
CN109741059A (zh) * | 2018-12-29 | 2019-05-10 | 杭州趣链科技有限公司 | 一种基于区块链的绿色资产管理系统及方法 |
US20200410590A1 (en) * | 2019-06-25 | 2020-12-31 | Resilience Financing Inc. | Business Method, Apparatus and System for Managing Data, Analytics and Associated Financial Transactions for Environmental, Engineered and Natural Systems |
CN111681091A (zh) * | 2020-08-12 | 2020-09-18 | 腾讯科技(深圳)有限公司 | 基于时间域信息的金融风险预测方法、装置及存储介质 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023071129A1 (zh) * | 2021-10-30 | 2023-05-04 | 平安科技(深圳)有限公司 | 绿色资产的占比的识别方法及相关产品 |
CN114240672A (zh) * | 2021-12-15 | 2022-03-25 | 平安科技(深圳)有限公司 | 绿色资产的占比的识别方法及相关产品 |
CN114240672B (zh) * | 2021-12-15 | 2023-08-18 | 平安科技(深圳)有限公司 | 绿色资产的占比的识别方法及相关产品 |
CN114612018A (zh) * | 2022-05-11 | 2022-06-10 | 中国南方电网有限责任公司 | 一种内控风险监测方法、系统和可读存储介质 |
TWI824651B (zh) * | 2022-08-05 | 2023-12-01 | 中國信託商業銀行股份有限公司 | Esg存放款整合方法與esg存放款整合設備 |
WO2024029922A1 (ko) * | 2022-08-05 | 2024-02-08 | 주식회사 아이이에스지 | 소프트웨어 기반 기업 esg 경영 관리 장치 및 그 수행 방법 |
CN117114424A (zh) * | 2023-10-24 | 2023-11-24 | 罗普特科技集团股份有限公司 | 一种用于城市安全的风险综合监测平台 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Debrah et al. | Artificial intelligence in green building | |
CN113421165A (zh) | 一种绿色金融产品评估与管理的方法及系统 | |
Erol et al. | Alleviating the impact of the barriers to circular economy adoption through blockchain: An investigation using an integrated MCDM-based QFD with hesitant fuzzy linguistic term sets | |
Chen et al. | Hybrid ANN-CBR model for disputed change orders in construction projects | |
Jin | Neurofuzzy decision support system for efficient risk allocation in public-private partnership infrastructure projects | |
Wu et al. | The analysis of credit risks in agricultural supply chain finance assessment model based on genetic algorithm and backpropagation neural network | |
CN112633780B (zh) | 基于气候链处理碳资源的方法、相关装置及存储介质 | |
Elwakil et al. | Construction productivity fuzzy knowledge base management system | |
Wang et al. | A novel decomposition-ensemble forecasting system for dynamic dispatching of smart grid with sub-model selection and intelligent optimization | |
Cantore | Factors affecting the adoption of energy efficiency in the manufacturing sector of developing countries | |
Tao | Research on the degree of coupling between the urban public infrastructure system and the urban economic, social, and environmental system: A case study in Beijing, China | |
Liu et al. | Project external environmental factors affecting project delivery systems selection | |
Chen | [Retracted] Risk Assessment of Government Debt Based on Machine Learning Algorithm | |
Pan | The use of genetic programming for the construction of a financial management model in an enterprise | |
Niavis et al. | Trusted dbl: a blockchain-based digital twin for sustainable and interoperable building performance evaluation | |
Lin et al. | Blockchain-driven framework for financing credit in small and medium-sized real estate enterprises | |
Lee et al. | An entropy decision model for selection of enterprise resource planning system | |
Eskandary et al. | Identification and prioritization of public-private partnership indicators in Iran’s water and wastewater industry via data mining algorithms | |
CN113034159B (zh) | 一种基于区块链预言机技术的企业可信信评系统及方法 | |
Wenjing | BP Neural Network‐Based Evaluation Method for Enterprise Comprehensive Performance | |
Zhou et al. | The analytic supporting tools for business reengineering with system integration design | |
Kialashaki | Evaluation and forecast of energy consumption in different sectors of the United States using artificial neural networks | |
Wu et al. | Research on internet financial risk control based on deep learning algorithm | |
Kharazishvili et al. | The Systemic Approach for Estimating and Strategizing Energy Security: The Case of Ukraine. Energies 2021, 14, 2126 | |
Muñoz et al. | Simulation models to support the preliminary electoral results program for the Mexican Electoral Institute |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40057048 Country of ref document: HK |