CN113807645A - 一种基于开源情报的产业链风险推演方法 - Google Patents

一种基于开源情报的产业链风险推演方法 Download PDF

Info

Publication number
CN113807645A
CN113807645A CN202110843017.3A CN202110843017A CN113807645A CN 113807645 A CN113807645 A CN 113807645A CN 202110843017 A CN202110843017 A CN 202110843017A CN 113807645 A CN113807645 A CN 113807645A
Authority
CN
China
Prior art keywords
risk
chain
supply chain
data
index
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
Application number
CN202110843017.3A
Other languages
English (en)
Inventor
向安玲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Qingbo Intelligent Technology Co ltd
Original Assignee
Beijing Qingbo Intelligent Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Qingbo Intelligent Technology Co ltd filed Critical Beijing Qingbo Intelligent Technology Co ltd
Priority to CN202110843017.3A priority Critical patent/CN113807645A/zh
Publication of CN113807645A publication Critical patent/CN113807645A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • 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
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/34—Browsing; Visualisation therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—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)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Databases & Information Systems (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Animal Behavior & Ethology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于开源情报的产业链风险推演方法，包括以下步骤：步骤A：构建供应链纵向分析框架；步骤B：构建供应链安全评估体系和产业链风险指标体系，搭建产业链风险因子库；步骤C：基于开源数据进行数据挖掘；步骤D：数据可视化；步骤E：通过风险信号的势能效应预测产业链中潜在的风险信号。本发明辐射面广，实用价值高，可面向政府、企业等各级各类主体单位，对产业链不同环节潜在风险进行评估，可使被波及到的部分(尤其是处于产业链中下游的)产业在风险发生前提前做好相应准备，原理通俗，操作容易，可以通过自定义方案拉取数据，使用灵活，整个过程对操作人员的计算机能力、大数据分析能力要求一般。

Description

一种基于开源情报的产业链风险推演方法
技术领域
本发明属于产业链技术领域，具体为一种基于开源情报的产业链风险推演方法。
背景技术
随着互联网中各行各业数据量的增加，数据采集能力与分析技术的提高，预知产业将要面临的风险成为一种可能。由于对风险预警需求量的增加，基于开源数据的风险分析、推演、与预警技术应运而生，并已成为一项成熟热门的研究方向；
目前对于产业链风险推演的技术主要集中在以下几个方面：
一是对某类型产业链可能遇到的风险的预判，如商业银行面临的挑战；
二是在产业风险发生前期进行研讨形成后续解决方案；
以上两项技术帮助许多产业在风险未扩大时及时止损，并根据相关案例有效规避了近似风险。但同时也存在着以下几点问题：
一是更多的产业希望在产业链风险还波及到自身时时获得及时的预警而不是在风险已经发生后做出反应；
二是因为没有统一的对风险的预判，需要对不同的产业可能发生的风险问题分别进行研究，耗时耗力；
三是缺少对产业间关联性的考虑，导致无法根据产业链中已出现的问题发觉自身可能将要出现的问题；
以上问题出现的原因很多为技术层面上的不足。在采集数据方面无法通过数据爬虫等手段进行大规模大批量采集。采集数据之后无法通过分析数据获得有效的知识图谱，及找到数据之间的关联性，或对文本情感识别产生偏差导致进行风险推演或判断(是否给出)风险预警的模型准确率不高。
发明内容
本发明的目的在于解决背景技术中的问题，提供一种基于开源情报的产业链风险推演方法。
本发明采用的技术方案如下：
一种基于开源情报的产业链风险推演方法，包括以下步骤：
步骤A：构建供应链纵向分析框架，所述框架包括供需链、企业链、空间链、与价值链，下分一二级指标并进行细化，同时采用定量与定性结合的方法进行分析，所述供需链包括上下游企业合作关联案例数据画像及竞合关系分析，所述企业链包括供应链主体数据画像/指数评估分析，所述空间链包括供应链主体合作关联关系网络，所述价值链包括产业发展与组织关系数据库；
步骤B：构建供应链安全评估体系和产业链风险指标体系，搭建产业链风险因子库，所述供应链安全评估体系从供应链整体风险、供应链写作风险、与风险变动指数三个纬度设计评估体系，并下分子维度与具体评估指标；
步骤C：基于开源数据进行数据挖掘，在数据采集之后，可以通过数据挖掘技术工具集进行情感分析等处理，并在构建事件库与数据可视化后通过使用数据挖掘模型算发包进行风险识别；
步骤D：数据可视化，通过分析后的数据进行知识图谱、事理图谱、情绪分布图可视化；
步骤E：通过风险信号的势能效应预测产业链中潜在的风险信号。
优选的，所述供需链在纵剖面视角下，描绘供应链产业流程链条，包括上游供应商-中游生产制造商-下游应用及销售商-相关支撑企业在供应链中存在的上下游关系，技术、信息、知识资源在供应链条进行传递和流动，以及供应链的价值增值过程。
优选的，所述供需链进行上下游企业合作关联案例数据画像及竞合关系分析，构建国际ICT供应链合作关联知识库，并提供数据查询展示，形成上下游企业合作机构、产业画像，为竞合关系分析和危机预警提供数据和业务支撑，针对具体业务需求，如按合作方式、合作规模、合作领域方向维度进行分类。
优选的，所述空间链从合作主体、区域分布到合作传播，运用定性与定量相结合的方式综合评估。
优选的，所述价值链涵盖网信产业合作的态势和趋势、网信产业生态和发展态势，结合业务需求，提炼关键影响因素进行关联分析和映射、对事态的发展规律进行挖掘和预演，所述价值链中的组织关系数据库包括敌对关系、非敌非友关系和友好关系。
优选的，所述开源数据进行数据挖掘包括采集开源情报信息，包括公司股注册信息、技术实力、影响力、人才实力、产品线、投资机构、新闻报道多方面信息，根据业务需求扩展覆盖范围。
优选的，产业链风险指标体系包括构建特定产业的风险分类、细分分类风险特征、细分分类风险程度计算规则、细分分类风险关联关系，评估体系指标设计基于以下三点：
一：突出ICT产业供应链整体性风险特征，全部风险因素覆盖了整个供应链运行中的所有环节，能够反映和表现供应链系统运行过程中各类风险侧面的现状、变化趋势及整体风险程度；
二：表征供应链整体风险特征以及供应链节点企业间协作风险方面指标的设置，如供应链整体风险维度中的环境、系统风险，供应链条协作风险维度中的供应、需求、合作、财务风险；
三：将表征供应链风险变动趋势特征的因素引入到评估指标体系中，使指标体系既能反映出供应链安全的现状，又能对风险的未来变动趋势作出预测。
优选的，所述供应链安全评估体系的评估方法包括以下三种：
一：指数评估法，依据底层指标库提取数据，用极差正规化法对数据进行无量纲化处理，对于正向指标标准化
Figure RE-GDA0003340734980000041
，对于逆向指标标准化，通过比较各样本特征向量到最优向量的距离，越小说明样本越接近最优水平，排名越靠前，距离采用欧式距离表示，在含三个特征(x，y，z)情况下，点A 和B之间的欧式距离为
Figure RE-GDA0003340734980000042
，基于得到的权重计算供应链安全指数
Figure RE-GDA0003340734980000043
；
二：人工神经网络，具体步骤如下：
a.确定分类结果的关键指标及分成几类；给出训练样本和测试样本。比如将供应链风险等级分成类，就得给出对应于这类结果的关键指标的样本值；
b.确定神经网络的拓扑结构，学习参数的初始化、确定学习算法；
c.输入训练样本，通过学习算法不断地调整权重，直至输出的总误差不超过某个值；
d.利用测试样本评判网络的精度，并对之进行优化；
网络权重稳定之后，输入待分类数据，输出分类结果；
三：模糊影响图，具体步骤如下：
a.根据研究对象的特点和结点之间的关系建立影响图；
b.分别定义基于区间值的状态模糊集和频率模糊集；
c.根据影响图建立非独立结点与前序结点间的关系表；
d.利用建立的状态模糊集、频率模糊集、模糊关系和区间值模糊影响图算法进行计算，得出随机结点的频率矩阵，价值结点的频率矩阵及概率分布；
根据价值结点概率分布情况，判断风险的大小，以便为政府和企业采取有效的风险应对措施提供决策依据。
优选的，所述产业链风险因子库使用实体识别、关系抽取、聚类、分类、情感计算、自动摘要、关键词抽取、关系识抽取、实体消歧、共现矩阵、自动标注等算法进行细粒度文本精准抽取，并结合供应链风险体系的要素，对于历史事件中造成供应链风险的事件进行归类、聚类、标注、指数计算形成历史事件库。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
1、本发明中，辐射面广，实用价值高，可面向政府、企业等各级各类主体单位。
2、本发明中，对产业链不同环节潜在风险进行评估，可使被波及到的部分(尤其是处于产业链中下游的)产业在风险发生前提前做好相应准备。
3、本发明中，原理通俗，操作容易，可以通过自定义方案拉取数据，使用灵活，整个过程对操作人员的计算机能力、大数据分析能力要求一般。
4、本发明中，供应链风险推演准确率高，主要得益于完善的供应链评估方法与先进的文本情绪识别技术，结合指数评估法、人工精神网络、与模糊影响图保证评估的准确，并基于深度学习模型与NLP算法等技术进行文本情绪识别与语义分析。
附图说明
图1为本发明的流程框图；
图2为本发明的风险识别流程图；
图3为本发明的开源数据挖掘思路图；
图4为本发明的模糊影响图；
图5为本发明中风险信号的势能效应图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
参照图1-5，一种基于开源情报的产业链风险推演方法，包括以下步骤：
步骤A：构建供应链纵向分析框架，所述框架包括供需链、企业链、空间链、与价值链，下分一二级指标并进行细化，同时采用定量与定性结合的方法进行分析，所述供需链包括上下游企业合作关联案例数据画像及竞合关系分析，所述企业链包括供应链主体数据画像/指数评估分析，所述空间链包括供应链主体合作关联关系网络，所述价值链包括产业发展与组织关系数据库；
梳理产业链图谱。横截面视角下，复现供应链生态图谱，包括梳理供应链上游、中游、下游细分领域，以及各细分领域中的主要生产和销售企业情况，纵剖面视角下，描绘供应链产业流程链条，包括“上游供应商-中游生产制造商-下游应用及销售商-相关支撑企业…”在供应链中存在怎样的上下游关系，技术、信息、知识等资源如何在供应链条进行传递和流动，以及供应链的价值增值过程；
供应链纵向分析主要包含以下四部分：
供需链，及上下游企业合作关联案例数据画像及竞合关系分析。构建国际 ICT供应链合作关联知识库，并提供数据查询展示，形成上下游企业合作机构、产业画像，为竞合关系分析和危机预警提供数据和业务支撑。针对具体业务需求，如按合作方式、合作规模、合作领域方向等维度进行分类；
企业链，及供应链主体数据画像/指数评估分析，采用指标如下：
Figure RE-GDA0003340734980000071
Figure RE-GDA0003340734980000081
Figure RE-GDA0003340734980000091
Figure RE-GDA0003340734980000101
空间链，及供应链主体合作关联关系网络。从合作主体，区域分布到合作传播，运用定性与定量相结合的方式综合评估。采用指标如下：
Figure RE-GDA0003340734980000102
Figure RE-GDA0003340734980000111
价值链，及产业发展与组织关系数据库，涵盖不同国家、组织机构与我国开展网信产业合作的态势和趋势、不同国家网信产业生态和发展态势、我国相关组织机构和企业对外合作的态势和趋势等。结合业务需求，提炼关键影响因素对不同场景进行关联分析和映射、对事态的发展规律进行挖掘和预演。
步骤B：构建供应链安全评估体系和产业链风险指标体系，搭建产业链风险因子库，所述供应链安全评估体系从供应链整体风险、供应链写作风险、与风险变动指数三个纬度设计评估体系，并下分子维度与具体评估指标；
Figure RE-GDA0003340734980000121
Figure RE-GDA0003340734980000131
构建产业链风险指标体系。主要需要构建特定产业的风险分类、细分分类风险特征、细分分类风险程度计算规则、细分分类风险关联关系。评估体系指标设计基于以下三点：
1)突出ICT产业供应链整体性风险特征，全部风险因素覆盖了整个供应链运行中的所有环节，能够反映和表现供应链系统运行过程中各类风险侧面的现状、变化趋势及整体风险程度。
2)侧重于表征供应链整体风险特征以及供应链节点企业间协作风险方面指标的设置，如供应链整体风险维度中的环境、系统风险；供应链条协作风险维度中的供应、需求、合作、财务风险。
3)将表征供应链风险变动趋势特征的因素引入到评估指标体系中,突出强调了各风险因素的动态变化趋势对供应链安全的重要影响，使指标体系既能反映出供应链安全的现状，又能对风险的未来变动趋势作出预测,也使评估结果更加科学可信。
供应链安全评估方法有以下三种：
指数评估法。依据底层指标库提取数据，用极差正规化法对数据进行无量纲化处理。对于正向指标标准化
Figure RE-GDA0003340734980000141
；对于逆向指标标准化
Figure RE-GDA0003340734980000142
。利用“改进向量法”对指标体系中各指标赋予权重。即通过比较各样本特征向量到最优向量的距离，越小说明样本越接近最优水平，排名越靠前。距离采用欧式距离表示，如：在含三个特征(x，y，z)情况下，点A和B之间的欧式距离为
Figure RE-GDA0003340734980000143
。基于得到的权重计算供应链安全指数
Figure RE-GDA0003340734980000144
。
人工神经网络。具体步骤如下：
a.确定分类结果的关键指标及分成几类；给出训练样本和测试样本。比如将供应链风险等级分成类，就得给出对应于这类结果的关键指标的样本值；
b.确定神经网络的拓扑结构，学习参数的初始化、确定学习算法；
c.输入训练样本，通过学习算法不断地调整权重，直至输出的总误差不超过某个值；
d.利用测试样本评判网络的精度，并对之进行优化；
网络权重稳定之后，输入待分类数据，输出分类结果；
模糊影响图。具体步骤如下：
a.根据研究对象的特点和结点之间的关系建立影响图；
b.分别定义基于区间值的状态模糊集和频率模糊集；
c.根据影响图建立非独立结点与前序结点间的关系表；
d.利用建立的状态模糊集、频率模糊集、模糊关系和区间值模糊影响图算法进行计算，得出随机结点的频率矩阵，价值结点的频率矩阵及概率分布；
根据价值结点概率分布情况，判断风险的大小，以便为政府和企业采取有效的风险应对措施提供决策依据。
步骤C：基于开源数据进行数据挖掘，在数据采集之后，可以通过数据挖掘技术工具集进行情感分析等处理，并在构建事件库与数据可视化后通过使用数据挖掘模型算发包进行风险识别；
采集开源情报信息。定向针对ICT产业排名前500名、国内排名前100的产业主流公司、各国外交机构、国际合作组织和平台、网信行业、企业相关信息、相关合作事件等做定向采集。自动釆集全球主要网信行业、企业相关信息，包括公司股注册信息、技术实力、影响力、人才实力、产品线、投资机构、新闻报道等多方面信息，可根据业务需求扩展覆盖范围；
提供用户自定义方案拉取数据与特定信息源两种方式进行数据的拉取与聚合。自定义方案拉取数据为利用关键词、排除词、关联关键词、关键词组合等方式，在数据中心的全网数据中进行搜索与匹配，命中数据拉取到系统中，后续进行处理与存储。特定信息源采集数据为政府网站、特定社交媒体账号、汇率、PPI等其他指定数据发布的自动采集，系统可以按照一定频度自动采集并在之后处理入库。技术方面运用到网络爬虫技术，扩展供应链安全相关数据的信息采集范围。
步骤D：数据可视化，通过分析后的数据进行知识图谱、事理图谱、情绪分布图可视化；
步骤E：通过风险信号的势能效应预测产业链中潜在的风险信号。
搭建产业链风险因子库。使用实体识别、关系抽取、聚类、分类、情感计算、自动摘要、关键词抽取、关系识抽取、实体消歧、共现矩阵、自动标注等算法进行细粒度文本精准抽取，并结合供应链风险体系的要素，对于历史事件中造成供应链风险的事件进行归类、聚类、标注、指数计算形成历史事件库。
事件库模块如下：
Figure RE-GDA0003340734980000161
Figure RE-GDA0003340734980000171
5.对产业链不同环节潜在风险进行评估，形成风险画像。主要需要构建特定产业的风险分类、细分分类风险特征、细分分类风险程度计算规则、细分分类风险关联关系。
通过案例法、专家访谈、文献调查等完善行业专业词表、构建风险体系及其特征词库，并从历史数据中抽取风险及风险特征、相关影响并对风险影响进行专家调查法、深度学习算法训练的方式，对其具体表现和程度、关联影响做计算，生成风险指数，实现对于风险的识别、分析、计算。风险分类及风险描述的核心特征作为关键词进行数据的监测，发现之后，提取实体，匹配实体信息，分析其产业分类及其上下围关联产业、量上面进行统计，看看是否个例还是具有一定规律性的风险，例如在某统一地域、或者同一细分产业分类，或者同一产品下的风险呈现。新事件与历史数据进行相似性与关联关系的分析，如果能够发现新事件与历史事件匹配度到达一定阈值，标注风险事件，并进行风险点提取、风险关联影响及程度的计算。事件生成，自动对信息的事件核心要素的抽取和标注，并通过深度学习算法构建的风险识别模型，抽取实体、风险点、计算风险关联与程度，达到一定阈值，标注风险事件。
实体库构成如下：
1)企业、上市公司、头部公司。都是企业类别的实体，通常对于企业，一方面是调用我们的现有的结构化数据库，同时加入在文本分析过程中标注的标签和一些特定的风险点和风险指数的构成，便于和识别的风险进行匹配，计算风险的关联程度。对于一些标签在初期会有人工的测算、反馈、维护等工作，并提供给神经网络算法作为算法学习的训练集。
2)政府部门、银行、金融机构、研究机构、财经分析机构。作为机构类的实体，涉及到文本分析中的实体权威性、发布信息的真实性、影响程度的判断，需要在文本分析时精准识别，并调取相应的判断，计算风险点、风险程度的计算。
3)财经分析专家、行业专家。结合财政金融研究专家，行业从业专家等对于行业的分析，可以提前对于一些财务、经营、行业发展做出一定的趋势分析和预测，对于其中的金融、政策、运营的风险进行识别、预测、预警。通常对于研究专家、行业专家、主管部门领导等都会构建一个画像，对其信息的可信度、传播力、正确度做些长时间跨度的监测与分析，提升对于行业和政策的发布、解读的信息的真实性、有效性的就按。
4)地域区划表。全世界的行政区域，可以细化的区。划分越细，对于风险的影响范围定位越精准，同时受制于数据获取的来源，我们通常很多情况下对于实体和风险的地域精度是有限的，可以通过历史事件的方式对其风险和风险影响范围、程度做补充的分析，提升风险识别和风险指数计算的准确度。
5)其他实体。其他突发的事件、案例中出现的其他实体，单独构建实体库，同时对其与风险的关联进行规则的抽取，在历史事件的对比分析中、训练集中可以实现对于非常规性风险、突发风险的识别、关联关系、程度进行匹配计算。
基于风险指数的变化趋势，和风险在各产业链环节的分布态势，对风险可能的传导路径进行推演预测(如目前集中在上游某个节点，那么下游可能也会存在对应的断货风险等)。结合知识图谱和风险事件的事理图谱，对各类机构、人员、事件、现象的内在关联进行深入剖析，发现现实的、潜在的及其他的供应链风险信号。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于开源情报的产业链风险推演方法，其特征在于：包括以下步骤：
步骤A：构建供应链纵向分析框架，所述框架包括供需链、企业链、空间链、与价值链，下分一二级指标并进行细化，同时采用定量与定性结合的方法进行分析，所述供需链包括上下游企业合作关联案例数据画像及竞合关系分析，所述企业链包括供应链主体数据画像/指数评估分析，所述空间链包括供应链主体合作关联关系网络，所述价值链包括产业发展与组织关系数据库；
步骤B：构建供应链安全评估体系和产业链风险指标体系，搭建产业链风险因子库，所述供应链安全评估体系从供应链整体风险、供应链写作风险、与风险变动指数三个纬度设计评估体系，并下分子维度与具体评估指标；
步骤C：基于开源数据进行数据挖掘，在数据采集之后，可以通过数据挖掘技术工具集进行情感分析等处理，并在构建事件库与数据可视化后通过使用数据挖掘模型算发包进行风险识别；
步骤D：数据可视化，通过分析后的数据进行知识图谱、事理图谱、情绪分布图可视化；
步骤E：通过风险信号的势能效应预测产业链中潜在的风险信号。
2.如权利要求1所述的一种基于开源情报的产业链风险推演方法，其特征在于：所述供需链在纵剖面视角下，描绘供应链产业流程链条，包括上游供应商-中游生产制造商-下游应用及销售商-相关支撑企业在供应链中存在的上下游关系，技术、信息、知识资源在供应链条进行传递和流动，以及供应链的价值增值过程。
3.如权利要求2所述的一种基于开源情报的产业链风险推演方法，其特征在于：所述供需链进行上下游企业合作关联案例数据画像及竞合关系分析，构建国际ICT供应链合作关联知识库，并提供数据查询展示，形成上下游企业合作机构、产业画像，为竞合关系分析和危机预警提供数据和业务支撑，针对具体业务需求，如按合作方式、合作规模、合作领域方向维度进行分类。
4.如权利要求1所述的一种基于开源情报的产业链风险推演方法，其特征在于：所述空间链从合作主体、区域分布到合作传播，运用定性与定量相结合的方式综合评估。
5.如权利要求1所述的一种基于开源情报的产业链风险推演方法，其特征在于：所述价值链涵盖网信产业合作的态势和趋势、网信产业生态和发展态势，结合业务需求，提炼关键影响因素进行关联分析和映射、对事态的发展规律进行挖掘和预演，所述价值链中的组织关系数据库包括敌对关系、非敌非友关系和友好关系。
6.如权利要求1所述的一种基于开源情报的产业链风险推演方法，其特征在于：所述开源数据进行数据挖掘包括采集开源情报信息，包括公司股注册信息、技术实力、影响力、人才实力、产品线、投资机构、新闻报道多方面信息，根据业务需求扩展覆盖范围。
7.如权利要求1所述的一种基于开源情报的产业链风险推演方法，其特征在于：所述产业链风险指标体系包括构建特定产业的风险分类、细分分类风险特征、细分分类风险程度计算规则、细分分类风险关联关系，评估体系指标设计基于以下三点：
一：突出ICT产业供应链整体性风险特征，全部风险因素覆盖了整个供应链运行中的所有环节，能够反映和表现供应链系统运行过程中各类风险侧面的现状、变化趋势及整体风险程度；
二：表征供应链整体风险特征以及供应链节点企业间协作风险方面指标的设置，如供应链整体风险维度中的环境、系统风险，供应链条协作风险维度中的供应、需求、合作、财务风险；
三：将表征供应链风险变动趋势特征的因素引入到评估指标体系中，使指标体系既能反映出供应链安全的现状，又能对风险的未来变动趋势作出预测。
8.如权利要求1所述的一种基于开源情报的产业链风险推演方法，其特征在于：所述供应链安全评估体系的评估方法包括以下三种：
一：指数评估法，依据底层指标库提取数据，用极差正规化法对数据进行无量纲化处理，对于正向指标标准化
Figure FDA0003179576160000031
对于逆向指标标准化，通过比较各样本特征向量到最优向量的距离，越小说明样本越接近最优水平，排名越靠前，距离采用欧式距离表示，在含三个特征(x，y，z)情况下，点A和B之间的欧式距离为
Figure FDA0003179576160000032
基于得到的权重计算供应链安全指数
Figure FDA0003179576160000033
二：人工神经网络，具体步骤如下：
a.确定分类结果的关键指标及分成几类；给出训练样本和测试样本。比如将供应链风险等级分成类，就得给出对应于这类结果的关键指标的样本值；
b.确定神经网络的拓扑结构，学习参数的初始化、确定学习算法；
c.输入训练样本，通过学习算法不断地调整权重，直至输出的总误差不超过某个值；
d.利用测试样本评判网络的精度，并对之进行优化；
网络权重稳定之后，输入待分类数据，输出分类结果；
三：模糊影响图，具体步骤如下：
a.根据研究对象的特点和结点之间的关系建立影响图；
b.分别定义基于区间值的状态模糊集和频率模糊集；
c.根据影响图建立非独立结点与前序结点间的关系表；
d.利用建立的状态模糊集、频率模糊集、模糊关系和区间值模糊影响图算法进行计算，得出随机结点的频率矩阵，价值结点的频率矩阵及概率分布；
根据价值结点概率分布情况，判断风险的大小，以便为政府和企业采取有效的风险应对措施提供决策依据。
9.如权利要求1所述的一种基于开源情报的产业链风险推演方法，其特征在于：所述产业链风险因子库使用实体识别、关系抽取、聚类、分类、情感计算、自动摘要、关键词抽取、关系识抽取、实体消歧、共现矩阵、自动标注等算法进行细粒度文本精准抽取，并结合供应链风险体系的要素，对于历史事件中造成供应链风险的事件进行归类、聚类、标注、指数计算形成历史事件库。
CN202110843017.3A 2021-07-26 2021-07-26 一种基于开源情报的产业链风险推演方法 Pending CN113807645A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110843017.3A CN113807645A (zh) 2021-07-26 2021-07-26 一种基于开源情报的产业链风险推演方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110843017.3A CN113807645A (zh) 2021-07-26 2021-07-26 一种基于开源情报的产业链风险推演方法

Publications (1)

Publication Number Publication Date
CN113807645A true CN113807645A (zh) 2021-12-17

Family

ID=78893172

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110843017.3A Pending CN113807645A (zh) 2021-07-26 2021-07-26 一种基于开源情报的产业链风险推演方法

Country Status (1)

Country Link
CN (1) CN113807645A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115063046A (zh) * 2022-08-08 2022-09-16 安徽继远软件有限公司 基于大数据分析的电网物资供应商数智驾驶舱系统
CN116307724A (zh) * 2023-03-22 2023-06-23 江苏风云科技服务有限公司 一种基于复杂网络的产业链风险传播方法和系统
CN116663750A (zh) * 2023-07-31 2023-08-29 北京市科学技术研究院 一种产业链数据价值评估分析系统
CN117951357A (zh) * 2024-03-25 2024-04-30 中国标准化研究院 一种基于大数据的科技标准动态监测方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105913195A (zh) * 2016-04-29 2016-08-31 浙江汇信科技有限公司 基于全行业数据的企业金融风险评分方法
KR20180061458A (ko) * 2016-11-28 2018-06-08 전자부품연구원 정형/비정형 데이터 융합 기반 산업평가 정보 분석 방법 및 시스템
CN108364124A (zh) * 2018-01-26 2018-08-03 天津中科智能识别产业技术研究院有限公司 基于大数据的国际产能合作风险评估与决策服务系统
CN110163467A (zh) * 2019-04-02 2019-08-23 苏州纤联电子商务有限公司 一种基于纺织行业中小型企业信用的风险量化建模方法
WO2020000847A1 (zh) * 2018-06-25 2020-01-02 中译语通科技股份有限公司 一种基于新闻大数据的恐慌指数监测分析方法及系统
CN111489065A (zh) * 2020-03-27 2020-08-04 北京理工大学 融合ict供应链网络拓扑和产品商业信息的节点风险评估
CN112256887A (zh) * 2020-10-28 2021-01-22 福建亿榕信息技术有限公司 基于知识图谱的智能供应链管理方法
CN113537609A (zh) * 2021-07-26 2021-10-22 北京清博智能科技有限公司 一种基于文本智能挖掘的政策热点预测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105913195A (zh) * 2016-04-29 2016-08-31 浙江汇信科技有限公司 基于全行业数据的企业金融风险评分方法
KR20180061458A (ko) * 2016-11-28 2018-06-08 전자부품연구원 정형/비정형 데이터 융합 기반 산업평가 정보 분석 방법 및 시스템
CN108364124A (zh) * 2018-01-26 2018-08-03 天津中科智能识别产业技术研究院有限公司 基于大数据的国际产能合作风险评估与决策服务系统
WO2020000847A1 (zh) * 2018-06-25 2020-01-02 中译语通科技股份有限公司 一种基于新闻大数据的恐慌指数监测分析方法及系统
CN110163467A (zh) * 2019-04-02 2019-08-23 苏州纤联电子商务有限公司 一种基于纺织行业中小型企业信用的风险量化建模方法
CN111489065A (zh) * 2020-03-27 2020-08-04 北京理工大学 融合ict供应链网络拓扑和产品商业信息的节点风险评估
CN112256887A (zh) * 2020-10-28 2021-01-22 福建亿榕信息技术有限公司 基于知识图谱的智能供应链管理方法
CN113537609A (zh) * 2021-07-26 2021-10-22 北京清博智能科技有限公司 一种基于文本智能挖掘的政策热点预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
孔媛媛;王恒山;朱珂;李晟;: "模糊影响图评价算法在供应链金融信用风险评估中的应用", 数学的实践与认识, no. 21, pages 156 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115063046A (zh) * 2022-08-08 2022-09-16 安徽继远软件有限公司 基于大数据分析的电网物资供应商数智驾驶舱系统
CN116307724A (zh) * 2023-03-22 2023-06-23 江苏风云科技服务有限公司 一种基于复杂网络的产业链风险传播方法和系统
CN116663750A (zh) * 2023-07-31 2023-08-29 北京市科学技术研究院 一种产业链数据价值评估分析系统
CN116663750B (zh) * 2023-07-31 2023-10-13 北京市科学技术研究院 一种产业链数据价值评估分析系统
CN117951357A (zh) * 2024-03-25 2024-04-30 中国标准化研究院 一种基于大数据的科技标准动态监测方法及系统

Similar Documents

Publication Publication Date Title
Zhu et al. Application of machine learning techniques for predicting the consequences of construction accidents in China
CN113807645A (zh) 一种基于开源情报的产业链风险推演方法
CN113688169B (zh) 基于大数据分析的矿山安全隐患辨识与预警系统
Badenes-Olmedo et al. Efficient clustering from distributions over topics
CN109783633A (zh) 数据分析服务流程模型推荐方法
Aparicio et al. Predicting Bitcoin prices: The effect of interest rate, search on the internet, and energy prices
Yao et al. Using social media information to predict the credit risk of listed enterprises in the supply chain
Yu et al. Neural network based transaction classification system for chinese transaction behavior analysis
Zeng [Retracted] Credit Risk Evaluation in Enterprise Financial Management by Using Convolutional Neural Network under the Construction of Smart City
Shi et al. Adaptive multi-layer contrastive graph neural networks
Chen et al. Predicting a corporate financial crisis using letters to shareholders
Cao RETRACTED ARTICLE: The utilization of rough set theory and data reduction based on artificial intelligence in recommendation system
Yang et al. An evidential reasoning rule-based ensemble learning approach for evaluating credit risks with customer heterogeneity
Tang et al. Predictable by publication: discovery of early highly cited academic papers based on their own features
Yao Application of data mining technology in financial fraud identification
Li et al. Survey and Prospect for Applying Knowledge Graph in Enterprise Risk Management.
Tirea et al. Classifying and quantifying certain phenomena effect
Wang et al. Preprocessing and feature extraction methods for microfinance overdue data
Liu et al. CREDIT RISK ASSESSMENT OF BANKS'LOAN ENTERPRISE CUSTOMER BASED ON STATE-CONSTRAINT.
Kui et al. A method of evaluation for small and medium-sized enterprises
Di Vincenzo et al. A text analysis for Operational Risk loss descriptions
Bhardwaj et al. Assaying the statistics of crime against women in India using provenance and machine learning models
Zhang News Communication Value Evaluation Algorithm Based on Deep Neural Network
Li et al. LSTM Deep Neural Network Based Power Data Credit Tagging Technology
Obayagbona et al. A Model for Tracking Sentiment in Reviews at Aspect Level Using Support Vector Machines

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