CN114254916A - 具有电网业务特色的多维度供应商风险实时预警方法 - Google Patents
具有电网业务特色的多维度供应商风险实时预警方法 Download PDFInfo
- Publication number
- CN114254916A CN114254916A CN202111560777.XA CN202111560777A CN114254916A CN 114254916 A CN114254916 A CN 114254916A CN 202111560777 A CN202111560777 A CN 202111560777A CN 114254916 A CN114254916 A CN 114254916A
- Authority
- CN
- China
- Prior art keywords
- risk
- supplier
- early warning
- area
- real
- 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 28
- 238000010801 machine learning Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000012937 correction Methods 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 239000000463 material Substances 0.000 claims abstract description 6
- 238000004088 simulation Methods 0.000 claims abstract description 4
- 238000007726 management method Methods 0.000 claims description 22
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 230000005611 electricity Effects 0.000 claims description 6
- 238000011835 investigation Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000012502 risk assessment Methods 0.000 claims description 6
- 238000013473 artificial intelligence Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000012797 qualification Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims 1
- 230000002265 prevention Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 208000037386 Typhoid Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 201000008297 typhoid fever Diseases 0.000 description 1
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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
- Water Supply & Treatment (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Public Health (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种具有电网业务特色的多维度供应商风险实时预警方法,包括:准备历史电力物资供应商数据样本;构建电力特色的多维度预警;机器学习进行初始参数的模拟和计算;后期不断导入供应商新数据计算当前参数的误差,再将误差进行参数校正,根据参数校正的结果对阈值进行调整;开始迭代程序,直到训练误差已达到一个很小的值;实时导入供应商财务数据和电力特色数据,根据机器学习生成的参数和调整后,计算得出供应商的实时风险值。本发明能更加精确和前瞻性地预测供应商风险,变被动风险管理为主动风险防范,有效保障公司业务和资产安全。
Description
技术领域
本发明属于电力领域,涉及一种具有电网业务特色的多维度供应商风险实时预警方法。
背景技术
数字化时代,依托机器学习和计算机人工智能,实现业务风险中台化、前瞻化预警是采购型企业财务转型的重要目标之一。基于财务共享推进财务职能中台化,提升效率,符合当下财务转型方向。企业活动作为集合经济、技术、管理、组织等各方面的综合性社会活动,在各个方面都存在着不确定性。企业风险预警系统就是通过建立风险评估体系,进而进行风险预控,化解风险的发生,并将风险造成的损失降至最低程度的有效手段。开展企业活动的风险分析与管理,预防和化解风险的发生,将风险造成的损失控制在最低限度,已成为保证企业经营活动并创造最大效益的重要措施之一。
电力类企业亟需构建全维度供应商信息数据库,战略性设计风险预测,通过机器学习等技术手段结合行业大数据特色积极管理和预测供应商风险。对于财务管理,可以化被动的风险管理为主动积极预测,使得传统的财务核算功能得以升级,紧跟时代步伐,增添财务风险预测和预警管理功能,实现业务风险中台化、前瞻化预警,助力公司业务流的安全高效运转。
现有的供应商风险预测,无法有针对性地预测特定行业中供应商的风险,且预测过程中存在智能性不足的问题。因此,在预测特定行业供应商风险上具有一定的滞后性和被动性。财务部门对于供应商涉法和违约事项的管理和预测是财务部门日常管理中的一大难题。如何能够变被动地记录、计量和列报财务信息为主动地结合公司特色,更加积极地监控、预测和管理供应商财务风险,从而及时、有效地应对供应商涉法和违约问题,第一时间、高效率启动相应程序,协助公司最大限度保障和维护公司资产安全,成为财务管理面临的一大挑战。
发明内容
为了更好地预测电力行业供应商的风险,本发明的目的是提供一种具有电网业务特色的多维度供应商风险实时预警方法,更加精确和前瞻性地预测供应商风险,变被动风险管理为主动风险防范,有效保障公司业务和资产安全。
本发明的目的通过以下技术方案实现:
一种具有电网业务特色的多维度供应商风险实时预警方法,其特征在于,包括如下步骤:
1)准备历史电力物资供应商数据样本;
2)构建电力特色的多维度预警模型;
3)机器学习进行初始参数的模拟和计算;
4)后期不断导入供应商新数据计算当前参数的误差,再将误差进行参数校正,根据参数校正的结果对阈值进行调整;
5)开始迭代程序,直到训练误差已达到一个很小的值;
6)实时导入供应商财务数据和电力特色数据,根据机器学习生成的参数和调整后,计算得出供应商的实时风险值。
具体步骤如下:
S1、基于历史数据对拟构建的风险预警进行机器学习训练与主要原始参数构建。
S2、基于以往供应商的涉法和违约信息,利用机器学习软件,训练机器分析涉法和违约供应商的上市各项指标特点。
S3、计算机软件通过机器学习,逐渐模拟出供应商违约的原始参数指标,该指标可以用于预测初期参数搭建。
S4、在初期参数搭建完成后,可以利用后期数据矫正参数。该方法应用初期,预测的输出结果与实际可能并不一致,这时就产生了误差,通过对误差的反向传播,不断调整各个参数指标,使输出结果能达到精度要求,即完成了训练学习。
S5、利用电网公司平台信息,获取和监测合作供应商电费缴纳及时性和用电量信息,通过生产异常和缴费异常排查经营异常和信用异常。
S6、基于供应商财务数据和企业预警通、企查查、天眼查、裁判文书网等第三方财务、法务预警系统,实时监测财务异常和舆情异常。
S7、充分整合、记录和管理供应商与公司招投标和履约合作中提供的包括营业证照、财务报告、资质证明等各类公司自有信息,发挥其信息价值,融入到供应链风险管理和预警之中。
S8、基于供应商特点和机器学习,构建电力类企业具有电网特色的供应商风险多维特征型实时预警模型。
S9、在供应商风险预警过程中,结合人工智能、机器学习等形式对其进行参数拟合,最终获得最后的参数区间。
S10、按照风险等级,对不同计算结果进行预警区间划分警区和确定警限。风险预警可分为五个预警区,即A区(低风险区)、B区(较低风险区)、C区(中等风险区)、D区(较高风险区)、E区(高风险区)。
S11、对于风险评判等级一般采用5分制,即:“很好”,“好”,“一般”,“差”,“很差”,评判得分为5,4,3,2,1。于是得到评判向量VERTICAL=[5,4,3,2,1]T。
S12、若4<VERTICAL≤5,则项目风险处于低风险区;若3<VERTICAL≤4,则处于较低风险区;若2<VERTICAL≤3,则处于中等风险区,需要关注;若1<VERTICAL≤2,则处于较高风险区,需要监控;若0<VERTICAL≤1,则处于高风险区,考虑采取相关措施。
本发明以更加积极的姿态参与到物资供应链的风险管理过程中,公司财务管理部门需要着手建立具有自身业务特色的全方位供应商风险预警管理系统,有效地主动应对供应商涉法和违约事项,变冰冷的财务数据为风险预警数据,化被动的信息计量、处理和列报为主动的信息预测、评估和管理,更加精准、有效地参与到供应链中供应商风险预警中,在当下市场风险和信用风险不断承压的环境下,切实有效地通过风险预警系统管理,维护和保障公司资产安全。
利用电网拥有供应商电费缴纳信息和用电量信息的独特优势,电力类企业从相关公司处获取供应商电费缴纳和用电量实时信息,将其作为特色预警指标融入供应商风险预警,为企业的财务预警构建研究提供了新思路,同时也增加了该财务风险预警的有效性、独特性和及时性。
本发明的有益效果如下:
具有电网特色的供应商风险多维特征型实时预警的构建,可以使得公司供应商风险管理变被动为主动,化冰冷的财务数据为具有前瞻性和预测性功能的风险数据,让公司从被动应对风险和事后处理风险变成积极预测和管理风险。同时,将供应商风险预测融入物资供应业务过程,公司能有效甄别不良供应商,及时启动相应程序,确保公司资产安全。此外,从技术上来说,具有电网特色的供应商风险多维特征型预警的构建,不仅具有一定的实用价值和应用前景,同时对于风险预警体系构建指标来说,由于其融入了电网特色参数,因此该方法也做出了较大的技术创新贡献,具有相当重要的技术价值和应用前景。
具体实施方式
一种具有电网业务特色的多维度供应商风险实时预警方法,包括如下步骤:准备历史电力物资供应商数据样本;构建电力特色的多维度预警;机器学习进行初始参数的模拟和计算;后期不断导入供应商新数据计算当前参数的误差,再将误差进行参数校正,根据参数校正的结果对阈值进行调整;开始迭代程序,直到训练误差已达到一个很小的值;实时导入供应商财务数据和电力特色数据,根据机器学习生成的参数和调整后,计算得出供应商的实时风险值。
具体方法如下:
S1、基于历史数据对拟构建的风险预警进行机器学习训练与主要原始参数构建。
S2、基于以往供应商的涉法和违约信息,利用机器学习软件,训练机器分析涉法和违约供应商的上市各项指标特点。
S3、计算机软件通过机器学习,逐渐模拟出供应商违约的原始参数指标,该指标可以用于预测初期参数搭建。
S4、在初期参数搭建完成后,可以利用后期数据矫正参数。该方法应用初期,预测的输出结果与实际可能并不一致,这时就产生了误差,通过对误差的反向传播,不断调整各个参数指标,使输出结果能达到精度要求,即完成了训练学习。
S5、利用电网公司平台信息,获取和监测合作供应商电费缴纳及时性和用电量信息,通过生产异常和缴费异常排查经营异常和信用异常。
S6、基于供应商财务数据和企业预警通、企查查、天眼查、裁判文书网等第三方财务、法务预警系统,实时监测财务异常和舆情异常。
S7、充分整合、记录和管理供应商与公司招投标和履约合作中提供的包括营业证照、财务报告、资质证明等各类公司自有信息,发挥其信息价值,融入到供应链风险管理和预警之中。
S8、基于供应商特点和机器学习,构建电力类企业具有电网特色的供应商风险多维特征型实时预警模型:
Alarmi,t=β0+β1Feesi,t-1+β1Delayi,t-1+β2Accountingi,t-1+β3Lawi,t-1+β4Mediai,t-1+β5Operationi,t-1+β6NonSOEi,t-1+β7NonListedi,t-1+β7Credithistoryi,t-1+∑δiControlsi,t-1+εi,t-1
上式中,参数定义见表1。
表1,具有电网业务特色的多维度供应商风险实时预警模型中参数定义
S9、在供应商风险预警过程中,结合人工智能、机器学习等形式对其进行参数拟合,最终获得最后的参数区间。
S10、按照风险等级,对不同计算结果进行预警区间划分警区和确定警限。风险预警可分为五个预警区,即A区(低风险区)、B区(较低风险区)、C区(中等风险区)、D区(较高风险区)、E区(高风险区)。
S11、对于风险评判等级一般采用5分制,即:“很好”,“好”,“一般”,“差”,“很差”,评判得分为5,4,3,2,1。于是得到评判向量VERTICAL=[5,4,3,2,1]T。
S12、若4<VERTICAL≤5,则项目风险处于低风险区;若3<VERTICAL≤4,则处于较低风险区;若2<VERTICAL≤3,则处于中等风险区,需要关注;若1<VERTICAL≤2,则处于较高风险区,需要监控;若0<VERTICAL≤1,则处于高风险区,考虑采取相关措施。
建立具有自身业务特色的全方位供应商风险预警管理系统,有效地主动应对供应商涉法和违约事项,变冰冷的财务数据为风险预警数据,化被动的信息计量、处理和列报为主动的信息预测、评估和管理,更加精准、有效地参与到供应链中供应商风险预警中,在当下市场风险和信用风险不断承压的环境下,切实有效地通过风险预警系统管理,维护和保障公司资产安全。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (4)
1.一种具有电网业务特色的多维度供应商风险实时预警方法,其特征在于,包括如下步骤:
1)准备历史电力物资供应商数据样本;
2)构建电力特色的多维度预警模型;
3)机器学习进行初始参数的模拟和计算;
4)后期不断导入供应商新数据计算当前参数的误差,再将误差进行参数校正,根据参数校正的结果对阈值进行调整;
5)开始迭代程序,直到训练误差已达到一个很小的值;
6)实时导入供应商财务数据和电力特色数据,根据机器学习生成的参数和调整后,计算得出供应商的实时风险值。
2.根据权利要求1所述的具有电网业务特色的多维度供应商风险实时预警方法,其特征在于,具体步骤如下:
S1、基于历史数据对拟构建的风险预警进行机器学习训练与原始参数构建;
S2、基于以往供应商的涉法和违约信息,利用机器学习软件,训练机器分析涉法和违约供应商的上市各项指标特点;
S3、计算机软件通过机器学习,逐渐模拟出供应商违约的原始参数指标,该指标用于预测初期参数搭建;
S4、在初期参数搭建完成后,利用后期数据矫正参数;
S5、利用电网公司平台信息,获取和监测合作供应商电费缴纳及时性和用电量信息,通过生产异常和缴费异常排查经营异常和信用异常;
S6、基于供应商财务数据和企业预警通、企查查、天眼查、裁判文书网,利用第三方财务、法务预警系统,实时监测财务异常和舆情异常;
S7、充分整合、记录和管理供应商与电网公司招投标和履约合作中提供的各类公司自有信息,发挥其信息价值,融入到供应链风险管理和预警之中;
S8、基于供应商特点和机器学习,构建电力类企业具有电网特色的供应商风险多维特征型实时预警模型;
S9、在供应商风险预警过程中,结合人工智能、机器学习对实时预警模型进行参数拟合,最终获得最后的参数区间;
S10、按照风险等级,对不同计算结果进行预警区间划分警区和确定警限;风险预警分为五个预警区,即A区为低风险区、B区为较低风险区、C区为中等风险区、D区为较高风险区、E区为高风险区;
S11、对于风险评判等级采用5分制,即:“很好”,“好”,“一般”,“差”,“很差”,对应评判得分分别为5,4,3,2,1;于是得到评判向量VERTICAL=[5,4,3,2,1]T。
S12、若4<VERTICAL≤5,则项目风险处于低风险区;若3<VERTICAL≤4,则处于较低风险区;若2<VERTICAL≤3,则处于中等风险区,需要关注;若1<VERTICAL≤2,则处于较高风险区,需要监控;若0<VERTICAL≤1,则处于高风险区,需要采取相关措施。
3.根据权利要求2所述的具有电网业务特色的多维度供应商风险实时预警方法,其特征在于,S4中,初期预测的输出结果与实际不一致,产生误差,通过对误差的反向传播,不断调整各个参数指标,使输出结果达到精度要求,即完成了训练学习。
4.根据权利要求2所述的具有电网业务特色的多维度供应商风险实时预警方法,其特征在于,S7中,各类公司自有信息包括营业证照、财务报告、资质证明。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111560777.XA CN114254916A (zh) | 2021-12-20 | 2021-12-20 | 具有电网业务特色的多维度供应商风险实时预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111560777.XA CN114254916A (zh) | 2021-12-20 | 2021-12-20 | 具有电网业务特色的多维度供应商风险实时预警方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114254916A true CN114254916A (zh) | 2022-03-29 |
Family
ID=80793051
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111560777.XA Pending CN114254916A (zh) | 2021-12-20 | 2021-12-20 | 具有电网业务特色的多维度供应商风险实时预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114254916A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114819665A (zh) * | 2022-05-05 | 2022-07-29 | 国网江苏省电力有限公司南通供电分公司 | 一种基于分布式能源管理的异常预警方法及系统 |
CN116187768A (zh) * | 2023-04-26 | 2023-05-30 | 浙江电力交易中心有限公司 | 适用于绿电市场的风险评估及防护方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104599026A (zh) * | 2014-10-13 | 2015-05-06 | 芜湖扬宇机电技术开发有限公司 | 一种供应商选择方法 |
AU2017101182A4 (en) * | 2017-08-30 | 2017-10-05 | Bounty Hunter Enterprises Pty Ltd | An Ethos for Identifying the Non-Financial Risks of Businesses in Financial Terms |
CN108256708A (zh) * | 2016-12-29 | 2018-07-06 | 国网冀北电力有限公司物资分公司 | 电网物资供应商履约风险预警的方法 |
CN111292007A (zh) * | 2020-02-28 | 2020-06-16 | 中国工商银行股份有限公司 | 供应商财务风险预测方法及装置 |
CN112116197A (zh) * | 2020-08-04 | 2020-12-22 | 国网浙江省电力有限公司物资分公司 | 一种基于供应商评价体系的不良行为预警方法及系统 |
CN113345080A (zh) * | 2021-06-22 | 2021-09-03 | 郑州信源信息技术股份有限公司 | 一种供应商画像建模方法及系统 |
CN113642826A (zh) * | 2021-06-02 | 2021-11-12 | 中国海洋大学 | 一种供应商违约风险预测方法 |
-
2021
- 2021-12-20 CN CN202111560777.XA patent/CN114254916A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104599026A (zh) * | 2014-10-13 | 2015-05-06 | 芜湖扬宇机电技术开发有限公司 | 一种供应商选择方法 |
CN108256708A (zh) * | 2016-12-29 | 2018-07-06 | 国网冀北电力有限公司物资分公司 | 电网物资供应商履约风险预警的方法 |
AU2017101182A4 (en) * | 2017-08-30 | 2017-10-05 | Bounty Hunter Enterprises Pty Ltd | An Ethos for Identifying the Non-Financial Risks of Businesses in Financial Terms |
CN111292007A (zh) * | 2020-02-28 | 2020-06-16 | 中国工商银行股份有限公司 | 供应商财务风险预测方法及装置 |
CN112116197A (zh) * | 2020-08-04 | 2020-12-22 | 国网浙江省电力有限公司物资分公司 | 一种基于供应商评价体系的不良行为预警方法及系统 |
CN113642826A (zh) * | 2021-06-02 | 2021-11-12 | 中国海洋大学 | 一种供应商违约风险预测方法 |
CN113345080A (zh) * | 2021-06-22 | 2021-09-03 | 郑州信源信息技术股份有限公司 | 一种供应商画像建模方法及系统 |
Non-Patent Citations (2)
Title |
---|
刘兴元著: "《草业生态经济系统分析与评价》", 31 December 2015, 江苏凤凰科学技术出版社 * |
毛有高主编: "《山东教育财务管理工作指南 下》", 30 September 2010, 济南:山东大学出版社 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114819665A (zh) * | 2022-05-05 | 2022-07-29 | 国网江苏省电力有限公司南通供电分公司 | 一种基于分布式能源管理的异常预警方法及系统 |
CN116187768A (zh) * | 2023-04-26 | 2023-05-30 | 浙江电力交易中心有限公司 | 适用于绿电市场的风险评估及防护方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114493213A (zh) | 一种基于物联网的碳排放数据采集处理方法 | |
CN114254916A (zh) | 具有电网业务特色的多维度供应商风险实时预警方法 | |
CN111291076A (zh) | 基于大数据的异常用水监测报警系统及其构建方法 | |
CN109146611A (zh) | 一种电商产品质量信用指数分析方法及系统 | |
CN113256324A (zh) | 数据资产定价方法、装置、计算机设备和存储介质 | |
CN114943565A (zh) | 基于智能算法的电力现货价格预测方法及装置 | |
Huang | [Retracted] Construction and Analysis of Green Investment Risk Evaluation Index System Based on Information Entropy Fuzzy Hierarchical Analysis Model | |
CN116777616A (zh) | 一种基于概率密度分布的现货市场新能源日前交易决策方法 | |
Ruihong | The application of the balanced scorecard in performance assessment of knowledge management | |
Cao et al. | A Novel Dynamic Multicriteria Decision‐Making Approach for Low‐Carbon Supplier Selection of Low‐Carbon Buildings Based on Interval‐Valued Triangular Fuzzy Numbers | |
CN114595909A (zh) | 一种电费回收风险评估方法和系统 | |
Wang et al. | Research on EPC project risk evaluation based on FAHP and TOPSIS | |
Tan | Performance evaluation model of cross border e-commerce supply chain based on LMBP feedback neural network | |
Huo et al. | Critical risk factors of public building green retrofit projects-an empirical study in Chongqing, China | |
Xing et al. | The evaluation of customer potential value based on prediction and cluster analysis | |
Sun et al. | Fuzzy comprehensive model of manufacturing industry transfer risk based on economic big data analysis | |
Zhang et al. | Power demand response incentive pricing model | |
Xiao et al. | One belt, one road, the early warning model of financial risk analysis for small and medium sized enterprises based on big data analysis | |
Liu et al. | Research on economic risk model of global value chain based on Artificial Intelligence | |
CN116402528A (zh) | 电力数据处理系统 | |
CN117114239A (zh) | 一种绿色低碳价值的定量评价方法及其系统 | |
Wang et al. | Pricing research of ‘photo-earning’task based on logistic regression and BP neural network | |
Jia et al. | The Research of Customer Lifetime Value Related to Risk Factors in the Internet Business: Exampled by Online Car-hailing Industry | |
Pu | Application of Fuzzy Influence Map Evaluation Algorithm in Supply Chain Financial Credit Risk Assessment | |
Hu et al. | Research on Credit Risk Assessment Model of Enterprises’ Unpaid Electricity Charge Based on Machine Learning Method |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220329 |