CN115330531A - 一种基于用电变动周期的企业风险预测方法 - Google Patents
一种基于用电变动周期的企业风险预测方法 Download PDFInfo
- Publication number
- CN115330531A CN115330531A CN202211080258.8A CN202211080258A CN115330531A CN 115330531 A CN115330531 A CN 115330531A CN 202211080258 A CN202211080258 A CN 202211080258A CN 115330531 A CN115330531 A CN 115330531A
- Authority
- CN
- China
- Prior art keywords
- enterprise
- data
- risk
- scale
- equipment
- 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 41
- 230000008859 change Effects 0.000 title claims abstract description 39
- 230000005611 electricity Effects 0.000 title claims description 61
- 238000004519 manufacturing process Methods 0.000 claims abstract description 95
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000003062 neural network model Methods 0.000 claims abstract description 13
- 238000013135 deep learning Methods 0.000 claims abstract description 6
- 238000013528 artificial neural network Methods 0.000 claims description 35
- 238000012360 testing method Methods 0.000 claims description 35
- 230000006870 function Effects 0.000 claims description 23
- 238000011156 evaluation Methods 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 13
- 230000007306 turnover Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 11
- 238000013461 design Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000009776 industrial production Methods 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 claims description 7
- 238000013210 evaluation model Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 239000002994 raw material Substances 0.000 claims description 6
- 230000003203 everyday effect Effects 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000012886 linear function Methods 0.000 claims description 4
- 238000012502 risk assessment Methods 0.000 claims description 4
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000013475 authorization Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000009193 crawling Effects 0.000 claims description 3
- 238000007418 data mining Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims description 3
- 238000011835 investigation Methods 0.000 claims description 3
- 230000002427 irreversible effect Effects 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000003442 weekly effect Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 230000002159 abnormal effect Effects 0.000 claims 1
- 230000002354 daily effect Effects 0.000 description 3
- 238000004806 packaging method and process Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000009958 sewing Methods 0.000 description 2
- 235000007516 Chrysanthemum Nutrition 0.000 description 1
- 244000189548 Chrysanthemum x morifolium Species 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010892 electric spark Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 238000010409 ironing Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003801 milling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/254—Extract, transform and load [ETL] procedures, e.g. ETL data flows in data warehouses
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Fuzzy Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种基于用电变动周期的企业风险预测方法，包括：获取企业的的用电数据；基于深度学习方法训练电器设备识别神经网络模型；识别统计企业的用电规模和设备规模，分析企业的运转周期和工作规律；基于企业的运作周期和工作规律分析企业经营情况；根据不同设备用电规模判断生产环节中各阶段情况，建立生产环节规模识别模型；基于历史数据判断生产经营情况变化；基于企业生产经营状况预测企业风险；基于企业风险给出企业贷款建议；提供企业信息接口。
Description
【技术领域】
本发明涉及信息技术领域，尤其涉及一种基于用电变动周期的企业风险预测方法。
【背景技术】
企业的经营经常需要用到很多大型或小型设备，尤其是制造业企业更是如此。因为通过用电数据是可以知道该企业生产经营状态的。但是企业经营经常有变动，可能是周期性变动，也可能是环境变化。有很多因素会导致用电变化，而这个变化，很可能会导致变成评判他是否经营正常的依据。而企业贷款就是基于企业的经营活动进行判断的。如何获取企业真实的运营状态，进而对其评估是否以及如何进行企业贷款，是当前一个很值得解决的问题。
【发明内容】
本发明提供了一种基于用电变动周期的企业风险预测方法，主要包括：
获取企业的的用电数据；基于深度学习方法训练电器设备识别神经网络模型；识别统计企业的用电规模和设备规模，分析企业的运转周期和工作规律；基于企业的运作周期和工作规律分析企业经营情况；根据不同设备用电规模判断生产环节中各阶段情况，建立生产环节规模识别模型；基于历史数据判断生产经营情况变化；基于企业生产经营状况预测企业风险；基于企业风险给出企业贷款建议；提供企业信息接口；
进一步可选地，所述获取企业的的用电数据包括：
与企业签订协议，获得企业授权；在插座中嵌入微型电压互感器和微型电流互感器；通过A/D转换芯片完成信号的模数转换；数字滤波器对信号进行滤波，剔除无用信号和干扰信号；电量检测芯片记录时序电压、电流信号；通过电压和电流计算得到电功率；51单片机基于时序记录电压、电流、功率以及用电时间信息，并传输到服务器中；根据芯片传输的信息进行数据预处理；对数据进行分类并提取用电指标数据，即index＝{电压，电流，功率，用电时间}，其中index表示用电数据指标。
进一步可选地，所述基于深度学习方法训练电器设备识别神经网络模型包括：
采集大量企业中的设备用电数据作为训练集和测试集；对用电数据训练集进行预处理，提取出电压、电流、功率和用电时长数据；将电压、电流、功率和用电时长数据这些数据标注标签，标签为对应的电器设备；将带有标签的样本通过BP神经网络模型进行学习，建立用电设备识别模型；将测试集数据经过预处理后输入到训练好的模型中进行测试，评估分类结果的准确性；根据测试结果调整模型参数，提高模型分类准确性。
进一步可选地，所述识别统计企业的用电规模和设备规模，分析企业的运转周期和工作规律包括：
统计每天企业中所有智能插座的用电量，得到企业的用电规模数据；采集智能插座的用电数据，通过电器设备识别神经模型识别出该数据对应的电器设备；统计各类电器设备的类型和数量，得到企业的设备规模；基于企业的用电规模数据和设备规模数据分析企业运作周期和工作规律；包括：基于企业用电规模和设备规模评价企业；建立企业类型识别模型；建立企业规模的模型；结合其他企业的运转周期和工作规律进行意外用电判断；
所述基于企业用电规模和设备规模评价企业，具体包括：
获得企业各类型设备的类型和数量，得到企业设备规模。基于机器学习建立模型，输入企业设备规模信息预测出企业类型。建立不同类型企业规模评价体系。以企业类型为前提根据企业用电规模估算企业销售额。将预测的企业销售额与预设的阈值对比，推断出企业规模。结合企业类型和企业规模综合评价企业。
所述建立企业类型识别模型，具体包括：
通过企业官网、实地考察获取大量不同企业所拥有的设备类型和设备数量信息。采集的设备信息数据利用ETL方式进行数据清洗，删除缺失数据、重复数据与错误数据。将设备类型和设备数量信息预先分类，赋予这些信息不同企业类型的标签，作为训练集和测试集。将带有标签的样本通过BP神经网络模型进行学习，建立企业类型识别模型。将测试集数据经过预处理后输入到训练好的模型中进行测试，评估分类结果的准确性。根据测试结果调整模型参数，提高模型分类准确性。
所述建立企业规模的模型，具体包括：
将企业按照行业进行分类。行业种类有：农、林、牧、渔业，轻工业，重工业，建筑业，批发业，零售业，交通运输业。获取企业用电设备和用电量。基于WASD神经网络建立企业生产产品和销售量预测模型，输入层为行业种类、用电设备、用电量，隐含层神经元使用单极性Sigmoid激励函数，输出层为企业产品数量及价值。将测试集数据经过预处理后输入到训练好的模型中进行测试，调整参数，提高预测准确度。将营业收入与对应行业不同规模的营业收入阈值进行比较。
所述结合其他企业的运转周期和工作规律进行意外用电判断，具体包括：
获取同类型企业用电规模数据。记录每家企业每周的总用电量。通过非线性最小二乘拟合方法得到每家企业的用电周期和规律曲线图。基于K-means聚合算法对用电数据进行高维混合数据挖掘。高维混合数据由分类型数据和数值型数据共同构成。将分类型数据和数值型数据的相似度度量形式作为高维混合属性数据的度量形式，即D＝Dn+Wi*De，其中Dn为高维混合属性数据中的数值型数据相似度，De为分类型数据相似度，Wi为第i个簇内分类型数据的占比权重值。利用降噪处理所得的聚类结果进行异常标记。将企业用电规律曲线与同类型企业用电数据比较，得到意外用电数据。将意外用电数据排除，重新拟合用电周期和规律曲线图。将用电规律与同类型企业用电规律进行对比，当拟合度高于预设的阈值时则判断计算结果具有鲁棒性。
进一步可选地，所述基于企业的运作周期和工作规律分析企业经营情况包括：
通过评估企业资产管理能力和盈利能力分析企业经营情况；资产管理能力包括营业周期、总资产周转率，盈利能力包括成本费用利润率、净资产收益率；将企业的营业周期等同于企业的运转周期；提取智能插座的用电数据，得到企业用电设备及其对应的用电度数数据；基于生产环节规模识别模型计算收入净额、资产总额、企业利润总额、企业成本费用总额、销售净利率、资产周转率；得到企业经营评价模型，即M＝100*(W1*A+W2*P)，其中M为企业经营评价指数，A为企业资产管理能力指数，P为企业盈利能力指数，T为企业营业周期，C为企业总资产周转率，D为企业成本费用利润率，N为企业净资产收益率,W1、W2、W3、W4为权重值。
进一步可选地，所述根据不同设备用电规模判断生产环节中各阶段情况，建立生产环节规模识别模型包括：
通过智能插座获取企业中设备种类和设备用电度数；基于用电设备识别模型将设备划分为不同类型；将设备类型分为处理原材料设备、生产设备、处理成品设备；建立BP神经网络训练生产环节规模识别模型；BP神经网络的输入层包括4个指标：设备种类，设备功能，设备数量，用电度数，即n＝4，输出层为生产环节规模评价结果,即m＝1，隐含层为4层；采用Sigmoid函数和线性函数作为BP神经网络中的激活函数.采用均方误差作为BP神经网络的误差函数；生产环节规模评价结果即各生产环节中的货品数量和资本存量；根据各生产环节规模计算企业经营评价模型中各个指数的大小。
进一步可选地，所述基于历史数据判断生产经营情况变化包括：
当企业用电量发生变化时，判断用电量变化是否是意外用电引起的；当系统判断是意外用电时，则忽略此变化；当系统判断用电量变化是企业生产经营状况发生变化时，基于同比和环比方式判断企业经营变化；同比，是指在相邻运转周期中的某一相同时间点进行比较，环比是指就相邻时间段的对比；建立企业生产经营变化模型，即C＝W1*O+W2*L，其中C代表企业经营增长率，O代表企业生产经营同比增长率，L代表企业生产经营环比增长率，W1、W2为权重值。
进一步可选地，所述基于企业生产经营状况预测企业风险包括：
企业风险由企业经营风险、企业政策风险和企业产品风险构成；建立企业风险评估模型，即R＝W1*M+W2*I+W3*P，其中R代表企业风险，M代表企业经营风险，I代表企业政策风险，P代表企业产品风险，W1、W2、W3代表权重值，且W1+W2+W3＝1；根据BP(Back-Propagation)神经网络分析预测企业风险；包括：预测企业经营风险；预测企业政策风险；预测企业产品风险；
所述预测企业经营风险，具体包括：
企业经营风险用经营杠杆衡量。经营杠杆的大小用经营杠杆系数表示。经营杠杆系数＝(销售收入-变动成本)/(销售收入-变动成本-固定成本)。变动成本指的是原材料及电力消耗费用和生产工人工资。固定成本指的是购买设备、房屋租金以及管理人员工资。基于生产环节规模识别模型预测企业销售收入及企业成本数据。
所述预测企业政策风险，具体包括：
获取同行业大量企业用电数据，剔除无用数据和干扰数据。通过国家官方网站获取行业生产总值及国家投资金额。基于WASD神经网络预测国家投资金额，将1999年-2018年行业生产总值及国家投资金额作为WASD神经网络的样本，使用2018年-2021年的数据对训练后的神经网络进行校验，在神经网络中输入为年份，输出为行业生产总值及国家投资金额。通过企业官方网站获取企业投资金额。基于K-means聚类算法对比企业投资金额与行业生产总值及国家投资金额的符合程度，企业的政策风险与符合程度关系为A＝1/X，其中X为符合程度，A为政策风险。
所述预测企业产品风险，具体包括：
产品风险包括产品设计风险、产品功能质量风险、产品定位风险。爬取社交网站以及网购平台中以该产品为关键字的信息。提取产品销量、产品好评度、产品持续使用率、产品更换率信息，将这些信息与设定的阈值对比，确定不同产品风险等级。产品设计风险由产品销量决定，产品由产品持续使用率、产品更换率决定，产品市场定位风险由产品好评度决定。建立产品风险模型，即P＝W1*D+W2*O+W3*T,其中P代表产品风险、D代表产品设计风险、O代表产品功能质量风险、T代表产品市场定位风险，W1、W2、W3代表权重值，且W1+W2+W3＝1。
进一步可选地，所述基于企业风险给出企业贷款建议包括：
根据企业用电设备种类及用电量判断企业类型及规模，划定贷款金额范围；构建企业贷款模型，预测出合适的贷款金额；当企业提出贷款申请后，分析贷款的风险，判断企业申请额度的合理性；将预测得到的贷款信息传送到银行进行进一步审核；包括：计算当前企业贷款的适当金额；基于企业贷款金额预估模型的结果分析当前企业贷款申请的风险；
所述计算当前企业贷款的适当金额，具体包括：
获取与企业生产经营有关的指数。所属指数包括企业内部控制质量指数、负债总额、资产总额、净利润、平均资产、税后利润、净资产、营业收入、企业前十大股东十股比例。获取方式包括从企业网站获取、分析企业财务报表、生产环节规模识别模型。构建企业贷款模型，即L＝W0+W1*ICQ+W2*LEV+W3*ROA+W4*ROE+W5*Growth+W6*Z，其中L代表贷款金额、ICQ代表内部控制质量指数、LEV代表资产负债率、ROA代表资产净利率、ROE代表资产收益率、Growth代表营收增长率、Z代表股权集中度。
所述基于企业贷款金额预估模型的结果分析当前企业贷款申请的风险，具体包括：
基于企业贷款模型计算出当前企业的贷款额度，将贷款额度的±10％范围设置为为低风险贷款额度。当企业贷款金额处于低风险额度范围内时，批准企业的贷款申请。当企业贷款金额超出低风险额度范围时，构建企业贷款风险模型，即Y＝(A-D)/D*100％+R,其中Y为贷款风险，A为企业申请贷款金额，D为通过企业贷款金额预估模型计算出当前企业的贷款额度,R为企业风险。当企业贷款风险小于预设的阈值时，同意企业的贷款申请，大于预设的阈值时，驳回企业贷款申请。
一种基于用电变动周期的企业风险预测方法其特征在于，所述系统包括：
将贷款方关注的企业信息进行整理并汇总；使用不对称加密算法，使用匹配的一对公钥和私钥，对企业信息进行加密和解密；在进行安全通信前，请求认证者的秘密信息互相鉴别对方的身份；发送数据的同时利用单向的不可逆加密算法Hash函数计算出所传输数据的消息文摘，并将消息文摘作为数字签名随数据一同发送。
本发明实施例提供的技术方案可以包括以下有益效果：
本发明能够根据企业用电状态推断企业运营状态，进而对企业贷款给出合理依据，由于企业用电数据是通过企业生产一线获得，因此企业运营状态更加真实，企业贷款更加合理。本发明能够根据企业用电状态给于相关的贷款风险预测，并消除因为季节性或者自身喜好而导致的用电变动误差，带来的贷款风险计算上的误差。可以通过结合企业类型及同型企业数据精准判断贷款金额。
【附图说明】
图1为本发明的一种基于用电变动周期的企业风险预测方法的流程图。
图2为本发明的一种基于用电变动周期的企业风险预测方法的结构图。
【具体实施方式】
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
图1为本发明的一种基于用电变动周期的企业风险预测方法流程图。如图1所示，本实施例一种基于用电变动周期的企业风险预测方法具体可以包括：
步骤101，获取企业的的用电数据。
与企业签订协议，获得企业授权。在插座中嵌入微型电压互感器和微型电流互感器。通过A/D转换芯片完成信号的模数转换。数字滤波器对信号进行滤波，剔除无用信号和干扰信号。电量检测芯片记录时序电压、电流信号。通过电压和电流计算得到电功率。51单片机基于时序记录电压、电流、功率以及用电时间信息，并传输到服务器中。根据芯片传输的信息进行数据预处理。对数据进行分类并提取用电指标数据，即index＝{电压，电流，功率，用电时间}，其中index表示用电数据指标。企业、电网与银行签订协议，A企业希望从银行贷款，则需要允许电网通过智能插座获得企业用电数据和其他相关数据。设备工作时的电压和电流的数值较大，而且是交流电，无法直接记录电压和电流数据，因此需要使用电压互感器和电流互感器将工作电压和电流转换成可记录的小电压和小电流信号。例如，某设备工作电压为380V，工作电流为16A，经过转换后电压为3V，电流为0.5A。芯片得到电压为3V，电流为0.5A的信号后自动将其还原为380V和16A，并计算出功率6080W。
步骤102，基于深度学习方法训练电器设备识别神经网络模型。
采集大量企业中的设备用电数据作为训练集和测试集。对用电数据训练集进行预处理，提取出电压、电流、功率和用电时长数据。将电压、电流、功率和用电时长数据这些数据标注标签，标签为对应的电器设备。将带有标签的样本通过BP神经网络模型进行学习，建立用电设备识别模型。将测试集数据经过预处理后输入到训练好的模型中进行测试，评估分类结果的准确性。根据测试结果调整模型参数，提高模型分类准确性。神经网络的输入层包括4个指标：电压、电流、功率和用电时间，即n＝4，输出层为用电设备信息,即m＝1，隐含层为5层。采用Sigmoid函数和线性函数作为神经网络中的激活函数。采用均方误差作为神经网络的误差函数。通过机器学习得到用电设备识别模型，只要得到电压、电流、功率和用电时间数据，就可以准确识别用电设备。
步骤103，识别统计企业的用电规模和设备规模，分析企业的运转周期和工作规律。
统计每天企业中所有智能插座的用电量，得到企业的用电规模数据。采集智能插座的用电数据，通过电器设备识别神经模型识别出该数据对应的电器设备。统计各类电器设备的类型和数量，得到企业的设备规模。基于企业的用电规模数据和设备规模数据分析企业运作周期和工作规律。例如，获取到一个智能插座上记录的用电功率为5000W，每天用电时间为10h，通过计算该智能插座上的设备每天用电50度。A企业有20个用电50度的插座，10个用电100度的插座，则A企业每天用电2000度。某设备的用电数据为电压：220V，电流：10.8A，功率：2376W，经过神经网络识别得到该设备为工业冷气机。经过统计得到A企业有5台工业冷气机。
基于企业用电规模和设备规模评价企业。
获得企业各类型设备的类型和数量，得到企业设备规模。基于机器学习建立模型，输入企业设备规模信息预测出企业类型。建立不同类型企业规模评价体系。以企业类型为前提根据企业用电规模估算企业销售额。将预测的企业销售额与预设的阈值对比，推断出企业规模。结合企业类型和企业规模综合评价企业。例如：通过对用电数据的处理，推断出A企业拥有12台CNC加工中心、8台自动化线体、18台铣床、15台电火花机、4台数控线切割机、17台磨床、5台车床、4台钻孔机和2台合模机。通过企业类型识别模块判断出该企业为一个模具生产工厂。模具生产工厂属于工业企业。根据企业规模评价体系判断出该企业为小型企业。最终判断出A企业为小型工业企业。
建立企业类型识别模型。
通过企业官网、实地考察获取大量不同企业所拥有的设备类型和设备数量信息。采集的设备信息数据利用ETL方式进行数据清洗，删除缺失数据、重复数据与错误数据。将设备类型和设备数量信息预先分类，赋予这些信息不同企业类型的标签，作为训练集和测试集。将带有标签的样本通过BP神经网络模型进行学习，建立企业类型识别模型。将测试集数据经过预处理后输入到训练好的模型中进行测试，评估分类结果的准确性。根据测试结果调整模型参数，提高模型分类准确性。例如，在训练集中出现机床时，对应的标签大部分为工业企业，当输入设备信息时出现了机床设备，则该企业大概率为模具生产企业。B企业的设备有60台缝纫平车、10台拷边机、8台钉扣机、1台菊花眼机、10台吸风烫台、2台电剪刀、1台松布机，通过机器学习预测该企业为服装公司。
建立企业规模的模型。
将企业按照行业进行分类。行业种类有：农、林、牧、渔业，轻工业，重工业，建筑业，批发业，零售业，交通运输业。获取企业用电设备和用电量。基于WASD神经网络建立企业生产产品和销售量预测模型，输入层为行业种类、用电设备、用电量，隐含层神经元使用单极性Sigmoid激励函数，输出层为企业产品数量及价值。将测试集数据经过预处理后输入到训练好的模型中进行测试，调整参数，提高预测准确度。将营业收入与对应行业不同规模的营业收入阈值进行比较。例如：C企业为服装公司，属于轻工业行业。C企业每天用电5000度。根据其用电设备预测出其生产的衣服一件可以卖50元。根据用电量预测其一天生产500件衣服，通过计算C企业每天收入25000元。轻工业行业日收入10000元以下为微型企业，日收入10000元到100000元为小型企业日收入100000元以上为中型企业，日收入4000000以上为大型企业。通过比较得出C企业为小型轻工业企业。
结合其他企业的运转周期和工作规律进行意外用电判断。
获取同类型企业用电规模数据。记录每家企业每周的总用电量。通过非线性最小二乘拟合方法得到每家企业的用电周期和规律曲线图。基于K-means聚合算法对用电数据进行高维混合数据挖掘。高维混合数据由分类型数据和数值型数据共同构成。将分类型数据和数值型数据的相似度度量形式作为高维混合属性数据的度量形式，即D＝Dn+Wi*De，其中Dn为高维混合属性数据中的数值型数据相似度，De为分类型数据相似度，Wi为第i个簇内分类型数据的占比权重值。利用降噪处理所得的聚类结果进行异常标记。将企业用电规律曲线与同类型企业用电数据比较，得到意外用电数据。将意外用电数据排除，重新拟合用电周期和规律曲线图。将用电规律与同类型企业用电规律进行对比，当拟合度高于预设的阈值时则判断计算结果具有鲁棒性。从数据集X内随机选取数据对象，假设初始聚类中心为所选的k个数据对象，则初始聚类中心点分别是C1，C2，…，Ck，明确数据集所需划分类别个数。中心点Ck取数据的平均值。通过求其余数据与中心点的距离分类。重新求解中心点。迭代以上步骤。假设类别C里的元素数量比已知的noisecount少，则其属于噪音类别。例如C企业七月份用电量明显高于同类型企业在七月份用电量，可能是该企业位于沿海地区，气温高，空调用电量升高。
步骤104，基于企业的运作周期和工作规律分析企业经营情况。
通过评估企业资产管理能力和盈利能力分析企业经营情况。资产管理能力包括营业周期、总资产周转率，盈利能力包括成本费用利润率、净资产收益率。将企业的营业周期等同于企业的运转周期。提取智能插座的用电数据，得到企业用电设备及其对应的用电度数数据。基于生产环节规模识别模型计算收入净额、资产总额、企业利润总额、企业成本费用总额、销售净利率、资产周转率。得到企业经营评价模型，即M＝100*(W1*A+W2*P)，其中M为企业经营评价指数，A为企业资产管理能力指数，P为企业盈利能力指数，T为企业营业周期，C为企业总资产周转率，D为企业成本费用利润率，N为企业净资产收益率,W1、W2、W3、W4为权重值。营业周期越短说明资金周转速度越快，营业周期越长说明资金周转速度越慢。总资产周转率＝收入净额/资产总额。成本费用利润率＝企业利润总额/企业成本费用总额。净资产收益率＝销售净利率×资产周转率×权益乘数。例如，通过对企业用电数据和设备规模计算得到T＝6，C＝0.3，D＝0.5，N＝0.4，权重值W1＝0.4,W2＝0.6,W3＝0.5,W4＝0.5，所以该企业的企业经营评价指数为29。
步骤105，根据不同设备用电规模判断生产环节中各阶段情况，建立生产环节规模识别模型。
通过智能插座获取企业中设备种类和设备用电度数。基于用电设备识别模型将设备划分为不同类型。将设备类型分为处理原材料设备、生产设备、处理成品设备。建立BP神经网络训练生产环节规模识别模型。BP神经网络的输入层包括4个指标：设备种类，设备功能，设备数量，用电度数，即n＝4，输出层为生产环节规模评价结果,即m＝1，隐含层为4层。采用Sigmoid函数和线性函数作为BP神经网络中的激活函数.采用均方误差作为BP神经网络的误差函数。生产环节规模评价结果即各生产环节中的货品数量和资本存量。根据各生产环节规模计算企业经营评价模型中各个指数的大小。例如，通过智能插座判断出C企业有5台包装机械，这5台包装机械每天用电80度电。通过机器学习判断出包装机属于处理成品设备。在BP神经网络模型中输入处理成品设备、包装产品、5台、80度电，经过机器学习处理得到该企业成品产量为10吨。结合产品价格计算得到该企业每天可以生产10万元的商品。
步骤106，基于历史数据判断生产经营情况变化。
当企业用电量发生变化时，判断用电量变化是否是意外用电引起的。当系统判断是意外用电时，则忽略此变化。当系统判断用电量变化是企业生产经营状况发生变化时，基于同比和环比方式判断企业经营变化。同比，是指在相邻运转周期中的某一相同时间点进行比较，环比是指就相邻时间段的对比。建立企业生产经营变化模型，即C＝W1*O+W2*L，其中C代表企业经营增长率，O代表企业生产经营同比增长率，L代表企业生产经营环比增长率，W1、W2为权重值。例如，C企业去年3月的生产指数是100,今年3月的生产指数是105,那么今年3月生产同比增长5％。今年3月的生产指数是105,今年4月的生产指数是110,那么今年3月生产环比增长为4.76％。权重值为0.6、0.4，经过计算得到企业生产经营规模增长了4.9％。
步骤107，基于企业生产经营状况预测企业风险。
企业风险由企业经营风险、企业政策风险和企业产品风险构成。建立企业风险评估模型，即R＝W1*M+W2*I+W3*P，其中R代表企业风险，M代表企业经营风险，I代表企业政策风险，P代表企业产品风险，W1、W2、W3代表权重值，且W1+W2+W3＝1。根据BP(Back-Propagation)神经网络分析预测企业风险。例如，企业风险评价体系为高(0.90-1)，中(0.80-0.89)，一般(0.60-0.79)，低(0-0.59)，BP神经网络的输入层包括3个指标：企业经营风险、企业政策风险和企业产品风险，即n＝3，输出层为企业风险,即m＝1，隐含层为3层。数据经过神经网络训练后，得出企业A，B，C的风险分别为0.677，0.832，0.453，则表示企业A风险一般，企业B风险中，企业C风险低。
预测企业经营风险。
企业经营风险用经营杠杆衡量。经营杠杆的大小用经营杠杆系数表示。经营杠杆系数＝(销售收入-变动成本)/(销售收入-变动成本-固定成本)。变动成本指的是原材料及电力消耗费用和生产工人工资。固定成本指的是购买设备、房屋租金以及管理人员工资。基于生产环节规模识别模型预测企业销售收入及企业成本数据。经营杠杆系数越大，经营杠杆作用和经营风险越大。固定成本不变，销售额越大，经营杠杆系数越小，经营风险越小，反之，则相反。当销售额达到盈亏临界点时，经营杠杆系数趋近于无穷大。当企业销售额增加或变动成本降低时，经营杠杆和经营风险随之降低。
预测企业政策风险。
获取同行业大量企业用电数据，剔除无用数据和干扰数据。通过国家官方网站获取行业生产总值及国家投资金额。基于WASD神经网络预测国家投资金额，将1999年-2018年行业生产总值及国家投资金额作为WASD神经网络的样本，使用2018年-2021年的数据对训练后的神经网络进行校验，在神经网络中输入为年份，输出为行业生产总值及国家投资金额。通过企业官方网站获取企业投资金额。基于K-means聚类算法对比企业投资金额与行业生产总值及国家投资金额的符合程度，企业的政策风险与符合程度关系为A＝1/X，其中X为符合程度，A为政策风险。市场经济条件下，由于受价值规律和竞争机制的影响，各企业争夺市场资源，都希望获得更大的活动自由，因而可能会触犯国家的有关政策，而国家政策又对企业的行为具有强制约束力。另外，国家在不同时期可以根据宏观环境的变化而改变政策，这必然会影响到企业的经济利益。因此，国家与企业之间由于政策的存在和调整，在经济利益上会产生矛盾，从而产生政策风险。当企业政策与国家宏观政策相似度降低时，企业政策风险将急剧升高。
预测企业产品风险。
产品风险包括产品设计风险、产品功能质量风险、产品定位风险。爬取社交网站以及网购平台中以该产品为关键字的信息。提取产品销量、产品好评度、产品持续使用率、产品更换率信息，将这些信息与设定的阈值对比，确定不同产品风险等级。产品设计风险由产品销量决定，产品由产品持续使用率、产品更换率决定，产品市场定位风险由产品好评度决定。建立产品风险模型，即P＝W1*D+W2*O+W3*T,其中P代表产品风险、D代表产品设计风险、O代表产品功能质量风险、T代表产品市场定位风险，W1、W2、W3代表权重值，且W1+W2+W3＝1。产品设计风险是指企业所设计的产品过时或者过于超前，不适应市场顾客的需要。产品功能质量风险主要是指企业所销售的产品，功能质量不足或产品功能质量过剩，不能完全满足用户需求。产品市场定位风险是指产品的特色与市场、顾客要求不相符合。例如，A产品D＝2、O＝3、T＝1，W1＝0.2、W2＝0.3、W3＝0.5，则A产品产品风险为1.8。
步骤108，基于企业风险给出企业贷款建议。
根据企业用电设备种类及用电量判断企业类型及规模，划定贷款金额范围。构建企业贷款模型，预测出合适的贷款金额。当企业提出贷款申请后，分析贷款的风险，判断企业申请额度的合理性。将预测得到的贷款信息传送到银行进行进一步审核。例如，经过判断C企业为小型轻工业企业，则其贷款额度不应该超过1000万元。基于企业贷款模型计算得到该企业合适的贷款金额为300-400万。C企业希望贷款500万元，经过系统分析该企业近期的生产状况发现，该企业近期生产规模扩大了20％，可提供的贷款金额应该在300-400万之间，企业申请的500万贷款金额可能有虚报成分，而且根据C企业的生产规模判断可能有无法及时还债的风险。
计算当前企业贷款的适当金额。
获取与企业生产经营有关的指数。所属指数包括企业内部控制质量指数、负债总额、资产总额、净利润、平均资产、税后利润、净资产、营业收入、企业前十大股东十股比例。获取方式包括从企业网站获取、分析企业财务报表、生产环节规模识别模型。构建企业贷款模型，即L＝W0+W1*ICQ+W2*LEV+W3*ROA+W4*ROE+W5*Growth+W6*Z，其中L代表贷款金额、ICQ代表内部控制质量指数、LEV代表资产负债率、ROA代表资产净利率、ROE代表资产收益率、Growth代表营收增长率、Z代表股权集中度。资产负债率＝负债总额/资产总额*100％。总资产净利率＝净利润/平均资产。净资产收益率＝税后利润/净资产。营收增长率＝(本年营业收入-上一年营业收入)/上一年营业收入。股权集中度＝企业前十大股东持股比例合计。例如，某企业ICQ＝900、LEV＝99％、ROA＝25、ROE＝55％、Growth＝250％、Z＝90％,经过计算得到该企业贷款金额为109000000元。
基于企业贷款金额预估模型的结果分析当前企业贷款申请的风险。
基于企业贷款模型计算出当前企业的贷款额度，将贷款额度的±10％范围设置为为低风险贷款额度。当企业贷款金额处于低风险额度范围内时，批准企业的贷款申请。当企业贷款金额超出低风险额度范围时，构建企业贷款风险模型，即Y＝(A-D)/D*100％+R,其中Y为贷款风险，A为企业申请贷款金额，D为通过企业贷款金额预估模型计算出当前企业的贷款额度,R为企业风险。当企业贷款风险小于预设的阈值时，同意企业的贷款申请，大于预设的阈值时，驳回企业贷款申请。例如，基于企业贷款金额预估模型计算出A企业的贷款额度为50万元，通过计算得到45-55万元为低风险贷款额度。A企业申请65万元贷款额度时，超出低风险贷款额度范围。计算得到此时贷款风险为30％，超出预设的25％的阈值，驳回A企业的贷款申请。
步骤109，提供企业信息接口。
将贷款方关注的企业信息进行整理并汇总。使用不对称加密算法，使用匹配的一对公钥和私钥，对企业信息进行加密和解密。在进行安全通信前，请求认证者的秘密信息互相鉴别对方的身份。发送数据的同时利用单向的不可逆加密算法Hash函数计算出所传输数据的消息文摘，并将消息文摘作为数字签名随数据一同发送。例如，电网想发送只有银行才能解读的加密信息，电网必须首先知道银行的公钥，然后利用银行的公钥来加密原文，银行收到加密密文后，使用自己的私钥才能解密密文。银行在收到数据的同时也收到该数据的数字签名，银行使用相同的算法计算出接收到的数据的数字签名，并将该数字签名和接收到的数字签名进行比较，若二者相同，则说明数据在传输过程中未被修改，数据完整性得到了保证。
Claims (10)
1.一种基于用电变动周期的企业风险预测方法，其特征在于，所述方法包括：
获取企业的的用电数据；基于深度学习方法训练电器设备识别神经网络模型；识别统计企业的用电规模和设备规模，分析企业的运转周期和工作规律，所述识别统计企业的用电规模和设备规模，分析企业的运转周期和工作规律，具体包括：基于企业用电规模和设备规模评价企业，建立企业类型识别模型，建立企业规模的模型，结合其他企业的运转周期和工作规律进行意外用电判断；基于企业的运作周期和工作规律分析企业经营情况；根据不同设备用电规模判断生产环节中各阶段情况，建立生产环节规模识别模型；基于历史数据判断生产经营情况变化；基于企业生产经营状况预测企业风险，所述基于企业生产经营状况预测企业风险，具体包括：预测企业经营风险，预测企业政策风险，预测企业产品风险；基于企业风险给出企业贷款建议，所述基于企业风险给出企业贷款建议，具体包括：计算当前企业贷款的适当金额，基于企业贷款金额预估模型的结果分析当前企业贷款申请的风险；提供企业信息接口。
2.根据权利要求1所述的方法，其中，所述获取企业的的用电数据，包括:
与企业签订协议，获得企业授权；在插座中嵌入微型电压互感器和微型电流互感器；通过A/D转换芯片完成信号的模数转换；数字滤波器对信号进行滤波，剔除无用信号和干扰信号；电量检测芯片记录时序电压、电流信号；通过电压和电流计算得到电功率；51单片机基于时序记录电压、电流、功率以及用电时间信息，并传输到服务器中；根据芯片传输的信息进行数据预处理；对数据进行分类并提取用电指标数据，即index＝{电压，电流，功率，用电时间}，其中index表示用电数据指标。
3.根据权利要求1所述的方法，其中，所述基于深度学习方法训练电器设备识别神经网络模型，包括:
采集大量企业中的设备用电数据作为训练集和测试集；对用电数据训练集进行预处理，提取出电压、电流、功率和用电时长数据；将电压、电流、功率和用电时长数据这些数据标注标签，标签为对应的电器设备；将带有标签的样本通过BP神经网络模型进行学习，建立用电设备识别模型；将测试集数据经过预处理后输入到训练好的模型中进行测试，评估分类结果的准确性；根据测试结果调整模型参数，提高模型分类准确性。
k为输入节点个数，n为输出节点个数，c取1-4之间的整数。
4.根据权利要求1所述的方法，其中，所述识别统计企业的用电规模和设备规模，分析企业的运转周期和工作规律，包括:
统计每天企业中所有智能插座的用电量，得到企业的用电规模数据；采集智能插座的用电数据，通过电器设备识别神经模型识别出该数据对应的电器设备；统计各类电器设备的类型和数量，得到企业的设备规模；基于企业的用电规模数据和设备规模数据分析企业运作周期和工作规律；包括：基于企业用电规模和设备规模评价企业；建立企业类型识别模型；建立企业规模的模型；结合其他企业的运转周期和工作规律进行意外用电判断；
所述基于企业用电规模和设备规模评价企业，具体包括:
获得企业各类型设备的类型和数量，得到企业设备规模；基于机器学习建立模型，输入企业设备规模信息预测出企业类型；建立不同类型企业规模评价体系；以企业类型为前提根据企业用电规模估算企业销售额；将预测的企业销售额与预设的阈值对比，推断出企业规模；结合企业类型和企业规模综合评价企业；
所述建立企业类型识别模型，具体包括:
通过企业官网、实地考察获取大量不同企业所拥有的设备类型和设备数量信息；采集的设备信息数据利用ETL方式进行数据清洗，删除缺失数据、重复数据与错误数据；将设备类型和设备数量信息预先分类，赋予这些信息不同企业类型的标签，作为训练集和测试集；将带有标签的样本通过BP神经网络模型进行学习，建立企业类型识别模型；将测试集数据经过预处理后输入到训练好的模型中进行测试，评估分类结果的准确性；根据测试结果调整模型参数，提高模型分类准确性；
所述建立企业规模的模型，具体包括:
将企业按照行业进行分类；行业种类有：农、林、牧、渔业，轻工业，重工业，建筑业，批发业，零售业，交通运输业；获取企业用电设备和用电量；基于WASD神经网络建立企业生产产品和销售量预测模型，输入层为行业种类、用电设备、用电量，隐含层神经元使用单极性Sigmoid激励函数，输出层为企业产品数量及价值；将测试集数据经过预处理后输入到训练好的模型中进行测试，调整参数，提高预测准确度；将营业收入与对应行业不同规模的营业收入阈值进行比较；
所述结合其他企业的运转周期和工作规律进行意外用电判断，具体包括:
获取同类型企业用电规模数据；记录每家企业每周的总用电量；通过非线性最小二乘拟合方法得到每家企业的用电周期和规律曲线图；基于K-means聚合算法对用电数据进行高维混合数据挖掘；高维混合数据由分类型数据和数值型数据共同构成；将分类型数据和数值型数据的相似度度量形式作为高维混合属性数据的度量形式，即D＝Dn+Wi*De，其中Dn为高维混合属性数据中的数值型数据相似度，De为分类型数据相似度，Wi为第i个簇内分类型数据的占比权重值；利用降噪处理所得的聚类结果进行异常标记；将企业用电规律曲线与同类型企业用电数据比较，得到意外用电数据；将意外用电数据排除，重新拟合用电周期和规律曲线图；将用电规律与同类型企业用电规律进行对比，当拟合度高于预设的阈值时则判断计算结果具有鲁棒性。
5.根据权利要求1所述的方法，其中，所述基于企业的运作周期和工作规律分析企业经营情况，包括:
通过评估企业资产管理能力和盈利能力分析企业经营情况；资产管理能力包括营业周期、总资产周转率，盈利能力包括成本费用利润率、净资产收益率；将企业的营业周期等同于企业的运转周期；提取智能插座的用电数据，得到企业用电设备及其对应的用电度数数据；基于生产环节规模识别模型计算收入净额、资产总额、企业利润总额、企业成本费用总额、销售净利率、资产周转率；得到企业经营评价模型，即M＝100*(W1*A+W2*P)，其中M为企业经营评价指数，A为企业资产管理能力指数，P为企业盈利能力指数，T为企业营业周期，C为企业总资产周转率，D为企业成本费用利润率，N为企业净资产收益率,W1、W2、W3、W4为权重值。
6.根据权利要求1所述的方法，其中，所述根据不同设备用电规模判断生产环节中各阶段情况，建立生产环节规模识别模型，包括:
通过智能插座获取企业中设备种类和设备用电度数；基于用电设备识别模型将设备划分为不同类型；将设备类型分为处理原材料设备、生产设备、处理成品设备；建立BP神经网络训练生产环节规模识别模型；BP神经网络的输入层包括4个指标：设备种类，设备功能，设备数量，用电度数，即n＝4，输出层为生产环节规模评价结果,即m＝1，隐含层为4层；采用Sigmoid函数和线性函数作为BP神经网络中的激活函数.采用均方误差作为BP神经网络的误差函数；生产环节规模评价结果即各生产环节中的货品数量和资本存量；根据各生产环节规模计算企业经营评价模型中各个指数的大小。
7.根据权利要求1所述的方法，其中，所述基于历史数据判断生产经营情况变化，包括:
当企业用电量发生变化时，判断用电量变化是否是意外用电引起的；当系统判断是意外用电时，则忽略此变化；当系统判断用电量变化是企业生产经营状况发生变化时，基于同比和环比方式判断企业经营变化；同比，是指在相邻运转周期中的某一相同时间点进行比较，环比是指就相邻时间段的对比；建立企业生产经营变化模型，即C＝W1*O+W2*L，其中C代表企业经营增长率，O代表企业生产经营同比增长率，L代表企业生产经营环比增长率，W1、W2为权重值。
8.根据权利要求1所述的方法，其中，所述基于企业生产经营状况预测企业风险，包括:
企业风险由企业经营风险、企业政策风险和企业产品风险构成；建立企业风险评估模型，即R＝W1*M+W2*I+W3*P，其中R代表企业风险，M代表企业经营风险，I代表企业政策风险，P代表企业产品风险，W1、W2、W3代表权重值，且W1+W2+W3＝1；根据BP(Back-Propagation)神经网络分析预测企业风险；包括：预测企业经营风险；预测企业政策风险；预测企业产品风险；
所述预测企业经营风险，具体包括:
企业经营风险用经营杠杆衡量；经营杠杆的大小用经营杠杆系数表示；经营杠杆系数＝(销售收入-变动成本)/(销售收入-变动成本-固定成本)；变动成本指的是原材料及电力消耗费用和生产工人工资；固定成本指的是购买设备、房屋租金以及管理人员工资；基于生产环节规模识别模型预测企业销售收入及企业成本数据；
所述预测企业政策风险，具体包括:
获取同行业大量企业用电数据，剔除无用数据和干扰数据；通过国家官方网站获取行业生产总值及国家投资金额；基于WASD神经网络预测国家投资金额，将1999年-2018年行业生产总值及国家投资金额作为WASD神经网络的样本，使用2018年-2021年的数据对训练后的神经网络进行校验，在神经网络中输入为年份，输出为行业生产总值及国家投资金额；通过企业官方网站获取企业投资金额；基于K-means聚类算法对比企业投资金额与行业生产总值及国家投资金额的符合程度，企业的政策风险与符合程度关系为A＝1/X，其中X为符合程度，A为政策风险；
所述预测企业产品风险，具体包括:
产品风险包括产品设计风险、产品功能质量风险、产品定位风险；爬取社交网站以及网购平台中以该产品为关键字的信息；提取产品销量、产品好评度、产品持续使用率、产品更换率信息，将这些信息与设定的阈值对比，确定不同产品风险等级；产品设计风险由产品销量决定，产品由产品持续使用率、产品更换率决定，产品市场定位风险由产品好评度决定；建立产品风险模型，即P＝W1*D+W2*O+W3*T,其中P代表产品风险、D代表产品设计风险、O代表产品功能质量风险、T代表产品市场定位风险，W1、W2、W3代表权重值，且W1+W2+W3＝1。
9.根据权利要求1所述的方法，其中，所述基于企业风险给出企业贷款建议，包括:
根据企业用电设备种类及用电量判断企业类型及规模，划定贷款金额范围；构建企业贷款模型，预测出合适的贷款金额；当企业提出贷款申请后，分析贷款的风险，判断企业申请额度的合理性；将预测得到的贷款信息传送到银行进行进一步审核；包括：计算当前企业贷款的适当金额；基于企业贷款金额预估模型的结果分析当前企业贷款申请的风险；
所述计算当前企业贷款的适当金额，具体包括:
获取与企业生产经营有关的指数；所属指数包括企业内部控制质量指数、负债总额、资产总额、净利润、平均资产、税后利润、净资产、营业收入、企业前十大股东十股比例；获取方式包括从企业网站获取、分析企业财务报表、生产环节规模识别模型；构建企业贷款模型，即L＝W0+W1*ICQ+W2*LEV+W3*ROA+W4*ROE+W5*Growth+W6*Z，其中L代表贷款金额、ICQ代表内部控制质量指数、LEV代表资产负债率、ROA代表资产净利率、ROE代表资产收益率、Growth代表营收增长率、Z代表股权集中度；
所述基于企业贷款金额预估模型的结果分析当前企业贷款申请的风险，具体包括:
基于企业贷款模型计算出当前企业的贷款额度，将贷款额度的±10％范围设置为为低风险贷款额度；当企业贷款金额处于低风险额度范围内时，批准企业的贷款申请；当企业贷款金额超出低风险额度范围时，构建企业贷款风险模型，即Y＝(A-D)/D*100％+R,其中Y为贷款风险，A为企业申请贷款金额，D为通过企业贷款金额预估模型计算出当前企业的贷款额度,R为企业风险；当企业贷款风险小于预设的阈值时，同意企业的贷款申请，大于预设的阈值时，驳回企业贷款申请。
10.根据权利要求1所述的方法，其中，所述提供企业信息接口，包括:
将贷款方关注的企业信息进行整理并汇总；使用不对称加密算法，使用匹配的一对公钥和私钥，对企业信息进行加密和解密；在进行安全通信前，请求认证者的秘密信息互相鉴别对方的身份；发送数据的同时利用单向的不可逆加密算法Hash函数计算出所传输数据的消息文摘，并将消息文摘作为数字签名随数据一同发送。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211080258.8A CN115330531B (zh) | 2022-09-05 | 2022-09-05 | 一种基于用电变动周期的企业风险预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211080258.8A CN115330531B (zh) | 2022-09-05 | 2022-09-05 | 一种基于用电变动周期的企业风险预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115330531A true CN115330531A (zh) | 2022-11-11 |
| CN115330531B CN115330531B (zh) | 2023-12-22 |
Family
ID=83929658
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211080258.8A Active CN115330531B (zh) | 2022-09-05 | 2022-09-05 | 一种基于用电变动周期的企业风险预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115330531B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117557106A (zh) * | 2024-01-02 | 2024-02-13 | 广东浩迪智云技术有限公司 | 企业经营健康度检测方法、装置、设备及介质 |
| CN117874625A (zh) * | 2024-01-22 | 2024-04-12 | 国网湖北省电力有限公司信息通信公司 | 基于ai和知识库的电力系统数据智能处理系统与方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107818386A (zh) * | 2017-11-28 | 2018-03-20 | 国网湖南省电力有限公司 | 电网企业经营利润预测方法 |
| CN109190954A (zh) * | 2018-08-22 | 2019-01-11 | 深圳合纵能源技术有限公司 | 基于实时用电数据评估企业生产经营管理风险的方法 |
| 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 |
| CN112150260A (zh) * | 2020-09-14 | 2020-12-29 | 深圳供电局有限公司 | 制造型企业经营信息真实性核验方法、系统、设备、介质 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4607359B2 (ja) * | 2001-03-15 | 2011-01-05 | 株式会社東芝 | 信用リスク評価方法及びシステム |
| CN110163520A (zh) * | 2019-05-29 | 2019-08-23 | 北京师范大学 | 基于规模理论的企业定量诊断方法 |
| CN112435112A (zh) * | 2019-08-26 | 2021-03-02 | 营利度富信息系统（上海）有限公司 | 一种针对小微企业的银行互联网信贷风控方法 |
| CN112017025B (zh) * | 2020-08-26 | 2024-05-14 | 天元大数据信用管理有限公司 | 一种基于深度学习与逻辑回归相融合的企业信用评估方法 |
-
2022
- 2022-09-05 CN CN202211080258.8A patent/CN115330531B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107818386A (zh) * | 2017-11-28 | 2018-03-20 | 国网湖南省电力有限公司 | 电网企业经营利润预测方法 |
| CN109190954A (zh) * | 2018-08-22 | 2019-01-11 | 深圳合纵能源技术有限公司 | 基于实时用电数据评估企业生产经营管理风险的方法 |
| 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 |
| CN112150260A (zh) * | 2020-09-14 | 2020-12-29 | 深圳供电局有限公司 | 制造型企业经营信息真实性核验方法、系统、设备、介质 |
Non-Patent Citations (1)
| Title |
|---|
| 李家军;李娅娅;: "基于BP模型的商业银行贷款风险预测", 计算机仿真, no. 03 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117557106A (zh) * | 2024-01-02 | 2024-02-13 | 广东浩迪智云技术有限公司 | 企业经营健康度检测方法、装置、设备及介质 |
| CN117874625A (zh) * | 2024-01-22 | 2024-04-12 | 国网湖北省电力有限公司信息通信公司 | 基于ai和知识库的电力系统数据智能处理系统与方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115330531B (zh) | 2023-12-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115330531B (zh) | 一种基于用电变动周期的企业风险预测方法 | |
| Wang et al. | 6G-enabled short-term forecasting for large-scale traffic flow in massive IoT based on time-aware locality-sensitive hashing | |
| CN114140036A (zh) | 基于数据分析的企业画像方法、系统和可读存储介质 | |
| Jiang et al. | Research on intelligent prediction method of financial crisis of listed enterprises based on random forest algorithm | |
| Durmusoglu | Updating technology forecasting models using statistical control charts | |
| CN116523301A (zh) | 基于电商大数据进行风险评级预测的系统 | |
| KR102499182B1 (ko) | 인공지능을 이용한 가계대출 사기/부실 상시감사지원시스템 | |
| Liu et al. | Supplier evaluation in supply chain environment based on radial basis function neural network | |
| Ma et al. | Application of data mining in the field of human resource management: a review | |
| Mahalle et al. | Data Acquisition and Preparation | |
| Cai et al. | Clustering Approaches for Financial Data Analysis | |
| Ebrahimi et al. | A predictive analytics approach to improve the dealers-manufacturer relationship in the after-sales service network; case study in the automotive industry | |
| Naseri et al. | Online operational budgeting of electricity distribution network based on integration strategic and operational planning by Swot & AHP methods | |
| CN111539770B (zh) | 一种数据资产智能评估方法及系统 | |
| CN117807406B (zh) | 支付平台的企业账户管理方法、系统、设备及存储介质 | |
| Knyazeva et al. | A graph-based data mining approach to preventing financial fraud: a case study | |
| Badwan et al. | Financial Risk Management in the Supply Chain Using Business Intelligence and Big Data | |
| Edwardo et al. | Sales Prediction Analysis in Determining New Minimarket Stores | |
| Cheng | Financial Evaluation Model and Algorithm Based on Data Mining | |
| Zhang | Research on Intelligent Analysis and Processing System of Financial Big Data Based on Machine Learning | |
| Gabrielli et al. | Accounting and Big Data: Trends, opportunities and direction for practitioners and researchers | |
| Xu et al. | Logistics Supply Chain Network Risk Prediction Model Based on Intelligent Random Forest Model | |
| Bejjar et al. | Machine Learning: A Revolution in Accounting | |
| CN116957827A (zh) | 一种基于数据分析的业财一体化管理系统 | |
| Boldeanu et al. | Performance indicators in multidimensional analysis |
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 |