CN115759742A - 企业风险评估方法、装置、计算机设备和存储介质 - Google Patents
企业风险评估方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN115759742A CN115759742A CN202211411513.2A CN202211411513A CN115759742A CN 115759742 A CN115759742 A CN 115759742A CN 202211411513 A CN202211411513 A CN 202211411513A CN 115759742 A CN115759742 A CN 115759742A
- Authority
- CN
- China
- Prior art keywords
- enterprise
- target
- operation information
- risk
- resource allocation
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种企业风险评估方法、装置、计算机设备、存储介质和计算机程序产品。本申请可用于金融科技领域或其他相关领域。所述方法包括:获取多个企业的企业营运信息;所述多个企业的企业营运信息中包含有待评估企业的企业营运信息;基于所述多个企业的企业营运信息,利用预设的聚类因子对所述多个企业进行聚类处理,得到多个企业聚类集合;从所述多个企业聚类集合中,获取包含有所述待评估企业的目标企业聚类集合;利用所述目标企业聚类集合中包含的目标企业的企业营运信息,对所述目标企业聚类集合进行风险评估,并将所述目标企业聚类集合的风险评估结果作为所述待评估企业的风险评估结果。采用本方法能够提高企业风险评估方法的可信程度。
Description
技术领域
本申请涉及风险评估技术领域,特别是涉及一种企业风险评估方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着风险评估技术的发展,出现了一种对企业风险进行评估的技术,通过采集某个企业相关营运信息,并基于该企业的营运信息来确定出企业的营运情况,进而判断是否存在针对该企业的资源分配风险。
目前,对企业风险进行评估通常是直接利用该企业的营运信息来进行风险评估,然而,如果企业对其营运信息进行造假,那么基于该营运信息得到的企业风险评估结果也无法准确反映该企业的实际风险水平,因此,目前的企业风险评估方法可信程度较低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高风险评估可信程度的企业风险评估方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种企业风险评估方法,所述方法包括:
获取多个企业的企业营运信息;所述多个企业的企业营运信息中包含有待评估企业的企业营运信息;
基于所述多个企业的企业营运信息,利用预设的聚类因子对所述多个企业进行聚类处理,得到多个企业聚类集合;
从所述多个企业聚类集合中,获取包含有所述待评估企业的目标企业聚类集合;
利用所述目标企业聚类集合中包含的目标企业的企业营运信息,对所述目标企业聚类集合进行风险评估,并将所述目标企业聚类集合的风险评估结果作为所述待评估企业的风险评估结果。
在其中一个实施例中,所述基于所述多个企业的企业营运信息,利用预设的聚类因子对所述多个企业进行聚类处理,得到多个企业聚类集合,包括:根据所述多个企业的企业营运信息,获取各个企业与所述预设的聚类因子对应的目标营运信息;获取企业聚类集合的集合数量;所述集合数量小于所述多个企业的企业数量;利用所述目标营运信息,对所述多个企业进行聚类处理,直到所述企业聚类集合的数量满足所述集合数量。
在其中一个实施例中,所述利用所述目标营运信息,对所述多个企业进行聚类处理,直到所述企业聚类集合的数量满足所述集合数量,包括:将所述各个企业分别作为初始聚类集合,利用所述各个企业对应的目标营运信息,得到各个初始聚类集合之间的相似度;将所述相似度最大的初始聚类集合进行合并,得到合并聚类集合;将所述合并聚类集合作为新的初始聚类集合,返回执行利用所述各个企业对应的目标营运信息,得到各个初始聚类集合之间的相似度的步骤,直到所述合并聚类集合与所述初始聚类集合的数量之和满足所述集合数量,则将所述合并聚类集合与所述初始聚类集合,作为所述企业聚类集合。
在其中一个实施例中,所述目标企业聚类集合中包含的目标企业的数量为至少两个;所述利用所述目标企业聚类集合中包含的目标企业的企业营运信息,对所述目标企业聚类集合进行风险评估,包括:根据各个目标企业的企业营运信息,构建所述目标企业聚类集合的资源分配风险模型;所述资源分配风险模型表征所述目标企业聚类集合的资源分配风险信息与所述各个目标企业的资源分配权重的对应关系;获取针对所述目标企业聚类集合的期望收益数据,利用所述各个目标企业的企业营运信息以及所述期望收益数据,构建所述目标企业聚类集合的资源分配约束模型;所述资源分配约束模型表征所述期望收益数据与所述资源分配权重的对应关系;以所述资源分配约束模型为约束条件,基于所述资源分配风险模型获取所述目标企业聚类集合对应的最小资源分配风险信息;根据所述最小资源分配风险信息,对所述目标企业聚类集合进行风险评估。
在其中一个实施例中,所述根据各个目标企业的企业营运信息,构建所述目标企业聚类集合的资源分配风险模型,包括:根据所述各个目标企业的企业营运信息,获取所述各个目标企业对应的子风险信息,以及所述各个目标企业之间的相关系数信息;构建所述资源分配风险信息,与所述子风险信息、所述相关系数信息以及所述资源分配权重的对应关系,得到所述资源分配风险模型;所述利用所述各个目标企业的企业营运信息以及所述期望收益数据,构建所述目标企业聚类集合的资源分配约束模型,包括:根据所述各个目标企业的企业营运信息,获取所述各个目标企业对应的子收益数据;构建所述期望收益数据,与所述子收益数据以及所述资源分配权重的对应关系,得到所述资源分配约束模型。
在其中一个实施例中,所述根据所述最小资源分配风险信息,对所述目标企业聚类集合进行风险评估,包括:获取预先设定的风险评估阈值;在所述最小资源分配风险信息小于或者等于所述风险评估阈值的情况下,则确定所述目标企业聚类集合的风险评估结果为第一结果;所述第一结果表征所述目标企业聚类集合处于风险可控状态;在所述最小资源分配风险信息大于所述风险评估阈值的情况下,则确定所述目标企业聚类集合的风险评估结果为第二结果;所述第二结果表征所述目标企业聚类集合处于风险不可控状态。
在其中一个实施例中,所述企业营运信息对应有多个营运信息因子;所述利用预设的聚类因子对所述多个企业进行聚类处理,得到多个企业聚类集合之前,还包括:基于所述企业营运信息,获取各个营运信息因子之间的因子相关性信息;在所述因子相关性信息大于预设相关性阈值的情况下,将所述营运信息因子进行合并处理,得到候选聚类因子;对所述候选聚类因子进行主成分分析,得到所述预设的聚类因子。
第二方面,本申请还提供了一种企业风险评估装置,所述装置包括:
营运信息获取模块,用于获取多个企业的企业营运信息;所述多个企业的企业营运信息中包含有待评估企业的企业营运信息;
企业集合聚类模块,用于基于所述多个企业的企业营运信息,利用预设的聚类因子对所述多个企业进行聚类处理,得到多个企业聚类集合;
目标集合获取模块,用于从所述多个企业聚类集合中,获取包含有所述待评估企业的目标企业聚类集合;
企业风险评估模块,用于利用所述目标企业聚类集合中包含的目标企业的企业营运信息,对所述目标企业聚类集合进行风险评估,并将所述目标企业聚类集合的风险评估结果作为所述待评估企业的风险评估结果。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取多个企业的企业营运信息;所述多个企业的企业营运信息中包含有待评估企业的企业营运信息;
基于所述多个企业的企业营运信息,利用预设的聚类因子对所述多个企业进行聚类处理,得到多个企业聚类集合;
从所述多个企业聚类集合中,获取包含有所述待评估企业的目标企业聚类集合;
利用所述目标企业聚类集合中包含的目标企业的企业营运信息,对所述目标企业聚类集合进行风险评估,并将所述目标企业聚类集合的风险评估结果作为所述待评估企业的风险评估结果。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取多个企业的企业营运信息;所述多个企业的企业营运信息中包含有待评估企业的企业营运信息;
基于所述多个企业的企业营运信息,利用预设的聚类因子对所述多个企业进行聚类处理,得到多个企业聚类集合;
从所述多个企业聚类集合中,获取包含有所述待评估企业的目标企业聚类集合;
利用所述目标企业聚类集合中包含的目标企业的企业营运信息,对所述目标企业聚类集合进行风险评估,并将所述目标企业聚类集合的风险评估结果作为所述待评估企业的风险评估结果。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取多个企业的企业营运信息;所述多个企业的企业营运信息中包含有待评估企业的企业营运信息;
基于所述多个企业的企业营运信息,利用预设的聚类因子对所述多个企业进行聚类处理,得到多个企业聚类集合;
从所述多个企业聚类集合中,获取包含有所述待评估企业的目标企业聚类集合;
利用所述目标企业聚类集合中包含的目标企业的企业营运信息,对所述目标企业聚类集合进行风险评估,并将所述目标企业聚类集合的风险评估结果作为所述待评估企业的风险评估结果。
上述企业风险评估方法、装置、计算机设备、存储介质和计算机程序产品,通过获取多个企业的企业营运信息;所述多个企业的企业营运信息中包含有待评估企业的企业营运信息;基于所述多个企业的企业营运信息,利用预设的聚类因子对所述多个企业进行聚类处理,得到多个企业聚类集合;从所述多个企业聚类集合中,获取包含有所述待评估企业的目标企业聚类集合;利用所述目标企业聚类集合中包含的目标企业的企业营运信息,对所述目标企业聚类集合进行风险评估,并将所述目标企业聚类集合的风险评估结果作为所述待评估企业的风险评估结果。本申请通过先利用聚类因子对企业进行聚类处理,得到多个企业聚类集合后,再确定出包含有待评估企业的目标企业聚类集合,之后则可以利用目标企业聚类集合中目标企业的企业营运信息,来实现对目标企业聚类集合进行风险评估,从而将目标企业聚类集合的风险评估结果作为待评估企业的风险评估结果,通过上述方式,避免了只通过待评估企业的企业营运信息来得到待评估企业的风险评估结果,从而可以提高企业风险评估方法的可信程度。
附图说明
图1为一个实施例中企业风险评估方法的流程示意图;
图2为一个实施例中得到多个企业聚类集合的流程示意图;
图3为另一个实施例中得到多个企业聚类集合的流程示意图;
图4为一个实施例中对目标企业聚类集合进行风险评估的流程示意图;
图5为一个实施例中得到预设的聚类因子的流程示意图;
图6为一个实施例中企业风险评估装置的结构框图;
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种企业风险评估方法,本实施例以该方法应用于终端进行举例说明,可以理解的是,该方法也可以应用于服务器,还可以应用于包括终端和服务器的系统,并通过终端和服务器的交互实现。本实施例中,该方法包括以下步骤:
步骤S101,获取多个企业的企业营运信息;多个企业的企业营运信息中包含有待评估企业的企业营运信息。
其中,企业营运信息是用于描述企业的营运情况的信息,例如可以是企业的财务报表信息,而待评估企业则指的是需要进行风险评估的企业。本实施例中,终端可以采集包含有待评估企业的多个企业的财务报表,作为多个企业的企业营运信息。
步骤S102,基于多个企业的企业营运信息,利用预设的聚类因子对多个企业进行聚类处理,得到多个企业聚类集合。
企业聚类集合指的是由多个企业聚类得到的企业集合,该企业聚类集合中可以包含有多个企业,而聚类因子则指的是进行聚类所使用的因子,该聚类因子可以是由用户进行设定,也可以是终端根据企业营运信息确定得到。具体来说,终端在得到企业营运信息后,还可以基于预先设定的聚类因子,来对上述多个企业进行聚类处理,从而得到多个由一个或多个企业所组成的企业集合,作为多个企业聚类集合。
步骤S103,从多个企业聚类集合中,获取包含有待评估企业的目标企业聚类集合;
步骤S104,利用目标企业聚类集合中包含的目标企业的企业营运信息,对目标企业聚类集合进行风险评估,并将目标企业聚类集合的风险评估结果作为待评估企业的风险评估结果。
目标企业聚类集合则指的是步骤S103得到的多个企业聚类集合中,包含有待评估企业的企业聚类集合,而目标企业,则指的是目标企业聚类集合中包含的所有企业。
例如,终端采集的多个企业的企业营运信息可以分别包含有:企业A的企业营运信息、企业B的企业营运信息、企业C的企业营运信息,以及企业D的企业营运信息,其中企业B可以是待评估企业。而在经过聚类处理后,则可以形成企业聚类集合1和企业聚类集合2。其中,企业聚类集合1中包含有企业A和企业B,而企业聚类集合2则包含有企业C和企业D。那么,由于企业聚类集合1包含有待评估企业,即企业B,企业聚类集合1则可以作为目标企业聚类集合,同时其包含的企业A和企业B则可以作为目标企业。
而在确定出目标企业后,还可以获取上述目标企业对应的企业营运信息,从而利用上述目标企业对应的企业营运信息,来对目标企业聚类集合进行风险评估,即利用企业A和企业B的企业营运信息,对企业聚类集合1进行风险评估,从而得到目标企业聚类集合的风险评估结果后,将该目标企业聚类集合的风险评估结果作为最终的待评估企业的风险评估结果,也就是说,终端可以将企业聚类集合1的风险评估结果,作为企业B的风险评估结果。
上述企业风险评估方法中,通过获取多个企业的企业营运信息;所述多个企业的企业营运信息中包含有待评估企业的企业营运信息;基于所述多个企业的企业营运信息,利用预设的聚类因子对所述多个企业进行聚类处理,得到多个企业聚类集合;从所述多个企业聚类集合中,获取包含有所述待评估企业的目标企业聚类集合;利用所述目标企业聚类集合中包含的目标企业的企业营运信息,对所述目标企业聚类集合进行风险评估,并将所述目标企业聚类集合的风险评估结果作为所述待评估企业的风险评估结果。本申请通过先利用聚类因子对企业进行聚类处理,得到多个企业聚类集合后,再确定出包含有待评估企业的目标企业聚类集合,之后则可以利用目标企业聚类集合中目标企业的企业营运信息,来实现对目标企业聚类集合进行风险评估,从而将目标企业聚类集合的风险评估结果作为待评估企业的风险评估结果,通过上述方式,避免了只通过待评估企业的企业营运信息来得到待评估企业的风险评估结果,从而可以提高企业风险评估方法的可信程度。
在一个实施例中,如图2所示,步骤S102可以进一步包括:
步骤S201,根据多个企业的企业营运信息,获取各个企业与预设的聚类因子对应的目标营运信息。
企业营运信息可以包含有多个营运信息因子对应的信息,不同营运信息因子分别代表企业营运信息的不同属性,例如多个营运信息因子可以分别是营业成本、营业收入以及营业利润等等,并且每一个营运信息因子分别对应由相应信息,来表示企业的营业成本信息、营业收入信息以及营业利润信息等等。而目标营运信息则是预设的聚类因子所对应的信息,该信息可以根据企业的企业营运信息确定得到,例如预设的聚类因子可以直接是某一个营运信息因子,那么该营运信息因子所对应信息则可以作为目标营运信息,而预设的聚类因子也可以是由多个营运信息因子组合而成,那么对应的目标营运信息也可以是由上述营运信息因子所对应的企业营运信息组合得到。本实施例中,终端在得到每一个企业的企业营运信息后,还可以基于上述企业营运信息,确定出每一个企业与预设的聚类因子相适应的目标营运信息。
步骤S202,获取企业聚类集合的集合数量;集合数量小于多个企业的企业数量。
集合数量指的需要聚类生成的企业集合的集合数量,该数量可以是由用户预先进行设定,也可以是终端根据获取到的多个企业的企业营运信息,通过AIC准则或者BIC准则推理得到,并且该集合数量要小于上述多个企业的企业数量。例如终端获取到的20个企业的企业营运信息,那么集合数量则可以设定为5个,则可以将20个企业聚类成5个企业聚类集合。
步骤S203,利用目标营运信息,对多个企业进行聚类处理,直到企业聚类集合的数量满足集合数量。
最后,在步骤S201得到目标营运信息,以及步骤S202得到企业聚类集合的集合数量后,终端还可以利用目标营运信息,对多个企业进行聚类处理,直到聚类得到的企业聚类集合的数量,满足企业聚类集合的集合数量。
本实施例中,终端还可以先通过企业营运信息,得到与预设的聚类因子对应的目标营运信息,并且利用目标营运信息,对企业进行聚类得到一定集合数量的企业聚类集合,利用目标营运信息进行企业聚类,可以使得聚类得到的企业集合更具有针对性,从而提高企业聚类的准确性。
进一步地,如图3所示,步骤S203可以进一步包括:
步骤S301,将各个企业分别作为初始聚类集合,利用各个企业对应的目标营运信息,得到各个初始聚类集合之间的相似度。
初始聚类集合则指的是聚类前的企业集合,而相似度则指的是每一个初始聚类集合之间的相似程度,该相似度可以通过距离进行表示,一般而言,距离越小则表征初始聚类集合之间的相似度越大。本实施例中,终端在开始进行聚类时,可以首先将每一个企业分别划分为不同的企业集合,此时每一个企业集合就对应一个企业,之后则可以基于每一个企业分别对应的目标营运信息,来计算每一个初始聚类集合之间的距离,从而得到各个初始聚类集合之间的相似度。
例如,多个企业包括企业A、企业B、企业C和企业D,那么终端开始得到的初始聚类集合则可以包括集合A、集合B、集合C以及集合D,并且各个集合分别表征不同企业,之后则可以分别计算每一个初始聚类集合之间的相似度,例如集合A和集合B之间的相似度,则可以通过计算企业A的目标营运信息与企业B的目标营运信息之间的欧式距离,来得到集合A和集合B之间的距离,从而表征集合A和集合B之间的相似度。
步骤S302,将相似度最大的初始聚类集合进行合并,得到合并聚类集合。
而在得到每一个初始聚类集合之间的相似度之后,终端则可以将相似度最大的初始聚类集合进行合并,而如果该相似度通过初始聚类集合之间的距离表征,那么则是将距离最小的初始聚类集合进行合并,从而得到合并聚类集合。
例如,终端在分别得到集合A和集合B、集合A和集合C、集合A和集合D、集合B和集合C、集合B和集合D以及集合C和集合D之间的距离之后,终端则可以从中筛选出距离最小的集合组合,假如是集合A和集合B,那么集合A和集合B则可以作为相似度最大的初始聚类集合,从而将集合A和集合B进行合并,得到合并聚类集合A1,其中集合A1包括企业A和企业B。
步骤S303,将合并聚类集合作为新的初始聚类集合,返回执行步骤S301,直到合并聚类集合与初始聚类集合的数量之和满足集合数量,则将合并聚类集合与初始聚类集合,作为企业聚类集合。
而在得到合并聚类集合后,终端还可以将合并聚类集合作为新的初始聚类集合,并再次利用上述目标营运信息得到每一个初始聚类集合之间的相似度,从而将相似度最大的初始聚类集合合并,来得到合并聚类集合,通过上述方式,每进行一次循环,则会将其中两个初始聚类集合,合并成一个合并聚类集合,因此每一次循环过程中,初始聚类集合的数量则会减少一个,直到得到的合并聚类集合,与剩余的初始聚类集合的数量之和满足集合数量时,那么终端则可以将合并聚类集合与剩余的初始聚类集合,作为最终得到的多个企业聚类集合。
例如,设定的集合数量可以是2,那么在将集合A和集合B进行合并,得到合并聚类集合A1后,合并聚类集合与剩余的初始聚类集合的数量之和为3,仍未满足设定的集合数量2,那么终端则可以将合并聚类集合A1作为新的初始聚类集合,此时初始聚类集合即为集合A1、集合C和集合D,并再次计算每一个初始聚类集合之间的距离来表征各个初始聚类集合之间的相似度,而此时集合A1和集合C之间的距离,可以通过集合A与集合C之间的距离,以及集合B与集合C之间距离的较小值表征,通过上述方式,终端则可以再次得到每一个初始聚类集合之间的相似度,从而将相似度最大,即距离最小的初始聚类集合进行合并,此时可以是集合C与集合D之间的距离最小,那么则可以将集合C和集合D进行合并,得到合并聚类集合C1,其中集合C1包括企业C和企业D。同时,由于当前合并聚类集合包括集合C1,而初始聚类集合包括集合A1,此时合并聚类集合与初始聚类集合的数量之和已经满足设定的集合数量2,那么终端则可以将上述集合C1和集合A1,作为聚类后得到的多个企业聚类集合。
本实施例中,终端可以通过将各个企业分别作为初始聚类集合,并计算初始聚类集合之间的相似度,来合并初始聚类集合,得到合并聚类集合并循环处理的方式,实现企业的聚类,从而体现出聚类过程的层次关系,可以提高企业聚类过程的可视化程度。
在一示例性实施例中,目标企业聚类集合中包含的目标企业的数量为至少两个;如图4所示,步骤S104可以进一步包括:
步骤S401,根据各个目标企业的企业营运信息,构建目标企业聚类集合的资源分配风险模型;资源分配风险模型表征目标企业聚类集合的资源分配风险信息与各个目标企业的资源分配权重的对应关系。
其中,资源分配风险模型指的是针对目标企业聚类集合进行资源分配后对应的风险模型,该风险模型可以表征针对目标企业聚类集合的资源分配风险信息,以及各个目标企业的资源分配权重的关系,其中资源分配风险信息指的是对目标企业聚类集合中的各个目标企业进行资源分配可能存在的风险信息,而资源分配权重则指的是对目标企业聚类集合中的各个目标企业进行资源分配的权重,不同的资源分配权重可以代表不同的资源分配方案。本实施例中,终端针对目标企业聚类集合进行风险评估的方式,可以是先假设对包含有多于两个目标企业的目标企业聚类集合中的各个目标企业按照不同的资源分配方案进行资源分配,之后再确定出按照该资源分配方案分配资源时对应风险信息,因此可以通过构建表征资源分配风险信息与各个目标企业的资源分配权重的对应关系的资源分配风险模型,来表征每一种资源分配方案与资源分配风险信息的对应关系。
具体来说,终端可以基于每一个目标企业的企业营运信息,从而根据该企业营运信息,构建出资源分配风险信息,与每一个目标企业的资源分配权重的对应关系,来构建出用于表征资源分配风险信息与资源分配方案对应关系的资源分配风险模型。
步骤S402,获取针对目标企业聚类集合的期望收益数据,利用各个目标企业的企业营运信息以及期望收益数据,构建目标企业聚类集合的资源分配约束模型;资源分配约束模型表征期望收益数据与资源分配权重的对应关系。
期望收益数据则指的是对各个目标企业进行资源分配后,所期望的资源收益数据,一般而言,该期望收益数据可以是某个大于0的数值,来表征资源分配后不会造成资源的亏损,该期望收益数据可以是用户预先设定。而资源分配约束模型则是用来约束资源分配方案的模型,与资源分配风险信息类似,不同的资源分配方案所对应的资源分配收益数据也有所不同,但是为了使资源分配收益数据可以满足期望收益数据,终端可以通过构建资源分配约束模型,来约束资源分配方案,例如可以是使资源分配方案对应的资源分配收益数据,可以大于或者等于期望收益数据,即通过构建出期望收益数据与各个目标企业的资源分配权重的对应关系的资源分配约束模型,来实现资源分配方案的约束。
具体来说,用户还可以通过终端预先设定针对目标企业聚类集合的期望收益数据,从而终端则可以基于每一个目标企业的企业营运信息,以及期望收益数据,来构建出用于表征期望收益数据与资源分配权重的对应关系,以约束资源分配方案的资源分配约束模型。
步骤S403,以资源分配约束模型为约束条件,基于资源分配风险模型获取目标企业聚类集合对应的最小资源分配风险信息;
步骤S404,根据最小资源分配风险信息,对目标企业聚类集合进行风险评估。
本实施例中,终端针对目标企业聚类集合进行风险评估的方式,可以是先假设对目标企业聚类集合中的各个目标企业按照某一个资源分配方案进行资源分配,并在该资源分配方案满足某个期望收益数据的情况下,其对应的资源分配风险信息的大小,该资源分配风险信息可以是通过资源分配方案所对应的资源分配收益数据的方差值来表征,一般而言,方差值越大,则表明波动性越大,那么资源分配收益数据获取的风险也会越大。而最小资源分配风险信息则是各个资源分配方案所对应的资源分配风险信息中,最小的资源分配风险信息。
具体来说,终端在完成资源分配约束模型以及资源分配风险模型的构建后,则可以将资源分配约束模型作为约束条件,来得到表征不同资源分配方案的多个针对目标企业的资源分配权重,从而再利用资源分配风险模型,得到各个资源分配权重对应的资源分配风险信息,并从中找出最小的资源分配风险信息,即此时的资源分配方案对应的资源分配风险最小,并利用该最小的资源分配风险信息来对目标企业聚类集合进行风险评估。
本实施例中,终端可以构建资源分配风险模型以及资源分配约束模型,并以资源分配约束模型为约束条件,利用资源分配风险模型确定出最小资源分配风险信息,并利用该最小资源分配风险信息来实现风险评估,从而实现了针对目标企业聚类集合的资源分配风险评估,进一步提高了资源分配风险评估的准确性。
进一步地,步骤S401可以进一步包括:根据各个目标企业的企业营运信息,获取各个目标企业对应的子风险信息,以及各个目标企业之间的相关系数信息;构建资源分配风险信息,与子风险信息、相关系数信息以及资源分配权重的对应关系,得到资源分配风险模型;步骤S402可以进一步包括:根据各个目标企业的企业营运信息,获取各个目标企业对应的子收益数据;构建期望收益数据,与子收益数据以及资源分配权重的对应关系,得到资源分配约束模型。
子风险信息指的是每一个目标企业的收益风险信息,而子收益数据则可以是目标企业对应的收益率数据,而相关系数信息则可以是每两个目标企业之间相关系数。本实施例中,终端可以根据每一个目标企业的企业营运信息,获取各个目标企业的子风险信息,以及子收益数据,同时,还可以计算每两个目标企业之间相关系数。
例如,目标企业的企业营运信息中可以记录有多个不同天数的营运收益,终端可以基于上述不同天数的营运收益,来计算每个天数的营运收益率,并将营运收益率的平均值作为子收益数据,同时将营运收益率的方差值或者标准差值作为子风险信息,还可以分别比对两个目标企业相同天数的营运收益率数据,从而得到两个目标企业之间的相关系数信息,则可以基于上述子收益数据、子风险信息以及相关系数信息,来分别构建资源分配风险模型以及资源分配约束模型。
其中,资源分配约束模型可通过以下公式表征:
R的期望值=r1μ1+r2μ2+...+rmμm
其中,R的期望值表征期望收益数据,r1,r2,...,rm则分别表征企业1、企业2、……、企业m的资源分配权重,而μ1,μ2,...,μm则分别表征企业1、企业2、……、企业m的子收益数据。
而资源分配风险模型可通过以下公式表征:
其中,R的方差表征资源分配风险信息,r1,r2,...,rm则分别表征企业1、企业2、……、企业m的资源分配权重,σ1,σ2,...,σm为企业1、企业2、……、企业m的子风险信息,ρij为企业i与企业j的相关系数信息,并且0≤ρij≤1,ρij=ρji,ρii=1。
本实施例中,终端还可以通过各个目标企业的企业营运信息,来获取每个目标企业的子风险信息、子收益数据以及各个目标企业之间的相关系数信息,从而利用上述信息构建资源分配风险模型与资源分配约束模型,来提高资源分配风险模型与资源分配约束模型的构建效率。
另外,步骤S404可以进一步包括:获取预先设定的风险评估阈值;在最小资源分配风险信息小于或者等于风险评估阈值的情况下,则确定目标企业聚类集合的风险评估结果为第一结果;第一结果表征目标企业聚类集合处于风险可控状态;在最小资源分配风险信息大于风险评估阈值的情况下,则确定目标企业聚类集合的风险评估结果为第二结果;第二结果表征目标企业聚类集合处于风险不可控状态。
其中,风险评估阈值指的是预先设定,用于进行风险评估的阈值,在步骤S403终端计算出最小资源分配风险信息后,还可以进一步的将得到的最小资源分配风险信息,与风险评估阈值进行比对,如果最小资源分配风险信息要小于或者等于风险评估阈值,那么则表明对目标企业聚类集合进行资源分配的风险仍然较低,此时则可以表明当前目标企业聚类集合仍然处于风险可控的状态,那么就可以考虑按照对应的资源分配方案,对目标企业聚类集合进行资源分配。而如果最小资源分配风险信息已经大于风险评估阈值,那么则表明对目标企业聚类集合进行资源分配的风险已经比较高,此时则可以表明当前目标企业聚类集合已经处于风险不可控的状态,那么此时则可以尽量避免对目标企业聚类集合进行资源分配,来避免资源的亏损。
本实施例中,终端还可以基于最小资源分配风险信息以及风险评估阈值,来实现针对目标企业聚类集合的风险评估,可以进一步提高目标企业聚类集合风险评估的效率。
在一个实施例中,企业营运信息对应有多个营运信息因子;如图5所示,步骤S102之前,还可以包括:
步骤S501,基于企业营运信息,获取各个营运信息因子之间的因子相关性信息。
其中,营运信息因子表征企业营运信息的属性,本实施例中,企业营运信息可以由不同属性的企业营运信息组成,例如企业营运信息可以包含企业的营业成本信息、营业收入信息以及营业利润信息等等,那么相应的营运信息因子则可以分别是营业成本、营业收入以及营业利润等等。因子相关性信息则指的是每一个营运信息因子之间相关性信息。具体来说,终端在得到多个营运信息因子对应的企业营运信息后,则可以利用上述企业营运信息作为输入,进行相关性分析,从而得到每两个营运信息因子之间的因子相关性信息。
步骤S502,在因子相关性信息大于预设相关性阈值的情况下,将营运信息因子进行合并处理,得到候选聚类因子。
候选聚类因子指的是对营运信息因子进行合并处理后,剩余的营运信息因子,预设相关性阈值则是预先设定的,用于表征因子相关性程度的阈值,如果因子相关性较大,即因子相关性信息大于预设相关性阈值时,则表明两个营运信息因子可能存在相关关系,那么为了减少运算量,以及提高筛选出的预设的聚类因子的准确性,终端可以先对营运信息因子进行初步筛选,先合并掉相关营运信息因子,从而得到候选聚类因子。例如,营运信息因子可以包含因子A、因子B和因子C,其中因子A和因子C的因子相关性信息大于预设相关性阈值,那么则可以将因子A和因子C合并,可以是剔除掉因子C,那么剩余的因子A和因子B则作为候选聚类因子。
步骤S503,对候选聚类因子进行主成分分析,得到预设的聚类因子。
而在步骤S502得到候选聚类因子后,则可以利用主成分分析法对该候选聚类因子进行处理,从而筛选出预设的聚类因子。
本实施例中,终端可以先对企业营运信息中包含的营运信息因子进行相关性分析,合并得到候选聚类因子后,再通过主成分分析技术进行针对候选聚类因子,来得到预设的聚类因子,从而提高预设的聚类因子筛选的准确性。
在一个应用实例中,还提供了一种基于组合优化模型的上企业违约风险分析方法,具体包括以下步骤:
步骤1:金融数据的收集以及分析。
(1)收集描述企业营运情况的数据,在不同行业中,选了29个不同企业的营运数据,然后进行计算,使它们的相关系数达到最小。
(2)对采集的企业营运数据的数据预处理,计算收益率。
步骤2:因子分析和聚类分析
(1)因子分析。
通过输入包含有24个描述企业营运情况的指标数据,该指标数据,分别对应于24个指标,先通过相关性分析,得到相关分析矩阵,并剔除相关系数接近1,或者0.999的指标,从而保留其中20个指标。
再通过对剩余的20个指标进行主成分分析,从而筛选出4个主成分因子,之后获取上述4个主成分因子的公因子方差比,旋转前的因子载荷矩阵、正交旋转矩阵与旋转后的因子载荷矩阵等过程,确定出各个主成分因子所表征的含义。
(2)聚类分析(层次聚类)
层次聚类(也称系统聚类)的层次含义是:开始时每个样品各看成一类,将距离最近的两类合并;重新计算新类与其他类的距离,再将距离最近的两类合并;再计算新类与其他类的距离……,这样一步步地进行下去,每一步减少一类。
原始数据有29个企业,在聚类起始阶段为29类,然后按照既定的聚类方法合并两个样品,29类变为28类,此时企业27和企业6最先融合,即首先把它们聚为一类;然后,由28类聚为27类,此时企业26和企业9融合,依次下去,直到完成企业的聚类。
步骤3:资源分配方案分析。
(1)资源分配组合模型构建。
假如一个企业集合中包含m个企业,那么总收益率R的期望值则可以通过以下公式表征:
R的期望值=r1μ1+r2μ2+...+rmμm
其中,R的期望值表征总收益率数据,r1,r2,...,rm则分别表征企业1、企业2、……、企业m的资源分配权重,而μ1,μ2,...,μm则分别表征企业1、企业2、……、企业m的收益率数据。
同时,总收益率R所对应的风险模型则可以通过以下公式表征:
其中,R的方差表征总收益率风险信息,r1,r2,...,rm则分别表征企业1、企业2、……、企业m的资源分配权重,σ1,σ2,...,σm为企业1、企业2、……、企业m的子风险信息,ρij为企业i与企业j的相关系数信息,并且0≤ρij≤1,ρij=ρji,ρii=1。
该式包含了两个部分,第一部分是它是各企业的单项收益率的方差与该资源分配权重的平方的乘积之和,它反映出总方差取决于个企业的单项方差与资源分配权重。第二部分是它反应出总方差还取决于各企业的相关性,当相关系数ρij=0时,第i个企业与第j个企业之间无相关性,第二部分的值等于零;当相关系数ρij≠0时,由于企业之间的相关性,第i个企业的资源分配风险将影响第j个企业的风险,从而进一步影响整个资源分配组合的风险。
(2)资源分配组合模型求解。
得到的资源分配组合模型则可以如下所示:
s.t.R的期望值=r1μ1+r2μ2+...+rmμm≥P
r1+r2+...+rm=1
r1,r2,...,rm≥0
通过企业1到企业m的企业营运信息,可以得到企业1到企业m分别对应的μ1,μ2,...,μm,以及σ1,σ2,...,σm,从而求解出企业1到企业m的资源分配权重r1,r2,...,rm,并将其代入计算出R的方差,得到最小的总收益率风险信息。
步骤4:风险分析。
当一个企业集合总收益率的期望满足总收益率的期望大于等于0时,并且最小的总收益率风险信息小于等于某个设定的风险值,则认为该行业集合处于安全水平,即企业风险可控,而如果总收益率的期望大于等于0,但是最小的总收益率风险信息大于某个设定的风险值,则认为该行业集合处于危险水平,即企业风险不可控。
通过上述应用实例,实现了针对同一企业集合的资源分配风险评估,相比于只针对单一企业进行资源分配风险评估更具有参考性,风险评估的准确性也较高。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的企业风险评估方法的企业风险评估装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个企业风险评估装置实施例中的具体限定可以参见上文中对于企业风险评估方法的限定,在此不再赘述。
在一个实施例中,如图6所示,提供了一种企业风险评估装置,包括:营运信息获取模块601、企业集合聚类模块602、目标集合获取模块603和企业风险评估模块604,其中:
营运信息获取模块601,用于获取多个企业的企业营运信息;多个企业的企业营运信息中包含有待评估企业的企业营运信息;
企业集合聚类模块602,用于基于多个企业的企业营运信息,利用预设的聚类因子对多个企业进行聚类处理,得到多个企业聚类集合;
目标集合获取模块603,用于从多个企业聚类集合中,获取包含有待评估企业的目标企业聚类集合;
企业风险评估模块604,用于利用目标企业聚类集合中包含的目标企业的企业营运信息,对目标企业聚类集合进行风险评估,并将目标企业聚类集合的风险评估结果作为待评估企业的风险评估结果。
在一个实施例中,企业集合聚类模块602,进一步用于根据多个企业的企业营运信息,获取各个企业与预设的聚类因子对应的目标营运信息;获取企业聚类集合的集合数量;集合数量小于多个企业的企业数量;利用目标营运信息,对多个企业进行聚类处理,直到企业聚类集合的数量满足集合数量。
在一个实施例中,企业集合聚类模块602,进一步用于将各个企业分别作为初始聚类集合,利用各个企业对应的目标营运信息,得到各个初始聚类集合之间的相似度;将相似度最大的初始聚类集合进行合并,得到合并聚类集合;将合并聚类集合作为新的初始聚类集合,返回执行利用各个企业对应的目标营运信息,得到各个初始聚类集合之间的相似度的步骤,直到合并聚类集合与初始聚类集合的数量之和满足集合数量,则将合并聚类集合与初始聚类集合,作为企业聚类集合。
在一个实施例中,目标企业聚类集合中包含的目标企业的数量为至少两个;企业风险评估模块604,进一步用于根据各个目标企业的企业营运信息,构建目标企业聚类集合的资源分配风险模型;资源分配风险模型表征目标企业聚类集合的资源分配风险信息与各个目标企业的资源分配权重的对应关系;获取针对目标企业聚类集合的期望收益数据,利用各个目标企业的企业营运信息以及期望收益数据,构建目标企业聚类集合的资源分配约束模型;资源分配约束模型表征期望收益数据与资源分配权重的对应关系;以资源分配约束模型为约束条件,基于资源分配风险模型获取目标企业聚类集合对应的最小资源分配风险信息;根据最小资源分配风险信息,对目标企业聚类集合进行风险评估。
在一个实施例中,企业风险评估模块604,进一步用于根据各个目标企业的企业营运信息,获取各个目标企业对应的子风险信息,以及各个目标企业之间的相关系数信息;构建资源分配风险信息,与子风险信息、相关系数信息以及资源分配权重的对应关系,得到资源分配风险模型;以及用于根据各个目标企业的企业营运信息,获取各个目标企业对应的子收益数据;构建期望收益数据,与子收益数据以及资源分配权重的对应关系,得到资源分配约束模型。
在一个实施例中,企业风险评估模块604,进一步用于获取预先设定的风险评估阈值;在最小资源分配风险信息小于或者等于风险评估阈值的情况下,则确定目标企业聚类集合的风险评估结果为第一结果;第一结果表征目标企业聚类集合处于风险可控状态;在最小资源分配风险信息大于风险评估阈值的情况下,则确定目标企业聚类集合的风险评估结果为第二结果;第二结果表征目标企业聚类集合处于风险不可控状态。
在一个实施例中,企业营运信息对应有多个营运信息因子;企业集合聚类模块602,还用于基于企业营运信息,获取各个营运信息因子之间的因子相关性信息;在因子相关性信息大于预设相关性阈值的情况下,将营运信息因子进行合并处理,得到候选聚类因子;对候选聚类因子进行主成分分析,得到预设的聚类因子。
上述企业风险评估装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种企业风险评估方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (11)
1.一种企业风险评估方法,其特征在于,所述方法包括:
获取多个企业的企业营运信息;所述多个企业的企业营运信息中包含有待评估企业的企业营运信息;
基于所述多个企业的企业营运信息,利用预设的聚类因子对所述多个企业进行聚类处理,得到多个企业聚类集合;
从所述多个企业聚类集合中,获取包含有所述待评估企业的目标企业聚类集合;
利用所述目标企业聚类集合中包含的目标企业的企业营运信息,对所述目标企业聚类集合进行风险评估,并将所述目标企业聚类集合的风险评估结果作为所述待评估企业的风险评估结果。
2.根据权利要求1所述的方法,其特征在于,所述基于所述多个企业的企业营运信息,利用预设的聚类因子对所述多个企业进行聚类处理,得到多个企业聚类集合,包括:
根据所述多个企业的企业营运信息,获取各个企业与所述预设的聚类因子对应的目标营运信息;
获取企业聚类集合的集合数量;所述集合数量小于所述多个企业的企业数量;
利用所述目标营运信息,对所述多个企业进行聚类处理,直到所述企业聚类集合的数量满足所述集合数量。
3.根据权利要求2所述的方法,其特征在于,所述利用所述目标营运信息,对所述多个企业进行聚类处理,直到所述企业聚类集合的数量满足所述集合数量,包括:
将所述各个企业分别作为初始聚类集合,利用所述各个企业对应的目标营运信息,得到各个初始聚类集合之间的相似度;
将所述相似度最大的初始聚类集合进行合并,得到合并聚类集合;
将所述合并聚类集合作为新的初始聚类集合,返回执行利用所述各个企业对应的目标营运信息,得到各个初始聚类集合之间的相似度的步骤,直到所述合并聚类集合与所述初始聚类集合的数量之和满足所述集合数量,则将所述合并聚类集合与所述初始聚类集合,作为所述企业聚类集合。
4.根据权利要求1所述的方法,其特征在于,所述目标企业聚类集合中包含的目标企业的数量为至少两个;
所述利用所述目标企业聚类集合中包含的目标企业的企业营运信息,对所述目标企业聚类集合进行风险评估,包括:
根据各个目标企业的企业营运信息,构建所述目标企业聚类集合的资源分配风险模型;所述资源分配风险模型表征所述目标企业聚类集合的资源分配风险信息与所述各个目标企业的资源分配权重的对应关系;
获取针对所述目标企业聚类集合的期望收益数据,利用所述各个目标企业的企业营运信息以及所述期望收益数据,构建所述目标企业聚类集合的资源分配约束模型;所述资源分配约束模型表征所述期望收益数据与所述资源分配权重的对应关系;
以所述资源分配约束模型为约束条件,基于所述资源分配风险模型获取所述目标企业聚类集合对应的最小资源分配风险信息;
根据所述最小资源分配风险信息,对所述目标企业聚类集合进行风险评估。
5.根据权利要求4所述的方法,其特征在于,所述根据各个目标企业的企业营运信息,构建所述目标企业聚类集合的资源分配风险模型,包括:
根据所述各个目标企业的企业营运信息,获取所述各个目标企业对应的子风险信息,以及所述各个目标企业之间的相关系数信息;
构建所述资源分配风险信息,与所述子风险信息、所述相关系数信息以及所述资源分配权重的对应关系,得到所述资源分配风险模型;
所述利用所述各个目标企业的企业营运信息以及所述期望收益数据,构建所述目标企业聚类集合的资源分配约束模型,包括:
根据所述各个目标企业的企业营运信息,获取所述各个目标企业对应的子收益数据;
构建所述期望收益数据,与所述子收益数据以及所述资源分配权重的对应关系,得到所述资源分配约束模型。
6.根据权利要求4所述的方法,其特征在于,所述根据所述最小资源分配风险信息,对所述目标企业聚类集合进行风险评估,包括:
获取预先设定的风险评估阈值;
在所述最小资源分配风险信息小于或者等于所述风险评估阈值的情况下,则确定所述目标企业聚类集合的风险评估结果为第一结果;所述第一结果表征所述目标企业聚类集合处于风险可控状态;
在所述最小资源分配风险信息大于所述风险评估阈值的情况下,则确定所述目标企业聚类集合的风险评估结果为第二结果;所述第二结果表征所述目标企业聚类集合处于风险不可控状态。
7.根据权利要求1所述的方法,其特征在于,所述企业营运信息对应有多个营运信息因子;
所述利用预设的聚类因子对所述多个企业进行聚类处理,得到多个企业聚类集合之前,还包括:
基于所述企业营运信息,获取各个营运信息因子之间的因子相关性信息;
在所述因子相关性信息大于预设相关性阈值的情况下,将所述营运信息因子进行合并处理,得到候选聚类因子;
对所述候选聚类因子进行主成分分析,得到所述预设的聚类因子。
8.一种企业风险评估装置,其特征在于,所述装置包括:
营运信息获取模块,用于获取多个企业的企业营运信息;所述多个企业的企业营运信息中包含有待评估企业的企业营运信息;
企业集合聚类模块,用于基于所述多个企业的企业营运信息,利用预设的聚类因子对所述多个企业进行聚类处理,得到多个企业聚类集合;
目标集合获取模块,用于从所述多个企业聚类集合中,获取包含有所述待评估企业的目标企业聚类集合;
企业风险评估模块,用于利用所述目标企业聚类集合中包含的目标企业的企业营运信息,对所述目标企业聚类集合进行风险评估,并将所述目标企业聚类集合的风险评估结果作为所述待评估企业的风险评估结果。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
11.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211411513.2A CN115759742A (zh) | 2022-11-11 | 2022-11-11 | 企业风险评估方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211411513.2A CN115759742A (zh) | 2022-11-11 | 2022-11-11 | 企业风险评估方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115759742A true CN115759742A (zh) | 2023-03-07 |
Family
ID=85369589
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211411513.2A Pending CN115759742A (zh) | 2022-11-11 | 2022-11-11 | 企业风险评估方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115759742A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116341917A (zh) * | 2023-04-27 | 2023-06-27 | 山东柏源技术有限公司 | 一种基于数据分析的工程财务管理风险评估系统 |
-
2022
- 2022-11-11 CN CN202211411513.2A patent/CN115759742A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116341917A (zh) * | 2023-04-27 | 2023-06-27 | 山东柏源技术有限公司 | 一种基于数据分析的工程财务管理风险评估系统 |
CN116341917B (zh) * | 2023-04-27 | 2023-10-13 | 山东柏源技术有限公司 | 一种基于数据分析的工程财务管理风险评估系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210374610A1 (en) | Efficient duplicate detection for machine learning data sets | |
US20200050968A1 (en) | Interactive interfaces for machine learning model evaluations | |
CN107622326B (zh) | 用户分类、可用资源预测方法、装置及设备 | |
US11860905B2 (en) | Scanning for information according to scan objectives | |
CN115641019A (zh) | 指标异常分析方法、装置、计算机设备和存储介质 | |
CN115759742A (zh) | 企业风险评估方法、装置、计算机设备和存储介质 | |
CN115329011A (zh) | 数据模型的构建方法、数据查询的方法、装置及存储介质 | |
CN116737373A (zh) | 负载均衡方法、装置、计算机设备、存储介质 | |
CN116304251A (zh) | 标签处理方法、装置、计算机设备和存储介质 | |
CN115438024A (zh) | 数据导入中台的方法、装置、系统、电子设备、存储介质 | |
CN114170000A (zh) | 信用卡用户风险类别识别方法、装置、计算机设备和介质 | |
WO2021236423A1 (en) | Identifying claim complexity by integrating supervised and unsupervised learning | |
US7818534B2 (en) | Determination of sampling characteristics based on available memory | |
US20230385820A1 (en) | Methods and Systems for Predicting Cash Flow | |
CN116091209A (zh) | 信贷业务处理方法、装置、计算机设备和存储介质 | |
CN117689211A (zh) | 审计风险评估方法、装置、计算机设备和存储介质 | |
CN117853217A (zh) | 数据隐私保护的金融违约率预测方法、装置以及设备 | |
CN117251816A (zh) | 碳排放数据的验证方法、装置、计算机设备和存储介质 | |
CN116821147A (zh) | 数据查找工具识别方法、装置、设备和存储介质 | |
CN115293452A (zh) | 用户行为预测方法、装置、计算机设备和存储介质 | |
CN118093515A (zh) | 数据处理方法、装置、设备、介质和程序产品 | |
CN114004542A (zh) | 一种企业任务管理方法、系统、计算机设备及存储介质 | |
CN117312660A (zh) | 项目推送方法、装置、计算机设备和存储介质 | |
CN116188177A (zh) | 基于动态信息量化的业务风险评估方法、装置和设备 | |
CN116301786A (zh) | 辅助编码方法、装置、计算机设备和存储介质 |
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 |