CN116433006A - 一种基于大数据的招商融资评估方法、系统及可读存储介质 - Google Patents
一种基于大数据的招商融资评估方法、系统及可读存储介质 Download PDFInfo
- Publication number
- CN116433006A CN116433006A CN202310190238.4A CN202310190238A CN116433006A CN 116433006 A CN116433006 A CN 116433006A CN 202310190238 A CN202310190238 A CN 202310190238A CN 116433006 A CN116433006 A CN 116433006A
- Authority
- CN
- China
- Prior art keywords
- financing
- information
- enterprise
- risk
- data
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 52
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 230000007115 recruitment Effects 0.000 title claims description 16
- 238000000034 method Methods 0.000 claims abstract description 50
- 238000003062 neural network model Methods 0.000 claims abstract description 26
- 238000013210 evaluation model Methods 0.000 claims abstract description 20
- 238000007726 management method Methods 0.000 claims description 29
- 210000002569 neuron Anatomy 0.000 claims description 28
- 230000008569 process Effects 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 23
- 238000011161 development Methods 0.000 claims description 18
- 238000004140 cleaning Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 14
- 238000005516 engineering process Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 238000012502 risk assessment Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 6
- 230000002265 prevention Effects 0.000 claims description 5
- 238000003672 processing method Methods 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 description 9
- 238000012827 research and development Methods 0.000 description 3
- 238000012356 Product development Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- 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
- 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
- G06N3/0499—Feedforward networks
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/06—Asset management; Financial planning or analysis
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Quality & Reliability (AREA)
- Technology Law (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开的一种基于大数据的招商融资评估方法、系统及可读存储介质,包括:通过大数据获取企业全方位架构信息,并生成融资评估模型;获取企业融资需求,得到企业融资信息,输入融资评估模型并自动生成当前融资评估信息;将当前融资评估信息与预设评估信息进行比较,得到偏差率;判断所述偏差率是否大于预设偏差率阈值;若大于,则生成融资风险信息;根据融资风险信息生成企业整改信息,根据企业整改信息对企业架构进行整改,降低融资风险;本申请通过神经网络模型对数据进行训练,使得神经网络模型对融资评估实现自适应学习,实现融资评估结果越来越精准。
Description
技术领域
本发明涉及大数据领域,更具体的,涉及一种基于大数据的招商融资评估方法、系统及可读存储介质。
背景技术
新兴产业在发展的前期普遍将面临相当的资金压力,在发展的前期,其盈利能力弱,投入大,研发周期长,会导致其面临相当程度的融资风险。此外,目前战略性新兴产业的不确定性很高,会严重影响战略性新兴产业整体的竞争力,降低其盈利能力。战略性新兴产业的战略性和新兴性决定了其产业特点以及融资过程中不同于其他产业的特有风险因素,因此为了有效防范与控制其所面临的风险,对战略性新兴产业融资风险的科学评估迫在眉睫,已成为战略性新兴产业发展演进中亟待解决的重要问题。
发明内容
为了解决上述至少一个技术问题,本发明提出了一种基于大数据的招商融资评估方法、系统及可读存储介质。
本发明第一方面提供了一种基于大数据的招商融资评估方法,包括如下步骤:
通过大数据获取企业全方位架构信息,并生成融资评估模型;
获取企业融资需求,得到企业融资信息,输入融资评估模型并自动生成当前融资评估信息;
将当前融资评估信息与预设评估信息进行比较,得到偏差率;
判断所述偏差率是否大于预设偏差率阈值;
若大于,则生成融资风险信息;
根据融资风险信息生成企业整改信息,根据企业整改信息对企业架构进行整改,降低融资风险。
本发明一个较佳实施例中,所述企业全方位架构信息包括企业信用信息、企业供应链稳定性、资本结构信息、债券结构信息、股权结构信息、企业经营信息、企业技术研发信息。
本发明一个较佳实施例中,获取大数据,对大数据进行数据清洗处理,处理方法如下:
通过周围相邻数据的值平滑当前数据的值;
对数据进行排序,按照预定规则对属性值划分若干子区间;
若属性值在子区间范围内,就把该属性值放入对应子区间范围内进行处理,用处理完毕后的属性值更新原先的属性值。
本发明一个较佳实施例中,融资评估模型为神经网络模型,神经网络模型包括输入层、隐含层与输出层;
输入层包括神经元,一个神经元包括若干个输入,每一个输入通过一个权值与下一层相连,神经元输出表示为:
S=h(m*n+x)
式中,S表示神经元的输出;h表示输入输出关系的传递函数;x表示神经元的阈值;m表示权值;n表示输入值。
本发明一个较佳实施例中,神经网络模型的训练过程如下:
输入数据经隐含层至输出层,得到输出值;
将输出值与期望输出进行减法计算,得到误差值,将误差值反向传播至隐含层神经元;
判断误差值是否大于预定误差阈值;
若大于,则根据误差值调整各个神经元的连接权值与阈值,直至误差值小于或等于预定误差阈值,神经网络模型训练结束。
本发明一个较佳实施例中,神经网络模型训练过程中通过函数将数据进行归一化处理,实现输入数据进行预处理,将输入数据转换为(0,1)区间内的数;
函数表达式为:
Y=(X-Xmin)/(Xmax-Xmin)。
本发明一个较佳实施例中,根据融资风险信息进行风险管理,并根据风险管理进行调整企业架构,对企业进行整改,风险管理方法如下:
收集企业的基本信息,获得初始信息,对初始信息进行整理和分析;
根据初始信息进行企业融资评估风险分析,并根据分析结果制定风险管理策略;
根据风险管理策略建立风险防范方案,在方案实施过程中,将方案实施进度进行实时反馈,并根据反馈结果对实施方案进行改进。
本发明第二方面还提供了一种基于大数据的招商融资评估系统,该系统包括:存储器、处理器,所述存储器中包括基于大数据的招商融资评估方法程序,所述基于大数据的招商融资评估方法程序被所述处理器执行时实现如下步骤:
通过大数据获取企业全方位架构信息,并生成融资评估模型;
获取企业融资需求,得到企业融资信息,输入融资评估模型并自动生成当前融资评估信息;
将当前融资评估信息与预设评估信息进行比较,得到偏差率;
判断所述偏差率是否大于预设偏差率阈值;
若大于,则生成融资风险信息;
根据融资风险信息生成企业整改信息,根据企业整改信息对企业架构进行整改,降低融资风险。
本发明第三方面还提供一种计算机可读存储介质,所述计算机可读存储介质中包括基于大数据的招商融资评估方法程序,所述基于大数据的招商融资评估方法程序被处理器执行时,实现如上述任一项所述的基于大数据的招商融资评估方法的步骤。
与现有技术相比,本发明所获得的有益技术效果:
(1)本申请获取大数据之后,首先对大数据进行数据清洗处理,处理在数据核对过程中发现的数据问题,解决数据不完整、数据不一致以及数据噪声,提高数据精度,通过大数据建立融资评估模型进行融资评估更加接近实际值。
(2)通过神经网络模型对数据进行训练,使得神经网络模型对融资评估实现自适应学习,实现融资评估结果越来越精准。
附图说明
图1示出了本发明一种基于大数据的招商融资评估方法的流程图;
图2示出了本发明数据清洗处理方法流程图;
图3示出了本发明神经网络模型训练方法流程图;
图4示出了本发明风险管理方法流程图;
图5示出了本发明基于大数据的招商融资评估框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
实施例一
图1示出了本发明一种基于大数据的招商融资评估方法的流程图。
如图1所示,本发明第一方面提供了一种基于大数据的招商融资评估方法,包括如下步骤:
S102,通过大数据获取企业全方位架构信息,并生成融资评估模型;
S104,获取企业融资需求,得到企业融资信息,输入融资评估模型并自动生成当前融资评估信息;
S106,将当前融资评估信息与预设评估信息进行比较,得到偏差率;
S108,判断偏差率是否大于预设偏差率阈值;
S110,若大于,则生成融资风险信息;
S112,根据融资风险信息生成企业整改信息,根据企业整改信息对企业架构进行整改,降低融资风险。
具体的,首先对各个细分产业的债权以及股权融资现状进行的分析,然后使用财务指标识别法对新兴产业各个细分产业的债权、股权融资风险进行了初步识别,通过识别结果对其融资风险影响因素进行挖掘,根据综合评估融资风险建立指标体系。
进一步的,指标体系包括根据企业资产相关指标进行一些测算和分析来进一步揭示企业资产的实际质量状况,相关财务指标如下:
资产增长率=资产增长额/资产总额*100%
固定资产成新率=平均固定资产净值/平均固定资产原值*100%
流动资产比率=流动资产/资产总额*100%。
企业负债相关指标进行一些测算和分析来进一步揭示企业负债的实际质量状况,相关财务指标如下:
资产负债率=负债总额/资产总额*100%
流动比率=流动资产总额/流动负债总额*100%
速动比率=速动资产/流动负债*100%。
企业盈利能力相关指标进行一些测算和分析来进一步揭示企业盈利能力的实际状况,相关财务指标如下:
总资产报酬率=息税前利润/资产平均总额*100%
净资产收益率=净利润/净资产*100%
营业利润率=营业利润/全部业务收入*100%
成本费用利润率=利润总额/成本费用总额*100%。
进一步的,企业整改信息具体包括:企业要根据融资成本设置企业融资规模预警线以控制企业的财务成本,避免利息支出侵占企业大比例营业收入,对企业所有可抵押资产进行全面价值评估,确定融资规模上限,防止由于过度融资造成资不抵债所造成的企业破产。对企业经营性资金需求和到期债务性资金需求进行测算,制定合理的长短期融资规模,防止出现融资与当前需求规模的错配出现。根据企业盈利能力,规划偿债利息支出数值,通过当前融资市场的平均价格,防止出现由于大额利息支出影响企业正常经营的情况。
进一步的,本申请将企业融资风险评估结果分为A,B,C,D,E五个等级。融资风险综合评分大于0.9,列为A等级,表明企业自有资金充足,不良债务极少,企业经营状况极好。融资风险综合评分小于0.9大于0.75的列为B等级,表明企业资金相对充足,可能出现少量不良资产,企业经营过程中出现少数异常。融资风险综合评分小于0.75大于0.45的列为C等级,表明企业资金链紧张,仅能维持企业目前发展,已经出现一些不良资产;融资风险综合评分小于0.45大于0.2的列为D等级,表明企业缺乏自有资金,负债较多,出现部分坏账,企业发展遇到瓶颈,难以解决自身遇到的问题;融资风险综合评分小于0.2的列为E等级,表明企业出现大量坏账,资金链断裂,无法维持企业正常经营,面临破产的境地。
根据本发明实施例,企业全方位架构信息包括企业信用信息、企业供应链稳定性、资本结构信息、债券结构信息、股权结构信息、企业经营信息、企业技术研发信息。
具体的,资本结构是指企业债务资金以及权益资金所占的比例及其相互关系。战略性新兴产业上市以后积累了大量的股权资本,表现出股权融资偏好,若企业权益资本比例过高,即使股权融资无需面对还本付息的压力,但因为股权融资投资者要求高回报率,从而权益融资资本成本比负债融资成本要高,带来融资成本增加的风险。
股权结构中由于每个股东性格的不同,承受风险的能力也不同,对于稳健型的股东,他们更愿意采用风险较小的融资方式,该企业借贷融资的比例就小,还本付息的风险相应地也就少了;但是对于激进型的股东,他们更愿意利用高风险的融资方式来追求高额的利润,同时也就使企业面对了更高的风险。如果出现控股股东或者相对控股股东,那么企业决策可能将受其控制,上市公司融资风险会增加。
企业经营能力包括企业的获利能力、现金能力以及成长能力。一个企业的获利能力越强,预期的投资报酬率就越高,在行业内的信用度大大提升,筹集到资金的机会就越多,而且预期的现金流入量增大,企业抵御融资风险的能力就会增强。反之,企业的盈利能力较弱时,预计未来现金流量的流入量减少,企业归还借款的能力就可能下降。
企业技术研发能力包括企业研发投入与专利成果数是检验战略性新兴产业上市公司技术开发能力的重要数据,如果战略性新兴产业的企业融资用于与技术完全不相关的领域,那么企业的发展是有限的,将对融资风险产生巨大影响。
进一步的,还包括外部风险因素,由于通货膨胀现象,物价较以前增长幅度较大,由于战略性新兴产业所需的生产资料价格近年来大幅上涨,产品研制硬件设施、技术人员等费用的增加,都导致生产成本上升,企业生产经营所需的资金额度就会不断增长,可能造成企业的资金供给不足,加大了企业的资金成本,从而扩大了企业的融资风险。
如图2所示,本发明公开了数据清洗处理方法流程图。
根据本发明实施例,获取大数据,对大数据进行数据清洗处理,处理方法如下:
S202,通过周围相邻数据的值平滑当前数据的值;
S204,对数据进行排序,按照预定规则对属性值划分若干子区间;
S206,若属性值在子区间范围内,就把该属性值放入对应子区间范围内进行处理,用处理完毕后的属性值更新原先的属性值。
具体的,获取大数据之后,首先需要对大数据进行数据清洗处理,数据清洗的目的主要是处理在数据核对过程中发现的数据问题,其目的在于解决数据不完整、数据不一致以及数据噪声的问题。在数据清洗的过程中,对于有问题的数据,将数据经过适当处理和调整,使得其尽量能够满足建模使用的要求,因为模型的质量很大程度上依赖于建模数据的量;经过调整后的数据仍然无法使用,则需要将其删除,分箱方法(Bining)是数据清洗过程中常用的一种方法,通过周围相邻数据的值来平滑当前数据的值。分箱的过程,首先对数据进行排序,然后按照一定的规则对属性值划分若干子区间,如果属性值在某个子区间范围内,就把该属性值放入这个子区间所代表的“箱子”范围内进行处理,用处理完毕后的属性值更新原先的属性值,对所有的箱子进行类似处理。
对于缺失值的处理包括数据发生缺失时,则将相应的观测删除出数据集。
可选的,缺失值的处理包括某个风险因素的数据缺失值超过一定比例时(例如80%),则将此风险因素删除。
可选的,缺失值的处理包括将缺失值对应的风险因素作为一个单独的类型进行分析。
根据本发明实施例,融资评估模型为神经网络模型,神经网络模型包括输入层、隐含层与输出层;
输入层包括神经元,一个神经元包括若干个输入,每一个输入通过一个权值与下一层相连,神经元输出表示为:
S=h(m*n+x)
式中,S表示神经元的输出;h表示输入输出关系的传递函数;x表示神经元的阈值;m表示权值;n表示输入值。
如图3所示,本发明公开了神经网络模型训练方法流程图。
进一步的,神经网络模型的训练过程如下:
S302,输入数据经隐含层至输出层,得到输出值;
S304,将输出值与期望输出进行减法计算,得到误差值,将误差值反向传播至隐含层神经元;
S306,判断误差值是否大于预定误差阈值;
S308,若大于,则根据误差值调整各个神经元的连接权值与阈值,直至误差值小于或等于预定误差阈值,神经网络模型训练结束。
进一步的,神经网络模型训练过程中通过函数将数据进行归一化处理,实现输入数据进行预处理,将输入数据转换为(0,1)区间内的数;
函数表达式为:
Y=(X-Xmin)/(Xmax-Xmin)。
如图4所示,本发明公开了风险管理方法流程图。
根据本发明实施例,根据融资风险信息进行风险管理,并根据风险管理进行调整企业架构,对企业进行整改,风险管理方法如下:
S402,收集企业的基本信息,获得初始信息,对初始信息进行整理和分析;
S404,根据初始信息进行企业融资评估风险分析,并根据分析结果制定风险管理策略;
S406,根据风险管理策略建立风险防范方案,在方案实施过程中,将方案实施进度进行实时反馈,并根据反馈结果对实施方案进行改进。
具体的,风险管理主要有以下五个方面的内容:
第一步,收集企业的基本信息,主要从企业组织架构信息和企业生产经营数据等方面收集信息,获得初始信息之后,对信息做出整理和分析。
第二步,评估风险;评估风险包含三方面的内容,分别是识别风险、分析风险以及评价风险,识别风险是要依据相关的方法找出企业当前面临的风险;分析风险是指把已识别的风险分为各个部分、方面、层次,并分别的加以考察,评价风险是指对企业融资风险的各个方面,依据分析得出的相关数据,判断其对企业影响的程度大小。
第三步,制定策略;风险管理策略是指企业依据自身实际情况和外部影响,结合自身的发展目标,确定其风险偏好、防控标准,选择适合的风险管理工具的整体策略。
第四步,具体措施的提出及实施;依照融资风险防范策略制定具体的防范措施,并将工作落到实处,应对和防范每一项重大风险制定相应的方案,在方案中明确目标、流程等一系列具体措施。
第五步,监督和改善;企业管理者对企业应对融资风险的具体措施进行监督,并采用一系列措施检验其有效性,并且依据结果反馈做出改进和完善。
实施例二
如图5所示,本发明公开了一种基于大数据的招商融资评估系统框图。
本发明第二方面还提供了一种基于大数据的招商融资评估系统,该系统包括:存储器、处理器,存储器中包括基于大数据的招商融资评估方法程序,基于大数据的招商融资评估方法程序被处理器执行时实现如下步骤:
通过大数据获取企业全方位架构信息,并生成融资评估模型;
获取企业融资需求,得到企业融资信息,输入融资评估模型并自动生成当前融资评估信息;
将当前融资评估信息与预设评估信息进行比较,得到偏差率;
判断偏差率是否大于预设偏差率阈值;
若大于,则生成融资风险信息;
根据融资风险信息生成企业整改信息,根据企业整改信息对企业架构进行整改,降低融资风险。
进一步的,首先对各个细分产业的债权以及股权融资现状进行的分析,然后使用财务指标识别法对新兴产业各个细分产业的债权、股权融资风险进行了初步识别,通过识别结果对其融资风险影响因素进行挖掘,根据综合评估融资风险建立指标体系。
进一步的,企业整改信息具体包括:企业要根据融资成本设置企业融资规模预警线以控制企业的财务成本,避免利息支出侵占企业大比例营业收入,对企业所有可抵押资产进行全面价值评估,确定融资规模上限,防止由于过度融资造成资不抵债所造成的企业破产。对企业经营性资金需求和到期债务性资金需求进行测算,制定合理的长短期融资规模,防止出现融资与当前需求规模的错配出现,根据企业盈利能力,规划偿债利息支出数值,通过当前融资市场的平均价格,防止出现由于大额利息支出影响企业正常经营的情况。
进一步的,本申请将企业融资风险评估结果分为A,B,C,D,E五个等级。融资风险综合评分大于0.9,列为A等级,表明企业自有资金充足,不良债务极少,企业经营状况极好。融资风险综合评分小于0.9大于0.75的列为B等级,表明企业资金相对充足,可能出现少量不良资产,企业经营过程中出现少数异常。融资风险综合评分小于0.75大于0.45的列为C等级,表明企业资金链紧张,仅能维持企业目前发展,已经出现一些不良资产;融资风险综合评分小于0.45大于0.2的列为D等级,表明企业缺乏自有资金,负债较多,出现部分坏账,企业发展遇到瓶颈,难以解决自身遇到的问题;融资风险综合评分小于0.2的列为E等级,表明企业出现大量坏账,资金链断裂,无法维持企业正常经营,面临破产的境地。
根据本发明实施例,企业全方位架构信息包括企业信用信息、企业供应链稳定性、资本结构信息、债券结构信息、股权结构信息、企业经营信息、企业技术研发信息。
具体的,资本结构是指企业债务资金以及权益资金所占的比例及其相互关系。战略性新兴产业上市以后积累了大量的股权资本,表现出股权融资偏好,若企业权益资本比例过高,即使股权融资无需面对还本付息的压力,但因为股权融资投资者要求高回报率,从而权益融资资本成本比负债融资成本要高,带来融资成本增加的风险。
股权结构中由于每个股东性格的不同,承受风险的能力也不同,对于稳健型的股东,他们更愿意采用风险较小的融资方式,该企业借贷融资的比例就小,还本付息的风险相应地也就少了;但是对于激进型的股东,他们更愿意利用高风险的融资方式来追求高额的利润,同时也就使企业面对了更高的风险。如果出现控股股东或者相对控股股东,那么企业决策可能将受其控制,上市公司融资风险会增加。
企业经营能力包括企业的获利能力、现金能力以及成长能力。一个企业的获利能力越强,预期的投资报酬率就越高,在行业内的信用度大大提升,筹集到资金的机会就越多,而且预期的现金流入量增大,企业抵御融资风险的能力就会增强。反之,企业的盈利能力较弱时,预计未来现金流量的流入量减少,企业归还借款的能力就可能下降。
企业技术研发能力包括企业研发投入与专利成果数是检验战略性新兴产业上市公司技术开发能力的重要数据,如果战略性新兴产业的企业融资用于与技术完全不相关的领域,那么企业的发展是有限的,将对融资风险产生巨大影响。
进一步的,还包括外部风险因素,由于通货膨胀现象,物价较以前增长幅度较大,由于战略性新兴产业所需的生产资料价格近年来大幅上涨,产品研制硬件设施、技术人员等费用的增加,都导致生产成本上升,企业生产经营所需的资金额度就会不断增长,可能造成企业的资金供给不足,加大了企业的资金成本,从而扩大了企业的融资风险。
根据本发明实施例,获取大数据,对大数据进行数据清洗处理,处理方法如下:
通过周围相邻数据的值平滑当前数据的值;
对数据进行排序,按照预定规则对属性值划分若干子区间;
若属性值在子区间范围内,就把该属性值放入对应子区间范围内进行处理,用处理完毕后的属性值更新原先的属性值。
具体的,获取大数据之后,首先需要对大数据进行数据清洗处理,数据清洗的目的主要是处理在数据核对过程中发现的数据问题,其目的在于解决数据不完整、数据不一致以及数据噪声的问题。在数据清洗的过程中,对于有问题的数据,将数据经过适当处理和调整,使得其尽量能够满足建模使用的要求,因为模型的质量很大程度上依赖于建模数据的量;经过调整后的数据仍然无法使用,则需要将其删除,分箱方法(Bining)是数据清洗过程中常用的一种方法,通过周围相邻数据的值来平滑当前数据的值。分箱的过程,首先对数据进行排序,然后按照一定的规则对属性值划分若干子区间,如果属性值在某个子区间范围内,就把该属性值放入这个子区间所代表的“箱子”范围内进行处理,用处理完毕后的属性值更新原先的属性值,对所有的箱子进行类似处理。
对于缺失值的处理包括数据发生缺失时,则将相应的观测删除出数据集。
可选的,缺失值的处理包括某个风险因素的数据缺失值超过一定比例时(例如80%),则将此风险因素删除。
可选的,缺失值的处理包括将缺失值对应的风险因素作为一个单独的类型进行分析。
根据本发明实施例,融资评估模型为神经网络模型,神经网络模型包括输入层、隐含层与输出层;
输入层包括神经元,一个神经元包括若干个输入,每一个输入通过一个权值与下一层相连,神经元输出表示为:
S=h(m*n+x)
式中,S表示神经元的输出;h表示输入输出关系的传递函数;x表示神经元的阈值;m表示权值;n表示输入值。
进一步的,神经网络模型的训练过程如下:
输入数据经隐含层至输出层,得到输出值;
将输出值与期望输出进行减法计算,得到误差值,将误差值反向传播至隐含层神经元;
判断误差值是否大于预定误差阈值;
若大于,则根据误差值调整各个神经元的连接权值与阈值,直至误差值小于或等于预定误差阈值,神经网络模型训练结束。
进一步的,神经网络模型训练过程中通过函数将数据进行归一化处理,实现输入数据进行预处理,将输入数据转换为(0,1)区间内的数;
函数表达式为:
Y=(X-Xmin)/(Xmax-Xmin)。
根据本发明实施例,根据融资风险信息进行风险管理,并根据风险管理进行调整企业架构,对企业进行整改,风险管理方法如下:
收集企业的基本信息,获得初始信息,对初始信息进行整理和分析;
根据初始信息进行企业融资评估风险分析,并根据分析结果制定风险管理策略;
根据风险管理策略建立风险防范方案,在方案实施过程中,将方案实施进度进行实时反馈,并根据反馈结果对实施方案进行改进。
综上所述,本申请获取大数据之后,首先对大数据进行数据清洗处理,处理在数据核对过程中发现的数据问题,解决数据不完整、数据不一致以及数据噪声,提高数据精度,通过大数据建立融资评估模型进行融资评估更加接近实际值,通过神经网络模型对数据进行训练,使得神经网络模型对融资评估实现自适应学习,实现融资评估结果越来越精准。
实施例三
本发明第三方面还提供一种计算机可读存储介质,计算机可读存储介质中包括基于大数据的招商融资评估方法程序,基于大数据的招商融资评估方法程序被处理器执行时,实现如上述任一项的基于大数据的招商融资评估方法的步骤。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (9)
1.一种基于大数据的招商融资评估方法,其特征在于,包括如下步骤:
通过大数据获取企业全方位架构信息,并生成融资评估模型;
获取企业融资需求,得到企业融资信息,输入融资评估模型并自动生成当前融资评估信息;
将当前融资评估信息与预设评估信息进行比较,得到偏差率;
判断所述偏差率是否大于预设偏差率阈值;
若大于,则生成融资风险信息;
根据融资风险信息生成企业整改信息,根据企业整改信息对企业架构进行整改,降低融资风险。
2.根据权利要求1所述的一种基于大数据的招商融资评估方法,其特征在于,所述企业全方位架构信息包括企业信用信息、企业供应链稳定性、资本结构信息、债券结构信息、股权结构信息、企业经营信息、企业技术研发信息。
3.根据权利要求1所述的一种基于大数据的招商融资评估方法,其特征在于,获取大数据,对大数据进行数据清洗处理,处理方法如下:
通过周围相邻数据的值平滑当前数据的值;
对数据进行排序,按照预定规则对属性值划分若干子区间;
若属性值在子区间范围内,就把该属性值放入对应子区间范围内进行处理,用处理完毕后的属性值更新原先的属性值。
4.根据权利要求1所述的一种基于大数据的招商融资评估方法,其特征在于,融资评估模型为神经网络模型,神经网络模型包括输入层、隐含层与输出层;
输入层包括神经元,一个神经元包括若干个输入,每一个输入通过一个权值与下一层相连,神经元输出表示为:
S=h(m*n+x)
式中,S表示神经元的输出;h表示输入输出关系的传递函数;x表示神经元的阈值;m表示权值;n表示输入值。
5.根据权利要求4所述的一种基于大数据的招商融资评估方法,其特征在于,神经网络模型的训练过程如下:
输入数据经隐含层至输出层,得到输出值;
将输出值与期望输出进行减法计算,得到误差值,将误差值反向传播至隐含层神经元;
判断误差值是否大于预定误差阈值;
若大于,则根据误差值调整各个神经元的连接权值与阈值,直至误差值小于或等于预定误差阈值,神经网络模型训练结束。
6.根据权利要求5所述的一种基于大数据的招商融资评估方法,其特征在于,
神经网络模型训练过程中通过函数将数据进行归一化处理,实现输入数据进行预处理,将输入数据转换为(0,1)区间内的数;
函数表达式为:
Y=(X-Xmin)/(Xmax-Xmin)。
7.根据权利要求1所述的一种基于大数据的招商融资评估方法,其特征在于,根据融资风险信息进行风险管理,并根据风险管理进行调整企业架构,对企业进行整改,风险管理方法如下:
收集企业的基本信息,获得初始信息,对初始信息进行整理和分析;
根据初始信息进行企业融资评估风险分析,并根据分析结果制定风险管理
策略;
根据风险管理策略建立风险防范方案,在方案实施过程中,将方案实施进度进行实时反馈,并根据反馈结果对实施方案进行改进。
8.一种基于大数据的招商融资评估系统,其特征在于,该系统包括:存储器、处理器,所述存储器中包括基于大数据的招商融资评估方法程序,所述基于大数据的招商融资评估方法程序被所述处理器执行时实现如下步骤:
通过大数据获取企业全方位架构信息,并生成融资评估模型;
获取企业融资需求,得到企业融资信息,输入融资评估模型并自动生成当前融资评估信息;
将当前融资评估信息与预设评估信息进行比较,得到偏差率;
判断所述偏差率是否大于预设偏差率阈值;
若大于,则生成融资风险信息;
根据融资风险信息生成企业整改信息,根据企业整改信息对企业架构进行整改,降低融资风险。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中包括基于大数据的招商融资评估方法程序,所述基于大数据的招商融资评估方法程序被处理器执行时,实现如权利要求1至7中任一项所述的基于大数据的招商融资评估方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310190238.4A CN116433006A (zh) | 2023-03-02 | 2023-03-02 | 一种基于大数据的招商融资评估方法、系统及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310190238.4A CN116433006A (zh) | 2023-03-02 | 2023-03-02 | 一种基于大数据的招商融资评估方法、系统及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116433006A true CN116433006A (zh) | 2023-07-14 |
Family
ID=87091528
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310190238.4A Pending CN116433006A (zh) | 2023-03-02 | 2023-03-02 | 一种基于大数据的招商融资评估方法、系统及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116433006A (zh) |
-
2023
- 2023-03-02 CN CN202310190238.4A patent/CN116433006A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI248001B (en) | Methods and apparatus for automated underwriting of segmentable portfolio assets | |
CN110880051A (zh) | 企业价值评估云服务系统 | |
KR20010103784A (ko) | 입력이 없는 상황에서의 가치 평가 예측 모델 | |
AU2585401A (en) | Rapid valuation of portfolios of assets such as financial instruments | |
EP1194875A2 (en) | Methods and systems for optimizing return and present value | |
KR20010109302A (ko) | 자산 샘플링 방법, 시스템 및 컴퓨터 | |
AU2444101A (en) | Methods and systems for finding value and reducing risk | |
CN107437227A (zh) | 股票投资分析装置与方法 | |
CN112801529B (zh) | 财务数据分析方法及装置、电子设备及介质 | |
Boguslauskas et al. | The selection of financial ratios as independent variables for credit risk assessment | |
Okay et al. | Financial performance analysis of brokerage firms quoted on the Istanbul Stock Exchange using the TOPSIS method of analysis | |
CN113763154A (zh) | 一种基于模糊灰色评价的钢贸供应链金融风险评估方法 | |
CN110689437A (zh) | 一种基于随机森林的通信施工项目财务风险预测方法 | |
CN114943458A (zh) | 一种基于权重分配模型的企业esg评级方法 | |
KR102139938B1 (ko) | 신용 보증 성향 분석에 기반한 신용 보증 대상 기업 선정 시스템 | |
CN112037006A (zh) | 小微企业的信用风险识别方法及装置 | |
CN113506173A (zh) | 一种信用风险评估方法及其相关设备 | |
CN113065969A (zh) | 企业评分模型构建方法、企业评分方法、介质和电子设备 | |
CN116596674A (zh) | 基于大数据分析的对外贸易风险评估方法 | |
CN115860924A (zh) | 供应链金融信用风险预警方法及相关设备 | |
CN116433006A (zh) | 一种基于大数据的招商融资评估方法、系统及可读存储介质 | |
CN113989050A (zh) | 一种基于topsis综合分析的钢贸企业供应链金融风险评估方法 | |
CN110084273A (zh) | 一种上市公司投资价值量化计算方法与装置 | |
Nur | Comparing the Accuracy of Multiple Discriminant Analyisis, Logistic Regression, and Neural Network to estimate pay and not to pay Dividend | |
Dutta et al. | ESG driven pairs algorithm for sustainable trading: Analysis from the Indian market |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |