CN117333009B - 一种企业风险智能评估方法及系统 - Google Patents

一种企业风险智能评估方法及系统 Download PDF

Info

Publication number
CN117333009B
CN117333009B CN202311112148.XA CN202311112148A CN117333009B CN 117333009 B CN117333009 B CN 117333009B CN 202311112148 A CN202311112148 A CN 202311112148A CN 117333009 B CN117333009 B CN 117333009B
Authority
CN
China
Prior art keywords
enterprise
risk
target
node
index
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202311112148.XA
Other languages
English (en)
Other versions
CN117333009A (zh
Inventor
郑菁
黄畅
刘伟兵
符玮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Zhongke Shujian Technology Co ltd
Original Assignee
Shenzhen Zhongke Shujian Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Zhongke Shujian Technology Co ltd filed Critical Shenzhen Zhongke Shujian Technology Co ltd
Priority to CN202311112148.XA priority Critical patent/CN117333009B/zh
Publication of CN117333009A publication Critical patent/CN117333009A/zh
Application granted granted Critical
Publication of CN117333009B publication Critical patent/CN117333009B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种企业风险智能评估方法及系统，涉及企业管理领域，其中，所述方法包括：连接企业风险评估模块，确定目标企业所处的企业链节点的第一风险指数；根据目标企业所处的企业链节点，获取同属所述企业链节点的同类企业；生成企业信息数据库，输出企业风险数据库；将所述目标企业的信息输入所述企业风险评估模块中进行企业风险评估，输出所述目标企业的企业风险指标；按照所述企业风险指标与所述企业风险数据库进行遍历，得到第二风险指数；以所述第一风险指数和所述第二风险指数，输出所述目标企业的风险评估结果。解决了现有技术中企业的风险评估准确度低，导致企业的风险评估质量差的技术问题。

Description

一种企业风险智能评估方法及系统
技术领域
本发明涉及企业管理领域，具体地，涉及一种企业风险智能评估方法及系统。
背景技术
在企业的发展过程中，各种风险日益剧增。如何准确识别企业风险对于企业的风险预警、风险规避、发展规划等具有重要影响。现有技术中，存在企业的风险评估准确度低，导致企业的风险评估质量差的技术问题。
发明内容
本申请提供了一种企业风险智能评估方法及系统。解决了现有技术中企业的风险评估准确度低，导致企业的风险评估质量差的技术问题。达到了提高企业的风险评估准确度，提升企业的风险评估质量，为企业的风险管理提供有效参考数据的技术效果。
鉴于上述问题，本申请提供了一种企业风险智能评估方法及系统。
第一方面，本申请提供了一种企业风险智能评估方法，其中，所述方法应用于一种企业风险智能评估系统，所述方法包括：获取目标企业的产业属性，根据所述产业属性确定所述目标企业所处的企业链节点；连接企业风险评估模块，确定所述目标企业所处的企业链节点的第一风险指数；根据所述目标企业所处的企业链节点，连接物联网企业信息管理系统，获取同属所述企业链节点的同类企业；对所述同类企业的信息进行采集，生成企业信息数据库，将所述企业信息数据库与所述企业风险评估模块连接，通过读取所述企业信息数据库中各个企业的信息进行企业风险评估，输出企业风险数据库；将所述目标企业的信息输入所述企业风险评估模块中进行企业风险评估，输出所述目标企业的企业风险指标；按照所述企业风险指标与所述企业风险数据库进行遍历，得到第二风险指数；以所述第一风险指数和所述第二风险指数，输出所述目标企业的风险评估结果。
第二方面，本申请还提供了一种企业风险智能评估系统，其中，所述系统包括：企业链节点确定模块，所述企业链节点确定模块用于获取目标企业的产业属性，根据所述产业属性确定所述目标企业所处的企业链节点；节点风险指数确定模块，所述节点风险指数确定模块用于连接企业风险评估模块，确定所述目标企业所处的企业链节点的第一风险指数；同类企业获取模块，所述同类企业获取模块用于根据所述目标企业所处的企业链节点，连接物联网企业信息管理系统，获取同属所述企业链节点的同类企业；数据库构建模块，所述数据库构建模块用于对所述同类企业的信息进行采集，生成企业信息数据库，将所述企业信息数据库与所述企业风险评估模块连接，通过读取所述企业信息数据库中各个企业的信息进行企业风险评估，输出企业风险数据库；企业风险指标输出模块，所述企业风险指标输出模块用于将所述目标企业的信息输入所述企业风险评估模块中进行企业风险评估，输出所述目标企业的企业风险指标；第二风险指数确定模块，所述第二风险指数确定模块用于按照所述企业风险指标与所述企业风险数据库进行遍历，得到第二风险指数；风险评估结果输出模块，所述风险评估结果输出模块用于以所述第一风险指数和所述第二风险指数，输出所述目标企业的风险评估结果。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
通过企业风险评估模块，确定目标企业所处的企业链节点的第一风险指数；根据目标企业所处的企业链节点，获取同属企业链节点的同类企业；对同类企业的信息进行采集，生成企业信息数据库，将企业信息数据库与企业风险评估模块连接，输出企业风险数据库；将目标企业的信息输入企业风险评估模块中进行企业风险评估，输出目标企业的企业风险指标；按照企业风险指标与企业风险数据库进行遍历，得到第二风险指数，结合第一风险指数，输出目标企业的风险评估结果。达到了提高企业的风险评估准确度，提升企业的风险评估质量，为企业的风险管理提供有效参考数据的技术效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的附图作简单地介绍。明显地，下面描述中的附图仅仅涉及本发明的一些实施例，而非对本发明的限制。
图1为本申请一种企业风险智能评估方法的流程示意图；
图2为本申请一种企业风险智能评估方法中确定第一风险指数的流程示意图；
图3为本申请一种企业风险智能评估系统的结构示意图。
具体实施方式
本申请通过提供一种企业风险智能评估方法及系统。解决了现有技术中企业的风险评估准确度低，导致企业的风险评估质量差的技术问题。达到了提高企业的风险评估准确度，提升企业的风险评估质量，为企业的风险管理提供有效参考数据的技术效果。
实施例一
请参阅附图1，本申请提供一种企业风险智能评估方法，其中，所述方法应用于一种企业风险智能评估系统，所述方法具体包括如下步骤：
获取目标企业的产业属性，根据所述产业属性确定所述目标企业所处的企业链节点；
连接企业风险评估模块，确定所述目标企业所处的企业链节点的第一风险指数；
如附图2所示，确定所述目标企业所处的企业链节点的第一风险指数，包括：
获取所述目标企业所处地区的产业链结构；
按照所述产业链结构与所处地区的企业产业属性的对应关系，生成区域企业链；
连接所述一种企业风险智能评估系统，查询目标企业所处地区的产业类型信息，获得产业链结构，并结合目标企业所处地区的企业产业属性的对应关系，生成区域企业链。其中，目标企业可以为使用所述一种企业风险智能评估系统进行智能化风险评估的任意企业。产业链结构包括多个产业节点。每个产业节点包括目标企业所处地区的产业类型信息。例如，多个产业节点包括农业、制造业、建筑业、运输业等。企业产业属性包括目标企业所处地区的每个企业对应的产业类型信息。对应关系包括产业链结构中的每个产业节点内的产业类型信息对应的多个企业。区域企业链包括多个产业节点，且，每个产业节点包括多个企业节点。每个企业节点包括每个产业节点内的产业类型信息对应的一个企业。
连接企业风险评估模块对所述区域企业链中的各个产业节点进行风险评估，得到所述区域企业链的产业节点风险指数集合；
搭建企业风险评估模块，其中，所述企业风险评估模块包括标识产业链中产业节点风险的第一评估网络层，以及标识在同一产业节点中企业风险的第二评估网络层；
根据所述第一评估网络层输出所述第一风险指数，根据所述第二评估网络层输出所述第二风险指数。
其中，根据所述第一评估网络层输出所述第一风险指数，还包括：
搭建所述第一评估网络层，其中，所述第一评估网络层的评估指标包括对应产业节点内企业数量指标、产业节点内企业质量指标以及产业节点内企业关联指标；
根据所述第一评估网络层对所述区域企业链进行评估，得到所述区域企业链中各个节点的风险评估指数，以所述目标企业所处的企业链节点，确定对应的第一风险指数。
根据所述目标企业的所处的企业链节点从所述产业节点风险指数集合中进行定位，确定所述第一风险指数。
连接所述一种企业风险智能评估系统，对区域企业链进行信息采集，获得区域企业链对应的多个产业节点信息。每个产业节点信息包括区域企业链内的每个产业节点对应的企业数量信息、企业规模信息集合、企业关联信息集合。企业规模信息集合包括区域企业链的每个产业节点内的每个企业的注册资本信息、融资规模信息、员工数量等。企业关联信息集合包括区域企业链的每个产业节点内的各个企业之间的业务往来信息、股东关联信息、负责人关联信息等。
优选地，在搭建第一评估网络层时，按照多个产业节点信息进行大数据查询，获得多组产业节点评估数据。每组产业节点评估数据包括历史产业节点信息，以及历史产业节点信息对应的历史节点企业数量指标值、历史节点企业质量指标值、历史节点企业关联指标值。进而，将多组产业节点评估数据中随机70％的数据信息划分为样本训练数据。将多组产业节点评估数据中剩余30％的数据信息划分为样本测试数据。根据BP神经网络对样本训练数据进行交叉监督训练，获得第一评估网络层。将样本测试数据作为输入信息，输入第一评估网络层，通过样本测试数据对第一评估网络层进行参数更新，并将第一评估网络层嵌入至企业风险评估模块。BP神经网络可以进行正向计算、反向计算。正向计算时，输入信息从输入层经过多层神经元逐层处理，转向输出层，每一层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输出，则转入反向计算，将误差信号沿原来的连接通路返回，通过修改各神经元的权值，使得误差信号最小。BP神经网络包括输入层、多层神经元、输出层。第一评估网络层包括输入层、隐含层、输出层，以及对应产业节点内企业数量指标、产业节点内企业质量指标、产业节点内企业关联指标。
进一步，分别将多个产业节点信息作为输入信息，输入第一评估网络层，第一评估网络层按照对应产业节点内企业数量指标、产业节点内企业质量指标以及产业节点内企业关联指标分别对多个产业节点信息进行评估，获得多个产业节点评估结果，从而提高企业的风险评估全面性、可靠度。其中，每个产业节点评估结果包括每个产业节点对应的节点企业数量指标值、节点企业质量指标值、节点企业关联指标值。产业节点内的企业数量越多，对应的节点企业数量指标值越高。产业节点内的企业规模越大，对应的节点企业质量指标值越高。产业节点内的企业关联性越强，对应的节点企业关联指标值越大。
优选地，构建产业节点综合评估公式，并将产业节点综合评估公式嵌入至企业风险评估模块。进而，由企业风险评估模块内的产业节点综合评估公式分别对多个产业节点评估结果进行加权计算，获得产业节点风险指数集合。产业节点风险指数集合包括多个产业节点对应的多个产业节点风险指数。产业节点综合评估公式为：
Y＝α*X1+β*X2+γ*X3；
其中，Y为输入的产业节点评估结果对应的产业节点风险指数，X1为输入的产业节点评估结果内的节点企业数量指标值，X2为输入的产业节点评估结果内的节点企业质量指标值，X3为输入的产业节点评估结果内的节点企业关联指标值，α、β、γ分别为由所述一种企业风险智能评估系统预先设置确定的数量指标权重值、质量指标权重值、关联指标权重值，且，α+β+γ＝1。
进一步，根据目标企业的产业属性对区域企业链进行匹配，获得目标企业所处的企业链节点，并根据目标企业所处的企业链节点对产业节点风险指数集合进行匹配，获得第一风险指数。其中，产业属性包括目标企业对应的产业类型信息。企业链节点包括区域企业链中，目标企业的产业属性对应的产业节点。第一风险指数包括产业节点风险指数集合中，企业链节点对应的产业节点的产业节点风险指数。
根据所述目标企业所处的企业链节点，连接物联网企业信息管理系统，获取同属所述企业链节点的同类企业；
对所述同类企业的信息进行采集，生成企业信息数据库，将所述企业信息数据库与所述企业风险评估模块连接，通过读取所述企业信息数据库中各个企业的信息进行企业风险评估，输出企业风险数据库；
将所述目标企业的信息输入所述企业风险评估模块中进行企业风险评估，输出所述目标企业的企业风险指标；
按照所述企业风险指标与所述企业风险数据库进行遍历，得到第二风险指数；
搭建所述第二评估网络层，其中，所述第二评估网络层的评估指标包括同一产业节点内各个企业的企业投资对象、企业被投资对象、人员流动率、产品效益增额以及负债比率；
根据所述第二评估网络层对所述目标企业所处的企业链节点中各个同类企业进行评估，得到同类企业对应的企业风险数据库，其中，所述企业风险数据库包括所述目标企业的企业风险指标；
以所述目标企业的企业风险指标在所述企业风险数据库中的序列级，输出所述第二风险指数。
将企业链节点对应的产业节点中，除目标企业之外的多个企业记为同属企业链节点的多个同类企业。继而，连接物联网企业信息管理系统，分别对多个同类企业进行信息读取，生成企业信息数据库。同时，连接物联网企业信息管理系统，对目标企业进行信息读取，获得目标企业的信息。其中，物联网企业信息管理系统与本申请中的一种企业风险智能评估系统通信连接。物联网企业信息管理系统具有对企业信息进行存储、调取的功能。目标企业的信息包括目标企业对应的企业投资对象信息、企业被投资对象信息、人员流动率信息、产品效益增额信息、负债比率信息。企业投资对象信息包括目标企业的企业投资对象对应的投资规模、投资收益等。企业被投资对象信息包括目标企业的被投资对象对应的投资规模、投资目标等。人员流动率信息包括目标企业的每个部门对应的人员流动率。产品效益增额信息包括目标企业对应的产品收益信息。负债比率信息包括目标企业对应的负债率。同理，企业信息数据库包括多个同类企业信息。每个同类企业信息包括每个同类企业对应的企业投资对象信息、企业被投资对象信息、人员流动率信息、产品效益增额信息、负债比率信息。
进一步，根据多个同类企业信息进行历史数据查询，获得多个企业评估分析数据。每个企业评估分析数据包括历史同类企业信息，以及历史同类企业信息对应的历史企业风险指标。根据全连接神经网络对多个企业评估分析数据进行不断的自我训练学习至收敛状态，即可获得第二评估网络层，并将第二评估网络层嵌入至企业风险评估模块。其中，全连接神经网络是一种由输入层、隐藏层、输出层构成的前馈神经网络。第二评估网络层包括输入层、隐藏层、输出层。继而，将目标企业的信息输入第二评估网络层，获得目标企业的企业风险指标。目标企业的企业风险指标是用于表征目标企业的企业风险程度的数据。目标企业的企业风险程度越高，对应的目标企业的企业风险指标越大。同时，分别将多个同类企业信息输入第二评估网络层，获得多个同类企业的多个企业风险指标。
进一步，将目标企业的企业风险指标，以及多个同类企业的多个企业风险指标进行由小到大的排序，获得企业风险数据库。企业风险数据库包括按照由小到大的顺序进行排列的目标企业的企业风险指标，以及多个同类企业的多个企业风险指标。企业风险指标越大，对应的排序越靠后。继而，将目标企业的企业风险指标在企业风险数据库中排序记为目标企业的企业风险指标在企业风险数据库中的序列级，结合企业风险指标，获得第二风险指数。
示例性地，第二风险指数为
其中，p(A′x|Bk)为目标企业A′x的企业风险指标；为目标企业所处的企业链节点k中，企业风险数据库内的所有企业风险指标的均值，k＝{0，1，...，n}，n为企业风险数据库中企业的总数量。
以所述第一风险指数和所述第二风险指数，输出所述目标企业的风险评估结果。
将第一风险指数、第二风险指数输入企业综合风险分析函数，获得目标企业的风险评估结果，从而提高企业的风险评估质量。
优选地，企业综合风险分析函数为：
其中，P表征目标企业的风险评估结果；p(Bk)为第一风险指数；为第二风险指数；θ1为第一风险指数的权重，θ2为第二风险指数的权重，θ1、θ2由所述一种企业风险智能评估系统预先设置确定，且，θ1、θ2之和为1；Bk为目标企业所处的企业链节点k下的基于第一评估网络层评估后的企业风险指标，即，Bk目标企业所处的企业链节点k对应的节点企业数量指标值、节点企业质量指标值、节点企业关联指标值；k＝{0，1，...，m}，m为企业链节点总数量，企业链节点总数量包括目标企业所处的企业链节点内的企业数量，且m≥2；为目标企业所处的企业链节点k中，企业风险数据库内的企业风险指标的均值；为在目标企业所处的企业链节点k的风险条件下，基于第二评估网络层对企业风险数据库中第i个企业评估后的企业风险指标，即，为在目标企业所处的企业链节点k中，第i个企业对应的企业风险指标，k＝{0，1，...，n}，n为企业风险数据库中企业的总数量；p(A′x|Bk)为在目标企业所处的企业链节点k的风险条件下目标企业A′x的企业风险指标，即，p(A′x|Bk)为目标企业A′x的企业风险指标。
判断所述目标企业所处地区的产业链结构的稳定性是否满足预设稳定性，当满足所述预设稳定性，以所述第一风险指数和所述第二风险指数，输出所述目标企业的风险评估结果；
当不满足所述预设稳定性，生成风险负调节向量；
以所述风险负调节向量对所述目标企业的风险评估结果进行调整。
对目标企业所处地区的产业链结构的稳定性进行评价，获得产业链稳定性，并对产业链稳定性是否满足预设稳定性进行判断。产业链稳定性是用于表征目标企业所处地区的产业链结构的稳定性的数据信息。目标企业所处地区的产业链结构的稳定性越高，对应的产业链稳定性越强。预设稳定性包括由所述一种企业风险智能评估系统预先设置确定的产业链稳定性阈值。
如果产业链稳定性大于/等于预设稳定性，则，产业链稳定性满足预设稳定性，对目标企业的风险评估结果进行输出。如果产业链稳定性小于预设稳定性，则，产业链稳定性不满足预设稳定性，将产业链稳定性与预设稳定性之间的差值设置为风险负调节向量，并根据风险负调节向量对目标企业的风险评估结果进行调整，获得优化风险评估结果，将优化风险评估结果进行输出。
示例性地，在根据风险负调节向量对目标企业的风险评估结果进行调整时，将风险负调节向量与风险评估结果之间的乘积输出为优化风险评估结果。
综上所述，本申请所提供的一种企业风险智能评估方法具有如下技术效果：
通过企业风险评估模块，确定目标企业所处的企业链节点的第一风险指数；根据目标企业所处的企业链节点，获取同属企业链节点的同类企业；对同类企业的信息进行采集，生成企业信息数据库，将企业信息数据库与企业风险评估模块连接，输出企业风险数据库；将目标企业的信息输入企业风险评估模块中进行企业风险评估，输出目标企业的企业风险指标；按照企业风险指标与企业风险数据库进行遍历，得到第二风险指数，结合第一风险指数，输出目标企业的风险评估结果。达到了提高企业的风险评估准确度，提升企业的风险评估质量，为企业的风险管理提供有效参考数据的技术效果。
实施例二
基于与前述实施例中一种企业风险智能评估方法，同样发明构思，本发明还提供了一种企业风险智能评估系统，请参阅附图3，所述系统包括：
企业链节点确定模块，所述企业链节点确定模块用于获取目标企业的产业属性，根据所述产业属性确定所述目标企业所处的企业链节点；
节点风险指数确定模块，所述节点风险指数确定模块用于连接企业风险评估模块，确定所述目标企业所处的企业链节点的第一风险指数；
同类企业获取模块，所述同类企业获取模块用于根据所述目标企业所处的企业链节点，连接物联网企业信息管理系统，获取同属所述企业链节点的同类企业；
数据库构建模块，所述数据库构建模块用于对所述同类企业的信息进行采集，生成企业信息数据库，将所述企业信息数据库与所述企业风险评估模块连接，通过读取所述企业信息数据库中各个企业的信息进行企业风险评估，输出企业风险数据库；
企业风险指标输出模块，所述企业风险指标输出模块用于将所述目标企业的信息输入所述企业风险评估模块中进行企业风险评估，输出所述目标企业的企业风险指标；
第二风险指数确定模块，所述第二风险指数确定模块用于按照所述企业风险指标与所述企业风险数据库进行遍历，得到第二风险指数；
风险评估结果输出模块，所述风险评估结果输出模块用于以所述第一风险指数和所述第二风险指数，输出所述目标企业的风险评估结果。
进一步的，所述系统还包括：
产业链结构获取模块，所述产业链结构获取模块用于获取所述目标企业所处地区的产业链结构；
区域企业链生成模块，所述区域企业链生成模块用于按照所述产业链结构与所处地区的企业产业属性的对应关系，生成区域企业链；
产业节点风险评估模块，所述产业节点风险评估模块用于连接企业风险评估模块对所述区域企业链中的各个产业节点进行风险评估，得到所述区域企业链的产业节点风险指数集合；
风险指数定位模块，所述风险指数定位模块用于根据所述目标企业的所处的企业链节点从所述产业节点风险指数集合中进行定位，确定所述第一风险指数。
进一步的，所述系统还包括：
第一执行模块，所述第一执行模块用于搭建企业风险评估模块，其中，所述企业风险评估模块包括标识产业链中产业节点风险的第一评估网络层，以及标识在同一产业节点中企业风险的第二评估网络层；
第二执行模块，所述第二执行模块用于根据所述第一评估网络层输出所述第一风险指数，根据所述第二评估网络层输出所述第二风险指数。
进一步的，所述系统还包括：
第三执行模块，所述第三执行模块用于搭建所述第一评估网络层，其中，所述第一评估网络层的评估指标包括对应产业节点内企业数量指标、产业节点内企业质量指标以及产业节点内企业关联指标；
第一风险指数输出模块，所述第一风险指数输出模块用于根据所述第一评估网络层对所述区域企业链进行评估，得到所述区域企业链中各个节点的风险评估指数，以所述目标企业所处的企业链节点，确定对应的第一风险指数。
进一步的，所述系统还包括：
第四执行模块，所述第四执行模块用于搭建所述第二评估网络层，其中，所述第二评估网络层的评估指标包括同一产业节点内各个企业的企业投资对象、企业被投资对象、人员流动率、产品效益增额以及负债比率；
企业风险数据库构建模块，所述企业风险数据库构建模块用于根据所述第二评估网络层对所述目标企业所处的企业链节点中各个同类企业进行评估，得到同类企业对应的企业风险数据库，其中，所述企业风险数据库包括所述目标企业的企业风险指标；
第五执行模块，所述第五执行模块用于以所述目标企业的企业风险指标在所述企业风险数据库中的序列级，输出所述第二风险指数。
其中，风险评估结果输出模块还包括企业综合风险分析函数，所述企业综合风险分析函数为：
其中，P为所述目标企业的风险评估结果，p(Bk)为所述第一风险指数，为所述第二风险指数，θ1为所述第一风险指数的权重，θ2为所述第二风险指数的权重；
Bk为所述目标企业所处的企业链节点k下的基于第一评估网络层评估后的企业风险指标，k＝{0，1，...，m}，m为企业链节点总数量，m≥2；
为所述目标企业所处的企业链节点k中企业风险数据库中所有企业风险指标的均值，为在所述目标企业所处的企业链节点k的风险条件下，基于第二评估网络层对企业风险数据库中第i个企业评估后的企业风险指标，k＝{0，1，...，n}，n为所述企业风险数据库中企业的总数量；p(A′x|Bk)为在所述目标企业所处的企业链节点k的风险条件下所述目标企业A′x的企业风险指标。
进一步的，所述系统还包括：
第六执行模块，所述第六执行模块用于判断所述目标企业所处地区的产业链结构的稳定性是否满足预设稳定性，当满足所述预设稳定性，以所述第一风险指数和所述第二风险指数，输出所述目标企业的风险评估结果；
负调节向量生成模块，所述负调节向量生成模块用于当不满足所述预设稳定性，生成风险负调节向量；
调整模块，所述调整模块用于以所述风险负调节向量对所述目标企业的风险评估结果进行调整。
本发明实施例所提供的一种企业风险智能评估系统可执行本发明任意实施例所提供的一种企业风险智能评估方法，具备执行方法相应的功能模块和有益效果。
所包括的各个模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
本申请提供了一种企业风险智能评估方法，其中，所述方法应用于一种企业风险智能评估系统，所述方法包括：通过企业风险评估模块，确定目标企业所处的企业链节点的第一风险指数；根据目标企业所处的企业链节点，获取同属企业链节点的同类企业；对同类企业的信息进行采集，生成企业信息数据库，将企业信息数据库与企业风险评估模块连接，输出企业风险数据库；将目标企业的信息输入企业风险评估模块中进行企业风险评估，输出目标企业的企业风险指标；按照企业风险指标与企业风险数据库进行遍历，得到第二风险指数，结合第一风险指数，输出目标企业的风险评估结果。解决了现有技术中企业的风险评估准确度低，导致企业的风险评估质量差的技术问题。达到了提高企业的风险评估准确度，提升企业的风险评估质量，为企业的风险管理提供有效参考数据的技术效果。
虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (2)

1.一种企业风险智能评估方法，其特征在于，所述方法包括：
获取目标企业的产业属性，根据所述产业属性确定所述目标企业所处的企业链节点；
连接企业风险评估模块，确定所述目标企业所处的企业链节点的第一风险指数；
根据所述目标企业所处的企业链节点，连接物联网企业信息管理系统，获取同属所述企业链节点的同类企业；
对所述同类企业的信息进行采集，生成企业信息数据库，将所述企业信息数据库与所述企业风险评估模块连接，通过读取所述企业信息数据库中各个企业的信息进行企业风险评估，输出企业风险数据库；
将所述目标企业的信息输入所述企业风险评估模块中进行企业风险评估，输出所述目标企业的企业风险指标；
按照所述企业风险指标与所述企业风险数据库进行遍历，得到第二风险指数；
以所述第一风险指数和所述第二风险指数，输出所述目标企业的风险评估结果；
其中，确定所述目标企业所处的企业链节点的第一风险指数，方法包括：
获取所述目标企业所处地区的产业链结构；
按照所述产业链结构与所处地区的企业产业属性的对应关系，生成区域企业链；
连接企业风险评估模块对所述区域企业链中的各个产业节点进行风险评估，得到所述区域企业链的产业节点风险指数集合；
根据所述目标企业的所处的企业链节点从所述产业节点风险指数集合中进行定位，确定所述第一风险指数；
连接企业风险评估模块对所述区域企业链中的各个产业节点进行风险评估，方法包括：
搭建企业风险评估模块，其中，所述企业风险评估模块包括标识产业链中产业节点风险的第一评估网络层，以及标识在同一产业节点中企业风险的第二评估网络层；
根据所述第一评估网络层输出所述第一风险指数，根据所述第二评估网络层输出所述第二风险指数；
根据所述第一评估网络层输出所述第一风险指数，方法还包括：
搭建所述第一评估网络层，其中，所述第一评估网络层的评估指标包括对应产业节点内企业数量指标、产业节点内企业质量指标以及产业节点内企业关联指标；
根据所述第一评估网络层对所述区域企业链进行评估，得到所述区域企业链中各个节点的风险评估指数，以所述目标企业所处的企业链节点，确定对应的第一风险指数；
根据所述第二评估网络层输出所述第二风险指数，方法还包括：
搭建所述第二评估网络层，其中，所述第二评估网络层的评估指标包括同一产业节点内各个企业的企业投资对象、企业被投资对象、人员流动率、产品效益增额以及负债比率；
根据所述第二评估网络层对所述目标企业所处的企业链节点中各个同类企业进行评估，得到同类企业对应的企业风险数据库，其中，所述企业风险数据库包括所述目标企业的企业风险指标；
以所述目标企业的企业风险指标在所述企业风险数据库中的序列级，输出所述第二风险指数；
所述方法还包括：
其中，P为所述目标企业的风险评估结果，p(Bk)为所述第一风险指数，为所述第二风险指数，θ1为所述第一风险指数的权重，θ2为所述第二风险指数的权重；
Bk为所述目标企业所处的企业链节点k下的基于第一评估网络层评估后的企业风险指标，k＝0,1,...,m，m为企业链节点总数量，m≥2；
为所述目标企业所处的企业链节点k中企业风险数据库中所有企业风险指标的均值，为在所述目标企业所处的企业链节点k的风险条件下，基于第二评估网络层对企业风险数据库中第i个企业评估后的企业风险指标，k＝0,1,...,n，n为所述企业风险数据库中企业的总数量；p(A'x|Bk)为在所述目标企业所处的企业链节点k的风险条件下所述目标企业A'x的企业风险指标；
所述方法还包括：
判断所述目标企业所处地区的产业链结构的稳定性是否满足预设稳定性，当满足所述预设稳定性，以所述第一风险指数和所述第二风险指数，输出所述目标企业的风险评估结果；
当不满足所述预设稳定性，生成风险负调节向量；
以所述风险负调节向量对所述目标企业的风险评估结果进行调整。
2.一种企业风险智能评估系统，其特征在于，所述系统用于执行权利要求1所述的方法，所述系统包括：
企业链节点确定模块，所述企业链节点确定模块用于获取目标企业的产业属性，根据所述产业属性确定所述目标企业所处的企业链节点；
节点风险指数确定模块，所述节点风险指数确定模块用于连接企业风险评估模块，确定所述目标企业所处的企业链节点的第一风险指数；
同类企业获取模块，所述同类企业获取模块用于根据所述目标企业所处的企业链节点，连接物联网企业信息管理系统，获取同属所述企业链节点的同类企业；
数据库构建模块，所述数据库构建模块用于对所述同类企业的信息进行采集，生成企业信息数据库，将所述企业信息数据库与所述企业风险评估模块连接，通过读取所述企业信息数据库中各个企业的信息进行企业风险评估，输出企业风险数据库；
企业风险指标输出模块，所述企业风险指标输出模块用于将所述目标企业的信息输入所述企业风险评估模块中进行企业风险评估，输出所述目标企业的企业风险指标；
第二风险指数确定模块，所述第二风险指数确定模块用于按照所述企业风险指标与所述企业风险数据库进行遍历，得到第二风险指数；
风险评估结果输出模块，所述风险评估结果输出模块用于以所述第一风险指数和所述第二风险指数，输出所述目标企业的风险评估结果。
CN202311112148.XA 2023-08-30 2023-08-30 一种企业风险智能评估方法及系统 Active CN117333009B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311112148.XA CN117333009B (zh) 2023-08-30 2023-08-30 一种企业风险智能评估方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311112148.XA CN117333009B (zh) 2023-08-30 2023-08-30 一种企业风险智能评估方法及系统

Publications (2)

Publication Number Publication Date
CN117333009A CN117333009A (zh) 2024-01-02
CN117333009B true CN117333009B (zh) 2024-07-12

Family

ID=89276212

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311112148.XA Active CN117333009B (zh) 2023-08-30 2023-08-30 一种企业风险智能评估方法及系统

Country Status (1)

Country Link
CN (1) CN117333009B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113051365A (zh) * 2020-12-10 2021-06-29 深圳证券信息有限公司 一种产业链图谱构建方法及相关设备
CN114139981A (zh) * 2021-12-03 2022-03-04 中国建设银行股份有限公司 数据处理方法及装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10592938B2 (en) * 2018-01-31 2020-03-17 Aon Risk Consultants, Inc. System and methods for vulnerability assessment and provisioning of related services and products for efficient risk suppression
CN116186273A (zh) * 2021-11-24 2023-05-30 广州视源电子科技股份有限公司 一种物料寻源方法和系统
CN114429293A (zh) * 2022-01-21 2022-05-03 深圳市地质局 一种确定地质风险空间分布的方法及系统
CN114723272A (zh) * 2022-04-02 2022-07-08 重庆电信系统集成有限公司 基于人工智能分析的企业创新能力评估方法及系统
CN116542786A (zh) * 2023-06-26 2023-08-04 中国平安财产保险股份有限公司 小微企业保险方案自动生成方法、装置、设备及存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113051365A (zh) * 2020-12-10 2021-06-29 深圳证券信息有限公司 一种产业链图谱构建方法及相关设备
CN114139981A (zh) * 2021-12-03 2022-03-04 中国建设银行股份有限公司 数据处理方法及装置

Also Published As

Publication number Publication date
CN117333009A (zh) 2024-01-02

Similar Documents

Publication Publication Date Title
Boral et al. An integrated approach for fuzzy failure modes and effects analysis using fuzzy AHP and fuzzy MAIRCA
Wei et al. Algorithms for probabilistic uncertain linguistic multiple attribute group decision making based on the GRA and CRITIC method: application to location planning of electric vehicle charging stations
CN105117602B (zh) 一种计量装置运行状态预警方法
Saaty Applications of analytical hierarchies
Chang et al. A multi criteria group decision-making model for teacher evaluation in higher education based on cloud model and decision tree
JPH05342191A (ja) 経済時系列データ予測及び解析システム
CN107895100B (zh) 一种流域水质综合评价方法及系统
CN105608004A (zh) 一种基于cs-ann的软件缺陷预测方法
CN113537728A (zh) 一种基于产业园区招商智能推荐系统及推荐方法
CN108509385A (zh) 一种设备制造供应商评价方法
CN116579768B (zh) 一种发电厂在线仪表运维管理方法及系统
CN106097094A (zh) 一种面向中小企业的人机结合信贷评估新模型
Ray et al. Short-term load forecasting using genetic algorithm
CN117745096B (zh) 一种控制网布测方案评价方法及系统
Pusporani et al. Hybrid multivariate generalized space-time autoregressive artificial neural network models to forecast air pollution data at Surabaya
CN117333009B (zh) 一种企业风险智能评估方法及系统
CN117455158A (zh) 一种典型场景智能体编组决策方案生成装置及方法
CN111639837A (zh) 路网服役性能评价方法、装置、存储介质及终端
CN116629904A (zh) 一种基于大数据的客户分层匹配方法
CN116108961A (zh) 一种基于arima-svm模型的干旱预测方法及系统
CN111949843B (zh) 一种基于概念图构建的智能学习诊断方法
Luo Application of BP neural network in economic management of coastal area
CN109101759A (zh) 一种基于正逆响应面法的参数识别方法
Khalyasmaa et al. The analysis of efficiency of artificial intelligence methods application for an assessment of feasibility of scientific and technical decisions
CN113222384A (zh) 一种基于改进熵值法的城镇化水平分析方法

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