CN117875717A - 一种企业风险预测方法及装置 - Google Patents
一种企业风险预测方法及装置 Download PDFInfo
- Publication number
- CN117875717A CN117875717A CN202410139071.3A CN202410139071A CN117875717A CN 117875717 A CN117875717 A CN 117875717A CN 202410139071 A CN202410139071 A CN 202410139071A CN 117875717 A CN117875717 A CN 117875717A
- Authority
- CN
- China
- Prior art keywords
- industry
- conditional probability
- enterprise
- chain
- node
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000011835 investigation Methods 0.000 claims abstract description 12
- 230000001149 cognitive effect Effects 0.000 claims abstract description 9
- 238000011161 development Methods 0.000 claims description 18
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 description 12
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000012502 risk assessment Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000011144 upstream manufacturing Methods 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 238000013058 risk prediction model Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000035899 viability Effects 0.000 description 1
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种企业风险预测方法及装置，方法包括获取预设产业链指定节点上的指定企业对应的企业数据；将所述节点数据输入至预建立的产业链征信模型中，确定所述指定企业对应的风险预测结果；其中，利用条件随机场模型计算预建立的分类指标信息库与所述企业数据之间的条件概率数值，所述分类指标信息库包括用于评价产业链及产业链各节点行业风险状况的指标；将所述条件概率数值和设定的条件概率阈值进行比较；当条件概率数值满足条件概率阈值时，基于所述分类指标信息库生成认知报告；当条件概率数值不满足条件概率阈值时，重新选择条件概率数值。通过产业链征信模型实现了对产业链企业风险进行预测的目的。
Description
技术领域
本申请涉及数据处理技术领域，尤其涉及一种风险预测方法及装置。
背景技术
每个企业在发展的过程中，都会有属于自己的生产经营特征，不同的企业特征、优势、风险都不尽相同。一般来说，当一个企业经营业绩处于极其不稳定的情况时，公司的经营风险最高，而这种不稳定的因素有很多，可能是因为企业的外部环境引起的，也可能是企业的内部经营、管理等问题造成的，所以在分析企业经营风险时，必须要考虑到企业生产经营过程中各个环节(包括行业风险)可能带来的风险，只有考虑的全面详尽了，才有可能保证企业经营风险分析的准确性。传统的中小企业风险预测和评价大多数以企业财务指标作为主要评估依据，很少考虑该企业在所属产业以及该产业链各节点行业的风险情况。特别是企业财务指标往往只是反映企业违约风险的一种表现形式，不仅具有滞后性和不完全性，也容易伪造。
发明内容
本申请提供一种企业风险预测方法及装置，以解决相关技术中存在的问题。
第一方面，本发明提供一种企业风险预测方法，包括：获取预设产业链指定节点上的指定企业对应的企业数据；将所述节点数据输入至预建立的产业链征信模型中，确定所述指定企业对应的风险预测结果；其中，利用条件随机场模型计算预建立的分类指标信息库与所述企业数据之间的条件概率数值，所述分类指标信息库包括用于评价产业链及产业链各节点行业风险状况的指标；将所述条件概率数值和设定的条件概率阈值进行比较；当条件概率数值满足条件概率阈值时，基于所述分类指标信息库生成认知报告；当条件概率数值不满足条件概率阈值时，重新选择条件概率数值。
可选地，在确定所述预设分类指标信息库时，所述方法包括：采集产业链及产业链各节点行业的预设信息，以确定产业链及产业链各个节点行业金融征信的相关条件和依据；对所述相关条件和依据进行预处理，得到产业链及产业链各节点行业风险状况评价的分类指标信息库。
可选地，对所述相关条件和依据进行预处理，得到产业链及产业链各节点行业风险状况评价的分类指标信息库包括：基于所述相关条件和依据设定基础相关条件和依据。
可选地，所述利用条件随机场模型计算预建立的分类指标信息库与所述企业数据之间的条件概率数值包括：基于所述企业数据从所述分类指标信息库中确定对应的基础相关条件和依据；基于所述企业数据和所述基础相关条件和依据确定条件概率数值。
可选地，在基于所述企业数据和所述基础相关条件和依据确定条件概率数值之前，所述方法还包括：确定所述企业数据对应的金融征信的相关条件和依据；判断所述企业数据对应的金融征信的相关条件和依据是否落入所述基础相关条件和依据范围内；对落入所述基础相关条件和依据范围内的相关条件和依据标记风险标识；基于有风险标识的相关条件和依据、和基础相关条件和依据确定条件概率数值。
可选地，基于条件随机场模型确定所述条件概率数值。
可选地，所述采集产业链及产业链各节点行业的预设信息包括：采集产业链以及产业链各节点行业的基本状况、发展趋势和行业风险的变动情况。
第二方面，本发明提供一种装置，包括数据获取单元，被配置成获取预设产业链指定节点上的指定企业对应的企业数据；
预测单元，被配置成将所述节点数据输入至预建立的产业链征信模型中，确定所述指定企业对应的风险预测结果；其中，利用条件随机场模型计算预建立的分类指标信息库与所述企业数据之间的条件概率数值，所述分类指标信息库包括用于评价产业链及产业链各节点行业风险状况的指标；将所述条件概率数值和设定的条件概率阈值进行比较；当条件概率数值满足条件概率阈值时，基于所述分类指标信息库生成认知报告；当条件概率数值不满足条件概率阈值时，重新选择条件概率数值。
第三方面，本发明提供一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面任一项所述的方法。
第四方面，本发明提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现第一方面提供的方法。
本发明公开了一种企业风险预测方法及装置，其中方法包括获取预设产业链指定节点上的指定企业对应的企业数据；将所述节点数据输入至预建立的产业链征信模型中，确定所述指定企业对应的风险预测结果；其中，利用条件随机场模型计算预建立的分类指标信息库与所述企业数据之间的条件概率数值，所述分类指标信息库包括用于评价产业链及产业链各节点行业风险状况的指标；将所述条件概率数值和设定的条件概率阈值进行比较；当条件概率数值满足条件概率阈值时，基于所述分类指标信息库生成认知报告；当条件概率数值不满足条件概率阈值时，重新选择条件概率数值。通过产业链征信模型实现了对产业链企业风险进行预测的目的，进而克服了相关技术中存在的技术问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本申请一种企业风险预测方法；
图2为本申请提供的一种对应于图1的电子设备的示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
以下结合附图1对企业风险预测方法进行示例性说明。将企业的生产经营活动的风险锁定在一定范围(比如，一个行业)里，通过提供对产业链各节点行业风险预测和评价，可以从根本上解决产业、行业、企业与决策部门、金融机构等之间信息不对称的难题方法包括以下步骤：
步骤101：获取预设产业链指定节点上的指定企业对应的企业数据。
作为本实施例一种可选的实现方式，所述采集产业链及产业链各节点行业的预设信息包括：采集产业链以及产业链各节点行业的基本状况、发展趋势和行业风险的变动情况。
在本实施例中，采集产业链以及产业链各节点行业的基本状况、发展趋势和行业风险的变动情况。在采集到数据后可以对数据进行筛选得到产业链以及产业链各节点行业成本结构、行业成熟期、行业同期性、行业内竞争程度、替代品潜在威胁、行业盈利性、行业依赖性、经济周期(行业周期)、行业进入壁垒、产品潜在性和行业涉及法律法规等数据。可通过模拟得到该产业链以及各节点业务场景可能发生的风险事件及关联，示例性地，，体育产业里面的体育赛事行业的风险有：赛事版权侵权；自然灾害；暴力犯罪；交通事故；流行疾病；运动员、运动队的商业利益取得和分配；球员转会中的合同问题；体育用品制造企业商标侵权等。
步骤102：将所述节点数据输入至预建立的产业链征信模型中，确定所述指定企业对应的风险预测结果；其中，利用条件随机场模型计算预建立的分类指标信息库与所述企业数据之间的条件概率数值，所述分类指标信息库包括用于评价产业链及产业链各节点行业风险状况的指标；将所述条件概率数值和设定的条件概率阈值进行比较；当条件概率数值满足条件概率阈值时，基于所述分类指标信息库生成认知报告；当条件概率数值不满足条件概率阈值时，重新选择条件概率数值。
在本实施例中，可以通过基于产业链各个节点行业金融征信的相关条件和依据，建立企业风险预测和评价模型，即把产业链以及产业链各节点行业的发展和风险与该企业所在的产业链和产业链各节点行业位置以及企业所属生产、经营、财务、司法、资信、合作履约、争议情况等相关信息和数据进行融合计算，得到该企业全面综合的风险预测和评价。特别是通过产业链以及产业链各节点行业风险分析，可以揭示各行业发展的规律，完善和补充企业可能存在的风险，实现企业风控的全覆盖。
作为本实施例一种可选的实现方式，在确定所述预设分类指标信息库时，所述方法包括：采集产业链及产业链各节点行业的预设信息，以确定产业链及产业链各个节点行业金融征信的相关条件和依据；对所述相关条件和依据进行预处理，得到产业链及产业链各节点行业风险状况评价的分类指标信息库。
作为本实施例一种可选的实现方式，对所述相关条件和依据进行预处理，得到产业链及产业链各节点行业风险状况评价的分类指标信息库包括：基于所述相关条件和依据设定基础相关条件和依据。
作为本实施例一种可选的实现方式，所述利用条件随机场模型计算预建立的分类指标信息库与所述企业数据之间的条件概率数值包括：基于所述企业数据从所述分类指标信息库中确定对应的基础相关条件和依据；基于所述企业数据和所述基础相关条件和依据确定条件概率数值。
作为本实施例一种可选的实现方式，基于条件随机场模型确定所述条件概率数值。
在本可选的实现方式中，采集产业链以及产业链各节点行业的基本状况、发展趋势和行业风险的变动情况，模拟该产业链以及各节点业务场景可能发生的风险事件及关联，得到统一的产业链以及各个节点行业金融征信的相关条件和依据。并对上述相关条件和依据进行预处理，得到该产业链以及产业链各节点行业长期和短期的风险状况评价的指标数据库。即通过采用定量分析和定性分析相结合的方法，假定银行有多个行业项目可进行放贷，融合穆迪、标准普尔和惠誉等国际著名评级机构的信用评级方法，通过跨行业关键指标的分析比较，结合该产业链以及产业链各节点行业供求趋势和政策等关键因素的分析，提取产业链以及产业链各节点行业风险主要评价条件和依据指标标准。比如，这些主要评价指标包括：1)行业对国民经济重要性；2)行业进入壁垒；3)产品供求状况，发展潜力；4)盈利能力；5)行业价格控制能力；6)和供应商谈判中地位和控制成本和费用能力；7)现金流量充足而稳定性；8)政策风险；9)企业管理难度低；10)投资报酬率和社会平均利润率比较；11)亏损风险等。
应当理解的是，机器学习问题中，数据常常有输入变量X和输出变量Y两个部分。假设X(某一产业链以及产业链各节点行业的基本状况、发展趋势和行业风险的识别的标准和范围)已知，我们要做的是对Y(某一中小企业相关的信息和数据)进行预测。条件概率模型P(Y|X)中Y是输出变量，表示标记序列；X是输入变量表示需要标注的观测序列。
进一步地，在设定条件概率阈值后，将条件概率数值与条件概率阈值进行比较，当条件概率数值满足条件概率阈值时，根据上述分类指标标准信息库生成对应的认知评价报告。一般来说，所有的行业，经过行业风险分析后，应进行量化的信用风险评级。上述风险评价分为五档：1)、风险很小、2)风险较小、3)风险一般、4)风险较大、5)风险很大。示例性地。企业在其行业内部的相对地位是判断企业生存能力的重要指标，特别是在经济不景气时，可以参照行业评估时使用的标准指标和程序来确定该企业在其所处行业内的相对地位，可以将该企业在其所处行业中的相对地位评价分为五档：1、地位很高、2、地位较高、3、地位一般、4、地位较低、5、地位很低。
在以上技术方案的基础上，优选的还根据产业链以及产业链各节点上下游行业主要特征信息建立不同类别的集合，并组合在一起作为产业链以及产业链各节点上下游行业分类标准信息库。
作为本实施例一种可选的实现方式，在基于所述企业数据和所述基础相关条件和依据确定条件概率数值之前，所述方法还包括：确定所述企业数据对应的金融征信的相关条件和依据；判断所述企业数据对应的金融征信的相关条件和依据是否落入所述基础相关条件和依据范围内；对落入所述基础相关条件和依据范围内的相关条件和依据标记风险标识；基于有风险标识的相关条件和依据、和基础相关条件和依据确定条件概率数值。
在本可选的实现方式中，当产业链以及产业链各节点的行业基本状况、发展趋势和行业风险的变动情况等数据满足风险评价范围时，将该数据标记为有风险；反之标记为无风险。比如，采集全世界与中国相关的产业链以及产业链各节点行业的数据和信息，包括中国该产业链以及产业链各节点(或者为上下游等)行业在全球同业中所占份额、进口和出口方向以及总量、该产业链以及产业链各节点行业的利润空间、购买活跃度等数据，统计计算出产业链以及产业链各节点行业进入盈亏平衡点的条件、所需过程时间以及基础成本等。如果该产业链以及产业链各节点行业进入盈亏平衡点的条件、所需过程时间以及基础成本等超过上述基本依据和条件，那么视为有风险，反之为无风险，或者风险较小。
通过基于产业链各个节点行业金融征信的相关条件和依据，建立企业风险预测和评价模型，即把产业链以及产业链各节点行业的发展和风险与该企业所在的产业链和产业链各节点行业位置以及企业所属生产、经营、财务、司法、资信、合作履约、争议情况等相关信息和数据进行融合计算，得到该企业全面综合的风险预测和评价。特别是通过产业链以及产业链各节点行业风险分析，可以揭示各行业发展的规律，完善和补充企业可能存在的风险，实现企业风控的全覆盖。
本实施例基于产业链征信模型的中小企业风险预测和评价方法和系统，可以揭示各行业发展的规律，对企业风险把控可以做到心中有数。
本实施例基于产业链征信模型的中小企业风险预测和评价方法和系统，可以超前性的规避行业内的客户风险，特别是通过对行业的发展趋势、企业竞争力和产品市场空间的分析，把握行业和企业的长期发展态势。通过分析行业发展随经济周期的变化轨迹，可把握行业内一段时期内的潜在风险及产生风险的相关原因，如市场风险、结构风险(原材料、集中度调整)、环保、政策风险等。
本实施例基于产业链征信模型的中小企业风险预测和评价方法和系统，可进一步提高企业风险分析水平。通过行业分析、判断出行业发展趋势、企业的总体竞争水平及高低差别水平，以及产品市场空间，掌握总体的行业财务及比率标准和差异，从而促进某一个企业的财务状况分析质量和现金流预测的准确性，做出比较准确的客户评级和项目评估结论；同时也可进一步明确行业内企业资产的变现能力，为抵押变现提供使用价值依据，为不良贷款客户给予准确判断，以确定其客户进退价值。
以上为本申请的一个或多个实施例提供的方法，基于同样的思路，本申请还提供了相应的一种企业风险预测方法及装置，包括：获取预设产业链指定节点上的指定企业对应的企业数据；
将所述节点数据输入至预建立的产业链征信模型中，确定所述指定企业对应的风险预测结果；其中，利用条件随机场模型计算预建立的分类指标信息库与所述企业数据之间的条件概率数值，所述分类指标信息库包括用于评价产业链及产业链各节点行业风险状况的指标；将所述条件概率数值和设定的条件概率阈值进行比较；当条件概率数值满足条件概率阈值时，基于所述分类指标信息库生成认知报告；当条件概率数值不满足条件概率阈值时，重新选择条件概率数值。
可选地，在确定所述预设分类指标信息库时，所述方法包括：采集产业链及产业链各节点行业的预设信息，以确定产业链及产业链各个节点行业金融征信的相关条件和依据；对所述相关条件和依据进行预处理，得到产业链及产业链各节点行业风险状况评价的分类指标信息库。
可选地，对所述相关条件和依据进行预处理，得到产业链及产业链各节点行业风险状况评价的分类指标信息库包括：基于所述相关条件和依据设定基础相关条件和依据。
可选地，所述利用条件随机场模型计算预建立的分类指标信息库与所述企业数据之间的条件概率数值包括：基于所述企业数据从所述分类指标信息库中确定对应的基础相关条件和依据；基于所述企业数据和所述基础相关条件和依据确定条件概率数值。
可选地，在基于所述企业数据和所述基础相关条件和依据确定条件概率数值之前，所述方法还包括：确定所述企业数据对应的金融征信的相关条件和依据；判断所述企业数据对应的金融征信的相关条件和依据是否落入所述基础相关条件和依据范围内；对落入所述基础相关条件和依据范围内的相关条件和依据标记风险标识；基于有风险标识的相关条件和依据、和基础相关条件和依据确定条件概率数值。
可选地，基于条件随机场模型确定所述条件概率数值。
可选地，所述采集产业链及产业链各节点行业的预设信息包括：采集产业链以及产业链各节点行业的基本状况、发展趋势和行业风险的变动情况。
图2为本发明实施例提供的电子设备实体结构示意图，如图2所示，电子设备50包括：处理器501(processor)、存储器502(memory)和总线503；
其中，处理器501、存储器502通过总线503完成相互间的通信；处理器501用于调用存储器502中的程序指令，以执行上述各方法实施例所提供的方法。
本实施例提供一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储计算机指令，计算机指令使计算机执行上述各方法实施例所提供的方法。
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一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：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的存储介质。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者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者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述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，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各实施例或者实施例的某些部分的方法。
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。
Claims (10)
1.一种企业风险预测方法，其特征在于，包括：
获取预设产业链指定节点上的指定企业对应的企业数据；
将所述节点数据输入至预建立的产业链征信模型中，确定所述指定企业对应的风险预测结果；其中，利用条件随机场模型计算预建立的分类指标信息库与所述企业数据之间的条件概率数值，所述分类指标信息库包括用于评价产业链及产业链各节点行业风险状况的指标；将所述条件概率数值和设定的条件概率阈值进行比较；当条件概率数值满足条件概率阈值时，基于所述分类指标信息库生成认知报告；当条件概率数值不满足条件概率阈值时，重新选择条件概率数值。
2.根据权利要求1所述的企业风险预测方法，其特征在于，在确定所述预设分类指标信息库时，所述方法包括：
采集产业链及产业链各节点行业的预设信息，以确定产业链及产业链各个节点行业金融征信的相关条件和依据；
对所述相关条件和依据进行预处理，得到产业链及产业链各节点行业风险状况评价的分类指标信息库。
3.根据权利要求2所述的企业风险预测方法，其特征在于，对所述相关条件和依据进行预处理，得到产业链及产业链各节点行业风险状况评价的分类指标信息库包括：
基于所述相关条件和依据设定基础相关条件和依据。
4.根据权利要求3所述的企业风险预测方法，其特征在于，所述利用条件随机场模型计算预建立的分类指标信息库与所述企业数据之间的条件概率数值包括：
基于所述企业数据从所述分类指标信息库中确定对应的基础相关条件和依据；
基于所述企业数据和所述基础相关条件和依据确定条件概率数值。
5.根据权利要求4所述的企业风险预测方法，其特征在于，在基于所述企业数据和所述基础相关条件和依据确定条件概率数值之前，所述方法还包括：
确定所述企业数据对应的金融征信的相关条件和依据；
判断所述企业数据对应的金融征信的相关条件和依据是否落入所述基础相关条件和依据范围内；
对落入所述基础相关条件和依据范围内的相关条件和依据标记风险标识；
基于有风险标识的相关条件和依据、和基础相关条件和依据确定条件概率数值。
6.根据权利要求4或5所述的企业风险预测方法，其特征在于，基于条件随机场模型确定所述条件概率数值。
7.根据权利要求1所述的企业风险预测方法，其特征在于，所述采集产业链及产业链各节点行业的预设信息包括：
采集产业链以及产业链各节点行业的基本状况、发展趋势和行业风险的变动情况。
8.一种企业风险预测装置，其特征在于，包括：
数据获取单元，被配置成获取预设产业链指定节点上的指定企业对应的企业数据；
预测单元，被配置成将所述节点数据输入至预建立的产业链征信模型中，确定所述指定企业对应的风险预测结果；其中，利用条件随机场模型计算预建立的分类指标信息库与所述企业数据之间的条件概率数值，所述分类指标信息库包括用于评价产业链及产业链各节点行业风险状况的指标；将所述条件概率数值和设定的条件概率阈值进行比较；当条件概率数值满足条件概率阈值时，基于所述分类指标信息库生成认知报告；当条件概率数值不满足条件概率阈值时，重新选择条件概率数值。
9.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1～7任一项所述的方法。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述权利要求1～7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410139071.3A CN117875717A (zh) | 2024-01-31 | 2024-01-31 | 一种企业风险预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410139071.3A CN117875717A (zh) | 2024-01-31 | 2024-01-31 | 一种企业风险预测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117875717A true CN117875717A (zh) | 2024-04-12 |
Family
ID=90581086
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410139071.3A Pending CN117875717A (zh) | 2024-01-31 | 2024-01-31 | 一种企业风险预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117875717A (zh) |
-
2024
- 2024-01-31 CN CN202410139071.3A patent/CN117875717A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kong et al. | Business strategy and firm efforts on environmental protection: Evidence from China | |
| Wald | How firm characteristics affect capital structure: an international comparison | |
| Hu et al. | Dynamics of the federal funds target rate: a nonstationary discrete choice approach | |
| CN112734559B (zh) | 企业信用风险评价方法、装置及电子设备 | |
| Shin et al. | Implementation of the continuous auditing system in the ERP‐based environment | |
| CN110163413A (zh) | 企业监控及预警方法、装置、计算机设备及可读存储介质 | |
| Narsa et al. | Fraud triangle and earnings management based on the modified M-score: A study on manufacturing company in Indonesia | |
| CN111222955A (zh) | 一种基于区块链的供应商监管方法及系统 | |
| Wong et al. | Financial accounting fraud detection using business intelligence | |
| CN109146611A (zh) | 一种电商产品质量信用指数分析方法及系统 | |
| Chen et al. | Tail risk networks of insurers around the globe: An empirical examination of systemic risk for G‐SIIs vs non‐G‐SIIs | |
| Klieštik et al. | Prediction of financial health of business entities in transition economies | |
| Culot et al. | Using supply chain databases in academic research: A methodological critique | |
| CN115526700A (zh) | 风险的预测方法、装置及电子设备 | |
| Xie et al. | A big data technique for internet financial risk control | |
| TWI471818B (zh) | 微型企業融資風險評估方法 | |
| KR101273625B1 (ko) | 재무 상태 진단 시스템, 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 프로그램을 기록한 매체 | |
| CN112116197A (zh) | 一种基于供应商评价体系的不良行为预警方法及系统 | |
| Lin et al. | The application of decision tree and artificial neural network to income tax audit: the examples of profit-seeking enterprise income tax and individual income tax in Taiwan | |
| Black et al. | Information production and the duration of accounting fraud | |
| Al-Halabi et al. | The impact of designing accounting information systems on the level of accounting conservatism-a field study | |
| CN117875717A (zh) | 一种企业风险预测方法及装置 | |
| Meiryani et al. | Impact of Enterprise Risk Management Implementation on Fraud Control in Small and Medium Enterprises | |
| Qiang et al. | [Retracted] Relationship Model between Human Resource Management Activities and Performance Based on LMBP Algorithm | |
| Mao et al. | ESG, ESG rating divergence and earnings management: Evidence from China |
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 |