JP6860731B1

JP6860731B1 - 取引構成比出力プログラム、取引構成比出力装置、取引構成比出力方法及びフィッティングプログラム

Info

Publication number: JP6860731B1
Application number: JP2020118660A
Authority: JP
Inventors: 公平木村; 聡北島; 紘之矢内; 圭悟松尾
Original assignee: TEIKOKU DATABANK, LTD.
Current assignee: TEIKOKU DATABANK, LTD.
Priority date: 2020-07-09
Filing date: 2020-07-09
Publication date: 2021-04-21
Anticipated expiration: 2040-07-09
Also published as: JP2022015658A

Abstract

【課題】分析対象企業の取引先別の取引構成比を推定し出力する取引構成比出力プログラム等を提供すること。【解決手段】取引構成比出力プログラムは、企業情報ＤＢより、企業の取引量に対して取引先毎の取引量が占める割合である取引構成比の最大値を取得し、または企業の前記取引構成比の最大値を出力する学習モデルへ、前記企業情報ＤＢより取得した前記企業の情報を入力し、前記学習モデルより前記取引構成比の最大値を取得し、前記取引構成比の最大値及び取引順に基づき、前記取引順に対する前記取引構成比を算出するモデル関数に、取得した前記取引構成比の最大値を代入し、前記取引順の前記取引構成比を算出し、算出した前記取引構成比を出力する処理をコンピュータに行わせる。【選択図】図１１

Description

本発明は、取引先別の取引構成比を推定し出力する取引構成比出力プログラム等に関する。

企業の経営環境や経営状況等の分析をする際には、分析の対象企業と他企業との間の取引関係を把握することが重要である。取引関係の情報として、取引先企業の情報だけでなく、対象企業における取引先企業別の取引構成比を含むことが望ましい。この点に関し、特許文献１では、金融機関が管理する企業間の振込データに基づいて企業間取引の状況を反映する統計量を算出する資金フロー分析装置が提案されている。

特開２０１５−８８０３７号公報

しかしながら、上記従来技術においては、金融機関が管理する振込データが必要となるため、金融機関以外では利用できない。本発明はこのような状況に鑑みてなされたものである。その目的は、分析対象企業の取引先別の取引構成比を推定し出力する取引構成比出力プログラム等の提供である。

本願の一態様に係る取引構成比出力プログラムは、企業の取引量に対して取引先毎の取引量が占める割合である取引構成比の最大値を取得し、前記取引構成比の最大値及び取引順に基づき、前記取引順に対する前記取引構成比を算出するモデル関数に、取得した前記取引構成比の最大値を代入し、前記取引順の前記取引構成比を算出し、算出した前記取引構成比を出力する処理をコンピュータに行わせる。

本願の一態様にあっては、分析対象企業の取引先別の取引構成比を推定し出力することが可能である。

取引高推定システムの構成例を示す説明図である。推定装置のハードウェア構成例を示すブロック図である。ユーザ端末のハードウェア構成例を示すブロック図である。訓練データＤＢの例を示す説明図である。取引構成比ＤＢの例を示す説明図である。ポイントＤＢの例を示す説明図である。パラメータＤＢの例を示す説明図である。準備処理の手順例を示すフローチャートである。尺度パラメータσのフィッティング結果例を示すグラフである。形状パラメータξのフィッティング結果例を示すグラフである。推定処理の手順例を示すフローチャートである。入力データＤＢの例を示す説明図である。出力データＤＢの例を示す説明図である。取引関係マップの画面例を示す説明図である。取引関係マップの画面例を示す説明図である。取引変動シミュレーションの画面例を示す説明図である。取引変動シミュレーション処理の手順例を示すフローチャートである。更新処理の手順例を示すフローチャートである。取引高更新画面の例を示す説明図である。

以下実施の形態を、図面を参照して説明する。図１は取引高推定システムの構成例を示す説明図である。取引高推定システム１００は、推定装置（取引構成比出力装置）１、企業情報ＤＢ（Database:データベース）２及びユーザ端末３を含む。推定装置１、企業情報ＤＢ２及びユーザ端末３はネットワークＮにより、互いに通信可能に接続されている。推定装置１はサーバコンピュータ、ＰＣ（Personal Computer）等で構成する。また、推定装置１を複数のコンピュータからなるマルチコンピュータ、ソフトウェアによって仮想的に構築された仮想マシン又は量子コンピュータで構成しても良い。さらに、推定装置１の機能をクラウドサービスで実現してもよい。ユーザ端末３はノートパソコン、パネルコンピュータ、タブレットコンピュータ、スマートフォン等で構成する。

企業情報ＤＢ２は、信用調査によって得た複数の企業に関する信用情報が蓄積されている。信用情報は、各企業の基本情報（企業コード、商号、代表者、所在地、電話番号、企業URL、上場区分、設立年月日、資本金、事業内容、取引銀行、従業員数等）の他に、役員構成、株主構成、親子会社関係、過去の業績、今後の業績見通し、取引先（仕入先及び得意先）、財務諸表等を含む。

図２は推定装置のハードウェア構成例を示すブロック図である。推定装置１は制御部１１、主記憶部１２、補助記憶部１３、通信部１５及び読み取り部１６を含む。制御部１１、主記憶部１２、補助記憶部１３、通信部１５及び読み取り部１６はバスＢにより接続されている。

制御部１１は、一又は複数のＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro-Processing Unit）、ＧＰＵ（Graphics Processing Unit）等の演算処理装置を有する。制御部１１は、補助記憶部１３に記憶された制御プログラム１Ｐ（取引構成比出力プログラム、フィッティングプログラム）を読み出して実行することにより、推定装置１に係る種々の情報処理、制御処理等を行い、取得部、算出部及び出力部等の機能部を実現する。

主記憶部１２は、ＳＲＡＭ（Static Random Access Memory）、ＤＲＡＭ（Dynamic Random Access Memory）、フラッシュメモリ等である。主記憶部１２は主として制御部１１が演算処理を実行するために必要なデータを一時的に記憶する。

補助記憶部１３はハードディスク又はＳＳＤ（Solid State Drive）等であり、制御部１１が処理を実行するために必要な制御プログラム１Ｐや各種ＤＢ（Database）を記憶する。補助記憶部１３は、訓練データＤＢ１３１、取引構成比ＤＢ１３２、ポイントＤＢ１３３、パラメータＤＢ１３４、入力データＤＢ１３５及び出力データＤＢ１３６を記憶する。また、補助記憶部１３は学習モデル１４１を記憶する。補助記憶部１３は推定装置１に接続された外部記憶装置であってもよい。補助記憶部１３に記憶する各種ＤＢ等を、推定装置１とは異なるデータベースサーバやクラウドストレージに記憶してもよい。

図３はユーザ端末のハードウェア構成例を示すブロック図である。ユーザ端末３は制御部３１、主記憶部３２、補助記憶部３３、通信部３４、入力部３５及び表示部３６を含む。各構成はバスＢで接続されている。

制御部３１は補助記憶部３３に記憶された制御プログラム３Ｐにしたがい、ハードウェア各部を制御する。主記憶部３２は例えばＳＲＡＭ、ＤＲＡＭ又はフラッシュメモリである。主記憶部３２は制御部３１によるプログラムの実行時に発生するデータを一時的に記憶する。補助記憶部３３は、例えばハードディスク又はＳＳＤなどである。補助記憶部３３は各種データを記憶する。

通信部３４はネットワークＮを介して、推定装置１と通信を行う。また、制御部３１が通信部３４を用い、ネットワークＮ等を介して他のコンピュータから制御プログラム３Ｐをダウンロードし、補助記憶部３３に記憶してもよい。

入力部３５はキーボードやマウスである。表示部３６は液晶表示パネル等を含む。表示部３６は企業情報ＤＢ２より取得した信用情報や推定装置１から取得した取引高などを表示する。また、表示部３６は入力部３５と一体化したタッチパネルディスプレイでもよい。なお、ユーザ端末３は外部の表示装置に表示を行ってもよい。

推定装置１が行う処理の概要を以下に説明する。準備段階の処理と推定段階の処理とに分けられる。準備段階では、学習モデルの学習と確率密度関数のフィッティングを行う。推定段階では、入力データの作成、取引量が最も多い取引先の取引構成比（取引構成比の最大値）の推定、取引量が最も多い取引先以外の取引構成比の推定を行う。取引構成比は、企業における全取引量に対して各取引先の取引量が占める割合である。なお、以下の説明において、取引量として売上高を採用した場合を説明する。また、取引量が最も多い取引先を上得意先と記す。

本実施の形態においては、本願の発明者が見出した以下の事項を利用している。各企業についての信用情報（企業の情報）が得られると、学習モデルにより、取引構成比の最大値、すなわち上得意先についての売上高の取引構成比（以下、「トップシェア」ともいう。）が推定可能である。また、トップシェアに基づいて、上得意先以外（取引高２位以下）の取引先についての売上高の取引構成比（以下、「２社目以降シェア」ともいう。）を推定可能である。当該２社目以降シェアは、指数型分布族等により推定可能であり、正規分布、多項分布、幾何分布、ポアソン分布、ガンマ分布、指数分布、パレート分布、ベータ分布、ラプラス分布、レヴィ分布や、一般化極値分布等に加え、上記分布を組み合わせた混合分布や上記分布を切断した分布等によっても推定可能である。以下の説明では指数型分布族の一例として、一般化パレート分布の場合について説明する。また、当該一般化パレート分布の形状パラメータ（ξ）及び尺度パラメータ（σ）は、トップシェアより求められる。形状パラメータ（ξ）はｎ次曲線（ｎは３以上の自然数）、スプライン曲線、ベジェ曲線等の曲線で、尺度パラメータ（σ）は指数型分布族により、求めることが可能である。以下の説明においては、形状パラメータ（ξ）は３次曲線で、尺度パラメータ（σ）は一般化パレート分布により求める例を示す。なお、形状パラメータ（ξ）をｎ次曲線で求める場合、ｎは大きいほど精度が高まるが、それにしたがい計算量が増大するのみならず、オーバーフィッティングが発生する可能性が高まるため、ｎは３から５程度の値が実用的と考えられる。

次に、取引高推定システム１００で用いるデータベースについて説明する。図４は訓練データＤＢの例を示す説明図である。訓練データＤＢ１３１は学習モデルを訓練する際に用いる訓練データを記憶する。訓練データは企業情報ＤＢ２に記憶してある各種データに基づいて生成する。訓練データの各レコードはそれぞれ異なる企業のデータである。訓練データＤＢ１３１はＩＤ列、正解シェア列、主力フラグ列、一般消費者列、海外列、企業ＣＤ取引列、販売先把握数列、主力フラグ数列、取引継続年数列、筆頭株主フラグ列及びｌｎ受注社売上高列を含む。ＩＤ列は各訓練データを一意に特定するＩＤを記憶する。正解シェア列はトップシェアの正解値、すなわちラベルを記憶する。例えば、全取引高が１０００万円、上得意先との取引高が５００万円であれば、トップシェアは０．５となる。主力フラグ列は上得意先に対する主力フラグの値を記憶する。主力フラグの値が１は、上得意先が主力取引先としてフラグが立てられていることを示す。主力フラグの値が０は、上得意先が主力取引先としてフラグが立てられていないことを示す。訓練データは複数のデータに基づいて生成しているため、上得意先であっても、主力フラグが立てられていない場合がある。一般消費者列は企業が属する業種において、一般消費者との取引量が全体取引量に占める割合の平均値を記憶する。海外列は企業が属する業種において、海外との取引量が全体取引量に占める割合の平均値を記憶する。企業ＣＤ取引列は企業が属する業種において、企業コードが付与されている企業との取引量が全体取引量に占める割合の平均値を記憶する。上述の平均値に替えて、中央値又は最頻値など他の統計量としてもよい。販売先把握数列は取引先として名称が把握されている企業等の数を記憶する。なお海外の販売先については、輸出先として「アメリカ」、「中国ほかアジア諸国」のような値が記憶されている場合もある。この場合、販売先把握数としては２と数える。また、本業以外に、自社ビルを他社に貸し出し賃貸収入を得ている場合、「テナント一般企業１０社」が把握されている場合、販売先把握数としては１と数える。それに限らず販売先把握数として１０と数えてもよい。主力フラグ数列は把握されている取引先の中で、主力フラグが立てられている企業の数（取引先数）を記憶する。取引継続年数列は各企業が、上得意先と取引している年数を記憶する。筆頭株主フラグ列は、上得意先が、筆頭株主であるか否かを示すフラグを記憶する。上得意先が各企業の筆頭株主である場合、筆頭株主フラグ列は１を記憶する。上得意先が各企業の筆頭株主でない場合、筆頭株主フラグ列は０を記憶する。ｌｎ受注社売上高列は各企業の年間売上高・単位１００万円の自然対数値を記憶する。売上高が１００万円であれば、ｌｎ受注社売上高列はｌｎ（１）＝０を記憶する。売上高が３０００万円であれば、ｌｎ受注社売上高列はｌｎ（３０）＝３．４０１１９７３８２を記憶する。ｌｎ受注社売上高列は一例であり、受注社売上高を自然対数以外の関数で処理した値を記憶する列を設けてもよい。なお、図４に示す訓練データに企業情報ＤＢ２と共通な企業を一意に特定するＩＤ、例えば企業コードを含めてもよい。

図５は取引構成比ＤＢの例を示す説明図である。取引構成比ＤＢ１３２は、トップシェアと、２社目以降シェアとを対応付けた取引構成比データを記憶する。取引構成比ＤＢ１３２に記憶するデータは準備段階における処理で求めるものである。企業において、トップシェアが判明すると、２社目以降シェアを推測可能である。取引構成比ＤＢ１３２はｓｈａｒｅ列、ｎｕｍ列及びｍｅａｎ列を含む。ｓｈａｒｅ列はトップシェアを記憶する。ｎｕｍ列は取引高の順位を示す数字を記憶する。ｍｅａｎ列は取引構成比を記憶する。図５はトップシェアが０．３である場合の取引構成比データの例を示している。１位・上得意先から１９位までの取引構成比が示されている。例えば、取引高２位の得意先の取引構成比は、０．１８８００６９８３である。取引構成比ＤＢ１３２は、トップシェアを０．１刻みで０．１から０．９までの計９通りとした場合、それぞれの上得意先以外（取引高２位以下）がとる、取引順位ごとの取引構成比データを記憶する。

図６はポイントＤＢの例を示す説明図である。ポイントＤＢ１３３は、取引構成比を一般化パレート分布にフィッティングした際のパラメータを記憶する。ポイントＤＢ１３３に記憶するパラメータは準備段階において、取引構成比ＤＢ１３２に記憶したデータに基づき求めるものである。ポイントＤＢ１３３はｘ列、σ列、ξ列及び相関係数列を含む。ｘ列はトップシェアを記憶する。σ列及びξ列は一般化パレート分布のパラメータの値をそれぞれ記憶する。相関係数列は一般化パレート分布で求まる取引構成比と、正解の取引構成比との相関係数を記憶する。

図７はパラメータＤＢの例を示す説明図である。パラメータＤＢ１３４は、トップシェアに基づいて、２社目以降シェアを推定する際に用いる一般化パレート分布のパラメータ（σ、ξ）を求めるための近似式についてのパラメータ（μ_０、σ_０、ξ_０、ａ、ｂ、ｃ、ｄ）を記憶する。パラメータＤＢ１３４に記憶するパラメータは準備段階における処理で求めるものである。パラメータＤＢ１３４はσ列及びξ列を含む。σ列はμ_０列、σ_０列及びξ_０列を含む。μ_０列、σ_０列及びξ_０列は尺度パラメータσを求めるための近似式のパラメータ値をそれぞれ記憶する。ξ列はａ列、ｂ列、ｃ列及びｄ列を含む。ａ列、ｂ列、ｃ列及びｄ列は形状パラメータξを求めるための近似式のパラメータ値をそれぞれ記憶する。

次に、推定装置１で行う情報処理について説明する。図８は準備処理の手順例を示すフローチャートである。準備処理は準備段階で行う処理である。推定装置１の制御部１１は訓練データの生成を行う（ステップＳ１）。制御部１１は企業情報ＤＢ２に記憶されている各種データより、訓練データの生成を行う。生成した訓練データは訓練データＤＢ１３１に記憶する。なお、訓練データは企業情報ＤＢ２に記憶してある各企業のデータを参照し、トップシェアが判明した企業についてのデータである。

制御部１１は訓練データを用いて、学習モデル１４１の学習を行う（ステップＳ２）。制御部１１は企業情報ＤＢ２から得られる企業データを入力とし、当該企業のトップシェアを出力とするニューラルネットワークを生成する。企業データは正解シェア列の値を除いた訓練データである。生成するニューラルネットワークが学習モデル１４１である。学習モデル１４１は例えばＤＮＮ（Deep Neural Network）である。なお、本実施の形態では学習モデル１４１はＤＮＮに限定されず、ＤＮＮ以外のニューラルネットワーク、ベイジアンネットワーク、決定木など、他の学習アルゴリズムで構築された学習モデルであってよい。学習モデル１４１は企業データの入力を受け付ける入力層と、トップシェアを出力する出力層と、企業データの特徴量を抽出する中間層とを有する。

入力層は、企業に関する複数データの入力を受け付ける複数のニューロンを有し、入力された企業データを中間層に受け渡す。中間層は複数のニューロンを有し、企業データの特徴量を抽出して出力層に受け渡す。中間層は、入力層から入力された企業データを複数の中間層（例えば全結合層）を通し、各層のユニットをつなぐ活性化関数として、例えば、シグモイド関数、tanh関数、ReLu（Rectified Linear Unit）関数を用いることで、有効な特徴量を獲得する。出力層は例えばシグモイド関数やソフトマックス関数を含み、中間層から出力された特徴量に基づいて、トップシェアの値、０より大きく１以下の値を出力する。

制御部１１は、訓練データＤＢ１３１に記憶されている訓練データを用いて学習を行う。訓練データＤＢ１３１の各レコードがそれぞれ訓練データである。正解シェア列の値が出力層から出力されるべき正解データである。ＩＤ列及び正解シェア列以外の列のデータが入力する企業データである。

制御部１１は、企業データを入力層に入力し、中間層での演算処理を経て、出力層からトップシェアの推定値を取得する。出力層は１つであり、推定値として０より大きく、１未満の値を出力する。出力する値は離散的な値（例えば、０．１、０．２、０．３…、０．９又は１のように、０．１刻みの値）であってよい。なお、離散的な値（例えば、０．１、０．２、０．３…、０．９又は１のように、０．１刻みの値）をラベルに持つ複数の出力層を設け、それぞれのラベルの所属確率を求め、最も所属確率が高いラベル（'０．５'のラベルが最も高い場合、シェア率は０．５とみなす）をシェアの推定値としてもよい。

制御部１１は、出力層から出力されたトップシェアの推定値を、訓練データにおける正解値（シェア列の値）と比較し、出力層からの出力値が正解値に近づくように、中間層での演算処理に用いるパラメータを最適化する。当該パラメータは、例えばニューロン間の重み（結合係数）などである。パラメータの最適化の方法は特に限定されないが、例えば制御部１１は誤差逆伝播法を用いて各種パラメータの最適化を行う。制御部１１は、訓練データＤＢ１３１に記憶してある各レコードについて上記の処理を行い、学習モデル１４１の学習を行う。制御部１１は学習に基づいて得た学習モデル１４１のパラメータを補助記憶部１３に記憶する（ステップＳ３）。

制御部１１は取引構成比データの生成を行う（ステップＳ４）。制御部１１は企業情報ＤＢ２に記憶されている各種データより、取引構成比データの生成を行う。生成した取引構成比データは取引構成比ＤＢ１３２に記憶する。なお、取引構成比データは企業情報ＤＢ２に記憶してある各企業のデータを参照し、上得意先を含む複数の得意先について、取引構成比が判明した企業についてのデータである。

制御部１１はフィッティングを行う（ステップＳ５）。上述したように、取引構成比は、一例として一般化パレート分布により推定を行う。取引構成比ＤＢ１３２に記憶した取引構成比データを用いて、一般化パレート分布の確率密度関数を示す式（１）のフィッティングを行う。

式（１）において、σは尺度パラメータであり、ξは形状パラメータである。式（１）において、σ及びξが求めるパラメータである。μはトップシェアである。説明変数ｘは取引順位である。式（１）で求まる目的変数が、取引高の構成比である。フィッティングに使用するデータは、取引構成比ＤＢ１３２に記憶してある取引構成比データを用いる。取引構成比データのｓｈａｒｅ列の値を式（１）のμに、ｎｕｍ列の値を式（１）のｘに代入し、式（１）で求まる値が、ｍｅａｎ列の値に近づくように、σ及びξの値を求める。例えば最小二乗法を用いてσ及びξの最適値を求める。フィッティングはμの値ごとに行う。すなわち、トップシェアが０．１から０．９までの９つの値ごとに行う。制御部１１は求めたσ及びξの値をポイントＤＢ１３３に記憶する（ステップＳ６）。σ及びξの値が定まった式（１）がモデル関数の一例である。

制御部１１はσ及びξのフィッティングを行う（ステップＳ７）。フィッティングはポイントＤＢ１３３に記憶したポイントデータを用いる。σは一例として一般化パレート分布の確率密度関数を示す式（２）にフィッティングする。

式（２）において、μ_０は位置パラメータである。σ_０は尺度パラメータであり、ξ_０は形状パラメータであり、式（２）において、μ_０、σ_０及びξ_０が求めるパラメータである。ｘはトップシェアである。制御部１１はポイントデータのｘ列の値を式（２）のｘに代入し、式（２）で求まる値が、ポイントデータのσ列の値に近づくよう、最小二乗法等によりμ_０、σ_０及びξ_０の最適値を求める。

ξは一例として３次曲線にフィッティングする。３次曲線は式（３）で示されるとする。

式（３）において、ａ、ｂ、ｃ及びｄが求めるパラメータである。ｘはトップシェアである。制御部１１はポイントデータのｘ列の値を式（３）のｘに代入し、式（３）で求まる値が、ポイントデータのξ列の値に近づくよう、最小二乗法等によりａ、ｂ、ｃ及びｄの最適値を求める。

制御部１１は式（２）へのフィッティングで求めたσ_０、ξ_０及びμ_０の値、並びにａ、ｂ、ｃ及びｄの値をパラメータＤＢ１３４に記憶し（ステップＳ８）、準備処理を終了する。なお、ステップＳ１からステップＳ３までの処理よりも先に、ステップＳ４からステップＳ８までの処理を行ってもよい。ステップＳ１からステップＳ３までの処理、及びステップＳ４からステップＳ８までの処理を、並行に実行してもよい。

次に準備処理結果の例を示す。図９は尺度パラメータσのフィッティング結果例を示すグラフである。図９において、横軸はトップシェアである。縦軸はσである。横軸及び縦軸ともに任意単位である。丸印は取引構成比データに基づき、求めた値である。すなわち、ポイントＤＢ１３３に記憶したｘ列及びσ列の値の組をグラフ表示したものが当該丸印である。曲線はトップシェアとσとの関係を示すものである。丸印で示すポイントデータに基づき、一般化パレート分布の確率密度関数にフィッティングさせた結果の例である。

図１０は形状パラメータξのフィッティング結果例を示すグラフである。図１０において、横軸はトップシェアである。縦軸はξである。横軸及び縦軸ともに任意単位である。丸印は取引構成比データに基づき、求めた値である。すなわち、ポイントＤＢ１３３に記憶したｘ列及びξ列の値の組をグラフ表示したものが当該丸印である。曲線はトップシェアとξとの関係を示すものである。丸印で示すポイントデータに基づき、３次曲線にフィッティングさせた結果の例である。

図１１は推定処理の手順例を示すフローチャートである。推定処理は推定段階で行う処理である。推定装置１の制御部１１は入力データの生成を行う（ステップＳ２１）。制御部１１は企業情報ＤＢ２に記憶されている各種データより、入力データの生成を行う。入力データは訓練データとほぼ同様であるから、準備段階で訓練データを生成する際に取引構成比が不明の企業に関するデータを入力データＤＢに記憶しておいてもよい。この場合、ステップＳ２１は省略可能である。図１２は入力データＤＢの例を示す説明図である。入力データＤＢ１３５は企業コード列、主力フラグ列、一般消費者列、海外列、企業ＣＤ取引列、販売先把握数列、主力フラグ数列、取引継続年数列、筆頭株主フラグ列及びｌｎ受注社売上高列を含む。企業コード列は企業を一意に特定する企業コードを記憶する。当該企業コードは企業情報ＤＢ２において企業を一意に特定するＩＤと共通する値とする。主力フラグ列からｌｎ受注社売上高列までは、図４に示した訓練データＤＢ１３１の同名列と同様であるから、説明を省略する。制御部１１は学習モデル１４１を用いてトップシェアの推定を行う（ステップＳ２２）。制御部１１は入力データを学習モデル１４１へ入力する。制御部１１は学習モデル１４１の出力からトップシェアの推定値を取得する。学習モデル１４１から得たトップシェアの値が１を越える場合は１とする。制御部１１はトップシェアの推定値から、σ及びξを算出する（ステップＳ２３）。制御部１１は上述の式（２）からσを求める。上述の式（３）からξを求める。式（２）及び式（３）のパラメータは、パラメータＤＢ１３４に記憶してある値を用いる。制御部１１は算出したσ及びξを上述の式（１）に設定し、２社目以降シェアを推定する（ステップＳ２４）。制御部１１は推定したトップシェア及び２社目以降シェアを出力し（ステップＳ２５）を終了する。

推定したトップシェア及び２社目以降シェアの値を企業情報ＤＢ２に記憶してもよい。また、推定したトップシェア及び２社目以降シェアに基づいて、各得意先の取引高を推定し、企業情報ＤＢ２に記憶してもよい。また、トップシェア及び２社目以降シェアの値を補助記憶部１３に記憶してもよい。図１３は出力データＤＢ１３６の例を示す説明図である。出力データＤＢ１３６は企業コード列、順番列、トップシェア列及び推定シェア列を含む。企業コード列は企業を一意に特定する企業コードを記憶する。順番列は得意先の順番を示す順番号を記憶する。トップシェア列はトップシェアの値を記憶する。トップシェアの値が企業情報ＤＢ２から判明していた場合、トップシェア列は当該値を記憶する。学習モデル１４１により推定した場合、トップシェア列は推定した値を記憶する。推定シェア列は一般化パレート分布により推定した２社目以降シェアを記憶する。

なお、トップシェア及び２社目以降シェアの推定において、以下のような処理を行ってもよい。２社目以降シェアの値が小さくて計算できない場合は、計算できた最小値ですべて埋める。トップシェア及び２社目以降シェアの合計値が１を越えないように補正を行う。例えば、シェアが０．６、０．４、０．２である場合、合計が１．２となる。このような場合は、それぞれの値を合計値で除した値に補正する。補正後のシェアは、０．５、０．３３３３３、０．１６６６６となる。２社目以降シェアの値が小さくて計算できない場合の対応方法や補正の方法は一例であり、他の方法でもよい。

本実施の形態においては、以下の効果を奏する。学習モデルを用いて、各企業におけるトップシェアを推定することが可能となる。また、一般化パレート分布により、各企業におけるトップシェアから２社目以降シェアを推定することが可能となる。そして、トップシェア及び２社目以降シェア並びに売上高から、各得意先の取引高を推定することが可能となる。なお、トップシェアから２社目以降シェアを推定する際に、用いる分布は一般化パレート分布としたが、一例であり、上述したように他の分布を利用することも可能である。

次に、トップシェア及び２社目以降シェア（以下、２つをまとめて単に「推定シェア」ともいう。）の活用例について説明する。図１４は取引関係マップの画面例を示す説明図である。取引関係マップは複数企業間の取引関係を有向グラフで表現したものである。図１４において企業を示す矩形状シンボル５３が頂点に相当する。矩形状シンボル５３を結ぶ矢印５４が取引関係を示し、有向辺に相当する。矢印は、製品やサービスを提供する企業から、製品やサービスの提供を受ける企業へ向けられている。ラベル５５は製品やサービス内容を示している。図１４ではＡＢＣ工業の取引関係を中心に取引関係マップを表示している。ＡＢＣ工業は、プレス加工をタクマプレスに、メッキ処理を東海ハニゼンに、レーザー加工をレーザアークに依頼していることが示されている。ＡＢＣ工業は塩浜鉄鋼から鉄材を、潮見金属から各種金具を、カチドキ工業から樹脂製基板を購入していることが示されている。ＡＢＣ工業はコンデンサ、ＬＥＤをそれぞれ異なる企業に販売していることが示されている。

推定装置１により推定シェアと、企業の売上高から、企業の得意先別の取引高を推定可能である。推定取引高を用いて、取引関係マップにおいて表示する企業を絞り込むことが可能となる。推定取引高設定部６６１に金額の範囲を設定すると、推定取引高が設定した金額に入る企業のみが表示される。図１４ではターゲットがＡＢＣ工業であるから、非表示となる企業は、ＡＢＣ工業から遠い位置にある企業である。例えば、レーザアークと青山商事との推定取引高が条件に合致しない場合、ＡＢＣ工業から遠い位置にある青山商事が非表示となる。

図１５は取引関係マップの画面例を示す説明図である。図１５では、取引関係を示す有向辺の太さを推定取引高の大小にて表現している。図１５において、レーザアークはＡＢＣ工業、カチドキ工業、青山商事と取引関係がある。レーザアークの推定取引高は、ＡＢＣ工業が１位、青山商事が２位、カチドキ工業が３位であることが示されている。

以上のように、取引関係マップに推定取引高を加えることで、企業間の取引関係の有無だけではなく、企業間の取引関係の強弱も把握することが可能となる。

推定シェアと取引関係マップとにより取引増減シミュレーションを行うことが可能である。取引増減シミュレーションは取引関係の複数企業の中で、所定企業の業績が好調又は不振となる予想を立てた場合、それが取引先企業へどのような影響となるかをシミュレーションするものである。

図１６は取引変動シミュレーション画面の例を示す説明図である。取引増減シミュレーション画面は取引関係マップ領域１６１、対象企業領域１６２、想定変化領域１６３、条件数値選択領域１６４、１６５、条件入力領域１６６、１６７及び影響表示領域１６８を含む。取引関係マップ領域１６１は取引関係マップを表示する。対象企業領域１６２は対象とする企業を設定又は表示する。想定変化領域１６３は数値の変化する度合いを設定又は表示する。条件数値選択領域１６４、１６５は対象とする取引先企業の絞り込むに用いる数値を設定又は表示する領域である。条件入力領域１６６、１６７は数値の条件を設定又は表示する領域である。条件数値選択領域１６４を選択し、条件入力領域１６６に値を入力すると、依存率が条件を満たす取引先企業のみが処理対象となる。依存率は取引先企業の売上高に対象企業との取引高が占める割合である。条件数値選択領域１６５を選択し、条件入力領域１６７に値を入力すると、取引額が条件を満たす取引先企業のみが処理対象となる。影響表示領域１６８は取引先企業への影響を一覧表示する。

図１７は取引変動シミュレーション処理の手順例を示すフローチャートである。推定装置１の制御部１１はユーザ端末３から対象とする企業を取得する（ステップＳ３１）。制御部１１は対象企業についての推定シェアを出力データＤＢ１３６から取得する（ステップＳ３２）。対象企業についての推定シェアが出力データＤＢ１３６に記憶されていなければ、制御部１１は企業情報ＤＢ２から取得する。推定シェアが企業情報ＤＢ２にも記憶されていなければ、制御部１１は推定処理を行う。制御部１１は推定シェアから取引先企業毎の推定取引高、依存率を算出する（ステップＳ３３）。制御部１１は対象企業の変化量を取得する（ステップＳ３４）。変化量は例えば、売上高の増減割合である。制御部１１はユーザ端末３から対象とする取引先企業の条件を取得する（ステップＳ３５）。制御部１１は取得した条件により、対象とする取引先企業を選択する（ステップＳ３６）。制御部１１は対象とする取引先企業についての変動値、影響度を算出する（ステップＳ３７）。制御部１１は算出した変動値、影響度を含む取引変動シミュレーション画面をユーザ端末３へ出力し（ステップＳ３８）、処理を終了する

取引変動シミュレーションの例について、図１６を用いて説明する。図１６において、対象企業はＡＢＣ工業である。業績変動の想定は例えば売上高の８０％減少である。当該情報は変動情報の一例である。処理対象とする取引先企業は、対象企業、ＡＢＣ工業への依存率が２０%以上の企業である。ＡＢＣ工業の取引先企業として、図１６には潮見金属、カチドキ工業、タクマプレスが表示されている。潮見金属は売上高１億円であるところ、ＡＢＣ工業との推定取引高が５千万円である。潮見金属のＡＢＣ工業への依存率５０％で、２０%以上という条件を満たすから処理対象となる。同様にカチドキ工業の依存率は３０％、タクマプレスの依存率は８０％であるから、両取引先企業とも処理対象となる。

次にＡＢＣ工業の売上高減少が取引先企業への影響度を計算するが、売上高が減少しても、同じ比率で取引高が減少するとは限らない。以下の計算では売上の減少が取引量に与える影響は２５%と想定する。すなわち、ＡＢＣ工業の売上高が８０％減少することにより、取引高は２０％減少（＝８０％×０．２５）と想定する。タクマプレスは取引高２千万円であるから、その２０％の４百万円減少となる。潮見金属は取引高５千万円であるから、１千万円減少となる。カチドキ工業は取引高３千万円であるから、６百万円減少となる。仕入高の減少額は変動幅の一例である。

それぞれ企業の売上高、及び、ＡＢＣ工業との取引高の減少額から、それぞれ企業の影響度が算出できる。タクマプレスは売上高が２千５百万円から２千百万円に減少するから、売上影響度は０．８４（＝２１００／２５００）となる。同様に、潮見金属の売上影響度は０．９０、カチドキ工業の売上影響度は０．９４となる。以上の結果が、図１６に示した取引増減シミュレーション画面の影響表示領域１６８に表示される。

図１６では売上高が減少した場合を示したが、売上高が増加した場合も同様な処理でシミュレーション可能である。また、売上高以外の経営数値が増減した場合についても、同様な処理でシミュレーション可能である。

次に、精度向上のための更新処理について説明する。上述したように、各企業について推定シェアにより得意先毎の売上高の構成比が、推定シェアと売上高とから得意先毎の取引高が推定可能である。一方、企業情報ＤＢ２を運用する信用調査会社等は各企業の信用情報の信頼性を向上するために、日々調査を行っている。その結果、企業間の取引高について確度の高い情報が得られることがある。更新処理は確度の高い取引シェアまたは取引高が得られた場合に行われる処理である。

図１８は更新処理の手順例を示すフローチャートである。推定装置１の制御部１１は修正データを取得する（ステップＳ５１）。修正データはユーザ端末３又は企業情報ＤＢ２から送信される。制御部１１は修正データを元に、シェア（得意先毎の売上高構成比）を算出する（ステップＳ５２）。制御部１１は算出したトップシェアが、現在記憶しているトップシェアから変動しているか否かを判定する（ステップＳ５３）。制御部１１はトップシェアが変動していないと判定した場合（ステップＳ５３でＮＯ）、処理をステップＳ５５へ移す。制御部１１はトップシェアが変動していると判定した場合（ステップＳ５３でＹＥＳ）、新たに得たトップシェアを用いて、学習モデル１４１の再学習を行う（ステップＳ５４）。制御部１１は新たに得たシェアに基づき、取引構成比ＤＢ１３２を更新する（ステップＳ５５）。制御部１１は更新された取引構成比ＤＢ１３２のレコードを用いて、再フィッティングを行い（ステップＳ５６）、処理を終了する。再フィッティングとは、図８に示したステップＳ５からＳ８までの処理を示す。

図１９は取引高更新画面の例を示す説明図である。取引高更新画面は総括表１９１、発注企業欄１９２、受注企業欄１９３、銀行実績欄１９４、レポート欄１９５及び決定ボタン１９６を含む。総括表１９１は調査結果をまとめて表示する。発注企業欄１９２は商品・サービスを発注する企業、得意先企業を表示する。以下、受注企業欄１９３からレポート欄１９５に表示する内容は、総括表１９１で選択している行と連動する。受注企業欄１９３は商品・サービスを受注する企業を表示する。銀行実績欄１９４は銀行から得た受注企業への送金に関する情報を表示する。銀行実績欄１９４は金額欄１９４１及び比率欄１９４２を含む。金額欄１９４１は送金額を表示する。比率欄１９５２は送金額が推定取引額全体に占める割合を表示する。レポート欄１９５は銀行の調査レポートから得た情報を表示する。レポート欄１９５は金額欄１９５１及び比率欄１９５２を含む。金額欄１９５１は送金額を表示する。比率欄１９５２は送金額が推定取引額全体に占める割合を表示する。決定ボタン１９６は推定取引額が承認済みであることを記録する、又は推定取引額の変更を確定するボタンである。総括表１９１において、推定取引額列、銀行実績合計列、Ｚ調査レポート列の各セルにはチェックボックスが付されている。推定取引額を承認する場合、推定取引額列にチェックを付す。推定取引額を銀行実績合計に変更する場合は、銀行実績合計列にチェックを付す。推定取引額をＺ調査レポートの額に変更する場合は、Ｚ調査レポート列にチェックを付す。決定ボタン１９６を選択することにより、推定取引額が承認又は変更される。推定取引額が変更された場合、変更された推定取引額（修正値）に基づいて、上述の更新処理を制御部１１は実行する。

図１９に示す例では、ＡＢＣ工業は、タクマプレス、潮見金属、カチドキ工業等に発注を行っている。タクマプレスとの取引額は２千万円と推定されているが、銀行実績合計の２千２百万円への変更が指示されている。同様に潮見金属との取引額は５千万円と推定されているが、銀行実績合計の４千５百万円への変更が指示されている。カチドキ工業との取引額は３千万円と推定されているが、Ｚ調査レポートに記載の３千５百万円への変更が指示されている。決定ボタン１９６を選択すると、タクマプレス、潮見金属及びカチドキ工業の推定取引額が変更されるので、制御部１１は、タクマプレス、潮見金属及びカチドキ工業の３社について、更新処理を行う。

更新処理により、推定取引額の確度が高まるとともに、学習モデル１４１及び２位以下シェアを推定するフィッティング曲線の精度を向上させることが可能となる。なお、更新処理は推定取引額が変更される毎に実行するのではなく、変更された件数が一定件数に達する毎に実行してもよい。

各実施の形態で記載されている技術的特徴（構成要件）はお互いに組み合わせ可能であり、組み合わせすることにより、新しい技術的特徴を形成することができる。
今回開示された実施の形態はすべての点で例示であって、制限的なものではないと考えられるべきである。本発明の範囲は、上記した意味ではなく、特許請求の範囲によって示され、特許請求の範囲と均等の意味及び範囲内でのすべての変更が含まれることが意図される。

１００取引高推定システム
１推定装置
１１制御部
１２主記憶部
１３補助記憶部
１３１訓練データＤＢ
１３２取引構成比ＤＢ
１３３ポイントＤＢ
１３４パラメータＤＢ
１３５入力データＤＢ
１３６出力データＤＢ
１４１学習モデル
１５通信部
１６読み取り部
１Ｐ制御プログラム
２企業情報ＤＢ
３ユーザ端末
Ｎネットワーク

Claims

企業の取引量に対して取引先毎の取引量が占める割合である取引構成比の最大値を取得し、
前記取引構成比の最大値及び取引順に基づき、前記取引順に対する前記取引構成比を算出するモデル関数に、取得した前記取引構成比の最大値を代入し、前記取引順の前記取引構成比を算出し、
算出した前記取引構成比を出力する
処理をコンピュータに行わせる
ことを特徴とする取引構成比出力プログラム。
前記モデル関数は、正規分布、多項分布、幾何分布、ポアソン分布、ガンマ分布、指数分布、パレート分布、ベータ分布、ラプラス分布、若しくはレヴィ分布の指数型分布族、若しくは一般化極値分布、若しくは、これらの分布を組み合わせた混合分布、又はこれらの分布を切断した分布における確率密度関数であり、
一位企業の取引構成比、及び、二位以下企業の取引順と取引構成比とを対応付けた訓練データを記憶する訓練データベースから、前記訓練データを取得し、
取得した前記訓練データに含む前記取引構成比に基づき、説明変数に前記取引順を示す値を代入した場合に、目的変数の値が前記取引順に対応する前記取引構成比となるようにパラメータをフィッティングする
ことを特徴とする請求項１に記載の取引構成比出力プログラム。
前記取引先毎の取引高の修正値を取得し、
取得した前記修正値に基づき、前記取引構成比を更新し、
更新した前記取引構成比に基づき、前記パラメータを更新する
ことを特徴とする請求項２に記載の取引構成比出力プログラム。
前記モデル関数は一般化パレート分布における確率密度関数であり、前記パラメータは形状パラメータ及び尺度パラメータであり、
位置パラメータに前期取引構成比の最大値を設定し、前記取引構成比の最大値と前記形状パラメータとの関係をｎ次曲線（ｎは３以上の自然数）に、前記取引構成比の最大値と前記尺度パラメータとの関係を一般化パレート分布における確率密度関数に、それぞれフィッティングする
ことを特徴とする請求項２又は請求項３に記載の取引構成比出力プログラム。
前記形状パラメータ及び前記尺度パラメータが更新された場合、前記ｎ次曲線及び前記確率密度関数へのフィッティングを再度行う
ことを特徴とする請求項４に記載の取引構成比出力プログラム。
前記企業の情報を取得し、
企業の前記取引構成比の最大値を出力する学習モデルへ、取得した前記企業の情報を入力し、前記学習モデルより前記取引構成比の最大値を取得する
ことを特徴とする請求項１から請求項５の何れか一項に記載の取引構成比出力プログラム。
前記企業の情報は、主力取引先であることを示す主力フラグが立てられている取引先数を含む
ことを特徴とする請求項６に記載の取引構成比出力プログラム。
前記企業の売上高を取得し、
取得した前記企業の前記売上高及び前記取引構成比に基づき、前記取引先毎の取引高を算出し、
算出した前記取引高を出力する
ことを特徴とする請求項１から請求項７の何れか一項に記載の取引構成比出力プログラム。
前記取引先毎の売上高を取得し、
前記取引先毎の前記取引高と前記取引先毎の前記売上高とに基づいて、前記取引先毎における前記企業の依存率を算出し、
前記企業の売上高の変動情報を取得し、
取得した前記変動情報に基づいて、前記取引先毎の前記取引高の変動幅を推定し、
推定した前記変動幅と前記依存率とに基づいて、前記企業の前記売上高の変動による前記取引先毎への影響度を算出し、
算出した前記影響度を出力する
ことを特徴とする請求項８に記載の取引構成比出力プログラム。
企業の取引量に対して取引先毎の取引量が占める割合である取引構成比の最大値を取得する取得部と、
前記取引構成比の最大値及び取引順に基づき、前記取引順に対する前記取引構成比を算出するモデル関数に、取得した前記取引構成比の最大値を代入し、前記取引順の前記取引構成比を算出する算出部と
算出した前記取引構成比を出力する出力部と
を備えることを特徴とする取引構成比出力装置。
コンピュータが、
企業の取引量に対して取引先毎の取引量が占める割合である取引構成比の最大値を取得し、
前記取引構成比の最大値及び取引順に基づき、前記取引順に対する前記取引構成比を算出するモデル関数に、取得した前記取引構成比の最大値を代入し、前記取引順の前記取引構成比を算出し、
算出した前記取引構成比を出力する
ことを特徴とする取引構成比出力方法。
企業の取引量に対して取引先毎の取引量が占める割合である取引構成比を取得し、
一般化パレート分布における確率密度関数において、位置パラメータに前記取引構成比の最大値を設定し、説明変数に前記取引構成比の順位を示す取引順を代入した場合に、目的変数の値が前記取引順に対応する前記取引構成比となるように形状パラメータ及び尺度パラメータをフィッティングし、
フィッティングして得た前記形状パラメータ及び前記尺度パラメータを前記取引構成比の最大値と対応付けて出力する
処理をコンピュータに行わせる
ことを特徴とするフィッティングプログラム。