JP7462253B1 - 審査業務支援装置、審査業務支援方法及び審査業務支援プログラム - Google Patents

Abstract

【課題】財務状況の悪化が疑われる顧客企業を検知し、金融機関における融資業務を支援する審査業務支援装置、方法及びプログラムを提供する。【解決手段】審査業務支援システムにおいて、審査業務支援サーバは、過去の粉飾先企業及び非粉飾先企業における流動性取引明細の取引データや、顧客企業における流動性取引明細の取引データを取得する取引データ取得部と、粉飾先企業及び非粉飾先企業夫々の取引データに基づく指標データや、顧客企業の取引データに基づく特徴指標の指標データを算出する指標データ算出部と、粉飾先企業の指標データと、非粉飾先企業の指標データとのデータ差異に基づいて、粉飾先企業のデータ特徴が表われた特徴指標を特定する特徴指標特定部と、顧客企業における特徴指標の指標データと、粉飾先企業における特徴指標の指標データと関連を判定する関連判定部と、関連すると判定された顧客企業を出力する出力部と、を有する。【選択図】図３

Description

本発明は、審査業務支援装置、審査業務支援方法及び審査業務支援プログラムに関する。

企業会計において粉飾とは、例えば一つに銀行融資判断を有利に進めるため、会社の財政状態や経営成績を実際よりよく見せるために、もしくは過小に見せるために、決算書等の数字を操作して、会社の決算上の利益の計算を故意にゆがめることをいう。

これに関する技術として、例えば特許文献１には、予め粉飾が判明している決算書のデータの特徴を予め見つけておき、このデータの特徴を診断対象の決算書の財務データが有しているか否かをＰＣで自動判定する財務分析支援システムが記載されている。

また例えば特許文献２には、複数の企業の財務データを比較することで、粉飾決算等の結果として得られるデータを異常値として把握することができるようにするためデータ分析装置を提供するデータ分析装置が記載されている。

例えば特許文献３には、不正な金融取引（資金洗浄）を検知する不正金融取引検知プログラムにおいて、新たに不正取引を検知する新規検知対象者の銀行口座における取引履歴に関する差異パターン情報を取得する情報取得ステップと、予め取得した過去の検知対象者の銀行口座における取引履歴に関する参照用差異パターン情報と、当該過去の検知対象者の不正取引の可能性との３段階以上の連関度を参照し、上記情報取得ステップにおいて取得した差異パターン情報に基づき、上記新規検知対象者の不正取引の可能性を判定する判定ステップとをコンピュータに実行させることが記載されている。

特開２００２－３１２５８０号公報 特開２００６－２５２２５９号公報 特開２０２１－１４４３５６号公報

しかしながら、上記特許文献１、２に記載される発明において用いられるデータは、事業年度ごとの年次決算書の財務データであるため、粉飾発見のタイムリー性に欠けるという問題がある。また、現在の会計システムには、会社側が都合よく利益を計上する余地があるともいわれており、粉飾決算の手口をめぐり、決算書で分かることは限られるとの指摘もある。

一方、上記特許文献３に記載される発明において用いられるデータは、銀行口座における取引履歴であるため、年次決算書の財務データに比べれば、粉飾発見のタイムリー性に優れている。しかしながら、特許文献３に記載される発明は、あくまで企業粉飾ではなく、資金洗浄を検知する点で目的を異にするものである。また、上記特許文献３に記載される発明において、予め取得した過去の検知対象者の銀行口座における取引履歴に関する参照用差異パターン情報とは２以上のターム間の取引履歴の差異の抽出したものであるが、２以上のターム間に必ずしも不正取引が含まれているとは限らないため、この場合、参照用差異パターン情報を参照しても、不正な金融取引（資金洗浄）を検知することは難しい。

昨今、金融機関における例えば融資審査部門担当者は、粉飾会計のみならず、財務状態悪化に伴う信用格付け（格下げ）など、その審査業務はますます高度化しつつも効率的な審査業務が求められている。本発明は、上記の点に鑑み提案されたものであり、一つの側面において、財務状況の悪化が疑われる顧客企業を検知し、金融機関における融資業務を支援することを目的とする。

上記の課題を解決するため、本発明に係る審査業務支援装置は、金融機関における審査業務支援装置であって、顧客企業と同じ業種に属する同業他社企業における第１の財務データを取得する取得手段と、前記業種に関係する第１の第三者データを取得する取得手段と、前記第１の財務データと前記第１の第三者データとの関係性を示す第１の特徴量を算出する算出手段と、前記第１の特徴量に基づいて、前記同業他社企業の財務データと第三者データとの関係性特徴が表われた特徴財務データ及び特徴第三者データを対応付けて特定する特定手段と、前記特徴財務データと特定された前記顧客企業における第２の財務データを取得する取得手段と、前記特徴第三者データと特定された第２の第三者データを取得する取得手段と、前記第２の財務データと前記第２の第三者データとの関係性を示す第２の特徴量を算出する算出手段と、前記顧客企業に係る前記第２の特徴量と、前記同業他社企業に係る前記第１の特徴量との関連度を判定する関連判定手段と、前記関連判定手段により前記関連度が低いと判定された前記顧客企業を出力する出力手段と、を有する。

本発明の実施の形態によれば、一つの側面において、財務状況の悪化が疑われる顧客企業を検知し、金融機関における融資業務を支援することができる。

本実施形態に係る審査業務支援システムの構成例を示す図である。 本実施形態に係る審査業務支援サーバのハードウェア構成例を示す図である。 本実施形態に係る審査業務支援サーバのソフトウェア構成例を示す図である。 本実施形態に係る金融機関システム１０の有する顧客情報の一例を示す。 本実施形態に係る金融機関システム１０の有する口座情報及び取引明細情報の一例を示す。 本実施形態に係る粉飾可能性先の検知処理全体を示す図である。 本実施形態に係る特徴指標の算出を示す図である。 本実施形態に係る審査業務支援サーバ２０の粉飾可能性先の特徴指標特定処理を示す図である。 本実施形態に係る審査業務支援サーバ２０の粉飾可能性先の検知処理を示す図である。 本実施形態に係る取引周期性・取引突発性に関する指標データ比較を説明する図である。 本実施形態に係る取引データに基づく指標間の相関行列を示す図である。 本実施形態に係る非粉飾先企業と粉飾先企業における相関行列の差分を示す図である。 本実施形態に係る顧客企業の検知リストの一例を示す図である。 本実施形態に係る顧客企業の検知リストの一例を示す図である。 本実施形態に係る審査業務支援サーバのソフトウェア構成例を示す図である。 本実施形態に係る信用格下げ可能性先の検知処理全体を示す図である。 本実施形態に係る審査業務支援サーバ２０－２の信用格下げ可能性先の特徴指標特定処理を示す図である。 本実施形態に係る審査業務支援サーバ２０－２の信用格下げ先の検知処理を示す図である。 本実施形態に係る審査業務支援サーバのソフトウェア構成例を示す図である。 本実施形態に係る審査業務支援サーバ２０－３の特徴財務データ及び特徴第三者データ特定処理を示す図である。 本実施形態に係る財務データ申告値異常の検知処理を示す図である。 本実施形態に係る原材料相場データ申告値の異常検知例を示す図である。

本発明の実施の形態について、図面を参照しつつ詳細に説明する。
[実施形態１]
＜システム構成＞
図１は、本実施形態に係る審査業務支援システムの構成例を示す図である。図１の審査業務支援システム１００は、金融機関システム１０、審査業務支援サーバ２０、加工ＤＢ３０、及び端末４０を含み、ネットワーク７０を介して接続されている。

金融機関システム１０は、銀行等の金融機関が保有する各種システム及びＤＢ（データベース）ある。金融機関システム１０は、例えば、普通預金や定期預金などの各種預金を管理する基幹システム、金融商品の販売実績を管理する販売管理システム、顧客毎の資産運用ニーズに応じた金融商品を管理し提案するためのフロントコンプライアンスシステム、交渉履歴を管理する履歴システム（ＣＲＭ）、及び各システムに伴う各ＤＢを有する。また本実施形態に係る各ＤＢは、例えば金融機関における顧客企業の顧客マスタ、取引データ、及び財務データのＤＢを含む。なお財務データは、顧客企業の事業年度ごとの決算書（貸借対照表、損益計算書、キャッシュフロー計算書等）のみならず、１年の損益の途中経過を表した期中における試算表データなど、当該顧客企業財務に関するデータを含む。

審査業務支援サーバ（以下単に支援サーバという）２０は、加工ＤＢ３０の加工データに基づいて、金融機関に口座を保有する顧客企業のうち、財務データの粉飾可能性が疑われる顧客企業を検知するサーバ装置である。また支援サーバ２０は、金融機関の担当者（例えば融資審査部門の担当者）の端末４０に、財務データの粉飾の予兆・可能性を示す値（関連度・スコア）に基づく検知リストを作成（生成）し表示する。なお、本実施形態に係る粉飾とは、事業年度ごとの決算書による粉飾決算に限られず、財務データの粉飾全般（即ち粉飾会計）を含む。

加工ＤＢ３０は、金融機関により運用中の金融機関システム１０の各ＤＢから生データ（加工前のためこのように呼ぶ）を逐次取得し、支援サーバ２０が計算処理可能な形式に、取得した生データを加工した加工データを蓄積したＤＢである。機械学習手法においては、テキスト、時系列データといった生の入力データはそのまま扱えないことが多いため、このような非構造データについては変換処理をかけてベクトルに変換する。なお、生データと加工データとは形式の違いはあれデータの持つ内容・意味自体は同じである。

端末４０は、例えばＰＣ（パーソナル・コンピュータ）、スマートフォン、タブレット端末などであって、例えば融資審査部門の担当者が使用するユーザ端末である。担当者は端末４０を用いて支援サーバ２０にアクセスし検知リストを取得・表示する。上述したように検知リストは、金融機関に口座を保有する顧客企業のうち、粉飾決算の予兆・可能性が予測さる顧客企業を順にリスト化したものである。担当者は、検知リスト上の顧客に優先度順に従って確認することで、限られた時間の中でも効率的に粉飾決算の予兆・可能性の有無をチェックできる。また担当者は、例えば融資審査を行う特定の顧客企業を検索することで、当該企業粉飾決算の予兆・可能性の有無をチェックできる。端末４０には、支援サーバ２０から検知リストを取得し表示するための所定のアプリケーション・プログラム又は汎用ウェブブラウザ等が予めインストールされる。

ネットワーク７０は、有線、無線を含む通信ネットワークである。ネットワーク７０は、例えば、インターネット、公衆回線網、ＷｉＦｉ（登録商標）などを含む。

＜ハードウェア構成＞
図２は、本実施形態に係る審査業務支援サーバのハードウェア構成例を示す図である。図２に示されるように、審査業務支援サーバ２０は、ＣＰＵ（Central Processing Unit）２１、ＲＯＭ（Read Only Memory）２２、ＲＡＭ（Random Access Memory）２３、ＨＤＤ（Hard Disk Drive）２４、及び通信装置２５を有する。

ＣＰＵ２１は、各種プログラムの実行や演算処理を行う。ＲＯＭ２２は、起動時に必要なプログラムなどが記憶されている。ＲＡＭ２３は、ＣＰＵ２１での処理を一時的に記憶したり、データを記憶したりする作業エリアである。ＨＤＤ２４は、ＲＡＩＤ（Redundant Array of Independent Disk）を含み、各種データ及びプログラムを格納する。通信装置２５は、ネットワーク７０を介して他装置との通信を行う。

＜ソフトウェア構成＞
図３は、本実施形態に係る審査業務支援サーバのソフトウェア構成例を示す図である。審査業務支援サーバ２０は、主な機能部として、取引データ取得部２０１、指標データ算出部２０２、特徴指標特定部２０３、関連判定部２０４、出力部２０５、及び記憶部２０６を有する。

取引データ取得部２０１は、過去の粉飾先企業及び非粉飾先企業における流動性取引明細の取引データを取得する機能を有している。また取引データ取得部２０１は、顧客企業における流動性取引明細の取引データを取得する機能を有している。

指標データ算出部２０２は、粉飾先企業及び非粉飾先企業それぞれの取引データに基づく指標データを算出する機能を有している。また指標データ算出部２０２は、顧客企業の取引データに基づく特徴指標の指標データを算出する機能を有している。

特徴指標特定部２０３は、粉飾先企業の指標データと、非粉飾先企業の指標データとのデータ差異に基づいて、粉飾先企業のデータ特徴が表われた特徴指標を特定する機能を有している。

関連判定部２０４は、顧客企業における特徴指標の指標データと、粉飾先企業における特徴指標の指標データと関連を判定する機能を有している。

出力部２０５は、関連判定部２０４により関連すると判定された顧客企業を出力する機能を有している。

記憶部２０６は、特徴指標特定部２０３により特定された粉飾先企業の特徴指標の情報などを、ＨＤＤ２４に保存する機能を有している。

なお、各機能部は、支援サーバ２０を構成するコンピュータのＣＰＵ、ＲＯＭ、ＲＡＭ等のハードウェア資源上で実行されるコンピュータプログラムによって実現されるものである。これらの機能部は、「手段」、「モジュール」、「ユニット」、又は「回路」に読替えてもよい。また、各ＤＢは、支援サーバ２０のＨＤＤ２４やネットワーク７０上の外部記憶装置に配置してもよい。また、支援サーバ２０の各機能部は単一のサーバ装置のみにより実現されるのみならず、機能分散させて複数の装置からなるシステムとして実現してもよい。

（各ＤＢのデータ例）
金融機関システム１０のＤＢにおけるデータ項目の一例を示す。但し言うまでもなく、図４に示されるデータ項目はあくまで一例であり、その他のデータ項目があってもよい。

図４Ａは、本実施形態に係る金融機関システム１０の有する顧客情報の一例を示す。顧客毎の顧客属性情報であり、口座開設時等に主に顧客からの申請に基づいて登録される。顧客の種類によって個人顧客用、法人顧客用があるが、本実施形態においては特に法人顧客を例として取り扱うものとするが、個人事業主等の個人顧客であってもよい。

図４Ｂは、本実施形態に係る金融機関システム１０の有する口座情報及び取引明細情報の一例を示す。例えば普通預金口座、当座預金口座、定期預金口座及び外貨預金口座など顧客毎に保有する各口座情報、クレジットカード情報、及び、為替取引を含むそれら取引明細情報（流動性取引明細情報）、過去に行われた融資情報である。最新は言うまでもなく過去の全取引明細が記録される。

ここで、例えば顧客情報は静的で変化しにくい情報である一方、取引データのうち、例えば各預金口座の取引明細やクレジットカード利用明細といった流動性取引明細情報は、比較的動的で変化しやすい情報であり、これを「トランザクションデータ」という。一般にトランザクションデータとは、企業の情報システムなどが扱うデータの種類の一つで、業務に伴って発生した出来事の詳細を記録したデータのことをいう。

本実施形態に係るトランザクションデータは、金融機関において特に流動性取引明細情報のように、顧客企業の金融サービスの利用に伴い発生した出来事の詳細を記録したデータをいう。トランザクションデータは、顧客情報のように登録時からそれほど頻繁には情報の変化がない情報と比べて、比較的に日々の情報変化（更新頻度）が多いデータである。但し、更新頻度は個々の顧客単位でみれば、当該顧客の金融サービスの利用頻度に依存する面もあることから、具体的な更新頻度の多寡は問わない。

支援サーバ２０は、金融機関により運用中の金融機関システム１０のＤＢから逐次の生データを取得し、支援サーバ２０が計算処理可能な形式に取得した生データを加工・変換した加工データを加工ＤＢ３０に更新する。更新のサイクルは、運用に応じて、例えば１秒毎、数秒～数十秒毎、１分毎、数分～数十分毎、１時間毎、数時間毎、１日毎、所定日毎など任意に設定することが可能であるが、更新間隔は短いほどよく、金融機関システム１０のＤＢ上の生データの更新とともにリアルタイムに更新されると望ましい。これにより、加工ＤＢ３０には、生データと加工データとは形式の違いはあるものの、上記更新間隔毎に金融機関システム１０のＤＢと同等のデータを更新する。

＜粉飾可能性先の検知処理＞
図５は、本実施形態に係る粉飾可能性先の検知処理全体を示す図である。図６は、本実施形態に係る特徴指標の算出を示す図である。図７は、本実施形態に係る審査業務支援サーバ２０の粉飾可能性先の特徴指標特定処理を示す図である。

Ｓ１：支援サーバ２０は、加工ＤＢ３０（元は取引データＤＢ）から学習データ（ビックデータ）として、金融機関における過去の粉飾先企業及び非粉飾先企業の取引データを取得する。本実施形態に係る取引データは、金融機関において日々の情報変化（更新頻度）が多い取引項目のトランザクションデータであって、例えば普通預金口座や当座預金口座などの流動性取引明細情報から取得可能な各々の取引項目データである。

Ｓ２：支援サーバ２０は、粉飾先企業及び非粉飾先企業の取引データに基づいて、所定の指標の特徴を示す特徴量（指標特徴量）を算出する。例えば、粉飾先企業の取引データに基づいて、指標Ａ、Ｂ、Ｃ・・の特徴量を算出するとともに、非粉飾先企業の取引データに基づいて、同じ指標Ａ、Ｂ、Ｃ・・の特徴量を算出する。

例えば預金口座における取引項目データに基づく指標データの一例として、入金金額を集計した入金総額、出金金額を集計した出金総額、振込金額を集計した振込総額、入金回数を集計した入金件数、出金回数を集計した出金件数、振込回数を集計した振込件数などがある。

Ｓ３：支援サーバ２０は、粉飾先企業及び非粉飾先企業間において、指標特徴量の差異の大きい指標（以下、特徴指標と呼ぶ）を特定する。粉飾先企業及び非粉飾先企業間において差異の大きい特徴指標は、取引データ分析によりデータ的に表れた粉飾先企業に際立って見られる指標であって、粉飾先企業の持つ特徴となる指標である。また特徴指標は一つに限られず複数特定されてよい。特定された粉飾先企業の特徴指標の情報（例えばその指標名及び指数特徴量（値）を含む）は、ＨＤＤ２４に保存される。

なお、どの程度をもって差異の大きいかの判定方法は各指標によるが、一定の基準値（所定値）から両企業間の指数特徴量に差異（乖離）がある場合に、当該指標を差異の大きい特徴指標と特定することができる。また例えば非粉飾先企業における指標特徴量範囲群に、粉飾先企業における指標特徴量範囲群が一定の割合以上属さない場合に、当該指標を差異の大きい特徴指標と特定することができる。

図８は、本実施形態に係る審査業務支援サーバ２０の粉飾可能性先の検知処理を示す図である。
Ｓ２１：支援サーバ２０は、加工ＤＢ３０（元は取引データＤＢ）から、モニタリング対象とする顧客企業の取引データ（トランザクションデータ）を取得する。本実施形態に係る取引データは、例えば顧客企業の流動性取引明細情報から取得可能な各々の取引項目データである。

Ｓ２２：支援サーバ２０は、当該顧客企業の取引データに基づいて、Ｓ３で特定した当該顧客企業における特徴指標の特徴量を算出する。特徴指標が複数の場合、支援サーバ２０は、取引データに基づいて、Ｓ３で特定した複数全ての特徴指標の特徴量を算出する。特徴指標の具体例は後述する。

Ｓ２３：支援サーバ２０は、当該顧客企業における取引データの特徴指標の特徴量と、粉飾先企業における取引データの特徴指標の特徴量とに基づいて、当該顧客企業の粉飾可能性を示すスコアを算出する。当該顧客企業の特徴指標の特徴量が、粉飾先企業の特徴指標の特徴量と関連度（距離）が高い（近い）ほど、高いスコアが算出される。

Ｓ２４：支援サーバ２０は、スコアの高い順に顧客企業を並べて端末４０に出力する。担当者は端末４０を用いて出力結果を閲覧し、粉飾可能性の疑いが考えられる所定スコア以上の顧客企業や所定順位以上の顧客企業を優先して、より詳しく取引データや財務データ等を参照するなどして粉飾有無を確認することができる。

なお、粉飾可能性先の検知処理（Ｓ２１～Ｓ２４）は、端末４０から後述する検知リストの取得要求を受信したタイミングで実行してもよいし、金融機関システム１０のＤＢ上の取引データの更新とともに加工ＤＢ２０が更新されるたびに実行してもよいし、もしくは例えば１日毎など定期的に実行してもよい。

＜取引データ差の分析・評価＞
本出願人は、非粉飾先企業と粉飾先企業間における取引データの特徴指標をデータ的に見出すため、金融機関の有する顧客企業の流動性取引明細情報（取引データ）から、非粉飾先企業と、過去の粉飾先企業との間における取引データ差の分析・評価を行った。

（特徴指標例１）
従来の定性面分析では、粉飾先企業の評価結果として、資金管理計画性の欠如が主な要因の一つとして挙げられる。より具体的に、過去に粉飾を行った企業は、計数管理に弱い、財務管理に弱い、頻繁な資金融通、計画履行能力が欠如しているなど、資金管理計画性の欠如がその要因としての一つとなっている。本実施形態においては、このような資金管理計画性の欠如評価に相当する考え方を定量面分析する手法として、非粉飾先企業と粉飾先企業との間における取引データのトランザクションを時系列解析することで、顧客企業の取引周期性・取引突発性に関する指標データを計算し、相互に比較評価した。

図９は、本実施形態に係る取引周期性・取引突発性に関する指標データ比較を説明する図である。具体的に図９に示す表は、預金取引明細における「摘要」に記載された取引項目に基づいて、取引面関係に関する指標（例えば送金金額、送金回数、クレジット支払い金額、クレジット支払い回数、預金振替金額、預金振替回数等）を集計し、横軸には時系列に時間を取って、縦軸に指標（指標Ａ、Ｂ、Ｃ・・）の分散値を示したものである。各指標は分散値が大きいほど、過去の取引と比較して、ばらつきがある、激しく変化していることを意味している。

図９に示されるように非粉飾先企業と粉飾先企業とを比較すると、全体傾向として非粉飾先企業は、各指標のばらつきが小さくなっているのに対して、粉飾先企業は各指標のばらつきが大きくなっている。つまり、非粉飾先企業は取引に周期性があり取引を計画的にコントロールできているのに対して、粉飾先企業は取引に突発性がありイレギュラーな取引が多く取引を計画的にコントロールできていないということができる。具体的には特に非粉飾先企業及び粉飾先企業間において指標Ａ、Ｂ、Ｄが分散値の差異の大きく、即ち指標Ａ、Ｂ、Ｄは特徴指標といえる。

このように、特徴指標Ａ、Ｂ、Ｄは、粉飾先企業及び非粉飾先企業間において取引データ分析によりデータ的に表れた粉飾先企業に見られた指標であって、粉飾先企業にみられる特徴ともいうべき指標である。従って、モニタリング対象とする顧客企業における取引データのうち、例えば特徴指標Ａ、Ｂ、Ｄを算出し、算出した特徴指標Ａ、Ｂ、Ｄについて、過去の粉飾先企業の特徴指標Ａ、Ｂ、Ｄとの関連度を算出することで、当該顧客企業においても粉飾先企業に見られる資金管理計画性の欠如が見られるかどうか、ひいては粉飾可能性を測ることができる。

Ｓ２２においては、支援サーバ２０は、モニタリング対象とする顧客企業の取引データに基づいて、Ｓ３で特定した特徴指標としての、取引周期性・取引突発性に関する指標データ（例えば特徴指標Ａ、Ｂ、Ｄ）を算出する。Ｓ２３において、支援サーバ２０は、当該顧客企業における取引周期性・取引突発性に関する指標データと、粉飾先企業における取引周期性・取引突発性に関する指標データとに基づいて、当該指標データの分散値（指数特徴量）を比較し、当該顧客企業の粉飾可能性を示すスコアを算出する。当該特徴指標Ａ、Ｂ、Ｄの場合、顧客企業が過去の粉飾先企業と同様に顧客企業における特徴指標の分散値が高いほど（例えば指標のばらつきが大きいほど）、当該顧客企業が粉飾先企業との関連度が高いことを示す高スコアが算出される。

（特徴指標例２）
通常、所定の取引項目の間には互いに関係性があるものがある。例えば、普通口座の入金件数が増加すれば当然に入金総額が増加するため相互に高い相関関係にある。一方、普通口座の入金件数と、出金件数、出金振込件数もしくは出金振込金額などとの相関関係は、直感的には高いとも低いとも言い難い。具体的には、普通口座の入金件数と出金件数、普通口座の入金件数と出金振込件数、普通口座の入金件数と出金振込金額の相関値をそれぞれ計算することで、相関関係の高低が明らかになる。

つまり、取引項目間（取引項目に基づいた指標間）には、非粉飾先企業基準でみれば一定妥当な相関関係を有しているところ、粉飾先企業の場合にこの取引項目間の相関関係に所々ゆがみが生じうる。分かりやすくは粉飾先企業の場合、例えば普通口座の入金件数が増えているのに、入金金額がそれほど増えておらず、当該指標間に本来の高い相関関係が見られない（当該指標間に異常な関係性が見られる）といった場合である。

図１０は、本実施形態に係る取引データに基づく指標間の相関行列を示す図である。具体的に図１０に示す表は、預金取引明細における「摘要」に記載された取引項目に基づいて、各指標（例えば入金件数、入金振込件数、入金振込金額、入金総額、出金件数、出金振込件数、出金振込金額、出金総額等）を集計し、集計した各指標間（指標ａ、ｂ、ｃ・・）の相関値（－１．０～１．０）を示したものである。相関値が大きいほど、両指標の間に相関性が高いことを意味している。逆に相関値が小さいほど、両指標の間に相関性が小さいか、相関値がマイナスの場合には負の相関が高いことを意味している。

図１１は、本実施形態に係る非粉飾先企業と粉飾先企業における相関行列の差分を示す図である。差分値の絶対値が大きい指標は、粉飾先企業及び非粉飾先企業間において取引データ分析によりデータ的に表れた粉飾先企業に見られた指標であって、粉飾先企業の特徴ともいうべき指標である。
従って、モニタリング対象とする顧客企業における取引データのうち、例えば特徴指標（ｘ１，ｙ１）・・を算出し、算出した特徴指標（ｘ１，ｙ１）・・について、過去の粉飾先企業の特徴指標（ｘ１，ｙ１）・・との関連度を算出することで、当該顧客企業においても取引項目間に非粉飾企業には見られないゆがみが生じていないかどうか、ひいては粉飾可能性を測ることができる。

Ｓ２２においては、支援サーバ２０は、モニタリング対象とする顧客企業の取引データに基づいて、Ｓ３で特定した特徴指標としての、取引データの関係性に関する指標データ（例えば特徴指標（ｘ１，ｙ１）・・）を算出する。Ｓ２３において、支援サーバ２０は、当該顧客企業における取引データの関係性に関する指標データと、粉飾先企業における取引データの関係性に関する指標データとに基づいて、当該指標データの相関値（指数特徴量）を比較し、当該顧客企業の粉飾可能性を示すスコアを算出する。当該特徴指標（ｘ１，ｙ１）・・の場合、顧客企業が過去の粉飾先企業と同様に指標間における相関差分値の絶対値が大きいほど（一定妥当な程度の相関関係を有していないほど）、当該顧客企業が粉飾先企業との関連度が高いことを示す高スコアが算出される。

なお、取引周期性・取引突発性に関する指標データや取引データの関係性に関する指標データは、あくまで特徴指標の一例である。支援サーバ２０は、Ｓ１～３の処理により、人が容易に見つけられないものも含め、取引データ分析によりデータ的に表れた粉飾先企業に見られる特徴指標を特定する。即ち支援サーバ２０は、いわゆるＡＩ（例えばディープラーニング）により非粉飾先企業と粉飾先企業との取引データ（ビックデータ）から、非粉飾先企業と粉飾先企業間で差が大きい取引データ指標の特徴量を分析・評価そして支援サーバが自律的に発見し、発見したその取引データ指標の示す特徴に着目し、モニタリング対象とする顧客企業との関連度に基づくスコアを算出することができる。

また便宜上、特徴指標に基づいて粉飾可能性を測りうることを説明するため、予め取引周期性・取引突発性に関する指標データや取引データの関係性に関する指標データが特徴指標であることが既知であることを前提として説明を行った。しかしながら実際には支援サーバ２０の実行するＳ１～３の処理により、データ的に表れた粉飾先企業に見られる特徴指標として特定されるものである。

（指標例）
以下、普通預金口座及び当座預金口座の流動性取引明細情報に基づいて集計される指標例を示す。各指標は、一以上の取引データを集計・算出されてなる指標データである。顧客企業において、各取引データ（トランザクションデータ）は企業毎の口座利用に伴い変化し、指標データもまた変化する。

・入金系
普通＿入金件数、普通＿入金金額、普通＿入金＿振込件数、普通＿入金＿振込金額、当座＿入金件数、当座＿入金金額、当座＿入金＿振込件数、当座＿入金＿振込金額
・出金系
普通＿出金件数、普通＿出金金額、普通＿出金＿振込件数、普通＿出金＿振込金額、普通＿出金＿資金移動件数、普通＿出金＿資金移動金額、当座＿出金件数、当座＿出金金額
当座＿出金＿振込件数、当座＿出金＿振込金額、当座＿出金＿資金移動件数、当座＿出金＿資金移動金額
＜顧客企業のスコアリング出力＞
図１２は、本実施形態に係る顧客企業の検知リストの一例を示す図である。例えば融資審査部門の担当者は端末４０を用いて支援サーバ２０にアクセスし、画面上に検知リスト５００を取得・表示する。また担当者は、必要に応じて決算月や業種の絞り込み条件５０１を選択入力することで、検知リストにおける顧客企業の絞り込み検索を行うことも可能である。

図１２に示される検知リスト５００は、金融機関に口座を保有する顧客企業を対象に、「２０２３年３月」に決算月を目前に迎える顧客企業の中から、粉飾決算の予兆・可能性が予測さる顧客企業をスコアに基づく優先度順にリスト化されたものである。顧客企業の検知リスト５００は、例えば優先度５００ａ、店番号、顧客番号、法人名称、業種、スコア５００ｂ、融資残高、預金残高、当行比率などの項目を有する。

優先度５００ａは、担当者が当該顧客企業の財務状況（財務データ）を確認すべき優先順序を示す。スコア５００ｂは、Ｓ２３で算出された当該顧客企業の粉飾可能性を示すスコアである。当該顧客企業の特徴指標の特徴量が、粉飾先企業の特徴指標の特徴量と関連度（距離）が高い（近い）ほど、高いスコアが算出される。担当者は顧客企業毎に粉飾可能性の程度を具体的な数値により把握することができる。

図１３は、本実施形態に係る顧客企業の検知リストの一例を示す図である。担当者は、検知リスト５００上から一の顧客企業を選択することで、当該顧客企業において検知された財務状況情報５０３を表示することが可能である。

特に図１３に示す財務状況情報５０３は、指標特徴に関する情報５０３ａを含んでいる。例えば当該顧客企業においては、「異常な取引」が検知されており、異常な取引である程度段階を示す「Ｃ」と、アラートメッセージとして「比較指標（特徴指標）「普通＿出金＿資金移動件数」：過去の粉飾先企業との特徴が近いため、注意が必要です。」（取引周期性・取引突発性に関する指標データが過去の粉飾先企業の示す特徴と近い旨）とが表示されている。また例えば、異常な取引である程度段階を示す「Ｄ」と、アラートメッセージとして「比較指標（特徴指標）「普通口座の入金件数と出金件数」：過去の粉飾先企業との特徴が近いため、注意が必要です。」（取引データの関係性に関する指標データが過去の粉飾先企業の示す特徴と近い旨）とが表示されている。そして「総合評価」として粉飾可能性の程度段階を示す「Ｃ」が表示されている。

このように本実施形態に係る顧客企業の検知リストによれば、担当者は、検知リスト上の顧客に優先度順に従って確認することで、限られた時間の中でも効率的に粉飾決算の予兆・可能性の有無をチェックできる。また担当者は、例えば融資審査を行う特定の顧客企業を検索することで、当該企業粉飾決算の予兆・可能性の有無をチェックできる。

以上、本実施形態に係る取引データは、金融機関における顧客企業の預金口座における取引データを用いて、企業モニタリングを行い、粉飾可能性を測るためのスコアを算出する。取引データは、顧客企業によるデータの改ざんができない、データ獲得・更新頻度が高い、データ情報量が多い、といった点により、金融機関における融資審査部門の担当者は、決算期よりも前にリスク（粉飾可能性等）のある顧客企業をタイムリーに、取引実態に即して検知することが可能となる。

なお、年次の決算書は、従来からの財務分析の観点から定量評価が容易であるが、データの改ざん・虚偽報告が可能、データ獲得・更新頻度が低いため、粉飾可能性のある顧客企業をタイムリーに検知することが困難である。

また、担当者は、膨大な規模の顧客企業の中から、審査対象を一定のスコアリングリスク水準を上回る顧客先のみに注視することが可能である。これにより、例えばリスクが高い顧客から優先的に審査しリスクの存在に迅速に気が付くことができるなど、効率的な審査業務・企業モニタリングを遂行することができる。

（補足）
これまで説明してきたように、顧客企業において、当該顧客企業における取引データの特徴指標の特徴量が、粉飾先企業における取引データの特徴指標の特徴量と関連度が高いと判定された場合、粉飾可能性が疑われるものとして、当該顧客企業に対して一定基準より高いスコアが算出される（Ｓ２３）。

しかしながら、その後に再度スコアが算出された際、前回のような高いスコアが算出されない場合がある。このようにスコアが低下した顧客企業は、粉飾可能性が低下した、スコアによっては粉飾可能性がもはや払しょくされたということができる。支援サーバ２０は、毎算出されたスコア履歴を保持しておき、過去のスコアと比較して、大きく前回よりも（例えば一定の基準値よりも）、今回のスコアが低下した場合、担当者の端末４０上、明示的にこれを表示することができる。また高いスコアが算出された顧客企業について、監視対象企業としてフラグを立てるようにするものとすると、過去のスコアから大きく今回のスコアが低下した場合、当該顧客企業を管理対象企業から自動的に除外するようにしてもよい。

さらに、過去のスコアから大きく今回のスコアが低下した当該顧客企業において、支援サーバ２０は、当該顧客企業における取引データの特徴指標の特徴量が、「非粉飾先企業」における取引データの特徴指標の特徴量と関連度を判定するようにしてもよい。ホワイト判定である。関連度が高いと判定された場合（高いスコアが算出された場合）、当該顧客企業は、粉飾先企業にみられる特徴指標について粉飾先企業のような指標特徴が見られないとともに、さらには非粉飾先企業のような特徴指標が見られることが確認される。これにより、当該顧客企業は、より一層の確度をもって粉飾可能性が低下した、スコアによっては粉飾可能性がもはや払しょくされたということができる。

[実施形態２]
本実施形態においては、金融機関における信用格付け審査に本発明を適用する。信用格付け（与信格付けともいう）とは、銀行等が融資を行うか否か判断する際の基準である。例えば銀行は企業から融資の申し込みがあった場合に、その企業に融資を行うか否か、融資を行う場合に金利はどう設定するかなどを判断する必要があり、その判断基準となっているのが、その企業に対する格付けである。信用格付けは、企業の支払い能力や財務状況などを総合的に分析し、主には決算書の分析結果に基づく評価（定量的評価）、経営者の姿勢や経営方針に関する評価（定性的評価）の２種類の評価で決められる。

しかしながら、決算書の分析結果に基づく評価（定量的評価）においては、粉飾決算等の改ざん・虚偽報告がある場合、適切な格付け評価は困難であり、また決算データ獲得・更新頻度が低い（事業年度ごと）ため、企業をタイムリーに格付け評価を行うことは困難である。そこで、本実施形態２に係る審査業務支援システム１００－２（審査業務支援サーバ２０－２）においては、例えば融資審査部門の担当者による信用格付け審査を支援するものである。

ここで、信用格付けの基準は格付けを行う銀行や企業によって異なるが、アルファベットや数字などの信用度に応じた段階的なランクで表記されることが一般的である。本実施形態においては、説明の便宜上、一例としてＡ～Ｅの６つの格付けランクがあるものとする。但し実際には会社の信用性をより細分化し、１０個前後の格付けランクに区分されているケースが多い。
Ａ：（正常先）財務内容が良好で、支払い能力が高い
Ｂ：（要注意先）業績が低調ないしは不安定な先または財務内容に問題がある先等、今後の管理に注意を要する
Ｃ:(破綻懸念先)現在、経営破綻の状況にはないが、将来的に支払い能力が低くなる可能性が高い
Ｄ：(実質破綻先)現時点で支払い能力に問題がある
Ｅ：（破綻先）すでに債務が不履行に陥っている
なお、本実施形態においては、信用格付けがＡの企業を信用格付け正常先企業（以下単に正常先企業ともいう）、信用格付けがＡ以外の企業を信用格付け非正常先企業（以下単に非正常先企業ともいう）という。

＜ソフトウェア構成＞
図１４は、本実施形態に係る審査業務支援サーバのソフトウェア構成例を示す図である。審査業務支援サーバ２０－２は、主な機能部として、取引データ取得部２０１－２、指標データ算出部２０２－２、特徴指標特定部２０３－２、関連判定部２０４－２、出力部２０５－２、及び記憶部２０６－２を有する。

取引データ取得部２０１－２は、過去の信用格付けの非正常先企業及び正常先企業における流動性取引明細の取引データを取得する機能を有している。また取引データ取得部２０１－２は、顧客企業における流動性取引明細の取引データを取得する機能を有している。

指標データ算出部２０２－２は、非正常先企業及び正常先企業それぞれの取引データに基づく指標データを算出する機能を有している。また指標データ算出部２０２－２は、顧客企業の取引データに基づく特徴指標の指標データを算出する機能を有している。

特徴指標特定部２０３－２は、非正常先企業の指標データと、正常先企業の指標データとのデータ差異に基づいて、非正常先企業のデータ特徴が表われた特徴指標を特定する機能を有している。

関連判定部２０４－２は、顧客企業における特徴指標の指標データと、非正常先企業における特徴指標の指標データと関連を判定する機能を有している。

出力部２０５－２は、関連判定部２０４により関連すると判定された顧客企業を出力する機能を有している。

記憶部２０６－２は、特徴指標特定部２０３により特定された非正常先企業の特徴指標の情報などを、ＨＤＤ２４に保存する機能を有している。

なお、各機能部は、支援サーバ２０－２を構成するコンピュータのＣＰＵ、ＲＯＭ、ＲＡＭ等のハードウェア資源上で実行されるコンピュータプログラムによって実現されるものである。これらの機能部は、「手段」、「モジュール」、「ユニット」、又は「回路」に読替えてもよい。また、各ＤＢは、支援サーバ２０－２のＨＤＤ２４やネットワーク７０上の外部記憶装置に配置してもよい。また、支援サーバ２０－２の各機能部は単一のサーバ装置のみにより実現されるのみならず、機能分散させて複数の装置からなるシステムとして実現してもよい。

また本実施形態２において、実施形態１と同様の図１に示す審査業務支援システムの構成例、及び図２に示す審査業務支援サーバのハードウェア構成例を適用可能であるため、再度の説明は省略する。但し審査業務支援サーバ２０は、本実施形態２において審査業務支援サーバ２０－２と表記する。

＜信用格下げ可能性先の検知処理＞
図１５は、本実施形態に係る信用格下げ可能性先の検知処理全体を示す図である。図１６は、本実施形態に係る審査業務支援サーバ２０－２の信用格下げ可能性先の特徴指標特定処理を示す図である。ここで、審査業務において担当者により早急に検知されるべき企業対象は、特に現状の信用格付けよりも低い格付けに格下げされる可能性のある顧客企業であり、より具体的には、例えば前回信用格付けＡやＢであった企業が、近々急に信用格付けＢやＣ以下の格付け相当の財務状態に陥っている企業である。

Ｓ３１：支援サーバ２０－２は、加工ＤＢ３０（元は取引データＤＢ）から学習データ（ビックデータ）として、金融機関における過去の信用格付け非正常先企業、及び、信用格付け正常先企業の取引データを取得する。なお、信用格付けの非正常先企業は、例えば信用格付けＢ、Ｃ、Ｄ及び／又はＥの企業であり、正常先企業は、例えば信用格付けＡの企業である。

Ｓ３２：支援サーバ２０－２は、信用格付けの非正常先企業及び正常先企業の取引データに基づいて、所定の指標の特徴を示す特徴量（指標特徴量）を算出する。例えば、信用格付けの非正常先企業の取引データに基づいて、指標Ａ、Ｂ、Ｃ・・の特徴量を算出するとともに、信用格付けの正常先企業の取引データに基づいて、同じ指標Ａ、Ｂ、Ｃ・・の特徴量を算出する。

Ｓ３３：支援サーバ２０－２は、信用格付け非正常先企業及び正常先企業間において、指標特徴量の差異の大きい特徴指標を特定する。非正常先企業及び正常先企業間において差異の大きい特徴指標は、取引データ分析によりデータ的に表れた非正常先企業に際立って見られる指標であって、非正常先企業の持つ特徴となる指標である。また特徴指標は一つに限られず複数特定されてよい。特定された非正常先企業の特徴指標の情報（例えばその指標名及び指数特徴量（値）を含む）は、ＨＤＤ２４に保存される。

・なお、Ｓ３１にて信用格付けの非正常先企業を、例えば信用格付けＣの企業とした場合、正常先企業は、例えば信用格付けＡ及びＢの企業であってもよい。つまり、非正常先企業からみて上ランクの企業であれば、相対的には正常先企業である。

・また、非正常先企業及び正常先企業間において差異の大きい特徴指標は、信用格付け毎に相対的に特定されてもよい。例えば信用格付けＢの非正常先企業と信用格付けＡの正常先企業において差異の大きい特徴指標、信用格付けＣの非正常先企業と信用格付けＡの正常先企業において差異の大きい特徴指標、もしくは信用格付けＣの非正常先企業と信用格付けＢの相対的な正常先企業において差異の大きい特徴指標といった具合である。この場合、特定された非正常先企業の特徴指標の情報は、信用格付け非正常先企業及び正常先企業の両信用格付け情報とのデータセットで、ＨＤＤ２４に保存される。

・但し、例えば信用格付けＤの非正常先企業と信用格付けＡの正常先企業において差異の大きい特徴指標、信用格付けＥの非正常先企業と信用格付けＡの正常先企業において差異の大きい特徴指標であってもよいが、そもそもこのような両企業間の財務状況の良否は明らかに大きく異なる。このため、人が容易に見つけられないものも含め、取引データ分析によりデータ的に表れた非正常先企業に見られる特徴指標を特定するという点に鑑みれば、企業間の信用格付けが近しいほどよい（例えば信用格付けＢの非正常先企業と信用格付けＡの正常先企業、信用格付けＣの非正常先企業と信用格付けＡの正常先企業）。さらにいえば、企業間の信用格付けが１ランク差異なる企業間（信用格付けが１ランク隣り合う企業間）において差異の大きい特徴指標を特定してもよい（例えば信用格付けＢの非正常先企業と信用格付けＡの正常先企業、信用格付けＣの非正常先企業と信用格付けＢの正常先企業）。

図１７は、本実施形態に係る審査業務支援サーバ２０－２の信用格下げ先の検知処理を示す図である。

Ｓ４１：支援サーバ２０－２は、顧客マスタＤＢから、モニタリング対象とする顧客企業の信用格付け（図４Ｂ）を取得する。本実施形態に係る信用格付けは、Ａ～Ｅのいずれかを示す。

Ｓ４２：次に支援サーバ２０－２は、加工ＤＢ３０（元は取引データＤＢ）から、モニタリング対象とする顧客企業の取引データ（トランザクションデータ）を取得する。本実施形態に係る取引データは、例えば顧客企業の流動性取引明細情報から取得可能な各々の取引項目データである。

Ｓ４３：支援サーバ２０－２は、当該顧客企業の取引データに基づいて、Ｓ３３で特定した当該顧客企業における特徴指標の特徴量を算出する。特徴指標が複数の場合、支援サーバ２０－２は、取引データに基づいて、Ｓ３３で特定した複数全ての特徴指標の特徴量を算出する。

Ｓ４４：支援サーバ２０－２は、当該顧客企業における取引データの特徴指標の特徴量と、非正常先企業における取引データの特徴指標の特徴量とに基づいて、当該顧客企業の信用格下げ可能性を示すスコアを算出する。当該顧客企業の特徴指標の特徴量が、非正常先企業の特徴指標の特徴量と関連度（距離）が高い（近い）ほど、高いスコアが算出される。

なお、当該顧客企業の信用格付けがＡである場合には、非正常先企業は信用格付けがＢ又はＢ以下の企業であってよい。この場合、支援サーバ２０－２は、当該顧客企業における取引データの特徴指標と、信用格付けがＢ以下の企業における取引データの特徴指標とに基づいて、当該顧客企業の信用格下げ可能性を示すスコアを算出する。

但し、Ｓ４１で取得した当該顧客企業の信用格付けが例えばＢである場合には、当該顧客企業からみた非正常先企業は信用格付けがＣ以下の企業である。この場合、支援サーバ２０－２は、当該顧客企業における取引データの特徴指標と、信用格付けがＣ以下の企業における取引データの特徴指標とに基づいて、当該顧客企業の信用格下げ可能性を示すスコアを算出することができる。

Ｓ４５：支援サーバ２０－２は、スコアの高い順に顧客企業を並べて端末４０に出力する。担当者は端末４０を用いて出力結果を閲覧し、信用格下げ可能性が考えられる所定スコア以上の顧客企業や所定順位以上の顧客企業を優先して、より詳しく取引データや財務データ等を参照するなどして信用格付けを確認することができる。

なお、信用格下げ先の検知処理（Ｓ４１～Ｓ４５）は、端末４０から信用格下げ可能性先の検知リストの取得要求を受信したタイミングで実行してもよいし、金融機関システム１０のＤＢ上の取引データの更新とともに加工ＤＢ２０が更新されるたびに実行してもよいし、もしくは例えば１日毎など定期的に実行してもよい。

以上、本実施形態に係る取引データは、金融機関における顧客企業の預金口座における取引データを用いて、企業モニタリングを行い、信用格下げ可能性を測るためのスコアを算出する。取引データは、顧客企業によるデータの改ざんができない、データ獲得・更新頻度が高い、データ情報量が多い、といった点により、金融機関における融資審査部門の担当者は、決算期よりも前にリスク（信用格下げ可能性等）のある顧客企業をタイムリーに、取引実態に即して検知することが可能となる。

なお、年次の決算書は、従来からの財務分析の観点から定量評価が容易であるが、データの改ざん・虚偽報告が可能、データ獲得・更新頻度が低いため、信用格下げ可能性のある顧客企業をタイムリーに検知することが困難である。

また、担当者は、膨大な規模の顧客企業の中から、審査対象を一定のスコアリングリスク水準を上回る顧客先のみに注視することが可能である。これにより、例えばリスクが高い顧客から優先的に審査しリスクの存在に迅速に気が付くことができるなど、効率的な審査業務・企業モニタリングを遂行することができる。

（補足１）
これまで説明してきたように、顧客企業において、当該顧客企業における取引データの特徴指標の特徴量が、非正常先企業における取引データの特徴指標の特徴量と関連度が高いと判定された場合、信用格下げ可能性が疑われるものとして、当該顧客企業に対して一定基準より高いスコアが算出される（Ｓ４３）。

しかしながら、その後に再度スコアが算出された際、前回のような高いスコアが算出されない場合がある。このようにスコアが低下した顧客企業は、信用格下げが低下した、スコアによっては信用格上げ可能性が生じたということができる。支援サーバ２０は、毎算出されたスコア履歴を保持しておき、過去のスコアと比較して、大きく前回よりも（例えば一定の基準値よりも）、今回のスコアが低下した場合、担当者の端末４０上、明示的にこれを表示することができる。また高いスコアが算出された顧客企業について、監視対象企業としてフラグを立てるようにするものとすると、過去のスコアから大きく今回のスコアが低下した場合、当該顧客企業を管理対象企業から自動的に除外するようにしてもよい。

さらに、過去のスコアから大きく今回のスコアが低下した当該顧客企業において、支援サーバ２０－２は、当該顧客企業における取引データの特徴指標の特徴量が、「正常先企業」（例えば信用格付けＡの企業）における取引データの特徴指標の特徴量と関連度を判定するようにしてもよい。ホワイト判定である。関連度が高いと判定された場合（高いスコアが算出された場合）、当該顧客企業は、非正常先企業にみられる特徴指標について非正常先企業のような指標特徴が見られないとともに、さらには正常先企業のような特徴指標が見られることが確認される。これにより、当該顧客企業は、より一層の確度をもって信用格下げ可能性が低下した、スコアによっては信用格上げ可能性が生じたということができる。

（補足２）
Ｓ４４の変形例として、顧客企業の信用格付けが非正常先企業である場合（例えば信用格付けＢ以下）、支援サーバ２０－２は、当該顧客企業における取引データの特徴指標の特徴量と、信用格付けが当該顧客企業よりも上の「正常先企業」（例えば信用格付けＡ）における取引データの特徴指標の特徴量とに基づいて、当該顧客企業の「信用格上げ可能性」を示すスコアを算出することも可能である。当該顧客企業の特徴指標の特徴量が、正常先企業の特徴指標の特徴量と関連度（距離）が高い（近い）ほど、高いスコアが算出される。支援サーバ２０－２は、スコアの高い順に顧客企業を並べて端末４０に出力する。

これにより、担当者は端末４０を用いて出力結果を閲覧し、信用格上げ可能性が考えられる所定スコア以上の顧客企業や所定順位以上の顧客企業を優先して、より詳しく取引データや財務データ等を参照するなどして信用格付けを見直し確認することができる。また、担当者は、膨大な規模の顧客企業の中から、審査対象を一定のスコアリングリスク水準を下回る顧客先のみに注視することが可能である。例えばリスクが低下した顧客から優先的に審査しリスクの低減に迅速に気が付くことができるなど、効率的な審査業務・企業モニタリングを遂行することができる。

[実施形態３]
上述の実施形態１及び２に係る審査業務支援サーバは、金融機関における顧客企業の取引データを用いて、顧客企業の粉飾可能性、信用格下げ可能性を測るためのスコアを算出するものであった。取引データは、決算書などの財務データと比べ、顧客企業によるデータの改ざんができない、データ獲得・更新頻度が高い、データ情報量が多い、といった点により、金融機関における融資審査部門の担当者は、決算期よりも前にリスクのある顧客企業をタイムリーに、取引実態に即して顧客企業の粉飾可能性、信用格下げ可能性を検知することが可能である。

しかしながら、金融機関における顧客企業のうち、日々の取引データが少ない顧客企業先については、スコア算出処理が難しいという問題がある。融資審査部門の担当者としては、顧客企業の取引データ量に依存せず、リスク企業の予測・検知を行いたい。このような点に鑑みて本実施形態３においては、審査業務支援サーバが利用可能な学習データ（ビックデータ）の範囲を広げ、さらに第三者データを用いるものである。

ここで、本実施形態に係る第三者データは、金融機関及び顧客企業ら当事者以外の、第三者からの提供されるデータを総じていい、より具体的には、例えば政府機関や調査機関等から提供された統計データ、金融市場における株価データ及び為替データ等である。これらデータは、顧客企業の市場環境を客観的に示す市場データともいえ、それ自体データの改ざんはなく、信憑性の高いデータソースである。

（第三者データ例）
第三者データの一例としての統計データは、例えば、「e-Stat 政府統計の総合窓口」,＜URL：https://www.e-stat.go.jp/statistics-by-theme/＞といったデータソースから取得可能である。当サイトにおけるマクロ統計指標データは、「国土・気象」、「人口・世帯」、「労働・賃金」、「農林水産業」、「鉱工業」、「商業・サービス業」、「企業・家計・経済」、「住宅・土地・建設」、「エネルギー・水」、「運輸・観光」、「情報通信・科学技術」、「教育・文化・スポーツ・生活」、「行財政」、「司法・安全・環境」、「社会保障・衛生」、「国際」、「その他」の１７の分野に分類されており、分野毎に各々の統計調査が提供されている。このうち特に、顧客企業の属する産業界・業種に関連するマクロ統計指標データを以下に示す。なお言うまでもなく、顧客企業の属する産業界・業種に応じて、関連するマクロ統計指標データは異なるとともに、全てのマクロ統計指標データを列挙すること困難であるため、以下はあくまで一部例示である。

・農林水産業
農業経営統計調査
農林業センサス
漁業センサス
作物統計調査
海面漁業生産統計調査
牛乳乳製品統計調査
・鉱工業
薬事工業生産動態統計調査
工業統計調査
経済産業省生産動態統計調査
生産動態統計
鉱工業生産・出荷・在庫指数
製造工業生産能力・稼働率指数
埋蔵鉱量統計調査
造船造機統計調査
鉄道車両等生産動態統計調査
・商業・サービス業
商業統計調査
商業動態統計調査
特定サービス産業実態調査
石油製品需給動態統計調査
・企業・家計・経済
国民経済計算
個人企業経済調査
経済センサス‐基礎調査
経済センサス‐活動調査
経済構造実態調査
家計調査
全国家計構造調査（旧全国消費実態調査）
小売物価統計調査
全国物価統計調査
産業連関表
法人企業統計調査
経済産業省企業活動基本調査
・住宅・土地・建設
住宅・土地統計調査
建築着工統計調査
建設工事統計調査
法人土地・建物基本調査
・エネルギー・水
経済産業省特定業種石油等消費動態統計調査
ガス事業生産動態統計調査
経済産業省特定業種石油等消費統計調査
・運輸・観光
港湾調査
自動車輸送統計調査
内航船舶輸送統計調査
・社会保障・衛生
学校保健統計調査
医療施設調査
患者調査
社会保障費用統計
＜ソフトウェア構成＞
図１８は、本実施形態に係る審査業務支援サーバのソフトウェア構成例を示す図である。審査業務支援サーバ２０－３は、主な機能部として、財務データ取得部２０１－３ａ、第三者データ取得部２０１－３ｂ、関係性特徴量算出部２０２－３、特徴財務データ特定部２０３－３、関連判定部２０４－３、出力部２０５－３、及び記憶部２０６－３を有する。

財務データ取得部２０１－３ａは、顧客企業と同じ業種に属する同業他社企業における第１の財務データを取得する機能を有している。また財務データ取得部２０１－３ａは、特徴財務データ特定部２０３－３により特徴第三者データと特定された第２の第三者データを取得する機能を有している。

第三者データ取得部２０１－３ｂは、顧客企業及び同業他社企業の業種に関係する第１の第三者データを取得する機能を有している。また第三者データ取得部２０１－３ｂは、特徴財務データ特定部２０３－３により特徴第三者データと特定された第２の第三者データを取得する機能を有している。

関係性特徴量算出部２０２－３は、第１の財務データと第１の第三者データとの関係性を示す第１の特徴量を算出する機能を有している。また関係性特徴量算出部２０２－３は、第２の財務データと第２の第三者データとの関係性を示す第２の特徴量を算出する機能を有している。

特徴財務データ特定部２０３－３は、第１の特徴量に基づいて、同業他社企業の財務データと第三者データとの関係性特徴が表われた特徴財務データ及び特徴第三者データを対応付けて特定する機能を有している。

関連判定部２０４－３は、顧客企業に係る第２の特徴量と、同業他社企業に係る第１の特徴量との関連を判定する機能を有している。

出力部２０５－３は、関連判定部２０４－３により前記関連すると判定された顧客企業を出力する機能を有している。

記憶部２０６－３は、特徴財務データ特定部２０３－３により特定された特徴財務データ及び特徴第三者データの情報などを、ＨＤＤ２４に保存する機能を有している。

なお、各機能部は、支援サーバ２０－３を構成するコンピュータのＣＰＵ、ＲＯＭ、ＲＡＭ等のハードウェア資源上で実行されるコンピュータプログラムによって実現されるものである。これらの機能部は、「手段」、「モジュール」、「ユニット」、又は「回路」に読替えてもよい。また、各ＤＢは、支援サーバ２０－３のＨＤＤ２４やネットワーク７０上の外部記憶装置に配置してもよい。また、支援サーバ２０－３の各機能部は単一のサーバ装置のみにより実現されるのみならず、機能分散させて複数の装置からなるシステムとして実現してもよい。

また本実施形態３において、実施形態１と同様の図１に示す審査業務支援システムの構成例、及び図２に示す審査業務支援サーバのハードウェア構成例を適用可能であるため、再度の説明は省略する。但し審査業務支援サーバ２０は、本実施形態３において審査業務支援サーバ２０－３と表記する。

＜財務データ申告値異常の検知処理＞
図１９は、本実施形態に係る審査業務支援サーバ２０－３の特徴財務データ及び特徴第三者データ特定処理を示す図である。なお、本実施形態３に係る支援サーバ２０－３は、上述の実施形態１及び実施形態２とは異なり、顧客企業の取引データを用いない代わりに、顧客企業の財務データを用いる。

Ｓ５１：支援サーバ２０－３は、加工ＤＢ３０（元は財務データ）から学習データ（ビックデータ）として、金融機関における顧客企業と同業他社企業の財務データ（公表値）を取得する。なお財務データは複数、時系列に取得する。年次決算書であれば、年単位で可能な限り複数年分を取得する。

また同業他社企業とは、例えば、製造業、農業、林業、漁業、鉱業、建設業、運輸業、卸売業、小売業、金融業、保険業、サービス業といった業種に分類可能である場合、当該顧客企業と同じ業種に分類される他企業である。また同業他社企業が当該金融機関の一顧客企業である場合、財務データは当該金融機関が保有する財務データであってもよいし、顧客企業ではない場合は上場企業として公表されている同業他社企業の財務データであってもよい。なお、顧客企業の業種は、顧客情報（図４Ａ）における既知情報である。

Ｓ５２：支援サーバ２０－３は、加工ＤＢ３０（元は統計データ等）から学習データ（ビックデータ）として、顧客企業及び同業他社企業の業種に関係する第三者データを取得する。顧客企業及び同業他社企業の業種に関係する第三者データは、当該業種分野に関係する統計データであって、例えば顧客企業及び同業他社企業の業種が製造業の場合には、直接的には「鉱工業」に分類された統計データである。但し、製造業の場合であっても、例えば「企業・家計・経済」に分類された統計データであってもよい。「企業・家計・経済」分類された統計データは、例えば、小売物価統計調査、全国物価統計調査といったものがあり、全業種に関係する第三者データということができるためである。なお統計データは資料内に時系列に過去から最新のデータ推移が集計されている場合も多く、このような場合は必ずしも第三者データは複数時系列に取得しなくともよい。

Ｓ５３：支援サーバ２０－３は、Ｓ５１で取得した同業他社企業の財務データの推移と、Ｓ５２で取得した第三者データの推移との関係性を示す関係性特徴量を算出する。関係性特徴量は、例えば両推移変化の相関により算出しうる。

例えば、財務データが当該同業他社企業の決算書等で公表された原材料の仕入価格であって、対応する第三者データは当該原材料の市場価格の市況を示す価格統計データである場合に、通常、当該原材料の市場価格と仕入価格は関係性が高い（例えば正の相関値を有する）。逆に、財務データが当該同業他社企業の決算書等で公表された収益率であって、対応する第三者データは当該原材料の市場価格の市況を示す価格統計データである場合に、通常、当該原材料の市場価格と収益率は関係性が高い（例えば負の相関値を有する）。

一方、財務データが当該同業他社企業の決算書等で公表された家賃料であって、対応する第三者データは当該原材料の市場価格の市況を示す価格統計データである場合に、通常、当該原材料の市場価格と家賃料は関係性が低い（例えば０に近い相関値を有する）。

Ｓ５４：支援サーバ２０－３は、Ｓ５３で算出した関係性特徴量に基づいて、第三者データと関係性の大きい財務データを、当該三者データとの関係において特徴財務データと特定する。例えば特徴財務データが相関値で示される場合には、相関値の絶対値が所定値よりも大きい場合、当該財務データを当該第三者データとの関係において、特徴財務データと特定する。一方第三者データと関係性の小さい財務データは、特徴財務データと特定しない。

Ｓ５５：また支援サーバ２０－３は、Ｓ５４で特定した特徴財務データに対応する第三者データを、特徴第三者データと特定する。特定された特徴財務データと特徴第三者データとはデータセットで、ＨＤＤ２４に保存される。なお、財務データは、一の財務データのみならず、複数の財務データから算定される財務指標データを含む。

図２０は、本実施形態に係る財務データ申告値異常の検知処理を示す図である。
Ｓ６１：支援サーバ２０－３は、加工ＤＢ３０（元は財務データ）から学習データ（ビックデータ）として、金融機関における顧客企業の財務データ（申告値）を取得する。財務データは複数、時系列に取得する。なおここで取得される顧客企業の財務データは、Ｓ５４で特徴財務データと特定された財務データである。つまり、同業他社企業がＳ５５で特定された特徴第三者データとの関係において関係性の大きいとされたものと同じ項目種の財務データを意味する。上述の例でいえば、当該顧客企業の決算書等で申告された仕入価格や収益率のデータである。

Ｓ６２：支援サーバ２０－３は、Ｓ５５で特徴第三者データと特定された第三者データを取得する。ここで取得される第三者データは、Ｓ６１で特徴財務データとして取得された財務データとの関係において関係性の大きいとされた第三者データを意味する。上述の例でいえば、原材料の市場価格の市況を示す価格統計データである。

Ｓ６３：支援サーバ２０－３は、Ｓ６１で取得した顧客企業の財務データの推移と、Ｓ６２で取得した第三者データの推移との関係性を示す関係性特徴量を算出する。関係性特徴量は、例えば両推移変化の相関により算出しうる。

Ｓ６４：支援サーバ２０－３は、Ｓ６３で算出された顧客企業の関係性特徴量、及び、Ｓ５３で算出された同業他社企業の関係性特徴量に基づいて、財務データ申告値異常の可能性を示すスコアを算出する。当該顧客企業の関係性が、同業他社企業の関係性と関連度（距離）が低い（遠い）ほど、低いスコアが算出される。

本来、特徴財務データと特定された財務データに関して、同業他社企業は特徴第三者データとの関係において関係性が大きいという特徴が見られることから、同業の顧客企業についても、同財務データに関しては、同じようにその特徴第三者データとは関係性が大きいという特徴が見られるはすである。

例えば、決算書上の原材料の仕入価格（特徴財務データと特定された財務データ）と、当該原材料の市場価格の市況を示す価格統計データ（特徴第三者データ）は、同業界企業であれば、関係性が高い（例えば正の相関値Ａを有する）ことが特定されている（Ｓ５３～Ｓ５５）。

一方、同業の顧客企業についても、その決算書上の原材料の仕入価格（特徴財務データと特定された財務データ）と、当該原材料の市場価格の市況を示す価格統計データ（特徴第三者データ）は、関係性が高い（例えば正の相関値Ｂを有する）。

そしてＳ６４において、支援サーバ２０－３は、顧客企業の関係性特徴量（例えば正の相関値Ｂ）、及び、同業他社企業の関係性特徴量（例えば正の相関値Ａ）を比較し、両関係性特徴量（例えば正の相関値Ａ及びＢ）が近いほど高いスコアが算出され、離れているほど低いスコアが算出される。関連度が低い、離れているとは例えば、顧客企業の相関値が０（無相関）だったり、負の相関値（逆相関）の場合が挙げられる。同業企業内であれば、ある財務データは、本来傾向としては一様同じように市況の影響を受けるところ、まったく市況の影響を受けなかったり、市況とは真逆な影響が見られる場合、そのような顧客企業の財務データは申告値異常の可能性があるということができる。

Ｓ６５：支援サーバ２０－３は、スコアの低い順に顧客企業を並べて端末４０に出力する。担当者は端末４０を用いて出力結果を閲覧し、財務データの申告値異常の疑いが考えられる所定スコア以下の顧客企業や所定順位以下の顧客企業を優先して、より詳しく取引データや財務データ等を参照するなどして粉飾有無を確認することができる。

なお、粉飾可能性先の検知処理（Ｓ６１～Ｓ６５）は、端末４０から検知リストの取得要求を受信したタイミングで実行してもよいし、金融機関システム１０のＤＢ上の第三者データの更新とともに加工ＤＢ２０が更新されるたびに実行してもよい。

また、Ｓ５１の同業他社企業は、上場企業であるとよい。そもそも同業他社企業は財務データ（申告値）の申告値異常がないいわば非粉飾企業である前提に立っているため、同業他社企業が上場企業である場合、その前提がより確かに担保されるためである。また同業他社企業は複数社あってもよい。同業他社企業が複数社である場合、その前提がより確かに担保されるためである。

（特徴財務データ及び特徴第三者データ例）
図２１は、本実施形態に係る原材料相場データ申告値の異常検知例を示す図である。まず図２１（ａ）によれば、金属製造業を営む顧客企業Ｘと同業他社企業Ｙにおいては、財務諸表申告の原材料費（特徴財務データ）と、金属市場価格相場（特徴第三者データ）は、関係性が大きいことが分かる。つまり、同業他社企業Ｙの原材料費は、金属市場価格相場（特徴第三者データ）に正の連動した動きが見られている。即ち、金属製造企業において、その原材料費は金属市場価格相場と連動した動きが見られることから、金属市場価格相場が下落傾向にあれば顧客企業Ｘが申告した原材料費についても下落傾向にあるのが自然ということができる。

一方、図２１（ｂ）によれば、当該顧客企業Ｘにおいては、財務諸表申告の原材料費（特徴財務データ）と、金属市場価格相場（特徴第三者データ）は、正の連動した動きが見られず、むしろ金属市場価格相場（特徴第三者データ）に反した負の動きが見られている。従ってこの場合、支援サーバ２０－３は、顧客企業の関係性特徴量（例えば正の相関値Ｂ）、及び、同業他社企業の関係性特徴量（例えば正の相関値Ａ）を比較し、両関係性特徴量（例えば正の相関値Ａ及びＢ）が離れていることを示す低いスコアを算出する。金属製造業を営む企業であれば、原材料費は、本来傾向としては市況の影響を避けられないところ、顧客企業Ｘは、市況の影響を受けない以上に市況とは真逆な影響が見られており、そのような顧客企業Ｘの財務諸表申告の原材料費は申告値異常の可能性（ひいては粉飾可能性）があるということができる。

なお、財務諸表申告の原材料費と、金属市場価格相場は、あくまで特徴財務データ及び特徴第三者データの一例である。実際には支援サーバ２０－３の実行するＳ５１～５５の処理により、データ的に表れた同業企業間に見られる特徴財務データ及び第三者データとして特定されるものである。支援サーバ２０－３は、Ｓ５１～５５の処理により、人が容易に見つけられないものも含め、様々な複数種の財務データと様々な複数種の第三者データとの様々な組み合わせパターンの中から、第三者データ分析によりデータ的に関係性が表れた特徴財務データ及び特徴第三者データを特定する。即ち支援サーバ２０－３は、いわゆるＡＩ（例えばディープラーニング）により同業他社企業のある財務データと、同業種に関連する第三者データ（ビックデータ）から、関連性特徴量を分析・評価そして支援サーバが第三者データと関係性が認められる財務データを自律的に発見し、発見したその財務データの示す特徴に着目し、モニタリング対象とする顧客企業の財務データとの関連度に基づくスコアを算出することができる。

以上、本実施形態に係る支援サーバは、第三者データを用いて、企業モニタリングを行い、財務データ申告値異常の可能性を測るためのスコアを算出する。第三者データは、顧客企業によるデータの改ざんができない、信憑性が高い、多面的なデータ情報量が多い、といった点により、金融機関における融資審査部門の担当者は、取引データ等の少ない顧客企業に対しても、リスクのある顧客企業をタイムリーに、外部市況実態に即して検知することが可能となる。また取引データ等が十分多い顧客企業であっても、学習データを第三者データまで拡大することで、新たな観点を取り込んだ予測・検知の多角化を図ることができる。

また、担当者は、膨大な規模の顧客企業の中から、審査対象を一定のスコアリングリスク水準を下回る顧客先のみに注視することが可能である。これにより、例えばリスクが高い顧客から優先的に審査しリスクの存在に迅速に気が付くことができるなど、効率的な審査業務・企業モニタリングを遂行することができる。

＜総括＞
以上、本実施形態に係る審査業務支援システムによれば、財務状況の悪化が疑われる顧客企業を検知し、金融機関における融資業務を支援することができる。なお、本発明の好適な実施の形態により、特定の具体例を示して本発明を説明したが、特許請求の範囲に定義された本発明の広範な趣旨および範囲から逸脱することなく、これら具体例に様々な修正および変更を加えることができることは明らかである。すなわち、具体例の詳細および添付の図面により本発明が限定されるものと解釈してはならない。

＜本実施形態から抽出される発明群について＞
以下、上述の実施形態から抽出される発明群の特徴について記載する。

（付記Ａ１）
金融機関における審査業務支援装置であって、
過去の粉飾先企業及び非粉飾先企業における流動性取引明細の取引データを取得する取得手段と、
前記粉飾先企業及び前記非粉飾先企業それぞれの前記取引データに基づく指標データを算出する算出手段と、
前記粉飾先企業の指標データと、前記非粉飾先企業の指標データとのデータ差異に基づいて、前記粉飾先企業のデータ特徴が表われた特徴指標を特定する特定手段と、
顧客企業における流動性取引明細の取引データを取得する取得手段と、
前記顧客企業の前記取引データに基づく前記特徴指標の指標データを算出する算出手段と、
前記顧客企業における前記特徴指標の指標データと、前記粉飾先企業における前記特徴指標の指標データと関連を判定する関連判定手段と、
前記関連判定手段により前記関連すると判定された顧客企業を出力する出力手段と、
を有することを特徴とする審査業務支援装置。

（付記Ｂ１）
金融機関における審査業務支援装置であって、
過去の信用格付けの非正常先企業及び正常先企業における流動性取引明細の取引データを取得する取得手段と、
前記非正常先企業及び前記正常先企業それぞれの前記取引データに基づく指標データを算出する算出手段と、
前記非正常先企業の指標データと、前記正常先企業の指標データとのデータ差異に基づいて、前記非正常先企業のデータ特徴が表われた特徴指標を特定する特定手段と、
顧客企業における流動性取引明細の取引データを取得する取得手段と、
前記顧客企業の前記取引データに基づく前記特徴指標の指標データを算出する算出手段と、
前記顧客企業における前記特徴指標の指標データと、前記非正常先企業における前記特徴指標の指標データと関連を判定する関連判定手段と、
前記関連判定手段により前記関連すると判定された顧客企業を出力する出力手段と、
を有することを特徴とする審査業務支援装置。

（付記Ｃ１）
金融機関における審査業務支援装置であって、
顧客企業と同じ業種に属する同業他社企業における第１の財務データを取得する取得手段と、
前記業種に関係する第１の第三者データを取得する取得手段と、
前記第１の財務データと前記第１の第三者データとの関係性を示す第１の特徴量を算出する算出手段と、
前記第１の特徴量に基づいて、前記同業他社企業の財務データと第三者データとの関係性特徴が表われた特徴財務データ及び特徴第三者データを対応付けて特定する特定手段と、
前記特徴財務データと特定された前記顧客企業における第２の財務データを取得する取得手段と、
前記特徴第三者データと特定された第２の第三者データを取得する取得手段と、
前記第２の財務データと前記第２の第三者データとの関係性を示す第２の特徴量を算出する算出手段と、
前記顧客企業に係る前記第２の特徴量と、前記同業他社企業に係る前記第１の特徴量との関連を判定する関連判定手段と、
前記関連判定手段により前記関連すると判定された顧客企業を出力する出力手段と、
を有することを特徴とする審査業務支援装置。

１０ 金融機関システム
２０、２０－２、２０－３ 審査業務支援サーバ
３０ 加工ＤＢ
４０ 端末
７０ ネットワーク
１００、１００－２、１００－３ 審査業務支援システム
２０１、２０１－２ 取引データ取得部
２０１－３ａ 財務データ取得部
２０１－３ｂ 第三者データ取得部
２０２、２０２－２ 指標データ算出部
２０２－３ 関係性特徴量算出部
２０３、２０３－２ 特徴指標特定部
２０３－３ 特徴財務データ特定部
２０４、２０４－２、２０４－３ 関連判定部
２０５、２０５－２、２０５－３ 出力部
２０６、２０６－２、２０６－３ 記憶部

Claims (6)

1. 金融機関における審査業務支援装置であって、
   顧客企業と同じ業種に属する同業他社企業における第１の財務データを取得する取得手段と、
   前記業種に関係する第１の第三者データを取得する取得手段と、
   前記第１の財務データと前記第１の第三者データとの関係性を示す第１の特徴量を算出する算出手段と、
   前記第１の特徴量に基づいて、前記同業他社企業の財務データと第三者データとの関係性特徴が表われた特徴財務データ及び特徴第三者データを対応付けて特定する特定手段と、
   前記特徴財務データと特定された前記顧客企業における第２の財務データを取得する取得手段と、
   前記特徴第三者データと特定された第２の第三者データを取得する取得手段と、
   前記第２の財務データと前記第２の第三者データとの関係性を示す第２の特徴量を算出する算出手段と、
   前記顧客企業に係る前記第２の特徴量と、前記同業他社企業に係る前記第１の特徴量との関連度を判定する関連判定手段と、
   前記関連判定手段により前記関連度が低いと判定された前記顧客企業を出力する出力手段と、
   を有することを特徴とする審査業務支援装置。
2. 前記取得手段は、
   複数種の前記第１の第三者データを取得し、
   前記算出手段は、
   前記第１の財務データと前記第１の第三者データとの関係性を示す第１の特徴量を、前記複数の前記第１の第三者データとの組み合わせパターン毎に算出し、
   前記特定手段は、
   前記第１の財務データと前記第１の第三者データとの組み合わせパターンの中から、該組み合わせパターン毎に算出された前記第１の特徴量に基づいて、前記同業他社企業の財務データと第三者データとの関係性特徴が表われた特徴財務データ及び特徴第三者データを対応付けて特定すること、
   を特徴とする請求項１に記載の審査業務支援装置。
3. 前記第三者データは、前記業種に関係する市況を示す統計データであること、
   を特徴とする請求項１に記載の審査業務支援装置。
4. 前記同業他社企業は、上場企業であること、
   を特徴とする請求項１に記載の審査業務支援装置。
5. 金融機関における審査業務支援装置が、
   顧客企業と同じ業種に属する同業他社企業における第１の財務データを取得する取得手順と、
   前記業種に関係する第１の第三者データを取得する取得手順と、
   前記第１の財務データと前記第１の第三者データとの関係性を示す第１の特徴量を算出する算出手順と、
   前記第１の特徴量に基づいて、前記同業他社企業の財務データと第三者データとの関係性特徴が表われた特徴財務データ及び特徴第三者データを対応付けて特定する特定手順と、
   前記特徴財務データと特定された前記顧客企業における第２の財務データを取得する取得手順と、
   前記特徴第三者データと特定された第２の第三者データを取得する取得手順と、
   前記第２の財務データと前記第２の第三者データとの関係性を示す第２の特徴量を算出する算出手順と、
   前記顧客企業に係る前記第２の特徴量と、前記同業他社企業に係る前記第１の特徴量との関連度を判定する関連判定手順と、
   前記関連判定手順により前記関連度が低いと判定された前記顧客企業を出力する出力手順と、
   を実行する審査業務支援方法。
6. コンピュータに、
   顧客企業と同じ業種に属する同業他社企業における第１の財務データを取得する取得手段と、
   前記業種に関係する第１の第三者データを取得する取得手段と、
   前記第１の財務データと前記第１の第三者データとの関係性を示す第１の特徴量を算出する算出手段と、
   前記第１の特徴量に基づいて、前記同業他社企業の財務データと第三者データとの関係性特徴が表われた特徴財務データ及び特徴第三者データを対応付けて特定する特定手段と、
   前記特徴財務データと特定された前記顧客企業における第２の財務データを取得する取得手段と、
   前記特徴第三者データと特定された第２の第三者データを取得する取得手段と、
   前記第２の財務データと前記第２の第三者データとの関係性を示す第２の特徴量を算出する算出手段と、
   前記顧客企業に係る前記第２の特徴量と、前記同業他社企業に係る前記第１の特徴量との関連度を判定する関連判定手段と、
   前記関連判定手段により前記関連度が低いと判定された前記顧客企業を出力する出力手段と、
   して機能させるための審査業務支援プログラム。