供应商财务风险预测方法及装置制造方法及图纸

本申请实施例提供一种供应商财务风险预测方法及装置，方法包括：获取目标供应商的财务风险指标数据；将所述财务风险指标数据输入预设的卷积神经网络模型，并将该卷积神经网络模型的输出作为所述目标供应商对应的财务风险预测结果；输出所述目标供应商对应的财务风险预测结果。本申请能够通过具有自我学习能力的深度学习卷积神经网络对供应商财务风险进行预测，并能够有效提高供应商财务风险预测的准确性，进而能够有效规避供应商潜在风险，保证自身企业的运转可靠性。

【技术实现步骤摘要】
供应商财务风险预测方法及装置
本申请涉及数据处理
，具体涉及供应商财务风险预测方法及装置。
技术介绍
当前对供应商风险的研究主要集中对于供应链和供应商风险的风险指标筛选和优化上，较少注重风险指标体系理论研究，更多利用模糊综合评价，层次分析、灰色评价、SCOR模型、风险机制协调平衡等方法对风险评价和结论分析进行了系统综合归纳。神经网络模拟人类大脑的神经反射对机器进行训练，从而使得经过训练的神经网络可以对给定的输入值进行分析和判断，对输出值进行预测。目前主要采用BP神经网络来构建供应商财务的风险预测模型，BP神经网络已经被广泛地应用于风险预警的研究当中。深度学习网络也属于人工神经网络的一种，但是与BP神经网络有着明显的区别。BP神经网络属于浅层网络，神经网络的层次很少，输入、隐含、输出一般各有一层，因此，BP模型存在收敛速度慢，繁殖能力差等不足，进而无法保证供应商财务风险预测的准确性。
技术实现思路
针对现有技术中的问题，本申请提供一种供应商财务风险预测方法及装置，能够通过具有自我学习能力的深度学习卷积神经网络对供应商财务风险进行预测，并能够有效提高供应商财务风险预测的准确性，进而能够有效规避供应商潜在风险，保证自身企业的运转可靠性。为解决上述技术问题，本申请提供以下技术方案：第一方面，本申请提供一种供应商财务风险预测方法，包括：获取目标供应商的财务风险指标数据；将所述财务风险指标数据输入预设的卷积神经网络模型，并将该卷积神经网络模型的输出作为所述目标供应商对应的财务风险预测结果；输出所述目标供应商对应的财务风险预测结果。进一步地，在所述获取目标供应商的财务风险指标数据之前，还包括：获取各个所述供应商的历史财务风险指标数据；应用各个所述供应商的历史财务风险指标数据训练卷积神经网络模型，以使该卷积神经网络模型用于预测供应商的财务风险。进一步地，所述获取各个所述供应商的历史财务风险指标数据，包括：设置用于反映供应商财务风险的指标体系；自所述指标体系中筛选任意数量的指标作为供应商的财务风险指标；基于所述供应商的财务风险指标获取各个所述供应商的历史财务风险指标数据。进一步地，所述指标体系包括：多个一级指标以及各个所述一级指标各自对应的二级指标；相对应的，所述目标供应商的财务风险指标数据为基于所述指标体系中的任意数量的指标提取而得。进一步地，所述应用各个所述供应商的历史财务风险指标数据训练卷积神经网络模型，以使该卷积神经网络模型用于预测供应商的财务风险，包括：将各个所述供应商的历史财务风险指标数据划分为训练集、测试集以及验证集；应用所述训练集训练卷积神经网络模型；根据所述测试集用于对训练得到的卷积神经网络模型进行测试，并基于对应的测试结果调整所述卷积神经网络模型的参数；以及，基于所述验证集检测所述卷积神经网络模型的预测效果。进一步地，所述卷积神经网络模型包括依次连接的输入层、隐含层和输出层；所述隐含层包括多个卷积层和多个池化层；所述输出层包括光栅化层和多层感知器。进一步地，所述获取目标供应商的财务风险指标数据，包括：获取目标供应商的财务风险指标数据对应的灰度图像数据。进一步地，所述将所述财务风险指标数据输入预设的卷积神经网络模型，并将该卷积神经网络模型的输出作为所述目标供应商对应的财务风险预测结果，包括：将目标供应商的财务风险指标数据对应的灰度图像数据输入预设的卷积神经网络模型的所述输入层，以使该输入层应用预设的RGB转换方式将所述灰度图像数据转化为RGB彩色图像对应的三张输入图像，并将三张所述输入图像输入所述卷积层进行特征提取，而后将所述卷积层输出的数据传入所述池化层进行特征选择和信息过滤，得到对应的下采样结果，并将所述下采样结果发送至所述输出层，得到该输出层输出的所述目标供应商对应的财务风险预测结果。进一步地，所述一级指标包括：盈利能力指标、偿债能力指标、现金流量指标、营运能力指标、发展能力指标、风险水平指标和非财务指标；所述盈利能力指标用于反映供应商的企业生产经营获利的能力；所述偿债能力指标用于反映供应商的企业偿还到期债务的能力；所述现金流量指标用于反映供应商的企业现金收支情况；所述营运能力指标用于反映供应商的企业运营的效率；所述发展能力指标用于反映供应商的企业扩大经营规模的能力；所述风险水平指标用于反映供应商的企业财务风险水平；所述非财务指标用于反映供应商的企业非财务风险水平。进一步地，所述盈利能力指标的二级指标包括：净资产收益率、总资产报酬率、总资产净利率、营业利润率和每股收益；所述偿债能力指标的二级指标包括：流动比率、速动比率、现金比率、资产负债率和利息保障倍数；所述现金流量指标的二级指标包括：现金回收率、现金营运指数、营业收入现金净含量、净利润现金净含量和经营活动净流量增长率；所述营运能力指标的二级指标包括：总资产周转率、流动资产周转率、存货周转率、应收账款周转率和固定资产周转率；所述发展能力指标的二级指标包括：净利润增长率、总资产增长率、主营业务增长率和固定资产增长率；所述风险水平指标的二级指标包括：财务杠杆和经营杠杆；所述非财务指标的二级指标包括：第一大股东持股比例、股权集中度和审计意见。进一步地，所述供应商的财务风险指标包括：净资产收益率、总资产报酬率、总资产净利率、营业利润率、每股收益、流动比率、速动比率、现金比率、资产负债率、现金回收率、现金营运指数、营业收入现金净含量、净利润现金净含量、经营活动净流量增长率、总资产周转率、存货周转率、应收账款周转率、净利润增长率、总资产增长率、财务杠杆、经营杠杆和第一大股东持股比例。第二方面，本申请一种供应商财务风险预测装置，包括：供应商数据获取模块，用于获取目标供应商的财务风险指标数据；财务风险预测模块，用于将所述财务风险指标数据输入预设的卷积神经网络模型，并将该卷积神经网络模型的输出作为所述目标供应商对应的财务风险预测结果；预测结果输出模块，用于输出所述目标供应商对应的财务风险预测结果。进一步地，还包括：历史数据获取模块，用于获取各个所述供应商的历史财务风险指标数据；模型训练模块，用于应用各个所述供应商的历史财务风险指标数据训练卷积神经网络模型，以使该卷积神经网络模型用于预测供应商的财务风险。进一步地，所述历史数据获取模块包括：指标体系设置单元，用于设置用于反映供应商财务风险的指标体系；财务风险指标筛选单元，用于自所述指标体系中筛选任意数量的指标作为供应商的财务风险指标；历史财务风险指标数据获取单元，用于基于所述供应商的财务风险指标获取各个所述供应商的历史财务风险指标数据。进一步地，所述指标体系包括：多个一级指标以及各个所述一级指标各自对应的本文档来自技高网...

【技术保护点】
1.一种供应商财务风险预测方法，其特征在于，包括：/n获取目标供应商的财务风险指标数据；/n将所述财务风险指标数据输入预设的卷积神经网络模型，并将该卷积神经网络模型的输出作为所述目标供应商对应的财务风险预测结果；/n输出所述目标供应商对应的财务风险预测结果。/n

【技术特征摘要】
1.一种供应商财务风险预测方法，其特征在于，包括：
获取目标供应商的财务风险指标数据；
将所述财务风险指标数据输入预设的卷积神经网络模型，并将该卷积神经网络模型的输出作为所述目标供应商对应的财务风险预测结果；
输出所述目标供应商对应的财务风险预测结果。


2.根据权利要求1所述的供应商财务风险预测方法，其特征在于，在所述获取目标供应商的财务风险指标数据之前，还包括：
获取各个所述供应商的历史财务风险指标数据；
应用各个所述供应商的历史财务风险指标数据训练卷积神经网络模型，以使该卷积神经网络模型用于预测供应商的财务风险。


3.根据权利要求2所述的供应商财务风险预测方法，其特征在于，所述获取各个所述供应商的历史财务风险指标数据，包括：
设置用于反映供应商财务风险的指标体系；
自所述指标体系中筛选任意数量的指标作为供应商的财务风险指标；
基于所述供应商的财务风险指标获取各个所述供应商的历史财务风险指标数据。


4.根据权利要求3所述的供应商财务风险预测方法，其特征在于，所述指标体系包括：多个一级指标以及各个所述一级指标各自对应的二级指标；
相对应的，所述目标供应商的财务风险指标数据为基于所述指标体系中的任意数量的指标提取而得。


5.根据权利要求2所述的供应商财务风险预测方法，其特征在于，所述应用各个所述供应商的历史财务风险指标数据训练卷积神经网络模型，以使该卷积神经网络模型用于预测供应商的财务风险，包括：
将各个所述供应商的历史财务风险指标数据划分为训练集、测试集以及验证集；
应用所述训练集训练卷积神经网络模型；
根据所述测试集用于对训练得到的卷积神经网络模型进行测试，并基于对应的测试结果调整所述卷积神经网络模型的参数；
以及，基于所述验证集检测所述卷积神经网络模型的预测效果。


6.根据权利要求1至5任一项所述的供应商财务风险预测方法，其特征在于，所述卷积神经网络模型包括依次连接的输入层、隐含层和输出层；
所述隐含层包括多个卷积层和多个池化层；
所述输出层包括光栅化层和多层感知器。


7.根据权利要求6所述的供应商财务风险预测方法，其特征在于，所述获取目标供应商的财务风险指标数据，包括：
获取目标供应商的财务风险指标数据对应的灰度图像数据。


8.根据权利要求7所述的供应商财务风险预测方法，其特征在于，所述将所述财务风险指标数据输入预设的卷积神经网络模型，并将该卷积神经网络模型的输出作为所述目标供应商对应的财务风险预测结果，包括：
将目标供应商的财务风险指标数据对应的灰度图像数据输入预设的卷积神经网络模型的所述输入层，以使该输入层应用预设的RGB转换方式将所述灰度图像数据转化为RGB彩色图像对应的三张输入图像，并将三张所述输入图像输入所述卷积层进行特征提取，而后将所述卷积层输出的数据传入所述池化层进行特征选择和信息过滤，得到对应的下采样结果，并将所述下采样结果发送至所述输出层，得到该输出层输出的所述目标供应商对应的财务风险预测结果。


9.根据权利要求4所述的供应商财务风险预测方法，其特征在于，所述一级指标包括：盈利能力指标、偿债能力指标、现金流量指标、营运能力指标、发展能力指标、风险水平指标和非财务指标；
所述盈利能力指标用于反映供应商的企业生产经营获利的能力；
所述偿债能力指标用于反映供应商的企业偿还到期债务的能力；
所述现金流量指标用于反映供应商的企业现金收支情况；
所述营运能力指标用于反映供应商的企业运营的效率；
所述发展能力指标用于反映供应商的企业扩大经营规模的能力；
所述风险水平指标用于反映供应商的企业财务风险水平；
所述非财务指标用于反映供应商的企业非财务风险水平。


10.根据权利要求9所述的供应商财务风险预测方法，其特征在于，所述盈利能力指标的二级指标包括：净资产收益率、总资产报酬率、总资产净利率、营业利润率和每股收益；
所述偿债能力指标的二级指标包括：流动比率、速动比率、现金比率、资产负债率和利息保障倍数；
所述现金流量指标的二级指标包括：现金回收率、现金营运指数、营业收入现金净含量、净利润现金净含量和经营活动净流量增长率；
所述营运能力指标的二级指标包括：总资产周转率、流动资产周转率、存货周转率、应收账款周转率和固定资产周转率；
所述发展能力指标的二级指标包括：净利润增长率、总资产增长率、主营业务增长率和固定资产增长率；
所述风险水平指标的二级指标包括：财务杠杆和经营杠杆；
所述非财务指标的二级指标包括：第一大股东持股比例、股权集中度和审计意见。


11.根据权利要求9所述的供应商财务风险预测方法，其特征在于，所述供应商的财务风险指标包括：净资产收益率、总资产报酬率、总资产净利率、营业利润率、每股收益、流动比率、速动比率、现金比率、资产负债率、现金回收率、现金营运指数、营业收入现金净含量、净利润现金净含量、经营活动净流量增长率、总资产周转率、存货周转率、应收账款周转率、净利润增长率、总资产增长率、财务杠杆、经营杠杆和第一大股东持股比例。


12.一种供应商财务风险预测装置，其特征在于，包括：
供应商数据获取模块，用于获取目标供应商的财务风险指标数据；
财务风险预测模块，用于将所述财务风险指标数据输入预设的卷积神经网络模型，并...

【专利技术属性】
技术研发人员：王茹楠，邬文佳，查礼，
申请(专利权)人：中国工商银行股份有限公司，
类型：发明
国别省市：北京;11