基于图谱重构的企业关联影响度量及风险识别方法、装置制造方法及图纸

本发明专利技术公开了一种基于图谱重构的企业关联影响度量及风险识别方法、装置，该方法包括设置企业关联类型，根据股权关联及任职关联重构企业关联图谱，筛选有效关联类型，建设关联企业风险指标体系，构建及训练企业关联风险识别模型，通过广义线性回归模型训练拟合不同有效关联类型的相应参数，测算企业间关联影响度等步骤。本发明专利技术在重构大型企业关联图谱的前提下，通过有监督大量样本训练，实现对企业不同关联类型相应参数的拟合，从而达到对企业关联风险识别模型的建设以及对企业间关联影响度的度量。的度量。的度量。

【技术实现步骤摘要】
基于图谱重构的企业关联影响度量及风险识别方法、装置


[0001]本专利技术涉及计算机
，尤其涉及一种基于图谱重构的企业关联影响度量及风险识别方法、装置。

技术介绍

[0002]目前，企业与企业、企业与个人之间的股权投资、高管任职、法定代表人等关联程度无法进行有效的量化，从而无法使关联企业的影响根据各个主体间的风险关联程度正确进行量化评价。
[0003]关联企业的影响一直存在，但是如何在网络拓扑结构中进行相互间的影响，通过什么样的关联类型设置和什么样的结构比例组合能够较好的反映关联程度。在当前的业务场景中，往往会简单地根据一种关联类型(例如最普遍的控股关系)进行关联，一般没有包含控股关系或者高管关联的就会直接舍去，导致关联企业间的关联关系无法综合体现多种关联类型共同作用的效果。

技术实现思路

[0004]本专利技术的目的在于针对现有技术的不足，提供一种基于图谱重构的企业关联影响度量及风险识别方法、装置。本专利技术在构建大型企业关联图谱的前提下，通过有监督大量样本训练，实现对企业不同关联类型相应参数的拟合，从而达到对企业关联风险识别模型的建设以及对企业之间综合关联影响程度的度量。
[0005]本专利技术的目的是通过以下技术方案来实现的：
[0006]根据本说明书第一方面，提供一种基于图谱重构的企业关联影响度量及风险识别方法，该方法包括以下步骤：
[0007]S1，设置企业关联类型，分为企业间股权关联和通过自然人间接关联，所述企业间股权关联分为股权直接关联和股权间接关联，所述自然人间接关联分为股权控制权和重要性任职职位的任意组合；
[0008]S2，根据股权关联及任职关联重构企业关联图谱，节点仅为企业，如果企业间通过自然人关联，则执行自然人折叠操作，并进行企业股权投资和被投资双向边设置，以及图谱关联度数的统一；
[0009]S3，根据自然人关联边内无效关联因子，将自然人在企业的任职类型和自然人股权投资类型进行筛选，得到有效关联类型，并根据有效关联类型更新图谱的自然人关联边；
[0010]S4，建设关联企业风险指标体系，包括：根据更新后图谱不同的边属性统计关联企业相应的指标，再根据关联度数聚合相应的指标值；
[0011]S5，构建及训练企业关联风险识别模型，用于需通过关联企业识别本体企业风险状况的场景；
[0012]S6，通过广义线性回归模型训练拟合不同有效关联类型的相应参数；
[0013]S7，测算企业间关联影响度，包括：以绝对表决权的股东兼任董事长兼任法定代表
人兼容总经理相对应的参数作为基准，对S6拟合得到的参数进行归一化，得到各关联类型的影响度，根据企业间不同自然人的关联类型组合叠加企业直接股权关联类型求得综合影响度。
[0014]进一步地，S1中，将企业与企业、企业与个人间股权投资通过股权占比的表决权表映射，划分区别不同控股类型的关联类型变量；将个人与企业间进行任职关联分类，任职关联中包含法定代表人。
[0015]进一步地，S2中图谱重构具体为：如果企业间通过自然人关联，则按照自然人在双边的任职和股权关联类型进行折叠隐藏，仅保留企业与企业之间的直接关联，自然人的双边关系以一种确定的类型保留在边的属性中。
[0016]进一步地，所述企业关联图谱中，边的出度和入度相对于不同的对象是相反的，且投资与被投资是不同的关联类型，需要被纳入到广义线性回归模型的参数拟合范畴进行分别拟合求参。
[0017]进一步地，S3中进行自然人关联边内有效关联因子筛选，具体为：根据不同的自然人关联边属性统计关联企业不同关联因子的相应指标值，再根据企业不同关联度数聚合相应的指标值，最后根据某一特定属性指标值的主成分分析、相关性分析和特征重要性分析结果筛选有效关联因子。
[0018]进一步地，所述关联因子通过穷举自然人关联类型内部的任职和股权投资类型的组合得到，是自然人关联的最小单元。
[0019]进一步地，S6中，将有效关联类型对应的指标值作为自变量全部加入到广义线性回归函数中，拟合因变量为预测的风险结果；对广义线性回归函数进行有监督拟合求参，得到不同关联类型对应的参数作为标准参数，用于后续求解企业关联影响度。
[0020]进一步地，S7中，在测算企业间关联影响度之前，将企业与企业已经形成实际控制的间接股权连接进行特殊处理，将中间链路中的能够实际控制的企业链进行折叠，达到目标企业与实际控制企业直接关联。
[0021]进一步地，S7中，取广义线性回归模型拟合完毕后的某聚合指标对应参数w，以F＝绝对表决权的股东兼任董事长兼任法定代表人兼容总经理相对应的参数作为基准对所有关联类型对应的参数进行归一化操作，得到各个关联类型的影响度E＝w/F；根据企业间不同自然人的关联类型组合叠加企业直接股权关联类型求值，与最高影响度100％进行比较并且取其中较小值，得到企业间的综合影响度。
[0022]根据本说明书的第二方面，提供一种基于图谱重构的企业关联影响度量及风险识别装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，用于实现上述的基于图谱重构的企业关联影响度量及风险识别方法。
[0023]本专利技术的有益效果如下：本专利技术基于普通的多主体企业
‑
自然人关联图谱，通过折叠自然人操作重构为单一主体的企业关联图谱，应用主成分分析、相关性分析和特征重要性分析等算法减少关联类型量，通过广义线性回归模型将不同关联类型转化成为相应的关联参数的技术方案，最终将企业之间的不同关联影响进行量化，从而达到企业关联风险的识别以及企业间关联影响程度的度量的目标。
附图说明
[0024]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。
[0025]图1为本专利技术一示例性实施例提供的基于图谱重构的企业关联影响度量及风险识别方法总体流程图；
[0026]图2为本专利技术一示例性实施例提供的企业关联图谱示意图；
[0027]图3为本专利技术一示例性实施例提供的企业间关联自然人折叠示意图；
[0028]图4为本专利技术一示例性实施例提供的企业股权投资和被投资双向边示意图；
[0029]图5为本专利技术一示例性实施例提供的基于图谱重构的企业关联影响度量及风险识别装置结构图。
具体实施方式
[0030]下面结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术的实施例，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，都属于本专利技术的保护范围。
[0031]如图1所示，本专利技术实施例提供一种基于图谱重构的企业关联影响度量及风险识别方法，该方法具体包括以下本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图谱重构的企业关联影响度量及风险识别方法，其特征在于，包括以下步骤：S1，设置企业关联类型，分为企业间股权关联和通过自然人间接关联，所述企业间股权关联分为股权直接关联和股权间接关联，所述自然人间接关联分为股权控制权和重要性任职职位的任意组合；S2，根据股权关联及任职关联重构企业关联图谱，节点仅为企业，如果企业间通过自然人关联，则执行自然人折叠操作，并进行企业股权投资和被投资双向边设置，以及图谱关联度数的统一；S3，根据自然人关联边内无效关联因子，将自然人在企业的任职类型和自然人股权投资类型进行筛选，得到有效关联类型，并根据有效关联类型更新图谱的自然人关联边；S4，建设关联企业风险指标体系，包括：根据更新后图谱不同的边属性统计关联企业相应的指标，再根据关联度数聚合相应的指标值；S5，构建及训练企业关联风险识别模型，用于需通过关联企业识别本体企业风险状况的场景；S6，通过广义线性回归模型训练拟合不同有效关联类型的相应参数；S7，测算企业间关联影响度，包括：以绝对表决权的股东兼任董事长兼任法定代表人兼容总经理相对应的参数作为基准，对S6拟合得到的参数进行归一化，得到各关联类型的影响度，根据企业间不同自然人的关联类型组合叠加企业直接股权关联类型求得综合影响度。2.根据权利要求1所述的基于图谱重构的企业关联影响度量及风险识别方法，其特征在于，S1中，将企业与企业、企业与个人间股权投资通过股权占比的表决权表映射，划分区别不同控股类型的关联类型变量；将个人与企业间进行任职关联分类，任职关联中包含法定代表人。3.根据权利要求1所述的基于图谱重构的企业关联影响度量及风险识别方法，其特征在于，S2中图谱重构具体为：如果企业间通过自然人关联，则按照自然人在双边的任职和股权关联类型进行折叠隐藏，仅保留企业与企业之间的直接关联，自然人的双边关系以一种确定的类型保留在边的属性中。4.根据权利要求1所述的基于图谱重构的企业关联影响度量及风险识别方法，其特征在于，所述企业关联图谱中，边的出度和入度相对于不同的对象是相反的，且投资与被投资是不同的关联类型，需要被纳入到广义线性回归模型的参数...

【专利技术属性】
技术研发人员：戴宇，陈瑞勇，李响，唐嘉成，
申请(专利权)人：浙江浙里信征信有限公司，
类型：发明
国别省市：