【技术实现步骤摘要】
本专利技术属于企业风险预测，具体涉及一种基于产业链的企业风险预测方法和系统。
技术介绍
1、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，我们必须要考虑到企业生产经营过程中各个环节可能带来的风险，才有可能保证企业经营风险分析的准确性。
2、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个节点的风险情况。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。虽然有专家建议加入非财务指标构建企业风险评估模型，但由于非财务指标选取无统一标准，有些只停留在理论阶段，即便有实证研究也多采用局部数据，很难大面积推广。
3、现有技术中的一些企业风险预测方法还考虑到了企业基本信息、企业类型和企业状态等因素，然后通过企业风险模型预测企业风险结果，但是未考虑到企业生产经营过程中各个环节可能带来的风险，因此准确性有待提高。部分企业风险预测方法还从企业生产经营的原料、库存、订单、生产入手分析企业订单违约风险，从而评估企业风险，但是订单违约风险只是众多企业风险管理中的一个方面，并不能全面反映企业风险情况，因此，这类企业风险预测方法的使用范围有限。
4、因此，需要一种新的企业风险预测
技术实现思路
1、有鉴于此，本专利技术提出了一种基于产业链的企业风险预测方法和系统，用于解决现有技术无法基于产业链的各个环节全面预测企业风险的问题。
2、本专利技术第一方面，提出了一种基于产业链的企业风险预测方法，所述方法包括：
3、采集产业链各个节点的基本状况并进行预处理，建立企业风险状况评价的分类标准数据集；
4、建立改进的条件随机场模型，通过所述分类标准数据集训练所述改进的条件随机场模型，得到风险预测模型；
5、获取待测企业的产业链各个节点的相关数据并进行预处理，输入所述风险预测模型，输出待测企业风险状况评价的条件概率数值；
6、设定不同的条件概率阈值区间，判断所述风险预测模型输出的条件概率数值所属的条件概率阈值区间，量化待测企业的风险评级。
7、在以上技术方案的基础上，优选的，所述产业链各个节点的基本状况包括：企业的生产数据、库存数据、销售数据、财务数据、司法风险等级、企业的资信评级。
8、在以上技术方案的基础上，优选的，所述建立企业风险状况评价的分类标准数据集具体包括：
9、分析产业链各个节点的业务场景下的历史征信风险事件与产业链各个节点的基本状况之间的关联关系，筛选出风险状况评价的关键指标数据，形成指标数据库；
10、根据历史征信风险事件为指标数据库中的每组数据做标记，所述标记分为有风险、无风险两类；
11、分别提取指标数据库中的每组数据的指标特征向量和标记信息，基于每组数据的指标特征向量和标记信息组建分类标准数据集。
12、在以上技术方案的基础上，优选的，所述改进的条件随机场模型包括依次连接的输入层、bilstm层、注意力层、birnn层和crf层；
13、所述输入层用于输入每组数据的指标特征向量和标记信息；
14、所述bilstm层包括多个正向lstm模块和多个反向lstm模块，且多个正向lstm模块和多个反向lstm模块组成网状结构进行数据双向传输，以提取输入数据的上下文特征；
15、所述注意力层用于为不同特征添加不同的权重；
16、所述birnn层包括rnn输入层、前向隐藏层、逆向隐藏层和rnn输出层，用于提取输入数据的深层次特征；
17、所述crf层用于基于输入数据的深层次特征计算企业风险状况评价的条件概率数值并输出。
18、在以上技术方案的基础上，优选的，所述bilstm层的多个正向lstm模块依次连接，多个反向lstm模块依次连接，且正向lstm模块与反向lstm模块的数量相同；
19、所述正向lstm模块以不同的输入数据的分量和前一个正向lstm模块的输出为输入，且所述正向lstm模块的输出数据同时作为对应的反向lstm模块和下一个正向lstm模块的输入。
20、在以上技术方案的基础上，优选的，所述birnn层将rnn输入层输入的数据同时传递给前向隐藏层和逆向隐藏层，经前向隐藏层和逆向隐藏层处理后，前向隐藏层和逆向隐藏层合并为一个隐藏层，并作为rnn输出层的输出。
21、在以上技术方案的基础上，优选的，所述设定不同的条件概率阈值区间，判断所述风险预测模型输出的条件概率数值所属的条件概率阈值区间，量化待测企业的风险评级具体包括：
22、设置n个不同条件概率阈值，将[0,1]划分为n+1个条件概率阈值区间，为每个条件概率阈值区间设定对应的风险评级，概率值越大风险评级越高；
23、判断所述风险预测模型输出的条件概率数值所属的条件概率阈值区间，得到待测企业的风险评级。
24、本专利技术第二方面，公开了一种基于产业链的企业风险预测系统，所述系统包括：
25、数据采集模块：用于采集产业链各个节点的基本状况并进行预处理，建立企业风险状况评价的分类标准数据集；
26、模型建立模块：用于建立改进的条件随机场模型，通过所述分类标准数据集训练所述改进的条件随机场模型，得到风险预测模型；
27、模型训练模块：用于获取待测企业的产业链各个节点的相关数据，输入所述风险预测模型，输出待测企业风险状况评价的条件概率数值；
28、风险预测模块：用于设定不同的条件概率阈值区间，判断所述风险预测模型输出的条件概率数值所属的条件概率阈值区间，量化待测企业的信用风险评级。
29、本专利技术第三方面，公开一种电子设备，包括：至少一个处理器、至少一个存储器、通信接口和总线；
30、其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；
31、所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以实现如本专利技术第一方面所述的方法。
32、本专利技术第四方面，公开一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令使计算机实现如本专利技术第一方面所述的方法。
33、本专利技术相对于现有技术具有以下有益效果：
34、1)本专利技术采集产业链各个节点的基本状况并进行预处理，建立企业风险状况评价的分类标准数据集，不仅考虑到了企业财务指标，还考虑到了企业的生产、供应、销售等各个节点的全产业链的相关指标数据，能更全面、更准确的评估企业本文档来自技高网...
【技术保护点】
1.一种基于产业链的企业风险预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于产业链的企业风险预测方法，其特征在于，所述产业链各个节点的基本状况包括：企业的生产数据、库存数据、销售数据、财务数据、司法风险等级和企业的资信评级。
3.根据权利要求2所述的基于产业链的企业风险预测方法，其特征在于，所述建立企业风险状况评价的分类标准数据集具体包括：
4.根据权利要求1所述的基于产业链的企业风险预测方法，其特征在于，所述改进的条件随机场模型包括依次连接的输入层、BiLSTM层、注意力层、BiRNN层和CRF层；
5.根据权利要求4所述的基于产业链的企业风险预测方法，其特征在于，所述多个正向LSTM模块依次连接，所述多个反向LSTM模块依次连接，且正向LSTM模块与反向LSTM模块的数量相同；
6.根据权利要求4所述的基于产业链的企业风险预测方法，其特征在于，所述BiRNN层将RNN输入层输入的数据同时传递给前向隐藏层和逆向隐藏层，经前向隐藏层和逆向隐藏层处理后，前向隐藏层和逆向隐藏层合并为一个隐藏层，并作为RNN
7.根据权利要求1所述的基于产业链的企业风险预测方法，其特征在于，所述设定不同的条件概率阈值区间，判断所述风险预测模型输出的条件概率数值所属的条件概率阈值区间，量化待测企业的风险评级具体包括：
8.一种基于产业链的企业风险预测系统，其特征在于，所述系统包括：
9.一种电子设备，其特征在于，包括：至少一个处理器、至少一个存储器、通信接口和总线；
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储计算机指令，所述计算机指令使计算机实现如权利要求1～7任一项所述的方法。
...【技术特征摘要】
1.一种基于产业链的企业风险预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于产业链的企业风险预测方法，其特征在于，所述产业链各个节点的基本状况包括：企业的生产数据、库存数据、销售数据、财务数据、司法风险等级和企业的资信评级。
3.根据权利要求2所述的基于产业链的企业风险预测方法，其特征在于，所述建立企业风险状况评价的分类标准数据集具体包括：
4.根据权利要求1所述的基于产业链的企业风险预测方法，其特征在于，所述改进的条件随机场模型包括依次连接的输入层、bilstm层、注意力层、birnn层和crf层；
5.根据权利要求4所述的基于产业链的企业风险预测方法，其特征在于，所述多个正向lstm模块依次连接，所述多个反向lstm模块依次连接，且正向lstm模块与反向lstm模块的数量相同；
6...
【专利技术属性】
技术研发人员：杜乐，杨雄，张帆，
申请(专利权)人：武汉东湖大数据科技股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。