CN115983622A - 一种内控协同管理***的风险预警方法 - Google Patents
一种内控协同管理***的风险预警方法 Download PDFInfo
- Publication number
- CN115983622A CN115983622A CN202211440891.3A CN202211440891A CN115983622A CN 115983622 A CN115983622 A CN 115983622A CN 202211440891 A CN202211440891 A CN 202211440891A CN 115983622 A CN115983622 A CN 115983622A
- Authority
- CN
- China
- Prior art keywords
- project
- factor
- risk assessment
- calculating
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 239000013598 vector Substances 0.000 claims abstract description 176
- 238000012502 risk assessment Methods 0.000 claims abstract description 93
- 238000011156 evaluation Methods 0.000 claims abstract description 48
- 230000002159 abnormal effect Effects 0.000 claims abstract description 46
- 238000009826 distribution Methods 0.000 claims abstract description 43
- 230000005856 abnormality Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 4
- 239000011248 coating agent Substances 0.000 claims description 2
- 238000000576 coating method Methods 0.000 claims description 2
- 238000002360 preparation method Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及项目管理技术领域，具体涉及一种内控协同管理***的风险预警方法，该方法包括：获取各项目的至少两个维度对应数据序列，基于数据序列，计算各项目的第一风险评估因子；获取各数据序列的特征向量；计算各特征向量的参考度值，根据参考度值，计算各特征向量的局部相似度分布，基于局部相似度分布，计算各特征向量的局部异常因子；根据局部异常因子，计算各项目的第二风险评估因子；根据第一风险评估因子与第二风险评估因子，计算各项目的综合风险评估因子；通过综合风险评估因子判定内控协同管理***是否预警。本发明能够准确获取各项目的综合风险评估因子，进而实现精准预警。
Description
技术领域
本发明涉及项目管理技术领域，具体涉及一种内控协同管理***的风险预警方法。
背景技术
内控协同管理***是能够实现单位资源整合、财务资源标准化以及资金管理的综合管理应用平台，通过利用互联网信息技术，对单位内部的业务流程进行实时监控，实现科学高效管理。其中内控协同管理***中最重要的是建立财务监管及预警体系，通过以项目预算为中心，实现项目管理的全过程管控，提高风险防范能力。
在项目管理的全过程管控中，传统的方法往往是对单维度的预算的项目金额数据设置固定大小的数据阈值，若预算的项目金额数据大于设置的数据阈值，则***进行风险预警；比如设置项目的采购金额阈值，若项目在执行过程中，采购金额大于设置的采购金额阈值，则***进行风险预警。然而若仅仅通过单维的数据(采购金额)来分析项目的风险程度，不考虑其他维度的项目数据，比如，若仅考虑采购金额的大小，而不考虑项目本身的合同数据中的采购清单，忽略了采购清单中的数据与采购金额数据之间的内在联系，会造成严重的风险评估误差，进而造成错误预警，因此亟需一种方法能够结合多维度的数据信息，准确实现对项目进行风险评估的目的。
发明内容
为了解决现有技术中出现错误预警的技术问题，本发明的目的在于提供一种内控协同管理***的风险预警方法，所采用的技术方案具体如下：
获取各项目的至少两个维度对应的数据序列，基于数据序列，计算各项目的第一风险评估因子；
获取各数据序列的特征向量，计算各特征向量的参考度值；
对于所有项目在同一维度对应的特征向量，随机选取一个特征向量，以该特征向量为中心获取设定范围内的其他特征向量，根据其他特征向量的参考度值，计算该特征向量的局部相似度分布，进而得到各特征向量的局部相似度分布；根据其他特征向量的局部相似度分布，计算该特征向量的局部异常因子；进而得到各特征向量的局部异常因子；
根据任意一个项目在所有维度对应的特征向量的局部异常因子以及不同维度对应的特征向量的局部异常因子之间的差异，计算该项目的第二风险评估因子；根据该项目的第一风险评估因子与第二风险评估因子，计算该项目的综合风险评估因子；基于综合风险评估因子，判定内控协同管理***是否预警。
优选的，所述基于数据序列，计算各项目的第一风险评估因子的方法为：在任意一个项目的所有维度对应的数据序列中，获取该项目的项目支出数据与项目预算数据；获取该项目的绩效评价值；设置绩效评价值阈值，根据绩效评价值阈值与绩效评价值，计算该项目的项目预算调整幅度值；基于该项目的项目支出数据、项目预算数据以及项目预算调整幅度值，确定该项目的第一风险评估因子。
优选的，所述第一风险评估因子的计算公式为：
αi＝th|gi-sign(fi)×Gi|
其中，αi表示项目i的第一风险评估因子，gi表示项目i的项目支出数据，Gi表示项目i的项目预算数据；
sign(fi)表示项目i的项目预算调整幅度值；fi表示项目i的绩效评价值；fT表示绩效评价值阈值，th()表示双曲正切函数；||表示求取绝对值的函数。
优选的，所述获取各数据序列的特征向量，计算各特征向量的参考度值的方法包括：对于任意一个数据序列，通过自编码网络获取该数据序列的特征向量；
其中，自编码网络包括蒙特卡罗层，蒙特卡罗层的参数值在设定的初始值与终止值之间不断变化，不同的参数值对应的自编码网络获取的特征向量不同，计算每一次变化前后的两个特征向量之间的余弦相似度；根据余弦相似度与参数值构建曲线，曲线的横坐标为参数值，曲线的纵坐标为余弦相似度；每一次变化时对应的参数值与每一次变化前后的两个特征向量之间的余弦相似度在曲线中对应一个点，基于曲线中各点的坐标，计算该特征向量的参考度值。
优选的，所述参考度值的计算公式为：
式中，μi(m)表示项目i在第m个维度对应的特征向量的参考度值，Q表示蒙特卡罗层参数值变化的次数；(xq,yq)表示曲线中第q个点的坐标；(xq-1,yq-1)表示曲线中第q-1个点的坐标；exp{}表示以自然常数e为底的指数函数，||表示求绝对值的函数。
优选的，所述根据其他特征向量的参考度值，计算该特征向量的局部相似度分布的方法为：任意选取一个其他特征向量，计算该其他特征向量的参考度值和该其他特征向量与该特征向量之间的余弦相似度的乘积，得到该其他特征向量的第一特征；计算所有其他特征向量的第一特征对应的平均值，平均值为该特征向量的局部相似度分布。
优选的，所述根据其他特征向量的局部相似度分布，计算该特征向量的局部异常因子的方法为：计算所有其他特征向量的局部相似度分布的累加和，得到第一异常因子；计算该特征向量的局部相似度分布与其他特征向量的数量的乘积，得到第二异常因子；第一异常因子与第二异常因子的比值为该特征向量的局部异常因子。
优选的，所述第二风险评估因子的计算公式为：
其中，βi表示项目i的第二风险评估因子；M表示维度的数量；δi(m)表示项目i在第m个维度对应的特征向量的局部异常因子；δi(l)表示项目i在第l个维度对应的特征向量的局部异常因子；norm表示线性归一化函数；||表示求取绝对值的函数。
优选的，所述根据该项目的第一风险评估因子与第二风险评估因子，计算该项目的综合风险评估因子的方法为：将第一风险评估因子与第二风险评估因子的平方和的平方根作为该项目的综合风险评估因子。
优选的，所述基于综合风险评估因子，判定内控协同管理***是否预警的方法为：设置评估阈值，比较评估阈值与综合风险评估因子的大小，当综合风险评估因子大于评估阈值时，则内控协同管理***进行预警，当综合风险评估因子小于等于评估阈值时，则内控协同管理***不进行预警。
本发明实施例至少具有如下有益效果：
本发明通过各特征向量的参考度值，计算各特征向量的局部相似度分布，进而得到各特征向量的局部异常因子；局部异常因子反映了特征向量的异常分布情况，不同的特征向量具有不同的异常分布情况，异常分布情况能够表征特征向量对应的项目的异常程度，进而使得后续的预警结果更加精确。本发明通过第一风险评估因子与第二风险评估因子，计算各项目的综合风险评估因子；通过综合风险评估因子判定内控协同管理***是否预警。其中，第二风险评估因子将对单维度对应的数据序列进行分析得到的分析结果与对多维度进行分析得到的结果进行了结合，能够更加准确的反映对应项目的风险程度，得到精准的预警结果，提高了内控协同管理***的预警精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，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它附图。
图1为本发明的一种内控协同管理***的风险预警方法实施例的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的方案，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
请参阅图1，其示出了本发明一个实施例提供的一种内控协同管理***的风险预警方法的步骤流程图，该方法包括以下步骤：
步骤1，获取各项目的至少两个维度对应的数据序列，基于数据序列，计算各项目的第一风险评估因子。
具体地，首先通过在内控协同管理***中的数据库中调取目前每个项目的至少两个维度对应的项目数据，至少两个维度对应的项目数据是指不同类型的项目数据；例如，项目支出、项目预算以及项目合同分别代表一个维度。
然后由于不同维度对应的项目数据之间的数据表现形式不同，因此为了简便计算，可以更好的表示不同维度之间的关联性，本实施例对不同维度对应的项目数据进行预处理，得到不同维度对应的数据序列。
获取数据序列的方法具体为：采用历史先验的各项目的不同维度的项目数据，构建关键字提取网络，用于生成项目不同维度对应的数据序列。
其中关键字提取网络具体的构建过程为：(1)采用的关键字提取网络为RNN神经网络，采用的数据集为历史先验的各项目不同维度的项目数据；(2)采用人工标注的方式，对历史先验的项目不同维度的项目数据进行标注，对项目的各个维度的项目数据的关键字进行人工标注为1，其余的项目数据中的词标注为0；(3)网络的目的是用于分类，因此采用的损失函数为交叉熵函数。RNN神经网络为公知技术，具体训练过程与使用不再赘述。
至此，得到各个项目的每一个维度对应的数据序列，设定数据序列的长度为50，若长度不足50的进行补0即可，长度的取值可根据实施者依据具体实施情况设定；本实施例给出数据序列格式的表现形式为：{“项目名称”，“项目责任人”，“合同采购清单”，“预算金额”，“采购设备内容”，“支出金额”}，具体的数据序列格式的表现形式由实施者根据实际情况设定。其中对于某些维度的项目数据中的文本数据，文本数据中可能存在大量的无用信息(对数据序列的构成无影响)，针对这些无用信息，可根据现有算法或工具进行文字类型数据分词(Stanford Core NLP分词工具)，并进行文本清洗，去除这些无用信息；文字类型数据分词(Stanford Core NLP分词工具)为公知技术，不再赘述。
然后基于数据序列，计算各项目的第一风险评估因子。
第一风险评估因子的获取方法为：在任意一个项目的所有维度对应的数据序列中，获取该项目的项目支出数据与项目预算数据；项目支出数据为项目支出维度对应的项目数据，项目预算数据为项目预算维度对应的项目数据；获取该项目的绩效评价值；设置绩效评价值阈值，根据绩效评价值阈值与绩效评价值，计算该项目的项目预算调整幅度值；基于该项目的项目支出数据、项目预算数据以及项目预算调整幅度值，确定该项目的第一风险评估因子。
第一风险评估因子用公式表示为：
αi＝th|gi-sign(fi)×Gi|
其中，αi表示项目i的第一风险评估因子，gi表示项目i的项目支出数据，Gi表示项目i的项目预算数据；
sign(fi)表示项目i的项目预算调整幅度值；fi表示项目i的绩效评价值；fT表示绩效评价值阈值，本实施例中取值为70，实施者可根据实际情况进行设定；th()表示双曲正切函数；||表示求取绝对值的函数。
上述中项目的绩效评价值的获取方法为：设计项目的评价指标，例如投入经济效益、资源整合、工作效率、预算管理合理性等多个评价指标，采用层次分析法，根据项目的各个评价指标的内容数据采用专家打分的方式(专家打分为10分，即对应层次分析法中的比例标度)获取每个评价指标的参考权重值；为了方便计算，设定绩效满分为100分，进而得到项目的绩效评价值。其中，通过层次分析法获取绩效评价值为公知技术，不再赘述。
绩效评价值fi表征当前阶段内项目i的进度情况，若当前阶段内项目i的绩效评价值越低，则表明当前阶段内项目i的进度越少，即当前阶段内项目的风险较大的情况有极大可能是由于项目进度情况引起的，对应的为了规避风险，本实施例在计算项目支出数据与预算数据之间的差值时，对项目预算数据根据项目的绩效评价值进行调整；其中项目的绩效评价值与绩效评价值阈值的差异越大，则表明当前阶段内项目的风险较大，对应的需要调整的项目预算数据的幅度越大；而当前阶段项目的项目支出数据与调整后的项目预算数据差异越大，则表明当前阶段内项目的风险越大，对应的项目的第一风险评估因子越大。所以项目预算调整幅度值的计算使得获取的第一风险评估因子的结果更加准确，规避了由于项目进度引起的项目风险过大的情况。
需要说明的是，若仅考虑项目的项目支出数据和项目预算数据之间的差异情况，通过计算项目支出数据与项目预算数据之间的关系来评估项目的风险程度，则会直接导致项目的风险过大，但是由于项目执行力的影响，不同项目之间的绩效情况不同，即不同项目对应的绩效评价值不同，因此本实施例综合考虑当前阶段内项目的绩效情况，并根据项目的绩效情况对项目的项目预算数据进行调整，使得计算出来的第一风险评估因子更加准确。
本实施例综合考虑了同一个项目的多个维度的项目数据之间的关系，比如对于项目开展过程中，合同数据中需要的设备与对应的采购时的设备相似，资产数据中与采购数据相对应，比如采购的清单是否与资产清单相似；而在项目开展过程中，往往需要预先计算项目所需要的预算情况，同时还需要考虑当前阶段内项目的综合执行情况，来判断项目的风险情况；因此，本实施例在得到各个维度对应的数据序列后，根据项目的当前绩效情况，即绩效评价值，并充分考虑结合同一个项目的所有维度对应的数据序列之间的相关性，进而获取项目的第一风险评估因子。
步骤2，获取各数据序列的特征向量，计算各特征向量的参考度值。
具体地，为了减少后续过程的计算量，构建各数据序列对应的自编码网络，通过自编码网络获取各数据序列的特征向量；每一个数据序列均具有与之对应的自编码网络；自编码网络为公知技术，不再赘述，本实施例只对自编码网络的结构进行简要说明。
自编码网络的结构为：以全连接网络(FC网络)作为自编码网络的编码层，通过编码层获取数据序列对应的特征向量，采用蒙特卡罗drop out技术(公知技术，不再赘述)，在自编码网络的编码层和解码层之间构建蒙特卡罗层进行处理，其中，在本实施例中蒙特卡罗层的参数值以初始值为0.03，步长为0.02，终止值为0.25进行不断迭代变化，不同的参数值对应的自编码网络获取的特征向量不同，获取每一次dropout后的特征向量，通过特征向量的变化，来计算特征向量的参考度值。在具体实施过程中，初始值、终止值以及步长的取值由实施者根据实际情况自行设定。
使用蒙特卡罗层的效果为：通过设置蒙特卡罗层，避免自编码网络过拟合，即避免自编码网络提取的特征表征的信息过多的表示为数量、大小等无用的信息，通过计算参考度值，使得到的数据序列的特征向量更加准确。
通过蒙特卡罗层不同参数值的迭代变化，由于不同的参数值对应的自编码网络获取的特征向量不同，基于此，可以计算每一次变化前后的两个特征向量之间的余弦相似度；根据余弦相似度与参数值构建曲线，曲线的横坐标为参数值，曲线的纵坐标为余弦相似度；每一次变化时对应的参数值与每一次变化前后的两个特征向量之间的余弦相似度在曲线中对应一个点，为了便于后续中参考度量值的公示表示，本实施例中第1次变化时对应的参数值为0.03，由于0.03为初始值，所以第1次变化前没有对应的特征向量，即第1次变化不存在对应的余弦相似度，将对应的余弦相似度记为0；第2次变化时对应的参数值为0.05，第2次变化前后的两特征向量之间的余弦相似度为参数值为0.03时对应的特征向量与参数值为0.05时对应的特征向量之间的余弦相似度；基于曲线中各点的坐标，计算对应特征向量的参考度值。
参考度值用公式表示为：
式中，μi(m)表示项目i在第m个维度对应的特征向量的参考度值，Q表示蒙特卡罗层参数值变化的次数；(xq,yq)表示曲线中第q个点的坐标；(xq-1,yq-1)表示曲线中第q-1个点的坐标；exp{}表示以自然常数e为底的指数函数，||表示求绝对值的函数。
步骤3，对于所有项目在同一维度对应的特征向量，随机选取一个特征向量，以该特征向量为中心获取设定范围内的其他特征向量，根据其他特征向量的参考度值，计算该特征向量的局部相似度分布，进而得到各特征向量的局部相似度分布；根据其他特征向量的局部相似度分布，计算该特征向量的局部异常因子；进而得到各特征向量的局部异常因子。
上述中以该特征向量为中心获取设定范围内的其他特征向量的方法为：以项目i在第m个维度对应的特征向量为例，对以该特征向量为中心获取设定范围内的其他特征向量的方法进行说明，将所有项目在第m个维度下对应的特征向量映射到分布空间中，得到对应的数据点，即每一个特征向量在分布空间中均具有与之相对应的数据点，通过密度聚类获取以特征向量为中心获取设定范围内的其他特征向量，设定范围的取值为半径10的圆，在具体实施过程中，实施者可根据实际情况自行调整设定范围。其中密度聚类为公知技术，不再赘述。
所述根据其他特征向量的参考度值，计算该特征向量的局部相似度分布的方法为：任意选取一个其他特征向量，计算该其他特征向量的参考度值和该其他特征向量与该特征向量之间的余弦相似度的乘积，得到该其他特征向量的第一特征；计算所有其他特征向量的第一特征对应的平均值，平均值为该特征向量的局部相似度分布。
以项目i在第m个维度对应的特征向量为例，该特征向量的局部相似度分布的公式表示为：
εi(m)表示项目i在第m个维度对应的特征向量的局部相似度分布；NK,i(m)表示以项目i在第m个维度对应的特征向量为中心，获取的设定范围K内的其他特征向量的数量；μj表示第j个其他特征向量的参考度值；cos(θi,j)表示项目i在第m个维度对应的特征向量与第j个其他特征向量之间的余弦相似度。
cos(θi,j)表征的是项目i在第m个维度对应的特征向量与第j个其他特征向量之间的相似程度，相似程度越大，cos(θi,j)的取值越大，说明两特征向量之间的关联性越强，若该特征向量与所有其他特征向量之间的相似程度均比较大，则该特征向量的局部相似度分布越大。
上述中根据其他特征向量的局部相似度分布，计算该特征向量的局部异常因子的方法为：计算所有其他特征向量的局部相似度分布的累加和，得到第一异常因子；计算该特征向量的局部相似度分布与其他特征向量的数量的乘积，得到第二异常因子；第一异常因子与第二异常因子的比值为该特征向量的局部异常因子。
以项目i在第m个维度对应的特征向量为例，该特征向量的局部异常因子的公式表示为：
其中，δi(m)表示项目i在第m个维度对应的特征向量的局部异常因子；NK,i(m)表示以项目i在第m个维度对应的特征向量为中心，获取的设定范围K内的其他特征向量的数量；εj表示第j个其他特征向量的局部相似度分布；εi(m)表示项目i在第m个维度对应的特征向量的局部相似度分布。
步骤4，根据任意一个项目在所有维度对应的特征向量的局部异常因子以及不同维度对应的特征向量的局部异常因子之间的差异，计算该项目的第二风险评估因子；根据该项目的第一风险评估因子与第二风险评估因子，计算该项目的综合风险评估因子；基于综合风险评估因子，判定内控协同管理***是否预警。
具体地，所述第二风险评估因子的计算公式为：
其中，βi表示项目i的第二风险评估因子；M表示维度的数量；δi(m)表示项目i在第m个维度对应的特征向量的局部异常因子；δi(l)表示项目i在第l个维度对应的特征向量的局部异常因子；|δi(m)-δi(l)|表示δi(m)与δi(l)的差值绝对值；norm表示线性归一化函数；||表示求取绝对值的函数。
|δi(m)-δi(l)|表征的是δi(m)与δi(l)之间的差异，即同一个项目在不同维度下对应的数据序列之间的异常关系，由于项目的不同维度对应的数据序列之间存在着较强的相关性，因此计算统一项目在不同维度对应的数据序列之间的异常关系，表征多维度对应的数据序列之间的相关性，|δi(m)-δi(l)|的取值越大，说明δi(m)与δi(l)对应的数据序列之间的相关性越低，进而对应项目的第二风险评估因子越大，则对应项目出现风险的程度越高。
δi(m)表征的是单维度下对应的特征向量的局部异常因子，
表征的所有维度下对应的特征向量的局部异常因子，为对项目的单维度上的数据序列进行分析时，得到的分析结果，平均值越大，说明对应项目的第二风险评估因子越大，则对应项目出现风险的程度越高。
每个项目的第二风险评估因子与单个维度对应的特征向量的局部异常因子，以及不同维度对应的特征向量的局部异常因子之间的差异有关，本实施例通过对两者进行L2范数结合，综合表征不同的维度之间的异常程度大小；若单个维度的局部异常因子的均值越大，并且多个维度之间的局部异常因子的分布差异越大，则表明项目的风险程度越高，则对应的项目的第二风险评估因子越大。因此在计算第二风险评估因子时，在对单维度的特征向量的局部异常因子计算的基础上，考虑了多维度的特征向量对应的局部异常因子之间的异常关系，将对单维度进行分析得到的分析结果与对多维度进行分析得到的分析结果进行结合，得到第二风险评估因子，进而通过第二风险评估因子能够更加准确的表征不同类型的项目的风险程度。
上述中根据该项目的第一风险评估因子与第二风险评估因子，计算该项目的综合风险评估因子的方法为：将第一风险评估因子与第二风险评估因子的平方和的平方根作为该项目的综合风险评估因子，其用公式表示为：
式中，γi表示项目i的综合风险评估因子，αi表示项目i的第一风险评估因子；βi表示项目i的第二风险评估因子。本实施例通过对每个项目的第一风险评估因子和第二风险评估因子进行L2范数整合的方式，计算每个项目的综合风险评估因子。
进一步地，为了便于比较各项目的综合风险评估因子的大小，对各项目的综合风险评估因子进行归一化处理，使得综合风险评估因子的取值在区间[0,1]中，然后设置评估阈值，本实施例将其设置为0.5，在实际操作过程中，实施者可根据实际情况调整评估阈值的取值，进而比较评估阈值与综合风险评估因子的大小，当综合风险评估因子大于评估阈值时，表明对应的项目存在较大的风险，则内控协同管理***进行预警，当综合风险评估因子小于等于评估阈值时，则内控协同管理***不进行预警。
需要说明的是，由于本实施例中具有多个项目，因此，当任意一个项目的综合风险评估因子大于评估阈值时，则内控协同管理***进行预警，当所有项目的综合风险评估因子均小于等于评估阈值时，则内控协同管理***不进行预警。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，均应包含在本申请的保护范围之内。
Claims (10)
1.一种内控协同管理***的风险预警方法，其特征在于，该方法包括以下步骤：
获取各项目的至少两个维度对应的数据序列，基于数据序列，计算各项目的第一风险评估因子；
获取各数据序列的特征向量，计算各特征向量的参考度值；
对于所有项目在同一维度对应的特征向量，随机选取一个特征向量，以该特征向量为中心获取设定范围内的其他特征向量，根据其他特征向量的参考度值，计算该特征向量的局部相似度分布，进而得到各特征向量的局部相似度分布；根据其他特征向量的局部相似度分布，计算该特征向量的局部异常因子；进而得到各特征向量的局部异常因子；
根据任意一个项目在所有维度对应的特征向量的局部异常因子以及不同维度对应的特征向量的局部异常因子之间的差异，计算该项目的第二风险评估因子；根据该项目的第一风险评估因子与第二风险评估因子，计算该项目的综合风险评估因子；基于综合风险评估因子，判定内控协同管理***是否预警。
2.根据权利要求1所述的一种内控协同管理***的风险预警方法，其特征在于，所述基于数据序列，计算各项目的第一风险评估因子的方法为：在任意一个项目的所有维度对应的数据序列中，获取该项目的项目支出数据与项目预算数据；获取该项目的绩效评价值；设置绩效评价值阈值，根据绩效评价值阈值与绩效评价值，计算该项目的项目预算调整幅度值；基于该项目的项目支出数据、项目预算数据以及项目预算调整幅度值，确定该项目的第一风险评估因子。
3.根据权利要求2所述的一种内控协同管理***的风险预警方法，其特征在于，所述第一风险评估因子的计算公式为：
αi＝th|gi-sign(fi)×Gi|
其中，αi表示项目i的第一风险评估因子，gi表示项目i的项目支出数据，Gi表示项目i的项目预算数据；
sign(fi)表示项目i的项目预算调整幅度值；fi表示项目i的绩效评价值；fT表示绩效评价值阈值，th()表示双曲正切函数；||表示求取绝对值的函数。
4.根据权利要求1所述的一种内控协同管理***的风险预警方法，其特征在于，所述获取各数据序列的特征向量，计算各特征向量的参考度值的方法包括：对于任意一个数据序列，通过自编码网络获取该数据序列的特征向量；
其中，自编码网络包括蒙特卡罗层，蒙特卡罗层的参数值在设定的初始值与终止值之间不断变化，不同的参数值对应的自编码网络获取的特征向量不同，计算每一次变化前后的两个特征向量之间的余弦相似度；根据余弦相似度与参数值构建曲线，曲线的横坐标为参数值，曲线的纵坐标为余弦相似度；每一次变化时对应的参数值与每一次变化前后的两个特征向量之间的余弦相似度在曲线中对应一个点，基于曲线中各点的坐标，计算该特征向量的参考度值。
5.根据权利要求4所述的一种内控协同管理***的风险预警方法，其特征在于，所述参考度值的计算公式为：
式中，μi(m)表示项目i在第m个维度对应的特征向量的参考度值，Q表示蒙特卡罗层参数值变化的次数；(xq,yq)表示曲线中第q个点的坐标；(xq-1,yq-1)表示曲线中第q-1个点的坐标；exp{}表示以自然常数e为底的指数函数，||表示求绝对值的函数。
6.根据权利要求1所述的一种内控协同管理***的风险预警方法，其特征在于，所述根据其他特征向量的参考度值，计算该特征向量的局部相似度分布的方法为：任意选取一个其他特征向量，计算该其他特征向量的参考度值和该其他特征向量与该特征向量之间的余弦相似度的乘积，得到该其他特征向量的第一特征；计算所有其他特征向量的第一特征对应的平均值，平均值为该特征向量的局部相似度分布。
7.根据权利要求1所述的一种内控协同管理***的风险预警方法，其特征在于，所述根据其他特征向量的局部相似度分布，计算该特征向量的局部异常因子的方法为：计算所有其他特征向量的局部相似度分布的累加和，得到第一异常因子；计算该特征向量的局部相似度分布与其他特征向量的数量的乘积，得到第二异常因子；第一异常因子与第二异常因子的比值为该特征向量的局部异常因子。
8.根据权利要求1所述的一种内控协同管理***的风险预警方法，其特征在于，所述第二风险评估因子的计算公式为：
其中，βi表示项目i的第二风险评估因子；M表示维度的数量；δi(m)表示项目i在第m个维度对应的特征向量的局部异常因子；δi(l)表示项目i在第l个维度对应的特征向量的局部异常因子；norm表示线性归一化函数；||表示求取绝对值的函数。
9.根据权利要求1所述的一种内控协同管理***的风险预警方法，其特征在于，所述根据该项目的第一风险评估因子与第二风险评估因子，计算该项目的综合风险评估因子的方法为：将第一风险评估因子与第二风险评估因子的平方和的平方根作为该项目的综合风险评估因子。
10.根据权利要求1所述的一种内控协同管理***的风险预警方法，其特征在于，所述基于综合风险评估因子，判定内控协同管理***是否预警的方法为：设置评估阈值，比较评估阈值与综合风险评估因子的大小，当综合风险评估因子大于评估阈值时，则内控协同管理***进行预警，当综合风险评估因子小于等于评估阈值时，则内控协同管理***不进行预警。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211440891.3A CN115983622B (zh) | 2022-11-17 | 2022-11-17 | 一种内控协同管理***的风险预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211440891.3A CN115983622B (zh) | 2022-11-17 | 2022-11-17 | 一种内控协同管理***的风险预警方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115983622A true CN115983622A (zh) | 2023-04-18 |
| CN115983622B CN115983622B (zh) | 2023-09-26 |
Family
ID=85968748
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211440891.3A Active CN115983622B (zh) | 2022-11-17 | 2022-11-17 | 一种内控协同管理***的风险预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115983622B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117290799A (zh) * | 2023-11-24 | 2023-12-26 | 山东壹知产数字科技有限公司 | 一种基于大数据的企业采购管理方法及*** |
| CN117523703A (zh) * | 2023-11-21 | 2024-02-06 | 北京易动宇航科技有限公司 | 一种电推进***失效风险评估方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111832912A (zh) * | 2020-06-28 | 2020-10-27 | 厦门思在信息科技有限公司 | 基于风险评估的项目可行性管控方法、装置及终端 |
| CN113139705A (zh) * | 2020-01-17 | 2021-07-20 | ***通信集团浙江有限公司 | 业务项目的风险识别方法及装置 |
| CN113762967A (zh) * | 2021-03-31 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 风险信息确定方法、模型训练方法、设备、程序产品 |
| CN114693181A (zh) * | 2022-05-30 | 2022-07-01 | 江苏金恒信息科技股份有限公司 | 一种风险评估预警方法、***及装置 |
-
2022
- 2022-11-17 CN CN202211440891.3A patent/CN115983622B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113139705A (zh) * | 2020-01-17 | 2021-07-20 | ***通信集团浙江有限公司 | 业务项目的风险识别方法及装置 |
| CN111832912A (zh) * | 2020-06-28 | 2020-10-27 | 厦门思在信息科技有限公司 | 基于风险评估的项目可行性管控方法、装置及终端 |
| CN113762967A (zh) * | 2021-03-31 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 风险信息确定方法、模型训练方法、设备、程序产品 |
| CN114693181A (zh) * | 2022-05-30 | 2022-07-01 | 江苏金恒信息科技股份有限公司 | 一种风险评估预警方法、***及装置 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117523703A (zh) * | 2023-11-21 | 2024-02-06 | 北京易动宇航科技有限公司 | 一种电推进***失效风险评估方法 |
| CN117523703B (zh) * | 2023-11-21 | 2024-04-05 | 北京易动宇航科技有限公司 | 一种电推进***失效风险评估方法 |
| CN117290799A (zh) * | 2023-11-24 | 2023-12-26 | 山东壹知产数字科技有限公司 | 一种基于大数据的企业采购管理方法及*** |
| CN117290799B (zh) * | 2023-11-24 | 2024-02-02 | 山东壹知产数字科技有限公司 | 一种基于大数据的企业采购管理方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115983622B (zh) | 2023-09-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ahmed et al. | House price estimation from visual and textual features | |
| CN115983622B (zh) | 一种内控协同管理***的风险预警方法 | |
| Lukić | Analysis if the Efficiency of Trade in Oil Derivatives in Serbia by Applying the Fuzzy AHP-TOPSIS Method | |
| CN107563645A (zh) | 一种基于大数据的金融风险分析方法 | |
| CN113111924A (zh) | 电力客户分类方法及装置 | |
| CN112488507B (zh) | 一种基于聚类的专家分类画像方法、装置及存储介质 | |
| CN110941734A (zh) | 基于稀疏图结构的深度无监督图像检索方法 | |
| CN111681022A (zh) | 一种网络平台数据资源价值评估方法 | |
| CN115994271A (zh) | 心理测评量表的推荐方法 | |
| CN114154716B (zh) | 一种基于图神经网络的企业能耗预测方法及装置 | |
| CN113052395A (zh) | 融合网络特征的神经网络预测金融数据的方法 | |
| CN116883157A (zh) | 一种基于度量学习的小样本信用评估方法及*** | |
| CN113988459A (zh) | 一种基于电力营销数据的中小企业成长性评估方法及*** | |
| CN113112186A (zh) | 一种企业评估方法、装置及设备 | |
| CN115310999B (zh) | 基于多层感知机和排序网络的企业用电行为分析方法及*** | |
| CN113657726B (zh) | 基于随机森林的人员的危险性分析方法 | |
| CN114626594A (zh) | 一种基于聚类分析和深度学习的中长期电量预测方法 | |
| CN114091961A (zh) | 一种基于半监督svm的电力企业供应商评价方法 | |
| CN114529063A (zh) | 一种基于机器学习的金融领域数据预测方法、设备及介质 | |
| CN114757495A (zh) | 一种基于逻辑回归的会员价值量化评估方法 | |
| CN111651512B (zh) | 基于半监督学习的多源异构商品特征权重求解方法和装置 | |
| CN113850483A (zh) | 一种企业信用风险评级*** | |
| Sugiarto et al. | Utilizing Clustering Methods for Categorizing Delivery Requirements Based on Analysis of E-Commerce Product Data | |
| Shen et al. | Investment time series prediction using a hybrid model based on RBMs and pattern clustering | |
| Fu et al. | A Model Average Algorithm for Housing Price Forecast with Evaluation Interpretation. |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Risk Warning Method for Internal Control Collaborative Management System Granted publication date: 20230926 Pledgee: Bank of Jiaxing science and technology branch of Limited by Share Ltd. Pledgor: Zhejiang Haohan Information Technology Co.,Ltd. Registration number: Y2024980012790 |