CN116596674A - 基于大数据分析的对外贸易风险评估方法 - Google Patents
基于大数据分析的对外贸易风险评估方法 Download PDFInfo
- Publication number
- CN116596674A CN116596674A CN202310875414.8A CN202310875414A CN116596674A CN 116596674 A CN116596674 A CN 116596674A CN 202310875414 A CN202310875414 A CN 202310875414A CN 116596674 A CN116596674 A CN 116596674A
- Authority
- CN
- China
- Prior art keywords
- risk
- data
- foreign trade
- association rule
- degree
- 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.)
- Pending
Links
- 238000012502 risk assessment Methods 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title claims abstract description 89
- 238000007405 data analysis Methods 0.000 title claims abstract description 20
- 238000004458 analytical method Methods 0.000 claims abstract description 28
- 238000011156 evaluation Methods 0.000 claims abstract description 11
- 238000013210 evaluation model Methods 0.000 claims abstract description 10
- 239000003016 pheromone Substances 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000013507 mapping Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 4
- 241000257303 Hymenoptera Species 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 5
- 238000007726 management method Methods 0.000 description 8
- 238000009499 grossing Methods 0.000 description 5
- 230000008676 import Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 230000002860 competitive effect Effects 0.000 description 2
- 230000010485 coping Effects 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000013501 data transformation Methods 0.000 description 2
- 239000000945 filler Substances 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000013068 supply chain management Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Technology Law (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Fuzzy Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于大数据分析的对外贸易风险评估方法，涉及大数据分析技术领域，包括获取目标外贸企业的外贸数据，对外贸数据进行内部关联规则分析和外部关联规则分析，计算风险评估指标。进一步包括风险种类评估和风险程度评估，以帮助企业全面、准确地评估外贸风险。本发明方法采用内部关联规则模型、外部关联规则模型和蚁群算法等，提高风险评估的准确性；通过风险种类评估模型和风险程度评估模型，实现多种风险的细化评估；同时适用于不同类型的外贸企业，有助于提升企业风险管理水平。
Description
技术领域
本发明涉及对外贸易管理技术领域，特别涉及基于大数据分析的对外贸易风险评估方法。
背景技术
随着全球化进程的加快，对外贸易在国际经济交流中的地位越来越重要。然而，对外贸易中存在着许多风险，如信用风险、资金风险、市场风险和法律风险等。因此，对外贸易企业在开展业务时，对这些风险的准确评估至关重要。随着大数据技术的发展，利用大数据分析方法对外贸风险进行评估逐渐成为可能。然而，现有的风险评估方法仍然存在一些问题，需要改进。
在现有技术中，已有许多关于外贸风险评估的专利。例如，中国专利文献CN105130172A提供了一种基于大数据的国际贸易风险分析方法，该方法主要通过对国际贸易数据进行分析，得到贸易风险指标，并通过对贸易风险指标进行评估，从而预测未来的贸易风险。然而，该方法主要关注贸易数据的整体情况，而没有对不同种类的外贸数据进行细致分析，可能导致部分重要风险因素被忽略。
此外，中国专利文献CN104895278A提供了一种基于数据挖掘的外贸风险评估方法，该方法使用数据挖掘技术对外贸企业的历史交易数据进行分析，从而评估企业的信用风险。然而，该方法仅关注信用风险，未涉及其他类型的风险，如资金风险、市场风险和法律风险，可能导致风险评估结果不够全面。
另外，中国专利文献CN105844554A提出了一种基于多维度关联分析的外贸风险评估方法，该方法通过对多维度数据进行关联分析，可以同时评估多种类型的风险。然而，该方法需要大量的数据预处理工作，如数据降噪、特征提取等，可能导致计算复杂度较高，不利于实际应用。
发明内容
本发明的目的是提供基于大数据分析的对外贸易风险评估方法，可以提高风险评估准确性、全面评估多种风险、风险程度细化、适用于不同类型的外贸企业、优化决策支持、提升企业风险管理水平、提高外贸数据分析能力、节省企业资源以及提高企业应对突发事件的能力。
为解决上述技术问题，本发明提供一种基于混合树形滤波的立体匹配方法，包括：
基于大数据分析的对外贸易风险评估方法，所述方法包括：
步骤S1：获取目标外贸企业的外贸数据，所述外贸数据至少包括以下几类：贸易融资数据、交易市场数据、产业链数据、贸易协议数据和海关进出口数据；
步骤S2：使用内部关联规则模型对获取到的外贸数据进行内部关联规则分析，以判断不同种类的外贸数据的合理性，找出不合理的外贸数据；对不合理的外贸数据，使用内部关联规则模型，生成填充数据，以取代不合理的外贸数据；
步骤S3：对外贸数据进行外部关联规则分析，以找到每一种类的外贸数据的风险评估指标；所述风险评估指标至少包括以下几类：支持度、置信度、提升度、互信息、杰卡德系数和提升度比；
步骤S4：使用预设的风险程度评估模型，根据风险评估指标，计算得到风险度值；所述风险度值表征了目标外贸企业总的风险程度；预先定义风险度值和风险程度的对应表，根据对应表，得到目标外贸企业的风险程度；
步骤S5：使用预设的风险种类评估模型，根据风险评估指标，计算得到风险种类；
步骤S6：根据目标外贸企业的风险程度和风险种类，生成目标外贸企业的评估结果。
进一步的，所述风险程度至少包括4个不同的等级，分别为：1级、2级、3级和4级；每个等级的风险程度对应一个风险度值区间，分别为1级风险度值区间、2级风险度值区间、3级风险度值区间和4级风险度值区间。
进一步的，所述风险种类包括：信用风险、资金风险、市场风险和法律风险。
进一步的，所述步骤S2中的内部关联规则模型的执行过程包括：将外贸数据作为一个事务集，包含多个项集，使用蚁群算法找到事务集中的频繁项集；基于找到的频繁项集，构建内部关联规则，具体包括：设定内部关联规则的置信度阈值和支持度阈值；置信度阈值用于控制关联规则的准确性，支持度阈值用于控制关联规则的数量；对于频繁项集中的每一个项集，生成多个子内部关联规则，对于每一个子内部关联规则，计算其置信度和支持度；其中，支持度表示包含该子内部关联规则的事务数占总事务数的比例，置信度表示包含该子内部关联规则和另一个项集的事务数占包含该关联规则的事务数的比例；根据设定的置信度阈值和支持度阈值，筛选符合条件的子内部关联规则作为内部关联规则；基于所述内部关联规则，对事务集中的每个项集进行支持度和置信度计算，根据计算结果，判断每个项集是否满足内部关联规则，若不满足，则将该项集对应的外贸数据作为不合理的外贸数据；对于不合理的外贸数据，在原数据值的基础上，不断改变数据值，生成新的数据值，直到新的数据值对应的项集满足内部关联规则。
进一步的，所述使用蚁群算法找到事务集中的频繁项集的过程，具体包括：步骤2.1：初始化蚁群，每只蚂蚁随机选择一个项集作为其起点；步骤2.2：每只蚂蚁根据信息素含量和启发式规则选择下一个项集；步骤2.3：每只蚂蚁走完一条路径后，计算该路径上的信息素增量，并更新信息素矩阵；重复步骤2.2-2.3直到满足停止条件；依据信息素矩阵找到频繁项集；所述信息素矩阵表示不同项集之间的相似程度，信息素含量越大表示相似程度越高。
进一步的，所述信息素矩阵为：
；
其中，表示项集集合，/>表示一个项集，/>表示项集/>的信息素含量；所述启发式规则表示为如下公式：
；
其中，表示当前的项集，/>表示下一个可选的项集，/>表示项集/>和/>之间的信息素含量，/>表示启发函数，/>表示与项集/>相邻的项集集合，/>和/>表示调整信息素含量和启发函数对概率影响的参数；
假设表示项集/>和/>之间信息素的增量，所述信息素更新表示为如下公式：
；
其中，表示信息素挥发系数，/>表示蚂蚁的数量，/>表示第/>只蚂蚁在项集/>和/>之间遍历的路径上信息素的增量；
所述停止条件为是蚁群遍历次数设定的上限，为设定值。
进一步的，所述步骤S3：对外贸数据进行外部关联规则分析，以找到每一种类的外贸数据的风险评估指标的方法包括：根据步骤S1中获得的外贸数据，生成不同种类贸易数据的频繁项集；对每个频繁项集进行属性映射；在属性映射的结果的基础上，分别计算得到各类风险评估指标。
进一步的，所述风险种类评估模型在计算得到风险度值时，使用基于加权平均的方法，具体包括：针对每个风险评估指标，设定不同的风险度权重值，将每个风险评估指标乘以风险度权重值后进行累加，得到风险度值。
进一步的，所述风险程度评估模型计算得到风险种类时，使用加权平均的方法，具体包括：针对每个风险评估指标，设定不同的风险种类权重值，将每个风险评估指标乘以风险种类权重值后进行累加，得到风险种类值，根据风险种类值，与预设的风险种类标准值集合中的元素值进行比较，以确定风险种类。
进一步的，所述步骤S1中在获取目标外贸企业的外贸数据后，还包括对外贸数据进行数据降噪的过程。
本发明的基于大数据分析的对外贸易风险评估方法，具有以下有益效果：
1. 提高风险评估准确性：本发明采用内部关联规则模型和外部关联规则模型对外贸数据进行分析，找到合理的外贸数据并生成风险评估指标。同时，本发明对外贸数据进行数据降噪，提高数据质量。这些处理和分析有助于提高风险评估的准确性，为企业提供更为可靠的风险评估结果。
2.全面评估多种风险：本发明提供了风险种类评估模型，可以对信用风险、资金风险、市场风险和法律风险等多种风险进行评估。这使得风险评估结果更加全面，有助于企业全面了解外贸风险，为企业制定风险防范措施和应对策略提供依据。
3.风险程度细化：本发明的风险程度评估模型考虑了四个不同的等级，分别为1级、2级、3级和4级，每个等级的风险程度对应一个风险度值区间。这使得风险评估结果更为细化，有助于企业针对不同程度的风险采取相应的对策，提高企业应对风险的能力。
4. 适用于不同类型的外贸企业：本发明的方法适用于各种类型的外贸企业，无论是大型跨国公司还是中小型企业，都可以通过本发明提供的方法对外贸风险进行评估。这有助于推广本发明的应用，提高外贸企业整体的风险防范能力。本发明提供的风险评估结果可以为企业的决策层提供有力的支持。企业可以根据风险评估结果调整业务策略、风险控制措施以及应对方案，从而降低风险的可能性和影响程度。这有助于企业在外贸市场中更为稳健地开展业务，提高企业的竞争优势。通过使用本发明提供的方法，企业可以更加***地开展风险评估工作。这有助于企业建立健全的风险管理体系，提高企业风险管理水平。在长期的实践中，企业可以不断总结经验，优化风险评估模型，使风险评估结果更加贴近实际，为企业风险管理提供更有价值的参考。
5.提升外贸数据分析能力：本发明采用大数据分析方法，如蚁群算法等，对外贸数据进行处理与挖掘。这有助于企业提高数据分析能力，发掘潜在的商业价值和风险因素。同时，企业可以根据风险评估结果，深入分析风险源头，了解风险产生的原因，从而有针对性地制定风险防范措施。
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，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地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的基于大数据分析的对外贸易风险评估方法的***结构示意图。
具体实施方式
本发明的核心是提供基于大数据分析的对外贸易风险评估方法，不仅可以对不同种类的外贸数据进行细致分析，还可以同时评估多种类型的风险，如信用风险、资金风险、市场风险和法律风险等。此外，本发明还采用了内部关联规则模型和外部关联规则模型，对外贸数据进行有效的处理和分析，提高了风险评估的准确性。同时，本发明对外贸数据进行数据降噪，提高了数据质量，有利于进一步提高风险评估的准确性。此外，本发明采用加权平均的方法计算风险度值和风险种类，使得风险评估结果更为全面和合理。本发明的风险程度评估模型考虑了四个不同的等级，分别为1级、2级、3级和4级，每个等级的风险程度对应一个风险度值区间。这使得风险评估结果更为细化，有助于企业针对不同程度的风险采取相应的对策。此外，本发明还提供了风险种类评估模型，可以对信用风险、资金风险、市场风险和法律风险等多种风险进行评估，使得风险评估结果更加全面。在实施过程中，本发明采用了蚁群算法找到事务集中的频繁项集，这种算法具有较好的搜索能力，可以找到最优的频繁项集。同时，本发明还使用了多种风险评估指标，如支持度、置信度、提升度、互信息、杰卡德系数和提升度比等，这些指标可以从不同角度反映外贸风险，有助于提高风险评估的准确性。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
基于大数据分析的对外贸易风险评估方法，所述方法包括：
步骤S1：获取目标外贸企业的外贸数据，所述外贸数据至少包括以下几类：贸易融资数据、交易市场数据、产业链数据、贸易协议数据和海关进出口数据；
首先，收集目标外贸企业的外贸数据。这些数据包括贸易融资数据（如融资额度、融资期限等）、交易市场数据（如市场规模、市场份额等）、产业链数据（如上下游企业信息、供应链关系等）、贸易协议数据（如协议条款、协议有效期等）和海关进出口数据（如进出口量、关税等）。
步骤S2：使用内部关联规则模型对获取到的外贸数据进行内部关联规则分析，以判断不同种类的外贸数据的合理性，找出不合理的外贸数据；对不合理的外贸数据，使用内部关联规则模型，生成填充数据，以取代不合理的外贸数据；
使用内部关联规则模型对收集到的外贸数据进行分析。该分析可以判断不同种类的外贸数据的合理性，并找出不合理的外贸数据。对于不合理的外贸数据，使用内部关联规则模型生成填充数据以替换它们。
步骤S3：对外贸数据进行外部关联规则分析，以找到每一种类的外贸数据的风险评估指标；所述风险评估指标至少包括以下几类：支持度、置信度、提升度、互信息、杰卡德系数和提升度比；
对外贸数据进行外部关联规则分析，以找到每种类别的外贸数据的风险评估指标。这些风险评估指标包括支持度（用于衡量事件发生的频率）、置信度（用于衡量规则可信度）、提升度（用于衡量规则独立性）、互信息（用于衡量变量之间的相关性）、杰卡德系数（用于衡量数据集合的相似性）和提升度比（用于衡量规则相对独立性）。
步骤S4：使用预设的风险程度评估模型，根据风险评估指标，计算得到风险度值；所述风险度值表征了目标外贸企业总的风险程度；预先定义风险度值和风险程度的对应表，根据对应表，得到目标外贸企业的风险程度；
根据预设的风险程度评估模型，使用风险评估指标计算风险度值。风险度值反映了目标外贸企业的总体风险程度。预先定义风险度值与风险程度的对应表，根据对应表，得到目标外贸企业的风险程度。
步骤S5：使用预设的风险种类评估模型，根据风险评估指标，计算得到风险种类；
步骤S6：根据目标外贸企业的风险程度和风险种类，生成目标外贸企业的评估结果。
根据目标外贸企业的风险程度和风险种类，生成评估结果。评估结果可以帮助企业了解自身的风险状况，制定相应的风险管理策略，并为决策者提供有价值的信息。
支持度用于度量项集在数据集中出现的频率。计算公式如下：
；
其中，表示项集，/>表示项集/>在所有事务中出现的概率。
置信度用于度量关联规则的可靠性。计算公式如下：
置信度；
其中，和/>表示项集，/>表示在项集/>出现的情况下，项集/>出现的概率，/>表示项集/>和/>同时出现的概率。
提升度用于度量关联规则的强度，即在关联规则的条件下，项集/>出现的概率与项集/>在总体中出现的概率之比。计算公式如下：
；
其中，和/>表示项集。
互信息度量两个项集之间的相关性，即一个项集出现的信息如何影响另一个项集出现的信息。计算公式如下：
；
其中，表示项集/>和/>之间的互信息，/>表示项集/>和/>同时出现的概率，/>和/>分别表示项集/>和/>出现的概率。
杰卡德系数用于度量两个项集之间的相似性。计算公式如下：
；
其中，表示项集/>和/>之间的杰卡德系数，/>表示项集/>和/>的交集元素个数，/>表示项集/>和/>的并集元素个数。
提升度比用于度量关联规则的强度，即在关联规则的条件下，项集/>出现的概率与项集/>在总体中出现的概率之间的差异。计算公式如下：
；
其中，和/>表示项集，/>表示项集/>和/>同时出现的概率，/>和分别表示项集/>和/>出现的概率。
在实际应用中，基于大数据分析的对外贸易风险评估方法可以帮助企业及时发现潜在风险，降低损失。应用场景如下：
信用评级：金融机构可以根据评估结果为外贸企业提供信用评级，进而决定是否为其提供融资服务以及融资条件。
政策制定：政府部门可以根据评估结果制定相应的政策措施，如针对高风险企业加强监管，或针对低风险企业提供优惠政策。
企业战略规划：外贸企业可以根据评估结果优化供应链管理、调整市场策略等，降低潜在风险。
风险防范：通过对外贸企业的风险评估，保险公司可以更准确地为企业提供定制化的保险方案，帮助企业规避风险。
首先，收集目标外贸企业的外贸数据。这些数据包括贸易融资数据（如融资额度、融资期限等）、交易市场数据（如市场规模、市场份额等）、产业链数据（如上下游企业信息、供应链关系等）、贸易协议数据（如协议条款、协议有效期等）和海关进出口数据（如进出口量、关税等）。
具体地，风险程度至少包括4个不同的等级，分别为：1级、2级、3级和4级；每个等级的风险程度对应一个风险度值区间，分别为1级风险度值区间、2级风险度值区间、3级风险度值区间和4级风险度值区间。
每个风险程度等级对应一个风险度值区间，例如：1级风险度值区间：0-25；2级风险度值区间：26-50；3级风险度值区间：51-75；4级风险度值区间：76-100。
在计算风险度值时，可以使用预设的风险程度评估模型。该模型根据各种风险评估指标（如支持度、置信度、提升度等）综合计算得到风险度值。风险度值越高，表示企业面临的风险程度越高。
根据计算出的风险度值，可以将外贸企业划分到相应的风险程度等级。例如，如果某企业的风险度值为35，那么该企业属于2级（中低风险）风险程度。
通过将风险程度划分为四个等级并对应不同的风险度值区间，该专利为评估和管理外贸企业的风险提供了一个实用的框架。企业、金融机构和政府部门可以根据这个框架来制定相应的风险应对策略，降低潜在损失。
风险种类包括：信用风险、资金风险、市场风险和法律风险。
信用风险：信用风险是指外贸企业在国际贸易过程中，由于交易方的信用状况不佳，可能导致违约、延期支付或者无法支付的风险。信用风险评估可以帮助企业了解交易方的信用状况，从而采取措施降低潜在损失，如要求提前支付、使用信用保险等。
资金风险：资金风险是指外贸企业在贸易过程中，由于资金流动不畅或者融资困难，可能导致企业无法按时履行合同义务或者无法支持正常的生产经营活动。资金风险评估可以帮助企业预测和应对潜在的资金问题，如优化现金流管理、寻求融资渠道等。
市场风险：市场风险是指外贸企业在贸易过程中，由于市场需求波动、价格波动或者竞争环境变化等因素，可能导致企业销售收入下降或者利润压缩。市场风险评估可以帮助企业了解市场状况，从而制定相应的市场策略，如调整产品组合、拓展新市场等。
法律风险：法律风险是指外贸企业在贸易过程中，由于法律法规变化、合同纠纷或者知识产权问题等，可能导致企业承担法律责任或者损失。法律风险评估可以帮助企业识别潜在的法律问题，从而采取措施降低风险，如聘请专业律师、完善合同条款等。
具体地，步骤S2中的内部关联规则模型的执行过程包括：将外贸数据作为一个事务集，包含多个项集。这意味着将整个外贸数据集视为一个大的事务数据库，每个事务由多个数据项组成。使用蚁群算法找到事务集中的频繁项集。蚁群算法是一种模拟自然界蚂蚁觅食行为的优化算法，能够在大规模数据集中快速寻找到频繁项集。基于找到的频繁项集，构建内部关联规则。这包括设定内部关联规则的置信度阈值和支持度阈值。置信度阈值用于控制关联规则的准确性，支持度阈值用于控制关联规则的数量。对于频繁项集中的每一个项集，生成多个子内部关联规则。然后，计算每个子内部关联规则的置信度和支持度。根据设定的置信度阈值和支持度阈值，筛选符合条件的子内部关联规则作为内部关联规则。基于内部关联规则，对事务集中的每个项集进行支持度和置信度计算。根据计算结果，判断每个项集是否满足内部关联规则。若不满足，则将该项集对应的外贸数据视为不合理的外贸数据。对于不合理的外贸数据，在原数据值的基础上，不断改变数据值，生成新的数据值，直到新的数据值对应的项集满足内部关联规则。这样，我们可以修复不合理的外贸数据，使其符合内部关联规则。通过这个过程，内部关联规则模型可以有效地检测不合理的外贸数据，并生成填充数据以取代不合理的外贸数据。这有助于提高外贸数据的质量，为后续的风险评估提供更准确的输入。
具体地，步骤S3：对外贸数据进行外部关联规则分析，以找到每一种类的外贸数据的风险评估指标的方法包括：根据步骤S1中获得的外贸数据，生成不同种类贸易数据的频繁项集；对每个频繁项集进行属性映射；在属性映射的结果的基础上，分别计算得到各类风险评估指标。
根据步骤S1中获得的外贸数据，生成不同种类贸易数据的频繁项集。这意味着对每一种类的外贸数据，如贸易融资数据、交易市场数据、产业链数据、贸易协议数据和海关进出口数据，分别寻找频繁出现的数据项组合，这些组合可以为我们提供有价值的信息。
对每个频繁项集进行属性映射。这个过程将频繁项集中的数据项映射到相应的风险因素属性上，以便进一步分析。例如，贸易融资数据中的贷款额度和还款期限可能映射到信用风险属性，交易市场数据中的交易量和价格波动可能映射到市场风险属性，产业链数据中的供应商和客户关系可能映射到资金风险属性，等等。
在属性映射的结果的基础上，分别计算得到各类风险评估指标。这些风险评估指标包括支持度、置信度、提升度、互信息、杰卡德系数和提升度比等，它们可以量化各种风险因素属性的重要性和相关性。通过分析这些指标，可以得到每一种类的外贸数据的风险评估指标，从而为后续的风险程度评估和风险种类评估提供依据。
风险种类评估模型在计算得到风险度值时，使用基于加权平均的方法，具体包括：针对每个风险评估指标，设定不同的风险度权重值，将每个风险评估指标乘以风险度权重值后进行累加，得到风险度值。
在计算风险度值时，所述风险种类评估模型采用基于加权平均的方法，这种方法能够根据每个风险评估指标的重要性分配不同的权重值。具体包括以下步骤：
针对每个风险评估指标，如支持度、置信度、提升度、互信息、杰卡德系数和提升度比等，为其设定不同的风险度权重值。这些权重值可以根据领域专家的经验、历史数据分析或其他相关方法来确定。权重值的设置应确保各个指标在计算风险度值时的贡献与其重要性相符。
将每个风险评估指标乘以其对应的风险度权重值。这样可以得到加权后的风险评估指标值，这些值反映了各个指标在计算风险度值时的实际贡献。
对加权后的风险评估指标值进行累加，得到风险度值。这个风险度值综合了各个风险评估指标在计算过程中的贡献，可以更准确地反映目标外贸企业的总体风险程度。
通过使用基于加权平均的方法，风险种类评估模型能够更加准确地计算风险度值，从而为评估目标外贸企业的风险程度和风险种类提供更可靠的依据。
风险程度评估模型在计算得到风险种类时，使用加权平均的方法，这种方法允许根据每个风险评估指标的重要性分配不同的权重值。具体包括以下步骤：针对每个风险评估指标，如支持度、置信度、提升度、互信息、杰卡德系数和提升度比等，为其设定不同的风险种类权重值。这些权重值可以根据领域专家的经验、历史数据分析或其他相关方法来确定。权重值的设置应确保各个指标在计算风险种类值时的贡献与其重要性相符。
将每个风险评估指标乘以其对应的风险种类权重值。这样可以得到加权后的风险评估指标值，这些值反映了各个指标在计算风险种类值时的实际贡献。
对加权后的风险评估指标值进行累加，得到风险种类值。这个风险种类值综合了各个风险评估指标在计算过程中的贡献。
将计算得到的风险种类值与预设的风险种类标准值集合中的元素值进行比较。这个标准值集合可以根据历史数据、行业标准或专家经验来制定。通过对比风险种类值和预设的风险种类标准值，可以确定目标外贸企业所属的风险种类，如信用风险、资金风险、市场风险和法律风险等。
通过使用加权平均的方法，风险程度评估模型能够更加准确地计算风险种类值，从而为评估目标外贸企业的风险种类提供更可靠的依据。
步骤S1中在获取目标外贸企业的外贸数据后，还包括对外贸数据进行数据降噪的过程。
步骤S1中，在获取目标外贸企业的外贸数据后，添加一个数据降噪的过程，有助于提高数据的质量和分析结果的准确性。数据降噪的过程具体包括以下步骤：
数据清洗：对获取到的外贸数据进行清洗，包括去除重复数据、纠正错误数据、填补缺失数据等。数据清洗的目的是确保数据的完整性、一致性和有效性，为后续分析提供可靠的基础。
异常值检测：检查外贸数据中是否存在异常值，例如数值异常高或异常低的数据。异常值可能会对后续分析造成不良影响，因此需要对其进行处理。处理方法包括删除异常值、用合理的数据值替换异常值等。
数据平滑：为消除外贸数据中的短期波动，可以采用数据平滑方法。常用的数据平滑方法有移动平均法、指数平滑法等。数据平滑可以减少数据噪声对后续分析的影响，提高分析结果的准确性。
数据变换：根据后续分析的需求，对外贸数据进行适当的变换，例如对数据进行归一化处理、对数变换等。数据变换有助于简化后续分析过程，提高分析效率。
经过数据降噪处理后的外贸数据将具有更高的质量，能够为后续的内部关联规则分析、外部关联规则分析等过程提供更准确的输入，从而提高整个基于大数据分析的对外贸易风险评估方法的准确性。
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器（RAM）、内存、只读存储器（ROM）、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本发明所提供的一种基于混合树形滤波的立体匹配方法及***进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (10)
1.基于大数据分析的对外贸易风险评估方法，其特征在于，所述方法包括：
步骤S1：获取目标外贸企业的外贸数据，所述外贸数据至少包括以下几类：贸易融资数据、交易市场数据、产业链数据、贸易协议数据和海关进出口数据；
步骤S2：使用内部关联规则模型对获取到的外贸数据进行内部关联规则分析，以判断不同种类的外贸数据的合理性，找出不合理的外贸数据；对不合理的外贸数据，使用内部关联规则模型，生成填充数据，以取代不合理的外贸数据；
步骤S3：对外贸数据进行外部关联规则分析，以找到每一种类的外贸数据的风险评估指标；所述风险评估指标至少包括以下几类：支持度、置信度、提升度、互信息、杰卡德系数和提升度比；
步骤S4：使用预设的风险程度评估模型，根据风险评估指标，计算得到风险度值；所述风险度值表征了目标外贸企业总的风险程度；预先定义风险度值和风险程度的对应表，根据对应表，得到目标外贸企业的风险程度；
步骤S5：使用预设的风险种类评估模型，根据风险评估指标，计算得到风险种类；
步骤S6：根据目标外贸企业的风险程度和风险种类，生成目标外贸企业的评估结果。
2.如权利要求1所述的方法，其特征在于，所述风险程度至少包括4个不同的等级，分别为：1级、2级、3级和4级；每个等级的风险程度对应一个风险度值区间，分别为1级风险度值区间、2级风险度值区间、3级风险度值区间和4级风险度值区间。
3.如权利要求1所述的方法，其特征在于，所述风险种类包括：信用风险、资金风险、市场风险和法律风险。
4.如权利要求2或3所述的方法，其特征在于，所述步骤S2中的内部关联规则模型的执行过程包括：将外贸数据作为一个事务集，包含多个项集，使用蚁群算法找到事务集中的频繁项集；基于找到的频繁项集，构建内部关联规则，具体包括：设定内部关联规则的置信度阈值和支持度阈值；置信度阈值用于控制关联规则的准确性，支持度阈值用于控制关联规则的数量；对于频繁项集中的每一个项集，生成多个子内部关联规则，对于每一个子内部关联规则，计算其置信度和支持度；其中，支持度表示包含该子内部关联规则的事务数占总事务数的比例，置信度表示包含该子内部关联规则和另一个项集的事务数占包含该关联规则的事务数的比例；根据设定的置信度阈值和支持度阈值，筛选符合条件的子内部关联规则作为内部关联规则；基于所述内部关联规则，对事务集中的每个项集进行支持度和置信度计算，根据计算结果，判断每个项集是否满足内部关联规则，若不满足，则将该项集对应的外贸数据作为不合理的外贸数据；对于不合理的外贸数据，在原数据值的基础上，不断改变数据值，生成新的数据值，直到新的数据值对应的项集满足内部关联规则。
5.如权利要求4所述的方法，其特征在于，所述使用蚁群算法找到事务集中的频繁项集的过程，具体包括：步骤2.1：初始化蚁群，每只蚂蚁随机选择一个项集作为其起点；步骤2.2：每只蚂蚁根据信息素含量和启发式规则选择下一个项集；步骤2.3：每只蚂蚁走完一条路径后，计算该路径上的信息素增量，并更新信息素矩阵；重复步骤2.2-2.3直到满足停止条件；依据信息素矩阵找到频繁项集；所述信息素矩阵表示不同项集之间的相似程度，信息素含量越大表示相似程度越高。
6.如权利要求5所述的方法，其特征在于，所述信息素矩阵为：
；
其中，表示项集集合，/>表示一个项集，/>表示项集/>的信息素含量；所述启发式规则表示为如下公式：
；
其中，表示当前的项集，/>表示下一个可选的项集，/>表示项集/>和/>之间的信息素含量，/>表示启发函数，/>表示与项集/>相邻的项集集合，/>和/>表示调整信息素含量和启发函数对概率影响的参数；
假设表示项集/>和/>之间信息素的增量，所述信息素更新表示为如下公式：
；
其中，表示信息素挥发系数，/>表示蚂蚁的数量，/>表示第/>只蚂蚁在项集和/>之间遍历的路径上信息素的增量；
所述停止条件为是蚁群遍历次数设定的上限，为设定值。
7.如权利要求6所述的方法，其特征在于，所述步骤S3：对外贸数据进行外部关联规则分析，以找到每一种类的外贸数据的风险评估指标的方法包括：根据步骤S1中获得的外贸数据，生成不同种类贸易数据的频繁项集；对每个频繁项集进行属性映射；在属性映射的结果的基础上，分别计算得到各类风险评估指标。
8.如权利要求7所述的方法，其特征在于，所述风险种类评估模型在计算得到风险度值时，使用基于加权平均的方法，具体包括：针对每个风险评估指标，设定不同的风险度权重值，将每个风险评估指标乘以风险度权重值后进行累加，得到风险度值。
9.如权利要求7所述的方法，其特征在于，所述风险程度评估模型计算得到风险种类时，使用加权平均的方法，具体包括：针对每个风险评估指标，设定不同的风险种类权重值，将每个风险评估指标乘以风险种类权重值后进行累加，得到风险种类值，根据风险种类值，与预设的风险种类标准值集合中的元素值进行比较，以确定风险种类。
10.如权利要求1所述的方法，其特征在于，所述步骤S1中在获取目标外贸企业的外贸数据后，还包括对外贸数据进行数据降噪的过程。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310875414.8A CN116596674A (zh) | 2023-07-18 | 2023-07-18 | 基于大数据分析的对外贸易风险评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310875414.8A CN116596674A (zh) | 2023-07-18 | 2023-07-18 | 基于大数据分析的对外贸易风险评估方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116596674A true CN116596674A (zh) | 2023-08-15 |
Family
ID=87608359
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310875414.8A Pending CN116596674A (zh) | 2023-07-18 | 2023-07-18 | 基于大数据分析的对外贸易风险评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116596674A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116934098A (zh) * | 2023-09-14 | 2023-10-24 | 山东省标准化研究院(Wto/Tbt山东咨询工作站) | 一种技术性贸易措施风险量化评估方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170213168A1 (en) * | 2016-01-22 | 2017-07-27 | Wipro Limited | Methods and systems for optimizing risks in supply chain networks |
| CN109783485A (zh) * | 2018-12-30 | 2019-05-21 | 国网天津市电力公司电力科学研究院 | 基于数据挖掘和支持向量机的配网历史量测数据校正方法 |
| CN112465393A (zh) * | 2020-12-09 | 2021-03-09 | 南威软件股份有限公司 | 基于关联分析FP-Tree算法的企业风险预警方法 |
| CN114723287A (zh) * | 2022-04-08 | 2022-07-08 | 浙江万里学院 | 一种基于企业特征和经营行为对风险形成的量化统计方法 |
| CN115495505A (zh) * | 2022-10-11 | 2022-12-20 | 国网甘肃省电力公司电力科学研究院 | 一种基于新能源机场群数据关联分析方法 |
-
2023
- 2023-07-18 CN CN202310875414.8A patent/CN116596674A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170213168A1 (en) * | 2016-01-22 | 2017-07-27 | Wipro Limited | Methods and systems for optimizing risks in supply chain networks |
| CN109783485A (zh) * | 2018-12-30 | 2019-05-21 | 国网天津市电力公司电力科学研究院 | 基于数据挖掘和支持向量机的配网历史量测数据校正方法 |
| CN112465393A (zh) * | 2020-12-09 | 2021-03-09 | 南威软件股份有限公司 | 基于关联分析FP-Tree算法的企业风险预警方法 |
| CN114723287A (zh) * | 2022-04-08 | 2022-07-08 | 浙江万里学院 | 一种基于企业特征和经营行为对风险形成的量化统计方法 |
| CN115495505A (zh) * | 2022-10-11 | 2022-12-20 | 国网甘肃省电力公司电力科学研究院 | 一种基于新能源机场群数据关联分析方法 |
Non-Patent Citations (1)
| Title |
|---|
| 佘雅莉等: ""基于混合蚁群关联规则挖掘的危险源分析算法"", 《计算机技术与发展》, vol. 28, no. 11, pages 137 - 146 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116934098A (zh) * | 2023-09-14 | 2023-10-24 | 山东省标准化研究院(Wto/Tbt山东咨询工作站) | 一种技术性贸易措施风险量化评估方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP4358475B2 (ja) | 信用評価システム | |
| CN111476660B (zh) | 一种基于数据分析的智能风控***及方法 | |
| WO2012018968A1 (en) | Method and system for quantifying and rating default risk of business enterprises | |
| US20110246385A1 (en) | Automatically recalibrating risk models | |
| CN111401798A (zh) | 一种企业逃废债风险预警***及构建方法 | |
| Huang et al. | Contractor financial prequalification using simulation method based on cash flow model | |
| US20110099101A1 (en) | Automated validation reporting for risk models | |
| CN111738843B (zh) | 一种使用流水数据的量化风险评价***和方法 | |
| CN111709826A (zh) | 目标信息确定方法和装置 | |
| CN116596674A (zh) | 基于大数据分析的对外贸易风险评估方法 | |
| CN112037006A (zh) | 小微企业的信用风险识别方法及装置 | |
| Liu et al. | Financial credit risk assessment of online supply chain in construction industry with a hybrid model chain | |
| CN116468536A (zh) | 一种自动化风险控制规则生成的方法 | |
| CN114742402A (zh) | 信息监控方法、装置、设备和介质 | |
| Huang et al. | Dynamic threshold cash flow–based structural model for contractor financial prequalification | |
| CN112766814A (zh) | 一种信用风险压力测试模型的训练方法、装置及设备 | |
| Zeng | [Retracted] Research on Risk Measurement and Early Warning of Electronic Banking Business Based on GMDH Algorithm | |
| CN115860924A (zh) | 供应链金融信用风险预警方法及相关设备 | |
| CN116167629A (zh) | 一种分布式的策略自动化生成方法、***及存储介质 | |
| An et al. | Impact of transition risks of climate change on Chinese financial market stability | |
| CN113421014A (zh) | 一种目标企业确定方法、装置、设备和存储介质 | |
| CN117455681A (zh) | 业务风险预测方法和装置 | |
| CN113298575A (zh) | 一种商标价值批量评估的方法、***、设备及存储介质 | |
| CN113159634A (zh) | 一种金融产品管理方法、装置及电子设备 | |
| Li et al. | Identification of Enterprise Financial Risk Based on Clustering Algorithm |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230815 |