CN117273935A - 一种基于区块链技术的供应链金融风控***及方法 - Google Patents
一种基于区块链技术的供应链金融风控***及方法 Download PDFInfo
- Publication number
- CN117273935A CN117273935A CN202311237867.4A CN202311237867A CN117273935A CN 117273935 A CN117273935 A CN 117273935A CN 202311237867 A CN202311237867 A CN 202311237867A CN 117273935 A CN117273935 A CN 117273935A
- Authority
- CN
- China
- Prior art keywords
- risk
- node
- supply chain
- nodes
- transaction
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000005516 engineering process Methods 0.000 title claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000012954 risk control Methods 0.000 claims abstract description 8
- 238000013528 artificial neural network Methods 0.000 claims abstract description 7
- 238000012502 risk assessment Methods 0.000 claims description 39
- 238000012544 monitoring process Methods 0.000 claims description 10
- 230000001276 controlling effect Effects 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000001960 triggered effect Effects 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000007726 management method 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
- 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
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种基于区块链技术的供应链金融风控方法,涉及供应链金融风控技术领域,该方法包括:在供应链金融业务涉及的各个节点之间建立区块链网络;计算两个节点之间的紧密度系数;使用神经网络算法构建供应链金融风险模型,计算出各个节点的风险系数;预先设置风险阈值,当风险模型检测到节点风险系数达到风险阈值时,自动触发预警信号,并采取相应的风险控制措施。还提供了一种基于区块链技术的供应链金融风控***,包括区块链模块、数据处理模块、风险模型模块以及风控规则模块。通过根据节点间紧密性的不同,对风险节点相关联的节点采取相应的措施,来保证整个供应链网络的稳定,避免风险的扩大。
Description
技术领域
本发明涉及供应链金融风控技术领域,具体为一种基于区块链技术的供应链金融风控***及方法。
背景技术
传统的供应链金融风控方法主要依赖于中心化的数据***和信任机制,这种方法在处理大规模、高复杂度的风险控制任务时,存在效率低下、数据安全性和透明性不足等问题。因此,急需一种能够提高供应链金融风控效率和数据安全性的新型风控方法。
在申请公布号为CN110992170A的中国发明中,公开了一种基于区块链的供应链金融风控***,包括基于当前供应链金融建立的区块链平台和风控平台,区块链平台包含多个区块,风控平台获取四流信息,区块之间形成联盟链,风控平台设立奖惩机制,将区块链结构融入供应链金融结构中,获取真实的四流信息,通过风控平台对四流信息分析核准,大幅度降低供应链金融风险,通过区块之间的链式分布和联合,形成高度自检、高度负责、高度自治且自制的链式区块,增大授信范围,降低融资难度,保证四流信息的高度真实、高度透明,降低金融风险,通过内部消化、优化等整治活动,自我降低风险程度,保证供应链金融良性运行,同时,通过奖惩机制开展自检和质疑行为,验证四流信息原始真实性。
在以上发明所记载的技术方案中,没有考虑到供应链直接交易节点之间的关联性,以及有间接交易节点之间关联性,当一个节点发生风险时,没有处理与其直接关联以及间接关联的节点。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种基于区块链技术的供应链金融风控***及方法,旨在通过根据节点间紧密性的不同,对风险节点相关联的节点采取相应的措施,来保证整个供应链网络的稳定,避免了风险的扩大。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:一种基于区块链技术的供应链金融风控方法,包括以下步骤:
在供应链金融业务涉及的各个节点之间建立区块链网络,节点包括供应链中的核心企业、供应商、金融机构,将供应链金融业务中的交易数据、物流信息以及资金流动数据上链,并通过加密算法进行加密处理;
获取区块链上的供应商、生产商、销售商节点之间的交易数据,将交易频率Trf、交易量Trv以及间接交易量Itv作为两个节点之间的权重,并计算两个节点之间的紧密度系数Tig;
获取供应链节点数据,计算当前节点信用风险评估指标、物流风险评估指标以及市场需求风险评估指标,使用神经网络算法构建供应链金融风险模型,并通过信用风险评估指标、物流风险评估指标以及市场需求风险评估指标计算出各个节点的风险系数;
预先设置风险阈值,当风险模型检测到节点风险系数达到风险阈值时,自动触发预警信号,并采取相应的风险控制措施,将风控规则部署在区块链平台上的智能合约中,智能合约根据预设规则自动执行风控操作,预先设置第一阈值和第二阈值,并与风险节点和关联节点的紧密度系数进行比对,根据比对结果作出相应的措施;
获取风险节点的历史交易数据,计算该节点企业的交易周期,在一个交易周期后重新对该节点进行风险系数评估,若该节点风险系数仍高于风险阈值,则将该节点从供应链网络中移除,且禁止该节点参与区块链网络的运行。
进一步的,区块链网络构建过程包括:
建立区块链网络,在供应链金融业务涉及的各个节点之间建立区块链网络,各节点包括供应链中的核心企业、供应商、金融机构关键角色;
采集数据和处理,对每个节点进行身份验证,并采集其相关数据,包括供应链金融交易数据、物流信息以及资金流动数据,并对采集的数据进行预处理,包括数据清洗、去重、缺失值填补;
数据上链,将供应链金融业务中的交易数据、物流信息、资金流动数据信息上链,并通过加密算法进行加密处理,加密算法包括哈希算法、对称加密算法以及非对称加密算法。
进一步的,两个节点之间的紧密度系数Tig的计算过程如下:
获取区块链上的供应商、生产商、销售商节点之间的交易数据,包括交易频率、直接交易量以及间接交易量;
将供应链中的节点视为网络中的节点,将节点之间的连接即交易视为网络中的边,构建出一个供应链网络;
将交易频率Trf、交易量Trv以及间接交易量Itv作为两个节点之间的权重,进行无量纲化处理,计算两个节点之间的紧密度系数Tig。
进一步的,紧密度系数Tig的计算公式如下:
其中,Trfij为节点i和节点j之间的交易频率、Trvij为节点i和节点j之间的交易量、Itvij为节点i和节点j之间的间接交易量、Trfi为节点i与其他关联节点的交易频率、Trvi为节点i与其他关联节点的交易量、Trvi为节点i与其他关联节点的间接交易量、Trfj为节点i与其他关联节点的交易频率、Trvj为节点i与其他关联节点的交易量、Trvj为节点i与其他关联节点的间接交易量。
进一步的,供应链金融风险模型的构建过程包括:
将当前节点企业历史履约率、债务比率以及利润率作为信用风险评估指标,当前节点物流的历史交货周期、运输准时率、运输成本作为物流风险评估指标,通过历史销售数据以及市场需求数据作为市场需求风险评估指标;
获取供应链节点数据,使用神经网络算法构建供应链金融风险模型,使用历史数据对模型进行训练,对信用风险、物流风险以及市场需求风险进行预测,并对模型进行调参和优化;
对于已构建的风险模型,使用测试数据对模型进行评估,检查模型的准确性和稳定性,当模型的性能不佳,对模型进行调整和优化,包括调整模型参数、改进模型结构;
使用供应链金融风险模型实时监控各节点,通过综合信用风险评估指标、物流风险评估指标以及市场需求风险评估指标,并给各项指标分配不同的权重,自动计算出各个节点的风险系数。
进一步的,风控规则控制过程如下:
预先设置风险阈值,当风险模型检测到节点风险系数达到风险阈值时,***自动触发预警信号,并采取相应的风险控制措施;
预先设置第一阈值和第二阈值,当节点的风险系数达到风险阈值时,筛选出所有与当前节点的紧密度系数大于第一阈值的关联节点;
对紧密度系数大于第一阈值且小于第二阈值的关联节点进行广播并发出预警;
对紧密度系数大于等于第二阈值的关联节点降低授信额度,调整供应链策略,加强对关联节点的监控,以确保整个供应链的稳定性;
对该风险节点的所有交易进行拦截或预警,将风控规则部署在区块链平台上的智能合约中,智能合约根据预设规则自动执行风控操作。
进一步的,对风险节点的控制包括:
获取风险节点的历史交易数据,通过企业历史交易记录,计算企业的交易周期;
在一个交易周期后重新对该节点进行风险系数评估,若该节点风险系数低于风险阈值,则解除之前对该节点的相关控制;若该节点风险系数仍高于风险阈值,则将该节点从供应链网络中移除,且禁止该节点参与区块链网络的运行;
当该企业恢复正常运营需要加入区块链网络时,对其重新进行审核,通过审核后重新启用该企业所在的节点。
一种基于区块链技术的供应链金融风控***,包括:区块链模块、数据处理模块、风险模型模块以及风控规则模块;其中,
区块链模块,用于构建供应链的区块链网络,对每个节点进行身份验证以及相关数据采集,将采集的数据进行预处理,并将预处理后的数据上链;
数据处理模块,用于对区块链上的供应商、生产商、销售商节点之间的交易数据进行处理和分析,计算各节点之间的紧密度系数;
风险模型模块,用于构建供应链金融风险模型,并通过信用风险评估指标、物流风险评估指标以及市场需求风险评估指标,计算出各个节点的风险系数,并实时监控各节点,当节点的风险系数达到风险阈值时,自动触发预警信号;
风控规则模块,用于对风险系数达到风险阈值的节点进行控制,对该风险节点的所有交易进行拦截或预警,并对与风险节点相关联的节点进行调控。
(三)有益效果
本发明提供了一种基于区块链技术的供应链金融风控***及方法,具备以下有益效果:
(1)通过利用区块链技术的分布式、去中心化、数据不可篡改和透明性的特点,实现对供应链金融业务中的风险进行全面、实时、有效的控制和管理,提高供应链金融业务的稳健性和安全性。
(2)通过对供应链网络节点之间的交易数据进行分析,获取节点之间的紧密度系数,当某个节点出现问题时,可能会对上下游企业造成影响,因此,通过计算该供应商与其他节点间的紧密度系数,可以帮助企业提前采取措施进行风险管理和控制。
(3)通过对企业历史数据进行分析,构建供应链金融风险模型,通过数据分析和机器学习算法,自动评估供应链金融风险,节省了人工评估的时间和成本,提高了评估效率,通过供应链金融风险模型,金融机构可以更好地了解供应链运作情况,提高风险识别和评估的准确性。
(4)通过预先设置风险阈值,当风险模型检测到节点风险系数达到风险阈值时,执行相应的措施,可以有效地控制供应链金融风险,以避免风险的进一步扩大,通过对关联节点进行广播并发出预警,有利于关联节点提前做好应对措施,避免了因信息滞后而导致的风险扩大。
(5)通过将风险系数在一个交易周期后仍高于风险阈值的节点从供应链网络中移除,可以减少其对供应链网络的影响,提高网络的安全性和稳定性,高风险节点可能会传染风险给其他节点,将其从供应链网络中移除可以避免这种风险扩散,保护供应链网络中的其他节点。
附图说明
图1为本发明基于区块链技术的供应链金融风控方法流程示意图;
图2为本发明供应链网络结构示意图;
图3为本发明基于区块链技术的供应链金融风控***结构示意图。
具体实施方式
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,所描述的实施例仅仅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。
请参阅图1至图2,本发明提供一种基于区块链技术的供应链金融风控方法,包括以下步骤:
步骤一:在供应链金融业务涉及的各个节点之间建立区块链网络,节点包括供应链中的核心企业、供应商、金融机构,将供应链金融业务中的交易数据、物流信息以及资金流动数据上链,并通过加密算法进行加密处理;
步骤101:建立区块链网络,在供应链金融业务涉及的各个节点之间建立区块链网络,各节点包括供应链中的核心企业、供应商、金融机构等关键角色;
步骤102:采集数据和处理,对每个节点进行身份验证,并采集其相关数据,包括供应链金融交易数据、物流信息以及资金流动数据,并对采集的数据进行预处理,包括数据清洗、去重、缺失值填补等;
步骤103:数据上链,将供应链金融业务中的交易数据、物流信息、资金流动数据等关键信息上链,并通过加密算法进行加密处理,加密算法包括哈希算法、对称加密算法以及非对称加密算法。
需要说明的是,需要确保采集的数据都是真实、可信的数据,后续对数据的分析都是建立在数据的真实和可信上,因此,需要对交易数据进行严格的管理和监控,防止出现数据篡改、重复交易、隐私泄露等风险问题。
结合步骤101至步骤103的内容:
通过利用区块链技术的分布式、去中心化、数据不可篡改和透明性的特点,实现对供应链金融业务中的风险进行全面、实时、有效的控制和管理,提高供应链金融业务的稳健性和安全性。
步骤二:获取区块链上的供应商、生产商、销售商等节点之间的交易数据,将交易频率Trf、交易量Trv以及间接交易量Itv作为两个节点之间的权重,计算两个节点之间的紧密度系数Tig;
步骤201:获取区块链上的供应商、生产商、销售商等节点之间的交易数据,包括交易频率、直接交易量以及间接交易量;
步骤202:将供应链中的节点视为网络中的节点,将节点之间的连接即交易视为网络中的边,构建出一个供应链网络;
步骤203:将交易频率Trf、交易量Trv以及间接交易量Itv作为两个节点之间的权重,进行无量纲化处理,计算两个节点之间的紧密度系数Tig,计算公式如下:
其中,Trfij为节点i和节点j之间的交易频率、Trvij为节点i和节点j之间的交易量、Itvij为节点i和节点j之间的间接交易量、Trfi为节点i与其他关联节点的交易频率、Trvi为节点i与其他关联节点的交易量、Trvi为节点i与其他关联节点的间接交易量、Trfj为节点i与其他关联节点的交易频率、Trvj为节点i与其他关联节点的交易量、Trvj为节点i与其他关联节点的间接交易量。
需要说明的是,两节点之间的交易量越大,交易频率越高,两节点之间的紧密度系数越高,反之则越低,供应链中单个节点会与多个节点产生联系,因此当供应链网络中的一个节点出现问题时,相连的节点包括间接关联的节点都会受到影响。
结合步骤201至步骤203的内容:
通过对供应链网络节点之间的交易数据进行分析,获取节点之间的紧密度系数,当某个节点出现问题时,可能会对上下游企业造成影响,因此,通过计算该供应商与其他节点间的紧密度系数,可以帮助企业提前采取措施进行风险管理和控制。
步骤三:获取供应链节点数据,使用神经网络算法构建供应链金融风险模型,并通过信用风险评估指标、物流风险评估指标以及市场需求风险评估指标计算出各个节点的风险系数;
步骤301:将当前节点企业历史履约率、债务比率以及利润率作为信用风险评估指标,当前节点物流的历史交货周期、运输准时率、运输成本作为物流风险评估指标,通过历史销售数据以及市场需求数据作为市场需求风险评估指标;
需要说明的是,企业的信用风险可以通过历史履约记录、债务状况、盈利能力等指标来评估,市场需求风险可以通过市场需求量、市场价格波动、竞争状况等指标来评估,物流风险可以通过交货周期、运输准时率、运输成本、货物安全等指标来评估,其评估指标并非一成不变,可以根据具体情况来选择。
步骤302:获取供应链节点数据,使用神经网络算法构建供应链金融风险模型,使用历史数据对模型进行训练,对信用风险、物流风险以及市场需求风险进行预测,并对模型进行调参和优化,以提高模型的准确性和稳定性;
步骤303:对于已构建的风险模型,需要使用测试数据对模型进行评估,检查模型的准确性和稳定性,如果模型的性能不佳,需要对模型进行调整和优化,例如调整模型参数、改进模型结构等;
步骤304:使用供应链金融风险模型实时监控各节点,通过综合信用风险评估指标、物流风险评估指标以及市场需求风险评估指标,并给各项指标分配不同的权重,自动计算出各个节点的风险系数:
风险系数=信用风险权重系数*信用风险+物流风险权重系数*物流风险+
市场需求风险权重系数*市场需求风险,其中,
信用风险=(历史履约率+债务比率)/*利润率;
物流风险=历史交货周期*运输成本/运输准时率;
市场需求风险=历史销售数据/市场需求数据。
需要说明的是,针对不同的风险类型和业务场景,各项指标的权重系数可能会不同,因此,需要根据实际情况进行调整,权重系数的确定需要使用历史数据和模型进行验证,以确保权重系数的稳定性和准确性。
结合步骤301至步骤304的内容:
通过对企业历史数据进行分析,构建供应链金融风险模型,通过数据分析和机器学习算法,自动评估供应链金融风险,节省了人工评估的时间和成本,提高了评估效率,通过供应链金融风险模型,金融机构可以更好地了解供应链运作情况,提高风险识别和评估的准确性。
步骤四:预先设置风险阈值,当风险模型检测到节点风险系数达到风险阈值时,自动触发预警信号,并采取相应的风险控制措施,将风控规则部署在区块链平台上的智能合约中,智能合约根据预设规则自动执行风控操作,预先设置第一阈值和第二阈值,并与风险节点和关联节点的紧密度系数进行比对,根据比对结果作出相应的措施;
步骤401:预先设置风险阈值,当风险模型检测到节点风险系数达到风险阈值时,***自动触发预警信号,并采取相应的风险控制措施,例如暂停融资、提前回收贷款、要求追加担保等;
步骤402:预先设置第一阈值和第二阈值,当节点的风险系数达到风险阈值时,筛选出所有与当前节点的紧密度系数大于第一阈值的关联节点;
步骤403:对紧密度系数大于第一阈值且小于第二阈值的关联节点进行广播并发出预警,以便关联节点提前做好应对措施;
对紧密度系数大于等于第二阈值的关联节点降低授信额度,调整供应链策略,加强对关联节点的监控,以确保整个供应链的稳定性;
步骤404:对该风险节点的所有交易进行拦截或预警,将风控规则部署在区块链平台上的智能合约中,智能合约根据预设规则自动执行风控操作。
需要说明的是,在设置供应链金融风险阈值时,需要考虑不同供应链的特点和风险情况,以确保所设定的阈值与实际业务需求相符合,同时,需要定期对设定的风险阈值进行评估和调整,以适应市场和业务的变化。
结合步骤401至步骤404的内容:
通过预先设置风险阈值,当风险模型检测到节点风险系数达到风险阈值时,执行相应的措施,可以有效地控制供应链金融风险,以避免风险的进一步扩大,通过对关联节点进行广播并发出预警,有利于关联节点提前做好应对措施,避免了因信息滞后而导致的风险扩大。
步骤五:获取风险节点的历史交易数据,计算该节点企业的交易周期,在一个交易周期后重新对该节点进行风险系数评估,若该节点风险系数仍高于风险阈值,则将该节点从供应链网络中移除,且禁止该节点参与区块链网络的运行。
步骤501:获取风险节点的历史交易数据,通过企业历史交易记录,计算企业的交易周期;
步骤502:在一个交易周期后重新对该节点进行风险系数评估,若该节点风险系数低于风险阈值,则解除之前对该节点的相关控制;若该节点风险系数仍高于风险阈值,则将该节点从供应链网络中移除,且禁止该节点参与区块链网络的运行;
步骤503:当该企业恢复正常运营需要加入区块链网络时,对其重新进行审核,通过审核后重新启用该企业所在的节点。
需要说明的是,交易周期的计算可以按照以下步骤进行:
收集历史数据,收集一定时间范围内的交易数据,包括交易的起始时间和终止时间;
计算所有交易的成交周期,对于每一个交易,计算交易的成交周期,即终止时间减去起始时间;计算平均成交周期,将所有交易的成交周期相加,并除以交易的总数,得到平均成交周期。
结合步骤501至步骤503的内容:
通过将风险系数在一个交易周期后仍高于风险阈值的节点从供应链网络中移除,可以减少其对供应链网络的影响,提高网络的安全性和稳定性,高风险节点可能会传染风险给其他节点,将其从供应链网络中移除后,可以避免这种风险扩散,保护供应链网络中的其他节点。
请参阅图3,本发明还提供一种基于区块链技术的供应链金融风控***,包括:区块链模块、数据处理模块、风险模型模块以及风控规则模块;其中,
区块链模块,用于构建供应链的区块链网络,对每个节点进行身份验证以及相关数据采集,将采集的数据进行预处理,并将预处理后的数据上链;
数据处理模块,用于对区块链上的供应商、生产商、销售商等节点之间的交易数据进行处理和分析,计算各节点之间的紧密度系数;
风险模型模块,用于构建供应链金融风险模型,并通过信用风险评估指标、物流风险评估指标以及市场需求风险评估指标,计算出各个节点的风险系数,并实时监控各节点,当节点的风险系数达到风险阈值时,自动触发预警信号;
风控规则模块,用于对风险系数达到风险阈值的节点进行控制,对该风险节点的所有交易进行拦截或预警,并对与风险节点相关联的节点进行调控。
上述公式均是去量纲取其数值计算,公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式,公式中的预设参数由本领域的技术人员根据实际情况进行设置。
上述实施例,可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时,上述实施例可以全部或部分地以计算机程序产品的形式实现。本领域普通技术人员可以意识到,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、或者计算机软件和电子硬件的结合来实现。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。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,既可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。
Claims (8)
1.一种基于区块链技术的供应链金融风控方法,其特征在于,包括以下步骤:
在供应链金融业务涉及的各个节点之间建立区块链网络,节点包括供应链中的核心企业、供应商、金融机构,将供应链金融业务中的交易数据、物流信息以及资金流动数据上链,并通过加密算法进行加密处理;
获取区块链上的供应商、生产商、销售商节点之间的交易数据,将交易频率Trf、交易量Trv以及间接交易量Itv作为两个节点之间的权重,并计算两个节点之间的紧密度系数Tig;
获取供应链节点数据,使用神经网络算法构建供应链金融风险模型,并通过信用风险评估指标、物流风险评估指标以及市场需求风险评估指标计算出各个节点的风险系数;
预先设置风险阈值,当风险模型检测到节点风险系数达到风险阈值时,自动触发预警信号,并采取相应的风险控制措施,将风控规则部署在区块链平台上的智能合约中,智能合约根据预设规则自动执行风控操作,预先设置第一阈值和第二阈值,并与风险节点和关联节点的紧密度系数进行比对,根据比对结果作出相应的措施;
获取风险节点的历史交易数据,计算该节点企业的交易周期,在一个交易周期后重新对该节点进行风险系数评估,若该节点风险系数仍高于风险阈值,则将该节点从供应链网络中移除,且禁止该节点参与区块链网络的运行。
2.根据权利要求1所述的一种基于区块链技术的供应链金融风控方法,其特征在于,区块链网络构建过程包括:
在供应链金融业务涉及的各个节点之间建立区块链网络,各节点包括供应链中的核心企业、供应商及金融机构;对每个节点进行身份验证,并采集其相关数据,包括供应链金融交易数据、物流信息以及资金流动数据,并对采集的数据进行预处理;将供应链金融业务中的交易数据、物流信息、资金流动数据信息上链,并通过加密算法进行加密处理,加密算法包括哈希算法、对称加密算法以及非对称加密算法。
3.根据权利要求1所述的一种基于区块链技术的供应链金融风控方法,其特征在于,两个节点之间的紧密度系数Tig的计算过程如下:
获取区块链上的供应商、生产商、销售商节点之间的交易数据,包括交易频率、直接交易量以及间接交易量;将供应链中的节点视为网络中的节点,将节点之间的连接即交易视为网络中的边,构建出一个供应链网络;
将交易频率Trf、交易量Trv以及间接交易量Itv作为两个节点之间的权重,进行无量纲化处理,计算两个节点之间的紧密度系数Tig。
4.根据权利要求3所述的一种基于区块链技术的供应链金融风控方法,其特征在于,紧密度系数Tig的计算公式如下:
其中,Trfij为节点i和节点j之间的交易频率、Trvij为节点i和节点j之间的交易量、Itvij为节点i和节点j之间的间接交易量、Trfi为节点i与其他关联节点的交易频率、Trvi为节点i与其他关联节点的交易量、Trvi为节点i与其他关联节点的间接交易量、Trfj为节点i与其他关联节点的交易频率、Trvj为节点i与其他关联节点的交易量、Trvj为节点i与其他关联节点的间接交易量。
5.根据权利要求1所述的一种基于区块链技术的供应链金融风控方法,其特征在于,供应链金融风险模型的构建过程包括:
将当前节点企业历史履约率、债务比率以及利润率作为信用风险评估指标,当前节点物流的历史交货周期、运输准时率、运输成本作为物流风险评估指标,通过历史销售数据以及市场需求数据作为市场需求风险评估指标;
获取供应链节点数据,使用神经网络算法构建供应链金融风险模型,使用历史数据对模型进行训练,对信用风险、物流风险以及市场需求风险进行预测,并对模型进行调参和优化;使用供应链金融风险模型实时监控各节点,通过综合信用风险评估指标、物流风险评估指标以及市场需求风险评估指标,并给各项指标分配不同的权重,自动计算出各个节点的风险系数。
6.根据权利要求1所述的一种基于区块链技术的供应链金融风控方法,其特征在于,风控规则控制过程如下:
预先设置风险阈值,当风险模型检测到节点风险系数达到风险阈值时,***自动触发预警信号,并采取相应的风险控制措施;预先设置第一阈值和第二阈值,当节点的风险系数达到风险阈值时,筛选出所有与当前节点的紧密度系数大于第一阈值的关联节点;
对紧密度系数大于第一阈值且小于第二阈值的关联节点进行广播并发出预警;对紧密度系数大于等于第二阈值的关联节点降低授信额度,调整供应链策略,加强对关联节点的监控,以确保整个供应链的稳定性;
对该风险节点的所有交易进行拦截或预警,将风控规则部署在区块链平台上的智能合约中,智能合约根据预设规则自动执行风控操作。
7.根据权利要求1所述的一种基于区块链技术的供应链金融风控方法,其特征在于,对风险节点的控制包括:
获取风险节点的历史交易数据,通过企业历史交易记录,计算企业的交易周期;
在一个交易周期后重新对该节点进行风险系数评估,若该节点风险系数低于风险阈值,则解除之前对该节点的相关控制;若该节点风险系数仍高于风险阈值,则将该节点从供应链网络中移除,且禁止该节点参与区块链网络的运行;当该企业恢复正常运营需要加入区块链网络时,对其重新进行审核,通过审核后重新启用该企业所在的节点。
8.一种基于区块链技术的供应链金融风控***,其特征在于,用于实现权利要求1至权利要求7的任意一项所述方法,包括:区块链模块、数据处理模块、风险模型模块以及风控规则模块;其中,
区块链模块,用于构建供应链的区块链网络,对每个节点进行身份验证以及相关数据采集,将采集的数据进行预处理,并将预处理后的数据上链;
数据处理模块,用于对区块链上的供应商、生产商、销售商节点之间的交易数据进行处理和分析,计算各节点之间的紧密度系数;
风险模型模块,用于构建供应链金融风险模型,并通过信用风险评估指标、物流风险评估指标以及市场需求风险评估指标,计算出各个节点的风险系数,并实时监控各节点,当节点的风险系数达到风险阈值时,自动触发预警信号;
风控规则模块,用于对风险系数达到风险阈值的节点进行控制,对该风险节点的所有交易进行拦截或预警,并对与风险节点相关联的节点进行调控。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311237867.4A CN117273935A (zh) | 2023-09-25 | 2023-09-25 | 一种基于区块链技术的供应链金融风控***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311237867.4A CN117273935A (zh) | 2023-09-25 | 2023-09-25 | 一种基于区块链技术的供应链金融风控***及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117273935A true CN117273935A (zh) | 2023-12-22 |
Family
ID=89219174
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311237867.4A Pending CN117273935A (zh) | 2023-09-25 | 2023-09-25 | 一种基于区块链技术的供应链金融风控***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117273935A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118095803A (zh) * | 2024-04-26 | 2024-05-28 | 江苏零浩网络科技有限公司 | 基于大数据的物流资源整合与调度平台及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109949142A (zh) * | 2019-02-01 | 2019-06-28 | 深圳尚融供应链科技有限公司 | 一种显性供应链金融实现方法、***及终端设备 |
CN110992170A (zh) * | 2019-11-29 | 2020-04-10 | 上海玉薇科技有限公司 | 基于区块链的供应链金融风控*** |
CN112132441A (zh) * | 2020-09-16 | 2020-12-25 | 西安科技大学 | 风险传播信息评估方法、***、存储介质、计算机设备 |
CN114491583A (zh) * | 2021-12-31 | 2022-05-13 | 山西金蝉电子商务有限公司 | 基于区块链的供应链金融优化*** |
CN116051272A (zh) * | 2023-02-15 | 2023-05-02 | 深圳微众信用科技股份有限公司 | 企业风险分析方法及相关设备 |
CN116757820A (zh) * | 2023-03-31 | 2023-09-15 | 中国工商银行股份有限公司 | 企业风险的确定方法、装置、存储介质及电子设备 |
-
2023
- 2023-09-25 CN CN202311237867.4A patent/CN117273935A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109949142A (zh) * | 2019-02-01 | 2019-06-28 | 深圳尚融供应链科技有限公司 | 一种显性供应链金融实现方法、***及终端设备 |
CN110992170A (zh) * | 2019-11-29 | 2020-04-10 | 上海玉薇科技有限公司 | 基于区块链的供应链金融风控*** |
CN112132441A (zh) * | 2020-09-16 | 2020-12-25 | 西安科技大学 | 风险传播信息评估方法、***、存储介质、计算机设备 |
CN114491583A (zh) * | 2021-12-31 | 2022-05-13 | 山西金蝉电子商务有限公司 | 基于区块链的供应链金融优化*** |
CN116051272A (zh) * | 2023-02-15 | 2023-05-02 | 深圳微众信用科技股份有限公司 | 企业风险分析方法及相关设备 |
CN116757820A (zh) * | 2023-03-31 | 2023-09-15 | 中国工商银行股份有限公司 | 企业风险的确定方法、装置、存储介质及电子设备 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118095803A (zh) * | 2024-04-26 | 2024-05-28 | 江苏零浩网络科技有限公司 | 基于大数据的物流资源整合与调度平台及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kogan et al. | Design and evaluation of a continuous data level auditing system | |
Lensberg et al. | Bankruptcy theory development and classification via genetic programming | |
Jerman-Blažič et al. | Managing the investment in information security technology by use of a quantitative modeling | |
US20080262981A1 (en) | Method, System and Computer Program for Operational-Risk Modeling | |
JP2012150788A (ja) | 将来の損失に関連する頻度を予測し、損失決定ユニットの関連する自動処理のためのシステム及び方法 | |
KR102011689B1 (ko) | 시계열 데이터의 모니터링 방법, 모니터링 시스템 및 컴퓨터 프로그램 | |
Vanini et al. | Online payment fraud: from anomaly detection to risk management | |
CN112817939A (zh) | 一种数据风控模型的构建方法及数据风控模型 | |
CN117273935A (zh) | 一种基于区块链技术的供应链金融风控***及方法 | |
CN114022273A (zh) | 一种用于融资供应链的金融风险管理***及其方法 | |
CN117151882B (zh) | 一种基于多品种电力交易的风险评估方法及*** | |
CN112766814A (zh) | 一种信用风险压力测试模型的训练方法、装置及设备 | |
Roy et al. | Corporate governance compliance, governance structures, and firm performance | |
Maggi et al. | IFRS 9: A silent revolution in banks’ business models | |
US20210158357A1 (en) | Computer implemented system, method and program for processing data in order to identify one or more anomalies | |
CN111179077B (zh) | 股票异常交易的识别方法及*** | |
Kul’ba et al. | Scenario Research of Complex Manufacturing Systems’ Vulnerability | |
CN114066616A (zh) | 一种基于区块链的工程领域供应链金融风险评估*** | |
US20130091072A1 (en) | Algorithm for post-trade analysis and formulation of optimized strategy for subsequent trades | |
CN117853211B (zh) | 一种投标现场智能化管理监控*** | |
Pandit et al. | Remanufactured Product Warranty Oversight Fraud | |
Hakamada | Risk Taking, Banking Crises, and Macroprudential Monetary Policy.” | |
Raschke et al. | Digital Liability Risk: A Note on Estimating Exposure, Costs, and Implications | |
Vojtková et al. | Intraday liquidity modelling using statistical methods | |
Chen | Capital Management and Risk Weighted Asset |
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 |