JP7472966B2 - 成長性推定システム、成長性推定方法、及び、成長性推定プログラム - Google Patents

成長性推定システム、成長性推定方法、及び、成長性推定プログラム Download PDF

Info

Publication number
JP7472966B2
JP7472966B2 JP2022510304A JP2022510304A JP7472966B2 JP 7472966 B2 JP7472966 B2 JP 7472966B2 JP 2022510304 A JP2022510304 A JP 2022510304A JP 2022510304 A JP2022510304 A JP 2022510304A JP 7472966 B2 JP7472966 B2 JP 7472966B2
Authority
JP
Japan
Prior art keywords
target company
information
growth potential
estimation
company
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.)
Active
Application number
JP2022510304A
Other languages
English (en)
Other versions
JPWO2021192196A1 (ja
JPWO2021192196A5 (ja
Inventor
遼介 外川
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
NEC Corp
Original Assignee
NEC Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by NEC Corp filed Critical NEC Corp
Publication of JPWO2021192196A1 publication Critical patent/JPWO2021192196A1/ja
Publication of JPWO2021192196A5 publication Critical patent/JPWO2021192196A5/ja
Application granted granted Critical
Publication of JP7472966B2 publication Critical patent/JP7472966B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00Computing arrangements based on specific mathematical models
    • G06N7/01Probabilistic graphical models, e.g. probabilistic networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q10/00Administration; Management
    • G06Q10/06Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063Operations research, analysis or management
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00Computing arrangements using knowledge-based models
    • G06N5/02Knowledge representation; Symbolic representation
    • G06N5/022Knowledge engineering; Knowledge acquisition
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10Services

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Algebra (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Description

本発明は、成長性推定システム、成長性推定装置、成長性推定方法、及び、成長性推定プログラムが格納された記録媒体に関する。
企業の成長性を推定(予測)することは、当該企業自体による成長戦略の策定において、あるいは、銀行による当該企業に融資するか否かの判定において、あるいは、投資家による当該企業に投資するか否かの判定などにおいて、非常に重要である。したがって、企業の成長性を推定する精度を高める技術が期待されている。
このような技術に関連する技術として、特許文献1には、企業の倒産確率を予測するシステムが開示されている。このシステムは、カテゴリセット毎の区分データに対して、倒産確率実績値をロジット変換して得られたロジット変換後の倒産確率実績値を目的変数とする数量化理論1類に基づく回帰分析を行うことによって、アイテムカテゴリ毎のスコア値を算出する。そしてこのシステムは、指定されたアイテムカテゴリについて、ロジット値Lを算出し、倒産確率P=1/(1+e-L)(但しeは自然対数の底を表す)を算出する。尚、ロジット値Lは、「評点区分スコア値+業種区分スコア値+成長率区分スコア値+金利区分スコア値+為替区分スコア値+物価区分スコア値+政権区分スコア値+定数」により算出される。
また、特許文献2には、対象企業の安定性、成長性及び継続性の観点から総合的な企業価値評価を行う装置が開示されている。この装置は、対象企業の企業力指数を算出し、対象企業の予測存続期間を算出する。この装置は、対象企業の直近所定年数の付加価値額の平均値を算出し、対象企業の平均付加価値額成長率を算出する。この装置は、対象企業の各年度の付加価値額成長率を算出し、対象企業の付加価値額成長率が所定値を下回る年度までの付加価値額成長率維持期間を推算する。この装置は、対象企業の付加価値額の平均値及び各年度の付加価値額成長率に基づいて、推算された付加価値額成長率維持期間までの第一の現在価値を算出する。この装置は、算出された対象企業の付加価値額の平均値及び平均付加価値額成長率に基づいて、付加価値額成長率維持期間経過後の第二の現在価値を算出する。そしてこの装置は、第一の現在価値及び第二の現在価値を加算して企業価値を算出する。
また、特許文献3には、企業等の将来財務を予測し、その結果から企業等の信用リスクを計測するシステムが開示されている。このシステムは、財務諸表を作成する特定の法人の過去の財務データに基づき、特定の法人について将来期(t+1)の純資産の変化額を算出する。このシステムは、特定の法人について直前期(t)より前の期(t-1)から直前期(t)への財務データの変化を抽出し、直前期(t)の財務戦略パターンを選択する。このシステムは、財務戦略マップに基づいて直前期(t)の財務戦略パターンに対応する将来期(t+1)の財務戦略パターンを特定し、将来期(t+1)の財務戦略パターンと直前期(t)の財務戦略パターンにより財務バランス係数を特定する。そしてこのシステムは、特定された財務バランス係数と将来期(t+1)の純資産の変化額に基づき、将来期(t +1)における貸借対照表中の他項目の変化額を算出して、将来期(t+1)の貸借対照表を算出する。
特開2008-250466号公報 特開2009-087219号公報 特開2010-134840号公報
Lu Wang, Wenchao Yu, Wei Wang, Wei Cheng, Wei Zhang, Hongyuan Zha, Xiaofeng He, Haifeng Chen, "Learning Robust Representations with Graph Denoising Policy Network ", arXiv:1910.01784, October 4, 2019 Dongkuan Xu, Wei Cheng, Dongsheng Luo, Xiao Liu, Xiang Zhang, "Spatio-Temporal Attentive RNN for Node Classification in Temporal Attributed Graphs", Twenty-Eighth International Joint Conference on Artificial Intelligence Main track, Pages 3947-3953, August 11-12, 2019 Wenchao Yu, Wei Cheng, Charu Aggarwal, Kai Zhang, Haifeng Chen, Wei Wang, " NetWalk: A Flexible Deep Embedding Approach for Anomaly Detection in Dynamic Networks", KDD 2018, August 19-23, 2018, London, United Kingdom
成長性を推定する対象である対象企業が成長するか否かを高い精度で推定するためには、互いに複雑に影響し合う、様々な成長要因をふまえて推定する必要がある。そのような成長要因は、例えば対象企業と取引関係がある取引企業との間の取引関係の時系列変化(推移)の特徴や、対象企業や取引企業の企業活動に関する属性の時系列変化の特徴などを含む。したがって、対象企業の成長性を高い精度で推定するには、このような企業活動に関する時系列変化の特徴を高い精度で把握した上で分析を行うことが必要である。
しかしながら、対象企業の成長性を推定する一般的なシステムでは、このような企業活動に関する時系列変化の特徴を十分に把握できていないので、特にその時系列変化の特徴が、企業の成長性において重要な因子となる場合では、成長性の推定精度が大きく低下する。上述した特許文献1乃至3が示す技術は、この問題を解決するのに十分であるとは言えない。
本発明の主たる目的は、企業の成長性を推定する精度を高めることができる成長性推定システム等を提供することにある。
本発明の一態様に係る成長性推定システムは、第1の期間における対象企業の取引情報と口座時系列情報と対象企業属性情報と前記第1の期間の後の前記対象企業の成長性との関係を表す推定モデルと、前記第1の期間よりも後の第2の期間における前記取引情報と前記口座時系列情報と前記対象企業属性情報と、に基づいて、前記第2の期間の後の前記対象企業の成長性を推定する推定手段を備え、前記取引情報は、前記対象企業の企業間取引関係の時系列変化を表し、前記口座時系列情報は、前記対象企業の口座の入出金の時系列変化を表し、前記対象企業属性情報は、前記対象企業の属性の時系列変化を表す。
上記目的を達成する他の見地において、本発明の一態様に係る成長性推定方法は、情報処理システムによって、第1の期間における対象企業の取引情報と口座時系列情報と対象企業属性情報と前記第1の期間の後の前記対象企業の成長性との関係を表す推定モデルと、前記第1の期間よりも後の第2の期間における前記取引情報と前記口座時系列情報と前記対象企業属性情報と、に基づいて、前記第2の期間の後の前記対象企業の成長性を推定する方法であって、前記取引情報は、前記対象企業の企業間取引関係の時系列変化を表し、前記口座時系列情報は、前記対象企業の口座の入出金の時系列変化を表し、前記対象企業属性情報は、前記対象企業の属性の時系列変化を表す。
また、上記目的を達成する更なる見地において、本発明の一態様に係る成長性推定プログラムは、第1の期間における対象企業の取引情報と口座時系列情報と対象企業属性情報と前記第1の期間の後の前記対象企業の成長性との関係を表す推定モデルと、前記第1の期間よりも後の第2の期間における前記取引情報と前記口座時系列情報と前記対象企業属性情報と、に基づいて、前記第2の期間の後の前記対象企業の成長性を推定する推定処理をコンピュータに実行させるためのプログラムであって、前記取引情報は、前記対象企業の企業間取引関係の時系列変化を表し、前記口座時系列情報は、前記対象企業の口座の入出金の時系列変化を表し、前記対象企業属性情報は、前記対象企業の属性の時系列変化を表す。
更に、本発明は、係る成長性推定プログラム(コンピュータプログラム)が格納された、コンピュータ読み取り可能な、不揮発性の記録媒体によっても実現可能である。
本発明によれば、企業の成長性を推定する精度を高めることができる成長性推定システム等が得られる。
本発明の第1の実施形態に係る成長性推定システム10の構成を示すブロック図である。 本発明の第1の実施形態に係る学習用の取引実績情報101の内容を例示する図である。 本発明の第1の実施形態に係る取引企業属性情報102の内容を例示する図である。 本発明の第1の実施形態に係る口座時系列情報103の内容を例示する図である。 本発明の第1の実施形態に係る対象企業属性情報104の内容を例示する図である。 本発明の第1の実施形態に係るグラフ120の構成を例示する図である。 本発明の第1の実施形態に係る成長性推定システム10が推定モデル130を生成する(機械学習を行う)動作(処理)を示すフローチャートである。 本発明の第1の実施形態に係る推定部14が推定結果を表示画面200に表示する態様を例示する図である。 本発明の第1の実施形態に係る成長性推定システム10の推定動作を示すフローチャートである。 本発明の第2の実施形態に係る成長性推定システム30の構成を示すブロック図である。 本発明の第1の実施形態に係る成長性推定システム10あるいは第2の実施形態に係る成長性推定システム30を実行可能な情報処理システム900の構成を示すブロック図である。
後述する実施形態を一例とするシステムは、ある入力情報から目的の事象を推定する場合において、機械学習(例えば、深層学習)によって生成した学習済モデル(推定モデルとも称する)を用いる。そして、当該システムは、当該入力情報を表す、例えばノードとエッジ(枝とも称する)とによって構成されるグラフを用いる。グラフは、時間の経過とともに構造が変化する。当該システムは、そのようなグラフの特徴を分析可能なアルゴリズムを適用することに着想を得たものである。このアルゴリズムとしては、例えば下記のアルゴリズムが知られている。
(1)TGFN(Temporal Graph Factorization Network)
時間の経過とともに構造が変化するグラフから、時刻にかかわらず不変である静的な特徴と、各時刻に固有の動的な特徴とを抽出し、抽出した特徴を分析するアルゴリズムである。本アルゴリズムは、非特許文献1に示されているので、後述する実施形態ではその詳細な説明を省略する。
(2)STAR(Spatio-Temporal Attentive RNN)
時間の経過とともに構造が変化するグラフから、当該グラフを構成するノードのうち、時間軸及び空間軸の各軸において、例えばある事象の推定において重要な(即ち、推定に対する影響度が高い)ノードを特定して分析するアルゴリズムである。本アルゴリズムは、非特許文献2に示されているので、後述する実施形態ではその詳細な説明を省略する。
(3)Netwalk
時間の経過とともに構造が変化するグラフから、当該グラフを構成するノードの特徴量を抽出するアルゴリズムである。本アルゴリズムは、非特許文献3に示されているので、後述する実施形態ではその詳細な説明を省略する。
後述する実施形態を一例とする開示は、学習済モデルを生成するとき、及び、その学習済モデルを用いてある入力情報から目的の事象を推定するときに、上述したアルゴリズムを適用することによって、目的の事象を推定する精度を高めることを実現する。
以下、本発明の実施の形態について図面を参照して詳細に説明する。
<第1の実施形態>
図1は、本発明の第1の実施の形態に係る成長性推定システム10の構成を示すブロック図である。本実施形態に係る成長性推定システム10は、対象企業の企業活動や属性等に関する情報に基づいて、対象企業の成長性を推定するシステムである。成長性推定システム10は、過去における対象企業について、成長実績がラベルとして付与された企業活動に関する情報及び属性等に関する情報を用いて学習済モデル(推定モデルとも称する)を生成し、当該学習済モデルを用いて、対象企業の今後の成長性を推定する。成長性推定システム10は、少なくとも1つ以上の情報処理装置によって構成される。
成長性推定システム10には、管理端末装置20(表示装置とも称する)が通信可能に接続されている。管理端末装置20は、成長性推定システム10を使用するユーザが、成長性推定システム10に対して情報を入力したり、成長性推定システム10から出力された情報を確認したりする際に使用する、例えばパーソナルコンピュータ、その他の情報処理装置である。管理端末装置20は、成長性推定システム10から出力された情報を表示する表示画面200を備えている。
成長性推定システム10は、取得部11、グラフ生成部12、モデル生成部13、推定部14、及び表示制御部15を備えている。グラフ生成部12、モデル生成部13、推定部14、及び表示制御部15は、順に、グラフ生成手段、モデル生成手段、推定手段、及び表示制御手段の一例である。
次に、本実施形態に係る成長性推定システム10が、対象企業の成長性を推定するための推定モデル130を生成あるいは更新する動作と、生成あるいは更新した推定モデル130を用いて対象企業の成長性を推定する動作とのそれぞれについて説明する。
<推定モデルを生成(更新)する動作>
まず、本実施形態に係る成長性推定システム10が、対象企業の成長性を推定するための推定モデルを生成あるいは更新する動作について説明する。
取得部11は、対象企業に関する、取引情報100、口座時系列情報103、対象企業属性情報104を、ネットワークを経由してコンピュータ装置(図示せず)あるいはデータベースから取得する。取得部11は、例えば、ユーザが管理端末装置20を介して入力した指示に応じて、取引情報100、口座時系列情報103、対象企業属性情報104を取得してもよい。取得部11は、たとえば、取引情報100、口座時系列情報103、対象企業属性情報104を送信する1つまたは複数のコンピュータ装置あるいはデータベースに接続する通信回路と、通信回路によって取得された情報を格納する記憶デバイスとを備える。記憶デバイスは、後述される図11に示す情報処理システム900のハードディスク904あるいはRAM903でもよい。
取引情報100は、対象企業とその取引先である取引企業との取引関係の推移を表す情報である。取引情報100は、取引実績情報101、及び、取引企業属性情報102を含んでいる。
図2は、本実施形態に係る取引実績情報101のデータの内容を例示する図である。取引実績情報101は、対象企業(A社、B社、C社等)ごとに、各取引企業(X社、Y社、Z社等)との間における取引金額、取引回数、及び取引商品を表している。A社、B社、C社は、例えば、同一の業種の企業であり、X社、Y社、Z社は、そのような業種の企業と取引関係がある企業である。尚、取引実績情報101は、取引金額、取引回数、及び取引商品とは異なる取引関係を表す項目を含んでもよい。
取引実績情報101に含まれる取引実績情報101―t乃至101―tn-1(但しnは2以上の任意の整数)は、順に、期間t乃至tn-1における、各対象企業との間の取引金額、取引回数、及び取引商品を表す。但し、期間t乃至tn-1の各々は、所定の長さを単位とする期間を表す。また、期間t乃至tn-1は、時系列の順を表す。
例えば、取引情報100が1か月単位の情報を表す場合、例えば期間tは2019年1月、期間tは2019年2月、期間t12は2019年12月を表す。あるいは例えば、取引情報100が4半期単位の情報を表す場合、期間t乃至tは、例えば2019年の第1四半期乃至第4四半期を表す。このように取引実績情報101は、企業間の取引金額、取引回数、取引商品等に関する、ある長さの期間を単位とする推移を表している。尚、本実施形態の以降の説明において、期間t乃至tn-1等をまとめて期間tと称する場合がある。
また、図2に示す例において、例えば期間t(但しiは2乃至nの任意の整数)において、対象企業のA社と取引企業のX社との取引関係が解消した場合、期間ti+1以降の取引実績情報101には、A社とX社との取引関係を表す情報が含まれなくなる、すなわち削除される。あるいは例えば、期間t(但しjは2乃至nの任意の整数)において、A社とW社との間において取引関係が新たに発生した場合、A社とW社との取引関係を表す情報が、期間t以降の取引実績情報101において新たに含まれるようになる、すなわち追加される。
図3は、本実施形態に係る取引企業属性情報102の内容を例示する図である。取引企業属性情報102は、各取引企業の属性として、各取引企業の資本金、売上、純利益、及び各対象企業との取引開始時期を表している。尚、図3の例には、取引企業属性情報102は、各取引企業の資本金、売上、純利益、及び各対象企業との取引開始時期を含む情報として示しているが、これに限定されない。取引企業属性情報102は、資本金、売上、純利益、及び取引開始時期とは異なる各取引企業の属性に関する項目を含んでもよいし、資本金、売上、純利益、及び取引開始時期のうちの少なくとも一つを含む情報であってもよい。取引企業属性情報102は、例えば、各対象企業との取引継続期間、株価の指標に関する株価情報、時価総額、キャッシュフロー、自己資本金、自己資本比率などの財務情報などを含んでもよい。あるいは例えば、取引企業属性情報102は、従業員数や拠点数を含む事業規模、離職率、株主情報、業種(メーカー、金融、小売りなど)などを含んでもよい。
取引企業属性情報102に含まれる取引企業属性情報102―t乃至101―tn-1は、順に、期間t乃至tn-1における、取引企業の資本金、売上、純利益、及び取引開始時期を表す。但し、取引開始時期は、期間tによらず不変である。また、資本金は、取引企業において、増資あるいは減資が行われない限り、期間tによらず不変である。
取引企業属性情報102が示す取引企業の属性が時系列に変化する傾向は、対象企業の成長性を推定するための指標の1つとなる。例えば、業績(売上あるいは純利益)が上昇している取引企業との取引が多い対象企業は、成長が期待できると考えられる。
図4は、本実施形態に係る口座時系列情報103の内容を例示する図である。口座時系列情報103は、対象企業ごとに、口座の残高、口座への入金額、及び口座からの出金額を表している。尚、口座時系列情報103は、口座の残高、口座への入金額、及び口座からの出金額とは異なる、口座の状態を表す項目を含んでもよい。
口座時系列情報103に含まれる口座時系列情報103―t乃至103―tn-1は、順に、期間t乃至tn-1における、口座の残高、口座への入金額、及び口座からの出金額を表す。
図5は、本実施形態に係る対象企業属性情報104の内容を例示する図である。図5の例に示す対象企業属性情報104は、対象企業ごとに、資本金、売上、及び純利益を含む情報であるが、資本金、売上、純利益のうちの少なくとも一つを含む情報であってもよい。尚、対象企業属性情報104は、資本金、売上、及び純利益とは異なる、各対象企業の属性に関する項目を含んでもよい。例えば、対象企業属性情報104は、他企業との取引継続期間、株価の指標に関する株価情報、時価総額、キャッシュフロー、自己資本金、自己資本比率などの財務情報を含んでもよい。あるいは例えば、対象企業属性情報104は、従業員数や拠点数を含む事業規模、離職率、株主情報、業種(メーカー、金融、小売りなど)などを含んでもよい。このように、対象企業属性情報104は、企業の属性に関するあらゆる情報を含んでよい。
対象企業属性情報104に含まれる対象企業属性情報104―t乃至104―tn-1は、順に、期間t乃至tn-1における、資本金、売上、及び純利益を表す。但し、資本金は、対象企業において、増資あるいは減資が行われない限り、期間tによらず不変である。
対象企業属性情報104が示す対象企業の属性が時系列に変化する傾向は、対象企業の成長性を推定するための指標の1つとなる。例えば、業績(売上あるいは純利益)が上昇している対象企業は、今後も引き続き成長が期待できると考えられる。
取得部11は、取得した、期間t乃至tn-1における、取引実績情報101、取引企業属性情報102、口座時系列情報103、及び、対象企業属性情報104を、図示しない記憶デバイス(例えばメモリやハードディスク等)に格納する。
図1に示すグラフ生成部12は、取得部11により取得された、期間t乃至tn-1における、取引実績情報101、取引企業属性情報102、口座時系列情報103、及び、対象企業属性情報104を表すグラフ120を生成する。具体的に、グラフ生成部12は、記憶デバイスから取引実績情報101、取引企業属性情報102、口座時系列情報103、及び、対象企業属性情報104を読み出し、グラフ生成アルゴリズムに基づいてグラフ120を生成する。この場合、グラフ120は、対象企業と取引企業との間における取引関係、及び、対象企業及び取引企業の属性に関する、期間t乃至tn-1における時系列変化(取引の推移)を表す。
図6は、本実施形態に係るグラフ120の構成を例示する図である。図6に例示する通り、グラフ120は、対象企業であるA社、B社、C社等と、取引企業であるX社、Y社、Z社等とを表すノードを含んでいる。そしてグラフ120は、各対象企業と各取引企業との間の取引関係を表す、ノード同士を接続するエッジを含んでいる。図6の例示では、ノードは、各対象企業あるいは各取引企業の社名を囲む円で示され、エッジは、有向矢印で示されているが、これに限定されない。例えば、エッジは矢印ではなく、方向を示さない線で表されてもよい。
グラフ120における各ノードは、各対象企業あるいは各取引企業の属性情報を含んでいる。より具体的には、グラフ120における対象企業を表すノードは、口座時系列情報103及び対象企業属性情報104を含んでいる。そして、グラフ120における取引企業を表すノードは、取引企業属性情報102を含んでいる。したがって、各ノードは、期間tを変数とし、上述した各属性情報に含まれる項目(例えば、資本金、売上、純利益等)を要素として含む多次元の関数によって表される。ノードを表す多次元の関数は、期間t(期間t、・・・、tn-1)ごとに、ノードが示す情報と関連付けて図示しない記憶デバイス(例えば、ハードディスク904あるいはRAM903)に記憶される。
グラフ120における各エッジは、より具体的には、取引実績情報101と関連付けされている。例えば、対象企業Aを示すノードと取引企業Xを表すノードとの結ぶエッジは、取引実績情報101が示す対象企業Aと取引企業Xとの間における取引関係を表し、その取引関係は、図6に示す関数fAX(t)で表される。同様に、取引実績情報101が示す対象企業Bと取引企業Yとの間における取引関係は、図6に示す関数fBY(t)で表される。各エッジを表す関数fAX(t)等の関数は、期間tを変数とし、取引実績情報101に含まれる項目(例えば、取引金額、取引回数、取引商品)を要素として含む多次元の関数である。エッジを表す多次元の関数は、期間t(期間t、・・・、tn-1)ごとに、エッジと関連付けて図示しない記憶デバイス(例えば、ハードディスク904あるいはRAM903)に記憶される。
グラフ生成部12は、さらに、期間t乃至tn-1に関して生成したグラフ120に対して、対象企業A、B、C等の成長実績を、後述するモデル生成部13が機械学習を行う際に使用する教師データのラベルとして付与する。グラフ生成部12は、例えば、対象企業属性情報104が示す売上や純利益の推移から、所定の算出ルールを用いて対象企業の成長実績を求めてもよい。あるいは、グラフ生成部12は、対象企業の株価や対象企業に対する外部機関による評価情報が管理端末装置20あるいはネットワークを介して与えられることによって、対象企業の成長実績を求めてもよい。
グラフ生成部12は、例えば、期間t乃至tが2018年の第1四半期乃至第4四半期を表す場合において、その期間に関して生成したグラフ120に、2019年の第1四半期以降における対象企業の成長実績をラベルとして付与する。グラフ生成部12は、成長実績をラベルとして付与したグラフであって、期間t乃至tn-1に関して生成したグラフ120の構成を記憶デバイスに格納する。グラフ生成部12は、ラベルを付与した期間t乃至tに関するグラフ120を、教師データとしてモデル生成部13に出力する。そしてこの場合、グラフ生成部12は、期間t乃至t(即ち、2018年の第2四半期乃至2019年の第1四半期)に関して生成したグラフ120に、期間tの次の期間である2019年の第2四半期以降における対象企業の成長実績をラベルとして付与する。グラフ生成部12は、ラベルを付与した期間t乃至tに関するグラフ120を教師データとしてモデル生成部13に出力する。
グラフ生成部12は、このように、グラフ120の生成対象とする期間(第1の期間とも称する)を変更しながら対象企業の当該期間後の成長実績をラベルとしてグラフ120に付与することを順次行う。そしてグラフ生成部12は、ラベルを付与したグラフ120を、教師データとしてモデル生成部13に出力する。
モデル生成部13は、グラフ生成部12から入力された、ラベルが付与されたグラフ120を教師データとして、後述する推定部14が対象企業の成長性を推定する際に用いる推定モデル130(学習済モデル)を生成する。モデル生成部13は、プロセッサによって、上述した教師データを用いる推定モデル130(学習済モデル)を生成する機械学習を行う。
具体的に、モデル生成部13は、入力されたグラフ120から、所定のアルゴリズムを用いて、対象企業と取引企業との間における取引関係、及び、対象企業及び取引企業の属性に関する、推移の特徴を抽出する。モデル生成部13は、当該所定のアルゴリズムとして、例えば上述した、TGFN、STAR、Netwalk等を使用可能である。
モデル生成部13は、例えばTGFNを用いることによって、グラフ120から、対象企業と取引企業との間における取引関係、及び、対象企業及び取引企業の属性に関する、静的な特徴と時間とともに変化する動的な特徴とを抽出する。あるいはモデル生成部13は、例えばSTARを用いることによって、時間軸(複数の期間tに跨る観点)及び空間軸(個々の期間tに着目した観点)の各軸において、対象企業の成長性の推定において重要な(即ち、推定に対する影響度が高い)ノードを抽出する。あるいはモデル生成部13は、例えばNetwalkを用いることによって、グラフ120からノードの特徴量を抽出する。モデル生成部13は、Netwalkを用いる場合、例えば、Gradient Boosting等の既存の予測アルゴリズムと組み合わせてもよい。
次に、モデル生成部13は、上述した教師データを用いて機械学習を行う過程において、上述の通りにグラフ120から特徴を抽出した結果から、対象企業の成長性に関する説明変数を決定する。説明変数の具体例については後述する。グラフ120から特徴を抽出した結果は、具体的には、取引関係、及び、対象企業及び取引企業の属性に関する静的な特徴と動的な特徴、またはノードの特徴量である。さらに、グラフ120から特徴を抽出した結果は、企業活動に関連する時系列データの特徴量であり、例えば口座に保有する資金や株価などの時系列変化に関する説明変数である。そして、モデル生成部13は、その説明変数の値に基づいて対象企業の成長性を推定するための基準を含む推定モデル130を生成する。モデル生成部13は、教師データにおける説明変数の値とラベルの値との関係について機械学習を行うことによって、当該基準を決定する。
モデル生成部13は、例えば、取引情報100によって示される取引関係の時系列変化に関する説明変数を決定する。取引関係の時系列変化に関する説明変数は、例えば、入金取引金額平均、あるいは、取引先との取引数等があるが、これらに限定されない。モデル生成部13は、口座時系列情報103によって示される口座入出金の時系列変化に関する説明変数を決定する。口座入出金の時系列変化に関する説明変数は、例えば、所定の期間における、口座の残高の増加(あるいは減少)率、あるいは口座の残高の増加(あるいは減少)期間の数等があるが、これらに限定されない。モデル生成部13は、対象企業属性情報104によって示される企業属性の時系列変化に関する説明変数を決定する。企業属性の時系列変化に関する説明変数は、例えば、他の企業と比較した売上あるいは純利益等があるが、これらに限定されない。
モデル生成部13は、また、上述の通りに説明変数を決定する際に、複数の説明変数の個々に対して、対象企業の成長性の推定における重要度(推定結果に対する寄与度)を決定する。モデル生成部13は、上述した対象企業の成長性を推定するための基準において、各説明変数の値を、当該説明変数の重要度によって重み付けしてもよい。モデル生成部13は、この際、同一の前記説明変数に対して、対象企業間における取引情報100、口座時系列情報103、対象企業属性情報104に関する特徴の違いから、対象企業ごとに異なる重要度を決定してもよい。即ち、モデル生成部13は、例えば、ある説明変数に関して、対象企業Aの成長性の推定に関してその重要性を高く設定し、対象企業Bの成長性の推定に関してその重要性を低く設定してもよい。
モデル生成部13は、上述の通りに生成あるいは更新した推定モデル130を、図示しない不揮発性の記憶デバイスに格納する。モデル生成部13は、例えば所定時間ごとに、推定モデルを更新(再学習ともいう)することにより、推定精度を漸次向上することができる。
次に図7のフローチャートを参照して、本実施形態に係る成長性推定システム10が推定モデル130を生成する(機械学習を行う)動作(処理)について詳細に説明する。
取得部11は、教師データとして用いる、過去のある期間に関する取引情報100と口座時系列情報103と対象企業属性情報104とを、外部から取得する(ステップS101)。グラフ生成部12は、取得部11によって取得された取引情報100と口座時系列情報103と対象企業属性情報104とを用いて、グラフ120を生成(更新)する。そしてグラフ生成部12は、当該過去のある期間後の対象企業の成長実績をラベルとしてグラフ120に付与する(ステップS102)。
モデル生成部13は、グラフ生成部12によって生成されたグラフ120から、所定のアルゴリズムを用いて、対象企業に関して、企業間取引関係の推移の特徴、入出金や株価等の時系列変化の特徴、及び、属性の特徴を抽出する(ステップS103)。モデル生成部13は、抽出結果に基づいて、対象企業の成長性の説明変数を決定する(ステップS104)。
モデル生成部13は、個々の説明変数に対して、所定のアルゴリズムを用いて企業の成長性の推定における重要度を決定し、当該説明変数を含む推定モデル130を生成(更新)し(ステップS105)、全体の処理は終了する。
<対象企業の成長性を推定する動作>
次に、本実施形態に係る成長性推定システム10が、生成あるいは更新した推定モデル130を用いて対象企業の成長性を推定する動作について説明する。
取得部11は、成長性推定システム10が推定モデル130を生成するときと同様に、対象企業に関する、取引情報100、口座時系列情報103、対象企業属性情報104を外部の装置(図示せず)から取得する。但し、取得部11は、これらの情報を、上述した教師データとして取得するのではなく、対象企業に関する成長性の推定対象のデータとして取得する。例えば上述の通り、期間t乃至tn-1に関する取引情報100、口座時系列情報103、対象企業属性情報104に基づいて推定モデル130が生成されていることとする。この場合、取得部11は、例えばユーザが管理端末装置20を介して入力した指示に応じて、期間tに関する取引情報100、口座時系列情報103、対象企業属性情報104を取得する。期間tに関する取引情報100、口座時系列情報103、対象企業属性情報104の内容は、図2乃至図5に示す期間t乃至tn-1に関する取引情報100、口座時系列情報103、対象企業属性情報104と同様である。
グラフ生成部12は、期間t乃至tn-1の少なくともいずれかに関する取引情報100、口座時系列情報103、対象企業属性情報104と、新たに取得した期間tに関するそれらの情報とを表すグラフ120を生成する。但し、期間t乃至tn-1の少なくともいずれかに関するそれらの情報は、推定モデル130が生成あるいは更新される際に既に取得されている。尚、グラフ120の構成は、図6を参照して上述した通りである。
例えば、期間t乃至tの各期間が四半期を表し、グラフ生成部12が、1年間(即ち4つの連続する四半期)の取引情報100、口座時系列情報103、対象企業属性情報104を表すグラフ120を、上述した教師データとして生成することとする。この場合、グラフ生成部12は、期間tn-3乃至tに関する取引情報100、口座時系列情報103、対象企業属性情報104を表すグラフ120を、成長性の推定対象のグラフとして生成する。
より具体的には、例えば、成長性推定システム10が、2019年の第四四半期に関する取引情報100、口座時系列情報103、対象企業属性情報104を、最新の情報として与えられることとする。そして、2019年第三四半期までの取引情報100、口座時系列情報103、対象企業属性情報104が、推定モデル130に反映されていることとする。この場合、グラフ生成部12は、2019年の第一四半期乃至第四四半期に関する取引情報100、口座時系列情報103、対象企業属性情報104を表すグラフ120を、成長性の推定対象のグラフとして生成する。
図1に示す推定部14は、期間tを含む期間(第2の期間とも称する)に関するグラフ120と、期間tn-1までの取引情報100、口座時系列情報103、対象企業属性情報104が反映された推定モデル130とに基づいて、対象企業の成長性を推定する。
推定部14は、モデル生成部13が推定モデル130の生成あるいは更新する際に行うのと同様に、グラフ生成部12から入力されたグラフ120から、対象企業と取引企業との間における取引関係、及び、対象企業及び取引企業の属性に関する、推移の特徴を抽出する。推定部14は、この際、例えば上述した、TGFN、STAR、Netwalk等の所定のアルゴリズムを使用すればよい。
推定部14は、グラフ120から抽出した特徴に基づいて、グラフ120における、推定モデル130によって識別された説明変数の値を求める。推定部14は、求めた説明変数の値を、推定モデル130に含まれる、対象企業の成長性を推定するための基準と照合することによって、対象企業の成長性を推定する。
推定部14は、対象企業の成長性を推定した結果と、その推定理由を示す情報を表示制御部15へ出力する。推定理由を示す情報は、例えば、対象企業の成長性の推定対象であるグラフ120における説明変数の値、及び、説明変数の重要度等である。
表示制御部15は、推定部14から入力された、対象企業の成長性を推定した結果と、その推定理由を示す情報を、管理端末装置20における表示画面200に表示する。すなわち、表示制御部15は、推定部14による推定結果及び推定理由を管理端末装置20の表示画面200に表示するよう、管理端末装置20を制御する。
図8は、本実施形態に係る表示制御部15が、対象企業の成長性を推定した結果とその推定理由を示す情報とを表示画面200に表示する態様を例示する図である。表示制御部15は、推定部14から入力された情報に基づいて、図8に例示する各ウィンドウにおけるグラフを生成し、表示する。すなわち、表示制御部15は、図8に例示される各グラフを管理端末装置20の表示画面200に表示するよう、管理端末装置20を制御する。
図8に例示する表示画面200において、左上のウィンドウは、対象企業の成長性を推定した結果として、今後衰退することが予想される衰退企業の名称の一覧と、今後成長することが予想される成長企業の名称の一覧とを表示している。
図8に例示する表示画面200において、左下のウィンドウは、重要度(図8の例では棒グラフの長さで表現されている。)の順番に並べた説明変数の一覧を棒グラフで表示するとともに、重要度の値が上位(図8の例では上位5番目まで)の説明変数の内容(名称)を表示している。ここで、重要度の値が上位5番目までの説明変数は、上から順に、「入金取引額平均」、「当座預金残高の減少期間の数」、「入金取引額が一定以下の取引先の割合」、「取引先との取引数」、「四半期売上高のクラス」である。尚、図8において、紙面の都合上、一部説明変数の記載を省略する。また、この左下のウィンドウは、各説明変数の種別(カテゴリ)が識別できるように、説明変数の種別ごとに、例えば色分けして表示する。図8の例では、説明変数の種別として、「取引関係」、「口座入出金」、「企業属性」という3つの種別が設定されている。尚、「取引関係」、「口座入出金」、「企業属性」という種別は、順に、取引情報100、口座時系列情報103、対象企業属性情報104に関連する説明変数であることを表している。
図8に例示する表示画面200において、右側のウィンドウは、左上のウィンドウに表示した推定結果の推定理由を具体的に表示している。図8の例では、右側のウィンドウは、A社が衰退すると推定された理由を、「取引関係の推移に基づく要因」、「口座入出金の時系列変化に基づく要因」、「企業属性に基づく要因」別に表示している。
図8に例示する表示画面200によれば、推定部14は、企業Aが衰退すると推定される、取引関係の推移に基づく要因として、
・入金取引金額平均(説明変数)が300万円以下であること、
・入金取引額300万円以下の取引先の割合(説明変数)が87.5%であること(図8において、紙面の都合上記載を省略する)、
・取引先との取引数(説明変数)が、四半期20回以下であること(図8において、紙面の都合上記載を省略する)、
を特定している。
また、図8に例示する表示画面200によれば、推定部14は、企業Aが衰退すると推定される、口座入出金の時系列変化に基づく要因として、
・四半期別当座預金残高の減少期間が2回あること、
を特定している。
また、図8に例示する表示画面200によれば、推定部14は、企業Aが衰退すると推定される、企業属性に基づく要因として、
・四半期売上高が衰退企業群の領域にあること、
を特定している。
尚、図8に例示する、表示画面200に表示する態様は一例であり、表示制御部15は、図8に例示する態様とは異なる態様によって、対象企業の成長性を推定した結果とその推定理由を示す情報とを表示画面200に表示してもよい。
次に図9のフローチャートを参照して、本実施形態に係る成長性推定システム10が対象企業の成長性を推定する動作(処理)について詳細に説明する。
取得部11は、推定対象である取引情報100と口座時系列情報103と対象企業属性情報104とを、外部から取得する(ステップS201)。グラフ生成部12は、取得した取引情報100と口座時系列情報103と対象企業属性情報104とを用いて、グラフ120を生成(更新)する(ステップS202)。
推定部14は、グラフ生成部12によって生成されたグラフ120から、所定のアルゴリズムを用いて、対象企業に関して、企業間取引関係の推移の特徴、入出金の時系列変化の特徴、及び、属性の特徴を抽出する(ステップS203)。推定部14は、グラフ120からの特徴の抽出結果と推定モデル130とに基づいて、対象企業の成長性を推定するとともに、その推定理由を特定する(ステップS204)。表示制御部15は、推定部14による対象企業の成長性の推定結果とその推定理由を、管理端末装置20の表示画面200に表示し(ステップS205)、全体の処理は終了する。
本実施形態に係る成長性推定システム10は、企業の成長性を推定する精度を高めることができる。その理由は、成長性推定システム10は、対象企業の企業活動に関する情報から、時系列変化の特徴を抽出した結果を用いて生成された推定モデル130に基づいて対象企業の成長性を推定するからである。
以下に、本実施形態に係る成長性推定システム10によって実現される効果について、詳細に説明する。
成長性を推定する対象である対象企業が成長するか否かを高い精度で推定するためには、互いに複雑に影響し合う、様々な成長要因をふまえて推定する必要がある。そのような成長要因は、例えば対象企業と取引関係がある取引企業との間の取引関係の時系列変化の特徴や、対象企業や取引企業の企業活動に関する属性の時系列変化の特徴などを含む。したがって、対象企業の成長性を高い精度で推定するには、このような企業活動に関する時系列変化の特徴を高い精度で把握した上で分析を行うことが必要である。しかしながら、対象企業の成長性を推定する一般的なシステムでは、このような企業活動に関する時系列変化の特徴を十分に把握できていないので、高い推定精度が得られないという問題がある。
このような問題に対して、本実施形態に係る成長性推定システム10は、推定モデル130と推定部14とを備え、例えば図1乃至図9を参照して上述した通り動作する。即ち、推定モデル130は、第1の期間における対象企業の取引情報100と口座時系列情報103と対象企業属性情報104と、当該第1の期間の後の対象企業の成長性との関係を表す学習済モデルである。推定部14は、当該第1の期間よりも後の第2の期間における取引情報100と口座時系列情報103と対象企業属性情報104と、推定モデル130と、に基づいて、当該第2の期間の後の対象企業の成長性を推定する。但し、取引情報100と口座時系列情報103と対象企業属性情報104とは、企業活動に関する時系列変化を表す情報である。
本実施形態に係る成長性推定システム10は、取引情報100と口座時系列情報103と対象企業属性情報104とを表す、ノードとエッジとによって構成される、時系列に構造が変化するグラフ120を生成する。そして成長性推定システム10は、生成したグラフ120の特徴を抽出及び分析可能な、上述したTGFN、STAR、Netwalk等のアルゴリズムを用いることによって、企業活動に関する時系列変化の特徴を高い精度で把握することを実現する。これにより成長性推定システム10は、企業の成長性を推定する精度を高めることができる。
また、本実施形態に係る成長性推定システム10は、推定モデル130を生成する過程において、対象企業の成長性の推定に関する説明変数を決定し、さらに、個々の説明変数に対して、対象企業の成長性の推定における重要度(寄与度)を決定する。そして、成長性推定システム10は、説明変数をその重要度により重み付けして対象企業の成長性を推定する。これにより、成長性推定システム10は、当該重要度を算出することなく推定を行う場合と比較して、企業活動の特徴をより正確に捉えた推定を行うので、企業の成長性を推定する精度を高めることができる。
また、学習済モデルを用いて事象の推定を行う一般的なシステムでは、推定プロセスがブラックボックス化され、推定理由を提示せずに推定結果のみを提示するので、ユーザは、システムが出力した推定結果の根拠を把握することが困難である。これに対して、本実施形態に係る成長性推定システム10は、説明変数の値に基づく対象企業の成長性の推定理由を、管理端末装置20の表示画面200に表示する。そして、成長性推定システム10は、その際、例えば図8に例示するように、重要度の順に前記説明変数の名称を並べて表示するとともに説明変数の値を表示する態様で、成長性の推定理由を表示する。これにより、成長性推定システム10は、成長性の推定理由に関する説明性を向上させることができる。
<第2の実施形態>
図10は、本発明の第2の実施形態に係る成長性推定システム30の構成を示すブロック図である。成長性推定システム30は、推定モデル31を使用する推定部32を備えている。但し、推定部32は、推定手段の一例である。
推定モデル31は、第1の期間における対象企業の取引情報310と口座時系列情報313と対象企業属性情報314と、第1の期間の後の対象企業の成長性315との関係を表す。第1の期間は、例えば、第1の実施形態における期間t乃至tn-1におけるいずれかの連続する期間である。推定モデル31は、例えば、第1の実施形態に係る推定モデル130と同様に、取引情報310と口座時系列情報313と対象企業属性情報314と、対象企業の成長性315との関係について機械学習を行った結果を表す学習済モデルである。
取引情報310は、対象企業の企業間取引関係の時系列変化を表し、例えば、第1の実施形態に関して図2及び図3を参照して説明した取引情報100と同様な情報であればよい。口座時系列情報313は、対象企業の口座の入出金の時系列変化を表し、例えば、第1の実施形態に関して図4を参照して説明した口座時系列情報103と同様な情報であればよい。対象企業属性情報314は、対象企業の属性の時系列変化を表し、例えば、第1の実施形態に関して図5を参照して説明した対象企業属性情報104と同様な情報であればよい。
推定部32は、第1の期間よりも後の第2の期間における取引情報300と口座時系列情報303と対象企業属性情報304と、推定モデル31と、に基づいて、第2の期間の後の対象企業の成長性を推定する。
推定部32は、対象企業の成長性を推定する際に、第1の実施形態に係る推定部14と同様に、取引情報300、口座時系列情報303、及び、対象企業属性情報304から、企業間の取引関係や企業の属性に関する推移の特徴を抽出する。推定部32は、この際、第1の実施形態において示した所定のアルゴリズム(TGFN、STAR、Netwalk等)を使用可能である。
本実施形態に係る成長性推定システム30は、企業の成長性を推定する精度を効率的に高めることができる。その理由は、成長性推定システム30は、対象企業の企業活動に関する情報から、時系列変化の特徴を抽出した結果を用いて生成された推定モデル31に基づいて対象企業の成長性を推定するからである。
<ハードウェア構成例>
上述した各実施形態において図1に示した成長性推定システム10、あるいは、図10に示した成長性推定システム30における各部は、専用のHW(HardWare)(電子回路)によって実現することができる。また、図1及び図10において、少なくとも、下記構成は、ソフトウェアプログラムの機能(処理)単位(ソフトウェアモジュール)と捉えることができる。
・取得部11、
・グラフ生成部12、
・モデル生成部13、
・推定部14及び32、
・表示制御部15。
但し、これらの図面に示した各部の区分けは、説明の便宜上の構成であり、実装に際しては、様々な構成が想定され得る。この場合のハードウェア環境の一例を、図11を参照して説明する。
図11は、本発明の第1の実施形態に係る成長性推定システム10あるいは第2の実施形態に係る成長性推定システム30を実現可能な情報処理システム900(コンピュータシステム)の構成を例示的に説明する図である。即ち、図11は、図1及び図10に示した成長性推定システム10及び30を実現可能な少なくとも1つのコンピュータ(情報処理装置)の構成であって、上述した実施形態における各機能を実現可能なハードウェア環境を表す。
図11に示した情報処理システム900は、構成要素として下記を備えているが、下記のうちの一部の構成要素を備えない場合もある。
・CPU(Central_Processing_Unit)901、
・ROM(Read_Only_Memory)902、
・RAM(Random_Access_Memory)903、
・ハードディスク(記憶装置)904、
・外部装置との通信インタフェース905、
・バス906(通信線)、
・CD-ROM(Compact_Disc_Read_Only_Memory)等の記録媒体907に格納されたデータを読み書き可能なリーダライタ908、
・モニターやスピーカ、キーボード等の入出力インタフェース909。
即ち、上記構成要素を備える情報処理システム900は、これらの構成がバス906を介して接続された一般的なコンピュータである。情報処理システム900は、CPU901を複数備える場合もあれば、マルチコアにより構成されたCPU901を備える場合もある。情報処理システム900は、CPU901に加えてGPU(Graphical_Processing_Unit)(不図示)を備えてもよい。
そして、上述した実施形態を例に説明した本発明は、図11に示した情報処理システム900に対して、次の機能を実現可能なコンピュータプログラムを供給する。その機能とは、その実施形態の説明において参照したブロック構成図(図1及び図10)における上述した構成、或いはフローチャート(図7及び図9)の機能である。本発明は、その後、そのコンピュータプログラムを、当該ハードウェアのCPU901に読み出して解釈し実行することによって達成される。また、当該装置内に供給されたコンピュータプログラムは、読み書き可能な揮発性のメモリ(RAM903)、または、ROM902やハードディスク904等の不揮発性の記憶デバイスに格納すれば良い。
また、前記の場合において、当該ハードウェア内へのコンピュータプログラムの供給方法は、現在では一般的な手順を採用することができる。その手順としては、例えば、CD-ROM等の各種記録媒体907を介して当該装置内にインストールする方法や、インターネット等の通信回線を介して外部よりダウンロードする方法等がある。そして、このような場合において、本発明は、係るコンピュータプログラムを構成するコード或いは、そのコードが格納された記録媒体907によって構成されると捉えることができる。
以上、上述した実施形態を模範的な例として本発明を説明した。しかしながら、本発明は、上述した実施形態には限定されない。即ち、本発明は、本発明のスコープ内において、当業者が理解し得る様々な態様を適用することができる。
尚、上述した各実施形態の一部又は全部は、以下の付記のようにも記載されうる。しかしながら、上述した各実施形態により例示的に説明した本発明は、以下には限られない。
(付記1)
第1の期間における対象企業の取引情報と口座時系列情報と対象企業属性情報と前記第1の期間の後の前記対象企業の成長性との関係を表す推定モデルと、前記第1の期間よりも後の第2の期間における前記取引情報と前記口座時系列情報と前記対象企業属性情報と、に基づいて、前記第2の期間の後の前記対象企業の成長性を推定する推定手段を備え、
前記取引情報は、前記対象企業の企業間取引関係の時系列変化を表し、
前記口座時系列情報は、前記対象企業の口座の入出金の時系列変化を表し、
前記対象企業属性情報は、前記対象企業の属性の時系列変化を表す、
成長性推定システム。
(付記2)
前記対象企業の成長性の推定理由を表示するよう表示装置を制御する表示制御手段をさらに備える、
付記1に記載の成長性推定システム。
(付記3)
前記取引情報は、前記対象企業と取引する取引企業に関する、資本金と、売り上げと、純利益と、前記対象企業との取引継続期間あるいは取引開始時期と、の少なくとも一つを含む、
付記2に記載の成長性推定システム。
(付記4)
前記取引情報は、前記対象企業と取引する取引企業との間における取引金額と、取引回数と、取引商品と、の少なくとも一つを含む、
付記2または付記3に記載の成長性推定システム。
(付記5)
前記口座時系列情報は、前記対象企業が有する口座の残高と前記口座への入金額と前記口座からの出金額との少なくとも一つを含む、
付記2乃至付記4のいずれか一項に記載の成長性推定システム。
(付記6)
前記対象企業属性情報は、前記対象企業の資本金と売り上げと純利益との少なくとも一つを含む、
付記2乃至付記5のいずれか一項に記載の成長性推定システム。
(付記7)
前記取引情報を表すグラフを生成するグラフ生成手段をさらに備える、
付記2乃至付記6のいずれか一項に記載の成長性推定システム。
(付記8)
前記グラフは、前記対象企業を含む企業を表すノードと、前記企業間取引関係を表すエッジとを含む、
付記7に記載の成長性推定システム。
(付記9)
前記第1の期間における前記取引情報と前記口座時系列情報と前記対象企業属性情報と、前記第1の期間の後の前記対象企業の成長性とに基づいて、前記推定モデルを生成するモデル生成手段をさらに備える
付記7又は付記8のいずれか一項に記載の成長性推定システム。
(付記10)
前記モデル生成手段は、前記対象企業属性情報が示す前記対象企業の成長実績がラベルとして付与された前記グラフから、所定のアルゴリズムを用いて前記企業間取引関係の時系列変化の特徴を抽出したのち、その抽出結果に基づいて、前記対象企業の成長性の説明変数を決定することによって、前記説明変数を含む前記推定モデルを生成する、
付記9に記載の成長性推定システム。
(付記11)
前記グラフ生成手段は、前記口座時系列情報及び前記対象企業属性情報を含む前記グラフを生成し、
前記モデル生成手段は、前記グラフから、前記対象企業の口座の入出金の時系列変化に関する前記説明変数と、前記対象企業の属性に関する前記説明変数と、を決定する、
付記10に記載の成長性推定システム。
(付記12)
前記モデル生成手段は、複数の前記説明変数の個々に対して、前記対象企業の成長性の推定における重要度を決定し、
前記推定手段は、前記重要度に基づいて、前記対象企業の成長性を推定する、
付記10又は付記11に記載の成長性推定システム。
(付記13)
前記モデル生成手段は、同一の前記説明変数に対して、前記対象企業ごとに異なる前記重要度を決定する、
付記12に記載の成長性推定システム。
(付記14)
前記表示制御手段は、前記重要度の順に前記説明変数の名称を並べて表示するとともに、前記説明変数の値を表示する態様で前記推定理由を表示するように、前記表示装置を制御する、
付記12又は付記13に記載の成長性推定システム。
(付記15)
第1の期間における対象企業の取引情報と口座時系列情報と対象企業属性情報と前記第1の期間の後の前記対象企業の成長性との関係を表す推定モデルと、前記第1の期間よりも後の第2の期間における前記取引情報と前記口座時系列情報と前記対象企業属性情報と、に基づいて、前記第2の期間の後の前記対象企業の成長性を推定する推定手段を備え、
前記取引情報は、前記対象企業の企業間取引関係の時系列変化を表し、
前記口座時系列情報は、前記対象企業の口座の入出金の時系列変化を表し、
前記対象企業属性情報は、前記対象企業の属性の時系列変化を表す、
成長性推定装置。
(付記16)
情報処理システムによって、
第1の期間における対象企業の取引情報と口座時系列情報と対象企業属性情報と前記第1の期間の後の前記対象企業の成長性との関係を表す推定モデルと、前記第1の期間よりも後の第2の期間における前記取引情報と前記口座時系列情報と前記対象企業属性情報と、に基づいて、前記第2の期間の後の前記対象企業の成長性を推定する方法であって、
前記取引情報は、前記対象企業の企業間取引関係の時系列変化を表し、
前記口座時系列情報は、前記対象企業の口座の入出金の時系列変化を表し、
前記対象企業属性情報は、前記対象企業の属性の時系列変化を表す、
成長性推定方法。
(付記17)
第1の期間における対象企業の取引情報と口座時系列情報と対象企業属性情報と前記第1の期間の後の前記対象企業の成長性との関係を表す推定モデルと、前記第1の期間よりも後の第2の期間における前記取引情報と前記口座時系列情報と前記対象企業属性情報と、に基づいて、前記第2の期間の後の前記対象企業の成長性を推定する推定処理をコンピュータに実行させるためのプログラムであって、
前記取引情報は、前記対象企業の企業間取引関係の時系列変化を表し、
前記口座時系列情報は、前記対象企業の口座の入出金の時系列変化を表し、
前記対象企業属性情報は、前記対象企業の属性の時系列変化を表す、
成長性推定プログラムが格納された記録媒体。
10 成長性推定システム
100 取引情報
101 取引実績情報
102 取引企業属性情報
103 口座時系列情報
104 対象企業属性情報
11 取得部
12 グラフ生成部
120 グラフ
13 モデル生成部
130 推定モデル
14 推定部
15 表示制御部
20 管理端末装置
200 表示画面
30 成長性推定システム
300 取引情報
303 口座時系列情報
304 対象企業属性情報
31 推定モデル
32 推定部
900 情報処理システム
901 CPU
902 ROM
903 RAM
904 ハードディスク(記憶装置)
905 通信インタフェース
906 バス
907 記録媒体
908 リーダライタ
909 入出力インタフェース

Claims (10)

  1. 第1の期間における対象企業の取引情報と口座時系列情報と対象企業属性情報と前記第1の期間の後の前記対象企業の成長性との関係を表す推定モデルと、前記第1の期間よりも後の第2の期間における前記取引情報と前記口座時系列情報と前記対象企業属性情報と、に基づいて、前記第2の期間の後の前記対象企業の成長性を推定する推定手段
    を備え、
    前記取引情報は、前記対象企業の企業間取引関係の時系列変化を表し、
    前記口座時系列情報は、前記対象企業の口座の入出金の時系列変化を表し、
    前記対象企業属性情報は、前記対象企業の属性の時系列変化を表す、
    成長性推定システム。
  2. 前記対象企業の成長性の推定理由を表示するよう表示装置を制御する表示制御手段をさらに備える、
    請求項1に記載の成長性推定システム。
  3. 前記取引情報を表すグラフを生成するグラフ生成手段をさらに備える、
    請求項2に記載の成長性推定システム。
  4. 前記第1の期間における前記取引情報と前記口座時系列情報と前記対象企業属性情報と、前記第1の期間の後の前記対象企業の成長性とに基づいて、前記推定モデルを生成するモデル生成手段をさらに備える
    請求項に記載の成長性推定システム。
  5. 前記モデル生成手段は、前記対象企業属性情報が示す前記対象企業の成長実績がラベルとして付与された前記グラフから、所定のアルゴリズムを用いて前記企業間取引関係の時系列変化の特徴を抽出したのち、その抽出結果に基づいて、前記対象企業の成長性の説明変数を決定することによって、前記説明変数を含む前記推定モデルを生成する、
    請求項に記載の成長性推定システム。
  6. 前記グラフ生成手段は、前記口座時系列情報及び前記対象企業属性情報を含む前記グラフを生成し、
    前記モデル生成手段は、前記グラフから、前記対象企業の口座の入出金の時系列変化に関する前記説明変数と、前記対象企業の属性に関する前記説明変数と、を決定する、
    請求項に記載の成長性推定システム。
  7. 前記モデル生成手段は、複数の前記説明変数の個々に対して、前記対象企業の成長性の推定における重要度を決定し、
    前記推定手段は、前記重要度に基づいて、前記対象企業の成長性を推定する、
    請求項又は請求項に記載の成長性推定システム。
  8. 前記表示制御手段は、前記重要度の順に前記説明変数の名称を並べて表示するとともに、前記説明変数の値を表示する態様で前記推定理由を表示するように、前記表示装置を制御する、
    請求項に記載の成長性推定システム。
  9. 情報処理システムによって、
    第1の期間における対象企業の取引情報と口座時系列情報と対象企業属性情報と前記第1の期間の後の前記対象企業の成長性との関係を表す推定モデルと、前記第1の期間よりも後の第2の期間における前記取引情報と前記口座時系列情報と前記対象企業属性情報と、に基づいて、前記第2の期間の後の前記対象企業の成長性を推定する方法であって、
    前記取引情報は、前記対象企業の企業間取引関係の時系列変化を表し、
    前記口座時系列情報は、前記対象企業の口座の入出金の時系列変化を表し、
    前記対象企業属性情報は、前記対象企業の属性の時系列変化を表す、
    成長性推定方法。
  10. 第1の期間における対象企業の取引情報と口座時系列情報と対象企業属性情報と前記第1の期間の後の前記対象企業の成長性との関係を表す推定モデルと、前記第1の期間よりも後の第2の期間における前記取引情報と前記口座時系列情報と前記対象企業属性情報と、に基づいて、前記第2の期間の後の前記対象企業の成長性を推定する推定処理をコンピュータに実行させるためのプログラムであって、
    前記取引情報は、前記対象企業の企業間取引関係の時系列変化を表し、
    前記口座時系列情報は、前記対象企業の口座の入出金の時系列変化を表し、
    前記対象企業属性情報は、前記対象企業の属性の時系列変化を表す、
    成長性推定プログラム。
JP2022510304A 2020-03-27 2020-03-27 成長性推定システム、成長性推定方法、及び、成長性推定プログラム Active JP7472966B2 (ja)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2020/013910 WO2021192196A1 (ja) 2020-03-27 2020-03-27 成長性推定システム、成長性推定装置、成長性推定方法、及び、成長性推定プログラムが格納された記録媒体

Publications (3)

Publication Number Publication Date
JPWO2021192196A1 JPWO2021192196A1 (ja) 2021-09-30
JPWO2021192196A5 JPWO2021192196A5 (ja) 2022-12-05
JP7472966B2 true JP7472966B2 (ja) 2024-04-23

Family

ID=77891025

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2022510304A Active JP7472966B2 (ja) 2020-03-27 2020-03-27 成長性推定システム、成長性推定方法、及び、成長性推定プログラム

Country Status (3)

Country Link
US (1) US20230109639A1 (ja)
JP (1) JP7472966B2 (ja)
WO (1) WO2021192196A1 (ja)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002215865A (ja) 2001-01-16 2002-08-02 Baasu Engineering:Kk 経営計画資料作成用システム
JP2007257436A (ja) 2006-03-24 2007-10-04 Tokyo Electric Power Co Inc:The 企業価値算出方法及び装置
JP2010134840A (ja) 2008-12-08 2010-06-17 Financial Technology Research Institute Inc 将来財務予測システム、将来財務予測方法及び将来財務予測プログラム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002215865A (ja) 2001-01-16 2002-08-02 Baasu Engineering:Kk 経営計画資料作成用システム
JP2007257436A (ja) 2006-03-24 2007-10-04 Tokyo Electric Power Co Inc:The 企業価値算出方法及び装置
JP2010134840A (ja) 2008-12-08 2010-06-17 Financial Technology Research Institute Inc 将来財務予測システム、将来財務予測方法及び将来財務予測プログラム

Also Published As

Publication number Publication date
WO2021192196A1 (ja) 2021-09-30
JPWO2021192196A1 (ja) 2021-09-30
US20230109639A1 (en) 2023-04-06

Similar Documents

Publication Publication Date Title
AU2022211812A1 (en) Method and system of dynamic model selection for time series forecasting
US8706596B2 (en) Account portfolio risk characterization
Harvey et al. Recursive right-tailed unit root tests for an explosive asset price bubble
JP2001125962A (ja) 企業診断及び経営意思決定支援システム
Kreptsev et al. Forecasting for the Russian economy using small-scale DSGE models
Grechuk et al. Direct data-based decision making under uncertainty
Kim et al. Predicting corporate defaults using machine learning with geometric-lag variables
Gupta et al. The role of oil prices in the forecasts of South African interest rates: A Bayesian approach
Wijesinghe et al. ARIMA and ANN Approach for forecasting daily stock price fluctuations of industries in Colombo Stock Exchange, Sri Lanka
JP4320361B1 (ja) 将来財務予測システム、将来財務予測方法及び将来財務予測プログラム
Chen et al. Modeling recovery rate for leveraged loans
JP7472966B2 (ja) 成長性推定システム、成長性推定方法、及び、成長性推定プログラム
Chen et al. Predicting customer profitability over time based on RFM time series
Brabazon et al. Diagnosing corporate stability using grammatical evolution
Alfonso-Sánchez et al. Optimizing credit limit adjustments under adversarial goals using reinforcement learning
US20230230143A1 (en) Product recommendation system, product recommendation method, and recordingmedium storing product recommendation program
Banerjee et al. Visualization of hidden structures in corporate failure prediction using opposite pheromone per node model
Seabrook et al. Quantifying impact and response in markets using information filtering networks
KR102157216B1 (ko) 자산 운용 서비스 제공 장치 및 방법
Lu et al. Quantifying adaptation costs in sequential FDI location choices: Evidence from German firms
Greaves Modeling with ARIMA-ARCH/GARCH techniques to estimate weekly exchange rate of Liberia
Padhi et al. Intraday Stock Prices Forecasting Using an Autoregressive Model
Stanek Reservoir computing in financial forecasting with committee methods
O’Grady Estimating the Output, Inflation and Unemployment Gaps in Ireland using Bayesian Model Averaging
Dara et al. Journal of Global Business and Trade

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220812

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230215

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20240312

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20240325

R150 Certificate of patent or registration of utility model

Ref document number: 7472966

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150