WO2021192196A1 - 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 - Google Patents

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 Download PDF

Info

Publication number
WO2021192196A1
WO2021192196A1 PCT/JP2020/013910 JP2020013910W WO2021192196A1 WO 2021192196 A1 WO2021192196 A1 WO 2021192196A1 JP 2020013910 W JP2020013910 W JP 2020013910W WO 2021192196 A1 WO2021192196 A1 WO 2021192196A1
Authority
WO
WIPO (PCT)
Prior art keywords
target company
growth potential
information
company
period
Prior art date
Application number
PCT/JP2020/013910
Other languages
English (en)
French (fr)
Inventor
遼介 外川
Original Assignee
日本電気株式会社
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 日本電気株式会社 filed Critical 日本電気株式会社
Priority to PCT/JP2020/013910 priority Critical patent/WO2021192196A1/ja
Priority to JP2022510304A priority patent/JP7472966B2/ja
Priority to US17/907,807 priority patent/US20230109639A1/en
Publication of WO2021192196A1 publication Critical patent/WO2021192196A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services

Definitions

  • the present invention relates to a growth potential estimation system, a growth potential estimation device, a growth potential estimation method, and a recording medium in which a growth potential estimation program is stored.
  • Estimating (predicting) the growth potential of a company is in formulating a growth strategy by the company itself, in determining whether or not to lend to the company by a bank, or by investing in the company by an investor. It is very important in determining whether or not it is present. Therefore, a technology for improving the accuracy of estimating the growth potential of a company is expected.
  • Patent Document 2 discloses an apparatus for comprehensively evaluating corporate value from the viewpoint of stability, growth potential and continuity of the target company.
  • This device calculates the corporate strength index of the target company and calculates the expected duration of the target company.
  • This device calculates the average value-added amount of the target company for the most recent predetermined years, and calculates the average value-added amount growth rate of the target company.
  • This device calculates the value-added growth rate of each year of the target company, and estimates the value-added growth rate maintenance period until the year when the value-added growth rate of the target company falls below a predetermined value.
  • This device calculates the first present value up to the estimated value-added growth rate maintenance period based on the average value-added value of the target company and the value-added growth rate for each year.
  • This device calculates the second present value after the lapse of the value-added growth rate maintenance period based on the calculated average value-added value and the average value-added growth rate of the target company. Then, this device adds the first present value and the second present value to calculate the corporate value.
  • Patent Document 3 discloses a system that predicts the future finance of a company or the like and measures the credit risk of the company or the like from the result.
  • This system calculates the amount of change in net assets for a particular legal entity in the future (t + 1) based on the historical financial data of the particular legal entity that prepares the financial statements.
  • This system extracts changes in financial data from the period (t-1) prior to the immediately preceding period (t) to the immediately preceding period (t) for a specific corporation, and selects the financial strategy pattern of the immediately preceding period (t). ..
  • This system identifies the future period (t + 1) financial strategy pattern corresponding to the immediately preceding period (t) financial strategy pattern based on the financial strategy map, and identifies the future period (t + 1) financial strategy pattern and the immediately preceding period (t).
  • the financial balance coefficient is specified by the financial strategy pattern of. Then, this system calculates the change amount of other items in the balance sheet in the future period (t + 1) based on the specified financial balance coefficient and the change amount of net assets in the future period (t + 1), and calculates the change amount of other items in the future period (t + 1). Calculate the balance sheet of t + 1).
  • Japanese Unexamined Patent Publication No. 2008-250466 Japanese Unexamined Patent Publication No. 2009-08721 Japanese Unexamined Patent Publication No. 2010-134840
  • Such growth factors include, for example, the characteristics of time-series changes (transitions) in business relationships between the target company and trading companies that have business relationships, and the characteristics of time-series changes in attributes related to the corporate activities of the target companies and trading companies. And so on. Therefore, in order to estimate the growth potential of the target company with high accuracy, it is necessary to perform analysis after grasping the characteristics of such time-series changes related to corporate activities with high accuracy.
  • a main object of the present invention is to provide a growth potential estimation system or the like that can improve the accuracy of estimating the growth potential of a company.
  • the growth potential estimation system comprises transaction information, account time series information, target company attribute information of the target company in the first period, and growth potential of the target company after the first period. After the second period, based on an estimation model representing the relationship, the transaction information, the account time series information, and the target company attribute information in the second period after the first period.
  • the transaction information is provided with an estimation means for estimating the growth potential of the target company, the transaction information represents a time-series change in the inter-company business relationship of the target company, and the account time-series information is the deposit / withdrawal of the account of the target company.
  • the target company attribute information represents a time-series change, and the target company attribute information represents a time-series change of the attribute of the target company.
  • the growth potential estimation method uses the information processing system to obtain transaction information, account time series information, target company attribute information, and the target company attribute information of the target company in the first period.
  • An estimation model that represents the relationship between the growth potential of the target company after the first period, the transaction information, the account time series information, and the target company attributes in the second period after the first period.
  • the account time-series information represents a time-series change in deposits and withdrawals of the target company's account
  • the target company attribute information represents a time-series change in the attributes of the target company.
  • the growth potential estimation program includes transaction information, account time series information, target company attribute information, and the first item of the target company in the first period.
  • An estimation model showing the relationship with the growth potential of the target company after the period, the transaction information in the second period after the first period, the account time series information, and the target company attribute information.
  • the transaction information is when the target company has an inter-company business relationship.
  • the series change is represented, the account time series information represents a time series change of deposits and withdrawals of the target company's account, and the target company attribute information represents a time series change of the attributes of the target company.
  • the present invention can also be realized by a computer-readable, non-volatile recording medium in which the growth potential estimation program (computer program) is stored.
  • a growth potential estimation system or the like that can improve the accuracy of estimating the growth potential of a company can be obtained.
  • a system using an embodiment described later as an example uses a trained model (also referred to as an estimation model) generated by machine learning (for example, deep learning) when estimating a target event from a certain input information.
  • the system uses a graph that represents the input information, for example composed of nodes and edges (also referred to as branches).
  • the structure of the graph changes over time.
  • the system was inspired by applying an algorithm that can analyze the features of such graphs.
  • this algorithm for example, the following algorithm is known.
  • TGFN Temporal Graph Factorization Network
  • the disclosure using the embodiment described later as an example is made by applying the above-mentioned algorithm when generating a trained model and when estimating a target event from a certain input information using the trained model. It realizes to improve the accuracy of estimating the target event.
  • FIG. 1 is a block diagram showing a configuration of a growth potential estimation system 10 according to a first embodiment of the present invention.
  • the growth potential estimation system 10 according to the present embodiment is a system that estimates the growth potential of the target company based on information on the corporate activities and attributes of the target company.
  • the growth potential estimation system 10 generates a trained model (also referred to as an estimation model) for the target company in the past by using the information on the corporate activity and the information on the attributes, etc., to which the growth record is given as a label, and the trained model. Is used to estimate the future growth potential of the target company.
  • the growth potential estimation system 10 is composed of at least one or more information processing devices.
  • a management terminal device 20 (also referred to as a display device) is communicably connected to the growth potential estimation system 10.
  • the management terminal device 20 is used when a user who uses the growth potential estimation system 10 inputs information to the growth potential estimation system 10 and confirms information output from the growth potential estimation system 10. For example, personal computers and other information processing devices.
  • the management terminal device 20 includes a display screen 200 that displays information output from the growth potential estimation system 10.
  • the growth potential estimation system 10 includes an acquisition unit 11, a graph generation unit 12, a model generation unit 13, an estimation unit 14, and a display control unit 15.
  • the graph generation unit 12, the model generation unit 13, the estimation unit 14, and the display control unit 15 are, in order, examples of a graph generation means, a model generation means, an estimation means, and a display control means.
  • the growth potential estimation system 10 generates or updates the estimation model 130 for estimating the growth potential of the target company, and the growth of the target company using the generated or updated estimation model 130.
  • Each of the actions of estimating the sex will be described.
  • the acquisition unit 11 acquires transaction information 100, account time series information 103, and target company attribute information 104 related to the target company from a computer device (not shown) or a database via a network.
  • the acquisition unit 11 may acquire the transaction information 100, the account time series information 103, and the target company attribute information 104 in response to an instruction input by the user via the management terminal device 20, for example.
  • the acquisition unit 11 stores, for example, a communication circuit connected to one or a plurality of computer devices or databases for transmitting transaction information 100, account time series information 103, and target company attribute information 104, and information acquired by the communication circuit. It is equipped with a storage device.
  • the storage device may be the hard disk 904 or the RAM 903 of the information processing system 900 shown in FIG. 11, which will be described later.
  • the transaction information 100 is information showing the transition of the business relationship between the target company and the trading company that is the business partner of the target company.
  • the transaction information 100 includes transaction record information 101 and transaction company attribute information 102.
  • FIG. 2 is a diagram illustrating the contents of the data of the transaction record information 101 according to the present embodiment.
  • the transaction record information 101 describes the transaction amount, the number of transactions, and the transaction products with each transaction company (X company, Y company, Z company, etc.) for each target company (A company, B company, C company, etc.). Represents. Company A, Company B, and Company C are, for example, companies in the same industry, and Company X, Company Y, and Company Z are companies that have a business relationship with companies in such an industry.
  • the transaction record information 101 may include an item representing a transaction amount, a number of transactions, and a transaction relationship different from that of the transaction product.
  • the transaction record information 101-t 1 to 101-t n-1 (where n is an arbitrary integer of 2 or more) included in the transaction record information 101 is, in order, with each target company in the period t 1 to t n-1. Represents the transaction amount, the number of transactions, and the transaction product during the period. However, each of the periods t 1 to t n-1 represents a period in which a predetermined length is a unit. The periods t 1 to t n-1 represent the order in time series.
  • the transaction record information 101 represents a transition in units of a certain length of time regarding the transaction amount between companies, the number of transactions, the transaction product, and the like.
  • the periods t 1 to t n-1 and the like may be collectively referred to as the period t.
  • Subsequent transaction record information 101 does not include information representing the business relationship between company A and company X, that is, is deleted.
  • information representing the business relationship between company A and company W when a new business relationship occurs between company A and company W during the period t j (where j is an arbitrary integer of 2 to n), information representing the business relationship between company A and company W. but it will be included in the new in a transaction record information 101 after the period t j, that is, added.
  • FIG. 3 is a diagram illustrating the contents of the transaction company attribute information 102 according to the present embodiment.
  • the trading company attribute information 102 represents the capital, sales, net income of each trading company, and the transaction start time with each target company as the attributes of each trading company.
  • the transaction company attribute information 102 is shown as information including the capital, sales, net income of each transaction company, and the transaction start time with each target company, but is not limited thereto. ..
  • the trading company attribute information 102 may include items related to the attributes of each trading company that are different from the capital, sales, net profit, and transaction start time, and of the capital, sales, net profit, and transaction start time.
  • the information may include at least one.
  • the trading company attribute information 102 may include, for example, financial information such as a transaction duration with each target company, stock price information related to a stock price index, market capitalization, cash flow, capital adequacy, and capital adequacy ratio.
  • financial information such as a transaction duration with each target company
  • stock price information related to a stock price index such as a transaction duration with each target company
  • market capitalization such as a stock price index
  • cash flow such as a transaction duration with each target company
  • capital adequacy such as a transaction duration with each target company
  • capital adequacy such as a transaction duration with each target company
  • the transaction company attribute information 102 may include a business scale including the number of employees and the number of bases, a turnover rate, shareholder information, an industry (manufacturer, finance, retail, etc.) and the like.
  • the trading company attribute information 102-t 1 to 101-t n-1 included in the trading company attribute information 102 sequentially contains the capital, sales, net income, and transaction of the trading company in the period t 1 to t n-1. Represents the start time. However, the transaction start time does not change regardless of the period t. In addition, the capital is unchanged regardless of the period t unless the trading company raises or reduces the capital.
  • the tendency of the attributes of the trading company indicated by the trading company attribute information 102 to change over time is one of the indexes for estimating the growth potential of the target company. For example, a target company that has many transactions with a trading company whose business performance (sales or net income) is rising can be expected to grow.
  • FIG. 4 is a diagram illustrating the contents of the account time series information 103 according to the present embodiment.
  • the account time series information 103 represents the balance of the account, the amount of money deposited in the account, and the amount of money withdrawn from the account for each target company.
  • the account time series information 103 may include an item indicating the state of the account, which is different from the balance of the account, the amount of money deposited in the account, and the amount of money withdrawn from the account.
  • the account time-series information 103-t 1 to 103-t n-1 included in the account time-series information 103 is, in order, from the account balance, the deposit amount to the account, and the account during the period t 1 to t n-1. Represents the withdrawal amount of.
  • FIG. 5 is a diagram illustrating the contents of the target company attribute information 104 according to the present embodiment.
  • the target company attribute information 104 shown in the example of FIG. 5 is information including capital, sales, and net profit for each target company, but is information including at least one of capital, sales, and net profit. There may be.
  • the target company attribute information 104 may include items related to the attributes of each target company, which are different from the capital, sales, and net income.
  • the target company attribute information 104 may include financial information such as transaction duration with another company, stock price information related to a stock price index, market capitalization, cash flow, capital adequacy, and capital adequacy ratio.
  • the target company attribute information 104 may include a business scale including the number of employees and the number of bases, a turnover rate, shareholder information, an industry (manufacturer, finance, retail, etc.) and the like. As described above, the target company attribute information 104 may include all information regarding the attributes of the company.
  • the target company attribute information 104-t 1 to 104-t n-1 included in the target company attribute information 104 represents the capital, sales, and net profit in the period t 1 to t n-1 in order. However, the capital will remain unchanged regardless of the period t unless the target company raises or reduces its capital.
  • the tendency of the attributes of the target company to change in time series indicated by the target company attribute information 104 is one of the indexes for estimating the growth potential of the target company. For example, a target company whose business performance (sales or net income) is rising is expected to continue to grow in the future.
  • Acquisition unit 11 has acquired, in the period t 1 to t n-1, the transaction record information 101, transaction company attribute information 102, account time-series information 103, and the target company attribute information 104, storage device (not shown) (e.g. Store in memory, hard disk, etc.).
  • the graph generation unit 12 shown in FIG. 1 has transaction record information 101, transaction company attribute information 102, account time series information 103, and target company attributes acquired by the acquisition unit 11 during the periods t 1 to t n-1.
  • a graph 120 representing the information 104 is generated.
  • the graph generation unit 12 reads the transaction record information 101, the transaction company attribute information 102, the account time series information 103, and the target company attribute information 104 from the storage device, and generates the graph 120 based on the graph generation algorithm. do.
  • the graph 120 shows a time-series change (transaction transition) in the periods t 1 to t n-1 regarding the business relationship between the target company and the trading company and the attributes of the target company and the trading company.
  • FIG. 6 is a diagram illustrating the configuration of the graph 120 according to the present embodiment.
  • the graph 120 includes nodes representing the target companies A, B, C, etc., and the trading companies X, Y, Z, etc.
  • the graph 120 includes an edge connecting the nodes, which represents a business relationship between each target company and each trading company.
  • the node is indicated by a circle surrounding the company name of each target company or each trading company, and the edge is indicated by a directed arrow, but the present invention is not limited thereto.
  • an edge may be represented by a non-directional line instead of an arrow.
  • Each node in the graph 120 includes attribute information of each target company or each trading company. More specifically, the node representing the target company in the graph 120 includes the account time series information 103 and the target company attribute information 104. The node representing the trading company in the graph 120 includes the trading company attribute information 102. Therefore, each node is represented by a multidimensional function in which the period t is a variable and the items (for example, capital, sales, net profit, etc.) included in each of the above-mentioned attribute information are included as elements.
  • the multidimensional function representing the node is stored in a storage device (for example, hard disk 904 or RAM 903) (for example, hard disk 904 or RAM 903) that is not shown in association with the information indicated by the node for each period t (period t 1 , ..., T n-1). NS.
  • a storage device for example, hard disk 904 or RAM 903
  • NS hard disk 904 or RAM 903
  • each edge in the graph 120 is associated with the transaction record information 101.
  • the edge connecting the node showing the target company A and the node representing the trading company X represents the business relationship between the target company A and the trading company X shown in the transaction record information 101, and the business relationship is shown in FIG. It is represented by the function fAX (t) shown in.
  • the business relationship between the target company B and the transaction company Y shown in the transaction record information 101 is represented by the function f BY (t) shown in FIG.
  • Functions such as the function fAX (t) representing each edge are multidimensional functions that include the period t as a variable and the items included in the transaction record information 101 (for example, transaction amount, number of transactions, transaction product) as elements. be.
  • the multidimensional function representing the edge is stored in a storage device (for example, hard disk 904 or RAM 903) not shown in association with the edge for each period t (period t 1 , ..., T n-1).
  • the model generation unit 13 When the model generation unit 13, which will be described later, performs machine learning on the growth results of the target companies A, B, C, etc., with respect to the graph 120 generated for the periods t 1 to t n-1. It is given as a label of the teacher data used for.
  • the graph generation unit 12 may obtain the growth performance of the target company from the transition of sales and net profit indicated by the target company attribute information 104 by using a predetermined calculation rule.
  • the graph generation unit 12 may obtain the growth record of the target company by giving the stock price of the target company and the evaluation information of the target company by an external organization via the management terminal device 20 or the network.
  • Graph generation unit 12 is, for example, when the period t 1 to t 4 represents the first quarter to the fourth quarter of 2018, the graph 120 generated with respect to the period, the target company in the first quarter of 2019 Give the growth record as a label.
  • the graph generation unit 12 is a graph to which the growth record is given as a label, and stores the configuration of the graph 120 generated for the periods t 1 to t n-1 in the storage device.
  • the graph generation unit 12 outputs the graph 120 for the period t 1 to t 4 to which the label is attached to the model generation unit 13 as teacher data.
  • the graph generation unit 12 the period t 2 to t 5 (i.e., the second quarter to 2019 first quarter of 2018) is a graph 120 generated with respect to the next period of time t 5 2019
  • the growth record of the target company after the second quarter of the year will be given as a label.
  • the graph generation unit 12 outputs the graph 120 for the period t 2 to t 5 to which the label is attached to the model generation unit 13 as teacher data.
  • the graph generation unit 12 sequentially assigns the growth record of the target company after the period as a label to the graph 120 while changing the period (also referred to as the first period) for which the graph 120 is generated. conduct. Then, the graph generation unit 12 outputs the labeled graph 120 to the model generation unit 13 as teacher data.
  • the model generation unit 13 uses the labeled graph 120 input from the graph generation unit 12 as teacher data, and the estimation unit 14 described later uses the estimation model 130 (learned) when estimating the growth potential of the target company. Model) is generated.
  • the model generation unit 13 performs machine learning to generate an estimation model 130 (trained model) using the above-mentioned teacher data by a processor.
  • the model generation unit 13 uses a predetermined algorithm from the input graph 120 to describe the transitional characteristics of the business relationship between the target company and the trading company and the attributes of the target company and the trading company. Is extracted.
  • the model generation unit 13 can use, for example, TGFN, STAR, Network, etc. described above as the predetermined algorithm.
  • the model generation unit 13 has static characteristics and movements that change with time regarding the business relationship between the target company and the trading company and the attributes of the target company and the trading company from the graph 120.
  • the model generation unit 13 estimates the growth potential of the target company on each axis of the time axis (viewpoint spanning a plurality of periods t) and the spatial axis (viewpoint focusing on each period t) by using, for example, STAR. Extract important nodes (that is, have a high influence on the estimation).
  • the model generation unit 13 extracts the feature amount of the node from the graph 120 by using, for example, Netwalk.
  • the model generation unit 13 may be combined with an existing prediction algorithm such as, for example, Grandient Boosting.
  • the model generation unit 13 determines the explanatory variables related to the growth potential of the target company from the results of extracting the features from the graph 120 as described above in the process of performing machine learning using the above-mentioned teacher data. Specific examples of explanatory variables will be described later.
  • the result of extracting the features from the graph 120 is, specifically, the static features and dynamic features of the business relationship and the attributes of the target company and the trading company, or the feature quantity of the node.
  • the result of extracting the features from the graph 120 is the feature amount of the time series data related to the corporate activity, and is an explanatory variable related to the time series change such as the funds held in the account and the stock price.
  • the model generation unit 13 generates an estimation model 130 including a standard for estimating the growth potential of the target company based on the value of the explanatory variable.
  • the model generation unit 13 determines the standard by performing machine learning on the relationship between the value of the explanatory variable and the value of the label in the teacher data.
  • the model generation unit 13 determines, for example, an explanatory variable regarding the time-series change of the transaction relationship indicated by the transaction information 100.
  • Explanatory variables for time-series changes in business relationships include, but are not limited to, for example, the average deposit transaction amount or the number of transactions with business partners.
  • the model generation unit 13 determines an explanatory variable regarding the time-series change of the account deposit / withdrawal indicated by the account time-series information 103.
  • Explanatory variables for time-series changes in account deposits and withdrawals include, for example, the rate of increase (or decrease) in the balance of the account, or the number of periods of increase (or decrease) in the balance of the account in a predetermined period. Not limited.
  • the model generation unit 13 determines an explanatory variable regarding the time-series change of the company attribute indicated by the target company attribute information 104.
  • Explanatory variables for time-series changes in corporate attributes include, but are not limited to, sales or net income compared to other companies, for example.
  • the model generation unit 13 When determining the explanatory variables as described above, the model generation unit 13 also determines the importance (contribution to the estimation result) in estimating the growth potential of the target company for each of the plurality of explanatory variables. .. The model generation unit 13 may weight the value of each explanatory variable by the importance of the explanatory variable in the above-mentioned criteria for estimating the growth potential of the target company. At this time, the model generation unit 13 has different importance for the same explanatory variable for each target company due to differences in the characteristics of the transaction information 100, the account time series information 103, and the target company attribute information 104 between the target companies. May be determined. That is, for example, the model generation unit 13 may set the importance of a certain explanatory variable to be high with respect to the estimation of the growth potential of the target company A and set it low with respect to the estimation of the growth potential of the target company B. good.
  • the model generation unit 13 stores the estimation model 130 generated or updated as described above in a non-volatile storage device (not shown).
  • the model generation unit 13 can gradually improve the estimation accuracy by updating the estimation model (also referred to as re-learning) at predetermined time intervals, for example.
  • the acquisition unit 11 acquires the transaction information 100, the account time series information 103, and the target company attribute information 104 regarding a certain period in the past, which are used as teacher data, from the outside (step S101).
  • the graph generation unit 12 generates (updates) the graph 120 by using the transaction information 100 acquired by the acquisition unit 11, the account time series information 103, and the target company attribute information 104. Then, the graph generation unit 12 assigns the growth record of the target company after a certain period in the past to the graph 120 as a label (step S102).
  • the model generation unit 13 uses a predetermined algorithm to determine the characteristics of the transition of business-to-business relationships, the characteristics of time-series changes such as deposits and withdrawals and stock prices, and the like. And, the feature of the attribute is extracted (step S103). The model generation unit 13 determines an explanatory variable for the growth potential of the target company based on the extraction result (step S104).
  • the model generation unit 13 determines the importance of the individual explanatory variables in estimating the growth potential of the company by using a predetermined algorithm, and generates (updates) the estimation model 130 including the explanatory variables (step S105). ), The whole process is finished.
  • the acquisition unit 11 obtains transaction information 100, account time series information 103, and target company attribute information 104 related to the target company as an external device (not shown) in the same manner as when the growth potential estimation system 10 generates the estimation model 130. Get from. However, the acquisition unit 11 does not acquire this information as the teacher data described above, but acquires it as data for which the growth potential of the target company is estimated. For example, as described above, it is assumed that the estimation model 130 is generated based on the transaction information 100 regarding the periods t 1 to t n-1, the account time series information 103, and the target company attribute information 104.
  • acquisition unit 11 for example in response to user inputs via the management terminal device 20 instruction, transaction information 100 about the time t n, account time-series information 103, and acquires the target company attribute information 104.
  • the contents of the transaction information 100, the account time series information 103, and the target company attribute information 104 regarding the period t n are the transaction information 100, the account time series information 103, and the target regarding the periods t 1 to t n-1 shown in FIGS. It is the same as the company attribute information 104.
  • the graph generation unit 12 represents transaction information 100, account time series information 103, target company attribute information 104 regarding at least one of the periods t 1 to t n-1 , and those information regarding the newly acquired period t n. Generate graph 120. However, such information regarding at least one of the periods t 1 to t n-1 is already acquired when the estimation model 130 is generated or updated. The configuration of the graph 120 is as described above with reference to FIG.
  • each period of the periods t 1 to t n represents a quarter
  • the graph generation unit 12 represents transaction information 100, account time series information 103, and target company attribute information 104 for one year (that is, four consecutive quarters).
  • Graph 120 will be generated as the teacher data described above.
  • the graph generation unit 12 generates a graph 120 representing the transaction information 100, the account time series information 103, and the target company attribute information 104 regarding the periods t n-3 to t n as the graph of the growth potential estimation target.
  • the growth potential estimation system 10 is given transaction information 100, account time series information 103, and target company attribute information 104 regarding the fourth quarter of 2019 as the latest information. .. Then, it is assumed that the transaction information 100, the account time series information 103, and the target company attribute information 104 up to the third quarter of 2019 are reflected in the estimation model 130. In this case, the graph generation unit 12 sets the graph 120 representing the transaction information 100, the account time series information 103, and the target company attribute information 104 regarding the first quarter to the fourth quarter of 2019 as the growth potential estimation target. Generate as a graph of.
  • the estimation unit 14 shown in FIG. 1 has a graph 120 relating to a period including a period t n (also referred to as a second period) , transaction information 100 up to the period t n-1 , account time series information 103, and target company attribute information 104.
  • the growth potential of the target company is estimated based on the estimation model 130 that reflects the above.
  • the estimation unit 14 determines the business relationship between the target company and the trading company from the graph 120 input from the graph generation unit 12, in the same manner as when the model generation unit 13 generates or updates the estimation model 130. And, the characteristics of the transition regarding the attributes of the target company and the trading company are extracted. At this time, the estimation unit 14 may use a predetermined algorithm such as TGFN, STAR, or Netwalk described above.
  • the estimation unit 14 obtains the values of the explanatory variables identified by the estimation model 130 in the graph 120 based on the features extracted from the graph 120.
  • the estimation unit 14 estimates the growth potential of the target company by collating the obtained values of the explanatory variables with the criteria for estimating the growth potential of the target company included in the estimation model 130.
  • the estimation unit 14 outputs the result of estimating the growth potential of the target company and the information indicating the reason for the estimation to the display control unit 15.
  • the information indicating the reason for estimation is, for example, the value of the explanatory variable in the graph 120, which is the estimation target of the growth potential of the target company, the importance of the explanatory variable, and the like.
  • the display control unit 15 displays the result of estimating the growth potential of the target company and the information indicating the reason for the estimation, which are input from the estimation unit 14, on the display screen 200 of the management terminal device 20. That is, the display control unit 15 controls the management terminal device 20 so that the estimation result and the estimation reason by the estimation unit 14 are displayed on the display screen 200 of the management terminal device 20.
  • FIG. 8 is a diagram illustrating a mode in which the display control unit 15 according to the present embodiment displays the result of estimating the growth potential of the target company and the information indicating the reason for the estimation on the display screen 200.
  • the display control unit 15 generates and displays a graph in each window illustrated in FIG. 8 based on the information input from the estimation unit 14. That is, the display control unit 15 controls the management terminal device 20 so that each graph illustrated in FIG. 8 is displayed on the display screen 200 of the management terminal device 20.
  • the upper left window shows a list of names of declining companies that are expected to decline in the future as a result of estimating the growth potential of the target company, and is expected to grow in the future.
  • a list of names of growing companies is displayed.
  • the lower left window displays a list of explanatory variables arranged in the order of importance (represented by the length of the bar graph in the example of FIG. 8) in a bar graph.
  • the contents (names) of the explanatory variables having the highest importance values are displayed.
  • the explanatory variables with the highest importance values are, in order from the top, "average deposit transaction amount", “number of periods of decrease in current account balance", and "customers whose deposit transaction amount is below a certain level”. "Ratio”, “Number of transactions with business partners", and "Class of quarterly sales”.
  • some explanatory variables are omitted due to space limitations.
  • the lower left window displays, for example, color-coded for each type of explanatory variable so that the type (category) of each explanatory variable can be identified.
  • three types of explanatory variables are set: “business relationship”, “account deposit / withdrawal”, and “corporate attribute”.
  • the types of "transaction relationship”, “account deposit / withdrawal”, and "corporate attribute” indicate that they are explanatory variables related to the transaction information 100, the account time series information 103, and the target company attribute information 104 in this order. ..
  • the window on the right side specifically displays the reason for estimating the estimation result displayed in the window on the upper left.
  • the window on the right shows the reasons why Company A is estimated to decline, "factors based on changes in business relationships", “factors based on time-series changes in account deposits and withdrawals”, and “factors based on corporate attributes”. "Factors" are displayed separately.
  • the estimation unit 14 sets the estimation unit 14 as a factor based on the transition of the business relationship, which is estimated that the company A will decline.
  • the average deposit transaction amount (explanatory variable) is 3 million yen or less.
  • -The ratio (explanatory variable) of business partners with a deposit transaction amount of 3 million yen or less is 87.5% (in FIG. 8, description is omitted due to space limitations).
  • -The number of transactions with business partners (explanatory variable) is 20 times or less per quarter (the description is omitted in Fig. 8 due to space limitations). Is specified.
  • the estimation unit 14 sets the estimation unit 14 as a factor based on the time-series change of the account deposit / withdrawal, which is estimated that the company A will decline. ⁇ There are two periods of decrease in the current account balance by quarter, Is specified.
  • the estimation unit 14 considers that the company A will decline as a factor based on the company attributes. ⁇ Quarterly sales are in the area of declining companies, Is specified.
  • the mode displayed on the display screen 200 illustrated in FIG. 8 is an example, and the display control unit 15 estimates the growth potential of the target company by a mode different from the mode illustrated in FIG. 8 and its estimation. Information indicating the reason may be displayed on the display screen 200.
  • the acquisition unit 11 acquires the transaction information 100, the account time series information 103, and the target company attribute information 104, which are the estimation targets, from the outside (step S201).
  • the graph generation unit 12 generates (updates) the graph 120 by using the acquired transaction information 100, the account time series information 103, and the target company attribute information 104 (step S202).
  • the estimation unit 14 uses a predetermined algorithm to describe the characteristics of the transition of business-to-business relationships, the characteristics of time-series changes in deposits and withdrawals, and the attributes of the target company.
  • the features are extracted (step S203).
  • the estimation unit 14 estimates the growth potential of the target company based on the feature extraction result from the graph 120 and the estimation model 130, and identifies the reason for the estimation (step S204).
  • the display control unit 15 displays the estimation result of the growth potential of the target company by the estimation unit 14 and the estimation reason thereof on the display screen 200 of the management terminal device 20 (step S205), and the entire process is completed.
  • the growth potential estimation system 10 can improve the accuracy of estimating the growth potential of a company.
  • the reason is that the growth potential estimation system 10 estimates the growth potential of the target company based on the estimation model 130 generated using the result of extracting the characteristics of the time series change from the information on the corporate activity of the target company. Is.
  • the growth potential estimation system 10 includes an estimation model 130 and an estimation unit 14, and operates as described above with reference to, for example, FIGS. 1 to 9. That is, the estimation model 130 represents the relationship between the transaction information 100 of the target company, the account time series information 103, the target company attribute information 104 in the first period, and the growth potential of the target company after the first period. It is a trained model.
  • the estimation unit 14 determines the second period based on the transaction information 100, the account time series information 103, the target company attribute information 104, and the estimation model 130 in the second period after the first period. Estimate the growth potential of the target company after.
  • the transaction information 100, the account time-series information 103, and the target company attribute information 104 are information representing time-series changes related to corporate activities.
  • the growth potential estimation system 10 has a graph 120 whose structure changes in time series, which is composed of nodes and edges and represents transaction information 100, account time series information 103, and target company attribute information 104. Generate. Then, the growth potential estimation system 10 grasps the characteristics of time-series changes related to corporate activities with high accuracy by using the above-mentioned algorithms such as TGFN, STAR, and Network that can extract and analyze the characteristics of the generated graph 120. Realize that. As a result, the growth potential estimation system 10 can improve the accuracy of estimating the growth potential of the company.
  • the growth potential estimation system 10 determines explanatory variables for estimating the growth potential of the target company in the process of generating the estimation model 130, and further, for each explanatory variable, the target company Determine the importance (contribution) in estimating growth potential. Then, the growth potential estimation system 10 estimates the growth potential of the target company by weighting the explanatory variables according to their importance. As a result, the growth potential estimation system 10 makes an estimation that more accurately captures the characteristics of the corporate activity as compared with the case where the estimation is performed without calculating the importance, and thus the accuracy of estimating the growth potential of the company. Can be enhanced.
  • the growth potential estimation system 10 displays the reason for estimating the growth potential of the target company based on the value of the explanatory variable on the display screen 200 of the management terminal device 20. Then, at that time, as illustrated in FIG. 8, the growth potential estimation system 10 displays the names of the explanatory variables in order of importance and displays the values of the explanatory variables, and the reason for estimating the growth potential. Is displayed. Thereby, the growth potential estimation system 10 can improve the explanatory property regarding the reason for estimating the growth potential.
  • FIG. 10 is a block diagram showing the configuration of the growth potential estimation system 30 according to the second embodiment of the present invention.
  • the growth potential estimation system 30 includes an estimation unit 32 that uses the estimation model 31.
  • the estimation unit 32 is an example of the estimation means.
  • the estimation model 31 represents the relationship between the transaction information 310 of the target company in the first period, the account time series information 313, the target company attribute information 314, and the growth potential 315 of the target company after the first period.
  • the first period is, for example, any continuous period in periods t 1 to t n-1 in the first embodiment.
  • the estimation model 31 is machine-learned about the relationship between the transaction information 310, the account time series information 313, the target company attribute information 314, and the growth potential 315 of the target company, as in the estimation model 130 according to the first embodiment, for example. It is a trained model that represents the result of performing.
  • the transaction information 310 represents a time-series change in the business-to-business relationship of the target company, and may be, for example, the same information as the transaction information 100 described with reference to FIGS. 2 and 3 with respect to the first embodiment.
  • the account time-series information 313 represents a time-series change in deposits and withdrawals of the target company's account, and may be, for example, the same information as the account time-series information 103 described with reference to FIG. 4 regarding the first embodiment. ..
  • the target company attribute information 314 represents a time-series change in the attributes of the target company, and may be, for example, the same information as the target company attribute information 104 described with reference to FIG. 5 regarding the first embodiment.
  • the estimation unit 32 is based on the transaction information 300, the account time series information 303, the target company attribute information 304, and the estimation model 31 in the second period after the first period. Estimate the growth potential of the target company.
  • the estimation unit 32 When estimating the growth potential of the target company, the estimation unit 32 obtains the company from the transaction information 300, the account time series information 303, and the target company attribute information 304, similarly to the estimation unit 14 according to the first embodiment. Extract the characteristics of transitions regarding business relationships and corporate attributes. At this time, the estimation unit 32 can use a predetermined algorithm (TGFN, STAR, Netwalk, etc.) shown in the first embodiment.
  • TGFN STAR, Netwalk, etc.
  • the growth potential estimation system 30 can efficiently improve the accuracy of estimating the growth potential of a company.
  • the reason is that the growth potential estimation system 30 estimates the growth potential of the target company based on the estimation model 31 generated using the result of extracting the characteristics of the time series change from the information on the corporate activity of the target company. Is.
  • Each part of the growth potential estimation system 10 shown in FIG. 1 or the growth potential estimation system 30 shown in FIG. 10 in each of the above-described embodiments can be realized by a dedicated HW (HardWare) (electronic circuit). Further, in FIGS. 1 and 10, at least the following configuration can be regarded as a function (processing) unit (software module) of the software program. ⁇ Acquisition department 11, ⁇ Graph generator 12, ⁇ Model generator 13, ⁇ Estimators 14 and 32, -Display control unit 15.
  • FIG. 11 illustrates the configuration of an information processing system 900 (computer system) capable of realizing the growth potential estimation system 10 according to the first embodiment of the present invention or the growth potential estimation system 30 according to the second embodiment. It is a figure explaining. That is, FIG. 11 is a configuration of at least one computer (information processing device) capable of realizing the growth potential estimation systems 10 and 30 shown in FIGS. 1 and 10, and can realize each function in the above-described embodiment. Represents a hardware environment.
  • the information processing system 900 shown in FIG. 11 includes the following components, but may not include some of the following components.
  • -CPU Central_Processing_Unit
  • -ROM Read_Only_Memory
  • RAM Random_Access_Memory
  • -Hard disk storage device
  • -Communication interface 905 with an external device ⁇ Bus 906 (communication line)
  • a reader / writer 908 that can read and write data stored in a recording medium 907 such as a CD-ROM (Compact_Disc_Read_Only_Memory), -Input / output interface 909 for monitors, speakers, keyboards, etc.
  • CD-ROM Compact_Disc_Read_Only_Memory
  • -Input / output interface 909 for monitors, speakers, keyboards, etc.
  • the information processing system 900 including the above components is a general computer in which these components are connected via the bus 906.
  • the information processing system 900 may include a plurality of CPUs 901, or may include a CPU 901 configured by a multi-core processor.
  • the information processing system 900 may include a GPU (Graphical_Processing_Unit) (not shown) in addition to the CPU 901.
  • the present invention described by taking the above-described embodiment as an example supplies the computer program capable of realizing the following functions to the information processing system 900 shown in FIG.
  • the function is the above-described configuration in the block configuration diagrams (FIGS. 1 and 10) referred to in the description of the embodiment, or the function of the flowchart (FIGS. 7 and 9).
  • the present invention is then achieved by reading, interpreting, and executing the computer program in the CPU 901 of the hardware.
  • the computer program supplied in the device may be stored in a readable / writable volatile memory (RAM 903) or a non-volatile storage device such as a ROM 902 or a hard disk 904.
  • the procedure for example, there are a method of installing in the device via various recording media 907 such as a CD-ROM, a method of downloading from the outside via a communication line such as the Internet, and the like. Then, in such a case, the present invention can be regarded as being composed of a code constituting the computer program or a recording medium 907 in which the code is stored.
  • (Appendix 1) From the estimation model showing the relationship between the transaction information of the target company, the account time series information, the target company attribute information in the first period, and the growth potential of the target company after the first period, and the first period. Also provided with an estimation means for estimating the growth potential of the target company after the second period based on the transaction information, the account time series information, and the target company attribute information in the second period later.
  • the transaction information represents a time-series change in the business-to-business relationship of the target company.
  • the account time-series information represents a time-series change in deposits and withdrawals of the target company's account.
  • the target company attribute information represents a time-series change in the attributes of the target company. Growth potential estimation system.
  • Appendix 2 A display control means for controlling the display device to display the reason for estimating the growth potential of the target company is further provided.
  • the growth potential estimation system according to Appendix 1.
  • the transaction information includes at least one of capital, sales, net income, and a transaction duration or transaction start time with the target company regarding the transaction company that deals with the target company.
  • the growth potential estimation system according to Appendix 2.
  • the transaction information includes at least one of a transaction amount, a number of transactions, and a transaction product between the target company and the transaction company.
  • the growth potential estimation system according to Appendix 2 or Appendix 3.
  • the account time series information includes at least one of the balance of the account held by the target company, the amount deposited in the account, and the amount withdrawn from the account.
  • the growth potential estimation system according to any one of Supplementary note 2 to Supplementary note 4.
  • the target company attribute information includes at least one of the target company's capital, sales, and net profit.
  • the growth potential estimation system according to any one of Supplementary note 2 to Supplementary note 5.
  • a graph generation means for generating a graph representing the transaction information is further provided.
  • the growth potential estimation system according to any one of Supplementary note 2 to Supplementary note 6.
  • the graph includes a node representing a company including the target company and an edge representing the business-to-business relationship.
  • the growth potential estimation system according to Appendix 7.
  • the model generation means uses a predetermined algorithm to extract the characteristics of time-series changes in the business-to-business relationship from the graph to which the growth record of the target company indicated by the target company attribute information is given as a label.
  • the estimation model including the explanatory variables is generated by determining the explanatory variables of the growth potential of the target company based on the extraction result.
  • the growth potential estimation system according to Appendix 9.
  • the graph generation means generates the graph including the account time series information and the target company attribute information, and generates the graph. From the graph, the model generation means determines the explanatory variables regarding the time-series change of deposits and withdrawals of the target company's account and the explanatory variables regarding the attributes of the target company.
  • the growth potential estimation system according to Appendix 10.
  • the model generation means determines the importance of the target company in estimating the growth potential for each of the plurality of explanatory variables.
  • the estimation means estimates the growth potential of the target company based on the importance.
  • the growth potential estimation system according to Appendix 10 or Appendix 11.
  • the model generation means determines the importance of the same explanatory variable, which is different for each target company.
  • the growth potential estimation system according to Appendix 12.
  • the display control means controls the display device so that the names of the explanatory variables are displayed side by side in the order of importance and the reason for estimation is displayed in a manner of displaying the values of the explanatory variables.
  • the growth potential estimation system according to Appendix 12 or Appendix 13.
  • (Appendix 15) From the estimation model showing the relationship between the transaction information of the target company, the account time series information, the target company attribute information in the first period, and the growth potential of the target company after the first period, and the first period. Also provided with an estimation means for estimating the growth potential of the target company after the second period based on the transaction information, the account time series information, and the target company attribute information in the second period later.
  • the transaction information represents a time-series change in the business-to-business relationship of the target company.
  • the account time-series information represents a time-series change in deposits and withdrawals of the target company's account.
  • the target company attribute information represents a time-series change in the attributes of the target company. Growth potential estimator.
  • the transaction information represents a time-series change in the business-to-business relationship of the target company.
  • the account time-series information represents a time-series change in deposits and withdrawals of the target company's account.
  • the target company attribute information represents a time-series change in the attributes of the target company. Growth potential estimation method.
  • the computer From the estimation model showing the relationship between the transaction information of the target company, the account time series information, the target company attribute information in the first period, and the growth potential of the target company after the first period, and the first period. Based on the transaction information, the account time series information, and the target company attribute information in the second period later, the computer performs an estimation process for estimating the growth potential of the target company after the second period. It is a program to be executed by
  • the transaction information represents a time-series change in the business-to-business relationship of the target company.
  • the account time-series information represents a time-series change in deposits and withdrawals of the target company's account.
  • the target company attribute information represents a time-series change in the attributes of the target company.

Landscapes

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

Abstract

成長性推定システム３０は、第１の期間における対象企業の取引情報３１０（対象企業の企業間取引関係の時系列変化を表す）と口座時系列情報３１３（対象企業の口座の入出金の時系列変化を表す）と対象企業属性情報３１４（対象企業の属性の時系列変化を表す）と、第１の期間の後の対象企業の成長性３１５との関係を表す推定モデル３１と、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、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と、を備えることによって、企業の成長性を推定する精度を高める。

Description

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
　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―ｔ１乃至１０１―ｔｎ－１（但しｎは２以上の任意の整数）は、順に、期間ｔ１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ｔ１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ｔ１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ｔ１は２０１９年１月、期間ｔ２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ｔ１乃至ｔ４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ｔ１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ｔｉ（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ｔｊ（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ｔｊ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―ｔ１乃至１０１―ｔｎ－１は、順に、期間ｔ１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―ｔ１乃至１０３―ｔｎ－１は、順に、期間ｔ１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―ｔ１乃至１０４―ｔｎ－１は、順に、期間ｔ１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ｔ１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ｔ１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ｔ１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ｔ１、・・・、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ｔ１、・・・、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ｔ１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ｔ１乃至ｔ４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ｔ１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ｔ１乃至ｔ４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ｔ２乃至ｔ５（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ｔ５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ｔ２乃至ｔ５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ｔ１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ｔｎ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ｔｎ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ｔ１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ｔ１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ｔｎ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ｔ１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ｔ１乃至ｔｎ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ｔｎ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ｔｎ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ｔ１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 (17)

  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、
    　請求項２に記載の成長性推定システム。
  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、
    　請求項２または請求項３に記載の成長性推定システム。
  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、
    　請求項２乃至請求項４のいずれか一項に記載の成長性推定システム。
  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、
    　請求項２乃至請求項５のいずれか一項に記載の成長性推定システム。
  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、
    　請求項２乃至請求項６のいずれか一項に記載の成長性推定システム。
  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、
    　請求項７に記載の成長性推定システム。
  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
    　請求項７又は請求項８のいずれか一項に記載の成長性推定システム。
  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、
    　請求項９に記載の成長性推定システム。
  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、
    　請求項１０に記載の成長性推定システム。
  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、
    　請求項１０又は請求項１１に記載の成長性推定システム。
  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、
    　請求項１２に記載の成長性推定システム。
  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、
    　請求項１２又は請求項１３に記載の成長性推定システム。
  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。
  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。
  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。
PCT/JP2020/013910 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 WO2021192196A1 (ja)

Priority Applications (3)

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
JP2022510304A 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
US17/907,807 US20230109639A1 (en) 2020-03-27 2020-03-27 Growth potential estimation system, growth potential estimation device, growth potential estimation method, and recording medium in which growth potential estimation program is stored

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 (1)

Publication Number Publication Date
WO2021192196A1 true WO2021192196A1 (ja) 2021-09-30

Family

ID=77891025

Family Applications (1)

Application Number Title Priority Date Filing Date
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

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
JP7472966B2 (ja) 2024-04-23
JPWO2021192196A1 (ja) 2021-09-30
US20230109639A1 (en) 2023-04-06

Similar Documents

Publication Publication Date Title
US8706596B2 (en) Account portfolio risk characterization
US11475519B2 (en) Systems and methods for determining a significance index
Harvey et al. Recursive right-tailed unit root tests for an explosive asset price bubble
Li et al. Credit scoring by incorporating dynamic networked information
CN111242356A (zh) 一种财富走势预测方法、装置、设备及存储介质
US11037236B1 (en) Algorithm and models for creditworthiness based on user entered data within financial management application
JP2001125962A (ja) 企業診断及び経営意思決定支援システム
Soumya et al. Modern Data Mining Approach to Handle Multivariate Data and to Implement Best Saving Services for Potential Investor
CN115545886A (zh) 逾期风险识别方法、装置、设备及存储介质
JP6490271B1 (ja) 情報処理装置、情報処理方法及び情報処理プログラム
US20170345096A1 (en) Method and system for providing a dashboard for determining resource allocation for marketing
JP2003114977A (ja) 顧客生涯価値算出方法およびシステム
Mitra et al. Regression based scenario generation: Applications for performance management
JP2010134840A (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
WO2021192196A1 (ja) 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
KR20240029504A (ko) 금융 서비스를 위한 데이터 이코노미 설정 방법 및 이러한 방법을 수행하는 장치
WO2021192232A1 (ja) 商品推薦システム、商品推薦装置、商品推薦方法、及び、商品推薦プログラムが格納された記録媒体
CN110807687A (zh) 对象数据处理方法、装置、计算设备和介质
Alfonso-Sánchez et al. Optimizing credit limit adjustments under adversarial goals using reinforcement learning
CN115186101A (zh) 一种投资管理后端***、方法、设备及存储介质
KR20140047863A (ko) 신용 상태 평가 방법, 이를 실행하는 서버 및 이를 실행하는 시스템
Krusinskas et al. THE RESEARCH OF RELIABILITY OF BANKRUPTCY PREDICTION MODELS IN LITHUANIAN COMPANIES.
JP5046149B2 (ja) 報酬を得るための最適な施策を決定する技術
Ouamani et al. A Hybrid Model for Demand Forecasting Based on the Combination of Statistical and Machine Learning Methods
KR102587475B1 (ko) 금융 서비스를 위한 금융 서비스 매트릭스 설정 방법 및 이러한 방법을 수행하는 장치

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20926928

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2022510304

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20926928

Country of ref document: EP

Kind code of ref document: A1