基于文本大数据的企业信用风险评估

doi:10.11959/j.issn.2096-0271.2017006

大数据 ›› 2017, Vol. 3 ›› Issue (1): 44-50.doi: 10.11959/j.issn.2096-0271.2017006

• 专题：大数据与信用评价系统 • 上一篇下一篇

基于文本大数据的企业信用风险评估

杨扬¹,周一懋²,周宗放³

¹ 西南财经大学经济数学学院，四川成都 611130
² 江苏汇誉通数据科技有限公司，江苏苏州 215123
³ 电子科技大学经济与管理学院，四川成都 611731

出版日期:2017-01-20 发布日期:2017-03-17
作者简介:杨扬（1987-），男，博士，西南财经大学经济数学学院讲师、硕士生导师，主要研究方向为信用风险管理、管理信息系统、集团管控、风险投资。|周一懋（1982-），男，江苏汇誉通数据科技有限公司大数据事业部总监、工程师，主要研究方向为数据挖掘、信用评价、项目管理、系统平台设计等。|周宗放（1950-），男，电子科技大学经济与管理学院教授、博士生导师，风险分析与数据科学研究中心主任，中国科学院/汇誉通大数据联合实验室特聘研究员，主要研究方向为信用风险管理、信用评估、优化理论与方法等。
基金资助:
国家自然科学基金项目(71271043）)

Credit risk evaluation with text big data from text

Yang YANG¹,Yimao ZHOU²,Zongfang ZHOU³

¹ School of Economic Mathematics,Southwestern University of Finance and Economics,Chengdu 611130,China
² Jiangsu HYT Data Technology Co.,Ltd.,Suzhou 215123,China
³ School of Economics and Management,University of Electronic Science and Technology of China,Chengdu 611731,China

Online:2017-01-20 Published:2017-03-17
Supported by:
The National Natural Science Foundation of China(71271043）)

摘要/Abstract

摘要：

相较于个人信用风险评估，银行关于企业信用风险评估的资料具有更多的文本信息且标准化程度更高，然而文本信息中蕴含的大量关于企业信用风险的增量信息却没有得到有效利用。通过对我国上市公司年报以及网民评论的文本进行分析，探索了文本大数据对企业信用风险评估的作用。研究发现，年报管理层讨论与分析的风险提示内容、独立董事意见中关于关联交易的非正式感情表达以及网民关于公司风险的评论对于企业信用风险评估都具有明显的增量信息。

关键词: 文本, 大数据, 信用风险, 评估

Abstract:

Banks have more text information pertaining to credit risk of enterprises.This information is more complete and standardized compared with that of individuals.Nevertheless,this incremental information of enterprise credit risk,which is contained in documents has not been effectively utilized by banks.The role of text big data on credit risk evaluation through annual reports and commentaries of crowds on networks was explored.It found that both the annual reports and crowds’ commentaries significantly contain the incremental information on credit risk of enterprises.

Key words: text, big data, credit risk, evaluation

中图分类号:

F830

杨扬, 周一懋, 周宗放. 基于文本大数据的企业信用风险评估[J]. 大数据, 2017, 3(1): 44-50.

Yang YANG, Yimao ZHOU, Zongfang ZHOU. Credit risk evaluation with text big data from text[J]. Big Data Research, 2017, 3(1): 44-50.

图/表 5

表1

表2

表3

图1

表4

参考文献 19

[1]	庞淑娟 . 大数据在银行信用风险管理中的应用[J]. 征信, 2005,33(3): 12-15.
	PANG S J . The application of big data to bank credit risk management[J]. Credit Reference, 2005,33(3): 12-15.
[2]	DUFFIE D , SINGLETON K . Credit risk[M]. Princeton: Princeton University PressPress, 2003.
[3]	宋长龙 . 大数据背景下的银行信用风险管理[J]. 商业经济, 2015(10): 108-109.
	SONG C L . Credit risk management of banks in the circumstance of big data[J]. Business Economy, 2015(10): 108-109.
[4]	曾伟, 孔新川, 陈威 ,等. 大数据发现银行贷款风险[J]. 大数据,2014024.
	ZENG W , KONG X C , CHEN W ,et al. Uncovering the risk in bank loans by big data[J]. Big Data Research,2014024.
[5]	GREINER M E ， WANG H . The role of social capital in people-to-people lending market place[C]// The 2009 International Conference on Information Systems,December 15-18,2009,Arizona,USA.[S.l.:s.n.], 2009： 1-17.
[6]	艾金娣 . P2P网络借贷平台风险防范[J]. 中国金融, 2012(14): 79-81.
	AI J D . Risk prevention of online P2P lending platform[J]. China Finance, 2012(14): 79-81.
[7]	CARLOS S C , BEGONA G N . The use of profit scoring as an alternative to credit scoring systems in P2P lending[J]. Decision Support Systems, 2016,9(89): 113-122.
[8]	LARRIMORE L , JIANG L , MARKOWITZ D ,et al. Peer to peer lending:the relationship between language features,trustworthiness,and persuasion success[J]. Journal of Applied Communication Research, 2011,1(39): 19-37.
[9]	周宗放, 帅理, 周一懋 . 个人信用风险评估理论和方法:拓展性研究[M]. 北京: 中国金融出版社, 2015.
	ZHOU Z F , SHUAI L , ZHOU Y M . Personal credit assessment theories and methods:extension research[M]. Beijing: China Financial Publishing HousePress, 2015.
[10]	YANG Y , JING G , ZHOU Z F . Credit risk evaluation based on social media[J]. Environmental Research, 2016,7(148): 582-585.
[11]	赖娟, 肖珉, 周宗放 . 我国集团上市公司财务危机预测建模与实证[J]. 管理学家, 2010(9): 18-24.
	LAI J , XIAO M , ZHOU Z F . Empirical study on forecasting financial distress of listed enterprise groups[J]. An Academic Edition of ManaMaga, 2010(9): 18-24.
[12]	MARTIN K , HIRSHLEIFER D , TEOH S H . Investor psychology in capital markets:evidence and policy implications[J]. Journal of Monetary Economics, 2002,49(1): 139-209.
[13]	刘新文 . 制造业上市公司信用风险实证研究——基于逻辑回归方法分析[J]. 金融经济, 2016(7): 113-115.
	LIU X W . Empirical study on credit risk of listed manufacturings[J]. Finance ＆Economy, 2016(7): 113-115.
[14]	MORINAGA S ， YAMANISHI K ， TATEISHI K . Mining product reputations on the Web[C]// The 8th ACM International Conference on Knowledge Discovery and Data Mining， July 23-26,2002, Edmonton,Alberta,Canada. New York: ACM Press, 2002: 341-349.
[15]	DOWNS D H , OOI J T L , WONG W C ,et al. Related party transactions and firm value:evidence from property markets in hong kong malaysia and singapore[J]. Journal of Real Estate Finance and Economics, 2016,52(4): 408-427.
[16]	赵子夜 . “无过”和“有功”:独立董事意见中的文字信号[J]. 管理世界, 2014(5): 131-141.
	ZHAO Z Y . “No mistake” and “having meritorious deed”:the text information in independent directors’ opinions[J]. Management World, 2014(5): 131-141.
[17]	TETLOCK P C , SAAR-TSECHANSHY M , MACSKASSY S . More than words:quantifying language to measure firms’ fundamental[J]. Journal of Finance, 2008,43(1): 1437-1467.
[18]	LOUGHRAN T , MCDONALD B . When is a liability not a liability? textual analysis,dictionaries,and 10-ks[J]. Journal of Finance, 2011,66(1): 35-65.
[19]	CHEN H , PRABUDDHA D , HU Y J ,et al. Wisdom of crowds:the value of stock opinions transmitted through social media[J]. Review of Financial Studies, 2014,5(27): 1367-1403.

变量	释义
X₁：流动比率	流动资产／流动负债
X₂：速动比率	(流动资产－存货)／流动负债
X₃：资产负债率	负债总额／资产总额
X₄：资产回报率	税后净利润／资产总额
X₅：净利润率	净利润／主营业务收入
X₆：营业利润率	营业利润／全部营业收入
X₇：每股收益率	税后净利润／发行在外的普通股股份数
X₈：存货周转率	营业收入／存货平均余额
X₉：资本周转率	销售收入／股东权益平均余额
X₁₀：销售净现率	经营现金净额／销售收入

独立董事意见一	独立董事意见二
关联交易不会对公司未来财务状况造成风险，不存在损害公司或投资人利益的情形	关联交易有利于公司降低经营风险，对公司未来的发展具有积极意义

分析方法	第一类错误率	第二类错误率	评估准确率
传统Logistic模型	20%	30%	75%
企业年度财务报表	16%	24.5%	79.75%
独立董事关联交易意见	10%	25.5%	82.25%

分析方法	第一类错误率	第二类错误率	评估准确率
传统Logistic模型	20%	30%	75%
网络媒体	8.5%	18.5%	86.75%

基于文本大数据的企业信用风险评估

Credit risk evaluation with text big data from text

在线阅读

PDF下载

可视化

被引次数

摘要/Abstract

引用本文

使用本文

图/表 5

参考文献 19

相关文章 15

Metrics

推荐阅读 0

[1]	李冬青, 刘吟啸, 邓镭, 李铭洋. 基于数据全生命周期的数据资产价值评估方法及应用[J]. 大数据, 2023, 9(3): 39-55.
[2]	钱海红, 王茂异, 熊贇. 高等教育数字化转型的现状与发展研究[J]. 大数据, 2023, 9(3): 56-70.
[3]	万小军. 智能文本生成：进展与挑战[J]. 大数据, 2023, 9(2): 99-109.
[4]	梅宏, 杜小勇, 金海, 程学旗, 柴云鹏, 石宣化, 靳小龙, 王亚沙, 刘驰. 大数据技术前瞻[J]. 大数据, 2023, 9(1): 1-20.
[5]	沈阳, 余梦珑. 元宇宙与大数据：时空智能中的数据洞察与价值连接[J]. 大数据, 2023, 9(1): 103-110.
[6]	陈静. 人文大数据及其在数字人文领域中的应用[J]. 大数据, 2022, 8(6): 3-14.
[7]	罗煜楚, 吴昊, 郭宇涵, 谭绍聪, 刘灿, 蒋瑞珂, 袁晓如. 数字人文中的可视化[J]. 大数据, 2022, 8(6): 74-93.
[8]	郑童哲恒, 李斌, 冯敏萱, 常博林, 王东波. 历史典籍的结构化探索——《史记·列传》数字人文知识库的构建与可视化研究[J]. 大数据, 2022, 8(6): 40-55.
[9]	于亚秀, 李欣. 数字人文视域中的古籍文本标注方法研究——以MARKUS为例[J]. 大数据, 2022, 8(6): 15-25.
[10]	张伶俐, 褚琦凯, 王桂娟, 张巍瀚, 蒲慧, 宋振金, 吴亚东. 文本情感可视分析技术及其在人文领域的应用[J]. 大数据, 2022, 8(6): 56-73.
[11]	李汶龙, 袁媛, 安筱鹏. 刍议大数据治理的三大基础思维[J]. 大数据, 2022, 8(4): 34-45.
[12]	汤奇峰, 邵志清, 叶雅珍. 数据交易中的权利确认和授予体系[J]. 大数据, 2022, 8(3): 40-53.
[13]	徐康庭, 宋威. 结合语言知识和深度学习的中文文本情感分析方法[J]. 大数据, 2022, 8(3): 115-127.
[14]	王陈慧子, 蔡玮. 元宇宙数字经济：现状、特征与发展建议[J]. 大数据, 2022, 8(3): 140-150.
[15]	杨玫, 李玮, 乔思渊, 刘巍. 中国大数据产业产值测算方法研究[J]. 大数据, 2022, 8(3): 151-160.