利用网络数据预测企业失信行为

doi:10.11959/j.issn.2096-0271.2018049

大数据 ›› 2018, Vol. 4 ›› Issue (5): 41-49.doi: 10.11959/j.issn.2096-0271.2018049

• 专题：大数据创新实践 • 上一篇下一篇

利用网络数据预测企业失信行为

周涛¹,李艳丽¹,李倩²,陈端兵^1,³,谢文波^1,³,吴桐²,，曾途²

¹ 电子科技大学大数据研究中心，四川成都 611731
² 成都数联铭品科技有限公司，四川成都 610041
³ 成都数之联科技有限公司，四川成都 610041

出版日期:2018-09-15 发布日期:2018-12-10
作者简介:周涛（1982-），男，电子科技大学教授，主要从事统计物理与复杂性方面的研究。在《Physics Reports》《PNAS》《Nature Communications》等国际SCI期刊发表学术论文300余篇，引用20 000余次，H指数为68。2009年获教育部自然科学奖一等奖，2011年获第十二届中国青年科技奖，2014年起，历年入选Elesvier最具国际影响力中国科学家名单（物理天文类）。2015年当选第十二届中华全国青年联合会常务委员，并担任科学技术界别工作委员会副主任。2015年当选全国十大科技创新人物。2017年获全国创新争先奖。2018年起任四川省政协常务委员。|李艳丽（1990-），女，电子科技大学大数据研究中心博士生，主要研究方向为关键节点挖掘、链路预测、推荐系统。|李倩（1987-），女，成都数联铭品科技有限公司数据管理部经理，主要研究方向为数据治理。|陈端兵（1971-），男，电子科技大学副教授、博士生导师，主要研究方向为数据挖掘、网络结构分析、信息传播与推荐。|谢文波（1990-），男，电子科技大学大数据研究中心博士生，主要研究方向为机器学习、推荐系统、数据挖掘。|吴桐（1984-），男，成都数联铭品科技有限公司首席财务官（CFO），主要研究方向为企业征信。|曾途（1984-），男，成都数联铭品科技有限公司CEO，主要研究方向为企业征信。
基金资助:
国家自然科学基金资助项目(61433014);国家自然科学基金资助项目(61673085)

Predicting the discredited behavior of enterprises via large-scale investment network

Tao ZHOU¹,Yanli LI¹,Qian LI²,Duanbing CHEN^1,³,Wenbo XIE^1,³,Tong WU²,Tu ZENG²

¹ Big Data Research Center,University of Electronic Science and Technology of China,Chengdu 611731,China
² Business Big Data Inc.,Chengdu 610041,China
³ Union Big Data Inc.,Chengdu 610041,China

Online:2018-09-15 Published:2018-12-10
Supported by:
The National Natural Science Foundation of China(61433014);The National Natural Science Foundation of China(61673085)

摘要/Abstract

摘要：

传统的企业信用水平分析方法多从企业规模、经营地、行业类别、注册与实缴资本等特征属性出发，缺少基于海量关联数据的深入分析。为了解决这个问题，采集、清洗了大量数据，建立了包含400多万家企业的有向投资网络，其中存在各类失信行为的企业有近26万家。研究结果显示，企业失信行为存在明显的“网络效应”，目标企业的股东或者投资企业若存在失信行为，则目标企业发生失信的风险远远大于平均值。基于此，提出了简单的预测企业失信行为的算法，其精确性远远超过了不考虑网络效应的回归方法。

关键词: 失信行为预测, 网络效应, 企业征信

Abstract:

Previous enterprise credit level analysis mainly focused on the features including enterprise size,place of operation,industry category,registration and paid-in capital,and lacked in-depth analysis based on massive data.A directed investment network consisted of more than 4 million enterprises was built up,among which nearly 260 000 enterprises have various discredited behaviors.The results show that there is an obvious "network effect" in the discredited behaviors of enterprises.If the target enterprise's shareholders or its invested enterprises have discredited behaviors,the risk of having discredited behaviors of the target enterprise is far greater than the average.Based on this,a simple generalized linear regression algorithm was proposed to predict the discredited behaviors of enterprises,which is far more accurate than the regression method without considering the network effect.

Key words: discredited behavior prediction, network effect, enterprise credit

中图分类号:

TN399

周涛, 李艳丽, 李倩, 陈端兵, 谢文波, 吴桐, 曾途. 利用网络数据预测企业失信行为[J]. 大数据, 2018, 4(5): 41-49.

Tao ZHOU, Yanli LI, Qian LI, Duanbing CHEN, Wenbo XIE, Tong WU, Tu ZENG. Predicting the discredited behavior of enterprises via large-scale investment network[J]. Big Data Research, 2018, 4(5): 41-49.

图/表 5

表1

图1

图2

表2

图3

参考文献 24

[1]	维克托·迈尔-舍恩伯格,肯尼思·库克耶, .大数据时代：工作、生活与思维的大变革[M].盛杨燕,周涛,译. 杭州: 浙江人民出版社, 2013.
	MAYER-SCHONBERGER V , CUKIER K . Big data:a revolution that will transform how we live,work,and think[M]. Translated by SHENG Y Y,ZHOU T. Hangzhou: Zhejiang People’s Publishing HousePress, 2013.
[2]	周涛 . 为数据而生:大数据创新实践[M]. 北京: 北京联合出版有限责任公司, 2016.
	ZHOU T . Big data innovation[M]. Beijing: Beijing United Publishing Co.Ltd.Press, 2016.
[3]	埃克里·托普, .颠覆医疗:大数据时代的个人健康革命[M].张南,等,译. 北京: 电子工业出版社, 2014.
	TOPOL E . The creative destruction of medicine[M]. Translated by ZHANG N,et al. Beijing: Publishing House of Electronics IndustryPress, 2014.
[4]	LV Y , DUAN Y , KANG W ,et al. T raffic flow prediction with big data:a deep learning approach[J]. IEEE Transactions on Intelligent Transportation Systems, 2015,16(2): 865-873.
[5]	CAO Y , GAO J , LIAN D F ,et al. O rderliness predicts academic performance:behavioral analysis on campus lifestyle[J]. Journal of the Royal Society Interface, 2018:20180210.
[6]	王元卓, 靳小龙, 程学旗 . 网络大数据:现状与展望[J]. 计算机学报, 2013,36(6): 1125-1138.
	WANG Y Z , JIN X L , CHENG X Q . Network big data:present and future[J]. Chinese Journal of Computers, 2013,36(6): 1125-1138.
[7]	周涛 . 网络大数据——复杂网络的新挑战:如何从海量数据获取信息[J]. 电子科技大学学报, 2013,42(1): 7-8.
	ZHOU T . Nework big data:a new challenge in complex network:how to dig out information from large-scale data set[J]. Journal of University of Electronic Science and Technology of China, 2013,42(1): 7-8.
[8]	汪小帆, 李翔, 陈关荣 . 网络科学导论[M]. 北京: 高等教育出版社, 2012.
	WANG X F , LI X , CHEN H R . Network science an introduction[M]. Beijing: Higher Education PressPress, 2012.
[9]	SCHWEITZER F , FAGIOLO G , SORNETTE D ,et al. E conomic networks:the new challenges[J]. Science, 2009,325(5939): 422-425.
[10]	高见, 周涛 . 大数据揭示经济发展状况[J]. 电子科技大学学报, 2016,45(4): 625-633.
	GAO J , ZHOU T . Big data reveal the status of economic development[J]. Journal of University of Electronic Science and Technology of China, 2016,45(4): 625-633.
[11]	SORAM?KI K , BECH M L , ARNOLD J ,et al. T he topology of interbank payment flows[J]. Physica A, 2007,379(1): 317-333.
[12]	SONG D M , JIANG Z Q , ZHOU W X . Statistical properties of world investment networks[J]. Physica A, 2009,388(12): 2450-2460.
[13]	MAY R M , LEVIN S A , SUGIHARA G . C omplex systems:ecology for bankers[J]. Nature, 2008,451(7181):893.
[14]	BARDOSCIA M , BATTISTON S , CACCIOLI F ,et al. P athways towards instability in financial networks[J]. Nature Communications, 2017(8):14416.
[15]	曾伟, 孔新川, 陈威 ,等. 大数据发现银行贷款风险[J]. 大数据, 2015,1(2):2015024. 2015-024.
	ZENG W , KONG X C , CHEN W ,et al. Uncovering the risk in bank loans by big data[J]. Big Data Research, 2015,1(2):2015024.
[16]	石勇, 孟凡 . 信用评分基本理论及其应用[J]. 大数据, 2017,3(1):2017003.
	SHI Y , MENG F . Credit scoring:basic theory and applications[J]. Big Data Research, 2017,3(1):2017003.
[17]	李友元, 寇纲 . 我国大数据征信的挑战及对策[J]. 大数据, 2017,3(1):2017004.
	LI Y Y , KOU G . Challenge and countermeasure of big data credit reporting in China[J]. Big Data Research, 2017,3(1):2017004.
[18]	LU L , ZHANG Z K , ZHOU T . Z ipf’s law leads to heaps’ law:analyzing their relationin finite-size systems[J]. PLoS One, 2010,5(12):e14139.
[19]	CHRISTAKIS N A , FOWLER J H . T he collective dynamics of smoking in alarge social network[J]. New England Journal of Medicine, 2008,358(21): 2249-2258.
[20]	BALLANTINE P W , STEPHENSON R J . H elp me,I’m fat! Social support in online weight loss networks[J]. Journal of Consumer Behaviour, 2011,10(6): 332-337.
[21]	NELDER J , WEDDERBURN R . G eneralized linear models[J]. Journal of the Royal Statistical Society(Series A), 1972,135(3): 370-384.
[22]	陈国富, 刘新海 . 我国担保圈大数据分析的初步发现[J]. 发展研究, 2015(5): 24-29.
	CHEN G F , LIU X H . Preliminary findings of big data analysis in China’s guarantee circles[J]. Development Research, 2015(5): 24-29.
[23]	张晓朴 . 互联网金融监管的原则:探索新金融监管范式[J]. 金融监管研究, 2014(2): 6-17.
	ZHANG X P . Principles of Internet financial regulation:exploring new financial regulatory paradigm[J]. Financial Regulation Research, 2014(2): 6-17.
[24]	李新安 . 大数据技术在反洗钱工作中的应用探析[J]. 时代金融, 2014(7): 259-260.
	LI X A . Applying big data technology in anti-money[J]. Times Finance, 2014(7): 259-260.

字段	内容	字段	内容	字段	内容	字段内容
A	农业、林业、牧业、渔业、服务业	G	交通运输、仓储和邮政业	M	科学研究和技术服务业	S公共管理、社会保障和社会组织
B	采矿业	H	住宿和餐饮业	N	水利、环境和公共设施管理业	T国际组织
C	制造业	I	信息传输、软件和信息技术服务业	O	居民服务、修理和其他服务业	Z其他
D	电力、热力、燃气及水生产和供应业	J	金融业	P	教育
E	建筑业	K	房地产业	Q	卫生和社会工作
F	批发和零售业	L	租赁和商务服务业	R	文化、体育和娱乐业

特征		说明
一阶邻居特征	失信被投资对象数	对这里的数量进行了处理，当值大于或等于4时，值取4
	失信被投资对象比例	失信被投资对象数/被投资对象的总数
	失信投资者数	对这里的数量进行了处理，当值大于或等于4时，值取4
	失信投资者比例	失信投资者数/投资者的总数
	失信一阶邻居数	对这里的数量进行了处理，当值大于或等于4时，值取4
	失信一阶邻居比例	失信一阶邻居数/一阶邻居的总数
二阶邻居特征	二阶邻居中失信被投资对象数	对这里的数量进行了处理，当值大于或等于4时，值取4
	二阶邻居中失信被投资对象比例	二阶邻居中失信被投资对象/二阶邻居中被投资对象总数
	二阶邻居中失信投资者数	对这里的数量进行了处理，当值大于或等于4时，值取4
	二阶邻居中失信投资者比例	二阶邻居中失信投资者数/二阶邻居中投资者总数
	失信二阶邻居数	对这里的数量进行了处理，当值大于或等于4时，值取4
	失信二阶邻居比例	失信二阶邻居数/二阶邻居总数
基本特征	企业类型	个体户、有限公司等类型，离散型
	企业资本	公司注册资本
	企业规模	根据工业和信息化部联企业[2011]300号文件《关于印发中小企业划型标准规定的通知》的标准，针对不同行业计算得到的企业规模被分为大型、中型、小型、微型4类，数值型
	地区	公司所在地理位置，离散型
	行业	公司所处行业细分领域（见表1），离散型

利用网络数据预测企业失信行为

Predicting the discredited behavior of enterprises via large-scale investment network

在线阅读

PDF下载

可视化

摘要/Abstract

引用本文

使用本文

图/表 5

参考文献 24

相关文章 1

Metrics

推荐阅读 0