Enterprise Credit Evaluating Model Study
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Accurate enterprise credit evaluating can efficiently avoid the asymmetry of the information which the finance institute transferred ,on the other hand ,the enterprise can bring the financing cost down. According to the loan examine and approve work of our country and stock industry bank, the index system of ECE is constructed. Then, a new Enterprise Credit Evaluating Model Based on Gray theory and fuzzy mathematics is proposed. Finally, a example is given and the result show good reliability. Keywords: ECE (Enterprise Credit Evaluate), Gray System Theory, White function, AHM（Attribute Hierarchical Model）, FCE(Fuzzy Comprehensive Evaluate) Resume L’evaluation precise du credit d’entreprises peut d’un cote eviter de facon efficace l’asymetrie de la transmission des informations des institutions financieres, de l’autre, elle peut permettre aux entreprises de baisser les couts financiers. Cette these relie ensemble la verification et l’approbation du credit de la banque du commerce nationalisee et de la banque industrielle par societe anonyme pour creer un systeme d’evaluation du credit d’entreprises( ECE). Selon les theories d’evaluation grises basees sur AHM et des methodes des mathematiques ambigues, elle a fait une proposition d’un nouveau modele d’evaluation qualitative et quantitative. Enfin, un exemplaire est donne et le resultat nous montre une bonne credibilite et precision. Mots-cles: ECE (evaluation du credit d’entreprises), theorie d’evaluation grise, fonction blanche, AHM（modele d’attribuation hierarchique）, FCE(methodes des mathematiques ambigues) 摘 要 準確的企業資信評級一方面可以有效的避免對金融機構資訊傳遞的非對稱性，另一方面企業也可以降低融資成本。文章結合我國國有商業銀行和股份制商業銀行信貸審批工作，構建企業資信評估指標體系，通過基於 AHM的灰色評價理論和模糊數學的方法，提出了一種新的定性和定量相結合的評價模型，實證結果表明，該模型得到的企業資信評級結果有較高的可信度和準確度。 關鍵詞：資信評級；屬性層次；白化權函數；灰色評價；模糊綜合評判
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle