一种模拟企业环境风险画像的方法和装置与流程

1.本发明实施例涉及企业环境画像技术领域，尤其涉及一种模拟企业环境风险画像的方 法和装置。


背景技术：

2.企业是环境风险发生与防控的核心主体。快速、高效、精准地构建企业环境风险画像 集、厘清不同区域与行业环境风险特征是开展环境风险防范体系建设的基础性工作，对于 从源头削减风险具有重要意义。环境风险系统与风险发生过程的复杂性，要求企业环境风 险画像需将与环境风险全过程相关的各类要素与节点全部纳入考量。详尽的数据采集成为 全面、客观反映企业环境风险画像的必备条件。但实践中，信息公开尚不完善、工艺数据 获取企业配合度不高、部分企业环境风险防控会计体系仍存在较多盲区等现实问题给企业 环境风险画像工作带来了障碍，从而导致现有的企业环境风险底数不清。
3.目前，已有的企业环境风险画像技术主要包含两类。(1)导则法。该方法主要根据国 家突发环境风险指南对企业环境风险进行画像，给出环境风险分级结果。整体上，导则法 刻画的环境风险特征维度相对单一，且没有将风险的累积性纳入考虑，结果可靠性相对较 低。(2)专家法。该方法聘请专业咨询服务供应商，通过开展企业现场踏勘获取企业环境 风险特征信息，依赖专家经验确保企业环境风险画像的准确性。但是，该过程往往需要数 周到数月时间，单个案例评估成本高达数万元。依托该方法开展大规模企业环境风险画像 意味着高昂的时间与经济投入，实现难度较大。
4.

技术实现要素：

5.本发明提供一种模拟企业环境风险画像的方法和装置，以通过较少的数据依赖、较短 的时间周期、较低的经济投入，实现较精准的、批量化的企业环境风险画像，为企业环境 风险画像集构建提供科学、经济、高效的解决方案。
6.第一方面，本发明实施例提供了一种模拟企业环境风险画像的方法，包括：
7.s10、获取拟开展批量评估的目标行业范围内的环境风险相关历史数据；
8.s20、根据所述环境风险相关历史数据，构建所述目标行业的历史环境风险画像矩阵；
9.s30、根据所述环境风险相关历史数据以及所述历史环境风险画像矩阵，构建关键属性 信息与隐含属性之间的关联矩阵；
10.s40、根据采集到的拟开展批量评估企业的关键属性矩阵、以及所述关联矩阵，模拟所 述拟开展批量评估企业的环境风险画像；
11.其中，所述关键属性信息包括企业产值、企业所在地级市、企业经纬度以及企业所在 行业与规模；所述隐含属性为所述历史环境风险画像矩阵中的环境风险特征属性。
12.第二方面，本发明实施例还提供了一种模拟企业环境风险画像的装置，包括：
得到的关联矩阵中的各矩阵元素为关键属性与隐含属性之间的具体函数关系。
45.s40、根据采集到的拟开展批量评估企业的关键属性矩阵、以及所述关联矩阵，模拟所 述拟开展批量评估企业的环境风险画像。
46.本实施例中，基于互联网大数据分析、自然语言处理等方法，构建包括所有拟开展批 量评估企业的企业关键属性信息矩阵(k’)，其中，所述拟开展批量评估企业的关键属性 矩阵结合构建的企业关键属性-隐含属性关联矩阵(l)，应 用“升维”模拟技术，得到涵盖突发环境风险、渐进环境风险等2种风险类型，环境风险 源、初级控制机制、次级控制机制、环境风险受体等4个维度属性信息的企业环境风险特 征高维精准画像(er’)。
[0047][0048]
其中，t为拟开展批量评估企业的数量。
[0049]
本实施例的技术方案，可基于4项企业关键属性，实现对涵盖突发环境风险、渐进环 境风险等2种风险类型，环境风险源、初级控制机制、次级控制机制、环境风险受体等4 个维度，共计107项属性信息的企业环境风险画像的精准画像。所需的企业产值、所在地 级市、经纬度、所在行业与规模等4项关键属性可通过互联网大数据分析、自然语言处理 等方法快速获取，实现了以较少的数据依赖、较短的时间周期、较低的经济投入，实现较 精准的、批量化的企业环境风险画像，为企业环境风险画像集构建提供科学、经济、高效 的解决方案，可有力支撑保险公司环境污染责任保险核保定价、政府部门高风险企业甄别 等实践。
[0050]
实施例二
[0051]
本实施例以中国2020年化学农药制造行业(行业代码2631)与涂料制造行业(行业代 码2641)2324家企业环境风险画像构建为例，对本技术中方法进行进一步的说明。
[0052]
步骤1：搜集中国化学农药制造行业、涂料制造行业企业生产工艺过程、历史合规信 息、风险物质信息、区域风险管控与应急能力信息、空间特征信息等6方面的历史数据记 录。数据来源包括环境统计数据库、公众环境研究中心数据库、pubchem、国际化学品安 全卡、美国环保署resi数据库、iarc致癌物质清单、《环境空气质量标准》、《污水综 合排放标准》、《涂料工业水污染物排放标准》等，具体如表1所示。
[0053]
表1 环境风险相关历史数据清单
[0054]
[0055]
[0056]
[0057][0058]
步骤2：融合收集的多源异构历史数据记录，构建包含环境风险源、初级控制机制、次 级控制机制、环境风险受体等4大子矩阵，突发与渐进2种环境风险类型风险特征属性的 历史环境风险高维画像矩阵(er)。每行数据对应一家企业的历史环境风险特征画像。以 化学农药制造行业与涂料制造行业为目标行业构建的er矩阵，包含化学农药制造行业企业 514家、涂料制造行业企业999家，覆盖环境风险特征属性107项。表2具体展示了历史环 境风险画像矩阵中的风险特征属性结构与内容。
[0059]
表2 结构化历史环境风险高维画像矩阵风险特征属性结构
[0060]
[0061]
[0062]
[0063]
[0064][0065]
步骤3：通过“降维”模拟，构建关键属性-隐含属性关联矩。
[0066]
步骤3.1：根据关系属性信息对收集的多源异构历史数据记录进行梳理，建立与历史环 境风险高维画像矩阵(er)对应的企业关键属性信息矩阵(k)。企业关键属性如表3所 示，共4项。
[0067]
表3 企业关键属性信息矩阵属性内容
[0068]
编号企业关键属性k1企业产值k2所在地级市k3企业经纬度k4企业所在行业与规模
[0069]
步骤3.2：应用“降维”模拟技术，初步搭建企业关键属性-隐含属性关联矩阵(l)。
[0070][0071]
其中，l
1,m
、l
2,m
、l
3,m
、l
4,m
分别表示关键属性k1、k2、k3、k4与隐含属性erm之间 的关系，1≤m≤107。值得注意的是，初步构建的l矩阵中的元素为基于矩阵分解技术确定 的基本函数形式。例如，对于top-5物料投入量或贮存量er1与企业产值k1之间的关系l
1,1
， 考虑到相同行业、相同企业规模、采用同种生产工艺的企业物料使用或贮存情况存在较高 的相似性，top-5物料投入量或贮存量er1与企业产值k1成正比，因此，确定其基本函数 形式为er1＝a
c1,c2,pp
×
k1。其中，系数a
c1,c2,pp
表示企业所在行业c1、对应企业规模c2、采 用生产工艺pp的企业的单位产值top-5物料投入量或贮存量。top-5物料投入量或贮存量 er1与企业产值k1分别是拟求解的企业隐含属性与易于获取的关键属性，企业所在行业c1、 企业规模c2、生产工艺pp决定了系数a
c1,c2,pp
的取值。因此，以f
1,1
(c1,c2,pp)表示二者之间 的关系。
其他元素表征的基本函数形式如表4所示。
[0072]
表4 企业关键属性-隐含属性关联函数
[0073][0074]
其中，c1、c2分别表示企业所在行业、企业规模，pp表示企业生产工艺过程信息，rs表 示风险物质信息，hc表示历史合规信息，sc表示空间特征信息，rr区域风险管控与应急能 力信息，oi表示其他信息。
[0075]
步骤3.3：基于矩阵分解技术，确定企业关键属性-隐含属性关联矩阵中元素的具体函 数内容：综合er矩阵与k矩阵信息，应用矩阵分解技术，对表4中给定的l矩阵中元素 的具体函数参数进行分类、分块求解，最终得到完整的企业关键属性-隐含属性关联矩阵(l)。 关联矩阵l中的各矩阵元素为关键属性与隐含属性之间的具体函数及其系数。例如，对于 top-5物料投入量或贮存量er1与企业产值k1之间的关系l
1,1
，按照企业所在行业c1、企 业规模c2、生产工艺pp对er矩阵与k矩阵中的企业进行分类，以确定特定行业、特定企 业规模、采用特定生产工艺企业的单位产值top-5物料投入量或贮存量a
c1,c2,pp
。
[0076]
步骤4：基于互联网大数据分析、自然语言处理等方法，搜集2020年中国化学农药制 造行业与涂料制造行业拟评估的2324家企业的企业产值、所在地级市、经纬度、所在行业 与规模，构建覆盖所有拟开展批量评估企业的2020年关键属性信息矩阵(k’)，结合构建 的企业关键属性-隐含属性关联矩阵(l)，通过“升维”模拟，得到拟评估的2324家企业 涵盖突发环境风险、渐进环境风险等2种风险类型，环境风险源、初级控制机制、次级控 制机制、环境风险受体等4个维度107项属性信息的企业环境风险特征高维精准画像(er’)。
[0077][0078]
本实施例的技术方案综合应用大数据分析、矩阵分解等技术，通过“降维-升维”双向 模拟，将基于传统评估方法单个案例耗时数周至数月的环境风险数据收集过程，改进为仅 需企业产值、所在地级市等4项易于获取的关键属性输入即可实现2324家企业批量化构建 的环境风险画像模拟过程，大大降低了企业环境风险画像的时间与经济成本，使企业环境 风险画像批量化构建、动态更新成为了可能。此外，本发明的技术方案充分考虑了环境风 险系统与风险发生过程的复杂性，将与环境风险全过程相关的各类要素与节点全部纳入了 考量。最终输出的环境风险特征高维画像矩阵涵盖突发环境风险、渐进环境风险等2种风 险类型，环境风险源、初级控制机制、次级控制机制、环境风险受体等4个维度的风险特 征，包括共计107项属性信息。
[0079]
实施例三
[0080]
本发明实施例提供了一种模拟企业环境风险画像的装置，该装置包括：
[0081]
数据获取模块，用于获取拟开展批量评估的目标行业范围内的环境风险相关历史数据；
[0082]
历史环境风险画像构建模块，用于根据所述环境风险相关历史数据，构建所述目标行 业的历史环境风险画像矩阵；
[0083]
关联矩阵建立模块，用于根据所述环境风险相关历史数据以及所述历史环境风险画像 矩阵，构建关键属性信息与隐含属性之间的关联矩阵；
[0084]
环境风险画像模拟模块，根据采集到的拟开展批量评估企业的关键属性矩阵、以及所 述关联矩阵，确定所述拟开展批量评估企业的环境风险画像；
[0085]
其中，所述关键属性信息包括企业产值、企业所在地级市、企业经纬度以及企业所在 行业与规模4项；所述隐含属性为所述历史环境风险画像矩阵中的环境风险特征属性。
[0086]
其中，所述历史环境风险画像矩阵包括环境风险源子矩阵(er1)、初级控制机制子矩 阵(er2)、次级控制机制子矩阵(er3)以及环境风险受体子矩阵(er4)。所述历史环境 风险画像矩阵表示形式为：
[0087][0088]
其中，第1-n行向量分别表示第1-n家企业的环境风险特征，第1-r列分别对应企业 的第1-r种环境风险特征属性信息；r＝107。
[0089]
具体的，关联矩阵建立模块具体用于：
[0090]
根据所述关键属性信息，从所述环境风险相关历史数据中构建关键信息矩阵；
[0091]
根据所述关键属性信息矩阵以及所述历史环境风险画像矩阵，初步构建关键属性信息 与隐含属性之间的关联矩阵，确定基本函数形式；
[0092]
基于矩阵分解技术，求解所述关联矩阵中各矩阵元素对应的具体函数系数。
[0093]
进一步的，该关联矩阵具体为：
[0094][0095]
其中，i＝4，r＝107，l
m,j
分别表示关键属性km与第j种历史环境风险画像矩阵中的 环境风险特征属性之间的函数关系，1≤m≤i，1≤j≤r。
[0096]
其中，环境风险画像确定模块具体用于：
[0097]
根据拟开展批量评估企业的关键属性矩阵与所述关联矩阵的乘积模拟所述拟开展批量 评估企业的环境风险画像；
[0098]
其中，所述拟开展批量评估企业的关键属性矩阵
[0099]
所述拟开展批量评估企业的环境风险画像为：
[0100][0101]
其中，t为拟开展批量评估企业的数量。
[0102]
本发明实施例所提供的一种模拟企业环境风险画像装置可执行本发明任意实施例所提 供的一种模拟企业环境风险画像方法，具备执行方法相应的功能模块和有益效果。
[0103]
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本 发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重 新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了 较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还 可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。