项目背景
从宏观经济角度上看
- 经济环境复杂，企业间关系不透明，企业间形成错综复杂的关系网络。
- 传统的分析方法无法快速、准确抓住关键的风险因素。
- 风险传播影响大，例如：2006年从美国开始的“次贷危机”。
从商业银行角度上看
- 已沉淀了多年丰富的历史数据，并尝试使用新的分析手段。
- 由于自身数据的局限性，很难在分析结果的真实性上有所突破，风险依然存在。
因此有必要在银行系统的大且全的数据基础上，使用复杂网络分析技术进行深度数据挖掘，为管理和化解风险提供条件。
解决方案
Hubble数据库基于复杂网络图算法和大数据技术，利用企业的既有数据，建立起企业之间链路形态，并对每种链路形态的风险特征进行了统计，以发现风险程度高的链路形态，同时发现风险程度高的“担保群”。
关联关系查找
关联计算及预警
实践结果
企业链路关系清晰呈现：通过计算出的量化结果判断企业之间的关系亲疏远近。
活跃性分析：中心性高的节点辐射周围节点数量也就越广，影响力也就会越大，智能识别出风险程度高的“链路形态”以及“担保群”，节省人工干预时间，提高效率。
抗风险能力评估：强健性计算可以发现经济网络中哪些经济实体的抗风险能力强。更快地发现并预警风险，减少未知的损失。
龙头企业发现：通过流通性计算可以挖掘整个经济网络中各个供应链体系中的关键节点，因为大量的资金流动都会经由这些节点，所以这类企业在网络中处于关键地位，一旦企业出现变动将会直接影响上下游企业的运营状态以及整个供应链的生态体系。
