研究模型
R 脚本所描述的实验流程
PRIN 2022 - AI-EWT 项目发布的脚本使用多类模型对 allert 目标进行分类实验：逻辑回归、前馈神经网络和多输入 LSTM 网络。
该文件组织了 2020、2021 和 2022 年的时间评估。allert 目标的构造位于已发布脚本之外，因此本页不会为输出添加代码未明确说明的时间范围或概率含义。
方法
人工智能算法 的应用。
研究设计
跨学科研究方法
本研究运用法律分析和经济统计分析工具。两个研究单元从互补视角研究早期预警工具有效性的评估问题，尤其关注中小企业。
AI-EWT
从法律框架到中小企业危机的预测分析。
分析路径
法律与经济统计分析
法律研究与经济统计分析从不同但相互协调的视角共同服务于预警工具的评估。
两个互补视角。
01法律分析。法律分析考察了相关规范框架，包括意大利《企业危机与破产法典》、欧盟第 2019/1023 号指令以及其他欧洲法域的经验，以识别适用中的问题，并评估现有预警工具是否符合及早识别危机的目标。已经出版的论文集汇集了这一阶段的研究成果。
02经济统计分析。经济统计分析涵盖 AIDA 数据库中的意大利企业财务数据、时间序列的整理，以及统计方法、机器学习和深度学习技术的比较。本页公布的脚本记录了这一技术阶段。
出版物
法律研究
《La gestione iniziale della crisi》（危机的初步管理）一书探讨了预警措施、人工智能在危机及时发现中的应用潜力以及重组前重整工具。
Cacucci Editore
La gestione iniziale della crisi (Bari, 2024).
方法成果
所采用的模型
经济统计研究与法律研究相互衔接，并采用了已公布 R 脚本所记录的模型。该文件整理数据、比较多类模型并组织时间评估。下一节仅说明可以通过代码核实的操作。
3 个财务年度构成每组 LSTM 序列
3 个测试窗口：2020、2021、2022
3 类模型进行比较
time_features_lstm_2020 <- layer_input(
shape = c(3, 51),
name = "time_features_lstm_2020"
)
数据与时间序列模型比较时间评估
流程
处理流程
以下流程仅概括 TXT 中可见的操作，不添加文件中未记录的性能、样本规模或技术。
第一阶段
样本
第二阶段
筛选
第三阶段
模型
第四阶段
评估
代码
浏览已发布文件
该文件完整显示且未经修改，是面向专业人士的技术材料，记录了数据准备、训练和评估过程。
正在加载 Script - PRIN 2022.txt 文件...引导演示
算法模拟器
预测算法
算法的简化模拟
测试已发布脚本：它结合三年经济财务序列、四个静态变量和地区信息。请选择示例或自行构建情景，以观察模拟的信息流。
选择示例后，结果显示前会在卡片下方列出所使用的数据。
自动输入的数据所选情景
三个经济财务年度
四个静态方面
地区
请选择三个分支的数据，并查看在所构建的情景中预警机制是否激活。
经济财务序列
TXT 中包含三个年度以及由 LSTM 处理的 51–53 个时间相关变量。在此，每个年度由一个容易理解的选项概括。
静态方面示例
这些常见事件示例用于在模拟器中以易于理解的方式表示静态变量分支。
地区 · 嵌入
算法也研究地区。在模拟器中，地区贡献会在 0 至 6 分之间随机生成，与所选地区无关，仅用于教学演示。
TXT 中可见的结构
信号如何汇聚
时间序列
—演示性综合信号静态信息
—演示性综合信号地区
演示指数
查看所选数据是否会激活预警机制。0–100 指数仅用于演示。
隐私：输入的数据仅保留在您的浏览器中，不会被传输或保存。
简化的教学模拟： 不估算无力偿债概率，也不能替代专业评估。由于计算原因，部分数据未纳入模拟器，因此它不能完全复现训练后的模型。
模拟结果
预警是否激活？
演示指数 0–100
0/100
等待计算
预警机制激活程度 0–100
请完成三个分支，或选择一个情景。
由于指数超过 50%，预警机制被激活。根据立法提案，阳性结果将自动通知公司管理层以及监督机构或外部审计师（如已任命），以便采取适当措施。
影响最大的因素
- 计算后将显示详细信息。
计算方式
三年序列占教学计算的 70%，其中三个年度分别占 20%、30% 和 50%。四个静态方面示例合计占 30%，比例相同。每次重新选择地区时，系统都会随机生成 0 至 6 分的演示贡献。
图示遵循脚本中可见的结构：LSTM 分支、dense 分支、地区嵌入和拼接。公式和强度仅用于本次演示，并非研究模型的系数。