一種企業信用風險評估方法及系統與流程
2023-10-04 18:20:44
本發明涉及風險評估的領域，尤其涉及一種企業信用風險評估的方法及系統。
背景技術：
在信用評估方面，中小企業與傳統的資本市場相比，存在信息不對稱的問題，即，針對於中小企業的一些財務信息，不同信用評估的人員獲得的信息不同，有些人對中小企業的信息掌握的比較全面，有一些人掌握的比較貧乏，這就使得無法準確的對中小企業的信用風險進行評估。
技術實現要素：
有鑑於此，本發明實施例提供了一種企業信用風險評估方法及系統，解決了現有技術中當無法獲取企業的財務信息，或者獲取到的財務信息不全面、不客觀的情況下，無法對企業的信用進行評估的問題。
本發明實施例公開了一種企業信用風險評估方法，在本實施例中，所述方法包括：
獲取與企業償債能力和償債意願相關的因子數據，並對所述因子數據進行預處理，得到預處理後的因子數據；其中所述因子數據包括：企業所處行業、所處區域、註冊資本、經營年限、企業性質、淨利潤、總資產等；
基於所述預處理後的因子數據和預設的機器學習模型，計算企業償債能力、償債意願的預測值；其中，所述機器學習模型是已通過對歷史因子數據和歷史企業償債能力、歷史企業償債意願進行機器學習而訓練得到的；所述歷史企業償債能力、歷史企業償債意願包括：歷史企業償債能力、歷史企業償債意願實際值和/或預測值；
依據所述企業償債能力、償債意願的預測值和預設的函數，生成企業信用質量分析報告。
可選的，所述對所述因子數據進行預處理，包括：
對所述因子數據中的異常數據或者缺失數據進行處理，得到初始處理後的因子數據；
對初始處理後的因子數據進行歸一化處理，得到預處理後的因子數據。
可選的，
所述基於所述預處理後的因子數據和預設的機器學習模型，計算企業償債能力與償債意願的預測值，包括：
將所述預處理後的因子數據劃分為兩部分，分別為第一因子數據和第二因子數據；
將所述第一因子數據和預設的企業償債能力與償債意願對所述預設的機器學習模型進行調整；其中，所述預設的企業償債能力與償債意願包括：企業償債能力與償債意願的第一預測值和/或企業償債能力與償債意願的實際值；
依據所述第二因子數據和調整後的所述機器學習模型，計算企業償債能力、償債意願的預測值。
可選的，還包括：
當接收到輸出所述企業信用質量分析報告的信息時，判斷是否滿足預設的輸出規則；
若滿足預設的輸出規則，輸出所述企業信用質量分析報告。
可選的，所述預設的輸出規則可以包括以下的一個或者多個：
規則一：接收到已支付的指令；
規則二：接收到用戶輸入的預設的帳號和密碼。
本發明實施例還提供了一種企業信用風險評估系統，所述系統包括：
企業信息獲取模塊，用於獲取與企業償債能力和償債意願相關的因子數據，並對所述因子數據進行預處理，得到預處理後的因子數據；其中所述因子數據包括：企業所處行業、所處區域、註冊資本、經營年限、企業性質、淨利潤、總資產等；
企業償債能力與償債意願分析模塊，用於基於所述預處理後的因子數據和預設的機器學習模型，計算企業償債能力、償債意願的預測值；其中，所述機器學習模型是已通過對歷史因子數據和歷史企業償債能力、歷史企業償債意願進行機器學習而訓練得到的；所述歷史企業償債能力、歷史企業償債意願包括：歷史企業償債能力、歷史企業償債意願實際值和/或預測值；
企業信用質量分析報告生成模塊，用於依據所述企業償債能力、償債意願的預測值和預設的函數，生成企業信用質量分析報告。
可選的，所述企業信息獲取模塊，包括：
數據處理子模塊，用於對所述因子數據中的異常數據或者缺失數據進行處理，得到初始處理後的因子數據；
歸一化子模塊，用於對初始處理後的因子數據進行歸一化處理，得到預處理後的因子數據。
可選的，所述企業信用質量分析報告生成模塊，包括：
數據劃分子模塊，用於將所述預處理後的因子數據劃分為兩部分，分別為第一因子數據和第二因子數據；
調整子模塊，用於將所述第一因子數據和預設的企業償債能力與償債意願對所述預設的機器學習模型進行調整；其中，所述預設的企業償債能力與償債意願包括：企業償債能力與償債意願的第一預測值和/或企業償債能力與償債意願的實際值；
計算子模塊，用於依據所述第二因子數據和調整後的所述機器學習模型，計算企業償債能力、償債意願的預測值。
可選的，還包括：
判斷模塊，用於當接收到輸出所述企業信用質量分析報告的信息時，判斷是否滿足預設的輸出規則；
輸出模塊，用於若滿足預設的輸出規則，輸出所述企業信用質量分析報告。
可選的，所述預設的輸出規則可以包括以下的一個或者多個：
規則一：接收到已支付的指令；
規則二：接收到用戶輸入的預設的帳號和密碼。
本實施例中，對企業信用風險評估時，可以通過獲取表徵企業償債能力和償債意願的企業所處行業、所處區域、註冊資本、經營年限、企業性質、淨利潤、總資產等因子數據，並對這些因子數據進行預處理後，再通過預設的機器學習模型，計算企業償債能力、償債意願的預測值；最後，依據企業償債能力、償債意願的預測值和預設的函數，輸出企業信用質量分析報告。因此，在無法獲得企業的財務信息或者在獲得的企業財務信息不全面、不客觀的情況下，可以採用以上提到的這些因子數據替代財務信息，對企業信用風險進行評估。
附圖說明
為了更清楚地說明本發明實施例或現有技術中的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發明的實施例，對於本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據提供的附圖獲得其他的附圖。
圖1示出了本發明實施例提供的一種信用風險評估方法的流程示意圖；
圖2示出了本發明實施例提供的一種信用風險評估方法的流程示意圖；
圖3示出了本發明實施例提供的一種信用風險評估系統的結構示意圖。
具體實施方式
下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發明一部分實施例，而不是全部的實施例。基於本發明中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都屬於本發明保護的範圍。
參考圖1，示出了本發明實施例提供的一種企業信用風險評估的方法的流程示意圖，在本實施例中，所述方法可以包括s101～s103的步驟：
s101：獲取與企業償債能力和償債意願相關的因子數據，並對所述因子數據進行預處理，得到預處理後的因子數據；所述因子數據包括：企業所處行業、所處區域、註冊資本、經營年限、企業性質、淨利潤和總資產等；
本實施例中，通常情況下，對於企業償債能力和償債意願的分析需要收集企業的財務信息，但是在無法收集到企業的這些財務信息的情況下，尤其是對於一些小公司來說，在財務信息不可得的情況下，可以採用其它的因子數據替代這些財務信息，來計算企業償債能力和償債意願，技術人員經研究發現，企業所處行業、所處區域、註冊資本、經營年限、企業性質、淨利潤和總資產等數據，是與所述企業償債能力和企業償債意願相關的因子數據。
本實施例中，所述與企業償債能力和償債意願相關的因子數據可以保存在區塊鏈技術生成的分布式帳本中，因此，可以在該分布式帳本中獲取與企業償債能力和償債意願相關的因子數據。
本實施例中，獲取的因子數據中可能有一些異常或者殘缺的數據，因此，需要對獲取到的因子數據進行預處理，具體可以包括：
對所述因子數據中的異常數據或者缺失數據進行處理，得到初始處理後的因子數據；
對初始處理後的因子數據進行歸一化處理，得到預處理後的因子數據。
本實施例中，例如，可以採用刪除法刪除因子數據中的異常數據，可以採用插值法補全缺失數據。
本實施例中，可以採用以下的公式1)分別對企業所處行業、所處區域、註冊資本、經營年限、企業性質、淨利潤、總資產等這些不同維度的因子數據進行歸一化；
其中，s歸一化表示歸一化後的因子數據，s表示未進行歸一化前的因子數據，smax表示該因子數據所屬維度的最大值，smin表示該因子數據所屬維度的最小值。
s102：基於所述預處理後的因子數據和預設的機器學習模型，計算企業償債能力與償債意願的預測值；其中，所述機器學習模型是已通過對歷史因子數據和歷史企業償債能力、歷史企業償債意願進行機器學習而訓練得到的；所述歷史企業償債能力、歷史企業償債意願包括：歷史企業償債能力、歷史企業償債意願實際值和/或預測值；
本實施例中，對於歷史因子數據可以理解為在此次獲取到的因子數據之前，用於訓練機器學習模型所用到的因子數據；對於歷史企業償債能力、償債意願可以理解為，在進行此次數據分析之前，用於訓練該機器學習模型所用到的歷史企業的償債能力和償債意願。其中，歷史企業償債能力和歷史企業償債意願可以是已收集到的歷史企業償債能力和歷史企業償債意願的實際值；或者還可以是收集到的企業償債能力和企業償債意願的預測值。
對機器學習模型進行訓練時，可以將歷史因子數據作為輸入，將與該歷史因子數據對應的歷史企業償債能力和歷史企業償債意願作為輸出對預設的機器學習模型進行訓練。因此，當對此次的企業的因子數據進行分析時，可以將此次獲取到的因子數據作為已訓練過的機器學習模型的輸入，輸出企業的償債能力和償債意願的預測值。
本實施例中，機器學習模型可以採用單一的機器學習模型，例如：支持向量機、神經網絡、模糊聚類等機器學習模型；也可以同時採用多種機器學習模型，例如可以同時包括：支持向量機、神經網絡、模糊聚類等機器學習模型中的至少兩個。
本實施例中，針對於預設的機器學習模型，除了可以是以上提到的，可以同時計算企業償債能力和企業償債意願，還可以包括：企業償債能力機器學習模型和企業償債意願機器學習模型，即可以將第二因子數據作為企業償債能力機器學習模型的輸入數據，輸出得到企業償債能力的預測值；可以將第二因子數據作為企業償債意願機器學習模型的輸入數據，輸出得到企業償債能力的預測值。
本實施例中，為了提高得到的企業償債能力和償債意願的預測值的準確度，可以先通過本次得到的一些因子數據及收集到企業償債能力和償債意願的實際值或者預測值對預設的機器學習模型進行調整，具體的，參考圖2，s102可以包括s201～s203的步驟：
s201：將所述預處理後的因子數據劃分為兩部分，分別為第一因子數據和第二因子數據；
本實施例中，可以隨機的將這些預處理後的因子數據劃分為兩部分，也可以將按照預設的比例將這些預處理後的因子數據劃分為兩部分，其中每部分預處理後的因子數據中均包括企業所處行業、所處區域、註冊資本、經營年限、企業性質、淨利潤、總資產等維度的要素。
s202：將所述第一因子數據和預設的企業償債能力與償債意願對所述預設的機器學習模型進行調整；其中，所述預設的企業償債能力和償債意願包括：企業償債能力、償債意願的第一預測值和/或企業償債能力與償債意願的實際值。
本實施例中，預設的企業償債能力與償債意願可以是預先保存在系統中，或者更具體的，可以是保存在由區塊鏈技術生成的分布式帳本中。其中，可以包括：企業償債能力、償債意願的第一預測值；或者企業償債能力、償債意願的實際值；或者企業償債能力、償債意願的第一預測值和企業償債能力、企業償債意願的實際值。
本實施例中，可以通過一部分預處理後的因子數據與企業償債能力、企業償債意願的關係，對已訓練的機器學習模型進行調整，得到更符合本次實際情況的機器學習模型。
s203：依據所述第二因子數據和調整後的所述預設的機器學習模型，計算企業償債能力、償債意願的預測值。
本實施例中，可以將第二因子數據作為調整後的預設的機器學習模型的輸入，輸出得到企業償債能力、償債意願的預測值。
s103：依據所述企業償債能力、償債意願的預測值和預設的函數，輸出企業質量分析報告。
本實施例中，預設的函數可以如以下的公式2)所示：
2)credit＝a*cb+b*cw；
其中，a和b分別表示償債能力、償債意願的權重；cb和cw分別表示企業償債能力和企業償債意願的預測值。
本實施例中，對於a和b可以是根據技術人員的經驗獲得的，也可以是通過分析計算獲得的。
本實施例中，當有用戶想查看生成的企業質量分析報告時，可以通過特定的一些方式對企業質量報告進行查詢，具體的還可以包括：
當接收到輸出所述企業信用質量分析報告的信息時，判斷是否滿足預設的輸出規則；
若滿足預設的輸出規則，輸出所述企業信用質量分析報告。
其中，所述預設的輸出規則可以包括以下的一個或者多個：
規則一：接收到已支付的指令；
規則二：接收到用戶輸入的預設的帳號和密碼。
舉例說明：當用戶想要查詢企業信用質量分析報告時，若用戶是具有可查詢身份的會員，用戶可以直接通過帳號和密碼登錄後，直接查詢企業信用質量分析報告；或者，用戶可以進行支付後，對企業信用質量分析報告進行查詢。
本實施例中，對企業信用風險評估時，可以通過獲取表徵企業償債能力和償債意願的企業所處行業、所處區域、註冊資本、經營年限、企業性質、淨利潤、總資產等因子數據，並對這些因子數據進行預處理後，再通過預設的機器學習模型，計算企業償債能力、償債意願的預測值；最後，依據企業償債能力、償債意願的預測值和預設的函數，輸出企業信用質量分析報告。因此，在無法獲得企業的財務信息或者在獲得的企業財務信息不全面、不客觀的情況下，可以採用以上提到的這些因子數據替代財務信息，對企業信用風險進行評估，解決了現有技術中，在信息不對稱的情況下，無法對中小企業的信用風險進行準確評估的問題。
參考圖3，示出了本發明實施例提供的一種企業信用風險評估系統，所述系統包括：
企業信息獲取模塊301，用於獲取與企業償債能力和償債意願相關的因子數據，並對所述因子數據進行預處理，得到預處理後的因子數據；其中所述因子數據包括：企業所處行業、所處區域、註冊資本、經營年限、企業性質、淨利潤、總資產等；
企業償債能力與償債意願分析模塊302，用於基於所述預處理後的因子數據和預設的機器學習模型，計算企業償債能力、償債意願的預測值；其中，所述機器學習模型是已通過對歷史因子數據和歷史企業償債能力、歷史企業償債意願進行機器學習而訓練得到的；所述歷史企業償債能力、歷史企業償債意願包括：歷史企業償債能力、歷史企業償債意願實際值和/或預測值；
企業信用質量分析報告生成模塊303，用於依據所述企業償債能力、償債意願的預測值和預設的函數，生成企業信用質量分析報告。
可選的，所述企業信息獲取模塊，包括：
數據處理子模塊，用於對所述因子數據中的異常數據或者缺失數據進行處理，得到初始處理後的因子數據；
歸一化子模塊，用於對初始處理後的因子數據進行歸一化處理，得到預處理後的因子數據。
可選的，所述企業信用質量分析報告生成模塊，包括：
數據劃分子模塊，用於將所述預處理後的因子數據劃分為兩部分，分別為第一因子數據和第二因子數據；
調整子模塊，用於將所述第一因子數據和預設的企業償債能力與償債意願對所述預設的機器學習模型進行調整；其中，所述預設的企業償債能力與償債意願包括：企業償債能力與償債意願的第一預測值和/或企業償債能力與償債意願的實際值；
計算子模塊，用於依據所述第二因子數據和調整後的所述機器學習模型，計算企業償債能力、償債意願的預測值。
可選的，還包括：
判斷模塊，用於當接收到輸出所述企業信用質量分析報告的信息時，判斷是否滿足預設的輸出規則；
輸出模塊，用於若滿足預設的輸出規則，輸出所述企業信用質量分析報告。
可選的，所述預設的輸出規則可以包括以下的一個或者多個：
規則一：接收到已支付的指令；
規則二：接收到用戶輸入的預設的帳號和密碼。
本實施例中，對企業信用風險評估時，可以通過獲取表徵企業償債能力和償債意願的企業所處行業、所處區域、註冊資本、經營年限、企業性質、淨利潤、總資產等因子數據，並對這些因子數據進行預處理後，再通過預設的機器學習模型，計算企業償債能力、償債意願的預測值；最後，依據企業償債能力、償債意願的預測值和預設的函數，輸出企業信用質量分析報告。因此，通過本實施例的裝置，在無法獲得企業的財務信息或者在獲得的企業財務信息不全面、不客觀的情況下，可以採用以上提到的這些因子數據替代財務信息，對企業信用風險進行評估。
需要說明的是，本說明書中的各個實施例均採用遞進的方式描述，每個實施例重點說明的都是與其他實施例的不同之處，各個實施例之間相同相似的部分互相參見即可。
對所公開的實施例的上述說明，使本領域專業技術人員能夠實現或使用本發明。對這些實施例的多種修改對本領域的專業技術人員來說將是顯而易見的，本文中所定義的一般原理可以在不脫離本發明的精神或範圍的情況下，在其它實施例中實現。因此，本發明將不會被限制於本文所示的這些實施例，而是要符合與本文所公開的原理和新穎特點相一致的最寬的範圍。