一种基于企业征信业务的信用评级方法与流程

本发明涉及企业征信评级领域，尤其涉及一种基于企业征信业务的信用评级方法。

背景技术：

随着经济全球化趋势扩展与市场化程度的加深，加快企业和个人信用体系建设已成为社会共识。针对企业信用评级领域，目前我国没有官方统一的评级方法，评级方法相对单一，市场上的第三方评级机构相对独立，发展参差不齐，我国的评级技术和水平与市场经济成熟国家相比，差距还很大。

如安徽融信金模信息技术有限公司申请的专利一种针对中小企业的征信系统，其申请号为201510998442.4，公开日期为2016.06.08，一种针对中小企业的征信系统，包括第一数据采集器、第二数据采集器、法人信用数据库、企业信用数据库、第一数据提取模块、法人信用计算模块、第二数据提取模块、企业信用计算模块、信用档案生成模块和公共数据库；第一数据采集器用于采集待评估企业法人的信用数据；法人信用数据库与第一数据采集器电连接，其用于获取并储存第一数据采集器采集到的待评估企业法人的信用数据；第一数据提取模块与法人信用数据库电连接，其用于从法人信用数据库提取待评估企业法人的信用数据；法人信用计算模块与第一数据提取模块电连接，其用于获取第一数据提取模块提取到的待评估企业法人信用数据，并根据该数据对待评估企业法人进行信用计算；第二数据采集器用于采集待评估企业的信用数据；企业信用数据库与第二数据采集器连接，其用于获取并储存第二数据采集器采集到的待评估企业信用数据；第二数据提取模块与企业信用数据库连接，其用于从企业信用数据库中提取待评估企业的信用数据；企业信用计算模块与第二数据提取模块连接，其用于获取第一数据提取模块提取到的待评估企业信用数据，并根据该数据对待评估企业进行信用计算；信用档案生成模块与法人信用计算模块、企业信用计算模块连接，其用于生成待评估企业信用档案；；公共数据库与信用档案生成模块连接，其用于存储待评估企业信用档案。

目前企业的不良资产总值不断增长，企业逾期账款呆账坏账率不断攀升，如何能有效控制不良资产的总值，降低坏账率，是信贷市场健康发展亟待解决的问题。现如今市场上的征信系统并不能解决上述问题。

技术实现要素：

本发明的目的在于克服现有技术存在的不足，提供一种基于企业征信业务的信用评级方法，包括以下步骤：

s1：数据获取环节，获取被评级对象的相关数据；

s2：数据清洗环节，对所述相关数据进行格式转换，消除所述相关数据中的冗余数据，得到具有一致性的标准格式数据；

s3：数据调动环节，对所述标准格式的数据进行数据特征描述，理解所述标准格式的数据特征状况，调动所述标准格式的数据特征状况匹配程度高的数据；

s4：数据建模环节，将步骤s2中所述标准格式的数据分别导入相应的模型，以所述数据调动后的数据作为参考依据，进行数据建模，从不同维度进行数据分析；

s5：结果输出环节，将所述数据建模分析后的结果数据进行输出操作，根据从不同维度分析的结果，将所述结果反馈在所述评级系统中；

s6：报表生成环节，得出所述被评级对象的具体评级报表。

作为进一步改进，所述获取被评级对象的相关数据的方式包括，通过网络数据爬虫获取、通过第三方征信机构将线下获取的信息数据进行获取的方式、或通过将第三方对象征信机构网站后台服务器端数据进行导出的方式获取的相关数据。

作为进一步改进，在步骤s2中，对通过网络数据爬虫获取的数据进行清洗环节包括：对所述通过网络数据爬虫获取的数据通过格式转换，所述格式转换包括根据所述相关数据的类型，所述相关数据的类型包括；含有噪声的数据、含有重复信息的数据、数据不平衡的数据、数据与编码表部对应的数据、不一致的数据、不完整的数据；对于不同类型的相关数据对应的也有不同的解决方法；对于所述含有噪声的数据采用去除特大值、负值点；对于所述信息不符合常理的数据采用去除异常值的方法；对于所述含有重复信息的数据采用删除重复项的方法；对于所述不平衡的数据采用数据去噪的方法；对于所述数据与编码表不对应的数据采用与不同行业标准表格对应的方法进行数据清洗；对于所述不一致的数据采用按数据类型归类的方法进行数据清洗；对于所述不完整的数据、采用确立相关标准参照值的方法进行数据清洗。

作为进一步改进，在步骤s2及s3之间，进一步包括，s21，将获取到的全部相关数据建立一个关系型数据表，并存入数据库中。

作为进一步改进，所述相应的模型包括神经网络模型、打分模型以及财务预警模型。

作为进一步改进，在步骤s4中，将步骤s2中所述标准格式的数据导入打分模型，所述打分模型包括，ahp层次分析子模型、评分卡子模型以及聚类分析子模型，其分析步骤包括：将所述标准格式的数据，首先通过ahp层次分析子模型，对所述不同类型的数据指标赋予相应权重；再通过评分卡子模型将不同权重的数据根据评级项目的重要性进行打分；再通过聚类分析模型，将所述被评级对象的项目进行类别划分。

作为进一步改进，在步骤s4中，将步骤s2中所述标准格式的数据导入神经网络预测模型，其步骤包括：运用elman神经网络对所述标准格式的数据进行学习，制定神经网络预测模型。所述神经网络预测模型对所述被评级对象中的不含财务数据的所述标准格式数据进行分析。

作为进一步改进，在步骤s4中，所述财务预警模型是对所述被评级对象的所述标准格式数据中的财务类数据设计的，评估所述被评级对象财务状况指标，根据所述被评级对象所在的行业确立相应的财务指标，配有不同的权重分配表，进行精且匹配。

作为进一步改进，所述财务预警模型包括6个子模型，所述6个子模型能独立分析，也能构成模型组统一分析；所述6个子模型包括报表简化子模型、财务比率子模型、资产划分子模型、理论评价子模型、定性定量分析模型、纯定量分析模型；不同子模型之间的指标选取侧重不同，组合使用财务预警准确性高。

作为进一步改进，所述相关数据包括所述被评级对象的负面信息，在步骤s1与步骤s2之间进一步包括步骤s11，将所述被评级对象的负面信息导入反欺诈模型，若所述被评级对象的负面信息严重影响评级结果，直接结束评级，不进入s2之后的步骤，若所述被评级对象的负面信息影响评级结果不严重则继续评级。

与现有技术相比较，本发明具有以下优点：

1、本发明提供一种企业征信评级方法，并不局限于被评级企业主动提供的相关信息，以多种数据获取方式获取企业相关数据，解决了因评级系统获取被评级对象相关数据途径单一而导致评级出的结果并不准确的问题

2、本发明提供一种企业征信评级方法，增设数据清洗环节，针对道具数据不标准的原因，多角度全面进行格式统一，使系统整合建模过程中效率更快，并且方便运算。

3、本发明提供一种企业征信评级方法，包括神经网络模型、打分模型以及财务预警模型，将经数据清洗环节后的标准格式化的数据，分别输入上述三类模型进行不同维度的数据分析，得出更为客观的数据结果。

4.本发明提供一种企业征信评级方法，所述财务预警模型包括6个财务子模型，可统一或拆分使用从财务的不用角度进行全面分析。

5.本发明提供一种企业征信评级方法，所述每一环节的数据都经过整合进入数据库中，其中在数据获取环节之后多设立一个反欺诈模型将获取到的数据中的所述被评级对象的负面信息导入反欺诈模型，若所述被评级对象的负面信息严重影响评级结果，直接结束评级。大大节省了评级的效率。

6.本发明提供一种企业征信评级方法；数据建模采用多种模型结合，选取最符合被评级对象的数据特征的模型，增加评级效果的科学性；将被评级对象的分析结果进行输出，结合其他基本信息完成报表制作，最后呈现一份对被评级对象的科学合理的评级报告。

附图说明

图1为本发明一种基于企业征信业务的信用评级方法的流程图。

具体实施方式

为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。因此，以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。在本发明的描述中，需要理解的是，术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的设备或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

如图1所示，一种基于企业征信业务的信用评级方法，包括以下步骤：

s1：数据获取环节，获取被评级企业的相关数据；

所述获取被评级企业的相关数据的方式包括，通过网络数据爬虫获取、通过第三方企业征信机构将线下获取的信息数据进行获取的方式、或通过将第三方企业征信机构网站后台服务器端数据进行导出的方式获取的相关数据。

所述相关数据包括：工商登记信息、企业组织架构信息、企业融资信息、联系信息、法人基本信息、公司所知识产权信息，近三年财务状况信息，近三年未来运营计划书等信息。

s11：所述相关数据包括所述被评级企业的负面信息，将所述被评级企业的负面信息导入反欺诈模型，若所述被评级企业的负面信息严重影响评级结果，直接结束评级，不进入s2之后的步骤，若所述被评级企业的负面信息影响评级结果不严重则继续评级。

s2：数据清洗环节，对所述相关数据进行格式转换，消除所述相关数据中的冗余数据，得到具有一致性的标准格式数据，用于方便数据的分析与应用。

具体的：对所述通过网络数据爬虫获取的数据通过格式转换，所述格式转换包括根据所述相关数据的类型，所述相关数据的类型包括；含有噪声的数据、含有重复信息的数据、数据不平衡的数据、数据与编码表部对应的数据、不一致的数据、不完整的数据；对于不同类型的相关数据对应的也有不同的解决方法；对于所述含有噪声的数据采用去除特大值、负值点；对于所述信息不符合常理的数据采用去除异常值的方法；对于所述含有重复信息的数据采用删除重复项的方法；对于所述不平衡的数据采用数据去噪的方法；对于所述数据与编码表不对应的数据采用与不同行业标准表格对应的方法进行数据清洗；对于所述不一致的数据采用按数据类型归类的方法进行数据清洗；对于所述不完整的数据、采用确立相关标准参照值的方法进行数据清洗。

s21：将从s1获取到的全部与所述被评级企业相关的数据，建立一个关系型数据表，并存入数据库中，以所述被评级企业的名称作为表的键值。所述关系型数据表作为所述被评级企业的待用数据。

s3：数据调动环节，对所述标准格式的数据进行数据特征描述，理解所述标准格式的数据特征状况，调动所述标准格式的数据特征状况匹配程度高的数据；

s4：数据建模环节，将步骤s2中所述标准格式的数据分别导入相应的模型，以所述数据调动后的数据作为参考依据，进行数据建模，从不同维度进行数据分析；所述相应的模型包括神经网络模型、打分模型以及财务预警模型；选取最符合被评级企业的数据特征的模型，增加评级效果的科学性，也从其它模型中获取不同维度的分析结果，增加评级效果的科学性。

具体的，在步骤s4中，将步骤s2中所述标准格式的数据导入打分模型，所述打分模型包括，ahp层次分析子模型、评分卡子模型以及聚类分析子模型，其分析步骤包括：将所述标准格式的数据，首先通过所述ahp层次分析子模型，对所述不同类型的数据指标赋予相应权重；再通过所述评分卡子模型将不同权重的数据根据评级项目的重要程度进行打分；再通过所述聚类分析模型，将企业进行类别划分。所述聚类分析模型的分析方法包括二阶聚类，和som神经网络，所述聚类分析模型将通过所述二阶聚类方法和所述som神经网络方法得出的结果进行对比，整合适应随机数据的变量类型和特征。具体的供设置7-12维变量、10000-15000组随机数模拟所述被评级企业的相关特征。

将步骤s2中所述标准格式的数据导入神经网络预测模型，其步骤包括：运用elman神经网络对所述标准格式的数据进行学习，制定神经网络预测模型。所述神经网络预测模型对所述被评级企业中的不含财务数据的所述标准格式数据进行分析。所述无财务数据就是不含财务数据评分的结果。信用评级的主要功能是评价企业承担信用风险的能力以及目前企业真实的信用状态，用于自我检查或者外部的金融机构评估是否予以投融资。

所述财务预警模型是对所述被评级企业标准数据中的财务类数据所设计的，评估所述被评级企业财务状况指标，根据所述被评级企业所在的行业确立相应的财务指标，配有不同的权重分配表，进行精且匹配；所述财务预警模型包括6个子模型，所述6个子模型能独立分析，也能构成模型组统一分析；所述6个子模型包括报表简化子模型、财务比率子模型、资产划分子模型、理论评价子模型、定性定量分析模型、纯定量分析模型；不同子模型之间的指标选取侧重不同，组合使用财务预警准确性高。所述6个自模型组成的模型组，根据不同财务模型算法得出各指标比率值，依据企业特征选取比例值群中适合的值特征进行分析。

s5：结果输出环节，将所述数据建模分析后的结果数据进行输出操作，根据所述标准格式的数据从不同模型分析出的不同维度的结果，将所述结果反馈在所述评级系统中，作为交叉验证或者不同视角的评价，得到更为客观的评级结果。

s6：报表生成环节，得出所述被评级企业的具体评级报表。

所述报表包括基本信息、贷款信息、非银行信息、财务指标总得分、评级预估结果等；所述基本信息包括舆情信息，主要反应社会上正面信息和负面信息程度。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。