企业授信模型的构建方法、装置及计算机可读存储介质与流程

本发明涉及信用风险领域，尤其涉及一种企业授信模型的构建方法、装置及计算机可读存储介质。

背景技术：

现有的基于完整税务数据的企业的信用评分技术一般是基于完整的企业税务数据进行构建统计模型，使得现有的企业的信用评分技术仅能用于对完整税务数据进行预测企业的信用评分。

但是，实际上税务数据的客户来自全国各地，不同地区的税务数据不完全一样，部分地区的税务数据存在较多的缺失内容，导致基于完整税务数据的企业的信用评分技术不能对缺失的税务数据即不完整的税务数据进行预测。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

技术实现要素：

本发明的主要目的在于提供一种企业授信模型的构建方法、装置及计算机可读存储介质，旨在解决现有的基于完整税务数据的信用评分技术不能对不完整的税务数据进行预测的技术问题。

为实现上述目的，本发明提供一种企业授信模型的构建方法，所述企业授信模型的构建方法包括以下步骤：

获取企业的不完整税务数据，并确定所述不完整税务数据对应的衍生数据；

将所述不完整税务数据输入至预先构建的税务数据预测模型，得到所述不完整税务数据对应的缺失数据；

基于所述不完整税务数据、所述不完整税务数据对应的缺失数据以及所述不完整税务数据对应的衍生数据，进行构建企业授信模型，以在构建所述企业授信模型完成后，基于所述企业授信模型进行预测目标客户的信用风险。

可选地，所述不完整税务数据包括企业基本信息、纳税信用数据、投资方信息、变更信息、税务违法信息、税务稽查信息、纳税数据、财务数据、发票数据以及个税数据。

可选地，所述确定所述不完整税务数据对应的衍生数据的步骤包括：

基于所述变更信息对应的变更时间，确定所述变更信息对应的变更频率，将所述变更信息对应的变更频率作为所述变更信息的衍生数据；

基于预设的第一数据组合维度，对所述税务违法信息进行组合，确定所述税务违法信息对应的衍生数据，其中，所述第一数据组合维度包括违法类型、违法手段、处罚决定和违法生效期中的一种或几种；

基于预设的第二数据组合维度，对所述税务稽查信息进行组合，确定所述税务稽查信息对应的衍生数据，其中，所述第二数据组合维度包括税务违法类型、税务稽查时间、违法手段和处罚决定中的一种或几种。

可选地，所述纳税数据对应的衍生数据包括所述纳税数据的绝对值、在各个季度对应的同比增长率和环比变换比率、在各个月度对应的同比变换比率和环比变换比率、零值率、滞纳金的缴款次数以及滞纳金的缴款金额；

所述确定所述不完整税务数据对应的衍生数据的步骤包括：

基于所述纳税数据对应的纳税时间，确定所述纳税数据的绝对值；

基于所述纳税数据对应的纳税时间，确定所述纳税数据在各个季度对应的同比增长率和环比变换比率，以及所述纳税数据在各个月度对应的同比变换比率和环比变换比率；

基于所述纳税数据对应的纳税时间，确定所述纳税数据的零值率；

基于所述纳税数据，确定所述纳税数据中滞纳金的缴款次数和缴款金额。

可选地，所述确定所述不完整税务数据对应的衍生数据的步骤包括：

根据所述财务数据的起止时间，分别确定所述财务数据对应的资产合计、负债合计、货币资金、应收账款、应付账款、营业收入、营业成本和利润总额；

通过杜邦分析法，确定各所述财务数据的财务比率；

其中，所述财务数据对应的衍生数据包括所述财务数据的资产合计、负债合计、货币资金、应收账款、应付账款、营业收入、营业成本、利润总额以及财务比率。

可选地，所述确定所述不完整税务数据对应的衍生数据的步骤包括：

根据所述发票数据的起止时间，确定上游客户数、下游客户数、进项总金额和开票总金额；

根据所述发票数据的起止时间，确定所述发票数据的变化值，其中，所述发票数据的变化值包括所述上游客户数按月度的同比变换比率和环比变换比率、所述上游客户数按季度的同比变换比率和环比变换比率、所述下游客户数按月度的同比变换比率和环比变换比率、所述下游客户数按季度的同比变换比率和环比变换比率、所述进项总金额按月度的同比变换比率和环比变换比率、所述进项总金额按季度的同比变换比率和环比变换比率、所述开票总金额按月度的同比变换比率和环比变换比率，以及所述开票总金额按季度的同比变换比率和环比变换比率。

可选地，所述将所述不完整税务数据输入至预先构建的税务数据预测模型，得到所述不完整税务数据对应的缺失数据的步骤之前，还包括：

获取企业的完整税务数据；

基于所述完整税务数据，进行构建税务数据预测模型。

可选地，所述基于所述完整税务数据，进行构建税务数据预测模型的步骤包括：

将所述完整税务数据输入至预设的线性回归模型，得到所述线性回归模型输出的中间结果；

基于预设的损失函数，确定所述中间结果对应的梯度信息；

基于所述梯度信息优化所述线性回归模型，以构建税务数据预测模型。

此外，为实现上述目的，本发明还提供一种企业授信模型的构建装置，所述企业授信模型的构建装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的企业授信模型的构建程序，所述企业授信模型的构建程序被所述处理器执行时实现如上述的企业授信模型的构建方法的步骤。

此外，为实现上述目的，本发明还提供一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有企业授信模型的构建程序，所述企业授信模型的构建程序被处理器执行时实现如上述的企业授信模型的构建方法的步骤。

本发明通过获取企业的不完整税务数据，并确定所述不完整税务数据对应的衍生数据；将所述不完整税务数据输入至预先构建的税务数据预测模型，得到所述不完整税务数据对应的缺失数据；基于所述不完整税务数据、所述不完整税务数据对应的缺失数据以及所述不完整税务数据对应的衍生数据，进行构建企业授信模型，以在构建所述企业授信模型完成后，基于所述企业授信模型进行预测目标客户的信用风险。本实施例中通过构建企业授信模型，从而可以通过不完整税务数据、不完整税务数据对应的缺失数据以及不完整税务数据对应的衍生数据进行构建企业授信模型，从而使得企业授信模型可以利用企业的不完整税务数据进行预测企业的信用风险，解决了现有的基于完整税务数据的信用评分技术不能对缺失的税务数据即不完整的税务数据进行预测的技术问题。

附图说明

图1是本发明实施例方案涉及的硬件运行环境的企业授信模型的构建装置结构示意图；

图2为本发明企业授信模型的构建方法第一实施例的流程示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

如图1所示，图1是本发明实施例方案涉及的硬件运行环境的企业授信模型的构建装置结构示意图。

本发明实施例企业授信模型的构建装置可以是pc，也可以是智能手机、平板电脑、电子书阅读器、mp3(movingpictureexpertsgroupaudiolayeriii，动态影像专家压缩标准音频层面3)播放器、mp4(movingpictureexpertsgroupaudiolayeriv，动态影像专家压缩标准音频层面4)播放器、便携计算机等具有显示功能的可移动式终端设备。

如图1所示，该企业授信模型的构建装置可以包括：处理器1001，例如cpu，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如wi-fi接口)。存储器1005可以是高速ram存储器，也可以是稳定的存储器(non-volatilememory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

可选地，企业授信模型的构建装置还可以包括摄像头、rf(radiofrequency，射频)电路，传感器、音频电路、wifi模块等等。其中，传感器比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示屏的亮度，接近传感器可在企业授信模型的构建装置移动到耳边时，关闭显示屏和/或背光。作为运动传感器的一种，重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别企业授信模型的构建装置姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；当然，企业授信模型的构建装置还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。

本领域技术人员可以理解，图1中示出的企业授信模型的构建装置结构并不构成对企业授信模型的构建装置的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及企业授信模型的构建程序。

在图1所示的企业授信模型的构建装置中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的企业授信模型的构建程序。

在本实施例中，企业授信模型的构建装置包括：存储器1005、处理器1001及存储在所述存储器1005上并可在所述处理器1001上运行的企业授信模型的构建程序，其中，处理器1001调用存储器1005中存储的企业授信模型的构建程序时，并执行以下操作：

获取企业的不完整税务数据，并确定所述不完整税务数据对应的衍生数据；

将所述不完整税务数据输入至预先构建的税务数据预测模型，得到所述不完整税务数据对应的缺失数据；

基于所述不完整税务数据、所述不完整税务数据对应的缺失数据以及所述不完整税务数据对应的衍生数据，进行构建企业授信模型，以在构建所述企业授信模型完成后，基于所述企业授信模型进行预测目标客户的信用风险。

进一步地，处理器1001可以调用存储器1005中存储的企业授信模型的构建程序，还执行以下操作：

所述不完整税务数据包括企业基本信息、纳税信用数据、投资方信息、变更信息、税务违法信息、税务稽查信息、纳税数据、财务数据、发票数据以及个税数据。

进一步地，处理器1001可以调用存储器1005中存储的企业授信模型的构建程序，还执行以下操作：

基于所述变更信息对应的变更时间，确定所述变更信息对应的变更频率，将所述变更信息对应的变更频率作为所述变更信息的衍生数据；

基于预设的第一数据组合维度，对所述税务违法信息进行组合，确定所述税务违法信息对应的衍生数据，其中，所述第一数据组合维度包括违法类型、违法手段、处罚决定和违法生效期中的一种或几种；

基于预设的第二数据组合维度，对所述税务稽查信息进行组合，确定所述税务稽查信息对应的衍生数据，其中，所述第二数据组合维度包括税务违法类型、税务稽查时间、违法手段和处罚决定中的一种或几种。

进一步地，处理器1001可以调用存储器1005中存储的企业授信模型的构建程序，还执行以下操作：

基于所述纳税数据对应的纳税时间，确定所述纳税数据的绝对值；

基于所述纳税数据对应的纳税时间，确定所述纳税数据在各个季度对应的同比增长率和环比变换比率，以及所述纳税数据在各个月度对应的同比变换比率和环比变换比率；

基于所述纳税数据对应的纳税时间，确定所述纳税数据的零值率；

基于所述纳税数据，确定所述纳税数据中滞纳金的缴款次数和缴款金额。

进一步地，处理器1001可以调用存储器1005中存储的企业授信模型的构建程序，还执行以下操作：

根据所述财务数据的起止时间，分别确定所述财务数据对应的资产合计、负债合计、货币资金、应收账款、应付账款、营业收入、营业成本和利润总额；

通过杜邦分析法，确定各所述财务数据的财务比率；

其中，所述财务数据对应的衍生数据包括所述财务数据的资产合计、负债合计、货币资金、应收账款、应付账款、营业收入、营业成本、利润总额以及财务比率。

进一步地，处理器1001可以调用存储器1005中存储的企业授信模型的构建程序，还执行以下操作：

根据所述发票数据的起止时间，确定上游客户数、下游客户数、进项总金额和开票总金额；

根据所述发票数据的起止时间，确定所述发票数据的变化值，其中，所述发票数据的变化值包括所述上游客户数按月度的同比变换比率和环比变换比率、所述上游客户数按季度的同比变换比率和环比变换比率、所述下游客户数按月度的同比变换比率和环比变换比率、所述下游客户数按季度的同比变换比率和环比变换比率、所述进项总金额按月度的同比变换比率和环比变换比率、所述进项总金额按季度的同比变换比率和环比变换比率、所述开票总金额按月度的同比变换比率和环比变换比率，以及所述开票总金额按季度的同比变换比率和环比变换比率。

进一步地，处理器1001可以调用存储器1005中存储的企业授信模型的构建程序，还执行以下操作：

获取企业的完整税务数据；

基于所述完整税务数据，进行构建税务数据预测模型。

进一步地，处理器1001可以调用存储器1005中存储的企业授信模型的构建程序，还执行以下操作：

将所述完整税务数据输入至预设的线性回归模型，得到所述线性回归模型输出的中间结果；

基于预设的损失函数，确定所述中间结果对应的梯度信息；

基于所述梯度信息优化所述线性回归模型，以构建税务数据预测模型。

本发明还提供一种企业授信模型的构建方法，参照图2，图2为本发明企业授信模型的构建方法第一实施例的流程示意图。

在本实施例中，该企业授信模型的构建方法包括以下步骤：

步骤s10，获取企业的不完整税务数据，并确定所述不完整税务数据对应的衍生数据；

本发明提出的企业授信模型的构建方法目的在于构建企业授信模型，从而可以通过构建可以利用企业的不完整税务数据进行预测企业的信用风险，实际上，客户来自全国各地，不同地区的税务数据不完全一样，部分地区的税务数据存在较多的缺失内容，导致基于完整税务数据的信用评分技术不能对缺失的税务数据即不完整的税务数据进行预测，而本发明提出的企业授信模型的构建模型可以很好地解决基于完整税务数据的信用评分技术不能对缺失的税务数据即不完整的税务数据进行预测的技术问题，即可以利用企业的不完整税务数据进行预测企业的信用风险。

在本实施例中，不完整税务数据包括企业的企业基本信息、纳税信用数据、投资方信息、变更信息、税务违法信息、税务稽查信息、纳税数据、财务数据、发票数据以及个税数据。对企业授信模型进行构建的过程，先获取企业的不完整税务数据，并将不完整税务数据作为原始数据，根据一定的数学统计规则，对不完整税务数据进行统计或者分析，从而计算得到不完整税务数据对应的衍生数据，其中，衍生数据为以不完整数据为原始数据按照一定的数学统计规则进行计算得到的衍生数据。

步骤s20，将所述不完整税务数据输入至预先构建的税务数据预测模型，得到所述不完整税务数据对应的缺失数据；

在本实施例中，该税务数据预测模型为基于完整税务数据预先构建的机器学习模型，税务数据预测模型用于预测不完整税务数据对应的缺失数据，其中，不完整税务数据的缺失数据为税务数据中的申报征收信息。首先，预测不完整税务数据对应的缺失数据的过程，首先构建税务数据预测模型，在构建完成税务数据预测模型后，将不完整税务数据输入至构建完成的税务数据预测模型，使税务数据预测模型对不完整税务数据进行预测，以不完整税务数据其中缺失的数据，从而得到不完整税务数据对应的缺失数据。

进一步地，步骤s20之前，还包括：

步骤s21，获取企业的完整税务数据；

步骤s22，基于所述完整税务数据，进行构建税务数据预测模型。

在本实施例中，完整税务数据包括企业的企业基本信息、纳税信用数据、投资方信息、变更信息、税务违法信息、税务稽查信息、纳税数据、财务数据、发票数据、个税数据以及申报征收信息。需要说明的是，不完整税务数据相比完整税务数据而言，缺少申报征收信息，同时财报数据中也有部分科目的数据缺失。构建税务数据预测模型的过程，首先获取企业的完整税务数据，并将完整税务数据作为预设的机器学习模型的训练样本；将完整税务数据输入至该机器学习模型，以对该机器学习模型进行训练；在基于完整税务数据训练完整该机器学习模型后，得到税务数据预测模型。其中，机器学习模型为线性回归模型，该完整税务数据与前述的不完整税务数据相对应，即完整税务数据的样本与前述的不完整税务数据的样本是对齐的。

进一步地，所述基于所述完整税务数据，进行构建税务数据预测模型的步骤包括：

步骤s21，将所述完整税务数据输入至预设的线性回归模型，得到所述线性回归模型输出的中间结果；

步骤s22，基于预设的损失函数，确定所述中间结果对应的梯度信息；

步骤s23，基于所述梯度信息优化所述线性回归模型，以构建税务数据预测模型。

在本实施例中，构建税务数据预测模型的过程，首先获取企业的完整税务数据，其中，完整税务数据包括企业的企业基本信息、纳税信用数据、投资方信息、变更信息、税务违法信息、税务稽查信息、纳税数据、财务数据、发票数据、个税数据以及申报征收信息。之后，将完整税务数据作为预设的线性回归模型的训练样本；将完整税务数据输入至该线性回归模型，以对该线性回归模型进行训练。具体地，将完整税务数据中的企业基本信息、纳税信用数据、投资方信息、变更信息、税务违法信息、税务稽查信息、纳税数据、财务数据、发票数据和个税数据输入至预设的线性回归模型，线性回归模型基于完整税务数据进行计算后输出中间结果；线性回归模型基于完整税务数据计算得到中间结果后，根据预设的损失函数，将中间结果和完整税务数据对应的申报征收信息输入至该损失函数中，以使损失函数根据中间结果和完整税务数据对应的申报征收信息计算中间结果对应的梯度信息。之后，在根据梯度信息对线性回归模型进行优化，并且在优化该线性回归模型后得到税务数据预测模型。

步骤s30，基于所述不完整税务数据对应的缺失数据以及所述不完整税务数据对应的衍生数据，进行构建企业授信模型，以在构建所述企业授信模型完成后，基于所述企业授信模型进行预测目标客户的信用风险。

其中，企业授信模型为一种将企业信用风险的大小量化为评分的数理统计模型。

在本实施例中，得到不完整税务数据对应的缺失数据和不完整税务数据的衍生数据之后，将不完整税务数据、不完整数据对应的缺失数据以及衍生数据输入至预设的逻辑回归模型中，以基于不完整税务数据、不完整数据对应的缺失数据和衍生数据对该逻辑回归模型进行训练和优化；在训练完成逻辑回归模型后，得到训练完成逻辑回归模型对应的企业授信模型。可以理解的是，逻辑回归模型能很好地处理二元分类的问题，在预测是否发生违约风险这样的二元分类场景有着较好的效果。本发明将不完整的税务数据按上述方案进行加工，然后在适用于小微企业的样本(不完整税务数据)上，利用逻辑回归的方式，构建了企业授信模型，以用于预测客户的违约风险，其中，违约风险也称信用风险。

由于企业授信模型是基于不完整税务数据、不完整数据对应的缺失数据以及衍生数据进行构建的，因此企业授信模型可以根据不完整税务数据进行预测该不完整数据对应的客户的信用风险。具体地，获取不完整的待评估税务数据，将该待评估税务数据输入至企业授信模型，以使企业授信模型对待评估税务数据进行预测，得到待评估数据对应的评估结果，该评估结果则为该待评估税务数据对应的目标企业的信用风险结果。其中，企业授信模型输入的评估结果即信用风险可以以是否发生违约风险进行体现。

进一步地，所述确定所述不完整税务数据对应的衍生数据的步骤包括：

步骤s101，基于所述变更信息对应的变更时间，确定所述变更信息对应的变更频率，将所述变更信息对应的变更频率作为所述变更信息的衍生数据；

步骤s102，基于预设的第一数据组合维度，对所述税务违法信息进行组合，确定所述税务违法信息对应的衍生数据，其中，所述第一数据组合维度包括违法类型、违法手段、处罚决定和违法生效期中的一种或几种；

步骤s103，基于预设的第二数据组合维度，对所述税务稽查信息进行组合，确定所述税务稽查信息对应的衍生数据，其中，所述第二数据组合维度包括税务违法类型、税务稽查时间、违法手段和处罚决定中的一种或几种。

在本实施例中，不完整税务数据包括变更信息，变更信息包括法人变更信息、高管变更信息和联系人变更信息。对于不完整税务数据中的变更信息，计算变更信息对应的衍生数据具体为：基于各个变更信息对应的变更时间，计算各个变更信息对应的变更频率。具体地，基于法人变更信息对应的变更时间，计算法人变更信息对应的变更频率；基于高管变更信息对应的变更时间，计算高管变更信息对应的变更频率；基于联系人变更信息对应的变更时间，计算联系人变更信息对应的变更频率。

不完整税务数据包括税务违法信息。对于不完整税务数据中的税务违法信息，计算税务违法信息对应的衍生数据具体为：通过穷举法，从违法类型、违法手段、处罚决定和违法生效期中的一种或几种数据组合维度，衍生出不同的税务违法信息组合，从而得到税务违法信息对应的衍生数据。其中，税务违法信息对应的衍生数据为不同的第一数据组合维度对应的税务违法信息组合。

不完整税务数据包括税务稽查信息。对于不完整税务数据中的税务稽查信息，计算税务稽查信息对应的衍生数据具体为：通过穷举法，从税务违法类型、税务稽查时间、违法手段和处罚决定中的一种或几种数据组合维度，衍生出不同的税务稽查信息组合，从而得到税务稽查信息对应的衍生数据。其中，税务稽查信息对应的衍生数据为不同的第二数据组合维度对应的税务稽查信息组合。

进一步地，所述纳税数据对应的衍生数据包括所述纳税数据的绝对值、在各个季度对应的同比增长率和环比变换比率、在各个月度对应的同比变换比率和环比变换比率、零值率、滞纳金的缴款次数以及滞纳金的缴款金额；所述确定所述不完整税务数据对应的衍生数据的步骤包括：

步骤s111，基于所述纳税数据对应的第一纳税时间，确定所述纳税数据的绝对值；

步骤s112，基于所述纳税数据对应的第二纳税时间，确定所述纳税数据在各个季度对应的同比增长率和环比变换比率，以及所述纳税数据在各个月度对应的同比变换比率和环比变换比率；

步骤s113，基于所述纳税数据对应的第三纳税时间，确定所述纳税数据的零值率；

步骤s114，基于所述纳税数据，确定所述纳税数据中滞纳金的缴款次数和缴款金额。

在本实施例中，不完整税务数据包括纳税数据，纳税数据对应的衍生数据包括纳税数据的绝对值、季度的同比增长率和环比变换比率、月度的同比变换比率和环比变换比率、零值率、滞纳金的缴款次数以及滞纳金的缴款金额。对于不完整税务数据中的纳税数据的绝对值，计算纳税数据的绝对值具体包括：根据第一纳税时间，从应纳税额、已纳税总额、增值税纳税总额、营业税纳税总额、消费税纳税总额、企业所得税纳税总额、个人所得税纳税总额进行不同时间长度的汇总统计，得到纳税数据的绝对值。其中，纳税数据的绝对值包括第一时间长度的应纳税额的汇总、第二时间长度的已纳税总额的汇总、第三时间长度的增值税纳税总额的汇总、第四时间长度的营业税纳税总额的汇总、第五时间长度的消费税纳税总额的汇总、第六时间长度的企业所得税纳税总额的汇总以及第七时间长度的个人所得税纳税总额的汇总。

对于不完整税务数据中的纳税数据的季度的同比增长率和环比变换比率的计算，具体地：在纳税数据对应的第二纳税时间内，统计各个不同的纳税数据的预设统计指标的季度的同比增长率和环比变换比率。对于不完整税务数据中的纳税数据的月度的同比增长率和环比变换比率的计算，具体地：在纳税数据对应的第二纳税时间内，统计纳税数据对应的预设统计指标的月度的同比增长率和环比变换比率。其中，预设统计指标包括第一纳税时间，从应纳税额、已纳税总额、增值税纳税总额、营业税纳税总额、消费税纳税总额、企业所得税纳税总额和个人所得税纳税总额。

对于不完整税务数据中的纳税数据的零值率，计算纳税数据的零值率具体为：在纳税数据对应的第三纳税时间内，进行统计应纳税额的纳税额为0的次数、已纳税总额的纳税额为0的次数、增值税纳税总额的纳税额为0的次数、营业税纳税总额的纳税额为0的次数、消费税纳税总额的纳税额为0的次数、企业所得税纳税总额的纳税额为0的次数以及个人所得税纳税总额的纳税额为0的次数。其中，纳税数据的零值率包括应纳税额的纳税额为0的次数、已纳税总额的纳税额为0的次数、增值税纳税总额的纳税额为0的次数、营业税纳税总额的纳税额为0的次数、消费税纳税总额的纳税额为0的次数、企业所得税纳税总额的纳税额为0的次数以及个人所得税纳税总额的纳税额为0的次数。

进一步地，所述确定所述不完整税务数据对应的衍生数据的步骤包括：

步骤s121，根据所述财务数据的起止时间，分别确定所述财务数据对应的资产合计、负债合计、货币资金、应收账款、应付账款、营业收入、营业成本和利润总额；

步骤s122，通过杜邦分析法，确定各所述财务数据的财务比率；

其中，所述财务数据对应的衍生数据包括所述财务数据的资产合计、负债合计、货币资金、应收账款、应付账款、营业收入、营业成本、利润总额以及财务比率。

在本实施例中，不完整税务数据包括财务数据，根据财务数据所属日期的起止时间，分别计算财务数据在起止时间对应的时间区间内的资产合计、负债合计、货币资金、应收账款、应付账款、营业收入、营业成本和利润总额。通过杜邦分析法，计算各类财务数据的财务比率。

进一步地，所述确定所述不完整税务数据对应的衍生数据的步骤包括：

步骤s131，根据所述发票数据的起止时间，确定上游客户数、下游客户数、进项总金额和开票总金额；

步骤s132，根据所述发票数据的起止时间，确定所述发票数据的变化值，其中，所述发票数据的变化值包括所述上游客户数按月度的同比变换比率和环比变换比率、所述上游客户数按季度的同比变换比率和环比变换比率、所述下游客户数按月度的同比变换比率和环比变换比率、所述下游客户数按季度的同比变换比率和环比变换比率、所述进项总金额按月度的同比变换比率和环比变换比率、所述进项总金额按季度的同比变换比率和环比变换比率、所述开票总金额按月度的同比变换比率和环比变换比率，以及所述开票总金额按季度的同比变换比率和环比变换比率。

在本实施例中，不完整税务数据包括发票数据，根据发票数据所属日期的起止时间，分别计算上游客户数、下游客户数、进项总金额和开票总金额；以及根据发票数据所属的起止时间，计算发票数据的变化值，具体地：根据发票数据所属的起止时间，统计上游客户数、下游客户数、进项总金额和开票总金额按月、按季度的同比与环比变换比率。

本实施例提出的企业授信模型的构建方法，通过获取企业的不完整税务数据，并确定所述不完整税务数据对应的衍生数据；将所述不完整税务数据输入至预先构建的税务数据预测模型，得到所述不完整税务数据对应的缺失数据；基于所述不完整税务数据、所述不完整税务数据对应的缺失数据以及所述不完整税务数据对应的衍生数据，进行构建企业授信模型，以在构建所述企业授信模型完成后，基于所述企业授信模型进行预测目标客户的信用风险。本实施例中通过构建企业授信模型，从而可以通过不完整税务数据、不完整税务数据对应的缺失数据以及不完整税务数据对应的衍生数据进行构建企业授信模型，从而使得企业授信模型可以利用企业的不完整税务数据进行预测企业的信用风险，解决了现有的基于完整税务数据的信用评分技术不能对缺失的税务数据即不完整的税务数据进行预测的技术问题。

此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有企业授信模型的构建程序，所述企业授信模型的构建程序被处理器执行时实现如上述中任一项所述的企业授信模型的构建方法的步骤。

本发明计算机可读存储介质具体实施例与上述企业授信模型的构建方法的各实施例基本相同，在此不再详细赘述。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。