企业信用风险评估方法和装置与流程

本发明实施例涉及数据处理技术领域，尤其涉及一种企业信用风险评估方法和装置。

背景技术：

随着日趋激烈的市场竞争，企业以赊销方式销售产品这种建立在信用经济基础上的交易方式已经在世界范围内的很多领域成为企业销售的主要形式。而随之而来的就是企业的信用风险。企业的信用风险是以信用方式销售产品或提供服务的企业必须面临的，其是客户有可能无法全额支付贷款，或者是原有承诺的时间之后才能支付贷款给授信企业或银行所带来的风险。

目前银行对受信企业的风险评估方法主要为内评法及人工判断方法。内评法是对一系列的风险指标设定相应权重及分值，并通过打分卡方式进行综合计分评判方法。人工判断方法是对受信企业的尽职调查报告中提供的企业经营相关因素进行综合评判，进而判断企业信用风险的方法。

由于以上两种方法均涉及对受信企业的各个经营、风险要素的综合评判，所以受信企业研发了一整套的相关指标美化方法，以应对银行风控审核，导致传统的受信企业的信用风险评估方法的评估结果准确率较低。

技术实现要素：

本发明实施例提供一种企业信用风险评估方法，用以解决了受信企业研发一整套的相关指标美化方法，使传统的受信企业的信用风险评估方法的评估结果准确率较低的技术问题。

本发明实施例提供一种企业信用风险评估方法，包括：

从拟受信企业的调查资料中提取多个异常指标，从所述拟受信企业的调查资料中提取的异常指标为第一异常指标；

将所述第一异常指标与预先构建的指示案例库中的每个案例中的第二异常指标进行匹配计算，获取匹配度大于预设匹配度的案例，所述匹配度大于预设匹配度的案例为匹配案例；

确定所述匹配案例中相匹配的每个第二异常指标对应的权重；

计算所述匹配案例中相匹配的每个第二异常指标对应的权重和，并将所述权重和与预设权重阈值进行比较；

若所述权重和大于所述预设权重阈值，则确定所述拟受信企业为高违约风险的受信企业。

本发明实施例提供一种企业信用风险评估装置，包括：

提取模块，用于从拟受信企业的调查资料中提取多个异常指标，从所述拟受信企业的调查资料中提取的异常指标为第一异常指标；

计算模块，用于将所述第一异常指标与预先构建的指示案例库中的每个案例中的第二异常指标进行匹配计算，获取匹配度大于预设匹配度的案例，所述匹配度大于预设匹配度的案例为匹配案例；

确定模块，用于确定所述匹配案例中相匹配的每个第二异常指标对应的权重；

所述计算模块，还用于计算所述匹配案例中相匹配的每个第二异常指标对应的权重和，并将所述权重和与预设权重阈值进行比较；

所述确定模块，还用于若所述权重和大于所述预设权重阈值，则确定所述拟受信企业为高违约风险的受信企业。

本发明实施例提供一种企业信用风险评估方法和装置，通过从拟受信企业的调查资料中提取多个异常指标，从拟受信企业的调查资料中提取的异常指标为第一异常指标；将第一异常指标与预先构建的指示案例库中的每个案例中的第二异常指标进行匹配计算，获取匹配度大于预设匹配度的案例，匹配度大于预设匹配度的案例为匹配案例；确定匹配案例中相匹配的每个第二异常指标对应的权重；计算匹配案例中相匹配的每个第二异常指标对应的权重和，并将权重和与预设权重阈值进行比较；若权重和大于预设权重阈值，则确定拟受信企业为高违约风险的受信企业。由于预先构建的指示案例库中具有多种已违约企业的异常指标，涵盖全面，不乏具有进行指标美化后的异常指标，所以不仅适用于正常拟受信企业的风险评估，也适用于进行指标美化的拟受信企业的风险评估，并提高了风险评估结果的准确率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明企业信用风险评估方法实施例一的流程图；

图2为本发明企业信用风险评估方法实施例二的流程图；

图3为本发明实施例二中步骤203的流程图；

图4为本发明企业信用风险评估装置实施例一的结构示意图；

图5为本发明企业信用风险评估装置实施例二的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。

图1为本发明企业信用风险评估方法实施例一的流程图，如图1所示，本实施例的执行主体为企业信用风险评估装置，该企业信用风险评估装置可以位于本地终端的应用，或者还可以为位于本地终端的应用中的插件或软件开发工具包(Software Development Kit，SDK)等功能单元，本发明实施例对此不进行特别限定。

可以理解的是，应用可以是安装在终端上的应用程序(nativeApp)，或者还可以是终端上的浏览器的一个网页程序(webApp)，本发明实施例对此不进行限定。终端具体可以为计算机、笔记本电脑或服务器等。

则本实施例提供的企业信用风险评估方法包括以下几个步骤。

步骤101，从拟受信企业的调查资料中提取多个异常指标，从拟受信企业的调查资料中提取的异常指标为第一异常指标。

其中，拟受信企业为贷前环节进行信用风险评估的企业。在拟受信企业的调查资料中包括各部门对受信企业的客观情况进行调查的结果。该调查资料中可以包括该拟受信企业的公司结构、融资情况、对外投资情况、财务情况、营运资本情况、销售情况等。

本实施例中，可根据异常指标识别模型从拟受信企业的调查资料中提取多个异常指标。从拟受信企业的调查资料中提取的异常指标为第一异常指标。第一异常指标可以为量化型异常指标、定性异常指标或聚类型异常指标。

在异常指标识别模型中存储了提取量化型异常指标和聚类型异常指标的提取策略，按照提取策略对第一异常指标进行提取。

步骤102，将第一异常指标与预先构建的指示案例库中的每个案例中的第二异常指标进行匹配计算，获取匹配度大于预设匹配度的案例，匹配度大于预设匹配度的案例为匹配案例。

本实施例中，在预先构建的指示案例库中包括预设数量的已违约企业对应的异常指标，每个已违约企业对应的异常指标为第二异常指标。每个已违约企业对应的第二异常指标可以为多个。由每个已违约企业对应的第二异常指标构成指示案例库中的一个案例。根据每个已违约企业的高风险的内容不同，第二异常指标的内容及个数也不尽相同。

本实施例中，可通过受信企业的后续的贷款过程中是否发生违约事件确定该受信企业是否为已违约企业。

具体地，本实施例中，可将每个第一异常指标分别与预先构建的指示案例库中的每个案例中的第二异常指标进行匹配计算，确定与每个案例的匹配度，将与每个案例的匹配度进行排序，获取匹配度大于预设匹配度的案例。本实施例中，预设匹配度的数值可以为80％，也可以为85％，或者其他适宜的数值，本实施例中对此不作限定。

其中，将匹配度大于预设匹配度的案例为匹配案例。本实施例中，可根据第一异常指标与每个案例的第二异常指标匹配计算的匹配度的大小，匹配案例可以为一个，也可以为多个。也可预先对指示案例库中第二异常指标极为相似，重合度较高的案例进行归并，此时匹配案例为一个。

步骤103，确定匹配案例中相匹配的每个第二异常指标对应的权重。

具体地，本实施例中，预先存储了指示案例库的每个第二异常指标对应的权重，若第一异常指标与某一案例中的第二异常指标相匹配，则根据预先存储的第二异常指标对应的权重查找到与第二异常指标相匹配的第一异常指标对应的权重。

其中，在预先存储的第二异常指标对应的权重的设定方式可根据第二异常指标与已违约企业的违约事件的关联度进行设定，也可对第二异常指标在预设数量的已违约企业的尽职调查报告中出现的频次进行统计，根据出现的频次设定第二异常指标对应的权重，或者采用其他方式，本实施例中不做限定。

步骤104，计算匹配案例中相匹配的每个第二异常指标对应的权重和，并将权重和与预设权重阈值进行比较。

其中，可先计算指示案例库中每个案例的所有第二异常指标对应的权重之和，针对每个案例均预设一个权重阈值，将计算出的匹配案例中相匹配的每个第二异常指标对应的权重和与对应的预设权重阈值进行比较，根据比较结果，判断拟受信企业的信用风险。也可根据指示案例库中所有案例的异常指标的权重情况，设定一个权重阈值，将计算出的匹配案例中相匹配的每个第二异常指标对应的权重和与该预设权重阈值进行比较，本实施例中对此不做限定。

步骤105，若权重和大于预设权重阈值，则确定拟受信企业为高违约风险的受信企业。

具体地，本实施例中，若权重和大于预设权重阈值，则说明拟受信企业的风险内容和风险高低均与该匹配案例相似，则确定拟受信企业为高违约风险的受信企业。

需要说明的是，若权重和不大于预设权重阈值，则说明拟受信企业的风险内容与匹配案子相似，但拟受信企业的信用风险的高低有待进一步地确定。

本实施例提供的企业信用风险评估方法，通过从拟受信企业的调查资料中提取多个异常指标，从拟受信企业的调查资料中提取的异常指标为第一异常指标；将第一异常指标与预先构建的指示案例库中的每个案例中的第二异常指标进行匹配计算，获取匹配度大于预设匹配度的案例，匹配度大于预设匹配度的案例为匹配案例；确定匹配案例中相匹配的每个第二异常指标对应的权重；计算匹配案例中相匹配的每个第二异常指标对应的权重和，并将权重和与预设权重阈值进行比较；若权重和大于预设权重阈值，则确定拟受信企业为高违约风险的受信企业。由于预先构建的指示案例库中具有多种已违约企业的异常指标，涵盖全面，不乏具有进行指标美化后的异常指标，所以不仅适用于正常拟受信企业的风险评估，也适用于进行指标美化的拟受信企业的风险评估，并提高了风险评估结果的准确率。

图2为本发明企业信用风险评估方法实施例二的流程图，如图2所示，本实施例提供的企业信用风险评估方法相较于实施例一，为一更为优选的实施例，则本实施例提供的企业信用风险评估方法包括以下步骤。

步骤201，判断是否存储有预先构建的指示案例库，若是，则执行步骤206，否则，则执行步骤202。

本实施例中，可将预先构建的指示案例库存储在预设存储区域或存储芯片中，在预设存储区域或存储芯片中查找是否具有预先构建的指示案例库。

步骤202，从预设数量的已违约企业的尽职调查报告中分别提取异常指标，从预设数量的已违约企业的尽职调查报告中提取的异常指标为第二异常指标。

进一步地，本实施例中，从预设数量的已违约企业的尽职调查报告中分别提取第二异常指标为以下异常指标的任意一种：量化型异常指标、定性异常指标、聚类型异常指标。在聚类型异常指标中包括形成异常指标的多个特征，只有同时具有这多个特征，才能构成聚类型异常指标。

本实施例中，在异常指标识别模型中存储了提取量化型异常指标、定性异常指标和聚类型异常指标的提取策略，按照提取策略对第二异常指标进行提取。

其中，在提取第二异常指标中的量化型异常指标时，将已违约企业的尽职调查报告与预先存储的每个量化型异常指标的提取策略中的提取规则进行对比，若满足提取规则，则从已违约企业的尽职调查报告中提取出对应的量化型指标。在提取定性异常指标时，根据定性指标的提取策略，接收用户收入的定性异常指标，提取定性异常指标。在提取第二异常指标中的聚类型异常指标时，根据每种聚类型指标的提取策略，查看有哪些特征需要由用户输入，哪些特征可自动提取，在需要用户输入时，可通过窗口或菜单的方式向用户显示，并接收用户通过窗口或菜单输入的特征，若需要自动提取时，也可根据量化型异常指标相似的提取方法进行提取。若同时具有聚类型异常指标的所有特征，则将聚类型异常指标从已违约企业的尽职调查报告中提取出来。

步骤203，对每个第二异常指标的权重进行设定。

进一步地，图3为本发明实施例二中步骤203的流程图，如图3所示，本实施例中，步骤203可分为以下几个步骤进行。

步骤203a，判断第二异常指标是否为预设异常指标，预设异常指标为罕见且重要的异常指标，若是，则执行步骤203b，否则，则执行步骤203c。

具体地，本实施例中，在预设数量的已违约企业的尽职调查报告中分别提取的第二异常指标中并不能保证涉及到所有行业的企业所存在的重要的异常指标，所以预先对罕见且重要的异常指标进行存储，并接收用户输入的对每个罕见且重要的异常指标设定的权重，在对每个罕见且重要的异常指标设定的权重时，异常指标越重要设定的权重越大。

进一步地，本实施例中，预设异常指标分别为以下异常指标的任意一种：量化型异常指标、定性异常指标、聚类型异常指标。

本实施例中，将罕见且重要的异常指标表示为预设异常指标。可通过一一对比的方式判断第二异常指标中是否具有预设异常指标，也可通过其他对比方法判断第二异常指标是否为预设异常指标。

步骤203b，根据预先存储的预设异常指标与权重的对应关系，确定第二异常指标的权重。

具体地，本实施例中，预先存储了用户输入的对每个罕见且重要的异常指标设定的权重，若第二异常指标为预设异常指标，则该第二异常指标的权重即为对应的预设异常指标的权重。

步骤203c，计算第二异常指标与已违约企业的违约事件的关联度，根据关联度设定第二异常指标对应的权重，或者，对第二异常指标的频次进行统计，根据频次设定第二异常指标对应的权重。

具体地，本实施例中，若第二异常指标不为预设异常指标，则采用回归法计算第二异常指标与已违约企业的违约事件的关联度，根据关联度设定第二异常指标对应的权重。即关联度越大，对应第二异常指标对应的权重越大，关联度越小，对应第二异常指标对应的权重越小。可预先将关联度和权重设置映射关系，根据该映射关系，确定该关联度对应的第二异常指标的权重。

或者，本实施例中，也可对预设数量的已违约企业的尽职调查报告中的第二异常指标的频次进行统计，根据频次设定第二异常指标对应的权重。

具体地，预先存储了第二异常指标的频次与权重的映射关系，在统计出每个第二异常指标的频次后，根据第二异常指标的频次与权重的映射关系，确定对应的权重。第二异常指标的频次越大，对应的权重越大，第二异常指标的频次越小，对应的权重越小。

表1：对每个第二异常指标的权重进行设定后的示意

表1为对每个第二异常指标的权重进行设定后的示意表，如表1所示，对聚类型异常指标1和聚类型异常指标2的权重设定分别为1.5，对量化型异常指标3、量化型异常指标4、量化型异常指标5的权重设定分别为0.3、0.7、0.4。

步骤204，对已违约企业对应的第二异常指标进行预处理，形成指示案例库。

其中，每个已违约企业对应的第二异常指标为指示案例库中的一个案例。

具体地，本实施中，可对已违约企业中第二异常指标个数过少的已违约企业的所有第二异常指标进行删除。也可将第二异常指标对应的权重之和过小的已违约企业的所有第二异常指标进行删除。还可以对第二异常指标极为相似、重合度较高的第二异常指标进行合并，形成一个案例。

步骤205，对构建的指示案例库进行存储，并将第二异常指标对应的权重进行存储。

本实施例中，可将第二异常指标的权重和第二异常指标进行关联性存储。

步骤206，从拟受信企业的调查资料中提取多个异常指标，从拟受信企业的调查资料中提取的异常指标为第一异常指标。

进一步地，第一异常指标分别为以下异常指标的任意一种：量化型异常指标、定性异常指标、聚类型异常指标。

步骤207，将第一异常指标与预先构建的指示案例库中的每个案例中的第二异常指标进行匹配计算，获取匹配度大于预设匹配度的案例，匹配度大于预设匹配度的案例为匹配案例。

步骤208，确定匹配案例中相匹配的每个第二异常指标对应的权重。

步骤209，计算匹配案例中相匹配的每个第二异常指标对应的权重和，并将权重和与预设权重阈值进行比较，若权重和大于预设权重阈值，则确定拟受信企业为高违约风险的受信企业。

本实施例中，步骤206-步骤209的实现方式和本发明实施例一中的步骤101-步骤105的实现方式相同，在此不再一一赘述。

需要说明的是，若权重和不大于预设权重阈值，则拟受信企业的信用风险有待进一步确定。

步骤210，根据预存储的第二异常指标和风险内容的对应关系，查找与第一异常指标相匹配的第二异常指标对应的风险内容；并输出与第一异常指标相匹配的第二异常指标对应的风险内容。

进一步地，本实施例中，可将指示案例库中每个第二异常指标和对应的风险内容进行关联性存储。也可如表1所示，将每个第二异常指标、对应的权重和对应的风险内容进行关联性存储，查找与第一异常指标相匹配的第二异常指标对应的风险内容，并通过显示屏输出该与第一异常指标相匹配的第二异常指标对应的风险内容。

其中，输出与第一异常指标相匹配的第二异常指标对应的风险内容的形式不做限定。

本实施例提供的企业信用风险评估方法，通过判断是否存储有预先构建的指示案例库，若否，则从预设数量的已违约企业的尽职调查报告中分别提取异常指标，从预设数量的已违约企业的尽职调查报告中提取的异常指标为第二异常指标，对每个第二异常指标的权重进行设定，对已违约企业对应的第二异常指标进行预处理，形成指示案例库，对构建的指示案例库进行存储，并将第二异常指标对应的权重进行存储，从拟受信企业的调查资料中提取多个异常指标，从拟受信企业的调查资料中提取的异常指标为第一异常指标，将第一异常指标与预先构建的指示案例库中的每个案例中的第二异常指标进行匹配计算，获取匹配度大于预设匹配度的案例，匹配度大于预设匹配度的案例为匹配案例，确定匹配案例中相匹配的每个第二异常指标对应的权重，计算匹配案例中相匹配的每个第二异常指标对应的权重和，并将权重和与预设权重阈值进行比较，若权重和大于预设权重阈值，则确定拟受信企业为高违约风险的受信企业，根据预存储的第二异常指标和风险内容的对应关系，查找与第一异常指标相匹配的第二异常指标对应的风险内容；并输出与第一异常指标相匹配的第二异常指标对应的风险内容，可在对拟受信企业的信用风险进行判断后，获取风险内容，提高了对进一步判断拟受信企业是否具有风险的指引性。

图4为本发明企业信用风险评估装置实施例一的结构示意图，如图4所示，本实施例提供的企业信用风险评估装置包括：提取模块41、计算模块42和确定模块43。

其中，提取模块41，用于从拟受信企业的调查资料中提取多个异常指标，从拟受信企业的调查资料中提取的异常指标为第一异常指标。计算模块42，用于将第一异常指标与预先构建的指示案例库中的每个案例中的第二异常指标进行匹配计算，获取匹配度大于预设匹配度的案例，匹配度大于预设匹配度的案例为匹配案例。确定模块43，用于确定匹配案例中相匹配的每个第二异常指标对应的权重。计算模块42，还用于计算匹配案例中相匹配的每个第二异常指标对应的权重和，并将权重和与预设权重阈值进行比较。确定模块43，还用于若权重和大于预设权重阈值，则确定拟受信企业为高违约风险的受信企业。

本实施例提供的装置可以执行图1所示方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。

图5为本发明企业信用风险评估装置实施例二的结构示意图；如图5所示，本实施例在本发明企业信用风险评估装置实施例一的基础上，还包括：设定模块51、预处理模块52、查找模块53和输出模块54。

进一步地，提取模块41，用于计算模块42将第一异常指标与预先构建的指示案例库中的每个案例中的第二异常指标进行匹配计算，获取匹配度大于预设匹配度的案例之前，从预设数量的已违约企业的尽职调查报告中分别提取异常指标，从预设数量的已违约企业的尽职调查报告中提取的异常指标为第二异常指标。设定模块51，用于对每个第二异常指标的权重进行设定。预处理模块52，用于对已违约企业对应的第二异常指标进行预处理，形成指示案例库，每个已违约企业对应的第二异常指标为指示案例库中的一个案例。

进一步地，查找模块53，用于确定模块确定拟受信企业为高风险的受信企业之后，根据预存储的第二异常指标和风险内容的对应关系，查找与第一异常指标相匹配的第二异常指标对应的风险内容。输出模块54，用于输出与第一异常指标相匹配的第二异常指标对应的风险内容。

进一步地，本实施例提供的企业信用风险评估装置中，第一异常指标、第二异常指标和预设异常指标分别为以下异常指标的任意一种：量化型异常指标、定性异常指标、聚类型异常指标。

本实施例提供的装置可以执行图2和图3所示方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。

本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。