CN109784633A - 企业风险评估的装置、方法及存储介质 - Google Patents
企业风险评估的装置、方法及存储介质 Download PDFInfo
- Publication number
- CN109784633A CN109784633A CN201811524816.9A CN201811524816A CN109784633A CN 109784633 A CN109784633 A CN 109784633A CN 201811524816 A CN201811524816 A CN 201811524816A CN 109784633 A CN109784633 A CN 109784633A
- Authority
- CN
- China
- Prior art keywords
- risk
- enterprise
- weight
- score value
- business
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012502 risk assessment Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 238000013210 evaluation model Methods 0.000 claims abstract description 62
- 238000012549 training Methods 0.000 claims description 35
- 238000012545 processing Methods 0.000 claims description 26
- 238000007689 inspection Methods 0.000 claims description 14
- 238000010801 machine learning Methods 0.000 claims description 7
- 238000007405 data analysis Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000007306 turnover Effects 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种数据分析技术，揭露了一种企业风险评估的装置、方法及存储介质，该方法包括获取企业所在地区的各个关键指标数据，获取该企业所在地区的各个关键指标数据对应的评分、权值，基于各个关键指标数据对应的评分、权值计算得到地区风险分值；在确定该企业的行业类型后，获取该行业类型对应的风险评估模型，分别获取该企业的资产表、利润表及负债表中的比率数据，将该比率数据输入该风险评估模型，获取该风险评估模型输出的企业风险分值；分别获取地区风险的权值及企业风险的权值，基于该地区风险分值、企业风险分值、地区风险的权值及企业风险的权值计算得到企业的风险指数。本发明能够对企业的风险指数做出全面、准确的综合评价。
Description
技术领域
本发明涉及数据分析技术领域，尤其涉及一种企业风险评估的装置、方法及存储介质。
背景技术
目前，企业风险涉及到企业的经营管理、资产配置、资金运用、利润分配、信息披露等方方面面，企业存在大的风险时会给企业、投资者、国家和集体造成了重大损失,也对证券市场造成了恶劣的负面影响。目前，对企业风险进行评估的方法有很多，对企业风险进行评估时采用不同的指标，例如，以企业财务状况为主要评估因素等，然而，这种评估方法考虑的因素单一、不全面，导致评估结果不准确。因此，亟待一种评估方法能够对企业的风险进行全面、准确的评估。
发明内容
本发明的目的在于提供一种企业风险评估的装置、方法及存储介质，旨在对企业的风险指数做出全面、准确的综合评价。
为实现上述目的，本发明提供一种企业风险评估的装置，所述企业风险评估的装置包括存储器及与所述存储器连接的处理器，所述存储器中存储有可在所述处理器上运行的处理系统，所述处理系统被所述处理器执行时实现如下步骤：
获取企业所在地区的各个关键指标数据，基于预设的关键指标数据分别与评分、权值的关系，获取该企业所在地区的各个关键指标数据对应的评分、权值，基于各个关键指标数据对应的评分、权值计算得到地区风险分值；
在确定该企业的行业类型后，获取预先训练得到该行业类型对应的风险评估模型，分别获取该企业的资产表、利润表及负债表中的比率数据，将该比率数据输入该风险评估模型，获取该风险评估模型输出的企业风险分值；
分别获取地区风险的权值及企业风险的权值，基于该地区风险分值、企业风险分值、地区风险的权值及企业风险的权值计算得到企业的风险指数。
优选地，所述基于各个关键指标数据对应的评分、权值计算得到地区风险分值的步骤，具体包括：
将各个关键指标数据对应的评分与对应权值相乘得到各个关键指标数据对应的分值，将同一类型的关键指标数据的分值进行累加，得到同一类型的关键指标数据对应的二级因素的分值；
将同一类型的二级因素的分值进行累加，得到同一类型的二级因素对应的一级因素的分值；
获取一级因素的权值，基于一级因素的分值及一级因素的权值计算得到地区风险分值，所述一级因素包括该企业所在地区的经济实力、财政实力、政府债务及地区信用环境。
优选地，所述风险评估模型的训练包括：
获取与该企业的行业类型相同的企业的比率数据，将一个企业的比率数据作为一个样本，将预设数量的样本作为输入并利用预定机器学习方法训练得到该风险评估模型，该风险评估模型包括各一级指标的权值、各一级指标下的二级指标的评分区间及各二级指标的权值，所述一级指标包括企业的资产质量、资本结构、盈利能力、现金流量、偿债能力及财务弹性。
优选地，所述处理系统被所述处理器执行时，还实现如下步骤：
将产生ST信息、信用违约信息及/或市值大幅下跌信息的企业标记为有风险企业，基于标记为有风险企业确定受试者工作特征曲线下对应的面积AUC的检验阈值；
计算该风险评估模型的受试者工作特征曲线，并计算该受试者工作特征曲线下对应的面积AUC；
若该受试者工作特征曲线下对应的面积AUC大于等于该检验阈值，则该风险评估模型为可应用的模型，否则，重新训练该风险评估模型。
为实现上述目的，本发明还提供一种企业风险评估的方法，所述企业风险评估的方法包括：
S1，获取企业所在地区的各个关键指标数据，基于预设的关键指标数据分别与评分、权值的关系，获取该企业所在地区的各个关键指标数据对应的评分、权值，基于各个关键指标数据对应的评分、权值计算得到地区风险分值；
S2，在确定该企业的行业类型后，获取预先训练得到该行业类型对应的风险评估模型，分别获取该企业的资产表、利润表及负债表中的比率数据，将该比率数据输入该风险评估模型，获取该风险评估模型输出的企业风险分值；
S3，分别获取地区风险的权值及企业风险的权值，基于该地区风险分值、企业风险分值、地区风险的权值及企业风险的权值计算得到企业的风险指数。
优选地，所述基于各个关键指标数据对应的评分、权值计算得到地区风险分值的步骤，具体包括：
将各个关键指标数据对应的评分与对应权值相乘得到各个关键指标数据对应的分值，将同一类型的关键指标数据的分值进行累加，得到同一类型的关键指标数据对应的二级因素的分值；
将同一类型的二级因素的分值进行累加，得到同一类型的二级因素对应的一级因素的分值；
获取一级因素的权值，基于一级因素的分值及一级因素的权值计算得到地区风险分值，所述一级因素包括该企业所在地区的经济实力、财政实力、政府债务及地区信用环境。
优选地，所述风险评估模型的训练包括：
获取与该企业的行业类型相同的企业的比率数据，将一个企业的比率数据作为一个样本，将预设数量的样本作为输入并利用预定机器学习方法训练得到该风险评估模型，该风险评估模型包括各一级指标的权值、各一级指标下的二级指标的评分区间及各二级指标的权值，所述一级指标包括企业的资产质量、资本结构、盈利能力、现金流量、偿债能力及财务弹性。
优选地，该方法还包括：
将产生ST信息、信用违约信息及/或市值大幅下跌信息的企业标记为有风险企业，基于标记为有风险企业确定受试者工作特征曲线下对应的面积AUC的检验阈值；
计算该风险评估模型的受试者工作特征曲线，并计算该受试者工作特征曲线下对应的面积AUC；
若该受试者工作特征曲线下对应的面积AUC大于等于该检验阈值，则该风险评估模型为可应用的模型，否则，重新训练该风险评估模型。
优选地，所述风险评估模型的训练进一步包括：
将所述比率数据转换成证据权重，获取企业的风险信息，将一个企业的转换为证据权重后的比率数据及风险信息作为一个样本，将预设数量的样本作为输入并利用预定机器学习方法训练得到该风险评估模型。
本发明还提供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处理系统，所述处理系统被处理器执行时实现上述的企业风险评估的方法的步骤。
本发明的有益效果是：本发明基于地区风险分值、企业风险分值构建企业风险指数的总体框架，其中，基于企业所在地区的各个关键指标数据对应的评分、权值计算得到地区风险分值，基于企业所在行业确定风险评估模型，通过将比率数据输入风险评估模型来得到企业风险分值，最终通过地区风险的权值及企业风险的权值计算得到企业的风险指数，从而通过企业本身的财务资产状况，并结合了地方的经济财务水平，对企业的风险指数做出全面、准确的综合评价。
附图说明
图1为本发明企业风险评估的装置一实施例的硬件架构的示意图；
图2为本发明企业风险评估的方法一实施例的流程示意图；
图3为图2所示基于各个关键指标数据对应的评分、权值计算得到地区风险分值的步骤的细化流程示意图；
图4为本发明企业风险指数的总体框架示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。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。
需要说明的是，在本发明中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其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至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
参阅图1所示，是本发明企业风险评估的装置一实施例的硬件架构的示意图。企业风险评估的装置1是一种能够按照事先设定或者存储的指令，自动进行数值计算和/或信息处理的设备。所述企业风险评估的装置1可以是计算机、也可以是单个网络服务器、多个网络服务器组成的服务器组或者基于云计算的由大量主机或者网络服务器构成的云，其中云计算是分布式计算的一种，由一群松散耦合的计算机集组成的一个超级虚拟计算机。
在本实施例中，企业风险评估的装置1可包括，但不仅限于，可通过系统总线相互通信连接的存储器11、处理器12、网络接口13，存储器11存储有可在处理器12上运行的处理系统。需要指出的是，图1仅示出了具有组件11-13的企业风险评估的装置1，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
其中，存储器11包括内存及至少一种类型的可读存储介质。内存为企业风险评估的装置1的运行提供缓存；可读存储介质可为如闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等的非易失性存储介质。在一些实施例中，可读存储介质可以是企业风险评估的装置1的内部存储单元，例如该企业风险评估的装置1的硬盘；在另一些实施例中，该非易失性存储介质也可以是企业风险评估的装置1的外部存储设备，例如企业风险评估的装置1上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。本实施例中，存储器11的可读存储介质通常用于存储安装于企业风险评估的装置1的操作系统和各类应用软件，例如存储本发明一实施例中的处理系统的程序代码等。此外，存储器11还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器12在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器12通常用于控制所述企业风险评估的装置1的总体操作，例如执行与其他设备进行数据交互或者通信相关的控制和处理等。本实施例中，所述处理器12用于运行所述存储器11中存储的程序代码或者处理数据，例如运行处理系统等。
所述网络接口13可包括无线网络接口或有线网络接口，该网络接口13通常用于在所述企业风险评估的装置1与其他电子设备之间建立通信连接。
所述处理系统存储在存储器11中，包括至少一个存储在存储器11中的计算机可读指令，该至少一个计算机可读指令可被处理器器12执行，以实现本申请各实施例的方法；以及，该至少一个计算机可读指令依据其各部分所实现的功能不同，可被划为不同的逻辑模块。
在一实施例中，上述处理系统被所述处理器12执行时实现如下步骤：
获取企业所在地区的各个关键指标数据，基于预设的关键指标数据分别与评分、权值的关系，获取该企业所在地区的各个关键指标数据对应的评分、权值，基于各个关键指标数据对应的评分、权值计算得到地区风险分值；
在确定该企业的行业类型后，获取预先训练得到该行业类型对应的风险评估模型，分别获取该企业的资产表、利润表及负债表中的比率数据，将该比率数据输入该风险评估模型，获取该风险评估模型输出的企业风险分值；
分别获取地区风险的权值及企业风险的权值，基于该地区风险分值、企业风险分值、地区风险的权值及企业风险的权值计算得到企业的风险指数。
进一步地，所述基于各个关键指标数据对应的评分、权值计算得到地区风险分值的步骤，具体包括：
将各个关键指标数据对应的评分与对应权值相乘得到各个关键指标数据对应的分值，将同一类型的关键指标数据的分值进行累加，得到同一类型的关键指标数据对应的二级因素的分值；
将同一类型的二级因素的分值进行累加，得到同一类型的二级因素对应的一级因素的分值；
获取一级因素的权值，基于一级因素的分值及一级因素的权值计算得到地区风险分值，所述一级因素包括该企业所在地区的经济实力、财政实力、政府债务及地区信用环境。
进一步地，所述风险评估模型的训练包括：
获取与该企业的行业类型相同的企业的比率数据，将一个企业的比率数据作为一个样本，将预设数量的样本作为输入并利用预定机器学习方法训练得到该风险评估模型，该风险评估模型包括各一级指标的权值、各一级指标下的二级指标的评分区间及各二级指标的权值，所述一级指标包括企业的资产质量、资本结构、盈利能力、现金流量、偿债能力及财务弹性。
进一步地，所述处理系统被所述处理器执行时，还实现如下步骤：
将产生ST信息、信用违约信息及/或市值大幅下跌信息的企业标记为有风险企业，基于标记为有风险企业确定受试者工作特征曲线下对应的面积AUC的检验阈值；
计算该风险评估模型的受试者工作特征曲线，并计算该受试者工作特征曲线下对应的面积AUC；
若该受试者工作特征曲线下对应的面积AUC大于等于该检验阈值，则该风险评估模型为可应用的模型，否则，重新训练该风险评估模型。
进一步地，所述风险评估模型的训练进一步包括：
将所述比率数据转换成证据权重，获取企业的风险信息，将一个企业的转换为证据权重后的比率数据及风险信息作为一个样本，将预设数量的样本作为输入并利用预定机器学习方法训练得到该风险评估模型。
本发明基于地区风险分值、企业风险分值构建企业风险指数的总体框架，其中，基于企业所在地区的各个关键指标数据对应的评分、权值计算得到地区风险分值，基于企业所在行业确定风险评估模型，通过将比率数据输入风险评估模型来得到企业风险分值，最终通过地区风险的权值及企业风险的权值计算得到企业的风险指数，从而通过企业本身的财务资产状况，并结合了地方的经济财务水平，对企业的风险指数做出全面、准确的综合评价。
如图2所示，图2为本发明企业风险评估的方法一实施例的流程示意图，该企业风险评估的方法包括以下步骤：
步骤S1，获取企业所在地区的各个关键指标数据，基于预设的关键指标数据分别与评分、权值的关系，获取该企业所在地区的各个关键指标数据对应的评分、权值，基于各个关键指标数据对应的评分、权值计算得到地区风险分值；
其中，计算地区风险分值时涉及各一级因素、各一级因素下的各二级因素及各二级因素下的关键指标数据。所述一级因素包括该企业所在地区的经济实力、财政实力、政府债务及地区信用环境。以一级因素经济实力为例，其二级因素包括：经济规模、发展规模及产业结构，以二级因素经济规模为例，其关键指标数据包括：地区生产总值、人均地区生产总值。如下表1所示，表1中给出了各一级因素下的各二级因素、各二级因素下的关键指标数据：
表1
其中，参考上述表1，如图3所示，基于各个关键指标数据对应的评分、权值计算得到地区风险分值的步骤，具体包括：
步骤S11，将各个关键指标数据对应的评分与对应权值相乘得到各个关键指标数据对应的分值，将同一类型的关键指标数据的分值进行累加，得到同一类型的关键指标数据对应的二级因素的分值；
步骤S12，将同一类型的二级因素的分值进行累加，得到同一类型的二级因素对应的一级因素的分值；
步骤S13，获取一级因素的权值，基于一级因素的分值及一级因素的权值计算得到地区风险分值。
例如，某企业所在地区的地区生产总值为1000亿元，其对应的评分为1.5，且其权值为45％，那么计算地区生产总值的分值＝1.5*45％＝0.675，以此类推，计算人均地区生产总值的分值。将关键指标数据地区生产总值、人均地区生产总值的分值相加得到二级因素经济规模的分值，以此类推，计算发展速度、产业结构的分值，将二级因素经济规模、发展速度及产业结构的分值相加得到一级因素经济实力的分值。
其中，一级因素经济实力、财政实力、政府债务、地区信用环境的权值依次对应为35％、45％、10％、10％，计算地区风险分值＝经济实力*35％+财政实力*45％+政府债务*10％+地区信用环境*10％。
步骤S2，在确定该企业的行业类型后，获取预先训练得到该行业类型对应的风险评估模型，分别获取该企业的资产表、利润表及负债表中的比率数据，将该比率数据输入该风险评估模型，获取该风险评估模型输出的企业风险分值；
其中，所述风险评估模型的训练包括：获取与该企业的行业类型相同的企业的比率数据，将一个企业的比率数据作为一个样本，将预设数量的样本作为输入并利用预定机器学习方法训练得到该风险评估模型，该风险评估模型包括各一级指标的权值、各一级指标下的二级指标(即比率数据)的评分区间及各二级指标的权值，所述一级指标包括企业的资产质量、资本结构、盈利能力、现金流量、偿债能力及财务弹性。预定机器学习方法可以是逻辑回归算法、SVM算法等。比率数据较多，包括总资产报酬率、总资产周转率、总资产增长率、长期资产适合率、存货周转率、应收账款周转率等等，在此不一一举例。
以信息技术行业为例，其风险评估模型包括的各一级指标的权值、各一级指标下的二级指标的评分区间及各二级指标的权值如下表2所示：
表2
其中，不同行业的比率数据均可参考表2中的比率数据，但不同行业的风险评估模型的比率数据有所差别。在确定企业所在的行业对应的风险评估模型后，从企业的资产表、利润表及负债表中获取比率数据，直接输入至该风险评估模型即可得到输出的企业风险分值。
以信息技术行业为例，某企业的比率数据“总资产报酬率”，其处于(0.16，0.34]之间，则评分为3.5分，“总资产报酬率”的分值＝3.5*16％＝0.56，以此类推，计算其他比率数据的分值，然后将6个比率数据的分值相加得到一级指标“资产质量”的分值。
在信息技术行业，一级指标资产质量、资本结构、盈利能力、现金流量、偿债能力及财务弹性的权值依次对应为52％、6％、14％、9％、14％、5％，计算企业风险分值＝资产质量*5％+资本结构*11％+盈余能力*62％+现金流量*15％+偿债能力*4％+财务弹性*2％。
在一实施例中，可以对不同行业的风险评估模型的可应用性进行评估，以得到较优的风险评估模型，该方法还包括：
将产生ST信息、信用违约信息及/或市值大幅下跌信息(主要的市场风险，根据KVM原理，市值大幅下跌会导致违约距离变小)的企业标记为有风险企业，基于标记为有风险企业确定受试者工作特征曲线下对应的面积AUC的检验阈值，其中，该检验阈值优选为0.76；计算该风险评估模型的受试者工作特征曲线，并计算该受试者工作特征曲线下对应的面积AUC；若该受试者工作特征曲线下对应的面积AUC大于等于该检验阈值，则该风险评估模型为可应用的模型，若小于该检验阈值，则重新训练该风险评估模型。
在一实施例中，一方面，风险评估模型中的权值的确定缺少可参考的准则或者参考来源。可通过加入风险信息(信用风险和市场风险信息)作为标记，通过机器学习的方法训练得到合理的权值；另一方面，由于某些比率数据并非越高或者越低就越好，并不能简单概括成正向或反向指标，因此，比率数据可以转换成WOE(weight of evidence，证据权重)的方式训练得到权重，消除量纲，风险评估模型的效果更好。
通过加入风险信息及比率数据及将比率数据转换成WOE方式后，改进后的风险评估模型的训练包括：
获取企业的比率数据、风险信息；
按照不同的行业，标注企业的违约情况；
比率数据预处理，包括去除异常值、处理缺失值、数据规约、标准化等；
将比率数据转换成WOE值，并基于WOE值计算IV值(信息价值)，通过IV值(信息价值)和PCA主成分分析方法去除冗余数据；
在同一行业中，划分训练样本和测试样本(4:1)；
采用逻辑逐步回归对训练样本进行训练，利用训练好的逻辑逐步回归模型预测测试样本；
检验测试样本的输出结果，得到风险评估模型。
步骤S3，分别获取地区风险的权值及企业风险的权值，基于该地区风险分值、企业风险分值、地区风险的权值及企业风险的权值计算得到企业的风险指数。
其中，如图4所示，图4为本发明企业风险指数的总体框架示意图，地区风险的权值为30％，企业风险的权值为70％，企业风险指数＝地区风险分值*30％+企业风险分值*70％。
与现有技术相比，本发明基于地区风险分值、企业风险分值构建企业风险指数的总体框架，其中，基于企业所在地区的各个关键指标数据对应的评分、权值计算得到地区风险分值，基于企业所在行业确定风险评估模型，通过将比率数据输入风险评估模型来得到企业风险分值，最终通过地区风险的权值及企业风险的权值计算得到企业的风险指数，从而通过企业本身的财务资产状况，并结合了地方的经济财务水平，对企业的风险指数做出全面、准确的综合评价。
本发明还提供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处理系统，所述处理系统被处理器执行时实现上述的企业风险评估的方法的步骤。
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。
Claims (10)
1.一种企业风险评估的装置，其特征在于，所述企业风险评估的装置包括存储器及与所述存储器连接的处理器，所述存储器中存储有可在所述处理器上运行的处理系统，所述处理系统被所述处理器执行时实现如下步骤：
获取企业所在地区的各个关键指标数据，基于预设的关键指标数据分别与评分、权值的关系，获取该企业所在地区的各个关键指标数据对应的评分、权值，基于各个关键指标数据对应的评分、权值计算得到地区风险分值；
在确定该企业的行业类型后，获取预先训练得到该行业类型对应的风险评估模型，分别获取该企业的资产表、利润表及负债表中的比率数据，将该比率数据输入该风险评估模型，获取该风险评估模型输出的企业风险分值；
分别获取地区风险的权值及企业风险的权值，基于该地区风险分值、企业风险分值、地区风险的权值及企业风险的权值计算得到企业的风险指数。
2.根据权利要求1所述的企业风险评估的装置，其特征在于，所述基于各个关键指标数据对应的评分、权值计算得到地区风险分值的步骤，具体包括：
将各个关键指标数据对应的评分与对应权值相乘得到各个关键指标数据对应的分值，将同一类型的关键指标数据的分值进行累加，得到同一类型的关键指标数据对应的二级因素的分值；
将同一类型的二级因素的分值进行累加，得到同一类型的二级因素对应的一级因素的分值；
获取一级因素的权值，基于一级因素的分值及一级因素的权值计算得到地区风险分值，所述一级因素包括该企业所在地区的经济实力、财政实力、政府债务及地区信用环境。
3.根据权利要求1或2所述的企业风险评估的装置，其特征在于，所述风险评估模型的训练包括：
获取与该企业的行业类型相同的企业的比率数据，将一个企业的比率数据作为一个样本，将预设数量的样本作为输入并利用预定机器学习方法训练得到该风险评估模型，该风险评估模型包括各一级指标的权值、各一级指标下的二级指标的评分区间及各二级指标的权值，所述一级指标包括企业的资产质量、资本结构、盈利能力、现金流量、偿债能力及财务弹性。
4.根据权利要求3所述的企业风险评估的装置，其特征在于，所述处理系统被所述处理器执行时，还实现如下步骤：
将产生ST信息、信用违约信息及/或市值大幅下跌信息的企业标记为有风险企业，基于标记为有风险企业确定受试者工作特征曲线下对应的面积AUC的检验阈值；
计算该风险评估模型的受试者工作特征曲线，并计算该受试者工作特征曲线下对应的面积AUC；
若该受试者工作特征曲线下对应的面积AUC大于等于该检验阈值，则该风险评估模型为可应用的模型，否则，重新训练该风险评估模型。
5.一种企业风险评估的方法，其特征在于，所述企业风险评估的方法包括：
S1，获取企业所在地区的各个关键指标数据，基于预设的关键指标数据分别与评分、权值的关系，获取该企业所在地区的各个关键指标数据对应的评分、权值，基于各个关键指标数据对应的评分、权值计算得到地区风险分值；
S2，在确定该企业的行业类型后，获取预先训练得到该行业类型对应的风险评估模型，分别获取该企业的资产表、利润表及负债表中的比率数据，将该比率数据输入该风险评估模型，获取该风险评估模型输出的企业风险分值；
S3，分别获取地区风险的权值及企业风险的权值，基于该地区风险分值、企业风险分值、地区风险的权值及企业风险的权值计算得到企业的风险指数。
6.根据权利要求5所述的企业风险评估的方法，其特征在于，所述基于各个关键指标数据对应的评分、权值计算得到地区风险分值的步骤，具体包括：
将各个关键指标数据对应的评分与对应权值相乘得到各个关键指标数据对应的分值，将同一类型的关键指标数据的分值进行累加，得到同一类型的关键指标数据对应的二级因素的分值；
将同一类型的二级因素的分值进行累加，得到同一类型的二级因素对应的一级因素的分值；
获取一级因素的权值，基于一级因素的分值及一级因素的权值计算得到地区风险分值，所述一级因素包括该企业所在地区的经济实力、财政实力、政府债务及地区信用环境。
7.根据权利要求5或6所述的企业风险评估的方法，其特征在于，所述风险评估模型的训练包括：
获取与该企业的行业类型相同的企业的比率数据，将一个企业的比率数据作为一个样本，将预设数量的样本作为输入并利用预定机器学习方法训练得到该风险评估模型，该风险评估模型包括各一级指标的权值、各一级指标下的二级指标的评分区间及各二级指标的权值，所述一级指标包括企业的资产质量、资本结构、盈利能力、现金流量、偿债能力及财务弹性。
8.根据权利要求7所述的企业风险评估的方法，其特征在于，该方法还包括：
将产生ST信息、信用违约信息及/或市值大幅下跌信息的企业标记为有风险企业，基于标记为有风险企业确定受试者工作特征曲线下对应的面积AUC的检验阈值；
计算该风险评估模型的受试者工作特征曲线，并计算该受试者工作特征曲线下对应的面积AUC；
若该受试者工作特征曲线下对应的面积AUC大于等于该检验阈值，则该风险评估模型为可应用的模型，否则，重新训练该风险评估模型。
9.根据权利要求7所述的企业风险评估的方法，其特征在于，所述风险评估模型的训练进一步包括：
将所述比率数据转换成证据权重，获取企业的风险信息，将一个企业的转换为证据权重后的比率数据及风险信息作为一个样本，将预设数量的样本作为输入并利用预定机器学习方法训练得到该风险评估模型。
10.一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处理系统，所述处理系统被处理器执行时实现如权利要求5至9中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811524816.9A CN109784633A (zh) | 2018-12-13 | 2018-12-13 | 企业风险评估的装置、方法及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811524816.9A CN109784633A (zh) | 2018-12-13 | 2018-12-13 | 企业风险评估的装置、方法及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109784633A true CN109784633A (zh) | 2019-05-21 |
Family
ID=66495910
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811524816.9A Pending CN109784633A (zh) | 2018-12-13 | 2018-12-13 | 企业风险评估的装置、方法及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109784633A (zh) |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111401777A (zh) * | 2020-03-30 | 2020-07-10 | 未来地图(深圳)智能科技有限公司 | 企业风险的评估方法、装置、终端设备及存储介质 |
| CN111798102A (zh) * | 2020-06-11 | 2020-10-20 | 中国建设银行股份有限公司 | 数据监管方法、系统、计算机设备以及可读存储介质 |
| CN112200456A (zh) * | 2020-10-10 | 2021-01-08 | 深圳前海微众银行股份有限公司 | 企业环境影响评估方法、装置、设备及计算机存储介质 |
| CN112418259A (zh) * | 2019-08-22 | 2021-02-26 | 上海哔哩哔哩科技有限公司 | 一种基于直播过程中用户行为的实时规则的配置方法、计算机设备及可读存储介质 |
| CN112633635A (zh) * | 2020-11-29 | 2021-04-09 | 龙马智芯（珠海横琴）科技有限公司 | 参展商风险评估方法、装置、服务器以及可读存储介质 |
| CN112950344A (zh) * | 2021-02-26 | 2021-06-11 | 平安国际智慧城市科技股份有限公司 | 数据评估方法、装置、电子设备及存储介质 |
| CN113408909A (zh) * | 2021-06-22 | 2021-09-17 | 中国工商银行股份有限公司 | 基于大数据的银行用户征信评估方法 |
| CN113435723A (zh) * | 2021-06-18 | 2021-09-24 | 广州房者荣耀网络科技有限公司 | 用于风险评估的数据处理方法、系统、装置和介质 |
| CN113487241A (zh) * | 2021-08-19 | 2021-10-08 | 平安国际智慧城市科技股份有限公司 | 企业环保信用等级的分类方法、装置、设备及存储介质 |
| CN113487410A (zh) * | 2021-07-06 | 2021-10-08 | 建信金融科技有限责任公司 | 一种授信管理方法、装置、电子设备及计算机可读介质 |
| CN113780731A (zh) * | 2021-08-04 | 2021-12-10 | 周浩 | 一种数字孪生管理与评估系统 |
| CN114021967A (zh) * | 2021-11-04 | 2022-02-08 | 中国安全生产科学研究院 | 乡镇政府部门安全生产风险预控评估方法 |
| CN114282745A (zh) * | 2021-11-04 | 2022-04-05 | 山东大学 | 涉水产品生产企业的风险预警方法及相关设备 |
| CN114548633A (zh) * | 2021-08-02 | 2022-05-27 | 浙江正泰机床电气制造有限公司 | 一种存货风险管理方法、装置、设备及存储介质 |
| CN116090801A (zh) * | 2023-04-11 | 2023-05-09 | 北京博创联动科技有限公司 | 基于农机运行管理的物联网控制系统 |
| CN116882761A (zh) * | 2023-08-23 | 2023-10-13 | 广州智算信息技术有限公司 | 基于大数据的企业健康度评估系统 |
-
2018
- 2018-12-13 CN CN201811524816.9A patent/CN109784633A/zh active Pending
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112418259B (zh) * | 2019-08-22 | 2023-05-26 | 上海哔哩哔哩科技有限公司 | 一种基于直播过程中用户行为的实时规则的配置方法、计算机设备及可读存储介质 |
| CN112418259A (zh) * | 2019-08-22 | 2021-02-26 | 上海哔哩哔哩科技有限公司 | 一种基于直播过程中用户行为的实时规则的配置方法、计算机设备及可读存储介质 |
| CN111401777A (zh) * | 2020-03-30 | 2020-07-10 | 未来地图(深圳)智能科技有限公司 | 企业风险的评估方法、装置、终端设备及存储介质 |
| CN111401777B (zh) * | 2020-03-30 | 2024-03-12 | 未来地图(深圳)智能科技有限公司 | 企业风险的评估方法、装置、终端设备及存储介质 |
| CN111798102A (zh) * | 2020-06-11 | 2020-10-20 | 中国建设银行股份有限公司 | 数据监管方法、系统、计算机设备以及可读存储介质 |
| CN112200456A (zh) * | 2020-10-10 | 2021-01-08 | 深圳前海微众银行股份有限公司 | 企业环境影响评估方法、装置、设备及计算机存储介质 |
| WO2022073361A1 (zh) * | 2020-10-10 | 2022-04-14 | 深圳前海微众银行股份有限公司 | 企业环境影响评估方法、装置、设备及计算机存储介质 |
| CN112200456B (zh) * | 2020-10-10 | 2024-04-30 | 深圳前海微众银行股份有限公司 | 企业环境影响评估方法、装置、设备及计算机存储介质 |
| CN112633635A (zh) * | 2020-11-29 | 2021-04-09 | 龙马智芯（珠海横琴）科技有限公司 | 参展商风险评估方法、装置、服务器以及可读存储介质 |
| CN112950344A (zh) * | 2021-02-26 | 2021-06-11 | 平安国际智慧城市科技股份有限公司 | 数据评估方法、装置、电子设备及存储介质 |
| CN113435723A (zh) * | 2021-06-18 | 2021-09-24 | 广州房者荣耀网络科技有限公司 | 用于风险评估的数据处理方法、系统、装置和介质 |
| CN113408909A (zh) * | 2021-06-22 | 2021-09-17 | 中国工商银行股份有限公司 | 基于大数据的银行用户征信评估方法 |
| CN113487410A (zh) * | 2021-07-06 | 2021-10-08 | 建信金融科技有限责任公司 | 一种授信管理方法、装置、电子设备及计算机可读介质 |
| CN114548633A (zh) * | 2021-08-02 | 2022-05-27 | 浙江正泰机床电气制造有限公司 | 一种存货风险管理方法、装置、设备及存储介质 |
| CN113780731A (zh) * | 2021-08-04 | 2021-12-10 | 周浩 | 一种数字孪生管理与评估系统 |
| CN113487241A (zh) * | 2021-08-19 | 2021-10-08 | 平安国际智慧城市科技股份有限公司 | 企业环保信用等级的分类方法、装置、设备及存储介质 |
| CN114021967B (zh) * | 2021-11-04 | 2022-05-20 | 中国安全生产科学研究院 | 乡镇政府部门安全生产风险预控评估方法 |
| CN114282745A (zh) * | 2021-11-04 | 2022-04-05 | 山东大学 | 涉水产品生产企业的风险预警方法及相关设备 |
| CN114021967A (zh) * | 2021-11-04 | 2022-02-08 | 中国安全生产科学研究院 | 乡镇政府部门安全生产风险预控评估方法 |
| CN116090801A (zh) * | 2023-04-11 | 2023-05-09 | 北京博创联动科技有限公司 | 基于农机运行管理的物联网控制系统 |
| CN116882761A (zh) * | 2023-08-23 | 2023-10-13 | 广州智算信息技术有限公司 | 基于大数据的企业健康度评估系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109784633A (zh) | 企业风险评估的装置、方法及存储介质 | |
| CN110503295A (zh) | 供应链金融的风险分析方法、装置、计算终端及存储介质 | |
| WO2020258994A1 (zh) | 一种节点数据预测方法及装置 | |
| CN108921456A (zh) | 风险评估方法、装置及计算机可读存储介质 | |
| CN112750029A (zh) | 信用风险预测方法、装置、电子设备及存储介质 | |
| Cheruiyot | Determinants of technical efficiency in Kenyan manufacturing sector | |
| WO2019021312A1 (en) | AUTOMATED LOAN PAYMENT PROBABILITY PREDICTION PREDICTION SYSTEM AND METHOD THEREOF | |
| Janus et al. | International gross capital flows: New uses of balance of payments data and application to financial crises | |
| CN110135711A (zh) | 一种情报管理方法及装置 | |
| CN108428178A (zh) | 融资风险控制方法、装置、设备及存储介质 | |
| Jelassi et al. | What explains the technical efficiency of banks in Tunisia? Evidence from a two-stage data envelopment analysis | |
| Sang et al. | Impacts of macroeconomic fluctuations on insolvency: Case of Korean construction companies | |
| Heath et al. | Financial stability analysis: What are the data needs? | |
| CN114331191A (zh) | 基于企业规模和关联的信用风险评估方法及装置 | |
| CN110020939A (zh) | 建立违约损失率预测模型的装置、方法及存储介质 | |
| CN107945034A (zh) | 基于微博财经事件的金融分析方法、应用服务器及计算机可读存储介质 | |
| JP6771513B2 (ja) | 債務不履行確率を算出する装置、方法及びそのためのプログラム | |
| Mu et al. | Internet financial interest rate risk measure based on genetic rough set reduction | |
| CN116777592A (zh) | 一种金融业务审批方法、装置、设备和存储介质 | |
| Koutmos et al. | Nowcasting bitcoin’s crash risk with order imbalance | |
| CN108764981A (zh) | 服务器、文本数据的处理方法及存储介质 | |
| CN111429257B (zh) | 一种交易监控方法和装置 | |
| KR20140029994A (ko) | Ｌｇｄ/ｅａｄ에 대한 적합성 검증 방법 및 그 시스템 | |
| CN111652492A (zh) | 一种管理人评估系统、方法、电子设备及存储介质 | |
| Kabundi et al. | Extreme value at risk: A scenario for risk management |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190521 |