CN110033159A - 风险识别方法、装置及设备 - Google Patents
风险识别方法、装置及设备 Download PDFInfo
- Publication number
- CN110033159A CN110033159A CN201910144371.XA CN201910144371A CN110033159A CN 110033159 A CN110033159 A CN 110033159A CN 201910144371 A CN201910144371 A CN 201910144371A CN 110033159 A CN110033159 A CN 110033159A
- Authority
- CN
- China
- Prior art keywords
- enterprise
- feature
- data
- risk
- credit
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000003542 behavioural effect Effects 0.000 claims abstract description 20
- 230000007246 mechanism Effects 0.000 claims abstract description 17
- 230000008520 organization Effects 0.000 claims abstract description 15
- 230000009471 action Effects 0.000 claims abstract description 12
- 230000007704 transition Effects 0.000 claims abstract description 11
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims description 14
- 239000010931 gold Substances 0.000 claims description 14
- 229910052737 gold Inorganic materials 0.000 claims description 14
- 230000000875 corresponding effect Effects 0.000 claims description 13
- 238000010801 machine learning Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims 1
- 230000002596 correlated effect Effects 0.000 claims 1
- 238000012549 training Methods 0.000 description 10
- 230000008859 change Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000005611 electricity Effects 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000000567 combustion gas Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000029305 taxis Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书提供一种风险识别方法、装置及设备，该风险识别方案预先训练有风险识别模型，通过从官方组织机构侧获取企业的相关数据后，利用该数据提取出运营行为特征、营收状况特征、借贷行为特征、资产变动特征和行政奖惩特征，上述特征可输入至风险识别模型，由风险识别模型输出指示企业的风险状况的识别结果；本实施例对企业风险的识别结果准确率高，可以为政府决策、银行信贷服务等提供辅助。
Description
技术领域
本说明书涉及互联网技术领域，尤其涉及风险识别方法、装置及设备。
背景技术
随着互联网与经济的不断发展，互联网金融的崛起也促进了信贷行业的快速发展。企业在生产经营过程中，需要通过金融市场的金融工具等实现资金的筹备等，导致带来较多的信用风险。因此，提供一种可靠的针对企业的风险识别方案，无疑具有重要意义。
发明内容
为克服相关技术中存在的问题，本说明书提供了风险识别方法、装置及设备。
根据本说明书实施例的第一方面，提供一种风险识别方法，包括：
从官方组织机构侧获取待识别企业的企业相关数据；
利用所述企业相关数据数据获取所述待识别企业的目标特征，所述目标特征至少包括：运营行为特征、营收状况特征、借贷行为特征、资产变动特征和行政奖惩特征；
将获取的目标特征输入至风险识别模型，由所述风险识别模型输出所述待识别企业的信用风险识别结果。
可选的，所述待识别企业的企业相关数据还包括关联企业的企业相关数据，所述关联企业与所述待识别企业具有如下一种或多种关系：
投资关系、员工任职关系或分支机构关系。
可选的，所述风险识别模型是利用样本数据对机器学习模型训练得到的，所述样本数据通过如下方式获得：在收集数据中以统一社会信用代码作为企业标识进行筛选，获得包括有对应每个企业的样本数据。
可选的，所述企业相关数据包括如下一种或多种：企业基本数据、税务数据、五险一金缴费数据、物业缴费数据、行政奖惩数据、借贷数据、资产数据或年报数据。
可选的，所述运营行为特征包括如下一种或多种：
物业缴费特征、五险一金缴费特征、员工人数特征或员工薪资发放特征。
可选的，所述目标特征还包括与企业的信用风险具有正相关关系的风险特征，所述风险特征包括如下一种或多种：资产风险特征、涉众风险特征、诉讼违规风险、经营风险特征或信用违约历史特征。
根据本说明书实施例的第二方面，提供一种风险识别装置，包括：
数据获取模块，用于：从官方组织机构侧获取待识别企业的企业相关数据；
特征提取模块，用于：利用所述企业相关数据数据获取所述待识别企业的目标特征，所述目标特征至少包括：运营行为特征、营收状况特征、借贷行为特征、资产变动特征和行政奖惩特征；
识别模块，用于：将获取的目标特征输入至风险识别模型，由所述风险识别模型输出所述待识别企业的信用风险识别结果。
可选的，所述风险识别模型是利用样本数据对机器学习模型训练得到的，所述样本数据通过如下方式获得：在收集的数据中以统一社会信用代码作为企业标识进行筛选，获得包括有对应每个企业的样本数据。
可选的，所述待识别企业的企业相关数据还包括关联企业的企业相关数据，所述关联企业与所述待识别企业具有如下一种或多种关系：
投资关系、员工任职关系或分支机构关系。
可选的，所述企业相关数据包括如下一种或多种：企业基本数据、税务数据、五险一金缴费数据、物业缴费数据、行政奖惩数据、借贷数据、资产数据或年报数据。
可选的，所述运营行为特征包括如下一种或多种：
物业缴费特征、五险一金缴费特征、员工人数特征或员工薪资发放特征。
可选的，所述目标特征还包括与企业的信用风险具有正相关关系的风险特征，所述风险特征包括如下一种或多种：资产风险特征、涉众风险特征、诉讼违规风险、经营风险特征或信用违约历史特征。
根据本说明书实施例的第二方面，提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现如前述风险识别方法的实施例。
本说明书的实施例提供的技术方案可以包括以下有益效果：
本说明书实施例中，该风险识别方案预先训练有风险识别模型，通过从官方组织机构侧获取企业的相关数据后，利用该数据提取出运营行为特征、营收状况特征、借贷行为特征、资产变动特征和行政奖惩特征，上述特征可输入至风险识别模型，由风险识别模型输出指示企业的风险状况的识别结果；本实施例对企业风险的识别结果准确率高，可以为政府决策、银行信贷服务等提供辅助。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本说明书。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本说明书的实施例，并与说明书一起用于解释本说明书的原理。
图1是本说明书根据一示例性实施例示出的一种风险识别方法的流程图。
图2A是本说明书根据一示例性实施例示出的另一种风险识别方法的示意图。
图2B是本说明书根据一示例性实施例示出的一种目标特征的示意图。
图3是本说明书实施例风险识别装置所在计算机设备的一种硬件结构图。
图4是本说明书根据一示例性实施例示出的一种风险识别装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本说明书的一些方面相一致的装置和方法的例子。
在本说明书使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书。在本说明书和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本说明书可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本说明书范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。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”。
各类企业在社会中的信用活动越来越频繁，比如信贷、赊销、网络支付、电子商务等；政府部门或银行等多种机构都有了解企业的信用状况的需求。例如政府部门需要了解辖区内各企业的信用状况，对于经济调控、制定政策等都有重要意义。
基于此，本说明实施例提供一种针对企业的风险识别方案，可以基于多方面因素识别企业的信用风险情况。如图1所示，是本说明书根据一示例性实施例示出的一种风险识别方法的流程图，包括：
在步骤102中，从官方组织机构侧获取待识别企业的企业相关数据。
在步骤104中，利用所述企业相关数据数据获取所述待识别企业的目标特征，所述目标特征至少包括：运营行为特征、营收状况特征、借贷行为特征、资产变动特征和行政奖惩特征。
在步骤106中，将获取的目标特征输入至风险识别模型，由所述风险识别模型输出所述待识别企业的信用风险识别结果。
本说明书实施例方案可应用于多种场景，例如可以应用于银行等提供借贷服务的行业，借贷服务方可利用本实施例方案获得企业的信用风险识别结果，以进一步执行借贷服务决策；或者，还可以应用于政府等部门，利用本实施例方案可获得企业的信用风险识别结果，为政府等部门监控企业的信用状况、制定决策等提供帮助。作为例子，本说明书实施例的方案中的官方组织机构可以包括如政府部门、银行或通信机构等，有些官方组织机构与企业具有管理关系，例如人事管理中心等机构，此类具有可以获取到企业的相关数据；有些官方组织机构具有获取企业数据的权限，例如税务部门等一些需要由企业提供企业数据的组织机构，还有诸如供电所等为企业提供特定服务的组织机构。
实际业务场景中，一些与待识别企业具有业务合作等关系的非官方企业也拥有企业相关数据，但此类数据具有一定局限性，可能只是涉及某一方面的业务数据；例如，待识别企业与某个广告服务平台具有广告合作业务，该广告服务平台获取的该待识别企业的数据只是涉及广告业务的数据，由于数据有限，该广告服务平台针对企业的风险识别结果不一定可靠。实际业务场景中企业也有公开自身数据的情况，但企业自身公开的数据不一定可靠。而本实施例通过从官方组织机构获取的数据的可信度较高，能够从多方面描述企业的营收状况、运营情况等，能够真实反映企业的实际情况。作为例子，可以利用政府内部各部门所拥有的企业相关数据，例如企业基本数据、税务数据、五险一金缴费数据、物业缴费数据、行政奖惩数据、借贷数据、资产数据和年报数据等，对企业的信用风险状况进行识别；基于政府各部门所拥有的数据特征，本实施例的数据收集以及特征提取符合政府各部门所拥有的数据特点，使得企业风险的识别准确率高，识别结果可靠，可以为政府决策、银行信贷服务等提供辅助。
本说明书实施例可以预先训练有风险识别模型，该风险识别模型在训练完成后可提供可靠的识别结果。接下来对风险识别模型进行说明。本实施例中，可以预先准备用于训练的样本数据。样本数据可以包括正样本和负样本，正样本可以是多次按时还款、经营状态正常的企业的数据，负样本可以是失信企业、失信被执行人、借贷还款违约等企业的数据。
例如，本实施例可以预先收集分散在政府各部门的数据等，例如工商部门所拥有的工商数据及法人数据等，税务部门拥有的税务数据等；还可以包括政府等各部门有权限获取到的数据，例如从通信企业获取的企业的话费数据等等。税务数据反映了该企业的营收状况，水电燃气数据反映了该企业运营情况，这些数据都可以为评估一个企业的信用风险提供一定的决策依据。
如图2A所示，是本说明书根据一示例性实施例示出的风险识别示意图，图2A中包括企业基本数据(例如工商数据、法人数据等)、税务数据、五险一金缴费数据(包括社会保险缴费数据、公积金缴费数据)、物业缴费数据(包括企业经营场所的物业费数据、用水缴费数据、用电缴费数据、网络缴费数据或话费数据等)、行政奖惩数据(包括行政处罚数据、政府奖励数据等)、借贷数据(如银行借贷行为数据、民间借贷登记数据、小贷公司或P2P(peer-to-peer，点对点网络借款)公司等类金融机构的借贷和履约行为数据等)、资产数据(如不动产数据)、年报数据(如企业公布的年报数据等)，数据越多越全面，效果越准确。
作为例子，税务数据反映了企业的营收状况，物业缴费数据反映了该企业的运营情况，借贷数据反映了企业的借贷情况以及企业的还贷情况，资产数据反映了企业所持有资产的情况，年报数据中提供有企业的利润情况、投资情况、营业收入等情况，行政奖惩数据则反映了企业是否拥有政府奖励、是否有过处罚等情况，这些数据都可以为评估企业的信用风险提供可靠的决策依据。
对于收集的汇总数据，可以对汇总的数据进行一定的预处理，例如清洗或建模等，预处理后所得的样本数据可以用于训练。其中，由于收集的数据可能涉及多个部门，而各部门提供的数据记录方式不同，为了实现对数据筛选，获得每个企业对应的多条数据，本实施例中，可以从收集的数据中以统一社会信用代码为企业标识进行筛选，获得包括有对应每个企业的样本数据。在准备有上述样本数据后，风险识别模型可以利用样本数据对机器学习模型训练得到。训练模型的算法包含但不局限于评分卡、逻辑回归、贝叶斯、决策树、GBDT(Gradient Boosting Decision Tree，梯度下降决策树)、SVM(Support Vector Machine，支持向量机)、XGboost(Extreme Gradient Boosting，梯度提升)、最大熵、神经网络等传统机器学习或者深度学习算法。
对模型的训练需要选取合适的特征。本实施例中所确定的特征，可以包括运营行为特征、营收状况特征、借贷行为特征、资产变动特征和行政奖惩特征。作为例子，运营行为特征指示企业的运营情况，可以包括企业基本特征、五险一金缴费特征、物业缴费特征、员工人数特征或员工薪资发放特征等。营收状况特征可以从税务数据或年报数据等获得，可以包括税务特征等。行政奖惩特征可以从政府部门提供的奖励数据、企业荣誉数据或处罚数据中提取。借贷行为特征指示企业的借贷情况，可以包括贷款金额特征、还款行为特征或履约行为特征等。资产变动特征指示企业所持有的资产状况及变动情况，可以从不动产管理中心等机构获取的数据中提取。可选的，这些不同特征指示企业的不同信用风险，还可以根据需要配置部分特征的标签，不同标签表示该特征对应企业的信用风险的相关性，作为例子，包括正面特征(此类特征指示企业的信用状况较好)和负面特征(此类特征指示企业的信用状况较差)。
如图2B所示，作为例子，企业基本数据可以指示企业的基础信息，例如注册资本、成立时间、经营状态、公司类型、分支个数、股东个数、行业大类、主要成员人员个数，可以根据需要配置企业基本特征，例如注册资本特征、成立时间特征、经营状态特征、企业类型特征、分支机构个数特征、股东个数特征、所属行业类型或成员人数特征。
税务数据指示企业的税务信息，包括有税务信用评级、纳税额、营收金额等，相应的税务特征可以包括税务信用评级特征、纳税额特征、营收金额特征等。
年报数据是企业的公开数据，可以包括公司人事信息、是否提供担保信息、是否对外投资信息、对外投资公司个数信息、股东实缴出资额信息、净利润信息、利润总额信息、所有者权益信息、纳税总额信息、营业总收入信息、营业总收入中主营业务收入信息、资产总额信息。
物业缴费数据可以指示企业的经营场所的运营情况，可以包括用水量、用电量、用气量、网络费用或话费等，相应的物业缴费特征可以包括：经营场所的物业费特征、用水缴费特征、用电缴费特征、网络缴费特征或话费特征。
五险一金缴费数据也指示了企业的营业情况，缴纳社保和保险的人数和金额在正常情况下应该是稳定的，五险一金缴费数据可以包括：缴纳社保的人数、缴纳社保总金额、缴纳公积金人数、缴纳公积金总金额等，相应的，五险一金缴费特征可以包括：缴纳社保的人数特征、缴纳社保金额特征、缴纳公积金人数特征、缴纳公积金金额特征等。
行政奖惩数据包括政府的奖励数据、政府颁发的荣誉数据、以及政府的惩罚数据等，相应的行政奖惩可以包括：指示奖励个数的特征、指示荣誉个数的特征、指示惩罚个数的特征等。
资产数据指示企业拥有的不动产等资产，具体可以包括不动产信息、不动产抵押信息，相应的资产特征可以包括：不动产个数特征、不动产价值特征、不动产抵押特征等。
借贷数据指示企业的借贷情况，可以包括银行借贷行为数据、民间借贷登记数据、小贷公司等借贷数据，履约行为数据等，相应的借贷特征可以包括：贷款金额特征、还款行为特征、履约行为特征等。
风险特征可以是从上述数据中综合提取出的特征，此类特征描述了企业有具有一定的信用风险，与企业的信用风险具有正相关关系，风险特征越突出，该企业的信用风险越大，属于前述的负面特征。此类特征可以从前述的企业相关数据中综合提取得到。例如从工商数据中提取出的工商风险特征，例如指示企业注销、吊销、清算中、经营有效期逾期、经营有效期即将到期、企业类型变更、企业地址变更、经营项目变更、法定代表人变更、经营范围变更等的特征。
风险特征还可以包括资产风险特征：
例如融资投资风险特征，包括：指示企业小额贷/典当融资的特征，指示企业减资的特征、指示投资股权冻结/强制转让的特征，指示企业投资股权冻结/强制转让的特征、频繁动产融资的特征等；
例如股东风险特征，包括：股东股权冻结/强制转让的特征、股东股权变动的特征、企业出质股权的特征、股东出质股权的特征、年报是否发生股权转让的特征、股东单一的特征等；
例如负债风险特征，包括：年报负债总额特征、企业是否有民间借贷的特征、企业民间借贷金额特征、法定代表人是否有民间借贷特征、法定代表人民间借贷金额特征、是否有信保基金借款特征、是否有信保基金借款特征、信保基金借贷金额特征、法定代表人是否有信保基金特征、法定代表人信保基金借贷金额特征、是否有小贷公司贷款特征、小贷公司借贷金额特征、法定代表人是否有小贷公司特征、法定代表人小贷公司借贷金额特征、是否有融资性担保公司贷款特征、融资性担保公司借贷金额特征、法定代表人是否有融资性担保公司特征、法定代表人融资性担保公司借贷金额特征、是否有民间资本管理公司贷款特征、民间资本管理借贷金额特征、法定代表人是否有民间资本管理特征、法定代表人民间资本管理借贷金额特征、民间融资信息服务(企业)-法人是否有标的物特征、民间融资信息服务(企业)-法人标的物金额特征、民间融资信息服务(企业)-企业是否有标的物特征、民间融资信息服务(企业)-企业标的物金额特征、年报负债总额特征。
风险特征还可以包括涉众风险特征，例如指示企业是否有非法集资的特征。
风险特征还可以包括诉讼违规风险，例如税务风险经营异常诉讼违规风险，包括传销特征、诉讼被告(重大类)特征、案件败诉特征、曾有重大税收违法记录特征、诉讼被告(提醒类)特征、行政处罚特征、专利侵权特征。
风险特征还可以包括经营风险特征，例如经营异常特征、指示税务非正常户特征、曾有欠税记录特征、高管变动等管理风险特征、专利到期或即将到期等专利风险特征。
风险特征还可以包括信用违约历史特征，例如失信历史特征、失信被执行人特征、历史企业历史是否拖欠工资特征、企业民间借贷是否逾期特征、企业民间借贷逾期次数特征、法定代表人民间借贷是否逾期特征、法定代表人民间借贷逾期次数特征、信保基金借贷是否逾期特征、信保基金借贷逾期次数特征、法定代表人信保基金借贷是否逾期特征、法定代表人信保基金借贷逾期次数特征、小贷公司借贷是否逾期特征、小贷公司借贷逾期次数特征、法定代表人小贷公司借贷是否逾期特征、法定代表人小贷公司借贷逾期次数特征、融资性担保公司借贷是否逾期特征、融资性担保公司借贷逾期次数特征、法定代表人融资性担保公司借贷是否逾期特征、法定代表人融资性担保公司借贷逾期次数特征、民间资本管理借贷是否逾期特征、民间资本管理借贷逾期次数特征、法定代表人民间资本管理借贷是否逾期特征、法定代表人民间资本管理借贷逾期次数特征。
当然，实际应用中还可包括更多数据和特征，具体可根据需要灵活配置。通过上述方式，在准备好样本数据，选取好目标特征和模型，即可训练出风险识别模型，在风险识别模型训练完成后，该风险识别模型可以设置于电子设备中或者也可以设置于服务端中，在需要时，可以对企业进行风险识别。
其中，考虑到企业之间的关联关系，为了能提供更为可靠的识别结果，本实施例中，所述待识别企业的企业相关数据还包括关联企业的企业相关数据，所述关联企业与所述待识别企业具有如下一种或多种关系：投资关系、员工任职关系或分支机构关系。基于此，风险识别模型可以结合待识别企业的其他关联企业的情况，对待识别企业的信用风险作出更为准确的判断。
在需要对企业的风险进行识别时，可以获取企业相关数据后，利用所述企业相关数据数据获取所述待识别企业的目标特征，最后利用训练得到的风险识别模型进行识别，获得风险识别模型的识别结果。实际应用中，可以根据需要对风险识别模型的输出结果进行灵活配置，例如，可以配置风险分数(score)越高代表该企业的信用风险越高或者信用越差，当分数高于或等于一个阈值(S1)认为是高风险，低于或等于另一阈值(S2)认为是低风险，介于两者之间为中风险。例如：分数(score)>＝80(S1)，即表示高风险，(score)<＝20(S2)，即表示低风险，(score)<80(S1)且(score)>20(S2)，即表示中风险。其中，所述风险指示该企业是否具有信用等风险，例如是否具有借贷逾期风险、经营状态异常风险等。
通过上述实施例，风险识别模型的输出结果可以指示企业的风险状况，该结果可以为政府相关职能部门提供决策支撑作用，或者为相关金融领域的信贷环节(贷前、贷后)提供参考决策作用。本实施例方案可以应用于多种场景，例如可应用于政府等用户。政府等部门可以不依赖外部商业数据，综合利用政府内部各个部门的数据，即可通过该方案评估辖区内企业的风险情况，为政府决策、银行信贷服务提供辅助作用。
与前述风险识别方法的实施例相对应，本说明书还提供了风险识别装置及其所应用的设备的实施例。
本说明书风险识别装置的实施例可以应用在计算机设备上，例如服务器或终端设备。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在文件处理的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图3所示，为本说明书实施例风险识别装置所在计算机设备的一种硬件结构图，除了图3所示的处理器310、内存330、网络接口320、以及非易失性存储器340之外，实施例中装置331所在的服务器或电子设备，通常根据该计算机设备的实际功能，还可以包括其他硬件，对此不再赘述。
如图4所示，图4是本说明书根据一示例性实施例示出的一种风险识别装置的框图，所述装置包括：
数据获取模块41，用于：从官方组织机构侧获取待识别企业的企业相关数据；
特征提取模块42，用于：利用所述企业相关数据数据获取所述待识别企业的目标特征，所述目标特征至少包括：运营行为特征、营收状况特征、借贷行为特征、资产变动特征和行政奖惩特征；
识别模块43，用于：将获取的目标特征输入至风险识别模型，由所述风险识别模型输出所述待识别企业的信用风险识别结果。
可选的，所述风险识别模型是利用样本数据对机器学习模型训练得到的，所述样本数据通过如下方式获得：在收集的数据中以统一社会信用代码作为企业标识进行筛选，获得包括有对应每个企业的样本数据。
可选的，所述待识别企业的企业相关数据还包括关联企业的企业相关数据，所述关联企业与所述待识别企业具有如下一种或多种关系：
投资关系、员工任职关系或分支机构关系。
可选的，所述企业相关数据包括如下一种或多种：企业基本数据、税务数据、五险一金缴费数据、物业缴费数据、行政奖惩数据、借贷数据、资产数据或年报数据。
可选的，所述运营行为特征包括如下一种或多种：
物业缴费特征、五险一金缴费特征、员工人数特征或员工薪资发放特征。
可选的，所述目标特征还包括与企业的信用风险具有正相关关系的风险特征，所述风险特征包括如下一种或多种：资产风险特征、涉众风险特征、诉讼违规风险、经营风险特征或信用违约历史特征。
相应地，本实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现如下方法：
从官方组织机构侧获取待识别企业的企业相关数据；
利用所述企业相关数据数据获取所述待识别企业的目标特征，所述目标特征至少包括：运营行为特征、营收状况特征、借贷行为特征、资产变动特征和行政奖惩特征；
将获取的目标特征输入至风险识别模型，由所述风险识别模型输出所述待识别企业的信用风险识别结果。
上述风险识别装置中各个模块的功能和作用的实现过程具体详见上述风险识别方法中对应步骤的实现过程，在此不再赘述。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本说明书方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本领域技术人员在考虑说明书及实践这里申请的发明后，将容易想到本说明书的其它实施方案。本说明书旨在涵盖本说明书的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本说明书的一般性原理并包括本说明书未申请的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本说明书的真正范围和精神由下面的权利要求指出。
应当理解的是，本说明书并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本说明书的范围仅由所附的权利要求来限制。
以上所述仅为本说明书的较佳实施例而已，并不用以限制本说明书，凡在本说明书的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本说明书保护的范围之内。
Claims (10)
1.一种风险识别方法，包括：
从官方组织机构侧获取待识别企业的企业相关数据；
利用所述企业相关数据数据获取所述待识别企业的目标特征，所述目标特征至少包括：运营行为特征、营收状况特征、借贷行为特征、资产变动特征和行政奖惩特征；
将获取的目标特征输入至风险识别模型，由所述风险识别模型输出所述待识别企业的信用风险识别结果。
2.根据权利要求1所述的方法，所述风险识别模型是利用样本数据对机器学习模型训练得到的，所述样本数据通过如下方式获得：在收集的数据中以统一社会信用代码作为企业标识进行筛选，获得包括有对应每个企业的样本数据。
3.根据权利要求1所述的方法，所述待识别企业的企业相关数据还包括关联企业的企业相关数据，所述关联企业与所述待识别企业具有如下一种或多种关系：
投资关系、员工任职关系或分支机构关系。
4.根据权利要求1所述的方法，所述企业相关数据包括如下一种或多种：企业基本数据、税务数据、五险一金缴费数据、物业缴费数据、行政奖惩数据、借贷数据、资产数据或年报数据。
5.根据权利要求1所述的方法，所述运营行为特征包括如下一种或多种：
物业缴费特征、五险一金缴费特征、员工人数特征或员工薪资发放特征。
6.根据权利要求1所述的方法，所述目标特征还包括与企业的信用风险具有正相关关系的风险特征，所述风险特征包括如下一种或多种：资产风险特征、涉众风险特征、诉讼违规风险、经营风险特征或信用违约历史特征。
7.一种风险识别装置，包括：
数据获取模块，用于：从官方组织机构侧获取待识别企业的企业相关数据；
特征提取模块，用于：利用所述企业相关数据数据获取所述待识别企业的目标特征，所述目标特征至少包括：运营行为特征、营收状况特征、借贷行为特征、资产变动特征和行政奖惩特征；
识别模块，用于：将获取的目标特征输入至风险识别模型，由所述风险识别模型输出所述待识别企业的信用风险识别结果。
8.根据权利要求7所述的装置，所述风险识别模型是利用样本数据对机器学习模型训练得到的，所述样本数据通过如下方式获得：在收集数据中以统一社会信用代码作为企业标识进行筛选，获得包括有对应每个企业的样本数据。
9.根据权利要求7所述的装置，所述待识别企业的企业相关数据还包括关联企业的企业相关数据，所述关联企业与所述待识别企业具有如下一种或多种关系：
投资关系、员工任职关系或分支机构关系。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现如权利要求1至6任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910144371.XA CN110033159A (zh) | 2019-02-27 | 2019-02-27 | 风险识别方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910144371.XA CN110033159A (zh) | 2019-02-27 | 2019-02-27 | 风险识别方法、装置及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110033159A true CN110033159A (zh) | 2019-07-19 |
Family
ID=67235740
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910144371.XA Pending CN110033159A (zh) | 2019-02-27 | 2019-02-27 | 风险识别方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110033159A (zh) |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110473098A (zh) * | 2019-08-08 | 2019-11-19 | 北京金堤科技有限公司 | 公司股权数据处理方法以及装置 |
| CN110648052A (zh) * | 2019-09-02 | 2020-01-03 | 浙江大搜车软件技术有限公司 | 风控决策方法、装置、计算机设备和存储介质 |
| CN110796552A (zh) * | 2019-10-31 | 2020-02-14 | 维沃移动通信有限公司 | 一种风险提示方法及装置 |
| CN110930078A (zh) * | 2019-12-31 | 2020-03-27 | 中国银行股份有限公司 | 一种业务对象识别方法、装置及设备 |
| CN111260219A (zh) * | 2020-01-16 | 2020-06-09 | 泰康保险集团股份有限公司 | 资产类别识别方法、装置、设备及计算机可读存储介质 |
| CN111461876A (zh) * | 2020-05-07 | 2020-07-28 | 赵玉洁 | 一种基于大数据的电商信用体系管理系统及方法 |
| CN111915155A (zh) * | 2020-07-13 | 2020-11-10 | 上海冰鉴信息科技有限公司 | 小微企业风险等级识别方法、装置及计算机设备 |
| CN111967980A (zh) * | 2020-09-02 | 2020-11-20 | 上海积成能源科技有限公司 | 一种基于企业财报和能耗数据采用最大熵模型进行银行授信分析的系统及方法 |
| CN112241917A (zh) * | 2020-10-29 | 2021-01-19 | 深圳供电局有限公司 | 一种智能化金融机构贷前管理方法及其系统 |
| CN112907101A (zh) * | 2021-03-09 | 2021-06-04 | 山大地纬软件股份有限公司 | 一种企业非法集资行为风险预警方法及系统 |
| CN113034019A (zh) * | 2021-03-31 | 2021-06-25 | 建信金融科技有限责任公司 | 企业风险预测方法、装置、计算机设备及可读存储介质 |
| CN113177849A (zh) * | 2021-04-07 | 2021-07-27 | 安徽科讯金服科技有限公司 | 一种基于政务大数据的税融通线上化系统 |
| CN113191904A (zh) * | 2021-04-14 | 2021-07-30 | 成都金税电子技术有限公司 | 一种项目投资风险管理系统 |
| CN113191722A (zh) * | 2021-04-14 | 2021-07-30 | 成都金税电子技术有限公司 | 一种财政产业资金辅助管理系统 |
| CN113205271A (zh) * | 2021-05-12 | 2021-08-03 | 国家税务总局山东省税务局 | 一种基于机器学习对企业所得税风险评估的方法 |
| CN113469483A (zh) * | 2021-02-23 | 2021-10-01 | 杭州有数金融信息服务有限公司 | 一种自然人经营风险评分方法及系统和设备 |
| CN113986436A (zh) * | 2021-10-29 | 2022-01-28 | 维沃移动通信有限公司 | 信息显示方法、装置、设备和存储介质 |
| CN115660774A (zh) * | 2022-10-14 | 2023-01-31 | 国网山东省电力公司物资公司 | 一种基于区块链的物资供应链体系信用评价方法 |
| CN115797047A (zh) * | 2022-11-22 | 2023-03-14 | 东方微银科技股份有限公司 | 智能化客户经营风险评估方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105913195A (zh) * | 2016-04-29 | 2016-08-31 | 浙江汇信科技有限公司 | 基于全行业数据的企业金融风险评分方法 |
| CN107563614A (zh) * | 2017-08-16 | 2018-01-09 | 北京金堤科技有限公司 | 一种企业风险评估方法及装置 |
| CN109345381A (zh) * | 2018-12-19 | 2019-02-15 | 重庆誉存大数据科技有限公司 | 一种风险识别方法和系统 |
-
2019
- 2019-02-27 CN CN201910144371.XA patent/CN110033159A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105913195A (zh) * | 2016-04-29 | 2016-08-31 | 浙江汇信科技有限公司 | 基于全行业数据的企业金融风险评分方法 |
| CN107563614A (zh) * | 2017-08-16 | 2018-01-09 | 北京金堤科技有限公司 | 一种企业风险评估方法及装置 |
| CN109345381A (zh) * | 2018-12-19 | 2019-02-15 | 重庆誉存大数据科技有限公司 | 一种风险识别方法和系统 |
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110473098A (zh) * | 2019-08-08 | 2019-11-19 | 北京金堤科技有限公司 | 公司股权数据处理方法以及装置 |
| CN110648052A (zh) * | 2019-09-02 | 2020-01-03 | 浙江大搜车软件技术有限公司 | 风控决策方法、装置、计算机设备和存储介质 |
| CN110648052B (zh) * | 2019-09-02 | 2022-07-01 | 浙江大搜车软件技术有限公司 | 风控决策方法、装置、计算机设备和存储介质 |
| CN110796552A (zh) * | 2019-10-31 | 2020-02-14 | 维沃移动通信有限公司 | 一种风险提示方法及装置 |
| CN110930078A (zh) * | 2019-12-31 | 2020-03-27 | 中国银行股份有限公司 | 一种业务对象识别方法、装置及设备 |
| CN111260219A (zh) * | 2020-01-16 | 2020-06-09 | 泰康保险集团股份有限公司 | 资产类别识别方法、装置、设备及计算机可读存储介质 |
| CN111461876A (zh) * | 2020-05-07 | 2020-07-28 | 赵玉洁 | 一种基于大数据的电商信用体系管理系统及方法 |
| CN111915155A (zh) * | 2020-07-13 | 2020-11-10 | 上海冰鉴信息科技有限公司 | 小微企业风险等级识别方法、装置及计算机设备 |
| CN111967980A (zh) * | 2020-09-02 | 2020-11-20 | 上海积成能源科技有限公司 | 一种基于企业财报和能耗数据采用最大熵模型进行银行授信分析的系统及方法 |
| CN112241917A (zh) * | 2020-10-29 | 2021-01-19 | 深圳供电局有限公司 | 一种智能化金融机构贷前管理方法及其系统 |
| CN113469483A (zh) * | 2021-02-23 | 2021-10-01 | 杭州有数金融信息服务有限公司 | 一种自然人经营风险评分方法及系统和设备 |
| CN112907101A (zh) * | 2021-03-09 | 2021-06-04 | 山大地纬软件股份有限公司 | 一种企业非法集资行为风险预警方法及系统 |
| CN113034019A (zh) * | 2021-03-31 | 2021-06-25 | 建信金融科技有限责任公司 | 企业风险预测方法、装置、计算机设备及可读存储介质 |
| CN113177849A (zh) * | 2021-04-07 | 2021-07-27 | 安徽科讯金服科技有限公司 | 一种基于政务大数据的税融通线上化系统 |
| CN113191904A (zh) * | 2021-04-14 | 2021-07-30 | 成都金税电子技术有限公司 | 一种项目投资风险管理系统 |
| CN113191722A (zh) * | 2021-04-14 | 2021-07-30 | 成都金税电子技术有限公司 | 一种财政产业资金辅助管理系统 |
| CN113205271A (zh) * | 2021-05-12 | 2021-08-03 | 国家税务总局山东省税务局 | 一种基于机器学习对企业所得税风险评估的方法 |
| CN113986436A (zh) * | 2021-10-29 | 2022-01-28 | 维沃移动通信有限公司 | 信息显示方法、装置、设备和存储介质 |
| CN115660774A (zh) * | 2022-10-14 | 2023-01-31 | 国网山东省电力公司物资公司 | 一种基于区块链的物资供应链体系信用评价方法 |
| CN115660774B (zh) * | 2022-10-14 | 2023-09-19 | 国网山东省电力公司物资公司 | 一种基于区块链的物资供应链体系信用评价方法 |
| CN115797047A (zh) * | 2022-11-22 | 2023-03-14 | 东方微银科技股份有限公司 | 智能化客户经营风险评估方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110033159A (zh) | 风险识别方法、装置及设备 | |
| Sikka | Smoke and mirrors: Corporate social responsibility and tax avoidance | |
| Cook et al. | Public safety through private action: an economic assessment of BIDs | |
| CN115413346A (zh) | 人工智能选择和配置 | |
| Klapper et al. | Leveraging digital financial solutions to promote formal business participation | |
| CN106651190A (zh) | 一种企业风险等级评估方法以及系统 | |
| Flögel et al. | Will FinTech make regional banks superfluous for small firm finance? Observations from soft information‐based lending in Germany | |
| CN104584051A (zh) | 用于增强型微小借贷的新系统和处理 | |
| Jamaruddin et al. | The application of Fintech in the operation of Islamic banking focussing on Islamic documentation: Post-COVID-19 | |
| Hsu et al. | China's Fintech Explosion: Disruption, Innovation, and Survival | |
| Groh et al. | Macroinsurance for microenterprises: A randomized experiment in post-revolution Egypt | |
| CN115601124A (zh) | 一种基于区块链的贷后司法管理系统 | |
| Peat et al. | Fintech: hype or reality? | |
| Majumdar | Foreign exchange legislation transformation and enterprise demography in India | |
| KR20090000053A (ko) | 금융 기관이 개입되는 부동산 임대 중계 거래 방법 및 그시스템 | |
| Fagbohun et al. | Development of an Informal Sector and Tenement Taxes Monitoring and Compliance Enforcement Using Intelligent Based Electronic Policing System | |
| Obwona | Foreign direct investments growth linkage and institutional constraints in Sub-Saharan Africa: a case of Uganda | |
| Qiu et al. | Fintech and Financial Risk in China | |
| Leitch et al. | Control frameworks for cryptocurrencies: an initial evaluation | |
| Rachmawati et al. | Legal And Shariah Framework of Crowdfunding in Batling Covid-19: Some Observation in Indonesia | |
| Pearce et al. | THE IMPACT OF COVID-19 ON SMALL AND MEDIUM ENTERPRISES (SMEs) ACCESS TO FINANCE IN THE WESTERN AREA OF SIERRA LEONE | |
| Turovska | Recognising Cases of Money Laundering and Financial Crime from the Perspective of Accounting Firms. Case Company X and Company Y | |
| Башлакова et al. | FINANCIAL ASPECTS OF DIGITAL ECONOMY DEVELOPMENT IN THE REPUBLIC OF BELARUS: PROBLEMS AND PROSPECTS | |
| Muddiman et al. | A New Model | |
| Nicolaou-Manias | Review of Existing Indicators for Illicit Financial Flows and Possible Alternative Indicators for African Countries |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20200924 Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands Applicant after: Innovative advanced technology Co.,Ltd. Address before: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands Applicant before: Advanced innovation technology Co.,Ltd. Effective date of registration: 20200924 Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands Applicant after: Advanced innovation technology Co.,Ltd. Address before: A four-storey 847 mailbox in Grand Cayman Capital Building, British Cayman Islands Applicant before: Alibaba Group Holding Ltd. |
|
| TA01 | Transfer of patent application right | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190719 |
|
| RJ01 | Rejection of invention patent application after publication |