CN110097252A - 一种用于供应链金融的风险识别系统及其方法 - Google Patents

Abstract

本发明公开了一种用于供应链金融的风险识别系统及其方法，将原本需要人工线下尽职调查的供应链金融的风险防控问题，转化为一个完全在线完成的数据化的计算机自动审核的过程，用户只需输入需要评估风险的目标企业名称或统一社会信用代码等企业标识符号，通过全面系统性地获取目标企业及其所处供应链的相关数据，利用机器学习算法和模型对目标企业所处供应链的整体风险，目标企业自身风险，和目标企业关联风险做出评估，综合评定目标企业的经营能力、税务风险及偿付风险，使得对供应链金融的风险评估结果可以快速、全面客观有效、轻打扰和低成本地返回给用户。

Description

一种用于供应链金融的风险识别系统及其方法

技术领域

本发明涉及供应链金融数据化风险防控领域，特别涉及一种用于供应链金融的风险识别系统及其方法，其利用企业的相关经营数据识别企业供应链融资偿还风险。

背景技术

随着供应链的发展，核心企业给供应链上的企业提供融资服务已经越来越普遍。在此期间，被提供融资服务的企业偿付能力良莠不齐，更有甚者通过欺诈的手段获取融资服务，因此对被提供融资服务企业的偿付风险的评估也变得越发的重要。

目前市场上评估企业资金偿付风险的普遍的做法是通过人工线下尽职调查的方式和通过对工厂的实地勘察，以及对货物的现场查验来调查企业存在的资金偿付风险。由于受限于高额的人力成本以及对供应链业务的打扰，对工厂的实地勘察不能做到频繁进行，因而时效性无法保证。同时，对工厂的实地勘察更多获取的是企业某个时间点的经营状况，很难全面及时有效地获取企业过去一段时间的经营信息，因而很难对企业的长期经营能力及偿付风险进行评估。同样，对货物的现场查验也不能做到频繁进行，所查验的也只是单点状态，并不能全面及时有效地评估企业的经营状况及偿付风险。实际操作中，无论是对工厂的勘察还是对货物的查验都强依赖于企业的配合程度以及尽调人员的主观判断，尽调人员的主观判断往往存在偏差，有问题的企业更是配合意愿度低，因而目前市场上普遍的人工线下尽职调查的风险防控方式，很难全面客观及时有效地达到金融风险防控的目的。同时，人工尽调通常周期较长，很难满足企业急速放款的需求。

因此，急需一种集快速、全面客观有效、轻打扰和低成本于一身的供应链金融风险防控技术。

发明内容

针对现有技术存在的不足，本发明的目的在于提供一种用于供应链金融的风险识别系统及其方法，其在评估企业经营能力和偿还风险上，具有集快速、全面客观有效、轻打扰和低成本的优点。

本发明的上述技术目的是通过以下技术方案得以实现的：

一种用于供应链金融的风险识别方法，包括如下步骤：

步骤S110，收集整合目标企业所在供应链、关联企业、关联人、商品、资金、工商、财务、税务、法院、海关等数据信息；

步骤S120，对供应链上的相关企业和个人加工风险指标集合，指标加工方法包括利用机器学习算法模型及专家经验，对供应链结构稳定性、企业分布、风险分布、合作时长、行业风险、地区风险、商品流、资金流、舆情、政策扶持、团伙识别、购进销售趋势、购销货物匹配度、商品价格波动、贸易合理性、贸易真实性、经营稳定性、工商变更、守法守信、纳税状况、税务合规性、财务状况、以及财务合规性等风险指标集合进行加工，包含事实风险指标和预测风险指标集合；

步骤S130，对目标企业所处供应链的整体风险、目标企业自身风险和目标企业关联风险这三类风险进行评估，三类风险的评估可以同时进行，无需区分先后顺序；

步骤S140，对目标企业的供应链金融风险做出评估，综合目标企业所处供应链的整体风险、目标企业自身风险和目标企业关联风险这三类风险，评定目标企业的经营能力、税务风险及偿付风险。

通过上述的金融风险识别方法，先收集和整合目标企业的相关数据，通常利用数据接口和网络爬虫等技术进行各种数据获取，由此无论在人力物力花费上，还是在数据获取精确度上，都有极大的可实施空间和可行性；

同时根据金融风险评估方面的专家经验，利用机器学习算法模型对涉及的各种企业数据进行集合处理，主包含事实风险指标和预测风险指标集合，并利用机器学习算法对这些集合数据做出对目标企业所处供应链的整体风险、目标企业自身风险和目标企业关联风险这三类风险进行评估风险评估，并最终综合目标企业所处供应链的整体风险、目标企业自身风险和目标企业关联风险这三类风险，评定目标企业的经营能力、税务风险及偿付风险，使得对供应链金融的风险评估可以快速、全面客观有效、轻打扰和低成本地用数据化的方式通过计算机自动实现。

基于上述的一种用于供应链金融的风险识别方法，延伸出一种用于供应链金融的风险识别系统，包括:

企业标识输入模块210，用户可输入需要评估风险的目标企业名称或统一社会信用代码等企业标识符号；

信息收集整合模块220，根据企业标识输入模块210输入的目标企业标识，收集整合该目标企业所在供应链、关联企业、关联人、商品、资金、工商、财务、税务、法院、海关等数据信息；

风险指标加工模块230，基于信息收集整合模块220收集整合的数据信息，加工供应链上相关企业和个人的风险指标集合,包含事实风险指标和预测风险指标集合；

风险评估模块240，利用风险指标加工模块230加工的风险指标集合，评估目标企业的供应链金融风险；所述风险评估模块240包含供应链整体风险评估模块241、目标企业自身风险评估模块242、目标企业的关联风险评估模块243和供应链金融风险评估模块244

评估结果返回模块250，用于返回风险评估模块240给出的风险评估结果。

综上所述，本发明对比于现有技术的有益效果为：通过全面系统性地获取企业及其所处供应链的相关数据，利用机器学习算法和学习算法模型对目标企业所处供应链的整体风险、目标企业自身风险和目标企业关联风险做出评估，综合评定目标企业的经营能力及偿付风险，使得对供应链金融的风险评估可以快速、全面客观有效、轻打扰和低成本地用数据化的方式通过计算机自动实现。

附图说明

图1为实施例的金融风险识别方法的流程图；

图2为实施例的金融风险识别系统的结构框架图。

附图标记：210、企业标识输入模块；220、信息收集整合模块；230、风险指标加工模块；240、风险评估模块；241、供应链整体风险评估模块；242、目标企业自身风险评估模块；243、目标企业的关联风险评估模块；244、供应链金融风险评估模块；250、评估结果返回模块。

具体实施方案

以下结合附图对发明作进一步详细说明。

一种用于供应链金融的风险识别方法，参照图1所示，包括如下步骤：

步骤S110，收集整合目标企业所在供应链、关联企业、关联人、商品、资金、工商、财务、税务、法院、海关等数据信息，具体通过数据接口、网络爬虫等技术进行目标企业各数据获取；

步骤S120，对供应链上的相关企业和个人加工风险指标集合，指标加工方法包括利用机器学习算法模型及专家经验，对供应链结构稳定性、企业分布、风险分布、合作时长、行业风险、地区风险、商品流、资金流、舆情、政策扶持、团伙识别、购进销售趋势、购销货物匹配度、商品价格波动、贸易合理性、贸易真实性、经营稳定性、工商变更、守法守信、纳税状况、税务合规性、财务状况、以及财务合规性等风险指标集合进行加工，包含事实风险指标和预测风险指标集合；

步骤S130，对目标企业所处供应链的整体风险、目标企业自身风险和目标企业关联风险这三类风险进行评估，三类风险的评估可以同时进行，无需区分先后顺序；

在此实施例中，步骤S130包括：

步骤S131，利用机器学习算法模型及专家经验，对供应链结构稳定性、企业分布、风险分布、合作时长、行业风险、地区风险、商品流、资金流、舆情、政策扶持、团伙识别等风险指标设定权重，进而对目标企业所处供应链的整体风险做出评估；

步骤S132，利用机器学习算法模型及专家经验，对购进销售趋势、购销货物匹配度、商品价格波动、贸易合理性、贸易真实性、经营稳定性、工商变更、守法守信、纳税状况、税务合规性、财务状况、以及财务合规性等风险指标设定权重，进而对目标企业自身风险做出评估；

步骤S133，利用机器学习算法模型及专家经验，将供应链上的风险通过供应链上的关联关系传递扩散至目标企业，进而对目标企业的关联风险做出评估，所述步骤S133中的关联关系包括：同人关联(包含但不限于：法人、、财务负责人、实控人、办税人、董事、监事、高管)、同联系方式关联(包含但不限于：电话号码、手机号码、电子邮箱、传真号码)、同地址关联(包含但不限于：工商注册地址、生产厂房地址、办公场所地址、邮寄地址)、贸易关联(包含但不限于：采购、销售、代理进出口、物流货代)、股权投资关联(包含但不限于投资、被投资)。

步骤S140，对目标企业的供应链金融风险做出评估，综合目标企业所处供应链的整体风险、目标企业自身风险和目标企业关联风险这三类风险，评定目标企业的经营能力、税务风险及偿付风险。

通过上述的金融风险识别方法，先收集和整合目标企业的相关数据，通常利用数据接口和网络爬虫等技术进行各种数据获取，由此无论在人力物力花费上，还是在数据获取精确度上，都有极大的可实施空间和可行性；

同时根据金融风险评估方面的专家经验，利用机器学习算法模型对涉及的各种企业数据进行集合处理，主包含事实风险指标和预测风险指标集合，并利用机器学习算法对这些集合数据做出对目标企业所处供应链的整体风险、目标企业自身风险和目标企业关联风险这三类风险进行评估风险评估，并最终综合目标企业所处供应链的整体风险、目标企业自身风险和目标企业关联风险这三类风险，评定目标企业的经营能力、税务风险和偿付风险，使得对供应链金融的风险评估可以快速、全面客观有效、轻打扰和低成本地用数据化的方式通过计算机自动实现。

将原本需要人工线下尽职调查的供应链金融风险防控问题，转化为一个完全在线完成的数据化的计算机自动审核的过程，用户只需输入需要评估风险的目标企业名称或统一社会信用代码等企业标识符号，通过全面系统性地获取目标企业及其所处供应链的相关数据，利用机器学习算法和模型对目标企业所处供应链的整体风险、目标企业自身风险和目标企业关联风险做出评估，综合评定目标企业的经营能力、税务风险及偿付风险，使得对供应链金融的风险评估结果可以快速、全面客观有效、轻打扰和低成本地返回给用户。

基于上述的一种用于供应链金融的风险识别方法，延伸出一种用于供应链金融的风险识别系统，参照图2所示，包括:

企业标识输入模块210，用户可输入需要评估风险的目标企业名称或统一社会信用代码等企业标识符号；

信息收集整合模块220，根据企业标识输入模块210输入的目标企业标识，收集整合该目标企业所在供应链、关联企业、关联人、商品、资金、工商、财务、税务、法院、海关等数据信息；

风险指标加工模块230，基于信息收集整合模块220收集整合的数据信息，加工供应链上相关企业和个人的风险指标集合,包含事实风险指标和预测风险指标集合；

风险评估模块240，利用风险指标加工模块230加工的风险指标集合，评估目标企业的供应链金融风险；所述风险评估模块240包含供应链整体风险评估模块241、目标企业自身风险评估模块242、目标企业的关联风险评估模块243和供应链金融风险评估模块244

评估结果返回模块250，用于返回风险评估模块240给出的风险评估结果。

以上所述仅是本发明的示范性实施方式，而非用于限制本发明的保护范围，本发明的保护范围由所附的权利要求确定。

Claims (5)

1.一种用于供应链金融的风险识别方法，其特征是，包括如下步骤：

步骤S110，收集整合目标企业所在供应链、关联企业、关联人、商品、资金、工商、财务、税务、法院、海关等数据信息；

步骤S120，对供应链上的相关企业和个人加工风险指标集合，包含事实风险指标和预测风险指标集合；

步骤S130，对目标企业所处供应链的整体风险、目标企业自身风险和目标企业关联风险这三类风险进行评估，三类风险的评估可以同时进行，无需区分先后顺序；

步骤S140，对目标企业的供应链金融风险做出评估，综合目标企业所处供应链的整体风险、目标企业自身风险和目标企业关联风险这三类风险，评定目标企业的经营能力、税务风险和偿付风险。

2.根据权利要求1所述的一种用于供应链金融的风险识别方法，其特征是，所述步骤S130包括：

步骤S131，利用机器学习算法模型及专家经验，对供应链结构稳定性、企业分布、风险分布、合作时长、行业风险、地区风险、商品流、资金流、舆情、政策扶持、团伙识别等风险指标设定权重，进而对目标企业所处供应链的整体风险做出评估；

步骤S132，利用机器学习算法模型及专家经验，对购进销售趋势、购销货物匹配度、商品价格波动、贸易合理性、贸易真实性、经营稳定性、工商变更、守法守信、纳税状况、税务合规性、财务状况、以及财务合规性等风险指标设定权重，进而对目标企业自身风险做出评估；

步骤S133，利用机器学习算法模型及专家经验，将供应链上的风险通过供应链上的关联关系传递扩散至目标企业，进而对目标企业的关联风险做出评估。

3.根据权利要求2所述的一种用于供应链金融的风险识别方法，其特征是，所述步骤S133中的关联关系包括：同人关联(包含但不限于：法人、财务负责人、实际控制人、办税人、董事、监事、高管)、同联系方式关联(包含但不限于：电话号码、手机号码、电子邮箱、传真号码)、同地址关联(包含但不限于：工商注册地址、生产厂房地址、办公场所地址、邮寄地址)、贸易关联(包含但不限于：采购、销售、代理进出口、货代物流)、股权投资关联(包含但不限于：投资、被投资)。

4.根据权利要求1所述的一种用于供应链金融的风险识别方法，其特征是，所述步骤S120中指标加工方法包括利用机器学习算法模型及专家经验，对供应链结构稳定性、企业分布、风险分布、合作时长、行业风险、地区风险、商品流、资金流、舆情、政策扶持、团伙识别、购进销售趋势、购销货物匹配度、商品价格波动、贸易合理性、贸易真实性、经营稳定性、工商变更、守法守信、纳税状况、税务合规性、财务状况、以及财务合规性等风险指标集合进行加工。

5.一种用于供应链金融的风险识别系统，其特征是，包括:

企业标识输入模块210，用户可输入需要评估风险的目标企业名称或统一社会信用代码等企业标识符号；

信息收集整合模块220，根据企业标识输入模块210输入的目标企业标识，收集整合该目标企业所在供应链、关联企业、关联人、商品、资金、工商、财务、税务、法院、海关等数据信息；

风险指标加工模块230，基于信息收集整合模块220收集整合的数据信息，加工供应链上相关企业和个人的风险指标集合,包含事实风险指标和预测风险指标集合；

风险评估模块240，利用风险指标加工模块230加工的风险指标集合，评估目标企业的供应链金融风险；所述风险评估模块240包含供应链整体风险评估模块241、目标企业自身风险评估模块242、目标企业的关联风险评估模块243和供应链金融风险评估模块244

评估结果返回模块250，用于返回风险评估模块240给出的风险评估结果。