CN110188980A - 企业风险评分方法、装置、计算机设备及存储介质 - Google Patents

企业风险评分方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN110188980A
CN110188980A CN201910299844.3A CN201910299844A CN110188980A CN 110188980 A CN110188980 A CN 110188980A CN 201910299844 A CN201910299844 A CN 201910299844A CN 110188980 A CN110188980 A CN 110188980A
Authority
CN
China
Prior art keywords
risk
information
financial
scoring
preset
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
Application number
CN201910299844.3A
Other languages
English (en)
Inventor
巫德康
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
OneConnect Smart Technology Co Ltd
Original Assignee
OneConnect Smart Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by OneConnect Smart Technology Co Ltd filed Critical OneConnect Smart Technology Co Ltd
Priority to CN201910299844.3A priority Critical patent/CN110188980A/zh
Publication of CN110188980A publication Critical patent/CN110188980A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了企业风险评分方法、装置、计算机设备及存储介质。方法包括：若接收到用户所输入的评分请求信息，根据预设的信息爬取程序获取与所述评分请求信息相对应的企业信息；根据筛选信息及向量转换规则对企业信息进行转换以得到非财务向量；根据筛选信息及预设的计算模板构建风险概率计算模型；根据风险概率计算模型对非财务向量进行计算以得到企业信息的第一风险概率；根据预设的财务风险计算规则对企业信息中的财务信息进行计算以得到企业信息的第二风险概率；根据预设的风险评分模型对第一风险概率及第二风险概率进行计算以得到与企业信息对应的风险评分。本发明基于风险管控技术，实现了全面、准确地对企业风险进行评估。

Description

企业风险评分方法、装置、计算机设备及存储介质
技术领域
本发明涉及计算机技术领域，尤其涉及一种企业风险评分方法、装置、计算机设备及存储介质。
背景技术
在对企业风险进行评估时，会获取企业相关信息并得到评估结果。然而现有技术方法均通过自动获取企业财务信息并评估得到相应的评估结果，对企业的非财务信息则无法进行自动化处理，由于企业信息不够全面而无法对企业风险进行全面评估和预警，导致企业最终的评估结果存在准确性不足的问题。因而，现有的技术方法中存在对企业进行风险评估时准确性不足的问题。
发明内容
本发明实施例提供了一种企业风险评分方法、装置、计算机设备及存储介质，旨在解决现有技术方法中企业风险评分方法所存在的准确性不足的问题。
第一方面，本发明实施例提供了一种企业风险评分方法，其包括：
若接收到用户所输入的评分请求信息，根据预设的信息爬取程序获取与所述评分请求信息相对应的企业信息；所述企业信息中包括以数值进行表述的财务信息及以非数值进行表述的非财务信息；
根据预设的筛选信息对所述非财务向量进行筛选得到关键信息并根据预设的向量转换规则对所述关键信息进行转换以得到非财务向量；
根据所述筛选信息及预设的计算模板构建风险概率计算模型；
根据所述风险概率计算模型对所述非财务向量进行计算以得到所述企业信息的第一风险概率；
根据预设的财务风险计算规则对所述财务信息进行计算以得到所述企业信息的第二风险概率；
根据预设的风险评分模型对所述第一风险概率及所述第二风险概率进行计算以得到与所述企业信息对应的风险评分。
第二方面，本发明实施例提供了一种企业风险评分装置，其包括：
企业信息获取单元，用于若接收到用户所输入的评分请求信息，根据预设的信息爬取程序获取与所述评分请求信息相对应的企业信息；所述企业信息中包括以数值进行表述的财务信息及以非数值进行表述的非财务信息；
非财务信息转换单元，用于根据预设的筛选信息对所述非财务向量进行筛选得到关键信息并根据预设的向量转换规则对所述关键信息进行转换以得到非财务向量；
计算模型构建单元，用于根据所述筛选信息及预设的计算模板构建风险概率计算模型；
第一风险概率获取单元，用于根据所述风险概率计算模型对所述非财务向量进行计算以得到所述企业信息的第一风险概率；
第二风险概率获取单元，用于根据预设的财务风险计算规则对所述财务信息进行计算以得到所述企业信息的第二风险概率；
企业风险评分获取单元，用于根据预设的风险评分模型对所述第一风险概率及所述第二风险概率进行计算以得到与所述企业信息对应的风险评分。
第三方面，本发明实施例又提供了一种计算机设备，其包括存储器、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计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的企业风险评分方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其中所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行上述第一方面所述的企业风险评分方法。
本发明实施例提供了一种企业风险评分方法、装置、计算机设备及存储介质。通过获取企业信息并生成风险概率计算模型，通过计算企业信息中非财务信息的第一风险概率及财务信息的第二风险概率，并最终得到企业信息的风险评分。通过上述企业风险评分方法获取企业的风险评分，实现了全面地对企业风险进行评估，并提高了进行风险评分的准确性，在实际应用过程中取得了良好的技术效果。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，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为本发明实施例提供的企业风险评分方法的流程示意图；
图2为本发明实施例提供的企业风险评分方法的子流程示意图；
图3为本发明实施例提供的企业风险评分方法的另一子流程示意图；
图4为本发明实施例提供的企业风险评分方法的另一流程示意图；
图5为本发明实施例提供的企业风险评分方法的另一子流程示意图；
图6为本发明实施例提供的企业风险评分方法的另一子流程示意图；
图7为本发明实施例提供的企业风险评分装置的示意性框图；
图8为本发明实施例提供的企业风险评分装置的子单元示意性框图；
图9为本发明实施例提供的企业风险评分装置的另一子单元示意性框图；
图10为本发明实施例提供的企业风险评分装置的另一子单元示意性框图；
图11为本发明实施例提供的计算机设备的示意性框图。
具体实施方式
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，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
请参阅图1，图1是本发明实施例提供的企业风险评分方法的流程示意图。该企业风险评分方法应用于用户终端中，该方法通过安装于用户终端中的应用软件进行执行，用户终端即是用于执行企业风险评分方法以企业风险进行评分的终端设备，例如台式电脑、笔记本电脑、平板电脑或手机等。
如图1所示，该方法包括步骤S110～S160。
S110、若接收到用户所输入的评分请求信息，根据预设的信息爬取程序获取与所述评分请求信息相对应的企业信息；所述企业信息中包括以数值进行表述的财务信息及以非数值进行表述的非财务信息。
若接收到用户所输入的评分请求信息，根据预设的信息爬取程序获取与所述评分请求信息相对应的企业信息。具体的，评分请求信息即是用户(用户终端的使用者)所输入的用于对某一企业进行风险评分的请求信息，评分请求信息中包括获取地址及关键字信息，信息爬取程序即是用于对相应的企业信息进行获取的程序。其中，企业信息中包括以数值进行表述的财务信息及以非数值进行表述的非财务信息。
在一实施例中，如图2所示，步骤S110包括子步骤S111和S112。
S111、根据所述评分请求信息中的获取地址及关键字信息对所述信息爬取程序中的参数值进行配置。
根据所述评分请求信息中的获取地址及关键字信息对所述信息爬取程序中的参数值进行配置。评分请求信息中包括获取地址及关键字信息，获取地址中包含一个或多个网络地址信息，网络地址信息可以是政府部门网站、财经网站、证券交易市场网站、信息检索网站等。关键字信息即是用于对获取地址对应网页中的信息进行筛选的关键字，关键字信息中可包含一个或多个关键字，其中，一个或多个关键字均指向同一企业。通过获取地址和关键字信息即可对预设的信息爬取程序中的参数值进行配置。
例如，某一评分请求信息中所包含的信息如表1所示。
表1S112、根据已配置参数值的信息爬取程序获取所述获取地址中对应的企业信息。
根据已配置参数值的信息爬取程序获取所述获取地址中对应的企业信息。在对信息爬取程序中的参数值进行配置后，即可通过信息爬取程序从与获取地址对应的网页中获取相应的企业信息。具体的，企业信息中可包含以数值进行表述的财务信息，以及以非数值进行表述的非财务信息。
S120、根据预设的筛选信息对所述非财务向量进行筛选得到关键信息并根据预设的向量转换规则对所述关键信息进行转换以得到非财务向量。
根据预设的筛选信息对所述非财务向量进行筛选得到关键信息并根据预设的向量转换规则对所述关键信息进行转换以得到非财务向量，由于非财务信息均不是以数值进行表述，无法进行量化计算，因此可通过预设的筛选信息及向量转换规则将以非数值进行表述的非财务信息转换为对应的非财务向量，通过对非财务向量进行计算即可实现对非财务信息进行量化计算。
具体的，根据筛选信息对所述非财务信息进行筛选以得到非财务信息中与筛选信息对应的关键信息。由于企业信息中的非财务信息均是与企业相关的信息，非财务信息中可能包含对企业概况进行展示的信息、对企业发展历程进行展示的信息等，这些信息均不是用于对企业进行风险评分的关键信息，因此需通过筛选信息对非财务信息进行筛选，以筛选得到其中所包含的关键信息。具体的，筛选信息中可包含多个关键字，只要与筛选信息中的某一个关键字相匹配即可将非财务信息中与该关键字相匹配的一段信息作为关键信息进行获取。
例如，筛选信息可以是非法集资、非法融资、破产保护、重组、行政处罚、调查、侵权诉讼等。
根据向量转换规则对所述关键信息进行转换以得到非财务向量。向量转换规则即是用于将关键信息进行转换以得到非财务向量的规则信息，具体的，先根据向量转换规则中的分类规则对筛选信息中的关键字进行分类，可将关键字分为为重大及一般两类，关键信息中包含重大一类的关键字，则直接记录关键信息中是否包对应的关键字，若关键信息中包含某一关键字则该关键字对应位置的向量值为“1”，否则向量值为“0”；关键信息中包含一般这一类的关键字，则需记录关键信息中对应关键字所出现的次数，若关键信息中包含某一关键字则该关键字对应位置的向量值为该关键字所出现的次数，若关键信息中不包含该关键字则对应位置的向量值为“0”，最终得到一个仅包含数字的多维向量，也即是所得到的非财务向量。
例如，向量转换规则中的分类规则如表2所示。
重大 非法集资、非法融资、破产保护、重组
一般 行政处罚、调查、侵权诉讼
表2
某一企业信息所对应的关键信息中“重组”这一关键字出现2次，“行政处罚”这一关键字出现3次、“侵权诉讼”这一关键字出现1次，其他关键字均为出现，则最终得到的非财务向量为：{0，0，0，1，3，0，1}。
S130、根据所述筛选信息及预设的计算模板构建风险概率计算模型。
根据所述筛选信息及预设的计算模板构建风险概率计算模型。具体的，筛选信息中包含关键字，可根据筛选信息中所包含关键字构建风险概率计算模型中的输入节点，计算模板中包含全连接隐层及输出节点，最终所得到的风险概率计算模型包含输入节点、全连接隐层及输出节点。其中，筛选信息中每一个关键字对应一个输入节点，输出节点仅有一个，全连接隐层即是用于对输入节点与输出节点进行联系的中间层，全连接隐层中包含若干个特征单元，每一个特征单元均与所有输入节点和所有输出节点进行关联，特征单元即可用于反映筛选信息中的每一关键字与输出节点之间的关系，特征单元的数量可根据筛选信息中关键字的数量进行设定，优选的特征单元的数量可设定为关键字数量的1/3-1/2。
例如，筛选信息中关键字的数量为20个，则可设定特征单元的数量为8个。
在一实施例中，如图3所示，步骤S130包括子步骤S131、S132、S133和S134。
S131、根据所述筛选信息中所包含的关键字构建所述风险概率计算模型的输入节点。
根据所述筛选信息中所包含的关键字构建所述风险概率计算模型的输入节点。具体的，筛选信息中的每一个关键字对应一个输入节点，因此可通过关键字的数量对应生成相同数量的输入节点，由于对关键信息进行转换后所得到的非财务向量中所包含的多个向量维度与筛选信息中所包含的多个关键字一一对应，多个向量维度均与所生成的多个输入节点一一对应，输入节点值也即是非财务向量中对应向量维度的向量值，因此通过所构建的输入节点即可将非财务向量输入风险概率计算模型。
S132、根据预设的计算模板中全连接隐层所包含的所有特征单元及所述输入节点，以输入节点值作为输入值、特征单元值作为输出值构建输入节点至特征单元的第一公式组。
根据预设的计算模板中全连接隐层所包含的多个特征单元及所构建的多个输入节点，以输入节点值作为输入值、特征单元值作为输出值构建输入节点至特征单元的第一公式组，其中，第一公式组包含所有输入节点至所有特征单元的公式。输入节点即是风险概率计算模型中用于对某一个企业的非财务向量进行输入的节点，输入节点的具体数值即为输入节点值，也即是企业非财务向量中相应向量维度的向量值，由于每一输入节点对应非财务向量中的一个向量维度，所有输入节点值即与一个企业的非财务向量相对应，特征单元值即是全连接隐层中的特征单元的计算值。
例如，某一输入节点的输入节点值为x1，某一特征单元的特征单元值为y1，则该输入节点至该特征单元的公式为y1＝a×x1+b；其中，a和b为该公式中的参数。
S133、根据所有所述特征单元及所述计算模板中所包含的输出节点，以特征单元值作为输入值、输出节点值作为输出值构建特征单元至输出节点的第二公式组。
据所有所述特征单元及所述计算模板中所包含的输出节点，以特征单元值作为输入值、输出节点值作为输出值构建特征单元至输出节点的第二公式组，其中，第二公式组包含所有特征单元至输出节点的公式。输出节点即是风险概率计算模型中用于对第一风险概率进行输出的节点，输出节点的具体数值即是输出节点值，也即是最终所得到的第一风险概率，特征单元值即是全连接隐层中的特征单元的计算值。
例如，某一特征单元的特征单元值为y1，输出节点的输出节点值为z，则该特征单元至该输出节点的公式为z＝c×y1+d；其中，c和d为该公式中的参数。
S134、对第一公式组和第二公式组中公式的参数进行随机配置。
对第一公式组中公式的参数进行随机配置，对第二公式组中公式的参数进行随机配置，即完成了风险概率计算模型的构建过程。
在一实施例中，如图4所示，步骤S130之后还包括步骤S130a。
S130a、根据预设的训练规则对所述风险概率计算模型进行训练以得到训练后的风险概率计算模型。
根据预设的训练规则对所述风险概率计算模型进行训练以得到训练后的风险概率计算模型。为提高风险概率计算模型的精确度，可通过预设的训练规则对所构建的风险概率计算模型进行训练，即可得到训练后的风险概率计算模型，使用训练后的风险概率计算模型进行计算即可得到精确的第一风险概率。其中，训练规则中包括训练参数及参数调整规则。
具体的，训练参数中包括多个企业的非财务向量以及与每一非财务向量对应的第一风险概率。将训练参数中某一企业的非财务向量输入风险概率计算模型即可计算得到该企业的训练风险概率。参数调整规则中包括概率阈值、参数调整方向及参数调整幅度。根据概率阈值判断计算得到的该企业的训练风险概率与第一风险概率之间的差值是否大于概率阈值，若判断结果为大于则根据参数调整规则中的参数调整方向及参数调整幅度对风险概率计算模型中所包含公式的参数进行调整；若判断结果为不大于，则不对风险概率计算模型中所包含公式的参数进行调整。
S140、根据所述风险概率计算模型对所述非财务向量进行计算以得到所述企业信息的第一风险概率。
根据所述风险概率计算模型对所述非财务向量进行计算以得到所述企业信息的第一风险概率。将所得到的非财务向量输入所构建的风险概率计算模型，即可计算得到与该非财务向量对应企业的第一风险概率。所计算得到的第一风险概率可以用百分数进行表示，最低为0％，最高为100％。
在一实施例中，如图5所示，步骤S140包括子步骤S141和S142。
S141、将所述非财务向量作为所述风险概率计算模型中输入节点的输入节点值输入所述风险概率计算模型。
将所述非财务向量作为所述风险概率计算模型中输入节点的输入节点值输入所述风险概率计算模型。由于每一输入节点对应非财务向量中的一个向量维度，所有输入节点值即与一个企业的非财务向量相对应，将非财务向量中每一向量维度的向量值作为对应输入节点的输入节点值，即可将非财务向量输入风险概率计算模型。
例如，某一非财务向量为：{0，0，0，1，3，0，1}，则风险概率计算模型中第一个输入节点的输入节点值为“0”。
S142、获取所述风险概率计算模型中输出节点的输出节点值作为所述企业信息的第一风险概率。
获取所述风险概率计算模型中输出节点的输出节点值作为所述企业信息的第一风险概率。通过风险概率计算模型中第一公式组及第二公式组的计算，即可得到输出节点值，也即是最终所得到的第一风险概率。
S150、根据预设的财务风险计算规则对所述财务信息进行计算以得到所述企业信息的第二风险概率。
根据预设的财务风险计算规则对所述财务信息进行计算以得到所述企业信息的第二风险概率。具体的，财务风险计算规则即是用于对企业的财务信息进行计算的规则，通过财务风险计算规则对企业信息中所包含的财务信息进行计算即可计算得到该企业信息对应的第二风险概率。其中，企业信息中的财务信息可以是该企业的年度财报。财务信息可具体包括资产负债率、毛利润率、净利润率等，财务风险计算规则中具体包括对资产负债率、毛利润率及净利润率进行计算的公式，最终计算得到的第二风险概率可以用百分数进行表示，最低为0％，最高为100％。
S160、根据预设的风险评分模型对所述第一风险概率及所述第二风险概率进行计算以得到与所述企业信息对应的风险评分。
根据预设的风险评分模型对所述第一风险概率及所述第二风险概率进行计算以得到与所述企业信息对应的风险评分。风险评分模型中具体包括第一转换公式、第二转换公式及评分计算公式，通过风险评分模型对所得到的第一风险概率及第二风险概率进行计算即可得到最终的风险评分，风险评分越高则表明企业风险越小；风险评分越低则表明企业风险越大。由于企业信息中包含企业的财务信息及非财务信息，因此可以大幅提高所计算得到的风险评分的准确性。
此外，还可设置提醒规则对所计算得到的风险评分进行判断，若某一企业的风险评分小于提醒规则中预设的阈值，则向用户发出报警提示信息以对用户进行提醒。
在一实施例中，如图6所示，步骤S160包括子步骤S161、S162和S163。
S161、根据风险评分模型中的第一转换公式C1＝-100×(1+e^(-a))-1+100对所述第一风险概率a进行计算以得到非财务评分C1。
根据风险评分模型中的第一转换公式C1＝-100×(1+e^(-a))-1+100对所述第一风险概率a进行计算以得到非财务评分C1。具体的，a即是所计算得到的第一风险概率，a的取值最低为0％，最高为100％，则对以百分数表示的a进行转换后得到处于[0,1]这一区间，将a的数值输入第一转换公式即可计算得到对应的非财务评分。
例如，a＝50％＝0.5，根据第一转换公式计算得到-100×(1+e^(-0.5))-1+100＝37.75，也即是最终得到非财务评分C1为37.75。
S162、根据风险评分模型中的第二转换公式C2＝-100×(1+e^(-b))-1+100对所述第二风险概率b进行计算以得到财务评分C2。
根据风险评分模型中的第二转换公式C2＝-100×(1+e^(-b))-1+100对所述第二风险概率b进行计算以得到财务评分C2。具体的，b即是所计算得到的第二风险概率，b的取值最低为0％，最高为100％，则对以百分数表示的b进行转换后得到处于[0,1]这一区间，将b的数值输入第二转换公式即可计算得到对应的财务评分。
例如，b＝30％＝0.3，根据第一转换公式计算得到-100×(1+e^(-0.3))-1+100＝42.56，也即是最终得到财务评分C2为42.56。
S163、根据风险评分模型中的评分计算公式C0＝V1×C1+V2×C2对所述非财务评分C1及所述财务评分C2进行计算以得到风险评分C0，其中，V1及V2均是评分计算公式中预设的参数值。
将所得到的非财务评分C1及财务评分C2输入风险评分模型中的评分计算公式C0＝V1×C1+V2×C2进行计算，即可得到风险评分C0。由于企业信息中包含企业的财务信息及非财务信息，根据非财务信息即可得到非财务评分，根据财务信息即可得到财务得分，因此通过上述方法计算得到风险评分即可大幅提高对企业进行风险评估的准确性。
例如，评分计算公式C0＝0.6×C1+1.4×C2，则根据上述非财务评分C1＝37.75、财务评分C2＝42.56计算得到风险评分C0＝82.23。
通过获取企业信息并生成风险概率计算模型，通过计算企业信息中非财务信息的第一风险概率及财务信息的第二风险概率，并最终得到企业信息的风险评分。通过上述企业风险评分方法获取企业的风险评分，实现了全面地对企业风险进行评估，并提高了进行风险评分的准确性，在实际应用过程中取得了良好的技术效果。
本发明实施例还提供一种企业风险评分装置，该企业风险评分装置用于执行前述企业风险评分方法的任一实施例。具体地，请参阅图7，图7是本发明实施例提供的企业风险评分装置的示意性框图。该企业风险评分装置可以配置于台式电脑、笔记本电脑、平板电脑或手机等用户终端中。
如图7所示，企业风险评分装置100包括企业信息获取单元110、非财务信息转换单元120、计算模型构建单元130、第一风险概率获取单元140、第二风险概率获取单元150和企业风险评分获取单元160。
企业信息获取单元110，用于若接收到用户所输入的评分请求信息，根据预设的信息爬取程序获取与所述评分请求信息相对应的企业信息；所述企业信息中包括以数值进行表述的财务信息及以非数值进行表述的非财务信息。
若接收到用户所输入的评分请求信息，根据预设的信息爬取程序获取与所述评分请求信息相对应的企业信息。具体的，评分请求信息即是用户(用户终端的使用者)所输入的用于对某一企业进行风险评分的请求信息，评分请求信息中包括获取地址及关键字信息，信息爬取程序即是用于对相应的企业信息进行获取的程序。其中，企业信息中包括以数值进行表述的财务信息及以非数值进行表述的非财务信息。
其他发明实施例中，如图8所示，所述企业信息获取单元110包括子单元：程序参数值配置单元111和信息获取单元112。
程序参数值配置单元111，用于根据所述评分请求信息中的获取地址及关键字信息对所述信息爬取程序中的参数值进行配置。
根据所述评分请求信息中的获取地址及关键字信息对所述信息爬取程序中的参数值进行配置。评分请求信息中包括获取地址及关键字信息，获取地址中包含一个或多个网络地址信息，网络地址信息可以是政府部门网站、财经网站、证券交易市场网站、信息检索网站等。关键字信息即是用于对获取地址对应网页中的信息进行筛选的关键字，关键字信息中可包含一个或多个关键字，其中，一个或多个关键字均指向同一企业。通过获取地址和关键字信息即可对预设的信息爬取程序中的参数值进行配置。
信息获取单元112，用于根据已配置参数值的信息爬取程序获取所述获取地址中对应的企业信息。
根据已配置参数值的信息爬取程序获取所述获取地址中对应的企业信息。在对信息爬取程序中的参数值进行配置后，即可通过信息爬取程序从与获取地址对应的网页中获取相应的企业信息。具体的，企业信息中可包含以数值进行表述的财务信息，以及以非数值进行表述的非财务信息。
非财务信息转换单元120，用于根据预设的筛选信息对所述非财务向量进行筛选得到关键信息并根据预设的向量转换规则对所述关键信息进行转换以得到非财务向量。
根据预设的筛选信息对所述非财务向量进行筛选得到关键信息并根据预设的向量转换规则对所述关键信息进行转换以得到非财务向量，由于非财务信息均不是以数值进行表述，无法进行量化计算，因此可通过预设的筛选信息及向量转换规则将以非数值进行表述的非财务信息转换为对应的非财务向量，通过对非财务向量进行计算即可实现对非财务信息进行量化计算。
具体的，根据筛选信息对所述非财务信息进行筛选以得到非财务信息中与筛选信息对应的关键信息。由于企业信息中的非财务信息均是与企业相关的信息，非财务信息中可能包含对企业概况进行展示的信息、对企业发展历程进行展示的信息等，这些信息均不是用于对企业进行风险评分的关键信息，因此需通过筛选信息对非财务信息进行筛选，以筛选得到其中所包含的关键信息。具体的，筛选信息中可包含多个关键字，只要与筛选信息中的某一个关键字相匹配即可将非财务信息中与该关键字相匹配的一段信息作为关键信息进行获取。
根据向量转换规则对所述关键信息进行转换以得到非财务向量。向量转换规则即是用于将关键信息进行转换以得到非财务向量的规则信息，具体的，先根据向量转换规则中的分类规则对筛选信息中的关键字进行分类，可将关键字分为为重大及一般两类，关键信息中包含重大一类的关键字，则直接记录关键信息中是否包对应的关键字，若关键信息中包含某一关键字则该关键字对应位置的向量值为“1”，否则向量值为“0”；关键信息中包含一般这一类的关键字，则需记录关键信息中对应关键字所出现的次数，若关键信息中包含某一关键字则该关键字对应位置的向量值为该关键字所出现的次数，若关键信息中不包含该关键字则对应位置的向量值为“0”，最终得到一个仅包含数字的多维向量，也即是所得到的非财务向量。
计算模型构建单元130，用于根据所述筛选信息及预设的计算模板构建风险概率计算模型。
根据所述筛选信息及预设的计算模板构建风险概率计算模型。具体的，筛选信息中包含关键字，可根据筛选信息中所包含关键字构建风险概率计算模型中的输入节点，计算模板中包含全连接隐层及输出节点，最终所得到的风险概率计算模型包含输入节点、全连接隐层及输出节点。其中，筛选信息中每一个关键字对应一个输入节点，输出节点仅有一个，全连接隐层即是用于对输入节点与输出节点进行联系的中间层，全连接隐层中包含若干个特征单元，每一个特征单元均与所有输入节点和所有输出节点进行关联，特征单元即可用于反映筛选信息中的每一关键字与输出节点之间的关系，特征单元的数量可根据筛选信息中关键字的数量进行设定，优选的特征单元的数量可设定为关键字数量的1/3-1/2。
其他发明实施例中，如图9所示，所述计算模型构建单元130包括子单元：输入节点构建单元131、第一公式组生成单元132、第二公式组生成单元133和公式参数配置单元134。
输入节点构建单元131，用于根据所述筛选信息中所包含的关键字构建所述风险概率计算模型的输入节点。
根据所述筛选信息中所包含的关键字构建所述风险概率计算模型的输入节点。具体的，筛选信息中的每一个关键字对应一个输入节点，因此可通过关键字的数量对应生成相同数量的输入节点，由于对关键信息进行转换后所得到的非财务向量中所包含的多个向量维度与筛选信息中所包含的多个关键字一一对应，多个向量维度均与所生成的多个输入节点一一对应，输入节点值也即是非财务向量中对应向量维度的向量值，因此通过所构建的输入节点即可将非财务向量输入风险概率计算模型。
第一公式组生成单元132，用于根据预设的计算模板中全连接隐层所包含的所有特征单元及所述输入节点，以输入节点值作为输入值、特征单元值作为输出值构建输入节点至特征单元的第一公式组。
根据预设的计算模板中全连接隐层所包含的多个特征单元及所构建的多个输入节点，以输入节点值作为输入值、特征单元值作为输出值构建输入节点至特征单元的第一公式组，其中，第一公式组包含所有输入节点至所有特征单元的公式。输入节点即是风险概率计算模型中用于对某一个企业的非财务向量进行输入的节点，输入节点的具体数值即为输入节点值，也即是企业非财务向量中相应向量维度的向量值，由于每一输入节点对应非财务向量中的一个向量维度，所有输入节点值即与一个企业的非财务向量相对应，特征单元值即是全连接隐层中的特征单元的计算值。
第二公式组生成单元133，用于根据所有所述特征单元及所述计算模板中所包含的输出节点，以特征单元值作为输入值、输出节点值作为输出值构建特征单元至输出节点的第二公式组。
据所有所述特征单元及所述计算模板中所包含的输出节点，以特征单元值作为输入值、输出节点值作为输出值构建特征单元至输出节点的第二公式组，其中，第二公式组包含所有特征单元至输出节点的公式。输出节点即是风险概率计算模型中用于对第一风险概率进行输出的节点，输出节点的具体数值即是输出节点值，也即是最终所得到的第一风险概率，特征单元值即是全连接隐层中的特征单元的计算值。
公式参数配置单元134，用于对第一公式组和第二公式组中公式的参数进行随机配置。
对第一公式组中公式的参数进行随机配置，对第二公式组中公式的参数进行随机配置，即完成了风险概率计算模型的构建过程。
在一实施例中，企业风险评分装置还包括子单元：模型训练单元。
模型训练单元，用于根据预设的训练规则对所述风险概率计算模型进行训练以得到训练后的风险概率计算模型。
根据预设的训练规则对所述风险概率计算模型进行训练以得到训练后的风险概率计算模型。为提高风险概率计算模型的精确度，可通过预设的训练规则对所构建的风险概率计算模型进行训练，即可得到训练后的风险概率计算模型，使用训练后的风险概率计算模型进行计算即可得到精确的第一风险概率。其中，训练规则中包括训练参数及参数调整规则。
具体的，训练参数中包括多个企业的非财务向量以及与每一非财务向量对应的第一风险概率。将训练参数中某一企业的非财务向量输入风险概率计算模型即可计算得到该企业的训练风险概率。参数调整规则中包括概率阈值、参数调整方向及参数调整幅度。根据概率阈值判断计算得到的该企业的训练风险概率与第一风险概率之间的差值是否大于概率阈值，若判断结果为大于则根据参数调整规则中的参数调整方向及参数调整幅度对风险概率计算模型中所包含公式的参数进行调整；若判断结果为不大于，则不对风险概率计算模型中所包含公式的参数进行调整。
第一风险概率获取单元140，用于根据所述风险概率计算模型对所述非财务向量进行计算以得到所述企业信息的第一风险概率。
根据所述风险概率计算模型对所述非财务向量进行计算以得到所述企业信息的第一风险概率。将所得到的非财务向量输入所构建的风险概率计算模型，即可计算得到与该非财务向量对应企业的第一风险概率。所计算得到的第一风险概率可以用百分数进行表示，最低为0％，最高为100％。
其他发明实施例中，如图10所示，所述第一风险概率获取单元140包括子单元：非财务向量输入单元141和第一风险概率计算单元142。
非财务向量输入单元141，用于将所述非财务向量作为所述风险概率计算模型中输入节点的输入节点值输入所述风险概率计算模型。
将所述非财务向量作为所述风险概率计算模型中输入节点的输入节点值输入所述风险概率计算模型。由于每一输入节点对应非财务向量中的一个向量维度，所有输入节点值即与一个企业的非财务向量相对应，将非财务向量中每一向量维度的向量值作为对应输入节点的输入节点值，即可将非财务向量输入风险概率计算模型。
第一风险概率计算单元142，用于获取所述风险概率计算模型中输出节点的输出节点值作为所述企业信息的第一风险概率。
获取所述风险概率计算模型中输出节点的输出节点值作为所述企业信息的第一风险概率。通过风险概率计算模型中第一公式组及第二公式组的计算，即可得到输出节点值，也即是最终所得到的第一风险概率。
第二风险概率获取单元150，用于根据预设的财务风险计算规则对所述财务信息进行计算以得到所述企业信息的第二风险概率。
根据预设的财务风险计算规则对所述财务信息进行计算以得到所述企业信息的第二风险概率。具体的，财务风险计算规则即是用于对企业的财务信息进行计算的规则，通过财务风险计算规则对企业信息中所包含的财务信息进行计算即可计算得到该企业信息对应的第二风险概率。其中，企业信息中的财务信息可以是该企业的年度财报。财务信息可具体包括资产负债率、毛利润率、净利润率等，财务风险计算规则中具体包括对资产负债率、毛利润率及净利润率进行计算的公式，最终计算得到的第二风险概率可以用百分数进行表示，最低为0％，最高为100％。
企业风险评分获取单元160，用于根据预设的风险评分模型对所述第一风险概率及所述第二风险概率进行计算以得到与所述企业信息对应的风险评分。
根据预设的风险评分模型对所述第一风险概率及所述第二风险概率进行计算以得到与所述企业信息对应的风险评分。风险评分模型中具体包括第一转换公式、第二转换公式及评分计算公式，通过风险评分模型对所得到的第一风险概率及第二风险概率进行计算即可得到最终的风险评分，风险评分越高则表明企业风险越小；风险评分越低则表明企业风险越大。由于企业信息中包含企业的财务信息及非财务信息，因此可以大幅提高所计算得到的风险评分的准确性。
此外，还可设置提醒规则对所计算得到的风险评分进行判断，若某一企业的风险评分小于提醒规则中预设的阈值，则向用户发出报警提示信息以对用户进行提醒。
其他发明实施例中，所述企业风险评分获取单元包括子单元：非财务评分获取单元、财务评分获取单元和风险评分计算单元。
非财务评分获取单元，用于根据风险评分模型中的第一转换公式C1＝-100×(1+e^(-a))-1+100对所述第一风险概率a进行计算以得到非财务评分C1。
根据风险评分模型中的第一转换公式C1＝-100×(1+e^(-a))-1+100对所述第一风险概率a进行计算以得到非财务评分C1。具体的，a即是所计算得到的第一风险概率，a的取值最低为0％，最高为100％，则对以百分数表示的a进行转换后得到处于[0,1]这一区间，将a的数值输入第一转换公式即可计算得到对应的非财务评分。
财务评分获取单元，用于根据风险评分模型中的第二转换公式C2＝-100×(1+e^(-b))-1+100对所述第二风险概率b进行计算以得到财务评分C2。
根据风险评分模型中的第二转换公式C2＝-100×(1+e^(-b))-1+100对所述第二风险概率b进行计算以得到财务评分C2。具体的，b即是所计算得到的第二风险概率，b的取值最低为0％，最高为100％，则对以百分数表示的b进行转换后得到处于[0,1]这一区间，将b的数值输入第二转换公式即可计算得到对应的财务评分。
风险评分计算单元，用于根据风险评分模型中的评分计算公式C0＝V1×C1+V2×C2对所述非财务评分C1及所述财务评分C2进行计算以得到风险评分C0，其中，V1及V2均是评分计算公式中预设的参数值。
将所得到的非财务评分C1及财务评分C2输入风险评分模型中的评分计算公式C0＝V1×C1+V2×C2进行计算，即可得到风险评分C0。由于企业信息中包含企业的财务信息及非财务信息，根据非财务信息即可得到非财务评分，根据财务信息即可得到财务得分，因此通过上述方法计算得到风险评分即可大幅提高对企业进行风险评估的准确性。
通过获取企业信息并生成风险概率计算模型，通过计算企业信息中非财务信息的第一风险概率及财务信息的第二风险概率，并最终得到企业信息的风险评分。通过上述企业风险评分方法获取企业的风险评分，实现了全面地对企业风险进行评估，并提高了进行风险评分的准确性，在实际应用过程中取得了良好的技术效果。
上述企业风险评分装置可以实现为计算机程序的形式，该计算机程序可以在如图11所示的计算机设备上运行。
请参阅图11，图11是本发明实施例提供的计算机设备的示意性框图。
参阅图11，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032被执行时，可使得处理器502执行企业风险评分方法。
该处理器502用于提供计算和控制能力，支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行企业风险评分方法。
该网络接口505用于进行网络通信，如提供数据信息的传输等。本领域技术人员可以理解，图11中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现如下功能：若接收到用户所输入的评分请求信息，根据预设的信息爬取程序获取与所述评分请求信息相对应的企业信息；所述企业信息中包括以数值进行表述的财务信息及以非数值进行表述的非财务信息；根据预设的筛选信息对所述非财务向量进行筛选得到关键信息并根据预设的向量转换规则对所述关键信息进行转换以得到非财务向量；根据所述筛选信息及预设的计算模板构建风险概率计算模型；根据所述风险概率计算模型对所述非财务向量进行计算以得到所述企业信息的第一风险概率；根据预设的财务风险计算规则对所述财务信息进行计算以得到所述企业信息的第二风险概率；根据预设的风险评分模型对所述第一风险概率及所述第二风险概率进行计算以得到与所述企业信息对应的风险评分。
在一实施例中，处理器502在执行若接收到用户所输入的评分请求信息，根据预设的信息爬取程序获取与所述评分请求信息相对应的企业信息的步骤时，执行如下操作：根据所述评分请求信息中的获取地址及关键字信息对所述信息爬取程序中的参数值进行配置；根据已配置参数值的信息爬取程序获取所述获取地址中对应的企业信息。
在一实施例中，处理器502在执行根据所述筛选信息及预设的计算模板构建风险概率计算模型的步骤时，执行如下操作：根据所述筛选信息中所包含的关键字构建所述风险概率计算模型的输入节点；根据预设的计算模板中全连接隐层所包含的所有特征单元及所述输入节点，以输入节点值作为输入值、特征单元值作为输出值构建输入节点至特征单元的第一公式组；根据所有所述特征单元及所述计算模板中所包含的输出节点，以特征单元值作为输入值、输出节点值作为输出值构建特征单元至输出节点的第二公式组；对第一公式组和第二公式组中公式的参数进行随机配置。
在一实施例中，处理器502在执行根据所述筛选信息及预设的计算模板构建风险概率计算模型的步骤之后，还执行如下操作：根据预设的训练规则对所述风险概率计算模型进行训练以得到训练后的风险概率计算模型。
在一实施例中，处理器502在执行根据所述风险概率计算模型对所述非财务向量进行计算以得到所述企业信息的第一风险概率的步骤时，执行如下操作：将所述非财务向量作为所述风险概率计算模型中输入节点的输入节点值输入所述风险概率计算模型；获取所述风险概率计算模型中输出节点的输出节点值作为所述企业信息的第一风险概率。
在一实施例中，处理器502在执行根据预设的风险评分模型对所述第一风险概率及所述第二风险概率进行计算以得到与所述企业信息对应的风险评分的步骤时，执行如下操作：根据风险评分模型中的第一转换公式C1＝-100×(1+e^(-a))-1+100对所述第一风险概率a进行计算以得到非财务评分C1；根据风险评分模型中的第二转换公式C2＝-100×(1+e^(-b))-1+100对所述第二风险概率b进行计算以得到财务评分C2；根据风险评分模型中的评分计算公式C0＝V1×C1+V2×C2对所述非财务评分C1及所述财务评分C2进行计算以得到风险评分C0，其中，V1及V2均是评分计算公式中预设的参数值。
本领域技术人员可以理解，图11中示出的计算机设备的实施例并不构成对计算机设备具体构成的限定，在其他实施例中，计算机设备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。例如，在一些实施例中，计算机设备可以仅包括存储器及处理器，在这样的实施例中，存储器及处理器的结构及功能与图11所示实施例一致，在此不再赘述。
应当理解，在本发明实施例中，处理器502可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
在本发明的另一实施例中提供计算机可读存储介质。该计算机可读存储介质可以为非易失性的计算机可读存储介质。该计算机可读存储介质存储有计算机程序，其中计算机程序被处理器执行时实现以下步骤：若接收到用户所输入的评分请求信息，根据预设的信息爬取程序获取与所述评分请求信息相对应的企业信息；所述企业信息中包括以数值进行表述的财务信息及以非数值进行表述的非财务信息；根据预设的筛选信息对所述非财务向量进行筛选得到关键信息并根据预设的向量转换规则对所述关键信息进行转换以得到非财务向量；根据所述筛选信息及预设的计算模板构建风险概率计算模型；根据所述风险概率计算模型对所述非财务向量进行计算以得到所述企业信息的第一风险概率；根据预设的财务风险计算规则对所述财务信息进行计算以得到所述企业信息的第二风险概率；根据预设的风险评分模型对所述第一风险概率及所述第二风险概率进行计算以得到与所述企业信息对应的风险评分。
在一实施例中，所述若接收到用户所输入的评分请求信息，根据预设的信息爬取程序获取与所述评分请求信息相对应的企业信息的步骤，包括：根据所述评分请求信息中的获取地址及关键字信息对所述信息爬取程序中的参数值进行配置；根据已配置参数值的信息爬取程序获取所述获取地址中对应的企业信息。
在一实施例中，所述根据所述筛选信息及预设的计算模板构建风险概率计算模型的步骤，包括：根据所述筛选信息中所包含的关键字构建所述风险概率计算模型的输入节点；根据预设的计算模板中全连接隐层所包含的所有特征单元及所述输入节点，以输入节点值作为输入值、特征单元值作为输出值构建输入节点至特征单元的第一公式组；根据所有所述特征单元及所述计算模板中所包含的输出节点，以特征单元值作为输入值、输出节点值作为输出值构建特征单元至输出节点的第二公式组；对第一公式组和第二公式组中公式的参数进行随机配置。
在一实施例中，所述根据所述筛选信息及预设的计算模板构建风险概率计算模型的步骤之后，还包括：根据预设的训练规则对所述风险概率计算模型进行训练以得到训练后的风险概率计算模型。
在一实施例中，所述根据所述风险概率计算模型对所述非财务向量进行计算以得到所述企业信息的第一风险概率的步骤，包括：将所述非财务向量作为所述风险概率计算模型中输入节点的输入节点值输入所述风险概率计算模型；获取所述风险概率计算模型中输出节点的输出节点值作为所述企业信息的第一风险概率。
在一实施例中，所述根据预设的风险评分模型对所述第一风险概率及所述第二风险概率进行计算以得到与所述企业信息对应的风险评分的步骤，包括：根据风险评分模型中的第一转换公式C1＝-100×(1+e^(-a))-1+100对所述第一风险概率a进行计算以得到非财务评分C1；根据风险评分模型中的第二转换公式C2＝-100×(1+e^(-b))-1+100对所述第二风险概率b进行计算以得到财务评分C2；根据风险评分模型中的评分计算公式C0＝V1×C1+V2×C2对所述非财务评分C1及所述财务评分C2进行计算以得到风险评分C0，其中，V1及V2均是评分计算公式中预设的参数值。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的设备、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为逻辑功能划分，实际实现时可以有另外的划分方式，也可以将具有相同功能的单元集合成一个单元，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。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，或者该技术方案的全部或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计算机可读存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的计算机可读存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种企业风险评分方法，其特征在于，包括：
若接收到用户所输入的评分请求信息，根据预设的信息爬取程序获取与所述评分请求信息相对应的企业信息；所述企业信息中包括以数值进行表述的财务信息及以非数值进行表述的非财务信息；
根据预设的筛选信息对所述非财务向量进行筛选得到关键信息并根据预设的向量转换规则对所述关键信息进行转换以得到非财务向量；
根据所述筛选信息及预设的计算模板构建风险概率计算模型；
根据所述风险概率计算模型对所述非财务向量进行计算以得到所述企业信息的第一风险概率；
根据预设的财务风险计算规则对所述财务信息进行计算以得到所述企业信息的第二风险概率；
根据预设的风险评分模型对所述第一风险概率及所述第二风险概率进行计算以得到与所述企业信息对应的风险评分。
2.根据权利要求1所述的企业风险评分方法，其特征在于，所述根据预设的信息爬取程序获取与所述评分请求信息相对应的企业信息，包括：
根据所述评分请求信息中的获取地址及关键字信息对所述信息爬取程序中的参数值进行配置；
根据已配置参数值的信息爬取程序获取所述获取地址中对应的企业信息。
3.根据权利要求1所述的企业风险评分方法，其特征在于，所述根据所述筛选信息及预设的计算模板构建风险概率计算模型，包括：
根据所述筛选信息中所包含的关键字构建所述风险概率计算模型的输入节点；
根据预设的计算模板中全连接隐层所包含的所有特征单元及所述输入节点，以输入节点值作为输入值、特征单元值作为输出值构建输入节点至特征单元的第一公式组；
根据所有所述特征单元及所述计算模板中所包含的输出节点，以特征单元值作为输入值、输出节点值作为输出值构建特征单元至输出节点的第二公式组；
对第一公式组和第二公式组中公式的参数进行随机配置。
4.根据权利要求1所述的企业风险评分方法，其特征在于，所述根据所述筛选信息及预设的计算模板构建风险概率计算模型之后，还包括：
根据预设的训练规则对所述风险概率计算模型进行训练以得到训练后的风险概率计算模型。
5.根据权利要求1所述的企业风险评分方法，其特征在于，所述根据所述风险概率计算模型对所述非财务向量进行计算以得到所述企业信息的第一风险概率，包括：
将所述非财务向量作为所述风险概率计算模型中输入节点的输入节点值输入所述风险概率计算模型；
获取所述风险概率计算模型中输出节点的输出节点值作为所述企业信息的第一风险概率。
6.根据权利要求1所述的企业风险评分方法，其特征在于，所述根据预设的风险评分模型对所述第一风险概率及所述第二风险概率进行计算以得到与所述企业信息对应的风险评分，包括：
根据风险评分模型中的第一转换公式C1＝-100×(1+e^(-a))-1+100对所述第一风险概率a进行计算以得到非财务评分C1；
根据风险评分模型中的第二转换公式C2＝-100×(1+e^(-b))-1+100对所述第二风险概率b进行计算以得到财务评分C2；
根据风险评分模型中的评分计算公式C0＝V1×C1+V2×C2对所述非财务评分C1及所述财务评分C2进行计算以得到风险评分C0，其中，V1及V2均是评分计算公式中预设的参数值。
7.一种企业风险评分装置，其特征在于，包括：
企业信息获取单元，用于若接收到用户所输入的评分请求信息，根据预设的信息爬取程序获取与所述评分请求信息相对应的企业信息；所述企业信息中包括以数值进行表述的财务信息及以非数值进行表述的非财务信息；
非财务信息转换单元，用于根据预设的筛选信息对所述非财务向量进行筛选得到关键信息并根据预设的向量转换规则对所述关键信息进行转换以得到非财务向量；
计算模型构建单元，用于根据所述筛选信息及预设的计算模板构建风险概率计算模型；
第一风险概率获取单元，用于根据所述风险概率计算模型对所述非财务向量进行计算以得到所述企业信息的第一风险概率；
第二风险概率获取单元，用于根据预设的财务风险计算规则对所述财务信息进行计算以得到所述企业信息的第二风险概率；
企业风险评分获取单元，用于根据预设的风险评分模型对所述第一风险概率及所述第二风险概率进行计算以得到与所述企业信息对应的风险评分。
8.根据权利要求7所述的企业风险评分装置，其特征在于，所述企业信息获取单元，包括：
程序参数值配置单元，用于根据所述评分请求信息中的获取地址及关键字信息对所述信息爬取程序中的参数值进行配置；
信息获取单元，用于根据已配置参数值的信息爬取程序获取所述获取地址中对应的企业信息。
9.一种计算机设备，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计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述的企业风险评分方法。
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存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行如权利要求1至6任一项所述的企业风险评分方法。
CN201910299844.3A 2019-04-15 2019-04-15 企业风险评分方法、装置、计算机设备及存储介质 Pending CN110188980A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910299844.3A CN110188980A (zh) 2019-04-15 2019-04-15 企业风险评分方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910299844.3A CN110188980A (zh) 2019-04-15 2019-04-15 企业风险评分方法、装置、计算机设备及存储介质

Publications (1)

Publication Number Publication Date
CN110188980A true CN110188980A (zh) 2019-08-30

Family

ID=67714523

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910299844.3A Pending CN110188980A (zh) 2019-04-15 2019-04-15 企业风险评分方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN110188980A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110659841A (zh) * 2019-09-29 2020-01-07 深圳前海环融联易信息科技服务有限公司 风险资产筛选方法、装置、计算机设备及存储介质
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
CN112016791A (zh) * 2020-07-15 2020-12-01 北京淇瑀信息科技有限公司 资源分配方法、装置及电子设备
CN112016796A (zh) * 2020-07-15 2020-12-01 北京淇瑀信息科技有限公司 综合风险评分请求处理方法、装置及电子设备
CN112017063A (zh) * 2020-07-15 2020-12-01 北京淇瑀信息科技有限公司 基于综合风险评分的资源分配方法、装置及电子设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040215551A1 (en) * 2001-11-28 2004-10-28 Eder Jeff S. Value and risk management system for multi-enterprise organization
JP2013080456A (ja) * 2011-09-21 2013-05-02 Norihide Noda 企業評価システム、企業評価方法及び企業評価プログラム
CN107909274A (zh) * 2017-11-17 2018-04-13 平安科技（深圳）有限公司 企业投资风险评估方法、装置及存储介质
CN108961043A (zh) * 2018-07-06 2018-12-07 中国电力财务有限公司 一种风险等级的确定方法及装置
CN109255716A (zh) * 2018-09-04 2019-01-22 中国平安财产保险股份有限公司 债券评级方法、装置、计算机设备及存储介质
CN109523118A (zh) * 2018-10-11 2019-03-26 平安科技（深圳）有限公司 风险数据筛选方法、装置、计算机设备和存储介质
CN109543985A (zh) * 2018-11-15 2019-03-29 李志东 企业风险评估方法、系统及介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040215551A1 (en) * 2001-11-28 2004-10-28 Eder Jeff S. Value and risk management system for multi-enterprise organization
JP2013080456A (ja) * 2011-09-21 2013-05-02 Norihide Noda 企業評価システム、企業評価方法及び企業評価プログラム
CN107909274A (zh) * 2017-11-17 2018-04-13 平安科技（深圳）有限公司 企业投资风险评估方法、装置及存储介质
CN108961043A (zh) * 2018-07-06 2018-12-07 中国电力财务有限公司 一种风险等级的确定方法及装置
CN109255716A (zh) * 2018-09-04 2019-01-22 中国平安财产保险股份有限公司 债券评级方法、装置、计算机设备及存储介质
CN109523118A (zh) * 2018-10-11 2019-03-26 平安科技（深圳）有限公司 风险数据筛选方法、装置、计算机设备和存储介质
CN109543985A (zh) * 2018-11-15 2019-03-29 李志东 企业风险评估方法、系统及介质

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110659841A (zh) * 2019-09-29 2020-01-07 深圳前海环融联易信息科技服务有限公司 风险资产筛选方法、装置、计算机设备及存储介质
CN110659841B (zh) * 2019-09-29 2022-08-09 深圳前海环融联易信息科技服务有限公司 风险资产筛选方法、装置、计算机设备及存储介质
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
CN112016791A (zh) * 2020-07-15 2020-12-01 北京淇瑀信息科技有限公司 资源分配方法、装置及电子设备
CN112016796A (zh) * 2020-07-15 2020-12-01 北京淇瑀信息科技有限公司 综合风险评分请求处理方法、装置及电子设备
CN112017063A (zh) * 2020-07-15 2020-12-01 北京淇瑀信息科技有限公司 基于综合风险评分的资源分配方法、装置及电子设备
CN112016796B (zh) * 2020-07-15 2024-03-01 北京淇瑀信息科技有限公司 综合风险评分请求处理方法、装置及电子设备
CN112016791B (zh) * 2020-07-15 2024-04-26 北京淇瑀信息科技有限公司 资源分配方法、装置及电子设备
CN112017063B (zh) * 2020-07-15 2024-04-26 北京淇瑀信息科技有限公司 基于综合风险评分的资源分配方法、装置及电子设备

Similar Documents

Publication Publication Date Title
CN110188980A (zh) 企业风险评分方法、装置、计算机设备及存储介质
Das Matrix metrics: Network-based systemic risk scoring
US9355370B2 (en) System and method for generating legal documents
CN110502516A (zh) 表格数据解析方法、装置、计算机设备及存储介质
CN110349004A (zh) 基于用户节点关系网络的欺诈风险侦测方法及装置
de Andrés-Sánchez et al. Using fuzzy random variables in life annuities pricing
Chen et al. Supply network resilience learning: An exploratory data analytics study
Sun et al. Financial networks and interconnectedness in an advanced emerging market economy
Dube et al. Application of artificial neural networks in predicting financial distress in the JSE financial services and manufacturing companies
CN109214942A (zh) 投保信息处理方法、装置、电子设备及计算机可读介质
CN110457469A (zh) 基于长短期记忆网络的信息分类方法、装置、计算机设备
CA2985839A1 (en) Health lending system and method using probabilistic graph models
Askounis et al. Knowledge means ‘all’, belief means ‘most’
Dujmović et al. Properties and comparison of andness‐characterized aggregators
Norberg Vasiček beyond the normal
Wang et al. Causality Based Propagation History Ranking in Social Networks.
Teh et al. Dichotomous logistic regression with leave-one-out validation
Li et al. An Intuitionistic Fuzzy Stochastic Decision‐Making Method Based on Case‐Based Reasoning and Prospect Theory
Yao et al. How does bubble risk propagate among financial assets? A perspective from the BSADF-vine copula model
US20160300308A1 (en) Systems and methods for retirement planning
de Carvalho et al. Dynamic threshold modelling and the US business cycle
Das et al. Correlated Default Processes: A Criterion‐Based Copula Approach
CN105589950A (zh) 事件属性语句确定及基于事件属性语句预警方法和装置
Ng et al. Test for the existence of finite moments via bootstrap
Torri et al. Network Theory in Finance: Applications to Financial Contagion Analysis and Portfolio Optimization

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190830

WD01 Invention patent application deemed withdrawn after publication