CN110503328A - 企业风险识别方法、系统、装置及设备 - Google Patents

Abstract

本说明书实施例公开了一种企业风险识别方法、系统、装置及设备。其中企业风险识别方案中，通过引入中心控制系统，依托大数据处理，收集和分析与企业相关的目标数据，并经大数据处理得到表征各企业的风险特征数据，进而利用高性能的云计算能力，对风险特征数据进一步加工，得到各企业对应的风险分数作为中间结果数据，再将这些中间结果数据，下发给预先部署于各地区的企业风险的评分系统，使得每个地区的评分系统相当于拥有海量数据源，以及大数据分析处理能力，进而评分系统可融合本地数据和中心控制系统下发的中间结果数据，来对企业进行风险评分。

Description

企业风险识别方法、系统、装置及设备

技术领域

本说明书涉及计算机技术领域，尤其涉及一种企业风险识别方法、系统、 装置及设备。

背景技术

随着经济社会的发展，企业越来越多，企业在经营中，常常会出现经营不 善的问题，比如人员流失、资金困难、跟不上市场需求变化、与上下游企业衔 接不良等不同因素造成的经营困难，这时企业就存在较高经营风险，一旦企业 爆发风险，不仅影响着企业自身存亡，还给企业的投资者带来严重损失。因此， 需要对企业的风险进行识别防控。

目前，通常是各个地区自己部署一套独立的风险识别系统，来对本地区的 企业进行风险防控。其中该系统包含分析模型，进而将本地数据进行清洗后， 输入到分析模型进行计算，来得到企业的风险分数，从而通过风险分数的高低， 来获知企业的风险程度。

发明内容

有鉴于此，本说明书实施例提供了一种企业风险识别方法、系统、装置及 设备，以对企业的风险进行自动识别，来提高识别的准确性。

本说明书实施例采用下述技术方案：

本说明书实施例提供一种企业风险识别方法，用于中心控制系统，所述方 法包括：

获取与目标企业相关的目标数据；

根据所述目标数据提取所述目标企业对应的风险特征；

根据所述风险特征处理生成所述目标企业对应的风险分数；

将所述风险分数发送给预先部署于至少一个地区的评分系统，以使所述评 分系统根据自身收集的本地数据对所述风险分数进行处理，获得所述目标企业 对应的风险评分结果。

本说明书实施例还提供一种企业风险识别装置，用于中心控制系统，所述 装置包括获取模块、提取模块、生成模块和发送模块；

所述获取模块用于获取与目标企业相关的目标数据；

所述提取模块用于根据所述目标数据提取所述目标企业对应的风险特征；

所述生成模块用于根据风险特征处理生成所述目标企业对应的风险分数；

所述发送模块用于将所述风险分数发送给预先部署于至少一个地区的评 分系统，以使所述评分系统根据自身收集的本地数据对所述风险分数进行处理， 获得所述目标企业对应的风险评分结果。

本说明书实施例还提供一种企业风险识别系统，包括中心控制系统和若干 评分系统；

所述中心控制系统用于获取与目标企业相关的目标数据；

所述中心控制系统还用于根据所述目标数据提取所述目标企业对应的风 险特征；

所述中心控制系统还用于根据所述风险特征处理生成所述目标企业对应 的风险分数；

所述中心控制系统还用于将所述风险分数发送给预先部署于至少一个地 区的所述若干评分系统；

所述若干评分系统用于根据自身收集的本地数据对所述风险分数进行处 理，获得所述目标企业对应的风险评分结果。

本说明书实施例还提供一种用于识别企业风险的电子设备，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述 至少一个处理器执行，以使所述至少一个处理器能够：

获取与目标企业相关的目标数据；

根据所述目标数据提取所述目标企业对应的风险特征；

根据所述风险特征处理生成所述目标企业对应的风险分数；

将所述风险分数发送给预先部署于至少一个地区的评分系统，以使所述评 分系统根据自身收集的本地数据对所述风险分数进行处理，获得所述目标企业 对应的风险评分结果。

本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：通 过引入中心控制系统，依托大数据处理，收集和分析与企业相关的海量目标数 据，并经大数据处理得到中间数据(即风险特征数据)，进而利用高性能的云计 算能力，对中间数据进一步进行加工，来得到各个企业的风险情况(即风险分 数据)，再将这些风险情况作为结果数据，下发至预先部署于各地区的风险评 估子系统(即评分系统)，这样使得每个地区的评分系统相当于拥有了海量数 据源，以及大数据分析处理能力，进而评分系统融合本地数据和中心控制系统 下发的结果数据，来对企业进行风险评分，获得企业对应的风险评分结果,这 样通过对企业的风险进行联防联控，既可提高风险识别评估的全面性和准确性， 又能保证风险评估的有效性，以便于借助立体化、社会化、信息化大数据,对企 业的风险建立监测预警体系。

附图说明

为了更清楚地说明本说明书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简单地介绍，显而易见地，下面描 述中的附图仅仅是本说明书中记载的一些实施例，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为本说明书实施例提供的一种企业风险识别方法的整体思路示意图。

图2为本说明书实施例提供的一种企业风险识别方法的流程图。

图3为本说明书实施例提供的一种企业风险识别方法中向各个评分系统部 署分析模型的结构示意图。

图4为本说明书实施例提供的一种企业风险识别方法中通过区块链获取各 个评分系统上传评分结果的结构示意图。

图5为本说明书实施例提供的一种企业风险识别方法中通过区块链获取各 个评分系统上传评分结果后进行数据处理的结构示意图。

图6为本说明书实施例提供的一种企业风险识别装置的组成示意图。

图7为本说明书实施例提供的一种企业风险识别系统的组成示意图。

具体实施方式

为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合 本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地 描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施 例。基于本说明书实施例，本领域普通技术人员在没有作出创造性劳动前提下 所获得的所有其他实施例，都应当属于本申请保护的范围。

目前，通常是在某地区部署一套独立的风险识别系统，对当地企业的风险 进行识别评估。其中该识别系统包含分析模型，进而将获取到的本地数据清洗 后，输入到分析模型进行计算，来得到该企业在本地区的风险分数，从而通过 风险分数的大小，来获知企业的风险程度。其中，本地数据包括企业在当地经 营中产生的数据，且这些数据能够用于反映企业的经营风险，比如财务状况、 税费状况等。

但由于受到所部署的风险识别系统的限制，比如系统对数据的收集能力不 足，只能收集当地的数据，这时往往只能收集企业在本地区的经营状况(如企 业财务状况、税费缴纳情况等)，作为本地数据，又比如系统对数据的处理能力 有限，不具备大数据分析及处理能力，只能处理少量的、比较单一的数据，而 对于大量的、多种类的数据却无能为力等，再比如受到部署成本的限制，造成 系统的硬件资源不足，也无法对大量的数据进行处理等，因而对企业的风险识 别既不全面,准确性也不高。

而现实情况中，大多数企业都是跨区域(比如境内多地，境外多地，甚至 是境内外多地)进行经营的，有些企业的经营业务甚至还不在企业所在地，这 时仅依靠在企业所在地的当地获取到的本地数据，将无法反映出企业的真实经 营情况，进而在依靠该评估系统自身收集的本地数据，来对企业的风险进行评 估时，将是很不全面的，评估结果的准确性也很低；另一方面，由于各地区之 间没法共享自己收集到的本地数据，以及不能共享评估得到的企业风险评分结 果，这将导致某企业可能在该企业的不良信息集中的A地区，被认为高风险， 而在该企业的不良信息少的B地区，反而被认为低风险，这样企业的真实风险情况就得不到真实反映。

因此，亟需能够对企业的风险进行有效识别的方案，以对企业进行有效联 防联控，避免企业爆发风险时，给投资者、社会带来不可弥补的影响。

基于此，本说明书实施例提供一种企业风险识别方法、系统、装置及设备。 其中，企业风险识别方案的整体思路可如图1所示，通过引入控制系统(这里 可称之为中心控制系统)，依托大数据处理，对各个企业在经营过程中出现的、 可能与该企业风险相关的目标数据，比如企业相关的舆情数据，经营数据，从 互联网爬取的数据等，进行大数据的收集和分析处理，来得到与该企业的风险 相关的中间数据(即风险特征的数据)，比如该企业的风险标签、风险分数等， 进而利用高性能的云计算能力，根据这些中间数据，处理生成该企业的风险分 数，比如企业各个维度(比如财务、员工、上下游关联企业等等)的风险分数、 风险标签等，然后中心控制系统再将各个企业的风险分数作为中间结果数据， 下发到各个地区(比如A地区、B地区)的评分系统中，使得各个地区的评分 系统相当于拥有了海量数据源，以及拥有了对海量数据的处理能力，这样各个 地区的本地评分系统就可融合自身收集的本地数据和中心控制系统下发的中 间结果数据，最终对企业进行风险评分，得到企业对应的风险评分结果，这样 风险评分结果就能准确地反映出企业在当地的风险情况，避免高风险企业在当 地被识别为低风险，以便于当地及早对高风险企业进行防控，实现联防联控。

需要说明的是，评分系统仍可由评分子系统和预设的本地分析模型组成。

以下结合附图，详细说明本申请各实施例提供的技术方案。

图2为本说明书实施例提供的一种企业风险识别方法的流程图。所述方法 可用于中心控制系统，来依托大数据处理和云计算能力，获得用于表征企业的 风险的中间结果，再通过中心控制系统与已部署于各地区的风险评分系统进行 交互，进而将中间结果数据下发至各个评分系统，使得评分系统相当于具有海 量数据源，以及具备大数据的分析处理能力，以便于评分系统有效地对企业的 风险进行识别。

在具体实施中，中心控制系统可部署于具有大数据分析、处理和云计算的 环境中，这样中心控制系统就可依托大数据平台和云计算平台来处理数据。

如图2所示，所述企业风险识别方法可包括如下步骤：

步骤S102、获取与目标企业相关的目标数据。

其中，与目标企业相关的目标数据，可包括企业在经营中，在社会上所形 成的、反映企业经营情况的数据。

在一个实施方式中，目标数据可包括以下至少一类数据：企业的舆情数据、 企业的经营状况数据和网络爬取数据。这样，目标数据可为大数据(有时也称 海量数据)，可基于大数据进行收集及处理。需要说明的是，大数据是指需要新 处理模式才能具有更强的决策力、洞察力和流程优化能力的海量、高增长率和 多样化的信息资产。

其中，舆情数据可包括用于表征企业的负面舆情的数据。具体地，舆情数 据可包括以下至少一种数据：被列入失信名单、财务信息造假、非法集资、高 层违法、监管处罚、大众投诉、高层离职、突破偿付能力充足率要求、重大资 产损失、债务违约、资产冻结等。

具体实施中，可从多种途径来获取舆情数据，比如工商投诉、举报、信访、 互联网论坛、新闻报道、社交媒体披露等。

经营状况数据可包括企业在经营过程中产生的、与经营相关的数据。具体 地，经营状况数据可包括以下至少一种数据：企业工商登记信息、交易信息、 财务状况、税费缴纳信息、相关企业的经营数据。

具体实施中，可从多种途径来获取企业的经营状况，比如企业年报、工商 信息、对外投资、经营异常、税收违法、被执行人、行政处罚等。

网络爬取数据可包括利用爬虫技术，从公网(比如互联网)中爬取的与企 业相关的数据。具体地，网络爬取数据可包括以下至少一种数据：企业负面信 息、企业经营数据、行业情况、企业投资信息(比如投资收益率、投资期限)、 生成的产品数量、成交量等。

具体实施中，可从多种途径来爬取数据，比如财经类网站，工商信息发布 网站，行业信息发布网站，论坛，社交媒体等。

在一个实施方式中，可基于大数据处理平台ODPS(Open Data ProcessingService，分布式的海量数据处理平台)来收集、分析和处理与企业相关的目标 数据，这里不再赘述。

在一个实施方式中，可将大数据平台对海量数据的处理业务逻辑形成处理 引擎，以便于作为一种嵌入在应用程序(比如中心控制系统)中的组件，使得 中心控制系统能够对目标数据进行大数据的收集、分析及处理等功能。

步骤S104、根据所述目标数据提取所述目标企业对应的风险特征。

其中，所述风险特征可包括基于大数据处理，从海量的所述目标数据中提 取出来的、用于表征所述目标企业的风险的特征数据。

具体实施中，可基于大数据处理平台ODPS来分析处理目标数据，进而将 能够标识企业的风险情况的数据，从海量的目标数据中提取出来作为风险特征， 比如将风险特征包装为用于标识不同风险情况的风险标签、分数等。具体地， 可基于大数据处理，从海量数据中，提取以下至少一个维度的数据，作为能够 标识企业的风险情况的数据：经营风险、交易风险、工商法规风险、舆情风险、 关系网络风险。

其中，经营风险这一维度的数据，可包括企业在经营中出现的不良的产品 经营情况，比如产品滞销、产品质量问题、产品召回情况等；交易风险这一维 度的数据，可包括企业的资金在交易中出现的风险情况，比如投资收益、投资 期限、违约等；工商法规风险这一维度的数据，可包括企业在经营中出现的法 律法规的情况，比如非法经营、涉诉等；舆情风险这一维度的数据，可包括企 业在经营中出现的负面的舆情，比如大众投诉、监管处罚等；关系网络风险这 一维度的数据，可包括企业在经营中涉及的相关企业的经营风险，比如上下游 企业的风险情况、三角债情况等。

具体实施中，上述各个维度的数据，可根据实际需要以及收集的海量目标 数据情况，通过设定提取策略来从海量目标数据中提取，比如经营风险、交易 风险、关系网络风险等维度的数据，可从海量目标数据中的经营状态数据、网 络爬取数据中提取，舆情风险可从海量目标数据中的舆情数据中提取。

步骤S106、根据所述风险特征处理生成所述目标企业对应的风险分数。

其中，所述风险分数可包括基于云计算，根据所述风险特征计算得到的、 用于表征所述目标企业的风险程度的分数值。

具体实施中，利用高性能的云计算能力，通过将风险特征计算生成能够表 征各个企业的风险程度的风险分数。具体地，可采用企业对应的风险分数值和 /或企业的各个维度对应的风险分数值来作为最终的风险分数。

在一个实施方式中，计算方式可包括：通过模型平台中配置的动态模型(比 如分析模型)，以及大数据分析平台的数据处理结果(即风险特征)，基于云计 算，得到各个企业对应的风险分数，和/或各个企业在不同维度对应的风险分 数，进而得到最终的风险分数。

步骤S108、将所述风险分数发送给预先部署于至少一个地区的评分系统， 以使所述评分系统根据自身收集的本地数据对所述风险分数进行处理，获得所 述目标企业对应的风险评分结果。

具体实施中，评分系统可预先部署于各地区，以便在各地区预先收集企业 在该地区的存在的各种数据作为本地数据，以及各地区通过评分系统在融合本 地数据和中心控制系统下发的风险分数后，获得较为全面的目标企业的风险评 分结果。

根据上述步骤S102～S108，通过引入中心控制系统，依托大数据处理，收 集和分析与企业相关的海量目标数据，并经大数据处理得到可表征各个企业的 风险情况的中间数据(即风险特征数据)，进而利用高性能的云计算能力，对中 间数据进一步加工，得到可表征各个企业的风险程度的中间结果数据(即风险 分数)，再将这些结果数据，下发至预先部署于各地区的企业风险评估子系统 (即评分系统)，这样每个地区的评分系统相当于拥有了海量数据源，以及大 数据分析处理能力，进而可利用评分系统，融合本地数据和中心控制系统下发 的结果数据，来对企业进行风险评分，得到企业的最终风险分数(即风险评分 结果)，这样通过对企业的风险进行联防联控，既可提高风险识别评估的全面 性和准确性，又能保证风险评估的有效性。

在一些实施方式中，为了降低评分系统在各地区的部署难度和部署成本， 可在中心控制系统中，将评分系统打包成可直接部署安装的容器，这样在打包 成容器后，评分系统可不依赖于任何的硬件基础实施，就可以在各地区的不同 基础设施上，直接安装部署、启动及运行。具体地，预先部署于至少一个地区 的评分系统的部署步骤包括：将评分系统封装为容器；将封装为容器后的所述 评分系统分发给所述至少一个地区，以将所述评分系统预先部署于所述至少一 个地区。

在一些实施方式中，评分系统可通过docker容器技术进行打包和安装部 署，其中docker是一个开源的应用容器引擎，在云计算中具有领先地位，已 成为一种主流的容器技术。通过docker容器，可将应用以及依赖包打包到一 个可移植的镜像中，然后发布到任何流行的Linux或Windows机器上，还可以 实现虚拟化。

在一个实施方式中，还可在基于容器技术部署评分系统后，通过将容器的 新的版本号向各个评分系统下发，实现评分系统的升级，使得各地区的评分系 统做到实时更新、同步升级，可保证各地区的评分系统对企业的评估的有效性。 具体地，在采用容器技术部署评分系统后，所述企业风险识别方法还可包括： 获取所述容器的新版本号；将所述新版本号发送给所述至少一个地区的评分系 统，以升级所述至少一个地区的评分系统。

在一个实施方式中，还可在基于容器技术部署评分系统后，对各地区的评 分系统的版本进行管理，比如可针对某些地区的评分系统进行新版本的升级， 而其他地区的评分系统不做升级处理。具体地，在采用容器技术部署评分系统 后，所述企业风险识别方法还可包括：获取所述地区的评分系统的版本号，以 便于对所述地区的评分系统进行版本管理，比如升级管理，版本管控等。

在一个实施方式中，还可在基于容器技术部署评分系统后，通过监测评分 系统的运行状态，实现远程地对各地区的评分系统进行监测。具体地，在采用 容器技术部署评分系统后，所述企业风险识别方法还可包括：获取所述地区的 评分系统的运行状态，以便对所述地区的评分系统的运行状态进行监测。

进一步，还可通过监测评分系统的运行状态，在评分系统需要运维时，及 时地对评分系统进行运维，比如运维项目包括重启、自检、排查问题等。具体 地，在获取所述地区的评分系统的运行状态后，所述企业风险识别方法还可包 括：根据获取到的所述评分系统的运行状态，判断所述运行状态对应的所述评 分系统是否需要运维操作，若是，则将预设的所述运行状态对应的运维操作指 令发送至所述运行状态对应的评分系统，以使所述评分系统执行所述运维操作 指令。

在一个实施方式中，若评分系统可采用预设的本地分析模型对目标企业进 行风险评分。这时，由于企业的经营时刻在变化，企业的风险也随之变化，比 如金融企业的风险时刻在变化，若评分系统的本地分析模型不能及时更新，将 影响对企业的风险的识别有效性，这时就需要评分系统的本地分析模型也能够 得到实时优化和升级，来紧跟企业的风险变化。因此，可在具体实施中，各地 区的本地分析模型，由中心控制系统向各地区的评分系统下发来实现部署，这 样中心控制系统就可对各地区的评分系统的本地分析模型进行有效管理，比如 部署、更新(比如优化、升级等)。

具体地，评分系统中的本地分析模型的预设步骤可包括：基于机器学习， 利用若干所述风险特征和若干企业的风险评分结果，对机器学习模型进行训练， 以获得用于对企业的风险进行评分的分析模型；将所述分析模型发送给所述至 少一个地区的评分系统，以将所述分析模型作为所述至少一个地区的评分系统 中预设的本地分析模型。

在一个实施方式中，分析模型在训练后，可采用如图3所示的部署示意图 进行部署。如图中所示，中心控制系统部署于通过具有大数据平台的环境中， 这样利用大数据平台提供的若干所述风险特征和已收集(比如收集得到、经分 析得到等)的若干企业的风险评分结果(即图中的评分数据)，在模型平台中对 机器学习模型进行训练(比如离线训练)，得到可用的分析模型后，再通过中心 控制系统向各地区(图中仅示出A地区和B地区)的评分系统分发该分析模型， 这样评分系统在接收到分析模型，可在本地部署该分析模型，即得到本地分析 模型，使得各地区的评分系统中的分析模型可保持一致，进而可保证各地区的 评分系统对企业风险的识别的有效性。

在一个实施方式中，可将模型平台形成模型引擎，以便于作为一种嵌入在 应用程序(比如中心控制系统)中的组件，来实现模型的定义、执行(比如优 化、训练)、上线、下线、获取输入训练数据等功能。

在一个实施方式中，所述将所述分析模型发送给所述评分系统的步骤包括： 将所述分析模型以预测模型标记语言(PMML，Predictive Model Markup Language，全称是预测模型标记语言)的格式，发送给所述至少一个地区的评 分系统。

这样通过建立的PMML的分析模型，既便于分析模型可以根据输入的变量 因子，来计算得出企业的风险程度，又有利于分析模型的部署。

进一步，还可通过收集各地区的评分系统评估的企业风险的评估结果(即 风险评分结果)，并将这些评估结果汇总后，用于进一步训练分析模型，以优化 分析模型。具体地，所述企业风险识别方法还可包括：获取所述评分系统上传 的风险评分结果；将所述风险评分结果用于训练所述分析模型。

这样，通过中心控制系统训练得到分析模型，进而将分析模型向各地区的 评分系统下发，以便于优化和升级分析模型，可实现自动推送分析模型到各个 地区的评分系统中，保证各地区的评分系统中的分析模型的一致性和有效性， 也可降低整体部署成本、运营成本。

进一步，在利用各个地区的评分系统上传的企业对应的风险评分结果优化 训练分析模型后，还可将优化训练后的分析模型下发至各个评分系统，从而更 新各个评分系统的分析模型。

需要说明的是，还可以对分析模型进行管理，比如将某些地区的评分系统 中的分析模型更新，而其他地区的评分系统的分析模型不更新，这里不再赘述。

在一个实施方式中，可将获取各个地区的评分系统上传的企业对应的风险 评分结果的业务逻辑，形成规则引擎，从而可作为一种嵌入在应用程序(比如 中心控制系统)中的组件，来实现将业务决策从应用程序代码中分离出来，并 使用预定义的语义模块编写业务决策，比如接收数据输入，解释业务规则，并 根据业务规则做出业务决策等。

在一个实施方式中，还可引入区块链，以便于利用区块链存储数据，既可 保证数据的安全性和私密性，又可保证各个节点不能对数据进行篡改和造假。 具体地，可如图4所示，在获取各地区的评分系统上传的风险评分结果时，可 通过区块链来获取，这样由区块链存储各地区的评分系统上传的企业对应的风 险评分结果，在需要将这些数据用于训练分析模型时，再从区块链中获取。

在一个实施方式中，还可对获取到的各地区的评分系统上传的企业对应的 风险评分结果进行处理，以便于更好地用于模型平台来对分析模型优化训练。

具体实施中，可如图5所示，在区块链获取到各地区的评分系统上传的企 业对应的风险评分结果后，对风险评分结果进行数据处理，比如脱敏，然后再 根据模型平台训练分析模型的需要，生成分析模型可以使用的中间变量，作为 分析模型训练的输入变量，然后利用这些输入变量优化训练分析模型。

具体地，所述将所述风险评分结果用于训练所述分析模型的步骤包括：对 所述风险评分结果进行脱敏；根据脱敏后的所述风险评分结果，生成所述分析 模型对应的输入变量；将所述输入变量用于训练所述分析模型。

需要说明的是，这里对数据进行脱敏，是指对某些敏感信息通过预设的脱 敏规则进行数据的变形，以保护敏感的隐私数据。例如，在涉及客户安全数据 或者一些商业性敏感数据的情况下，比如身份证号、手机号、卡号、客户号等 个人隐私信息，通常需要对真实数据进行变换后，再应用于系统中。

需要说明的是，本领域的技术人员应当能够理解，所述输入变量可根据分 析模型的需要来设定，比如分析模型是采用前述PMML进行部署，这时分析模 型所需的训练数据，比如特征名称、类型、个数、特征值等，就可按照PMML所 允许的方式，将原始输入数据预处理成派生字段所需的转换数据，从而通过派 生字段对输入字段进行合并或修改，以获取更多相关信息(即输入变量)。

基于同一个发明构思，本说明书实施例还提供用于识别企业风险的装置、 系统、电子设备以及非易失性计算机存储介质。

图6为本说明书提供的一种企业风险识别装置的结构示意图，其中虚线方 框表示可选的模块。

如图6所示，企业风险识别装置10包括获取模块11、提取生成模块12和 发送模块13。其中，获取模块11用于获取与目标企业相关的目标数据；提取 生成模块12用于根据所述目标数据提取所述目标企业对应的风险特征；提取 生成模块12还用于根据风险特征处理生成所述目标企业对应的风险分数；发 送模块13用于将所述风险分数发送给预先部署于至少一个地区的评分系统， 以使所述评分系统根据自身收集的本地数据对所述风险分数进行处理，获得所 述目标企业对应的风险评分结果。

可选地，企业风险识别装置10还包括容器模块14。其中，容器模块14用 于将评分系统封装为容器；发送模块13还用于将封装为容器后的所述评分系 统发送给所述至少一个地区，以将所述评分系统预先部署于所述至少一个地区。

可选地，企业风险识别装置10还包括管理模块15。其中，管理模块15用 于获取所述地区的评分系统的版本号；和/或，管理模块15用于获取所述地区 的评分系统的运行状态。

可选地，管理模块15还用于获取所述容器的新版本号；发送模块13还用 于将所述新版本号发送给所述各地区的评分系统，以升级所述各地区的评分系 统。

可选地，管理模块15还用于在获取所述地区的评分系统的运行状态后， 当根据获取到的所述评分系统的运行状态，判断出所述运行状态对应的所述评 分系统需要运维，则将预设的所述运行状态对应的运维操作指令发送给所述运 行状态对应的评分系统，以使需要运维的所述评分系统执行所述运维操作指令。

可选地，企业风险识别装置10还包括模型平台模块16。其中，模型平台 模块16用于基于机器学习，利用若干所述风险特征和若干企业的风险评分结 果，对机器学习模型进行训练，以获得用于对企业的风险进行评分的分析模型； 发送模块13还用于将所述分析模型发送给所述至少一个地区的评分系统，以 将所述分析模型作为所述至少一个地区的评分系统中预设的本地分析模型。

可选地，模型平台模块16还用于获取所述评分系统上传的风险评分结果， 将所述风险评分结果用于训练所述分析模型。

可选地，在模型平台模块16中，所述获取所述评分系统上传的风险评分 结果的步骤包括：通过区块链获取所述评分系统上传的风险评分结果。

可选地，在模型平台模块16将所述风险评分结果用于训练所述分析模型 后，发送模块13还用于将所述分析模型发送至所述至少一个地区的评分系统， 以更新所述至少一个地区的评分系统中的本地分析模型。

可选地，企业风险识别装置10还包括数据处理模块17。其中，数据处理 模块17用于对所述风险评分结果进行脱敏，据脱敏后的所述风险评分结果， 生成所述分析模型对应的输入变量；模型平台模块16还用于将所述输入变量 训练所述分析模型。

可选地，发送模块13还用于将所述分析模型以预测模型标记语言的格式 发送给所述至少一个地区的评分系统。

图7为本说明书实施例还提供的一种企业风险识别系统的组成示意图。

如图7所示，企业风险识别系统20包括中心控制系统21和若干评分系统 22。其中，中心控制系统21用于获取与目标企业相关的目标数据；中心控制 系统21还用于根据所述目标数据提取所述目标企业对应的风险特征；中心控 制系统21还用于根据所述风险特征处理生成所述目标企业对应的风险分数； 中心控制系统21还用于将所述风险分数发送给预先部署于各地区地区的若干 评分系统22；若干评分系统22用于根据自身收集的本地数据对所述风险分数 进行处理，获得所述目标企业对应的风险评分结果。

这里为便于说明，如图图中虚线框所示，图示中将评分系统22表述为包 含有评分子系统、分析模型(即本地分析模型)和本地数据系统的系统；以及， 为便于说明，图中只示出部署于A地区和B地区的评分系统22。

可选地，企业风险识别系统20还可包括区块链23，区块链23用于获取各 个评分系统22上传的风险评分结果，以向中心控制系统21汇总所述风险评分 结果。通过引入区块链23，通过区块链技术的分布式存储，以及高度加密技术， 利用区块链存储各个地区上传的风险评分结果，使得各个地区的本地分析结果， 可以在中心控制系统汇合，这样既可保证数据的安全性和私密性，又能保证各 个节点不能对数据进行篡改和造假。

本说明书实施例还提供一种用于识别企业风险的电子设备，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述 至少一个处理器执行，以使所述至少一个处理器能够：

获取与目标企业相关的目标数据；

根据所述目标数据提取所述目标企业对应的风险特征；

根据所述风险特征处理生成所述目标企业对应的风险分数；

将所述风险分数发送给预先部署于至少一个地区的评分系统，以使所述评 分系统根据自身收集的本地数据对所述风险分数进行处理，获得所述目标企业 对应的风险评分结果。

本说明书实施例还提供一种用于识别企业风险的非易失性计算机存储介 质，存储有计算机可执行指令，所述计算机可执行指令设置为：

获取与目标企业相关的目标数据；

根据所述目标数据提取所述目标企业对应的风险特征；

根据所述风险特征处理生成所述目标企业对应的风险分数；

将所述风险分数发送给预先部署于至少一个地区的评分系统，以使所述评 分系统根据自身收集的本地数据对所述风险分数进行处理，获得所述目标企业 对应的风险评分结果。

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。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相 似的部分互相参见即可，每个实施例侧重说明的都是与其他实施例的不同之处。 尤其，对于系统、装置、设备、非易失性计算机存储介质实施例而言，由于其 与方法是对应的，描述比较简单，相关之处参见方法实施例的部分说明即可。

本说明书实施例提供的系统、装置、设备、非易失性计算机存储介质与方 法是对应的，它们也具有与对应方法类似的有益技术效果，由于上面已经对方 法的有益技术效果进行了详细说明，因此，这里不再赘述对应的系统、装置、 设备、非易失性计算机存储介质的有益技术效果。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改 进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对 于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经 可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编 程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改 进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device，PLD)(例如现场可编程门阵列(Field ProgrammableGate Array， FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计 人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造 厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电 路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现， 它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得 用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、 HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、 PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用 的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上 述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实 现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器 或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件 或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的 形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、 Microchip PIC18F26K20以及Silicone LabsC8051F320，存储器控制器还可 以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计 算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编 程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微 控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件， 而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者 甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可 以是硬件部件内的结构。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实 体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。 具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、 智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制 台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然， 在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计 算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结 合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包 含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、 CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品 的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/ 或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或 方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式 处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机 或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个 流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设 备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中 的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个 流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使 得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处 理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个 流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出 接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM) 和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是 计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任 何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序 的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、 静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存 取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快 闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘 (DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或 任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的 界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非 排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包 括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、 方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括 一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设 备中还存在另外的相同要素。

本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例 如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的 例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本 申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来 执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地 和远程计算机存储介质中。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技 术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所 作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (21)

1.一种企业风险识别方法，用于中心控制系统，所述方法包括：

获取与目标企业相关的目标数据；

根据所述目标数据提取所述目标企业对应的风险特征；

根据所述风险特征处理生成所述目标企业对应的风险分数；

将所述风险分数发送给预先部署于至少一个地区的评分系统，以使所述评分系统根据自身收集的本地数据对所述风险分数进行处理，获得所述目标企业对应的风险评分结果。

2.如权利要求1所述的方法，预先部署于至少一个地区的评分系统的部署步骤包括：

将评分系统封装为容器；

将封装为容器后的所述评分系统分发给所述至少一个地区，以将所述评分系统预先部署于所述至少一个地区。

3.如权利要求2所述的方法，所述方法还包括：

获取所述容器的新版本号；

将所述新版本号发送给所述至少一个地区的评分系统，以升级所述至少一个地区的评分系统。

4.如权利要求2所述的方法，所述方法还包括：获取所述地区的评分系统的版本号，和/或获取所述地区的评分系统的运行状态。

5.如权利要求4所述的方法，在获取所述地区的评分系统的运行状态后，所述方法还包括：根据获取到的所述评分系统的运行状态，判断所述运行状态对应的所述评分系统是否需要运维，若是则将预设的所述运行状态对应的运维操作指令发送给所述运行状态对应的评分系统，以使需要运维的所述评分系统执行所述运维操作指令。

6.如权利要求1所述的方法，所述评分系统根据自身收集的本地数据对所述风险分数进行处理，获得所述目标企业对应的风险评分结果，包括：所述评分系统利用预设的本地分析模型，根据自身收集的本地数据对所述风险分数进行处理，获得所述目标企业对应的风险评分结果；

其中，所述本地分析模型的预设步骤包括：

基于机器学习，利用若干所述风险特征和若干企业的风险评分结果，对机器学习模型进行训练，以获得用于对企业的风险进行评分的分析模型；

将所述分析模型发送给所述至少一个地区的评分系统，以将所述分析模型作为所述至少一个地区的评分系统中预设的本地分析模型。

7.如权利要求6所述的方法，所述方法还包括：

获取所述评分系统上传的风险评分结果；

将所述风险评分结果用于训练所述分析模型。

8.如权利要求7所述的方法，所述获取所述评分系统上传的风险评分结果的步骤包括：

通过区块链获取所述评分系统上传的风险评分结果。

9.如权利要求7所述的方法，在将所述风险评分结果用于训练所述分析模型后，所述方法还包括：

将所述分析模型发送给所述至少一个地区的评分系统，以更新所述至少一个地区的评分系统中的本地分析模型。

10.如权利要求7所述的方法，所述将所述风险评分结果用于训练所述分析模型的步骤包括：

对所述风险评分结果进行脱敏；

根据脱敏后的所述风险评分结果，生成所述分析模型对应的输入变量；

将所述输入变量训练所述分析模型。

11.如权利要求6所述的方法，所述将所述分析模型发送给所述至少一个地区的评分系统的步骤包括：将所述分析模型以预测模型标记语言的格式发送给所述至少一个地区的评分系统。

12.一种企业风险识别装置，用于中心控制系统，所述装置包括获取模块、提取生成模块和发送模块；

所述获取模块用于获取与目标企业相关的目标数据；

所述提取生成模块用于根据所述目标数据提取所述目标企业对应的风险特征；

所述提取生成模块还用于根据风险特征处理生成所述目标企业对应的风险分数；

所述发送模块用于将所述风险分数发送给预先部署于至少一个地区的评分系统，以使所述评分系统根据自身收集的本地数据对所述风险分数进行处理，获得所述目标企业对应的风险评分结果。

13.如权利要求12所述的装置，所述装置还包括容器模块；

所述容器模块用于将评分系统封装为容器；

所述发送模块还用于将封装为容器后的所述评分系统分发给所述至少一个地区，以将所述评分系统预先部署于所述至少一个地区。

14.如权利要求13所述的装置，所述装置还包括管理模块；

所述管理模块用于获取所述地区的评分系统的版本号；

和/或，所述管理模块用于获取所述地区的评分系统的运行状态。

15.如权利要求12所述的装置，所述装置还包括模型平台模块；

所述模型平台模块用于基于机器学习，利用若干所述风险特征和若干企业的风险评分结果，对机器学习模型进行训练，以获得用于对企业的风险进行评分的分析模型；

所述发送模块还用于将所述分析模型发送给所述至少一个地区的评分系统，以将所述分析模型作为所述至少一个地区的评分系统中预设的本地分析模型。

16.如权利要求15所述的装置，所述模型平台模块还用于获取所述评分系统上传的风险评分结果，将所述风险评分结果用于训练所述分析模型。

17.如权利要求16所述的装置，所述获取所述评分系统上传的风险评分结果的步骤包括：通过区块链获取所述评分系统上传的风险评分结果。

18.如权利要求16所述的装置，所述装置还包括数据处理模块；

所述数据处理模块用于对所述风险评分结果进行脱敏；

所述数据处理模块还用于根据脱敏后的所述风险评分结果，生成所述分析模型对应的输入变量；

所述模型平台模块还用于将所述输入变量用于训练所述分析模型。

19.一种企业风险识别系统，包括中心控制系统和若干评分系统；

所述中心控制系统用于获取与目标企业相关的目标数据；

所述中心控制系统还用于根据所述目标数据提取所述目标企业对应的风险特征；

所述中心控制系统还用于根据所述风险特征处理生成所述目标企业对应的风险分数；

所述中心控制系统还用于将所述风险分数发送给预先部署于至少一个地区的所述若干评分系统；

所述若干评分系统用于根据自身收集的本地数据对所述风险分数进行处理，获得所述目标企业对应的风险评分结果。

20.如权利要求19所述的系统，所述系统还包括区块链；

所述区块链用于获取所述评分系统上传的风险评分结果，以向所述中心控制系统汇总所述风险评分结果。

21.一种用于识别企业风险的电子设备，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：

获取与目标企业相关的目标数据；

根据所述目标数据提取所述目标企业对应的风险特征；

根据所述风险特征处理生成所述目标企业对应的风险分数；

将所述风险分数发送给预先部署于至少一个地区的评分系统，以使所述评分系统根据自身收集的本地数据对所述风险分数进行处理，获得所述目标企业对应的风险评分结果。