CN111401600A - 基于关联关系的企业信用风险评价方法和系统 - Google Patents

Abstract

本发明提供一种基于关联关系的企业信用风险评价方法和系统，涉及企业风险评估领域。包括以下步骤：获取企业关联关系数据，形成历史数据；基于历史数据构建企业网络；识别企业网络中所有企业的企业风险事件；基于企业网络和企业风险事件量化企业的关联风险；基于量化的企业关联风险获取有效关联风险因素；基于有效关联风险因素和传统企业信用风险评价因素预测企业的违约风险。本发明可以准确预测企业的信用风险。

Description

基于关联关系的企业信用风险评价方法和系统

技术领域

本发明涉及企业风险评估技术领域，具体涉及一种基于关联关系的企业信用风险评价方法和系统。

背景技术

中小企业作为国民经济的重要组成部分，对经济发展具有重要意义。然而，由于抵押物欠缺和财务制度不健全等因素影响，中小企业在融资时面临很大的困难。中小企业融资难主要是由于信息不对称，信息不对称使得商业银行在对中小企业进行信用风险评估时使用的信息有限。

目前广泛应用的中小企业信用风险评估，主要从单个企业的经营、财务、市场等指标来预测中小企业的信用风险，对于企业关联关系产生的关联风险研究较少。大部分关联风险研究都主要基于企业之间的资产关联关系即投资控股关系和上下游企业关系，以及关联企业的违约行为。

然而，本申请的发明人发现，企业间存在的关联关系是复杂多样的，现有技术仅依靠资产关联关系和企业的违约行为信息分析企业的关联风险具有一定的局限性，即现有技术存在无法准确预测企业的信用风险的缺点。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种基于关联关系的企业信用风险评价方法和系统，解决了现有技术无法准确预测企业的信用风险的技术问题。

(二)技术方案

为实现以上目的，本发明通过以下技术方案予以实现：

本发明解决其技术问题所提供的一种基于关联关系的企业信用风险评价方法，所述预测方法由计算机执行，包括以下步骤：

获取企业关联关系数据，形成历史数据；

基于所述历史数据构建企业网络；

识别所述企业网络中所有企业的企业风险事件；

基于所述企业网络和所述企业风险事件量化企业的关联风险；

基于量化的企业关联风险获取有效关联风险因素；

基于所述有效关联风险因素和传统企业信用风险评价因素预测企业的违约风险；其中，所述传统企业信用风险评价因素包括：基本工商信息和财务信息。

优选的，所述企业关联关系数据包括：法定代表人；股东；董监高；法定代表人、股东及董监高投资或控股的企业。

优选的，所述企业网络包括：法定代表人网络、股东网络和董监高网络；

所述企业网络的构建方法包括：

以企业为网络节点，基于企业关联关系构建企业网络；所述企业关联关系的判断方法包括：若两个企业拥有同一个法定代表人、股东或董监高，则两个企业之间存在关联关系。

优选的，所述企业风险事件包括：法律借款纠纷案件和严重行政处罚事件。

优选的，企业的关联风险的量化方法具体包括：

基于简单邻居投票分类方法量化企业的关联风险，得到企业的关联风险得分；所述简单邻居投票分类方法为：

其中：

p(L_i＝c|N(i))表示企业i的关联风险分；

p(L_j＝c|N(j))表示企业i的邻居企业j的标签L属于类c的概率，c为一个二元指标，表示涉及风险事件为1，不涉及风险事件为0；

w_ij＝Σ_{k∈N(i)∩N(j)}s_k，表示企业i与其邻居企业j之间的连接权重；

Z表示归一化因子，等于∑_j∈N(i)w_ij；

μ_c表示风险事件在整个样本中发生的概率。

优选的，所述有效关联风险因素的获取方法包括：

基于所述企业网络和所述企业风险事件获取若干个关联风险因素；

量化所有的关联风险因素，得到每个关联风险因素的关联风险得分；

将所有的关联风险得分分别输入到预先构建的信用风险评价模型中，得到有效关联风险因素。

优选的，所述关联风险因素包括：董监高网络+借款纠纷；董监高网络+行政处罚；法定代表人网络+借款纠纷；法定代表人网络+行政处罚；股东网络+借款纠纷；股东网络+行政处罚。

本发明解决其技术问题所提供的一种基于关联关系的企业信用风险评价系统，所述系统包括计算机，所述计算机包括：

至少一个存储单元；

至少一个处理单元；

其中，所述至少一个存储单元中存储有至少一条指令，所述至少一条指令由所述至少一个处理单元加载并执行以实现以下步骤：

获取企业关联关系数据，形成历史数据；

基于所述历史数据构建企业网络；

识别所述企业网络中所有企业的企业风险事件；

基于所述企业网络和所述企业风险事件量化企业的关联风险；

基于量化的企业关联风险获取有效关联风险因素；

基于所述有效关联风险因素和传统企业信用风险评价因素预测企业的违约风险；其中，所述传统企业信用风险评价因素包括：基本工商信息和财务信息。

(三)有益效果

本发明提供了一种基于关联关系的企业信用风险评价方法和系统。与现有技术相比，具备以下有益效果：

本发明通过获取企业关联关系数据，形成历史数据；基于历史数据构建企业网络；识别企业网络中所有企业的企业风险事件；基于企业网络和企业风险事件量化企业的关联风险；基于量化的企业关联风险获取有效关联风险因素；基于有效关联风险因素和传统企业信用风险评价因素预测企业的违约风险。本发明考虑到企业网络类型和企业风险事件类型进而识别出有效关联风险因素，并结合传统企业信用风险评价因素共同预测企业的信用风险，因此可以准确的预测企业的信用风险。本发明不仅能够识别出需要注意的关联网络，还识别出需要注意的风险事件，发现潜在的关联风险因素，有助于商业银行分析企业的关联风险。

附图说明

为了更清楚地说明本发明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为本发明实施例中基于关联关系的企业信用风险评价方法的整体流程图；

图2为本发明实施例中企业网络的示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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作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。

本申请实施例通过提供一种基于关联关系的企业信用风险评价方法和系统，解决了现有技术无法准确预测企业的信用风险的技术问题问题，实现了企业信用风险的准确预测。

本申请实施例中的技术方案为解决上述技术问题，总体思路如下：

本发明实施例通过获取企业关联关系数据，形成历史数据；基于历史数据构建企业网络；识别企业网络中所有企业的企业风险事件；基于企业网络和企业风险事件量化企业的关联风险；基于量化的企业关联风险获取有效关联风险因素；基于有效关联风险因素和传统企业信用风险评价因素预测企业的违约风险。本发明实施例考虑到企业网络类型和企业风险事件类型进而识别出有效关联风险因素，并结合传统企业信用风险评价因素共同预测企业的信用风险，因此可以准确的预测企业的信用风险。本发明实施例不仅能够识别出需要注意的关联网络，还识别出需要注意的风险事件，发现潜在的关联风险因素，有助于商业银行分析企业的关联风险。

为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。

本发明实施例提供了一种基于关联关系的企业信用风险评价方法，如图1所示。上述评价方法由计算机执行，包括以下步骤：

S1、获取企业关联关系数据，形成历史数据；

S2、基于上述历史数据构建企业网络；

S3、识别上述企业网络中所有企业的企业风险事件；

S4、基于上述企业网络和上述企业风险事件量化企业的关联风险；

S5、基于量化的企业关联风险获取有效关联风险因素；

S6、基于上述有效关联风险因素和传统企业信用风险评价因素预测企业的违约风险；其中，上述传统企业信用风险评价因素包括：基本工商信息和财务信息。

本发明实施例通过获取企业关联关系数据，形成历史数据；基于历史数据构建企业网络；识别企业网络中所有企业的企业风险事件；基于企业网络和企业风险事件量化企业的关联风险；基于量化的企业关联风险获取有效关联风险因素；基于有效关联风险因素和传统企业信用风险评价因素预测企业的违约风险。本发明实施例考虑到企业网络类型和企业风险事件类型进而识别出有效关联风险因素，并结合传统企业信用风险评价因素共同预测企业的信用风险，因此可以准确的预测企业的信用风险。本发明实施例不仅能够识别出需要注意的关联网络，还识别出需要注意的风险事件，发现潜在的关联风险因素，有助于商业银行分析企业的关联风险。

下面对各步骤进行详细描述。

在步骤S1中，获取企业相关数据，形成历史数据。

具体的，在本发明实施例中，通过从公开网站收集企业的关联关系数据，关联关系数据包括：法定代表人、股东、董监高；以及法定代表人、股东、董监高投资或控股的企业。

在步骤S2中，基于上述历史数据构建企业网络。

其中，企业网络共三种，分别为：法定代表人网络、股东网络和董监高网络。

具体的，企业网络的构建方法如下：

首先判断企业的关联关系：若两个企业拥有同一个法定代表人、股东或董监高，则两个企业之间存在关联关系，关联关系共三种。

以企业为网络节点，基于三种企业关联关系构建企业网络如图2所示。其中法定代表人、股东和董监高均为管理者，企业间存在相同的管理者，则这些企业存在关联关系，可构建出企业网络。所有的企业根据关联关系共同构建出法定代表人网络、股东网络和董监高网络。

在步骤S3中，基于上述企业网络识别所有企业的企业风险事件。

具体的，企业风险事件包括：法律借款纠纷案件和严重的行政处罚。在本发明实施例中，对于涉及以上两种风险事件的企业给予标签1，对于未涉及风险事件的企业给予标签0。

在步骤S4中，基于上述企业网络和上述企业风险事件获取企业的关联风险得分。

具体的，基于简单邻居投票分类方法量化企业的关联风险，得到企业的关联风险得分。

利用简单邻居投票分类方法产生一个风险值来量化企业的关联风险，具体为：

其中：

p(L_i＝c|N(i))表示企业i的关联风险分；

p(L_j＝c|N(j))表示企业i的邻居企业j的标签L属于类c的概率，c为一个二元指标，表示涉及风险事件为1，不涉及风险事件为0；

w_ij＝Σ_{k∈N(i)∩N(j)}s_k，表示企业i与其邻居企业j之间的连接权重；

Z表示归一化因子，等于Σ_j∈N(i)w_ij；

μ_c表示风险事件在整个样本中发生的概率。

在本发明实施例中，企业i与其邻居j之间的连接权重w_ij是i和j所有共享节点k的节点权重S_k之和，在本实施例中，共享节点指的是法定代表人，股东，董监高，S_k主要考虑了五种权重函数，如表1所示。

上述公式计算企业i的标签L等于c的概率，其中c是一个二元指标，表示在给定其邻居N(i)的情况下，企业i参与风险事件的概率，此公式计算出的概率用于量化企业i的关联风险。此外，μ_c的引入主要为了解决邻居企业的过度惩罚问题，即当企业i的关联企业只有一种类型时(即关联企业全部涉及风险事件或者关联企业全没有涉及风险事件)，会使得企业i计算出的概率为1或0，这与实际情况不符，即使一个企业的关联企业都没有参与过风险事件，不代表该企业没有关联风险。同时，若一个企业没有关联企业，该企业的关联风险也可用μ_c来量化。

本发明实施例在具体实施过程中主要考虑了五种权重函数，如表1所示：

表1

其中：

k表示企业i和j共享的节点(即法定代表人或股东或董监高)，d_k表示的共享节点k的关联企业的数目，

表示的是共享节点k的关联企业中类型为c的企业数目，N表示的是一个网络中所有企业的数目。

在步骤S5中，基于上述关联风险得分获取有效关联风险因素。

具体的，包括以下步骤：

在本发明实施例中，基于构建的三种企业网络和两种企业风险事件进行组合，得到若干个关联风险因素。具体的，设定有以下6个关联风险因素，分别为：董监高网络+借款纠纷、董监高网络+行政处罚、法定代表人网络+借款纠纷、法定代表人网络+行政处罚、股东网络+借款纠纷和股东网络+行政处罚。

分别量化每个关联风险因素，得到对应的六种关联风险得分。

将所有的关联风险得分输入到预先构建的信用风险评价模型中，比较六个风险值的预测能力，识别出最有效的组合，即为有效关联风险因素。

具体的，针对模型的预测性能，选取了AUC、KS、H-measure三个评价指标对模型进行综合评价，其中AUC计算了ROC曲线下面的面积，其反应了模型对违约和非违约样本的综合预测能力，并考虑了样本不均衡的影响。KS计算了模型预测违约样本和非违约样本累计分布的最大差值，反应了模型对违约样本和非违约样本的区分程度。H-measure克服了AUC指标在评价不同模型的预测性能中应用了不同损失分布的缺陷，利用beta分布明确了模型的误分类损失，从而获得了标准化的预测性能评估。三个指标的值越高即表示该因素的预测能力越强。三个评估指标值最高的关联风险分即为最有效的关联风险因素。

在步骤S6中，基于上述有效关联风险因素和传统企业信用风险评价因素预测企业的违约风险。

其中，传统企业信用风险评价因素包括基本工商信息和财务信息。

在本发明实施例中，将识别出的有效的关联风险因素和传统企业信用风险评价因素加入分类模型中，来预测借款企业未来是否会违约。分类模型主要选取了Logistic回归(Logistic Regression,LR)，随机森林(Random Forest RF)，朴素贝叶斯(

Bayes,NB)，以上三种方法都是信用风险建模中广泛使用的分类方法，为现有技术。

Logistic回归：用Logistic回归预测信用风险的目的就在于试图用下面的表达式来估计一个借款企业未来违约(y＝1)或不违约(y＝0)的概率：

上述公式中，X是M维自变量观测值矩阵，β^T是M维待估计的参数向量，M维自变量指的是关联风险因素和传统的信用风险评价因素。Logistic回归通过最大似然估计方法求解回归参数。

随机森林是一种基于bagging和随机子空间的多分类回归树生成方法，是一个包含多个决策树的分类器。

定义样本空间D＝{(x1，y1)，…，(xN，yN)}。随机森林的目标是找到一个函数：F:X→Y，其中X代表由M个特征组成的特征空间(即关联风险因素和传统信用风险评价因素)，Y代表的是结果空间(即借款企业未来违约(y＝1)或不违约(y＝0))。随机森林算法可以表述为：1)有放回地从空间样本D中随机抽取n个样本，用选择好的n个样本来训练一个决策树，作为决策树根节点处的样本；2)假设每个样本有M个特征，从其中选择m个(m<<M)特征用于分裂决策树的每个节点。3)决策树形成过程中每个节点都要按照步骤2来分裂，一直到不能够再分裂为止。4)按照步骤1～3建立大量的决策树，得到随机森林。

朴素贝叶斯是一个简单的概率分类器。

设x＝{a1，a2，…，am}为一个待分类项，而每个a为x的一个特征属性，即关联风险因素和传统信用风险评价因素。

有类别集合C＝{y0，y1}，即借款企业未来违约y1或不违约y0；

计算P(y0|x),p(y1|x),如果p(y_k|x)＝max{P(y0|x),p(y1|x)}，则x∈y_k。

下面以具体例子验证本发明实施例的准确性。

本发明实施例共选取了1058笔中小企业贷款在2016年的数据，其中有70笔贷款违约。变量分为企业工商信息、财务信息以及关联风险信息。其中工商信息包括纳税等级、企业成立年限，企业地区，财务信息主要是指常见的财务指标，主要包括速动比率、净资产收益率等，关联风险信息主要通过比较分析不同的网络类型和不同的风险事件类型的交互作用来识别最有效的关联风险因素。

为了获得预测性能的无偏估计，选择了十折交叉验证来估计模型的预测性能。通过分析企业网络类型和风险事件类型的交互作用产生六种组合：股东网络+行政处罚(SNAP)、股东网络+借款纠纷(SNLD)、董监高网络+行政处罚(DNAP)、董监高网络+借款纠纷(DNLD)、法定代表人网络+行政处罚(ONAP)、法定代表人网络+借款纠纷(ONLD)。

首先通过比较六种变量的预测效果，其次将六种变量与传统的企业信用评价因素组合比较预测效果，以此来识别有效的关联风险因素。

具体的，本发明实施例主要利用逻辑回归(LR)，随机森林(RF)，朴素贝叶斯(NB)三种分类模型来比较变量以及变量组合的预测性能。如表2所示，董监高网络和借款纠纷事件组合产生的关联风险分预测效果最好。

表2：不同的企业网络与不同风险事件组合

同时通过表3可以发现六种变量与传统变量组合(基本工商信息I和财务信息F)比较中，董监高网络和借款纠纷事件组合产生的关联风险分提升效果最显著，结果与表2结果一致。以上在分析企业网络类型与风险事件类型的交互作用中识别有效的关联风险因素可以有效提升中小企业信用评价模型的违约预测性能。

表3：不同的关联风险因素与传统变量的组合

本发明实施例还提供了一种基于关联关系的企业信用风险评价系统，上述系统包括计算机，上述计算机包括：

至少一个存储单元；

至少一个处理单元；

其中，上述至少一个存储单元中存储有至少一条指令，上述至少一条指令由上述至少一个处理单元加载并执行以实现以下步骤：

S1、获取企业关联关系数据，形成历史数据；

S2、基于上述历史数据构建企业网络；

S3、识别上述企业网络中所有企业的企业风险事件；

S4、基于上述企业网络和上述企业风险事件量化企业的关联风险；

S5、基于量化的企业关联风险获取有效关联风险因素；

S6、基于上述有效关联风险因素和传统企业信用风险评价因素预测企业违约的概率；其中，上述传统企业信用风险评价因素包括：基本工商信息和财务信息。

可理解的是，本发明实施例提供的上述评价系统与上述评价方法相对应，其有关内容的解释、举例、有益效果等部分可以参考基于关联关系的企业信用风险评价方法中的相应内容，此处不再赘述。

综上所述，与现有技术相比，具备以下有益效果：

本发明实施例通过获取企业关联关系数据，形成历史数据；基于历史数据构建企业网络；识别企业网络中所有企业的企业风险事件；基于企业网络和企业风险事件量化企业的关联风险；基于量化的企业关联风险获取有效关联风险因素；基于有效关联风险因素和传统企业信用风险评价因素预测企业的违约风险。本发明实施例考虑到企业网络类型和企业风险事件类型进而识别出有效关联风险因素，并结合传统企业信用风险评价因素共同预测企业的信用风险，因此可以准确的预测企业的信用风险。本发明实施例不仅能够识别出需要注意的关联网络，还识别出需要注意的风险事件，发现潜在的关联风险因素，有助于商业银行分析企业的关联风险。

需要说明的是，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各实施方式可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，上述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，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物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、物品或者设备中还存在另外的相同要素。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种基于关联关系的企业信用风险评价方法，其特征在于，所述预测方法由计算机执行，包括以下步骤：

获取企业关联关系数据，形成历史数据；

基于所述历史数据构建企业网络；

识别所述企业网络中所有企业的企业风险事件；

基于所述企业网络和所述企业风险事件量化企业的关联风险；

基于量化的企业关联风险获取有效关联风险因素；

基于所述有效关联风险因素和传统企业信用风险评价因素预测企业的违约风险；其中，所述传统企业信用风险评价因素包括：基本工商信息和财务信息。

2.如权利要求1所述的评价方法，其特征在于，所述企业关联关系数据包括：法定代表人；股东；董监高；法定代表人、股东及董监高投资或控股的企业。

3.如权利要求2所述的评价方法，其特征在于，所述企业网络包括：法定代表人网络、股东网络和董监高网络；

所述企业网络的构建方法包括：

以企业为网络节点，基于企业关联关系构建企业网络；所述企业关联关系的判断方法包括：若两个企业拥有同一个法定代表人、股东或董监高，则两个企业之间存在关联关系。

4.如权利要求1所述的评价方法，其特征在于，所述企业风险事件包括：法律借款纠纷案件和严重行政处罚事件。

5.如权利要求1所述的评价方法，其特征在于，企业的关联风险的量化方法具体包括：

基于简单邻居投票分类方法量化企业的关联风险，得到企业的关联风险得分；所述简单邻居投票分类方法为：

其中：

p(L_i＝c|N(i))表示企业i的关联风险分；

p(L_j＝c|N(j))表示企业i的邻居企业j的标签L属于类c的概率，c为一个二元指标，表示涉及风险事件为1，不涉及风险事件为0；

w_ij＝∑_{k∈N(i)∩N(j)}s_k，表示企业i与其邻居企业j之间的连接权重；

Z表示归一化因子，等于∑_j∈N(i)w_ij；

μ_c表示风险事件在整个样本中发生的概率。

6.如权利要求1所述的评价方法，其特征在于，所述有效关联风险因素的获取方法包括：

基于所述企业网络和所述企业风险事件获取若干个关联风险因素；

量化所有的关联风险因素，得到每个关联风险因素的关联风险得分；

将所有的关联风险得分分别输入到预先构建的信用风险评价模型中，得到有效关联风险因素。

7.如权利要求6所述的评价方法，其特征在于，所述关联风险因素包括：董监高网络+借款纠纷；董监高网络+行政处罚；法定代表人网络+借款纠纷；法定代表人网络+行政处罚；股东网络+借款纠纷；股东网络+行政处罚。

8.一种基于关联关系的企业信用风险评价系统，其特征在于，所述系统包括计算机，所述计算机包括：

至少一个存储单元；

至少一个处理单元；

其中，所述至少一个存储单元中存储有至少一条指令，所述至少一条指令由所述至少一个处理单元加载并执行以实现以下步骤：

获取企业关联关系数据，形成历史数据；

基于所述历史数据构建企业网络；

识别所述企业网络中所有企业的企业风险事件；

基于所述企业网络和所述企业风险事件量化企业的关联风险；

基于量化的企业关联风险获取有效关联风险因素；

基于所述有效关联风险因素和传统企业信用风险评价因素预测企业的违约风险；其中，所述传统企业信用风险评价因素包括：基本工商信息和财务信息。

Images