CN111626844A - 基于大数据分析的企业信用评估方法及装置 - Google Patents

Abstract

本发明公开了一种基于大数据分析的企业信用评估方法及装置，该方法包括：采集待评估企业各个信用影响因子的量化数据；获取待评估企业各个信用影响因子的权重系数；将待评估企业各个信用影响因子的权重值，输入到预先通过机器学习训练得到权重修正模型中，输出待评估企业各个信用影响因子的权重修正值；根据待评估企业各个信用影响因子的量化数据、权重系数和权重修正值，确定待评估企业的信用值；计算待评估企业的信用值与行业信用值之间的信用偏离度；根据待评估企业的信用偏离度，以及待评估企业各个信用影响因子的量化数据、权重系数、权重修正值，生成待评估企业的信用评估报告。本发明能够获得更准确、更全面、更真实的企业信用评估结果。

Description

基于大数据分析的企业信用评估方法及装置

技术领域

本发明涉及大数据分析领域，尤其涉及一种基于大数据分析的企业信用评估方法及装置。

背景技术

本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。

众所周知，企业信用评估对于企业投资和企业贷款都具有十分重要的作用。目前，企业信用评估方法主要采用如下两种：

第一种，基于信用形成要素的专家判断方法，该方法是由从业经验丰富的专家，对企业各种信用要素分析来进行信用评估，考虑信用因素涵盖债务人的品德、借款的用途与期限、还款来源、担保情况以及经营环境等。这种评估方法，能够涵盖比较全面的信用要素，但由于依赖专家的经验判断，评估结果存在一定的主观性，且受限于专家的知识面。另外，过度依赖专家分析法可能会导致不同时期评估标准发生变化，从而导致信用评价结果存在前后不一致的情形。

第二种，基于数理模型的信用度量方法，该方法基于各种数理模型(例如，KMV模型或信用矩阵等)进行风险度量，拥有数理模型精确性的特点，能够更加精准、客观地衡量企业信用状况。这种评估方式，受限于模型的假设，由于模型分布的假设难以反映信用风险的真实分布，且会有一些信用要素(例如，债务人的品德)等未能体现。

针对上述问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例中提供了一种基于大数据分析的企业信用评估方法，用以解决现有企业信用评估方法，由于评估指标体系不完善，导致评估结果可靠性差，难以反映真实企业信用的技术问题，该方法包括：采集待评估企业各个信用影响因子的量化数据；获取待评估企业各个信用影响因子的权重系数；将待评估企业各个信用影响因子的权重值，输入到预先通过机器学习训练得到权重修正模型中，输出待评估企业各个信用影响因子的权重修正值；根据待评估企业各个信用影响因子的量化数据、权重系数和权重修正值，确定待评估企业的信用值；计算待评估企业的信用值与行业信用值之间的信用偏离度，其中，行业信用值为多个企业信用值的平均值；根据待评估企业的信用偏离度，以及待评估企业各个信用影响因子的量化数据、权重系数、权重修正值，生成待评估企业的信用评估报告。

本发明实施例中还提供了一种基于大数据分析的企业信用评估装置，用以解决现有企业信用评估方法，由于评估指标体系不完善，导致评估结果可靠性差，难以反映真实企业信用的技术问题，该装置包括：数据采集模块，用于采集待评估企业各个信用影响因子的量化数据；权重获取模块，用于获取待评估企业各个信用影响因子的权重系数；权重修正模块，用于将待评估企业各个信用影响因子的权重值，输入到预先通过机器学习训练得到权重修正模型中，输出待评估企业各个信用影响因子的权重修正值；信用评估模块，用于根据待评估企业各个信用影响因子的量化数据、权重系数和权重修正值，确定待评估企业的信用值；信用偏离程度确定模块，用于计算待评估企业的信用值与行业信用值之间的信用偏离度，其中，行业信用值为多个企业信用值的平均值；评估报告生成模块，用于根据待评估企业的信用偏离度，以及待评估企业各个信用影响因子的量化数据、权重系数、权重修正值，生成待评估企业的信用评估报告。

本发明实施例中还提供了一种计算机设备，用以解决现有企业信用评估方法，由于评估指标体系不完善，导致评估结果可靠性差，难以反映真实企业信用的技术问题，该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，处理器执行计算机程序时实现上述基于大数据分析的企业信用评估方法。

本发明实施例中还提供了一种计算机可读存储介质，用以解决现有企业信用评估方法，由于评估指标体系不完善，导致评估结果可靠性差，难以反映真实企业信用的技术问题，该计算机可读存储介质存储有执行上述基于大数据分析的企业信用评估方法的计算机程序。

本发明实施例中，在采集到待评估企业各个信用影响因子的量化数据后，获取待评估企业各个信用影响因子的权重系数，进而将待评估企业各个信用影响因子的权重值，输入到预先通过机器学习训练得到权重修正模型中，输出待评估企业各个信用影响因子的权重修正值，然后根据待评估企业各个信用影响因子的量化数据、权重系数和权重修正值，确定待评估企业的信用值，并计算待评估企业的信用值与行业信用值之间的信用偏离度，最后根据待评估企业的信用偏离度，以及待评估企业各个信用影响因子的量化数据、权重系数、权重修正值，生成待评估企业的信用评估报告。

通过本发明实施例，基于机器学习训练得到权重修正模型，修正评估企业信用的各个信用影响因子的权重系数，能够使得用于评估企业信用的各个信用影响因子随着环境变化而变化，从而获得更准确的企业信用结果；通过将待评估企业的信用值与行业信用值进行比对，计算出待评估企业的信用偏离度，作为对待评估企业信用评估的一个指标，能够获得更全面、更真实的企业信用评估结果。

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。在附图中：

图1为本发明实施例中提供的一种基于大数据分析的企业信用评估方法流程图；

图2为本发明实施例中提供的一种机器学习训练流程图；

图3为本发明实施例中提供的一种基于大数据分析的企业信用评估装置示意图。

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明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。

在本说明书的描述中，所使用的“包含”、“包括”、“具有”、“含有”等，均为开放性的用语，即意指包含但不限于。参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”等的描述意指结合该实施例或示例描述的具体特征、结构或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。各实施例中涉及的步骤顺序用于示意性说明本申请的实施，其中的步骤顺序不作限定，可根据需要作适当调整。

本发明实施例中提供了一种基于大数据分析的企业信用评估方法，图1为本发明实施例中提供的一种基于大数据分析的企业信用评估方法流程图，如图1所示，该方法可以包括如下步骤：

S101，采集待评估企业各个信用影响因子的量化数据。

需要说明的是，本发明实施例中待评估企业可以是任意一个需要评估信用的企业，待评估企业的各个信用影响因子可以是预先配置的，也可以是根据采集的企业信用数据自动生成的。当信用影响因子是预先配置的情况下，系统可以提供可视化配置界面，该界面上包含预置的多个信用影响因子，用户可以通过该可视化配置界面，快速选择对待评估企业进行信用评估的各个信用影响因子。可选地，还可以提供自定义配置接口，以便用户自定义配置对待评估企业进行信用评估的信用影响因子，以满足不同行业企业信用评估的个性化需求。

当信用影响因子是根据采集的企业信用数据自动生成的情况下，在上述S101之前，本发明实施例中提供的基于大数据分析的企业信用评估方法还可以包括如下步骤：采集待评估企业的信用数据；对待评估企业的信用数据进行无量纲化预处理；对无量纲化预处理后的信用数据进行分类，确定待评估企业的各个信用影响因子。

需要注意的是，在根据采集的海量企业信用数据，自动生成对待评估企业的各个信用影响因子的情况下，可以采用各种大数据分析手段来实现，本发明对此不作限定。

可选地，上述S101中，可以采用预设时间段内各个信用影响因子的量化数据。

S102，获取待评估企业各个信用影响因子的权重系数。

需要说明的是，上述S102获取的各个信用影响影子的权重系数可以是预先配置的或通过大数据分析手段自动生成的初始权重系数。在一个实施例中，可以采用层次分析方法，确定待评估企业各个信用影响因子的权重系数。具体包括：①制作层次结构模型；②判断矩阵生成及两两比较数据输入；③判断矩阵一致性比例及排序权重计算；④不一致判断矩阵自动修正，在最大程度保留专家决策数据的前提下修正判断矩阵使之满足一致性比例。标记需要修正的判断矩阵，整个修正过程自动完成；⑤残缺但可接受判断矩阵的计算，采用缺失项最大比例来限制自动补全的条件，表示一个残缺矩阵只有其中缺失项所占百分比小于该参数值时才能使用自动补全功能；⑥总目标或子目标排序权重计算，无论是备选方案对总目标的排序权重，还是备选方案对层次结构中其他非方案层要素的排序权重，均可快速计算完成。本发明实施例可支持查看详细的判断矩阵数据、中间计算数据以及最终计算结果；⑦根据总目标或子目标排序权重的加权分数计算，计算出总目标/子目标排序权重后，进一步计算加权分数(也即根据备选方案的权重和备选方案的实际得分，计算最终的加权得分)；⑧生成结论，导出权重计算数据。

S103，将待评估企业各个信用影响因子的权重值，输入到预先通过机器学习训练得到权重修正模型中，输出待评估企业各个信用影响因子的权重修正值。

由于随着时间的推移，企业环境会发生变化，如果采用同一权重系数对企业信用进行评估，得到的评估结果无法反映真实企业的信用情况，因而，本发明实施例中，通过机器学习训练得到一个权重修正模型，并基于该权重修正模型对各个各个信用影响因子的权重系数进行修正，能够获得随时间或企业环境变化的权重系数，进而获得更准确的企业信用评估结果。

S104，根据待评估企业各个信用影响因子的量化数据、权重系数和权重修正值，确定待评估企业的信用值。

在具体实施时，可以利用各个信用影响因子的权重修正值对权重系数进行修正后，与各个信用影响因子的量化数据相乘，得到一个加权平均值，作为待评估企业的信用值。

S105，计算待评估企业的信用值与行业信用值之间的信用偏离度，其中，行业信用值为多个企业信用值的平均值。

需要注意的是，本发明实施例中，在计算出与待评估企业属于同一行业的多个企业的信用值后，可以根据计算出的该行业内各个企业的信用值，可以确定出一个行业平均值，进而将待评估企业的信用值与该行业平均值进行比对，可以计算出待评估企业的信用偏离度，并将其作为对待评估企业信用评估的一个指标。

S106，根据待评估企业的信用偏离度，以及待评估企业各个信用影响因子的量化数据、权重系数、权重修正值，生成待评估企业的信用评估报告。

需要说明的是，上述S106生成的信用评估报告可以是动态变化的可视化信用评估报告。由于待评估企业的信用数据是不断变化，通过动态变化的可视化信用评估报告，能够反映企业的实时信用评估结果。

在一个实施例中，上述S106可以通过如下步骤来实现：利用自然语言技术，根据根据待评估企业的信用偏离度，以及待评估企业各个信用影响因子的量化数据、权重系数、权重修正值，生成待评估企业的信用评估报告。本发明实施例中，生成的信用评估报告中可以包含但不限于待评估企业的信用分值、信用等级、级别含义等信息。对不同的信用等级，本发明实施例中，采用场景预测法对不同信用级别进行定义，众多场景模块式组成评级报告，采用自然语言生成技术对评级报告优化，自动生成高质量的评级报告，最大可能的排除评估分析师的主观干扰。

可选地，对多个企业的信用评估分值进行排序，能够形成企业信用排行榜，并企业的信用评估报告中呈现其排行榜排名等信息。

由上可知，本发明实施例中提供的基于大数据分析的企业信用评估方法，在采集到待评估企业各个信用影响因子的量化数据后，获取待评估企业各个信用影响因子的权重系数，进而将待评估企业各个信用影响因子的权重值，输入到预先通过机器学习训练得到权重修正模型中，输出待评估企业各个信用影响因子的权重修正值，然后根据待评估企业各个信用影响因子的量化数据、权重系数和权重修正值，确定待评估企业的信用值，并计算待评估企业的信用值与行业信用值之间的信用偏离度，最后根据待评估企业的信用偏离度，以及待评估企业各个信用影响因子的量化数据、权重系数、权重修正值，生成待评估企业的信用评估报告。

通过本发明实施例中提供的基于大数据分析的企业信用评估方法，基于机器学习训练得到权重修正模型，修正评估企业信用的各个信用影响因子的权重系数，能够使得用于评估企业信用的各个信用影响因子随着环境变化而变化，从而获得更准确的企业信用结果；通过将待评估企业的信用值与行业信用值进行比对，计算出待评估企业的信用偏离度，作为对待评估企业信用评估的一个指标，能够获得更全面、更真实的企业信用评估结果。

在一个实施例中，本发明实施例中提供的基于大数据分析的企业信用评估方法还可以通过如下步骤来训练权重修正模型：获取学习样本数据；根据学习样本数据，通过机器学习训练权重修正模型，直到权重修正模型的输出误差值小于预设阈值。本发明实施例中，采用机器学习方法训练权重修正模型，并使用期望输出与实际输出的差值是否小于预设阈值，作为收敛条件，引导学习过程，使得各个信用影响因子的权重系数会随着学习的速度和失败的次数而不断更新，随着环境的变化而实现偏差纠正，达到信用分值和信用级别越来越准确的效果。

图2为本发明实施例中提供的一种机器学习训练流程图，如图2所示，将学习样本数据批量输入初始模型中，并对输入量和输出量进行归一化处理，然后初始化模型的各个参数，包括但不限于最大训练次数、学习精度、隐含节点数目、初始权重、阈值、学习速率等；计算模型各层输入输出数据，直到满足收敛条件，收敛条件可以是输出误差E(q)小于预设阈值e，也可以是达到最大训练次数。如果未满足收敛条件(输出误差大于或等于预设阈值)，则对权重和阈值进行修正。

在一个实施例中，本发明实施例中提供的基于大数据分析的企业信用评估方法还可以包括如下步骤：判断待评估企业的信用偏离度是否超过预设偏离度阈值；当待评估企业的信用偏离度超过预设偏离度阈值的情况下，输出待评估企业的预警信息。

由于企业信用值可能是多个，因而，在一个实施例中，本发明实施例中计算的信用偏离度可以是待评估企业信用值与行业信用值的向量距离。可选地，通过构建偏离函数，能够预测未来一段时间内待评估企业信用值的情况，进而发出信用风险预警。

基于同一发明构思，本发明实施例中还提供了一种基于大数据分析的企业信用评估装置，如下面的实施例所述。由于该装置或系统实施例解决问题的原理与基于大数据分析的企业信用评估方法相似，因此该装置或系统实施例的实施可以参见方法的实施，重复之处不再赘述。

图3为本发明实施例中提供的一种基于大数据分析的企业信用评估装置示意图，如图3所示，该装置包括：数据采集模块31、权重获取模块32、权重修正模块33、信用评估模块34、信用偏离程度确定模块35和评估报告生成模块36。

其中，数据采集模块31，用于采集待评估企业各个信用影响因子的量化数据；权重获取模块32，用于获取待评估企业各个信用影响因子的权重系数；权重修正模块33，用于将待评估企业各个信用影响因子的权重值，输入到预先通过机器学习训练得到权重修正模型中，输出待评估企业各个信用影响因子的权重修正值；信用评估模块34，用于根据待评估企业各个信用影响因子的量化数据、权重系数和权重修正值，确定待评估企业的信用值；信用偏离程度确定模块35，用于计算待评估企业的信用值与行业信用值之间的信用偏离度，其中，行业信用值为多个企业信用值的平均值；评估报告生成模块36，用于根据待评估企业的信用偏离度，以及待评估企业各个信用影响因子的量化数据、权重系数、权重修正值，生成待评估企业的信用评估报告。

需要说明的是，上述评估报告生成模块36生成的信用评估报告可以是动态变化的可视化信用评估报告。可选地，本发明实施例中的评估报告生成模块36可以利用自然语言技术，根据根据待评估企业的信用偏离度，以及待评估企业各个信用影响因子的量化数据、权重系数、权重修正值，生成待评估企业的信用评估报告。

可选地，上述权重获取模块32具体可以采用层次分析方法，确定待评估企业各个信用影响因子的权重系数。

由上可知，本发明实施例中提供的基于大数据分析的企业信用评估装置，在采集到待评估企业各个信用影响因子的量化数据后，获取待评估企业各个信用影响因子的权重系数，进而将待评估企业各个信用影响因子的权重值，输入到预先通过机器学习训练得到权重修正模型中，输出待评估企业各个信用影响因子的权重修正值，然后根据待评估企业各个信用影响因子的量化数据、权重系数和权重修正值，确定待评估企业的信用值，并计算待评估企业的信用值与行业信用值之间的信用偏离度，最后根据待评估企业的信用偏离度，以及待评估企业各个信用影响因子的量化数据、权重系数、权重修正值，生成待评估企业的信用评估报告。

通过本发明实施例中提供的基于大数据分析的企业信用评估装置，基于机器学习训练得到权重修正模型，修正评估企业信用的各个信用影响因子的权重系数，能够使得用于评估企业信用的各个信用影响因子随着环境变化而变化，从而获得更准确的企业信用结果；通过将待评估企业的信用值与行业信用值进行比对，计算出待评估企业的信用偏离度，作为对待评估企业信用评估的一个指标，能够获得更全面、更真实的企业信用评估结果。

在一个实施例中，本发明实施例中提供的基于大数据分析的企业信用评估装置还可以包括：机器学习模块37，用于获取学习样本数据；以及根据学习样本数据，通过机器学习训练权重修正模型，直到权重修正模型的输出误差值小于预设阈值。

在一个实施例中，本发明实施例中提供的基于大数据分析的企业信用评估装置还可以包括：风险预警模块38，用于判断待评估企业的信用偏离度是否超过预设偏离度阈值；以及当待评估企业的信用偏离度超过预设偏离度阈值的情况下，输出待评估企业的预警信息。

在一个实施例中，本发明实施例中提供的基于大数据分析的企业信用评估装置，还可以包括：信用影响因子确定模块39，用于采集待评估企业的信用数据；对待评估企业的信用数据进行无量纲化预处理；对无量纲化预处理后的信用数据进行分类，确定待评估企业的各个信用影响因子。

本发明实施例中还提供了一种计算机设备，用以解决现有企业信用评估方法，由于评估指标体系不完善，导致评估结果可靠性差，难以反映真实企业信用的技术问题，该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，处理器执行计算机程序时实现上述基于大数据分析的企业信用评估方法。

本发明实施例中还提供了一种计算机可读存储介质，用以解决现有企业信用评估方法，由于评估指标体系不完善，导致评估结果可靠性差，难以反映真实企业信用的技术问题，该计算机可读存储介质存储有执行上述基于大数据分析的企业信用评估方法的计算机程序。

综上所述，本发明实施例中还提供了一种基于大数据分析的企业信用评估方法、装置、计算机设备、计算机可读存储介质，根据企业各个信用影响因子的量化数据、权重系数、权重修正值以及企业的信用偏离度，对企业信用进行整体评估，能够实现但不限于如下技术效果：①结合企业过去信息、未来信息和人工经验信息对企业信用进行评估；②将企业信用偏离度作为企业评估的一个指标，具有更完善的指标提醒，能够挖掘出更深层次的企业信息；③采用机器学习技术不断完善权重系数，使得评估结果更加准确；④采用自然语言自动生成高质量的动态可视化信用评估报告，具有更强的可靠性、实时性和真实性；⑤企业信用评估报告中呈现企业信用评级分值、级别、信用评级排行榜、影响因素权重、风险预警等信息，内容更加丰富。

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。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于大数据分析的企业信用评估方法，其特征在于，包括：

采集待评估企业各个信用影响因子的量化数据；

获取所述待评估企业各个信用影响因子的权重系数；

将所述待评估企业各个信用影响因子的权重值，输入到预先通过机器学习训练得到权重修正模型中，输出所述待评估企业各个信用影响因子的权重修正值；

根据所述待评估企业各个信用影响因子的量化数据、权重系数和权重修正值，确定所述待评估企业的信用值；

计算所述待评估企业的信用值与行业信用值之间的信用偏离度，其中，行业信用值为多个企业信用值的平均值；

根据所述待评估企业的信用偏离度，以及所述待评估企业各个信用影响因子的量化数据、权重系数、权重修正值，生成所述待评估企业的信用评估报告。

2.如权利要求1所述的方法，其特征在于，所述方法还包括：

获取学习样本数据；

根据所述学习样本数据，通过机器学习训练所述权重修正模型，直到所述权重修正模型的输出误差值小于预设阈值。

3.如权利要求1所述的方法，其特征在于，所述方法还包括：

判断所述待评估企业的信用偏离度是否超过预设偏离度阈值；

当所述待评估企业的信用偏离度超过预设偏离度阈值的情况下，输出所述待评估企业的预警信息。

4.如权利要求1所述的方法，其特征在于，所述方法还包括：

采集所述待评估企业的信用数据；

对所述待评估企业的信用数据进行无量纲化预处理；

对无量纲化预处理后的信用数据进行分类，确定所述待评估企业的各个信用影响因子。

5.如权利要求1所述的方法，其特征在于，所述方法还包括：

采用层次分析方法，确定所述待评估企业各个信用影响因子的权重系数。

6.如权利要求1所述的方法，其特征在于，根据所述待评估企业的信用偏离度，以及所述待评估企业各个信用影响因子的量化数据、权重系数、权重修正值，生成所述待评估企业的信用评估报告，包括：

利用自然语言技术，根据根据所述待评估企业的信用偏离度，以及所述待评估企业各个信用影响因子的量化数据、权重系数、权重修正值，生成所述待评估企业的信用评估报告。

7.如权利要求1至6任一项所述的方法，其特征在于，所述信用评估报告为动态变化的可视化信用评估报告。

8.一种基于大数据分析的企业信用评估装置，其特征在于，包括：

数据采集模块，用于采集待评估企业各个信用影响因子的量化数据；

权重获取模块，用于获取所述待评估企业各个信用影响因子的权重系数；

权重修正模块，用于将所述待评估企业各个信用影响因子的权重值，输入到预先通过机器学习训练得到权重修正模型中，输出所述待评估企业各个信用影响因子的权重修正值；

信用评估模块，用于根据所述待评估企业各个信用影响因子的量化数据、权重系数和权重修正值，确定所述待评估企业的信用值；

信用偏离程度确定模块，用于计算所述待评估企业的信用值与行业信用值之间的信用偏离度，其中，行业信用值为多个企业信用值的平均值；

评估报告生成模块，用于根据所述待评估企业的信用偏离度，以及所述待评估企业各个信用影响因子的量化数据、权重系数、权重修正值，生成所述待评估企业的信用评估报告。

9.一种计算机设备，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，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述基于大数据分析的企业信用评估方法。

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执行权利要求1至7任一项所述基于大数据分析的企业信用评估方法的计算机程序。

Images