CN113095712A - 企业授信评分获取方法、装置及计算机设备 - Google Patents
企业授信评分获取方法、装置及计算机设备 Download PDFInfo
- Publication number
- CN113095712A CN113095712A CN202110456879.0A CN202110456879A CN113095712A CN 113095712 A CN113095712 A CN 113095712A CN 202110456879 A CN202110456879 A CN 202110456879A CN 113095712 A CN113095712 A CN 113095712A
- Authority
- CN
- China
- Prior art keywords
- enterprise
- power
- evaluated
- data
- time period
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 115
- 239000013598 vector Substances 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 31
- 230000005611 electricity Effects 0.000 claims description 186
- 230000008569 process Effects 0.000 claims description 36
- 230000008859 change Effects 0.000 claims description 31
- 230000007246 mechanism Effects 0.000 claims description 29
- 238000004458 analytical method Methods 0.000 claims description 15
- 238000004891 communication Methods 0.000 claims description 13
- 230000000737 periodic effect Effects 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 8
- 238000011084 recovery Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 4
- 238000011161 development Methods 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 230000008901 benefit Effects 0.000 abstract description 3
- 238000004519 manufacturing process Methods 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 9
- 230000001186 cumulative effect Effects 0.000 description 7
- 238000011835 investigation Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000007405 data analysis Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 238000003672 processing method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 238000012954 risk control Methods 0.000 description 2
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Images
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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Technology Law (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提出了一种企业授信评分获取方法、装置及计算机设备,银行能够直接获取待评估企业的多个第一维度指标各自对应的第一电力指标数据,及多个第二维度指标各自对应的第二电力指标数据,经过向量化处理后,得到相应的电力指标特征向量,输入预先利用人工智能技术训练的授信评分模型,即可得到待评估企业的授信评分。可见,本申请充分利用电力大数据所具有的可信度高、时效性强、连续性好、完整性好、覆盖面广等特点,解决了银行在贷中授信阶段的信息相对滞后、人力成本和时间成本较高、客户群体覆盖不全面等技术问题,破解了中小微企业融资难问题,有效增强了银行防范与控制信贷风险的能力,实现了银行经济的可持续发展。
Description
技术领域
本申请涉及数据处理技术领域,更具体地说是涉及一种企业授信评分获取方法、装置及计算机设备。
背景技术
随着全球经济的发展,银行贷款由于成本低、资金来源较为稳定等特点,是企业进行融资、扩大生产经营规模的常见手段之一。对于银行等金融机构来说,需要加强信贷风险管理,具体可以针对可能发生的各种风险,在贷款发放前采取相应的预防措施,并在贷款中进行授信管理,在贷款发放后、收回前采取合适的风险控制措施,即通过贷前审查、贷中审批和贷后管理这三方面的防范措施,来提高金融机构的资金安全性。
其中,贷中审批这一防范措施的应用中,通常是通过合理控制贷款授信额度,来达到有效防止信贷风险的发生的目的。贷款授信额度可以依据国家信贷政策,以及每个地区、客户的基本情况确定,因此,根据不同客户的经营管理水平、资产负债比例情况、贷款偿还能力等因素,所确定的贷款授信额度往往不同。
目前,银行等金融机构,主要是通过审查企业过去一段时间产生的贷款还贷相关信息,来确定该企业客户的贷款授信额度。但这种处理方式中,所审查的信息相对滞后,需要花费大量时间查询资料,时间和人力成本高,且由于中小微企业存在信贷记录少、成立时间短、无担保、信用记录缺失等问题,导致银行信贷往往无法全面覆盖中小微企业。
发明内容
有鉴于此,为了解决上述技术问题,本申请提供了以下技术方案:
一方面,本申请提出了一种企业授信评分获取方法,所述方法包括:
获取待评估企业的多个第一维度指标各自对应的第一电力指标数据,及多个第二维度指标各自对应的第二电力指标数据;
对多个所述第一电力指标数据和多个所述第二电力指标数据分别进行向量化处理,得到相应的电力指标特征向量;
将得到的多个所述电力指标特征向量输入授信评分模型,得到所述待评估企业的授信评分;
其中,所述授信评分模型是基于机器学习算法,对样本企业的样本电力指标数据进行训练得到的;所述样本企业包括已获得贷款的企业;所述样本电力指标数据包括所述样本企业的多个第一维度指标和多个第二维度指标各自对应的样本电力指标数据;所述授信评分能够用以辅助确定所述待评估企业的贷款授信额度。
可选的,所述获取待评估企业的多个第一维度指标各自对应的第一电力指标数据,及多个第二维度指标各自对应的第二电力指标数据,包括:
获取待评估企业的历史用电数据,及所述待评估企业所属行业的行业用电数据;
依据所述历史用电数据和所述行业用电数据,获得所述待评估企业对应的各第一维度指标包含的多个第二维度指标各自的第二电力指标数据;
由属于同一所述第一维度指标的所述多个第二维度指标各自的第二电力指标数据,构成该第一维度指标对应的第一电力指标数据。
可选的,所述多个第一维度指标包括:基础用电信息、电量水平、电量波动、电量变化趋势、电费信息及违约用电信息;
所述依据所述历史用电数据和所述行业用电数据,获得所述待评估企业对应的各第一维度指标包含的多个第二维度指标各自的第二电力指标数据,包括:
获取所述基础用电信息、所述电量水平、所述电量波动、所述电量变化趋势、所述电费信息及所述违约用电信息各自包含的各第二维度指标对应的电力指标运算逻辑;
按照所述电力指标运算逻辑,对所述历史用电数据和所述行业用电数据进行分析,得到相应第一维度指标包含的第二维度指标的第二电力指标数据。
可选的,所述按照所述电力指标运算逻辑,对所述历史用电数据和所述行业用电数据进行分析,得到相应第一维度指标包含的第二维度指标的第二电力指标数据,包括:
依据所述基础用电信息对应的多个第二维度指标,查询所述待评估企业的历史用电数据,得到所述待评估企业在第一时间段内的安全用电等级、在第二时间段内所发生的电网故障次数、电网故障检查通过率以及在第三时间段内的用电时长;
依据所述电量水平对应的多个第二维度指标,查询所述待评估企业的历史用电数据和所述行业用电数据,得到所述待评估企业在第四时间段内的用电平均值,以及在行业内的月均电量等级;
依据所述电量波动对应的多个第二维度指标,查询所述待评估企业的历史用电数据和所述行业用电数据,得到所述待评估企业在第五时间段内的用电波动信息、在第六时间段内的用电量差异度,以及在第七时间段内的周期性波动信息;
依据所述电量变化趋势对应的多个第二维度指标,查询所述待评估企业的历史用电数据,得到所述待评估企业在第八时间段内的多个第九时间段各自的用电量,相对于前一年度相应时间段内的用电量的趋势变化率,以及在所述第八时间段内的月用电量的平均增长率;
依据所述电费信息对应的多个第二维度指标,查询所述待评估企业的历史用电数据,得到所述待评估企业在第十时间段内的缴费频率稳定率、平均回款时长、预付电费总额以及电费余额;
依据所述违约用电信息对应的多个第二维度指标,查询所述待评估企业的历史用电数据,得到所述待评估企业在第十一时间段内的累计滞纳欠费总额、逾期电费总额、滞纳交费次数、滞纳交费总天数、电费回收率、违约用电次数、违约用电总额、违约窃电次数、违约窃电总额、停电次数。
可选的,所述待评估企业在第四时间段内在行业内的月均电量等级的获取过程包括:
获取所述待评估企业在第四时间段内的月电量第一平均值、所属行业的月电量第二平均值;
由所述月电量第一平均值与所述月电量第二平均值的比值,确定所述待评估企业在第四时间段内在行业内的月均电量等级;
所述依据所述电量波动对应的多个第二维度指标,查询所述待评估企业的历史用电数据和所述行业用电数据,得到所述待评估企业在第五时间段内的用电波动信息、在第六时间段内的用电量差异度,以及在第七时间段内的周期性波动信息包括:
查询所述待评估企业的历史用电数据,得到第五时间段内的月电量标准值和月电量均值;
由所述月电量标准值与所述月电量均值的比值,确定所述待评估企业在第五时间段内的用电波动信息;
获取所述待评估企业在第六时间段内的月最大用电量、月最小用电量、月平均用电量,将所述月最大用电量和月最小用电量之间的差值,与所述月平均用电量的比值,确定为所述待评估企业在第六时间段内的用电量差异度;
获取所述待评估企业在第六时间段内,多个不同时间周期内的企业用电标准值,以及所属行业在所述第六时间段内的相应时间周期内的行业用电标准值,将所述企业用电标准值与所述行业用电标准值的比值,确定为所述待评估企业相应时间周期的用电量波动值;
所述待评估企业在第八时间段内的任一所述第九时间段的用电量,相对于前一年度相应时间段内的用电量的趋势变化率的获取过程,包括:
获取所述待评估企业在第八时间段内,任一第九时间段的累计用电量,与前一年度相应时间段内的累计用电量的电量差值;
由所述电量差值与所述前一年度相应时间段内的累计用电量的比值,确定相应所述第九时间段内用电量的趋势变化率;
所述依据所述电费信息对应的多个第二维度指标,查询所述待评估企业的历史用电数据,得到所述待评估企业在第十时间段内的缴费频率稳定率,包括:
获取所述待评估企业在第十时间段内的缴费时间间隔标准差和缴费时间间隔均值;
由所述缴费时间间隔标准差与所述缴费时间间隔均值的比值,确定所述待评估企业在所述第十时间段内的缴费频率稳定率。
可选的,所述将得到的多个所述电力指标特征向量输入授信评分模型,得到所述待评估企业的授信评分,包括:
将得到的多个所述电力指标特征向量输入授信评分模型,输出所述待评估企业的授信评分;或者,
将得到的多个所述电力指标特征向量输入授信评分模型,得到所述多个第一维度指标各自的指标评分;
利用所述多个第一维度指标各自的所述指标评分及指标权重,获得所述待评估企业的授信评分。
可选的,所述方法还包括:
依据所述多个第一维度指标各自的所述指标评分,获得所述待评估企业的电力分析报告;
响应对所述待评估企业的授信额度获取请求,依据所述待评估企业的所述电力分析报告及所述授信评分,得到所述待评估企业的目标授信额度。
可选的,所述获取待评估企业的历史用电数据,及所述待评估企业所属行业的行业用电数据,包括:
向电力机构应用平台发送电力数据获取请求,所述电力数据获取请求携带有待评估企业的企业标识信息,以及请求获取的电力类别信息,以使所述电力机构应用平台依据所述企业标识信息和所述电力类别信息,查询所述待评估企业的历史用电数据,及所述待评估企业所属行业的行业用电数据;
接收所述电力机构应用平台反馈的所述历史用电数据和所述行业用电数据。
本申请还提出了一种企业授信评分获取装置,所述装置包括:
电力指标数据获取模块,用于获取待评估企业的多个第一维度指标各自对应的第一电力指标数据,及多个第二维度指标各自对应的第二电力指标数据;
向量化处理模块,用于对多个所述第一电力指标数据和多个所述第二电力指标数据分别进行向量化处理,得到相应的电力指标特征向量;
授信评分获得模块,用于将得到的多个所述电力指标特征向量输入授信评分模型,得到所述待评估企业的授信评分;
其中,所述授信评分模型是基于机器学习算法,对样本企业的样本电力指标数据进行训练得到的;所述样本企业包括已获得贷款的企业;所述样本电力指标数据包括所述样本企业的多个第一维度指标和多个第二维度指标各自对应的样本电力指标数据;所述授信评分能够用以辅助确定所述待评估企业的贷款授信额度。
本申请还提出了一种计算机设备,所述计算机设备包括:
通信模块;
存储器,用于存储实现如上述的企业授信评分获取方法的程序;
处理器,用于加载并执行所述存储器存储的所述程序,以实现如上述的企业授信评分获取方法的各步骤。
由此可见,与现有技术相比,本申请提供一种企业授信评分获取方法、装置及计算机设备,银行等金融机构,能够直接获取待评估企业的多个第一维度指标各自对应的第一电力指标数据,及多个第二维度指标各自对应的第二电力指标数据,经过向量化处理后,得到相应的电力指标特征向量,输入预先训练的授信评分模型,即可得到待评估企业的授信评分。可见,本申请充分利用电力大数据所具有的可信度高、时效性强、连续性好、完整性好、覆盖面广等特点,解决了银行在贷中授信阶段的信息相对滞后、人力成本和时间成本较高、客户群体覆盖不全面等技术问题,破解了中小微企业融资难问题,有效增强了银行防范与控制信贷风险的能力,实现了银行经济的可持续发展。
附图说明
为了更清楚地说明本申请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申请的实施例,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,还可以根据提供的附图获得其他的附图。
图1示出了适用于本申请提出的企业授信评分获取方法和装置的一可选应用场景的结构示意图;
图2示出了本申请提出的企业授信评分获取方法的一可选示例的流程示意图;
图3示出了本申请提出的企业授信评分获取方法的一可选场景示意图;
图4示出了本申请提出的企业授信评分获取方法的又一可选示例的流程示意图;
图5示出了本申请提出的企业授信评分获取方法的又一可选示例的流程示意图;
图6示出了本申请提出的企业授信评分获取方法的又一可选示例的流程示意图;
图7示出了本申请提出的企业授信评分获取装置的一可选示例的流程示意图;
图8示出了本申请提出的企业授信评分获取装置的又一可选示例的流程示意图;
图9示出了本申请提出的一种适用于上述企业授信评分获取方法和装置的计算机设备的硬件结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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。基于本申请中的实施例,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,都属于本申请保护的范围。
需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
应当理解,本申请中使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换该词语。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
其中,在本申请实施例的描述中,除非另有说明,“/”表示或的意思,例如,A/B可以表示A或B;本文中的“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,在本申请实施例的描述中,“多个”是指两个或多于两个。以下术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。
另外,本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
针对背景技术部分描述的技术问题,本申请提出以具有可信度高、时效性强、连续性好、完整性好、覆盖面广等特点,且能够实时反映企业的生产经营状况的电力数据,作为贷款风险防范与控制的新切入点,分析确定企业的贷款授信额度。
具体的,可以通过采集企业第一历史时长(如过去36个月)的历史用电信息,构建以企业基础用电信息电量水平、电量波动、电量趋势、电费水平、违约用电等信息为核心的多维信用评价体系,对企业在电力领域的信用水平全面、综合评估,输出信用评分,为金融机构制定授信策略提供参考,以确定该企业的贷款授信额度。关于按照该技术构思下提出的企业贷款风险评估实现方法中,获取企业授信评分的具体实现过程,可以参照下文实施例相应部分的描述。
其中,在本申请提出的企业贷款风险评估实现方法中,本申请可以利用海量数据处理技术,实现电力数据的采集、存储及关联分析。如利用数据挖掘技术对大量的、不完全的、有噪声的、模糊的、随机的数据进行分析,以发现和提取隐含在其中具有价值的信息内容。具体可以选择合适的机器学习/深度学习等人工智能技术,实现数据分析处理,即使用计算机设备的强大计算能力,结合统计分析模型,充分挖掘隐藏信息、总结内在规律、提炼具有价值的“熟数据”,从而为各类数据业务的开展提供基础支撑。在本申请中,可以利用相关样本数据(如上述样本企业的电力数据)训练得到授信评分模型,以利用该授信评分模型,快速且准确地确定各企业的授信评分等。
可见,本申请通过深入研究大数据、人工智能等先进金融科技,拓展了电力大数据在金融体系价值链中的延伸,丰富具有强可溢性的电力大数据在金融领域的应用场景,孵化电力金融产品和服务,实现金融业务线上化、线上金融数字化、数字金融智能化,全面发挥金融科技的支撑作用,赋能电力智能数字金融,降低金融服务成本,提升服务效率。
参照图1,为适用于本申请提出的企业授信评分获取方法的一可选应用环境的结构示意图,该应用环境中可以包括:业务终端11、业务服务器12及电力机构的电力服务设备13,其中:
业务终端11可以是银行等金融机构中,供业务人员办理业务的电子设备,如智能手机、平板电脑、可穿戴设备、个人计算机(personal computer,PC)、上网本、个人数字助理(personal digital assistant,PDA)、台式计算机等,对于负责办理不同业务的业务人员所使用的业务终端类型可以不同,这可以依据具体应用场景的需求确定,本申请在此不做一一详述。
业务服务器12可以是为业务终端提供业务服务的服务设备,具体可以是独立的物理服务器,也可以是由多台物理服务器集成的服务器集群,也可以是具有云计算能力的云服务器等。在实际应用中,可以通过有线或无线网络,实现与本地业务终端11之间的通信连接,满足两者之间的数据交互需求,具体交互过程可视情况而定,本实施例不做详述。
在本申请中,对于本申请实施例提出的企业授信评分获取方法和装置,可以适用于上述业务服务器12,和/或具有一定数据处理能力的业务终端13,本申请对此不做限制,可视情况而定。
电力服务设备13可以是电力机构的提供电力相关服务的计算机设备,如独立的物理服务器,也可以是由多台物理服务器集成的服务器集群,也可以是具有云计算能力的云服务器;或者是具有一定数据处理能力的电子设备,本申请对该电力服务设备13的产品类型及其组成结构不做限制,可以依据电力系统的服务需求确定。
在实际应用中,上述电力服务设备13可以记录各用电客户(家庭、个体、企业等)的用电相关数据,如电量使用情况、电费缴纳情况、违约用电信息、电路故障统计等,可视情况而定,本申请在此不做一一列举。
结合上文对本申请技术构思的描述,银行可以向电力机构申请,以获取待评估企业(即需要评估授信评分,以确定其贷款授信额度的任一企业)的相关电力数据,用来按照本申请提出的企业授信评分获取方法,来确定待评估企业的授信评分。由于电力大数据具有的可信度、时效性强、连续性好、完整性好、覆盖面广等特点,包括大量的因果关系数据、高维的时空数据,广域的监测控制,快速的时间响应及实时控制数据,能够实时反映企业的生产经营状况。因此,本申请通过对待评估企业的电力大数据进行分析,不仅能够快速且及时得到待评估企业的授信评分,且能够全面覆盖央行征信报告缺失、信用记录空白、成立时间短、无舆情等特点的中小微企业,大大拓宽了银行贷款客户的覆盖面。
还有,因电力数据采集方便快捷、连续性较高,银行等金融机构,可以通过业务服务器或业务终端的API接口,快速查询待评估企业的电力数据,相对于现有技术花费大量人力查询企业的经营情况和还款能力情况,极大减小了人力成本,且缩短了银行授信的时间,降低了时间成本。
由此可见,本申请通过对企业用电历史数据、企业用电变化情况、与同行业内其他企业比较情况、企业缴费情况以及企业未来的用电趋势等多个维度来多方位了解企业,再结合同类别企业给出相应的征信评价,即得到该企业的授信评分,以辅助确定该企业的贷款授信额度,降低银行放贷风险,解决了现有技术中,银行在贷中授信阶段的信息相对滞后、人力成本和时间成本较高、客户群体覆盖不全面等问题,破解中小微企业融资难问题,另辟蹊径的为银行贷款提供了新的授信管理辅助工具,有效增强了银行防范与控制信贷风险的能力,实现了银行经济的可持续发展。
应该理解的是,图1所示的应用环境的系统结构并不构成对本申请实施例对该应用环境组成的限定,在实际应用中,该应用环境可以包括比图1所示的更多或更少的设备,或者组合某些设备,本申请在此不做一一列举。
参照图2,为本申请提出的企业授信评分获取方法的一可选示例的流程示意图,该方法可以适用于计算机设备,该计算机设备可以是上述业务服务器或具有一定数据处理能力的业务终端等,可视情况而定,本申请对该计算机设备的产品类型不做限制,如图2所示,本实施例提出的企业授信评分获取方法可以包括:
步骤S11,获取待评估企业的多个第一维度指标各自对应的第一电力指标数据,及多个第二维度指标各自对应的第二电力指标数据;
其中,待评估企业可以是需要预测授信评分,以确定贷款授信额度的任一企业,本申请对该待评估企业的企业类型不做限制。结合上文对本申请技术构思的描述,对于待评估企业的电力相关数据,为了方便分析可以对其进行指标化处理,通过指标降维的处理方式,筛选出对最终结果影响具有泛统计学意义的指标。因此,本申请可以先从大方向将其划分为多个第一维度指标,再对每一个第一维度指标进行细化分类为多个第二维度指标,并获取相应维度指标的电力指标数据。
需要说明,本申请对待评估企业的电力相关数据的分类标准及方法不做限制,因此,对得到的上述各第一维度指标及其对应的各第二维度指标的内容不做限制,可视情况而定。
基于上述分析,在本申请提出的一些实施例中,在得到待评估企业的历史用电数据和行业用电数据后,可以依据历史用电数据和行业用电数据,获得待评估企业对应的各第一维度指标包含的多个第二维度指标各自的第二电力指标数据,再由属于同一第一维度指标的多个第二维度指标各自的第二电力指标数据,构成该第一维度指标对应的第一电力指标数据,具体实现过程本申请不做限制,可以依据对各维度指标的分类要求、各维度指标包含的指标内容,以及相应维度指标的指标内容对授信评分的影响关系等确定,但并不局限于此,可视情况而定。
在本申请提出的又一些实施例中,参照图3所示的,本申请可以将待评估企业的电力相关数据划分为基础用电信息、电量水平、电量波动、电量变化趋势、电费信息及违约用电信息等六大类,即六个第一维度指标,但并不局限于本实施例列举的这六个第一维度指标,可视情况而定,本申请仅以这些第一维度指标为例,来分析得到待评估企业的授信评分。
如图3所示,本申请确定待评估企业的如上文列举的六个第一维度指标后,可以按照各第一维度指标的类别,来获取相应的指标内容,记为第一电力指标数据,通过对这些第一电力指标数据进行分析,获得待评估企业的生产经营时长、生产规模、行业地位、经营的稳定性、潜在发展趋势、流动资产状况、信用水平等多方面的信息,以辅助银行确定待评估企业的贷款授信额度,具体实现过程本申请不做详述。
之后,为了更加准确且可靠分析得到待评估企业的如上文多方面的信息,本申请可以依据各第一维度指标的内容,以及对其进行分析所能够得到的待评估企业的某一方面或多方面的信息,对各第一维度指标做进一步细化分类,如可以将上文列举的6个第一维度指标细化为27个第二维度指标,具体细化分类过程可以参照但并不局限于下文相应方法实施例的描述,本申请在此不做详述。
可以理解,对于待评估企业的电力相关数据的分类处理方式,并不局限于本申请描述的这种6个第一维度指标、27个第二维度指标的分类方式,可视情况而定,本申请实施例仅以这种分类处理方式为例进行说明,对于其他分类方式以及对分类结果的分析应用过程类似,本申请不做一一详述。
其中,在确定上述第二维度指标之后,本申请可以确定各第二维度指标所对应的电力指标运算逻辑,以便按照该电力指标运算逻辑,对待评估企业的相应电力数据进行处理,得到相应的第二电力指标数据,具体实现过程本申请不做详述。
由此可见,在本申请一些实施例中,基于上文描述的各第一维度指标,上述步骤S11可以包括:获取基础用电信息、电量水平、电量波动、电量变化趋势、电费信息及违约用电信息各自包含的各第二维度指标对应的电力指标运算逻辑,按照该电力指标运算逻辑,对历史用电数据和行业用电数据进行分析,得到相应第一维度指标包含的第二维度指标的第二电力指标数据。
需要说明,在获取不同的第二电力指标数据的过程中,因电力指标运算逻辑不同,某些第二电力指标数据可能是对历史用电数据和行业用电数据进行综合分析得到,某些电力指标数据可能是直接对历史用电数据进行分析得到的,本申请对此不做限制,可依据相应的电力指标运算逻辑确定,本申请实施例在此不做一一详述。
步骤S12,对多个第一电力指标数据和多个第二电力指标数据分别进行向量化处理,得到相应的电力指标特征向量;
结合上文对本申请技术构思的描述,本申请希望通过对待评估企业的电力相关数据进行分析,来获得待评估企业的授信评分。在该实现过程中,本申请提出利用人工智能技术对电力大数据进行分析,来分析得到任一企业的征信情况与其电力数据之间的逻辑关系,并以机器模型的形式表示,即预先训练授信评分模型,这样,在实际应用中,对于任一待评估企业,可以由该授信评分模型对其各维度指标的电力指标数据进行分析,得到相应的授信评分。
其中,为了方便模型对输入数据的处理,通常需要对模型输入数据进行特征化处理,以模型能够识别且处理的数据形式,表示相应的电力指标数据,因此,本申请实施例得到多个第二电力指标数据后,可以先对其进行向量化处理,得到相应的电力指标特征向量,本申请对数据向量化处理的具体实现方法不做限制,如采用回归算法等机器学习算法,实现各第二电力指标数据的向量化处理,具体实现过程不做详述。
步骤S13,将得到的多个电力指标特征向量输入授信评分模型,得到待评估企业的授信评分。
本申请实施例中,上述授信评分模型可以是基于机器学习算法(如逻辑回归算法等,可视情况而定,本申请对该机器学习算法的类别不做限制),对样本企业的样本电力指标数据进行训练得到的。其中,样本企业可以包括已获得贷款的企业,而样本电力指标数据包括相应样本企业的多个第一维度指标和多个第二维度指标各自对应的样本电力指标数据,关于样本电力指标数据的获取过程,可以参照上文对待评估企业的电力指标数据的获取过程的描述,本实施例不做赘述。
基于上文描述,本申请得到的待评估企业的授信评分能够用以辅助确定待评估企业的贷款授信额度,可以理解,该授信评分越高,该待评估企业所得到的贷款授信额度越高,本申请对两者之间的具体逻辑关系不做限制,可视情况而定。
在一种可能的实现方式中,可以直接依据待评估企业的授信评分,按照预先确定的授信评分与贷款授信额度之间的逻辑关系,得到待评估企业的贷款授信额度;在又一种可能的实现方式中,除了待评估企业的授信评分外,本申请还可以结合待评估企业的其他信息,来确定其贷款授信额度,本申请对确定待评估企业的贷款授信额度的实现方法不做限制。
综上,在本申请实施例中,银行等金融机构,可以获取待评估企业的多个第一维度指标各自对应的第一电力指标数据,及多个第二维度指标各自对应的第二电力指标数据,经过向量化处理后,得到相应的电力指标特征向量,输入预先训练的授信评分模型,即可得到待评估企业的授信评分。可见,本申请充分利用电力大数据所具有的可信度高、时效性强、连续性好、完整性好、覆盖面广等特点,解决了银行在贷中授信阶段的信息相对滞后、人力成本和时间成本较高、客户群体覆盖不全面等技术问题,破解了中小微企业融资难问题,有效增强了银行防范与控制信贷风险的能力,实现了银行经济的可持续发展。
参照图4,为本申请提出的企业授信评分获取方法的又一可选示例的流程示意图,本实施例可以是对上文实施例描述的企业授信评分获取方法的一可选细化实现方案,但并不局限于本实施例描述的这种细化实现方案,如图4所示,本实施例提出的企业授信评分获取方法可以包括:
步骤S21,向电力机构应用平台发送电力数据获取请求;
结合上文图1所示的应用环境,电力机构应用平台可以是电力服务设备13提供的应用平台,方便电力机构工作人员管理、用电客户访问等,本申请对该电力机构应用平台的架构组成及其所具有的功能不做限制,可视情况而定。
在本申请实施例中,银行需要确定待评估企业的贷款授信额度的情况下,可以通过计算机设备向电力系统中的电力机构应用平台发送电力数据获取请求,此时该电力数据获取请求可以携带有待评估企业的企业标识信息,以及请求获取的电力类别信息,以使电力机构应用平台依据该企业标识信息和电力类别信息,能够查询到待评估企业的历史用电数据,及待评估企业所属行业的行业用电数据。本申请对电力机构应用平台查询该历史用电数据和行业用电数据的具体实现过程不做限制,可视情况而定。
其中,企业标识信息可以包括企业名称、统一社会信用代码等,根据需要还可以包括企业用电编号等,本申请对该企业标识信息所包含的具体内容不做限制。
在实际应用中,当需要获取待评估企业的授信评分的情况下,如本申请提出的技术构思,需要先从电力系统获取该待评估企业的电力相关数据,银行业务人员可以通过业务终端直接访问,或经过业务服务器间接访问电力机构应用平台,以使业务终端输出电力机构的应用界面,业务人员可以在该应用界面的相应位置,输入待评估企业的应用标识信息,之后,点击“查询”功能按钮,以生成针对该待评估企业的电力数据获取请求,并发送至电力机构应用平台,以获得与该应用标识信息相匹配的历史用电数据和行业用电数据,但并不局限于本实施例描述的这种获取方法。
步骤S22,接收电力机构应用平台反馈的待评估企业的历史用电数据,及待评估企业所属行业的行业用电数据;
步骤S23,获取基础用电信息、电量水平、电量波动、电量变化趋势、电费信息及违约用电信息各自包含的各第二维度指标对应的电力指标运算逻辑;
步骤S24,按照该电力指标运算逻辑,对历史用电数据和行业用电数据进行分析,得到相应第一维度指标包含的相应第二维度指标的第二电力指标数据;
需要说明,对于待评估企业的多个第一维度指标,并不局限于本实施例列举的基础用电信息、电量水平、电量波动、电量变化趋势、电费信息及违约用电信息这六大类指标,可依据具体应用场景的需求确定,本实施例仅以此为例进行说明。
其中,企业的基础用电信息能够是通过用电安全,反映企业在生产安全方面的信息,因此,其可以通过如用电安全等级分类,电网故障次数,检查通过比率等信息部分反映企业操作风险,并通过用电时长反映企业真实生产经营时长。本申请可以据此确定该基础用电信息这种第一维度指标能够划分成的多个第二维度指标,并确定各第二维度指标所对应的电力指标运算逻辑,以便按照该电力指标运算逻辑,对待评估企业的相应基础用电信息进行处理,得到相应的第二电力指标数据,具体实现过程本申请不做详述。
电量水平可以通过分析企业在过去一段时间内平均用电量情况,以及与同行业平均月用电量差异性,来反映企业生产规模及其行业地位。本申请可以据此确定电量水平所包含的第二维度指标的数量及类别,并确定每一个第二维度指标各自的电力指标运算逻辑,以便后续按照该电力指标运算逻辑,对待评估企业的相应历史用电数据进行分析,得到电量水平包含的各第二维度指标对应的第二电力指标数据。
电量波动这一维度指标可以通过分析企业在过去一段时间内的用电波动性,并结合企业在过去如3个月、6个月、9个月等时间段内,所表现出的周期性波动特征,综合反映生产经营的稳定性。电量变化趋势可以通过分析企业在过去一段时间内,电费账户的缴费频率、平均回款时长、预付费金额和电费余额,反映企业用于生产经营的流动资产状况。与上述基础用电信息、电力水平等第一维度指标的分类分析过程类似,本申请实施例可以据此进一步确定电量波动和电量变化趋势各自所包含的多个第二维度指标的指标内容,并确定得到相应指标内容所依据的电力指标运算逻辑,以便后续据此对待评估企业的历史用电数据、行业用电数据进行分析,得到相应的第二电力指标数据,具体实现过程本申请不做详述,可以参照但并不局限于下文实施例相应部分的描述。
步骤S25,对得到各第二电力指标数据进行向量化处理,得到相应的电力指标特征向量;
步骤S26,将得到的多个电力指标特征向量输入授信评分模型,得到待评估企业的授信评分。
关于步骤S25和步骤S26的具体实现过程,可以参照上文实施例相应部分的描述,本实施例不做赘述。
在本申请提出的一些实施例中,对于步骤S26的具体实现过程可以包括:将得到的多个电力指标特征向量输入授信评分模型,输出待评估企业的授信评分。也就是说,本实施例预先训练的授信评分模型,其输出结果直接就是企业的授信评分。计算机设备可以直接将该授信评分反馈至业务终端输出,以使业务人员据此确定待评估企业的贷款授信额度,或者由计算机设备依据该授信评分,按照预设规则,确定待评估企业的贷款授信额度后,反馈至业务终端输出,以供业务人员参考等,本申请对此不做限制,可视情况而定。
在本申请提出的又一些实施例中,上述步骤S26具体可以包括:将得到的多个电力指标特征向量输入授信评分模型,得到多个第一维度指标各自的指标评分,之后,可以利用多个第一维度指标各自的指标评分及指标权重,获得待评估企业的授信评分。可见,在本实施例中,授信评分模型直接输出结果是各第一维度指标对应的指标评分,而非待评估企业的授信评分,计算机设备可以对其做进一步分析,以得到待评估企业的授信评分,具体实现过程不做限制。
其中,对待评估企业的授信评分的影响越大的第一维度指标,其对应的指标权重越大;反之,对待评估企业的授信评分的影响越小的第一维度指标,其对应的指标权重越小,本申请对各第一维度指标所对应的指标权重的具体数值不做限制,可视情况而定。
在又一些实施例中,授信评分模型的直接输出结果也可以包括多个第一维度指标各自的指标评分,以及待评估企业的授信评分,甚至还可以包括待评估企业的企业识别信息等,以使计算机设备能够结合模型输出的各信息内容,综合确定待评估企业的贷款授信额度,本申请对授信评分模型的直接输出内容不做限制,可以依据不同的应用需求,在模型训练阶段确定,但模型训练过程类似,本申请在此不做一一详述。
示例性的,经过授信评分模型对待评估企业的电力指标特征向量的处理,可以得到基础用电信息得分、用电量水平得分、电量波动得分、电量变化趋势水平得分、电费水平得分、违约用电得分等多个第一维度指标各自的指标评分,之后,对这六方面的评分进行综合分析,可以得到20~100之间的授信评分,可以理解,待评估企业的授信评分越高,表示其信用水平越好,通常为其制定的贷款授信额度越高,具体关系本申请不做限制,可视情况而定。
综上,在本申请实施例中,银行等金融机构从电力机构获取待评估企业的历史用电数据和行业用电数据后,将从基础用电信息、电量水平、电量波动、电量变化趋势、电费信息及违约用电信息这六方面进行数据分析,同时确定数据分析过程中所使用的电力指标运算逻辑,以便按照该电力指标运算逻辑,对所获取的历史用电数据、行业用电数据中相应第一维度指标的第一电力指标数据进行处理,得到与该电力指标运算逻辑对应的第二电力指标数据,经过对其向量化处理得到电力指标特征向量后,直接输入预训练的授信评分模型,即可得到待评估企业的授信评分,以辅助确定待评估企业的贷款授信额度。
可见,相对于现有技术中由银行业务人员通过审查待评估企业的信用状况、财务状况、经营情况、还款付息能力和担保情况、税务情况、舆情信息、违约情况、司法风险等信息,并分析央行的征信报告、企业财务报表、供应商及客户等上下游情况、司法记录、违约记录、税务记录、担保物等信息,来确定待评估企业的贷款授信额度的处理方式,本申请利用电力大数据,来预测待评估企业的授信评分,以此确定其贷款授信额度的方法,保证了所采集信息实时性、降低了时间和人力成本,且能够全面覆盖不同类型的企业,拓宽了银行贷款客户的覆盖面。
参照图5,为本申请提出的企业授信评分获取方法的又一可选示例的流程示意图,本实施例可以对上文实施例中,如何依据所确定的电力指标运算逻辑,获取待评估企业的多个第二维度指标各自的第二电力指标数据的实现过程进行细化描述,但并不局限于本实施例描述的这种细化实现方法,且对于获取各第一维度指标的第一电力指标数据的实现过程,可以参照上述实施例相应部分的描述,本实施例在此不做赘述。如图5所示,本实施例描述的企业授信评分获取方法可以包括:
步骤S31,依据基础用电信息对应的多个第二维度指标,查询待评估企业的历史用电数据,得到待评估企业在第一时间段内的安全用电等级、在第二时间段内所发生的电网故障次数、电网故障检查通过率以及在第三时间段内的用电时长;
在实际应用中,可以依据用电电压、用电机器设备类型等信息,制定不同的电气安全用电评级标准,以便据此对企业用电设备进行“危险性评估”,确定其安全用电等级,以便据此配置相应的安全防护措施,如安全控制电路等,保证用电安全性,本申请对安全用电等级的划分及评估实现方法不做限制,可以依据国际通用的安全标准实现,也可以依据本行业的用电安全标准确定等。
在本申请实施例中,电力机构的工作人员,可以定期对企业用电进行安全用电等级的判定,本申请可以将企业的安全用电等级分类,作为基础用电信息这种第一维度指标下的一个第二维度指标。具体确定待评估企业的安全用电等级分类时,可以依据待评估企业最近几年内(如近三年等),被相关业务人员判定的安全用电等级来确定,但并不局限于此。可见,上述第一时间段可以指从当前时刻开始的最近三年时间,但并不局限于该时间段,可视情况而定。
此外,对于基础用电信息还可以通过电网故障次数这种第二维度指标确定,因此,银行还可以获取待评估企业在第二时间段内所发生的电网故障次数,如仅一年内是否发生过电网故障,若发生过,统计近一年发生电网故障的次数。可以理解第二时间段可以是从当前时刻开始过去一年时间,但并不局限于过去一年这个时间段。
相应地,对于基础用电信息这种第一维度指标,还可以包括电网故障检查通过率及用电时长这两种第二维度指标,其中,电网故障检查通过率即检查通过比率,具体可以指检查结果中,出现问题的次数与总检查次数的比值;而用电时长可以按照年计算,未满一年按照1年计算,因此,本实施例可以获取本年度当前时刻累计的用电时长,所以上述第三时间段可以为本年度开始时刻到当前时刻的时间段,但并不局限于此,可视情况而定。
可以理解,对于基础用电信息这种第一维度指标可以包含但并不局限于上文列举的如安全用电等级、电网故障次数、电网故障检查通过率,及用电时长这四种第二维度指标,且各第二维度指标对应的第二电力指标数据的获取过程,即相应电力指标运算逻辑可以依据相应第二维度指标内容确定,本申请对此不做限制,且对于各第二电力指标数据的获取过程不限制执行顺序,可以同步并行执行,也可以依据顺次执行等。
步骤S32,依据电量水平对应的多个第二维度指标,查询待评估企业的历史用电数据和行业用电数据,得到待评估企业在第四时间段内的用电平均值,以及在行业内的月均电量等级;
结合上文对企业的电量水平这一种第一维度指标内容的相关描述,其可以表征企业生产经营情况、生产规模,及其在行业地位等,所以,本申请可以对待评估企业最近一年内每月用电量进行分析,确定其用电平均值,此时第四时间段可以是最近12个月,统计最近12个月每月的用电量平均值,具体实现过程不做详述。
在上述基础上,本申请实施例还可以进一步获取待评估企业的月均电量行业水平即其在行业内的月均电量等级,如上述分析,可以获取待评估企业在第四时间段内的月电量第一平均值、所属行业的月电量第二平均值,再由该月电量第一平均值与月电量第二平均值的比值,确定待评估企业在第四时间段内在行业内的月均电量等级,但并不局限于这种月用电量平均值的计算方式。
在本申请实施例中,银行机构可以直接从电力机构请求获取待评估企业在第四时间段内历史用电数据,以及相应时间段内的行业用电数据,再按照上述方式得到用电平均值及在行业内的月均电量等级;银行机构也可以将需要获取用电平均值,及待评估企业在行业内的月均电量等级这一要求发送至电力机构,由电力机构按照上述方式统计得到后反馈至银行机构,减少银行机构的计算机设备的运算量,本申请对待评估企业的用电平均值,及其在行业内的月均电量等级的具体获取方法不做限制,可视情况而定。
步骤S33,依据电量波动对应的多个第二维度指标,查询待评估企业的历史用电数据和行业用电数据,得到待评估企业在第五时间段内的用电波动信息、在第六时间段内的用电量差异度,以及在第七时间段内的周期性波动信息;
在实际应用中,随着企业生产经营、规模等条件的变化,其用电量会发生变化,因此,本申请可以通过分析待评估企业的电量波动情况,来了解待评估企业的征信情况,该电量波动作为预测待评估企业的授信评分的另一种第一维度指标,对其做进一步细化分类得到的多个第二维度指标可以包括用电波动信息、用电量差异度及周期性波动信息等,但并不局限于此。
在一种可能的实现方式中,对于如上文给出电量波动所包含的多个第二维度指标,可以通过但并不局限于如图6所示的方法,来获得相应的第二电力指标数据:
步骤A1,查询待评估企业的历史用电数据,得到第五时间段内的月电量标准值和月电量均值;
步骤A2,由月电量标准值与月电量均值的比值,确定待评估企业在第五时间段内的用电波动信息;
在本申请实施例中,第五时间段可以为距离当前时刻近一年,即近12个月内,可见,本实施例可以获取待评估企业近12个月的电量标准值及电量均值,将两者之间的比值确定待评估企业的用电波动信息,即电量标准值/电量均值=用电波动,但并不局限于这种用电波动分析方法,且上述第五时间段也并不局限于近12个月,也可以是近6个月等,获取用电波动信息的过程类似,本申请不做一一详述。
步骤A3,获取待评估企业在第六时间段内的月最大用电量、月最小用电量、月平均用电量;
步骤A4,将月最大用电量和月最小用电量之间的差值,与月平均用电量的比值,确定为待评估企业在第六时间段内的用电量差异度;
在一种可能的实现方式中,第六时间段可以与上述第五时间段相同,如近12个月,也可以不同,本申请对此不做限制,本实施例仅以近12个月这一第六时间段为例进行说明,因此,计算机设备可以获取待评估企业近12个月月最大用电量、月最小用电量、月平均用电量等参数,具体可以由计算机设备从电力系统反馈的待评估企业的历史用电数据中查询得到,也可以直接请求电力系统服务设备查询并反馈等,本申请对上述各参数的获取过程不做限制。
之后,可以计算待评估企业的近12个月的月用电量中,月最大用电量和月最小用电量之间的差值,并将该差值与其近12个月的月平均用电量的比值,确定为待评估企业在近12个月内的用电量差异度,即待评估企业最近十二个月最大用电量-月最小用电量)/待评估企业最近十二个月的月平均用电量=用电量差异度,但并不局限于这种电力指标运算逻辑。
步骤A5,获取待评估企业在第六时间段内,多个时间周期内的企业用电标准值,以及所属行业在第六时间段内的相应时间周期内的行业用电标准值;
步骤A6,将企业用电标准值与行业用电标准值的比值,确定为待评估企业相应时间周期的用电量波动值。
为了解待评估企业近一年内的用电量周期变化情况,可以将近12个月划分为多个不同时间周期,如以3个月作为时间间隔,每增加3个月确定为一个新的时间周期,即近3个月为一个时间周期、近6个月为一个时间周期、近9个月为一个时间周期等,但并不局限于这种时间周期划分方式,之后可以利用数学运算原理,计算每一个时间周期内的企业用电量标准值,以及行业内相应时间周期内的行业用电标准值,并将两者之间的比值的变化,确定为待评估企业的用电量波动值,即周期性波动。
示例性的,继上文对时间周期的举例描述,本实施例可以获取待评估企业最近3个月的企业用电量标准值/所属行业最近3个月的行业用电量标准值;获取待评估企业最近6个月的企业用电量标准值/所属行业最近6个月的行业用电量标准值;获取待评估企业最近9个月的企业用电量标准值/所属行业最近9个月的行业用电量标准值。关于不同时间周期内的月用电量标准值的具体获取过程本申请在此不做详述。
步骤S34,依据电量变化趋势对应的多个第二维度指标,查询待评估企业的历史用电数据,得到待评估企业在第八时间段内的多个第九时间段各自的用电量,相对于前一年度相应时间段内的用电量的趋势变化率,以及在第八时间段内的月用电量的平均增长率;
在本申请实施例中,第八时间段可以指最近12个月,但并不局限于此,本实施例仅以此时间段为例进行说明,且对于其包含的多个第九时间段可以与上述多个不同时间周期类似,可以是指最近12个月内的不同时长,具体所指时长不做限制。如近3个月、近6个月、近12个月等。
基于此,本实施例在计算任一第九时间段对应的趋势变化率时,可以获取待评估企业在第八时间段内,任一第九时间段的累计用电量,与前一年度相应时间段内的累计用电量的电量差值,再由电量差值与前一年度相应时间段内的累计用电量的比值,确定相应第九时间段内用电量的趋势变化率。
仍以上文给出的第八时间段和第九时间段为例进行说明,本申请实施例可以获取待评估企业近三个月月用电量趋势变动情况,即近3个月月用电量的趋势变化率=(近三个月累计用电量-前一年同期三个月累计用电量)/前一年同期三个月累计用电量*100%,如当前处于5月份,可以获取2月、3月和4月月用电量的趋势变化率,即(2月、3月和4月的累计用电量-前一年2月、3月和4月的累计用电量)/前一年2月、3月和4月的累计用电量*100%。
同理,近6个月月用电量的趋势变化率=(近6个月累计用电量-前一年同期6个月累计用电量)/前一年同期6个月累计用电量*100%;近12个月月用电量的趋势变化率=(近12个月累计用电量-前一年同期12个月累计用电量)/前一年同期12个月累计用电量*100%。需要说明,关于待评估企业的用电量的趋势变化率,并不局限于上文给出的计算方式,且计算单位也不局限于一个月,也可以以一星期(7天)为单位进行计算,计算过程类似本申请不做一一详述。
此外,本申请还可以获取待评估企业近12个月平均总电量增长趋势,即获取近12个月的月用电量的平均增长率,将其作为电量变化趋势的又一种第二维度指标进行分析,具体的该平均增长率=近十二个月的总用电量月增长率加总/12。可以理解,本申请也可以按照这种电力指标运算逻辑,来计算近20个月或6个月等不同时间段内的平均增长率,并不局限于近12个月。
步骤S35,依据电费信息对应的多个第二维度指标,查询待评估企业的历史用电数据,得到待评估企业在第十时间段内的缴费频率稳定率、平均回款时长、预付电费总额以及电费余额;
其中,对于步骤S35给出的电费信息这种第一维度指标所包含的的多个第二维度指标,其对应的电力指标运算逻辑可以依据该第二维度指标本申请的内容确定,如待评估企业在第十时间段内的缴费频率稳定率,可以通过获取待评估企业在第十时间段内的缴费时间间隔标准差和缴费时间间隔均值,再由该缴费时间间隔标准差与缴费时间间隔均值的比值,确定待评估企业在第十时间段内的缴费频率稳定率。此时,该第十时间段可以为近12个月,但并不局限于此,关于缴费时间间隔标准差与缴费时间间隔均值,可以依据数学运算中标准差和均值的运算原理确定,本申请在此不做详述。
另外,仍以第十时间段可以为近12个月,并以一个月为数据分析单位为例进行说明,待评估企业在近12个月内的平均回款时长=∑(月实际缴费日期-月发行日期)/12,但并不局限于这种计算方式。而对于待评估企业的预付电费总额以及电费余额,可以通过查询待评估企业的电力账户信息确定,本申请在此不做详述。
步骤S36,依据违约用电信息对应的多个第二维度指标,查询待评估企业的历史用电数据,得到待评估企业在第十一时间段内的累计滞纳欠费总额、逾期电费总额、滞纳交费次数、滞纳交费总天数、电费回收率、违约用电次数、违约用电总额、违约窃电次数、违约窃电总额、停电次数;
可选的,上述第一时间段也可以为近12个月,但并不局限于此,本实施例仍以近12个月为例进行说明,通过查询待评估企业的电力账户信息及其对应的交易记录,可以获得待评估企业截止到当前时刻的累计滞纳欠费总额,以及近12个月的累计逾期电费总额、滞纳交费次数、滞纳交费总天数(即滞纳交费累计时长)、电费回收率(即1-电费违约金/近12个月电费总额等)、违约用电次数、违约用电总额、违约窃电次数、违约窃电总额、停电次数等多个第二维度指标对应的第二电力指标数据,但并不局限于本实施例给出的这几种违约用电信息,可视情况而定。
综上分析,本申请实施例将企业的电力大数据划分为如上文实施例描述的基础用电信息、电量水平、电量波动、电量变化趋势、电费信息、违约用电信息6大类的第一维度指标,并按照每一第一维度指标所包含的第一电力指标数据,进一步进行指标细化,得到27小类的第二维度指标,并确定每一个第二维度指标所对应的电力指标运算逻辑,之后,可以按照各电力指标运算逻辑,对从电力系统获取待评估企业的历史用电数据、行业用电数据进行计算,得到相应的第二电力指标数据,以从多方位更全面、准确了解待评估企业,以便后续据此更准确确定出待评估企业的授信评分。
需要说明的是,本申请在获取待评估企业的如上述多个第二维度指标各自对应的第二电力指标数据的过程中,计算机设备可以先依据待评估企业的企业标识信息,获取待评估企业的历史用电数据和行业用电数据,即过去最近一段时间(相对于较长时间段,可以包含上文给出的各时间段)内的历史电力数据,具体可以从上文给出的六个第一维度指标方面,来获取历史用电数据和行业用电数据,数据获取过程本实施例不做详述,之后,在确定每一个第二维度指标的电力指标运算逻辑后,可以按照各电力指标运算逻辑,从获取的历史用电数据和行业用电数据中,获取相应数据进行运算,得到对应的第二电力指标数据。
在本申请提出的又一种实施例中,本申请还可以选确定多个第二维度指标各自对应的电力指标运算逻辑,即确定出获取各第二电力指标数据所需要的历史电力数据,再就此生成相应的数据获取请求,发送至电力机构应用平台,以获取相应的历史电力数据后,执行该电力指标运算逻辑,得到相应的第二电力指标数据等,本申请对获取待评估企业的多个第二电力指标数据的具体实现过程不做限制,可视情况而定。
步骤S37,对上文得到的待评估企业的各第二电力指标数据进行向量化处理,得到相应的电力指标特征向量;
继上文描述,待评估企业的各第二电力指标数据可以包括上述待评估企业在第一时间段内的安全用电等级、在第二时间段内所发生的电网故障次数、电网故障检查通过率以及在第三时间段内的用电时长等这四个基础用电信息方面的第二电力指标数据;在第四时间段内的用电平均值以及在行业内的月均电量等级这两个电量水平方面的第二电力指标数据;在第五时间段内的用电波动信息、在第六时间段内的用电量差异度,以及在第七时间段内的周期性波动信息等这三个电量变化趋势方面的第二电力指标数据;在第十时间段内的缴费频率稳定率、平均回款时长、预付电费总额以及电费余额等四个电费信息方面的第二电力指标数据;在第十一时间段内的累计滞纳欠费总额、逾期电费总额、滞纳交费次数、滞纳交费总天数、电费回收率、违约用电次数、违约用电总额、违约窃电次数、违约窃电总额、停电次数等十个违约用电信息方面的第二电力指标数据,但并不局限于本文给出的这几种第二电力指标数据,可视情况而定。
之后,为了方便后续模型处理,可以对上文各第二电力指标数据进行向量化处理,具体向量化处理方法本申请不做限制。
步骤S38,将得到的多个电力指标特征向量输入授信评分模型,得到多个第一维度指标各自的指标评分;
步骤S39,利用多个第一维度指标各自的所述指标评分及指标权重,获得待评估企业的授信评分;
步骤S310,响应对待评估企业的授信额度获取请求,依据该授信评分,得到待评估企业的目标授信额度。
如上文实施例的描述,对于待评估企业的授信评分,并不局限于本实施例描述的这种模型处理方式,本申请仅以此为例进行说明。此外,本申请还可以依据多个第一维度指标各自的指标评分,获得待评估企业的电力分析报告,即对待评估企业分类的用电信息得分进行一个汇总分析,如由不同第一维度指标对应的指标评分大小,制定相应的电力分析报告,以结合上述授信评分,综合确定待评估企业的目标授信额度。
可以理解,在银行等金融及其的其他业务中,也可以结合上文得到的待评估企业的授信评分,来确定是否允许待评估企业办理该业务,并不局限于上文描述的信贷业务。
综上,本实施例充分利用电力数据的特殊性,如国网独有、真实性高、实时准确性强、价值密度高等,来分析确定待评估企业的征信情况,并预测当前阶段待评估企业的授信评分,解决了银行在贷中授信阶段的信息相对滞后、人力成本和时间成本较高、客户群体覆盖不全面等问题,破解中小微企业融资难问题,另辟蹊径的为银行贷款提供了新的授信管理辅助工具,有效增强了银行防范与控制信贷风险的能力,实现了银行经济的可持续发展。
参照图7,为本申请提出的企业授信评分获取装置的一可选示例的结构示意图,该装置可以适用于上述计算机设备,如图7所示,该装置可以包括:
电力指标数据获取模块21,用于获取待评估企业的多个第一维度指标各自对应的第一电力指标数据,及多个第二维度指标各自对应的第二电力指标数据;
可选的,上述电力指标数据获取模块21可以包括:
电力数据获取请求发送单元,用于向电力机构应用平台发送电力数据获取请求,所述电力数据获取请求携带有待评估企业的企业标识信息,以及请求获取的电力类别信息,以使所述电力机构应用平台依据所述企业标识信息和所述电力类别信息,查询所述待评估企业的历史用电数据,及所述待评估企业所属行业的行业用电数据;
电力指标数据接收单元,用于接收所述电力机构应用平台反馈的所述历史用电数据和所述行业用电数据。
向量化处理模块22,用于对多个所述第一电力指标数据和多个所述第二电力指标数据分别进行向量化处理,得到相应的电力指标特征向量;
授信评分获得模块23,用于将得到的多个所述电力指标特征向量输入授信评分模型,得到所述待评估企业的授信评分;
其中,所述授信评分模型是基于机器学习算法,对样本企业的样本电力指标数据进行训练得到的;所述样本企业包括已获得贷款的企业;所述样本电力指标数据包括所述样本企业的多个第一维度指标和多个第二维度指标各自对应的样本电力指标数据;所述授信评分能够用以辅助确定所述待评估企业的贷款授信额度。
在本申请提出的一些实施例中,上述授信评分获得模块23可以包括:
授信评分第一获得单元,用于将得到的多个所述电力指标特征向量输入授信评分模型,输出所述待评估企业的授信评分;或者,
指标评分得到单元,用于将得到的多个所述电力指标特征向量输入授信评分模型,得到所述多个第一维度指标各自的指标评分;
授信评分第二获得单元,用于利用所述多个第一维度指标各自的所述指标评分及指标权重,获得所述待评估企业的授信评分。
在一些实施例中,如图8所示,上述电力指标数据获取模块21可以:
第一用电数据获取单元211,用于获取待评估企业的历史用电数据,及所述待评估企业所属行业的行业用电数据;
电力指标数据第一获取单元212,用于依据所述历史用电数据和所述行业用电数据,获得所述待评估企业对应的各第一维度指标包含的多个第二维度指标各自的第二电力指标数据;
电力指标数据第二获取单元213,用于由属于同一所述第一维度指标的所述多个第二维度指标各自的第二电力指标数据,构成该第一维度指标对应的第一电力指标数据。
在又一些实施例中,上述多个第一维度指标可以包括但并不局限于:基础用电信息、电量水平、电量波动、电量变化趋势、电费信息及违约用电信息。基于此,上述电力指标数据获取模块21可以包括:
电力指标运算逻辑获取单元,用于获取所述基础用电信息、所述电量水平、所述电量波动、所述电量变化趋势、所述电费信息及所述违约用电信息各自包含的各第二维度指标对应的电力指标运算逻辑;
电力指标数据第三获取单元,用于按照所述电力指标运算逻辑,对所述历史用电数据和所述行业用电数据进行分析,得到相应第一维度指标包含的第二维度指标的第二电力指标数据。
可选的,电力指标数据第三获取单元可以包括:
第一数据获取单元,用于依据所述基础用电信息对应的多个第二维度指标,查询所述待评估企业的历史用电数据,得到所述待评估企业在第一时间段内的安全用电等级、在第二时间段内所发生的电网故障次数、电网故障检查通过率以及在第三时间段内的用电时长;
第二数据获取单元,用于依据所述电量水平对应的多个第二维度指标,查询所述待评估企业的历史用电数据和所述行业用电数据,得到所述待评估企业在第四时间段内的用电平均值,以及在行业内的月均电量等级;
其中,电量均值获取单元,用于获取所述待评估企业在第四时间段内的月电量第一平均值、所属行业的月电量第二平均值;
月均电量等级确定单元,用于由所述月电量第一平均值与所述月电量第二平均值的比值,确定所述待评估企业在第四时间段内在行业内的月均电量等级。
第三数据获取单元,用于依据所述电量波动对应的多个第二维度指标,查询所述待评估企业的历史用电数据和所述行业用电数据,得到所述待评估企业在第五时间段内的用电波动信息、在第六时间段内的用电量差异度,以及在第七时间段内的周期性波动信息;
可选的,该第三数据获取单元可以包括:
第一数据获取子单元,用于查询所述待评估企业的历史用电数据,得到第五时间段内的月电量标准值和月电量均值;
用电波动信息确定子单元,用于由所述月电量标准值与所述月电量均值的比值,确定所述待评估企业在第五时间段内的用电波动信息;
用电量差异度确定子单元,用于获取所述待评估企业在第六时间段内的月最大用电量、月最小用电量、月平均用电量,将所述月最大用电量和月最小用电量之间的差值,与所述月平均用电量的比值,确定为所述待评估企业在第六时间段内的用电量差异度;
用电量波动值确定子单元,用于获取所述待评估企业在第六时间段内,多个不同时间周期内的企业用电标准值,以及所属行业在所述第六时间段内的相应时间周期内的行业用电标准值,将所述企业用电标准值与所述行业用电标准值的比值,确定为所述待评估企业相应时间周期的用电量波动值;
第四数据获取单元,用于依据所述电量变化趋势对应的多个第二维度指标,查询所述待评估企业的历史用电数据,得到所述待评估企业在第八时间段内的多个第九时间段各自的用电量,相对于前一年度相应时间段内的用电量的趋势变化率,以及在所述第八时间段内的月用电量的平均增长率;
其中,第四数据获取单元可以包括:
电量差值获取子单元,用于获取所述待评估企业在第八时间段内,任一第九时间段的累计用电量,与前一年度相应时间段内的累计用电量的电量差值;
趋势变化率确定子单元,用于由所述电量差值与所述前一年度相应时间段内的累计用电量的比值,确定相应所述第九时间段内用电量的趋势变化率;
第五数据获取单元,用于依据所述电费信息对应的多个第二维度指标,查询所述待评估企业的历史用电数据,得到所述待评估企业在第十时间段内的缴费频率稳定率、平均回款时长、预付电费总额以及电费余额;
其中,第五数据获取单元可以包括:
第二数据获取子单元,用于获取所述待评估企业在第十时间段内的缴费时间间隔标准差和缴费时间间隔均值;
缴费频率稳定率确定子单元,用于由所述缴费时间间隔标准差与所述缴费时间间隔均值的比值,确定所述待评估企业在所述第十时间段内的缴费频率稳定率。
第六数据获取单元,用于依据所述违约用电信息对应的多个第二维度指标,查询所述待评估企业的历史用电数据,得到所述待评估企业在第十一时间段内的累计滞纳欠费总额、逾期电费总额、滞纳交费次数、滞纳交费总天数、电费回收率、违约用电次数、违约用电总额、违约窃电次数、违约窃电总额、停电次数。
在本申请提出的又一些实施例中,上述装置还可以包括:
电力分析报告获得模块,用于依据所述多个第一维度指标各自的所述指标评分,获得所述待评估企业的电力分析报告;
目标授信额度得到模块,用于响应对所述待评估企业的授信额度获取请求,依据所述待评估企业的所述电力分析报告及所述授信评分,得到所述待评估企业的目标授信额度。
需要说明的是,关于上述各装置实施例中的各种模块、单元等,均可以作为程序模块存储在存储器中,由处理器执行存储在存储器中的上述程序模块,以实现相应的功能,关于各程序模块及其组合所实现的功能,以及达到的技术效果,可以参照上述方法实施例相应部分的描述,本实施例不再赘述。
本申请还提供了一种存储介质,其上存储有程序,该程序被处理器执行时实现上述产品推荐方法的各步骤,具体实现过程可以参照上述企业授信评分获取方法实施例相应部分的描述。
参照图9,为本申请提出的一种适用于上述企业授信评分获取方法和装置的计算机设备的硬件结构示意图,该计算机设备可以包括通信模块31、存储器32和处理器33,其中:
通信模块31、存储器32和处理器33均可以连接通信总线,以实现相互之间的数据交互,本申请对计算机设备内部的线路连接关系不做一一详述。
通信模块31可以包括实现有线网络和/或无线网络通信的模块,如GPRS模块、WIFI模块或其他网络通信模块等,本申请对该通信模块31包含的通信类型不作限制,可视情况而定。可以理解的是,为了实现计算机设备内部数据交互,该通信模块31还可以包括如USB接口、串口/并口等其他通信接口,本申请在此不做一一详述。
存储器32可以用于存储实现本申请提出的企业授信评分获取方法的程序。
本实施例中,该存储器32可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件或其他易失性固态存储器件等,本申请对该存储器21的类型及存储结构不做限定。
处理器33,可以用于加载并执行存储器32中存储的程序,以实现本申请任一可选实施例提出的企业授信评分获取方法的各个步骤,具体实现过程可以参照下文相应实施例相应部分的描述。
在一些实施例中,上述处理器33可以为中央处理器(Central Processing Unit,CPU)、特定应用集成电路(application-specific integrated circuit,ASIC)、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件等。
应该理解的是,图9所示的计算机设备的结构并不构成对本申请实施例中计算机设备的限定,在实际应用中,计算机设备可以包括比图9所示的更多或更少的部件,或者组合某些部件,本申请在此不做一一列举。
最后,需要说明的是,本说明书中各个实施例采用递进或并列的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置、计算机设备而言,由于其与实施例公开的方法对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种企业授信评分获取方法,其特征在于,所述方法包括:
获取待评估企业的多个第一维度指标各自对应的第一电力指标数据,及多个第二维度指标各自对应的第二电力指标数据;
对多个所述第一电力指标数据和多个所述第二电力指标数据分别进行向量化处理,得到相应的电力指标特征向量;
将得到的多个所述电力指标特征向量输入授信评分模型,得到所述待评估企业的授信评分;
其中,所述授信评分模型是基于机器学习算法,对样本企业的样本电力指标数据进行训练得到的;所述样本企业包括已获得贷款的企业;所述样本电力指标数据包括所述样本企业的多个第一维度指标和多个第二维度指标各自对应的样本电力指标数据;所述授信评分能够用以辅助确定所述待评估企业的贷款授信额度。
2.根据权利要求1所述的方法,其特征在于,所述获取待评估企业的多个第一维度指标各自对应的第一电力指标数据,及多个第二维度指标各自对应的第二电力指标数据,包括:
获取待评估企业的历史用电数据,及所述待评估企业所属行业的行业用电数据;
依据所述历史用电数据和所述行业用电数据,获得所述待评估企业对应的各第一维度指标包含的多个第二维度指标各自的第二电力指标数据;
由属于同一所述第一维度指标的所述多个第二维度指标各自的第二电力指标数据,构成该第一维度指标对应的第一电力指标数据。
3.根据权利要求2所述的方法,其特征在于,所述多个第一维度指标包括:基础用电信息、电量水平、电量波动、电量变化趋势、电费信息及违约用电信息;
所述依据所述历史用电数据和所述行业用电数据,获得所述待评估企业对应的各第一维度指标包含的多个第二维度指标各自的第二电力指标数据,包括:
获取所述基础用电信息、所述电量水平、所述电量波动、所述电量变化趋势、所述电费信息及所述违约用电信息各自包含的各第二维度指标对应的电力指标运算逻辑;
按照所述电力指标运算逻辑,对所述历史用电数据和所述行业用电数据进行分析,得到相应第一维度指标包含的第二维度指标的第二电力指标数据。
4.根据权利要求3所述的方法,其特征在于,所述按照所述电力指标运算逻辑,对所述历史用电数据和所述行业用电数据进行分析,得到相应第一维度指标包含的第二维度指标的第二电力指标数据,包括:
依据所述基础用电信息对应的多个第二维度指标,查询所述待评估企业的历史用电数据,得到所述待评估企业在第一时间段内的安全用电等级、在第二时间段内所发生的电网故障次数、电网故障检查通过率以及在第三时间段内的用电时长;
依据所述电量水平对应的多个第二维度指标,查询所述待评估企业的历史用电数据和所述行业用电数据,得到所述待评估企业在第四时间段内的用电平均值,以及在行业内的月均电量等级;
依据所述电量波动对应的多个第二维度指标,查询所述待评估企业的历史用电数据和所述行业用电数据,得到所述待评估企业在第五时间段内的用电波动信息、在第六时间段内的用电量差异度,以及在第七时间段内的周期性波动信息;
依据所述电量变化趋势对应的多个第二维度指标,查询所述待评估企业的历史用电数据,得到所述待评估企业在第八时间段内的多个第九时间段各自的用电量,相对于前一年度相应时间段内的用电量的趋势变化率,以及在所述第八时间段内的月用电量的平均增长率;
依据所述电费信息对应的多个第二维度指标,查询所述待评估企业的历史用电数据,得到所述待评估企业在第十时间段内的缴费频率稳定率、平均回款时长、预付电费总额以及电费余额;
依据所述违约用电信息对应的多个第二维度指标,查询所述待评估企业的历史用电数据,得到所述待评估企业在第十一时间段内的累计滞纳欠费总额、逾期电费总额、滞纳交费次数、滞纳交费总天数、电费回收率、违约用电次数、违约用电总额、违约窃电次数、违约窃电总额、停电次数。
5.根据权利要求4所述的方法,其特征在于,所述待评估企业在第四时间段内在行业内的月均电量等级的获取过程包括:
获取所述待评估企业在第四时间段内的月电量第一平均值、所属行业的月电量第二平均值;
由所述月电量第一平均值与所述月电量第二平均值的比值,确定所述待评估企业在第四时间段内在行业内的月均电量等级;
所述依据所述电量波动对应的多个第二维度指标,查询所述待评估企业的历史用电数据和所述行业用电数据,得到所述待评估企业在第五时间段内的用电波动信息、在第六时间段内的用电量差异度,以及在第七时间段内的周期性波动信息包括:
查询所述待评估企业的历史用电数据,得到第五时间段内的月电量标准值和月电量均值;
由所述月电量标准值与所述月电量均值的比值,确定所述待评估企业在第五时间段内的用电波动信息;
获取所述待评估企业在第六时间段内的月最大用电量、月最小用电量、月平均用电量,将所述月最大用电量和月最小用电量之间的差值,与所述月平均用电量的比值,确定为所述待评估企业在第六时间段内的用电量差异度;
获取所述待评估企业在第六时间段内,多个不同时间周期内的企业用电标准值,以及所属行业在所述第六时间段内的相应时间周期内的行业用电标准值,将所述企业用电标准值与所述行业用电标准值的比值,确定为所述待评估企业相应时间周期的用电量波动值;
所述待评估企业在第八时间段内的任一所述第九时间段的用电量,相对于前一年度相应时间段内的用电量的趋势变化率的获取过程,包括:
获取所述待评估企业在第八时间段内,任一第九时间段的累计用电量,与前一年度相应时间段内的累计用电量的电量差值;
由所述电量差值与所述前一年度相应时间段内的累计用电量的比值,确定相应所述第九时间段内用电量的趋势变化率;
所述依据所述电费信息对应的多个第二维度指标,查询所述待评估企业的历史用电数据,得到所述待评估企业在第十时间段内的缴费频率稳定率,包括:
获取所述待评估企业在第十时间段内的缴费时间间隔标准差和缴费时间间隔均值;
由所述缴费时间间隔标准差与所述缴费时间间隔均值的比值,确定所述待评估企业在所述第十时间段内的缴费频率稳定率。
6.根据权利要求1~5任一项所述的方法,其特征在于,所述将得到的多个所述电力指标特征向量输入授信评分模型,得到所述待评估企业的授信评分,包括:
将得到的多个所述电力指标特征向量输入授信评分模型,输出所述待评估企业的授信评分;或者,
将得到的多个所述电力指标特征向量输入授信评分模型,得到所述多个第一维度指标各自的指标评分;
利用所述多个第一维度指标各自的所述指标评分及指标权重,获得所述待评估企业的授信评分。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
依据所述多个第一维度指标各自的所述指标评分,获得所述待评估企业的电力分析报告;
响应对所述待评估企业的授信额度获取请求,依据所述待评估企业的所述电力分析报告及所述授信评分,得到所述待评估企业的目标授信额度。
8.根据权利要求2所述的方法,其特征在于,所述获取待评估企业的历史用电数据,及所述待评估企业所属行业的行业用电数据,包括:
向电力机构应用平台发送电力数据获取请求,所述电力数据获取请求携带有待评估企业的企业标识信息,以及请求获取的电力类别信息,以使所述电力机构应用平台依据所述企业标识信息和所述电力类别信息,查询所述待评估企业的历史用电数据,及所述待评估企业所属行业的行业用电数据;
接收所述电力机构应用平台反馈的所述历史用电数据和所述行业用电数据。
9.一种企业授信评分获取装置,其特征在于,所述装置包括:
电力指标数据获取模块,用于获取待评估企业的多个第一维度指标各自对应的第一电力指标数据,及多个第二维度指标各自对应的第二电力指标数据;
向量化处理模块,用于对多个所述第一电力指标数据和多个所述第二电力指标数据分别进行向量化处理,得到相应的电力指标特征向量;
授信评分获得模块,用于将得到的多个所述电力指标特征向量输入授信评分模型,得到所述待评估企业的授信评分;
其中,所述授信评分模型是基于机器学习算法,对样本企业的样本电力指标数据进行训练得到的;所述样本企业包括已获得贷款的企业;所述样本电力指标数据包括所述样本企业的多个第一维度指标和多个第二维度指标各自对应的样本电力指标数据;所述授信评分能够用以辅助确定所述待评估企业的贷款授信额度。
10.一种计算机设备,其特征在于,所述计算机设备包括:
通信模块;
存储器,用于存储实现如权利要求1~8任一项所述的企业授信评分获取方法的程序;
处理器,用于加载并执行所述存储器存储的所述程序,以实现如权利要求1~8任一项所述的企业授信评分获取方法的各步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110456879.0A CN113095712A (zh) | 2021-04-25 | 2021-04-25 | 企业授信评分获取方法、装置及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110456879.0A CN113095712A (zh) | 2021-04-25 | 2021-04-25 | 企业授信评分获取方法、装置及计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113095712A true CN113095712A (zh) | 2021-07-09 |
Family
ID=76680488
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110456879.0A Pending CN113095712A (zh) | 2021-04-25 | 2021-04-25 | 企业授信评分获取方法、装置及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113095712A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113554340A (zh) * | 2021-08-05 | 2021-10-26 | 国网山东省电力公司经济技术研究院 | 基于大数据的售电公司信用评估方法及装置 |
CN113744043A (zh) * | 2021-09-03 | 2021-12-03 | 国网江苏省电力有限公司常州供电分公司 | 小微企业的信贷风险评估方法、装置及计算机设备 |
CN114387085A (zh) * | 2022-01-12 | 2022-04-22 | 见知数据科技(上海)有限公司 | 流水数据处理方法、装置、计算机设备和存储介质 |
DE202022104425U1 (de) | 2022-08-03 | 2022-08-09 | Sayed Sayeed Ahmad | Intelligentes System für die sichere Integration von Kreditwürdigkeitsprüfungen und Bankensystemen durch maschinelles Lernen |
CN116629456A (zh) * | 2023-07-20 | 2023-08-22 | 杭银消费金融股份有限公司 | 业务逾期风险预测方法、系统与存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108665184A (zh) * | 2018-05-21 | 2018-10-16 | 国网陕西省电力公司咸阳供电公司 | 一种基于大数据征信的电力客户信誉评估方法 |
CN109102178A (zh) * | 2018-07-27 | 2018-12-28 | 南方电网科学研究院有限责任公司 | 一种电力企业价值评估方法、装置及设备 |
CN109190954A (zh) * | 2018-08-22 | 2019-01-11 | 深圳合纵能源技术有限公司 | 基于实时用电数据评估企业生产经营管理风险的方法 |
CN110111202A (zh) * | 2019-05-09 | 2019-08-09 | 深圳美美网络科技有限公司 | 一种贷后风险监控的方法和系统 |
CN112150267A (zh) * | 2020-09-14 | 2020-12-29 | 深圳供电局有限公司 | 一种计算机设备和企业用电分析系统 |
CN112330441A (zh) * | 2020-11-12 | 2021-02-05 | 北京宸信征信有限公司 | 一种中小企业商业价值信用贷款评价方法 |
CN112508679A (zh) * | 2020-11-16 | 2021-03-16 | 国网山东省电力公司潍坊供电公司 | 一种小微企业贷款风险评估方法、装置及存储介质 |
CN112700319A (zh) * | 2020-12-16 | 2021-04-23 | 中国建设银行股份有限公司 | 基于政务数据的企业授信额度确定方法及装置 |
-
2021
- 2021-04-25 CN CN202110456879.0A patent/CN113095712A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108665184A (zh) * | 2018-05-21 | 2018-10-16 | 国网陕西省电力公司咸阳供电公司 | 一种基于大数据征信的电力客户信誉评估方法 |
CN109102178A (zh) * | 2018-07-27 | 2018-12-28 | 南方电网科学研究院有限责任公司 | 一种电力企业价值评估方法、装置及设备 |
CN109190954A (zh) * | 2018-08-22 | 2019-01-11 | 深圳合纵能源技术有限公司 | 基于实时用电数据评估企业生产经营管理风险的方法 |
CN110111202A (zh) * | 2019-05-09 | 2019-08-09 | 深圳美美网络科技有限公司 | 一种贷后风险监控的方法和系统 |
CN112150267A (zh) * | 2020-09-14 | 2020-12-29 | 深圳供电局有限公司 | 一种计算机设备和企业用电分析系统 |
CN112330441A (zh) * | 2020-11-12 | 2021-02-05 | 北京宸信征信有限公司 | 一种中小企业商业价值信用贷款评价方法 |
CN112508679A (zh) * | 2020-11-16 | 2021-03-16 | 国网山东省电力公司潍坊供电公司 | 一种小微企业贷款风险评估方法、装置及存储介质 |
CN112700319A (zh) * | 2020-12-16 | 2021-04-23 | 中国建设银行股份有限公司 | 基于政务数据的企业授信额度确定方法及装置 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113554340A (zh) * | 2021-08-05 | 2021-10-26 | 国网山东省电力公司经济技术研究院 | 基于大数据的售电公司信用评估方法及装置 |
CN113744043A (zh) * | 2021-09-03 | 2021-12-03 | 国网江苏省电力有限公司常州供电分公司 | 小微企业的信贷风险评估方法、装置及计算机设备 |
CN114387085A (zh) * | 2022-01-12 | 2022-04-22 | 见知数据科技(上海)有限公司 | 流水数据处理方法、装置、计算机设备和存储介质 |
CN114387085B (zh) * | 2022-01-12 | 2024-04-16 | 见知数据科技(上海)有限公司 | 流水数据处理方法、装置、计算机设备和存储介质 |
DE202022104425U1 (de) | 2022-08-03 | 2022-08-09 | Sayed Sayeed Ahmad | Intelligentes System für die sichere Integration von Kreditwürdigkeitsprüfungen und Bankensystemen durch maschinelles Lernen |
CN116629456A (zh) * | 2023-07-20 | 2023-08-22 | 杭银消费金融股份有限公司 | 业务逾期风险预测方法、系统与存储介质 |
CN116629456B (zh) * | 2023-07-20 | 2023-10-13 | 杭银消费金融股份有限公司 | 业务逾期风险预测方法、系统与存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113095712A (zh) | 企业授信评分获取方法、装置及计算机设备 | |
Shao et al. | Effect of oil price uncertainty on clean energy metal stocks in China: Evidence from a nonparametric causality-in-quantiles approach | |
KR102009309B1 (ko) | 금융상품 관리자동화 시스템 및 관리자동화 방법 | |
CN111754116B (zh) | 一种基于标签画像技术的信用评估方法及装置 | |
Hambuckers et al. | Understanding the economic determinants of the severity of operational losses: A regularized generalized Pareto regression approach | |
Kumar et al. | Causal relationship among international crude oil, gold, exchange rate, and stock market: Fresh evidence from NARDL testing approach | |
Vajgel et al. | Development of intelligent robotic process automation: A utility case study in Brazil | |
Yang et al. | Novel financial capital flow forecast framework using time series theory and deep learning: a case study analysis of Yu’e Bao transaction data | |
CN111709826A (zh) | 目标信息确定方法和装置 | |
CN113095931A (zh) | 贷后风险监控方法、装置及计算机设备 | |
Yi et al. | Macroeconomic uncertainty and crude oil futures volatility–evidence from China crude oil futures market | |
Tissaoui et al. | Do gas price and uncertainty indices forecast crude oil prices? Fresh evidence through XGBoost modeling | |
Kumar et al. | Volatility spillover among prices of crude oil, natural gas, exchange rate, gold, and stock market: Fresh evidence from exponential generalized autoregressive conditional heteroscedastic model analysis | |
Liu et al. | Does clean energy matter? Revisiting the spillovers between energy and foreign exchange markets | |
Wang et al. | Stock price prediction for new energy vehicle enterprises: An integrated method based on time series and cloud models | |
CN113506173A (zh) | 一种信用风险评估方法及其相关设备 | |
CN113450004A (zh) | 电力信用报告生成方法、装置、电子设备及可读存储介质 | |
CN111402048A (zh) | 一种可对海量金融大数据处理的智能风控系统 | |
JP7043248B2 (ja) | 休廃業予測システム | |
An et al. | Impact of transition risks of climate change on Chinese financial market stability | |
Hang et al. | Time-and quantile-varying causality between investor attention and bitcoin returns: a rolling-window causality-in-quantiles approach | |
Du et al. | A meta-path-based evaluation method for enterprise credit risk | |
CN114880369A (zh) | 一种基于弱数据技术的风险授信方法和系统 | |
CN111105154A (zh) | 股市运行风险评估方法、装置、电子设备及存储介质 | |
Zhang et al. | Herd effect analysis of stock market based on big data intelligent algorithm |
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 |