CN113112186A - 一种企业评估方法、装置及设备 - Google Patents

一种企业评估方法、装置及设备 Download PDF

Info

Publication number
CN113112186A
CN113112186A CN202110523481.4A CN202110523481A CN113112186A CN 113112186 A CN113112186 A CN 113112186A CN 202110523481 A CN202110523481 A CN 202110523481A CN 113112186 A CN113112186 A CN 113112186A
Authority
CN
China
Prior art keywords
enterprise
data
network database
graph network
risk
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
CN202110523481.4A
Other languages
English (en)
Inventor
刘明
刘键伟
刘彦龙
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.)
Dalu Network Technology Co ltd
Original Assignee
Dalu Network 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 Dalu Network Technology Co ltd filed Critical Dalu Network Technology Co ltd
Priority to CN202110523481.4A priority Critical patent/CN113112186A/zh
Publication of CN113112186A publication Critical patent/CN113112186A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/0635—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
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • G06Q10/067—Enterprise or organisation modelling

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

本申请实施例公开了一种企业评估方法、装置及设备，该方法包括：首先获取待评估的目标企业的企业数据；以及获取目标企业的企业数据的数据特征，然后，利用预先构建的图网络数据库，将目标企业的企业数据的数据特征与高风险企业的数据特征进行对比，得到对比结果，进而可以根据对比结果，对目标企业进行评估，得到评估结果。可见，本申请是通过将目标企业的企业数据的数据特征与基于预先构建的图网络数据库确定出的高风险企业的数据特征进行对比，以根据对比结果对目标企业进行评估，得到评估结果，而不再通过指标建模的方式来割裂式的评估目标企业的信用风险，从而能够通过从整体视觉去评估企业的信用风险，有效提高了评估结果的准确性。

Description

一种企业评估方法、装置及设备
技术领域
本申请涉及计算机技术领域，尤其涉及一种企业评估方法、装置及设备。
背景技术
在当前复杂的商业环境中，能否对企业的信用风险进行准确评估，对于金融行业的发展有着重大的研究价值及意义。
目前对于企业风险的评估普遍采用的是指标建模的方法。具体为：不同的金融机构建立自有的风控模型，通过财务等指标进行模型构造或者通过有监督学习建立企业风险与企业特征之间的关联模型；在企业风险传导分析上，通过研究股权穿透的企业图谱，分析股东或关联企业是否存在风险来预测是否会对监测企业产生风险。所以在对企业风险进行评估时，经常可以看到风险报告中会分为几个模块，如：基本面风险、关联关系风险、财务指标风险等。这样虽然可以从各个角度对企业信用风险进行评估，但不是作为一个整体进行评估，而是割裂开的，会大大降低评估结果的准确性。因此，当采用现有评估方式评估企业的信用风险状况时，其评估结果的准确性较低。
发明内容
有鉴于此，本申请实施例的主要目的在于提供一种企业评估方法、装置及设备，能够在对目标企业进行信用风险评估时，提高评估结果的准确性。
为解决上述问题，本申请实施例提供的技术方案如下：
第一方面，本申请实施例提供了一种企业评估方法，包括：
获取待评估的目标企业的企业数据；以及获取所述目标企业的企业数据的数据特征；
利用预先构建的图网络数据库，将所述目标企业的企业数据的数据特征与高风险企业的数据特征进行对比，得到对比结果；
根据所述对比结果，对所述目标企业进行评估，得到评估结果。
可选的，所述构建所述图网络数据库，包括：
获取满足预设条件的企业数据；并通过所述企业数据中企业实体和股东实体之间的关系构建初始图网络数据库；
利用PageRank算法计算所述初始图网络数据库中每个实体的中心性；
利用Louvain算法对所述初始图网络数据库进行分群处理，得到拆分后的初始图网络数据库，作为图网络数据库。
可选的，所述方法还包括：
确定所述图网络数据库中每个实体的标签特征。
可选的，所述利用预先构建的图网络数据库，将所述目标企业的企业数据的数据特征与高风险企业的数据特征进行对比，得到对比结果，包括：
利用预先构建的图网络数据库，确定高风险企业的数据特征；
计算所述目标企业的企业数据的数据特征与高风险企业的数据特征的相似度；
则所述根据所述对比结果，对所述目标企业进行评估，得到评估结果，包括：
根据所述目标企业的企业数据的数据特征与高风险企业的数据特征的相似度，对所述目标企业进行评估，得到评估结果。
可选的，所述利用预先构建的图网络数据库，确定高风险企业的数据特征，包括：
对所述图网络数据库中每个实体的标签特征进行降低维度处理，得到每个实体所属企业的数据特征，并确定出其中高风险企业的数据特征。
第二方面，本申请提供一种企业评估装置，包括：
第一获取单元，用于获取待评估的目标企业的企业数据；以及获取所述目标企业的企业数据的数据特征；
对比单元，用于利用预先构建的图网络数据库，将所述目标企业的企业数据的数据特征与高风险企业的数据特征进行对比，得到对比结果；
评估单元，用于根据所述对比结果，对所述目标企业进行评估，得到评估结果。
可选的，所述装置还包括：
第二获取单元，用于获取满足预设条件的企业数据；并通过所述企业数据中企业实体和股东实体之间的关系构建初始图网络数据库；
计算单元，用于利用PageRank算法计算所述初始图网络数据库中每个实体的中心性；
处理单元，用于利用Louvain算法对所述初始图网络数据库进行分群处理，得到拆分后的初始图网络数据库，作为图网络数据库。
可选的，所述装置还包括：
确定单元，用于确定所述图网络数据库中每个实体的标签特征。
可选的，所述对比单元包括：
确定子单元，用于利用预先构建的图网络数据库，确定高风险企业的数据特征；
计算子单元，用于计算所述目标企业的企业数据的数据特征与高风险企业的数据特征的相似度；
则所述评估单元具体用于：
根据所述目标企业的企业数据的数据特征与高风险企业的数据特征的相似度，对所述目标企业进行评估，得到评估结果。
可选的，所述确定子单元具体用于：
对所述图网络数据库中每个实体的标签特征进行降低维度处理，得到每个实体所属企业的数据特征，并确定出其中高风险企业的数据特征。
本申请实施例还提供了一种企业评估设备，包括：处理器、存储器、系统总线；
所述处理器以及所述存储器通过所述系统总线相连；
所述存储器用于存储一个或多个程序，所述一个或多个程序包括指令，所述指令当被所述处理器执行时使所述处理器执行上述企业评估方法中的任意一种实现方式。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备执行上述企业评估方法中的任意一种实现方式。
本申请实施例在进行企业评估时，首先获取待评估的目标企业的企业数据；以及获取目标企业的企业数据的数据特征，然后，利用预先构建的图网络数据库，将目标企业的企业数据的数据特征与高风险企业的数据特征进行对比，得到对比结果，进而可以根据对比结果，对目标企业进行评估，得到评估结果。可见，本申请实施例是通过将目标企业的企业数据的数据特征与基于预先构建的图网络数据库确定出的高风险企业的数据特征进行对比，以根据对比结果对目标企业进行评估，得到评估结果，而不再通过指标建模的方式来割裂式的评估目标企业的信用风险，从而能够通过从整体视觉去评估企业的信用风险，有效提高了评估结果的准确性。
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，下面描述中的附图是本申请的一些实施例，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为本申请实施例提供的一种企业评估方法的流程示意图；
图2为本申请实施例提供的构建的初始图网络数据库的结构示意图；
图3为本申请实施例提供的一种企业评估装置的组成示意图。
具体实施方式
目前金融机构对于企业风险的评估普遍采用的是指标建模的方法。具体为：不同的金融机构建立自有的风控模型，通过财务等指标进行模型构造或者通过有监督学习建立企业风险与企业特征之间的关联模型；在企业风险传导分析上，通过研究股权穿透的企业图谱，分析股东或关联企业是否存在风险来预测是否会对监测企业产生风险。所以在对企业风险进行评估时，经常可以看到风险报告中会分为几个模块，如：基本面风险、关联关系风险、财务指标风险等。这样虽然可以从各个角度对企业信用风险进行评估，但不是作为一个整体进行评估，而是割裂开的，会大大降低评估结果的准确性。因此，当采用现有评估方式评估企业的信用风险状况时，其评估结果的准确性较低。
为解决上述缺陷，本申请实施例提供了一种企业评估方法，在进行企业评估时，首先获取待评估的目标企业的企业数据；以及获取目标企业的企业数据的数据特征，然后，利用预先构建的图网络数据库，将目标企业的企业数据的数据特征与高风险企业的数据特征进行对比，得到对比结果，进而可以根据对比结果，对目标企业进行评估，得到评估结果。可见，本申请实施例是通过将目标企业的企业数据的数据特征与基于预先构建的图网络数据库确定出的高风险企业的数据特征进行对比，以根据对比结果对目标企业进行评估，得到评估结果，而不再通过指标建模的方式来割裂式的评估目标企业的信用风险，从而能够通过从整体视觉去评估企业的信用风险，有效提高了评估结果的准确性。
为使本申请实施例的目的、技术方案和优点更加清楚，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。
第一实施例
参见图1，为本实施例提供的一种企业评估方法的流程示意图，该方法包括以下步骤：
S101：获取待评估的目标企业的企业数据；以及获取目标企业的企业数据的数据特征。
在本实施例中，将需要进行信用风险评估的企业定义为目标企业。为了对目标企业的信用风险进行有效评估，首先需要获取目标企业的企业数据，同时，还需要获取目标企业的企业数据的数据特征，用以执行后续步骤S102-S103。
其中，目标企业的企业数据指的是目标企业的组成结构数据以及在进行买卖业务时产生的交易数据信息。例如，假设目标企业为一家小型外贸企业，则在对其进行评估时，首先需要获取该目标企业的企业数据包括该目标企业的企业信息、股权关系、股东信息以及该目标企业作为买家或卖家时产生的交易数据，如贸易金额、贸易品类、金额波动程度等交易数据信息。
在本申请实施例的一种可能的实现方式中，在获取到目标企业的企业数据后，进一步的，为了降低计算量，并综合考虑各个类型数据相互之间的关联关系，可以提取目标企业的企业数据的数据特征，并对这些数据特征进行复合处理，得到目标企业对应P个能够表征其企业数据信息的复合特征向量，用以执行后续步骤S102-S103。其中，P为大于0的正整数，具体取值可根据实际情况进行设定，本申请实施例对此不进行限定，比如可以将P取值为5等。
具体来讲，在本实现方式中，在选取了表现目标企业特征的28类企业数据后，可以对这些数据进行Z值转换，以便利用统一量纲对目标企业特征信息进行表现，后续可以进行相应的复合处理。其中，采用的Z值转换指的是Z分数，具体公式表示如下：
z＝(x-μ)/σ
其中，z表示标准分数；x表示某一具体分数；μ表示平均数；σ表示标准差。需要说明的是，标准分数是一种不受原始测量单位影响的数值。其作用除了能够表明原数据在其分布中的位置外，还能对未来不能直接比较的各种不同单位的数据进行比较。
S102：利用预先构建的图网络数据库，将目标企业的企业数据的数据特征与高风险企业的数据特征进行对比，得到对比结果。
在本实施例中，通过步骤S101获取到目标企业的企业数据以及目标企业的企业数据的数据特征后，进一步可以利用预先构建的图网络数据库，将目标企业的企业数据的数据特征与高风险企业的数据特征进行对比，得到对比结果，用以执行后续步骤S103。其中，N为大于0且小于等于M的正整数。
需要说明的是，为实现本步骤S102，需要预先构建一个图网络数据库，接下来，本实施例将对图网络数据库的具体构建过程进行介绍。
具体来讲，，一种可选的实现方式是，图网络数据库的构建过程可以包括下述步骤A-C：
步骤A：获取满足预设条件的企业数据；并通过企业数据中企业实体和股东实体之间的关系构建初始图网络数据库。
在本实现方式中，为了对企业的信用风险进行准确评估，本申请实施例提出将企业的关联关系和企业特征等作为一个整体，建立图网络数据库，用以对目标企业进行信用风险评估。但是从现有产品角度来看，在市场上存在若干图数据库，如neo4j等，但大多都属于通用型的，虽然在技术上是比较先进的，但应用于具体场景上都需要作进一步的开发。比如对于基于企业的风控研究领域，如果只是单纯的建立企业网络图谱，在构造上现有图数据库可以轻松实现。但没有考虑到图网络不平衡的问题，由于大多数企业的股权关系相对单一，对整体网络进行研究会弱化股权单一企业的特征。所以单单仅是目前的图数据库产品是不够的。信用风险较高的企业往往是多种因素导致的，不能单一的认为某一种因素表现不足就判定该企业为高风险。而是应该作为一个整体去挖掘隐藏的高风险企业模式。
因此，本申请在获取到大量满足预设条件的企业数据后，通过企业实体、股东实体和股权关系构造初始图网络数据库，并进行可视化呈现，如图2所示，其中，圆圈中较大的点表示股权关系负责的企业，较小的点表示股权单一的中小企业，可见，整个网络呈不平衡状态。大数据企业由于股权单一，不呈网络形态。只有部分股权复杂的企业，有明显的网络形态。从而可以验证出企业的图网络大多数是不平衡的。
步骤B：利用PageRank算法计算初始图网络数据库中每个实体的中心性。
在本实现方式中，通过步骤A构建了初始图网络数据库后。由于对大网络的拆分不是直接的进行拆解，而是需要保留原有实体在整个网络中的重要程度特性。由此，本申请实施例是利用PageRank算法来计算初始图网络数据库中每个实体的中心性。
其中，PageRank来自于Google网页重要性排序应用场景，是对网络中节点的重要性排序的算法。一个节点对系统施加影响的结果，就是与它相连的节点也具有一定的影响力。可以计算出实体在整个网络中的影响大小。结果值越大表明其在网络中所起的作用越大。这样，通过保留这个结果值，可以给实体增加重要性的特征标签。
步骤C：利用Louvain算法对初始图网络数据库进行分群处理，得到拆分后的初始图网络数据库，作为图网络数据库。
在本实现方式中，通过步骤A构建了初始图网络数据库后，不仅需要通过步骤B利用PageRank算法计算初始图网络数据库中每个实体的中心性，还需要利用Louvain算法对初始图网络数据库进行分群处理，得到拆分后的初始图网络数据库，作为图网络数据库。其中，Louvain算法的特点是可以拆开大结构，使得对于原来是小结构的数据环境也可以有一个比较好的训练集以弥补小结构群落普遍缺乏高质量客户的训练数据集，也不用笼统的集中在一个模型属性中描述大结构与小结构，或是丰富小结构数据以平衡某些内容的不足。
具体来讲，Louvain算法的核心是对Louvain分群，以通过模块度衡量分群的效果。模块度是评估一个社区网络划分好坏的度量方法，它的物理含义是社区内节点的连边的权重之和与随机情况下的连边的权重之和的差距，它的取值范围是[-1/2,1)。整个Louvain算法总结如下：
1)将图中的每个节点看成一个独立的社区，次数社区的数目与节点个数相同。
2)对每个节点i，依次尝试把节点i分配到其每个邻居节点所在的社区，计算分配前与分配后的模块度变化ΔQ，并记录ΔQ最大的那个邻居节点，如果maxΔQ>0，则把节点i分配ΔQ最大的那个邻居节点所在的社区，否则保持不变。
3)重复步骤2)，直到所有节点的所属社区不再变化。
4)对图进行压缩，将所有在同一个社区的节点压缩成一个新节点，社区内节点之间的边的权重转化为新节点的环的权重，社区间的边权重转化为新节点间的边权重。
5)重复步骤1)，直到整个图的模块度不再发生变化。
进一步的，一种可选的实现方式是，在构建了图网络数据库后，还可以增加图网络数据库中各实体的标签，以确定出图网络数据库中每个实体的标签特征。具体来讲，对于企业实体增加如贸易品类、金额波动程度、金额波动程度、企业出口总金额、频次波动、股东数、成立年数、企业进口总金额、每笔平均进出口额、进口笔数等标签；对于股东实体增加年龄、性别、贷款笔数、坏账笔数等标签。然后由于这些数据标签是采用多个不同的字段，数据标识量级也不同，为了更好的达到计算效果进行量纲的归一化处理，进而可以分别对图网络数据库中各个企业各自对应的企业数据的数据标签进行复合处理(如降维处理)，得到各个企业各自对应P个复合特征向量(如5个复合特征向量)。
在此基础上，可以利用玛尔斯现有的坏样本数据，对图网络数据库中的对违约企业进行标注，即，对图网络数据库中的违约企业的实体进行标注，其中，违约企业对应的信用风险较高的样本企业数据可以来自于合作的金融机构或在玛尔斯平台贷款违约的企业。这样，在对这些信用风险较高的违约企业的数据标签进行复合处理(如降维处理)后，可以得到这些高风险企业各自对应P个复合特征向量(如需要解释高风险企业的企业数据的80％以上的信息的5个复合特征向量)，用以表征这些高风险企业网络的特征，如高风险企业中实体与实体间的关系、实体的重要程度、属性信息等。
S103：根据对比结果，对目标企业进行评估，得到评估结果。
在本实施例中，通过步骤S102确定出目标企业的企业数据的数据特征与高风险企业的数据特征之间对比结果后，进一步可以根据目标企业的企业数据的数据特征与高风险企业的数据特征之间的差异值，对目标企业的信用风险进行精准评估，确定出目标企业是否属于信用风险较高的高风险企业，以便提前进行预警，避免不必要的经济损失。
具体来讲，一种可选的实现方式是，本步骤S102的实现过程具体可以包括下述步骤S1021-S1022：
步骤S1021：利用预先构建的图网络数据库，确定高风险企业的数据特征。
步骤S1022：计算目标企业的企业数据的数据特征与高风险企业的数据特征的相似度。
在本实现方式中，在对图网络数据库中每个实体的标签特征进行降低维度处理，得到每个实体所属企业的数据特征，并确定出其中高风险企业的数据特征(如需要解释高风险企业的企业数据的80％以上的信息的5个复合特征向量)后，进一步可以利用现有或未来出现的相似性计算方法，计算目标企业的企业数据的数据特征与高风险企业的数据特征的相似度，进而可以通过判断相识度是否满足预设相似度阈值，来确定出目标企业的评估结果，从而实现了从全局角度去挖掘目标企业的信用风险的目的。
例如，可以利用Jaccard相似性算法对目标企业的信用方向进行评估，其中，Jaccard系数值越大，表明目标企业的企业数据的数据特征与高风险企业的数据特征的相似度越高。特征、实体重要性的相似性比对用Jaccard，企业与实体的关系是需要完全匹配才能确定是高风险特征。
需要说明的是，本申请是在不同视觉下去评估企业的信用风险的，即，对于大型网络中的节点，中型网络中的节点，小型网络中的节点，是根据具体的应用场景去挖掘拆分后的关注群体在整个网络中所表现的形式。例如，对于外贸企业的信用风险评估，则是在小型网络中节点解决下进行评估的，即利用2-3层的股权关系以及企业与股东的特征即可较准确的评估处外卖企业的企业信用风险。
这样，本申请可以充分利用图网络数据库的优势，基于对非数值信息的连接进行信用风险研究，而在图网络数据库构造过程中，基于企业风险的场景消除了图网络不平衡因素的影响。并且本申请是从整体视觉去评估企业信用风险，把股权关系以及企业与股东的特征作为一个整体去挖掘企业信用风险，使得得到的评估结果更加科学与准确。
综上，本实施例提供的一种企业评估方法，在进行企业评估时，首先获取待评估的目标企业的企业数据；以及获取目标企业的企业数据的数据特征，然后，利用预先构建的图网络数据库，将目标企业的企业数据的数据特征与高风险企业的数据特征进行对比，得到对比结果，进而可以根据对比结果，对目标企业进行评估，得到评估结果。可见，本申请实施例是通过将目标企业的企业数据的数据特征与基于预先构建的图网络数据库确定出的高风险企业的数据特征进行对比，以根据对比结果对目标企业进行评估，得到评估结果，而不再通过指标建模的方式来割裂式的评估目标企业的信用风险，从而能够通过从整体视觉去评估企业的信用风险，有效提高了评估结果的准确性。
第二实施例
本实施例将对一种企业评估装置进行介绍，相关内容请参见上述方法实施例。
参见图3，为本实施例提供的一种企业评估装置的组成示意图，该装置包括：
第一获取单元301，用于获取待评估的目标企业的企业数据；以及获取所述目标企业的企业数据的数据特征；
对比单元302，用于利用预先构建的图网络数据库，将所述目标企业的企业数据的数据特征与高风险企业的数据特征进行对比，得到对比结果；
评估单元303，用于根据所述对比结果，对所述目标企业进行评估，得到评估结果。
在本实施例的一种实现方式中，所述装置还包括：
第二获取单元，用于获取满足预设条件的企业数据；并通过所述企业数据中企业实体和股东实体之间的关系构建初始图网络数据库；
计算单元，用于利用PageRank算法计算所述初始图网络数据库中每个实体的中心性；
处理单元，用于利用Louvain算法对所述初始图网络数据库进行分群处理，得到拆分后的初始图网络数据库，作为图网络数据库。
在本实施例的一种实现方式中，所述装置还包括：
确定单元，用于确定所述图网络数据库中每个实体的标签特征。
在本实施例的一种实现方式中，所述对比单元302包括：
确定子单元，用于利用预先构建的图网络数据库，确定高风险企业的数据特征；
计算子单元，用于计算所述目标企业的企业数据的数据特征与高风险企业的数据特征的相似度；
则所述评估单元303具体用于：
根据所述目标企业的企业数据的数据特征与高风险企业的数据特征的相似度，对所述目标企业进行评估，得到评估结果。
在本实施例的一种实现方式中，所述确定子单元具体用于：
对所述图网络数据库中每个实体的标签特征进行降低维度处理，得到每个实体所属企业的数据特征，并确定出其中高风险企业的数据特征。
综上，本实施例提供的一种企业评估装置，在进行企业评估时，首先获取待评估的目标企业的企业数据；以及获取目标企业的企业数据的数据特征，然后，利用预先构建的图网络数据库，将目标企业的企业数据的数据特征与高风险企业的数据特征进行对比，得到对比结果，进而可以根据对比结果，对目标企业进行评估，得到评估结果。可见，本申请实施例是通过将目标企业的企业数据的数据特征与基于预先构建的图网络数据库确定出的高风险企业的数据特征进行对比，以根据对比结果对目标企业进行评估，得到评估结果，而不再通过指标建模的方式来割裂式的评估目标企业的信用风险，从而能够通过从整体视觉去评估企业的信用风险，有效提高了评估结果的准确性。
进一步地，本申请实施例还提供了一种企业评估设备，包括：处理器、存储器、系统总线；
所述处理器以及所述存储器通过所述系统总线相连；
所述存储器用于存储一个或多个程序，所述一个或多个程序包括指令，所述指令当被所述处理器执行时使所述处理器执行上述企业评估方法的任一种实现方法。
进一步地，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备执行上述企业评估方法的任一种实现方法。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到上述实施例方法中的全部或部分步骤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，本申请的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，或者诸如媒体网关等网络通信设备，等等)执行本申请各个实施例或者实施例的某些部分所述的方法。
需要说明的是，本说明书中各个实施例采用递进的方式描述，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而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
还需要说明的是，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。
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 (12)

1.一种企业评估方法，其特征在于，包括：
获取待评估的目标企业的企业数据；以及获取所述目标企业的企业数据的数据特征；
利用预先构建的图网络数据库，将所述目标企业的企业数据的数据特征与高风险企业的数据特征进行对比，得到对比结果；
根据所述对比结果，对所述目标企业进行评估，得到评估结果。
2.根据权利要求1所述的方法，其特征在于，所述构建所述图网络数据库，包括：
获取满足预设条件的企业数据；并通过所述企业数据中企业实体和股东实体之间的关系构建初始图网络数据库；
利用PageRank算法计算所述初始图网络数据库中每个实体的中心性；
利用Louvain算法对所述初始图网络数据库进行分群处理，得到拆分后的初始图网络数据库，作为图网络数据库。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
确定所述图网络数据库中每个实体的标签特征。
4.根据权利要求3所述的方法，其特征在于，所述利用预先构建的图网络数据库，将所述目标企业的企业数据的数据特征与高风险企业的数据特征进行对比，得到对比结果，包括：
利用预先构建的图网络数据库，确定高风险企业的数据特征；
计算所述目标企业的企业数据的数据特征与高风险企业的数据特征的相似度；
则所述根据所述对比结果，对所述目标企业进行评估，得到评估结果，包括：
根据所述目标企业的企业数据的数据特征与高风险企业的数据特征的相似度，对所述目标企业进行评估，得到评估结果。
5.根据权利要求4所述的方法，其特征在于，所述利用预先构建的图网络数据库，确定高风险企业的数据特征，包括：
对所述图网络数据库中每个实体的标签特征进行降低维度处理，得到每个实体所属企业的数据特征，并确定出其中高风险企业的数据特征。
6.一种企业评估装置，其特征在于，包括：
第一获取单元，用于获取待评估的目标企业的企业数据；以及获取所述目标企业的企业数据的数据特征；
对比单元，用于利用预先构建的图网络数据库，将所述目标企业的企业数据的数据特征与高风险企业的数据特征进行对比，得到对比结果；
评估单元，用于根据所述对比结果，对所述目标企业进行评估，得到评估结果。
7.根据权利要求6所述的装置，其特征在于，所述装置还包括：
第二获取单元，用于获取满足预设条件的企业数据；并通过所述企业数据中企业实体和股东实体之间的关系构建初始图网络数据库；
计算单元，用于利用PageRank算法计算所述初始图网络数据库中每个实体的中心性；
处理单元，用于利用Louvain算法对所述初始图网络数据库进行分群处理，得到拆分后的初始图网络数据库，作为图网络数据库。
8.根据权利要求7所述的装置，其特征在于，所述装置还包括：
确定单元，用于确定所述图网络数据库中每个实体的标签特征。
9.根据权利要求8所述的装置，其特征在于，所述对比单元包括：
确定子单元，用于利用预先构建的图网络数据库，确定高风险企业的数据特征；
计算子单元，用于计算所述目标企业的企业数据的数据特征与高风险企业的数据特征的相似度；
则所述评估单元具体用于：
根据所述目标企业的企业数据的数据特征与高风险企业的数据特征的相似度，对所述目标企业进行评估，得到评估结果。
10.根据权利要求9所述的装置，其特征在于，所述确定子单元具体用于：
对所述图网络数据库中每个实体的标签特征进行降低维度处理，得到每个实体所属企业的数据特征，并确定出其中高风险企业的数据特征。
11.一种企业评估设备，其特征在于，包括：处理器、存储器、系统总线；
所述处理器以及所述存储器通过所述系统总线相连；
所述存储器用于存储一个或多个程序，所述一个或多个程序包括指令，所述指令当被所述处理器执行时使所述处理器执行权利要求1-5任一项所述的方法。
12.一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中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备执行权利要求1-5任一项所述的方法。
CN202110523481.4A 2021-05-13 2021-05-13 一种企业评估方法、装置及设备 Pending CN113112186A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110523481.4A CN113112186A (zh) 2021-05-13 2021-05-13 一种企业评估方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110523481.4A CN113112186A (zh) 2021-05-13 2021-05-13 一种企业评估方法、装置及设备

Publications (1)

Publication Number Publication Date
CN113112186A true CN113112186A (zh) 2021-07-13

Family

ID=76722544

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110523481.4A Pending CN113112186A (zh) 2021-05-13 2021-05-13 一种企业评估方法、装置及设备

Country Status (1)

Country Link
CN (1) CN113112186A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113674081A (zh) * 2021-07-30 2021-11-19 浙江创邻科技有限公司 一种基于图数据库的中小企业风控管理系统及方法
CN113837527A (zh) * 2021-08-02 2021-12-24 深圳前海微众银行股份有限公司 企业评级方法、装置、设备以及存储介质
CN116362940A (zh) * 2023-04-01 2023-06-30 山东联信数字科技有限公司 一种基于大数据分析的企业信用评估方法、系统、装置和存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113674081A (zh) * 2021-07-30 2021-11-19 浙江创邻科技有限公司 一种基于图数据库的中小企业风控管理系统及方法
CN113674081B (zh) * 2021-07-30 2023-12-19 浙江创邻科技有限公司 一种基于图数据库的中小企业风控管理系统及方法
CN113837527A (zh) * 2021-08-02 2021-12-24 深圳前海微众银行股份有限公司 企业评级方法、装置、设备以及存储介质
CN116362940A (zh) * 2023-04-01 2023-06-30 山东联信数字科技有限公司 一种基于大数据分析的企业信用评估方法、系统、装置和存储介质

Similar Documents

Publication Publication Date Title
CN113112186A (zh) 一种企业评估方法、装置及设备
Doumpos et al. A multicriteria outranking modeling approach for credit rating
CN108763277B (zh) 一种数据分析方法、计算机可读存储介质及终端设备
CN112053061A (zh) 围串标行为识别方法、装置、电子设备和存储介质
CN111401600A (zh) 基于关联关系的企业信用风险评价方法和系统
CN109919608B (zh) 一种高危交易主体的识别方法、装置及服务器
CN111563187A (zh) 关系确定方法、装置、系统和电子设备
CN111709668A (zh) 基于数据挖掘技术的电网设备参数风险识别方法及装置
Chmielarz et al. The selection and comparison of the methods used to evaluate the quality of e-banking websites: The perspective of individual clients
CN115545886A (zh) 逾期风险识别方法、装置、设备及存储介质
CN115409419A (zh) 业务数据的价值评估方法、装置、电子设备及存储介质
CN113506173A (zh) 一种信用风险评估方法及其相关设备
Wang et al. Multiview Graph Learning for Small‐and Medium‐Sized Enterprises’ Credit Risk Assessment in Supply Chain Finance
CN113988459A (zh) 一种基于电力营销数据的中小企业成长性评估方法及系统
CN113205338A (zh) 基于人工智能的外汇业务处理方法及装置
Peng Research on credit risk identification of internet financial enterprises based on big data
CN114943563A (zh) 一种权益推送方法、装置、计算机设备及存储介质
CN113052512A (zh) 风险预测方法、装置和电子设备
CN114092216A (zh) 企业信贷评级方法、装置、计算机设备和存储介质
CN113379212A (zh) 基于区块链的物流信息平台违约风险评估方法、装置、设备及介质
Tan et al. Investment recommendation with total capital value maximization in online P2P lending
CN113538020B (zh) 获取客群特征关联度方法、装置、存储介质和电子装置
Ivashchenko et al. The System of Simultaneous Equations in Regional Economic Potential Assessment within Smart Specialisation Framework.
Persson et al. Comparing machine learning models for predicting stock market volatility using social media sentiment: A comparison of the predictive power of the Artificial Neural Network, Support Vector Machine and Decision Trees models on price volatility using social media sentiment
CN117252694A (zh) 异常交易对象的识别及控制方法、装置及可读存储介质

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