CN113421155A - 钢贸企业画像多维度模型构建方法、风控管理方法及装置 - Google Patents

Abstract

一种钢贸企业画像多维度模型构建方法、风控管理方法及装置，所述钢贸企业画像多维度模型构建方法包括：获取目标企业的原始数据信息；所述原始数据信息包括：原始贸易数据信息、原始风控评估数据信息、原始工商数据信息以及进件数据信息；对所述原始数据信息进行处理，确定企业画像体系；对所述企业画像体系进行组合，生成企业画像多维度模型。上述方案能够为中小企业提供信贷服务的效率。

Description

钢贸企业画像多维度模型构建方法、风控管理方法及装置

技术领域

本发明涉及风险识别技术领域，尤其涉及一种钢贸企业画像多维度模型构建方法、风控管理方法及装置。

背景技术

近年来，一些商业银行调整信贷服务对象，将经营关注点转向有效益和偿付能力的中小企业。然而，中小企业融资困难的问题依然存在，在融资过程中需要经过人工审计、人工核查等操作，由银行工作人员来确定是否给相应企业进行放款以及确定放款额度。

由此，为中小企业提供信贷服务的过程中，存在人工效率低下的问题。

发明内容

本发明实施例解决的是为中小企业提供信贷服务的过程中，人工效率低下的技术问题。

为解决上述技术问题，本发明实施例提供一种钢贸企业画像多维度模型构建方法，包括：获取目标企业的原始数据信息；所述原始数据信息包括：原始贸易数据信息、原始风控评估数据信息、原始工商数据信息以及进件数据信息；对所述原始数据信息进行处理，确定所述企业画像体系；对所述企业画像体系进行组合，生成企业画像多维度模型。

可选的，所述企业画像体系包括：企业画像评分体系，企业画像标签体系，企业风险建议生成体系。

可选的，所述企业画像评分体系由所述原始贸易数据信息、原始风控评估数据信息、原始工商数据信息以及进件数据信息确定。

可选的，所述对所述原始数据信息进行处理，包括：采用贝叶斯理论界定折叠法对所述原始贸易数据信息进行数据填补与数据清洗。

可选的，在采用贝叶斯理论界定折叠法对所述原始贸易数据信息进行数据填补与数据清洗之后，还包括：从所述原始贸易数据中抽取出部分，得到抽样数据；将所述抽样数据划分为N组，N≥2；将N组抽样数据分别进行离散分析比对，根据离散分析比对结果，确定所述原始贸易数据信息对应的评分规则。

可选的，分别对所述原始风控评估数据信息、所述原始工商数据信息以及所述进件数据信息进行标签结构分布统计，获取所述原始风控评估数据信息、所述原始工商数据信息以及所述进件数据信息各自对应的评分规则。

可选的，在生成企业画像多维度模型之后，还包括：定期对所述企业画像多维度模型进行更新。

本发明实施例还提供了一种风控管理方法，包括：采用上述任一种所述的钢贸企业画像多维度模型构建方法构建企业画像多维度模型；在业务系统中，对所有目标企业对应的企业画像多维度模型进行实时监控；对所述目标企业对应的企业画像多维度模型进行贷款风险识别，获取风险识别结果并输出。

本发明实施例还提供了一种钢贸企业画像多维度模型构建装置，包括：获取单元，用于获取目标企业的原始数据信息；所述原始数据信息包括：原始贸易数据信息、原始风控评估数据信息、原始工商数据信息以及进件数据信息；确定单元，用于对所述原始数据信息进行处理，确定所述企业画像体系；生成单元，用于对所述企业画像体系进行组合，生成企业画像多维度模型。

本发明实施例还提供了一种风控管理装置，包括：模型构建单元，用于采用上述任一种所述的钢贸企业画像多维度模型构建方法构建企业画像多维度模型；监控单元，用于在业务系统中，对所有目标企业对应的企业画像多维度模型进行实时监控；识别单元，用于对所述目标企业对应的企业画像多维度模型进行贷款风险识别，获取风险识别结果并输出。

与现有技术相比，本发明实施例的技术方案具有以下有益效果：

通过获取目标企业的原始数据信息，构建企业画像体系，进而生成企业画像多维度模型。目标企业的原始数据信息与目标企业的生产经营状况、企业信用等相关，因此，构建出的企业画像多维度模型能够准确地反映企业的信用及偿还能力，进而可以确定为目标企业提供后续的服务。在生成企业画像多维度模型，获取目标企业的贷款风险识别过程中，无需人工参与，因此能够有效地提高工作效率。

附图说明

图1是本发明实施例中的一种钢贸企业画像多维度模型构建方法的流程图；

图2是本发明实施例中的一种风控管理方法的流程图；

图3是本发明实施例中的一种钢贸企业画像多维度模型构建装置的结构示意图；

图4是本发明实施例中的一种风控管理装置的流程图。

具体实施方式

现有技术中，为中小企业提供信贷服务时，需要银行工作人员对企业的资料进行审核，并根据企业的资料确定放款额度等。因此，存在人工效率低下的问题。

在本发明实施例中，通过获取目标企业的原始数据信息，构建企业画像体系，进而生成企业画像多维度模型。目标企业的原始数据信息与目标企业的生产经营状况、企业信用等相关，因此，构建出的企业画像多维度模型能够准确地反映企业的信用及偿还能力，进而可以确定为目标企业提供后续的服务。在生成企业画像多维度模型，获取目标企业的贷款风险识别过程中，无需人工参与，因此能够有效地提高工作效率。

为使本发明的上述目的、特征和有益效果能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。

本发明实施例提供了一种钢贸企业画像多维度模型构建方法，参照图1，以下通过具体步骤进行详细说明。

步骤S101，获取目标企业的原始数据信息。

在具体实施中，目标企业的原始数据信息可以包括：目标企业的原始贸易数据信息、原始风控评估数据信息、原始工商信息以及进件数据信息。

在本发明实施例中，目标企业的原始贸易数据信息可以为在某一段时间内，目标企业与其客户企业的贸易往来数据信息。例如，收集某贸易公司在最近六个月内有2000家客户企业与该贸易公司发生贸易往来，则将该贸易公司与上述的2000家客户企业与该贸易公司在最近六个月内的贸易往来数据，作为目标企业的原始贸易数据信息。

在本发明实施例中，可以通过第三方开放平台接口获取目标企业的工商公开信息以及法律相关信息，作为目标企业的原始工商数据信息。

在本发明实施例中，还可以获取目标企业的进件补充资料，将其作为目标企业的进件数据。目标企业的进件补充资料可以包括目标企业的营业执照复印件、目标企业的征信报告、目标企业的完税凭证、目标企业的法人名下资产证明、目标企业的财务报表等与目标企业自身相关的数据。

此外，还可以预先搭建风控评估平台，采用风控评估平台对目标企业进行风控评估，以获取目标企业的原始风控评估数据信息。

在具体实施中，在获取目标企业的原始贸易数据信息时，可以采用RFM(RecencyFrequency Monetary)方法，根据目标企业的购买间隔、购买频率以及购买金额，来计算目标企业的客户价值，其中：Recency表征目标企业上一次购买距离当前时间的时长以及贸易量；Frequency表征购买频率，也即目标企业在某一限定时间内的购买次数；Monetary表征目标企业在限定时间内的购买总金额。

步骤S102，对所述原始数据信息进行处理，确定企业画像体系。

在具体实施中，企业画像体系可以包括企业画像评分体系、企业画像标签体系以及企业风险建议生成体系。

在本发明实施例中，企业画像评分体系可以采用信用评分法进行综合评估。在具体应用中可知，信用评分法是一种借助于计算机技术和数理统计方法来预测企业未来偿付能力或者产生贷款违约的可能性的统计方法。

在具体实施中，原始贸易数据信息、原始风控评估数据信息、原始工商数据信息以及进件数据信息可以用来反映目标企业的信用状况。采用信用评分法，从原始贸易数据信息、原始风控评估数据信息、原始工商数据信息以及进件数据信息中分析出影响目标企业信用状况的相关因素，并根据影响程度大小给予不同的权重，从而构建企业画像评分体系。

在本发明实施例中，得到的企业画像评分模型可以由下式表征：score＝a1×F1+a2×F2+a3×F3+a4×F4，其中：a1为原始贸易数据信息的权重，F1为原始贸易数据信息对应的评分；a2为原始风控评估数据信息的权重，F2为原始风控评估数据信息对应的评分；a3为原始工商数据信息的权重，F3为原始工商数据信息对应的评分；a4为进件数据信息的权重，F4为进件数据信息对应的评分。

在具体实施中，可以预先分别设置原始贸易数据信息、原始风控评估数据信息、原始工商数据信息以及进件数据信息对应的基础分值，进而根据原始贸易数据信息、原始风控评估数据信息、原始工商数据信息以及进件数据信息，依次确定原始贸易数据信息对应的评分、原始风控评估数据信息对应的评分、原始工商数据信息对应的评分以及进件数据信息对应的评分。

在具体实施中，可以对原始贸易数据信息进行数据填补和数据清洗，并对进件数据信息以及原始风控评估数据信息进行检查整理。

在本发明实施例中，可以采用贝叶斯理论界定折叠法对原始贸易数据进行数据填补和数据清洗，并对处理后的原始贸易数据信息进行结构化处理。

定义Y为信用风险评估的数据指标，S为信用评分。假设Y的数据缺失依赖于信用评分S和Y自身，定义S i,(i＝l,...,r)；Y＝j,(j＝0,l)。通常情况下，信用评分是一个具有上下边界的连续变量，将界定折叠法应用于拒绝推断，首先假设(S,Y)以概率θ_ij＝p(S＝i,Y＝j|θ)服从多项分布，使用参数θ＝(θ₁₀,θ₁₁,θ₂₀,θ₂₁,...,θ_ro,θ_r1)＝(θ_ij)(对于所有的i和j有θ_ij≥0,∑ijθ_ij＝1))表示(S,Y)的联合分布，参数θ标准共轭先验分布是狄利克莱分布(Dirichlet Distribution)D(a)，其中a＝(a₁₀,a₁₁,...,a_ro,a_r1,),其密度函数表达式如下:

所有i，j有α_ij≥0，

如果样本数据完整，则能够得到精准的贝叶斯分析。当信用评分S低于分界值时，相对应的Y会缺失，此时可以引入拒绝推断。设A＝(A0，AM)，其中A0和AM分别代表Y的全部观测值和缺失条目，同时令A_k作为A₀可能的补充项，A_k＝(A₀，A_dk)，其中A_dk定义为A_m中未被分类的可能分布。

根据Little和Rubin(1987)，将缺失样本相关信息放r*(c+1)的列联表中，在这里c＝2。第(c+1)列代表每一个分值S中数据缺失条目的频数。根据全概率定理，θ的精确后验分布是由A中所有补充集概率加权的狄利克莱分布混交得到，如果有关数据缺失信息可知，那么其后验分布是可以计算出来的。但是，对于不可忽略的数据缺失情况，共量分析比较困难。因此引入BC法,即使缺失数据的部分外部信息丢失，有效运用样本中的某些信息仍然可以估算出区间上下限的可能估计参数；而当与缺失数据有关的信息可获得时，通过利用这些信息可以在这些可能估计参数中选择出某一单一估计。具体的公式描述如下：

定义

为数据缺失途径。对于给定的企业原始贸易数据信息，其可能概率p(Y＝j|S＝i)的估计范围如下：

其中，假设

企业数据缺失的某些外部信息是可从非响应概率模型中推导出，则该概率模型如下：

其中，对所有i有

该外部信息用来在概率区间|p.(j|i),p(j|i)|通过极端概率的凸组合来确定相应点估计。极端概率公式如下：

将该方法运用于拒绝推断，首先弄清楚式(1)中不可忽略的数据缺失途径究竟是什么，然后为了证明该方法的普适性，用一些适当的方法用以描述拒绝推断中不可忽略的数据缺失，并且将用一组数据来模拟该方法。假设等式(2)的含义已经明了，那么等式(3)将用来填补出那些缺失数据。这种解决办法在经验上是可行的并且计算要求并不苛刻，同时较好的将信用评分模型与缺失数据填补法结合起来。

在本发明实施例中，可以针对目标企业进行分组抽样，从中选取出部分目标企业，并将所选取的目标企业进行分组，对每一组目标企业的贸易往来数据进行离散分析对比。

具体而言，可以从所有目标企业的原始贸易数据信息中，选出一部分原始贸易数据信息，作为抽样数据。将抽样数据划分为N组，分别对N组抽样数据进行离散分析比对，确定对原始贸易数据信息对应的基础分值和评分规则。N≥2。

在本发明实施例中，根据目标企业的购买总量、购买频率以及购买金额，来计算原始贸易数据信息对应的评分。

例如，设置原始贸易数据信息对应的基础分为70分，目标企业近六个月的购买重量为100吨，则对应的加分值为5分；目标企业近六个月的购买金额为100万，则对应的加分值为6分；目标企业近六个月购买20次，则对应的加分项为3分。若目标企业存在逾期违约，则一次逾期违约可以扣除6分。最终得到原始贸易数据对应的评分为78分。

在本发明实施例中，可以通过与外部第三方机构合作，获取目标企业的原始工商数据信息。第三方机构可以为企查查或者天眼查等能够通过正规渠道获取目标企业工商数据信息的机构。目标企业的原始工商数据信息主要包括目标企业的注册实缴资本，目标企业的成立时间，以及目标企业自身风险条目。目标企业自身风险条目可以包括以下至少一种：失信被执行条目数、被执行人条目数、裁判文书条目数、经营异常条目数、开庭公告条目数、税收违法条目数、动产抵押条目数、股权冻结条目数、法院公告条目数、严重违法条目数、对外担保条目数、限制消费条目数。

例如，设置原始工商数据信息对应的基础分值为70分。根据注册实缴资本向上取整加分：如注册资本230万，230/100＝2.3，向上取整3，即+3分；企业成立时间加分，每一年+1分：举例企业注册时间2013年，加8分；根据所规定的风险条目数进行扣减，每条1分，扣完为止，具体条目为失信被执行条目数；被执行人条目数；裁判文书条目数；经营异常条目数；开庭公告条目数；税收违法条目数；动产抵押条目数；股权冻结条目数；法院公告条目数；严重违法条目数；对外担保条目数；限制消费条目数等等。最终获取到原始工商数据信息对应的基础分值为75分。

在本发明实施例中，目标企业的原始风控评估数据信息可以包括以下任一种或多种：目标企业所处行业风险信息、目标企业的履约能力信息以及目标企业的商业信用信息等。

目标企业所处行业风险信息可以由行业是否受政策影响、工作人员安全等问题组成。若目标企业所处行业存在较大风险，或者工作人员的人身安全受到影响，则意味着目标企业所处行业风险较大。通常情况下，若目标企业所处行业风险较大，则目标企业的原始风控评估数据信息对应的评分较低。

目标企业的履约能力信息可以由目标企业是否正常运行、目标企业的税务信息等组成。若目标企业能够正常运行，且目标企业的税务信息不存在欠税款的情况，则意味着目标企业的履约能力较强。

目标企业的商业信用信息可以包括目标企业是否为失信企业、最近一段时间内是否与其他企业发生合同纠纷等。具体而言，若目标企业为失信企业，则意味着目标企业的商业信用较差。若目标企业在一段时间内与其他企业发生合同纠纷，其为被告败诉且尚未结清款，则也可以确定目标企业的商业信用较差。若目标企业在一段时间内与金融机构发生还款纠纷，则也可以确定目标企业的商业信用较差。

通过目标企业所处行业风险信息、目标企业的履约能力信息以及目标企业的商业信用信息等中的一种或多种，可以确定目标企业的原始风控评估数据信息的评分。

例如，设置目标企业的原始风控评估数据信息对应的基础分值为70分，若企业存在行业风险，则将目标企业的原始风控评估数据信息对应的评分减10分。若目标企业经营正常，且税务信息正常，则将目标企业的原始风控评估数据信息对应的评分加5分。

可以理解的是，上述的基础分值的设定以及各种情况下的分值变化，可以根据实际的应用场景自行设定。本发明上述实施例中提供的基础分值的设定以及各种情况下的分值变化仅为示例性说明，并不对本发明的保护范围产生影响。

步骤S103，对所述企业画像体系进行组合，生成企业画像多维度模型

在具体实施中，在得到企业画像评分体系、企业画像标签体系以及企业风险建议生成体系之后，可以将三者进行组合，生成企业画像多维度模型。

例如，最终生成的企业画像多维度模型为：小微企业，企业画像评分为77分，风险建议为低风险企业。

参照图2，给出了本发明实施例中的一种风控管理方法。

步骤S201，构建企业画像多维度模型。

在本发明实施例中，可以采用步骤S101～步骤S103构建目标企业对应的企业画像多维度模型。

步骤S202，在业务系统中，对所有目标企业对应的企业画像多维度模型进行实时监控。

步骤S203，对所述目标企业对应的企业画像多维度模型进行贷款风险识别，获取风险识别结果并输出。

在具体实施中，在获取了目标企业对应的企业画像多维度模型之后，可以对目标企业的贷款风险进行识别，获取目标企业的贷款风险识别结果并输出。

在本发明实施例中，在目标企业进行贷款之前，可以根据企业画像多维度模型，来确定是否给予目标企业放款，或者确定给予目标企业的授信额度等，或者确定目标企业的贷款前逾期预测等。

例如，可以根据目标企业的企业画像多维度模型，设置企业黑名单或灰名单。若目标企业位于企业黑名单，则确定不予该目标企业放款。又如，该目标企业不处于企业黑名单，且通过企业画像评分体系确定该目标企业的评分较高，则可以给予该目标企业较高的授信额度。

在本发明实施例中，在目标企业使用贷款的过程中，可以根据企业画像多维度模型，确定是否对目标企业的贷款额度进行调整。若目标企业的企业画像多维度模型发生更新，如目标企业的企业画像评分体系确定该目标企业的评分降低，则判断是否对目标企业进行预警、延迟放款等操作。在对目标企业进行预警时，可以通知与目标企业关联的银行、企业等。

在本发明实施例中，在目标企业完成贷款的使用后，可以根据企业画像多维度模型，确定是否对目标企业的授信额度进行调整。若目标企业存在逾期等情况，则可以将该目标企业移至企业黑名单中。

在具体实施中，企业黑名单中的企业数目可以是变化的。若某一目标企业的企业画像多维度模型发生更新，其对应的企业评分升高，则可以将该目标企业从企业黑名单中移除。

在具体实施中，可以由风控管理系统来执行上述的风控管理方法。

在本发明实施例中，风控管理系统可以包括4层结构，依次为：客户前置通知表现层，风控规则模型业务层，风控核心算法层以及风控元数据管理数据层。

在本发明一实施例中，风控元数据管理数据层，依照企业画像多维度模型所产生的企业标签数据及定义规则，建立元数据管理中心，规则集可进行管理和操作编辑，设计实时数据同步接口，保证规则集数据可实时同步至风控管理平台预警接口中进行接收。

风控核心算法层，包含①规则引擎：实时规则集同步抓取单元，对企业标签元数据进行同步抓取和同步；②配置服务：风险监控策略必须立即生效，且可灰度和回滚，运营人员自行配置，可调试，不依赖开发，所有的规则因子需要支持灵活的配置；③离线服务：定时触发结合历史数据进行分片，聚合，归类，采用统计学方法，机器学习模型，并记录结果数据。

风控规则模型业务层，管理和维护业务层规则，风险事件，监控预警，黑白名单库。

客户前置通知表现层，埋点风险事件被触发，按照预定规则，埋点风险事件将转化成相应的业务报文，调用审批流引擎，通知对应的风险处理任务至相应处理对象。

由此可见，本发明实施例中，通过获取目标企业的原始数据信息，构建企业画像体系，进而生成企业画像多维度模型。目标企业的原始数据信息与目标企业的生产经营状况、企业信用等相关，因此，构建出的企业画像多维度模型能够准确地反映企业的信用及偿还能力，进而可以确定为目标企业提供后续的服务。在生成企业画像多维度模型，获取目标企业的贷款风险识别过程中，无需人工参与，因此能够有效地提高工作效率。

参照图3，给出了本发明实施例中的一种钢贸企业画像多维度模型构建装置30，包括：

获取单元301，用于获取目标企业的原始数据信息；所述原始数据信息包括：原始贸易数据信息、原始风控评估数据信息、原始工商数据信息以及进件数据信息；

确定单元302，用于对所述原始数据信息进行处理，确定所述企业画像体系；

生成单元303，用于对所述企业画像体系进行组合，生成企业画像多维度模型。

在具体实施中，上述的获取单元301、确定单元302以及生成单元303的具体执行过程可以对应参照上述步骤S101～步骤S103，此处不做赘述。

参照图4，给出了本发明实施例中的一种风控管理装置40，包括：模型构建单元401、监控单元402以及识别单元403，其中：

模型构建单元401，用于采用上述步骤S101～步骤S103所提供的钢贸企业画像多维度模型构建方法构建企业画像多维度模型；

监控单元402，用于在业务系统中，对所有目标企业对应的企业画像多维度模型进行实时监控；

识别单元403，用于对所述目标企业对应的企业画像多维度模型进行贷款风险识别，获取风险识别结果并输出。

在具体实施中，上述模型构建单元401、监控单元402以及识别单元403的具体执行过程可以对应参照上述步骤S201～步骤S202，此处不做赘述。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指示相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：ROM、RAM、磁盘或光盘等。

虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。

Claims (10)

1.一种钢贸企业画像多维度模型构建方法，其特征在于，包括：

获取目标企业的原始数据信息；所述原始数据信息包括：原始贸易数据信息、原始风控评估数据信息、原始工商数据信息以及进件数据信息；

对所述原始数据信息进行处理，确定企业画像体系；

对所述企业画像体系进行组合，生成企业画像多维度模型。

2.如权利要求1所述的钢贸企业画像多维度模型构建方法，其特征在于，所述企业画像体系包括：企业画像评分体系，企业画像标签体系，企业风险建议生成体系。

3.如权利要求2所述的钢贸企业画像多维度模型构建方法，其特征在于，所述企业画像评分体系由所述原始贸易数据信息、原始风控评估数据信息、原始工商数据信息以及进件数据信息确定。

4.如权利要求3所述的钢贸企业画像多维度模型构建方法，其特征在于，所述对所述原始数据信息进行处理，包括：

采用贝叶斯理论界定折叠法对所述原始贸易数据信息进行数据填补与数据清洗。

5.如权利要求4所述的钢贸企业画像多维度模型构建方法，其特征在于，在采用贝叶斯理论界定折叠法对所述原始贸易数据信息进行数据填补与数据清洗之后，还包括：

从所述原始贸易数据信息中抽取出部分，得到抽样数据；

将所述抽样数据划分为N组，N≥2；

将N组抽样数据分别进行离散分析比对，根据离散分析比对结果，确定所述原始贸易数据信息对应的评分规则。

6.如权利要求3所述的钢贸企业画像多维度模型构建方法，其特征在于，分别对所述原始风控评估数据信息、所述原始工商数据信息以及所述进件数据信息进行标签结构分布统计，获取所述原始风控评估数据信息、所述原始工商数据信息以及所述进件数据信息各自对应的评分规则。

7.如权利要求1所述的钢贸企业画像多维度模型构建方法，其特征在于，在生成企业画像多维度模型之后，还包括：定期对所述企业画像多维度模型进行更新。

8.一种风控管理方法，其特征在于，包括：采用如权利要求1～7任一项所述的钢贸企业画像多维度模型构建方法构建企业画像多维度模型；

在业务系统中，对所有目标企业对应的企业画像多维度模型进行实时监控；

对所述目标企业对应的企业画像多维度模型进行贷款风险识别，获取风险识别结果并输出。

9.一种钢贸企业画像多维度模型构建装置，其特征在于，包括：

获取单元，用于获取目标企业的原始数据信息；所述原始数据信息包括：原始贸易数据信息、原始风控评估数据信息、原始工商数据信息以及进件数据信息；

确定单元，用于对所述原始数据信息进行处理，确定企业画像体系；

生成单元，用于对所述企业画像体系进行组合，生成企业画像多维度模型。

10.一种风控管理装置，其特征在于，包括：

模型构建单元，用于采用如权利要求1～7任一项所述的钢贸企业画像多维度模型构建方法构建企业画像多维度模型；

监控单元，用于在业务系统中，对所有目标企业对应的企业画像多维度模型进行实时监控；

识别单元，用于对所述目标企业对应的企业画像多维度模型进行贷款风险识别，获取风险识别结果并输出。

Images