CN113706300A - 一种小微企业的贷款方法及装置 - Google Patents

Abstract

本发明公开了一种小微企业的贷款方法及装置，可应用于人工智能领域、区块链领域以及金融领域。预先将各个企业与信贷关联的企业数据上传至区块链，确定每个企业的信贷风险系数，在接收到当前企业的贷款请求的情况下，在区块链中获取当前企业的企业数据；将企业数据传递给贷款风险预测模型，确定当前企业的预测信贷风险系数，贷款风险预测模型基于机器学习算法构建，将预测信贷风险系数和当前企业的信贷风险系数中较大的一个作为目标信贷风险数据；基于目标信贷风险系数，确实是否对当前企业贷款。上述过程，基于区块链对企业数据进行存储，保证了企业数据的可靠性，采用机器学习算法对信贷风险预测进行建模，提高了审批的效率和准确性。

Description

一种小微企业的贷款方法及装置

技术领域

本发明涉及数据处理技术领域，尤其涉及一种小微企业的贷款方法及装置。

背景技术

目前，小微企业信贷需要复杂的审批流程，企业在申请时需要提交申请材料，银行受理并进行资格审查，审查过程中需要对借款人的领导者素质，经济实力资金结构、履约情况、经营效益和发展前景等因素，评定借款人的信用等级。同时，还需要对借款人的信用等级以及借款的合法性、安全性、盈利性等情况进行调查，核实抵押物、质物、保证人情况，测定贷款的风险度。

现有的小微企业贷款方式大都采用企业提供经营数据人工风险评估的方式，这样的方式审批时间长、流程复杂、风险把控难度高，此外企业提交的经营数据可能存在造假行为，可靠性无法保证。

发明内容

有鉴于此，本发明提供了一种小微企业的贷款方法及装置，用于解决现有的小微企业贷款方式大都采用企业提供经营数据人工风险评估的方式，这样的方式审批时间长、流程复杂、风险把控难度高，此外企业提交的经营数据可能存在造假行为，可靠性无法保证的问题。具体方案如下：

一种小微企业的贷款方法，预先将各个企业与信贷关联的企业数据上传至区块链，对所述企业数据进行共识处理，确定每个企业的信贷风险系数，所述方法包括：

在接收到当前企业的贷款请求的情况下，在所述区块链中获取所述当前企业的企业数据；

将所述企业数据传递给贷款风险预测模型，确定所述当前企业的预测信贷风险系数，其中，所述贷款风险预测模型基于机器学习算法构建，所述贷款风险预测模型采用预设的训练方法训练得到；

将所述预测信贷风险系数和所述当前企业的信贷风险系数中较大的一个作为目标信贷风险数据；

基于所述目标信贷风险系数，确定是否对所述当前企业贷款。

上述的方法，可选的，对所述企业数据进行共识处理，确定每个企业的信贷风险系数，包括：

对每个企业数据的真实性进行判断；

若所述企业数据真实，则与所述企业数据对应的企业的信贷风险系数为初始信贷风险系数；

若所述企业数据不真实，则与所述企业数据对应的信贷风险系数为第一信贷风险系数，其中，所述第一信贷风险系数大于所述初始信贷风险系数。

上述的方法，可选的，采用预设的方法训练所述风险预测模型包括：

获取历史样本数据，其中，所述历史样本数据包括：历史企业数据和历史信贷风险系数；

将所述历史企业数据传递给初始贷款风险预测模型得到历史预测信贷风险系数；

将所述历史预测信贷风险系数与所述历史信贷风险系数进行比较，基于比较结果，调整所述初始贷款风险预测模型的模型参数，直至所述历史预测信贷风险系数和所述历史信贷风险系数的差异满足预设的差异阈值，将调整后的初始贷款风险预测模型作为贷款风险预测模型。

上述的方法，可选的，基于所述目标信贷风险系数，确定是否对所述当前企业贷款，包括：

将所述目标信贷风险系数与预设的信贷风险系数阈值进行比较；

若所述目标信贷风险系数大于所述预设的信贷风险系数阈值，则拒绝对所述当前企业贷款；

若所述目标信贷风险系数小于等于所述预设的信贷风险系数阈值，则为所述当前企业提供贷款。

上述的方法，可选的，还包括：

记录所述当前企业的还款日；

若所述企业未能在所述还款日还款，将所述企业的目标信贷风险系数调整为第二信贷风险系数，其中，所述第二风险系数大于所述目标信贷风险系数。

一种小微企业的贷款装置，预先将各个企业与信贷关联的企业数据上传至区块链，对所述企业数据进行共识处理，确定每个企业的信贷风险系数，所述装置包括：

获取模块，用于在接收到当前企业的贷款请求的情况下，在所述区块链中获取所述当前企业的企业数据；

第一确定模块，用于将所述企业数据传递给贷款风险预测模型，确定所述当前企业的预测信贷风险系数，其中，所述贷款风险预测模型基于机器学习算法构建，所述贷款风险预测模型采用预设的训练方法训练得到；

第二确定模块，用于将所述预测信贷风险系数和所述当前企业的信贷风险系数中较大的一个作为目标信贷风险数据；

第三确定模块，用于基于所述目标信贷风险系数，确定是否对所述当前企业贷款。

上述的装置，可选的，所述贷款装置中对所述企业数据进行共识处理，确定每个企业的信贷风险系数，包括：

判断模块，用于对每个企业数据的真实性进行判断；

第四确定模块，用于若所述企业数据真实，则与所述企业数据对应的企业的信贷风险系数为初始信贷风险系数；

第五确定模块，用于若所述企业数据不真实，则与所述企业数据对应的信贷风险系数为第一信贷风险系数，其中，所述第一信贷风险系数大于所述初始信贷风险系数。

上述的装置，可选的，所述第一确定模块中采用预设的方法训练所述风险预测模型包括：

获取单元，用于获取历史样本数据，其中，所述历史样本数据包括：历史企业数据和历史信贷风险系数；

预测单元，用于将所述历史企业数据传递给初始贷款风险预测模型得到历史预测信贷风险系数；

第一调整单元，用于将所述历史预测信贷风险系数与所述历史信贷风险系数进行比较，基于比较结果，调整所述初始贷款风险预测模型的模型参数，直至所述历史预测信贷风险系数和所述历史信贷风险系数的差异满足预设的差异阈值，将调整后的初始贷款风险预测模型作为贷款风险预测模型。

上述的装置，可选的，所述第三确定模块包括：

比较单元，用于将所述目标信贷风险系数与预设的信贷风险系数阈值进行比较；

拒绝单元，用于若所述目标信贷风险系数大于所述预设的信贷风险系数阈值，则拒绝对所述当前企业贷款；

接受单元，用于若所述目标信贷风险系数小于等于所述预设的信贷风险系数阈值，则为所述当前企业提供贷款。

上述的装置，可选的，还包括：

记录单元，用于记录所述当前企业的还款日；

第二调整单元，用于若所述企业未能在所述还款日还款，将所述企业的目标信贷风险系数调整为第二信贷风险系数，其中，所述第二风险系数大于所述目标信贷风险系数。

与现有技术相比，本发明包括以下优点：

本发明公开了一种小微企业的贷款方法及装置，可应用于人工智能领域、区块链领域以及金融领域。预先将各个企业与信贷关联的企业数据上传至区块链，对企业数据进行共识处理，确定每个企业的信贷风险系数，在接收到当前企业的贷款请求的情况下，在区块链中获取当前企业的企业数据；将企业数据传递给贷款风险预测模型，确定当前企业的预测信贷风险系数，贷款风险预测模型基于机器学习算法构建，将预测信贷风险系数和当前企业的信贷风险系数中较大的一个作为目标信贷风险数据；基于目标信贷风险系数，确实是否对当前企业贷款。上述过程，基于区块链对企业数据进行存储，保证了企业数据的可靠性，采用机器学习算法对信贷风险预测进行建模，提高了审批的效率和准确性。

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为本申请实施例公开的一种区块链网络示意图；

图2为本申请实施例公开的一种小微企业的贷款方法流程图；

图3为本申请实施例公开的一种小微企业的贷款装置结构框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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，都属于本发明保护的范围。

需要说明的是，本发明提供的一种小微企业的贷款方法及装置可用于人工智能领域、区块链领域及金融领域。上述仅为示例，并不对本发明提供的一种小微企业的贷款方法及装置的应用领域进行限定。

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发明。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发明的精神或范围的情况下，在其它实施例中实现。因此，本发明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。

本发明公开了一种小微企业的贷款方法及装置，应用于小微企业的贷款过程中，现有技术中，银行在进行小微企业信贷业务时通常会遇以下难题：1)小微企业经营管理不规范，提供的企业数据质量良莠不齐，财务报表不规范，企业提供的数据存在造假可能，可靠性低；2)由于小微企业根基薄弱，可抵押物少，稳定性差，所以对于小微企业贷款风险评估难度较大，审批流程复杂低效，贷款成本高。基于上述的问题，本发明提供了一种小微企业的贷款方法用于解决上述问题，所述方法预先将各个企业与信贷关联的企业数据上传至区块链，对所述企业数据进行共识处理，确定每个企业的信贷风险系数，其中，所述企业数据包括：企业法人个人信息(包括年龄、教育水平、婚姻状况、犯罪记录等信息)、企业纳税情况、公司经营数据、公司水电使用情况以及物流仓库信息，为了实现对所述企业信息的公式处理，所述区块链中银行、监管部门、税务机关、国家电网、自来水厂建立区块链平台，第三方物流机构和小微企业(企业数据)均加入区块链网络上，共识处理的过程主要是对企业数据的真实性进行判断，共识处理过程包括：

区块链网络的示意图如图1所示，所述区块链上的银行、税务机关、国家电网、自来水厂、监管部分以及第三方物流仓库平台对所述企业信息中的各个数据进行验证和共识，若所述企业数据真实，则与所述企业数据对应的企业的信贷风险系数为初始信贷风险系数，其中，所述初始信贷风险系数是银行的信贷部门基于当前企业的历史还款情况给定的，若共识通过将对应的企业数据进行上链存储，优选的，为了便于后续查找，将企业和与企业对应的企业数据分配相同的标识，其中，所述标识可以数字，字母或者其它任意优选的标识，本发明实施例中，对标识的具体存在形式不进行限定；若所述企业数据不真实，则与所述企业数据对应的信贷风险系数为第一信贷风险系数，其中，所述第一信贷风险系数大于所述初始信贷风险系数。

所述贷款方法的执行流程如图2所示，包括步骤：

S101、在接收到当前企业的贷款请求的情况下，在所述区块链中获取所述当前企业的企业数据；

本发明实施例中，在接收到对当前企业的贷款请求的情况下，获取所述当前企业的标识，遍历所述区块链，查找与所述标识匹配的企业数据。

S102、将所述企业数据传递给贷款风险预测模型，确定所述当前企业的预测信贷风险系数，其中，所述贷款风险预测模型基于机器学习算法构建，所述贷款风险预测模型采用预设的训练方法训练得到；

本发明实施例中，所述贷款风险预测模型基于机器学习算法构建，机器学习是一类算法的总称，这些算法企图从大量历史数据中挖掘出其中隐含的规律，并用于预测或者分类，更具体的说，机器学习可以看作是寻找一个函数，输入是样本数据，输出是期望的结果，需要注意的是，机器学习的目标是使学到的函数很好地适用于“新样本”，而不仅仅是在训练样本上表现很好。学到的函数适用于新样本的能力，称为泛化(Generalization)能力。

进一步的，所述贷款风险预测模型采用预设的训练方法训练得到，具体的训练过程如下：

S1、获取历史样本数据，其中，所述历史样本数据包括：历史企业数据和历史信贷风险系数，所述历史样本数据是银行对企业贷款申请处理的真实数据。

S2、将所述历史企业数据传递给初始贷款风险预测模型得到历史预测信贷风险系数，其中，所述初始贷款风险预测模型是基于经验建立的风险预测模型，其中的各个模型参数基于经验或者具体情况进行设定。

S3、将所述历史预测信贷风险系数与所述历史信贷风险系数进行比较，基于比较结果，调整所述初始贷款风险预测模型的模型参数，本发明实施例中，对基于比较结果的调整过程不进行限定，可以基于经验或者具体情况进行调整，调整过程需要反复执行多次，调整的原则为令所述历史预测信贷风险系数和所述历史信贷风险系数的差异满足预设的差异阈值，将调整后的初始贷款风险预测模型作为贷款风险预测模型。

进一步的，将所述企业数据传递给贷款风险预测模型，得到所述当前企业的预测信贷风险系数。

S103、将所述预测信贷风险系数和所述当前企业的信贷风险系数中较大的一个作为目标信贷风险数据；

本发明实施例中，将所述预测信贷风险系数和所述当前企业的信贷风险系数进行比较，选择所述预测信贷风险系数和所述当前企业的信贷风险系数中较大的一个作为目标信贷风险系数。

S104、基于所述目标信贷风险系数，确定是否对所述当前企业贷款。

本发明实施例中，将所述目标信贷风险系数与预设的信贷风险系数阈值进行比较，其中，所述预设的信贷风险系数阈值可以基于经验或者具体情况进行设定，本发明实施例中不进行具体限定。若所述目标信贷风险系数大于所述预设的信贷风险系数阈值，则拒绝对所述当前企业贷款；若所述目标信贷风险系数小于等于所述预设的信贷风险系数阈值，则为所述当前企业提供贷款。

本发明公开了一种小微企业的贷款方法，可应用于人工智能领域、区块链领域以及金融领域。预先将各个企业与信贷关联的企业数据上传至区块链，对企业数据进行共识处理，确定每个企业的信贷风险系数，在接收到当前企业的贷款请求的情况下，在区块链中获取当前企业的企业数据；将企业数据传递给贷款风险预测模型，确定当前企业的预测信贷风险系数，贷款风险预测模型基于机器学习算法构建，将预测信贷风险系数和当前企业的信贷风险系数中较大的一个作为目标信贷风险数据；基于目标信贷风险系数，确实是否对当前企业贷款。上述过程，基于区块链对企业数据进行存储，保证了企业数据的可靠性，采用机器学习算法对信贷风险预测进行建模，提高了审批的效率和准确性。

本发明实施例中，针对所述当前企业，若同意对所述当前企业进行贷款，记录所述当前企业的还款日，若所述企业未能在所述还款日还款，将所述企业的目标信贷风险系数调整为第二信贷风险系数，其中，所述第二风险系数大于所述目标信贷风险系数。并且将所述第二信贷风险系数上传至区块链网络，供下一轮小微企业信贷风险预测建模使用。

由于信贷风险预测模型是不断迭代训练得到的，有新的数据产生时，这部分数据将用于下一轮的模型训练，通过不断的迭代训练，达到更加精确的预测效果。

本发明实施例中，上述的处理过程中银行、监管部门、税务机关、国家电网、自来水厂、第三方物流仓库平台建立区块链网络，需要小微企业加入到该区块链网络中；小微企业将经营数据、物流信息、仓库信息、公司水电信息等上传到区块链网络上，区块链上的电网、物流仓库平台对上传的信息进行验证和共识，保证企业上传数据的可靠性；根据银行小微企业信贷数据和机器学习建立信贷风险预测模型，提高风险预测准确性和审批效率；银行从区块链上提取小微企业的经营数据、水电数据、仓库信息以及贷款人的个人信息，根据信贷风险预测模型进行风险预测，符合条件的企业可以获取贷款。因此，本发明结合区块链和机器学习算法，一方面基于区块链的企业信息收集确保了企业上传数据的可靠性(物流仓库、电网、水厂做信用背书)，一方面采用机器学习算法对小微企业信贷风险预测进行建模，提高了审批的效率和准确性。

基于上述的一种小微企业的贷款方法，本发明实施例中还提供了一种小微企业的贷款装置，所述贷款装置中预先将各个企业与信贷关联的企业数据上传至区块链，对所述企业数据进行共识处理，确定每个企业的信贷风险系数，所述装置的结构框图如图3所示，包括：

获取模块201、第一确定模块202、第二确定模块203和第三确定模块204。

其中，

所述获取模块201，用于在接收到当前企业的贷款请求的情况下，在所述区块链中获取所述当前企业的企业数据；

所述第一确定模块202，用于将所述企业数据传递给贷款风险预测模型，确定所述当前企业的预测信贷风险系数，其中，所述贷款风险预测模型基于机器学习算法构建，所述贷款风险预测模型采用预设的训练方法训练得到；

所述第二确定模块203，用于将所述预测信贷风险系数和所述当前企业的信贷风险系数中较大的一个作为目标信贷风险数据；

所述第三确定模块204，用于基于所述目标信贷风险系数，确定是否对所述当前企业贷款。

本发明公开了一种小微企业的贷款装置，可应用于人工智能领域、区块链领域以及金融领域。预先将各个企业与信贷关联的企业数据上传至区块链，对企业数据进行共识处理，确定每个企业的信贷风险系数，在接收到当前企业的贷款请求的情况下，在区块链中获取当前企业的企业数据；将企业数据传递给贷款风险预测模型，确定当前企业的预测信贷风险系数，贷款风险预测模型基于机器学习算法构建，将预测信贷风险系数和当前企业的信贷风险系数中较大的一个作为目标信贷风险数据；基于目标信贷风险系数，确实是否对当前企业贷款。上述过程，基于区块链对企业数据进行存储，保证了企业数据的可靠性，采用机器学习算法对信贷风险预测进行建模，提高了审批的效率和准确性。

本发明实施例中，所述贷款装置中对所述企业数据进行共识处理，确定每个企业的信贷风险系数，包括：

判断模块205、第四确定模块206和第五确定模块207。

其中，

所述判断模块205，用于对每个企业数据的真实性进行判断；

所述第四确定模块206，用于若所述企业数据真实，则与所述企业数据对应的企业的信贷风险系数为初始信贷风险系数；

所述第五确定模块207，用于若所述企业数据不真实，则与所述企业数据对应的信贷风险系数为第一信贷风险系数，其中，所述第一信贷风险系数大于所述初始信贷风险系数。

本发明实施例中，所述第一确定模块202中采用预设的方法训练所述风险预测模型包括：

获取单元208、预测单元209和第一调整单元210。

其中，

所述获取单元208，用于获取历史样本数据，其中，所述历史样本数据包括：历史企业数据和历史信贷风险系数；

所述预测单元209，用于将所述历史企业数据传递给初始贷款风险预测模型得到历史预测信贷风险系数；

所述第一调整单元210，用于将所述历史预测信贷风险系数与所述历史信贷风险系数进行比较，基于比较结果，调整所述初始贷款风险预测模型的模型参数，直至所述历史预测信贷风险系数和所述历史信贷风险系数的差异满足预设的差异阈值，将调整后的初始贷款风险预测模型作为贷款风险预测模型。

本发明实施例中，所述第三确定模块203包括：

比较单元211、拒绝单元212和接受单元213。

其中，

所述比较单元211，用于将所述目标信贷风险系数与预设的信贷风险系数阈值进行比较；

所述拒绝单元212，用于若所述目标信贷风险系数大于所述预设的信贷风险系数阈值，则拒绝对所述当前企业贷款；

所述接受单元213，用于若所述目标信贷风险系数小于等于所述预设的信贷风险系数阈值，则为所述当前企业提供贷款。

本发明实施例中，所述第三确定模块203还包括：

记录单元214和第二调整单元215。

其中，

所述记录单元214，用于记录所述当前企业的还款日；

所述第二调整单元215，用于若所述企业未能在所述还款日还款，将所述企业的目标信贷风险系数调整为第二信贷风险系数，其中，所述第二风险系数大于所述目标信贷风险系数。

需要说明的是，本说明书中的各个实施例均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的部分互相参见即可。对于装置类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

最后，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。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本发明时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

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本发明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，本发明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，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。

以上对本发明所提供的一种小微企业的贷款方法及装置进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种小微企业的贷款方法，其特征在于，预先将各个企业与信贷关联的企业数据上传至区块链，对所述企业数据进行共识处理，确定每个企业的信贷风险系数，所述方法包括：

在接收到当前企业的贷款请求的情况下，在所述区块链中获取所述当前企业的企业数据；

将所述企业数据传递给贷款风险预测模型，确定所述当前企业的预测信贷风险系数，其中，所述贷款风险预测模型基于机器学习算法构建，所述贷款风险预测模型采用预设的训练方法训练得到；

将所述预测信贷风险系数和所述当前企业的信贷风险系数中较大的一个作为目标信贷风险数据；

基于所述目标信贷风险系数，确定是否对所述当前企业贷款。

2.根据权利要求1所述的方法，其特征在于，对所述企业数据进行共识处理，确定每个企业的信贷风险系数，包括：

对每个企业数据的真实性进行判断；

若所述企业数据真实，则与所述企业数据对应的企业的信贷风险系数为初始信贷风险系数；

若所述企业数据不真实，则与所述企业数据对应的信贷风险系数为第一信贷风险系数，其中，所述第一信贷风险系数大于所述初始信贷风险系数。

3.根据权利要求1所述的方法，其特征在于，采用预设的方法训练所述风险预测模型包括：

获取历史样本数据，其中，所述历史样本数据包括：历史企业数据和历史信贷风险系数；

将所述历史企业数据传递给初始贷款风险预测模型得到历史预测信贷风险系数；

将所述历史预测信贷风险系数与所述历史信贷风险系数进行比较，基于比较结果，调整所述初始贷款风险预测模型的模型参数，直至所述历史预测信贷风险系数和所述历史信贷风险系数的差异满足预设的差异阈值，将调整后的初始贷款风险预测模型作为贷款风险预测模型。

4.根据权利要求1所述的方法，其特征在于，基于所述目标信贷风险系数，确定是否对所述当前企业贷款，包括：

将所述目标信贷风险系数与预设的信贷风险系数阈值进行比较；

若所述目标信贷风险系数大于所述预设的信贷风险系数阈值，则拒绝对所述当前企业贷款；

若所述目标信贷风险系数小于等于所述预设的信贷风险系数阈值，则为所述当前企业提供贷款。

5.根据权利要求4所述的方法，其特征在于，还包括：

记录所述当前企业的还款日；

若所述企业未能在所述还款日还款，将所述企业的目标信贷风险系数调整为第二信贷风险系数，其中，所述第二风险系数大于所述目标信贷风险系数。

6.一种小微企业的贷款装置，其特征在于，预先将各个企业与信贷关联的企业数据上传至区块链，对所述企业数据进行共识处理，确定每个企业的信贷风险系数，所述装置包括：

获取模块，用于在接收到当前企业的贷款请求的情况下，在所述区块链中获取所述当前企业的企业数据；

第一确定模块，用于将所述企业数据传递给贷款风险预测模型，确定所述当前企业的预测信贷风险系数，其中，所述贷款风险预测模型基于机器学习算法构建，所述贷款风险预测模型采用预设的训练方法训练得到；

第二确定模块，用于将所述预测信贷风险系数和所述当前企业的信贷风险系数中较大的一个作为目标信贷风险数据；

第三确定模块，用于基于所述目标信贷风险系数，确定是否对所述当前企业贷款。

7.根据权利要求6所述的装置，其特征在于，所述贷款装置中对所述企业数据进行共识处理，确定每个企业的信贷风险系数，包括：

判断模块，用于对每个企业数据的真实性进行判断；

第四确定模块，用于若所述企业数据真实，则与所述企业数据对应的企业的信贷风险系数为初始信贷风险系数；

第五确定模块，用于若所述企业数据不真实，则与所述企业数据对应的信贷风险系数为第一信贷风险系数，其中，所述第一信贷风险系数大于所述初始信贷风险系数。

8.根据权利要求6所述的装置，其特征在于，所述第一确定模块中采用预设的方法训练所述风险预测模型包括：

获取单元，用于获取历史样本数据，其中，所述历史样本数据包括：历史企业数据和历史信贷风险系数；

预测单元，用于将所述历史企业数据传递给初始贷款风险预测模型得到历史预测信贷风险系数；

第一调整单元，用于将所述历史预测信贷风险系数与所述历史信贷风险系数进行比较，基于比较结果，调整所述初始贷款风险预测模型的模型参数，直至所述历史预测信贷风险系数和所述历史信贷风险系数的差异满足预设的差异阈值，将调整后的初始贷款风险预测模型作为贷款风险预测模型。

9.根据权利要求6所述的装置，其特征在于，所述第三确定模块包括：

比较单元，用于将所述目标信贷风险系数与预设的信贷风险系数阈值进行比较；

拒绝单元，用于若所述目标信贷风险系数大于所述预设的信贷风险系数阈值，则拒绝对所述当前企业贷款；

接受单元，用于若所述目标信贷风险系数小于等于所述预设的信贷风险系数阈值，则为所述当前企业提供贷款。

10.根据权利要求9所述的装置，其特征在于，还包括：

记录单元，用于记录所述当前企业的还款日；

第二调整单元，用于若所述企业未能在所述还款日还款，将所述企业的目标信贷风险系数调整为第二信贷风险系数，其中，所述第二风险系数大于所述目标信贷风险系数。

Images