CN113744043A - 小微企业的信贷风险评估方法、装置及计算机设备 - Google Patents
小微企业的信贷风险评估方法、装置及计算机设备 Download PDFInfo
- Publication number
- CN113744043A CN113744043A CN202111029990.8A CN202111029990A CN113744043A CN 113744043 A CN113744043 A CN 113744043A CN 202111029990 A CN202111029990 A CN 202111029990A CN 113744043 A CN113744043 A CN 113744043A
- Authority
- CN
- China
- Prior art keywords
- loan
- post
- credit
- enterprise
- index
- 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
- 238000012502 risk assessment Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000013500 data storage Methods 0.000 claims abstract description 24
- 230000005611 electricity Effects 0.000 claims description 117
- 230000006399 behavior Effects 0.000 claims description 82
- 238000011156 evaluation Methods 0.000 claims description 33
- 238000012544 monitoring process Methods 0.000 claims description 22
- 238000000605 extraction Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000002131 composite material Substances 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明提供一种小微企业的信贷风险评估方法、装置及计算机设备，方法包括：S1，采集待评估企业的贷前样本数据或者贷后样本数据，并存储至数据存储器；S2，在数据存储器中包含贷前样本数据时，从贷前样本数据中提取多个维度对应的贷前指标；S3，在数据存储器中包含贷后样本数据时，从贷后样本数据中提取多个维度对应的贷后指标；S4，根据各个贷前指标对待评估企业进行贷前风险评估，以得到企业贷前的综合信贷风险等级；S5，根据各个贷后指标对待评估企业进行贷后风险评估，以得到企业贷后的综合信贷风险等级。由此，从多个维度进行信贷风险评估，实现对小微企业进行公信力的评估，可以保证小微企业公信力的对称程度。
Description
技术领域
本发明涉及接地网干扰信号降噪技术领域，具体涉及一种小微企业的信贷风险评估方法、一种小微企业的信贷风险评估装置和一种计算机设备。
背景技术
目前，小微企业作为我国实体经济的重要基础和国民经济的重要组成部分，在推动国民经济增长、提高市场化竞争程度、促进劳动力就业等方面发挥着举足轻重的作用，助推小微企业的发展对我国经济增长和社会稳定有着深远而重要的意义，但是对于小微企业的金融支持方面还存在着诸多因素的制约，小微企业因信息不透明，缺乏有公信力的信用评价，信用贷款的成本相对较高，同时存在着较大的信息不对称，导致小微企业存在着融资难、开拓新客户难、寻求新供应商难等问题。
发明内容
本发明为解决上述技术问题，提供了一种小微企业的信贷风险评估方法，可以有效降低随机噪声对接地网干扰信号的影响，提高接地网干扰匹配精度。
本发明采用的技术方案如下：
本发明的第一方面实施例提出了一种小微企业的信贷风险评估方法，包括以下步骤：
S1，采集待评估企业的贷前样本数据或者贷后样本数据，并存储至数据存储器；
S2，在所述数据存储器中包含所述贷前样本数据时，从所述贷前样本数据中提取多个维度对应的贷前指标，其中，所述多个维度包括：用电行为维度、用电规范维度、行业地位维度、缴费行为维度及用电容量维度；
S3，在所述数据存储器中包含所述贷后样本数据时，从所述贷后样本数据中提取所述多个维度对应的贷后指标；
S4，根据各个所述贷前指标对所述待评估企业进行贷前风险评估，以得到所述企业贷前的综合信贷风险等级；
S5，根据各个所述贷后指标对所述待评估企业进行贷后风险评估，以得到所述企业贷后的综合信贷风险等级。
另外，根据本发明上述实施例提出的小微企业的信贷风险评估方法，还可以具有如下附加的技术特征：
根据本发明的一个实施例，步骤S4，包括：
依据所述贷前指标构建包括目标层、准则层及输入层的层次结构模型，其中，将所述贷前指标输入至所述输入层，将用电行为、用电规范、行业地位、缴费行为及用电容量作为所述准则层的维度变量、并输入所述准则层；
对所述输入层的数据进行标准化处理；
构建两两判断矩阵，以获得所述输入层和所述准则层的权重向量；
计算准则层和目标层各因素的得分，并根据得分确定所述企业贷前的综合信贷风险等级。
根据本发明的一个实施例，准则层各因素的得分通过公式一计算，其中，公式一为：
其中，k＝1,2,…,K，j＝1,2,…,M，Bkj为准则层第k个因素第j个样本的得分，nk为第k个因素下的准则总指标，wi为第i个指标的权重，tij为第i个指标第j个样本得分；
所述准则层的各个变量下的指标相互独立且没有交叉，所述各个因素下的总指标满足以下条件：
n1+n2+…+nK＝N，
其中，N为所述输入层中的指标的总数量。
根据本发明的一个实施例，目标层各因素的得分通过公式二计算，其中，公式二为：
其中，Aj为目标层第j个样本的综合得分，pk为第k个因素下的目标总指标。
根据本发明的一个实施例，步骤S5包括：
对各个所述贷后指标进行预处理；
根据预处理后的所述贷后指标确定所属维度的风险等级，以得到多个风险等级；
根据所述多个风险等级确定所述企业贷后的综合信贷风险等级。
根据本发明的一个实施例，步骤S5，还包括：
根据所述贷后指标对贷后的企业进行多维度监控，得到风险等级；
根据所述风险等级进行风险预警，其中，按照风险等级由低到高的四种预警方式依次为无预警、黄色预警、橙色预警和红色预警。
根据本发明的一个实施例，所述用电行为维度对应的所述贷前指标包括：用电年限、历史预设期间的平均用电量、历史预设期间的成长性指数及历史预设期间的波动性指数；
所述用电规范维度对应的所述贷前指标包括：历史预设期间的违约用电次数、历史预设期间的违约用电金额、历史预设期间的窃电次数及历史预设期间的窃电金额；
所述行业地位维度对应的所述贷前指标包括：历史预设期间的用户用电量占行业比值、历史预设期间的企业与行业用电量增速比及历史预设期间的行业地位；
所述缴费行为维度对应的所述贷前指标包括：历史预设期间的总预付费、历史预设期间的实收电费、历史预设期间的欠费次数及历史预设期间的逾期次数；
所述用电容量维度对应的所述贷前指标包括：历史预设期间的增减容量、历史预设期间的容量行业地位及历史预设期间的容量利用率。
根据本发明的一个实施例，所述用电行为维度对应的所述贷前指标包括：当月产能指数；
所述用电规范维度对应的所述贷前指标包括：当月违约用电次数及当月窃电次数；
所述行业地位维度对应的所述贷前指标包括：当月用电量的行业地位；
所述缴费行为维度对应的所述贷前指标包括：当月欠费次数、当月逾期次数及当月逾期欠费次数；
所述用电容量维度对应的所述贷前指标包括：当月用电容量利用率。
本发明第二方面实施例提出了一种小微企业的信贷风险评估装置，包括：
采集模块，用于采集待评估企业的贷前样本数据或者贷后样本数据，并存储至数据存储器；
第一提取模块，用于在所述数据存储器中包含所述贷前样本数据时，从所述贷前样本数据中提取多个维度对应的贷前指标，其中，所述多个维度包括：用电行为维度、用电规范维度、行业地位维度、缴费行为维度及用电容量维度；
第二提取模块，用于在所述数据存储器中包含所述贷后样本数据时，从所述贷后样本数据中提取所述多个维度对应的贷后指标；
第一评估模块，用于根据各个所述贷前指标对所述待评估企业进行贷前风险评估，以得到所述企业贷前的综合信贷风险等级；
第二评估模块，用于根据各个所述贷后指标对所述待评估企业进行贷后风险评估，以得到所述企业贷后的综合信贷风险等级。
本发明第三方面实施例提出了一种计算机设备，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，所述处理器执行所述计算机程序时，实现本发明上述实施例提出的小微企业的信贷风险评估方法。
本发明实施例的技术方案，首先采集待评估企业的贷前样本数据或者贷后样本数据，并存储至数据存储器，之后，对贷前样本数据或者贷后样本数据进行提取，得到多个维度的贷前指标或者贷后指标，对贷前指标、贷后指标进行风险评估，得到待评估企业贷前、贷后的风险等级。由此，本发明实施例的小微企业的信贷风险评估方法，从多个维度进行信贷风险评估，实现对小微企业进行公信力的评估，可以保证小微企业公信力的对称程度。
附图说明
图1为本发明实施例的小微企业的信贷风险评估方法的流程图。
图2为本发明一个示例的通过层次分析法进行风险评估的流程图。
图3为本发明一个示例的通层次结构模型的结构示意图。
图4为本发明实施例的小微企业的信贷风险评估装置的方框示意图。
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。
图1为本发明实施例的小微企业的信贷风险评估方法的流程图。
如图1所示，该小微企业的信贷风险评估方法包括以下步骤：
S1，采集待评估企业的贷前样本数据或者贷后样本数据，并存储至数据存储器。
在实际应用中，对于一个或者多个小微企业而言，当前需求可能是进行信贷之前的风险评估，也可能是进行信贷之后的风险评估，当需要贷前评估时，采集待评估企业的贷前样本数据；当需要贷后评估时，采集待评估企业的贷后样本数据。
其中，贷前样本数据或者贷后样本数据，可以理解为与信贷风险评估有关联的企业数据，例如可以从企业业务信息相同获取该数据，也可以从用电信息采集系统获取该数据。
S2，在数据存储器中包含贷前样本数据时，从贷前样本数据中提取多个维度对应的贷前指标，其中，多个维度包括：用电行为维度、用电规范维度、行业地位维度、缴费行为维度及用电容量维度。
具体地，在数据存储器中包含贷前样本数据时，从贷前样本数据中提取用电行为维度、用电规范维度、行业地位维度、缴费行为维度及用电容量维度分别对应的贷前指标。从而通过抽取的方式获得多维度的数据样本(用电行为数据、用电规范数据、行业地位数据、缴费行为数据及用电容量数据)，若对每一个数据样本都进行计算，计算量非常庞大，因此通过抽取的方式提高计算效率。
S3，在数据存储器中包含贷后样本数据时，从贷后样本数据中提取多个维度对应的贷后指标。
具体地，在数据存储器中包含贷后样本数据时，从贷后样本数据中提取用电行为维度、用电规范维度、行业地位维度、缴费行为维度及用电容量维度分别对应的贷前指标，即得到用电行为数据、用电规范数据、行业地位数据、缴费行为数据及用电容量数据。
S4，根据各个贷前指标对待评估企业进行贷前风险评估，以得到企业贷前的综合信贷风险等级。
具体地，在得到各个贷前指标之后，可对各个贷前指标进行评估，以得到企业贷前的综合信贷风险等级。
S5，根据各个贷后指标对待评估企业进行贷后风险评估，以得到企业贷后的综合信贷风险等级。
具体地，在得到各个贷后指标之后，可对各个贷后指标进行评估，以得到企业贷前的综合信贷风险等级。
总的来说，本发明实施例在用电行为维度、用电规范维度、行业地位维度、缴费行为维度及用电容量维度这五个维度实现贷前风险评估或者贷后风险评估。具体来说，先对贷前样本数据或者贷后样本数据进行采集并存储，之后，对贷前、贷后样本数据进行抽取得到多个维度的贷前指标、贷后指标，也就是说，贷前指标是指抽取到的贷前样本数据，并分别对贷前指标、贷后指标进行独立评估，生成贷前、贷后的综合信贷风险等级。
由此，本发明实施例的小微企业的信贷风险评估方法，从多个维度进行信贷风险评估，实现对小微企业进行公信力的评估，可以保证小微企业公信力的对称程度。
在一个实施例中，上述步骤S4可包括以下步骤：
S41，依据贷前指标构建包括目标层、准则层及输入层的层次结构模型，其中，将贷前指标输入至输入层，将用电行为、用电规范、行业地位、缴费行为及用电容量作为准则层的维度变量、并输入准则层。
S42，对输入层的数据进行标准化处理。
S43，构建两两判断矩阵，以获得输入层和准则层的权重向量。
S44，计算准则层和目标层各因素的得分，并根据得分确定企业贷前的综合信贷风险等级。
在一个示例中，准则层各因素的得分通过公式一计算，其中，公式一为：
其中，k＝1,2,…,K，j＝1,2,…,M，Bkj为准则层第k个因素第j个样本的得分，nk为第k个因素下的准则总指标，wi为第i个指标的权重，tij为第i个指标第j个样本得分；
准则层的各个变量下的指标相互独立且没有交叉，各个因素下的总指标满足以下条件：
n1+n2+…+nK＝N，
其中，N为输入层中的指标的总数量。
进一步地，目标层各因素的得分通过公式二计算，其中，公式二为：
其中，Aj为目标层第j个样本的综合得分，pk为第k个因素下的目标总指标。
在该示例中，用电行为维度对应的贷前指标包括：用电年限、历史预设期间的平均用电量、历史预设期间的成长性指数及历史预设期间的波动性指数；用电规范维度对应的贷前指标包括：历史预设期间的违约用电次数、历史预设期间的违约用电金额、历史预设期间的窃电次数及历史预设期间的窃电金额；行业地位维度对应的贷前指标包括：历史预设期间的用户用电量占行业比值、历史预设期间的企业与行业用电量增速比及历史预设期间的行业地位；缴费行为维度对应的贷前指标包括：历史预设期间的总预付费、历史预设期间的实收电费、历史预设期间的欠费次数及历史预设期间的逾期次数；用电容量维度对应的贷前指标包括：历史预设期间的增减容量、历史预设期间的容量行业地位及历史预设期间的容量利用率。
其中，历史预设期间，可以是近12个月、近10个月或者其他近一段时间，也就是说，用电行为维度对应的贷前指标包括：用电年限、近12月平均用电量、近12月成长性指数及近12月波动性指数；用电规范维度对应的贷前指标包括：近12月违约用电次数、近12月违约用电金额、近12月窃电次数及近12月窃电金额；行业地位维度对应的贷前指标包括：近12月用户用电量占行业比值、近12月企业与行业用电量增速比及近12月行业地位；缴费行为维度对应的贷前指标包括：近12月总预付费、近12月实收电费、近12月欠费次数及近12月逾期次数；用电容量维度对应的贷前指标包括：近12月增减容量、近12月容量行业地位及近12月容量利用率。
具体而言，首先，将决策的目标、考虑的决策准则和决策对象按它们之间的相互关系分为目标层A、准则层B、输入层C，目标层A为决策的优化方案结果输出层；准则层B为影响决策的各因素的重要程度的关联分析层，即决策推理层；输入层C为每个具体指标参数(指标参数指多维数据的具体参数，例如：用电行为数据用相应的行为指数，用电行为数据一般指用电年限、近12月平均用电量、近12月成长性指数和近12月波动性指数，缴费行为数据用缴费与未缴费的比值等，缴费行为数据一般指近12月总预付费、近12月实收电费、近12月欠费次数和近12月逾期次数)的数据输入，即数据输入层，此时，假设给定输入层C有N个指标(指标随多维数据一起输入至输入层C)，例如：贷前有偿还能力过饱和指标(即：偿还能力足够)、偿还能力饱和指标(即：足够偿还，但是行业地位的风险较大，容易出现后期无法偿还的问题)和无法偿还指标；贷后有还款正常指标、拖欠还款指标以及还款预警指标(即：在贷后出未及时缴费行为数据，威胁到本次贷款)，M个样本，样本具体为用户及其用电的多维数据，xij(i＝1,2,…,N,j＝1,2,…,M)代表第i个指标第j个样本的数据；给定准则层B有K个影响因素，影响因素包括数据的损失以及输入数据中含有部分无效数据，第k个因素下有nk个指标(k＝1,2,…,K)，且满足n1+n2+…+nK＝N，每个因素下指标相互独立没有交叉，并且给定目标层A只有1个目标。
其中，如图2、图3所示，评价体系的构建过程为：筛选用电年限、近12月平均用电量、近12月成长性指数、近12月波动性指数、近12月总预付费、近12月实收电费、近12月欠费次数、近12月逾期次数等18个指标作为输入层C的输入变量，选取用电容量、用电规范、行业地位、用电行为、缴费行为这五个影响因素作为准则层B的维度变量，构建出综合评价指标体系(层次结构模型)。
然后，分别定量分析输入层C的指标变量对准则层B的各影响因素的影响程度，得出准则层B的各影响因素的得分；最后，分析准则层B的各影响因素对目标层A的影响程度，得出当前评价体系下的综合得分。根据综合得分，基于规则将企业划分为优秀、良好、一般、较差四个等级的综合评级，同时获取相应的低风险、中低风险、中高风险、高风险四个等级的贷前风险等级。小微企业贷前风险评价层次结构表如下表1所示：
表1小微企业贷前风险评价层次结构表
其中，数据标准化的目的有两个方面：一方面是避免有量纲化的数据对综合评价的影响，另一方面是实现每一个指标每一个用户的打分。由于正向指标和负向指标数据代表的含义不同，正向指标数据越高越好，负向指标数据越低越好，因此，对不同类型指标用不同的算法进行数据标准化。也即：计算第i个指标第j个样本得分tij由于正向指标和负向指标数据代表的含义不同，正向指标数据越高越好，负向指标数据越低越好，因此，对不同类型指标进行数据标准化处理，以统一指标的计算方法，以便于后期进行计算。
在完成数据标准化之后，从用电容量、用电规范、行业地位、用电行为、缴费行为维度，利用标度原理分别构建两两比较判断矩阵。根据上述构建的判断矩阵，对判断矩阵进行一致性检验，并且通过了一致性检验。利用层次分析方法计算出相应的权重向量。根据数据标准化获得每个指标每个用户的得分，再结合上述计算出各指标的权重，分别按用电容量、用电规范、行业地位、用电行为、缴费行为这五个维度利用层次分析法中的计算公式进行加权求和，获得用电容量、用电规范、行业地位、用电行为、缴费行为维度下的维度得分。最后，分析用电容量、用电规范、行业地位、用电行为、缴费行为的各影响因素对小微企业综合评级的影响程度，得出用户的综合得分。根据综合得分的25分一档，基于规则将企业划分为优秀、良好、一般、较差四个等级的综合评级，同时获取相应的低风险、中低风险、中高风险、高风险四个等级的贷前风险等级。
举例而言，对于用电行为维度，结合实际业务的理解，对用电行为维度下各指标的相对重要性进行排序，从低到高依次为：用电年限、近12月平均用电量、近12月成长性指数、近12月波动性指数。利用1-9标度法对用电行为维度下各指标建立判断矩阵，如下表：
表2用电行为维度下的判断矩阵
对于缴费行为维度，结合实际业务的理解，对用电规范维度下各指标的相对重要性进行排序，从低到高依次为：近12月违约用电频率、近12月违约用电金额、近12月窃电频率、近12月窃电金额。利用1-9标度法对用电规范维度下各指标建立判断矩阵，如下表：
表3缴费行为维度下的判断矩阵
而后，在确定各层次各因素之间的权重时，采用矩阵法，即：不把所有因素放在一起比较，而是对同一层次的各元素关于上一层次中某一准则的重要性进行两两比较；对比时采用相对尺度法(优选采用1-9标度法)，以尽可能减少性质不同因素相互比较的困难，以提高准确度，在具体工作时：
首先，假设Bkj代表准则层B第k个因素第j个样本的得分，其中在第k个因素下有nk个指标(k＝1,2,…,K)，且j＝1,2,…,M，按权重线性组合可得：
假设Aj(j＝1,2…,M)代表目标层A第j个样本的综合得分，其中在目标层A下有K个因素，按权重线性组合可得：
并且满足n1+n2+…+nK＝N,n0＝0,nk(k＝1,2,…,K)是给定的。
根据得分划分评价等级：根据得分的最大值为100，最小值为0，将0到100之间划分几等分，在每个区间里面是一个等级，从而获得评价等级。
具体的，根据上述构建的判断矩阵，对判断矩阵进行一致性检验，并且通过了一致性检验，进而计算出相应的权重向量，如下表所示：
表4综合评价的维度权重和指标权重
从上表4可以看出，在缴费行为维度下，近12月逾期次数等所有指标权重和为1，其中近12月逾期次数的权重最大，其权重为0.6377，即近12月逾期次数的重要性比较高；在用电行为维度下，近12月波动性指数等所有指标权重和为1，其中近12月波动性指数权重最大，其权重为0.6377，即近12月波动性指数的重要性比较高；在行业地位维度下，近12月行业地位等所有指标权重和为1，其中近12月行业地位的权重最大，其权重为0.7003，即近12月行业地位的重要性比较高。
在用电规范维度下，近12月窃电金额等所有指标权重和为1，其中近12月窃电金额的权重最大，其权重为0.6377，即近12月窃电金额的重要性比较高。在用电容量维度下，近12月容量利用率等所有指标权重和为1，其中近12月容量利用率的权重最大，其权重为0.7003，即近12月行业地位的重要性比较高。
总体来看，缴费行为的重要性最高，即在整个小微企业综合评价中，要重点关注缴费行为。
综上，本发明实施例的小微企业贷前风险评估：从行业地位、用电行为、缴费行为、用电规范、用电容量五个维度进行特征分析，提取五个维度的小微企业贷前风险评估指标体系，利用层次分析算法构建小微企业贷前风险评估模型，获得小微企业贷前风险评估综合得分，根据综合得分将企业划分为优秀(低风险)、良好(中低风险)、一般(中高风险)、较差(高风险)四个等级的贷前风险等级，实现从电力行为角度评价小微企业的贷前风险等级，支撑金融机构开展针对性的小微企业信用贷。
由此，通过评估建模模块构建一个贷前的风险评估算法，从而实现对小微企业进行公信力的评价，以保证小微企业公信力的对称程度，解决小微企业因公信力评价不对称导致的融资难、开拓新客户难、寻求新供应商难等问题。
需要说明的是，为了使风控人员快速获知风险信号，还可对贷后的企业进行监控，当出现风险时，贷后风险监控模块将风险信号传输至风控系统，以便于风控人员快速获知风险信息。具体的，风险信号包括黄色预警、橙色预警和红色预警，实施分级贷后风险管理，为金融机构贷后风险监控提供支撑，辅助金融机构最大限度地规避损失。
即在本发明的一个实施例中，上述步骤S5可包括以下步骤：
S51，对各个贷后指标进行预处理。
S52，根据预处理后的贷后指标确定所属维度的风险等级，以得到多个风险等级。
S53，根据多个风险等级确定企业贷后的综合信贷风险等级。
进一步地，步骤S5，还可包括：根据贷后指标对贷后的企业进行多维度监控，得到风险等级；根据风险等级进行风险预警，其中，按照风险等级由低到高的四种预警方式依次为无预警、黄色预警、橙色预警和红色预警。
该示例中，用电行为维度对应的贷前指标包括：当月产能指数；用电规范维度对应的贷前指标包括：当月违约用电次数及当月窃电次数；行业地位维度对应的贷前指标包括：当月用电量的行业地位；缴费行为维度对应的贷前指标包括：当月欠费次数、当月逾期次数及当月逾期欠费次数；用电容量维度对应的贷前指标包括：当月用电容量利用率。
具体而言，首先，基于业务理解和数据现状，对数据进行数据清洗、数据变换、数据规约等数据处理形成数据宽表。数据清洗主要包括以下几方面：数据表的空格处理、剔除无效字段和异常数据、缺失值处理(向前/后填充、均值填充等)、字符类型转换、日期格式统一等处理。
然后，在各个维度进行预警规则构建：行业水平预警等级划分规则说明：根据企业贷后当月电量的行业地位为偏高、中等、低等、偏低，分别对应预警等级为无预警、黄色预警、橙色预警、红色预警。
用电行为预警等级划分规则说明：根据企业贷后当月产能指数进行划分，当产能指数大于0时，表明该企业产能增加，此时预警等级为无预警；当产能指数为[-10％,0％]，预警等级为黄色预警；当产能指数为[-20％,-10％]，预警等级为橙色预警；当产能指数为小于-20％，预警等级为红色预警。2.3计量装置故障抢修主动预警。
缴费行为预警等级划分规则说明：根据企业贷后当月缴费行为情况进行划分，若该企业当月为预付费型或正常缴费时，则预警等级为无预警；若该企业当月有欠费，则预警等级为黄色预警；若该企业当月逾期缴费，则预警等级为橙色预警；当该企业当月逾期欠费，则预警等级为红色预警。
用电规范预警等级划分规则说明：根据企业贷后当月违约窃电情况进行划分，若当月没有违约窃电行为(当月违约窃电次数为0)时，则预警等级为无预警；若当月有违约用电时，则预警等级为黄色预警；若当月有窃电行为时，则预警等级为橙色预警；若当月有违约用电和窃电行为时，则预警等级为红色预警。
综合评级预警等级划分规则说明：根据企业综合当月综合得分对应预警等级，75-100为无预警、50-75为黄色预警、25-50为橙色预警、0-25为红色预警。
最后，从行业水平监控、用电行为监控、缴费行为监控、用电规范监控、综合评级监控五个维度进行模型应用，每个维度都有无预警、黄色预警、橙色预警、红色预警四个预警等级。
综上，本发明实施例的小微企业贷后风险监控：从行业水平监控、用电行为监控、缴费行为监控、用电规范监控、综合评级监控等维度提取贷后风险监控指标，通过贷后风险监控指标阈值越限的方式进行贷后风险预警，按预警事件的影响范围、紧急程度和风险程度对其预警信号预设为无预警、黄色预警、橙色预警和红色预警四个级别，实现动态监控贷后风险，将预警信息提前告知风控人员，为金融机构贷后风险监控提供支撑，辅助金融机构最大限度地规避损失。
本发明实施例的小微企业的信贷风险评估方法，通过评估建模模块构建一个贷前和贷后的风险评估算法，从而实现对小微企业进行公信力的评价，以保证小微企业公信力的对称程度，解决小微企业因公信力评价不对称导致的融资难、开拓新客户难、寻求新供应商难等问题，另外，通过贷后风险监控模块将风险信号传输至风控系统，进而实现快速的让风控人员获知风险信息，以辅助金融机构最大限度地规避损失。
图4是本发明实施例的小微企业的信贷风险评估装置的方框示意图。
如图4所示，该小微企业的信贷风险评估装置100包括：采集模块10、第一提取模块20、第二提取模块30第一评估模块40及第二评估模块50。
其中，采集模块10，用于采集待评估企业的贷前样本数据或者贷后样本数据，并存储至数据存储器；第一提取模块20，用于在所述数据存储器中包含所述贷前样本数据时，从所述贷前样本数据中提取多个维度对应的贷前指标，其中，所述多个维度包括：用电行为维度、用电规范维度、行业地位维度、缴费行为维度及用电容量维度；第二提取模块30，用于在所述数据存储器中包含所述贷后样本数据时，从所述贷后样本数据中提取所述多个维度对应的贷后指标；第一评估模块40，用于根据各个所述贷前指标对所述待评估企业进行贷前风险评估，以得到所述企业贷前的综合信贷风险等级；第二评估模块50，用于根据各个所述贷后指标对所述待评估企业进行贷后风险评估，以得到所述企业贷后的综合信贷风险等级。
需要说明的是，小微企业的信贷风险评估装置的其他具体实施方式可参见小微企业的信贷风险评估方法的具体实施方式，为避免冗余，此处不再赘述。
本发明实施例的小微企业的信贷风险评估装置，从多个维度进行信贷风险评估，实现对小微企业进行公信力的评估，可以保证小微企业公信力的对称程度。
对应上述实施例，本发明还提出一种计算机设备。
本发明实施例的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，处理器执行该计算机程序时，可实现根据本发明上述实施例所述的小微企业的信贷风险评估方法。
本发明实施例的计算机设备，在执行计算机程序时，从多个维度进行信贷风险评估，实现对小微企业进行公信力的评估，可以保证小微企业公信力的对称程度。
在本发明的描述中，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。“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种小微企业的信贷风险评估方法，其特征在于，包括以下步骤：
S1，采集待评估企业的贷前样本数据或者贷后样本数据，并存储至数据存储器；
S2，在所述数据存储器中包含所述贷前样本数据时，从所述贷前样本数据中提取多个维度对应的贷前指标，其中，所述多个维度包括：用电行为维度、用电规范维度、行业地位维度、缴费行为维度及用电容量维度；
S3，在所述数据存储器中包含所述贷后样本数据时，从所述贷后样本数据中提取所述多个维度对应的贷后指标；
S4，根据各个所述贷前指标对所述待评估企业进行贷前风险评估，以得到所述企业贷前的综合信贷风险等级；
S5，根据各个所述贷后指标对所述待评估企业进行贷后风险评估，以得到所述企业贷后的综合信贷风险等级。
2.根据权利要求1所述的小微企业的信贷风险评估方法，其特征在于，步骤S4，包括：
依据所述贷前指标构建包括目标层、准则层及输入层的层次结构模型，其中，将所述贷前指标输入至所述输入层，将用电行为、用电规范、行业地位、缴费行为及用电容量作为所述准则层的维度变量、并输入所述准则层；
对所述输入层的数据进行标准化处理；
构建两两判断矩阵，以获得所述输入层和所述准则层的权重向量；
计算准则层和目标层各因素的得分，并根据得分确定所述企业贷前的综合信贷风险等级。
3.根据权利要求2所述的小微企业的信贷风险评估方法，其特征在于，准则层各因素的得分通过公式一计算，其中，公式一为：
其中，k＝1,2,…,K，j＝1,2,…,M，Bkj为准则层第k个因素第j个样本的得分，nk为第k个因素下的准则总指标，wi为第i个指标的权重，tij为第i个指标第j个样本得分；
所述准则层的各个变量下的指标相互独立且没有交叉，所述各个因素下的总指标满足以下条件：
n1+n2+…+nK＝N，
其中，N为所述输入层中的指标的总数量。
4.根据权利要求3所述的小微企业的信贷风险评估方法，其特征在于，目标层各因素的得分通过公式二计算，其中，公式二为：
其中，Aj为目标层第j个样本的综合得分，pk为第k个因素下的目标总指标。
5.根据权利要求1所述的小微企业的信贷风险评估方法，其特征在于，步骤S5包括：
对各个所述贷后指标进行预处理；
根据预处理后的所述贷后指标确定所属维度的风险等级，以得到多个风险等级；
根据所述多个风险等级确定所述企业贷后的综合信贷风险等级。
6.根据权利要求5所述的小微企业的信贷风险评估方法，其特征在于，步骤S5，还包括：
根据所述贷后指标对贷后的企业进行多维度监控，得到风险等级；
根据所述风险等级进行风险预警，其中，按照风险等级由低到高的四种预警方式依次为无预警、黄色预警、橙色预警和红色预警。
7.根据权利要求1所述的小微企业的信贷风险评估方法，其特征在于，
所述用电行为维度对应的所述贷前指标包括：用电年限、历史预设期间的平均用电量、历史预设期间的成长性指数及历史预设期间的波动性指数；
所述用电规范维度对应的所述贷前指标包括：历史预设期间的违约用电次数、历史预设期间的违约用电金额、历史预设期间的窃电次数及历史预设期间的窃电金额；
所述行业地位维度对应的所述贷前指标包括：历史预设期间的用户用电量占行业比值、历史预设期间的企业与行业用电量增速比及历史预设期间的行业地位；
所述缴费行为维度对应的所述贷前指标包括：历史预设期间的总预付费、历史预设期间的实收电费、历史预设期间的欠费次数及历史预设期间的逾期次数；
所述用电容量维度对应的所述贷前指标包括：历史预设期间的增减容量、历史预设期间的容量行业地位及历史预设期间的容量利用率。
8.根据权利要求1所述的小微企业的信贷风险评估方法，其特征在于，
所述用电行为维度对应的所述贷前指标包括：当月产能指数；
所述用电规范维度对应的所述贷前指标包括：当月违约用电次数及当月窃电次数；
所述行业地位维度对应的所述贷前指标包括：当月用电量的行业地位；
所述缴费行为维度对应的所述贷前指标包括：当月欠费次数、当月逾期次数及当月逾期欠费次数；
所述用电容量维度对应的所述贷前指标包括：当月用电容量利用率。
9.一种小微企业的信贷风险评估装置，其特征在于，包括：
采集模块，用于采集待评估企业的贷前样本数据或者贷后样本数据，并存储至数据存储器；
第一提取模块，用于在所述数据存储器中包含所述贷前样本数据时，从所述贷前样本数据中提取多个维度对应的贷前指标，其中，所述多个维度包括：用电行为维度、用电规范维度、行业地位维度、缴费行为维度及用电容量维度；
第二提取模块，用于在所述数据存储器中包含所述贷后样本数据时，从所述贷后样本数据中提取所述多个维度对应的贷后指标；
第一评估模块，用于根据各个所述贷前指标对所述待评估企业进行贷前风险评估，以得到所述企业贷前的综合信贷风险等级；
第二评估模块，用于根据各个所述贷后指标对所述待评估企业进行贷后风险评估，以得到所述企业贷后的综合信贷风险等级。
10.一种计算机设备，其特征在于，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，所述处理器执行所述计算机程序时，实现权利要求1-8任一项所述的小微企业的信贷风险评估方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111029990.8A CN113744043A (zh) | 2021-09-03 | 2021-09-03 | 小微企业的信贷风险评估方法、装置及计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111029990.8A CN113744043A (zh) | 2021-09-03 | 2021-09-03 | 小微企业的信贷风险评估方法、装置及计算机设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113744043A true CN113744043A (zh) | 2021-12-03 |
Family
ID=78735218
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111029990.8A Pending CN113744043A (zh) | 2021-09-03 | 2021-09-03 | 小微企业的信贷风险评估方法、装置及计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113744043A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116934464A (zh) * | 2023-07-26 | 2023-10-24 | 广东企企通科技有限公司 | 基于小微企业的贷后风险监控方法、装置、设备及介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111612323A (zh) * | 2020-05-15 | 2020-09-01 | 国网河北省电力有限公司电力科学研究院 | 一种基于大数据模型的电力征信评估方法 |
| 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 |
| CN113095712A (zh) * | 2021-04-25 | 2021-07-09 | 国家电网有限公司 | 企业授信评分获取方法、装置及计算机设备 |
-
2021
- 2021-09-03 CN CN202111029990.8A patent/CN113744043A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111612323A (zh) * | 2020-05-15 | 2020-09-01 | 国网河北省电力有限公司电力科学研究院 | 一种基于大数据模型的电力征信评估方法 |
| 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 |
| CN113095712A (zh) * | 2021-04-25 | 2021-07-09 | 国家电网有限公司 | 企业授信评分获取方法、装置及计算机设备 |
Non-Patent Citations (2)
| Title |
|---|
| 施豪明: "H市僵尸企业市场出清难点及路径研究", 中国优秀硕士学位论文全文数据库经济与管理科学辑(月刊), no. 2019, 15 July 2019 (2019-07-15), pages 2 * |
| 罗梦颖;: "电力大客户关系管理系统设计与实施", 管理观察, no. 24, 15 December 2008 (2008-12-15) * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116934464A (zh) * | 2023-07-26 | 2023-10-24 | 广东企企通科技有限公司 | 基于小微企业的贷后风险监控方法、装置、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111754116B (zh) | 一种基于标签画像技术的信用评估方法及装置 | |
| CN104811344A (zh) | 网络动态业务监控方法及装置 | |
| CN111476660A (zh) | 一种基于数据分析的智能风控系统及方法 | |
| CN112801529B (zh) | 财务数据分析方法及装置、电子设备及介质 | |
| CN111612326A (zh) | 一种配变供电可靠性的综合评估方法 | |
| CN111798301A (zh) | 一种资源转移限额确定方法、装置及系统 | |
| CN112258341A (zh) | 一种电力市场力风险监测和防范方法 | |
| CN113744043A (zh) | 小微企业的信贷风险评估方法、装置及计算机设备 | |
| CN114118793A (zh) | 一种地方交易所风险预警方法、装置及设备 | |
| CN113835947B (zh) | 一种基于异常识别结果确定异常原因的方法和系统 | |
| CN117575328A (zh) | 一种基于图注意力神经网络的产业链风险评估方法及装置 | |
| CN112037013A (zh) | 人行征信变量衍生方法及装置 | |
| US20110213731A1 (en) | Techniques for identifying high-risk portfolio with automated commercial real estate stress testing | |
| CN112348220A (zh) | 一种基于企业行为模式的信用风险评估预测方法及系统 | |
| CN117455681A (zh) | 业务风险预测方法和装置 | |
| CN115545469A (zh) | 基于电力零售市场的信用风险管理评估方法及系统 | |
| CN113962526A (zh) | 电力交易服务费违约风险评估方法、设备和计算机可读存储介质 | |
| Gulati | Relationship between price and open interest in Indian futures market: An empirical study | |
| CN112801528A (zh) | 车险风险监测方法、装置、存储介质及计算机设备 | |
| TWI585709B (zh) | 財務管理診斷方法及其系統 | |
| Cheng et al. | Using fuzzy analytical hierarchy process for multi-criteria evaluation model of high-yield bonds investment | |
| CN105868217A (zh) | 数值自动转换方法及系统 | |
| Yan et al. | Research on eigenvalue selection method of power market credit evaluation based on non parametric Bayesian discriminant analysis and cluster analysis | |
| Avanzini et al. | The use of data reduction techniques to assess systemic risk: An application to the Chilean banking system | |
| Wang | Research on a Financial Crisis Early Warning Model Based on a Stochastic Forest 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 |