CN114037197A - 颖幡科技金融企业授信评分算法模型和应用系统 - Google Patents

Abstract

颖幡科技金融企业授信评分算法模型和应用系统，通过收集分析供应链上下游中小企业的基本数据、经营数据、财务数据、税务数据、公共事业数据、法律事务数据和供应链平台交易大数据等信用相关信息数据，基于贝叶斯人工智能算法企业信用评分模型和熵权相关性判别算法指标权重计算模型计算得出中小企业的授信评分。授信评分结果经过迭代计算、验证和逼近调优后，再通过企业授信评分系统与金融机构信息集成接口提交到金融机构，金融机构基于授信评分结果为中小企业提供资金授信、贷款和信用保险支持，一揽子解决供应链中小企业面临的信用基础薄弱、融资难、融资贵、融资慢的难题，致使供应链上下游中小企业的经营效率和经济效益获得提升和发展。

Description

颖幡科技金融企业授信评分算法模型和应用系统

技术领域

本发明关于供应链科技金融企业授信评分算法模型和应用系统，收集分析供应链上下游中小企业的基本数据、经营数据、财务数据、税务数据、社保和公积金数据、公共事业数据、法律事务数据、知识产权数据和供应链平台交易大数据等信用相关信息数据，通过颖幡科技金融企业授信评分算法模型和应用系统计算得出中小企业的授信评分，由金融机构根据授信评分给予中小企业资金授信贷款支持，从而解决供应链中小企业信用数据缺失，融资难、融资贵的难题，带动供应链上下游中小企业的经营效率和经济效益获得提升和发展。

背景技术

供应链上下游中小企业一般处于产业链相对弱势地位，虽然为国家GDP发展做出重要贡献，承担广大的就业人口，却普遍面临融资难、融资贵、融资慢的困难，影响中小企业快速健康发展。如何使用产业链整体视角，站在供应链动态信用的立场上，从产业链、供应链科技金融技术出发，帮助广大中小企业解决面临的融资难题，一直是上海颖幡技术有限公司思索和实践的工作重点。

上海颖幡技术有限公司设计、开发和运营的产业互联网供应链业务和电子商务平台，为供应链上下游各个层次企业提供商机撮合、交易达成、合同履行、资金清算、商品交收、仓储管理、物流服务等闭环的现货贸易整体解决方案服务，在各个供应链平台和系统中沉淀、记录了供应链上下游企业的各种贸易背景、交易行为和履约特性，采用科技金融企业授信评分算法模型和应用系统，将这些数据进行分析和加工，从中提炼出企业的信用特征和画像等量化数据，可以为广大中小企业积累信用资产，助力企业信用加持，帮助中小企业树立守信有益、信用有价的经营管理理念，推动形成以信获贷，以贷促信的良性局面。

金融机构现有的企业授信评价标准和风险控制模型，基本针对有成立时间较长、有较高资产规模和经营业绩的优质企业，对于资产规模较少，缺乏抵质押条件的中小企业，往往很难获得金融机构的授信资金支持。供应链科技金融提供了一种创新的视角和方式，更多以中小企业在产业链整体行为和供应链协同效应中扮演的角色和履约情况，来判断和审视企业的信用水平，成为金融机构推广普惠金融的有力抓手和补充。推动金融服务实体经济，切实解决中小企业面临的融资困难，在做好风险控制的前提下，改革金融服务企业的方式，调动金融机构的积极性和创造性，形成敢于向企业市场相对弱势群体贷款，会向中小企业提供金融服务，精于向中小企业信贷支持的产融良性互动的有利局面。

发明内容

通过技术手段构建企业授信评分算法模型和应用系统，根据企业基本数据、经营数据、财务数据、税务数据、社保和公积金数据、公共事业数据、法律事务数据、知识产权数据和供应链平台交易大数据等信用相关信息数据，准确计算得出企业授信评分数值，企业的授信评分数值越高，代表企业的还款能力越强、还款意愿越高，同时，企业口碑越好、违约率越低。将企业授信评分数据提供给金融机构，让金融机构根据企业授信评分数据提供给企业授信贷款支持，解决中小企业面临的融资难、融资贵、融资慢等困难，是本发明的关键价值所在。

本发明目的通过五个方面技术方案得以实现：

1.研发贝叶斯人工智能算法企业信用评分模型；

2.研发熵权相关性判别算法指标权重计算模型；

3.企业授信评分值迭代计算、验证和逼近调优；

4.授信评分系统与第三方系统的功能数据集成；

5.授信评分系统企业授信额度管理使用和恢复。

1. 研发贝叶斯人工智能算法企业信用评分模型

颖幡科技金融企业授信评分算法模型采用贝叶斯加权平均、边界回归、组合预测等人工智能算法，以供应链上下游中小企业信用评分为研究分析对象，结合企业第三方信用数据、供应链交易数据和部分银行信贷数据，设计开发出一套供应链科技金融领域特有的企业授信评分算法模型，用于分析和计算中小企业的供应链授信额度，为金融机构给开展供应链普惠金融服务提供技术参考和依据。

本发明在运用贝叶斯加权平均算法时，首先设定所有可能企业授信评分模型的先验概率，然后得出每个解释变量的后验概率、相应模型参数的后验平均值和标准差，再根据后验概率的大小对解释变量的重要性进行排序赋值，最后将所有模型的解释变量进行加权平均，并使用加权平均计算结果进行内卷和外推预测企业授信评分的统计概率算法。

在供应链科技金融业务场景和流程中，影响供应链上下游中小企业的信用评分指标和数据有很多，供应链交易行为数据是其中重要的一个方面，中小企业在进行供应链批次采购、代采代销、集采分销等交易活动中所展现的行为特征，即在挂单、摘单、议价、成交、付款、收款、发货、收货、开票、收票等各个业务环节的合同履约时效和到位率。

企业信用数据准备和授信评分算法参数设置，如说明书附图1。

将中小企业在供应链交易活动的行为数据量化、规整之后，使用贝叶斯加权平均算法进行模型验证和参数优化，在企业授信评分系统中基于真实业务数据输出中小企业的信用评分数值，以及对应的授信额度数据。

企业授信评分算法信用数据处理，如说明书附图2。

贝叶斯边界回归算法利用企业信用观测组样本数据的履约、违约等行为概率，基于边界回归法、线性外推法、指数外推法，模拟和推演与样本数据关联度较高的影响信用评分权重较高的样本数据形态，采用后向步长选择技术筛选统计变量，以置信度阈值优化临界值变量，进而对企业授信评分模型进行衍生和迭代演化。通过样本数据和推演样本数据持续的训练和自学习，提高企业授信评分算法模型的精准度和命中率。

例如，基于第三方信用评估机构的数据、金融机构信贷数据和企业的财务报表信息，在过往三年业务和财务活动中，没有发生过合同违约和拖欠贷款情况的中小企业，它们的财务和金融指标有哪些强相关性，例如，资产规模、抵押状况、存货情况、资本租赁、流动资产、非主营业务投资等。将这些参数的数值进行正反馈增益函数量化评定，导入企业授信评分算法模型。

相反，在过往三年业务和财务活动中，经常发生过合同违约和拖欠贷款情况的中小企业，它们的财务和金融指标有哪些强相关性，如负债、应付账款、主营业务利润、现金流量等。将这些参数的数值进行负反馈耗散函数量化评定，导入企业授信评分算法模型。

不同信用数据采样方法授信评分算法处理结果对比，如说明书附图3。

综上所述，颖幡科技金融企业授信评分算法模型采用人工智能现代统计分析理论和工具，基于授信评分对象的生产、交易、财务和金融行为数据，进行演绎、归纳、量化、赋权和计算，得出中小企业在实际供应链业务场景和流程中的授信评分数据。

2.研发熵权相关性判别算法指标权重计算模型

本发明采用熵权相关性判别算法计算确定企业授信评分指标的权重值，进而通过企业授信评分算法模型计算得出企业授信评分数值。

现有企业授信评分指标权重赋权方法大多基于信息含量的指标重要程度，例如，客观赋权法、主观赋权法，或者主客观组合赋权法，这些方法求得的指标权重值有些根据企业客观数据，有些依据行业专家的经验判断。使用这些方法计算得出信用评分指标权重值虽然可以在一定程度上揭示指标对于信用评分的重要性和影响程度，但是缺乏指标权重值对于客户信用违约情况的关联度定义，导致企业授信评分实际工作中出现信用评分指标权重理论计算结果，与实际企业信用情况脱节的情况。

本发明所采用的熵权相关性判别算法求解供应链科技金融企业授信评分指标权重值，通过构建授信履约样本和违约样本数据熵权值正相关矩阵Alfa、负相关矩阵Beta奇次非线性指标赋权模型，求解企业授信评分指标的权重值。本发明所运用的计算方法能够准确反映出履约样本和违约样本偏差与指标权重值的函数关系，从而有效提升企业授信评分指标权重值与企业授信履约和违约的相关性。

本发明使用熵权相关性判别算法相关矩阵和判别方程工作步骤：

<1> 将企业授信履约样本、违约样本和拒绝样本数据进行分类和处理

<2> 计算企业授信履约样本和违约样本数据熵权值正相关矩阵Alfa

<3> 计算企业授信履约样本和违约样本数据熵权值负相关矩阵Beta

<4> 将正相关矩阵Alfa和负相关矩阵Beta代入微分方程，求解授信评分指标奇次非线性权重值

<5> 采用泛函回归方法对授信评分指标奇次非线性权重值进行指数迭代和对数调优

熵权相关性判别算法指标赋权使用企业所处产业特征数据表，如说明书附图4。

例如，企业授信评分系统的指标可分为企业性质、产业类别、供应链、专项因素、负面清单5个一级指标。

从5个一级指标派生出企业基本信息、经营数据、财务数据、税务数据、社保和公积金数据、公共事业数据、法律事务数据、知识产权数据等52个二级指标。

从52个二级指标又派生出客户数据、供应商数据、采购产品数量、生产产品数量、销售产品数量、库存产品数量、采购产品价格、销售产品价格、采购产品金额、销售产品金额等122个三级指标。

从若干三级指标再派生出货币资产、短期投资、应收票据、应收账款、预付账款、应收股利、应收利息、存货、在产品、库存商品、周转材料等101个四级指标。

从若干四级指标最后派生出消费税、营业税、城市建设维护税、资源税、土地增值税、城镇土地使用税、房产税、车船税、印花税等88个五级指标。

五个级别指标相加，一共368个颖幡科技金融企业授信评分算法和系统指标。

采用熵权相关性判别算法给368个科技金融企业授信评分算法和系统的指标进行权重计算和赋值，指标权重值会随着企业性质不同、产业特征不同、供应链交易和金融大数据不同、专项因素不同而发生变化，这样动态、灵活反映相同的授信评分指标在不同场景、流程、对象身上发生的变化，以达到准确、客观、实际确定企业授信评分结果数据。

负面清单是本发明的一个创新特色，只要企业出现七种负面清单指标的一种或几种，将一票否决，直接失去金融机构的授信资格。

企业财务因素类别的企业授信评分系统指标包括资产负债率、权益负债比、销售净现率、毛利率、净资产收益率、经营活动产生现金流入、销售净利润率、每股现金流量、固定资产周转速度、营运资本配置比率、应收账款周转速度、现金循环周期、利润增长率、总资产增长率、营业收入增长率、留存收益增长率等指标。

企业基本面因素类别的企业授信评分系统指标包括企业抵押/质押/担保情况、企业注册资本实缴金额、近三年企业授信情况、企业商业及其他信用记录、企业经营风险、企业法律风险、企业关联风险、客户投诉率等指标。

企业法律诉讼类经营风险数据，如说明书附图5。

产业特征类别的企业授信评分系统指标包括产业链环节、供求环境、收入规模、行业地位、行业规模、市场占有率、口碑评价、景气度评价、使用原料、主要产品、固定资产、流动资产等指标。

1000家企业产业特征样本数据，15个产业特征分布数据，如说明书附图6。

通过皮尔逊相关性分析得出的产业特征数据相关性结果，如说明书附图7。

分属不同类别的企业授信评分系统指标都根据熵权相关性判别算法赋予了相应的权重值，在企业授信评分算法模型计算供应链企业授信评分具体数值时，发挥了关键性的作用。

产业特征数据通过熵权相关性判别算法确定的指标权重值，如说明书附图8。

颖幡科技金融企业授信评分算法模型和应用系统基于贝叶斯人工智能算法企业信用评分模型和熵权相关性判别算法指标权重计算模型，利用特定行业和领域的一定数量企业客户信用相关的样本数据，计算、确定信用评分模型和评分指标权重的各类计算参数。

3. 企业授信评分值迭代计算、验证和逼近调优

本发明将贝叶斯人工智能算法企业信用评分模型和熵权相关性判别算法指标权重计算模型所计算得出的企业授信评分值，基于人工智能算法的模型自学习和数据泛在特性，结合特定行业和领域的企业信用相关的生产实际样本数据，反复迭代计算、验证和调优，使得企业授信评分值逐步逼近企业的授信履约、违约、口碑和资信实力等客观实际情况。

企业授信评分模型确定的信用评级区间，如说明书附图9。

采用建筑建材行业、石油化工行业各500家核心企业上下游中小企业作为种子样本，采集这1000家企业的供应链系统交易数据，第三方信用评估机构资信数据，金融机构信贷数据和企业的财务报表等样本数据，在企业授信评分模型和评分指标权重计算模型中运行，确定企业授信评分算法模型的初始参数和配置数据。

再将建筑建材、石油化工行业的各1000家供应链上下游中小企业的信用数据，输入贝叶斯人工智能算法企业授信评分模型和熵权相关性判别算法指标权重计算模型，计算得出这2000家企业的授信评分数据。

将模型计算结果数据与企业的实际授信行为、履约、违约等数据进行比对、验证。

分析研究企业授信评分理论结算结果与企业实际授信行为之间的差距，找出原因，迭代调整企业授信评分算法模型和指标权重计算模型的各项配置参数和系统数据，直至企业授信评分系统的计算结果与企业实际信用情况接近一致。

企业授信评分模型计算得出的好评率和违约率，如说明书附图10。

在本发明实际推广应用过程中，还需要根据目标行业和领域、企业的实际信用情况进行系统调优和升级，通过企业授信评分系统自学习为特征的人工智能方式优化不断深入和扩展，实现金融机构利用和参考企业授信评分系统的计算结果，产融结合共同推广供应链普惠金融的目标和宗旨。

4. 授信评分系统与第三方系统的功能数据集成

本发明中的企业授信评分系统不是一个孤立的信用管理信息化应用，它与金融机构、信用数据服务商、资信评估商等有着紧密的业务联系，并与第三方应用系统进行对接集成和数据共享。

企业授信评分系统与银行的信贷系统进行集成，将授信申请企业的信用评分计算原始数据、信用评分计算结果和银行授信额度需求等信息，发送给银行信贷系统。银行信贷系统对企业授信评分系统发送的信息进行分析处理，通过银行的风控管理系统、贷款系统、核心银行系统等应用系统，以及线上、线下综合评估的方式，对授信申请企业进行二次评估和认定，并将评估和认定结果反馈给企业授信评分系统，为下一步银行给授信申请中小企业提供普惠金融服务打好基础。

对于获得银行授信的供应链中小企业，授信额度的使用、回款等信息，将通过企业授信评分系统与银行的信贷系统数据共享。

企业授信评分系统与启信宝信用数据服务公司集成，获得企业工商信息、司法涉诉、企业风险、经营信息和融资数据，如说明书附图11。

企业授信评分系统与保险公司的信用险系统进行集成，将授信申请企业的信用评分计算原始数据、信用评分计算结果和信用保险授信额度需求等信息，发送给保险公司信用险系统。信用险系统对企业授信评分系统发送的信息进行分析处理，通过保险公司的信用险分析模型，对申请信用险的企业进行评估和认定，确定企业信用保险的额度、周期、保单和理赔的各项条款，反馈给企业信用评分系统，为保险公司对供应链普惠金融提供信用险增信服务提高支持和依据。

企业授信评分系统从中国人保信用险系统返回的保险限额批复结果，如说明书附图12。

对于获得保险公司信用险的供应链中小企业，信用险额度的使用、恢复等信息，将通过企业授信评分系统与保险公司的信用险系统数据共享。

5. 授信评分系统企业授信额度管理使用和恢复

企业授信评分系统不仅与银行、保险等金融机构，企查查、启信宝等信用数据服务商的应用系统进行对接集成和数据共享，还与上海倍通企业信用征信公司等资信评估商进行企业资信评估报告的合作。此外，企业授信评分系统与供应链业务系统进行功能交互和服务调用。

代采代销供应链系统与企业授信评分系统集成，发起授信申请，如说明书附图13。

企业授信评分系统与核心企业采购供应链系统、代采代销供应链系统、集采分销供应链系统、生产性服务业电子商务平台、企业进销存管理系统等每一个使用到企业信用管理的业务系统进行集成交互，采集各个业务系统中的企业信用基础数据和动态行为数据，通过企业信用评分算法模型和指标权重计算模型计算企业的授信评分数据，提交给金融机构，用于确定企业的授信贷款额度和信用险保险额度。

各个供应链业务系统中获得金融机构贷款授信和信用险保险额度的企业，企业授信评分系统与供应链业务系统中的企业贷款授信额度使用，资金回款额度恢复；信用险使用保险额度占用，信用险履约保险额度恢复等业务状态和数据，进行实时、双向数据同步和共享，确保企业授信评分系统和供应链业务系统的企业信用管理运作正常和准确。

代采代销供应链系统企业使用授信支付货款，回款后授信额度恢复，如说明书附图14。

本发明的创新性和积极进步效果体现在：

现行企业信用评分模型构建方法，基本采用变异系数法、均方差法、主成分分析法等客观信用评分算法，以及G1、层次分析法、群组分析法等主观信用评分方法，或者采用客观和主观组合的信用评分方法，这些方法在某些行业和领域获得了一定程度的应用和实践，取得了一定的效果。

同时，以上方法也存在这一定程度的局限性，例如，有些根据客观数据的刚性推演，缺乏灵活性和适应性；有些单凭信用分析专家的主观经验，缺少模型的普适性和扩展性；此外，对于信用评分指标与企业履约、违约的非线性函数关系揭示不够深刻等。

上海颖幡技术有限公司基于对企业授信评分算法模型和计算技术分析和研究，又结合自身在供应链业务系统、企业进销存管理系统、产业互联网电子商务平台、供应链区块链等产业技术领域多年的实践经验，在理论联系实际的基础上，确定采用贝叶斯人工智能算法企业授信评分模型，熵权相关性判别算法指标权重计算模型，作为企业授信评分系统的两大基础算法模型，再辅以设计开发运营的供应链业务系统、电子商务系统、进销存管理系统中沉淀和采集的用户信用行为数据、金融机构信贷保险担保数据、第三方信息服务公司和资信公司的企业信用数据，对企业授信评分算法模型和应用系统累计进行了5300多家企业的实际生产数据运行、参数调优和结果验证，并且企业授信评分系统与核心企业采购供应链系统、代采代销供应链系统、集采分销供应链系统、生产性服务业电子商务平台、企业进销存管理系统等每一个使用到企业信用管理的业务系统都进行信用管理数据集成和实时双向同步，使得企业授信评分算法模型和应用系统的各项业务和技术指标，已经达到和满足金融机构开展普惠金融服务的目标和条件。

此举为解决和缓解供应链上下游中小企业面临的资金头寸短缺和授信能力不足等问题和困境，提供了一条创新的解决思路和途径。将企业的信用行为和数据更多地放在产业链动态场景和供应链闭环流程中进行分析和考量，结合以往金融机构传统的企业基本信息、财务数据和抵质押能力等授信评分指标评估方法，综合算法模型的理论计算数据和企业在实际生产经营过程中的授信行为，比较完整、全面、客观地得出企业授信评分数值，提供给金融机构加以分析和参考，作为向企业提供资金授信支持的重要依据和佐证。

以上描述了本发明的具体实施方式，本领域的技术人员应当理解，这些仅是对颖幡企业授信评分算法模型和系统的说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在遵循本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。

本发明还存在一定的缺陷和薄弱之处，有待在将来的进一步理论研究和实践行动中加以改进和完善。

附图说明

图1是企业信用数据准备和授信评分算法参数设置图

图2是企业授信评分算法信用数据处理图

图3是不同信用数据采样方法授信评分算法处理结果对比图

图4是熵权相关性判别算法指标赋权使用企业所处产业特征数据表图

图5是企业法律诉讼类经营风险数据图

图6是企业产业特征样本数据和产业特征分布数据图

图7是皮尔逊相关性分析得出产业特征数据相关性结果图

图8是产业特征数据通过熵权相关性判别算法确定的指标权重值图

图9是企业授信评分模型确定的信用评级区间图

图10是企业授信评分模型计算得出的好评率和违约率图

图11是企业授信评分系统与启信宝信用数据服务集成图

图12是企业授信评分系统中国人保信用险返回保险限额批复结果图

图13是代采代销供应链系统与企业授信评分系统集成图

图14是代采代销供应链系统企业使用授信支付货款授信额度恢复图。

Claims (8)

1.一种贝叶斯人工智能加权平均统计算法的企业信用评分模型，其特征在于，其包括以下步骤：

首先，设定所有可能企业授信评分模型的先验概率；

其次，运用贝叶斯加权平均算法得出每个解释变量的后验概率、相应模型参数的后验平均值和标准差；

第三，根据后验概率的大小对解释变量的重要性进行排序赋值；

第四，将所有模型的解释变量进行加权平均，并使用贝叶斯加权平均计算结果进行内卷和外推，以预测企业授信评分的统计概率方法。

2.一种贝叶斯人工智能边界回归逻辑算法的企业信用评分模型，其特征在于，其包括以下步骤：

首先，利用企业信用观测组样本数据的履约、违约等行为概率；

其次，基于边界回归法、线性外推法、指数外推法，模拟和推演与样本数据关联度较高的影响信用评分权重较高的样本数据形态；

第三，采用后向步长选择技术筛选统计变量，以置信度阈值优化临界值变量，进而对企业授信评分模型进行衍生和迭代演化；

第四，通过样本数据和推演样本数据持续的训练和自学习，提高企业授信评分算法模型的精准度和命中率。

3.一种熵权相关性判别算法指标权重计算模型，其特征在于，其包括以下步骤：

首先，将企业授信履约样本、违约样本和拒绝样本数据进行分类和处理；

其次，计算企业授信履约样本和违约样本数据熵权值正相关矩阵Alfa；

第三，计算企业授信履约样本和违约样本数据熵权值负相关矩阵Beta；

第四，将正相关矩阵Alfa和负相关矩阵Beta代入微分方程，求解授信评分指标奇次非线性权重值；

第五，采用泛函回归方法对授信评分指标奇次非线性权重值进行指数迭代和对数调优。

4.一种企业授信评分值迭代计算、验证和逼近调优方法，其特征在于，其包括以下步骤：

首先，采用特定行业一定数量的核心企业上下游中小企业作为种子样本，采集样本企业的供应链系统交易数据，第三方信用评估机构资信数据，金融机构信贷数据和企业的财务报表等样本数据，在企业授信评分模型和评分指标权重计算模型中运行，确定企业授信评分算法模型的初始参数和配置数据；

其次，再将特定行业的一定数量供应链上下游中小企业的信用数据，输入贝叶斯人工智能算法企业授信评分模型和熵权相关性判别算法指标权重计算模型，计算得出样本企业的授信评分数据；

第三，将模型计算结果数据与企业的实际授信行为、履约、违约等数据进行比对、验证；

第四，分析研究企业授信评分理论结算结果与企业实际授信行为之间的差距，找出原因，迭代调整企业授信评分算法模型和指标权重计算模型的各项配置参数和系统数据，直至企业授信评分系统的计算结果与企业实际信用情况接近一致。

5.一种企业授信评分系统与银行的功能和数据集成方法，其特征在于，其包括以下步骤：

首先，企业授信评分系统与银行的信贷系统进行集成，将授信申请企业的信用评分计算原始数据、信用评分计算结果和银行授信额度需求等信息，发送给银行信贷系统；

其次，银行信贷系统对企业授信评分系统发送的信息进行分析处理，通过银行的风控管理系统、贷款系统、核心银行系统等应用系统，以及线上、线下综合评估的方式，对授信申请企业进行二次评估和认定；

第三，银行将评估和认定结果反馈给企业授信评分系统，为下一步银行给授信申请中小企业提供普惠金融服务打好基础；

第四，对于获得银行授信的供应链中小企业，授信额度的使用、回款等信息乬，将通过企业授信评分系统与银行的信贷系统数据共享。

6.一种企业授信评分系统与保险公司的功能和数据集成方法，其特征在于，其包括以下步骤：

首先，企业授信评分系统与保险公司的信用险系统进行集成，将授信申请企业的信用评分计算原始数据、信用评分计算结果和信用保险授信额度需求等信息，发送给保险公司信用险系统；

其次，保险公司信用险系统对企业授信评分系统发送的信息进行分析处理，通过保险公司的信用险分析模型，对申请信用险的企业进行评估和认定，确定企业信用保险的额度、周期、保单和理赔的各项条款；

第三，保险公司信用险系统将申请信用险企业的的评估和认定结果，反馈给企业信用评分系统，为保险公司对供应链普惠金融提供信用险增信服务提高支持和依据；

第四，对于获得保险公司信用险投保的供应链中小企业，信用保险的额度、周期、保单和理赔等信息数据，将通过企业授信评分系统与保险公司的信用险系统数据共享。

7.一种企业授信评分系统与信用数据服务商的功能和数据集成方法，其特征在于，其包括以下步骤：

首先，企业授信评分系统与信用数据服务商的信用数据管理系统进行集成，通过应用编程接口API方式，向信用数据服务商发出申请授信企业信用数据查询请求；

其次，信用数据服务商的信用数据管理系统收到企业授信评分系统的信用数据查询请求，检索信用数据管理系统数据库，得出查询结果；

第三，信用数据服务商将申请授信企业的信用数据查询结果返回给企业授信评分系统；

第四，企业授信评分系统将信用数据服务商返回的信用数据查询结果保存到本地数据库，并展示在企业授信评分系统Web应用和移动App界面上；

第五，企业授信评分系统风控人员查看申请授信企业或已授信企业的信用数据时，优先调用本地数据库的数据，如果点击“数据同步”按钮，则再次向信用数据服务商发出企业信用数据查询请求，并将查询结果更新到企业授信评分系统的数据库中。

8.一种企业授信评分系统企业授信额度管理使用和恢复方法，其特征在于，其包括以下步骤：

首先，企业授信评分系统与供应链业务系统进行功能交互和服务调用应用集成；

其次，供应链业务系统中的企业向企业授信评分系统发起授信申请，并提交企业信用信息和供应链交易数据；

第三，企业授信评分系统受理供应链业务系统中企业的授信申请，通过企业信用评分算法模型和指标权重计算模型计算企业的授信评分数据，提交给金融机构，用于确定企业的授信贷款额度和信用险保险额度；

第四，企业授信评分系统将金融机构反馈的企业授信贷款额度和信用险保险额度，发送给供应链业务系统，对于未获得授信的企业，给出原因；对于获得授信的企业，给出具体的授信额度、账期和费率；

第五，对于未获得授信的企业，可以重新整理和组织信用数据，通过供应链业务系统再次向企业授信评分系统提交授信申请；

第六，对于各个供应链业务系统中获得金融机构贷款授信和信用险保险额度的企业，企业授信评分系统与供应链业务系统中的企业贷款授信额度使用，资金回款额度恢复；信用险使用保险额度占用，信用险履约保险额度恢复等业务状态和数据，进行实时、双向数据同步和共享，确保企业授信评分系统和供应链业务系统的企业信用管理运作正常和准确。

Images