CN115062006A - 一种基于关联企业的风险评估方法及系统 - Google Patents

Abstract

本申请实施例提供一种基于关联企业的风险评估方法及系统，涉及数据处理技术领域。该基于关联企业的风险评估方法包括：获取待评估企业的企业运行数据和关联企业数据，所述关联企业数据包括所述待评估企业与关联企业的企业上游关系、企业下游关系、企业对外投资关系、债券圈关系、担保圈关系的一种或多种数据；对所述企业运行数据和所述关联企业数据进行标准化处理，生成标准化数据集；将所述标准化数据集输入至预设条件风险价值模型，生成所述待评估企业的风险评估数据。该基于关联企业的风险评估方法可以实现提高企业风险评估的精度和泛用性的技术效果。

Description

一种基于关联企业的风险评估方法及系统

技术领域

本申请涉及数据处理技术领域，具体而言，涉及一种基于关联企业的风险评估方法、系统、电子设备及计算机可读存储介质。

背景技术

目前，伴随全球经济、市场、竞争一体化进程的加速以及外包、构建核心竞争力、合作、多赢等经营战略的采用，企业之间的联系变得更加紧密，风险对整个关联企业的破坏程度比对单个企业的要严重许多，一个微小的风险都可能带给整个关系链的企业带来巨大的打击。而作为关系链风险管理的重要一环，关系链风险评估则显得尤为重要，只有对风险进行有效的预测与评估，风险管理才会有的放矢，才会有针对性，在准确的风险评估后采取的风险管理措施才有意义。

现有技术中，国内外也有不少的学者对关联企业风险课题的研究，但大多是基于供应链关系研究企业之间的风险传导。忽视了其他的关联关系的风险传导影响，像融资关系(信贷、债券、担保)以及股权关系链等带来的风险。由于该类风险传导迅速，影响面巨大，所以完善的风险传导关系链不应忽视。此外，对于基于供应链风险评估的方法中采集的风险度量方法，一般的采用损失期望值法、风险坐标图等方法。这类方法简单易用，但是精度较低并且主观性较强。所以应用于管理和评估现实关联企业风险问题略显不足。

发明内容

本申请实施例的目的在于提供一种基于关联企业的风险评估方法、系统、电子设备及计算机可读存储介质，可以实现提高企业风险评估的精度和泛用性的技术效果。

第一方面，本申请实施例提供了一种基于关联企业的风险评估方法，包括：

获取待评估企业的企业运行数据和关联企业数据，所述关联企业数据包括所述待评估企业与关联企业的企业上游关系、企业下游关系、企业对外投资关系、债券圈关系、担保圈关系的一种或多种数据；

对所述企业运行数据和所述关联企业数据进行标准化处理，生成标准化数据集；

将所述标准化数据集输入至预设条件风险价值模型，生成所述待评估企业的风险评估数据。

在上述实现过程中，该基于关联企业的风险评估方法通过关联企业数据，基于企业供应链关系引入新的企业关联因素，使得企业关系链更加全面；风险度量方法上，通过条件风险价值理论构建基于成员偏好的风险评估模型——预设条件风险价值模型，以此度量待评估企业的供应链成员企业的风险和多元供应链综合风险，通过将所述标准化数据集输入至预设条件风险价值模型，可获得待评估企业的供应链每个成员企业相应的风险变化值和整体供应链风险变化值，生成相应的风险评估数据；从而，该基于关联企业的风险评估方法可以实现提高企业风险评估的精度和泛用性的技术效果。

进一步地，所述企业运行数据包括财务数据、销售数据、司法风险数据、税务风险数据和负面舆情数据中的一种或多种，在对所述企业运行数据和所述关联企业数据进行标准化处理，生成标准化数据集的步骤之前，包括：

对所述企业运行数据进行结构化处理，获得与所述企业运行数据对应的结构化数据。

在上述实现过程中，在生成标准化数据集之前将企业运行数据转换为结构化数据，便于数据的进一步处理。

进一步地，所述对所述企业运行数据进行结构化处理，获得与所述企业运行数据对应的结构化数据的步骤，包括：

通过预设自然语言处理模型将所述企业运行数据转换为对应的结构特征向量；

根据所述结构特征向量生成所述结构化数据。

进一步地，在所述对所述企业运行数据和所述关联企业数据进行标准化处理，生成标准化数据集的步骤之前，所述方法还包括：

对所述结构化数据进行数据缺失分析，生成缺失值数据；

根据预设邻近模型和所述缺失值数据对所述企业运行数据进行缺失值填补，生成第一企业运行数据。

在上述实现过程中，由于预设条件风险价值模型对缺失值的敏感性，对企业运行数据进行缺失值填补，可有效提高缺失值影响风险评估的精度。

进一步地，所述对所述企业运行数据和所述关联企业数据进行标准化处理，生成标准化数据集的步骤，包括：

对所述第一企业运行数据进行数据异常处理，生成第二企业运行数据；

对所述第二企业运行数据和所述关联企业数据进行标准化处理，生成所述标准化数据集。

在上述实现过程中，对处理缺失值之后的第一企业运行数据，对其进行数据异常处理，避免数据异常影响风险评估的精度。

进一步地，所述将所述标准化数据集输入至预设条件风险价值模型，生成所述待评估企业的风险评估数据的步骤中，所述预设条件风险价值模型为：

其中，j表示为所述待评估企业，

表示为所述待评估企业的第k个风险因素对应的风险传染因子，λ表示为所述待评估企业自身的风险传染因子，

和

分别表示风险因素k、所述待评估企业在给定置信水平α下的CVaR值。

进一步地，在所述将所述标准化数据集输入至预设条件风险价值模型，生成所述待评估企业的风险评估数据的步骤之前，所述方法还包括：

根据模特卡罗模拟获取所述待评估企业自身的风险传染因子。

第二方面，本申请实施例提供了一种基于关联企业的风险评估系统，包括：

获取模块，用于获取待评估企业的企业运行数据和关联企业数据，所述关联企业数据包括所述待评估企业与关联企业的企业上游关系、企业下游关系、企业对外投资关系、债券圈关系、担保圈关系的一种或多种数据；

标准化模块，用于对所述企业运行数据和所述关联企业数据进行标准化处理，生成标准化数据集；

风险评估模块，用于将所述标准化数据集输入至预设条件风险价值模型，生成所述待评估企业的风险评估数据。

进一步地，所述企业运行数据包括财务数据、销售数据、司法风险数据、税务风险数据和负面舆情数据中的一种或多种，所述基于关联企业的风险评估系统还包括：

结构化模块，用于对所述企业运行数据进行结构化处理，获得与所述企业运行数据对应的结构化数据。

进一步地，所述结构化模块包括：

结构特征向量单元，用于通过预设自然语言处理模型将所述企业运行数据转换为对应的结构特征向量；

结构化单元，用于根据所述结构特征向量生成所述结构化数据。

进一步地，所述基于关联企业的风险评估系统还包括：

缺失分析模块，用于对所述结构化数据进行数据缺失分析，生成缺失值数据；

缺失填补模块，用于根据预设邻近模型和所述缺失值数据对所述企业运行数据进行缺失值填补，生成第一企业运行数据。

进一步地，所述标准化模块包括：

异常处理单元，用于对所述第一企业运行数据进行数据异常处理，生成第二企业运行数据；

标准化单元，用于对所述第二企业运行数据和所述关联企业数据进行标准化处理，生成所述标准化数据集。

进一步地，所述基于关联企业的风险评估系统还包括：

风险传染模块，用于根据模特卡罗模拟获取所述待评估企业自身的风险传染因子。

第三方面，本申请实施例提供的一种电子设备，包括：存储器、处理器以及存储在所述存储器中并可在所述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如第一方面任一项所述的方法的步骤。

第四方面，本申请实施例提供的一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，使得所述计算机执行如第一方面任一项所述的方法。

第五方面，本申请实施例提供的一种计算机程序产品，所述计算机程序产品在计算机上运行时，使得计算机执行如第一方面任一项所述的方法。

本申请公开的其他特征和优点将在随后的说明书中阐述，或者，部分特征和优点可以从说明书推知或毫无疑义地确定，或者通过实施本申请公开的上述技术即可得知。

为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1为本申请实施例提供的一种基于关联企业的风险评估方法的流程示意图；

图2为本申请实施例提供的另一种基于关联企业的风险评估方法的流程示意图；

图3为本申请实施例提供的基于关联企业的风险评估系统的结构框图；

图4为本申请实施例提供的一种电子设备的结构框图。

具体实施方式

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描述。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

本申请实施例提供了一种基于关联企业的风险评估方法、系统、电子设备及计算机可读存储介质，可以应用于对企业的风险评估中；该基于关联企业的风险评估方法通过关联企业数据，基于企业供应链关系引入新的企业关联因素，使得企业关系链更加全面；风险度量方法上，通过条件风险价值(CVaR，Conditional Value at Risk)理论构建基于成员偏好的风险评估模型——预设条件风险价值模型，以此度量待评估企业的供应链成员企业的风险和多元供应链综合风险，通过将所述标准化数据集输入至预设条件风险价值模型，可获得待评估企业的供应链每个成员企业相应的风险变化值和整体供应链风险变化值，生成相应的风险评估数据；从而，该基于关联企业的风险评估方法可以实现提高企业风险评估的精度和泛用性的技术效果。

请参见图1，图1为本申请实施例提供的一种基于关联企业的风险评估方法的流程示意图，该基于关联企业的风险评估方法包括如下步骤：

S100：获取待评估企业的企业运行数据和关联企业数据，关联企业数据包括待评估企业与关联企业的企业上游关系、企业下游关系、企业对外投资关系、债券圈关系、担保圈关系的一种或多种数据。

示例性地，企业运行数据指的是待评估企业自身的数据，包括财务数据(如销售额)、销售数据(如销售量)、司法风险、税务风险、行政处罚以及负面舆情等的数据。

可选地，负面舆情数据和司法风险数据可以是文本数据。

示例性地，关联企业指的是与待评估企业有供应链关系、融资关系(信贷、债券、担保等)链以及股权关系链的企业，关联关系企业包括不局限于企业下游关系、企业下有关系、企业对外投资关系、债券圈关系、担保圈关系等风险相关数据。

S200：对企业运行数据和关联企业数据进行标准化处理，生成标准化数据集。

示例性地，对待评估企业自身的企业运行数据，以及关联企业数据进行标准化处理，将企业运行数据和关联企业数据转换为标准化数据集，方便将数据输入至预设条件风险价值模型。

S300：将标准化数据集输入至预设条件风险价值模型，生成待评估企业的风险评估数据。

示例性地，对待评估企业自身的企业运行数据，以及关联企业数据进行标准化处理之后，将标准化数据集应用于预设条件风险价值模型，预设条件风险价值模型可以是改进后的CVaR模型；可选地，待评估企业的风险评估数据包括每个供应链成员企业(待评估企业和各个关联企业)相应的风险变化值和整体供应链风险变化值。

示例性地，在风险度量方法上，通过CVaR理论构建基于成员偏好的预设条件风险价值模型，以此度量待评估企业的供应链成员企业的风险和多元供应链综合风险，通过模型可计算得到某一时段内随着成员偏好的变化，供应链每个成员企业相应的风险变化值和整体供应链风险变化值。能够比较合理地描述以成员偏好为动因的成员企业和整个供应链的风险变化现象，并能够准确度量成员企业和供应链风险，继而为供应链成员企业治理风险提供依据。该方法克服像专家决策法、损失期望值法、风险坐标图法等方法主观因素太强、风险度量精度或准确度较低的缺陷。

在一些实施方式中，该基于关联企业的风险评估方法通过关联企业数据，基于企业供应链关系引入新的企业关联因素，使得企业关系链更加全面；风险度量方法上，通过条件风险价值理论构建基于成员偏好的风险评估模型——预设条件风险价值模型，以此度量待评估企业的供应链成员企业的风险和多元供应链综合风险，通过将所述标准化数据集输入至预设条件风险价值模型，可获得待评估企业的供应链每个成员企业相应的风险变化值和整体供应链风险变化值，生成相应的风险评估数据；从而，该基于关联企业的风险评估方法可以实现提高企业风险评估的精度和泛用性的技术效果。

请参见图2，图2为本申请实施例提供的另一种基于关联企业的风险评估方法的流程示意图。

示例性地，企业运行数据包括财务数据、销售数据、司法风险数据、税务风险数据和负面舆情数据中的一种或多种，在S200：对企业运行数据和关联企业数据进行标准化处理，生成标准化数据集的步骤之前，包括：

对企业运行数据进行结构化处理，获得与企业运行数据对应的结构化数据。

示例性地，在生成标准化数据集之前将企业运行数据转换为结构化数据，便于数据的进一步处理。

示例性地，对企业运行数据进行结构化处理，获得与企业运行数据对应的结构化数据的步骤，包括：

S110：通过预设自然语言处理模型将企业运行数据转换为对应的结构特征向量；

S120：根据结构特征向量生成结构化数据。

示例性地，自然语言处理(NLP，Natural Language Processing,NLP)是计算机科学领域与人工智能领域中的一个重要方向，是实现人与计算机之间用自然语言进行有效通信的各种理论和方法。

在一些实施方式中，在对负面舆情数据和司法风险数据信息进行结构化处理，得到所述负面舆情和司法风险数据信息对应的结构化数据时，可以使用自然语言处理模型将所述舆情信息和经营数据信息进行结构化处理，得到所述负面舆情和司法风险信息对应的结构化数据。

在一些实施方式中，在使用预设自然语言处理模型将负面舆情数据和司法风险信息进行结构化处理，得到负面舆情和司法风险数据信息对应的结构化数据时，可以使用自然语言处理模型将所述负面舆情和司法风险数据信息转换为对应的结构特征向量，并基于所述结构特征向量确定负面舆情数据和司法风险数据信息对应的结构化数据，最终可通过专家经验对结构化的数据映射成数据化数据。

示例性地，在S200：对企业运行数据和关联企业数据进行标准化处理，生成标准化数据集的步骤之前，方法还包括：

S130：对结构化数据进行数据缺失分析，生成缺失值数据；

S140：根据预设邻近模型和缺失值数据对企业运行数据进行缺失值填补，生成第一企业运行数据。

示例性地，由于预设条件风险价值模型对缺失值的敏感性，对企业运行数据进行缺失值填补，可有效提高缺失值影响风险评估的精度。

在一些实施方式中，获取结构化的数据集后，需要先对数据缺失分析，因为很多的模型对缺失值敏感，因此观察是否有缺失值是其中很重要的一个步骤。可选地，可使用直观的散点图形进行对观测字段的缺失情况。

在一些实施方式中，对于缺失值的处理方法非常多，例如基于聚类的方法、基于回归的方法、基于均值的方法等，考虑到移出缺失值会影响模型结果；可选地，可使用K最邻近(KNN，K-NearestNeighbor)方法对缺失值进行填补。

示例性地，S200：对企业运行数据和关联企业数据进行标准化处理，生成标准化数据集的步骤，包括：

S210：对第一企业运行数据进行数据异常处理，生成第二企业运行数据；

S220：对第二企业运行数据和关联企业数据进行标准化处理，生成标准化数据集。

示例性地，对处理缺失值之后的第一企业运行数据，对其进行数据异常处理，避免数据异常影响风险评估的精度。

在一些实施方式中，对处理缺失值之后的数据集，需要进行数据异常值的分析。可选地，本发明实施例可使用基于密度的聚类DBSCAN算法，将与数据稠密区域紧密相连的数据对象划分为一个类，因此与其他对象分离的数据就会作为异常值。

在一些实施方式中，对异常值的处理非常多；可选地，本发明实施例可使用直接删除，这样处理后的数据得到了标准化后的数据集。

示例性地，将标准化数据集输入至预设条件风险价值模型，生成待评估企业的风险评估数据的步骤中，预设条件风险价值模型为：

其中，j表示为待评估企业，

表示为待评估企业的第k个风险因素对应的风险传染因子，λ表示为待评估企业自身的风险传染因子，

和

分别表示风险因素k、待评估企业在给定置信水平α下的CVaR值。

示例性地，引入企业偏好因素，在创建预设条件风险价值模型时中增加了一个动态的特定值表示某个风险因素企业对待评估企业的风险传染因子)。基于CVaR的次可加性，则待评估企业的考虑成员企业偏好的关联条件风险值CVaR可表示为上述形式。

在一些实施方式中，为观测到企业成员(关联企业)风险偏好对待评估企业的风险的影响，考虑到成员企业过多，这里只考虑关联关系成员企业预期日收益率r分别为平均收益率和按1％的增加时的关联关系风险值变化，旨在说明企业成员风险偏好差异性与关联关系风险水平的关系。

在一些实施方式中，将所有的数据指标加入预设条件风险价值模型中。其中，λ风险传染因子，通过模特卡罗的模拟的方式获取，最终获取模型的结果，然后对模型结果进行分析，用于指导企业规避或者调整企业风险的依据。

示例性地，本申请实施例是通过另一种视角去对企业风险的评估和管理，相比于只是通过企业供应链的关系本身去评价，即通过创建模型的收集的数据，不添加企业本身经营风险偏好行为因素。但现实经营活动中，企业在任何一个经营行为上，都会表现出一定的风险偏好，而这个风险偏好也会随着企业在一段时间内掌握的信息动态调整。本申请实施例考虑的风险因素更加全面；同时，考虑企业的风险偏好，待评估企业可以根据模型分析的动态结果，在自身经营能够承受的风险情况下，调整自己的经营策略。

示例性地，在将标准化数据集输入至预设条件风险价值模型，生成待评估企业的风险评估数据的步骤之前，方法还包括：

根据模特卡罗模拟获取待评估企业自身的风险传染因子。

在一些实施方式中，可通过一个动态的特定值表示某个风险因素企业对待评估企业的风险传染因子。

示例性地，本申请实施例提供的基于关联企业的风险评估方法，能够比较合理地描述以成员偏好为动因的成员企业和整个供应链的风险变化现象，并能够准确度量成员企业和供应链风险，继而为供应链成员企业治理风险提供依据。该方法克服像专家决策法、损失期望值法、风险坐标图法等方法，主观因素太强，风险度量精度或准确度较低的缺陷。基于关联企业的风险评估方法，在以下方面对企业的风险评估带来有益效果：将风险偏好因子作为影响因素引入模型，构建考虑成员企业风险偏好的多元关系链风险评估模型，能够计算某一时期内成员企业的风险变化值和整个供应链面临的综合风险变化值。该评估模型能够准确度量关系链成员企业风险和多元供应链风险，具有可行性和易操作性；建立的风险传导模型充分考虑了关系链中风险的传导性，提高了风险评估的准确性和全面性；评估的方法较传统的方法精度更高；同时，加入的主观因素更低，避免模型计算的准确性；能够准确评估出关系链中最具威胁的风险因素和节点企业，以及关系链中承受风险最大的节点企业，为关系链风险管理提供更有效的指导意义；能够计算出关系链的综合损失效用值，为关系链的改进和优化提供评判依据，从而降低企业的外部风险。

请参见图3，图3为本申请实施例提供的基于关联企业的风险评估系统的结构框图，该基于关联企业的风险评估系统包括：

获取模块100，用于获取待评估企业的企业运行数据和关联企业数据，关联企业数据包括待评估企业与关联企业的企业上游关系、企业下游关系、企业对外投资关系、债券圈关系、担保圈关系的一种或多种数据；

标准化模块200，用于对企业运行数据和关联企业数据进行标准化处理，生成标准化数据集；

风险评估模块300，用于将标准化数据集输入至预设条件风险价值模型，生成待评估企业的风险评估数据。

示例性地，企业运行数据包括财务数据、销售数据、司法风险数据、税务风险数据和负面舆情数据中的一种或多种，基于关联企业的风险评估系统还包括：

结构化模块，用于对企业运行数据进行结构化处理，获得与企业运行数据对应的结构化数据。

示例性地，结构化模块包括：

结构特征向量单元，用于通过预设自然语言处理模型将企业运行数据转换为对应的结构特征向量；

结构化单元，用于根据结构特征向量生成结构化数据。

示例性地，基于关联企业的风险评估系统还包括：

缺失分析模块，用于对结构化数据进行数据缺失分析，生成缺失值数据；

缺失填补模块，用于根据预设邻近模型和缺失值数据对企业运行数据进行缺失值填补，生成第一企业运行数据。

示例性地，标准化模块200包括：

异常处理单元，用于对第一企业运行数据进行数据异常处理，生成第二企业运行数据；

标准化单元，用于对第二企业运行数据和关联企业数据进行标准化处理，生成标准化数据集。

示例性地，基于关联企业的风险评估系统还包括：

风险传染模块，用于根据模特卡罗模拟获取待评估企业自身的风险传染因子。

应理解，图3所示的基于关联企业的风险评估系统与图1、图2所示的方法实施例相对应，为避免重复，此处不再赘述。

本申请还提供一种电子设备，请参见图4，图4为本申请实施例提供的一种电子设备的结构框图。电子设备可以包括处理器510、通信接口520、存储器530和至少一个通信总线540。其中，通信总线540用于实现这些组件直接的连接通信。其中，本申请实施例中电子设备的通信接口520用于与其他节点设备进行信令或数据的通信。处理器510可以是一种集成电路芯片，具有信号的处理能力。

上述的处理器510可以是通用处理器，包括中央处理器(CPU，Central ProcessingUnit)、网络处理器(NP，Network Processor)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器510也可以是任何常规的处理器等。

存储器530可以是，但不限于，随机存取存储器(RAM，Random Access Memory)，只读存储器(ROM，Read Only Memory)，可编程只读存储器(PROM，Programmable Read-OnlyMemory)，可擦除只读存储器(EPROM，Erasable Programmable Read-Only Memory)，电可擦除只读存储器(EEPROM，Electric Erasable Programmable Read-Only Memory)等。存储器530中存储有计算机可读取指令，当所述计算机可读取指令由所述处理器510执行时，电子设备可以执行上述图1至图2方法实施例涉及的各个步骤。

可选地，电子设备还可以包括存储控制器、输入输出单元。

所述存储器530、存储控制器、处理器510、外设接口、输入输出单元各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通信总线540实现电性连接。所述处理器510用于执行存储器530中存储的可执行模块，例如电子设备包括的软件功能模块或计算机程序。

输入输出单元用于提供给用户创建任务以及为该任务创建启动可选时段或预设执行时间以实现用户与服务器的交互。所述输入输出单元可以是，但不限于，鼠标和键盘等。

可以理解，图4所示的结构仅为示意，所述电子设备还可包括比图4中所示更多或者更少的组件，或者具有与图4所示不同的配置。图4中所示的各组件可以采用硬件、软件或其组合实现。

本申请实施例还提供一种存储介质，所述存储介质上存储有指令，当所述指令在计算机上运行时，所述计算机程序被处理器执行时实现方法实施例所述的方法，为避免重复，此处不再赘述。

本申请还提供一种计算机程序产品，所述计算机程序产品在计算机上运行时，使得计算机执行方法实施例所述的方法。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能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，可以存储在一个计算机可读取存储介质中。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或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。

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。

Claims (10)

1.一种基于关联企业的风险评估方法，其特征在于，包括：

获取待评估企业的企业运行数据和关联企业数据，所述关联企业数据包括所述待评估企业与关联企业的企业上游关系、企业下游关系、企业对外投资关系、债券圈关系、担保圈关系的一种或多种数据；

对所述企业运行数据和所述关联企业数据进行标准化处理，生成标准化数据集；

将所述标准化数据集输入至预设条件风险价值模型，生成所述待评估企业的风险评估数据。

2.根据权利要求1所述的基于关联企业的风险评估方法，其特征在于，所述企业运行数据包括财务数据、销售数据、司法风险数据、税务风险数据和负面舆情数据中的一种或多种，在对所述企业运行数据和所述关联企业数据进行标准化处理，生成标准化数据集的步骤之前，包括：

对所述企业运行数据进行结构化处理，获得与所述企业运行数据对应的结构化数据。

3.根据权利要求2所述的基于关联企业的风险评估方法，其特征在于，所述对所述企业运行数据进行结构化处理，获得与所述企业运行数据对应的结构化数据的步骤，包括：

通过预设自然语言处理模型将所述企业运行数据转换为对应的结构特征向量；

根据所述结构特征向量生成所述结构化数据。

4.根据权利要求2或3所述的基于关联企业的风险评估方法，其特征在于，在所述对所述企业运行数据和所述关联企业数据进行标准化处理，生成标准化数据集的步骤之前，所述方法还包括：

对所述结构化数据进行数据缺失分析，生成缺失值数据；

根据预设邻近模型和所述缺失值数据对所述企业运行数据进行缺失值填补，生成第一企业运行数据。

5.根据权利要求4所述的基于关联企业的风险评估方法，其特征在于，所述对所述企业运行数据和所述关联企业数据进行标准化处理，生成标准化数据集的步骤，包括：

对所述第一企业运行数据进行数据异常处理，生成第二企业运行数据；

对所述第二企业运行数据和所述关联企业数据进行标准化处理，生成所述标准化数据集。

6.根据权利要求1所述的基于关联企业的风险评估方法，其特征在于，所述将所述标准化数据集输入至预设条件风险价值模型，生成所述待评估企业的风险评估数据的步骤中，所述预设条件风险价值模型为：

其中，j表示为所述待评估企业，

表示为所述待评估企业的第k个风险因素对应的风险传染因子，λ表示为所述待评估企业自身的风险传染因子，

和

分别表示风险因素k、所述待评估企业在给定置信水平α下的CVaR值。

7.根据权利要求6所述的基于关联企业的风险评估方法，其特征在于，在所述将所述标准化数据集输入至预设条件风险价值模型，生成所述待评估企业的风险评估数据的步骤之前，所述方法还包括：

根据模特卡罗模拟获取所述待评估企业自身的风险传染因子。

8.一种基于关联企业的风险评估系统，其特征在于，包括：

获取模块，用于获取待评估企业的企业运行数据和关联企业数据，所述关联企业数据包括所述待评估企业与关联企业的企业上游关系、企业下游关系、企业对外投资关系、债券圈关系、担保圈关系的一种或多种数据；

标准化模块，用于对所述企业运行数据和所述关联企业数据进行标准化处理，生成标准化数据集；

风险评估模块，用于将所述标准化数据集输入至预设条件风险价值模型，生成所述待评估企业的风险评估数据。

9.一种电子设备，其特征在于，包括：存储器、处理器以及存储在所述存储器中并可在所述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如权利要求1至7任一项所述的基于关联企业的风险评估方法的步骤。

10.一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上存储有指令，当所述指令在计算机上运行时，使得所述计算机执行如权利要求1至7任一项所述的基于关联企业的风险评估方法。

Images