TWI759759B - 企業申貸評估系統 - Google Patents

Abstract

一種企業申貸評估系統包含一包括一額度計算徵審模組即一資料庫的銀行電腦系統。當該銀行電腦系統接收到來自一第一行動裝置且相關於一企業的一申請文件影像時，先對該申請文件影像作影像辨識，以產生包含多個紙本申請文件的內容的一申請文件資料。該額度計算徵審模組根據該申請文件資料，分別自一聯合徵信中心電腦系統及該資料庫獲得相關於該企業的一聯徵資料即一客戶資料，再據以產生一輸入資料以輸入一機器學習模型進而計算以產生一可貸額度。該銀行電腦系統將該可貸額度傳送至該第一行動裝置，以即時地通知該企業。

Description

企業申貸評估系統

本發明是有關於一種金融系統，特別是指一種遠端徵信及快速核貸的企業申貸評估系統。

隨著創業風氣興盛，社會上逐漸出現許多中小型或微型企業，但伴隨企業經營而來的資金周轉問題，往往讓許多企業主疲於奔命。資金是維繫公司經營的關鍵，相較於個人信用貸款，企業貸款因為現有的法規要求而導致需要徵提的文件較多，使得一般銀行習慣於被動地等待客戶來回諮詢及補齊紙本文件之後，才開始審核辦理貸款申請。如此一來，不但造成企業申貸時間冗長，且最後核定的額度條件與客戶預期更是常有落差，對企業經營資金的調度安排及運營發展都造成不便，進而影響企業向銀行申貸的意願，因此，成為一個待解決的問題。

因此，本發明的目的，即在提供一種遠端徵信及快速核貸的企業申貸評估系統。

於是，本發明提供一種企業申貸評估系統，適用於一第一行動裝置及一聯合徵信中心電腦系統，並包含一銀行電腦系統。該銀行電腦系統歸屬於一銀行，且能夠與該第一行動裝置建立連線，並包括一額度計算徵審模組及一資料庫，該資料庫儲存一機器學習模型及相關於一企業的一客戶資料。

其中，當該銀行電腦系統接收到來自該第一行動裝置的一申請文件影像時，對該申請文件影像作影像辨識，以產生該申請文件影像所包含的多個紙本申請文件的內容的一申請文件資料，該等紙本申請文件相關於該企業所提出的一貸款申請。

該額度計算徵審模組根據該申請文件資料，自該聯合徵信中心電腦系統獲得相關於該企業的一聯徵資料，且自該資料庫獲得相關該企業的該客戶資料，再根據該聯徵資料及該客戶資料，獲得一輸入資料，以輸入該機器學習模型，進而計算以產生一可貸額度，該銀行電腦系統再將該可貸額度傳送至該第一行動裝置，以即時地通知該企業。

在一些實施態樣中，其中，該機器學習模型是一種梯度提升決策樹(Gradient boosting decision tree，GBDT)模型。

在另一些實施態樣中，其中，該額度計算徵審模組根據該聯徵資料或該客戶資料，獲得該企業所屬產業別的一產業別變數資料、在該銀行所屬評等的一評等變數資料、相關於該企業的營收 的多個營收變數資料、相關於該企業的資產的多個資產變數資料、相關於該企業的負債的多個負債變數資料、及多個公司資歷變數資料，以作為該輸入資料。

在一些實施態樣中，其中，評等變數資料包括對應多個不同評等的多個不同數值之其中一者。該產業別變數資料包括對應多個不同產業別的多個不同數值之其中一者。

該等營收變數資料包含該企業最近12個月營收的一第1變數、該企業近三個月匯入存摺明細可供辨識為營收之月均額的一第2變數、該企業近半年實際營收之月均額的一第3變數、該企業近三個月匯入存摺明細可供辨識為營收之月均額除以該企業近半年實際營收之月均額的一第4變數、該企業及該企業的負責人與配偶近三個月存績除以該企業最近12個月營收的一第5變數、及該企業最近12個月營收減去去年度營收的一第6變數之其中至少一者。

該等資產變數資料包含該企業的負責人與配偶與子女是否有不動產的一第7變數、及該企業與該企業的負責人與配偶近三個月的存績的一第8變數之其中至少一者。

該等負債變數資料包含該企業最近總授信餘額的一第9變數、該企業的負責人夫妻總授信餘額的一第10變數、該企業與該企業的負責人與配偶的每月本息支出的一第11變數、該企業最近總授信餘額除以最近12個月營收的一第12變數、該企業最近總授信 餘額與該企業的負責人夫妻總授信餘額之和除以該企業最近12個月營收的一第13變數、該企業及該企業的負責人與配偶近三個月存績除以該企業及該企業的負責人與配偶的月本息支出的一第14變數、及該企業與該企業的負責人與配偶的最近總授信餘額減去該企業與該企業的負責人與配偶的去年同期總授信餘額的一第15變數之其中至少一者。

該等公司資歷變數資料包含該企業有無與租賃公司往來的一第16變數、該企業近三個月被多少家銀行聯徵查詢的一第17變數、該企業與包含該銀行的多少家往來銀行的一第18變數、該企業與不包含該銀行的多少家往來銀行的一第19變數、該企業連續多少個月營業的一第20變數、一景氣指標之其中至少一者。該景氣指標包含對應多個不同景氣等級的多個不同數值之其中一者。

在另一些實施態樣中，其中，該機器學習模型是先以一訓練輸入資料及一訓練目標資料完成訓練(Training)，該訓練輸入資料包含屬於該銀行且在一訓練時間區間且介於相關於一營收與授信比例的一第一比例與一第二比例之間的多個企業客戶的該等產業別變數資料、該等評等變數資料、該等營收變數資料、該等資產變數資料、該等負債變數資料、及該等公司資歷變數資料，該訓練目標資料為分別對應該訓練輸入資料的該等企業客戶的多個實際貸款額度。

在另一些實施態樣中，其中，該等營收變數資料之其中一者是該企業在一預定時間區間的一營收區間收入，該額度計算徵審模組根據該產業別變數資料、該評等變數資料、及該營收區間收入之其中至少一者，決定一產業註記、一評等註記、及一營收區間註記之其中至少一對應者，以將該產業註記、該評等註記、及該營收區間註記之其中至少該對應者作為該輸入資料的一部分。

在一些實施態樣中，其中，該產業註記、該評等註記、及該營收區間註記之其中每一者包含兩種數值。該額度計算徵審模組根據該產業別變數資料判斷該企業所屬產業別分別等於及不等於一設定產業時，決定該產業註記分別等於一第一數值及一第二數值，且根據該評等變數資料判斷該企業在該銀行所屬評等分別高於等於及低於一設定評等時，決定該評等註記分別等於一第三數值及一第四數值，且根據該企業在該預定時間區間的該營收區間收入分別大於等於及小於一設定金額時，決定該營授區間註記分別等於一第五數值及一第六數值。

在另一些實施態樣中，其中，該機器學習模型是先以一訓練輸入資料及一訓練目標資料完成訓練(Training)，該訓練輸入資料包含屬於該銀行且在一訓練時間區間且介於相關於一營收與授信比例的一第一比例與一第二比例之間的多個企業客戶的該等產業別變數資料、該等評等變數資料、該等營收變數資料、該等資 產變數資料、該等負債變數資料、該等公司資歷變數資料、該等產業註記、該等評等註記、及該等營收區間註記，該訓練目標資料為分別對應該訓練輸入資料的該等企業客戶的多個實際貸款額度。

在另一些實施態樣中，其中，該營收與授信比例=(該企業的金融負債-該企業的長期擔保及長期放款借款+該企業的負責人的金融負債-該企業的負責人的長期擔保及長期放款借款+該企業的負責人的信用卡的循環卡費+該企業的負責人的現金卡的借款餘額+該企業的負責人的配偶的金融負債-該企業的負責人的配偶的長期擔保及長期放款借款+該企業的負責人的配偶的信用卡的循環卡費+該企業的負責人的配偶的現金卡的借款餘額)/該企業近12個月的401表的營收。

在另一些實施態樣中，其中，該企業申貸評估系統還適用於一徵信人員及一第二行動裝置，在該第一行動裝置通知該企業該可貸額度之後，且將一確認申貸指令傳送至該銀行電腦系統之後，其中，該銀行電腦系統產生對應該企業所屬產業別的一徵信題組，並將該徵信題組傳送至該第二行動裝置，該第二行動裝置藉由該徵信人員獲得對應該徵信題組的一徵信報告，且將該徵信報告撰寫完成並傳送至該銀行電腦系統，該銀行電腦系統根據該徵信報告，決定是否核准對應該可貸額度的該貸款申請。

本發明的功效在於：該銀行電腦系統在接收到該第一行 動裝置的該申請文件影像，先根據該申請文件影像獲得該申請文件資料，再據以分別由該聯合徵信中心電腦系統及該資料庫獲得該聯徵資料及該客戶資料。該額度計算徵審模組根據該聯徵資料及該客戶資料獲得該輸入資料，以輸入該機器學習模型，進而計算出該可貸額度，而能夠即時地傳送至該第一行動裝置以通知該企業，故能有效地解決現有申貸時所遇到的問題。

1:銀行電腦系統

11:額度計算徵審模組

12:資料庫

2:第一行動裝置

21:影像擷取模組

3:第二行動裝置

4:聯合徵信中心電腦系統

本發明的其他的特徵及功效，將於參照圖式的實施方式中清楚地呈現，其中：

圖1是一方塊圖，說明本發明企業申貸評估系統的一實施例。

在本發明被詳細描述之前，應當注意在以下的說明內容中，類似的元件是以相同的編號來表示。

參閱圖1，本發明企業申貸評估系統的一實施例，適用於一業務人員、一徵信人員、一第一行動裝置2、一第二行動裝置3、及一聯合徵信中心電腦系統4，並包含一銀行電腦系統1。該第一行動裝置2及該第二行動裝置3之其中任一者例如是一智慧型手機、一平板電腦、或其他類似且具備連網功能的可攜式電子裝置。該銀行 電腦系統1、該業務人員、及該徵信人員都歸屬於同一個銀行。該聯合徵信中心電腦系統4例如是一個或多個電腦主機或伺服器，以提供徵信服務。

該第一行動裝置2預先安裝該銀行所提供的一應用程式(APP)並包含一影像擷取模組21。該影像擷取模組21例如是攝影鏡頭及相關的感測器。該業務人員拜訪一客戶，如一企業的一負責人，並在確認該企業有向該銀行提出一貸款申請的意願之後，該第一行動裝置2藉由該業務人員選擇執行該應用程式，以利用該影像擷取模組21擷取包含多個紙本申請文件的一申請文件影像，並與該銀行電腦系統1建立連線，以將該申請文件影像傳送至該銀行電腦系統1。該等紙本申請文件相關於該企業(即該負責人)所提出的該貸款申請。舉例來說，該等紙本文件包含相關關係人之個資法同意書、公司登記資料、各項財務報表、保人文件資料及財力資料等等各種辦理貸款所需要的文件。

該銀行電腦系統1例如是該銀行的一個或多個電腦主機或伺服器，並包括一額度計算徵審模組11及一資料庫12。該額度計算徵審模組11例如是單獨的一電腦主機或伺服器，但不以此為限。該資料庫12儲存一機器學習模型及相關於該企業的一客戶資料。在本實施例中，該機器學習模型屬於一種監督式學習模型，並例如是一種梯度提升決策樹(Gradient boosting decision tree， GBDT)模型。

當該銀行電腦系統1接收到來自該第一行動裝置2的該申請文件影像時，先對該申請文件影像作影像辨識，以產生包含該等紙本申請文件的內容的一申請文件資料。該額度計算徵審模組11再根據該申請文件資料，自該聯合徵信中心電腦系統4獲得相關於該企業的一聯徵資料，且自該資料庫12獲得相關該企業的該客戶資料，再根據該聯徵資料及該客戶資料，獲得一輸入資料。該額度計算徵審模組11再將該輸入資料輸入該機器學習模型，進而計算以產生一可貸額度，該銀行電腦系統1再將該可貸額度傳送至該第一行動裝置2，以即時地通知該企業。

更詳細地說，該額度計算徵審模組11根據該聯徵資料或該客戶資料，獲得該企業所屬產業別的一產業別變數資料、在該銀行所屬評等的一評等變數資料、相關於該企業的營收的多個營收變數資料、相關於該企業的資產的多個資產變數資料、相關於該企業的負債的多個負債變數資料、及多個公司資歷變數資料。

在本實施例中，評等變數資料包括對應多個不同評等的多個不同數值之其中一者，例如A、B、C、D、E五個評等的等級分別對應1~5的數值。該產業別變數資料包括對應多個不同產業別的多個不同數值之其中一者，例如製造業、批發業、服務業、零售餐飲業、營建營造業、及其他產業所對應的數值分別是1~6。

該等營收變數資料包含一第1變數至一第6變數。該第1變數是該企業最近12個月營收，單位例如是千元。該第2變數是該企業近三個月匯入存摺明細可供辨識為營收之月均額，單位例如是千元。該第3變數是該企業近半年實際營收之月均額，單位例如是千元。該第4變數是該企業近三個月匯入存摺明細可供辨識為營收之月均額除以該企業近半年實際營收之月均額。該第5變數是該企業及該企業的負責人與配偶近三個月存績除以該企業最近12個月營收。存績即存摺績數，是以存摺每月的5、10、15、20、25、及30日的存款餘額計算其均額。該第6變數是該企業最近12個月營收減去去年度營收，單位例如是千元。

該等資產變數資料包含一第7變數至一第8變數。該第7變數例如是等於0或1，分別表示該企業的負責人與配偶與子女未持有或持有不動產。該第8變數是該企業與該企業的負責人與配偶近三個月的存績，單位例如是千元。

該等負債變數資料包含一第9變數至一第15變數。該第9變數是該企業最近總授信餘額，最近總授信餘額是最近一次的聯徵中心所更新的總授信餘額，例如，聯徵中心是在每月的15日更新資料，單位例如是千元。該第10變數是該企業的負責人夫妻總授信餘額，單位例如是千元。該第11變數是該企業與該企業的負責人與配偶的每月本息支出，單位例如是千元。該第12變數是該企業最近總 授信餘額除以最近12個月營收。該第13變數是該企業最近總授信餘額與該企業的負責人夫妻總授信餘額之和除以該企業最近12個月營收。該第14變數是該企業及該企業的負責人與配偶近三個月存績除以該企業及該企業的負責人與配偶的月本息支出。該第15變數是該企業與該企業的負責人與配偶的最近總授信餘額減去該企業與該企業的負責人與配偶的去年同期總授信餘額，單位例如是千元。

該等公司資歷變數資料包含一第16變數至一第20變數及一景氣指標。該第16變數例如是等於0或1，分別表示該企業沒有或有和租賃公司往來。該第17變數是該企業近三個月被多少家銀行聯徵查詢。第18變數是該企業與包含該銀行的多少家銀行往來。該第19變數是該企業與不包含該銀行的多少家銀行往來。該第20變數是該企業連續多少個月營業。該景氣指標例如是等於1~5分別表示景氣屬於極差、略差、中等、略佳、及極佳。

此外，該等營收變數資料之其中一者是該企業在一預定時間區間的一營收區間收入，例如年營收。該額度計算徵審模組11根據該產業別變數資料、該評等變數資料、及該營收區間收入，分別決定一產業註記、一評等註記、及一營收區間註記。在本實施例中，該產業註記、該評等註記、及該營收區間註記之其中每一者包含兩種數值，該額度計算徵審模組根據該產業別變數資料判斷該企 業所屬產業別分別等於及不等於一設定產業時，決定該產業註記分別等於一第一數值及一第二數值，且根據該評等變數資料判斷該企業在該銀行所屬評等分別高於等於及低於一設定評等時，決定該評等註記分別等於一第三數值及一第四數值，且根據該企業在該預定時間區間的該營收區間收入分別大於等於及小於一設定金額時，決定該營收區間註記分別等於一第五數值及一第六數值。

舉例來說，該設定產業是營建營造業，產業別是該營建營造業時，該產業註記等於0(即該第一數值)，反之，則等於1(即該第二數值)。該設定評等是等級B，評等是等級A或B時，該評等註記等於1(即該第三數值)，反之，則等於0(即該第四數值)。該設定金額是4000萬元，年營收大於等於4000萬元時，該營收區間註記等於1，(即該第五數值)，反之，則等於0(即該第六數值)。

該額度計算徵審模組11將該產業別變數資料、該評等變數資料、該等營收變數資料、該等資產變數資料、該等負債變數資料、該等公司資歷變數資料、該產業註記、該評等註記、及該營收區間註記，作為該輸入資料，以輸入該機器學習模型，進而計算以產生該可貸額度。另外要特別補充說明的是：在其他的實施例中，該輸入資料也可以省略該產業註記、該評等註記、及該營收區間註記，但所計算獲得的該可貸額度的效果會稍微差一點。

該機器學習模型是事先以一訓練輸入資料及一訓練目標 資料完成訓練(Training)，該訓練輸入資料包含屬於該銀行且在一訓練時間區間且介於相關於一營收與授信比例的一第一比例與一第二比例之間的多個企業客戶的該等產業別變數資料、該等評等變數資料、該等營收變數資料、該等資產變數資料、該等負債變數資料、該等公司資歷變數資料、該等產業註記、該等評等註記、及該等營收區間註記。該訓練目標資料為分別對應該訓練輸入資料的該等企業客戶的多個實際貸款額度。

舉例來說，該營收與授信比例=(該企業的金融負債-該企業的長期擔保及長期放款借款+該企業的負責人的金融負債-該企業的負責人的長期擔保及長期放款借款+該企業的負責人的信用卡的循環卡費+該企業的負責人的現金卡的借款餘額+該企業的負責人的配偶的金融負債-該企業的負責人的配偶的長期擔保及長期放款借款+該企業的負責人的配偶的信用卡的循環卡費+該企業的負責人的配偶的現金卡的借款餘額)/該企業近12個月的401表的營收，該第一比例是6.3%，該第二比例是92.5%，該訓練時間區間是當月之前12個月之中的前11個月，並以當月之前的前一個月的對應資料作為測試資料。在訓練後的測試過程中，當該機器學習模型所計算的每一該可貸額度大於等於對應的該實際貸款額度的80%時，則視為命中(hit)，也就是估算的結果被視為有效。另外要特別說明的是：在本實施例中，該可貸金額的計算結果例如是對應 一種還本型貸款的金額，但也能夠再經由預定設計的公式換算為另一種循環型貸款的金額。

在該業務人員藉由該第一行動裝置2將該申請文件影像傳送至該銀行電腦系統1之後，該銀行電腦系統1能夠即時地將該可貸額度傳回給該第一行動裝置2，使得該業務人員能夠現場給予客戶(即該負責人)產品組合與額度建議。當該企業確定要申辦該可貸額度的該貸款申請時，該第一行動裝置2藉由該業務人員將一確認申貸指令傳送至該銀行電腦系統1，使得該銀行電腦系統1產生對應該企業所屬產業別的一徵信題組，並將該徵信題組傳送至該第二行動裝置3。

之後，該徵信人員攜帶該第二行動裝置3前往該企業與該負責人面談，並對該負責人提出該徵信題組的問題，且藉由該第二行動裝置3輸入並產生對應該徵信題組的一徵信報告，即撰寫完成該徵信報告。該第二行動裝置3再將該徵信報告傳送至該銀行電腦系統1，使得該銀行電腦系統1根據該徵信報告，決定是否核准對應該可貸額度的該貸款申請。舉例來說，該徵信報告是一種5P問卷，並包含：1.People，企業沿革、負責人本業經驗等等；2.Purpose，借款用途及目前舉債之合理性；3.Payment，還款來源；4.Protection，保人相關資歷；及5.Perspective，公司未來發展及展望。此外，藉由授權人員再次確認相關資料之正確性及合理 性，或由該銀行電腦系統1自動辨識與判讀內容，以作決定是否核准該貸款申請。因此，該徵信人員能夠根據該第二行動裝置3的該徵信題組在訪問結束時，同時完成訪廠報告，故能大幅地減少核貸所需要的時間。

綜上所述，該銀行電腦系統1在接收到該第一行動裝置2的該申請文件影像，先根據該申請文件影像獲得該申請文件資料，再據以分別由該聯合徵信中心電腦系統4及該資料庫12獲得該聯徵資料及該客戶資料。該額度計算徵審模組11根據該聯徵資料及該客戶資料獲得該輸入資料，以輸入該機器學習模型，進而計算出該可貸額度，而能夠即時地傳送至該第一行動裝置2以通知該企業。再者，該徵信人員藉由該第二行動裝置3在執行徵信訪談的同時，一併完成訪廠報告，故都能有效地解決現有申貸時所遇到的問題，故確實能達成本發明的目的。

惟以上所述者，僅為本發明的實施例而已，當不能以此限定本發明實施的範圍，凡是依本發明申請專利範圍及專利說明書內容所作的簡單的等效變化與修飾，皆仍屬本發明專利涵蓋的範圍內。

1:銀行電腦系統

11:額度計算徵審模組

12:資料庫

2:第一行動裝置

21:影像擷取模組

3:第二行動裝置

4:聯合徵信中心電腦系統

Claims (10)

1. 一種企業申貸評估系統，適用於一第一行動裝置及一聯合徵信中心電腦系統，並包含一銀行電腦系統，該銀行電腦系統歸屬於一銀行，且能夠與該第一行動裝置建立連線，並包括一額度計算徵審模組及一資料庫，該資料庫儲存一機器學習模型及相關於一企業的一客戶資料，其中，當該銀行電腦系統接收到來自該第一行動裝置的一申請文件影像時，對該申請文件影像作影像辨識，以產生該申請文件影像所包含的多個紙本申請文件的內容的一申請文件資料，該等紙本申請文件相關於該企業所提出的一貸款申請，該額度計算徵審模組根據該申請文件資料，自該聯合徵信中心電腦系統獲得相關於該企業的一聯徵資料，且自該資料庫獲得相關該企業的該客戶資料，再根據該聯徵資料或該客戶資料，獲得該企業所屬產業別的一產業別變數資料、在該銀行所屬評等的一評等變數資料、相關於該企業的營收的多個營收變數資料、相關於該企業的資產的多個資產變數資料、相關於該企業的負債的多個負債變數資料、及多個公司資歷變數資料，作為一輸入資料，以輸入該機器學習模型，進而計算以產生一可貸額度，該銀行電腦系統再將該可貸額度傳送至該第一行動裝置，以即時地通知該企業，該機器學習模型是先以一訓練輸入資料及一訓練目標資料完成訓練(Training)，該訓練輸入資料包含屬於該 銀行且在一訓練時間區間且介於相關於一營收與授信比例的一第一比例與一第二比例之間的多個企業客戶的該等產業別變數資料、該等評等變數資料、該等營收變數資料、該等資產變數資料、該等負債變數資料、及該等公司資歷變數資料，該訓練目標資料為分別對應該訓練輸入資料的該等企業客戶的多個實際貸款額度。
2. 如請求項1所述的企業申貸評估系統，其中，該機器學習模型是一種梯度提升決策樹(Gradient boosting decision tree，GBDT)模型。
3. 如請求項1所述的企業申貸評估系統，其中，評等變數資料包括對應多個不同評等的多個不同數值之其中一者，該產業別變數資料包括對應多個不同產業別的多個不同數值之其中一者，該等營收變數資料包含該企業最近12個月營收的一第1變數、該企業近三個月匯入存摺明細可供辨識為營收之月均額的一第2變數、該企業近半年實際營收之月均額的一第3變數、該企業近三個月匯入存摺明細可供辨識為營收之月均額除以該企業近半年實際營收之月均額的一第4變數、該企業及該企業的負責人與配偶近三個月存績除以該企業最近12個月營收的一第5變數、及該企業最近12個月營收減去去年度營收的一第6變數之其中至少一者，該等資產變數資料包含該企業的負責人與配偶與子女是否有不動產的一第7變數、及該企業與該企業的負責 人與配偶近三個月的存績的一第8變數之其中至少一者，該等負債變數資料包含該企業最近總授信餘額的一第9變數、該企業的負責人夫妻總授信餘額的一第10變數、該企業與該企業的負責人與配偶的每月本息支出的一第11變數、該企業最近總授信餘額除以最近12個月營收的一第12變數、該企業最近總授信餘額與該企業的負責人夫妻總授信餘額之和除以該企業最近12個月營收的一第13變數、該企業及該企業的負責人與配偶近三個月存績除以該企業及該企業的負責人與配偶的月本息支出的一第14變數、及該企業與該企業的負責人與配偶的最近總授信餘額減去該企業與該企業的負責人與配偶的去年同期總授信餘額的一第15變數之其中至少一者，該等公司資歷變數資料包含該企業有無與租賃公司往來的一第16變數、該企業近三個月被多少家銀行聯徵查詢的一第17變數、該企業與包含該銀行的多少家往來銀行的一第18變數、該企業與不包含該銀行的多少家往來銀行的一第19變數、該企業連續多少個月營業的一第20變數、及一景氣指標之其中至少一者，該景氣指標包含對應多個不同景氣等級的多個不同數值之其中一者。
4. 如請求項1所述的企業申貸評估系統，其中：該營收與授信比例=(該企業的金融負債-該企業的長期擔保及長期放款借款+該企業的負責人的金融負債-該企業的負責人的長期擔保及長期放款借款+該企業的負責人的信用卡的循環卡費+該企業的負責人的現金卡的借款餘額+該企業的 負責人的配偶的金融負債-該企業的負責人的配偶的長期擔保及長期放款借款+該企業的負責人的配偶的信用卡的循環卡費+該企業的負責人的配偶的現金卡的借款餘額)/該企業近12個月的401表的營收。
5. 如請求項1所述的企業申貸評估系統，還適用於一徵信人員及一第二行動裝置，在該第一行動裝置通知該企業該可貸額度之後，且將一確認申貸指令傳送至該銀行電腦系統之後，其中，該銀行電腦系統產生對應該企業所屬產業別的一徵信題組，並將該徵信題組傳送至該第二行動裝置，該第二行動裝置藉由該徵信人員獲得對應該徵信題組的一徵信報告，且將該徵信報告撰寫完成並傳送至該銀行電腦系統，該銀行電腦系統根據該徵信報告，決定是否核准對應該可貸額度的該貸款申請。
6. 一種企業申貸評估系統，適用於一第一行動裝置及一聯合徵信中心電腦系統，並包含一銀行電腦系統，該銀行電腦系統歸屬於一銀行，且能夠與該第一行動裝置建立連線，並包括一額度計算徵審模組及一資料庫，該資料庫儲存一機器學習模型及相關於一企業的一客戶資料，其中，當該銀行電腦系統接收到來自該第一行動裝置的一申請文件影像時，對該申請文件影像作影像辨識，以產生該申請文件影像所包含的多個紙本申請文件的內容的一申請文件資料，該等紙本申請文件相關於該企業所提出的一貸款申請，該額度計算徵審模組根據該申請文件資料，自該聯合 徵信中心電腦系統獲得相關於該企業的一聯徵資料，且自該資料庫獲得相關該企業的該客戶資料，再根據該聯徵資料或該客戶資料，獲得該企業所屬產業別的一產業別變數資料、在該銀行所屬評等的一評等變數資料、相關於該企業的營收的多個營收變數資料、相關於該企業的資產的多個資產變數資料、相關於該企業的負債的多個負債變數資料、及多個公司資歷變數資料，作為一輸入資料，以輸入該機器學習模型，進而計算以產生一可貸額度，該銀行電腦系統再將該可貸額度傳送至該第一行動裝置，以即時地通知該企業，該等營收變數資料之其中一者是該企業在一預定時間區間的一營收區間收入，該額度計算徵審模組根據該產業別變數資料、該評等變數資料、及該營收區間收入之其中至少一者，決定一產業註記、一評等註記、及一營收區間註記之其中至少一對應者，以將該產業註記、該評等註記、及該營收區間註記之其中至少該對應者作為該輸入資料的一部分。
7. 如請求項6所述的企業申貸評估系統，其中，該產業註記、該評等註記、及該營收區間註記之其中每一者包含兩種數值，該額度計算徵審模組根據該產業別變數資料判斷該企業所屬產業別分別等於及不等於一設定產業時，決定該產業註記分別等於一第一數值及一第二數值，且根據該評等變數資料判斷該企業在該銀行所屬評等分別高於等於及低於一設定評等時，決定該評等註記分別等於一第三數值 及一第四數值，且根據該企業在該預定時間區間的該營收區間收入分別大於等於及小於一設定金額時，決定該營授區間註記分別等於一第五數值及一第六數值。
8. 如請求項6所述的企業申貸評估系統，其中，該機器學習模型是先以一訓練輸入資料及一訓練目標資料完成訓練(Training)，該訓練輸入資料包含屬於該銀行且在一訓練時間區間且介於相關於一營收與授信比例的一第一比例與一第二比例之間的多個企業客戶的該等產業別變數資料、該等評等變數資料、該等營收變數資料、該等資產變數資料、該等負債變數資料、該等公司資歷變數資料、該等產業註記、該等評等註記、及該等營收區間註記，該訓練目標資料為分別對應該訓練輸入資料的該等企業客戶的多個實際貸款額度。
9. 如請求項8所述的企業申貸評估系統，其中，該營收與授信比例=(該企業的金融負債-該企業的長期擔保及長期放款借款+該企業的負責人的金融負債-該企業的負責人的長期擔保及長期放款借款+該企業的負責人的信用卡的循環卡費+該企業的負責人的現金卡的借款餘額+該企業的負責人的配偶的金融負債-該企業的負責人的配偶的長期擔保及長期放款借款+該企業的負責人的配偶的信用卡的循環卡費+該企業的負責人的配偶的現金卡的借款餘額)/該企業近12個月的401表的營收。
10. 如請求項8所述的企業申貸評估系統，還適用於一徵信人員及一第二行動裝置，在該第一行動裝置通知該企業該可 貸額度之後，且將一確認申貸指令傳送至該銀行電腦系統之後，其中，該銀行電腦系統產生對應該企業所屬產業別的一徵信題組，並將該徵信題組傳送至該第二行動裝置，該第二行動裝置藉由該徵信人員獲得對應該徵信題組的一徵信報告，且將該徵信報告撰寫完成並傳送至該銀行電腦系統，該銀行電腦系統根據該徵信報告，決定是否核准對應該可貸額度的該貸款申請。

Images