发明专利申请
申请公布号
申请公布日
申请号
申请日2016.11.01
申请人
地址 100125 北京朝阳区霄云路26号a座29楼 大公国际信用评级集团
发明人 路璐
专利代理机构
代理人
Int. CI.
权利要求书 2页 说明书7 页 附图3 页
发明名称
基于大数据的企业信用评估方法及系统
摘要
本发明涉及一种基于大数据的企 业信用评估方法及系统，以解决如何 利用大数据对当前企业的信用状态进
行评估、指导决策和预测等。改方法
包括：S1、得到影响企业信用的影响因素和数据，对其做众因子加权聚合处理；S2、得到影响企业信用的影响
因素的权重系数；S3、得到影响企业
信用的影响因素的权重系数随环境变化的修正值；S4、得到反映企业信用
的偏离度，用其达到风险监测预警；
S5、综合评估当前企业信用水平，自动生成评估报告。通过该评估方法，可以得到当前企业信用的影响因素和
数据、影响企业信用因素的权重系数
及修正值、当前企业信用等级和风险监测预警、当前企业信用评估报告，
实现对企业信用的整体评估。
1. 一种基于大数据的企业信用评估方法，其特征在于，包括：
S1、得到影响企业信用的影响因素和数据，运用众因子加权聚合贝叶斯算法，计算众因子对评估主体的信用影响程度；
S2、根据层次分析模型构建指标体系，对指标体系中的众影响因子的权重进行计算。通过判断矩阵进行特征值和特征向量的计算，进行一致性检验，以专家打分和层次分析相结合的方法确定权重。
S3、使影响因子在学习样本中用机器学习的方法训练权重，用期望输出与实际输出的差异引导着学习过程，权重值会随着学习的速度和失败的次数而不断更新,使权重随着环境的变化而实现偏差纠正，达到信用分值和级别越来越准确。
S4、计算企业信用的可调式核心指数，企业相对于行业形成安全区间，时间轴上以线性函数存在，通过函数预测算法可以确定未来周期内受评主体的信用情况，达到企业信用风险预测。
S5、根据企业信用的影响因素和数据、影响企业信用因素的权重系数、企业信用风险监测预警分析当前企业信用水平，以评估报告形式展现。在场景预测法基础上，使评估报告模块化，随着受评主体在大公中央数据库信息的变化，通过评级指标运算的结果，对应的评估报告各模块随之改变，整个过程脱离信用分析师的主观意识，直接由数据决定评估报告，用自然语言生成技术对评估报告优化，从而实现高质量的评估报告的自动生成。
2．根据权利要求1所述的方法，其特征在于，所述步骤S1具体包括： 构建企业信用的指标体系和获取企业信用影响因素的定量数据； 对企业信用影响因素的定量数据进行无量纲化方法预处理； 对企业信用影响因素智能识别和数据分类；
根据S3中的企业信用影响因素的权重系数的修正值、预处理过的定量数据和多个专家评分算术平均数，对影响因素做加权聚合计算，加权聚合的贝叶斯算法，处理影响因素间重复对企业信用的贡献，得到企业信用的综合评分、级别、级别含义、企业信用在同行业的排行榜、可视化输出信用信息分析结论。
3．根据权利要求1所述的方法，其特征在于，所述步骤S2还包含： 企业信用评估影响因素的权重判断矩阵的自动修正、判断矩阵的自动补全的能力。
4．根据权利要求1所述的方法，其特征在于，所述步骤S3中所述确 定的企业信用影响因素权重优化方法为基于机器学习和BP神经网络的方法。
5. 根据权利要求1所述的方法，其特征在于，所述步骤S4还包含： 企业信用评估是指距离。
6. 一种基于大数据的企业信用评估系统，其特征在于，包括：
数字化智能评估单元，用于获取企业信用评估影响因素和数据，对数据做标准化处理，对影响因素智能识别和数据分类，计算企业信用的综合评分和级别，生成企业信用在同行业的排行榜，可视化输出信用信息分析结论；
数字化评级权重自动生成单元，根据层次分析模型构建指标体系，以专家打分和层次分析相结合的方法，对企业信用评估指标体系中的众影响因子的权重系数进行计算；
数字化评级机器学习权重优化单元，用于优化企业信用影响因素权重，使权重随着环境的变化而实现偏差纠正，达到信用分值和级别越来越准确；
信用风险监测预警单元，是依托于线性函数的预测算法的风险预测系统，基于可调式核心指数，通过函数预测算法确定未来周期内受评主体的信用情况，达到信用风险预测的效果；
评估报告自然语言生成单元，用场景预测法，使评估报告模块化，随着企业在中央数据库信息的变化，通过评级指标运算的结果，对应的评估报告各模块随之改变，直接由数据决定评估报告，用自然语言生成技术对评估报告优化，实现高质量的评估报告的自动生成。
说 明 书
基于大数据的企业信用评估方法及系统 1/7页
技术领域
[0001] 本发明涉及企业信用分析技术领域，尤其是涉及一种基于大数据的企业评估方法和一种基于大数据的企业评估系统。
背景技术
[0002] 信用评级关系人类经济社会安全发展，现存国际评级体系坚持维护所在国利益的立场，把其价值观和意识形态作为评级标准，成为危机的制造者，而不能承担世界评级责任。
[0003] 面对新信用评级业变革，建立以数字化为核心的评级体系，是信用评级业适应高技术战争的根本保障。数字化是信用评级业实现跨越式发展的必由之路，信息化的核心是数字化。现在的信用评级业，是网络化的信用评级业、数字化的信用评级业、智能化的信用评级业、虚拟化的信用评级业，数字化已成为先进信用评级业的核心和重点。
[0004] 因此，建立一套全新的、满足目前我国信用评级产业的现状和发展需求的评估或分析方法成为我国信用评级产业发展的当务之急。
发明内容
[0005] 本发明所要解决的技术问题是如何利用大数据对当前企业信用进行分析。
[0006] 为解决上述技术问题，本发明提出了一种基于大数据的企业信用评估方法及系统。
[0007] 第一方面，该方法包括 ：
[0008] S1、得到影响企业信用的影响因素和数据，运用众因子加权聚合贝叶斯算法，计算众因子对评估主体的信用影响程度；
[0009] S2、根据层次分析模型构建指标体系，对指标体系中的众影响因子的权重进行计算。通过判断矩阵进行特征值和特征向量的计算，进行一致性检验，以专家打分和层次分析相结合的方法确定权重。
说 明 书 2/7页
[0010] S3、使影响因子在学习样本中用机器学习的方法训练权重，用期望输出与实际输出的差异引导着学习过程，权重值会随着学习的速度和失败的次数而不断更新,使权重随着环境的变化而实现偏差纠正，达到信用分值和级别越来越准确。
[0011] S4、计算企业信用的可调式核心指数，企业相对于行业形成安全区间，时间轴上以线性函数存在，通过函数预测算法可以确定未来周期内受评主体的信用情况，达到企业信用风险预测。
[0012] S5、根据企业信用的影响因素和数据、影响企业信用因素的权重系数、企业信用风险监测预警的偏离度分析当前企业信用水平，以评估报告形式展现。在场景预测法基础上，使评估报告模块化，随着受评主体在大公中央数据库信息的变化，通过评级指标运算的结果，对应的评估报告各模块随之改变，整个过程脱离信用分析师的主观意识，直接由数据决定评估报告，用自然语言生成技术对评估报告优化，从而实现高质量的评估报告的自动生成。
[0013] 进一步地，所述步骤S1还包括：
[0014] 构建企业信用的指标体系和获取企业信用影响因素的定量数据；
[0015] 对企业信用影响因素的定量数据进行无量纲化方法预处理；
[0016] 对企业信用影响因素智能识别和数据分类；
[0017] 根据S3中的企业信用影响因素的权重系数的修正值、预处理过的定量数据和多个专家评分算术平均数，对影响因素做加权聚合计算，加权聚合的贝叶斯算法，处理影响因素间重复对企业信用的贡献，得到企业信用的综合评分、级别、级别含义、企业信用在同行业的排行榜、可视化输出信用信息分析结论。
[0018] 进一步地，所述步骤S2还包括：
[0019] 企业信用评估影响因素的权重判断矩阵的自动修正、判断矩阵的自动补全的能力。
[0020] 进一步地，所述步骤S3中所述确定的企业信用影响因素权重优化方法为基于机器学习和BP神经网络的方法。
[0021] 进一步地，所述步骤S4还包含：
[0022] 企业信用评估是距离。
[0023] 第二方面，该系统包括：
说 明 书 3/7页
[0024] 数字化智能评估单元，用于获取企业信用评估影响因素和数据，对数据做标准化处理，对影响因素智能识别和数据分类，计算企业信用的综合评分和级别，生成企业信用在同行业的排行榜，可视化输出信用信息分析结论；
[0025] 数字化评级权重自动生成单元，根据层次分析模型构建指标体系，以专家打分和层次分析相结合的方法，对企业信用评估指标体系中的众影响因素的权重系数进行计算；
[0026] 数字化评级机器学习权重优化单元，用于优化企业信用影响因素权重，使权重随着环境的变化而实现偏差纠正，达到信用分值和级别越来越准确；
[0027] 信用风险监测预警单元，是依托于线性函数的预测算法的风险预测系统，基于可调式核心指数，通过函数预测算法确定未来周期内受评主体的信用情况，达到信用风险预测的效果；
[0028] 评估报告自然语言生成单元，用场景预测法，使评估报告模块化，随着企业在中央数据库信息的变化，通过评级指标运算的结果，对应的评估报告各模块随之改变，直接由数据决定评估报告，用自然语言生成技术对评估报告优化，实现高质量的评估报告的自动生成。
附图说明
[0029] 通过参考附图会更加清楚的理解本发明的特征和优点，附图是示意性的而不应理解为对本发明进行任何限制，在附图中 ：
[0030] 图 1 示出了根据本发明基于大数据的企业信用评估方法一实施例的流程示意图 ；
[0031] 图 2 示出了建立神经网络模型的流程示意图 ；
[0032] 图 3 示出了根据本发明基于大数据的企业信用评估系统一实施例的结构框图。
具体实施方式
[0033] 为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
说 明 书 4/7页
[0034] 在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
[0035] 本发明提供了一种基于大数据的企业信用评估方法，如图 1 所述，该方法包括 ：
[0036] S1、得到影响企业信用的影响因素和数据，运用众因子加权聚合贝叶斯算法，计算众因子对评估主体的信用影响程度；
[0037] S2、根据层次分析模型构建指标体系，对指标体系中的偿债环境、偿债来源、财富创造能力和偿债能力的众影响因子的权重进行计算。通过判断矩阵进行特征值和特征向量的计算，进行一致性检验，以专家打分和层次分析相结合的方法确定权重。
[0038] S3、使影响因子在学习样本中用机器学习的方法训练权重，用期望输出与实际输出的差异引导着学习过程，权重值会随着学习的速度和失败的次数而不断更新,使权重随着环境的变化而实现偏差纠正，达到信用分值和级别越来越准确。
[0039] S4、计算企业信用可调式核心指数，企业相对于行业形成安全区间，时间轴上的以线性函数存在，通过函数预测算法可以确定未来周期内受评主体的信用情况，达到企业信用风险预测。
[0040] S5、根据企业信用的影响因素和数据、影响企业信用因素的权重系数、企业信用风险监测预警分析当前企业信用水平，以评估报告形式展现。在场景预测法基础上，使评估报告模块化，随着受评主体在大公中央数据库信息的变化，通过评级指标运算的结果，对应的评估报告各模块随之改变，整个过程脱离信用分析师的主观意识，直接由数据决定评估报告，用自然语言生成技术对评估报告优化，从而实现高质量的评估报告的自动生成。
[0041] 步骤 S1 中，获取的是影响企业信用的影响因素和数据，所谓的影响因素数据是指对企业信用评估指标体系中的众影响因素。
[0042] 所述企业信用影响因素数据可以为不同预设时间段内的影响因素数据，这样的话，步骤 S1 可具体包括 ：
[0043] 获取企业信用评估的不同预设时间段内的所述信用评估指标体系中的影响因素数据 ；
说 明 书 5/7页
[0044] 对不同预设时间段内的所述企业信用影响因素数据进行预处理 ；
[0045] 根据预处理后的企业信用影响因素数据，在所在行业对应的知识库内进行数据智能识别和数据分类；
[0046] 定量数据和多个专家打分后的定性数据用贝叶斯算法进行运算，输出企业信用评级分值、级别、级别含义；
[0047] 根据企业信用评级分值大小，形成企业信用排行榜；
[0048] 可视化输出信用数据分析结论。
[0049] 上述过程中的预处理可以为指标规范化处理。
[0050] 步骤 S1 可具体包括 ：
[0051] 制作层次结构模型；
[0052] 判断矩阵生成及两两比较数据输入；
[0053] 判断矩阵一致性比例及排序权重计算；
[0054] 不一致判断矩阵自动修正，在最大程度保留专家决策数据的前提下修正判断矩阵使之满足一致性比例。标记需要修正的判断矩阵，整个修正过程自动完成；
[0055] 残缺但可接受判断矩阵的计算，采用缺失项最大比例来限制自动补全的条件，表示一个残缺矩阵只有其中缺失项所占百分比小于此参数的值时才能使用自动补全功能；
[0056] 总目标或子目标排序权重计算，无论是备选方案对总目标的排序权重，还是备选方案对层次结构中其他非方案层要素的排序权重，都可以快速地计算完成。并且能够查看详细的判断矩阵数据、中间计算数据以及最终计算结果；
[0057] 根据总目标或子目标排序权重的加权分数计算，计算出总目标/子目标排序权重后，还可以进一步计算加权分数，也就是根据备选方案的权重和备选方案的实际得分，计算最终的加权得分；
[0058] 生成结论，导出权重计算数据。
[0059] 步骤 S3 中，如图 2 所示，预先设置的机器学习模型的建立过程大致包括 ：在影响因子的学习样本中用机器学习的方法训练权重，用期望输出与实际输出的差异引导着学习过程，权重值会随着学习的速度和失败的次数而不断更新,使权重随着环境的变化而实现偏差纠正，直到全部误差小于一个预设的极小值，模型收敛，至此模型建立完毕。利用该机器学习模型对影响因素权重系数进行分析，便得到了权重系数的优化。
说 明 书 6/7页
[0060] 步骤 S4 中，企业信用评估是指距离。给偏离度数学建模，实现重要因子可以调节指数，根据在时间轴上的线性函数的曲线走势，进行预测，企业随着时间而发生变化，与行业和其他企业做比较，拥有安全区间。
[0061] 步骤 S5 中，用场景预测法对不同级别进行定义，众多场景模块式组成评级报告，用自然语言生成技术对评级报告优化，从而自动生成高质量的评级报告，最大可能的排除评估分析师的主观干扰。
[0062] 本发明还提供一种基于大数据的企业信用评估系统，如图 3 所示，该系统100 包括：
[0062] 数字化智能评估单元101，用于获取企业信用评估影响因素和数据，对数据做标准化处理，对影响因素智能识别和数据分类，计算企业信用的综合评分和级别，生成企业信用在同行业的排行榜，可视化输出信用信息分析结论；
[0063] 数字化评级权重自动生成单元102，根据层次分析模型构建指标体系，以专家打分和层次分析相结合的方法，对企业信用评估指标体系中的众影响因素的权重系数进行计算；
[0064] 数字化评级机器学习权重优化单元103，用于优化企业信用影响因素权重，使权重随着环境的变化而实现偏差纠正，达到信用分值和级别越来越准确；
[0065] 信用风险监测预警单元104，是依托于线性函数的预测算法的风险预测系统，基于偏离度及可调式核心指数，通过函数预测算法确定未来周期内受评主体的信用情况，达到信用风险预测的效果；
[0066] 评估报告自然语言生成单元105，用场景预测法，使评估报告模块化，随着企业在中央数据库信息的变化，通过评级指标运算的结果，对应的评估报告各模块随之改变，直接由数据决定评估报告，用自然语言生成技术对评估报告优化，实现高质量的评估报告的自动生成。
[0067] 本发明基于大数据的企业信用评估系统为本发明基于大数据的企业信用评估方法的功能架构模块，其有关内容的解释、说明和有益效果等请参考本发明基于大数据的企业信用评估方法的相应部分，在此不再赘述。
[0068] 综上所述，本发明基于大数据的企业信用评估方法及系统，具有以下优点 ：
说 明 书 7/7页
[0069] (1) 实现了企业信用评估全周期中主要阶段的分析 ；
[0070] (2) 通过该分析方法，可以得到当前企业信用评级分值、级别、信用评级排行榜、影响因素权重值、风险预警以及当前企业信用评估报告。
[0071] 以上结合附图详细说明了本发明的技术方案，考虑到现有技术中残留多用干扰带来的问题。通过本发明的技术方案，能够减少残留多用干扰，从而减少其带来的各种问题。
[0072] 虽然结合附图描述了本发明的实施方式，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。
11
图1
图2
12
图3
13