本發(fā)明涉及企業(yè)征信評級領(lǐng)域，尤其涉及一種基于企業(yè)征信業(yè)務(wù)的信用評級方法。

背景技術(shù)：

隨著經(jīng)濟全球化趨勢擴展與市場化程度的加深，加快企業(yè)和個人信用體系建設(shè)已成為社會共識。針對企業(yè)信用評級領(lǐng)域，目前我國沒有官方統(tǒng)一的評級方法，評級方法相對單一，市場上的第三方評級機構(gòu)相對獨立，發(fā)展參差不齊，我國的評級技術(shù)和水平與市場經(jīng)濟成熟國家相比，差距還很大。

如安徽融信金模信息技術(shù)有限公司申請的專利一種針對中小企業(yè)的征信系統(tǒng)，其申請?zhí)枮?01510998442.4，公開日期為2016.06.08，一種針對中小企業(yè)的征信系統(tǒng)，包括第一數(shù)據(jù)采集器、第二數(shù)據(jù)采集器、法人信用數(shù)據(jù)庫、企業(yè)信用數(shù)據(jù)庫、第一數(shù)據(jù)提取模塊、法人信用計算模塊、第二數(shù)據(jù)提取模塊、企業(yè)信用計算模塊、信用檔案生成模塊和公共數(shù)據(jù)庫；第一數(shù)據(jù)采集器用于采集待評估企業(yè)法人的信用數(shù)據(jù)；法人信用數(shù)據(jù)庫與第一數(shù)據(jù)采集器電連接，其用于獲取并儲存第一數(shù)據(jù)采集器采集到的待評估企業(yè)法人的信用數(shù)據(jù)；第一數(shù)據(jù)提取模塊與法人信用數(shù)據(jù)庫電連接，其用于從法人信用數(shù)據(jù)庫提取待評估企業(yè)法人的信用數(shù)據(jù)；法人信用計算模塊與第一數(shù)據(jù)提取模塊電連接，其用于獲取第一數(shù)據(jù)提取模塊提取到的待評估企業(yè)法人信用數(shù)據(jù)，并根據(jù)該數(shù)據(jù)對待評估企業(yè)法人進行信用計算；第二數(shù)據(jù)采集器用于采集待評估企業(yè)的信用數(shù)據(jù)；企業(yè)信用數(shù)據(jù)庫與第二數(shù)據(jù)采集器連接，其用于獲取并儲存第二數(shù)據(jù)采集器采集到的待評估企業(yè)信用數(shù)據(jù)；第二數(shù)據(jù)提取模塊與企業(yè)信用數(shù)據(jù)庫連接，其用于從企業(yè)信用數(shù)據(jù)庫中提取待評估企業(yè)的信用數(shù)據(jù)；企業(yè)信用計算模塊與第二數(shù)據(jù)提取模塊連接，其用于獲取第一數(shù)據(jù)提取模塊提取到的待評估企業(yè)信用數(shù)據(jù)，并根據(jù)該數(shù)據(jù)對待評估企業(yè)進行信用計算；信用檔案生成模塊與法人信用計算模塊、企業(yè)信用計算模塊連接，其用于生成待評估企業(yè)信用檔案；；公共數(shù)據(jù)庫與信用檔案生成模塊連接，其用于存儲待評估企業(yè)信用檔案。

目前企業(yè)的不良資產(chǎn)總值不斷增長，企業(yè)逾期賬款呆賬壞賬率不斷攀升，如何能有效控制不良資產(chǎn)的總值，降低壞賬率，是信貸市場健康發(fā)展亟待解決的問題?，F(xiàn)如今市場上的征信系統(tǒng)并不能解決上述問題。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于克服現(xiàn)有技術(shù)存在的不足，提供一種基于企業(yè)征信業(yè)務(wù)的信用評級方法，包括以下步驟：

s1：數(shù)據(jù)獲取環(huán)節(jié)，獲取被評級對象的相關(guān)數(shù)據(jù)；

s2：數(shù)據(jù)清洗環(huán)節(jié)，對所述相關(guān)數(shù)據(jù)進行格式轉(zhuǎn)換，消除所述相關(guān)數(shù)據(jù)中的冗余數(shù)據(jù)，得到具有一致性的標準格式數(shù)據(jù)；

s3：數(shù)據(jù)調(diào)動環(huán)節(jié)，對所述標準格式的數(shù)據(jù)進行數(shù)據(jù)特征描述，理解所述標準格式的數(shù)據(jù)特征狀況，調(diào)動所述標準格式的數(shù)據(jù)特征狀況匹配程度高的數(shù)據(jù)；

s4：數(shù)據(jù)建模環(huán)節(jié)，將步驟s2中所述標準格式的數(shù)據(jù)分別導入相應(yīng)的模型，以所述數(shù)據(jù)調(diào)動后的數(shù)據(jù)作為參考依據(jù)，進行數(shù)據(jù)建模，從不同維度進行數(shù)據(jù)分析；

s5：結(jié)果輸出環(huán)節(jié)，將所述數(shù)據(jù)建模分析后的結(jié)果數(shù)據(jù)進行輸出操作，根據(jù)從不同維度分析的結(jié)果，將所述結(jié)果反饋在所述評級系統(tǒng)中；

s6：報表生成環(huán)節(jié)，得出所述被評級對象的具體評級報表。

作為進一步改進，所述獲取被評級對象的相關(guān)數(shù)據(jù)的方式包括，通過網(wǎng)絡(luò)數(shù)據(jù)爬蟲獲取、通過第三方征信機構(gòu)將線下獲取的信息數(shù)據(jù)進行獲取的方式、或通過將第三方對象征信機構(gòu)網(wǎng)站后臺服務(wù)器端數(shù)據(jù)進行導出的方式獲取的相關(guān)數(shù)據(jù)。

作為進一步改進，在步驟s2中，對通過網(wǎng)絡(luò)數(shù)據(jù)爬蟲獲取的數(shù)據(jù)進行清洗環(huán)節(jié)包括：對所述通過網(wǎng)絡(luò)數(shù)據(jù)爬蟲獲取的數(shù)據(jù)通過格式轉(zhuǎn)換，所述格式轉(zhuǎn)換包括根據(jù)所述相關(guān)數(shù)據(jù)的類型，所述相關(guān)數(shù)據(jù)的類型包括；含有噪聲的數(shù)據(jù)、含有重復信息的數(shù)據(jù)、數(shù)據(jù)不平衡的數(shù)據(jù)、數(shù)據(jù)與編碼表部對應(yīng)的數(shù)據(jù)、不一致的數(shù)據(jù)、不完整的數(shù)據(jù)；對于不同類型的相關(guān)數(shù)據(jù)對應(yīng)的也有不同的解決方法；對于所述含有噪聲的數(shù)據(jù)采用去除特大值、負值點；對于所述信息不符合常理的數(shù)據(jù)采用去除異常值的方法；對于所述含有重復信息的數(shù)據(jù)采用刪除重復項的方法；對于所述不平衡的數(shù)據(jù)采用數(shù)據(jù)去噪的方法；對于所述數(shù)據(jù)與編碼表不對應(yīng)的數(shù)據(jù)采用與不同行業(yè)標準表格對應(yīng)的方法進行數(shù)據(jù)清洗；對于所述不一致的數(shù)據(jù)采用按數(shù)據(jù)類型歸類的方法進行數(shù)據(jù)清洗；對于所述不完整的數(shù)據(jù)、采用確立相關(guān)標準參照值的方法進行數(shù)據(jù)清洗。

作為進一步改進，在步驟s2及s3之間，進一步包括，s21，將獲取到的全部相關(guān)數(shù)據(jù)建立一個關(guān)系型數(shù)據(jù)表，并存入數(shù)據(jù)庫中。

作為進一步改進，所述相應(yīng)的模型包括神經(jīng)網(wǎng)絡(luò)模型、打分模型以及財務(wù)預警模型。

作為進一步改進，在步驟s4中，將步驟s2中所述標準格式的數(shù)據(jù)導入打分模型，所述打分模型包括，ahp層次分析子模型、評分卡子模型以及聚類分析子模型，其分析步驟包括：將所述標準格式的數(shù)據(jù)，首先通過ahp層次分析子模型，對所述不同類型的數(shù)據(jù)指標賦予相應(yīng)權(quán)重；再通過評分卡子模型將不同權(quán)重的數(shù)據(jù)根據(jù)評級項目的重要性進行打分；再通過聚類分析模型，將所述被評級對象的項目進行類別劃分。

作為進一步改進，在步驟s4中，將步驟s2中所述標準格式的數(shù)據(jù)導入神經(jīng)網(wǎng)絡(luò)預測模型，其步驟包括：運用elman神經(jīng)網(wǎng)絡(luò)對所述標準格式的數(shù)據(jù)進行學習，制定神經(jīng)網(wǎng)絡(luò)預測模型。所述神經(jīng)網(wǎng)絡(luò)預測模型對所述被評級對象中的不含財務(wù)數(shù)據(jù)的所述標準格式數(shù)據(jù)進行分析。

作為進一步改進，在步驟s4中，所述財務(wù)預警模型是對所述被評級對象的所述標準格式數(shù)據(jù)中的財務(wù)類數(shù)據(jù)設(shè)計的，評估所述被評級對象財務(wù)狀況指標，根據(jù)所述被評級對象所在的行業(yè)確立相應(yīng)的財務(wù)指標，配有不同的權(quán)重分配表，進行精且匹配。

作為進一步改進，所述財務(wù)預警模型包括6個子模型，所述6個子模型能獨立分析，也能構(gòu)成模型組統(tǒng)一分析；所述6個子模型包括報表簡化子模型、財務(wù)比率子模型、資產(chǎn)劃分子模型、理論評價子模型、定性定量分析模型、純定量分析模型；不同子模型之間的指標選取側(cè)重不同，組合使用財務(wù)預警準確性高。

作為進一步改進，所述相關(guān)數(shù)據(jù)包括所述被評級對象的負面信息，在步驟s1與步驟s2之間進一步包括步驟s11，將所述被評級對象的負面信息導入反欺詐模型，若所述被評級對象的負面信息嚴重影響評級結(jié)果，直接結(jié)束評級，不進入s2之后的步驟，若所述被評級對象的負面信息影響評級結(jié)果不嚴重則繼續(xù)評級。

與現(xiàn)有技術(shù)相比較，本發(fā)明具有以下優(yōu)點：

1、本發(fā)明提供一種企業(yè)征信評級方法，并不局限于被評級企業(yè)主動提供的相關(guān)信息，以多種數(shù)據(jù)獲取方式獲取企業(yè)相關(guān)數(shù)據(jù)，解決了因評級系統(tǒng)獲取被評級對象相關(guān)數(shù)據(jù)途徑單一而導致評級出的結(jié)果并不準確的問題

2、本發(fā)明提供一種企業(yè)征信評級方法，增設(shè)數(shù)據(jù)清洗環(huán)節(jié)，針對道具數(shù)據(jù)不標準的原因，多角度全面進行格式統(tǒng)一，使系統(tǒng)整合建模過程中效率更快，并且方便運算。

3、本發(fā)明提供一種企業(yè)征信評級方法，包括神經(jīng)網(wǎng)絡(luò)模型、打分模型以及財務(wù)預警模型，將經(jīng)數(shù)據(jù)清洗環(huán)節(jié)后的標準格式化的數(shù)據(jù)，分別輸入上述三類模型進行不同維度的數(shù)據(jù)分析，得出更為客觀的數(shù)據(jù)結(jié)果。

4.本發(fā)明提供一種企業(yè)征信評級方法，所述財務(wù)預警模型包括6個財務(wù)子模型，可統(tǒng)一或拆分使用從財務(wù)的不用角度進行全面分析。

5.本發(fā)明提供一種企業(yè)征信評級方法，所述每一環(huán)節(jié)的數(shù)據(jù)都經(jīng)過整合進入數(shù)據(jù)庫中，其中在數(shù)據(jù)獲取環(huán)節(jié)之后多設(shè)立一個反欺詐模型將獲取到的數(shù)據(jù)中的所述被評級對象的負面信息導入反欺詐模型，若所述被評級對象的負面信息嚴重影響評級結(jié)果，直接結(jié)束評級。大大節(jié)省了評級的效率。

6.本發(fā)明提供一種企業(yè)征信評級方法；數(shù)據(jù)建模采用多種模型結(jié)合，選取最符合被評級對象的數(shù)據(jù)特征的模型，增加評級效果的科學性；將被評級對象的分析結(jié)果進行輸出，結(jié)合其他基本信息完成報表制作，最后呈現(xiàn)一份對被評級對象的科學合理的評級報告。

附圖說明

圖1為本發(fā)明一種基于企業(yè)征信業(yè)務(wù)的信用評級方法的流程圖。

具體實施方式

為使本發(fā)明實施方式的目的、技術(shù)方案和優(yōu)點更加清楚，下面將結(jié)合本發(fā)明實施方式中的附圖，對本發(fā)明實施方式中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施方式是本發(fā)明一部分實施方式，而不是全部的實施方式?；诒景l(fā)明中的實施方式，本領(lǐng)域普通技術(shù)人員在沒有作出創(chuàng)造性勞動前提下所獲得的所有其他實施方式，都屬于本發(fā)明保護的范圍。因此，以下對在附圖中提供的本發(fā)明的實施方式的詳細描述并非旨在限制要求保護的本發(fā)明的范圍，而是僅僅表示本發(fā)明的選定實施方式。基于本發(fā)明中的實施方式，本領(lǐng)域普通技術(shù)人員在沒有作出創(chuàng)造性勞動前提下所獲得的所有其他實施方式，都屬于本發(fā)明保護的范圍。在本發(fā)明的描述中，需要理解的是，術(shù)語“上”、“下”等指示的方位或位置關(guān)系為基于附圖所示的方位或位置關(guān)系，僅是為了便于描述本發(fā)明和簡化描述，而不是指示或暗示所指的設(shè)備或元件必須具有特定的方位、以特定的方位構(gòu)造和操作，因此不能理解為對本發(fā)明的限制。此外，術(shù)語“第一”、“第二”僅用于描述目的，而不能理解為指示或暗示相對重要性或者隱含指明所指示的技術(shù)特征的數(shù)量。由此，限定有“第一”、“第二”的特征可以明示或者隱含地包括一個或者更多個該特征。在本發(fā)明的描述中，“多個”的含義是兩個或兩個以上，除非另有明確具體的限定。在本發(fā)明中，除非另有明確的規(guī)定和限定，術(shù)語“安裝”、“相連”、“連接”、“固定”等術(shù)語應(yīng)做廣義理解，例如，可以是固定連接，也可以是可拆卸連接，或成一體；可以是機械連接，也可以是電連接；可以是直接相連，也可以通過中間媒介間接相連，可以是兩個元件內(nèi)部的連通或兩個元件的相互作用關(guān)系。對于本領(lǐng)域的普通技術(shù)人員而言，可以根據(jù)具體情況理解上述術(shù)語在本發(fā)明中的具體含義。

如圖1所示，一種基于企業(yè)征信業(yè)務(wù)的信用評級方法，包括以下步驟：

s1：數(shù)據(jù)獲取環(huán)節(jié)，獲取被評級企業(yè)的相關(guān)數(shù)據(jù)；

所述獲取被評級企業(yè)的相關(guān)數(shù)據(jù)的方式包括，通過網(wǎng)絡(luò)數(shù)據(jù)爬蟲獲取、通過第三方企業(yè)征信機構(gòu)將線下獲取的信息數(shù)據(jù)進行獲取的方式、或通過將第三方企業(yè)征信機構(gòu)網(wǎng)站后臺服務(wù)器端數(shù)據(jù)進行導出的方式獲取的相關(guān)數(shù)據(jù)。

所述相關(guān)數(shù)據(jù)包括：工商登記信息、企業(yè)組織架構(gòu)信息、企業(yè)融資信息、聯(lián)系信息、法人基本信息、公司所知識產(chǎn)權(quán)信息，近三年財務(wù)狀況信息，近三年未來運營計劃書等信息。

s11：所述相關(guān)數(shù)據(jù)包括所述被評級企業(yè)的負面信息，將所述被評級企業(yè)的負面信息導入反欺詐模型，若所述被評級企業(yè)的負面信息嚴重影響評級結(jié)果，直接結(jié)束評級，不進入s2之后的步驟，若所述被評級企業(yè)的負面信息影響評級結(jié)果不嚴重則繼續(xù)評級。

s2：數(shù)據(jù)清洗環(huán)節(jié)，對所述相關(guān)數(shù)據(jù)進行格式轉(zhuǎn)換，消除所述相關(guān)數(shù)據(jù)中的冗余數(shù)據(jù)，得到具有一致性的標準格式數(shù)據(jù)，用于方便數(shù)據(jù)的分析與應(yīng)用。

具體的：對所述通過網(wǎng)絡(luò)數(shù)據(jù)爬蟲獲取的數(shù)據(jù)通過格式轉(zhuǎn)換，所述格式轉(zhuǎn)換包括根據(jù)所述相關(guān)數(shù)據(jù)的類型，所述相關(guān)數(shù)據(jù)的類型包括；含有噪聲的數(shù)據(jù)、含有重復信息的數(shù)據(jù)、數(shù)據(jù)不平衡的數(shù)據(jù)、數(shù)據(jù)與編碼表部對應(yīng)的數(shù)據(jù)、不一致的數(shù)據(jù)、不完整的數(shù)據(jù)；對于不同類型的相關(guān)數(shù)據(jù)對應(yīng)的也有不同的解決方法；對于所述含有噪聲的數(shù)據(jù)采用去除特大值、負值點；對于所述信息不符合常理的數(shù)據(jù)采用去除異常值的方法；對于所述含有重復信息的數(shù)據(jù)采用刪除重復項的方法；對于所述不平衡的數(shù)據(jù)采用數(shù)據(jù)去噪的方法；對于所述數(shù)據(jù)與編碼表不對應(yīng)的數(shù)據(jù)采用與不同行業(yè)標準表格對應(yīng)的方法進行數(shù)據(jù)清洗；對于所述不一致的數(shù)據(jù)采用按數(shù)據(jù)類型歸類的方法進行數(shù)據(jù)清洗；對于所述不完整的數(shù)據(jù)、采用確立相關(guān)標準參照值的方法進行數(shù)據(jù)清洗。

s21：將從s1獲取到的全部與所述被評級企業(yè)相關(guān)的數(shù)據(jù)，建立一個關(guān)系型數(shù)據(jù)表，并存入數(shù)據(jù)庫中，以所述被評級企業(yè)的名稱作為表的鍵值。所述關(guān)系型數(shù)據(jù)表作為所述被評級企業(yè)的待用數(shù)據(jù)。

s3：數(shù)據(jù)調(diào)動環(huán)節(jié)，對所述標準格式的數(shù)據(jù)進行數(shù)據(jù)特征描述，理解所述標準格式的數(shù)據(jù)特征狀況，調(diào)動所述標準格式的數(shù)據(jù)特征狀況匹配程度高的數(shù)據(jù)；

s4：數(shù)據(jù)建模環(huán)節(jié)，將步驟s2中所述標準格式的數(shù)據(jù)分別導入相應(yīng)的模型，以所述數(shù)據(jù)調(diào)動后的數(shù)據(jù)作為參考依據(jù)，進行數(shù)據(jù)建模，從不同維度進行數(shù)據(jù)分析；所述相應(yīng)的模型包括神經(jīng)網(wǎng)絡(luò)模型、打分模型以及財務(wù)預警模型；選取最符合被評級企業(yè)的數(shù)據(jù)特征的模型，增加評級效果的科學性，也從其它模型中獲取不同維度的分析結(jié)果，增加評級效果的科學性。

具體的，在步驟s4中，將步驟s2中所述標準格式的數(shù)據(jù)導入打分模型，所述打分模型包括，ahp層次分析子模型、評分卡子模型以及聚類分析子模型，其分析步驟包括：將所述標準格式的數(shù)據(jù)，首先通過所述ahp層次分析子模型，對所述不同類型的數(shù)據(jù)指標賦予相應(yīng)權(quán)重；再通過所述評分卡子模型將不同權(quán)重的數(shù)據(jù)根據(jù)評級項目的重要程度進行打分；再通過所述聚類分析模型，將企業(yè)進行類別劃分。所述聚類分析模型的分析方法包括二階聚類，和som神經(jīng)網(wǎng)絡(luò)，所述聚類分析模型將通過所述二階聚類方法和所述som神經(jīng)網(wǎng)絡(luò)方法得出的結(jié)果進行對比，整合適應(yīng)隨機數(shù)據(jù)的變量類型和特征。具體的供設(shè)置7-12維變量、10000-15000組隨機數(shù)模擬所述被評級企業(yè)的相關(guān)特征。

將步驟s2中所述標準格式的數(shù)據(jù)導入神經(jīng)網(wǎng)絡(luò)預測模型，其步驟包括：運用elman神經(jīng)網(wǎng)絡(luò)對所述標準格式的數(shù)據(jù)進行學習，制定神經(jīng)網(wǎng)絡(luò)預測模型。所述神經(jīng)網(wǎng)絡(luò)預測模型對所述被評級企業(yè)中的不含財務(wù)數(shù)據(jù)的所述標準格式數(shù)據(jù)進行分析。所述無財務(wù)數(shù)據(jù)就是不含財務(wù)數(shù)據(jù)評分的結(jié)果。信用評級的主要功能是評價企業(yè)承擔信用風險的能力以及目前企業(yè)真實的信用狀態(tài)，用于自我檢查或者外部的金融機構(gòu)評估是否予以投融資。

所述財務(wù)預警模型是對所述被評級企業(yè)標準數(shù)據(jù)中的財務(wù)類數(shù)據(jù)所設(shè)計的，評估所述被評級企業(yè)財務(wù)狀況指標，根據(jù)所述被評級企業(yè)所在的行業(yè)確立相應(yīng)的財務(wù)指標，配有不同的權(quán)重分配表，進行精且匹配；所述財務(wù)預警模型包括6個子模型，所述6個子模型能獨立分析，也能構(gòu)成模型組統(tǒng)一分析；所述6個子模型包括報表簡化子模型、財務(wù)比率子模型、資產(chǎn)劃分子模型、理論評價子模型、定性定量分析模型、純定量分析模型；不同子模型之間的指標選取側(cè)重不同，組合使用財務(wù)預警準確性高。所述6個自模型組成的模型組，根據(jù)不同財務(wù)模型算法得出各指標比率值，依據(jù)企業(yè)特征選取比例值群中適合的值特征進行分析。

s5：結(jié)果輸出環(huán)節(jié)，將所述數(shù)據(jù)建模分析后的結(jié)果數(shù)據(jù)進行輸出操作，根據(jù)所述標準格式的數(shù)據(jù)從不同模型分析出的不同維度的結(jié)果，將所述結(jié)果反饋在所述評級系統(tǒng)中，作為交叉驗證或者不同視角的評價，得到更為客觀的評級結(jié)果。

s6：報表生成環(huán)節(jié)，得出所述被評級企業(yè)的具體評級報表。

所述報表包括基本信息、貸款信息、非銀行信息、財務(wù)指標總得分、評級預估結(jié)果等；所述基本信息包括輿情信息，主要反應(yīng)社會上正面信息和負面信息程度。

以上所述僅為本發(fā)明的較佳實施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)，所做的任何修改、等同替換、改進等，均應(yīng)包含在本發(fā)明保護的范圍之內(nèi)。