一种企业信贷风险预警监测方法技术

本发明专利技术公开了一种企业信贷风险预警监测方法，包括：根据系统用户提供的企业客户名单，收集多方数据源，将这些提取出的关联数据采用删除无效数据和数据合并去重方式进行数据清洗，生成数据关联关系图，并重复进行关联挖掘；根据获取到的多个数据源，结合相关业务人员提供的评分卡模，判断满足风险触发条件的因子，计算主企业自身的风险分值；计算关联企业的关联影响因子，设置不同的风险转移权重衡量不同的关联关系的转移系数，根据计算关联企业的风险分值；将计算出的关联企业的风险分值加权到主企业的风险分值中，得出最终的风险分值；最后根据计算的风险分值采用力学图模型绘制关联关系图。本发明专利技术优化了关联关系图的展现形式，展示效果更好。

An early warning and monitoring method of enterprise credit risk

The invention discloses a method for monitoring the credit risk early warning system, including: according to the users of the enterprise customer lists, collecting data sources, these extracted related data by deleting invalid data and merge the data to carry on the data cleaning, data dependency graph, and repeated according to association mining; a data source to the related business personnel to provide the score card mode, the trigger conditions meet the risk factor, calculation of the main enterprise risk score; calculate the correlation effect of associated enterprises by setting different risk transfer, transfer coefficient weighting relationship different, according to the calculation of correlation enterprise risk score the risk score Weighted Association; enterprises will be calculated to the main business risk score, the final score; Finally, according to the calculated risk score, the mechanical diagram model is used to draw the correlation diagram. The invention optimizes the display form of the association graph, and displays the effect better.

【技术实现步骤摘要】
一种企业信贷风险预警监测方法
本专利技术涉及到信贷风险管控、风险预警领域，尤其涉及到一种企业信贷风险预警监测方法。
技术介绍
在目前银行业“重抵押轻信用”的大背景下，企业信贷风险不仅要考量企业自身的经营状况、信用情况等因素，还要考虑到企业的关联企业的风险状况，特别涉及担保关系的企业。而目前将关联企业的风险纳入整体风险考量的产品还很少，现有的产品大多只绘制关联图，而不计算关联企业的风险。不同的关联关系对于企业风险的传递不应相同，需要区别对待，设定不同的影响因子来计算传导的风险分值，展示关联关系图多采用力学图，而简单的力学图模型容易导致点与边杂糅在一起，可视性效果较差。
技术实现思路
针对现有技术存在的上述不足，本专利技术提供了一种企业信贷风险预警监测方法，本专利技术综合各方面数据源，纳入多种关联关系，并采用了一种新型的基于关系图的算法，计算每个关联企业对主企业的风险影响系数；改进关联关系图的布局算法，使其能自动“展开”，尽可能的减少点与边的重叠，优化可视性。为实现上述目的，本专利技术是根据以下技术方案实现的：一种企业信贷风险预警监测方法，其特征在于，包括如下步骤：步骤S1:根据系统用户提供的企业客户名单，收集多方数据源，将这些提取出的关联数据采用删除无效数据和数据合并去重的方式进行数据清洗，之后生成数据关联关系图，并重复进行关联挖掘；步骤S2:根据获取到的多个数据源的信息，结合相关业务人员提供的评分卡模，判断满足风险触发条件的因子，计算主企业自身的风险分值；步骤S3:计算关联企业的关联影响因子，设置不同的风险转移权重衡量不同的关联关系的转移系数，并根据上述步骤计算关联企业的风险分值；步骤S4:将计算出的关联企业的风险分值加权到主企业的风险分值中，得出最终的风险分值；步骤S5：最后根据计算的风险分值采用力学图模型绘制关联关系图。上述技术方案中，所述步骤S1中，所述数据源计算计算企业的信用风险情况，并提取出企业的关联企业的属性。上述技术方案中，所述关联企业的属性包括企业的法人、企业的股东、法人的投资企业、企业的担保以及被担保企业。上述技术方案中，在步骤S3中，定义企业或个人为主体S，主体Si与主体Sj之间的关系为R(Si，Sj)，包含n个主体的关联路径P的定义为P＝S1R(S1，S2)S2R(S2，S3)S3……Sn，其中S1为主企业，则R(P)＝R(S1，Sn)；Si距离S1比Si+1更近，从业务含义上看，与主企业更近的关联关系的影响要更大，即R(Si，Si+1)要比R(Si+1，Si+2)对S1的影响更大，设计一个加权函数，使得距离S1更远的关系的影响系数更小，经过多次试验，选择加权函数为这个函数在x＝1至x＝6的区间内取值分别为[0.9526,0.8808,0.7311,0.5,0.2689,0.1192]，将x＝1时的取值标准化后的加权函数为因此：最终计算公式如下：上述技术方案中，步骤S3中，对于关联企业Sk，先用深度优先遍历求出其到主企业S1的所有关联路径，假设总共有m条关联路径Pk1，Pk2，...，Pkm，那么关联企业到主企业的影响因子就是这m条关联路径中最大的影响因子，即：R(S1，Sk)＝max{R(Pk1)，R(Pk2)，...，R(Pkm)}。本专利技术与现有技术相比，具有如下有益效果：本专利技术针对不同的关联关系，设置不同的影响因子，同时设计了一种适合关联关系图的关联影响因子计算方式，使得对企业的风险考量更准确；本专利技术优化了关联关系图的展现形式，使得最终的展示效果更好。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，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它附图。图1为本专利技术的一种企业信贷风险预警监测方法的示意图；图2为通过本专利技术的监测方法的最终效果图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。图1为本专利技术的一种企业信贷风险预警监测方法的示意图。如图1所示，本专利技术的一种企业信贷风险预警监测方法，其特征在于，包括如下步骤：步骤S1:根据系统用户提供的企业客户名单，收集多方数据源，将这些提取出的关联数据采用删除无效数据和数据合并去重的方式进行数据清洗，之后生成数据关联关系图，并重复进行关联挖掘；其中具体地，由系统的用户提供一批企业客户名单，系统采用爬虫、购买数据源、结合行业内部数据等方式，获取多方数据源。数据源计算企业的信用风险情况，并提取出企业的关联企业的属性。关联企业的属性包括企业的法人、企业的股东、法人的投资企业、企业的担保以及被担保企业。之后需要将这些提取出的关联数据进行数据清洗，采用的手段包括：删除无效数据和数据合并去重。删除无效数据是由于部分数据源质量较差，有些数据在传输、存储或展示过程中会产生数据失真，导致数据不可用；数据合并去重则涉及到多个数据源的数据合并的问题，例如，A数据源和B数据源同时都提取出法人的关系，由于企业法人理论上只有一个人，那么如果A和B的法人不同，就需要根据不同数据源的可靠程度，选择最可信的数据作为最终的结果；同样的情况对于股东就不太一样，因为股东可能有很多人，因此需要将A和B的股东求并集。而在判断主体是否相同时又有特殊的处理，企业可能重名的情况极少，因此用企业名称判重问题不大，但是人就不一样，需要用身份证号判重。但是有些数据源又不提供身份证号，那么A数据源的股东张三和B数据源的股东张三是否为同一个人就无法确定，因此只能假定同一个企业的关联人员不会重名，认为他们是同一个人，再合并补充张三的信息。如此将数据清洗后，方能构成关联关系图，该图会随时更新并需要经常进行数据清洗。进行这样一次关联企业挖掘后，可以拓展最初的企业名单，因此可以对挖掘出的关联企业再重复进行关联挖掘，理论上只要最初的名单够多，可以穷举出全国所有的企业。但处于对计算量及信息价值的综合考量，本系统选择挖掘三层关联关系，即挖掘出第三层关联企业后不再继续进行关联挖掘。步骤S2:根据获取到的多个数据源的信息，结合相关业务人员提供的评分卡模，判断满足风险触发条件的因子，计算主企业自身的风险分值；步骤S3:计算关联企业的关联影响因子，设置不同的风险转移权重衡量不同的关联关系的转移系数，并根据上述步骤计算关联企业的风险分值；首先，定义关联关系和关联路径，其中关联关系指两个关联的企业间的关系，二者可能有直接的关联关系，也可能经由一个或多个第三方企业构成关联关系；关联路径是指从一个企业到另一个关联企业的关系链，关系链不仅包含关系，还包含企业对象，例如A—担保—B—投资—C，与A—担保—D—投资—E是两条不同的关联路径，但AC间与AE间的关联关系是一样的。不同的关联关系对于企业的影响是不同的，目前影响最大的关系可能就是担保与提供担保关系，例如：企业提供担保的关联企业出现风险状况而导致贷款逾期、欠息等情况，那么相应的风险就要转嫁到该企业身上；而比较弱的关系，例如企业的某个管理人员投资的关联企业，这样的关联企本文档来自技高网...

【技术保护点】
一种企业信贷风险预警监测方法，其特征在于，包括如下步骤：步骤S1:根据系统用户提供的企业客户名单，收集多方数据源，将这些提取出的关联数据采用删除无效数据和数据合并去重的方式进行数据清洗，之后生成数据关联关系图，并重复进行关联挖掘；步骤S2:根据获取到的多个数据源的信息，结合相关业务人员提供的评分卡模，判断满足风险触发条件的因子，计算主企业自身的风险分值；步骤S3:计算关联企业的关联影响因子，设置不同的风险转移权重衡量不同的关联关系的转移系数，并根据上述步骤计算关联企业的风险分值；步骤S4:将计算出的关联企业的风险分值加权到主企业的风险分值中，得出最终的风险分值；步骤S5：最后根据计算的风险分值采用力学图模型绘制关联关系图。

【技术特征摘要】
1.一种企业信贷风险预警监测方法，其特征在于，包括如下步骤：步骤S1:根据系统用户提供的企业客户名单，收集多方数据源，将这些提取出的关联数据采用删除无效数据和数据合并去重的方式进行数据清洗，之后生成数据关联关系图，并重复进行关联挖掘；步骤S2:根据获取到的多个数据源的信息，结合相关业务人员提供的评分卡模，判断满足风险触发条件的因子，计算主企业自身的风险分值；步骤S3:计算关联企业的关联影响因子，设置不同的风险转移权重衡量不同的关联关系的转移系数，并根据上述步骤计算关联企业的风险分值；步骤S4:将计算出的关联企业的风险分值加权到主企业的风险分值中，得出最终的风险分值；步骤S5：最后根据计算的风险分值采用力学图模型绘制关联关系图。2.根据权利要求1所述的一种企业信贷风险预警监测方法，其特征在于，所述步骤S1中，所述数据源计算企业的信用风险情况，并提取出企业的关联企业的属性。3.根据权利要求2所述的一种企业信贷风险预警监测方法，其特征在于，所述关联企业的属性包括企业的法人、企业的股东、法人的投资企业、企业的担保以及被担保企业。4.根据权利要求1所述的一种企业信贷风险预警监测方法，其特征在于，在所述步骤S3中，定义企业或个人为主体S，主体Si与主体Sj之间的关系为R(Si，Sj)，包含n个主体的关联路径P的定义为P＝S1R(S1，...

【专利技术属性】
技术研发人员：刘弈，
申请(专利权)人：兴业数字金融服务上海股份有限公司，
类型：发明
国别省市：上海,31