一种企业信用评估及信用传导方法及装置制造方法及图纸

本申请公开了一种企业信用评估及信用传导方法。从多种数据源获取企业数据，至少包含企业的持股数据。从一个或多个维度计算每一家企业的企业信用初始得分、实力、风险。构建每个企业的母公司和子公司关系图。计算表征所有子公司的正面形象的子公司加权实力、表征所有子公司的负面形象的子公司加权风险；将每一家企业的母公司和/或子公司的实力和/或风险在该企业的母公司和子公司关系图中按照条件进行传导，得到每一家企业的企业信用最终得分。本申请实现了母公司、子公司的实力、风险向本公司的传导，由此得到的企业信用评估分数更为精准地反映了企业的信用状况。

【技术实现步骤摘要】
一种企业信用评估及信用传导方法及装置
本申请涉及一种数据挖掘方法，特别是涉及一种利用多种数据源（企业工商数据、舆情数据、年报数据等）综合评估企业信用并将企业信用在企业间传导的数据挖掘方法。
技术介绍
数据挖掘（datamining）是指从大量的数据中通过算法搜索隐藏于其中信息的过程。数据挖掘通常与计算机科学有关，并通过统计、在线分析处理、情报检索、机器学习、专家系统（依靠过去的经验法则）和模式识别等诸多方法来实现上述目标。企业工商数据是指企业在申请登记时向国家工商行政管理局提交的相关企业信息，主要包括企业名称、企业股东及出资比例（即股东的基本情况，如名称或者姓名、出资占比）、企业高管信息（董事、法人等）、企业地址信息、企业注册资本等。舆情数据是指在民众对社会管理者、企业、个人及其他各类组织及其政治、社会、道德等方面的取向产生和持有的社会态度的舆论情况的数据。年报数据是每年出版一次的定期刊物，又称年刊；例如包括上市公司的年度财务报表等。图论（graphtheory）是数学的一个分支，它以图（graph）为研究对象。图论中的图是由若干给定的节点（也称顶点、点、vertice、node或point）及连接两点的边（也称线、edge、arc或line）所构成的图形，这种图形通常用来描述某些事物之间的某种特定关系，用节点代表事物，用边表示相应两个事物间具有某种关系。图挖掘（GraphMining）是指利用图模型从海量数据中发现和提取有用知识和信息的过程。通过图挖掘所获取的知识和信息已广泛应用于各种领域，如商务管理、市场分析、生产控制、科学探索和工程设计。线性模型是指在给定有多个属性描述的示例的情况下，试图学得一个通过属性的线性组合来进行预测的函数。许多功能强大的非线性模型可以在线性模型的基础上通过引入层级结构或高维映射而得。现有的企业信用评估方法存在如下问题。第一，评估中考虑维度不全面，一些确实影响企业信用的因素没有被纳入考虑范畴，导致信用评分不能完全反应企业信用的好坏。第二，企业评分自身体系得出来的分数虽然准确，但是和人的直觉有偏差。第三，在评估企业信用时，只会孤立的评估一家企业而没有考虑它的控股企业和持股企业，导致某些实际企业信用十分差的空壳公司的企业评分会很高。即使有考虑到股权投资的因素，股东的二度、三度等更深层次投资关系也没被考虑到。
技术实现思路
本申请所要解决的技术问题是提供一种企业信用评估方法，其中母公司和子公司的信用状况会影响到本公司的信用分数即信用会传导。为解决上述技术问题，本申请提出了一种企业信用评估及信用传导方法，包括如下步骤。步骤S1：从多种数据源获取企业数据，至少包含企业的持股数据。步骤S2：从一个或多个维度计算每一家企业的企业信用初始得分；每个维度下面包含一项或多项指标；表征企业正面形象的维度及其中指标的得分为正数，这些维度得分的总和为企业的实力；表征企业负面形象的维度及其中指标的得分为负数，这些维度得分的总和为企业的风险。步骤S3：构建每个企业的母公司和子公司关系图，确定每一家企业的子公司和母公司。步骤S4：计算表征所有子公司的正面形象的子公司加权实力、表征所有子公司的负面形象的子公司加权风险；将每一家企业的母公司和/或子公司的实力和/或风险在该企业的母公司和子公司关系图中按照下面的条件进行传导，得到每一家企业的企业信用最终得分。当子公司加权实力＞本公司的实力时，子公司的实力向本公司传导；否则不传导。当子公司加权风险的绝对值＞本公司的风险的绝对值时，子公司的风险向本公司传导；否则不传导。当母公司实力＞本公司的实力时，母公司的实力向本公司传导；否则不传导。当母公司风险的绝对值＞本公司的风险的绝对值时，母公司的风险向本公司传导；否则不传导。上述方法实现了母公司、子公司的实力、风险向本公司的传导，由此得到的企业信用评估分数更为精准地反映了企业的信用状况。进一步地，所述步骤S1中，多种数据源包括企业工商数据、舆情数据、年报数据的任一种或多种。可选地，所述步骤S1中，在获取企业数据后还包括处理脏数据；脏数据是指源系统中的数据不在给定的范围内或对于实际业务毫无意义，或是数据格式非法，以及在源系统中存在不规范的编码和含糊的业务逻辑；脏数据的处理方式为下面任一种；第一种是基于统计学和机器学习方式剔除脏数据使其不参与模型计算；第二种是人为纠正，纠正后的数据进入模型参与计算。可选地，所述步骤S1中，在获取企业数据后还包括处理缺失数据；缺失数据的处理方式为下面任一种；第一种是直接剔除缺失数据不进入模型计算；第二种是根据业务含义为缺失数据补充数据。进一步地，所述步骤S2中，所述维度包括如下一种或多种：成长性、知识产权、企业规模、风险状况、经营质量、资本背景；只有风险状况维度及其中的指标得分是负数，其余维度及其中的指标得分均是正数。进一步地，所述步骤S2进一步包括如下子步骤。子步骤S21：计算每一家企业在每一项指标上的得分。子步骤S22：计算每一家企业在每个维度上的得分。子步骤S23：计算每一家企业的企业信用初始得分。进一步地，所述子步骤S21或者采用排序得分法，即在一级行业或者二级行业内对某一指标排序，根据排序后的排名按照所在分位数为每一家企业的该项指标评分；或者采用条件得分法，即企业的某一指标满足指定条件为该企业给予对应得分。进一步地，所述排序得分法中，为每一家企业查询该企业所在的二级行业，当二级行业内企业数量低于阈值时，将该项指标在一级行业内排序；否则均在该企业所在二级行业内为该项指标进行排序。进一步地，所述子步骤S22是将每一家企业在每个维度下的所有指标得分与该指标的权重相乘后求和，得到该企业在每个维度上的分数。进一步地，所述子步骤S23或者对每一家企业的所有维度的分数求和之后记为x，再经过函数y=f(x)得到y；或者将每一家企业的每个维度得分与该维度的权重相乘后求和，记为x，再经过函数y=f(x)得到y；y为每一家企业的企业信用初始得分；f(x)为单调递增函数。进一步地，所述步骤S3中，所述企业的母公司和子公司关系图是指以每家企业的id作为企业节点，以每家企业中高管人员的id作为人节点、企业和人之间的控股关系作为企业节点和人节点之间的边、企业和企业之间的控股关系作为企业节点和企业节点之间的边所构建的图，对于每一家企业挖掘它的向上和向下的多层股权穿透关系。进一步地，所述步骤S3中，在初始图中对每一家企业向上、向下最多挖掘6层股权穿透关系从而找到该企业的母公司和子公司后，形成该企业的母公司和子公司关系图，并将该股权穿透关系存入股权穿透关系表中。进一步地，所述步骤S4进一步包括如下子步骤。子步骤S41：将本公司向上穿透一层或多层且持股比例超过50%的企业作为母公司，将本公司向下穿透一层或六层且股权穿透后持股比例超过50%的企业作为子公司。子步骤S42：计算表征本公司的所有子公司的正面得分的子公司加权实力Sz、表征本公司的所有子公司的负面得分的子公司加本文档来自技高网...

【技术保护点】
1.一种企业信用评估及信用传导方法，其特征是，包括如下步骤；/n步骤S1：从多种数据源获取企业数据，至少包含企业的持股数据；/n步骤S2：从一个或多个维度计算每一家企业的企业信用初始得分；每个维度下面包含一项或多项指标；表征企业正面形象的维度及其中指标的得分为正数，这些维度得分的总和为企业的实力；表征企业负面形象的维度及其中指标的得分为负数，这些维度得分的总和为企业的风险；/n步骤S3：构建每个企业的母公司和子公司关系图，确定每一家企业的子公司和母公司；/n步骤S4：计算表征所有子公司的正面形象的子公司加权实力、表征所有子公司的负面形象的子公司加权风险；将每一家企业的母公司和/或子公司的实力和/或风险在该企业的母公司和子公司关系图中按照下面的条件进行传导，得到每一家企业的企业信用最终得分；/n当子公司加权实力＞本公司的实力时，子公司的实力向本公司传导；否则不传导；/n当子公司加权风险的绝对值＞本公司的风险的绝对值时，子公司的风险向本公司传导；否则不传导；/n当母公司实力＞本公司的实力时，母公司的实力向本公司传导；否则不传导；/n当母公司风险的绝对值＞本公司的风险的绝对值时，母公司的风险向本公司传导；否则不传导。/n...

【技术特征摘要】
1.一种企业信用评估及信用传导方法，其特征是，包括如下步骤；
步骤S1：从多种数据源获取企业数据，至少包含企业的持股数据；
步骤S2：从一个或多个维度计算每一家企业的企业信用初始得分；每个维度下面包含一项或多项指标；表征企业正面形象的维度及其中指标的得分为正数，这些维度得分的总和为企业的实力；表征企业负面形象的维度及其中指标的得分为负数，这些维度得分的总和为企业的风险；
步骤S3：构建每个企业的母公司和子公司关系图，确定每一家企业的子公司和母公司；
步骤S4：计算表征所有子公司的正面形象的子公司加权实力、表征所有子公司的负面形象的子公司加权风险；将每一家企业的母公司和/或子公司的实力和/或风险在该企业的母公司和子公司关系图中按照下面的条件进行传导，得到每一家企业的企业信用最终得分；
当子公司加权实力＞本公司的实力时，子公司的实力向本公司传导；否则不传导；
当子公司加权风险的绝对值＞本公司的风险的绝对值时，子公司的风险向本公司传导；否则不传导；
当母公司实力＞本公司的实力时，母公司的实力向本公司传导；否则不传导；
当母公司风险的绝对值＞本公司的风险的绝对值时，母公司的风险向本公司传导；否则不传导。


2.根据权利要求1所述的企业信用评估及信用传导方法，其特征是，所述步骤S1中，多种数据源包括企业工商数据、舆情数据、年报数据的任一种或多种。


3.根据权利要求1所述的企业信用评估及信用传导方法，其特征是，所述步骤S1中，在获取企业数据后还包括处理脏数据；脏数据是指源系统中的数据不在给定的范围内或对于实际业务毫无意义，或是数据格式非法，以及在源系统中存在不规范的编码和含糊的业务逻辑；脏数据的处理方式为下面任一种；第一种是基于统计学和机器学习方式剔除脏数据使其不参与模型计算；第二种是人为纠正，纠正后的数据进入模型参与计算。


4.根据权利要求1所述的企业信用评估及信用传导方法，其特征是，所述步骤S1中，在获取企业数据后还包括处理缺失数据；缺失数据的处理方式为下面任一种；第一种是直接剔除缺失数据不进入模型计算；第二种是根据业务含义为缺失数据补充数据。


5.根据权利要求1所述的企业信用评估及信用传导方法，其特征是，所述步骤S2中，所述维度包括如下一种或多种：成长性、知识产权、企业规模、风险状况、经营质量、资本背景；只有风险状况维度及其中的指标得分是负数，其余维度及其中的指标得分均是正数。


6.根据权利要求1所述的企业信用评估及信用传导方法，其特征是，所述步骤S2进一步包括如下子步骤；
子步骤S21：计算每一家企业在每一项指标上的得分；
子步骤S22：计算每一家企业在每个维度上的得分；
子步骤S23：计算每一家企业的企业信用初始得分。


7.根据权利要求6所述的企业信用评估及信用传导方法，其特征是，所述子步骤S21或者采用排序得分法，即在一级行业或者二级行业内对某一指标排序，根据排序后的排名按照所在分位数为每一家企业的该项指标评分；或者采用条件得分法，即企业的某一指标满足指定条件为该企业给予对应得分。


8.根据权利要求7所述的企业信用评估及信用传导方法，其特征是，所述排序得分法中，为每一家企业查询该企业所在的二级行业，当二级行业内企业数量低于阈值时，将该项指标在一级行业内排序；否则均在该企业所在二级行业内为该项指标进行排序。


9.根据权利要求6所述的企业信用评估及信用传导方法，其特征是，所述子步骤S22是将每一家企业在每个维度下的所有指标得分与该指标的权重相乘后求和，得到该企业在每个维度上的分数。


10.根据权利要求6所述的企业信用评估及信用传导方法，其特征是，所述子步骤S23或者对每一家企业的所有维度的分数求和之后记为x，再经过函数y=f(x)得到y；或者将每一家企业的每个维度得分与该维度的权重相乘后求和，记为x，再经过函数y=f(x)得到y；y为每一家企业的企业信用初始得分；f(x)为单调递增函数。


11.根据权利要求1所述的企业信用评估及信用传导方法，其特征是，所述步骤S3中，所述企业的母公司和子公司关系图是指以每家企业的id作为企业节点，以每家企业中高管人员的i...

【专利技术属性】
技术研发人员：陈涛，季伟桐，丁凯，张彬，陈青山，龙腾，
申请(专利权)人：上海生腾数据科技有限公司，上海合合信息科技股份有限公司，上海临冠数据科技有限公司，上海盈五蓄数据科技有限公司，
类型：发明
国别省市：上海;31