基于指标监测的企业风险评估模型的风险指标定位方法

技术领域

本公开涉及数据处理技术领域，尤其涉及一种基于指标监测的企业风险评估模型的风险指标定位方法及装置。

背景技术

企业风险评估模型的风险指标定位是企业风险管理的重要组成部分。它可以全面获取企业内、外部信息，深刻了解市场环境和竞争态势，丰富风险评估依据，提高风险预警水平，确保企业经营风险的有效控制。指标监测，可以对影响企业运营的各种因素进行分析和评估，形成清晰的指标监测体系。

因而，如何对企业风险评估模型进行可靠有效的指标监测以及有效的风险定位，进而帮助企业制定相应的风险控制策略，保障企业业务安全和稳定发展，是目前亟需解决的问题。

发明内容

本公开旨在至少在一定程度上解决相关技术中的技术问题之一。

本公开第一方面实施例提出了一种基于指标监测的企业风险评估模型的风险指标定位方法，包括：

获取多个风险指标对应的参考特征值集和验证特征值集，其中，所述参考特征值集和验证特征值集分别包括多家企业与历史时期对应的第一风险指标特征值和与当前时期对应的第二风险指标特征值；所述多个风险指标包括不良资产率、逾期率、风险项目比率、项目正常兑付率、穿仓业务比率、表外表内风险传导率、关联交易比率、单一客户、流动比率、被监管处罚次数和被诉案件新增件数中的多种；

对每个所述风险指标对应的所述多家企业进行分组，以得到与所述参考特征值集对应的多个第一组，及与所述验证特征值集对应的多个第二组；根据所述多家企业在每个所述第一组中的分布，以及在每个所述第二组中的分布，计算与每个所述风险指标对应的第一稳定指标值；

将所述第一稳定指标值小于预设阈值的所述风险指标作为目标指标以构建企业风险评估模型，响应于构建的企业风险评估模型，以根据多家企业在历史时间段的第一风险评估得分和当前时间段的第二风险评估得分，计算每个所述风险指标对应的第二稳定指标值；其中，所述企业风险评估模型是基于对BP神经网络模型的训练得到的；所述第一风险评估得分和所述第二风险评估得分是通过基于层次分析法计算得出各个风险指标所占的指标权重计算得到的；

基于所述第三稳定指标对引起模型不稳定的所述风险指标进行定位，并基于指标定位结果和修正系数对所述企业风险评估模型的模型参数进行迭代修正以得到修正后的企业风险评估模型。

本公开第二方面实施例提出了一种基于指标监测的企业风险评估模型的风险指标定位装置，包括：

风险数据获取模块，用于获取多个风险指标对应的参考特征值集和验证特征值集，其中，所述参考特征值集和验证特征值集分别包括多家企业与历史时期对应的第一风险指标特征值和与当前时期对应的第二风险指标特征值；所述多个风险指标包括不良资产率、逾期率、风险项目比率、项目正常兑付率、穿仓业务比率、表外表内风险传导率、关联交易比率、单一客户、流动比率、被监管处罚次数和被诉案件新增件数中的多种；

指标值计算模块，用于对每个所述风险指标对应的所述多家企业进行分组，以得到与所述参考特征值集对应的多个第一组，及与所述验证特征值集对应的多个第二组；根据所述多家企业在每个所述第一组中的分布，以及在每个所述第二组中的分布，计算与每个所述风险指标对应的第一稳定指标值；

模型构建响应计算模块，用于将所述第一稳定指标值小于预设阈值的所述风险指标作为目标指标以构建企业风险评估模型，响应于构建的企业风险评估模型，以根据多家企业在历史时间段的第一风险评估得分和当前时间段的第二风险评估得分，计算每个所述风险指标对应的第二稳定指标值；其中，所述企业风险评估模型是基于对BP神经网络模型的训练得到的；所述第一风险评估得分和所述第二风险评估得分是通过基于层次分析法计算得出各个风险指标所占的指标权重计算得到的；

指标定位模型修正模块，用于基于所述第三稳定指标对引起模型不稳定的所述风险指标进行定位，并基于指标定位结果和修正系数对所述企业风险评估模型的模型参数进行迭代修正以得到修正后的企业风险评估模型。

本公开第三方面实施例提出了一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如本公开第一方面实施例提出的基于指标监测的企业风险评估模型的风险指标定位方法。

本公开第四方面实施例提出了一种非临时性计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现如本公开第一方面实施例提出的基于指标监测的企业风险评估模型的风险指标定位方法。

本公开提供的基于指标监测的企业风险评估模型的风险指标定位方法、装置、设备及存储介质，存在如下有益效果：

本公开实施例中，获取多个风险指标对应的参考特征值集和验证特征值集，其中，所述参考特征值集和验证特征值集分别包括多家企业与历史时期对应的第一风险指标特征值和与当前时期对应的第二风险指标特征值；所述多个风险指标包括不良资产率、逾期率、风险项目比率、项目正常兑付率、穿仓业务比率、表外表内风险传导率、关联交易比率、单一客户、流动比率、被监管处罚次数和被诉案件新增件数中的多种；对每个所述风险指标对应的所述多家企业进行分组，以得到与所述参考特征值集对应的多个第一组，及与所述验证特征值集对应的多个第二组；根据所述多家企业在每个所述第一组中的分布，以及在每个所述第二组中的分布，计算与每个所述风险指标对应的第一稳定指标值；将所述第一稳定指标值小于预设阈值的所述风险指标作为目标指标以构建企业风险评估模型，响应于构建的企业风险评估模型，以根据多家企业在历史时间段的第一风险评估得分和当前时间段的第二风险评估得分，计算每个所述风险指标对应的第二稳定指标值；其中，所述企业风险评估模型是基于对BP神经网络模型的训练得到的；所述第一风险评估得分和所述第二风险评估得分是通过基于层次分析法计算得出各个风险指标所占的指标权重计算得到的；基于所述第三稳定指标对引起模型不稳定的所述风险指标进行定位，并基于指标定位结果和修正系数对所述企业风险评估模型的模型参数进行迭代修正以得到修正后的企业风险评估模型。由此，可以全面、多角度地检验企业风险评估模型的各个风险指标的稳定性，为企业提供更加准确、可靠的风险评估和决策支持。

本公开附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本公开的实践了解到。

附图说明

本公开上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为本公开实施例所提供的一种基于指标监测的企业风险评估模型的风险指标定位方法的流程示意图；

图2为本公开实施例所提供的另一种基于指标监测的企业风险评估模型的风险指标定位方法的流程示意图；

图3为本公开实施例所提供的又一种基于指标监测的企业风险评估模型的风险指标定位方法的流程示意图；

图4为本公开实施例所提供的一种基于指标监测的企业风险评估模型的风险指标定位装置的结构框图；

图5示出了适于用来实现本公开实施方式的示例性计算机设备的框图。

具体实施方式

下面详细描述本公开的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本公开，而不能理解为对本公开的限制。

下面参考附图描述本公开实施例的基于指标监测的企业风险评估模型的风险指标定位方法、装置、计算机设备和存储介质。

企业风险评估模型是对企业内部和外部存在风险进行量化分析，建立风险分级和预防控制机制的一种管理工具。该模型旨在帮助企业及时识别重要风险事件，并制定相应的风险控制策略，从而保障企业业务安全和稳定发展。为了保证企业风险评估模型的有效性和实用性，必须对模型中的关键指标进行监测和量化评估。如此可以追踪指标变化趋势，预测潜在风险并采取相应的应对措施，以确保企业安全、可持续的运营。

需要说明的是，本公开实施例中的基于指标监测的企业风险评估模型的风险指标定位方法的执行主体为基于指标监测的企业风险评估模型的风险指标定位装置，该装置可以由软件和/或硬件的方式实现，该装置可以配置在任意电子设备中。在本公开提出的场景中，下面将以“基于指标监测的企业风险评估模型的风险指标定位装置”作为执行主体对本公开实施例中提出的基于指标监测的企业风险评估模型的风险指标定位方法进行说明，在此不进行限定。

图1为本公开实施例所提供的基于指标监测的企业风险评估模型的风险指标定位方法的流程示意图。

如图1所示，该基于指标监测的企业风险评估模型的风险指标定位方法可以包括以下步骤：

步骤101，获取多个风险指标对应的参考特征值集和验证特征值集，其中，所述参考特征值集和验证特征值集分别包括多家企业与历史时期对应的第一风险指标特征值和与当前时期对应的第二风险指标特征值；所述多个风险指标包括不良资产率、逾期率、风险项目比率、项目正常兑付率、穿仓业务比率、表外表内风险传导率、关联交易比率、单一客户、流动比率、被监管处罚次数和被诉案件新增件数中的多种。

其中，第一风险指标特征值是指历史时期对应的风险指标的特征值。

其中，第二风险指标特征值是指与当前时期对应的风险指标的特征值。

其中，历史时期可以为过往三年，过往两年，在此不做限定。

其中，风险指标可以为不良资产率、逾期率、风险项目比率、项目正常兑付率、穿仓业务比率、表外表内风险传导率、关联交易比率、单一客户集中度、流动比率、被监管处罚次数、被诉案件新增件数等等，在此不做限定。

举例来说，若风险指标为不良资产率，则第一风险指标特征值可以为80％，第二风险指标特征值为75％，则说明不良资产率有所下降。

其中，参考特征值集是由历史数据组成的特征值集合，验证特征值集是由当前数据组成的特征值集合。

步骤102，对每个风险指标对应的多家企业进行分组，以得到与参考特征值集对应的多个第一组，及与验证特征值集对应的多个第二组；根据多家企业在每个第一组中的分布，以及在每个第二组中的分布，计算与每个风险指标对应的第一稳定指标值。

本实施例中，对每个风险指标对应的多家企业进行分组，以得到与参考特征值集对应的多个第一组，及与验证特征值集对应的多个第二组。

需要说明的是，不良资产率用于监测平台企业管理的资产质量情况。计算公式为：不良资产比率＝期末不良资产本金余额/期末资产余额。以10分为基准分，按照以下标准扣减：

1.属于红区(即不良资产率≥2％)；

2.属于黄区(即不良资产率1％～2％)；

3.属于绿区(即不良资产率0～1％)。

逾期率用于监测平台企业对外融资款项按期偿还情况。计算公式为：逾期率＝期末逾期90天以上的融资余额/期末全部融资余额。以10分为基准分，按照以下标准扣减：

1.属于红区(即逾期率≥8％)；

2.属于黄区(即逾期率5％～8％)。

3.属于绿区(即逾期率0～5％)。

风险项目比率用于监测平台企业管理的信托资产情况。计算公式为：风险项目比率＝期末自主管理类信托风险项目本金余额/期末自主管理类信托规模余额。以10分为基准分，按照以下标准扣减：

1.属于红区(即风险项目比率≥2％)；

2.属于黄区(即风险项目比率1％～2％)。

3.属于绿区(即风险项目比率0～1％)。

项目正常兑付率用于监测平台企业管理的项目正常兑付情况。计算公式为：项目正常兑付率＝实际兑付金额/应兑付金额(其中兑付金额指主动管理类项目应支付的利息、本金、股权收益、股权原始投资等，投资方与资金使用方协商一致同意延迟支付的除外)，以10分为基准分，按照以下标准扣减：

1.属于红区(即项目正常兑付率≤98％)；

2.属于黄区(即项目正常兑付率＞98％)。

3.属于绿区(即项目正常兑付率98％～100％)。

穿仓业务比率用于监测平台企业穿仓业务情况。计算公式为：穿仓业务比率＝穿仓金额/日均客户权益。以20分为基准分，按照以下标准扣减："

1.属于红区(即穿仓业务比率≥2％)；

2.属于黄区(即穿仓业务比率1％～2％)；

3.属于绿区(即穿仓业务比率～1％)。

表外表内风险传导率：监测平台企业表外表内风险传导情况。计算公式为：表外表内风险传导率＝表外风险承担额/实收资本。以10分为基准分，按照以下标准扣减：

1.属于红区(即表外表内风险传导率≥3％)；

2.属于黄区(即表外表内风险传导率2％～3％)；

3.属于绿区(即表外表内风险传导率0～2％)。

关联交易比率：监测平台企业关联交易管理情况。计算公式为：关联交易风险＝受让以其关联企业为债务人的应收账款/风险资产总额。以10分为基准分，按照以下标准扣减：

1.属于红区(即关联交易比率≥50％)；

2.属于黄区(即关联交易比率45％～50％)；

3.属于绿区(即关联交易比率0～45％)。

单一客户(集团外)集中度用于监测平台企业集中度管理情况。计算公式为：最大单一客户集中度＝最大单一承租人的全部融资租赁业务余额/资本净额。以10分为基准分，按照以下标准扣减：

1.属于红区(即单一客户集中度≥30％)；

2.属于黄区(即单一客户集中度25％～30％)；

3.属于绿区(即单一客户集中度0～25％)。

流动比率用于监测平台企业流动性风险管理情况。计算公式为：流动比率＝流动资余额产/流动负债余额。以10分为基准分，按照以下标准扣减：

1.属于红区(即流动比率≤25％)；

2.属于黄区(即流动比率25％～28％)；

3.属于绿区(即流动比率大于28％)。

被监管处罚新增次数用于监测平台企业新增被监管部门处罚情况。平台企业当年被行业监管部门或财政、审计、工商、税务等部门处罚的次数。以5分为基准分，按照以下标准扣减：

1.属于红区(即被监管处罚新增次数≥2)；

2.属于黄区(即被监管处罚新增次数≥1)；

3.属于绿区(即被监管处罚新增次数为零)。

被诉案件新增件数用于监测平台企业新增被诉案件情况。平台企业当年新发生的作为被告或无独立请求权第三人的诉讼案件、作为被申请人的仲裁案件以及平台企业被申请追加为被执行人的执行案件。以5分为基准分，按照以下标准扣减：

1.属于红区(即被诉案件新增件数≥2)；

2.属于黄区(即被诉案件新增件数≥1)；

3.属于绿区(即被诉案件新增件数为零)。

上述的各个风险指标可以根据对应的标准计算对应的评分，风险指标还有很多，在此不进行赘述。

需要说明的是，可以根据多个企业在历史时期的各个风险指标对应的特征值，判断其所属的区(比如红区、黄区或者绿区)。

其中，若任一企业没有该项风险指标，则可以将该企业划分为蓝区。

进一步的，可以对各个企业进行分组，比如现在监测的企业有240家，其中，对于风险指标A，有40家企业位于红区，有100家企业位于黄区、有66家企业位于绿区，有34家企业位于蓝区。

因而对于风险指标A，可以将位于红区的40家企业作为1组，将位于黄区的100家企业作为2组，将位于绿区的66家企业作为3组，将位于蓝区的34家企业作为4组。

可以理解的是，可以对每个风险指标均按照上述方式，分别根据历史时期对应的数据进行分组，以及根据当前时期对应的数据进行分组。

本实施例中，，根据多家企业在每个第一组中的分布，以及在每个第二组中的分布，计算与每个风险指标对应的第一稳定指标值。

其中，第一稳定指标值可以为多家企业对应的群体稳定性指标(PopulationStability Index,PSI)。

需要说明的是，根据多家企业在每个第一组中的分布，以及在每个第二组中的分布，可以计算出风险指标在每个第一组对应的第一占比和每个第二组对应的第二占比。其中，第一占比可以为第一风险指标特征值满足第一组的条件的企业数量在各个企业中的总数量的比值。第一占比可以为第二风险指标特征值满足第二组的条件的企业数量在各个企业中的总数量的比值。

具体的计算公式可以为：

其中，psi即为第一稳定指标值，n为风险指标的对应的组的个数，Ai为风险指标在第i个组所对应的第一占比，Ei为风险指标在第i个组对应的第二占比。

步骤103，将第一稳定指标值小于预设阈值的所述风险指标作为目标指标以构建企业风险评估模型，响应于构建的企业风险评估模型，以根据多家企业在历史时间段的第一风险评估得分和当前时间段的第二风险评估得分，计算每个风险指标对应的第二稳定指标值；其中企业风险评估模型是基于对BP神经网络模型的训练得到的；第一风险评估得分和第二风险评估得分是通过基于层次分析法计算得出各个风险指标所占的指标权重计算得到的。

其中，目标指标用于表征稳定性比较好的指标。

本公开实施例中，预设阈值可以为第一稳定指标值的阈值，比如可以为0.1。可以理解的是，可以将各个风险指标中第一稳定指标值小于0.1的风险指标作为可用的指标，也即目标指标。

可选的，可以将第一稳定指标值处于预设区间的指标作为观测指标，可以理解的是，观测指标的稳定性为比较一般的指标，因而可以对其进行观察和候选。其中，预设区间可以为[0.1，0.25]。

可选的，可以将第一稳定指标值大于0.25的风险指标进行舍弃，该风险指标的稳定性较差。

其中，目标指标为可以用于逻辑回归模型的指标，进行建模，可以构建用于对企业进行评价的企业风险评估模型。

可以知道的是，对企业进行风险评估时，通常采用专家打分的方法。本例中结合实际情况，在实际工作中对企业进行全面风险评估，需要组织大量的业务专家才能保证风险评价的结果，但在实际情况中，无法做到较高频次的大规模集中评鉴。

本实施例中，采用BP神经网络模型来模拟专家打分。首先，收集历史上开展过的全面风险评估结果，作为BP神经网络模型的训练数据，反复训练直到训练结果满足风险评价要求。训练好的网络只需要业务专家对该企业给出各个风险指标值，即可得出该企业的综合风险水平。

其中，表1为各个风险指标对总目标的判断矩阵，由层次分析法计算得出各个质标所占指标权重。

表1

本实施例中，为规范打分区间，将采集的专家打分范围为0到1，其风险分级为[0,0.25]高风险；(0.25,0.45]风险较高；(0.45,0.7]风险一般；(0.7,0.85]风险较低；(0.85,1]低风险。利用上述得到的指标权重，本例中共采集40组历史数据，计算专家评分。由此，可以计算得到上述的第一风险评估得分和第二风险评估得分。

本实施例中，将目标指标的第一部分为32组数据，对BP神经网络进行训练，学习精度为0.0001，训练次数为200次。对应指标建立一个11个输入节点，5个隐藏节点以及1个输出节点的BP神经网络，当网络的误差小于收敛误差(第一误差阈值)时运算停止，并保存网络参数值。其中，网络训练使用的传递函数为：

本实施例中，对模型结果进行验证：模型训练结果中，可以对比神经网络得到的输出值与期望输出之间的差值，并计算误差，其中约定误差不超过(第二误差阈值)3％，训练的模型可用。

根据多家企业在历史时间段的第一风险评估得分和当前时间段的第二风险评估得分，计算每个所述风险指标对应的第二稳定指标值。

步骤104，基于第二稳定指标值对引起模型不稳定的风险指标进行定位，并基于指标定位结果和修正系数对企业风险评估模型的模型参数进行迭代修正以得到修正后的企业风险评估模型。

本实施例中，重点关注每连续两个月之间各个指标得分的波动性，以及模型评分结果集的波动性，并生成模型监控报表，从而对模型整体的波动性进行评价监测，一旦发现模型稳定性出现较大波动，能够及时定位原因，基于修正系数对模型进行迭代修正。

本实施例中，在psi指标结果之上乘以修正系数，该修正系数计算方式为(指标数量-1)/(指标数量-分区数量-1)，即在固定分区数量的模型中，并不是指标数越多模型越稳定，需要在指标数增加的同时psi也会随之增大，降低稳定性，从而约束模型整体采用的指标数量。

本公开实施例中，首先获取多个风险指标对应的参考特征值集和验证特征值集，其中，参考特征值集和验证特征值集分别包括多家企业与历史时期对应的第一风险指标特征值和与当前时期对应的第二风险指标特征值，然后对每个所述风险指标对应的多家企业进行分组，以得到与参考特征值集对应的多个第一组，及与验证特征值集对应的多个第二组，其中，第一组和第二组的数量相同，之后根据多家企业在每个第一组中的分布，以及在每个第二组中的分布，计算与每个风险指标对应的第一稳定指标值，然后将多个风险指标中对应的第一稳定指标值小于预设阈值的所述风险指标作为目标指标，其中，目标指标用于构建用于对企业进行评价的企业风险评估模型。由此，可以全面、多角度地检验企业风险评估模型的各个风险指标的稳定性，为企业提供更加准确、可靠的风险评估和决策支持。

图2为本公开实施例所提供的基于指标监测的企业风险评估模型的风险指标定位方法的流程示意图。

如图2所示，该基于指标监测的企业风险评估模型的风险指标定位方法可以包括以下步骤：

步骤201，获取所述多个风险指标分别对应的历史样本数据和当前样本数据，所述历史样本数据中包含所述多家企业与所述历史时期对应的样本数据，所述当前样本数据中包含所述多家企业与所述当前时期对应的样本数据。

其中，历史样本数据中可以包含有历史时期获取的与风险指标相关的各个类型的样本数据。其中，样本数据可以是企业数据，比如组织职责体系指标，制度流程体系量化指标，监测预警体系量化指标，风险内部评价体系量化指标、风险化解体系量化指标、财务指标、风险项目比率指标、资产分类指标。

其中，企业样本数据中包含多个控管企业与多个风险指标对应的样本数据，其可以是来自各个控管企业的公司章程、董事会议事规则、首席风险官制度、风险管理部部门职责说明书、风险管理岗岗位职责说明书、风险管理制度体系架构、风险管理制度文件、制度升版计划、制度修订记录、风险预警制度、风险预警指标体系、风险评价报告、工作底稿、风险提示函或整改意见书、项目台账、财务报表、风险化解制度、风险化解台账等等，在此不做限定。

其中，当前样本数据中包含所述多家企业与所述当前时期对应的样本数据，比如当前一年的样本数据。

步骤202，按照与每个所述风险指标对应的计算公式，分别对所述历史样本数据和所述当前样本数据进行计算，以得到所述第一风险指标特征值和所述第二风险指标特征值。

具体的，风险指标例如不良资产率，用于监测平台企业管理的资产质量情况。计算公式为：不良资产比率＝期末不良资产本金余额/期末资产余额。

风险指标例如逾期率，用于监测平台企业对外融资款项按期偿还情况。计算公式为：逾期率＝期末逾期90天以上的融资余额/期末全部融资余额。

风险指标例如风险项目比率，用于监测平台企业管理的信托资产情况。计算公式为：风险项目比率＝期末自主管理类信托风险项目本金余额/期末自主管理类信托规模余额。

需要说明的是，风险指标有很多，在此不做限定。

需要说明的是，可以根据历史样本数据对不良资产率进行计算，从而获取不良资产率的第一风险指标特征值，利用当前样本数据对不良资产率进行计算，从而获取不良资产率的第二风险指标特征值。同理，其他风险指标也可以按照上述方式进行计算。

步骤203，根据每个风险指标对应的多个第一风险指标特征值，以及预设的多个划分界限值，将多家企业划分为与风险指标对应的多个第一组。

其中，每个所述风险指标有对应的多个所述划分界限值。

具体的，不同的风险指标对应的划分界限值也是不相同的。

比如说，流动比率对应的划分界限值可以为25％和28％，进而可以将≤25％的企业分为A组，将流动比率位于25％～28％区间的企业分为B组,将流动比率大于28％的企业分为C组，因而与流动比率对应的多个第一组可以为A组、B组和C组，其中，在划分A组、B组和C组时，是依据第一风险指标特征值所确定的。可以理解的是，若有的企业没有与该风险指标对应的第一风险指标特征值，则可以将其分为D组。

由此，可以根据每个风险指标对应的多个第一风险指标特征值，对各个企业分为多个第一组。

步骤204，根据每个所述风险指标对应的多个第二风险指标特征值，以及多个划分界限值，将多家企业划分为与所述风险指标对应的多个第二组。

同理，步骤204可以参考上述步骤203的具体实现过程。

其中，第二组是根据第二风险指标特征值所划分得到的。第二组的数量和第一组的数量相同。

步骤205，根据每个所述风险指标对应的每个所述第一组中所述企业的数量，及多家企业的数量，计算风险指标与每个第一组对应的第一占比。

举例来说，当前一共有100家企业，对于风险指标S，其对应的第一组分别为A组、B组、C组、D组，其中，A组、B组、C组、D组分别有20家、17家、13家、50家企业，因而A组、B组、C组、D组分别对应的第一占比为0.2、0.17、0.13、0.5。

步骤206，根据每个所述风险指标对应的每个所述第二组中所述企业的数量，及多家企业的数量，计算风险指标与每个第二组对应的第二占比。

举例来说，当前一共有100家企业，对于风险指标S，其对应的第二组分别为A组、B组、C组、D组，其中，A组、B组、C组、D组分别有25家、18家、32家、25家企业，因而A组、B组、C组、D组分别对应的第二占比为0.25、0.18、0.32、0.25。

步骤207，根据每个第一占比，及对应的第二占比，计算每个风险指标与每个第一占比对应的第三稳定指标值。

可选的，可以按照以下公式计算第三稳定指标值：

其中，psi即为第三稳定指标值，n为第一组的组数，Ai为第i组所对应的第一占比，Ei为第i组对应的第二占比。

步骤208，将每个所述风险指标对应的各个所述第三稳定指标值相加，以获得每个风险指标对应的所述第一稳定指标值。

举例来说，若当前风险指标一共有9个第一组，则可以将9个第一组分别对应的第三稳定指标值相加得到与风险指标对应的第一稳定指标值。

步骤209，基于预设的映射关系，确定每个风险指标与每个第一稳定指标值对应的稳定性评价标签。

可以理解的是，在得到了每个风险指标对应的第一稳定指标值之后，可以基于预设的映射关系，将其进行标签。

举例来说，若第一稳定指标值位于0-0.1，则对应的稳定性评价标签为稳定性很好，若第一稳定指标值位于0.1-0.25，则对应的稳定性评价标签为稳定性一般，若第一稳定指标值位于0.25-1，则对应的稳定性评价标签为稳定性较差，在此不做限定。

步骤210，基于每个风险指标对应的所述稳定性评价标签，对模型监控报表进行更新。

其中，模型监控报表中包含了多个企业的多个风险指标在1年12个月份对应的稳定性评价标签。

步骤211，将多个风险指标中对应的第一稳定指标值小于预设阈值的风险指标作为目标指标，其中，目标指标用于构建用于对企业进行评价的企业风险评估模型。

需要说明的是，步骤211的具体实现方式可以参照上述实施例，在此不进行赘述。

在构建企业风险评估模型之后，响应该模型，并对风险指标进行定位和模型修正，具体实现方式可以参照上述实施例，在此不进行赘述。

本公开实施例中，首先获取所述多个风险指标分别对应的历史样本数据和当前样本数据，然后按照与每个所述风险指标对应的计算公式，分别对所述历史样本数据和所述当前样本数据进行计算，以得到所述第一风险指标特征值和所述第二风险指标特征值，根据每个风险指标对应的多个第一风险指标特征值，以及预设的多个划分界限值，将多家企业划分为与风险指标对应的多个第一组，根据每个所述风险指标对应的多个第二风险指标特征值，以及多个划分界限值，将多家企业划分为与所述风险指标对应的多个第二组，根据每个所述风险指标对应的每个所述第一组中所述企业的数量，及多家企业的数量，计算风险指标与每个第一组对应的第一占比，根据每个所述风险指标对应的每个所述第二组中所述企业的数量，及多家企业的数量，计算风险指标与每个第二组对应的第二占比，根据每个第一占比，及对应的第二占比，计算每个风险指标与每个第一占比对应的第三稳定指标值，将每个所述风险指标对应的各个所述第三稳定指标值相加，以获得每个风险指标对应的所述第一稳定指标值，基于预设的映射关系，确定每个风险指标与每个第一稳定指标值对应的稳定性评价标签，基于每个风险指标对应的所述稳定性评价标签，对模型监控报表进行更新，将多个风险指标中对应的第一稳定指标值小于预设阈值的风险指标作为目标指标，其中，目标指标用于构建用于对企业进行评价的企业风险评估模型。由此，可以利用多个企业的历史数据和当前数据，来对不同的风险指标进行稳定性的判断和筛选，从而获取稳定可靠的风险指标来用于对企业风险进行评估，可以全面、多角度地检验企业风险评估模型的各个风险指标的稳定性，为企业提供更加准确、可靠的风险评估和决策支持，通过模型分析、数据挖掘和量化评估等方法，对其风险状况和趋势进行精准预测，并制定相应的风险控制和预警机制。

图3为本公开实施例所提供的基于指标监测的企业风险评估模型的风险指标定位方法的流程示意图。

如图3所示，该基于指标监测的企业风险评估模型的风险指标定位方法可以包括以下步骤：

步骤301，获取多个风险指标对应的参考特征值集和验证特征值集，其中，所述参考特征值集和验证特征值集分别包括多家企业与历史时期对应的第一风险指标特征值和与当前时期对应的第二风险指标特征值。

步骤302，对每个所述风险指标对应的所述多家企业进行分组，以得到与所述参考特征值集对应的多个第一组，及与所述验证特征值集对应的多个第二组，其中，所述第一组和所述第二组的数量相同。

步骤303，根据所述多家企业在每个所述第一组中的分布，以及在每个所述第二组中的分布，计算与每个所述风险指标对应的第一稳定指标值。

步骤304，将所述多个风险指标中对应的所述第一稳定指标值小于预设阈值的所述风险指标作为目标指标，其中，所述目标指标用于构建用于对企业进行评价的企业风险评估模型。

需要说明的是，步骤301-304的具体实现方式可以参照上述实施例，在此不进行赘述。

步骤305，响应于企业风险评估模型构建完成，获取企业风险评估模型对基于多个风险指标与对多家企业在历史时间段的第一风险评估得分和当前时间段的第二风险评估得分。

其中，企业风险评估模型用于评估企业在经营过程中面临的各种风险，并帮助企业准确判断风险程度、找到潜在损失，从而制定出相应的风险防范和应对措施。

其中，企业风险评估模型可以有以下几种：

风险指标模型：该模型通过设计实时监控系统，在识别出每个风险因素之后，借助数据挖掘、统计分析等方法，对企业内各个部门及整个组织的风险情况进行评估和预测，为企业提供有效的管理信息和决策建议。

风险管理成熟度模型(COSO ERM)：该模型综合考虑企业内部环境、目标制定、风险评价与应答、控制活动以及信息和通信五个方面，将企业运营过程中的内外部风险纳入科学设计的企业内控框架中进行评估和控制。

威胁-机会-脆弱性(T-O-F)模型：该模型从展望未来角度出发，综合考虑外界威胁、内部机会和企业可脆弱性三个方面对企业进行风险评估，为企业运营中风险预警和应对提供有力支持。

事件根本原因分析模型(ICAM)：该模型主要通过对事件根本原因的分析和解决，从而减少或消除可能造成损失的内部和外部风险因素。

应急管理模型(BCM)：该模型侧重于建立应急预警机制和应急管理体系，包括应急措施、救援计划、危机公关等，为企业在遭遇风险后的迅速应对提供保障。

需要说明的是，本公开中的企业风险评估模型可以为一个或者多个。

其中，第一风险评估得分可以为利用企业风险评估模型输出的得分。在利用历史时期的目标指标的相关企业数据作为输入时，得到的是第一风险评估得分，在利用当前时间段的目标指标的相关企业数据作为输入时，得到的是第二风险评估得分。其中，利用不同的企业风险评估模型，输出的第一风险评估得分和第二风险评估得分也可能是不同的。

步骤306，根据所述多家企业在历史时间段的第一风险评估得分和当前时间段的第二风险评估得分，计算每个所述风险指标对应的第二稳定指标值。

可选的，可以将各个目标指标对应的企业数据输入至企业风险评估模型中，从而可以得到各个目标指标对应的风险评估得分。

具体的，可以根据第一风险评估得分和第二风险评估得分进行分组，从而可以得到多个第三组和多个第四组。

可选的，可以按照以下公式计算第二稳定指标值：

其中，psi即为第二稳定指标值，n为第三组的组数，Ai为第三组中第i个组所对应的第一占比，Ei为第三组中第i个组对应的第二占比。

步骤307，根据指定周期内每个时间段每个所述风险指标对应的第二稳定指标值，生成每个所述风险指标与所述指定周期对应的波动性曲线。

其中，波动性曲线中包含有每个时间段对应的第二稳定指标值，也即可以是根据指定周期内各个时间段风险指标的第二稳定指标值拟合得到的曲线。

步骤308，根据每个所述风险指标对应的所述波动性曲线，判断所述企业风险评估模型是否稳定。

具体的，可以分析每个风险指标的波动性曲线的波动情况，包括峰值大小、变化速度、波动周期，进而判断企业风险评估模型是否稳定。或者，也可以对每个波动性曲线进行统计分析，比较各个波动性曲线与对应的参考波动性曲线之间的相似性、距离以及相邻数据点之间的差异大小，进一步挖掘各个波动性曲线背后的共同特征和分歧因素。其中，参考波动性曲线可以为波动比较稳定的曲线。

具体的，若对应的波动性曲线为不稳定的风险指标达到预设数量，比如有5个风险指标对应的波动性曲线均为不稳定的，则说明企业风险评估模型为不稳定的。

步骤309，在企业风险评估模型为不稳定的情况下，根据满足预设的异常波动条件的目标波动性曲线，对引起不稳定的所述风险指标进行定位。

其中，异常波动条件可以是相邻数据点之间的差异较大，峰值较高，波动周期较小，等等，在此不做限定。可选的，也可以通过检查风险指标的累积误差和残差，可以判断企业风险评估模型是否具有较高的精度和稳定性。如果风险评估模型的误差和残差比较小，则说明该模型稳定性较高。或者，也可以获取不同时期的目标指标的风险指标的特征值序列，之后可以利用关于平稳性、收敛性、自相关性等统计学检验方法来检验风险指标的特征值序列的稳定性，并比较不同风险指标之间的稳定性。如果风险指标的特征值序列存在较大波动或者部分异常点，则表明该指标可能存在较大波动，具有较弱的风险稳定性。

或者，也可以采用自回归移动平均模型(ARMA)，自回归移动平均模型可以识别特征值序列数据中的动态特征和随机变量，可以帮助用户预测潜在风险，评估该特定系列的稳定性。或者，也可以进行平稳性检验来检验特征值序列数据稳定性。如果特征值序列数据是平稳的，表示它们的均值和方差不受时间影响，说明其具有较高的稳定性。平稳性检验通常是通过构建统计模型来实现，并使用AD Ljung-Box检验或KPSS检验方法对模型进行检验。

进一步的，在确定了引起企业风险评估模型不稳定的各个风险指标之后，可以根据各个风险指标判断当前的风险原因，并且可以结合当前的企业市场环境来对风险的原因进行定位，进而为之后评估、监测、报告、控制或缓释平台企业承担的各类风险提供数据支持。

本公开实施例中，首先获取多个风险指标对应的参考特征值集和验证特征值集，其中，参考特征值集和验证特征值集分别包括多家企业与历史时期对应的第一风险指标特征值和与当前时期对应的第二风险指标特征值，然后对每个所述风险指标对应的多家企业进行分组，以得到与参考特征值集对应的多个第一组，及与验证特征值集对应的多个第二组，其中，第一组和第二组的数量相同，之后根据多家企业在每个第一组中的分布，以及在每个第二组中的分布，计算与每个风险指标对应的第一稳定指标值，然后将多个风险指标中对应的第一稳定指标值小于预设阈值的所述风险指标作为目标指标，响应于企业风险评估模型构建完成，获取企业风险评估模型对基于多个风险指标与对多家企业在历史时间段的第一风险评估得分和当前时间段的第二风险评估得分，之后根据所述多家企业在历史时间段的第一风险评估得分和当前时间段的第二风险评估得分，计算每个所述风险指标对应的第二稳定指标值，然后根据指定周期内每个时间段每个所述风险指标对应的第二稳定指标值，生成每个所述风险指标与所述指定周期对应的波动性曲线，之后根据每个所述风险指标对应的所述波动性曲线，判断所述企业风险评估模型是否稳定，最后在企业风险评估模型为不稳定的情况下，根据满足预设的异常波动条件的目标波动性曲线，对引起不稳定的所述风险指标进行定位。由此，可以对企业风险评估模型进行稳定性评估，结合每个风险指标对应的波动性曲线，快速定位风险原因，有效的对模型修正为企业提供更加准确、可靠的风险评估和决策支持。

为了实现上述实施例，本公开还提出一种基于指标监测的企业风险评估模型的风险指标定位装置。

图4为本公开第四实施例所提供的基于指标监测的企业风险评估模型的风险指标定位装置的结构框图。

如图4所示，该基于指标监测的企业风险评估模型的风险指标定位装置400可以包括：

风险数据获取模块410，用于获取多个风险指标对应的参考特征值集和验证特征值集，其中，所述参考特征值集和验证特征值集分别包括多家企业与历史时期对应的第一风险指标特征值和与当前时期对应的第二风险指标特征值；所述多个风险指标包括不良资产率、逾期率、风险项目比率、项目正常兑付率、穿仓业务比率、表外表内风险传导率、关联交易比率、单一客户、流动比率、被监管处罚次数和被诉案件新增件数中的多种；

指标值计算模块420，用于对每个所述风险指标对应的所述多家企业进行分组，以得到与所述参考特征值集对应的多个第一组，及与所述验证特征值集对应的多个第二组；根据所述多家企业在每个所述第一组中的分布，以及在每个所述第二组中的分布，计算与每个所述风险指标对应的第一稳定指标值；

模型构建响应计算模块430，用于将所述第一稳定指标值小于预设阈值的所述风险指标作为目标指标以构建企业风险评估模型，响应于构建的企业风险评估模型，以根据多家企业在历史时间段的第一风险评估得分和当前时间段的第二风险评估得分，计算每个所述风险指标对应的第二稳定指标值；其中，所述企业风险评估模型是基于对BP神经网络模型的训练得到的；所述第一风险评估得分和所述第二风险评估得分是通过基于层次分析法计算得出各个风险指标所占的指标权重计算得到的；

指标定位模型修正模块440，用于基于所述第二稳定指标值对引起模型不稳定的所述风险指标进行定位，并基于指标定位结果和修正系数对所述企业风险评估模型的模型参数进行迭代修正以得到修正后的企业风险评估模型。

可选的，模型构建响应计算模块，还用于对BP神经网络模型进行训练，包括：预设模型的学习精度为0.0001，训练次数为200次，并对应目标指标建立一个11个输入节点，5个隐藏节点以及1个输出节点的BP神经网络模型，并将所述目标指标分为多组数据对BP神经网络模型进行训练，当网络误差小于第一预设误差阈值时停止训练；训练时的传递函数为：

基于BP神经网络模型的模型训练结果，对比得到模型输出值与期望输出值之间的模型误差，根据模型误差与第二预设误差阈值的对比结果对所述模型训练结果进行验证以得到训练好的BP神经网络模型。

本公开实施例中，获取多个风险指标对应的参考特征值集和验证特征值集，其中，所述参考特征值集和验证特征值集分别包括多家企业与历史时期对应的第一风险指标特征值和与当前时期对应的第二风险指标特征值；对每个所述风险指标对应的所述多家企业进行分组，以得到与所述参考特征值集对应的多个第一组，及与所述验证特征值集对应的多个第二组；根据所述多家企业在每个所述第一组中的分布，以及在每个所述第二组中的分布，计算与每个所述风险指标对应的第一稳定指标值；将所述第一稳定指标值小于预设阈值的所述风险指标作为目标指标以构建企业风险评估模型，响应于构建的企业风险评估模型，以根据多家企业在历史时间段的第一风险评估得分和当前时间段的第二风险评估得分，计算每个所述风险指标对应的第二稳定指标值；其中，所述企业风险评估模型是基于对BP神经网络模型的训练得到的；所述第一风险评估得分和所述第二风险评估得分是通过基于层次分析法计算得出各个风险指标所占的指标权重计算得到的；基于所述第二稳定指标值对引起模型不稳定的所述风险指标进行定位，并基于指标定位结果和修正系数对所述企业风险评估模型的模型参数进行迭代修正以得到修正后的企业风险评估模型。由此，可以全面、多角度地检验企业风险评估模型的各个风险指标的稳定性，快速定位风险原因，有效的对模型修正为企业提供更加准确、可靠的风险评估和决策支持。

为了实现上述实施例，本公开还提出一种计算机设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时，实现如本公开前述实施例提出的基于指标监测的企业风险评估模型的风险指标定位方法。

为了实现上述实施例，本公开还提出一种非临时性计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时实现如本公开前述实施例提出的基于指标监测的企业风险评估模型的风险指标定位方法。

为了实现上述实施例，本公开还提出一种计算机程序产品，当计算机程序产品中的指令处理器执行时，执行如本公开前述实施例提出的基于指标监测的企业风险评估模型的风险指标定位方法。

图5示出了适于用来实现本公开实施方式的示例性计算机设备的框图。图5显示的计算机设备12仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图5所示，计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。

总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture；以下简称：ISA)总线，微通道体系结构(Micro Channel Architecture；以下简称：MAC)总线，增强型ISA总线、视频电子标准协会(Video Electronics StandardsAssociation；以下简称：VESA)局域总线以及外围组件互连(Peripheral ComponentInterconnection；以下简称：PCI)总线。

计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(Random Access Memory；以下简称：RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图5未显示，通常称为“硬盘驱动器”)。尽管图5中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如：光盘只读存储器(Compact Disc Read OnlyMemory；以下简称：CD-ROM)、数字多功能只读光盘(Digital Video Disc Read OnlyMemory；以下简称：DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本公开各实施例的功能。

具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本公开所描述的实施例中的功能和/或方法。

计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(Local Area Network；以下简称：LAN)，广域网(Wide Area Network；以下简称：WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现前述实施例中提及的方法。