贷款的处理方法及装置、存储介质和电子设备

技术领域

本申请涉及人工智能领域、金融科技领域及其他相关领域，具体而言，涉及一种贷款的处理方法及装置、存储介质和电子设备。

背景技术

为支持地区农业发展，解决农户们在日常生产经营的资金需求，金融机构针对性地对涉农微小企业提供金融服务，为农户提供金融支持。因对农户进行授信时，需要对农户的信用进行评分和收入验证，避免出现不良贷款。但因农户抵押物为农产品，市场变化浮动较大，传统的信用评分模型无法充分预测农户的还款能力和风险，因此导致金融机构不能准确地为农户进行授信的问题。

针对相关技术中在办理农户的贷款业务时，无法准确评估农户的还贷能力，导致对农户进行贷款发放的准确性比较低的问题。

发明内容

本申请的主要目的在于提供一种贷款的处理方法及装置、存储介质和电子设备，以解决相关技术中在办理农户的贷款业务时，无法准确评估农户的还贷能力，导致对农户进行贷款发放的准确性比较低的问题。

为了实现上述目的，根据本申请的一个方面，提供了一种贷款的处理方法。该方法包括：获取第一目标对象提交的贷款请求和目标生产数据，其中，所述目标生产数据至少包括所述第一目标对象对应的农产品的经营年限、农产品的经营规模、所述第一目标对象与农产品分销方的合作时间和农产品的交易量；通过目标风险评估模型依据所述目标生产数据，对所述第一目标对象的信用风险进行评估，得到所述第一目标对象的目标风险等级，其中，所述目标风险等级用于表征为所述第一目标对象办理所述贷款请求对应的贷款业务的风险程度；判断所述目标风险等级是否小于预设风险等级，若所述目标风险等级小于所述预设风险等级，则通过目标评价模型依据所述目标风险等级和所述第一目标对象的第一评估信息，确定所述第一目标对象的第一经济属性，其中，所述第一评估信息至少包括所述第一目标对象的历史信贷信息、资金流水信息、所述农产品的产量信息和所述农产品的目标交易量，所述目标交易量为对第一目标对象进行评估的日期之前的预设时间段内的交易量，所述第一经济属性用于表征所述第一目标对象对所述贷款请求对应的贷款业务的偿还能力；依据所述第一经济属性，对所述贷款请求进行处理，得到目标处理结果，其中，所述目标处理结果用于表征是否已对所述第一目标对象办理所述贷款请求对应的贷款业务。

进一步地，所述目标风险评估模型至少包括输入层、隐含层和输出层，通过目标风险评估模型依据所述目标生产数据，对所述第一目标对象的信用风险进行划分，得到所述第一目标对象的目标风险等级包括：通过所述输入层对所述目标生产数据进行特征提取，得到所述第一目标对象的特征矩阵；通过所述隐含层中的预设的激励函数对所述特征矩阵进行处理，得到目标矩阵；通过所述输出层依据所述目标矩阵，对所述第一目标对象的风险等级进行评估，得到所述第一目标对象的目标风险等级。

进一步地，所述目标评价模型中至少包括隶属函数和模糊合成算子，通过目标评价模型依据所述目标风险等级和所述第一目标对象的第一评估信息，确定所述第一目标对象的第一经济属性包括：通过所述隶属函数对所述第一评估信息和所述目标风险等级进行计算，得到所述第一目标对象的隶属矩阵；通过所述模糊合成算子计算所述隶属矩阵与预设权重矩阵的乘积，得到初始结果矩阵；对所述初始结果矩阵进行归一化处理，得到目标结果矩阵；依据所述目标结果矩阵和预设评估矩阵计算所述第一目标对象的评估值，得到第一评估值，并依据所述第一评估值确定所述第一经济属性。

进一步地，在通过目标风险评估模型依据所述目标生产数据，对所述第一目标对象的信用风险进行划分，得到所述第一目标对象的目标风险等级之前，所述方法还包括：获取训练样本集，其中，所述训练样本集至少包括多个第二目标对象、每个第二目标对象的真实风险等级、每个第二目标对象对应的样本生产数据；对所述训练样本集中每个第二目标对象对应的样本生产数据进行预处理，得到目标样本生产数据；通过初始风险评估模型依据所述目标样本生产数据，对所述第二目标对象的信用风险进行评估，得到每个第二目标对象的预测风险等级；依据所述预测风险等级和每个第二目标对象的真实风险等级，确定所述初始风险评估模型的权重参数，得到所述目标风险评估模型。

进一步地，依据所述第一经济属性，对所述贷款请求进行处理，得到目标处理结果包括：判断所述第一经济属性对应的第一评估值是否大于第一预设数值，得到第一判断结果；若所述第一判断结果表征所述第一评估值大于所述第一预设数值，则确定所述第一目标对象对应的贷款信息，其中，所述贷款信息至少包括贷款额度和目标利率；依据所述贷款信息对所述贷款请求进行处理，得到所述目标处理结果。

进一步地，确定所述第一目标对象对应的贷款信息包括：获取每个风险等级对应的平均利率，并依据所述第一目标对象的目标风险等级，确定所述目标利率；通过额度确定模型依据所述第一评估值，计算得到所述第一目标对象的贷款额度；依据所述目标利率和所述贷款额度，确定所述第一目标对象的贷款信息。

进一步地，在依据所述贷款信息办理所述贷款请求对应的贷款业务，得第一处理结果之后，所述方法还包括：获取所述第一目标对象当前的第二评估信息；通过所述目标评价模型依据所述第二评估信息和所述目标风险等级，计算得到第二评估值，并依据所述第二评估值确定所述第一目标对象的第二经济属性；依据所述第二经济属性，判断所述第一目标对象是否存在贷款逾期的风险，如果所述第一目标对象存在贷款逾期的风险，则触发预警信息，其中，所述预警信息用于指示第三目标对象对所述贷款请求对应的贷款业务的贷款发放策略进行调整。

进一步地，依据所述第二经济属性，判断所述第一目标对象是否存在贷款逾期的风险包括：判断所述第二经济属性对应的第二评估值是否低于所述第一预设数值，得到第二判断结果；依据所述第二评估值计算所述第一目标对象当前的额度，并依据所述第一目标对象当前的额度和贷款额度，计算所述第一目标对象的额度变化率；判断所述额度变化率是否大于第二预设数值，得到第三判断结果；若所述第二判断结果表征所述第二评估值低于所述第一预设数值或者所述第三判断结果表征所述额度变化率大于所述第二预设数值，则确定所述第一目标对象存在贷款逾期的风险。

为了实现上述目的，根据本申请的另一方面，提供了一种贷款的处理装置。该装置包括：第一获取单元，用于获取第一目标对象提交的贷款请求和目标生产数据，其中，所述目标生产数据至少包括所述第一目标对象对应的农产品的经营年限、农产品的经营规模、所述第一目标对象与农产品分销方的合作时间和农产品的交易量；第一评估单元，用于通过目标风险评估模型依据所述目标生产数据，对所述第一目标对象的信用风险进行评估，得到所述第一目标对象的目标风险等级，其中，所述目标风险等级用于表征为所述第一目标对象办理所述贷款请求对应的贷款业务的风险程度；第一确定单元，用于判断所述目标风险等级是否小于预设风险等级，若所述目标风险等级小于所述预设风险等级，则通过目标评价模型依据所述目标风险等级和所述第一目标对象的第一评估信息，确定所述第一目标对象的第一经济属性，其中，所述第一评估信息至少包括所述第一目标对象的历史信贷信息、资金流水信息、所述农产品的产量信息和所述农产品的目标交易量，所述目标交易量为对第一目标对象进行评估的日期之前的预设时间段内的交易量，所述第一经济属性用于表征所述第一目标对象对所述贷款请求对应的贷款业务的偿还能力；处理单元，用于依据所述第一经济属性，对所述贷款请求进行处理，得到目标处理结果，其中，所述目标处理结果用于表征是否已对所述第一目标对象办理所述贷款请求对应的贷款业务。

进一步地，第一评估单元包括：提取模块，用于通过所述输入层对所述目标生产数据进行特征提取，得到所述第一目标对象的特征矩阵；第一处理模块，用于通过所述隐含层中的预设的激励函数对所述特征矩阵进行处理，得到目标矩阵；评估模块，用于通过所述输出层依据所述目标矩阵，对所述第一目标对象的风险等级进行评估，得到所述第一目标对象的目标风险等级。

进一步地，第一确定单元包括：第一计算模块，用于通过所述隶属函数对所述第一评估信息和所述目标风险等级进行计算，得到所述第一目标对象的隶属矩阵；第二计算模块，用于通过所述模糊合成算子计算所述隶属矩阵与预设权重矩阵的乘积，得到初始结果矩阵；第二处理模块，用于对所述初始结果矩阵进行归一化处理，得到目标结果矩阵；第一确定模块，用于依据所述目标结果矩阵和预设评估矩阵计算所述第一目标对象的评估值，得到第一评估值，并依据所述第一评估值确定所述第一经济属性。

进一步地，所述装置还包括：第二获取单元，用于获取训练样本集，其中，所述训练样本集至少包括多个第二目标对象、每个第二目标对象的真实风险等级、每个第二目标对象对应的样本生产数据；预处理单元，用于对所述训练样本集中每个第二目标对象对应的样本生产数据进行预处理，得到目标样本生产数据；第二评估单元，用于通过初始风险评估模型依据所述目标样本生产数据，对所述第二目标对象的信用风险进行评估，得到每个第二目标对象的预测风险等级；第二确定单元，用于依据所述预测风险等级和每个第二目标对象的真实风险等级，确定所述初始风险评估模型的权重参数，得到所述目标风险评估模型。

进一步地，处理单元包括：第一判断模块，用于判断所述第一经济属性对应的第一评估值是否大于第一预设数值，得到第一判断结果；第二确定模块，用于若所述第一判断结果表征所述第一评估值大于所述第一预设数值，则确定所述第一目标对象对应的贷款信息，其中，所述贷款信息至少包括贷款额度和目标利率；第三处理模块，用于依据所述贷款信息对所述贷款请求进行处理，得到所述目标处理结果。

进一步地，第二确定模块包括：获取子模块，用于获取每个风险等级对应的平均利率，并依据所述第一目标对象的目标风险等级，确定所述目标利率；计算子模块，用于通过额度确定模型依据所述第一评估值，计算得到所述第一目标对象的贷款额度；确定子模块，用于依据所述目标利率和所述贷款额度，确定所述第一目标对象的贷款信息。

进一步地，所述装置还包括：第三获取单元，用于获取所述第一目标对象当前的第二评估信息；计算单元，用于通过所述目标评价模型依据所述第二评估信息和所述目标风险等级，计算得到第二评估值，并依据所述第二评估值确定所述第一目标对象的第二经济属性；判断单元，用于依据所述第二经济属性，判断所述第一目标对象是否存在贷款逾期的风险，如果所述第一目标对象存在贷款逾期的风险，则触发预警信息，其中，所述预警信息用于指示第三目标对象对所述贷款请求对应的贷款业务的贷款发放策略进行调整。

进一步地，判断单元包括：第二判断模块，用于判断所述第二经济属性对应的第二评估值是否低于所述第一预设数值，得到第二判断结果；第三计算模块，用于依据所述第二评估值计算所述第一目标对象当前的额度，并依据所述第一目标对象当前的额度和贷款额度，计算所述第一目标对象的额度变化率；第三判断模块，用于判断所述额度变化率是否大于第二预设数值，得到第三判断结果；第三确定模块，用于若所述第二判断结果表征所述第二评估值低于所述第一预设数值或者所述第三判断结果表征所述额度变化率大于所述第二预设数值，则确定所述第一目标对象存在贷款逾期的风险。

为了实现上述目的，根据本申请的一方面，提供了一种计算机可读存储介质，所述存储介质存储程序，其中，在所述程序运行时控制所述存储介质所在设备执行上述任意一项所述的贷款的处理方法。

为了实现上述目的，根据本申请的另一个方面，还提供了一种电子设备，电子设备包括一个或多个处理器和存储器，存储器用于存储一个或多个处理器实现上述任意一项所述的贷款的处理方法。

通过本申请，采用以下步骤：获取第一目标对象提交的贷款请求和目标生产数据，其中，目标生产数据至少包括第一目标对象对应的农产品的经营年限、农产品的经营规模、第一目标对象与农产品分销方的合作时间和农产品的交易量；通过目标风险评估模型依据目标生产数据，对第一目标对象的信用风险进行评估，得到第一目标对象的目标风险等级，其中，目标风险等级用于表征为第一目标对象办理贷款请求对应的贷款业务的风险程度；判断目标风险等级是否小于预设风险等级，若目标风险等级小于预设风险等级，则通过目标评价模型依据目标风险等级和第一目标对象的第一评估信息，确定第一目标对象的第一经济属性，其中，第一评估信息至少包括第一目标对象的历史信贷信息、资金流水信息、农产品的产量信息和农产品的目标交易量，目标交易量为对第一目标对象进行评估的日期之前的预设时间段内的交易量，第一经济属性用于表征第一目标对象对贷款请求对应的贷款业务的偿还能力；依据第一经济属性，对贷款请求进行处理，得到目标处理结果，其中，目标处理结果用于表征是否已对第一目标对象办理贷款请求对应的贷款业务，解决了相关技术中在办理农户的贷款业务时，无法准确评估农户的还贷能力，导致对农户进行贷款发放的准确性比较低的问题。在本申请中，先通过目标风险评估模型对第一目标对象的风险等级进行评估，再通过目标评价模型根据第一目标对象的目标风险等级和第一评估信息，确定第一目标对象的经济属性，最后根据经济属性处理贷款请求，实现了在多个角度对第一目标对象进行精准评估，进而达到了提高贷款发放准确性的效果。

附图说明

构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是根据本申请实施例提供的贷款的处理方法的流程图一；

图2是根据本申请实施例提供的目标风险评估模型的网络结构示意图；

图3是根据本申请实施例提供的贷款的处理方法的流程图二；

图4是根据本申请实施例提供的贷后跟踪的流程图；

图5是根据本申请实施例提供的贷款的处理装置的示意图；

图6是根据本申请实施例提供电子设备的示意图。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

为了便于描述，以下对本申请实施例涉及的部分名词或术语进行说明：

极限学习机(Extreme Learning Machine，ELM)是一种机器学习算法，它是一种单层神经网络模型。ELM的特点是在训练过程中只需随机初始化隐含层的连接权重和偏置，而不需要反向传播算法进行权重调整。这使得ELM的训练速度非常快，并且能够处理大规模的数据集。ELM在分类、回归和特征提取等任务中都有广泛的应用。

Gaussian函数是一种数学函数，也称为高斯函数，通常用来描述正态分布曲线。

需要说明的是，本公开所涉及的相关信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于展示的数据、分析的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。例如，本系统和相关用户或机构间设置有接口，在获取相关信息之前，需要通过接口向前述的用户或机构发送获取请求，并在接收到前述的用户或机构反馈的同意信息后，获取相关信息。

下面结合优选的实施步骤对本发明进行说明，图1是根据本申请实施例提供的贷款的处理方法的流程图一，如图1所示，该方法包括如下步骤：

步骤S101，获取第一目标对象提交的贷款请求和目标生产数据，其中，目标生产数据至少包括第一目标对象对应的农产品的经营年限、农产品的经营规模、第一目标对象与农产品分销方的合作时间和农产品的交易量。

例如，获取第一目标对象提交的贷款申请和目标生产数据，贷款申请用于经营生产农产品，目标生产数据为经过人工审核、确保真实性的生产数据，目标生产数据为农户(即所述第一目标对象)经营农产品的经营年限(年)、种植/养殖规模(即上述的经营规模)、与合作机构的交易年限(即上述的合作时间)和农产品近一年的交易量。

步骤S102，通过目标风险评估模型依据目标生产数据，对第一目标对象的信用风险进行评估，得到第一目标对象的目标风险等级，其中，目标风险等级用于表征为第一目标对象办理贷款请求对应的贷款业务的风险程度。

例如，将目标生产数据输入至预先训练好的极限学习机模型(即上述的目标风险评估模型)，通过极限学习机对目标生产数据进行分类，得到第一目标对象的目标风险等级。需要说明的是，在本申请中，目标风险评估模型可以输出六个风险等级，分别为A、B、C、D、E、F，其中，A等级为风险程度最低的风险等级，F等级为风险程度最高的风险等级。

步骤S103，判断目标风险等级是否小于预设风险等级，若目标风险等级小于预设风险等级，则通过目标评价模型依据目标风险等级和第一目标对象的第一评估信息，确定第一目标对象的第一经济属性，其中，第一评估信息至少包括第一目标对象的历史信贷信息、资金流水信息、农产品的产量信息和农产品的目标交易量，目标交易量为对第一目标对象进行评估的日期之前的预设时间段内的交易量，第一经济属性用于表征第一目标对象对贷款请求对应的贷款业务的偿还能力。

例如，判断目标风险等级是否小于预设风险等级(例如，F等级)，如果目标风险等级小于预设风险等级，则通过模糊综合评价模型(即上述的目标评价模型)根据目标风险等级和第一目标对象的第一评估信息，确定第一目标对象对贷款请求对应的贷款业务的偿还能力(即上述的第一经济属性)。需要说明的是，第一评估信息可以包括第一目标对象是否存在未结清的逾期贷款信息(即上述的历史信贷信息)、第一目标对象在金融机构的资金流水信息、农产品成熟/养殖出栏信息(即上述的产量信息)和农产品的目标交易信息。需要说明的是，如果目标风险等级不小于预设风险等级，则拒绝对第一目标对象的贷款请求进行办理。

步骤S104，依据第一经济属性，对贷款请求进行处理，得到目标处理结果，其中，目标处理结果用于表征是否已对第一目标对象办理贷款请求对应的贷款业务。

例如，根据第一目标对象的第一经济属性，对贷款请求进行处理，得到目标处理结果。例如，如果第一目标对象的第一经济属性满足贷款发放要求，则对贷款请求进行批准处理；如果第一目标对象的第一经济属性不满足贷款的发放要求，则拒绝第一目标对象的贷款请求。

综上，在本申请中，先通过目标风险评估模型对第一目标对象的风险等级进行评估，再通过目标评价模型根据第一目标对象的目标风险等级和第一评估信息，确定第一目标对象的经济属性，最后根据第一经济属性处理贷款请求，实现了在多个角度对第一目标对象进行精准评估，进而达到了提高贷款发放准确性的效果。

可选地，在本申请实施例提供的贷款的处理方法中，目标风险评估模型至少包括输入层、隐含层和输出层，通过目标风险评估模型依据目标生产数据，对第一目标对象的信用风险进行划分，得到第一目标对象的目标风险等级包括：通过输入层对目标生产数据进行特征提取，得到第一目标对象的特征矩阵；通过隐含层中的预设的激励函数对特征矩阵进行处理，得到目标矩阵；通过输出层依据目标矩阵，对第一目标对象的风险等级进行评估，得到第一目标对象的目标风险等级。

例如，目标风险评估模型为基于极限学习机模型构建的神经网络模型，目标风险评估模型中包括输入层、隐含层和输出层，先通过输入层对输入的生产数据进行特征提取，得到第一目标对象的特征矩阵，并将特征矩阵传输至隐含层，再通过隐含层中的隐节点中预设的激励函数(例如，Gaussian函数)对特征矩阵中的数据进行非线性转换，得到目标矩阵，最后通过输出层对目标矩阵进行加权处理，计算输出第一目标对象的目标风险等级。

通过目标风险模型对第一目标对象的信用风险进行划分，得到第一目标对象的目标风险等级，提高了确定目标对象的信用风险的准确性，进而提高了对目标对象进行贷款发放的准确性。

可选地，在本申请实施例提供的贷款的处理方法中，目标评价模型中至少包括隶属函数和模糊合成算子，通过目标评价模型依据目标风险等级和第一目标对象的第一评估信息，确定第一目标对象的第一经济属性包括：通过隶属函数对第一评估信息和目标风险等级进行计算，得到第一目标对象的隶属矩阵；通过模糊合成算子计算隶属矩阵与预设权重矩阵的乘积，得到初始结果矩阵；对初始结果矩阵进行归一化处理，得到目标结果矩阵；依据目标结果矩阵和预设评估矩阵计算第一目标对象的评估值，得到第一评估值，并依据第一评估值确定第一经济属性。

例如，根据模糊综合评价算法构建目标评价模型，并使用梯形类隶属函数，确定目标风险等级和第一评估信息中各元素的隶属函数，从而计算出第一目标对象的隶属矩阵，其中，隶属矩阵如公式(1)所示：

其中，r

表1

其中，“是否存在未结清的逾期贷款信息”对应的评价数据为未结清的贷款数据，“目标风险等级”对应的评价数据为ABCDEF等级中的某一风险等级，“第一目标对象在金融机构的资金流水信息”对应的评价数据为资金流水数值，“农产品成熟/养殖出栏信息”对应的评价数据为0至1之间的数值，“农产品的目标交易信息”对应的评价数据为农产品销量信息。

然后，采用加权平均型模糊合成算子，计算隶属矩阵和与预设权重矩阵[0.250.15 0.25 0.15 0.2]之间的乘积得到初始结果矩阵，并对初始结果矩阵进行归一化处理，得到目标结果矩阵，最后对目标结果矩阵和预设评估矩阵[5，4，3，2，1]相乘后再将矩阵各元素相加得到第一评估值，并根据第一评估值确定第一经济属性。

在一可选的实施例中，未结清的逾期贷款信息的隶属函数可以如公式(2)、公式(3)、公式(4)、公式(5)和公式(6)所示：

其中，x表示第一评估信息中信息的未结清的逾期贷款信息。

通过目标评价模型确定第一目标对象的第一经济属性，可以将第一目标对象的贷款偿还能力进行数字化，提高了评估第一目标对象的准确性，进而提高了贷款业务的办理准确性。

可选地，在本申请实施例提供的贷款的处理方法中，在通过目标风险评估模型依据目标生产数据，对第一目标对象的信用风险进行划分，得到第一目标对象的目标风险等级之前，该方法还包括：获取训练样本集，其中，训练样本集至少包括多个第二目标对象、每个第二目标对象的真实风险等级、每个第二目标对象对应的样本生产数据；对训练样本集中每个第二目标对象对应的样本生产数据进行预处理，得到目标样本生产数据；通过初始风险评估模型依据目标样本生产数据，对第二目标对象的信用风险进行评估，得到每个第二目标对象的预测风险等级；依据预测风险等级和每个第二目标对象的真实风险等级，确定初始风险评估模型的权重参数，得到目标风险评估模型。

例如，初始风险评估模型为极限学习机模型，主要工作重点为通过隐含层中的隐节点对输入层中的数据映进行非线性变换，得到隐含层输出的矩阵，最后由输出层对隐含层输出的矩阵进行加权，输出分类结果，而对极限学习机的训练过程也就是确定输出层的权重参数的过程。

在对初始风险评估模型进行训练时，先获取包括多个第二目标对象及每个第二目标对象的真实风险等级和每个第二目标对象对应的样本生产数据，再对样本生产数据进归一化处理，使生产数据中不同数据的取值范围和量纲进行统一，防止个别数据对初始风险评估模型的训练产生影响，因此通过归一化处理，使样本生产数据都归一化到(0，1)之间，可以采用如公式(7)所示的方法实现归一化处理，具体如下所示：

其中，m为样本生产数据的特征维数，x(k)为归一化后的第k个目标样本生产数据，X(k)为归一化前的第k个样本生产数据，X

通过上述归一化处理，可以得到目标训练集数据如公式(8)所示：

其中，S为目标训练集数据，x

然后，通过初始风险评估模型根据目标样本生产数据，对第二目标对象的信用风险进行评估，得到每个第二目标对象的预测风险等级，初始风险评估模型可以采用公式(9)所示的方法构建，具体如下：

s.t.y

其中，h(x

最后，根据预测风险等级和每个第二目标对象的真实风险等级，通过公式(9)求解出初始风险评估模型的权重参数，得到目标风险评估模型。

通过训练样本集对初始风险评估模型进行训练，得到目标风险评估模型，提高了目标风险评估模型的评估准确性，进而提高了贷款业务的办理准确性。

可选地，在本申请实施例提供的贷款的处理方法中，依据第一经济属性，对贷款请求进行处理，得到目标处理结果包括：判断第一经济属性对应的第一评估值是否大于第一预设数值，得到第一判断结果；若第一判断结果表征第一评估值大于第一预设数值，则确定第一目标对象对应的贷款信息，其中，贷款信息至少包括贷款额度和目标利率；依据贷款信息对贷款请求进行处理，得到目标处理结果。

例如，判断第一经济属性对应的第一评估值是否大于第一预设数值，得到第一判断结果，如果第一判断结果表征第一评估值大于第一预设数值，则表示第一目标对象的第一经济属性满足贷款业务的办理需求，可以继续确定第一目标对象对应的贷款额度和目标利率等贷款信息，并根据贷款信息对贷款请求进行处理，得到目标处理结果。

需要说明的是，如果第一评估值小于或者等于第一预设数值，则表示第一目标对象的第一经济属性不满足贷款业务的办理需求，则将拒绝第一目标对象的贷款请求。

根据第一经济属性，对第一目标对象的贷款请求进行处理，提高了对第一目标对象的贷款请求的处理准确性。

可选地，在本申请实施例提供的贷款的处理方法中，确定第一目标对象对应的贷款信息包括：获取每个风险等级对应的平均利率，并依据第一目标对象的目标风险等级，确定目标利率；通过额度确定模型依据第一评估值，计算得到第一目标对象的贷款额度；依据目标利率和贷款额度，确定第一目标对象的贷款信息。

例如，平均利率的获取可以通过以下方法实现，首先获取训练样本集，并根据预设的风险等级对训练样本进行划分，然后计算每个风险等级中训练样本的平均利率，根据每个风险等级的平均利率和第一目标对象的目标风险等级，即可确定目标利率。

目标额度确定模型为基于线性拟合的方法构建的数学模型，可以目标风险评估模型和目标评价模型对训练样本集中的训练样本进行评估，得到每个训练样本对应的评估值，然后根据评估值确定目标额度确定模型中的参数，目标额度确定模型可以采用公式(10)所示的方法构建，具体如下：

Q＝lM+b(10)

其中，Q为贷款额度，M为第一评估值，l和b为模型参数。

最后，根据贷款额度和目标利率，确定第一目标对象的贷款信息。

通过获取每个风险等级的平均利率确定第一目标对象的目标利率以及通过额度确定模型确定第一目标对象的贷款额度，提高了确定第一目标对象贷款信息的准确性，进而提高了为第一目标对象办理贷款业务的准确性。

可选地，在本申请实施例提供的贷款的处理方法中，在依据贷款信息办理贷款请求对应的贷款业务，得第一处理结果之后，该方法还包括：获取第一目标对象当前的第二评估信息；通过目标评价模型依据第二评估信息和目标风险等级，计算得到第二评估值，并依据第二评估值确定第一目标对象的第二经济属性；依据第二经济属性，判断第一目标对象是否存在贷款逾期的风险，如果第一目标对象存在贷款逾期的风险，则触发预警信息，其中，预警信息用于指示第三目标对象对贷款请求对应的贷款业务的贷款发放策略进行调整。

例如，先获取第一目标对象当前的第二评估信息，第二评估信息与第一评估信息所包括的数据维度相同，而第二评估信息为第一目标对象获取到贷款申请对应的贷款资金后的评估信息。再通过目标评价模型根据第二评估信息和目标风险等级，计算得到第一目标对象当前的第二评估值，并根据第二评估值确定第一目标对象的第二经济属性。然后根据第二经济属性，判断第一目标对象关于申请到的助农贷款是否存在贷款逾期的风险，如果存在贷款逾期的风险，则触发预警信息，金融机构的工作人员在接收到预警信息后，对第一目标对象进行风险排查，并调整贷款发放策略。

在对第一目标对象的贷款请求进行处理后，通过目标评价模型对第一目标对象进行再次评价，提高了对第一目标对象的第二经济属性进行评估的准确性。

可选地，在本申请实施例提供的贷款的处理方法中，依据第二经济属性，判断第一目标对象是否存在贷款逾期的风险包括：判断第二经济属性对应的第二评估值是否低于第一预设数值，得到第二判断结果；依据第二评估值计算第一目标对象当前的额度，并依据第一目标对象当前的额度和贷款额度，计算第一目标对象的额度变化率；判断额度变化率是否大于第二预设数值，得到第三判断结果；若第二判断结果表征第二评估值低于第一预设数值或者第三判断结果表征额度变化率大于第二预设数值，则确定第一目标对象存在贷款逾期的风险。

例如，先判断第二经济属性对应的第二评估值是否低于第一预设数值，得到第二判断结果，再根据第二评估值计算第一目标对象当前的额度，并根据第一目标对象当前的额度和贷款额度计算第一目标对象的额度变化率，上述的额度变化率可以采用公式(11)所示的方法进行计算，具体如下：

其中，Q

然后判断额度变化率是否大于第二预设数值(例如，0.05)，得到第三判断结果。

如果第二判断结果表示第二评估值低于第一预设数值或者第三判断结果表示额度变化率大于第二预设数值，则可以确定第一目标对象存在贷款逾期的风险；如果第二判断结果表示第二评估值高于或者等于第一预设数值且第三判断结果表示额度变化率小于或者等于第二预设数值，则可以确定第一目标对象不存在贷款逾期的风险。

通过预设数值对第一目标对象是否存在贷款逾期的风险进行判断，提高了对第一目标对象的贷款逾期风险进行评估的准确性。

在一可选的实施例中，图2为目标风险评估模型(极限学习机)的网络结构示意图。极限学习机的网络训练网络的训练主要分为两个阶段。第一个阶段是极限学习机网络结构的构建，隐含层将输入数据映射到n

对于含有n个数据的数据集X，极限学习机隐含层的输出H(X)如公式(12)所示：

若隐含层到输出层的权重矩阵为

Y＝H(X)β(13)

第二阶段是基于极限学习机网络结构求解输出权重矩阵β，通常根据极限学习机网络学习任务的不同构建不同的模型来求解输出权重矩阵β。

在一可选的实施例中，可以采用如图3所示的流程图二实现贷款的处理方法，首先获取客户提交的关于农产品的经营期限(年)、种植/养殖规模、与合作机构交易年限、近一年销售等数据，然后对数据进行人工审核，获取审核后的数据，为了归纳统一样本的统计分布性，防止某一维或某几维对数据影响过大，需要对数据进行归一化处理，将数据归一化至(0，1)。

然后将处理后的数据输入至极限学习模型，通过极限学习模型对数据进行分类，确定客户的信用风险等级，极限学习模型为预先训练好的神经网络模型，可以将客户分为A、B、C、D、E、F六个等级其中的一个。判断客户的信用风险等级是否为F级，如果客户的信用风险等级是F级，则不对客户提供贷款；如果客户的信用风险等级不是F级，则通过模糊综合评价模型对客户的综合实力进行评估。

在通过模糊综合评价模型对客户的综合实力进行评估时，首先需要将客户是否存在未结清逾期贷款、客户经营实体在本机构结算流水情况、跟踪农作物成熟/养殖出栏、销售情况和信用风险等级等数据输入至模糊综合评价模型，模糊综合评价模型是一种利用模糊数学理论进行多因素综合评价的方法。在模糊综合评价模型中，各个评价因素的权重和评价指标的值都可以用模糊数来表示，然后利用模糊数学中的加法、乘法等运算来进行综合评价。

再通过梯形类隶属度函数确定各因素的隶属函数，从而计算出隶属矩阵，并对采用加权平均型模糊合成算子计算隶属矩阵和权重矩阵的[0.25 0.15 0.25 0.15 0.2]乘积，得到初始结果。然后对初始结果进行归一化，并将评分矩阵[5，4，3，2，1]和初始结果的数值对应相乘后相加得到农户最后的综合评分。需要说明的是，对于用户的评分等级划分，可以采用如表1所示的划分方法。

在获得客户的综合评分后，判断客户的综合评分是否小于预设阈值，如果综合评分不小于阈值，则根据获取训练样本集，并根据样本对象的利率数据，确定各个信用风险等级的平均利率，结合客户的信用风险等级和各个信用风险等级的平均利率，确定客户的利率。同时通过基于线性回归构建的额度确定模型，计算客户的贷款额度。

最后根据贷款额度和利率，为客户办理贷款业务。

在一可选的实施例中，在为客户办理贷款业务后，可以采用如图4所示的流程图实现对客户的贷后跟踪，具体如下：首先获取客户近一个月的是否存在未结清逾期贷款、经营实体在本机构结算流水情况、跟踪农作物成熟/养殖出栏、销售情况等数据，然后保持客户的信用风险等级不变，将信用风险等级和获取到的数据输入至模糊综合评价模型，重新计算客户的综合评分和贷款额度，并通过已有的贷款额度和重新计算得到的贷款额度，计算贷款额度变化率，判断贷款额度变化率是否大于5％，一旦贷款额度大于5％或者客户的综合评分小于阈值，则触发预警信号，提示金融机构内业务人员对客户进行风险排查。

本申请实施例提供的贷款的处理方法，通过获取第一目标对象提交的贷款请求和目标生产数据，其中，目标生产数据至少包括第一目标对象对应的农产品的经营年限、农产品的经营规模、第一目标对象与农产品分销方的合作时间和农产品的交易量；通过目标风险评估模型依据目标生产数据，对第一目标对象的信用风险进行评估，得到第一目标对象的目标风险等级，其中，目标风险等级用于表征为第一目标对象办理贷款请求对应的贷款业务的风险程度；判断目标风险等级是否小于预设风险等级，若目标风险等级小于预设风险等级，则通过目标评价模型依据目标风险等级和第一目标对象的第一评估信息，确定第一目标对象的第一经济属性，其中，第一评估信息至少包括第一目标对象的历史信贷信息、资金流水信息、农产品的产量信息和农产品的目标交易量，目标交易量为对第一目标对象进行评估的日期之前的预设时间段内的交易量，第一经济属性用于表征第一目标对象对贷款请求对应的贷款业务的偿还能力；依据第一经济属性，对贷款请求进行处理，得到目标处理结果，其中，目标处理结果用于表征是否已对第一目标对象办理贷款请求对应的贷款业务，解决了相关技术中在办理农户的贷款业务时，无法准确评估农户的还贷能力，导致对农户进行贷款发放的准确性比较低的问题。在本申请中，先通过目标风险评估模型对第一目标对象的风险等级进行评估，再通过目标评价模型根据第一目标对象的目标风险等级和第一评估信息，确定第一目标对象的经济属性，最后根据经济属性处理贷款请求，实现了在多个角度对第一目标对象进行精准评估，进而达到了提高贷款发放准确性的效果。

需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

本申请实施例还提供了一种贷款的处理装置，需要说明的是，本申请实施例的贷款的处理装置可以用于执行本申请实施例所提供的用于贷款的处理方法。以下对本申请实施例提供的贷款的处理装置进行介绍。

图5是根据本申请实施例的贷款的处理装置的示意图。如图5所示，该装置包括：第一获取单元501、第一评估单元502、第一确定单元503和处理单元504。

第一获取单元501，用于获取第一目标对象提交的贷款请求和目标生产数据，其中，所述目标生产数据至少包括所述第一目标对象对应的农产品的经营年限、农产品的经营规模、所述第一目标对象与农产品分销方的合作时间和农产品的交易量；

第一评估单元502，用于通过目标风险评估模型依据所述目标生产数据，对所述第一目标对象的信用风险进行评估，得到所述第一目标对象的目标风险等级，其中，所述目标风险等级用于表征为所述第一目标对象办理所述贷款请求对应的贷款业务的风险程度；

第一确定单元503，用于判断所述目标风险等级是否小于预设风险等级，若所述目标风险等级小于所述预设风险等级，则通过目标评价模型依据所述目标风险等级和所述第一目标对象的第一评估信息，确定所述第一目标对象的第一经济属性，其中，所述第一评估信息至少包括所述第一目标对象的历史信贷信息、资金流水信息、所述农产品的产量信息和所述农产品的目标交易量，所述目标交易量为对第一目标对象进行评估的日期之前的预设时间段内的交易量，所述第一经济属性用于表征所述第一目标对象对所述贷款请求对应的贷款业务的偿还能力；

处理单元504，用于依据所述第一经济属性，对所述贷款请求进行处理，得到目标处理结果，其中，所述目标处理结果用于表征是否已对所述第一目标对象办理所述贷款请求对应的贷款业务。

本申请实施例提供的贷款的处理装置，通过第一获取单元501获取第一目标对象提交的贷款请求和目标生产数据，其中，所述目标生产数据至少包括所述第一目标对象对应的农产品的经营年限、农产品的经营规模、所述第一目标对象与农产品分销方的合作时间和农产品的交易量；第一评估单元502通过目标风险评估模型依据所述目标生产数据，对所述第一目标对象的信用风险进行评估，得到所述第一目标对象的目标风险等级，其中，所述目标风险等级用于表征为所述第一目标对象办理所述贷款请求对应的贷款业务的风险程度；第一确定单元503判断所述目标风险等级是否小于预设风险等级，若所述目标风险等级小于所述预设风险等级，则通过目标评价模型依据所述目标风险等级和所述第一目标对象的第一评估信息，确定所述第一目标对象的第一经济属性，其中，所述第一评估信息至少包括所述第一目标对象的历史信贷信息、资金流水信息、所述农产品的产量信息和所述农产品的目标交易量，所述目标交易量为对第一目标对象进行评估的日期之前的预设时间段内的交易量，所述第一经济属性用于表征所述第一目标对象对所述贷款请求对应的贷款业务的偿还能力；处理单元504依据所述第一经济属性，对所述贷款请求进行处理，得到目标处理结果，其中，所述目标处理结果用于表征是否已对所述第一目标对象办理所述贷款请求对应的贷款业务，解决了相关技术中在办理农户的贷款业务时，无法准确评估农户的还贷能力，导致对农户进行贷款发放的准确性比较低的问题，在本申请中，先通过目标风险评估模型对第一目标对象的风险等级进行评估，再通过目标评价模型根据第一目标对象的目标风险等级和第一评估信息，确定第一目标对象的经济属性，最后根据经济属性处理贷款请求，实现了在多个角度对第一目标对象进行精准评估，进而达到了提高贷款发放准确性的效果。

可选地，在本申请实施例提供的贷款的处理装置中，第一评估单元502包括：提取模块，用于通过所述输入层对所述目标生产数据进行特征提取，得到所述第一目标对象的特征矩阵；第一处理模块，用于通过所述隐含层中的预设的激励函数对所述特征矩阵进行处理，得到目标矩阵；评估模块，用于通过所述输出层依据所述目标矩阵，对所述第一目标对象的风险等级进行评估，得到所述第一目标对象的目标风险等级。

可选地，在本申请实施例提供的贷款的处理装置中，第一确定单元503包括：第一计算模块，用于通过所述隶属函数对所述第一评估信息和所述目标风险等级进行计算，得到所述第一目标对象的隶属矩阵；第二计算模块，用于通过所述模糊合成算子计算所述隶属矩阵与预设权重矩阵的乘积，得到初始结果矩阵；第二处理模块，用于对所述初始结果矩阵进行归一化处理，得到目标结果矩阵；第一确定模块，用于依据所述目标结果矩阵和预设评估矩阵计算所述第一目标对象的评估值，得到第一评估值，并依据所述第一评估值确定所述第一经济属性。

可选地，在本申请实施例提供的贷款的处理装置中，该装置还包括：第二获取单元，用于获取训练样本集，其中，所述训练样本集至少包括多个第二目标对象、每个第二目标对象的真实风险等级、每个第二目标对象对应的样本生产数据；预处理单元，用于对所述训练样本集中每个第二目标对象对应的样本生产数据进行预处理，得到目标样本生产数据；第二评估单元，用于通过初始风险评估模型依据所述目标样本生产数据，对所述第二目标对象的信用风险进行评估，得到每个第二目标对象的预测风险等级；第二确定单元，用于依据所述预测风险等级和每个第二目标对象的真实风险等级，确定所述初始风险评估模型的权重参数，得到所述目标风险评估模型。

可选地，在本申请实施例提供的贷款的处理装置中，处理单元504包括：第一判断模块，用于判断所述第一经济属性对应的第一评估值是否大于第一预设数值，得到第一判断结果；第二确定模块，用于若所述第一判断结果表征所述第一评估值大于所述第一预设数值，则确定所述第一目标对象对应的贷款信息，其中，所述贷款信息至少包括贷款额度和目标利率；第三处理模块，用于依据所述贷款信息对所述贷款请求进行处理，得到所述目标处理结果。

可选地，在本申请实施例提供的贷款的处理装置中，第二确定模块包括：获取子模块，用于获取每个风险等级对应的平均利率，并依据所述第一目标对象的目标风险等级，确定所述目标利率；计算子模块，用于通过额度确定模型依据所述第一评估值，计算得到所述第一目标对象的贷款额度；确定子模块，用于依据所述目标利率和所述贷款额度，确定所述第一目标对象的贷款信息。

可选地，在本申请实施例提供的贷款的处理装置中，该装置还包括：第三获取单元，用于获取所述第一目标对象当前的第二评估信息；计算单元，用于通过所述目标评价模型依据所述第二评估信息和所述目标风险等级，计算得到第二评估值，并依据所述第二评估值确定所述第一目标对象的第二经济属性；判断单元，用于依据所述第二经济属性，判断所述第一目标对象是否存在贷款逾期的风险，如果所述第一目标对象存在贷款逾期的风险，则触发预警信息，其中，所述预警信息用于指示第三目标对象对所述贷款请求对应的贷款业务的贷款发放策略进行调整。

可选地，在本申请实施例提供的贷款的处理装置中，判断单元包括：第二判断模块，用于判断所述第二经济属性对应的第二评估值是否低于所述第一预设数值，得到第二判断结果；第三计算模块，用于依据所述第二评估值计算所述第一目标对象当前的额度，并依据所述第一目标对象当前的额度和贷款额度，计算所述第一目标对象的额度变化率；第三判断模块，用于判断所述额度变化率是否大于第二预设数值，得到第三判断结果；第三确定模块，用于若所述第二判断结果表征所述第二评估值低于所述第一预设数值或者所述第三判断结果表征所述额度变化率大于所述第二预设数值，则确定所述第一目标对象存在贷款逾期的风险。

所述贷款的处理装置包括处理器和存储器，上述的第一获取单元501、第一评估单元502、第一确定单元503和处理单元504等单元均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。

处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来解决相关技术中在办理农户的贷款业务时，无法准确评估农户的还贷能力，导致对农户进行贷款发放的准确性比较低的问题。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。

本发明实施例提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现所述贷款的处理方法。

本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述贷款的处理方法。

如图6所示，本发明实施例提供了一种电子设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：获取第一目标对象提交的贷款请求和目标生产数据，其中，目标生产数据至少包括第一目标对象对应的农产品的经营年限、农产品的经营规模、第一目标对象与农产品分销方的合作时间和农产品的交易量；通过目标风险评估模型依据目标生产数据，对第一目标对象的信用风险进行评估，得到第一目标对象的目标风险等级，其中，目标风险等级用于表征为第一目标对象办理贷款请求对应的贷款业务的风险程度；判断目标风险等级是否小于预设风险等级，若目标风险等级小于预设风险等级，则通过目标评价模型依据目标风险等级和第一目标对象的第一评估信息，确定第一目标对象的第一经济属性，其中，第一评估信息至少包括第一目标对象的历史信贷信息、资金流水信息、农产品的产量信息和农产品的目标交易量，目标交易量为对第一目标对象进行评估的日期之前的预设时间段内的交易量，第一经济属性用于表征第一目标对象对贷款请求对应的贷款业务的偿还能力；依据第一经济属性，对贷款请求进行处理，得到目标处理结果，其中，目标处理结果用于表征是否已对第一目标对象办理贷款请求对应的贷款业务。

可选地，在本申请实施例提供的贷款的处理方法中，目标风险评估模型至少包括输入层、隐含层和输出层，通过目标风险评估模型依据目标生产数据，对第一目标对象的信用风险进行划分，得到第一目标对象的目标风险等级包括：通过输入层对目标生产数据进行特征提取，得到第一目标对象的特征矩阵；通过隐含层中的预设的激励函数对特征矩阵进行处理，得到目标矩阵；通过输出层依据目标矩阵，对第一目标对象的风险等级进行评估，得到第一目标对象的目标风险等级。

可选地，在本申请实施例提供的贷款的处理方法中，目标评价模型中至少包括隶属函数和模糊合成算子，通过目标评价模型依据目标风险等级和第一目标对象的第一评估信息，确定第一目标对象的第一经济属性包括：通过隶属函数对第一评估信息和目标风险等级进行计算，得到第一目标对象的隶属矩阵；通过模糊合成算子计算隶属矩阵与预设权重矩阵的乘积，得到初始结果矩阵；对初始结果矩阵进行归一化处理，得到目标结果矩阵；依据目标结果矩阵和预设评估矩阵计算第一目标对象的评估值，得到第一评估值，并依据第一评估值确定第一经济属性。

可选地，在本申请实施例提供的贷款的处理方法中，在通过目标风险评估模型依据目标生产数据，对第一目标对象的信用风险进行划分，得到第一目标对象的目标风险等级之前，该方法还包括：获取训练样本集，其中，训练样本集至少包括多个第二目标对象、每个第二目标对象的真实风险等级、每个第二目标对象对应的样本生产数据；对训练样本集中每个第二目标对象对应的样本生产数据进行预处理，得到目标样本生产数据；通过初始风险评估模型依据目标样本生产数据，对第二目标对象的信用风险进行评估，得到每个第二目标对象的预测风险等级；依据预测风险等级和每个第二目标对象的真实风险等级，确定初始风险评估模型的权重参数，得到目标风险评估模型。

可选地，在本申请实施例提供的贷款的处理方法中，依据第一经济属性，对贷款请求进行处理，得到目标处理结果包括：判断第一经济属性对应的第一评估值是否大于第一预设数值，得到第一判断结果；若第一判断结果表征第一评估值大于第一预设数值，则确定第一目标对象对应的贷款信息，其中，贷款信息至少包括贷款额度和目标利率；依据贷款信息对贷款请求进行处理，得到目标处理结果。

可选地，在本申请实施例提供的贷款的处理方法中，确定第一目标对象对应的贷款信息包括：获取每个风险等级对应的平均利率，并依据第一目标对象的目标风险等级，确定目标利率；通过额度确定模型依据第一评估值，计算得到第一目标对象的贷款额度；依据目标利率和贷款额度，确定第一目标对象的贷款信息。

可选地，在本申请实施例提供的贷款的处理方法中，在依据贷款信息办理贷款请求对应的贷款业务，得第一处理结果之后，该方法还包括：获取第一目标对象当前的第二评估信息；通过目标评价模型依据第二评估信息和目标风险等级，计算得到第二评估值，并依据第二评估值确定第一目标对象的第二经济属性；依据第二经济属性，判断第一目标对象是否存在贷款逾期的风险，如果第一目标对象存在贷款逾期的风险，则触发预警信息，其中，预警信息用于指示第三目标对象对贷款请求对应的贷款业务的贷款发放策略进行调整。

可选地，在本申请实施例提供的贷款的处理方法中，依据第二经济属性，判断第一目标对象是否存在贷款逾期的风险包括：判断第二经济属性对应的第二评估值是否低于第一预设数值，得到第二判断结果；依据第二评估值计算第一目标对象当前的额度，并依据第一目标对象当前的额度和贷款额度，计算第一目标对象的额度变化率；判断额度变化率是否大于第二预设数值，得到第三判断结果；若第二判断结果表征第二评估值低于第一预设数值或者第三判断结果表征额度变化率大于第二预设数值，则确定第一目标对象存在贷款逾期的风险。本文中的设备可以是服务器、PC、PAD、手机等。

本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：获取第一目标对象提交的贷款请求和目标生产数据，其中，目标生产数据至少包括第一目标对象对应的农产品的经营年限、农产品的经营规模、第一目标对象与农产品分销方的合作时间和农产品的交易量；通过目标风险评估模型依据目标生产数据，对第一目标对象的信用风险进行评估，得到第一目标对象的目标风险等级，其中，目标风险等级用于表征为第一目标对象办理贷款请求对应的贷款业务的风险程度；判断目标风险等级是否小于预设风险等级，若目标风险等级小于预设风险等级，则通过目标评价模型依据目标风险等级和第一目标对象的第一评估信息，确定第一目标对象的第一经济属性，其中，第一评估信息至少包括第一目标对象的历史信贷信息、资金流水信息、农产品的产量信息和农产品的目标交易量，目标交易量为对第一目标对象进行评估的日期之前的预设时间段内的交易量，第一经济属性用于表征第一目标对象对贷款请求对应的贷款业务的偿还能力；依据第一经济属性，对贷款请求进行处理，得到目标处理结果，其中，目标处理结果用于表征是否已对第一目标对象办理贷款请求对应的贷款业务。

可选地，在本申请实施例提供的贷款的处理方法中，目标风险评估模型至少包括输入层、隐含层和输出层，通过目标风险评估模型依据目标生产数据，对第一目标对象的信用风险进行划分，得到第一目标对象的目标风险等级包括：通过输入层对目标生产数据进行特征提取，得到第一目标对象的特征矩阵；通过隐含层中的预设的激励函数对特征矩阵进行处理，得到目标矩阵；通过输出层依据目标矩阵，对第一目标对象的风险等级进行评估，得到第一目标对象的目标风险等级。

可选地，在本申请实施例提供的贷款的处理方法中，目标评价模型中至少包括隶属函数和模糊合成算子，通过目标评价模型依据目标风险等级和第一目标对象的第一评估信息，确定第一目标对象的第一经济属性包括：通过隶属函数对第一评估信息和目标风险等级进行计算，得到第一目标对象的隶属矩阵；通过模糊合成算子计算隶属矩阵与预设权重矩阵的乘积，得到初始结果矩阵；对初始结果矩阵进行归一化处理，得到目标结果矩阵；依据目标结果矩阵和预设评估矩阵计算第一目标对象的评估值，得到第一评估值，并依据第一评估值确定第一经济属性。

可选地，在本申请实施例提供的贷款的处理方法中，在通过目标风险评估模型依据目标生产数据，对第一目标对象的信用风险进行划分，得到第一目标对象的目标风险等级之前，该方法还包括：获取训练样本集，其中，训练样本集至少包括多个第二目标对象、每个第二目标对象的真实风险等级、每个第二目标对象对应的样本生产数据；对训练样本集中每个第二目标对象对应的样本生产数据进行预处理，得到目标样本生产数据；通过初始风险评估模型依据目标样本生产数据，对第二目标对象的信用风险进行评估，得到每个第二目标对象的预测风险等级；依据预测风险等级和每个第二目标对象的真实风险等级，确定初始风险评估模型的权重参数，得到目标风险评估模型。

可选地，在本申请实施例提供的贷款的处理方法中，依据第一经济属性，对贷款请求进行处理，得到目标处理结果包括：判断第一经济属性对应的第一评估值是否大于第一预设数值，得到第一判断结果；若第一判断结果表征第一评估值大于第一预设数值，则确定第一目标对象对应的贷款信息，其中，贷款信息至少包括贷款额度和目标利率；依据贷款信息对贷款请求进行处理，得到目标处理结果。

可选地，在本申请实施例提供的贷款的处理方法中，确定第一目标对象对应的贷款信息包括：获取每个风险等级对应的平均利率，并依据第一目标对象的目标风险等级，确定目标利率；通过额度确定模型依据第一评估值，计算得到第一目标对象的贷款额度；依据目标利率和贷款额度，确定第一目标对象的贷款信息。

可选地，在本申请实施例提供的贷款的处理方法中，在依据贷款信息办理贷款请求对应的贷款业务，得第一处理结果之后，该方法还包括：获取第一目标对象当前的第二评估信息；通过目标评价模型依据第二评估信息和目标风险等级，计算得到第二评估值，并依据第二评估值确定第一目标对象的第二经济属性；依据第二经济属性，判断第一目标对象是否存在贷款逾期的风险，如果第一目标对象存在贷款逾期的风险，则触发预警信息，其中，预警信息用于指示第三目标对象对贷款请求对应的贷款业务的贷款发放策略进行调整。

可选地，在本申请实施例提供的贷款的处理方法中，依据第二经济属性，判断第一目标对象是否存在贷款逾期的风险包括：判断第二经济属性对应的第二评估值是否低于第一预设数值，得到第二判断结果；依据第二评估值计算第一目标对象当前的额度，并依据第一目标对象当前的额度和贷款额度，计算第一目标对象的额度变化率；判断额度变化率是否大于第二预设数值，得到第三判断结果；若第二判断结果表征第二评估值低于第一预设数值或者第三判断结果表征额度变化率大于第二预设数值，则确定第一目标对象存在贷款逾期的风险。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。