基于多维数据的企业风险评估方法、装置、设备和介质

技术领域

本申请涉及企业风险评估技术领域，尤其涉及一种基于多维度数据的企业风险评估方法、装置、设备和存储介质。

背景技术

在数字经济的发展趋势下，企业数字化及数字化应用和转型是企业顺应时代发展、提升企业效率以及增强企业核心竞争力的重要手段和举措。企业数字化风控系统可以更好地通过数字化工具和手段完善企业经营、赋能企业生产运营，支撑企业管理决策。但一个企业的发展往往充满着挑战和机遇，特别是企业在进行业务调整和战略决策中往往需要准确、完整、实时的企业经营数据、行业数据、风险分析等数据来辅助管理层进行决策。同时，在企业战略调整中，如果需要以利润换取市场空间或重点推出新产品获取市场反馈等情况下，更需要企业数字化风控系统能够及时识别和提示出企业的危险行为特征。

目前大多数企业风控模型中一般只注重财务效益、偿债能力及资产运营的财务数据分析，且过度依赖业务人员统计。

因此，现有技术中的企业风控模型大多存在风险分析的范畴注重财务效益、偿债能力及资产运营的财务数据分析，缺乏发展能力和人员综合水平分析，对各个业务的风控管理不细致，风控模型灵活度较低以及缺乏符合实际的数据量化方法及有针对性的风控模型算法的问题，亟需提出一种企业数字化风控策略的构建方法及高灵活度的风控模型算法体系，来解决目前风控评估不全面、风控模型灵活度低以及缺乏符合企业风控实际的数据量化方法的问题。

发明内容

本申请提供一种基于多维度数据的企业风险评估方法、装置、设备和存储介质，用以解决现有技术中存在的上述问题，即现有技术中存在的风控评估不全面、风控模型灵活度低以及缺乏符合企业风控实际的数据量化方法的问题。

第一方面，本申请提供一种基于多维度数据的企业风险评估方法，该方法包括：

获取目标企业的多维数据，所述多维数据包括：财务效益数据、资产运营数据、债偿能力数据、发展能力数据、人力资源数据以及前景发展数据；

将所述财务效益数据、所述资产运营数据、所述债偿能力数据、所述发展能力数据、所述人力资源数据以及所述前景发展数据分别输入至对应的风险评估模型中，得到每个维度对应的评估分数；

根据多个维度对应的评估分数，对所述目标企业的企业风险进行风险评估。

可选的，所述将所述财务效益数据、所述资产运营数据、所述人力资源数据以及所述前景发展数据分别输入至对应的风险评估模型中，得到每个维度对应的评估分数，包括：

根据所述财务效益数据、所述资产运营数据、所述人力资源数据以及所述前景发展数据，确定每个维度的数据对应的多个数据指标以及每个数据指标对应的指标权重；

根据所述多个数据指标以及每个指标对应的指标权重，对所述财务效益数据、所述资产运营数据、所述人力资源数据以及所述前景发展数据进行量化处理，得到每个维度对应的量化分数，并将所述量化分数作为对应的评估分数。

可选的，所述对所述财务效益数据、所述资产运营数据、所述人力资源数据以及所述前景发展数据进行量化处理，得到每个维度对应的量化分数，包括：

采用如下公式确定每个维度对应的量化分数：

其中，E为量化分数，y表示数据指标的数量，X表示对应的数据指标，K表示数据指标对应的指标权重。

可选的，所述将所述债偿能力数据输入至对应的风险评估模型中，得到对应维度的评估分数，包括：

根据所述债偿能力数据，确定所述债偿能力数据对应的多个数据指标；

根据所述多个数据指标，对所述债偿能力数据进行多元线性回归模型训练，得到所述债偿能力数据的偏回归系数，根据所述偏回归系数以及所述多个数据指标得到所述债偿能力数据对应的分数，并将所述分数作为所述债偿能力数据的评估分数。

可选的，所述将所述发展能力数据输入至对应的风险评估模型中，得到对应维度的评估分数，包括：

根据所述发展能力数据，确定所述发展能力数据对应的多个数据指标；

根据所述多个数据指标，对所述发展能力数据进行逻辑回归模型训练，得到所述发展能力数据的模型系数，根据所述模型系数以及所述多个数据指标得到所述发展能力数据对应的分数，并将所述分数作为所述发展能力数据的评估分数。

可选的，所述根据多个维度对应的评估分数，对所述目标企业的企业风险进行风险评估，包括：

获取每个维度对应的评估分数对应的评估权重；

根据多个维度对应的评估分数以及每个维度对应的评估分数对应的评估权重，对所述目标企业的企业风险进行风险评估。

可选的，所述根据多个维度对应的评估分数以及每个维度对应的评估分数对应的评估权重，对所述目标企业的企业风险进行风险评估，包括：

采用如下公式对所述目标企业的企业风险进行风险评估：

E＝a

其中，E表示评估结果，E

第二方面，本申请提供一种基于多维度数据的企业风险评估装置，该装置包括：

获取模块，用于获取目标企业的多维数据，所述多维数据包括：财务效益数据、资产运营数据、债偿能力数据、发展能力数据、人力资源数据以及前景发展数据；

输入模块，用于将所述财务效益数据、所述资产运营数据、所述债偿能力数据、所述发展能力数据、所述人力资源数据以及所述前景发展数据分别输入至对应的风险评估模型中，得到每个维度对应的评估分数；

处理模块，用于根据多个维度对应的评估分数，对所述目标企业的企业风险进行风险评估。

可选的，所述装置还包括：确定模块；

所述确定模块，用于根据所述财务效益数据、所述资产运营数据、所述人力资源数据以及所述前景发展数据，确定每个维度的数据对应的多个数据指标以及每个数据指标对应的指标权重；

所述处理模块，还用于根据所述多个数据指标以及每个指标对应的指标权重，对所述财务效益数据、所述资产运营数据、所述人力资源数据以及所述前景发展数据进行量化处理，得到每个维度对应的量化分数，并将所述量化分数作为对应的评估分数。

可选的，所述处理模块，用于采用如下公式确定每个维度对应的量化分数：

其中，E为量化分数，y表示数据指标的数量，X表示对应的数据指标，K表示数据指标对应的指标权重。

可选的，所述确定模块，还用于根据所述债偿能力数据，确定所述债偿能力数据对应的多个数据指标；

所述处理模块，还用于根据所述多个数据指标，对所述债偿能力数据进行多元线性回归模型训练，得到所述债偿能力数据的偏回归系数，根据所述偏回归系数以及所述多个数据指标得到所述债偿能力数据对应的分数，并将所述分数作为所述债偿能力数据的评估分数。

可选的，所述确定模块，还用于根据所述发展能力数据，确定所述发展能力数据对应的多个数据指标；

所述处理模块，还用于根据所述多个数据指标，对所述发展能力数据进行逻辑回归模型训练，得到所述发展能力数据的模型系数，根据所述模型系数以及所述多个数据指标得到所述发展能力数据对应的分数，并将所述分数作为所述发展能力数据的评估分数。

可选的，所述获取模块，还用于获取每个维度对应的评估分数对应的评估权重；

所述处理模块，还用于根据多个维度对应的评估分数以及每个维度对应的评估分数对应的评估权重，对所述目标企业的企业风险进行风险评估。

可选的，所述处理模块，用于采用如下公式对所述目标企业的企业风险进行风险评估：

E＝a

其中，E表示评估结果，E

第三方面，本申请提供一种基于多维度数据的企业风险评估设备，包括：至少一个处理器和存储器；

所述存储器存储计算机执行指令；

所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如上述第一方面及第一方面各种可能的实现方式所述的基于多维度数据的企业风险评估方法。

第四方面，本发明实施例提供一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面及第一方面各种可能的实现方式所述的基于多维度数据的企业风险评估方法。

本申请涉及企业风险评估技术领域，具体提供了一种基于多维度数据的企业风险评估方法、装置、设备和存储介质。通过获取目标企业的多维数据，所述多维数据包括：财务效益数据、资产运营数据、债偿能力数据、发展能力数据、人力资源数据以及前景发展数据；将所述财务效益数据、所述资产运营数据、所述债偿能力数据、所述发展能力数据、所述人力资源数据以及所述前景发展数据分别输入至对应的风险评估模型中，得到每个维度对应的评估分数；根据多个维度对应的评估分数，对所述目标企业的企业风险进行风险评估。该方法解决了企业风控模型灵活度低及对未知风险难以预测的问题，细化了风险控制信息，使得风险控制模型更全面。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。

图1是本申请提供的基于多维度数据的企业风险评估方法的流程图一；

图2是本申请提供的基于多维度数据的企业风险评估方法的流程图二；

图3是本申请提供的基于多维度数据的企业风险评估装置的结构示意图；

图4是本申请提供的基于多维度数据的企业风险评估设备的结构示意图。

通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请中的附图，对本申请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申请一部分实施例，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，都属于本申请保护的范围。

本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)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，以便这里描述的本发明的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。

本申请实施例中，“示例性的”或者“例如”等词用于表示例子、例证或说明。本申请中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。

首先对本申请设涉及的名词进行解释：

线性回归：线性回归是利用数理统计中回归分析，来确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法，运用十分广泛。其为误差服从均值为0的正态分布。回归分析中，只包括一个自变量和一个因变量，且二者的关系可用一条直线近似表示，这种回归分析称为一元线性回归分析。如果回归分析中包括两个或两个以上的自变量，且因变量和自变量之间是线性关系，则称为多元线性回归分析。

最小二乘法：最小二乘法是一种数学优化技术，它通过最小化误差的平方和寻找数据的合适函数匹配。这种方法可以简便地求得未知的数据，并使得这些求得的数据与实际数据之间误差的平方和为最小。最小二乘法还可用于曲线拟合，以及其他一些优化问题。如果预测的变量是离散的，称其为分类；如果预测的变量是连续的，称其为回归。

概率测算：概率测算的概念是指对某个事件或结果发生的可能性进行测量或计算。概率的取值范围在0到1之间，其中0表示不可能发生，1表示肯定会发生。在概率测算中，通常用字母P来表示概率，例如P(A)表示事件A发生的概率。事件是指可能发生或不发生的事情，可以由一个或多个样本点组成。样本点是指一个确定的结果，它是事件的最小单位。

logit变换：Logit变换是一种在概率模型中常见的变换，主要用于将线性回归模型的预测值转换为概率值。在二元逻辑回归模型中，logit变换被广泛应用，logit变换的作用是将线性回归模型的预测值转换为概率值，logit变换的应用范围广泛，可以用于金融、医学、社会学等领域。例如，在金融领域中，logit变换可以用于预测市场价格的波动和趋势；在医学领域中，logit变换可以用于预测疾病的发生率和治疗效果等。

最大似然估计：最大似然估计是一种统计方法，它用来求一个样本集的相关概率密度函数的参数。最大似然法明确地使用概率模型，其目标是寻找能够以较高概率产生观察数据的系统发生树，它是一类完全基于统计的系统发生树重建方法的代表，该方法在每组序列比对中考虑了每个核苷酸替换的概率。最大似然估计建立在最大似然原理的基础之上，明确地使用概率模型，寻找能够以较高概率产生观察数据的系统发生树。在给定参数待定的模型和一组从该模型中得出的数据情况下，最大似然估计需要确定参数，并使该确定参数后的模型在所有模型中产生已知数据的联合概率最大。

对数似然函数：对数似然函数是一种用于描述数据分布的函数，它基于似然函数的定义，通过对数函数来简化计算。对数似然函数的主要优点是可以将乘法运算转化为加法运算，从而简化计算。此外，对数似然函数在求取最大似然估计时，可以利用梯度上升或梯度下降等优化算法进行求解。在实际应用中，对数似然函数可以用于各种不同的统计模型，如线性回归模型、逻辑回归模型、朴素贝叶斯分类器等。通过对数似然函数，我们可以评估模型的拟合程度以及预测新的数据点的可能性。

目前大多数企业风控模型中一般只注重财务效益、偿债能力及资产运营的财务数据分析，且过度依赖业务人员统计。

因此，现有技术中的企业风控模型大多存在风险分析的范畴注重财务效益、偿债能力及资产运营的财务数据分析，缺乏发展能力和人员综合水平分析，对各个业务的风控管理不细致，风控模型灵活度较低以及缺乏符合实际的数据量化方法及有针对性的风控模型算法的问题，亟需提出一种企业数字化风控策略的构建方法及高灵活度的风控模型算法体系，来解决目前风控评估不全面、风控模型灵活度低以及缺乏符合企业风控实际的数据量化方法的问题。

针对上述问题，本申请提供了一种基于多维度数据的企业风险评估方法，通过获取目标企业的多维数据，该多维数据包括财务效益数据、资产运营数据、债偿能力数据、发展能力数据、人力资源数据以及前景发展数据，将该多维数据分别输入到对应的风险评估模型中，便可得到该多维数据对应的评估分数，根据对应的评估分数便可完成对该目标企业的风险评估。本申请能够在企业日常经营、战略决策、业务调整时对企业经营做出风险评估，及时有效的进行风控结果反馈，提高了企业经营水平，解决了企业风控模型灵活度低及对未知风险难以预测的问题，细化了风险控制信息，使得风险控制模型更全面。

下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。

图1是本申请实施例提供的基于多维度数据的企业风险评估方法的流程示意图一。如图1所示，本实施例示出的基于多维度数据的企业风险评估方法，包括：

S101：获取目标企业的多维数据，所述多维数据包括：财务效益数据、资产运营数据、债偿能力数据、发展能力数据、人力资源数据以及前景发展数据。

其中，获取目标企业的多维数据，该多维数据用于指示可以影响该企业运行风险的多种类型数据，通过对该多种类型的数据的分析便可完成对该目标企业的风险评估，该多维数据例如可以为：财务效益数据、资产运营数据、债偿能力数据、发展能力数据、人力资源数据以及前景发展数据，具体可以根据影响该企业运行风险的实际数据进行确定，在此处不作具体限制。

财务效益数据例如可以包括该企业的净资产收益率、资本保值增值率、主营业务利润率、盈余现金保障倍数以及成本费用利润率等多个数据指标；资产运营数据例如可以包括该企业的净总资产周转率、流动资产周转率、存货周转率、应收帐款周转率以及不良资产比率等多个数据指标；债偿能力数据例如可以包括该企业的资产负债率、速动比率、现金流动负债比率、现金比重以及应收账款比重等多个数据指标；发展能力数据例如可以包括该企业的销售增长率、资本积累率、三年资本平均增长率、三年销售平均增长率以及技术投入比率等多个数据指标；人力资源数据例如可以包括该企业的公司总人数评分、技术研发人员占比、硕士及以上高学历人才占比、中高级职称人才占比以及全员劳动生产平均产出率等多个数据指标；前景发展数据例如可以包括该企业的行业发展状况、产品市场占有率或企业行业地位以及技术创新能力等多个数据指标。

S102：将所述财务效益数据、所述资产运营数据、所述债偿能力数据、所述发展能力数据、所述人力资源数据以及所述前景发展数据分别输入至对应的风险评估模型中，得到每个维度对应的评估分数。

其中，对对应风险评估模块进行处理来得到每个维度对应的评估分数的过程例如可以为：可以对该多维数据中的财务效益数据、资产运营数据、人力资源数据以及前景发展数据对应的多个数据指标以及每个指标对应的指标权重通过量化处理的方式来得到该多维数据对应的评估分数；通过对债偿能力数据进行多元线性回归模型训练得到债偿能力数据的偏回归系数，通过偏回归系数以及债偿能力数据对应的多个数据指标得到债偿能力数据的评估分数；可以通过对发展能力数据进行逻辑回归模型训练得到发展能力数据的模型系数，通过模型系数以及发展能力数据对应的多个数据指标得到发展能力数据的评估分数。

S103：根据多个维度对应的评估分数，对所述目标企业的企业风险进行风险评估。

其中，根据根据多个维度对应的评估分数，对目标企业的企业风险进行风险评估的过程例如可以为：根据多个维度对应的评估分数以及每个维度对应的评估分数对应的评估权重，将该多个维度的数据进行量化处理来实现对目标企业的企业风险的风险评估。

本实施例提供的基于多维度数据的企业风险评估方法，通过获取目标企业的多维数据，该多维数据包括财务效益数据、资产运营数据、债偿能力数据、发展能力数据、人力资源数据以及前景发展数据，将该多维数据分别输入到对应的风险评估模型中，便可得到该多维数据对应的评估分数，根据对应的评估分数便可完成对该目标企业的风险评估。本申请能够在企业日常经营、战略决策、业务调整时对企业经营做出风险评估，提高了企业经营水平，解决了企业风控模型灵活度低以及对未知风险难以预测的问题，细化了风险控制信息，使得风险控制模型更全面。

图2为本申请实施例提供的基于多维度数据的企业风险评估方法的流程示意图二。如图2所示，本实施例是在图1实施例的基础上，对基于多维度数据的企业风险评估方法进行详细说明。本实施例示出的基于多维度数据的企业风险评估方法，包括：

S201：获取目标企业的多维数据，所述多维数据包括：财务效益数据、资产运营数据、债偿能力数据、发展能力数据、人力资源数据以及前景发展数据。

步骤S201与上述步骤S101类似，在此不作赘述。

S202：根据所述财务效益数据、所述资产运营数据、所述人力资源数据以及所述前景发展数据，确定每个维度的数据对应的多个数据指标以及每个数据指标对应的指标权重。

其中，财务效益数据对应的多个数据指标例如可以包括：该企业的净资产收益率、资本保值增值率、主营业务利润率、盈余现金保障倍数以及成本费用利润率等数据指标，净资产收益率指的是利润额与平均股东权益的比值，该指标越高，说明投资带来的收益越高；资本保值增值率指的是企业资本的运营效益与安全状况；主营业务利润率，指的是公司的主营业务获利，只有当公司主营业务突出，即主营业务利润率较高的情况下，才能在竞争中占据优势地位；盈余现金保障倍数指的是从现金流入和流出的动态角度，对企业收益的质量进行评价，对企业的实际收益能力进行再次修正，当企业当期净利润大于0时，该指标应当大于1，该指标越大，表明企业经营活动产生的净利润对现金的贡献越大，利润的可靠性较高，具有一定的派现能力；成本费用利润率，指的是每付出一元成本费用可获得多少利润，体现了经营耗费所带来的经营成果，该项指标越高，利润就越大，反映企业的经济效益越好，对该多个指标的权重大小可以根据实际情况灵活调整，在此处不作具体限制。

资产运营数据指企业资产的周转情况，反映企业占用经济资源的利用效率，该数据例如可以包括该企业的净总资产周转率、流动资产周转率、存货周转率、应收帐款周转率以及不良资产比率等数据指标，净总资产周转率是企业一定时期的销售收入净额与平均资产总额之比，它是衡量资产投资规模与销售水平之间配比情况的指标，净总资产周转率越高，说明企业销售能力越强,资产投资的效益越好；流动资产周转率指企业一定时期内主营业务收入净额同平均流动资产总额的比率；存货周转率，反映存货的周转速度，即存货的流动性及存货资金占用量是否合理，促使企业在保证生产经营连续性的同时，提高资金的使用效率，增强企业的短期偿债能力；应收账款周转率是企业在一定时期内赊销净收入与平均应收账款余额之比，它是衡量企业应收账款周转速度及管理效率的指标，周转率高，表明赊账越少，收账迅速，账龄较短，资产流动性强，短期偿债能力强，可以减少坏账损失；不良资产比率,一般指不良资产率，表示不良资产占全部资产的比率，对该多个指标的权重大小可以根据实际情况灵活调整，在此处不作具体限制。

人力资源数据例如可以为该企业的公司总人数评分、技术研发人员占比、硕士及以上高学历人才占比、中高级职称人才占比以及全员劳动生产平均产出率等数据指标，公司总人数评分指的是根据公司的现阶段人力情况以及未来发展要求，公司总人数评分与当前公司总人数成反比，当前公司总人数与设定的合理值偏差越大，则公司总人数评分越低，公司总人数合理值可根据公司的情况进行动态调节；技术研发人员占比指的是该公司技术研发人员与总人数的占比，其反应一个企业的造血能力，技术研发人员占比越高，则企业的生产能力越强；硕士及以上高学历人才占比指的是公司硕士及以上高学历人才数量占公司总人数的占比，硕士及以上高学历人才反应了企业的人才吸引力，高学历人才越多，则企业的生产能力越高；中高级职称人才占比指的是公司中高级人才数量与总人数的占比，中高级职称人才反应企业的人才梯队能力，中高级职称人才占比越高，则企业的生命力越旺盛；全员劳动生产平均产出率指的是公司年度总收入除以总人数的比值，全员劳动生产平均产出越高，表示企业的生产能力越强，风险越小，对该多个指标的权重大小可以根据实际情况灵活调整，在此处不作具体限制。

前景发展数据例如可以包括该企业的行业发展状况、产品市场占有率或企业行业地位以及技术创新能力数据指标，行业发展状况指的是采用每年的市场潜在增长率表示行业发展状况，如果一个行业的增长率越高，则表示该企业从事的行业的潜力越大，企业的竞争能力就越强，为更精确描述行业发展状况，则可对公司从事的各行业分别进行统计分析，最后求均值即可；产品市场占有率指的是为综合考虑公司产品的市场占有率，对公司主要产品的市场占有率求均值表示企业的市场占有率；技术创新能力是衡量一个公司竞争能力的重要参考点，这里我们以公司人均专利数量，软著数量，重要奖项获奖数量衡量公司技术创新能力，对该多个指标的权重大小可以根据实际情况灵活调整，在此处不作具体限制。

S203：根据所述多个数据指标以及每个指标对应的指标权重，对所述财务效益数据、所述资产运营数据、所述人力资源数据以及所述前景发展数据进行量化处理，得到每个维度对应的量化分数，并将所述量化分数作为对应的评估分数。

其中，对所述财务效益数据的量化处理例如可以为：

E

对所述资产运营数据的量化处理例如可以为：

E

对所述人力资源数据的量化处理例如可以为：

E

对所述前景发展数据的量化处理例如可以为：

E

S204：根据所述债偿能力数据，确定所述债偿能力数据对应的多个数据指标。

其中，债偿能力数据对应的多个数据指标例如可以包括：该企业的资产负债率、速动比率、现金流动负债比率、现金比重以及应收账款比重等多个数据指标。

S205：根据所述多个数据指标，对所述债偿能力数据进行多元线性回归模型训练，得到所述债偿能力数据的偏回归系数，根据所述偏回归系数以及所述多个数据指标得到所述债偿能力数据对应的分数，并将所述分数作为所述债偿能力数据的评估分数。

其中，偿债能力数据主要反映了企业对长期债务的偿还和现金保障能力，企业的长期偿债能力与其盈利能力是密切相关的，只有企业有着充足的现金流入才可以保证其具有较强的长期偿债能力。

对该偿债能力数据的多元线性回归模型训练处理过程例如可以通过采用多元线性回归方法来分析偿债能力的基本状况，该偿债能力数据对应的多元线性回归方程例如可以为：

E

E

遵循常规多元线性回归模型原理，根据最小二乘法原理，对该多元线性回归方程进行求极值以及列正规方程组处理便可得到该多元线性回归方程的偏回归系数，由偏回归系数得到偿债能力数据的指多个标对应的权重例如可以为：b

S206：根据所述发展能力数据，确定所述发展能力数据对应的多个数据指标。

其中，发展能力数据对应的多个数据指标例如可以包括：该企业的销售增长率、资本积累率、三年资本平均增长率、三年销售平均增长率以及技术投入比率等多个数据指标。

S207：根据所述多个数据指标，对所述发展能力数据进行逻辑回归模型训练，得到所述发展能力数据的模型系数，根据所述模型系数以及所述多个数据指标得到所述发展能力数据对应的分数，并将所述分数作为所述发展能力数据的评估分数。

其中，发展能力关系到企业的持续生存问题，也关系到投资者未来收益和债权人长期债权的风险程度。对该发展能力数据进行逻辑回归模型训练的过程例如可以为：将企业的发展能力作为因变量E

p＝β

X

因为概率p的取值都在0～1之间，对p进行logit变换logit(p)＝ln

β

p{E

一般情况下，以0.5为界限，预测p大于0.5时，判断此时E

其中，对模型系数的估计运用最大似然估计(MLE)的方法。设y是0～1的变量，X

对数似然函数为：

最大似然估计就是选取β

S208：获取每个维度对应的评估分数对应的评估权重。

其中，每个维度对应的评估分数对应的评估权重可以根据实际情况进行设定，此处不作具体限制。

S209：根据多个维度对应的评估分数以及每个维度对应的评估分数对应的评估权重，对所述目标企业的企业风险进行风险评估。

可选的，对所述财务效益数据、所述资产运营数据、所述人力资源数据以及所述前景发展数据进行量化处理，得到每个维度对应的量化分数，可综合采用如下公式确定每个维度对应的量化分数：

其中，E为量化分数，y表示数据指标的数量，X表示对应的数据指标，K表示数据指标对应的指标权重。

可选的，所述根据多个维度对应的评估分数以及每个维度对应的评估分数对应的评估权重，对所述目标企业的企业风险进行风险评估，采用如下公式对所述目标企业的企业风险进行风险评估：

E＝a

其中，E表示评估结果，该结果越高表示该企业评估结果越好，该企业的风险系数越低，E

可选的，上述将目标企业的多维数据通过输入对应的风险评估模块以及将该多个维度的数据评估后的分数进行量化处理来完成对目标企业的风险评估，该步骤可以基于云平台管理来具体来实现对目标企业的风险评估，同时该云平台采用的系统架构可以为采用k8s容器化部署，该系统架构的使用例如可以为将数据自动化调度服务、财务效益数据评估模块服务、资产运营数据评估模块服务、企业偿债能力数据评估模块服务、发展能力数据评估模块服务、人力资源数据评估模块服务以及前景发展数据评估模块服务等所需依赖的配置和环境变量打包成镜像，通过镜像启动提供该系统的服务。

基于数据自动化调度服务、财务效益数据评估模块服务、资产运营数据评估模块服务、企业偿债能力数据评估模块服务、发展能力数据评估模块服务、人力资源数据评估模块服务以及前景发展数据评估模块服务的服务流程例如可以为：数据自动化调度服务与财务系统、人力资源系统、业务系统、行业外部系统等通过自动化定时调度来对基础业务数据进行自动化采集、清洗、存储、建模等预处理步骤，该业务数据可通过关系型数据库或非关系型数据库进行分层设计，该分层设计例如可以为将各种业务数据存储至ODS业务模型层，通过DW分析模型层对数据进行清洗、整合和标准化处理和转换，通过DWS服务应用层为用户报表生成、数据分析、数据挖掘和决策支持，从而实现数据的存储；在完成对基础业务数据的预处理之后，便可得到基础的数据模块，该模块例如可以包括：财务效益数据模块、资产运营模块、企业偿债能力数据模块、发展能力数据模块、人力资源数据模块以及前景发展数据模块，对该基础模块完成相应的规则配置、权重计算以及模型训练后便可得到该基础的数据模块对应的风险评估模块，对各个风险评估模块完成相应的风险评估后将各个模块的风险评估结果进行综合量化处理，最终可以将综合量化处理的结果显示至云平台管理屏幕，至此便完成了对该企业的风险评估服务。

本实施例提供的基于多维度数据的企业风险评估方法，通过获取目标企业的多维数据，该多维数据包括财务效益数据、资产运营数据、债偿能力数据、发展能力数据、人力资源数据以及前景发展数据，其中财务效益数据、资产运营数据、人力资源数据以及前景发展数据分别对应多个数据指标，根据该多维数据分别对应的多个指标以及多个指标中每个指标对应的权重对该多维数进行量化处理，从而可以得到每个维度数据对应的量化分数，该量化分数即为该多维数据对应的评估分数。

对该债偿能力数据进行多元线性回归模型训练得到债偿能力数据对应的偏回归系数，进而根据偏回归系数得到债偿能力数据的分数，该分数即为对债偿能力数据的评估分数；对发展能力数据进行逻辑回归模型训练便可得到发展能力数据对应的模型系数，进而根据该模型系数得到发展能力数据的分数，该分数即为对发展能力数据的评估分数。

在得到每个维度数据的评估分数之后，获取每个维度对应的评估分数对应的评估权重，根据该多个维度数据对应的评估分数以及每个维度对应的评估分数对应的评估权重对该多个维度的数据进行量化处理，从而实现对目标企业的企业风险的评估。该方法对每个维度数据进行相应的处理，对财务效益数据、资产运营数据、人力资源数据以及前景发展数据进行灵活量化处理，提高了风险评估模型的灵活度，对债偿能力数据进行多元线性回归模型训练以及对发展能力数据进行逻辑回归模型训练，解决了企业风控模型灵活度低及对未知风险难以预测的问题，细化了风险控制信息，使得风险控制模型更全面，提高了企业经营水平。同时采用采用k8s容器化部署解决了系统架构部署复杂、增加内存损耗等缺点。

图3为本申请实施例提供的基于多维度数据的企业风险评估装置的结构示意图。如图3所示，本申请提供的基于多维度数据的企业风险评估装置300包括：

获取模块301，用于获取目标企业的多维数据，所述多维数据包括：财务效益数据、资产运营数据、债偿能力数据、发展能力数据、人力资源数据以及前景发展数据；

输入模块302，用于将所述财务效益数据、所述资产运营数据、所述债偿能力数据、所述发展能力数据、所述人力资源数据以及所述前景发展数据分别输入至对应的风险评估模型中，得到每个维度对应的评估分数；

处理模块303，用于根据多个维度对应的评估分数，对所述目标企业的企业风险进行风险评估。

可选的，所述装置还包括：确定模块304；

所述确定模块304，用于根据所述财务效益数据、所述资产运营数据、所述人力资源数据以及所述前景发展数据，确定每个维度的数据对应的多个数据指标以及每个数据指标对应的指标权重；

所述处理模块303，还用于根据所述多个数据指标以及每个指标对应的指标权重，对所述财务效益数据、所述资产运营数据、所述人力资源数据以及所述前景发展数据进行量化处理，得到每个维度对应的量化分数，并将所述量化分数作为对应的评估分数。

可选的，所述处理模块303，用于采用如下公式确定每个维度对应的量化分数：

其中，E为量化分数，y表示数据指标的数量，X表示对应的数据指标，K表示数据指标对应的指标权重。

可选的，所述确定模块304，还用于根据所述债偿能力数据，确定所述债偿能力数据对应的多个数据指标；

所述处理模块303，还用于根据所述多个数据指标，对所述债偿能力数据进行多元线性回归模型训练，得到所述债偿能力数据的偏回归系数，根据所述偏回归系数以及所述多个数据指标得到所述债偿能力数据对应的分数，并将所述分数作为所述债偿能力数据的评估分数。

可选的，所述确定模块304，还用于根据所述发展能力数据，确定所述发展能力数据对应的多个数据指标；

所述处理模块303，还用于根据所述多个数据指标，对所述发展能力数据进行逻辑回归模型训练，得到所述发展能力数据的模型系数，根据所述模型系数以及所述多个数据指标得到所述发展能力数据对应的分数，并将所述分数作为所述发展能力数据的评估分数。

可选的，所述获取模块301，还用于获取每个维度对应的评估分数对应的评估权重；

所述处理模块303，还用于根据多个维度对应的评估分数以及每个维度对应的评估分数对应的评估权重，对所述目标企业的企业风险进行风险评估。

可选的，所述处理模块303，用于采用如下公式对所述目标企业的企业风险进行风险评估：

E＝a

其中，E表示评估结果，E

图4为本申请提供的基于多维度数据的企业风险评估设备的结构示意图。如图4所示，本申请提供一种基于多维度数据的企业风险评估设备，该基于多维度数据的企业风险评估设备400包括：接收器401、发送器402、处理器403以及存储器404。

接收器401，用于接收指令和数据；

发送器402，用于发送指令和数据；

存储器404，用于存储计算机执行指令；

处理器403，用于执行存储器404存储的计算机执行指令，以实现上述实施例中基于多维度数据的企业风险评估方法所执行的各个步骤。具体可以参见前述基于多维度数据的企业风险评估方法实施例中的相关描述。

可选的，上述存储器404既可以是独立的，也可以跟处理器403集成在一起。

当存储器404独立设置时，该电子设备还包括总线，用于连接存储器404和处理器403。

本申请还提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，当处理器执行计算机执行指令时，实现如上述基于多维度数据的企业风险评估设备所执行的基于多维度数据的企业风险评估方法。

本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求书指出。

应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。