一种企业异常的评估系统及评估方法

技术领域

本申请涉及计算机技术领域，尤其是涉及一种企业异常的评估系统及评估方法。

背景技术

随着互联网的快速发展，互联网的高效和快捷改变着各个行业，尤其是金融业，金融机构在和企业达成合作之前，需要对企业进行评估，以确保合作的风险在可控的范围内。

现阶段，金融机构对企业的评估还是针对于企业本身提供的数据或是到企业现场进行考察，但是基于此种方式对企业异常的评估可获取的评估依据少，可信度不高，严重影响了对企业异常评估的准确性。

发明内容

有鉴于此，本申请的目的在于提供一种企业异常的评估系统及评估方法，根据对待检测企业的供应链的检测，确定待检测企业在货物流转过程中多种信息，进而根据供应链上的数据对待检测企业进行检测，为对待检测企业异常检测提供了种类更多流动性更强的数据支撑，可信度高，可以提高对待检测企业异常评估的准确性。

本申请实施例提供了一种企业异常的评估系统，所述评估系统包括供应链验证装置、供应链分析装置以及企业异常评估装置：

所述供应链验证装置，用于基于获取到的待检测企业的多条供应链货物流转数据，确定出与所述待检测企业对应的多条待检测供应链以及对每一条待检测供应链的供应置信区间，并将多条待检测供应链以及每一条待检测供应链的供应置信区间发送至所述供应链分析装置；

所述供应链分析装置，用于将接收到的待检测企业的每一条待检测供应链以及每一条待检测供应链的供应置信区间依次输入至预先训练好的异常评估模型，得到所述待检测企业对应的待检测企业的企业评估分值，将所述待检测企业的企业评估分值发送至所述企业异常评估装置；

所述企业异常评估装置，用于检测所述企业评估分值是否大于预设分值阈值，当所述企业评估分值大于预设分值阈值时，确定所述待检测企业异常。

进一步的，所述评估系统还包括供应链获取装置，所述供应链获取装置用于：

根据所述待检测企业的上传的多个货物流转订单，确定出每一条货物流转信息；

根据每一条货物流转信息指示的货物发出方以及货物接收方，确定出与所述待检测企业对应的多条供应链货物流转数据。

进一步的，所述供应链验证装置包括供应链确定模块以及置信区间确定模块，其中，

所述供应链确定模块，用于根据所述待检测企业的多条供应链货物流转数据，确定出与所述待检测企业关联的至少一个关联企业，将所述待检测企业与每一个关联企业根据货物的流转方向进行关联，得到所述检测企业的多条待检测供应链，并将所述多条待检测供应链发送至所述置信区间确定模块；

所述置信区间确定模块，用于根据每条待检测供应链的供应链长度，确定每条待检测供应链的初始置信区间，针对于每一条待检测供应链，确定该待检测供应链中是否存在供应异常企业，若该待检测供应链中存在供应异常企业，根据预设系数调整所述初始置信区间，确定出与该待检测供应链对应的供应置信区间。

进一步的，所述供应链分析装置还用于：

将接收到的待检测企业的每一条待检测供应链以及每一条待检测供应链的供应置信区间依次输入至预先训练好的异常评估模型，得到所述待检测企业在每一个检测维度下的企业评估数值，基于每个检测维度对应的权重系数以及每一个检测维度下的所述待检测企业的企业评估数值，确定所述待检测企业的企业评估分值。

其中，所述检测维度包括以下至少一种：

企业营业检测维度、企业供货风险检测维度、供货周期检测维度、企业稳定性检测维度以及企业风险检测维度。

进一步的，当所述检测维度包括企业营业检测维度时，所述供应链分析装置还用于：

将每一条待检测供应链输入至所述异常评估模型中，基于历史企业营业数据确定所述待检测企业在每个营业检测时间下的预测营业数据；

基于每个营业检测时间对应的营业系数以及对应的预测营业数据，确定在所述企业营业检测维度下的企业评估数值。

进一步的，当所述检测维度包括企业稳定性检测维度时，所述供应链分析装置还用于：

将每一条待检测供应链输入至所述异常评估模型中，确定出所述待检测企业的多个营业差值；

根据确定出的每个营业差值对应的营业时间，将多个营业差值排序，得到营业序列；

基于所述营业序列的收敛度，确定在所述企业稳定性检测维度下的企业评估数值。

进一步的，当所述检测维度包括企业供货风险检测维度、供货周期检测维度以及企业风险检测维度中的任一维度时，所述供应链分析装置还用于：

将每一条待检测供应链输入至所述异常评估模型中，确定出所述待检测企业在每个预测时刻上的评估值；

基于每个预测时刻上的评估值，确定所述待检测企业在相应检测维度下的企业评估数值。

进一步的，所述评估系统还包括预警装置，所述预警装置用于：

确定待检测企业的货物流转预测时间；

若从待检测企业发生货物流转到接收到流转反馈的流转时间大于所述货物流转预测时间段，确定所述待检测企业异常；

生成与所述待检测企业对应的预警信息，以提示所述待检测企业的货物流转异常情况。

本申请实施例还提供了一种企业异常的评估方法，应用于上述评估系统中的供应链分析装置，所述评估方法包括：

获取待检测企业的每一条待检测供应链以及每一条待检测供应链的供应置信区间；

将每一条待检测供应链以及每一条待检测供应链的供应置信区间依次输入至预先训练好的异常评估模型中，得到所述待检测企业的企业评估分值。

进一步的，所述将每一条待检测供应链以及每一条待检测供应链的供应置信区间依次输入至预先训练好的异常评估模型中，得到所述待检测企业的企业评估分值，包括：

将接收到的待检测企业的每一条待检测供应链以及每一条待检测供应链的供应置信区间依次输入至预先训练好的异常评估模型，得到所述待检测企业在每一个检测维度下的企业评估数值；

基于每个检测维度对应的权重系数以及每一个检测维度下的所述待检测企业的企业评估数值，确定所述待检测企业的企业评估分值；

其中，所述检测维度包括以下至少一种：

企业营业检测维度、企业供货风险检测维度、供货周期检测维度、企业稳定性检测维度以及企业风险检测维度。

本申请实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如上述的企业异常的评估方法的步骤。

本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上述的企业异常的评估方法的步骤。

本申请实施例提供的企业异常的评估系统及评估方法，供应链验证装置根据获取到的待检测企业的多条供应链流转数据，确定出待检测企业在货物流转过程中的多条待检测供应链以及每一条待检测供应链的供应置信区间，将确定出的多条待检测供应链以及每一条待检测供应链的供应置信区间发送至供应链分析装置，供应链分析装置根据接收到的多条待检测供应链以及每一条待检测供应链的供应置信区间，结合预先训练好的异常评估模型，确定出待检测企业的企业评估分值，并将确定出的企业评估分值发送至企业异常评估装置，企业异常评估装置在接收到企业评估分值后，根据企业评估分值确定出企业的异常状况以及对待检测企业的评估结果，从而为对待检测企业异常检测提供了种类更多流动性更强的数据支撑，可信度高，可以提高对待检测企业异常评估的准确性。

为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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他相关的附图。

图1为本申请实施例提供的企业异常的评估系统的结构示意图之一；

图2为本申请实施例提供的企业异常的评估系统的结构示意图之二；

图3为本申请实施例提供的企业异常的评估系统中供应链验证装置的结构示意图；

图4为企业可信度验证系统的结构示意图；

图5为本申请实施例所提供的一种企业异常的评估方法的流程图；

图6为本申请实施例所提供的一种电子设备的结构示意图。

图标：100-评估系统；110-供应链验证装置；111-供应链确定模块；112-置信区间确定模块；120-供应链分析装置；130-企业异常评估装置；140-供应链获取装置；150-预警装置；600-电子设备；610-处理器；620-存储器；630-总线。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，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实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的每个其他实施例，都属于本申请保护的范围。

首先，对本申请可适用的应用场景进行介绍。本申请可应用于计算机技术领域。

经研究发现，现阶段，金融机构对企业的评估还是针对于企业本身提供的数据或是到企业现场进行考察，但是基于此种方式对企业异常的评估可获取的评估依据少，可信度不高，严重影响了对企业异常评估的准确性。

基于此，本申请实施例提供了一种企业异常的评估系统，以提高对待检测企业异常评估的准确性。

请参阅图1，图1为本申请实施例提供的企业异常的评估系统100的结构示意图之一，如图1中所示，本申请实施例提供了一种企业异常的评估系统100，所述评估系统100包括供应链验证装置110、供应链分析装置120以及企业异常评估装置130。供应链验证装置110根据获取到的待检测企业的多条供应链流转数据，确定出待检测企业在货物流转过程中的多条待检测供应链以及每一条待检测供应链的供应置信区间，将确定出的多条待检测供应链以及每一条待检测供应链的供应置信区间发送至供应链分析装置120，供应链分析装置120根据接收到的多条待检测供应链以及每一条待检测供应链的供应置信区间，结合预先训练好的异常评估模型，确定出待检测企业的企业评估分值，并将确定出的企业评估分值发送至企业异常评估装置130，企业异常评估装置130在接收到企业评估分值后，根据企业评估分值确定出企业的异常状况以及对待检测企业的评估结果。

具体的，供应链验证装置110，用于基于获取到的待检测企业的多条供应链货物流转数据，确定出与所述待检测企业对应的多条待检测供应链以及对每一条待检测供应链的供应置信区间，并将多条待检测供应链以及每一条待检测供应链的供应置信区间发送至所述供应链分析装置。

这里，待检测企业的供货链流转数据表征了待检测企业的货物流转的方向以及流转时间，在相应的供货链上可以归纳出对应的关键节点：采购/销售合同；订单；仓储合同；仓单；运输合同；运单；验收；发票；支付，在每个节点处可以看出待检测企业的货物流转情况以及每个不同的货物在不同节点出的处理时间。

这里，供应链(Supply chain)，是指生产及流通过程中，涉及将产品或服务提供给最终用户活动的上游与下游企业，所形成的网链结构。在确定出的待检测企业的多条待检测供应链中，包括了待检测企业的上游或者下游企业，这些企业共同形成的完整的供应链完成了相应货物的流转。

例如，待检测企业A出售了一批货物给B公司，并且A公司销售的加工原料来自C公司，B公司将A公司的货物加工后销售给D公司，那么这几个企业之间根据货物的流转关系，形成了待检测企业A的一条待检测供应链“C-A-B-D”。

这里，对于供应链的形成是根据待检测企业的货物流转信息确定的，可以是货物流转的票据等，在票据中分别标有相应的甲方以及乙方、时间、服务类型、金额、条件、备注等信息，根据相应的票据可以确定出待检测供应链的上游企业以及下游企业。

其中，针对于同一个货物的流转，相应的上游企业以及下游企业以“链”(edge)的形式加入到图数据库中进行存储，并在存储过程中将相应的货物流转信息(货物流转的票据)串联起来。

这里，针对于每一条待检测供应链，需要根据一定的评估方法确定出该待检测供应链的供应置信区间，具体过程可以为：将每个相关联的上游企业以及下游企业的置信度进行动态评价目标函数(Objective Function)为拼接处一个更长的链(chain)，从而不断的更新相关联的上游企业以及下游企业的置信度，一般来说，待检测供应链的长度与供应链的置信度越高，即供应链越长，供应链上每两个相关联的上游企业以及下游企业的置信度就越高。

进一步的，所述供应链分析装置120，用于将接收到的待检测企业的每一条待检测供应链以及每一条待检测供应链的供应置信区间依次输入至预先训练好的异常评估模型，得到所述待检测企业对应的待检测企业的企业评估分值，将所述待检测企业的企业评估分值发送至所述企业异常评估装置。

这里，对于待检测企业的每条待检测供应链以及每一条待检测供应链对应的供应置信区间，结合预先训练好的异常评估模型，在多个检测维度对待检测企业进行评分，进而再根据不同检测维度对应的权重系数，得到待检测企业的企业评估分值。

这里，预先训练好的异常评估模型可以循环神经网络(Recurrent NeuralNetwork，RNN)基于隐马尔可夫(Hidden Markov)与支持向量机(Support Vector Machine，SVM)得到待检测企业在各个检测维度下的评分，进而确定出待检测企业的企业评估分值。

其中，在异常评估模型内部使用主成分分析算法(Principal ComponentAnalysis)对高维度的待检测供应链数据进行降维，得到四个组合维度，将这四个维度输入到一个双层六节点的循环神经网络中，得到待检测企业在不同检测维度下的检测值。

进一步的，所述企业异常评估装置130用于检测所述企业评估分值是否大于预设分值阈值，当所述企业评估分值大于预设分值阈值时，确定所述待检测企业异常。

这里，根据接收到的待检测企业的企业评估分值与预设分值阈值之间的关系，当确定出待检测企业的企业评估分值大于预设分数阈值时，确定待检测企业存在货物供应情况。

这里，对于企业异常评估装置130来说，除了可以对待检测企业的异常进行预警还可以将待检测企业的实时数据进行统计以及展示，将待检测企业的数据进行可视化展示，还可以根据待检测企业对应的多条供应链，对待检测企业的货物流转情况进行追踪，以监控待检测企业在每条供应链上的每个节点上的具体情况，从而监测待检测企业的每条供应链的货物流转情况。

其中，对待检测企业的数据的可视化显示可以是待检测企业的应收应付，收货与付款的准时率，贷款还款准时率与各个环节风险总览，并可以通过柱状图，饼状图，折线图，多维度交叉3D图，热力图与报表的形式进行展示。

这里，待检测企业的异常可以包括是待检测企业在供应链的流转过程中现金流的异常，或是待检测企业货物供给异常(货物未在预设达到时间之前达到或是货物在运输过程中出现损坏等)。

其中，待检测企业的异常不仅可以是由于待检测企业本身的异常导致的，还可能是由于与待检测企业处于同一供应链上的与待检测企业相关联的上游企业引起的。

例如，待检测企业A出售了一批货物给B公司，并且A公司销售的加工原料来自C公司，但是C公司并未在预定的交货期限交货，导致待检测企业A无法在预定时间将货物运输到B公司，这时待检测企业A的到货时间异常是由于待检测企业A的上游企业C公司的异常导致的。

进一步的，请参阅图2，图2为本申请实施例提供的企业异常的评估系统100的结构示意图之二，如图2中所示，所述评估系统100还包括供应链获取装置140，所述供应链获取装置140用于：根据所述待检测企业的上传的多个货物流转订单，确定出每一条货物流转信息；

根据每一条货物流转信息指示的货物发出方以及货物接收方，确定出与所述待检测企业对应的多条供应链货物流转数据。

这里，供应链获取装置140根据获取到的待检测企业上传的多个货物流转订单，确定出待检测企业的多条货物流转信息，根据每条货物流转信息中指示的货物发出方以及货物接收方，确定出与待检测企业对应的多条供应链货物流转数据。

这里，对于待检测企业的货物流转订单的获取需要保证待检测企业是在本申请实施例中的提供的供应链获取装置140中注册过的企业的，在企业进行注册时，需要企业提供企业基础数据以供应链获取装置140进行审核。

其中，企业的基础数据包括营业执照，法人以及经办人的身份证，过去三年的资产负债表，利润表，现金流表，可用于增信的抵押物证明等，并且企业的注册法人也需要验证法人身份的合法性，可以是通过人脸验证的方式确定出企业法人的合法性。

这里，供应链获取装置140获取的待检测企业的上传的多个货物流转订单室友待检测企业的内部人员上传的，可以是待检测企业的法人通过在供应链获取装置140的账号进行的上传，还可以是待检测企业的法人授权相应的子账号给待检测企业的内部员工进行待检测企业的多个货物流转订单的上传，同样的每个子账号对应的授权人员也需要通过人脸验证的方式进行身份验证，以此保证不泄露待检测企业的信息。

这里，在上传待检测企业的多个货物流转订单时，可以是待检测企业的内部人员通过对货物流转订单进行拍照，并且注明该货物流转订单属于哪笔合同，也可以标注金额，日期，经办人等信息，如不标记则系统通过图片识别。

这里，供应链获取装置140在进行待检测企业的货物流转订单进行获取时，可以通过OCR文字识别技术识别出待检测企业的上传的货物流转订单的图片中的甲乙双方，时间，服务类型，金额，条件，备注等信息，并以关键值的形式对待检测企业的数据进行存储。

进一步的，如图2中所示，所述评估系统100还包括，所述预警装置150用于：确定待检测企业的货物流转预测时间；若从待检测企业发生货物流转到接收到流转反馈的流转时间大于所述货物流转预测时间段，确定所述待检测企业异常；生成与所述待检测企业对应的预警信息，以提示所述待检测企业的货物流转异常情况。

这里，在确定出待检测企业有货物流转时，根据货物的属性信息以及运输的环境条件，确定出本次货物流转过程中所需的货物流转预测时间，同时确定出待检测企业发生货物流转到接收到流转反馈的流转时间，若是确定出流转时间大于货物流转预测时间，确定待检测企业发生了货物流转异常，生成与该货物流转异常的预警信息，向待检测企业发出异常提示。

这里，根据待检测企业的货物流转时间的预警可以是通过记账环节来完成，根据之前各个环节之间记账的时间差，得到一个预估的记账时间。如果在预估时间的两个标准差之后仍未添加新的数据，则被视为待检测企业异常。

例如，分析A公司历史所有发往S城的产品的登记发货与登记验收之间时间差均值为7天，标准差为3天(时间可以通过实际运输情况进行动态调整的，若链上登记发货13天后仍没有验收上链，预警装置150会通过进行预警推送，提示A公司的异常情况。

这里，预警推送的信息可以包括异常的待检测企业的名称、出现异常的时间以及异常类型等。

针对于上述示例，推送的预警信息可以是“A公司异常，在发货13天后仍未收到验收上链”。

进一步的，请参阅图3，图3为本申请实施例提供的企业异常的评估系统100中供应链验证装置110的结构示意图，如图3中所示，所述供应链验证装置110包括供应链确定模块111以及置信区间确定模块112。

具体的，所述供应链确定模块111，用于根据所述待检测企业的多条供应链货物流转数据，确定出与所述待检测企业关联的至少一个关联企业，将所述待检测企业与每一个关联企业根据货物的流转方向进行关联，得到所述检测企业的多条待检测供应链，并将所述多条待检测供应链发送至所述置信区间确定模块。

所述置信区间确定模块112，用于根据每条待检测供应链的供应链长度，确定每条待检测供应链的初始置信区间，针对于每一条待检测供应链，确定该待检测供应链中是否存在供应异常企业，若该待检测供应链中存在供应异常企业，根据预设系数调整所述初始置信区间，确定出与该待检测供应链对应的供应置信区间。

这里，根据待检测企业的多条供应链货物流转数据，确定出待检测企业供货上游或是供货下游的至少一个关联企业，将待检测企业与每一个关联企业根据货物的流转方向进行关联，得到待检测企业的多条待检测供应链。

这里，在确定待检测企业的关联企业时，可以是根据待检测企业的货物流转订单数据的原始信息为节点，存入图形数据库，通过层级聚类方式，将各个值与相关性较高的其他值进行比对，找到匹配的数据，将相似度高于99％的值视为冗余记录并形成“数据对”。

通过数据对的链接，系统将该值所对应的货物流转订单数据进行链接，判断两个货物流转订单数据为同一笔交易行为的上下游关系，并将这个信息以“链”(edge)的形式加入到图形数据库中，将原有的图形数据库原始节点进行串联，从而形成待检测企业对应的多条待检测供应链。

进一步的，在确定出待检测企业的多条待检测供应链后，确定每一条待检测供应链的供应链长度，并根据每一条待检测供应链的供应链长度确定出该待检测区块链的初始置信区间，在确定出初始置信区间之后，确定在该条供应链上是否存在供应异常企业，若在该条待检测供应链上存在供应异常的企业，调整确定出的初始置信区间，从而确定出与该待检测供应链对应的供应置信区间。

这里，针对于供应链中包括的各个企业，若是发现存在异常的企业，将会对整条供应链上的每个企业的置信度均产生影响。

其中，对于供应链上包括的每个企业是否异常的判断可以通过工商税务数据进行确定。

例如，以贸易交易数据为例，找到与待检测A公司有直接贸易关联的贸易记录，以及有二级以上关联的贸易记录，与工商税务数据一起，对待检测A公司记录的每一条供应链给出一个供应置信区间。

进一步的，所述供应链分析装置120还用于：将接收到的待检测企业的每一条待检测供应链以及每一条待检测供应链的供应置信区间依次输入至预先训练好的异常评估模型，得到所述待检测企业在每一个检测维度下的企业评估数值，基于每个检测维度对应的权重系数以及每一个检测维度下的所述待检测企业的企业评估数值，确定所述待检测企业的企业评估分值。

这里，将接收到的待检测企业的每一条待检测供应链以及每一条待检测供应链对应的供应置信区间依次输入至预先训练好的异常评估模型中，确定出待检测企业在每一个检测维度下的企业评估数值，并根据每个检测维度对应的权重系数，对确定出的多个企业评估数值进行加权求和，确定出待检测企业的企业评估分值。

其中，检测维度包括以下至少一种：企业营业检测维度、企业供货风险检测维度、供货周期检测维度、企业稳定性检测维度以及企业风险检测维度。

进一步的，当所述检测维度包括企业营业检测维度时，所述供应链分析装置120还用于：将每一条待检测供应链输入至所述异常评估模型中，基于历史企业营业数据确定所述待检测企业在每个营业检测时间下的预测营业数据；基于每个营业检测时间对应的营业系数以及对应的预测营业数据，确定在所述企业营业检测维度下的企业评估数值。

这里，将每一条待检测供应链输入至所述异常评估模型中，根据历史企业营业数据确定出当前待检测企业在每个营业检测时间下的预测营业数据，再根据每个营业检测时间对应的营业系数，确定出待检测企业在企业营业检测维度下的企业评估数值。

这里，企业营业检测维度可以指的是企业现金流，预设的是企业在未来的未来现金流。

这里，未来现金流是以历史现金流为标签，加入时间维度，对未来任意时刻的现金流数量的一个预测。使用过去几年(3年)的链式数据，以及不同时间点的现金流数据，通过RNN的学习，得到每层每个检测时间的营业系数(weight)从而进行未来现金流进行预测，每个营业系数会随着时间的推移，新数据的进入而不停更新。

进一步的，当所述检测维度包括企业稳定性检测维度时，所述供应链分析装置120还用于：将每一条待检测供应链输入至所述异常评估模型中，确定出所述待检测企业的多个营业差值；根据确定出的每个营业差值对应的营业时间，将多个营业差值排序，得到营业序列；基于所述营业序列的收敛度，确定在所述企业稳定性检测维度下的企业评估数值。

这里，将每一条待检测供应链输入至所述异常评估模型中，确定出待检测企业的多个营业差值，根据确定出的每个营业差值对应的营业时间，将确定出的多个营业差值进行排序，确定出营业序列，根据确定出的营业序列的收敛度，确定出在所述企业稳定性检测维度下的企业评估数值。

这里，营业差值指的是预测现金流与实际现金流之间的差值。

这里，使用过去几年(3年)的链式数据，以及不同时间点支付与收款标签，其中收款为正，付款为负，根据RNN预测方法，对每一条链进行现金流预测，然后与实际进行对比，得到差值。模型在历史数据中越往后预测越准确的行为被视为该企业的应收应付较为稳定，如果预测准确度无法收敛，甚至波动越来越大，则被视为改企业的不稳定。预测结果是一个连续的数值，由模型预测值的标准差(Standard Deviation)决定，这个结果会随着模型的每次更新而更新，所以也是实时变化的。

这里，在企业稳定性检测维度下的企业评估数值是一个0到1区间的值。

进一步的，当所述检测维度包括企业供货风险检测维度、供货周期检测维度以及企业风险检测维度中的任一维度时，所述供应链分析装置120还用于：将每一条待检测供应链输入至所述异常评估模型中，确定出所述待检测企业在每个预测时刻上的评估值；基于每个预测时刻上的评估值，确定所述待检测企业在相应检测维度下的企业评估数值。

这里，将每一条待检测供应链输入至所述异常评估模型中，确定出待检测企业在每个预测时刻上的评估值，根据每个预测时刻上的评估值，确定出待检测企业在相应检测维度下的企业评估数值。

这里，当检测维度包括企业供货风险检测维度时，使用过去几年(3年)的链式数据，以及几年(3年)不同预测时刻的目标企业的上下游出现供货逾期与付款逾期事件为标签，通过RNN的学习，得到每层每个预测时刻的权重(weight)从而进行未来预测，模型中，出现上下游风险的月会被标记为1，没有出现风险的月被标记为0。每个权重会随着时间的推移，新数据的进入，从而产生或未产生上下游违约事件，对之前的预测结果进行评价，从而不停更新。

当检测维度包括供货周期检测维度时，使用过去几年(3年)的链式数据，以及几年(3年)不同检测时间点的待检测企业的上游供货与逾期到货时间差为标签，通过RNN的学习，得到每层每个检测时间的权重(weight)从而进行未来预测模型中，上游提起供货则差值为负，延后供货则差值为负。每个权重会随着时间的推移，新数据的进入，对之前的预测结果进行评价，从而不停更新。

当检测维度包括企业风险检测维度时，使用过去几年(3年)的链式数据，以及几年(3年)不同时间点的目标企业供应链记账断点标签，通过RNN的学习，得到每层每个预测时刻的权重(weight)从而进行未来预测，模型中，记录越完整的链条分数越高，出现中断则为-1。每个权重会随着时间的推移，新数据的进入，对之前的预测结果进行评价，从而不停更新。

这里，输出的结果为供应链记录出现断点的概率，是一个0到1区间的连续值。

利用企业营业检测维度、企业供货风险检测维度、供货周期检测维度、企业稳定性检测维度以及企业风险检测维度这几个高阶维度，根据相应的算法在每个检测维度下对待检测企业的状态进行预测，算法的原理是，企业会有S_1....S_n种状态(State)，每个状态下的现金流都有着不同种类，不同参数的概率分布。算法根据企业当下库存变化，订单变化，现金变化来判断其归属于一个State的概率，还有下一个时间段从当下State转移到另一个State的概率。根据所在State的分布和参数，算法可以得到一个期望值，也就是在未来某个时间点该企业还款能力的预测值。

同样利用企业营业检测维度、企业供货风险检测维度、供货周期检测维度、企业稳定性检测维度以及企业风险检测维度这几个高阶维度，装置使用了SVM对所有的企业进行分类，根据有借贷历史企业的还款情况，将该部分企业分级，高级企业所在的类会影响类内其他企业的分数，同理，低级企业将会拉低其所在的类内其他企业的信用估值。

经过Hidden Markov与SVM双重处理过的结果值，会形成一个最终的评估结果，也就是该企业的信用估值。任何新的票据进入，或企业上下游的标签变动，都会导致重新计算，即对待检测企业的企业评估分值是不停的变化的。

进一步的，结合企业的票据数据以及企业可信度验证场景，确定出一个具体实例，请参阅图4，图4为企业可信度验证系统的结构示意图，验证实例包括以下步骤：

(1)公司A在注册进入数字供应链管理平台(相当于本申请中的供应链获取装置140)时，需要提供企业基础数据以供审核，材料包括：营业执照，法人以及经办人的身份证，过去三年的资产负债表，利润表，现金流表，可用于增信的抵押物证明，法人需要通过人面识别认证。

(2)A公司法人为该公司在数字供应链管理平台(相当于本申请中的供应链获取装置140)的管理员，其可分配子账号给A公司工作人员，分配时需要提供其身份证信息，子账号需要通过人脸识别认证。子账号的权限仅限于数据的录入，管理员分配子账号的二级权限，如仓储专员只可编辑仓储合同与仓单，财务专员只可编辑发票与支付。

(3)子账号登入数字供应链管理平台(相当于本申请中的供应链获取装置140)，只需对手中单据进行拍照，并且注明该单据属于哪笔合同，也可以标注金额，日期，经办人等信息，如不标记则系统通过图片识别。

(4)A公司法人通过数字供应链管理平台(相当于本申请中的供应链获取装置140)查看子账号记录的所有单证票据，并且予以确认，法人确认后的单证票据，不可以再编辑或者删除(法人本人也不可以再操作)。

(5)票据池中被法人审核过的数据将进入大数据交叉认证平台(相当于本申请中的供应链验证装置110)，在该平台上，系统会找到与A公司有直接贸易关联的贸易记录，以及有二级以上关联的贸易记录，与工商税务数据一起，对A公司记录的每一条数据给出一个可信区间。

(6)A公司通过可信认证的数据进入数据分析平台(相当于本申请中的供应链分析装置120)，用上文解释的方法进行回归，聚类，模拟，最终输出信用分数和可视化图表。

(7)银行B登入金融服务平台(相当于本申请中的企业异常评估装置130)，查看A公司经过分析的高阶数据，以及原始数据，并将结果经平台输出费PDF报告。

本申请实施例提供的企业异常的评估系统，供应链验证装置根据获取到的待检测企业的多条供应链流转数据，确定出待检测企业在货物流转过程中的多条待检测供应链以及每一条待检测供应链的供应置信区间，将确定出的多条待检测供应链以及每一条待检测供应链的供应置信区间发送至供应链分析装置，供应链分析装置根据接收到的多条待检测供应链以及每一条待检测供应链的供应置信区间，结合预先训练好的异常评估模型，确定出待检测企业的企业评估分值，并将确定出的企业评估分值发送至企业异常评估装置，企业异常评估装置在接收到企业评估分值后，根据企业评估分值确定出企业的异常状况以及对待检测企业的评估结果，从而为对待检测企业异常检测提供了种类更多流动性更强的数据支撑，可信度高，可以提高对待检测企业异常评估的准确性。

请参阅图5，图5为本申请实施例所提供的一种企业异常的评估方法的流程图。如图5中所示，本申请实施例提供的企业异常的评估方法，包括：

S501、获取待检测企业的每一条待检测供应链以及每一条待检测供应链的供应置信区间。

这里，供应链(Supply chain)，是指生产及流通过程中，涉及将产品或服务提供给最终用户活动的上游与下游企业，所形成的网链结构。在确定出的待检测企业的多条待检测供应链中，包括了待检测企业的上游或者下游企业，这些企业共同形成的完整的供应链完成了相应货物的流转。

这里，这里，针对于每一条待检测供应链，需要根据一定的评估方法确定出该待检测供应链的供应置信区间，具体过程可以为：将每个相关联的上游企业以及下游企业的置信度进行动态评价目标函数(Objective Function)为拼接处一个更长的链(chain)，从而不断的更新相关联的上游企业以及下游企业的置信度，一般来说，待检测供应链的长度与供应链的置信度越高，即供应链越长，供应链上每两个相关联的上游企业以及下游企业的置信度就越高。

S502、将每一条待检测供应链以及每一条待检测供应链的供应置信区间依次输入至预先训练好的异常评估模型中，得到所述待检测企业的企业评估分值。

该步骤中，对于待检测企业的每条待检测供应链以及每一条待检测供应链对应的供应置信区间，结合预先训练好的异常评估模型，在多个检测维度对待检测企业进行评分，进而再根据不同检测维度对应的权重系数，得到待检测企业的企业评估分值。

进一步的，步骤S502包括：将接收到的待检测企业的每一条待检测供应链以及每一条待检测供应链的供应置信区间依次输入至预先训练好的异常评估模型，得到所述待检测企业在每一个检测维度下的企业评估数值；基于每个检测维度对应的权重系数以及每一个检测维度下的所述待检测企业的企业评估数值，确定所述待检测企业的企业评估分值。

这里，预先训练好的异常评估模型可以循环神经网络(Recurrent NeuralNetwork，RNN)基于隐马尔可夫(Hidden Markov)与支持向量机(Support Vector Machine，SVM)得到待检测企业在各个检测维度下的评分，进而确定出待检测企业的企业评估分值。

进一步的，当所述检测维度包括企业营业检测维度时，步骤S402还包括：将每一条待检测供应链输入至所述异常评估模型中，基于历史企业营业数据确定所述待检测企业在每个营业检测时间下的预测营业数据；基于每个营业检测时间对应的营业系数以及对应的预测营业数据，确定在所述企业营业检测维度下的企业评估数值。

进一步的，所述检测维度包括企业稳定性检测维度时，步骤S402还包括：将每一条待检测供应链输入至所述异常评估模型中，确定出所述待检测企业的多个营业差值；根据确定出的每个营业差值对应的营业时间，将多个营业差值排序，得到营业序列；基于所述营业序列的收敛度，确定在所述企业稳定性检测维度下的企业评估数值。

进一步的，当所述检测维度包括企业供货风险检测维度、供货周期检测维度以及企业风险检测维度中的任一维度时，步骤S402还包括：将每一条待检测供应链输入至所述异常评估模型中，确定出所述待检测企业在每个预测时刻上的评估值；基于每个预测时刻上的评估值，确定所述待检测企业在相应检测维度下的企业评估数值。

本申请实施例提供的一种企业异常的评估方法，应用于评估系统中的供应链分析装置，获取待检测企业的每一条待检测供应链以及每一条待检测供应链的供应置信区间；将每一条待检测供应链以及每一条待检测供应链的供应置信区间依次输入至预先训练好的异常评估模型中，得到所述待检测企业的企业评估分值。

这样，可以通过供应链分析装置对待检测企业的每一条待检测供应链以及每一条待检测供应链的供应置信区间，结合预先训练好的异常评估模型，得到待检测企业的企业评估分值，从而为对待检测企业异常检测提供了种类更多流动性更强的数据支撑，可信度高，可以提高对待检测企业异常评估的准确性。

请参阅图6，图6为本申请实施例所提供的一种电子设备的结构示意图。如图6中所示，所述电子设备600包括处理器610、存储器620和总线630。

所述存储器620存储有所述处理器610可执行的机器可读指令，当电子设备600运行时，所述处理器610与所述存储器620之间通过总线630通信，所述机器可读指令被所述处理器610执行时，可以执行如上述图5所示方法实施例中的企业异常的评估方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。

本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时可以执行如上述图5所示方法实施例中的企业异常的评估方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。