[發明專利]一種應收賬款違約風險識別方法及系統

有效

• 申請號: 201911120872.0
• 申請日: 2019-11-15
• 公開（公告）號: CN110910002B
• 公開（公告）日: 2023-07-28
• 發明（設計）人: 黃林;梁樑;曾水保;王曉燕;朱香友;黃曉漫;黃超
• 申請（專利權）人: 安徽海匯金融投資集團有限公司
• 主分類號: G06Q10/0635
• 分類號: G06Q10/0635;G06Q40/00;G06N20/10
• 代理公司: 合肥天明專利事務所(普通合伙) 34115
• 代理人: 金凱

本發明公開了一種應收賬款違約風險識別方法及系統，屬于人工智能技術領域，包括：獲取應收賬款歷史數據；對每筆應收賬款歷史數據進行處理，得到與目標變量是否違約相關的特征變量；按比例將特征變量劃分為訓練集與測試集；建立識別應收賬款違約風險的支持向量機模型；利用訓練集和測試集分別對支持向量機模型進行訓練和測試，得到最優風險識別模型；獲取待預測應收賬款，并獲取該待預測應收賬款的特征變量并輸入至最優風險識別模型，判斷待預測應收賬款到期還款人是否會違約。本發明可實現對每一筆應收賬款到期還款人是否會違約的預測，充分識別應收賬款違約壞賬風險。

技術領域

本發明涉及人工智能技術領域，特別涉及一種應收賬款違約風險識別方法。

背景技術

應收賬款是企業流動資產的重要組成部分，應收賬款管理直接影響企業營運資金的周轉和經濟效益。由于付款方違約導致應收賬款回收不到位，輕則造成企業的流動資金緊張，重則造成企業大筆壞賬損失，甚至導致資金鏈斷裂引發經營危機，因此，如何有效識別應收賬款的信用風險，規避回款風險，降低壞賬損失風險，是應收賬款管理中亟待解決的重要問題。

發明內容

本發明的目的在于克服現有技術存在的缺陷，有效識別應收賬款的信用風險。

為實現以上目的，本發明采用一種應收賬款違約風險識別方法，包括：

獲取應收賬款歷史數據；

對每筆應收賬款歷史數據進行處理，得到與目標變量是否違約相關的特征變量；

按比例將特征變量劃分為訓練集與測試集；

建立識別應收賬款違約風險的支持向量機模型；

利用訓練集和測試集分別對支持向量機模型進行訓練和測試，得到最優風險識別模型；

獲取待預測應收賬款，并獲取該待預測應收賬款的特征變量并輸入至最優風險識別模型，判斷待預測應收賬款到期還款人是否會違約。

進一步地，所述應收賬款歷史數據包括：債權人名稱、債權人類型、債權人住所地、債權人統一社會信用代碼/身份證號碼、債權人聯系人信息、債務人名稱、債務人類型、債務人住所地、債務人統一社會信用代碼/身份證號碼、債務人聯系人信息、債權流轉類型、債權依據類型、債權金額、銀行授信支持、保證金比例、擔保方式、合同號、合同名稱、文書制作機關、債權描述、初始登記日期、到期日期、應收賬款債權管理服務機構、當前還款狀態以及實際還款日期。

進一步地，所述對每筆應收賬款歷史數據進行處理，得到與目標變量是否違約相關性的特征變量，包括：

對所述每筆應收賬款歷史數據的真實性進行核查；

對應收賬款歷史數據中異常數據的缺失值處理；

對于應收賬款歷史數據中異常數據的缺失值，利用類庫pandas中缺失值處理函數dropna()，沿著每一列下去，對每列的各行中空值對應的行進行刪除。

進一步地，所述特征變量包括債權人類型、債務人類型、債權流轉類型、債權依據類型、債權金額、期限、銀行授信支持、保證金比例、增信措施、逾期總次數、逾期總賬額以及守約次數。

進一步地，還包括：對所述應收賬款歷史數據的部分屬性進行二次計算，得出新的特征變量。

進一步地，在所述按比例將特征變量劃分為訓練集與測試集之后，還包括：

對所述訓練集中的特征向量和所述測試集中的特征向量進行標準化處理。

進一步地，在所述利用訓練集和測試集分別對支持向量機模型進行訓練和測試，得到最優風險識別模型之前，還包括：

利用權重法對訓練集和測試集中的樣本進行加權處理，得到樣本平衡的訓練集和測試集。