[发明专利]一种基于大数据技术的建筑施工企业信用评价方法和系统

说明书

技术领域

本发明涉及建筑施工行业的信用评价技术领域，具体涉及建筑施工行业内的一种基于大数据技术的建筑施工企业信用评价方法和系统。

背景技术

信用作为现代企业的一个重要指标，越来越受到各个领域中的用户的关注。例如，某个房地产企业在确定委托给某一家建筑施工企业进行建筑施工之前，一般都需要了解对方的信用，当确定对方的信用符合自己的要求后，这个企业才会与对方进行生意来往。

随着用户对信用与日俱增的关注，如何进行信用评价已成为一个热门技术问题。信用评价又称信用评级，是一种社会中介服务为社会提供的资信信息，可为单位自身提供决策参考。

现有技术中对企业的信用评价方法，通常采用专家进行综合评判等方法完成，例如可以采用比率分析和打分等方法，结合定性分析来进行信用评级。关键点在于行业专家，而专家法主观因素较大，直接影响评价结果的准确性。另外，现有技术提供的信用评级方法中，定性与定量的关系及比例难以确定，容易造成信用评级的结果产生偏差。另外，现有技术提供的企业信用评价并不是专门适用于建筑施工行业的企业，没有考虑到本行业的特性，因此急需一种适用于建筑施工行业的企业信用评价机制。

发明内容

本发明的目的在于提供一种基于大数据技术的建筑施工企业信用评价方法和系统，提供适用于建筑施工行业的企业信用评价机制，实现对建筑施工企业的信用评价。

为了达到上述目的，本发明采用这样的如下技术方案：

一方面，本发明提供一种基于大数据技术的建筑施工企业信用评价方法，包括：

通过大数据技术获取到多个建筑施工企业的多维度信用特征，其中，每个建筑施工企业的多维度信用特征包括：建筑施工企业的工商注册信息、建筑业企业资质等级标准信息、荣誉信息和历史履约行为信息，所述历史履约行为信息包括：每个建筑施工企业的中标个数信息和违约事项信息，所述违约事项信息包括：每个建筑施工企业的不良记录信息和法院被执行案件信息；

根据所述建筑施工企业的多维度信用特征和多维度信用特征中的每个信用特征的重要程度参数建立模糊一致判断矩阵；

根据所述模糊一致判断矩阵确定初始信用评价指标模型中的指标个数以及各个指标对应的权重系数；

使用所述初始信用评价指标模型输出每个建筑施工企业的初始信用分集；

将所述每个建筑施工企业的初始信用分集作为训练样本数据，对反向传播BP神经网络模型进行深度学习训练，当所述BP神经网络模型收敛时输出最终信用评价指标模型；

使用所述最终信用评价指标模型对目标建筑施工企业进行信用评价，输出所述目标建筑施工企业的信用分值。

另一方面，本发明提供一种基于大数据技术的建筑施工企业信用评价系统，包括：

多维度信用特征模块，用于通过大数据技术获取到多个建筑施工企业的多维度信用特征，其中，每个建筑施工企业的多维度信用特征包括：建筑施工企业的工商注册信息、建筑业企业资质等级标准信息、荣誉信息和历史履约行为信息，所述历史履约行为信息包括：每个建筑施工企业的中标个数信息和违约事项信息，所述违约事项信息包括：每个建筑施工企业的不良记录信息和法院被执行案件信息；

模糊层次分析模块，用于根据所述建筑施工企业的多维度信用特征和多维度信用特征中的每个信用特征的重要程度参数建立模糊一致判断矩阵；

初始模型建立模块，用于根据所述模糊一致判断矩阵确定初始信用评价指标模型中的指标个数以及各个指标对应的权重系数；

初始信用分输出模块，用于使用所述初始信用评价指标模型输出每个建筑施工企业的初始信用分集；

神经网络模型训练模块，用于将所述每个建筑施工企业的初始信用分集作为训练样本数据，对反向传播BP神经网络模型进行深度学习训练，当所述BP神经网络模型收敛时输出最终信用评价指标模型；

信用评价模块，用于使用所述最终信用评价指标模型对目标建筑施工企业进行信用评价，输出所述目标建筑施工企业的信用分值。

采用上述技术方案后，本发明提供的技术方案将有如下优点：

本发明实施例可以基于大数据技术提取建筑施工企业的工商注册信息、建筑业企业资质等级标准信息、荣誉信息和历史履约行为信息，从而得到建筑施工企业的多维度信用特征，建立建筑施工企业信用评价指标模型，并结合了深度学习算法，提高了信用评价指标模型的评价准确性。由于采取了大数据技术和深度学习算法，因此能高效、快速地生成信用评价指标模型。与现有技术提供的企业信用评价相比，大大节省了人工成本和时间成本。

附图说明