[发明专利]基于逻辑回归评分卡的营运企业风险评估方法及系统

说明书

本公开属于技术领域，提供了一种基于逻辑回归评分卡的营运企业风险评估方法及系统，包括以下步骤：获取营运企业的多维度数据，构建企业用户画像；通过无监督学习对所构建的企业用户画像进行营运企业信用等级的评定；基于逻辑回归模型和所评定的营运企业信用等级构建评分卡，实现营运企业的风险评估。

技术领域

本公开属于技术领域，具体涉及一种基于逻辑回归评分卡的营运企业风险评估方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

在当今的商业环境中，道路货运风险管理模式发生了转变；其特点是战略导向，即综合努力使风险管理中的不同可持续性问题保持一致。如今，不断增长的客户期望、竞争激烈的市场和环境退化使公路货运企业更频繁地面临风险。

为此，建立了公司信用评级制度，研究公司信用评级方法，建立相应的信用评分模型，对公司进行信用评级及财务危机预警研究；通过分别建立单变量判别模型、多元判别分析模型和Logistic回归模型，通过对公司进行信用评分，实现对公司进行破产及违约概率研究，建立了较完善的公司信用评级方法与模型。

目前，企业信用风险评估领域应用可通过Logistic回归模型和Z-score模型进行预测；机器学习的快速发展也让更多研究开始通过各种建模框架实现风险识别评价。常见的应用在信用风险评估问题中的人工智能模型包括决策树(Decision Tree，简称DT)、基于案例推理(Case Based Reasoning，简称CBR)、人工神经网络(Artificial NeuralNetwork，简称ANN)、支持向量机(Support Vector Machine，简称SVM)等；但是这些模型的稳定性较差，业务解释性不好，难以掌握其信用评估内部的逻辑依据；还有一些企业风险研究使用主客观赋权方法，将企业资质情况、企业财务等特征指标作为独立变量，采用层次分析法、熵权法又或者主客观结合的组合赋权法对这些指标赋予权重，代入数据计算得到企业风险。但无论采取哪种赋权方法，合理的权重分配，一直是研究的难题所在。

发明人发现，关于货运企业风险的研究较少，以前的研究主要集中在企业的财务风险评价方面，未能从运输企业内在特性出发对企业进行风险画像。

发明内容

为了解决上述问题，本公开提出了一种基于逻辑回归评分卡的营运企业风险评估方法及系统，将用户画像的概念用在运输企业，从企业内部驾驶员、车辆、危化货物以及经营情况四个维度选取16个数据标签构建企业用户画像，并利用无监督学习学习算法实现企业的月“好坏”客户评定，基于逻辑回归模型构建评分卡，实现企业的月风险画像。

根据一些实施例，本公开的第一方案提供了一种基于逻辑回归评分卡的营运企业风险评估方法，采用如下技术方案：

一种基于逻辑回归评分卡的营运企业风险评估方法，包括以下步骤：

获取营运企业的多维度数据，构建企业用户画像；

通过无监督学习对所构建的企业用户画像进行营运企业信用等级的评定；

基于逻辑回归模型和所评定的营运企业信用等级构建评分卡，实现营运企业的风险评估。

作为进一步的技术限定，所述营运企业的多维度数据包括驾驶员行为标签、车辆轨迹信息标签、危险货物标签和企业经营标签。

进一步的，所述驾驶员行为标签包括注意力分散、超速、疲劳和不良驾驶；所述车辆轨迹信息标签包括车辆离线、车辆的行驶里程、测量的前碰撞以及车辆与行人的碰撞。

进一步的，所述危险货物标签包括月运单数和危险货物的种类；所述企业运营标签包括企业资质、企业涉及案件、企业的行政处罚、企业的历史风险和企业的预警提醒。

进一步的，采用K-means++聚类算法评定营运企业信用等级。