件通过获取前述302部件处理得到的企业信息， 生成载有企业信息的唯一二维码标识，将该二维码作为企业信息的标识，作为向后续计算 部件传递企业信息的载体，避免了计算部件要与存储部件直接相连导致的装置间接线复杂 的问题，使信息在部件间流畅传递，协助高效实现新引入指标(安全系数)的计算工作。 [0033]部件305(新引入指标(安全系数)计算部件）:针对本装置面向的企业信息量巨大， 且计算过程复杂的问题，本部件选用当前较为先进的高性能处理机，并组成集群，使第一权 重因子和第二权重因子的计算并行实现，以高效的完成新引入指标（安全系数）的计算工 作。
[0034]部件306(风险评估部件）：本部件将获取的新引入指标(安全系数)与已有的信贷 风险评估指标结合，得到新的信贷风险评估体系，并使用这一体系完成对企业的风险评估 工作，给出评估结果，辅助银行作出决策。
[0035]参见图4,本发明所述的一种银行信贷系统风险评估方法及装置的功能流程如下： 信贷请求受理部件接收待评估企业信息及信贷请求，将其发送给信息采集部件，该部 件对企业信息进行数据预处理，同时获取预设的评估参数风险的指标集信息，将得到的数 据传送至数据存储部件中，同时传送给二维码生成器。
[0036] 二维码生成器根据收到的信息，生成企业基本信息的二维码，同时二维码中还存 储了企业详细信息在数据存储部件中的位置信息，得到企业信息的唯一二维码标识。
[0037] 利用二维码获取的企业信息，类比数据挖掘中的社交网络模型，利用新引入指标 (安全系数)计算部件306,构建企业间资金交互网络以及企业与银行系统的资金交互网络， 同时，类比网络的构建过程，融合银行系统中所有企业的网络，构建银行系统中所有企业与 银行的资金交互网络。
[0038]利用新引入指标(安全系数)计算部件305,结合已得到的网络及，完成新引入指标 (安全系数)的计算工作，主要包括4个步骤，分别是计算待评估企业在网络中的可信度R，即 第一权重因子;在网络中的警告系数P，即第二权重因子;在银行资金流通系统中的影响力， 即第三权重因子;最终使用上述参数进行新引入指标(安全系数)的计算。
[0039] 所述网络的构建具体步骤如下：以待评估企业C为核心，以与C发生资金流通行为 的企业集合S为相邻节点，构建C的企业间资金流通网络。类似的，以C为网络核心，以C与银 行发生的资金交互行为作为网络中的节点，将例如包括信贷，储蓄，抵押等不同的资金交互 行为作为不同的节点，构建C与银行系统的资金交互网络。
[0040] 所述权重因子计算的具体步骤如下： 首先计算待评估企业C在网络中的可信度R，计算方法如下:考虑所有与C有合作关系的 企业集合，设所有与C有直接合作的企业集合视为，与中的企业有直接合作的企业集合为， 逐层计算，直至找不到可扩展的集合。认为与C的所有合作关系都看做对企业C信任程度的 加分，所加分值来源于中企业自身的可信度R。因此企业C的可信度R可由其最终信任得分确 定。根据这一方法，在已经构建好的网络中，由外层企业集合逐层逼近待评估企业C，完成企 业可信度R的递归计算，得到最终的用于代表待评估企业C的可信度：
设每个企业的可信度值初始化均为1，
参见图5，随机模拟的一个企业间交互网络，则其中待评估企业C的R值计算方法为：
此处关于R(i)的计算方法不再赘述。
[0041 ]计算待评估企业在网络中的警告系数P，计算方法如下： 企业用户在银行系统中可以选用多种信贷种类，本发明中只考虑常用的三种，包括限 额借款、限额贷款以及抵押贷款，并按照其对信贷风险的影响情况分别赋予相应的权重，根 据其对信贷风险的影响情况分别赋予相应的权重，以上三种贷款对应的权重值为〇. 1，〇. 3 和0.6〇
[0042]在计算警告系数时，首先在网络中查询待评估企业是否存在上述三种信贷的不良 记录，如有其中任意一项则警告系数;若无不良记录则查询该企业是否存在尚在执行期内 的上述类型信贷记录，如存在则根据下式计算其警告系数的大小： 设警告系数额定阈值为0.5,如警告系数超过该阈值即则说明对于该企业的信贷存在 一定风险，反之，则说明系统可以接受该信贷风险，根据待评估企业的该数值得到企业的信 贷风险阈值。
[0043]考虑待评估企业在银行资金交互系统中的影响力，本发明认为该影响力由其所属 网络的资金流通量在网络中的资金流通量的比重决定，即分别统计与中的资金流通量，设 其分别为和，以代表企业的银行系统资金影响力指数，将其作为企业新引入指标(安全系 数)的考虑因素之一，加入到新引入指标(安全系数)的最终计算过程中。
[0044] 依据上述信息，完成新引入指标(安全系数）的计算。结合待评估企业的可信度R， 警告系数P，同时考虑其银行系统资金影响力指数，计算得到最终的新引入指标（安全系 数）。计算方法如下：（其中为待评估企业在网络中的资金流通量，为中的资金流通量）。
[0045] 应当注意的是，本模型对于缺失部分信息的待评估企业，将暂时无法获得的某些 系数值均设为默认值，加入到后续计算中。
[0046]将计算得到的新引入指标(安全系数)与已有的信用评价指标体系T(包含19个评 价指标)结合，构成包含有20个指标的新的信贷风险评估体系。使用BP装置，利用新的信贷 风险评估体系，对待评估企业进行评估，并根据训练结果调整各模块参数，以得到可信度较 尚的评估结果。
[0047] BP装置的工作过程整体上分2部分，分别为训练阶段和预测阶段，训练阶段根据已 有的真实数据完成装置内部各层的权值修正，以得到预测准确度较高的权值;预测阶段使 用确定的权值完成待评估企业的评估工作，给出评估结果。
[0048]下面对BP装置的这2步工作过程分别予以介绍，具体步骤如下： 训练阶段：完成参数初始化，输入数据的选取，计算实际输出，根据误差调整各参数并 设置终止条件。
[0049]输入：已有准确风险评估结果的企业的样本数据以及对应的期望输出值（类标 号）； 输出：参数权值更新完毕的BP装置。
[0050] 为了算法描述的方便，先定义下面向量和变量： 输入向量;隐含层输入向量;隐含层输出向量;输出层输入向量;输出层输出向量;期望 输出向量;输入层与中间层的连接权值;隐含层与输出层的连接权值;隐含层各神经元的阈 值;输出层各神经元的阈值;样本数据个数;激活函数。
[0051] 参数初始化:给、、和分别赋一个区间（_1，1)内的随机数，设定误差函数，给定计算 精度值和最大学习次数。
[0052] 输入样本选取:随机选取第个输入样本及对应的期望输出。
[0053] 计算实际输出：计算隐含层各神经元的输入，然后用和激活函数计算隐含层各神 经元的输出。
[0054] 根据误差调整各参数:利用网络期望输出向量，网络的实际输出，计算误差函数对输出 层的各神经元的偏导数。
[0055] 利用隐含层到输出层的连接权值、输出层的和隐含层的输出计算误差函数对隐含层各 神经元的偏导数。
[0056] 利用输出层各神经元的和隐含层各神经元的输出来修正连接权值和阈值。
[0057] 式中，表示调整前，表示调整后，为学习率，在(〇，1)之间取值。
[0058] 使用隐含层各神经元的和输入层各神经元的输入修正连接权和阈值。
[0059] 终止设置:计算全局误差 判断网络误差是否满足要求当或学习次数大于设定的最大次数，则结束算法。否则， 随机选取下一个学习样本及对应的期望输出，返回到第3步，进入下一轮学习过程。
[0060] 预测阶段:使用权值明确的BP装置对待评估企业进行风险评估。
[0061]输入:待评估企业ID以及20个用于对企业进行信贷风险评估的评测指标 输出：与待评估企业ID对应的经由BP装置给出的风险评估结果，整理评估结果并传送 给用户，完成评估结果展示，给出最终决策。
[0062]以上所述的具体实施例，对本发明的目的，技术方案和有益效果进行了详细说明， 所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明。在本发明的 精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
【主权项】
1. 一种银行信贷系统风险评估方法，其特征在于，包括： 获取预设的评估参数风险的指标集信息，所述指标集信息包含新引入指