施工方贷款能力评估方法以及评估装置

摘要

本发明公开一种施工方贷款能力评估方法以及评估装置，所述施工方贷款能力评估方法首先获取用户基于智能终端输入的评价参数，根据评价参数匹配预设的加权评价模型。然后根据匹配的加权评价模型获取模型中对应的评价参数；随后根据评价参数确定甲方的付款能力指数和施工方的还款能力指数；最后根据所述付款能力指数和所述还款能力指数确定贷款能力的优良率。上述方案解决现有技术中无法准确对施工方贷款能力进行评估的技术问题。

说明书

技术领域

本发明涉及评估装置的技术领域，特别涉及施工方贷款能力评估方法以及评估装置。

背景技术

当前工地管理上日趋程序化和规范化，但是基本只覆盖到考勤以及安全方面，而行业周知，甲方支付至施工承接方的款项的模式为一期一结，而工期有长有短，这样施工承接方很有可能面临工资发放到施工人员不及时的问题，因此，施工承接方一般会向第三方金融机构进行贷款，以按期发放施工人员的工资，再在甲方支付的款项到位后还清贷款，在此过程中，施工承接方的人员进行背书，但是现有的施工承接方逾期不还的事情仍然比较严重，导致第三方金融机构出现较多坏账，因此，需要针对施工承接方设计一评估体系，以准确地评价施工承接方的信誉，供第三方金融机构进行信用评估。

发明内容

本发明的主要目的是提出一种施工方贷款能力评估方法，旨在解决现有技术中无法准确对施工方贷款能力进行评估的技术问题。

为实现上述目的，本发明提出一种基于智能终端的施工方贷款能力评估方法，所述施工方贷款能力评估方法包括：

获取用户基于智能终端输入的评价参数；

根据评价参数匹配预设的加权评价模型，所述预设的加权评价模型包括第一评价模型和第二评价模型，所述第一评价模型为A＝((c/C)*c1+(d/D)*d1+(e/E)*e1)，所述第二评价模型为B＝(((f/F+g/F)/2)*f1+H*h1)，所述A为甲方的付款能力指数，所述C为甲方的往期工程数量，所述c为甲方往期工程的款项支付正常的工程数量，所述d为甲方准入资质级别所覆盖的级别数量，所述D为准入资质级别的级别数量，所述e为总的工程级别数量，所述E为当前工程级别所覆盖的级别数量，c1、d1、e1为对应参数所占权重比；所述B为施工方的还款能力指数，所述f为超出预设规模的项目数量，所述F为施工方的项目数量，所述g为每个项目的平均施工人数超出预设值时的项目数量，所述H为每个项目的施工人员的工资发放逾期比例的平均值；f1、h1为对应参数所占权重比；

根据匹配的加权评价模型获取模型中对应的评价参数；

根据评价参数确定甲方的付款能力指数和施工方的还款能力指数；

根据所述付款能力指数和所述还款能力指数确定贷款能力的优良率，所述还款能力的优良率Y等于(aA+bB)％，所述a为加权系数，所述b为加权系数。

可选地，所述预设的加权评价模型还包括第三评价模型：

所述第三评价模型为A1＝((c/C)*c1+(d/D)*d1+(e/E)*e1+(i/C)*i1)；

所述A1为甲方的付款能力指数，所述i为因流水周转逾期的项目数量，i1为对应参数所占权重比。

可选地，所述根据所述付款能力指数和所述还款能力指数确定贷款能力的优良率的步骤之后还包括：

根据相关性指数公式确定所述C为甲方的往期工程数量，所述c为甲方往期工程的款项支付正常的工程数量，所述d为甲方准入资质级别所覆盖的级别数量，所述D为准入资质级别的级别数量，所述e为总的工程级别数量，所述E为当前工程级别所覆盖的级别数量，所述i为因流水周转逾期的项目数量中每一参数与甲方的付款能力指数的相关性指数；

若当前参数的相关性指数超出当前参数的预设相关性指数值，则提高对应参数所占权重比；

若当前参数的相关性指数低于当前参数的预设相关性指数值，则降低对应参数所占权重比。

可选地，所述预设的加权评价模型还包括第四评价模型：

所述第四评价模型为B1＝(((f/F+g/F)/2)*f1+(1-H)*h1+(1-(g-f)

可选地，所述预设的加权评价模型还包括第五评价模型：

所述第五评价模型为B2＝(((f/F+g/F)/2)*f1+(1-H)*h1+(1-(g-f)

所述B2为施工方的还款能力指数，所述J为获取施工方的施工人员的数量，所述j为技术工人的数量，所述j1为施工人员培训数量，所述j2为施工人员年龄低于预设年龄的数量，J1、J2、J3分别为对应参数所占权重比。

可选地，所述预设的加权评价模型还还包括第五评价模型：

所述第五评价模型为B3＝(((f/F+g/F)/2)*f1+(1-H)*h1+(1-(g-f)

所述B3为施工方的还款能力指数，所述k为被发放黄牌警告次数，所述K为政府检查次数，所述k1为k/K所占权重比。

可选地，所述预设的加权评价模型还包括：

根据相关性指数公式确定所述B1为施工方的还款能力指数、所述f为超出预设规模的项目数量、所述F为施工方的项目数量、所述g为每个项目的平均施工人数超出预设值时的项目数量、所述H为每个项目的施工人员的工资发放逾期比例的平均值、所述J为获取施工方的施工人员的数量、所述j为技术工人的数量、所述j1为施工人员培训数量、所述j2为施工人员年龄低于预设年龄的数量、所述k为被发放黄牌警告次数、所述K为政府检查次数与甲方的付款能力指数施工方的还款能力指数的相关性指数；

若当前参数的相关性指数超出当前参数的预设相关性指数值，则提高对应参数所占权重比；

若当前参数的相关性指数低于当前参数的预设相关性指数值，则降低对应参数所占权重比。

可选地，所述根据评价参数匹配预设的加权评价模型的步骤还包括：

根据评价参数匹配第一评价模型或第三评价模型中的任意一个；

根据评价参数匹配第二评价模型、第四评价模型以及第五评价模型中的任意一个。

为实现上述目的，本发明还提出一种一种评估装置，其特征在于，所述评估装置包括至少一个处理终端：

所述处理终端包括：

处理器；

存储有施工方贷款能力评估程序的存储器，所述存储器与所述处理器电连接并进行数据通信，所述处理器运行施工方贷款能力评估程序并执行如上所述的施工方贷款能力评估方法的步骤。

可选地，所述处理终端还包括显示面板：显示面板用于显示或者输入控制信号。

本发明的技术方案施工方贷款能力评估方法包括获取用户基于智能终端输入的评价参数，根据评价参数匹配预设的加权评价模型，所述预设的加权评价模型包括第一评价模型和第二评价模型，根据匹配的加权评价模型获取模型中对应的评价参数；根据评价参数确定甲方的付款能力指数和施工方的还款能力指数；根据所述付款能力指数和所述还款能力指数确定贷款能力的优良率。其中，所述第一评价模型为A＝((c/C)*c1+(d/D)*d1+(e/E)*e1)，所述第二评价模型为B＝(((f/F+g/F)/2)*f1+H*h1)，所述A为甲方的付款能力指数，所述C为甲方的往期工程数量，所述c为甲方往期工程的款项支付正常的工程数量，所述d为甲方准入资质级别所覆盖的级别数量，所述D为准入资质级别的级别数量，所述e为总的工程级别数量，所述E为当前工程级别所覆盖的级别数量，c1、d1、e1为对应参数所占权重比；所述B为施工方的还款能力指数，f为超出预设规模的项目数量，所述F为施工方的项目数量，所述g为每个项目的平均施工人数超出预设值时的项目数量，所述H为每个项目的施工人员的工资发放逾期比例的平均值；f1、h1为对应参数所占权重比。所述还款能力的优良率Y等于(aA+bB)％，所述a为加权系数，所述b为加权系数。在上述实施例中，可以综和多个参数所占的权重比来计算，以此提高贷款能力评估的可靠性和准确度，减少金融机构的不良信贷的产生，即可以解决现有技术中无法准确对施工方贷款能力进行评估的技术问题。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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示出的结构获得其他的附图。

图1为本发明施工方贷款能力评估方法一实施例的流程示意图；

图2为本发明施工方贷款能力评估方法一实施例的流程示意图；

图3为本发明施工方贷款能力评估方法一实施例的流程示意图。

本发明目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，若本发明实施例中有涉及“第一”、“第二”等的描述，则该“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。

本发明提出一种施工方贷款能力评估方法，旨在解决现有技术中无法准确对施工方贷款能力进行评估的技术问题。

在一实施例中，如图1所示，施工方贷款能力评估方法包括：

S1、获取用户基于智能终端输入的评价参数；

此时，由用户输入的评价参数可以方便用户实时更改影响因子，使得下一步筛选评价模型时可以根据用户实时输入的评价参数实时匹配更为合适的加权评价模型。需要说明的是，此时的评价参数并不局限于一个用户的输入，多个用户输入也可以同时进行。可以分开进行加权评价模型的匹配。

S2、根据评价参数匹配预设的加权评价模型，预设的加权评价模型包括第一评价模型和第二评价模型，第一评价模型为A＝((c/C)*c1+(d/D)*d1+(e/E)*e1)，第二评价模型为B＝(((f/F+g/F)/2)*f1+H*h1)，A为甲方的付款能力指数，C为甲方的往期工程数量，c为甲方往期工程的款项支付正常的工程数量，d为甲方准入资质级别所覆盖的级别数量，D为准入资质级别的级别数量，e为总的工程级别数量，E为当前工程级别所覆盖的级别数量，c1、d1、e1为对应参数所占权重比；B为施工方的还款能力指数，f为超出预设规模的项目数量，F为施工方的项目数量，g为每个项目的平均施工人数超出预设值时的项目数量，H为每个项目的施工人员的工资发放逾期比例的平均值；f1、h1为对应参数所占权重比；

需要说明的是，在上述实施例中，引入了当前工程的级别以及平均施工人数的评判标准，此时，当前工程级别是客观参考，是由评估以及项目内容所决定，是在项目开工时候就已经确定并符合评估的内容，而平均施工人数则可以更为准确的判断当前项目规模，因此，将两个参数均引入加权评价模型中，通过大量数据去确定这两个影响因子的权重比，则可以剔除前期评估误差以及后期因为赶工期或者施工团队操作误差造成的评估失误。另外，通过对往期工程数量以及甲方往期工程的款项支付正常的工程数量的影响因子的匹配权重，可以更为准确的评判甲方的支付能力，通过引入甲方准入资质级别所覆盖的级别数量、准入资质级别的级别数量、总的工程级别数量以及当前工程级别所覆盖的级别数量可以更为准确的判定出甲方现阶段的支付能力，从而排除时间对支付能力的影响，使得得到的评价数据更为准确。

S3、根据匹配的加权评价模型获取模型中对应的评价参数；

由于在每个评价模型中，不同的参数表现为不同的影响形式，且其所占权重比不同，根据匹配好的加权评价模型获取对应参数可以使得最后的计算结果更为准确。

S4、根据评价参数确定甲方的付款能力指数和施工方的还款能力指数；

在此过程中，通过不同的评价模型可以分别确定甲方的付款能力指数和施工方的还款能力指数，将甲方和施工方的数据分开来计算，可以分别确认两者的付款能力和还款能力，其结果的准确率也较高。

S5、根据付款能力指数和还款能力指数确定贷款能力的优良率，还款能力的优良率Y等于(aA+bB)％，a为加权系数，b为加权系数。

由上述步骤可知，贷款能力的优良率由付款能力指数和还款能力指数综合确定，前期将两者分开计算，可以提高评估的准确性，后期将两者共同用于贷款能力的优良率的评估，可以实现全面准确的评估，在上述方案中，可以综和多个参数所占的权重比来计算，以此提高贷款能力评估的可靠性和准确度，减少金融机构的不良信贷的产生，即可以解决现有技术中无法准确对施工方贷款能力进行评估的技术问题。需要说明的是，本申请所提出的评估方法主要用于向提供贷款的一方提供一种评估模型，此模型可以准确评估借贷一方的还款能力。

可选地，预设的加权评价模型还包括第三评价模型：

第三评价模型为A1＝((c/C)*c1+(d/D)*d1+(e/E)*e1+(i/C)*i1)；

A1为甲方的付款能力指数，i为因流水周转逾期的项目数量，i1为对应参数所占权重比。

其中，通过引入流水周转逾期的项目数量，可以判断甲方的流水是否优良，从而可以考虑到甲方的流水导致的支付逾期，提高此时计算得到的付款能力指数的准确性。

可选地，如图2所示，根据付款能力指数和还款能力指数确定贷款能力的优良率的步骤之后还包括：

S6、根据相关性指数公式确定C为甲方的往期工程数量，c为甲方往期工程的款项支付正常的工程数量，d为甲方准入资质级别所覆盖的级别数量，D为准入资质级别的级别数量，e为总的工程级别数量，E为当前工程级别所覆盖的级别数量，i为因流水周转逾期的项目数量中每一参数与甲方的付款能力指数的相关性指数；

此时，相关性指数可以由相关性指数公式R

S7、若当前参数的相关性指数超出当前参数的预设相关性指数值，则提高对应参数所占权重比；

若当前参数的相关性指数超出当前参数的预设相关性指数值，则表示当前的影响因子对最后的结果的影响超过目前数据库所统计出的数据，但是为了避免极个别特殊情况造成的相关性指数突然增加的情况，在提高权重比的过程中，由于微小的变化就能造成最后评估结果较大的改变，因此，在此过程中，一般是将权重比的改变以比较小的间隔数逐渐递增，从而保证评估模型的准确性。

S8、若当前参数的相关性指数低于当前参数的预设相关性指数值，则降低对应参数所占权重比。

若当前参数的相关性指数低于当前参数的预设相关性指数值，则表示当前的影响因子对最后的结果的影响低于目前数据库所统计出的数据，但是为了避免极个别特殊情况造成的相关性指数突然降低的情况，在提高权重比的过程中，由于微小的变化就能造成最后评估结果较大的改变，因此，在此过程中，一般是将权重比的改变以比较小的间隔数逐渐递减，从而保证评估模型的准确性。

可选地，预设的加权评价模型还包括第四评价模型：

第四评价模型为B1＝(((f/F+g/F)/2)*f1+(1-H)*h1+(1-(g-f)

其中，超出预设规模的项目数量为施工方所有项目中超出预设规模的项目数量，施工方的每个项目的施工人员的工资发放逾期可以直观表明施工方流水存在问题，因此施工方的每个项目的施工人员的工资发放逾期比例的平均值可以将由于施工方原因导致的还款不及时纳入影响因子中，从而使得最后得到的施工方的还款能力指数的数值更为准确。

可选地，预设的加权评价模型还包括第五评价模型：

第五评价模型为B2＝(((f/F+g/F)/2)*f1+(1-H)*h1+(1-(g-f)

B2为施工方的还款能力指数，J为获取施工方的施工人员的数量，j为技术工人的数量，j1为施工人员培训数量，j2为施工人员年龄低于预设年龄的数量，J1、J2、J3分别为对应参数所占权重比。

其中，通过对施工方的施工人员的组成进行评估，可以知道施工方的潜力，以及从侧面评价施工方承包大型工程的能力，从而可以判断施工方的整体实力，全面准确的得到评价施工方的还款能力指数。

可选地，预设的加权评价模型还还包括第五评价模型：

第五评价模型为B3＝(((f/F+g/F)/2)*f1+(1-H)*h1+(1-(g-f)

B3为施工方的还款能力指数，k为被发放黄牌警告次数，K为政府检查次数，k1为k/K所占权重比。

其中，被发放黄牌警告次数可以评估施工方的执行能力和工地管理规范能力，将其作为影响因子用于评价还款能力指数可以反映施工方的口碑，一定程度上可以预测到施工方的后续市场，这样还款能力可以增强或者减弱，因此，将其参数用于评价还款能力指数可以获得更为准确的评价还款能力指数。

可选地，预设的加权评价模型还包括：

根据相关性指数公式确定B1为施工方的还款能力指数、f为超出预设规模的项目数量、F为施工方的项目数量、g为每个项目的平均施工人数超出预设值时的项目数量、H为每个项目的施工人员的工资发放逾期比例的平均值、J为获取施工方的施工人员的数量、j为技术工人的数量、j1为施工人员培训数量、j2为施工人员年龄低于预设年龄的数量、k为被发放黄牌警告次数、K为政府检查次数与甲方的付款能力指数施工方的还款能力指数的相关性指数；

此时，相关性指数可以由相关性指数公式R

若当前参数的相关性指数超出当前参数的预设相关性指数值，则提高对应参数所占权重比；

若当前参数的相关性指数超出当前参数的预设相关性指数值，则表示当前的影响因子对最后的结果的影响超过目前数据库所统计出的数据，但是为了避免极个别特殊情况造成的相关性指数突然增加的情况，在提高权重比的过程中，由于微小的变化就能造成最后评估结果较大的改变，因此，在此过程中，一般是将权重比的改变以比较小的间隔数逐渐递增，从而保证评估模型的准确性。

若当前参数的相关性指数低于当前参数的预设相关性指数值，则降低对应参数所占权重比。

若当前参数的相关性指数低于当前参数的预设相关性指数值，则表示当前的影响因子对最后的结果的影响低于目前数据库所统计出的数据，但是为了避免极个别特殊情况造成的相关性指数突然降低的情况，在提高权重比的过程中，由于微小的变化就能造成最后评估结果较大的改变，因此，在此过程中，一般是将权重比的改变以比较小的间隔数逐渐递减，从而保证评估模型的准确性。

可选地，如图3所示，根据评价参数匹配预设的加权评价模型的步骤还包括：

S21、根据评价参数匹配第一评价模型或第三评价模型中的任意一个；

此时，第一评价模型和第三评价模型均是用于甲方的评价，当两者当中的参数无法完全匹配时，选取匹配到的参数最多的那个公式，从而可以提高评价指数的准确性，另外，每一个权重比对应的公式才视为参数匹配时的一个统计数量，如((e/E)对应e1视为一个匹配参数。

S22、根据评价参数匹配第二评价模型、第四评价模型以及第五评价模型中的任意一个。

此时，第二评价模型、第四评价模型以及第五评价模型均是用于施工方的评价，当两者当中的参数无法完全匹配时，选取匹配到的参数最多的那个公式，从而可以提高评价指数的准确性，另外，每一个权重比对应的公式才视为参数匹配时的一个统计数量，如((f/F+g/F)/2)对应f1视为一个匹配参数。

为实现上述目的，本发明还提出一种评估装置，评估装置包括至少一个处理终端：

处理终端包括：

处理器；

存储有施工方贷款能力评估程序的存储器，存储器与处理器电连接并进行数据通信，处理器运行施工方贷款能力评估程序并执行如上的施工方贷款能力评估方法的步骤。

值得注意的是，因为本发明评估装置包含了上述施工方贷款能力评估方法的全部实施例，因此本发明评估装置具有上述施工方贷款能力评估方法的所有有益效果，此处不再赘述。

可选的，处理终端还包括显示面板：显示面板用于显示或者输入控制信号。

需要说明的是，显示面板可以为触摸屏、LCD屏、液晶屏、电容屏等各种具有显示功能的显示屏。

以上仅为本发明的可选实施例，并非因此限制本发明的专利范围，凡是在本发明的发明构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。