再保险人风险评估方法、装置、计算机设备及存储介质与流程

1.本技术涉及数据处理领域，尤其涉及再保险人风险评估方法、装置、计算机设备及存储介质。


背景技术：

2.再保险(reinsurance)也称分保，是保险人在原保险合同的基础上，通过签订分保合同，将其所承保的部分风险和责任向其他保险人进行保险的行为。在再保险交易中，分出业务的公司称为原保险人或分出公司，接受业务的公司称为再保险人(reinsurer)，或分保接受人或分入公司。
3.目前对再保险人进行违约风险评估时，业务人员只是根据再保险人的担保措施或者再保险人的注册信息进行评估。现有对再保险人的风险评估方式，不仅维度单一、覆盖面低且信息滞后，导致对再保险的风险评估结果不准确、不及时，而不准确、不及时的再保险人风险评估结果导致原保险人的再保险业务风险进一步增加。


技术实现要素：

4.本技术实施例提供一种再保险人风险评估方法、装置、计算机设备及存储介质，以解决现有技术对再保险人的风险评估结果维度单一、不准确的问题。
5.本技术的第一方面，提供一种再保险人风险评估方法，包括：
6.从再保险业务系统以及第三方系统获取再保险人的目标信息数据；
7.将所述目标信息数据输入至预设的数据分析模型，输出所述再保险人的标签体系数据；
8.根据所述标签体系数据以及c5.0决策树算法，建立再保险人风险评估模型；
9.根据预设的剪枝算法优化所述再保险人风险评估模型，得到优化完成的所述再保险人风险评估模型；
10.获取目标再保险人的待评估数据，输入所述待评估数据至所述再保险人风险评估模型，输出所述目标再保险人的风险评估结果。
11.本技术的第二方面，提供一种再保险人风险评估装置，包括：
12.信息获取模块，用于从再保险业务系统以及第三方系统获取再保险人的目标信息数据；
13.标签体系模块，用于将所述目标信息数据输入至预设的数据分析模型，输出所述再保险人的标签体系数据；
14.模型建立模块，用于根据所述标签体系数据以及c5.0决策树算法，建立再保险人风险评估模型；
15.模型优化模块，用于根据预设的剪枝算法优化所述再保险人风险评估模型，得到优化完成的所述再保险人风险评估模型；
16.风险评估模块，用于获取目标再保险人的待评估数据，输入所述待评估数据至所
述再保险人风险评估模型，输出所述目标再保险人的风险评估结果。
17.本技术的第三方面，提供一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述再保险人风险评估方法的步骤。
18.本技术的第四方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述再保险人风险评估方法的步骤。
19.上述再保险人风险评估方法、装置、计算机设备及存储介质，通过从再保险业务系统以及第三方系统获取再保险人的目标信息数据，将所述目标信息数据输入至预设的数据分析模型，输出所述再保险人的标签体系数据，然后根据所述标签体系数据以及c5.0决策树算法建立再保险人风险评估模型，再根据预设的剪枝算法优化所述再保险人风险评估模型得到优化完成的所述再保险人风险评估模型，最后获取目标再保险人的待评估数据，输入所述待评估数据至所述再保险人风险评估模型，输出所述目标再保险人的风险评估结果。不仅通过从再保险业务系统以及第三方系统获取再保险人的目标信息数据解决了现有技术对再保险人的风险评估结果维度单一的问题，还通过c5.0决策树算法构建的决策树模型解决了现有技术对再保险人的风险评估结果不准确的问题。
附图说明
20.为了更清楚地说明本技术实施例的技术方案，下面将对本技术实施例的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技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
21.图1是本技术一实施例中再保险人风险评估方法的一应用环境示意图；
22.图2是本技术一实施例中再保险人风险评估方法的一流程图；
23.图3是本技术一实施例中再保险人风险评估装置的结构示意图；
24.图4是本技术一实施例中计算机设备的一示意图。
具体实施方式
25.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
26.本技术提供的再保险人风险评估方法，可应用在如图1的应用环境中。其中，计算机设备可以但不限于各种个人计算机、笔记本电脑，计算机设备还可以是服务器，服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。可以理解的是图1中的计算机设备的数量仅仅是示意性的，可以根据实际需求进行任意数量的扩展。
27.在一实施例中，如图2所示，提供一种再保险人风险评估方法，以该方法应用在图1
中的计算机设备为例进行说明，包括如下步骤s101至s105：
28.s101、从再保险业务系统以及第三方系统获取再保险人的目标信息数据。
29.其中，从所述再保险业务系统中获取的所述目标信息数据包括但不限于：再保险人公司信息数据、再保险人公司历史交易数据、在保险人公司经营数据。所述第三方系统包括但不限于：财务系统、核保系统、爬虫系统、舆情系统、信用评估系统。其中，从所述第三方系统中获取的所述目标信息数据包括但不限于：再保险人公司财务数据、再保险人公司舆情数据、再保险人公司信用数据、再保险人公司偿付能力评估数据、再保险人公司市场份额数据。其中，需要特殊说明的是，所述从第三方系统获取的所述目标信息是从各所述第三方系统提供的外部调用接口中获得，其中使用所述外部接口的频率可根据相应的业务需求具体设置。例如针对所述再保险业务系统中承接分出业务量较小的第一再保险人降低所述外部接口的调用频率，不用频繁获取和计算所述第一再保险人的风险评估结果，而针对再保险业务系统中承接分包业务量较大的第二再保险人提高所述外部接口的调用频率，及时获取所述目标信息数据用于计算所述第二再保险人的风险评估结果，以便原保险人公司在所述第二再保险人的风险评估结果是风险进一步增大时，及时调整与所述第二再保险人的业务合作和提前准备相应的风险防范措施。
30.具体地，首先从所述再保险业务系统中获取再保险人数据作为第一初始信息数据。其中，获取所述第一初始信息数据的第一频率的设计参考前述关于调用第三方系统提供的外部接口的频率部分。然后，从所述第三方系统中获取与再保险人存在关联关系的关联数据作为第二初始信息数据。其中，获取所述第二初始信息数据的第二频率在此不再赘述。最后，通过etl方法清洗所述第一初始信息数据和所述第二初始信息数据，得到所述目标信息数据。其中，所述通过etl方法清洗所述第一初始信息数据和所述第二初始信息数据之后，还将所述第一初始信息数据和所述第二信息数据进行聚类处理，因为所述第一初始信息数据和所述第二初始信息数据中存在具有重叠衡量关系的数据。例如，所述第三方系统中的核保系统中，包含了一部分所述再保险人公司的经营数据以及所述再保险人公司历史交易数据。
31.s102、将所述目标信息数据输入至预设的数据分析模型，输出所述再保险人的标签体系数据。
32.其中，所述标签体系数据的维度包括但不限于：公司维度、舆情维度、信用维度、财务维度、经营维度。进一步地，所述标签体系数据根据所述再保险人风险评估的结果的验证情况进一步优化，移除与所述再保险人风险评估的结果关联关系较弱的维度，增加新的标签体系数据维度进行计算和验证。进一步提高了对所述再保险人风险评估的准确性。
33.具体地，首先获取所述目标信息数据中的数值型的目标数据属性。然后，将所述目标数据属性对应的所有数值进行排序，并按照预设分类方法将所述目标数据属性对应的所有数值转换为分类值。最后，将经过转换的所述目标信息数据输入至预设的数据分析模型，输出所述再保险人的标签体系数据。其中，将数值型的目标数据属性转换为分类型的数据属性，不仅进一步降低了所述再保险人风险评估方法中数据处理的任务量，而且进一步提升了所述再保险人风险评估方法的运行效率，能够使用较少的计算机系统资源快速处理所述目标信息数据后得到所述再保险人的风险评估结果。其中，需要特殊说明的是，在将数值型的所述目标数据属性转换为分类型的数据属性过程中，进一步记录被转换的所述目标数
据属性被转成分类型数据的分类类型的数量，以及所述目标数据属性被转换之后所述再保险人风险评估方法的执行效率和所述再保险人风险评估方法得到的风险评估结果的准确率。若将所述分类型数据的分类类型被缩小之后，所述再保险人风险评估方法的执行效率被降低或所述再保险人风险评估方法得到的风险评估结果的准确率降低，则取消当前对所述分类型数据的分类类型的缩小操作，回退到所述分类型数据的上一个分类类型。反之，若将所述分类型数据的分类类型被缩小之后，所述再保险人风险评估方法的执行效率不变或提升，或所述再保险人风险评估方法得到的风险评估结果的准确率不变或提升，则将所述分类型数据的分类类型进一步缩小，进而进一步减小所述目标信息数据的计算任务量，提高所述再保险人风险评估方法的执行效率。
34.s103、根据所述标签体系数据以及c5.0决策树算法，建立再保险人风险评估模型。
35.其中，c5.0决策树算法是构建决策树模型的一种算法，相比传统的决策树模型构建算法，c5.0算法不仅速度更快、内存使用效率更高，而且能够在保证预测精度的基础上缩小决策树模型中决策树的结构。同时，c5.0决策树算法还能构建分类器，最大限度地减少预测的错误分类成本而不是错误率。而在再保险人风险评估过程中，所述目标信息数据中不仅包括不会频繁变化的再保险人公司数据，还包括会频繁变化的舆情数据，所以需要采用一种能够高效处理所述目标信息数据的决策树算法构建高效的决策树模型，进而通过所述高效地决策树模型快速地得到所述再保险人的风险评估结果，尤其在信息传播速度快、传播范围广、传播方法多的高速发展的环境中，所述舆情数据显得格外重要。
36.进一步地，首先持续获取所述再保险人的目标信息数据，使用所述目标信息数据生成所述标签体系数据。然后，使用所述标签体系数据训练所述再保险人风险评估模型，得到所述再保险人风险评估模型的分类准确度、分类覆盖率和分类稳定性。最后，循环前述步骤，直至所述分类准确度、所述分类覆盖率和所述分类稳定性分别达到对应的预设分类准确度、预设分类覆盖率和预设分类稳定性。进一步地，将所述再保险人的目标信息数据按照预设比例划分为模型构建数据和模型训练数据，即所述再保险人的目标信息数据中的模型构建数据用于根据所述c5.0决策树算法构建所述再保险人风险评估模型，所述再保险人的目标信息数据中的模型训练数据用于训练所述再保险人风险评估模型。
37.进一步地，所述根据所述标签体系数据以及c5.0决策树算法，建立再保险人风险评估模型之前还包括：首先，设定所述再保险人风险评估模型中的决策树的叶子节点最小数据实例数。然后，若构建所述再保险人风险评估模型中的决策树的过程中，目标叶子节点包含的数据实例数小于所述最小数据实例数，则停止所述目标叶子节点的生长。使用所述最小数据实例数，不仅能去除拥有数据实例数较少的噪声数据，而且能够加快所述再保险人风险评估模型中决策树的构建速度。
38.进一步地，所述根据所述标签体系数据以及c5.0决策树算法，建立再保险人风险评估模型之前还包括：首先，设定所述再保险人风险评估模型中的决策树的叶子节点最大决策树深度。然后，若构建所述再保险人风险评估模型中的决策树的过程中，目标叶子节点所在的深度层数大于所述最大决策树深度，则停止所述目标叶子节点的生长。使用所述最大决策树深度不仅能够避免所述再保险人风险评估模型中的决策树过度生长带来的计算量增大的问题，还能提高所述再保险人风险评估方法运行效率。其中，所述最大决策树深度的设定需要建立在对所述再保险人的所述目标信息数据充分分析和理解的基础上，避免由
于所述最大决策树深度的设定，导致所述再保险人风险评估模型中的决策树由于深度过浅而无法产生合理的风险评估数据，或所述再保险人风险评估模型中的决策树由于深度过深而降低所述再保险人风险评估方法的执行效率。
39.s104、根据预设的剪枝算法优化所述再保险人风险评估模型，得到优化完成的所述再保险人风险评估模型。
40.具体地，首先使用预设的剪枝算法对所述再保险人风险评估模型中的决策树进行剪枝处理。然后，计算所述决策树被剪枝处理前和被剪枝处理后，所述再保险人风险评估模型对应的剪枝前预测分类准确度和剪枝后预测分类准确度。同时，若所述剪枝后预测分类准确度小于所述剪枝前预测分类准确度，则取消当前剪枝处理，将所述决策树的分支结构进行还原。最后，循环前述步骤，直至所述决策树中的每个叶子节点都被遍历。进一步地，使用所述分类准确度、所述分类覆盖率和所述分类稳定性同时作为剪枝处理操作是否合理的判断标准，即若被剪枝后的所述决策树对应的所述再保险人风险评估模型对应的第一分类准确度、第一分类覆盖率和第一分类稳定性分别与剪枝前的所述决策树对应的所述再保险人风险评估模型对应的第二分类准确度、第二分类覆盖率和第二分类稳定性对比，所述第二分类准确度、所述第二分类覆盖率和所述第二分类稳定性中存在一项的数据产生了负面的下降效果，则执行所述取消当前剪枝处理，将所述决策树的分支结构进行还原的步骤。进一步的，为所述分类准确度、所述分类覆盖率和所述分类稳定性分别设定对应的目标分类准确度范围、目标分类覆盖率范围和目标分类稳定性范围，所述根据预设的剪枝算法优化所述再保险人风险评估模型时，若进行剪枝处理后的所述第一分类准确率、所述第一分类覆盖率和所述第一分类稳定性均在对应的所述目标分类准确度范围、所述目标分类覆盖率范围和所述目标分类稳定性范围之内，则当前剪枝处理的操作合理。反之，若进行剪枝处理后的所述第一分类准确率、所述第一分类覆盖率和所述第一分类稳定性中存在一项不在对应的所述目标分类准确度范围、所述目标分类覆盖率范围和所述目标分类稳定性范围之内，则当前剪枝处理的操作合理，执行所述取消当前剪枝处理，将所述决策树的分支结构进行还原的步骤。
41.进一步地，所述设定所述再保险人风险评估模型中的决策树的叶子节点最小数据实例数，并且根据所述最小数据实例数构建完所述再保险人风险评估模型中的决策树之后，使用根据所述再保险人风险评估模型得到的所述分类准确、所述分类覆盖率和所述分类稳定性判断所述最小数据实例数的设置是否合理。具体的，若增加或减小所述最小数据实例数之后产生了第一决策树，而根据基于所述第一决策树的所述再保险人风险评估模型得到的所述分类准确率、所述分类覆盖率和所述分类稳定性三项数据中存在一项的数据不在对应的目标分类准确度范围、目标分类覆盖率范围和目标分类稳定性范围内，则将所述最小数据实例数进行对应的反向操作，即对应减小或增大所述最小数据实例数之后重新生成第二决策树，并使用基于所述第二决策树的所述再保险人风险评估模型再次验证。
42.进一步地，所述设定所述再保险人风险评估模型中的决策树的叶子节点最大决策树深度，并且根据所述最大决策树深度构建完所述再保险人风险评估模型中的决策树之后，使用根据所述再保险人风险评估模型得到的所述分类准确、所述分类覆盖率和所述分类稳定性判断所述最小数据实例数的设置是否合理。具体的，若增加或减小所述最大决策树深度之后产生了第三决策树，而根据基于所述第三决策树的所述再保险人风险评估模型
得到的所述分类准确率、所述分类覆盖率和所述分类稳定性三项数据中存在一项的数据不在对应的目标分类准确度范围、目标分类覆盖率范围和目标分类稳定性范围内，则将所述最大决策树深度进行对应的反向操作，即对应减小或增大所述最大决策树深度之后重新生成第四决策树，并使用基于所述第四决策树的所述再保险人风险评估模型再次验证。
43.s105、获取目标再保险人的待评估数据，输入所述待评估数据至所述再保险人风险评估模型，输出所述目标再保险人的风险评估结果。
44.进一步地，得到所述目标再保险人的风险评估结果之后，将所述目标再保险人的风险评估结果发送至所述再保险业务系统，辅助所述再保险业务系统中的原保险人对再保险人进行风险判断，进而生成合理的业务决定，保证原保险人的业务安全。同时，所述输出所述目标再保险人的风险评估结果之后，还持续性获取所述目标再保险人的数据，不仅将所述目标再保险人的数据用于所述再保险人风险模型的训练和优化，还使用所述目标再保险人的数据用于计算所述目标再保险人的新风险评估结果，并使用所述新的风险评估结果更新所述目标再保险人的旧风险评估结果，使得接收所述目标再保险人风险评估结果的原保险人及时得到所述目标保险人的风险评估结果，达到对再保险人的风险评估结果及时更新的有益效果。
45.本技术提供的再保险人风险评估方法，通过从再保险业务系统以及第三方系统获取再保险人的目标信息数据，将所述目标信息数据输入至预设的数据分析模型，输出所述再保险人的标签体系数据，然后根据所述标签体系数据以及c5.0决策树算法建立再保险人风险评估模型，再根据预设的剪枝算法优化所述再保险人风险评估模型得到优化完成的所述再保险人风险评估模型，最后获取目标再保险人的待评估数据，输入所述待评估数据至所述再保险人风险评估模型，输出所述目标再保险人的风险评估结果。不仅通过从再保险业务系统以及第三方系统获取再保险人的目标信息数据解决了现有技术对再保险人的风险评估结果维度单一的问题，还通过c5.0决策树算法构建的决策树模型解决了现有技术对再保险人的风险评估结果不准确的问题，还通过剪枝操作处理决策树、etl方法清洗获取的目标信息数据等操作提升了所述再保险人风险评估方法的执行效率。
46.应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本技术实施例的实施过程构成任何限定。
47.在一实施例中，提供一种再保险人风险评估装置100，该再保险人风险评估装置100与上述实施例中再保险人风险评估方法一一对应。如图3所示，该再保险人风险评估装置100包括信息获取模块11、标签体系模块12、模型建立模块13、模型优化模块14和风险评估模块15。各功能模块详细说明如下：
48.信息获取模块11，用于从再保险业务系统以及第三方系统获取再保险人的目标信息数据；
49.标签体系模块12，用于将所述目标信息数据输入至预设的数据分析模型，输出所述再保险人的标签体系数据；
50.模型建立模块13，用于根据所述标签体系数据以及c5.0决策树算法，建立再保险人风险评估模型；
51.模型优化模块14，用于根据预设的剪枝算法优化所述再保险人风险评估模型，得
到优化完成的所述再保险人风险评估模型；
52.风险评估模块15，用于获取目标再保险人的待评估数据，输入所述待评估数据至所述再保险人风险评估模型，输出所述目标再保险人的风险评估结果。
53.进一步地，所述信息获取模块11还包括：
54.第一初始信息子模块，用于从所述再保险业务系统中获取再保险人数据作为第一初始信息数据；
55.第二初始信息子模块，用于从所述第三方系统中获取与再保险人存在关联关系的关联数据作为第二初始信息数据；
56.数据清洗子模块，用于通过etl方法清洗所述第一初始信息数据和所述第二初始信息数据，得到所述目标信息数据。
57.进一步地，所述标签体系模块12还包括：
58.目标数据属性获取子模块，用于获取所述目标信息数据中的数值型的目标数据属性；
59.数值类型转换子模块，用于将所述目标数据属性对应的所有数值进行排序，并按照预设分类方法将所述目标数据属性对应的所有数值转换为分类值；
60.标签体系生成子模块，用于将经过转换的所述目标信息数据输入至预设的数据分析模型，输出所述再保险人的标签体系数据。
61.进一步地，所述模型建立模块13还包括：
62.目标信息数据获取子模块，用于持续获取所述再保险人的目标信息数据，使用所述目标信息数据生成所述标签体系数据；
63.风险评估模型训练子模块，用于使用所述标签体系数据训练所述再保险人风险评估模型，得到所述再保险人风险评估模型的分类准确度、分类覆盖率和分类稳定性；
64.第一循环子模块，用于循环前述步骤，直至所述分类准确度、所述分类覆盖率和所述分类稳定性分别达到对应的预设分类准确度、预设分类覆盖率和预设分类稳定性。
65.进一步地，所述模型建立模块13还包括：
66.数据比例划分子模块，用于将所述再保险人的目标信息数据按照预设比例划分为模型构建数据和模型训练数据；
67.模型构建数据子模块，用于所述再保险人的目标信息数据中的模型构建数据用于根据所述c5.0决策树算法构建所述再保险人风险评估模型；
68.模型训练数据子模块，用于所述再保险人的目标信息数据中的模型训练数据用于训练所述再保险人风险评估模型。
69.进一步地，所述模型优化模块14还包括：
70.决策树剪枝子模块，用于使用预设的剪枝算法对所述再保险人风险评估模型中的决策树进行剪枝处理；
71.剪枝对比子模块，用于计算所述决策树被剪枝处理前和被剪枝处理后，所述再保险人风险评估模型对应的剪枝前预测分类准确度和剪枝后预测分类准确度；
72.决策树结构还原子模块，用于若所述剪枝后预测分类准确度小于所述剪枝前预测分类准确度，则取消当前剪枝处理，将所述决策树的分支结构进行还原；
73.第二循环子模块，用于循环前述步骤，直至所述决策树中的每个叶子节点都被遍
历。
74.进一步地，所述模型建立模块13还包括：
75.最小数据实例子模块，用于设定所述再保险人风险评估模型中的决策树的叶子节点最小数据实例数；
76.第一决策树生长控制子模块，用于若构建所述再保险人风险评估模型中的决策树的过程中，目标叶子节点包含的数据实例数小于所述最小数据实例数，则停止所述目标叶子节点的生长。
77.进一步地，所述模型建立模块13还包括：
78.最大决策树深度子模块，用于设定所述再保险人风险评估模型中的决策树的叶子节点最大决策树深度；
79.第二决策树生长控制子模块，用于若构建所述再保险人风险评估模型中的决策树的过程中，目标叶子节点所在的深度层数大于所述最大决策树深度，则停止所述目标叶子节点的生长。
80.其中上述模块/单元中的“第一”和“第二”的意义仅在于将不同的模块/单元加以区分，并不用于限定哪个模块/单元的优先级更高或者其它的限定意义。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或模块的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或模块，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块，本技术中所出现的模块的划分，仅仅是一种逻辑上的划分，实际应用中实现时可以有另外的划分方式。
81.关于再保险人风险评估装置的具体限定可以参见上文中对于再保险人风险评估方法的限定，在此不再赘述。上述再保险人风险评估装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
82.在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储再保险人风险评估方法中涉及到的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种再保险人风险评估方法。
83.在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例中再保险人风险评估方法的步骤，例如图2所示的步骤s101至步骤s105及该方法的其它扩展和相关步骤的延伸。或者，处理器执行计算机程序时实现上述实施例中再保险人风险评估装置的各模块/单元的功能，例如图3所示模块11至模块15的功能。为避免重复，这里不再赘述。
84.所述处理器可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路
(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述计算机装置的控制中心，利用各种接口和线路连接整个计算机装置的各个部分。
85.所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述计算机装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、视频数据等)等。
86.所述存储器可以集成在所述处理器中，也可以与所述处理器分开设置。
87.在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中再保险人风险评估方法的步骤，例如图2所示的步骤s101至步骤s105及该方法的其它扩展和相关步骤的延伸。或者，计算机程序被处理器执行时实现上述实施例中再保险人风险评估装置的各模块/单元的功能，例如图3所示模块11至模块16的功能。为避免重复，这里不再赘述。
88.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
89.所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
90.以上所述实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围，均应包含在本技术的保护范围之内。