市场经济快速发展,企业合规管理不断升温,企业合规风险不断升级。企业合规评价是企业管理的基础,能够体现一个企业的经营情况,是降低企业违规的必要手段。运用大数据的技术手段构建企业合规判别模型,有利于完善企业合规评价体系,客观的评价企业管理情况,促进企业的长期发展,公平维护企业的合法利益,维持市场稳定发展。本文选用江苏省3000万企业脱敏后的数据,它提供企业主体在14个方面留下的合规信息。将14大数据源的数据进行数据的融合与编码,融合为文本的企业数据。数据的融合改变了以往单一数据源只能反映一到两个方面因素的影响。由于企业合规判别的研究较少,本文借鉴其他领域优秀的判别方法。模型中使用K近邻、朴素贝叶斯和随机森林三种模型方法对企业合规进行评估,并阐述相关的概念与原理,对企业合规判别做出初步的研究,最后通过检验基于判别方法建立的企业合规评估模型,得到的结论是基于随机森林建立的评估模型的判别效果要优于其他两种模型。针对传统模型中精确度与稳健性无法同时兼顾的问题,本文利用组合模型的思想,构建基于统计学和人工智能方法结合的非负约束权重的组合判别模型。在计算模型的权重时使用二次规划解法,这种方法较传统解法更有效、结果更合理,为使权重更加的合理,对非负权重利用Lingo软件进行求解。在应用组合判别模型时,通过与单一模型进行对比,发现权重有非负约束的组合模型的效果最好,结合企业的合规画像对企业的合规判别做进一步研究。虽然组合判别模型在第一类误判率上不占优势,但是在第二类误判率所呈现的效果却很出色,同时组合判别模型的稳健性也是最优的。最后通过本文的研究可以得出:在分类综合效果上非负约束权重的组合判别模型要优于单个模型;在企业合规评价中使用二次规划方法求得的非负约束权重的组合判别模型是具有应用价值的。通过建立组合模型来解决企业合规评估问题是一种成效显著的方法,建立企业的合规画像,对企业提出相应的指导建议,这对提高企业遵守法律法规、降低企业失信风险起到显著的作用。