CN103325023A - 一种信用评价方法 - Google Patents

Abstract

本实施例公开了一种信用评价方法，包括预设包括多个评价指标的评价指标库；根据评价指标构建多层的评价体系；确定评价指标的权系数；通过为评价指标中的定性指标建立评语集以实现对评价指标的量化，并确立隶属度函数以实现对定性指标的评价；评语集包括针对定性指标的多个不同方面评价的评语；确定评价指标中的定量指标的算法，并确立隶属度函数以实现对定量指标的评价；根据评价体系按照层次分析法对评估对象进行评估。本实施例将评价指标应用于层次分析法的评价体系中，从而可以排除在对评价对象进行评价时的由于人为不客观、或是，由于评价人员的构成不合理对评价结果的不良影响，即，通过本实施例可以使对评价对象的评价结果更加的客观准确。

Description

一种信用评价方法

技术领域

本发明涉及计算机应用领域，更具体地说，涉及一种信用评价方法。

背景技术

目前，对于某个项目进行评估时，一般所采取的方式为邀请有关方面的专家，通过会议的形式，对该项目的事件、管理、决策、生产、产品、技术及其发展前景等进行评价。在专家们分析判断的基础上，综合专家们的意见，对该企业或产品的市场需求及其变动趋势作出量的预测，这种方式也称之为专家会议法。

专家会议法的一般步骤为：

1、确定需邀请参加会议专家的专家数目，选择合适的专家；其中，确定专家数目是决定预测结果可靠性和全面性的关键一步。

2、就该项目征询专家意见。

3、综合专家意见，确定对于该项目的预测结论。

此外，现有技术中，还包括有德尔菲预测法，又称专家小组法，主要是按规定的程序，采用函询的方式，依靠具有专门知识的专家背靠背地对预测对象作出判断分析，来替代面对面的会议，使专家的不同意见充分发表，经过客观分析和几轮的反复征询和反馈，使得各种不同意见逐步趋向一致，从而得出比较符合市场发展规律的预测结果。

现有技术中，另一种被广泛使用的项目评价方法是采用计量学指标，即，文献计量指标法，可以利用如SCI、ISTP、ISR、EI等大型检索工具提供的文献计量学指标。文献计量学指标法由于具有检索速度快、计算机应用程度高、收录文献及时以及评价客观等优点，目前也被当作评价论文、科研机构和国家科研水平的标准之一。

但是，上述现有技术中，专家会议法和专家小组法中，由于参加评估的专家在进行项目评估时，会有由于受到各种人为因素的影响而不能保证每个专家都能都对评测对象进行客观的评估，从而影响评估的客观性和准确性；而文献计量指标法虽然可以检索出足够量的文献，但是单纯的文献资料对于项目的评估是不够全面的，而且不同文献对于评估结果的影响权系数也没有客观恒定的指标，从而严重的影响评估的准确性。所以，目前急需一种客观而又准确的项目评估方法。

发明内容

有鉴于此，本发明实施例提供了一种信用评价方法，以实现客观准确的对评价对象进行评价的目的。

本发明实施例是这样实现的：

一种信用评价方法，包括：

预设包括多个评价指标的评价指标库；

根据所述评价指标构建多层的评价体系；

根据所述评价指标的重要程度和所述评价指标在所述评价体系的层间结构关系确定所述评价指标的权系数；

通过为所述评价指标中的定性指标建立评语集以实现对所述评价指标的量化；所述评语集包括针对所述定性指标的多个不同方面评价的评语；

根据设定的隶属度函数确定所述评价指标评语的隶属度；

根据所述评价体系按照层次分析法对评估对象进行评估。

优选的，在本发明实施例中，所述多层的评价体系包括：

目标层、准则层、指标层、子指标层和方案层。

优选的，在本发明实施例中，

所述评价体系中，同属于上层某评价指标的所有下层评价指标的权系数数取值范围在（0，1）之间，其权系数之和为1。

优选的，在本发明实施例中，所述确定所述评价指标的权系数包括：

构造成对比较矩阵、计算权向量、一致性校验、层次总排序和确定权系数。

优选的，在本发明实施例中，所述构造成对比较矩阵，具体包括：

以所述评价体系的层次结构模型的第2层开始，对于从属于或影响及上一层每个评价指标的同一层各个评价指标，用成对比较法和1～9比较尺度构造成对比较矩阵，直到最下层；所述比较矩阵为：

n个评价指标A1，A2，。。。，An，所述比较矩阵A=（aij）n*n；

$A=\left(\begin{array}{cccc}a11& a12& \·\·\·& a1n\\ a21& a22& \·\·\·& a2n\\ \·\·\·& \·\·\·& \·\·\·& \·\·\·\\ \mathrm{an}1& \mathrm{an}2& \·\·\·& \mathrm{ann}\end{array}\right)$

优选的，在本发明实施例中，所述计算权向量，具体包括：

对每一个所述比较矩阵计算最大特征根及对应的特征向量。

优选的，在本发明实施例中，所述一致性校验，具体包括：

通过计算一致性指标CI：CI=(λmax-n)/(n-1)、查同阶矩阵平均一致性指标RI、计算一致性比率CR：CR=(CI/RI)对所述比较矩阵进行一致性检验。

优选的，在本发明实施例中，所述层次总排序，具体包括：

利用所述评价体系中同一层次中所有层次单排序的结果，计算针对上一层次而言的本层次所有评价指标的重要性权系数值；层次总排序需要从上到下逐层顺序进行；对于所述评价体系中的最高层，其层次单排序就是其总排序。

优选的，在本发明实施例中，所述确定权系数，具体包括：

设W={W1，W2，。。。，Wm}为所述评价体系中第一级评价指标相对于总目标层的权系数集合，Wi(i=l，2，。。。，m)是其中的第一级评价指标的权系数；

设Wi={Wi1，Wi2，。。。，Win}为所述评价体系中隶属于某第一级评价指标的第二级评价指标相对于所述第一级评价指标的权系数集合，Wij(j=l，2，。。。，n)是其中的第二级评价指标的权系数；

设Wij={Wij1，Wij2，。。。，Wijo}为所述评价体系中隶属于某第二级评价指标的第三级评价指标相对于该第二级评价指标的权系数集合，Wijk(k=l，2，。。。，o)是其中的第三级评价指标的权系数。

从上述的技术方案可以看出，在本发明实施例中，通过根据评价指标的重要程度和评价指标在评价体系的层间结构关系和确定评价指标的权系数，以及，为评价指标中的定性指标建立评语集，评语集包括针对定性指标的多个不同方面评价的评语；确定评价指标中的定量指标的算法，并建立定量指标的隶属度函数；这样，就可以将评价指标应用于层次分析法的评价体系中，从而可以排除在对评价对象进行评价时的由于人为不客观、或是，由于评价人员的构成不合理对评价结果的不良影响，即，通过本发明实施例，可以使对评价对象的评价结果更加的客观和准确。

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获得其他的附图。

图1为本发明实施例中所述信用评价方法的流程示意图。

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，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

为了解决现有技术中对评价对象的评价客观性和准确性较差的问题，本发明实施例，提供了一种信用评价方法，包括步骤：

S11、预设包括多个评价指标的评价指标库；

在建立评价指标库时，需要收集目前已有的关于评价对象的评价因素并将这些评价因素指标化以形成评价指标。在实际应用中，还可以通过广泛征询专家意见的方式，完善对于评价对象的评价指标，使能够影响评价对象的评价结果的因素尽量的完备，从而使评价结果能够更加的准确。

S12、根据所述评价指标按照层次分析法构建多层的评价体系；

在本申请中，核心的评价方式采用的是层次分析法，从而，需要按照层次分析法来构建多层的评价体系。

在该多层的评价体系中，需要根据评价目的和要求，首先确定每个第一级评价指标的评价指标名称和数量，并逐层罗列出每一层可以设置的评价指标。在构建多层的评价体系的过程中，同时包括了对评价指标的构思过程，在评价体系初步确定后，即根据评价的目的和要求，逐个确定每一个指标评价的标准。

优选的，按照层次分析法，多层的评价体系可以分别包括目标层、准则层、指标层、子指标层和方案层，从而形成了由目标层到方案层的一个完整的体系结构。每一个评价指标都与影响评价对象的因素挂钩，起到综合影响评价对象的评价结果的作用。

在实际应用中，评价指标库包括有多级的评价指标集，即，在多层的评价体系中，每一层都包括有评价指标集，其层间结构具体为可以如下所示：

设U={U1，U2，。。。，Um}为评价体系中第一级评价指标组成的评价指标集，其中，Ui(i=l，2，。。。，m)为其中的第一级评价指标；

设Ui={Ui1，Ui2，。。。，Uin}为评价体系中隶属于第一级评价指标Ui的第二级评价指标组成的评价指标集，其中，Uij(j=l，2，。。。，n)为其中的第二级评价指标；

设Uij={Uij1，Uij2，。。。，Uijo}为评价体系中隶属于第二级评价指标Uij的第三级评价指标组成的评价指标集，其中，Uijk(k=l，2，。。。，o)，为其中的第三级评价指标。

S13、根据所述评价指标的重要程度和所述评价指标在所述评价体系的层间结构关系和确定所述评价指标的权系数；

评价指标在所述评价体系的层间结构关系包括有上下层级间的被属隶与隶属、被反映与反映的关系，此外，每个评价指标的重要性不同的，也就是对于评价对象的评价结果的影响程度是不同的，因此需要确定各评价指标权系数，此时，要根据评价体系不同的层次和各层中评价指标的重要程度的不同给予合理的数值。

在实际应用中，同属于上层某评价指标的所有下层评价指标的权系数数取值范围在（0，1）之间，其权系数之和为1。具体的，评价指标的权系数可以以如下的方式来确定：

构造成对比较矩阵：以评价体系层次结构模型的第2层开始，对于从属于（或影响及）上一层每个因素的同一层诸因素，用成对比较法和1～9比较尺度构造成对比较矩阵，直到最下层。对于从属于（或影响及）上一层某个因素的同一层的n个评价指标A1，A2，。。。，An，根据对目标的重要性，可得到两两比较判断矩阵A=（aij）n*n。

$A=\left(\begin{array}{cccc}a11& a12& \·\·\·& a1n\\ a21& a22& \·\·\·& a2n\\ \·\·\·& \·\·\·& \·\·\·& \·\·\·\\ \mathrm{an}1& \mathrm{an}2& \·\·\·& \mathrm{ann}\end{array}\right)$

计算权向量：对每一个成对比较矩阵计算最大特征根及对应的特征向量（可以包括和法、根法、幂法等），以和法为例：

将比较矩阵A=（aij）n*n的每一列向量归一化得：

将

按行求和得： ${\tilde{W}}_i=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\tilde{W}}_{\text{ij}}$

将

归一化，即有： $W_i={\tilde{W}}_i/\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\tilde{W}}_i$

则有特征向量：

计算与特征向量对应的最大特征根λ_max的近似值：

${\mathrm{\λ}}_{\max }=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\frac{{\left(\mathrm{AW}\right)}_i}{W_{\text{i}}}$

一致性校验：通过计算一致性指标CI：CI=(λmax-n)/(n-1)、查同阶矩阵平均一致性指标RI、计算一致性比率CR：CR=(CI/RI)等对判断矩阵A进行一致性检验。

确定权系数，具体可以包括：

设W={W1，W2，。。。，Wm}为评价体系中第一级评价指标相对于总目标层的权系数集合，Wi(i=l，2，。。。，m)是其中的第一级评价指标的权系数；

设Wi={Wi1，Wi2，。。。，Win}为评价体系中隶属于某第一级评价指标的第二级评价指标相对于该第一级评价指标的权系数集合，Wij(j=l，2，。。。，n)是其中的第二级评价指标的权系数；

设Wij={Wij1，Wij2，。。。，Wijo}为评价体系中隶属于某第二级评价指标的第三级评价指标相对于该第二级评价指标的权系数集合，Wijk(k=l，2，。。。，o)是其中的第三级评价指标的权系数。层次总排序：利用同一层次中所有层次单排序的结果，计算针对上一层次而言的本层次所有因素的重要性权系数值。层次总排序需要从上到下逐层顺序进行。对于最高层，其层次单排序就是其总排序。

S14、通过为所述评价指标中的定性指标建立评语集以实现对所述评价指标的量化；所述评语集包括针对所述定性指标的多个不同方面评价的评语；

确定所述评价指标中的定量指标的算法，并确立隶属度函数以实现对所述定量指标的评价；；

由于评价指标中，既包括有定量指标，也包括有定性指标，所以需要将定性指标进行量化，从而可以应用于层次分析法的评价体系中。具体的，对于定性指标，可以建立评语集，评语集表示被评价对象在该评价指标的优劣程度。比如，可以设评语集V={V1，V2，V3，V4，V5}，其中V1，V2，V3，V4，V5分别表示五级评语等级。

例如：成果发现评价体系中“技术可靠性”这一评价指标的量化模型可以为：“根据科技成果技术可靠性情况，从技术可靠度、技术维修度和技术平均寿命等方面分五个等级进行综合评估。”

对于定量指标，首先需要确定该评价指标的算法，即被评价对象在该评价指标的取值的计算方法，其次需要确定该评价指标的优秀值和差值，优秀值和差值可以根据相应评价指标的规定或特点确定，对于部分不易确定的情况，可以计算平均值，然后加减一个到两个标准差为优秀值和差值。再设分数集F={f1，f2，f3，f4，f5}T，这是一个列向量，按等差打分法。

例如：成果发现评价体系中“创新形式”的量化模型为：

理论创新（XS1=10分）、技术创新（XS2=7分）、设计创新（XS3=3分）、工艺创新（XS4=3分）、应用创新（XS5=3分）、管理创新（XS6=7分）。

公式：

（其中N表示技术创新点的数量，XSi表示创新形式相应的分值，Ni表示属于相应创新形式的创新点数量，i=1，2……6）。

S15、根据设定的隶属度函数确定所述评价指标评语的隶属度。

所述隶属度的确定包括：

定性指标采用专家评分法：让参与评价的各位专家按该评价指标规定的评语集V对被评价对象进行评估从而形成相应的评语等级，再统计该评价指标Uijk属于各评语等级Vt(t=1，2，3，4，5)的频数mijkt，记rijkt=mijkt/n(t=1．2，3，4，5)，其中n为参与评价的专家人数,rijkt为评价指标Uijk对于Vt等级评语的隶属度。

定量指标的隶属度的确定方法又分为效益型指标(越大越好)和成本型指标(越小越好)两种情况：

对于效益型指标，先确定该评价指标的临界值a，b(a<b)，再在区间(a，b)插入3个等距离点x1，x2，x3，根据以下隶属函数得出评价指标Uijk隶属于评语等级Vt(i=l，2，3，4，5)的隶属度rijkt(t=1，2，3，4，5)。

$\mathrm{rijk}1=\left\{\begin{array}{cc}1& (x\&GreaterEqual;b)\\ (x-x_3)/d& (x_3\&le;x<b)\end{array}\right.$

$\mathrm{rijkt}=\left\{\begin{array}{cc}\left(x_{5-t+1}\right)/d& (x_{5-t}\&le;x<x_{5-t+1})\\ (x-x_{5-t-1})/d& (x_{5-t-1}\&le;x<x_{5-t})(t=\mathrm{2,3,4})\end{array}\right.$

$\mathrm{rijk}5=\left\{\begin{array}{cc}(x_1-x)/d& (a\&le;x<x_1)\\ 1& (x<a)\end{array}\right.$

其中，d=(b-a)/4；x0=a；x4=b。

对于成本型指标，隶属度确定方法与效益类指标类似。

$\mathrm{rijk}1=\left\{\begin{array}{cc}1& (x<a)\\ (x_1-x)/d& (a\&le;x<x_1)\end{array}\right.$

$\mathrm{rijkt}=\left\{\begin{array}{cc}(x-x_{t-2})/d& (x_{t-2}\&le;x<x_{t-1})\\ (x_t-x)/d& (x_{t-1}\&le;x<x_t)(t=\mathrm{2,3,4})\end{array}\right.$

$\mathrm{rijk}5=\left\{\begin{array}{cc}(x-x_3)/d& (x_3\&le;x<b)\\ 1& (x\&GreaterEqual;b)\end{array}\right.$

其中，d=(b-a)/4；x0=a，x4=b；x1，x2，x3为插入(a，b)三个等距离点。对于临界值a，b的确定，可以根据已经确定的定量指标的优秀值和差值确定。

S16、根据所述评价体系按照层次分析法对评估对象进行评估。

在经过上述的步骤，根据所述评价体系，按照层次分析法即可对评估对象进行评估。具体的，根据指标权系数和隶属度，实现对评价对象的综合评价。

假设评价体系为三级，通过对三级指标的综合评价，可以求得所有二级指标的隶属度。设三级指标Uijk对于Vt等级评语的隶属度为rijkt，t=l，2，3，4，5。由此得到评价隶属矩阵Rij为：

根据所构造的评价隶属矩阵，求一级隶属向量Aij,一级隶属向量Aij的各个元素即为二级指标的隶属度。Aij=Wij o Rij={Aij1，Aij2，…，Aij5}。通过对二级指标的综合评价，可以求得所有一级指标的隶属度。显然，二级指标Uij对于Vt等级评语的隶属向量为求得的一级隶属向量Aij。由此得到评价隶属矩阵Ri为：

根据上述隶属矩阵，求二级隶属向量Ai,二级隶属向量Ai的各个元素即为一级指标的隶属度。Ai=Wi o Ri={Ai1，Ai2，…，Ai5}。通过对一级指标的综合评价，可以求得总评价指标的隶属度。显然，一级指标Ui对于Vt等级评语的隶属向量为求得的二级隶属向量Ai。由此得到评价隶属矩阵R为：

根据上述隶属矩阵，求三级隶属向量A,三级隶属向量A的各个元素即为总评价指标的隶属度：A=W o R={A1，A2，…，A5}。由分数集F=(100，85，70，55，40)T，则利用向量乘积，可以计算出被评价对象最终评价得分值Z：Z=A o F，即为评价对象最终的评价值。

综上所述，在本发明实施例中，通过根据评价指标的重要程度和评价指标在评价体系的层间结构关系和确定评价指标的权系数，以及，为评价指标中的定性指标建立评语集，评语集包括针对定性指标的多个不同方面评价的评语；确定评价指标中的定量指标的算法，并建立定量指标的隶属度函数；这样，就可以将评价指标应用于层次分析法的评价体系中，从而可以排除在对评价对象进行评价时的由于人为不客观、或是，由于评价人员的构成不合理对评价结果的不良影响，即，通过本发明实施例，可以使对评价对象的评价结果更加的客观和准确。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (9)

1.一种信用评价方法，其特征在于，包括：

预设包括多个评价指标的评价指标库；

根据所述评价指标构建多层的评价体系；

根据所述评价指标的重要程度和所述评价指标在所述评价体系的层间结构关系确定所述评价指标的权系数；

通过为所述评价指标中的定性指标建立评语集以实现对所述评价指标的量化；所述评语集包括针对所述定性指标的多个不同方面评价的评语；

根据设定的隶属度函数确定所述评价指标评语的隶属度；

根据所述评价体系按照层次分析法对评估对象进行评估。

2.根据权利要求1所述信用评价方法，其特征在于，所述多层的评价体系包括：

目标层、准则层、指标层、子指标层和方案层。

3.根据权利要求2所述信用评价方法，其特征在于，

所述评价体系中，同属于上层某评价指标的所有下层评价指标的权系数数取值范围在（0，1）之间，其权系数之和为1。

4.根据权利要求3所述信用评价方法，其特征在于，所述确定所述评价指标的权系数包括：

构造成对比较矩阵、计算权向量、一致性校验、层次总排序和确定权系数。

5.根据权利要求4所述信用评价方法，其特征在于，所述构造成对比较矩阵，具体包括：

以所述评价体系的层次结构模型的第2层开始，对于从属于或影响及上一层每个评价指标的同一层各个评价指标，用成对比较法和1～9比较尺度构造成对比较矩阵，直到最下层；所述比较矩阵为：

n个评价指标A1，A2，。。。，An，所述比较矩阵A=（aij）n*n；

$A=\left(\begin{array}{cccc}a11& a12& \&CenterDot;\&CenterDot;\&CenterDot;& a1n\\ a21& a22& \&CenterDot;\&CenterDot;\&CenterDot;& a2n\\ \&CenterDot;\&CenterDot;\&CenterDot;& \&CenterDot;\&CenterDot;\&CenterDot;& \&CenterDot;\&CenterDot;\&CenterDot;& \&CenterDot;\&CenterDot;\&CenterDot;\\ \mathrm{an}1& \mathrm{an}2& \&CenterDot;\&CenterDot;\&CenterDot;& \mathrm{ann}\end{array}\right)$

6.根据权利要求5所述信用评价方法，其特征在于，所述计算权向量，具体包括：

对每一个所述比较矩阵计算最大特征根及对应的特征向量。

7.根据权利要求6所述信用评价方法，其特征在于，所述一致性校验，具体包括：

通过计算一致性指标CI：CI=(λmax-n)/(n-1)、查同阶矩阵平均一致性指标RI、计算一致性比率CR：CR=(CI/RI)对所述比较矩阵进行一致性检验。

8.根据权利要求7所述信用评价方法，其特征在于，所述层次总排序，具体包括：

利用所述评价体系中同一层次中所有层次单排序的结果，计算针对上一层次而言的本层次所有评价指标的重要性权系数值；层次总排序需要从上到下逐层顺序进行；对于所述评价体系中的最高层，其层次单排序就是其总排序。

9.根据权利要求8所述信用评价方法，其特征在于，所述确定权系数，具体包括：

设W={W1，W2，。。。，Wm}为所述评价体系中第一级评价指标相对于总目标层的权系数集合，Wi(i=l，2，。。。，m)是其中的第一级评价指标的权系数；

设Wi={Wi1，Wi2，。。。，Win}为所述评价体系中隶属于某第一级评价指标的第二级评价指标相对于所述第一级评价指标的权系数集合，Wij(j=l，2，。。。，n)是其中的第二级评价指标的权系数；

设Wij={Wij1，Wij2，。。。，Wijo}为所述评价体系中隶属于某第二级评价指标的第三级评价指标相对于该第二级评价指标的权系数集合，Wijk(k=l，2，。。。，o)是其中的第三级评价指标的权系数。

Images