CN104573374A - 一种组织机构代码信息质量数据模糊评估装置 - Google Patents

Abstract

本发明涉及一种组织机构代码信息质量数据模糊评估装置，包括存储模块、数据接收模块、创建权重模块、处理芯片、生成模块；根据组织机构代码信息质量的评价标准提出了组织机构代码信息质量指标体系，然后确定权重选取方法，使用相对度量方法来确定各个分目标、分功能等的优先权数，最后运用模糊集理论来评定组织机构代码信息质量，并生成综合评价表。在充分考虑组织机构代码业务实际情况和有关专家经验的基础上确定其影响因子以及各因素之间的关系而建立的组织机构信息质量模糊评价方法，很好地解决了评价过程中定性指标难于比较的困难，最大限度地避免了人为对数据逐条因素的评判，使评价结果更可信。

Description

一种组织机构代码信息质量数据模糊评估装置

技术领域

本发明属于社会信息化领域，尤其涉及一种组织机构代码信息质量数据模糊评估装置。

背景技术

随着组织机构代码应用领域的不断拓展，代码信息在国民经济建设的基础地位越来越重要，对代码数据质量的要求也越来越高。组织机构代码法人信息库已成为与人口、空间地理、宏观调控并列的四大数据库之一，一旦出现质量问题，就会严重动摇我国国民经济信息化根基。目前组织机构代码已在银行、税务、公安、海关、外事、社会保障等近20个部门的50个社会和经济管理领域得到了应用。一旦组织机构代码的某个环节出现问题，便会影响到这些部门的正常工作，甚至会给这些组织机构代码应用部门造成重大的经济损失或其他不可估量的损失。虽然近几年清整问题数据的力度不断加大，组织机构代码信息的质量也得到显著提高，但是目前还缺乏一套有关组织机构代码信息质量特征如可靠性、相关性等问题的评估和管理办法。当前急需通过针对全国组织机构代码数据库进行分析，对全国各分支机构的系统应用和使用状况进行调研，从而制定一套既符合实际情况又满足未来发展的一套质量特征评价标准。

全国组织机构代码管理中心一项工作就是把机构代码信息提供给相关单位参考与使用。目前，全国组织机构代码管理中心共有数据大约一千五百多万条，对每条数据按照《全国组织机构代码数据质量控制标准》中的9个大类53个细项分类型多参数以定性的方式来评价数据的好坏。然而，以这种方式评判数据的“好坏”，很难把握相应“度”的问题。而如何确保数据从自身上来评判“好坏”的问题就成为当前最紧迫的事情。

因此有关组织机构代码信息质量评价方法的深入研究与制定将有利于跨部门的信息核对，将有利于保证组织机构代码的唯一性和权威性，将有利于组织机构代码赋码过程中减少甚至杜绝同一单位赋两个代码的现象的发生。组织机构代码信息质量方法的制定将有助于全面提高组织机构代码的数据质量，提高有用性，为组织机构代码的深层应用，为高层领导的决策提供有利的数据依据。组织 机构代码信息的质量是确保组织机构代码推广应用和发展的基石，尤其是对相关性和可靠性的研究是组织机构代码质量特征的基础。

但从国内外的研究来看，就信息质量特征的评价方面主要集中在会计和统计两个领域。采用的方法大多是先建立评价指标体系，然后就各项指标按照经验选择权重提出综合评价标准。这种方法在一定程度上可以定量评价某些可以定量的评价指标，但在一些交叉影响因素以及多种影响因素方面缺乏足够的评价依据。由于目前影响信息质量的因素比较多，其中许多因素的内涵和外延都不十分明确，具有模糊性；且对于各种因素的评价，往往也不是好或不好截然分明，而是模糊性的，因此进行评价十分困难。

针对影响信息质量因素的模糊性，国内外已经有部分研究内容转向针对模糊性，采用模糊方法进行模糊综合评价。这种方法可以综合多种因素，对影响信息质量的因素可以全面考虑，是符合信息管理需要的一种方法，但是在其影响因子的确定以及各因素之间的关系上处理的都不是十分理想，针对组织机构代码信息还需要有关专家的经验和历史统计分析的帮助。

组织机构代码信息质量模糊评价方法的研究就是在借鉴国内外基于模糊方法的信息质量评价的基础上，通过充分的信息分析，并根据组织机构代码业务实际情况和有关专家的经验，建立组织机构代码信息质量模糊评价方法。

发明内容

针对上述现有技术存在的问题，本发明提供一种组织机构代码信息质量数据模糊评估装置，该评估装置包括：

存储模块，创建对应组织机构的组织机构代码信息质量评价标准，并存储在模块中，同时根据评价标准创建信息质量评价指标体系，并存储在模块中；

数据接收模块，根据存储模块中的信息质量评价体系，产生出抽样调查和专家评判的各项指标数据，数据接收模块接收各项指标数据，并传送至处理芯片；

创建权重模块，创建出各项指标各层次中因素的权重并进行一致性检验，并将创建好的权重输入处理芯片；

处理芯片，运行时从存储模块提取存储的评价标准和评价指标体系，从数据接收模块接收指标数据，根据上述已计算出的各指标的权重，得到信息质量的模糊综 合评价表；

生成模块，将处理芯片做出的评价表转换、生成并显示。

所述创建权重模块运用层次分析法，根据影响组织机构代码信息质量的主要因素建立递阶层次结构模型、采用“e^0/5～e^8/5指数标度”构建判断矩阵、进而得出各层次中因素的权重。

所述处理芯片通过数据接收模块中接收的各个指标的评价值构造等级模糊子集把反映信息质量的模糊指标进行量化，再根据上述已计算出的各评价指标的权重，得到信息质量的模糊综合评价表。

指数标度使用的计算公式如下：

表示根法(几何平均法)来求解各层次中因素的权重，其中，a_ij为判断矩阵A＝(a_ij)_n×n中因素i与因素j的重要性之比，则因素j与因素i重要性之比为n为判断矩阵的阶数；

${\mathrm{\λ}}_{\max }=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\frac{{\left(\mathrm{AW}\right)}_i}{n{\mathrm{\ω}}_i}=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\frac{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{a}_{\mathrm{ij}}{\mathrm{\ω}}_j}{{\mathrm{\ω}}_i}$   表示计算判断矩阵的最大特征根

表示计算判断矩阵的一致性指标C.I.(consistency index) 

  表示计算一致性比率C.R.(consistency ratio) 

其中，R.I.(random index)为平均随机一致性指标；

表示计算各评价集的隶属度；

设指标集是X＝{x₁，x_2，…，x_n}，评价集是Y＝{y₁，y₂，…，y_m}。从指标到评价的模糊关系R表示了对各个指标x_i做各种评价的可能性。例如，r_ij就表示对x_i做出y_j评价的可能性。ω是一个权重分配，ω＝{ω₁，ω₂，…，ω_n}，它表示各指标 在评价中的重要性。例如，ω_i表示因素x_i在评价中重要性的权重值。评价的结果是模糊集B＝{b₁，b₂，…，b_m}，它表示做各种评价的隶属度。例如，b_j表示综合评价为y_j的隶属度；

$k_0=\min \{k:\underset{l=0}{\overset{k}{\mathrm{\Σ}}}{\mathrm{\μ}}_{\mathrm{xl}}\≥\mathrm{\λ},1\≤k\≤n\}$ 或 $k_0=\max \{k:\underset{l=0}{\overset{k}{\mathrm{\Σ}}}{\mathrm{\μ}}_{\mathrm{xl}}\≥\mathrm{\λ},1\≤k\≤n\}$ 得出指标所在的评价级别；

对于有序分割类，判别时利用通常使用的最小代价准则和最大属性测度准则以及最大隶属度准则可能得出并不合理的结果，因此本文采用了置信度准则。

设评价类(y₁，y₂，…，y_n)为属性空间Y的有序分割，μ_x为隶属度，在这要求隶属度向量归一化。λ为置信度，λ的取值范围通常为0.5＜λ≤1。

如果满足y₁＞y₂＞…＞y_n，有

$k_0=\min \{k:\underset{l=1}{\overset{k}{\mathrm{\Σ}}}{\mathrm{\μ}}_{\mathrm{xl}}\≥\mathrm{\λ},1\≤k\≤n\}$

则认为x属于y_k0级别或y_k0类。

如果满足y₁＜y₂＜…＜y_n，有

$k_0=\max \{k:\underset{l=0}{\overset{k}{\mathrm{\Σ}}}{\mathrm{\μ}}_{\mathrm{xl}}\≥\mathrm{\λ},1\≤k\≤n\}$

则认为x属于y_k0级别或y_k0类。

本发明与现有技术相比具有以下优点和积极效果：

(1)建立了组织机构代码信息质量模糊评价标准，为组织代码管理机构在信息质量方面的综合评价标准的建立打下基础。

(2)很好的解决了评价过程中定性指标难于比较的困难，最大限度地避免了人为对数据逐条因素的评判。

(3)模糊综合评价做到了定性和定量因素相结合，扩大信息量，使评价数度得以提高，评价结论可信。

(4)建立了组织机构代码信息质量模糊评价标准；

(5)使影响因子的确定以及各因素之间的关系的处理上更合理；

(6)可以根据定量值来初步判断数据好坏的程度，评价数度得以提高，评价结论更可信

附图说明

图1为评价指标体系图。

具体实施方式

下面将结合附图对本发明作进一步说明。

如图1所示，一种组织机构代码信息质量数据模糊评估装置，该评估装置包括：

存储模块，创建对应组织机构的组织机构代码信息质量评价标准，并存储在模块中，同时根据评价标准创建信息质量评价指标体系，并存储在模块中；

数据接收模块，根据存储模块中的信息质量评价体系，产生出抽样调查和专家评判的各项指标数据，数据接收模块接收各项指标数据，并传送至处理芯片；

创建权重模块，创建出各项指标各层次中因素的权重并进行一致性检验，并将创建好的权重输入处理芯片；

处理芯片，运行时从存储模块提取存储的评价标准和评价指标体系，从数据接收模块接收指标数据，根据上述已计算出的各指标的权重，得到信息质量的模糊综合评价表；

生成模块，将处理芯片做出的评价表转换、生成并显示。

所述创建权重模块运用层次分析法，根据影响组织机构代码信息质量的主要因素建立递阶层次结构模型、采用“e^0/5～e^8/5指数标度”构建判断矩阵、进而得出各层次中因素的权重。

所述处理芯片通过数据接收模块中接收的各个指标的评价值构造等级模糊子集把反映信息质量的模糊指标进行量化，再根据上述已计算出的各评价指标的权重，得到信息质量的模糊综合评价表。

指数标度使用的计算公式如下：

表示根法(几何平均法)来求解各层次中因素的权重，其中，a_ij为判断矩阵A＝(a_ij)_n×n中因素i与因素j的重要性之比，则因素j与因素i重要性之比为n为判断矩阵的阶数；

${\mathrm{\λ}}_{\max }=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\frac{{\left(\mathrm{AW}\right)}_i}{n{\mathrm{\ω}}_i}=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\frac{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{a}_{\mathrm{ij}}{\mathrm{\ω}}_j}{{\mathrm{\ω}}_i}$   表示计算判断矩阵的最大特征根

  表示计算判断矩阵的一致性指标C.I.(consistency index) 

  表示计算一致性比率C.R.(consistency ratio) 

其中，R.I.(random index)为平均随机一致性指标；

表示计算各评价集的隶属度；

设指标集是X＝{x₁，x₂，…，x_n}，评价集是Y＝{y₁，y₂，…，y_m}。从指标到评价的模糊关系R表示了对各个指标x_i做各种评价的可能性。例如，r_ij就表示对x_i做出y_j评价的可能性。ω是一个权重分配，ω＝{ω₁，ω₂，…，ω_n}，它表示各指标在评价中的重要性。例如，ω_i表示因素x_i在评价中重要性的权重值。评价的结果是模糊集B＝{b₁b₂，…，b_m}，它表示做各种评价的隶属度。例如，b_j表示综合评价为y_j的隶属度；

$k_0=\min \{k:\underset{l=1}{\overset{k}{\mathrm{\Σ}}}{\mathrm{\μ}}_{\mathrm{xl}}\≥\mathrm{\λ},1\≤k\≤n\}$ 或 $k_0=\max \{k:\underset{l=1}{\overset{k}{\mathrm{\Σ}}}{\mathrm{\μ}}_{\mathrm{xl}}\≥\mathrm{\λ},1\≤k\≤n\}$ 得出指标所在的评价级别；

对于有序分割类，判别时利用通常使用的最小代价准则和最大属性测度准则以及最大隶属度准则可能得出并不合理的结果，因此本文采用了置信度准则。

设评价类(y₁，y₂，…，y_n)为属性空间Y的有序分割，μ_x为隶属度，在这要求隶属度向量归一化。λ为置信度，λ的取值范围通常为0.5＜λ≤1。

如果满足y₁＞y₂＞…＞y_n，有

$k_0=\min \{k:\underset{l=1}{\overset{k}{\mathrm{\Σ}}}{\mathrm{\μ}}_{\mathrm{xl}}\≥\mathrm{\λ},1\≤k\≤n\}$

则认为x属于y_k0级别或y_k0类。

如果满足y₁＜y₂＜…＜y_n，有

$k_0=\max \{k:\underset{l=1}{\overset{k}{\mathrm{\Σ}}}{\mathrm{\μ}}_{\mathrm{xl}}\≥\mathrm{\λ},1\≤k\≤n\}$

则认为x属于y_k0级别或y_k0类。

Claims (4)

1.一种组织机构代码信息质量数据模糊评估装置，其特征在于该评估装置包括：存储模块，创建对应组织机构的组织机构代码信息质量评价标准，并存储在模块中，同时根据评价标准创建信息质量评价指标体系，并存储在模块中；

数据接收模块，根据存储模块中的信息质量评价体系，产生出抽样调查和专家评判的各项指标数据，数据接收模块接收各项指标数据，并传送至处理芯片；

创建权重模块，创建出各项指标各层次中因素的权重并进行一致性检验，并将创建好的权重输入处理芯片；

处理芯片，运行时从存储模块提取存储的评价标准和评价指标体系，从数据接收模块接收指标数据，根据上述已计算出的各指标的权重，得到信息质量的模糊综合评价表；

生成模块，将处理芯片做出的评价表转换、生成并显示。

2.根据权利要求1所述的评估装置，其特征在于：所述创建权重模块运用层次分析法，根据影响组织机构代码信息质量的主要因素建立递阶层次结构模型、采用“指数标度”构建判断矩阵、进而得出各层次中因素的权重。

3.根据权利要求1所述的评估装置，其特征在于：所述处理芯片通过数据接收模块中接收的各个指标的评价值构造等级模糊子集把反映信息质量的模糊指标进行量化，再根据上述已计算出的各评价指标的权重，得到信息质量的模糊综合评价表。

4.根据权利要求2所述的评估装置，其特征在于：指数标度使用的计算公式如下：

i＝1，2，，…，n表示根法(几何平均法)来求解各层次中因素的权重，其中，a_ij为判断矩阵A＝(a_ij)_n×n中因素i与因素j的重要性之比，则因素j与因素i重要性之比为n为判断矩阵的阶数；

${\mathrm{\λ}}_{\max }=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\frac{{\left(\mathrm{AW}\right)}_i}{n{\mathrm{\ω}}_i}=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\frac{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{a}_{\mathrm{ij}}{\mathrm{\ω}}_j}{{\mathrm{\ω}}_i}$ 表示计算判断矩阵的最大特征根

表示计算判断矩阵的一致性指标C.I.(consistency index)

表示计算一致性比率C.R.(consistency ratio)

其中，R.I.(random index)为平均随机一致性指标；

$(b_1,b_2,\·\·\·,b_m)=({\mathrm{\ω}}_1,{\mathrm{\ω}}_2,\·\·\·,{\mathrm{\ω}}_n).\left(\begin{array}{cccc}{r}_{11}& r_{12}& \·\·\·& r_{1m}\\ \·& & & \·\\ \·& & & \·\\ \·& & & \·\\ r_{n1}& r_{n2}& \·\·\·& r_{\mathrm{nm}}\end{array}\right)$ 表示计算各评价集的隶属度；

设指标集是X＝{x₁，x₂，…，x_n}，评价集是Y＝{y₁，y₂，…，y_m}。从指标到评价的模糊关系R表示了对各个指标x_i做各种评价的可能性。例如，r_ij就表示对x_i做出y_j评价的可能性。ω是一个权重分配，ω＝{ω₁，ω₂，…，ω_n}，它表示各指标在评价中的重要性。例如，ω_i表示因素x_i在评价中重要性的权重值。评价的结果是模糊集B＝{b₁，b₂，…，b_m}，它表示做各种评价的隶属度。例如，b_j表示综合评价为y_j的隶属度；

$k_0=\min \{k:\underset{l=1}{\overset{k}{\mathrm{\Σ}}}{\mathrm{\μ}}_{\mathrm{xl}}\≥\mathrm{\λ},1\≤k\≤n\}$ 或 $k_0=\max \{k:\underset{l=1}{\overset{k}{\mathrm{\Σ}}}{\mathrm{\μ}}_{\mathrm{xl}}\≥\mathrm{\λ},1\≤k\≤n\}$ 得出指标所在的评价级别；

对于有序分割类，判别时利用通常使用的最小代价准则和最大属性测度准则以及最大隶属度准则可能得出并不合理的结果，因此本文采用了置信度准则。

设评价类(y₁，y₂，…，y_n)为属性空间Y的有序分割，μ_x为隶属度，在这要求隶属度向量归一化。λ为置信度，λ的取值范围通常为0.5＜λ≤1。

如果满足y₁＞y₂＞…＞y_n，有

$k_0=\min \{k:\underset{l=1}{\overset{k}{\mathrm{\Σ}}}{\mathrm{\μ}}_{\mathrm{xl}}\≥\mathrm{\λ},1\≤k\≤n\}$

则认为x属于y_k0级别或y_k0类。

如果满足y₁＜y₂＜…＜y_n，有

$k_0=\max \{k:\underset{l=1}{\overset{k}{\mathrm{\Σ}}}{\mathrm{\μ}}_{\mathrm{xl}}\≥\mathrm{\λ},1\≤k\≤n\}$ 则认为x属于y_k0级别或y_k0类。