CN109272211A - 基于区域经济发展规划的产业集群分析评价系统及方法 - Google Patents
基于区域经济发展规划的产业集群分析评价系统及方法 Download PDFInfo
- Publication number
- CN109272211A CN109272211A CN201810996488.6A CN201810996488A CN109272211A CN 109272211 A CN109272211 A CN 109272211A CN 201810996488 A CN201810996488 A CN 201810996488A CN 109272211 A CN109272211 A CN 109272211A
- Authority
- CN
- China
- Prior art keywords
- industry
- cluster
- enterprise
- leading
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000011161 development Methods 0.000 title claims abstract description 8
- 238000011156 evaluation Methods 0.000 title claims abstract description 8
- 238000013439 planning Methods 0.000 title claims abstract description 8
- 238000007621 cluster analysis Methods 0.000 title claims abstract description 5
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 36
- 238000003556 assay Methods 0.000 claims abstract description 33
- 238000004458 analytical method Methods 0.000 claims abstract description 28
- 238000004364 calculation method Methods 0.000 claims description 21
- 230000005484 gravity Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 238000013461 design Methods 0.000 claims description 12
- 238000004519 manufacturing process Methods 0.000 claims description 11
- 238000012827 research and development Methods 0.000 claims description 10
- 238000012544 monitoring process Methods 0.000 claims description 7
- 230000018109 developmental process Effects 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000013316 zoning Methods 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 5
- 238000007476 Maximum Likelihood Methods 0.000 claims description 4
- 230000002776 aggregation Effects 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 238000013518 transcription Methods 0.000 claims description 3
- 230000035897 transcription Effects 0.000 claims description 3
- 230000008676 import Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开一种基于区域经济发展规划的产业集群分析评价系统及方法,该系统与方法包括:对区域产业集群主导产业及产业门类信息进行导入,从外部数据库获取不同产业门类的企业相关信息,采用Doc2Vec相似度算法以及条件随机场算法和Word2Vec算法对企业简介数据进行向量化,利用以上数据信息对产业集群从密度、强度、规模、价值结构四个方面分别进行分析和计算,并对计算结果进行线性加权计算,最终得出产业集群分析评价指数以及分析结果。
Description
技术领域
本发明属于信息系统领域,特别是涉及到一种基于区域经济发展规划的产业集群分析评价的系统及方法。
背景技术
产业集群是指某一行业内的竞争性企业以及与这些企业互动关联的合作企业、专业化供应商、服务供应商、相关产业厂商和相关机构(如大学、科研机构、制定标准的机构、产业和商业学会等)聚集在某特定地域的现象。
产业集群在地区和产业提升竞争力与创造力、形成规模经济、实现资源优化配置、降低企业生产成本、发挥区域内各种资源禀赋的比较优势等方面具有十分重要的作用。
由于缺乏对区域产业集群科学评价的系统及方法,导致区域产业集群难以更为精准地分析评价,难以找到有针对性地增强集群优势的方法。
发明内容
有鉴于此,本发明提出一种构建区域产业集群分析评价指数的系统及方法,这种系统及方法将建立一套连续综合的分析评价指数计算方法,并最终生成产业集群分析评价结果。
为达到上述目的,本发明的技术方案是这样实现的:
一种基于区域经济发展规划的产业集群分析评价的方法,包括:
S1:对需要分析的区域内产业集群的主导产业数据、产业门类数据进行采集,并对不同产业门类下的企业数量、销售额、纳税额以及龙头企业数量相关数据进行采集;
S2:通过数学模型对产业集群中的企业进行价值分层,包括设计研发型、生产加工型、销售与服务型三个层次;
S3:基于步骤S1、S2得到的数据,进行分析计算,综合得出产业集群分析评价指数;
S4:根据计算结果,生成产业集群分析评价结果。
进一步的,步骤S2所述价值分层的方法包括:
S21、对外部数据库获取的企业简介数据信息进行数据清洗;
S22、运用条件随机场算法对企业简介样本进行词性标注、命名实体识别、分词,得到不同标签数据分词的频次概率,通过高频词汇建立设计研发型、生产加工型、销售与服务型专用标签库;
S23、将中文分词转化为数学形式,即分词向量化,系统使用Word2Vec算法,通过该分词的前后N个词来推断该词出现的概率,利用最大似然估计法确定参数;
S24、运用Doc2Vec相似度算法对企业简介进行文本对比,并进行所属分类的判断与标签化处理,实现企业分层判断。
进一步的,步骤S3所述分析计算包括:
S31、根据企业数据信息中的企业数量,分析计算产业集群密度;集群密度计算方式为:区域内该主导产业下的企业数量占区域内总企业数量的比重,此比重数值乘以权重得到集群密度分数;
S32、根据企业数据信息中的龙头企业数量,分析计算产业集群强度,集群强度计算方式为:区域内该主导产业下的龙头企业数量占区域内总龙头企业数量的比重,此比重数值乘以权重得到集群强度分数;
S33、根据企业数据信息中的企业销售额、企业纳税额,分析计算产业集群企业规模,得到集群规模分数;
S34、根据企业价值链分层,对设计研发型、生产加工型、销售与服务型企业分层赋予权重,进行加权计算得出产业集群价值结构分数。
更进一步的,步骤S33的计算方法为:
S331、计算区域内该主导产业下的企业销售总额占区域内全部企业销售总额的比重;
S332、计算区域内该主导产业下的企业纳税总额占区域内全部企业纳税总额的比重;
S333、对S331与S332赋权重,进行综合计算产业集群规模。
进一步的,步骤S4所述分析评价结果包括:
S41、根据产业集群密度、强度、规模、价值结构进行计算,生成产业门类聚类分析;
S42、产业集群发展趋势分析:包括区域内产业集群分析评价指数环比分析;区域内产业集群分析评价指数同比分析;依据同比环比数据、环境和政策因子,对未来趋势的预测。
本发明的另一方面,还提供了一种基于区域经济发展规划的产业集群分析评价系统,采用四层架构模式,包括系统软件层、运行环境层、基础架构层、应用服务层;
所述应用服务层设有:
业务服务:生成产业集群分析评价结果;
运行监控:对系统运行数据进行安全监控;
主导产业库:区域内产业集群的主导产业信息数据库;
产业门类库:产业集群各主导产业下的产业门类信息数据库;
企业信息库:企业信息数据库;
系统数据库:为主导产业、产业门类和企业建立的标签数据库;包括基于企业大数据信息,采用要素抽取算法,从不同维度给目标企业信息进行标签化的数据;
进一步的,所述应用服务层还设有:
用户服务:用户可以通过PC端访问本系统;
结果输出:产业集群分析评价指数、产业集群密度分析、产业集群强度分析、产业集群规模分析、产业集群价值结构分析。
相对于现有技术,本发明具有以下优势:
本发明通过采用条件随机场算法、Word2Vec算法和Doc2Vec相似度算法等一系列算法,将一定区域内产业集群的主导产业、产业门类、企业信息进行量化处理,对所提取的数据对产业集群密度、强度、规模进行计算;并通过对企业简介信息的智能算法分析与对比,进行企业价值分层,通过对不同价值分层的企业赋予权重,进行产业集群价值结构计算;根据以上计算结果进行加权平均运算,得出产业集群分析评价指数,并生成产业集群分析评价结果报告,实现对产业集群的精准分析评价。
附图说明
图1是本发明实施例的技术路线示意图;
图2是本发明实施例的线性链条件随机场示意图;
图3是本发明实施例的分词向量化实现方法示意图;
图4是本发明实施例的系统软件架构示意图;
图5是本发明实施例的系统硬件架构示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
下面将结合附图来详细说明本发明。
对区域内产业集群进行分析评价,需要分以下步骤完成:
1.确定分析区域,区域包括:行政区域、功能载体等;
2.明确一个主导产业;
3.将该主导产业下涉及的产业门类进行划分;
4.明确企业所属产业门类,并统计数量,销售额、纳税额;
5.明确龙头企业;
6.产业集群中企业的价值分析,包括设计研发型、生产加工型、销售与服务型三个层次;
7.对产业集群密度做计算分析;
8.对产业集群强度做计算分析;
9.对产业集群的规模做计算分析;
10.对产业集群的价值结构做计算分析;
11.根据上述计算分析结果,综合计算得出产业集群分析评价指数;
12.生成产业集群分析评价结果。
基于上述内容,本发明提出的方法包括:
S1:对需要分析的区域内产业集群主导产业、产业门类进行系统信息录入,并通过外部数据库中获取不同产业门类下的企业数量、销售额、纳税额以及龙头企业数量相关数据;
产业门类录入的维度包括:
序号 | 维度 |
1 | 核心产业门类 |
2 | 相关产业门类 |
3 | 外围产业门类 |
各产业门类下获取的企业信息数据为:
序号 | 企业信息数据 |
1 | 企业数量 |
2 | 龙头企业数量 |
3 | 企业销售额 |
4 | 企业纳税额 |
S2:对产业集群中的企业进行价值分层,具体维度为:
序号 | 维度 |
1 | 设计研发型 |
2 | 生产加工型 |
3 | 销售与服务型 |
S3:对基于以上步骤所得到的的数据信息,进行分步骤计算,所有步骤计算结果再进行计算,综合得出产业集群分析评价指数;
S4:根据计算结果,得出产业集群分析评价结果。
本发明的步骤S2所述企业价值分层,需要以下系统流程实现,如图1所示:
1)对外部数据库获取的企业简介数据信息进行数据清洗;
2)运用条件随机场算法对企业简介样本进行词性标注、命名实体识别、分词,得到不同标签数据分词的频次概率,通过高频词汇建立设计研发型、生产加工型、销售与服务型专用分词库;
3)将中文分词转化为数学形式,即分词向量化,系统使用Word2Vec算法,通过该分词的前后N个词来推断该词出现的概率,利用最大似然估计法确定参数。
4)运用Doc2Vec相似度算法对企业简介进行文本对比,并进行所属分类的判断与标签化处理,实现企业分层判断。
本发明通过采用条件随机场算法、Word2Vec算法和Doc2Vec相似度算法等一系列算法,将一定区域内产业集群的主导产业、产业门类、企业信息进行量化处理,对所提取的数据进行产业集群密度、强度、规模计算;并通过对企业简介信息的智能算法分析与对比,进行企业价值分层。如图1所示是对企业简介信息进行系统价值分层的技术路线描述。
技术路线中分词库建立数学模型的方法:
对于中文分词而言,词语的形式有两种:单字成词与多字成词。对于多字成词,词首字可用字母B(begin)标注,词尾字可用E(end)标注,词中字可用M(middle)标注;对于单字成词,可用S(single)标注。因此,汉语言中的每个字都可对应于B,M,E,S中的一个字母,这是典型的隐马尔科夫模型。我们认为汉语言中所有的字组成一个观测集合,B,M,E,S组成一个状态集合,那么针对一句话所做的分词即为隐马尔科夫模型第三问题--预测问题。
因此在此处利用条件随机场来解决此问题:条件随机场(CRF),是在给定一组输入随机变量条件下另外一组输出随机变量的条件概率分布模型,它是一种判别式的概率无向图模型,既然是判别式,那就是对条件概率分布建模。CRF较多用在自然语言处理和图像处理领域,用于标注和划分序列数据的概率化模型,根据CRF的定义,相对序列就是给定观测序列X和输出序列Y,然后通过定义条件概率P(Y|X)来描述模型。能够较好地解决标注(分类)偏置等问题的优点,而且所有特征可以进行全局归一化,能够求得全局的最优解。
对自然语言的每一个词组X进行随机变量Y的标注,得到相对应的线性链条件随机场,如图2所示:
通过对人工的数据清洗与标注获得大量学习样本,利用条件随机场算法对样本进行词性标注、命名实体识别、分词,得到不同标签数据分词的频次概率,通过高频词汇建立专用分词库。
针对隐马尔可夫模型第三问题,Viterbi算法是目前解决该问题的主流算法,本次分词系统的开发也是选用该算法。若想确定算法模型,则需要五个参数,状态序列,观测序列,初始概率,状态转移概率,观测概率。
观测序列即为待分词的语句,状态序列即为该语句中每个字所对应的状态,初始概率,状态转移概率,观测概率均为语料库中状态与观测之间的对应关系所计算出的概率。我们通过人工的数据清洗与标注工作,可以获得大量学习样本,即为训练集。该训练集中均为有上下语义逻辑的已经分词完成的多个样本。针对该样本,在Viterbi算法中设计函数计算初始概率,状态转移概率,观测概率,同时能够统计出状态序列,观测序列,即可以完成算法模型的搭建。预测过程即为利用Viterbi算法预测每一条新进语句中的每个字在该句下所对应的状态,算法完毕以后,设计函数:针对每个字所对应的状态,可以将字组合成词,逢状态E即添加回车字符,最终可得到完成的分词文本。
技术路线中分词向量化的实现方法:
如图3所示,获得分词模型以后,为了引入机器学习以及深度学习相关算法,需要将中文分词转化为数学形式。此处采用的转化方法为Word2Vec算法,算法核心主要是通过该词的前后N个词来推断该词出现的概率,并利用最大似然估计法确定参数。Word2Vec中的词向量的维度可以人为定义。完成Word2Vec后,获得的词向量直接可以做数学运算,并且是有意义的。通过词向量,可以完成各类中文自然语言处理的任务。比如,利用词向量即可计算整篇文本或语句之间的余弦相似度,即可判别文本之间或者语句之间的差异。再比如,可以借助词向量搭建LSTM(长短期记忆神经网络),可以做到文本分类。目前以后谷歌等科研院所开发出效果较好的词向量模型,同时也有相关框架已经搭建完毕并且面市,因此通过将中文分词转化成词向量以便做数学运算的方法是实践证明可行的。
本发明的步骤S3所述分析计算包括:
1)根据企业数据信息中的企业数量,分析计算产业集群密度。集群密度计算方式为:区域内该主导产业下的企业数量占区域内总企业数量的比重;
2)根据企业数据信息中的龙头企业数量,分析计算产业集群强度,集群强度计算方式为:区域内该主导产业下的龙头企业数量占区域内总龙头企业数量的比重;
3)根据企业数据信息中的企业销售额、企业纳税额,分析计算产业集群企业规模:计算步骤(A1)计算区域内该主导产业下的企业销售总额占区域内全部企业销售总额的比重;计算步骤(A2)计算区域内该主导产业下的企业纳税总额占区域内全部企业纳税总额的比重,对(A1)与(A2)赋权重,进行综合计算产业集群规模;
4)根据企业价值链分层,对设计研发型、生产加工型、销售与服务型企业分层赋予权重,进行加权计算得出产业集群价值结构分数;
本发明的步骤S4所述分析评价结果包括:
1)根据产业集群密度计算,生成产业门类聚类分析;
2)根据产业集群强度计算,生成各产业门类聚类价值分析;
3)根据产业集群规模计算,生成集群下产业门类聚类价值高低分析;
4)产业集群发展趋势分析:
a)区域内产业集群分析评价指数环比分析;
b)区域内产业集群分析评价指数同比分析;
c)依据同比环比数据、环境和政策因子,对未来趋势的预测。
如图4所示,本发明的系统软件采用两层架构模式:
1)基础模块
用户信息管理:采用通用的用户+密码的登录模式进行身份验证;
数据导入及导出:数据的录入以及导出评价表单文件;
权限管理:为系统管理员提供用户的数据访问规则、应用服务访问规则等的管理;
日志管理:包括系统日志、数据库日志和应用程序日志;记录数据库和系统问题的信息,同时还可以监视系统中发生的事件;
2)应用服务
业务服务:生成产业集群分析评价结果;
运行监控:对系统运行数据进行安全监控;
主导产业库:区域内产业集群的主导产业信息数据库;
产业门类库:产业集群各主导产业下的产业门类信息数据库;
企业信息库:企业信息数据库;
系统数据库:为主导产业、产业门类和企业建立的标签数据库;包括基于企业大数据信息,采用要素抽取算法,从不同维度给目标企业信息进行标签化的数据;
用户服务:用户可以通过PC端访问本系统;
结果输出:产业集群分析评价指数、产业集群密度分析、产业集群强度分析、产业集群规模分析、产业集群价值结构分析。
如图5所示为本发明的硬件架构。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于区域经济发展规划的产业集群分析评价的方法,其特征在于,包括:
S1:对需要分析的区域内产业集群的主导产业数据、产业门类数据进行采集,并对不同产业门类下的企业数量、销售额、纳税额以及龙头企业数量相关数据进行采集;
S2:通过数学模型对产业集群中的企业进行价值分层,包括设计研发型、生产加工型、销售与服务型三个层次;
S3:基于步骤S1、S2得到的数据,进行分析计算,综合得出产业集群分析评价指数;
S4:根据计算结果,生成产业集群分析评价结果。
2.根据权利要求1所述的方法,其特征在于,步骤S2所述价值分层的方法包括:
S21、对外部数据库获取的企业简介数据信息进行数据清洗;
S22、运用条件随机场算法对企业简介样本进行词性标注、命名实体识别、分词,得到不同标签数据分词的频次概率,通过高频词汇建立设计研发型、生产加工型、销售与服务型专用标签库;
S23、将中文分词转化为数学形式,即分词向量化,系统使用Word2Vec算法,通过该分词的前后N个词来推断该词出现的概率,利用最大似然估计法确定参数;
S24、运用Doc2Vec相似度算法对企业简介进行文本对比,并进行所属分类的判断与标签化处理,实现企业分层判断。
3.根据权利要求1所述的方法,其特征在于,步骤S3所述分析计算包括:
S31、根据企业数据信息中的企业数量,分析计算产业集群密度;集群密度计算方式为:区域内该主导产业下的企业数量占区域内总企业数量的比重,此比重数值乘以权重得到集群密度分数;
S32、根据企业数据信息中的龙头企业数量,分析计算产业集群强度,集群强度计算方式为:区域内该主导产业下的龙头企业数量占区域内总龙头企业数量的比重,此比重数值乘以权重得到集群强度分数;
S33、根据企业数据信息中的企业销售额、企业纳税额,分析计算产业集群企业规模,得到集群规模分数;
S34、根据企业价值链分层,对设计研发型、生产加工型、销售与服务型企业分层赋予权重,进行加权计算得出产业集群价值结构分数。
4.根据权利要求3所述的方法,其特征在于,步骤S33的计算方法为:
S331、计算区域内该主导产业下的企业销售总额占区域内全部企业销售总额的比重;
S332、计算区域内该主导产业下的企业纳税总额占区域内全部企业纳税总额的比重;
S333、将S331与S332的比重进行加权平均计算,得到产业集群规模分数。
5.根据权利要求1所述的方法,其特征在于,步骤S4所述分析评价结果包括:
S41、根据产业集群密度、强度、规模、价值结构进行计算,生成产业门类聚类分析;
S42、产业集群发展趋势分析:包括区域内产业集群分析评价指数环比分析;区域内产业集群分析评价指数同比分析;依据同比环比数据、环境和政策因子,对未来趋势的预测。
6.一种基于区域经济发展规划的产业集群分析评价系统,其特征在于,包括:基础模块层、应用服务层;
所述应用服务层设有:
业务服务:生成产业集群分析评价结果;
运行监控:对系统运行数据进行安全监控;
主导产业库:区域内产业集群的主导产业信息数据库;
产业门类库:产业集群各主导产业下的产业门类信息数据库;
企业信息库:企业信息数据库;
系统数据库:为主导产业、产业门类和企业建立的标签数据库;包括基于企业大数据信息,采用要素抽取算法,从不同维度给目标企业信息进行标签化的数据。
7.根据权利要求6所述的系统,其特征在于,所述应用服务层还设有:
用户服务:用户可以通过PC端访问本系统;
结果输出:产业集群分析评价指数、产业集群密度分析、产业集群强度分析、产业集群规模分析、产业集群价值结构分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810996488.6A CN109272211A (zh) | 2018-08-29 | 2018-08-29 | 基于区域经济发展规划的产业集群分析评价系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810996488.6A CN109272211A (zh) | 2018-08-29 | 2018-08-29 | 基于区域经济发展规划的产业集群分析评价系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109272211A true CN109272211A (zh) | 2019-01-25 |
Family
ID=65155064
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810996488.6A Pending CN109272211A (zh) | 2018-08-29 | 2018-08-29 | 基于区域经济发展规划的产业集群分析评价系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109272211A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111932423A (zh) * | 2020-07-16 | 2020-11-13 | 开封大学 | 一种区域产业集群监视平台化方法及其应用 |
CN112651773A (zh) * | 2020-12-21 | 2021-04-13 | 思创数码科技股份有限公司 | 行业竞争力分析方法、装置、设备和计算机可读存储介质 |
CN116452014A (zh) * | 2023-03-21 | 2023-07-18 | 深圳市蕾奥规划设计咨询股份有限公司 | 应用于城市规划的企业集群确定方法、装置及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103971000A (zh) * | 2014-05-12 | 2014-08-06 | 中国科学院城市环境研究所 | 基于多指标的工业园区产业集聚程度定量评价方法 |
CN106600096A (zh) * | 2016-10-19 | 2017-04-26 | 国网上海市电力公司 | 一种分布式的科技成果评价系统 |
CN107402984A (zh) * | 2017-07-11 | 2017-11-28 | 北京金堤科技有限公司 | 一种基于主题的分类方法及装置 |
-
2018
- 2018-08-29 CN CN201810996488.6A patent/CN109272211A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103971000A (zh) * | 2014-05-12 | 2014-08-06 | 中国科学院城市环境研究所 | 基于多指标的工业园区产业集聚程度定量评价方法 |
CN106600096A (zh) * | 2016-10-19 | 2017-04-26 | 国网上海市电力公司 | 一种分布式的科技成果评价系统 |
CN107402984A (zh) * | 2017-07-11 | 2017-11-28 | 北京金堤科技有限公司 | 一种基于主题的分类方法及装置 |
Non-Patent Citations (2)
Title |
---|
杨淦: ""基于条件随机场模型的中文分词系统研究与实现"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
黄旭: ""基于机器学习的汉语短文本分类方法研究与实现"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111932423A (zh) * | 2020-07-16 | 2020-11-13 | 开封大学 | 一种区域产业集群监视平台化方法及其应用 |
CN111932423B (zh) * | 2020-07-16 | 2022-03-08 | 开封大学 | 一种区域产业集群监视平台化方法及其应用 |
CN112651773A (zh) * | 2020-12-21 | 2021-04-13 | 思创数码科技股份有限公司 | 行业竞争力分析方法、装置、设备和计算机可读存储介质 |
CN116452014A (zh) * | 2023-03-21 | 2023-07-18 | 深圳市蕾奥规划设计咨询股份有限公司 | 应用于城市规划的企业集群确定方法、装置及电子设备 |
CN116452014B (zh) * | 2023-03-21 | 2024-02-27 | 深圳市蕾奥规划设计咨询股份有限公司 | 应用于城市规划的企业集群确定方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Fake review detection based on multiple feature fusion and rolling collaborative training | |
Olczyk | A systematic retrieval of international competitiveness literature: a bibliometric study | |
Abbott et al. | Focal colors across languages are representative members of color categories | |
Liu et al. | Combining enterprise knowledge graph and news sentiment analysis for stock price prediction | |
CN106227756A (zh) | 一种基于情感分类的股票指数预测方法及系统 | |
CN108733748A (zh) | 一种基于商品评论舆情的跨境产品质量风险模糊预测方法 | |
CN109272211A (zh) | 基于区域经济发展规划的产业集群分析评价系统及方法 | |
Tosida et al. | A hybrid data mining model for Indonesian telematics SMEs empowerment | |
Fotoglou et al. | Complexity clustering of BPMN models: initial experiments with the K-means algorithm | |
El Seddawy et al. | Enhanced K-mean algorithm to improve decision support system under uncertain situations | |
Zhen et al. | Optimizing deep learning and neural network to explore enterprise technology innovation model | |
Ugochi et al. | Customer opinion mining in electricity distribution company using twitter topic modeling and logistic regression | |
Nimbalkar et al. | Data mining using RFM Analysis | |
Yazdani et al. | Fuzzy classification method in credit risk | |
Zhang et al. | A precision marketing strategy of e-commerce platform based on consumer behavior analysis in the era of big data | |
CN109308572A (zh) | 基于政策目标导向的招商引资项目预期效益评估方法 | |
CN115496571A (zh) | 一种基于介科学的可解释性发票虚开检测方法 | |
Zheng | Application of silence customer segmentation in securities industry based on fuzzy cluster algorithm | |
Efremova et al. | A hybrid disambiguation measure for inaccurate cultural heritage data | |
Kravets et al. | Stochastic Game Model of Data Clustering. | |
Nguyen et al. | A weighted approach for class association rules | |
Mousavian Anaraki et al. | Providing a hybrid clustering method as an auxiliary system in automatic labeling to divide employee into different levels of productivity and their retention | |
Babar et al. | Real-time fake news detection using big data analytics and deep neural network | |
Margiotta et al. | Knowledge-based neural pre-training for intelligent document management | |
Wang et al. | A semantic path based approach to match subgraphs from large financial knowledge graph |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190125 |
|
RJ01 | Rejection of invention patent application after publication |