CN113792258A - 一种电网企业信息化投资的贡献率确定方法 - Google Patents

Abstract

本发明公开了一种电网企业信息化投资的贡献率确定方法，包括以下步骤：步骤S1、采集电网企业信息化投资中各个投资模块的投入和总产出的阶段性时序数据，并计算出各个投资模块的贡献率阶段性时序数据；步骤S2、为电网企业信息化投资的贡献率建立阶段性预测模型，并预测出各个投资模块的贡献率阶段性发展趋势；步骤S3、基于所述各个投资模块的贡献率阶段性发展趋势调整各个投资模块的投资布局。本发明构建阶段性预测模型，可实现根据当前阶段性时序内各个投资模块的投资贡献率预测出未来阶段性时序内各个投资模块的投资贡献率，辅助决策层对电网投资的效益评价，并指导下一阶段的项目投资布局，为项目投资提供决策支持，进一步优化企业管理。

Description

一种电网企业信息化投资的贡献率确定方法

技术领域

本发明涉及投资贡献率技术领域，具体涉及一种电网企业信息化投资的贡献率确定方法。

背景技术

在信息技术蓬勃发展的今天，电网企业十分重视信息化建设，投入了大量资源来实施信息化项目，其中最具代表性的就是SG-186工程；SG-186工程旨在建立包含财务、项目、设备、物资、人力资源、计划管理业务的紧密集成的企业级信息平台，适应公司管理需求的八大业务应用以及规范有效的六个信息化保障体系，最终建成数字化电网、信息化企业。

包括SG-186工程在内的电网企业信息化建设已经持续多年，为电网企业的生产、经营、管理提供了强力支持，明显的提升了企业的管理水平，向集约化、精益化、标准化的目标迈进；然而在信息化建设极大地提升企业效率的同时，建设周期长、投入大、难以定量分析其贡献率等问题也不可避免的引起了人们的关注。

近年来，国内外有很多学者和机构开展了信息化对企业发展贡献率的研究；包括通过传统成本法、利润法、推广梯度法对企业信息化的利润进行测算；这些方法都存在较大的缺陷，不能够很好的用于确定电网企业信息化投资的贡献率。

发明内容

本发明的目的在于提供一种电网企业信息化投资的贡献率确定方法，以解决现有技术中电网企业信息化投资的贡献率测算效率低的技术问题。

为解决上述技术问题，本发明具体提供下述技术方案：

一种电网企业信息化投资的贡献率确定方法，包括以下步骤：

步骤S1、采集电网企业信息化投资中各个投资模块的投入和总产出的阶段性时序数据，并基于投入和总产出的阶段性时序数据计算出各个投资模块的贡献率阶段性时序数据；

步骤S2、基于所述贡献率阶段性时序数据为电网企业信息化投资的贡献率建立阶段性预测模型，并依据各个投资模块的阶段性数据预测出各个投资模块的贡献率阶段性发展趋势；

步骤S3、基于所述各个投资模块的贡献率阶段性发展趋势调整各个投资模块的投资布局，以确保电网企业信息化投资的利润率最高。

作为本发明的一种优选方案，所述步骤S1中，各个投资模块的贡献率阶段性时序数据的计算方法包括：

依次获取各个投资模块在阶段性时序中每个时序上的投入和总产出数据，并在每个时序上建立拟合投入数据和总产出数据的关系函数，所述关系函数为：Y＝A*f(K,L,X₁,X₂,…,X_n)，式中，Y为总产出数据，A为科技水平，K为资本投入量，劳动投入量X₁,X₂,…,X_n表征为n个投资模块，X_n为第n个投资模块，f为关系函数体；

对关系函数进行数学变换得到各个投资模块在每个时序上的贡献率计算公式，其中，所述关系函数进行数学变换的方法包括：

对所述关系函数Y＝A*f(K,L,X₁,X₂,…,X_n)求关于时序t的全导数，得到：

将

两边同除以Y，得到：

将

变形，得到：

设定

将

进行变量代换，得到：

将Y＝A*f(K,L,X₁,X₂,…,X_n)转换为C-D生产函数形式，得到：

式中，y表征为总产出的增长速度，a表征为科技水平的提高速度，α表征为资本投入的产出弹性，k表征为资本的增长速度，β表征为劳动输入的产出弹性，l表征为劳动增长速度，θ_j表征为第j个投资模块的产出弹性，x_j表征为第j个投资模块的增长速度，X_j表征为第j个投资模块；

基于

得到贡献率计算公式，所述贡献率计算公式为：

式中，W_j表征为第j个投资模块的贡献率，并利用贡献率计算公式求得时序t上的贡献率数据{W_jt|j∈(1,n)}，再依时序对贡献率数据进行排列构成贡献率阶段性时序数据{W_jt|j∈(1,n),t∈(1,m)},其中W_jt表征为时序t上的第j个投资模块的贡献率，m为时序总数目。

作为本发明的一种优选方案，利用最小二乘法进行变量A、α、β、θ_j求解，设定最小二乘法的求解约束条件为：求解精度为0.1，收敛速率为0.001，突变速率为0.7。

作为本发明的一种优选方案，所述步骤S2中，所述阶段性预测模型的建立方法包括：

步骤S201、将所述贡献率阶段性时序数据中每个时序上的所述投资模块的贡献率数据均量化成向量形式作为一个训练样本z_t，将贡献率阶段性时序数据的时序属性保留为对应训练样本的时序属性，并将所有训练样本按时序属性进行顺序排列构成训练时序样本，所述训练时序样本为{z_t|[z＝W_j,j∈(1,n)],t∈(1,m)}，其中，z_t为时序t的所有所述投资模块的贡献率数据的真实值，且为时序t的训练样本，n为投资模块总数目，m为时序总数目，且为训练样本总数；

步骤S202、将所述训练时序样本运用至所述CNN-LSTM混合神经网络中进行模型训练得到阶段性预测模型。

作为本发明的一种优选方案，所述步骤S202，将所述训练时序样本运用至所述CNN-LSTM混合神经网络中进行模型训练的方法包括：

将所述训练时序样本输入CNN卷积神经网络进行特征提取，输出特征序列，其中，所述CNN卷积神经网络的训练参数设定包括：网络filter设定为128个，激活函数设定为Relu函数，池化处理设定为max-poling模式，dropout概率设定为0.20；

将所述特征序列输入值LSTM长短期记忆网络中进行时序预测训练，输出未来时序上的所有所述投资模块的贡献率数据的预测值，其中，所述LSTM长短期记忆网络的训练参数设定包括：网络层timestep设定为特征序列的特征类别k，训练方式设置为seq2seq的反向传递模式。

作为本发明的一种优选方案，所述LSTM长短期记忆网络的误差设定为

其中，{out_t|[out＝W_j′,j∈(1,n)],t∈(1,m)}，，m为时序总数目，z_t为时序t的所有所述投资模块的贡献率数据的真实值{W_jt|j∈(1,n)}，W_jt表征为时序t的第j个投资模块的贡献率数据的真实值，out_t为LSTM长短期记忆网络输出的时序t的所有所述投资模块的贡献率数据的预测值{W_jt′|j∈(1,n)}，W_jt′表征为时序t的第j个投资模块的贡献率数据的预测值。

作为本发明的一种优选方案，所述依据各个投资模块的阶段性数据预测出各个投资模块的贡献率阶段性发展趋势的方法包括：

将各个投资模块在阶段性时序[1,N]的贡献率的真实值{z_p|p∈[1,N]}输入至所述阶段性预测模型中，输出各个投资模块在未来阶段性时序[N+1，

阶段性时序[N+1，N+end]发展趋势曲线，其中，投资模块在未来阶段性时序[N+1，N+end]发展趋势曲线呈上升趋势，则投资模块的投资贡献率呈上升趋势，投资模块在未来阶段性时序[N+1，N+end]发展趋势曲线呈下降趋势，则投资模块的投资贡献率呈下降趋势。

作为本发明的一种优选方案，所述投资布局的调整方法包括：

若投资模块X_j的投资贡献率呈下降趋势或投资模块X_j的投资贡献率低于0，则需要减少投资模块X_j的投入；

若投资模块X_j的投资贡献率呈上升趋势且投资模块X_j的投资贡献率高于0，则需要增加投资模块X_j的投入。

作为本发明的一种优选方案，所述步骤S1中还包括对各个投资模块进行投入数据的量纲统一。

本发明与现有技术相比较具有如下有益效果：

本发明构建阶段性预测模型，可实现根据当前阶段性时序内各个投资模块的投资贡献率预测出未来阶段性时序内各个投资模块的投资贡献率，辅助决策层对电网投资的效益评价，并指导下一阶段的项目投资布局，为项目投资提供决策支持，进一步优化企业管理。

附图说明

为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式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示例性的，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，还可以根据提供的附图引伸获得其它的实施附图。

图1为本发明实施例提供的贡献率确定方法流程图。

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做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。

如图1所示，本发明提供了一种电网企业信息化投资的贡献率确定方法，包括以下步骤：

影响信息化投资的因素包括两个方面，实施因素和运营因素，

实施因素包括：硬件建设的投资：包括机房的建设，主机、交换机、无线装置等设备的购置与安装，网络环境的搭建、连通等；软件环境的投资：包括各应用软件的开发与集成，操作系统、常用软件、专用软件的版权费、信息安全问题的研究等；

运营因素包括：系统运行维护的投资：如系统折旧费用、管理费、维护及升级成本，系统使用过程中的数据录入、更新等费用，日常办公中利用信息化手段所付出的费用，如通讯费等；信息化人员的投资；包括企业员工的信息化教育和技能培训、信息化实施咨询费用等。

硬件投资、软件投资、运行维护投资、人员投资这四个方面是相辅相成的，因此本实施例包含的各个投资模块包括但不限于硬件投资、软件投资、运行维护投资、人员投资。坚实的硬件设备是软件运行的基本保障，而电网业务系统对应着某个软件系统，软件系统的协作运行正是信息化建设的有力体现。运行与维护则能长久的保证软硬件的正常运行。信息化人员的培养是信息化建设的主线，对于人员的投资是必不可少的。通过软件、硬件、运维、人员的大力投资，改进了企业生产、管理等诸多方面的信息化水平，极大的提升企业的办公效率，而效率的提升使得企业对人力的需求、对环境的要求降低。同时，各类信息化投资也能够激发企业效能，这都将间接地改善经济效益以及社会效益。另一方面，效益的提升也能够带来反馈作用，企业为了获得更大的效益而进行新一轮的信息化投资，而巨大的社会效益也使得政府能够提供政策上的支持。

步骤S1、采集电网企业信息化投资中各个投资模块的投入和总产出的阶段性时序数据，计算出各个投资模块的贡献率阶段性时序数据。

该步骤中，并基于投入和总产出的阶段性时序数据计算出各个投资模块的贡献率阶段性时序数据。

所述步骤S1中还包括对各个投资模块进行投入数据的量纲统一。

所述步骤S1中，各个投资模块的贡献率阶段性时序数据的计算方法包括：

依次获取各个投资模块在阶段性时序中每个时序上的投入和总产出数据，并在每个时序上建立拟合投入数据和总产出数据的关系函数，所述关系函数为：Y＝A*f(K,L,X₁,X₂,…,X_n)，式中，Y为总产出数据，A为科技水平，K为资本投入量，劳动投入量X₁,X₂,…,X_n表征为n个投资模块，X_n为第n个投资模块，f为关系函数体；

对关系函数进行数学变换得到各个投资模块在每个时序上的贡献率计算公式，其中，所述关系函数进行数学变换的方法包括：

对所述关系函数Y＝A*f(K,L,X₁,X₂,…,X_n)求关于时序t的全导数，得到：

将

两边同除以Y，得到：

将

变形，得到：

设定

将

进行变量代换，得到：

将Y＝A*f(K,L,X₁,X₂,…,X_n)转换为C-D生产函数形式，得到：

式中，y表征为总产出的增长速度，a表征为科技水平的提高速度，α表征为资本投入的产出弹性，k表征为资本的增长速度，β表征为劳动输入的产出弹性，l表征为劳动增长速度，θ_j表征为第j个投资模块的产出弹性，x_j表征为第j个投资模块的增长速度，X_j表征为第j个投资模块；

基于

得到贡献率计算公式，所述贡献率计算公式为：

式中，W_j表征为第j个投资模块的贡献率，并利用贡献率计算公式求得时序t上的贡献率数据{W_jt|j∈(1,n)}，再依时序对贡献率数据进行排列构成贡献率阶段性时序数据{W_jt|j∈(1,n),t∈(1,m)},其中W_jt表征为时序t上的第j个投资模块的贡献率，m为时序总数目。

利用最小二乘法进行变量A、α、β、θ_j求解，设定最小二乘法的求解约束条件为：求解精度为0.1，收敛速率为0.001，突变速率为0.7。

本实施例以下表1(其中投入、产出的单位为万元)为例进行各个投资模块在每个时序上的贡献率的计算过程，以硬件投资、软件投资、运维投资、人员投资作为四个投资模块。

表1 2005-2013年的投资数据

求得A＝3.973，α＝0.248，β＝0.4，θ1＝-0.1，θ2＝0.341，θ3＝0.252，θ4＝0.234，

得到

分别可利用

求得在2005-2013年的贡献率，如下表2所示。

表2 2005-2013四个投资模块的贡献率真实值

步骤S2、基于所述贡献率阶段性时序数据，针对电网企业信息化投资的贡献率建立阶段性预测模型，基于所述阶段性预测模型预测各个投资模块的贡献率阶段性发展趋势；

所述步骤S2中，所述阶段性预测模型的建立方法包括：

步骤S201、将所述贡献率阶段性时序数据中每个时序上的所述投资模块的贡献率数据均量化成向量形式作为一个训练样本z_t，将贡献率阶段性时序数据的时序属性保留为对应训练样本的时序属性，并将所有训练样本按时序属性进行顺序排列构成训练时序样本，所述训练时序样本为{z_t|[z＝W_j,j∈(1,n)],t∈(1,m)}，其中，z_t为时序t的所有所述投资模块的贡献率数据的真实值，且为时序t的训练样本，n为投资模块总数目，m为时序总数目，且为训练样本总数；

步骤S202、将所述训练时序样本运用至所述CNN-LSTM混合神经网络中进行模型训练得到阶段性预测模型。

所述步骤S202，将所述训练时序样本运用至所述CNN-LSTM混合神经网络中进行模型训练的方法包括：

将所述训练时序样本输入CNN卷积神经网络进行特征提取，输出特征序列，其中，所述CNN卷积神经网络的训练参数设定包括：网络filter设定为128个，激活函数设定为Relu函数，池化处理设定为max-poling模式，dropout概率设定为0.20；

将所述特征序列输入值LSTM长短期记忆网络中进行时序预测训练，输出未来时序上的所有所述投资模块的贡献率数据的预测值，其中，所述LSTM长短期记忆网络的训练参数设定包括：网络层timestep设定为特征序列的特征类别k，训练方式设置为seq2seq的反向传递模式。

所述LSTM长短期记忆网络的误差设定为

其中，{out_t|[out＝W_j′,j∈(1,n)],t∈(1,m)}，，m为时序总数目，z_t为时序t的所有所述投资模块的贡献率数据的真实值{W_jt|j∈(1,n)}，W_jt表征为时序t的第j个投资模块的贡献率数据的真实值，out_t为LSTM长短期记忆网络输出的时序t的所有所述投资模块的贡献率数据的预测值{W_jt′|j∈(1,n)}，W_jt′表征为时序t的第j个投资模块的贡献率数据的预测值。

所述依据各个投资模块的阶段性数据预测出各个投资模块的贡献率阶段性发展趋势的方法包括：

将各个投资模块在阶段性时序[1,N]的贡献率的真实值{z_p|p∈[1,N]}输入至所述阶段性预测模型中，输出各个投资模块在未来阶段性时序[N+1，N+end]的预测值

将2005年到2013年硬件投资、软件投资、运行维护投资、人员投资的贡献率输入至阶段性预测模型，输出各个投资模块在未来阶段性时序2014年到2018(或其他数值)的硬件投资、软件投资、运行维护投资、人员投资的贡献率的预测值，如下表3所示。

表3 2014-2018年四个投资模块的贡献率预测值

将

进行曲线拟合得到各个投资模块在未来阶段性时序[N+1，N+end]发展趋势曲线，其中，投资模块在未来阶段性时序[N+1，N+end]发展趋势曲线呈上升趋势，则投资模块的投资贡献率呈上升趋势，投资模块在未来阶段性时序[N+1，N+end]发展趋势曲线呈下降趋势，则投资模块的投资贡献率呈下降趋势。

硬件投资X₁的[W₁₂₀₁₄′,W₁₂₀₁₈′]，软件投资X₂的[W₂₂₀₁₄′,W₂₂₀₁₈′]，运维投资X₃的[W₃₂₀₁₄′,W₃₂₀₁₈′]，人员投资X₄的[W₄₂₀₁₄′,W₄₂₀₁₈′]曲线拟合得到各个投资模块在未来阶段性时序[2014，2018]发展趋势曲线。

步骤S3、基于所述各个投资模块的贡献率阶段性发展趋势，调整各个投资模块的投资布局，使电网企业信息化投资的利润率调整至最高。

所述投资布局的调整方法包括：

若投资模块X_j的投资贡献率呈下降趋势或投资模块X_j的投资贡献率低于0，则需要减少投资模块X_j的投入；

若投资模块X_j的投资贡献率呈上升趋势且投资模块X_j的投资贡献率高于0，则需要增加投资模块X_j的投入。

本发明构建阶段性预测模型，可实现根据当前阶段性时序内各个投资模块的投资贡献率预测出未来阶段性时序内各个投资模块的投资贡献率，辅助决策层对电网投资的效益评价，并指导下一阶段的项目投资布局，为项目投资提供决策支持，进一步优化企业管理。

以上实施例仅为本申请的示例性实施例，不用于限制本申请，本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内，对本申请做出各种修改或等同替换，这种修改或等同替换也应视为落在本申请的保护范围内。

Claims (9)

1.一种电网企业信息化投资的贡献率确定方法，其特征在于，包括以下步骤：

步骤S1、采集电网企业信息化投资中各个投资模块的投入和总产出的阶段性时序数据，计算出各个投资模块的贡献率阶段性时序数据；

步骤S2、基于所述贡献率阶段性时序数据，针对电网企业信息化投资的贡献率建立阶段性预测模型，基于所述阶段性预测模型预测各个投资模块的贡献率阶段性发展趋势；

步骤S3、基于所述各个投资模块的贡献率阶段性发展趋势，调整各个投资模块的投资布局，使电网企业信息化投资的利润率调整至最高。

2.根据权利要求1所述的一种电网企业信息化投资的贡献率确定方法，其特征在于，所述步骤S1中，计算出各个投资模块的贡献率阶段性时序数据，包括：

S101、依次获取阶段性时序中，各个投资模块在每个时序上的投入和总产出数据，并在每个时序上建立拟合投入数据和总产出数据的关系函数；

其中，所述关系函数为：Y＝A*f(K,L,X₁,X₂,…,X_n)，式中，Y为总产出数据，A为科技水平，K为资本投入量，劳动投入量X₁,X₂,…,X_n表征为n个投资模块，X_n为第n个投资模块，f为关系函数体；

S102、对关系函数进行数学变换得到各个投资模块在每个时序上的贡献率计算公式；

其中，所述对关系函数进行数学变换，包括：

对所述关系函数Y＝A*f(K,L,X₁,X₂,…,X_n)求关于时序t的全导数，得到：

将

两边同除以Y，得到：

将

变形，得到：

设定

将

进行变量代换，得到：

将Y＝A*f(K,L,X₁,X₂,…,X_n)转换为C-D生产函数形式，得到：

式中，y表征为总产出的增长速度，a表征为科技水平的提高速度，α表征为资本投入的产出弹性，k表征为资本的增长速度，β表征为劳动输入的产出弹性，l表征为劳动增长速度，θ_j表征为第j个投资模块的产出弹性，x_j表征为第j个投资模块的增长速度，X_j表征为第j个投资模块；

S103、基于

得到贡献率计算公式；

所述贡献率计算公式为：

式中，W_j表征为第j个投资模块的贡献率，并利用贡献率计算公式求得时序t上的贡献率数据{W_jt|j∈(1,n)}，再依时序对贡献率数据进行排列构成贡献率阶段性时序数据{W_jt|j∈(1,n),t∈(1,m)},其中W_jt表征为时序t上的第j个投资模块的贡献率，m为时序总数目。

3.根据权利要求2所述的一种电网企业信息化投资的贡献率确定方法，其特征在于，所述步骤S1还包括：

利用最小二乘法进行变量A、α、β、θ_j求解，设定最小二乘法的求解约束条件为：求解精度为0.1，收敛速率为0.001，突变速率为0.7。

4.根据权利要求3所述的一种电网企业信息化投资的贡献率确定方法，其特征在于，所述步骤S2中，基于所述贡献率阶段性时序数据，针对电网企业信息化投资的贡献率建立阶段性预测模型，包括：

步骤S201、将所述贡献率阶段性时序数据中，每个时序上的所述投资模块的贡献率数据，均量化成向量形式作为一个训练样本z_t；将贡献率阶段性时序数据的时序属性保留为对应训练样本的时序属性，并将所有训练样本按时序属性进行顺序排列构成训练时序样本{z_t|[z＝W_j,j∈(1,n)],t∈(1,m)}；

其中，z_t为时序t的所有所述投资模块的贡献率数据的真实值，且为时序t的训练样本；n为投资模块总数目；m为时序总数目，且为训练样本总数；

步骤S202、将所述训练时序样本运用至所述CNN-LSTM混合神经网络中进行模型训练，得到阶段性预测模型。

5.根据权利要求4所述的一种电网企业信息化投资的贡献率确定方法，其特征在于，所述步骤S202包括：

将所述训练时序样本输入CNN卷积神经网络进行特征提取，输出特征序列，其中，所述CNN卷积神经网络的训练参数设定包括：网络filter设定为128个，激活函数设定为Relu函数，池化处理设定为max-poling模式，dropout概率设定为0.20；

将所述特征序列输入值LSTM长短期记忆网络中进行时序预测训练，输出未来时序上的所有所述投资模块的贡献率数据的预测值，其中，所述LSTM长短期记忆网络的训练参数设定包括：网络层timestep设定为特征序列的特征类别k，训练方式设置为seq2seq的反向传递模式。

6.根据权利要求5所述的一种电网企业信息化投资的贡献率确定方法，其特征在于，所述LSTM长短期记忆网络的误差设定为

其中，{out_t|[out＝W_j′,j∈(1,n)],t∈(1,m)}，，m为时序总数目，z_t为时序t的所有所述投资模块的贡献率数据的真实值{W_jt|j∈(1,n)}，W_jt表征为时序t的第j个投资模块的贡献率数据的真实值，out_t为LSTM长短期记忆网络输出的时序t的所有所述投资模块的贡献率数据的预测值{W_jt′|j∈(1,n)}，W_jt′表征为时序t的第j个投资模块的贡献率数据的预测值。

7.根据权利要求6所述的一种电网企业信息化投资的贡献率确定方法，其特征在于，所述依据各个投资模块的阶段性数据预测出各个投资模块的贡献率阶段性发展趋势的方法包括：

将各个投资模块在阶段性时序[1,N]的贡献率的真实值{z_p|p∈[1,N]}输入至所述阶段性预测模型中，输出各个投资模块在未来阶段性时序[N+1，N+end]的预测值

将

进行曲线拟合得到各个投资模块在未来阶段性时序[N+1，N+end]发展趋势曲线，其中，投资模块在未来阶段性时序[N+1，N+end]发展趋势曲线呈上升趋势，则投资模块的投资贡献率呈上升趋势，投资模块在未来阶段性时序[N+1，N+end]发展趋势曲线呈下降趋势，则投资模块的投资贡献率呈下降趋势。

8.根据权利要求7所述的一种电网企业信息化投资的贡献率确定方法，其特征在于，所述投资布局的调整方法包括：

若投资模块X_j的投资贡献率呈下降趋势或投资模块X_j的投资贡献率低于0，则需要减少投资模块X_j的投入；

若投资模块X_j的投资贡献率呈上升趋势且投资模块X_j的投资贡献率高于0，则需要增加投资模块X_j的投入。

9.根据权利要求8所述的一种电网企业信息化投资的贡献率确定方法，其特征在于，所述步骤S1中还包括对各个投资模块进行投入数据的量纲统一。

Images