CN116307734A - 项目的风险等级的确定方法、装置、设备及可读存储介质 - Google Patents

项目的风险等级的确定方法、装置、设备及可读存储介质 Download PDF

Info

Publication number
CN116307734A
CN116307734A CN202310369800.XA CN202310369800A CN116307734A CN 116307734 A CN116307734 A CN 116307734A CN 202310369800 A CN202310369800 A CN 202310369800A CN 116307734 A CN116307734 A CN 116307734A
Authority
CN
China
Prior art keywords
weight
index
level
indexes
calculating
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
Application number
CN202310369800.XA
Other languages
English (en)
Inventor
孙严
李辉
路兴
张森
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing E Hualu Information Technology Co Ltd
Original Assignee
Beijing E Hualu Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing E Hualu Information Technology Co Ltd filed Critical Beijing E Hualu Information Technology Co Ltd
Priority to CN202310369800.XA priority Critical patent/CN116307734A/zh
Publication of CN116307734A publication Critical patent/CN116307734A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提供了一种项目的风险等级的确定方法、装置、电子设备及计算机可读存储介质，该方法包括：构建范围风险评价指标体系；其中，范围风险评价指标体系包括：一级指标、多个二级指标以及多个三级指标；其中，每一个二级指标包括多个三级指标；在利用神经网络模型对多个三级指标计算得到第一权重的情况下，基于第一权重计算每一个三级指标的系数；基于层次分析法以及熵权法计算每一个二级指标的第二权重；基于第二权重以及三级指标的系数计算得到二级指标的系数；将所有二级指标的系数求和，并与预设的系数进行比对，生成第一比对结果；基于第一比对结果确定项目的风险等级。本申请能够有效地提高项目风险等级确定的准确性。

Description

项目的风险等级的确定方法、装置、设备及可读存储介质
技术领域
本申请属于计算机软件技术领域，尤其涉及一种项目的风险等级的确定方法、装置、电子设备及计算机可读存储介质。
背景技术
风险评估(Risk Assessment)是指，在风险事件发生之前或之后(但还没有结束)，该事件给人们的生活、生命、财产等各个方面造成的影响和损失的可能性进行量化评估的工作。即，风险评估就是量化测评某一事件或事物带来的影响或损失的可能程度。
在进行企业信息化建设阶段，风险类型复杂、涉及范围广泛，该阶段的决策对信息化项目后续阶段和项目目标实现影响非常大。
现有技术中，往往采用人为主观因素对项目的风险进行评估，比如：该项目包括多个指标体系，每一个指标体系对应的风险都有对应的项目人员进行主观风险判断，最终对整个项目的风险进行判断，从而达到项目风险等级确定的目的。
然而，只通过人为主观判断的项目风险等级的方式，容易出现错误，从而导致风险等级确定地不准确。
因此，如何提高项目的风险等级确定的准确性是本领域技术人员亟需解决的技术问题。
发明内容
本申请实施例提供一种项目的风险等级的确定方法、装置、电子设备及计算机可读存储介质，能够有效地提高项目的风险等级确定的准确性。
第一方面，本申请实施例提供一种项目的风险等级的确定方法，该方法包括：构建范围风险评价指标体系；其中，范围风险评价指标体系包括：一级指标、多个二级指标以及多个三级指标；其中，每一个二级指标包括多个三级指标；
在利用神经网络模型对多个三级指标计算得到第一权重的情况下，基于第一权重计算每一个三级指标的系数；
基于层次分析法以及熵权法计算每一个二级指标的第二权重；
基于第二权重以及三级指标的系数计算得到二级指标的系数；
将所有二级指标的系数求和，并与预设的系数进行比对，生成第一比对结果；
基于第一比对结果确定项目的风险等级。
可选的，基于层次分析法以及熵权法计算每一个二级指标的第二权重，包括：
基于二级指标构建第一判断矩阵；其中，第一判断矩阵的阶数与二级指标的数量相同；
将多个二级指标通过第一规则进行比对，生成第二比对结果；其中，第一规则用于表征多个二级指标中每两个二级指标进行比对；
确定第二比对结果的重要性程度；
基于第二比对结果的重要性程度构建第二判断矩阵；
基于第二判断矩阵计算每一个二级指标的权重向量；
基于权重向量构建二级指标权重矩阵；
基于二级指标权重矩阵计算每一个二级指标的第二权重。
可选的，基于第二判断矩阵计算每一个二级指标的权重向量，包括：
基于第二判断矩阵，利用公式
Figure BDA0004168789210000021
计算得到多个第一向量；其中，pi为第一向量，Xij为重要性程度；m为二级指标的数量；j为每一列中二级指标的排序；
基于多个第一向量，利用公式
Figure BDA0004168789210000031
计算得到多个第二向量；其中，zi为第二向量；
基于第二向量，利用公式
Figure BDA0004168789210000032
计算得到每一个二级指标的权重向量；其中，si为权重向量。
可选的，基于权重向量构建二级指标的权重矩阵，包括：
在每一个二级指标均含有多种权重向量时，将多种权重向量进行行列式拼接，以构建二级指标的权重矩阵。
可选的，基于二级指标的权重矩阵计算每一个二级指标的第二权重，包括：
基于二级指标的权重矩阵，利用公式
Figure BDA0004168789210000033
计算得到熵值；其中，ej为熵值；
基于熵值，利用公式
Figure BDA0004168789210000034
权计算得到每一个二级指标的第二权重；其中，oj为第二权重，n为权重向量的种类。
可选的，方法还包括：
对第二判断矩阵进行一致性校验，生成校验结果；
将校验结果与预设校验结果进行比对，生成第三比对结果；
在第三比对结果为校验结果不小于预设校验结果的情况下，对第二判断矩阵进行调整，直到校验结果小于预设校验结果为止。
可选的，对第二判断矩阵进行一致性校验，生成校验结果，包括：
基于第二判断矩形利用Matlab软件计算得到特征根；
基于特征根，利用公式
Figure BDA0004168789210000035
计算得到一致性指标；其中，CI为一致性指标，λmax为特征根，m为二级指标的数量；
查表获得随机一致性指标；
基于随机一致性指标、一致性指标，利用公式
Figure BDA0004168789210000041
计算得到一致性比率；其中，CR为一致性比率，一致性校验比率为校验结果。
第二方面，本申请实施例提供了一种项目的风险等级的确定装置，装置包括：构建模块，用于构建范围风险评价指标体系；其中，范围风险评价指标体系包括：一级指标、多个二级指标以及多个三级指标；其中，每一个二级指标包括多个三级指标；第一计算模块，用于在利用神经网络模型对多个三级指标计算得到第一权重的情况下，基于第一权重计算每一个三级指标的系数；第二计算模块，用于基于层次分析法以及熵权法计算每一个二级指标的第二权重；第三计算模块，用于基于第二权重以及三级指标的系数计算得到二级指标的系数；第一比对模块，用于将所有二级指标的系数求和，并与预设系数进行比对，生成第一比对结果；确定模块，用于基于第一比对结果确定项目的风险等级。
可选的，第二计算模块包括：第一构建单元，用于基于二级指标构建第一判断矩阵；其中，第一判断矩阵的阶数与二级指标的数量相同；
第一比对单元，用于将多个二级指标通过第一规则进行比对，生成第二比对结果；其中，第一规则用于表征多个二级指标中每两个二级指标进行比对；
确定单元，用于确定第二比对结果的重要性程度；
第二构建单元，用于基于第二比对结果的重要性程度构建第二判断矩阵；
第一计算单元，用于基于第二判断矩阵计算每一个二级指标的权重向量；
第三构建单元，用于基于权重向量构建二级指标的权重矩阵；
第二计算单元，用于基于二级指标的权重矩阵计算每一个二级指标的第二权重。
可选的，第一计算单元，用于基于第二判断矩阵计算每一个二级指标的权重向量，包括：基于第二判断矩阵，利用公式
Figure BDA0004168789210000051
计算得到多个第一向量；其中，pi为第一向量，Xij为重要性程度；m为二级指标的数量；j为每一列中二级指标的排序；基于多个第一向量，利用公式/>
Figure BDA0004168789210000052
计算得到多个第二向量；其中，zi为第二向量；基于第二向量，利用公式/>
Figure BDA0004168789210000053
计算得到每一个二级指标的权重向量；其中，si为权重向量。
可选的，第三构建单元，用于在每一个二级指标均含有多种权重向量时，将多种权重向量进行行列式拼接，以构建二级指标的权重矩阵。
可选的，第二计算单元，用于基于二级指标的权重矩阵，利用公式
Figure BDA0004168789210000054
计算得到熵值；其中，ej为熵值；基于熵值，利用公式/>
Figure BDA0004168789210000055
权计算得到每一个二级指标的第二权重；其中，oj为第二权重，n为权重向量的种类。
可选的，装置还包括：校验模块，用于对第二判断矩阵进行一致性校验，生成校验结果；第二比对模块，用于将校验结果与预设校验结果进行比对，生成第三比对结果；调整模块，用于在第三比对结果为校验结果不小于预设校验结果的情况下，对第二判断矩阵进行调整，直到校验结果小于预设校验结果为止。
可选的，校验模块，用于基于第二判断矩形利用Matlab软件计算得到特征根；
基于特征根，利用公式
Figure BDA0004168789210000056
计算得到一致性指标；其中，CI为一致性指标，λmax为特征根，m为二级指标的数量；
查表获得随机一致性指标；
基于随机一致性指标、一致性指标，利用公式
Figure BDA0004168789210000057
计算得到一致性比率；其中，CR为一致性比率，一致性校验比率为校验结果。
第三方面，提供了一种电子设备，该电子设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序或指令，程序或指令被处理器执行时实现如第一方面所示的项目的风险等级的确定方法的步骤。
第四方面，提供了一种可读存储介质，该可读存储介质上存储程序或指令，程序或指令被处理器执行时实现如第一方面所示的项目的风险等级的确定的步骤。
本申请构建范围风险评价指标体系；其中，范围风险评价指标体系包括：一级指标、多个二级指标以及多个三级指标；其中，每一个二级指标包括多个三级指标；在利用神经网络模型对多个三级指标计算得到第一权重的情况下，基于第一权重计算每一个三级指标的系数；基于层次分析法以及熵权法计算每一个二级指标的第二权重；基于第二权重以及三级指标的系数计算得到二级指标的系数；将所有二级指标的系数求和，并与预设的系数进行比对，生成第一比对结果；基于第一比对结果确定项目的风险等级。本申请能够有效地提高项目的风险等级确定的准确性。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体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，下面描述中的附图是本申请的一些实施方式，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是本申请一个实施例提供的项目的风险等级的确定方法的流程示意图；
图2是本申请一个实施例提供的项目的风险等级的确定装置的结构示意图；以及
图3是本申请一个实施例提供的电子设备的结构示意图。
具体实施方式
下面将详细描述本申请的各个方面的特征和示例性实施例，为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本申请进行进一步详细描述。应理解，此处所描述的具体实施例仅意在解释本申请，而不是限定本申请。对于本领域技术人员来说，本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更好的理解。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
基于背景技术部分的内容可知，现有技术中，只通过人为主观判断的项目风险等级的方式，容易出现错误，从而导致风险等级确定地不准确。
为了解决现有技术问题，本申请实施例提供了一种项目的风险等级的确定方法、装置、电子设备及计算机可读存储介质。下面首先对本申请实施例所提供的项目的风险等级的确定方法进行介绍。
图1示出了本申请一个实施例提供的项目的风险等级的确定方法的流程示意图。如图1所示，
步骤S11：构建范围风险评价指标体系；其中，范围风险评价指标体系包括：一级指标、多个二级指标以及多个三级指标；其中，每一个二级指标包括多个三级指标。
步骤S12：在利用神经网络模型对多个三级指标计算得到第一权重的情况下，基于第一权重计算每一个三级指标的系数。
具体的，在本申请中，首先需要构建范围风险评价指标体系，其中，范围风险评价指标体系包括：一级指标、多个二级指标以及多个三级指标；其中，每一个二级指标包括多个三级指标。在利用神经网络模型对多个三级指标计算得到第一权重的情况下，基于第一权重计算每一个三级指标的系数。本申请在对三级指标构建判断矩阵时，矩阵的阶数等于某个二级指标下属三级指标的个数。三级指标较少时(比如：3-5)个，指标间的两两重要度判断较为容易，一致性检测也较好通过。但指标体系中每个二级指标下都有很多个三级指标(比如：10个)，若采用层次分析法判断矩阵则会导致矩阵阶数太大，在确定指标间的两两重要度时也很难，一致性检验较难通过。因此，采用神经网络模型对三级指标的第一权重进行计算，从而提高了便利性。
需要说明的是，二级指标可以通过神经网络模型计算得到，其中，将该项目导入神经网络模型中，然后通过神经网络模型计算得到该二级指标。
在一个可选的实施例中，二级指标可以包括：立项阶段的范围风险、项目范围计划风险、项目范围确认风险、项目范围实施与控制风险、项目范围变更风险。
步骤S13：基于层次分析法以及熵权法计算每一个二级指标的第二权重。
在一个可选的实施例中，基于层次分析法以及熵权法计算每一个二级指标的第二权重，可以采用如下方式：
基于二级指标构建第一判断矩阵；其中，第一判断矩阵的阶数与二级指标的数量相同。
将多个二级指标通过第一规则进行比对，生成第二比对结果；其中，第一规则用于表征多个二级指标中每两个二级指标进行比对。
确定第二比对结果的重要性程度。
基于第二比对结果的重要性程度构建第二判断矩阵。
基于第二判断矩阵计算每一个二级指标的权重向量。
基于权重向量构建二级指标的权重矩阵。
基于二级指标的权重矩阵计算每一个二级指标的第二权重。
在本实施例中，根据二级指标构建第一判断矩阵。需要说明的是，二级指标的数量决定了第一判断矩阵的阶数。然后将多个二级指标通过第一规则进行比对，生成第二比对结果。需要说明的是，第一规则用于表征多个二级指标中每两个二级指标进行比对。比如：二级指标包括：立项阶段的范围风险、项目范围计划风险、项目范围确认风险、项目范围实施与控制风险、项目范围变更风险。那么该第一判断矩阵的阶数就可以为5阶第一判断矩阵。其中，上述五个二级指标两两之间进行比对，即立项阶段的范围风险分别和另外四个二级指标进行比对，项目范围计划风险再和另外四个二级指标进行比对。然后根据已经确定的重要性程度来构建第二判断矩阵。
需要说明的是，层次分析法(Analytical Hierarchy Process，AHP)是一种将决策者对复杂系统的决策思维过程模型化、数量化，定性与定量相结合的决策分析方法。应用这种方法，决策者将要识别的复杂问题分解成若干层次和若干因素，对所列指标通过两两比较其重要程度而逐层进行判断评分，利用计算并判断矩阵的特征向量从而确定下层指标对上层指标的贡献程度，最后得到基层指标相对于总目标而言重要性的赋权结果。
需要说明的是，熵权法在信息论中，熵是对系统混乱程度的一种度量，而信息则是对系统有序程度的一种度量。熵权法的核心思想是：在评价对象的多组数据中，如果某组数据的离散程度越大，信息熵越小，代表其提供的信息量越大，则该组数据的权重应该越大。
下面进行举例说明：构建一个m*m的判断矩阵X，矩阵的每一项Xij代表指标i对于指标j的相对重要性的评分。其中，m可以为二级指标的个数。
Figure BDA0004168789210000101
其中，指标i和指标j可以分别表示上述五个二级指标中的任意两个。
需要说明的是，重要性程度的量化值可以采用表1进行说明：
表1
因素i相比因素j 量化值
同等重要 1
稍微重要 3
较强重要 5
强烈重要 7
极端重要 9
两相邻判断的中间值 2，4，6，8
倒数 Xij＝1/Xji
其中，预设规定判断矩阵中对角线上的元素Xii＝1，且Xij和Xji互为倒数，即Xij*Xji＝1。
然后根据上述表1能够得到每两个二级指标之间的权重，下面采用表2进行对第二判断矩阵进行说明：
表2
立项阶段 计划 确认 实施与控制 变更
立项阶段 1 1/8 1/5 1/8 1/5
计划 8 1 5 1 3
确认 5 1/5 1 1/5 1/2
实施与控制 8 1 5 1 3
变更 5 3 2 1/3 1
其中，表2为第二判断矩阵，在得到第二判断矩阵的情况下，根据第二判断矩阵计算每一个二级指标的权重向量。其中，表2中的数据可以通过神经网络模型确定每两个二级指标之间的重要性程度。
在一个可选的实施例中，基于第二判断矩阵计算每一个二级指标的权重向量，可以采用如下方式：
基于第二判断矩阵，利用公式
Figure BDA0004168789210000111
计算得到多个第一向量；其中，pi为第一向量，Xij为重要性程度；m为二级指标的数量；j为每一列中二级指标的排序；
基于多个第一向量，利用公式
Figure BDA0004168789210000112
计算得到多个第二向量；其中，zi为第二向量；
基于第二向量，利用公式
Figure BDA0004168789210000113
计算得到每一个二级指标的权重向量；其中，si为权重向量。
然后在计算完权重向量之后，根据所有权重向量的计算构建二级指标的权重矩阵。
Figure BDA0004168789210000114
其中，矩阵第i行代表指标i多组二级指标的权重向量，矩阵第j列代表一组二级指标的权重向量。
在一个可选的实施例中，基于权重向量构建二级指标的权重矩阵可以采用如下方式：
在每一个二级指标均含有多种权重向量时，将多种权重向量进行行列式拼接，以构建二级指标的权重矩阵。
然后根据该权重向量通过熵权法计算每一个二级指标的第二权重。
在一个可选的实施例中，基于二级指标的权重矩阵计算每一个二级指标的第二权重可以采用如下方式：
基于二级指标的权重矩阵，利用公式
Figure BDA0004168789210000121
计算得到熵值；其中，ej为熵值；
基于熵值，利用公式
Figure BDA0004168789210000122
权计算得到每一个二级指标的第二权重；其中，oj为第二权重，n为权重向量的种类。
步骤S14：基于第二权重以及三级指标的系数计算得到二级指标的系数。
步骤S15：将所有二级指标的系数求和，并与预设系数进行比对，生成第一比对结果。
步骤S16：基于第一比对结果确定项目的风险等级。
在本实施例中，在计算完第二权重之后，根据步骤S12中已经获取到的三级指标的系数情况，能够准确地得到每一个二级指标的系数情况，然后将所有二级指标的系数相加，得到一个总系数，将总系数和预设系数进行比对，生成第一比对结果。然后根据第一比对结果确定项目的风险等级。
需要说明的是，预设系数以及风险等级之间的映射关系可以采用表3进行表示：
表3
预设系数 风险等级
[0,20] 高
(20,40] 中高
(40,60] 中
(60,80] 中低
(80,100] 低
其中，预设系数越高代表项目越健康(风险越小)。
在一个可选的实施例中，方法还包括：对第二判断矩阵进行一致性校验，生成校验结果。
将校验结果与预设校验结果进行比对，生成第三比对结果。
在第三比对结果为校验结果不小于预设校验结果的情况下，对第二判断矩阵进行调整，直到校验结果小于预设校验结果为止。
在一个可选的实施例中，对第二判断矩阵进行一致性校验，生成校验结果可以采用如下方式：
基于第二判断矩形利用Matlab软件计算得到特征根。
基于特征根，利用公式
Figure BDA0004168789210000131
计算得到一致性指标；其中，CI为一致性指标，λmax为特征根，m为二级指标的数量。
查表获得随机一致性指标。
基于随机一致性指标、一致性指标，利用公式
Figure BDA0004168789210000132
计算得到一致性比率；其中，CR为一致性比率，一致性校验比率为校验结果。
本申请通过对第二判断矩阵进行一致性校验的方式，能够有效地判断出第二判断矩阵中是否存在不合理的矩阵。比如：第二判断矩阵是否不符合上述预设规定(第二判断矩阵中对角线上的元素Xii＝1，且Xij和Xji互为倒数，即Xij*Xji＝1。)
下面采用表4对随机一致性指标的确定进行说明：
表4
指标数 1 2 3 4 5 6 7 8 9
RI 0 0 0.58 0.89 1.12 1.26 1.36 1.41 1.46
其中，指标数可以为二级指标的个数。
可选的，预设校验结果可以为0.1。
本申请利用层次分析法以及熵权法能够准确地计算得到二级指标的第二权重，然后根据神经网络模型计算得到三级指标的系数，从而根据三级指标的系数以及二级指标的第二权重能够准确地得到二级指标的系数，从而确定项目的风险等级。
此外，本申请利用神经网络模型确定多个三级指标的系数的方式，使得三级指标系数确定地更准确，也更便利。
另外，在得到二级指标的第二权重之后，对二级指标的第二权重进行一致性校验，判断第二权重是否准确，从而提高项目的风险等级的准确性。
图2示出了本申请实施例提供的项目的风险等级的确定装置的结构示意图。如图2所示，
本申请实施例提供了一种基于代码编译工具打包发版物支持IE 11的色系二开的装置，装置包括：装置包括：构建模块21，用于构建范围风险评价指标体系；其中，范围风险评价指标体系包括：一级指标、多个二级指标以及多个三级指标；其中，每一个二级指标包括多个三级指标；第一计算模块22，用于在利用神经网络模型对多个三级指标计算得到第一权重的情况下，基于第一权重计算每一个三级指标的系数；第二计算模块23，用于基于层次分析法以及熵权法计算每一个二级指标的第二权重；第三计算模块24，用于基于第二权重以及三级指标的系数计算得到二级指标的系数；第一比对模块25，用于将所有二级指标的系数求和，并与预设系数进行比对，生成第一比对结果；确定模块26，用于基于第一比对结果确定项目的风险等级。
可选的，第二计算模块23包括：第一构建单元，用于基于二级指标构建第一判断矩阵；其中，第一判断矩阵的阶数与二级指标的数量相同；第一比对单元，用于将多个二级指标通过第一规则进行比对，生成第二比对结果；其中，第一规则用于表征多个二级指标中每两个二级指标进行比对；确定单元，用于确定第二比对结果的重要性程度；第二构建单元，用于基于第二比对结果的重要性程度构建第二判断矩阵；第一计算单元，用于基于第二判断矩阵计算每一个二级指标的权重向量；第三构建单元，用于基于权重向量构建二级指标的权重矩阵；第二计算单元，用于基于二级指标的权重矩阵计算每一个二级指标的第二权重。
可选的，第一计算单元，用于基于第二判断矩阵计算每一个二级指标的权重向量，包括：基于第二判断矩阵，利用公式
Figure BDA0004168789210000151
计算得到多个第一向量；其中，pi为第一向量，Xij为重要性程度；m为二级指标的数量；j为每一列中二级指标的排序；基于多个第一向量，利用公式/>
Figure BDA0004168789210000152
计算得到多个第二向量；其中，zi为第二向量；基于第二向量，利用公式/>
Figure BDA0004168789210000153
计算得到每一个二级指标的权重向量；其中，si为权重向量。
可选的，第三构建单元，用于在每一个二级指标均含有多种权重向量时，将多种权重向量进行行列式拼接，以构建二级指标的权重矩阵。
可选的，第二计算单元，用于基于二级指标的权重矩阵，利用公式
Figure BDA0004168789210000154
计算得到熵值；其中，ej为熵值；基于熵值，利用公式/>
Figure BDA0004168789210000155
权计算得到每一个二级指标的第二权重；其中，oj为第二权重，n为权重向量的种类。
可选的，装置还包括：校验模块，用于对第二判断矩阵进行一致性校验，生成校验结果；第二比对模块，用于将校验结果与预设校验结果进行比对，生成第三比对结果；调整模块，用于在第三比对结果为校验结果不小于预设校验结果的情况下，对第二判断矩阵进行调整，直到校验结果小于预设校验结果为止。
可选的，校验模块，用于基于第二判断矩形利用Matlab软件计算得到特征根；基于特征根，利用公式
Figure BDA0004168789210000156
计算得到一致性指标；其中，CI为一致性指标，λmax为特征根，m为二级指标的数量；查表获得随机一致性指标；基于随机一致性指标、一致性指标，利用公式/>
Figure BDA0004168789210000157
计算得到一致性比率；其中，CR为一致性比率，一致性校验比率为校验结果。
本申请利用层次分析法以及熵权法能够准确地计算得到二级指标的第二权重，然后根据神经网络模型计算得到三级指标的系数，从而根据三级指标的系数以及二级指标的第二权重能够准确地得到二级指标的系数，从而确定项目的风险等级。
此外，本申请利用神经网络模型确定多个三级指标的系数的方式，使得三级指标系数确定地更准确，也更便利。
另外，在得到二级指标的第二权重之后，对二级指标的第二权重进行一致性校验，判断第二权重是否准确，从而提高项目的风险等级的准确性。
图2所示装置中的各个模块/单元具有实现图1中各个步骤的功能，并能达到其相应的技术效果，为简洁描述，在此不再赘述。
图3示出了本申请实施例提供的电子设备的结构示意图。
电子设备可以包括处理器301以及存储有计算机程序指令的存储器302。
具体地，上述处理器301可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，ASIC)，或者可以被配置成实施本申请实施例的一个或多个集成电路。
存储器302可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器302可包括硬盘驱动器(Hard Disk Drive，HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus，USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器302可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器302可在电子设备的内部或外部。在特定实施例中，存储器302可以是非易失性固态存储器。
在一个实施例中，存储器302可以是只读存储器(Read Only Memory，ROM)。在一个实施例中，该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。
处理器301通过读取并执行存储器302中存储的计算机程序指令，以实现上述实施例中的任意一种项目风险等级的确定方法。
在一个示例中，电子设备还可包括通信接口303和总线310。其中，如图3所示，处理器301、存储器302、通信接口303通过总线310连接并完成相互间的通信。
通信接口303，主要用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。
总线310包括硬件、软件或两者，将电子设备的部件彼此耦接在一起。举例来说而非限制，总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线310可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线，但本申请考虑任何合适的总线或互连。
另外，结合上述实施例中的项目风险等级的确定方法，本申请实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种一种项目风险等级的确定方法。
需要明确的是，本申请并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本申请的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本申请的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能模块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本申请的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是，本申请中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本申请不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
上面参考根据本申请的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本申请的各方面。应当理解，流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器，以产生一种机器，使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解，框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合，也可以由执行指定的功能或动作的专用硬件来实现，或可由专用硬件和计算机指令的组合来实现。
以上所述，仅为本申请的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。

Claims (10)

1.一种项目的风险等级的确定方法，其特征在于，所述方法包括：
构建范围风险评价指标体系；其中，所述范围风险评价指标体系包括：一级指标、多个二级指标以及多个三级指标；其中，每一个所述二级指标包括所述多个三级指标；
在利用神经网络模型对所述多个三级指标计算得到第一权重的情况下，基于所述第一权重计算每一个三级指标的系数；
基于层次分析法以及熵权法计算每一个所述二级指标的第二权重；
基于所述第二权重以及所述三级指标的系数计算得到二级指标的系数；
将所有所述二级指标的系数求和，并与预设的系数进行比对，生成第一比对结果；
基于所述第一比对结果确定项目的风险等级。
2.根据权利要求1所述的项目的风险等级的确定方法，其特征在于，所述基于层次分析法以及熵权法计算每一个所述二级指标的第二权重，包括：
基于二级指标构建第一判断矩阵；其中，所述第一判断矩阵的阶数与所述二级指标的数量相同；
将多个二级指标通过第一规则进行比对，生成第二比对结果；其中，所述第一规则用于表征多个二级指标中每两个二级指标进行比对；
确定第二比对结果的重要性程度；
基于所述第二比对结果的重要性程度构建第二判断矩阵；
基于所述第二判断矩阵计算每一个二级指标的权重向量；
基于所述权重向量构建二级指标的权重矩阵；
基于所述二级指标的权重矩阵计算每一个所述二级指标的第二权重。
3.根据权利要求2所述的项目的风险等级的确定方法，其特征在于，所述基于所述第二判断矩阵计算每一个二级指标的权重向量，包括：
基于所述第二判断矩阵，利用公式
Figure FDA0004168789200000021
计算得到多个第一向量；其中，所述pi为所述第一向量，所述Xij为所述重要性程度；m为所述二级指标的数量；j为每一列中二级指标的排序；
基于所述多个第一向量，利用公式
Figure FDA0004168789200000022
计算得到多个第二向量；其中，所述zi为所述第二向量；
基于所述第二向量，利用公式
Figure FDA0004168789200000023
计算得到每一个所述二级指标的所述权重向量；其中，所述si为所述权重向量。
4.根据权利要求2所述的项目的风险等级的确定方法，其特征在于，所述基于所述权重向量构建二级指标的权重矩阵，包括：
在每一个二级指标均含有多种权重向量时，将多种权重向量进行行列式拼接，以构建二级指标的权重矩阵。
5.根据权利要求4所述的项目的风险等级的确定方法，其特征在于，所述基于所述二级指标的权重矩阵计算每一个所述二级指标的第二权重，包括：
基于所述二级指标的权重矩阵，利用公式
Figure FDA0004168789200000024
计算得到熵值；其中，所述ej为所述熵值；
基于所述熵值，利用公式
Figure FDA0004168789200000025
权计算得到每一个所述二级指标的第二权重；其中，所述oj为所述第二权重，n为权重向量的种类。
6.根据权利要求2所述的项目的风险等级的确定方法，其特征在于，所述方法还包括：
对所述第二判断矩阵进行一致性校验，生成校验结果；
将所述校验结果与预设校验结果进行比对，生成第三比对结果；
在所述第三比对结果为所述校验结果不小于所述预设校验结果的情况下，对所述第二判断矩阵进行调整，直到所述校验结果小于所述预设校验结果为止。
7.根据权利要求6所述的项目的风险等级的确定方法，其特征在于，所述对所述第二判断矩阵进行一致性校验，生成校验结果，包括：
基于所述第二判断矩形利用Matlab软件计算得到特征根；
基于所述特征根，利用公式
Figure FDA0004168789200000031
计算得到一致性指标；其中，所述CI为所述一致性指标，所述λmax为所述特征根，m为所述二级指标的数量；
查表获得随机一致性指标；
基于所述随机一致性指标、所述一致性指标，利用公式
Figure FDA0004168789200000032
计算得到一致性比率；其中，所述CR为一致性比率，所述一致性校验比率为所述校验结果。
8.一种项目的风险等级的确定装置，其特征在于，所述装置包括：
构建模块，用于构建范围风险评价指标体系；其中，所述范围风险评价指标体系包括：一级指标、多个二级指标以及多个三级指标；其中，每一个所述二级指标包括所述多个三级指标；
第一计算模块，用于在利用神经网络模型对所述多个三级指标计算得到第一权重的情况下，基于所述第一权重计算每一个三级指标的系数；
第二计算模块，用于基于层次分析法以及熵权法计算每一个所述二级指标的第二权重；
第三计算模块，用于基于所述第二权重以及所述三级指标的系数计算得到二级指标的系数；
第一比对模块，用于将所有所述二级指标的系数求和，并与预设系数进行比对，生成第一比对结果；
确定模块，用于基于所述第一比对结果确定项目的风险等级。
9.一种电子设备，其特征在于，所述电子设备包括：处理器以及存储有计算机程序指令的存储器；
所述处理器执行所述计算机程序指令时实现如权利要求1-7任意一项所述的项目的风险等级的确定方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如权利要求1-7任意一项所述的项目的风险等级的确定方法。
CN202310369800.XA 2023-04-07 2023-04-07 项目的风险等级的确定方法、装置、设备及可读存储介质 Pending CN116307734A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310369800.XA CN116307734A (zh) 2023-04-07 2023-04-07 项目的风险等级的确定方法、装置、设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310369800.XA CN116307734A (zh) 2023-04-07 2023-04-07 项目的风险等级的确定方法、装置、设备及可读存储介质

Publications (1)

Publication Number Publication Date
CN116307734A true CN116307734A (zh) 2023-06-23

Family

ID=86830568

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310369800.XA Pending CN116307734A (zh) 2023-04-07 2023-04-07 项目的风险等级的确定方法、装置、设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN116307734A (zh)

Similar Documents

Publication Publication Date Title
CN112258093A (zh) 风险等级的数据处理方法及装置、存储介质、电子设备
CN109543710B (zh) 一种模型训练方法及相关设备
CN111612371A (zh) 一种基于层次分析法的智能电表质量评估方法
KR101995011B1 (ko) 구조방정식 모델을 활용한 특허 평가 방법, 그 방법을 수행하는 시스템 및 그 방법이 수행되는 컴퓨터 프로그램이 저장된 컴퓨터 판독 가능한 저장 매체
CN107256445A (zh) 生产环境安全性的分析方法、装置和系统
CN112464409B (zh) 车辆性能参数设定方法及装置
CN108121656A (zh) 一种软件评估方法和装置
CN111337956B (zh) 导航接收机性能综合评价方法及装置
CN112241808A (zh) 路面技术状况预测方法、装置、电子设备及存储介质
CN117272145A (zh) 转辙机的健康状态评估方法、装置和电子设备
CN116307734A (zh) 项目的风险等级的确定方法、装置、设备及可读存储介质
CN116627781A (zh) 目标模型验证方法以及装置
CN116662847A (zh) 一种基于关联密度聚类的数据失真识别方法及其应用
CN114363004B (zh) 风险评估方法、装置、计算机设备和存储介质
CN116415836A (zh) 一种面向智能电网信息系统的安全性评价方法
CN114066619A (zh) 担保圈风险确定方法、装置、电子设备和存储介质
CN115239502A (zh) 一种分析师模拟方法、系统、电子设备及存储介质
CN116957770A (zh) 一种识别金融欺诈的方法及装置
CN111026661B (zh) 一种软件易用性全面测试方法及系统
CN113889274A (zh) 一种孤独症谱系障碍的风险预测模型构建方法及装置
CN113052582B (zh) 一种账单校验的方法、装置、设备及计算机存储介质
Yazdi et al. An optimization model for designing acceptance sampling plan based on cumulative count of conforming run length using minimum angle method
CN114219307A (zh) 产品确定方法、装置、设备及计算机存储介质
CN116523627A (zh) 授信额度预测方法、装置、设备、介质及产品
CN117726173A (zh) 建筑施工安全风险预警方法、装置、电子设备及存储介质

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