CN116433081A - 企业科创潜力评估方法、系统及计算机可读存储介质 - Google Patents

企业科创潜力评估方法、系统及计算机可读存储介质 Download PDF

Info

Publication number
CN116433081A
CN116433081A CN202310286322.6A CN202310286322A CN116433081A CN 116433081 A CN116433081 A CN 116433081A CN 202310286322 A CN202310286322 A CN 202310286322A CN 116433081 A CN116433081 A CN 116433081A
Authority
CN
China
Prior art keywords
project
item
enterprise
index
scale
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
CN202310286322.6A
Other languages
English (en)
Inventor
石冀
郭利
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.)
NATIONAL SUPERCOMPUTING CENTER IN SHENZHEN (SHENZHEN CLOUD COMPUTING CENTER)
Original Assignee
NATIONAL SUPERCOMPUTING CENTER IN SHENZHEN (SHENZHEN CLOUD COMPUTING CENTER)
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 NATIONAL SUPERCOMPUTING CENTER IN SHENZHEN (SHENZHEN CLOUD COMPUTING CENTER) filed Critical NATIONAL SUPERCOMPUTING CENTER IN SHENZHEN (SHENZHEN CLOUD COMPUTING CENTER)
Priority to CN202310286322.6A priority Critical patent/CN116433081A/zh
Publication of CN116433081A publication Critical patent/CN116433081A/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
    • G06Q10/0639—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)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种企业科创潜力评估方法、系统及计算机可读存储介质，方法包括：收集待评估企业的已验收项目及未验收项目的项目指标信息；对未验收项目相对已验收项目所缺乏的项目指标信息进行预测补全；针对每一个项目，利用项目指标信息从多个维度计算得到多个项目评价指标，基于所有项目评价指标计算每一个项目的项目综合得分；基于全部项目的项目综合得分评估出待评估企业的项目承接能力；基于企业申办项目时的规模指标计算得到待评估企业的企业规模；基于项目承接能力和企业规模评估得到企业的企业科创潜力；本发明基于现在与未来的数据从多维度对项目综合得分进行评价，同时考虑企业规模与项目承接能力，能够对中小型企业的科创潜力进行精准识别。

Description

企业科创潜力评估方法、系统及计算机可读存储介质
技术领域
本发明涉及计算机技术领域，尤其涉及一种企业科创潜力评估方法、系统及计算机可读存储介质。
背景技术
科技创新能力是科技企业成长的重要影响因素之一，现有的企业评价方法，主要是根据企业的创新能力或企业的综合实力等单一维度进行评价；也有使用GRA(灰色关联分析法)进行评价的研究，比如企业的创新能力评价、对企业风险投资的案例研究等，但目前还没有基于企业规模和科研能力对企业的科创潜力进行分析的应用。关于企业科创潜力的研究方面，有研究基于文章引用数对初创企业潜力发展方向进行识别与预测，也有研究基于相关度矩阵与赋权提出全新的企业潜力评估方法，这些都是相关性很强的研究，但这些研究都没有考虑企业本身规模与未完成项目对企业潜力的影响。正是因为现有的企业潜力评价模型未对企业规模在企业潜力评价模型中进行定位，直接使用相关度矩阵进行对应分析，导致一些大规模的企业在潜力模型中的比重大，一些中小型企业可能拥有对应较高的科创水平，但真正有潜力的中小型企业因为规模小、知名度较低，导致被忽视，无法受到足够的重视。
总而言之，目前的企业评价方法，很难精准衡量公司未来的潜力期望，特别是无法对中小型企业的科创潜力进行精准识别。
发明内容
本发明要解决的技术问题在于，针对现有技术的上述企业评价方法存在的精准性不够的缺陷，为了精准衡量公司未来的潜力期望并综合评价企业发展态势，提供一种基于现在与未来数据的、同时考虑企业规模与项目承接能力的企业科创潜力评估方法、系统及计算机可读存储介质，能够对中小型企业的科创潜力进行精准识别，具备更好的适用性。
本发明解决其技术问题所采用的技术方案是：
一方面，构造一种企业科创潜力评估方法，所述方法包括：
收集待评估企业的已验收项目的多个项目指标信息、未验收项目的项目指标信息；
基于机器学习模型对未验收项目相对已验收项目所缺乏的项目指标信息进行预测补全，所述机器学习模型是预先利用已验收项目的数据作为样本训练得到；
针对每一个项目，利用项目指标信息从多个维度计算得到多个项目评价指标，基于所有项目评价指标计算每一个项目的项目综合得分；
基于全部项目的项目综合得分评估出待评估企业的项目承接能力；
基于企业在申办每个项目时的规模指标计算得到待评估企业的企业规模；
基于所述项目承接能力和企业规模评估得到待评估企业的企业科创潜力。
进一步地，在本发明所述的企业科创潜力评估方法中，收集的所述项目指标信息包括项目验收之前产生的第一类项目指标信息和项目验收才产生的第二类项目指标信息，第二类项目指标信息是未验收项目相对已验收项目所缺乏的项目指标信息；
第一类项目指标信息包括项目的签订日期、反映项目的支出或/和收益情况的多个项目收支指标；所述第二类项目指标信息包括项目的逾期时间、项目的验收结果。
进一步地，在本发明所述的企业科创潜力评估方法中，多个项目评价指标包括项目逾期指标、项目完成指标、项目效益指标、签订时间指标，所述的利用项目指标信息从多个维度计算得到多个项目评价指标，包括：
基于项目的逾期时间，使用函数映射法定义项目逾期指标；
基于项目的验收结果，使用二元判断赋值项目完成指标；
基于多个项目收支指标，使用灰色关联分析-优劣解距离法计算得到每一个项目的项目效益指标；
基于项目的签订日期，按照越靠近当前时间的项目所占的权重越大的原则，使用函数映射法定义项目的签订时间指标。
进一步地，在本发明所述的企业科创潜力评估方法中，所述的基于所有项目评价指标计算每一个项目的项目综合得分，包括：将项目的逾期指标、完成指标、效益指标、签订时间指标累乘的结果作为项目综合得分
Figure BDA0004162416880000031
所述的基于全部项目的项目综合得分评估出待评估企业的项目承接能力，包括：将所有项目的项目综合得分累加的结果作为项目承接能力
Figure BDA0004162416880000032
其中，ζi、εi、ηi、
Figure BDA0004162416880000033
σi分别表示第i个项目的综合得分、逾期指标、完成指标、效益指标、签订时间指标，C表示项目承接能力。
进一步地，在本发明所述的企业科创潜力评估方法中，所述的基于多个项目收支指标，使用灰色关联分析-优劣解距离法计算得到每一个项目的项目效益指标，包括：
基于各个项目的多个项目收支指标构造原始矩阵，每一个项目收支指标对应原始矩阵的一列，每个项目对应原始矩阵的一行；
将原始矩阵变换为标准矩阵；
确定各项目收支指标的权重；
确定最优方案及最劣方案：将标准矩阵中体现项目成本的那个项目收支指标所对应的一条向量取最小值，其他项目收支指标所对应的向量分别取最大值，构成最优方案；将标准矩阵中体现项目成本的那个项目收支指标所对应的一条向量取最大值，其他项目收支指标所对应的向量分别取最小值，构成最劣方案；
计算并规范化各项目与最优方案、最劣方案的距离相似度以及灰色关联度；
基于规范化后的距离相似度和灰色关联度，计算各项目与最优方案、最劣方案的综合关联程度；
计算各项目与最优方案的贴近程度作为各项目的项目效益指标。
进一步地，在本发明所述的企业科创潜力评估方法中，所述的基于企业在申办每个项目时的规模指标计算得到待评估企业的企业规模，包括：获取待评估企业的每一个项目所对应的规模指标，将所有的项目所对应的规模指标求平均得到待评估企业的企业规模
Figure BDA0004162416880000041
μj表示企业在申办第j个项目时的规模指标，S表示企业规模。
进一步地，在本发明所述的企业科创潜力评估方法中，所述的获取待评估企业的每一个项目所对应的规模指标，包括：
获取企业的多种规模分指标，基于各个项目的多种规模分指标构造原始矩阵，每一个规模分指标对应原始矩阵的一列，每个项目对应原始矩阵的一行；
将原始矩阵变换为标准矩阵；
确定各规模分指标的权重；
基于得到的权重，对标准矩阵中的规模分指标通过加权累加方式计算得到每一个项目所对应的规模指标。
进一步地，在本发明所述的企业科创潜力评估方法中，所述方法还包括：预先利用采集的一批已验收项目的数据作为样本数据对梯度提升回归模型进行训练，所述样本数据包括作为模型输入的项目申报企业的多种规模分指标、项目实际效益，以及作为模型输出的项目的逾期时间、项目的验收结果；
所述的基于机器学习模型对未验收项目相对已验收项目所缺乏的项目指标信息进行预测补全，包括：将未验收项目的多种规模分指标、项目预计效益输入所述梯度提升回归模型，获取梯度提升回归模型输出的项目的逾期时间、项目的验收结果。
进一步地，在本发明所述的企业科创潜力评估方法中，所述的基于所述项目承接能力和企业规模评估得到待评估企业的企业科创潜力，包括：
将多个待评估企业的项目承接能力和企业规模进行归一化处理，按照计算式
Figure BDA0004162416880000051
计算得到第i个企业的企业科创潜力，其中f()表示归一化处理，Ci表示第i个企业的项目承接能力，Si表示第i个企业的企业规模，λ为0-1之间的一个常数。
二方面，构造一种企业科创潜力评估系统，包括：
收集模块，用于收集待评估企业的已验收项目的多个项目指标信息、未验收项目的项目指标信息；
数据预测模块，用于基于机器学习模型对未验收项目相对已验收项目所缺乏的项目指标信息进行预测补全，所述机器学习模型是预先利用已验收项目的数据作为样本训练得到；
项目综合得分计算模块，用于针对每一个项目，利用项目指标信息从多个维度计算得到多个项目评价指标，基于所有项目评价指标计算每一个项目的项目综合得分；
项目承接能力评估模块，用于基于全部项目的项目综合得分评估出待评估企业的项目承接能力；
企业规模评估模块，用于基于企业在申办每个项目时的规模指标计算得到待评估企业的企业规模；
潜力评估模块，用于基于所述项目承接能力和企业规模评估得到待评估企业的企业科创潜力。
三方面，构造一种企业科创潜力评估系统，包括处理器和存储器，所述存储器存储有计算机程序，所述计算机程序被处理器执行时实现如前任一项所述的方法的步骤。
四方面，构造一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现如前任一项所述的方法的步骤。
本发明的企业科创潜力评估方法、系统及计算机可读存储介质，具有以下有益效果：本发明收集的数据来源于已验收项目和未验收项目，基于机器学习模型对未验收项目相对已验收项目所缺乏的项目指标信息进行预测补全，也就是说本发明的数据基于是现在与未来数据的；针对每一个项目，利用项目指标信息从多个维度计算得到多个项目评价指标，基于所有项目评价指标计算每一个项目的项目综合得分，因此可以从多维度对项目综合得分进行评价；而且，是基于全部项目的项目综合得分评估出待评估企业的项目承接能力，基于企业在申办每个项目时的规模指标计算得到待评估企业的企业规模，基于所述项目承接能力和企业规模评估得到待评估企业的企业科创潜力，如此，同时考虑企业规模与项目承接能力，总而言之，能够对中小型企业的科创潜力进行精准识别，具备更好的适用性。
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，还可以根据提供的附图获得其他的附图：
图1是实施例一的企业科创潜力评估方法的流程图；
图2是项目效益指标的计算过程示意图；
图3是企业规模的构建过程示意图；
图4是实施例二的企业科创潜力评估系统的结构示意图。
具体实施方式
针对现有企业评价方法存在的精准性不够的问题，本发明在对企业进行评估时，从多个方面提升评价的准确度，首先，本发明收集的数据不仅仅包括已验收项目的项目指标信息，还包括未验收项目的项目指标信息，对于对未验收项目相对已验收项目所缺乏的项目指标信息进行预测补全，本发明基于机器学习模型行预测补全，也就是说本发明的数据基于是现在与未来数据的；其次，本发明在评估时，针对每一个项目，利用项目指标信息从多个维度计算得到多个项目评价指标，基于所有项目评价指标计算每一个项目的项目综合得分，因此可以从多维度对项目综合得分进行评价；再次，本发明是基于全部项目的项目综合得分评估出待评估企业的项目承接能力，基于企业在申办每个项目时的规模指标计算得到待评估企业的企业规模，基于所述项目承接能力和企业规模评估得到待评估企业的企业科创潜力，如此，同时考虑企业规模与项目承接能力；如此，本发明具备更好的适用性，能够对中小型企业的科创潜力进行精准识别，具备更好的适用性。
为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的典型实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。应当理解本发明实施例以及实施例中的具体特征是对本申请技术方案的详细的说明，而不是对本申请技术方案的限定，在不冲突的情况下，本发明实施例以及实施例中的技术特征可以相互组合。
实施例一
参考图1，本发明的企业科创潜力评估方法包括：
S1：收集待评估企业的已验收项目的多个项目指标信息、未验收项目的项目指标信息；
收集到项目指标信息，需要进行特征提取，例如去除数据集中空白值较多的指标与一些指标的异常值。
所收集的项目指标信息包括项目验收之前产生的第一类项目指标信息和项目验收才产生的第二类项目指标信息。也就是说已验收项目的项目指标信息包括第一类项目指标信息和第二类项目指标信息，而未验收项目的项目指标信息仅包括第一类项目指标信息，第二类项目指标信息是未验收项目相对已验收项目所缺乏的项目指标信息。
需要注意的是，未验收项目，既包括已经在实施中的项目，也包括还没开工甚至还没签订但是即将开工或者即将签订的项目。另外，本方法适用于同时对多个企业进行评估，在评估时，既可以收集各个企业全部的项目数据，也可以是统一收集的相同时间段内的数据，比如每个企业都是收集的前面5年内的已验收项目的数据和未来1年的项目的数据。总之，所收集的项目数据对于项目的启动时间理论上是可以不做限制的。
本实施例中，第一类项目指标信息包括项目的签订日期、反映项目的支出或/和收益情况的多个项目收支指标。项目的签订日期，包括已经签订的项目的签订日期，也包括即将签订项目的签订日期，项目的签订日期不管项目是否验收都是可以确定的。项目收支指标，例如可以是基于项目能够产生的净利润、能够培养的人才数、申请的专利数等评价指标，因为项目会有计划书，未验收项目的这些指标是以计划书内的对应指标为准，而对于已验收项目，这些指标就无需参考项目计划书，可以根据项目的实际实施情况确定。
本实施例中，所述第二类项目指标信息包括项目的逾期时间、项目的验收结果。逾期时间是项目验收时间减去项目计划完成时间。项目的验收结果为验收通过或者验收不通过。对于未验收项目，逾期时间、项目的验收结果是完全由验收事件来决定的，因此在未验收之前是无法确定的。
S2：基于机器学习模型对未验收项目相对已验收项目所缺乏的项目指标信息进行预测补全；
前面提到，对于未验收项目，逾期时间、项目的验收结果在未验收之前是无法确定的。本发明为了能够将未来的项目纳入企业的考量范畴，提升评价的精准性，提出为未验收项目补全项目指标信息从而参与后续的企业评价，为此预先利用已验收项目的数据作为样本训练所述机器学习模型，然后利用训练好的机器学习模型来预测未验收项目所缺乏的项目指标信息。
本实施例选用的机器学习模型是梯度提升回归模型，下面介绍此模型的输入、输出、训练以及使用进行详细阐述。
具体来说，预先利用采集的一批已验收项目的数据作为样本数据对梯度提升回归模型进行训练。所述样本数据包括作为模型输入的项目申报企业的多种规模分指标、项目实际效益，以及作为模型输出的项目的逾期时间、项目的验收结果。在训练时，可以将已有数据按8:2随机分为训练集和测试集，通过网格搜索法确定最优参数，得到在测试集上最好的训练模型。然后，将未验收项目的多种规模分指标、项目预计效益输入所述梯度提升回归模型，获取梯度提升回归模型输出的项目的逾期时间、项目的验收结果。其中，多种规模分指标可以是企业的办公用房面积、总资产、营业收入、从业人数等指标。训练时输入模型的是项目实际效益，如项目实际培养的人才数、项目的实际支出等。预测时输入的是项目预计效益，项目预计效益可以是计划书中的一些指标，如项目计划培养的人才数、项目的计划支出等。
按照未验收的项目情况对项目逾期时间与项目完成情况进行预测，预测的结果纳入后续企业潜力评价考虑范畴，这样做能够相对准确地将未验收的项目纳入评价体系中，对当前企业的潜力评价方式有更有参考价值的指导意义。反之如果不纳入这部分未验收的数据，那么企业最近所申报的项目就无法纳入潜力评价模型中，导致最终评价的情况不具备完整性。
S3：针对每一个项目，利用项目指标信息从多个维度计算得到多个项目评价指标，基于所有项目评价指标计算每一个项目的项目综合得分；
本实施例中，多个项目评价指标具体包括项目逾期指标、项目完成指标、项目效益指标、签订时间指标。其中的项目效益指标、签订时间指标是基于第一类项目指标信息计算的，项目逾期指标、项目完成指标是需要基于第二类项目指标信息计算的。下面对四个指标的计算过程进行详细阐述。
1)项目逾期指标，记为ε：
本实施例是基于项目的逾期时间，使用函数映射法定义项目逾期指标ε，具体的：
Figure BDA0004162416880000111
其中，
Figure BDA0004162416880000112
表示所有项目逾期时间的99％分位点，就是将所有预期项目按照逾期时间递减的方式依次排序，取排序时最接近排在99％的那个项目的逾期时间赋值给d。
其中，tdecay表示项目的逾期时间。εstart、εend均为自定义的常数，通常取0.99、0.01。t0为人为确定的阈值，其取值使得tdecay＝0时，
Figure BDA0004162416880000113
的值为0.1。
2)项目完成指标，记为η：
本实施例是基于项目的验收结果，使用二元判断赋值项目完成指标η，具体的：
Figure BDA0004162416880000114
可以理解的是，以上赋值仅仅是一个示例，也可以根据情况调制具体赋值的数值，只要保证验收结果是验收通过时的赋值明显大于验收结果是验收不通过时的赋值，即可。
3)项目效益指标，记为
Figure BDA0004162416880000115
本实施例是基于多个项目收支指标，使用灰色关联分析-优劣解距离法计算得到每一个项目的项目效益指标，具体包括：
S301：基于各个项目的多个项目收支指标构造原始矩阵X，每一个项目收支指标对应原始矩阵的一列，每个项目对应原始矩阵的一行。
假设有n个项目，每一个项目有m个项目收支指标，则原始矩阵X为：
Figure BDA0004162416880000121
该矩阵中第i行第j列的元素xij表示第i个项目的第j个项目收支指标。
S302：将原始矩阵变换为标准矩阵Z；
标准化方法不做限制，本实施例使用Z-score标准化方式。具体是，求出每列的平均值和标准差；对于每个元素，用它减去相应列的平均值，再除以该列的标准差，即可得到该元素的z-score值；最终得到的矩阵每列的均值为0，标准差为1，即完成了z-score标准化。
例如，标准化之后的标准矩阵Z如下：
Figure BDA0004162416880000122
假设原始矩阵X为X＝(x1,x2,…,xn)，进行Z-score变换后得到新序列z＝(z1,z2,…,zn)：
Figure BDA0004162416880000123
其中/>
Figure BDA0004162416880000124
因为E[Z]＝0,Var[Z]＝1，能够消除量纲的影响。
S303：确定各项目收支指标的权重；
本实施例使用熵权法确定权重：
Figure BDA0004162416880000125
其中，ej为各项目收支指标的熵值，计算方法为：
Figure BDA0004162416880000126
其中，k与样本数量有关，常取k＝(lnn)-1。此外，若zij＝0，则令zijlnzij＝0。
S304：确定最优方案Z+及最劣方案Z-：
最优方案Z+应为实际支出最小，同时其他效益最大的项目。若将标准矩阵中体现项目成本的那个项目收支指标标记为ZL，假定ZL是标准矩阵Z中的第L列，则最优方案Z+是将标准矩阵Z中ZL所对应的一条列向量取最小值，其他项目收支指标所对应的列向量(即第L列)分别取最大值；最劣方案Z-是将标准矩阵Z中ZL所对应的一条列向量(即第L列)取最大值，其他项目收支指标所对应的列向量分别取最小值，如下：
Z+＝(Z1 +，Z2 +，…，Zm +)＝(max{z11，z21，…zn1}，…，min{z1L，z2L，…znL}，…，max{Z1m，Z2m，…znm})；
Figure BDA0004162416880000131
S305：计算并规范化各项目与最优方案Z+、最劣方案Z-的距离相似度
Figure BDA0004162416880000132
Figure BDA0004162416880000133
以及与最优方案Z+、最劣方案Z-的灰色关联度Ki +、Ki -；
Figure BDA0004162416880000134
Figure BDA0004162416880000135
Figure BDA0004162416880000136
K+＝(K1 +，K2 +，…，Kn +)，
Figure BDA0004162416880000137
K-＝(K1 -，K2 -，…，Kn -)，
Figure BDA0004162416880000138
其中ρ(一般取0.5计算)为分辨系数，用于矩阵中分辨各对象(矩阵的一个对象具体是代表本发明的一个项目)中与理想对象(最优方案Z+或者最劣方案Z-)差距最大者对其他对象的影响程度。
S306：基于规范化后的距离相似度和灰色关联度，计算各项目与最优方案Z+、最劣方案Z-的综合关联程度
Figure BDA0004162416880000141
具体的：
Figure BDA0004162416880000142
Figure BDA0004162416880000143
表示第i个评价对象与正理想对象在距离上的相近程度和在形状上的关联程度，其值越大表示该评价对象的评价结果越好；/>
Figure BDA0004162416880000144
表示第i个评价对象与负理想对象在距离上的相近程度和在形状上的关联程度，α+β＝1，常取α＝β＝0.5。
S307：计算各项目与最优方案Z+的贴近程度作为各项目的项目效益指标
Figure BDA0004162416880000145
Figure BDA0004162416880000146
4)签订时间指标，记为σ：
具体的，基于项目的签订日期，按照越靠近当前时间的项目所占的权重越大的原则，使用函数映射法定义项目的签订时间指标。这样一是可以分析出企业最近接收项目的情况，从而得到更加合理的当前时间点企业的潜力模型；二是可以便于分析企业的完成项目发展趋势。
本实施例中，项目的签订时间指标σ定义如下，取
Figure BDA0004162416880000147
Figure BDA0004162416880000148
可以理解的是，以上仅为一个示例，并非用于限制本发明，只要保证项目的签订日期按照越靠近当前时间的项目所占的权重越大的原则进行映射，都在本发明的保护范围之内。
计算出上面的逾期指标、完成指标、效益指标、签订时间指标之后，将项目的逾期指标、完成指标、效益指标、签订时间指标累乘的结果作为项目综合得分
Figure BDA0004162416880000151
其中，ζi、εi、ηi、/>
Figure BDA0004162416880000152
σi分别表示第i个项目的综合得分、逾期指标、完成指标、效益指标、签订时间指标。
S4：基于全部项目的项目综合得分评估出待评估企业的项目承接能力；
具体的，将所有n个项目的项目综合得分累加的结果作为项目承接能力
Figure BDA0004162416880000153
其中，C表示项目承接能力。本实施例是一次性对多个企业(记为k个)进行潜力评估，暂且将他们的项目承接能力标记为C1，…，Ck。
S5：基于企业在申办每个项目时的规模指标计算得到待评估企业的企业规模；
具体的，参考图3，企业规模的构建过程是：
S501：获取企业的多种规模分指标，基于各个项目的多种规模分指标构造原始矩阵，每一个规模分指标对应原始矩阵的一列，每个项目对应原始矩阵的一行；
比如说，有r个项目，每一个项目申办时的规模分指标有y个，则原始矩阵X为：
Figure BDA0004162416880000154
该矩阵中第j行第i列的元素xji表示第j个项目的第i个规模分指标。
S502：将原始矩阵变换为标准矩阵；
标准化方法不做限制，本实施例使用Z-score标准化方式。具体是，求出每列的平均值和标准差；对于每个元素，用它减去相应列的平均值，再除以该列的标准差，即可得到该元素的z-score值；最终得到的矩阵每列的均值为0，标准差为1，即完成了z-score标准化。
例如，标准化之后的标准矩阵Z如下：
Figure BDA0004162416880000161
假设原始矩阵X为X＝(x1,x2,…,xr)，进行Z-score变换后得到新序列z＝(z1,z2,…,zr)：
Figure BDA0004162416880000162
其中/>
Figure BDA0004162416880000163
S503：确定各规模分指标的权重；
本实施例使用熵权法确定权重：
Figure BDA0004162416880000164
其中，ei为各规模分指标的熵值，计算方法为：
Figure BDA0004162416880000165
其中，k与样本数量有关，常取k＝(lnr)-1。此外，若zij＝0，则令zijlnzij＝0。
S504：基于得到的权重，对标准矩阵中的规模分指标通过加权累加方式计算得到每一个项目所对应的规模指标。
具体的，第j个项目的规模指标μj如下：
Figure BDA0004162416880000166
S505：将所有的项目所对应的规模指标求平均得到待评估企业的企业规模
Figure BDA0004162416880000167
μj表示企业在申办第j个项目时的规模指标，S表示企业规模。
本实施例是一次性对k个企业进行潜力评估，暂且将他们的项目承接能力标记为S1，…，Sk。
S6：基于所述项目承接能力和企业规模评估得到待评估企业的企业科创潜力。
本实施例中是同时评估多个企业的潜力，各个企业科创潜力由带平滑系数的除法得出，具体的，将多个待评估企业的项目承接能力和企业规模进行归一化处理，按照计算式
Figure BDA0004162416880000171
计算得到第i个企业的企业科创潜力，i为1、2、…、k。如此，可以通过比较ψi来比对各个企业的科创潜力。
其中，Ci表示第i个企业的项目承接能力，Si表示第i个企业的企业规模，该计算式也即本实施例的企业潜力模型。λ是平滑系数，为0-1之间的一个常数，λ越小，则说明潜力评估时越侧重企业规模，λ越大，则说明潜力评估时越侧重项目承接能力。
其中，f()表示归一化处理，具体归一化处理方式是：将待归一化的数据减去同类数据的最小值后，再比上同类数据的最大值与最小值的差值。比如说，K个企业的项目承接能力依次为C1，…，Ck，则地第i个企业的项目承接能力的归一化方式是：
Figure BDA0004162416880000172
比如说，K个企业的企业规模依次为S1，…，Sk，则地第i个企业的企业规模的归一化方式是：/>
经过实验验证，本实施例能够有效对各个项目的完成情况进行区分。在数据集上实现后，能够有效地找到具备潜力的中小型企业。大型企业会因为规模指标较大，导致其潜力得分不高。从潜力的定义角度与计算方式来看，出现这种情况是合理的。
需要说明的是，本实施例中关于项目指标信息的预测、项目效益指标、企业规模的计算仅为一个示例，并非用于限制本发明，如还可使用其他机器学习模型对项目相关信息进行预测，还可使用层次分析法或主成分分析法、模糊数学评价法代替熵权法进行评价。
本实施例的企业科创潜力评估方法，具有以下优点：
1)在评估公司潜力时综合分析了企业的规模指标与项目承接能力指标，并给出了更加合理的企业潜力模型，基于企业的承接项目相关数据，对企业的潜力进行建模分析，并同时解决了中小企业的潜力挖掘问题，使得模型能够有效识别出具备潜力的中小型企业。
2)使用梯度提升回归方法预测未验收项目的相关指标，由于纳入最近的数据，能够更加有效地分析最近时间段内企业的潜力。
3)使用的熵权灰色关联分析-优劣解距离法给出的项目效益评价指标，该评价指标能够以比较科学的方式对每个项目进行评价。
4)项目逾期指标、项目完成指标、项目效益指标、签订时间指标多维度指标对项目综合得分进行评价。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read Only Memory，ROM)或随机存储记忆体(RandomABBessMemory，RAM)等。
实施例二
参考图4，基于同一发明构思，本实施例公开了一种企业科创潜力评估系统，包括：收集模块1、数据预测模块2、项目综合得分计算模块3、项目承接能力评估模块4、企业规模评估模块5、潜力评估模块6。
收集模块1，用于收集待评估企业的已验收项目的多个项目指标信息、未验收项目的项目指标信息。收集的所述项目指标信息包括项目验收之前产生的第一类项目指标信息和项目验收才产生的第二类项目指标信息，第二类项目指标信息是未验收项目相对已验收项目所缺乏的项目指标信息。本实施例中，第一类项目指标信息包括项目的签订日期、反映项目的支出或/和收益情况的多个项目收支指标。项目的签订日期，包括已经签订的项目的签订日期，也包括即将签订项目的签订日期，项目的签订日期不管项目是否验收都是可以确定的。项目收支指标，例如可以是基于项目能够产生的净利润、能够培养的人才数、申请的专利数等评价指标，因为项目会有计划书，未验收项目的这些指标是以计划书内的对应指标为准，而对于已验收项目，这些指标就无需参考项目计划书，可以根据项目的实际实施情况确定。本实施例中，所述第二类项目指标信息包括项目的逾期时间、项目的验收结果。逾期时间是项目验收时间减去项目计划完成时间。项目的验收结果为验收通过或者验收不通过。对于未验收项目，逾期时间、项目的验收结果是完全由验收事件来决定的，因此在未验收之前是无法确定的。
数据预测模块2，用于基于机器学习模型对未验收项目相对已验收项目所缺乏的项目指标信息进行预测补全。具体来说，预先利用采集的一批已验收项目的数据作为样本数据对梯度提升回归模型进行训练，所述样本数据包括作为模型输入的项目申报企业的多种规模分指标、项目实际效益，以及作为模型输出的项目的逾期时间、项目的验收结果。预测时，将未验收项目的多种规模分指标、项目预计效益输入所述梯度提升回归模型，获取梯度提升回归模型输出的项目的逾期时间、项目的验收结果即可。
项目综合得分计算模块3，用于针对每一个项目，利用项目指标信息从多个维度计算得到多个项目评价指标，基于所有项目评价指标计算每一个项目的项目综合得分。
本实施例中，多个项目评价指标具体包括项目逾期指标、项目完成指标、项目效益指标、签订时间指标。其中的项目效益指标、签订时间指标是基于第一类项目指标信息计算的，项目逾期指标、项目完成指标是需要基于第二类项目指标信息计算的。
具体来说，基于项目的逾期时间，使用函数映射法定义项目逾期指标；
具体来说，基于项目的验收结果，使用二元判断赋值项目完成指标；
具体来说，基于多个项目收支指标，使用灰色关联分析-优劣解距离法计算得到每一个项目的项目效益指标，包括：基于各个项目的多个项目收支指标构造原始矩阵，每一个项目收支指标对应原始矩阵的一列，每个项目对应原始矩阵的一行；将原始矩阵变换为标准矩阵；确定各项目收支指标的权重；确定最优方案及最劣方案：将标准矩阵中体现项目成本的那个项目收支指标所对应的一条向量取最小值，其他项目收支指标所对应的向量分别取最大值，构成最优方案；将标准矩阵中体现项目成本的那个项目收支指标所对应的一条向量取最大值，其他项目收支指标所对应的向量分别取最小值，构成最劣方案；计算并规范化各项目与最优方案、最劣方案的距离相似度以及灰色关联度；基于规范化后的距离相似度和灰色关联度，计算各项目与最优方案、最劣方案的综合关联程度；计算各项目与最优方案的贴近程度作为各项目的项目效益指标。
具体来说，基于项目的签订日期，按照越靠近当前时间的项目所占的权重越大的原则，使用函数映射法定义项目的签订时间指标。
具体来说，项目综合得分将项目的逾期指标、完成指标、效益指标、签订时间指标累乘的结果。
项目承接能力评估模块4，用于基于全部项目的项目综合得分评估出待评估企业的项目承接能力。具体的，将所有项目的项目综合得分累加的结果作为项目承接能力。
企业规模评估模块5，用于基于企业在申办每个项目时的规模指标计算得到待评估企业的企业规模。具体的，获取企业的多种规模分指标，基于各个项目的多种规模分指标构造原始矩阵，每一个规模分指标对应原始矩阵的一列，每个项目对应原始矩阵的一行；将原始矩阵变换为标准矩阵；确定各规模分指标的权重；基于得到的权重，对标准矩阵中的规模分指标通过加权累加方式计算得到每一个项目所对应的规模指标；将所有的项目所对应的规模指标求平均得到待评估企业的企业规模。
潜力评估模块6，用于基于所述项目承接能力和企业规模评估得到待评估企业的企业科创潜力。具体是，将多个待评估企业的项目承接能力和企业规模进行归一化处理，按照计算式
Figure BDA0004162416880000211
计算得到第i个企业的企业科创潜力，其中f()表示归一化处理，Ci表示第i个企业的项目承接能力，Si表示第i个企业的企业规模，λ为0-1之间的一个常数。
上面的各个模块与实施例一中的各个步骤是一一对应的，因此，更多详细内容可以参考实施例一。
上述描述涉及各种模块。这些模块通常包括硬件和/或硬件与软件的组合(例如固化软件)。这些模块还可以包括包含指令(例如，软件指令)的计算机可读介质(例如，永久性介质)，当处理器执行这些指令时，就可以执行本发明的各种功能性特点。相应地，除非明确要求，本发明的范围不受实施例中明确提到的模块中的特定硬件和/或软件特性的限制。需要指出的是，上文对各种模块的描述中，分割成这些模块，是为了说明清楚。然而，在实际实施中，各种模块的界限可以是模糊的。例如，本文中的任意或所有功能性模块可以共享各种硬件和/或软件元件。又例如，本文中的任何和/或所有功能模块可以由共有的处理器执行软件指令来全部或部分实施。另外，由一个或多个处理器执行的各种软件子模块可以在各种软件模块间共享。相应地，除非明确要求，本发明的范围不受各种硬件和/或软件元件间强制性界限的限制。
实施例三
基于同一发明构思，本实施例公开了一种企业科创潜力评估系统，包括处理器和存储器，所述存储器存储有计算机程序，所述计算机程序被处理器执行时实现如实施例一所述的方法的步骤，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。
实施例四
基于同一发明构思，本实施例公开了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现如实施例一所述的方法的步骤，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。
本说明书中使用的“第一”、“第二”等包含序数的术语可用于说明各种构成要素，但是这些构成要素不受这些术语的限定。使用这些术语的目的仅在于将一个构成要素区别于其他构成要素。例如，在不脱离本发明的权利范围的前提下，第一构成要素可被命名为第二构成要素，类似地，第二构成要素也可以被命名为第一构成要素。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
综上所述，本发明具有以下有益效果：收集的数据来源于已验收项目和未验收项目，基于机器学习模型对未验收项目相对已验收项目所缺乏的项目指标信息进行预测补全，也就是说本发明的数据基于是现在与未来数据的；针对每一个项目，利用项目指标信息从多个维度计算得到多个项目评价指标，基于所有项目评价指标计算每一个项目的项目综合得分，因此可以从多维度对项目综合得分进行评价；而且，是基于全部项目的项目综合得分评估出待评估企业的项目承接能力，基于企业在申办每个项目时的规模指标计算得到待评估企业的企业规模，基于所述项目承接能力和企业规模评估得到待评估企业的企业科创潜力，如此，同时考虑企业规模与项目承接能力，总而言之，能够对中小型企业的科创潜力进行精准识别，具备更好的适用性。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (12)

1.一种企业科创潜力评估方法，其特征在于，所述方法包括：
收集待评估企业的已验收项目的多个项目指标信息、未验收项目的项目指标信息；
基于机器学习模型对未验收项目相对已验收项目所缺乏的项目指标信息进行预测补全，所述机器学习模型是预先利用已验收项目的数据作为样本训练得到；
针对每一个项目，利用项目指标信息从多个维度计算得到多个项目评价指标，基于所有项目评价指标计算每一个项目的项目综合得分；
基于全部项目的项目综合得分评估出待评估企业的项目承接能力；
基于企业在申办每个项目时的规模指标计算得到待评估企业的企业规模；
基于所述项目承接能力和企业规模评估得到待评估企业的企业科创潜力。
2.根据权利要求1所述的企业科创潜力评估方法，其特征在于，收集的所述项目指标信息包括项目验收之前产生的第一类项目指标信息和项目验收才产生的第二类项目指标信息，第二类项目指标信息是未验收项目相对已验收项目所缺乏的项目指标信息；
第一类项目指标信息包括项目的签订日期、反映项目的支出或/和收益情况的多个项目收支指标；所述第二类项目指标信息包括项目的逾期时间、项目的验收结果。
3.根据权利要求2所述的企业科创潜力评估方法，其特征在于，多个项目评价指标包括项目逾期指标、项目完成指标、项目效益指标、签订时间指标，所述的利用项目指标信息从多个维度计算得到多个项目评价指标，包括：
基于项目的逾期时间，使用函数映射法定义项目逾期指标；
基于项目的验收结果，使用二元判断赋值项目完成指标；
基于多个项目收支指标，使用灰色关联分析-优劣解距离法计算得到每一个项目的项目效益指标；
基于项目的签订日期，按照越靠近当前时间的项目所占的权重越大的原则，使用函数映射法定义项目的签订时间指标。
4.根据权利要求3所述的企业科创潜力评估方法，其特征在于，
所述的基于所有项目评价指标计算每一个项目的项目综合得分，包括：将项目的逾期指标、完成指标、效益指标、签订时间指标累乘的结果作为项目综合得分
Figure FDA0004162416860000021
所述的基于全部项目的项目综合得分评估出待评估企业的项目承接能力，包括：将所有项目的项目综合得分累加的结果作为项目承接能力
Figure FDA0004162416860000022
其中，ζi、εi、ηi、
Figure FDA0004162416860000023
σi分别表示第i个项目的综合得分、逾期指标、完成指标、效益指标、签订时间指标，C表示项目承接能力。
5.根据权利要求3所述的企业科创潜力评估方法，其特征在于，所述的基于多个项目收支指标，使用灰色关联分析-优劣解距离法计算得到每一个项目的项目效益指标，包括：
基于各个项目的多个项目收支指标构造原始矩阵，每一个项目收支指标对应原始矩阵的一列，每个项目对应原始矩阵的一行；
将原始矩阵变换为标准矩阵；
确定各项目收支指标的权重；
确定最优方案及最劣方案：将标准矩阵中体现项目成本的那个项目收支指标所对应的一条向量取最小值，其他项目收支指标所对应的向量分别取最大值，构成最优方案；将标准矩阵中体现项目成本的那个项目收支指标所对应的一条向量取最大值，其他项目收支指标所对应的向量分别取最小值，构成最劣方案；
计算并规范化各项目与最优方案、最劣方案的距离相似度以及灰色关联度；
基于规范化后的距离相似度和灰色关联度，计算各项目与最优方案、最劣方案的综合关联程度；
计算各项目与最优方案的贴近程度作为各项目的项目效益指标。
6.根据权利要求1所述的企业科创潜力评估方法，其特征在于，
所述的基于企业在申办每个项目时的规模指标计算得到待评估企业的企业规模，包括：获取待评估企业的每一个项目所对应的规模指标，将所有的项目所对应的规模指标求平均得到待评估企业的企业规模
Figure FDA0004162416860000031
μj表示企业在申办第j个项目时的规模指标，S表示企业规模。
7.根据权利要求6所述的企业科创潜力评估方法，其特征在于，所述的获取待评估企业的每一个项目所对应的规模指标，包括：
获取企业的多种规模分指标，基于各个项目的多种规模分指标构造原始矩阵，每一个规模分指标对应原始矩阵的一列，每个项目对应原始矩阵的一行；
将原始矩阵变换为标准矩阵；
确定各规模分指标的权重；
基于得到的权重，对标准矩阵中的规模分指标通过加权累加方式计算得到每一个项目所对应的规模指标。
8.根据权利要求1所述的企业科创潜力评估方法，其特征在于，所述方法还包括：预先利用采集的一批已验收项目的数据作为样本数据对梯度提升回归模型进行训练，所述样本数据包括作为模型输入的项目申报企业的多种规模分指标、项目实际效益，以及作为模型输出的项目的逾期时间、项目的验收结果；
所述的基于机器学习模型对未验收项目相对已验收项目所缺乏的项目指标信息进行预测补全，包括：将未验收项目的多种规模分指标、项目预计效益输入所述梯度提升回归模型，获取梯度提升回归模型输出的项目的逾期时间、项目的验收结果。
9.根据权利要求1所述的企业科创潜力评估方法，其特征在于，所述的基于所述项目承接能力和企业规模评估得到待评估企业的企业科创潜力，包括：
将多个待评估企业的项目承接能力和企业规模进行归一化处理，按照计算式
Figure FDA0004162416860000041
计算得到第i个企业的企业科创潜力，其中f()表示归一化处理，Ci表示第i个企业的项目承接能力，Si表示第i个企业的企业规模，λ为0-1之间的一个常数。
10.一种企业科创潜力评估系统，其特征在于，包括：
收集模块，用于收集待评估企业的已验收项目的多个项目指标信息、未验收项目的项目指标信息；
数据预测模块，用于基于机器学习模型对未验收项目相对已验收项目所缺乏的项目指标信息进行预测补全，所述机器学习模型是预先利用已验收项目的数据作为样本训练得到；
项目综合得分计算模块，用于针对每一个项目，利用项目指标信息从多个维度计算得到多个项目评价指标，基于所有项目评价指标计算每一个项目的项目综合得分；
项目承接能力评估模块，用于基于全部项目的项目综合得分评估出待评估企业的项目承接能力；
企业规模评估模块，用于基于企业在申办每个项目时的规模指标计算得到待评估企业的企业规模；
潜力评估模块，用于基于所述项目承接能力和企业规模评估得到待评估企业的企业科创潜力。
11.一种企业科创潜力评估系统，其特征在于，包括处理器和存储器，所述存储器存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-9任一项所述的方法的步骤。
12.一种计算机可读存储介质，其特征在于，存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-9任一项所述的方法的步骤。
CN202310286322.6A 2023-03-15 2023-03-15 企业科创潜力评估方法、系统及计算机可读存储介质 Pending CN116433081A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310286322.6A CN116433081A (zh) 2023-03-15 2023-03-15 企业科创潜力评估方法、系统及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310286322.6A CN116433081A (zh) 2023-03-15 2023-03-15 企业科创潜力评估方法、系统及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN116433081A true CN116433081A (zh) 2023-07-14

Family

ID=87091775

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310286322.6A Pending CN116433081A (zh) 2023-03-15 2023-03-15 企业科创潜力评估方法、系统及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN116433081A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116976737A (zh) * 2023-08-02 2023-10-31 大湾区科技创新服务中心(广州)有限公司 企业科创能力的评价方法、系统及计算机可读存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116976737A (zh) * 2023-08-02 2023-10-31 大湾区科技创新服务中心(广州)有限公司 企业科创能力的评价方法、系统及计算机可读存储介质

Similar Documents

Publication Publication Date Title
Aminian et al. Investigate the ability of bankruptcy prediction models of Altman and Springate and Zmijewski and Grover in Tehran Stock Exchange
CA2485263A1 (en) Electronic data processing system and method of using an electronic data processing system for automatically determining a risk indicator value
WO2007106786A2 (en) Methods and systems for multi-credit reporting agency data modeling
Davydenko et al. Evaluation methods of investment attractiveness of Ukrainian agricultural enterprises
CN116433081A (zh) 企业科创潜力评估方法、系统及计算机可读存储介质
CN112232377A (zh) 一种企业esg三优信用模型构建方法及其装置
Kolupaieva et al. Diagnostics of systemic risk impact on the enterprise capacity for financial risk neutralization: The case of Ukrainian metallurgical enterprises
Mitsuzuka et al. Analysis of CSR activities affecting corporate value using machine learning
CN116468273A (zh) 客户风险识别方法及装置
Neskorodieva et al. The methodical approach of bankruptcy probability estimation in an anti-crisis management system of enterprise
Alireza et al. Evaluation of the Financial Ratio Capability to Predict the Financial Crisis of Companies.
Mounika et al. Walmart Gross Sales Forecasting Using Machine Learning
CN113177733A (zh) 基于卷积神经网络的中小微企业数据建模方法及系统
Khlifa et al. Predicting default risk of SMEs in developing economies: Evidence from Morocco
Malara et al. Modelling the determinants of winning in public tendering procedures based on the activity of a selected company
Klimova et al. IT-Solutions in Money Laundering/Counter Terrorism Financing Risk Assessment in Commercial Banks
Ben Ami et al. Event-based trading: Building superior trading strategies with state-of-the-art information extraction tools
Feruś The application of data envelopment analysis method in managing companies' credit risk
CN112926816B (zh) 供应商评价方法、装置、计算机设备和存储介质
Bawono et al. Analysis Of Indonesia's Islamic Banking Bankruptcy Prediction For Period 2014-2016
Neskorodieva et al. The methodical approach to anti-crisis management system development for metallurgical enterprises of Ukraine
Bøe Predicting defaults in the automotive credit Industry: an empircial study using machine learning techniques predicting loan defaults
CN116433366A (zh) 一种还款方式推荐方法及装置
Safari et al. Analyzing and predicting taxation rate with emphasis on the role of accounting measures and the governance system of the artificial intelligence approach of choosing the variable of neighborhood analysis and hyperdisk (NCA-HDLMC)
Peredrii et al. Algorithmization of Intellectual Data Analysis for Measuring the Country's Innovation Potential.

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