CN116976737A - 企业科创能力的评价方法、系统及计算机可读存储介质 - Google Patents
企业科创能力的评价方法、系统及计算机可读存储介质 Download PDFInfo
- Publication number
- CN116976737A CN116976737A CN202310969407.4A CN202310969407A CN116976737A CN 116976737 A CN116976737 A CN 116976737A CN 202310969407 A CN202310969407 A CN 202310969407A CN 116976737 A CN116976737 A CN 116976737A
- Authority
- CN
- China
- Prior art keywords
- enterprise
- scientific
- attribute information
- evaluation index
- capability
- 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 73
- 238000011156 evaluation Methods 0.000 claims abstract description 102
- 238000010801 machine learning Methods 0.000 claims abstract description 15
- 238000004458 analytical method Methods 0.000 claims description 38
- 238000011160 research Methods 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 208000027418 Wounds and injury Diseases 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 208000014674 injury Diseases 0.000 claims description 3
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 230000008733 trauma Effects 0.000 claims description 3
- 230000015654 memory Effects 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 11
- 238000011161 development Methods 0.000 description 7
- 230000007306 turnover Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000005484 gravity Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000012512 characterization method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 206010011906 Death Diseases 0.000 description 2
- 230000004308 accommodation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000004083 survival effect 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种企业科创能力的评价方法、系统及计算机可读存储介质。其中,方法包括:获取待评估企业的初始属性信息和科创评价指标信息;基于机器学习模型对所述初始属性信息进行预测补全,得到完整属性信息;基于科创评价指标信息和完整属性信息,在政策匹配情况、企业项目承接能力、企业科创能力,以及企业科创潜力四个方面,分别从若干预设维度计算得到各个方面的多个科创评价指标值;基于科创评价指标值,确定待评估企业的政策匹配情况、企业规模、企业项目承接能力、企业科创能力,以及企业科创潜力。本发明能够结合多方面多维度的企业信息的复杂关联,实现对企业的科创能力、科创潜力等进行精准识别,且具有更高的预测精度和运行效率。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种企业科创能力的评价方法、系统、电子设备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中:有为了助力科技企业更好地发展,金融机构应为科技企业提供尽可能多的服务(例如,资金支持),而基于企业的财务数据对科技企业进行评价;有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,
但是,以上的企业评价方式不仅单一,也往往忽略了企业规模和科研能力对企业的科创潜力进行分析,并不能很好地满足科技企业评价的需求。也没有考虑企业本身规模与未完成项目对企业科技创新能力及企业科创潜力的影响,从而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。
基于此,有必有提供一种企业科创能力的评价方法,用于科技企业尤其是对中小型企业的科技创新能力和科创潜力进行精准识别。
发明内容
为了解决上述提出的至少一个技术问题,本发明提供一种企业科创能力的评价方法、系统、电子设备及计算机可读存储介质。
第一方面,提供了一种企业科创能力的评价方法,所述方法:获取待评估企业的初始属性信息和科创评价指标信息;其中,所述初始属性信息能够表征所述待评估企业当前的企业规模、经营状况、科研状况、承接项目状况,以及财务状况;基于机器学习模型对所述初始属性信息进行预测补全,得到完整属性信息;基于所述科创评价指标信息和所述完整属性信息,在政策匹配情况、企业项目承接能力、企业科创能力,以及企业科创潜力四个方面,分别从若干预设维度计算得到各个方面的多个科创评价指标值;基于所述科创评价指标值,确定所述待评估企业的政策匹配情况、企业规模、企业项目承接能力、企业科创能力,以及企业科创潜力。
在该方面中,结合了多方面多维度的企业信息的复杂关联,如企业规模、经营状况、科研状况、承接项目状况,以及财务状况等,对企业科创能力和企业科创潜力的影响,实现对企业的科创能力、科创潜力等进行精准识别,且具有更高的预测精度和运行效率。
在一种可能实现的方式中,在所述获取待评估企业的初始属性信息之后,还包括:
对所述初始属性信息进行预处理,以过滤掉与所述科创评价指标信息不匹配的边缘初始属性信息。
在该种可能实现的方式中,由于初始属性信息涵盖了待评估企业方方面面的企业信息和数据,在根据科创评价指标信息进行归类整理时,对于无效的企业信息和数据,需要进行去噪处理。
在一种可能实现的方式中,所述机器学习模型为梯度提升回归模型;所述基于机器学习模型对所述初始属性信息进行预测补全,得到完整属性信息,包括:
基于训练好的梯度提升回归模型对所述初始属性信息进行预测补全,得到能够满足所有科创评价指标值的计算条件的完整属性信息。
在该种可能实现的方式中,对于缺失的企业信息和数据,需要进行预测补全。提供完整的初始属性信息,能够对中小型企业的科创能力和科创潜力进行精准识别,具备更好的适用性。
在一种可能实现的方式中,所述梯度提升回归模型包括输入层、隐层和输出层,所采用的学习器均为梯度提升回归树;
所述输入层包括若干学习器,用于进行初级特征学习,每个学习器使用随机子空间方法随机选择相同大小的不同特征组合的子空间作为输入;
所述隐层中含有隐层学习器,用于进行高层特征抽象;其中,第一层隐层的输入为原始特征和所述输入层若干学习器的输出;从第二层隐层开始,每一层的输入包含原始数据集中的所有特征和所有隐层学习器的输出作为下一层隐层学习器的输入;根据学习结果,隐层层数自适应确定,当上一层的预测结果矩阵与当前层预测结果矩阵的差值绝对值矩阵中每一项值的平均值小于容忍度时停止增加层数;
所述输出层采用学习器,对所述隐层的最后输出和原始输入特征进行融合预测,得到最终预测。
在该种可能实现的方式中,所述梯度提升回归模型在输入层对原始特征进行特征子集提取,训练生成子空间基学习器;隐藏层通过构建多层级联结构,逐层融合子空间特征与原始特征从而实现逐层表征学习,并根据相邻层学习变化率自适应学习层数;输出层中使用学习法结合策略对样本进行最终预测。采用并行化方式对各层学习器进行训练以提高模型运行效率,相比现有集成预测方法,该模型具有更高的预测精度和运行效率。
在一种可能实现的方式中,所述基于所述科创评价指标值,确定所述待评估企业的政策匹配情况、企业项目承接能力、企业科创能力,以及企业科创潜力,包括:
确定所述待评估企业的政策匹配情况、企业项目承接能力、企业科创能力,以及企业科创潜力四个方面分别对应的若干个不同维度的科创评价指标值的权重和调节系数;
基于每个方面对应的若干个不同维度的科创评价指标值的权重和调节系数,得到每个方面的综合指标值。
在一种可能实现的方式中,所述的企业科创能力的评价方法,还包括:
基于所述综合指标值,确定所述待评估企业的政策匹配情况、企业项目承接能力、企业科创能力,以及企业科创潜力。
在一种可能实现的方式中,所述的企业科创能力的评价方法,还包括:
针对某一方面,确定该方面对应的综合指标值的权重和调节系数;
根据该方面对应的综合指标值的权重和调节系数,修正该方面的评价结果。
在上述可能实现的方式中,每个方面对应的科创评价指标是多维度的,例如企业科创能力方面,包括:科学研究、技术开发、技术转移、技术应用等等。每个维度又包含了多种类别的信息,例如科学研究,包括:科研经费、科研成果、科研机构等等;技术开发,包括:专利、技术产出、技术认证等等。因此,各个方面的初始属性信息同时也存在复杂的关联关系,通过在各个方面分别对应的若干个不同维度的科创评价指标值的权重和调节系数,计算每个方面的综合指标值,能够确保企业评价的公正合理性的同时,提高企业评价的准确性。
可以理解的是,科创评价指标信息是评价企业科创能力和科创潜力的基础,其数据默认来源于政府部门、科研机构、权威企业或者学术界等等。科创评价指标信息的来源具有权威性和可靠性,数据的采集和统计符合相关规定的规范化和标准化。基于此,本发明能够实现对企业的科创能力、科创潜力等进行精准识别。
在一种可能实现的方式中,所述权重为采用层次分析法、主成分分析法、德尔菲法、网络层次分析法,或层次分析法与德尔菲法相结合中的任一种计算所得。
第二方面,提供了一种企业科创能力的评价系统,所述系统包括:
采集模块,用于获取待评估企业的初始属性信息和科创评价指标信息;其中,所述初始属性信息能够表征所述待评估企业当前的企业规模、经营状况、科研状况、承接项目状况,以及财务状况;
预处理模块,用于基于机器学习模型对所述初始属性信息进行预测补全,得到完整属性信息;
计算模块,用于基于所述科创评价指标信息和所述完整属性信息,在政策匹配情况、企业项目承接能力、企业科创能力,以及企业科创潜力四个方面,分别从若干预设维度计算得到各个方面的多个科创评价指标值;
评估模块,用于基于所述科创评价指标值,确定所述待评估企业的政策匹配情况、企业规模、企业项目承接能力、企业科创能力,以及企业科创潜力。
第三方面,提供了一种电子设备,包括:处理器、发送装置、输入装置、输出装置和存储器,所述存储器用于存储计算机程序代码,所述计算机程序代码包括计算机指令,当所述处理器执行所述计算机指令时,所述电子设备执行如上述的企业科创能力的评价方法。
第四方面,提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被电子设备的处理器执行时,使所述处理器执行如上述的企业科创能力的评价方法。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本公开。
附图说明
为了更清楚地说明本申请实施例或背景技术中的技术方案,下面将对本申请实施例或背景技术中所需要使用的附图进行说明。
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。
图1为本申请实施例提供的一种企业科创能力的评价方法的流程示意图;
图2为本申请实施例提供的另一种企业科创能力的评价方法的流程示意图;
图3为本申请实施例提供的又一种企业科创能力的评价方法的流程示意图;
图4为本申请实施例提供的一种企业科创能力的评价系统的结构示意图;
图5为本申请实施例提供的一种企业科创能力的评价系统的硬件结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
另外,为了更好地说明本发明,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本发明同样能够实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本发明的主旨。
目前现有的企业评价方式单一,且往往忽略了企业规模和科研能力对企业的科创潜力进行分析,并不能很好地满足科技企业评价的需求,也没有考虑企业本身规模与未完成项目对企业科技创新能力及企业科创潜力的影响,
基于此,有必有提供一种企业科创能力的评价方法,通过获取待评估企业的初始属性信息和科创评价指标信息;基于机器学习模型对所述初始属性信息进行预测补全,得到完整属性信息;基于所述科创评价指标信息和所述完整属性信息,在政策匹配情况、企业项目承接能力、企业科创能力,以及企业科创潜力四个方面,分别从若干预设维度计算得到各个方面的多个科创评价指标值;基于所述科创评价指标值,确定所述待评估企业的政策匹配情况、企业规模、企业项目承接能力、企业科创能力,以及企业科创潜力。相比现有的企业评价方法,结合了多方面多维度的企业信息的复杂关联,如企业规模、经营状况、科研状况、承接项目状况,以及财务状况等,对企业科创能力和企业科创潜力的影响,实现对企业的科创能力、科创潜力等进行精准识别,且具有更高的预测精度和运行效率。
请参阅图1-3,图1为本申请实施例提供的一种企业科创能力的评价方法的流程示意图,图2为本申请实施例提供的另一种企业科创能力的评价方法的流程示意图,图3为本申请实施例提供的又一种企业科创能力的评价方法的流程示意图。
S10、获取待评估企业的初始属性信息和科创评价指标信息。
其中,所述初始属性信息能够表征所述待评估企业当前的企业规模、经营状况、科研状况、承接项目状况,以及财务状况。
在一个实施例中,关于企业规模的划分,现行办法选取从业人员、营业收入、资产总额等指标或替代指标,并结合行业特点制定具体划分标准,将在我国境内依法设立的各种组织形式的法人企业或单位的规模划分为大型、中型、小型和微型。个体工商户参照该办法进行划分。
现行办法适用的行业范围3包括:农、林、牧、渔业,采矿业,制造业,电力、热力、燃气及水生产和供应业,建筑业,批发和零售业,交通运输、仓储和邮政业,住宿和餐饮业,信息传输、软件和信息技术服务业,房地产业,租赁和商务服务业,科学研究和技术服务业,水利、环境和公共设施管理业,居民服务、修理和其他服务业,文化、体育和娱乐业等15个行业门类以及社会工作行业大类。相较于国家统计局2003年制定的暂行办法,现行办法不仅设置了“微型企业”,使得层次划分更细致,而且行业范围更全面、指标选取更合理、阈值设置更符合当前实际。
在实际判断企业(单位)的规模时,需注意两点:
一是企业划分指标以现行统计制度为准。其中:(1)从业人员,是指期末从业人员数,没有期末从业人员数的,采用全年平均人员数代替。(2)营业收入,工业、建筑业、限额以上批发和零售业、限额以上住宿和餐饮业以及其他设置主营业务收入指标的行业,采用主营业务收入;限额以下批发与零售业企业采用商品销售额代替;限额以下住宿与餐饮业企业采用营业额代替;农、林、牧、渔业企业采用营业总收入代替;其他未设置主营业务收入的行业,采用营业收入指标。(3)资产总额,采用资产总计代替。
二是指标条件的满足情况略有不同。其中:大型、中型和小型企业,须同时满足所列指标的下限,否则下划一档;微型企业只须满足所列指标中的一项即可。
关于企业经营状况,包括:公司成立的时间;主营业务;注册资金;目前的销售收入、利润,缴纳税金;主要的业务合作伙伴。
在一个实施例中,对于企业经营情况的分析:
首先要为分析提供内部资料和外部资料。内部资料最主要的是企业财务会计报告,财务报告是反映企业财务状况和经营成果的书面文件,包括会计主表(资产负债表、利润表、现金流量表)、附表、会计报表附注等;外部资料是从企业外部获得的资料,包括行业数据、其他竞争对手的数据等。
根据财务报告:按照分析的目的内容分为:财务效益分析、资产运营状况分析、偿债能力状况分析和发展能力分析;按照分析的对象不同分为:资产负债表分析、利润表分析、现金流量表分析。
按照分析的目的内容分析
财务效益状况。即企业资产的收益能力。资产收益能力是会计信息使用者关心的重要问题,通过对它的分析为投资者、债权人、企业经营管理者提供决策的依据。分析指标主要有:净资产收益率、资本保值增值率、主营业务利润率、盈余现金保障倍数、成本费用利润率等。
资产营运状况。是指企业资产的周转情况,反映企业占用经济资源的利用效率。分析主要指标有:总资产周转率、流动资产周转率、存货周转率、应收帐款周转率、不良资产比率等。
偿债能力状况。企业偿还短期债务和长期债务的能力强弱,是企业经济实力和财务状况的重要体现,也是衡量企业是否稳健经营、财务风险大小的重要尺度。分析主要指标有:资产负债率、已获利息倍数、现金流动负债比率、速动比率等。
发展能力状况。发展能力是关系到企业的持续生存问题,也关系到投资者未来收益和债权人长期债权的风险程度。分析企业发展能力状况的指标有:销售增长率、资本积累率、三年资本平均增长率、三年销售平均增长率、技术投入比率等。
按照分析的对象不同分析
资产负债表分析。主要从资产项目、负债结构、所有者权益结构方面进行分析。资产主要分析项目有:现金比重、应收帐款比重、存货比重、无形资产比重等。负债结构分析有:短期偿债能力分析、长期偿债能力分析等。所有者权益结构是分析:各项权益占所有者权益总额的比重,说明投资者投入资本的保值增值情况及所有者的权益构成。
利润表分析。主要从盈利能力、经营业绩等方面分析。主要分析指标:净资产收益率、总资产报酬率、主营业务利润率、成本费用利润率、销售增长率等。
现金流量表分析。主要从现金支付能力、资本支出与投资比率、现金流量收益比率等方面进行分析。分析指标主要有:现金比率、流动负债现金比率、债务现金比率、股利现金比率、资本购置率、销售现金率等。
在一个实施例中,对于承接项目状况,收集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,而未验收项目,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。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。对于所缺乏的项目指标信息,可以通过后续的机器学习模型进行预测补全。
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。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。
在一种可能实现的方式中,在所述获取待评估企业的初始属性信息之后,还包括:
S11、对所述初始属性信息进行预处理,以过滤掉与所述科创评价指标信息不匹配的边缘初始属性信息。
在该种可能实现的方式中,由于初始属性信息涵盖了待评估企业方方面面的企业信息和数据,在根据科创评价指标信息进行归类整理时,可能会出现许多无效的企业信息和数据,或者不规范的企业信息和数据。这些无效的不规范的信息往往导致了文本数据的噪声加强,会对后续的评价结果带来很大的干扰,因此需要在数据处理过程中,针对这部分噪声进行过滤,以确保后续得到的初始属性信息的可靠性和准确性。
在该种可能实现的方式中,以格网空间粒度对每个或每类初始属性信息相对于所述科创评价指标信息的匹配度进行平均,公式如下:
其中,PWBj表示第j(1,2,3...m)格网下的相对于所述科创评价指标信息的匹配度,Aji是第j个格网下第i个或第i类初始属性信息的评分,n表示第j个格网下所有初始属性信息的总数。PWB和A的范围是[0,1],PWB越接近1,说明初始属性信息与所述科创评价指标信息越匹配,可靠性和准确性越高。相反,PWB越接近0,说明初始属性信息为与所述科创评价指标信息不匹配的边缘初始属性信息。
其中,格网是由间隔均匀的水平线和垂直线组成的网络,用于对各方面各维度中的初始属性信息的识别。
S20、基于机器学习模型对所述初始属性信息进行预测补全,得到完整属性信息。
对于缺失的企业信息和数据,需要进行预测补全。提供完整的初始属性信息,能够对中小型企业的科创能力和科创潜力进行精准识别,具备更好的适用性。
在一种可能实现的方式中,所述机器学习模型为梯度提升回归模型;所述基于机器学习模型对所述初始属性信息进行预测补全,得到完整属性信息,包括:
S21、基于训练好的梯度提升回归模型对所述初始属性信息进行预测补全,得到能够满足所有科创评价指标值的计算条件的完整属性信息。
在一种可能实现的方式中,所述梯度提升回归模型包括输入层、隐层和输出层,所采用的学习器均为梯度提升回归树;
所述输入层包括若干学习器,用于进行初级特征学习,每个学习器使用随机子空间方法随机选择相同大小的不同特征组合的子空间作为输入;
所述隐层中含有隐层学习器,用于进行高层特征抽象;其中,第一层隐层的输入为原始特征和所述输入层若干学习器的输出;从第二层隐层开始,每一层的输入包含原始数据集中的所有特征和所有隐层学习器的输出作为下一层隐层学习器的输入;根据学习结果,隐层层数自适应确定,当上一层的预测结果矩阵与当前层预测结果矩阵的差值绝对值矩阵中每一项值的平均值小于容忍度时停止增加层数;
所述输出层采用学习器,对所述隐层的最后输出和原始输入特征进行融合预测,得到最终预测。
在一个实施例中,在随机子空间学习中,输入层将原始的输入特征进行特征提取。对于d维属性,随机抽取不大于的最大整数作为一次选取中的属性数(参照Breiman在随机森林中的特征子集选择方法),然后用已选取的属性集合训练一个学习器。将上述步骤执行多次,得到了包含若干个学习器节点的节点集合,即模型的输入层(L1)。每个节点的输出为一个预测值向量,将多个节点输出的预测值按列进行合并就形成了预测值向量集合。输入层节点以随机子空间方式进行特征提取,可能存在部分节点因差异性和互补性较低,进而导致输入层性能下降的问题。本模型以平均相似度作为衡量标准,去除输入层中较为相似的节点,使得保留下的节点尽可能具有较高的差异性和互补性,以此提高输入层的性能和运行效率。
在输入层的随机子空间学习算法中,输入层中每一学习器的输入是对原始数据随机抽取的特征子集,各节点采用了随机子空间的方法进行抽取,有利于选择更适当的预测特征组合。输入层的输出结果的每一维度是基于不同特征组合所得出的预测结果,其保持了个体学习器的差异性,作为隐层的输入有利于提高模型的泛化能力,将其与原始特征组合后作为隐层输入,在对原始信息进行高维抽象的基础上,保留了原始样本的信息,避免了隐层决策信息丢失。
在多层表征学习中,隐层是由若干个学习器节点组成的级联网状结构,用于对输入层输出的预测值和原始特征组合进行高层特征学习。隐层的第一层根据输入层的输出和原始特征集按列进行合并作为输入;第二层根据上一隐层的输出和原始的特征集按列进行合并作为输入。为降低过拟合风险,隐层层数依据当前隐层预测结果与上一层预测结果变化率均值c和容忍值ε自动调整,容忍值ε为学习结果变化显著性参数,取值为可容忍预测误差下限。当c大于容忍值ε时继续学习,当c<ε时停止训练。
在多层表征学习算法中,隐层中每一层的输出都是对之前层数(含输入层)特征的一个高层特征概括,有利于取得良好的预测结果。使用原有数据与每一层隐层学习器的输出进行合并可以在进行高维特征提取时保持原有数据集信息,防止因数据信息丢失而导致预测结果不准确。隐层的层数确定体现了学习结果的变化情况,防止因过多的隐层导致模型过拟合或过少的隐层导致模型欠拟合。ε体现了对于当前隐层和上一级隐层差异值的容忍程度,决定了隐层层数的确定规则。当上一级隐层与当前隐层的差值小于ε时,说明后续的训练即使继续增加隐层数预测结果的变化仍不太明显,即达到收敛。因此差值小于ε时就可停止训练,确定当前隐层为隐层中的最后一层隐层。
学习法结合策略为,当隐层数目确定,即隐层高维特征抽象和提取过程结束,将进行最后的预测。根据学习法的结合策略,同样地,将隐层的输出结果和原始的特征集合按列进行合并作为输出层学习器的输入,输出的是对于原始数据集的预测结果。在具体的学习法结合策略预测算法中,输出层使用个体学习器进行最后的预测结果输出,体现了学习法的结合策略,有利于扩大假设空间、降低了陷入局部极值的风险、提高了泛化性能。将之前隐层的输出同时堆叠原始的特征信息、继续保留原始数据信息和高层信息作为最后输出层学习器的输入有利于求解出偏差值更低的预测结果。
在上述可能实现的方式中,所述梯度提升回归模型在输入层对原始特征进行特征子集提取,训练生成子空间基学习器;隐藏层通过构建多层级联结构,逐层融合子空间特征与原始特征从而实现逐层表征学习,并根据相邻层学习变化率自适应学习层数;输出层中使用学习法结合策略对样本进行最终预测。采用并行化方式对各层学习器进行训练以提高模型运行效率,相比现有集成预测方法,该模型具有更高的预测精度和运行效率。
S30、基于所述科创评价指标信息和所述完整属性信息,在政策匹配情况、企业项目承接能力、企业科创能力,以及企业科创潜力四个方面,分别从若干预设维度计算得到各个方面的多个科创评价指标值。
S40、基于所述科创评价指标值,确定所述待评估企业的政策匹配情况、企业规模、企业项目承接能力、企业科创能力,以及企业科创潜力。
在一种可能实现的方式中,所述基于所述科创评价指标值,确定所述待评估企业的政策匹配情况、企业项目承接能力、企业科创能力,以及企业科创潜力,包括:
确定所述待评估企业的政策匹配情况、企业项目承接能力、企业科创能力,以及企业科创潜力四个方面分别对应的若干个不同维度的科创评价指标值的权重和调节系数;
基于每个方面对应的若干个不同维度的科创评价指标值的权重和调节系数,得到每个方面的综合指标值。
在一种可能实现的方式中,所述的企业科创能力的评价方法,还包括:
基于所述综合指标值,确定所述待评估企业的政策匹配情况、企业项目承接能力、企业科创能力,以及企业科创潜力。
在一种可能实现的方式中,所述的企业科创能力的评价方法,还包括:
针对某一方面,确定该方面对应的综合指标值的权重和调节系数;
根据该方面对应的综合指标值的权重和调节系数,修正该方面的评价结果。
在上述可能实现的方式中,每个方面对应的科创评价指标是多维度的,例如企业科创能力方面,包括:科学研究、技术开发、技术转移、技术应用等等。每个维度又包含了多种类别的信息,例如科学研究,包括:科研经费、科研成果、科研机构等等;技术开发,包括:专利、技术产出、技术认证等等。因此,各个方面的初始属性信息同时也存在复杂的关联关系,通过在各个方面分别对应的若干个不同维度的科创评价指标值的权重和调节系数,计算每个方面的综合指标值,能够确保企业评价的公正合理性的同时,提高企业评价的准确性。
可以理解的是,科创评价指标信息是评价企业科创能力和科创潜力的基础,其数据默认来源于政府部门、科研机构、权威企业或者学术界等等。科创评价指标信息的来源具有权威性和可靠性,数据的采集和统计符合相关规定的规范化和标准化。基于此,本发明能够实现对企业的科创能力、科创潜力等进行精准识别。
在一种可能实现的方式中,所述权重为采用层次分析法、主成分分析法、德尔菲法、网络层次分析法,或层次分析法与德尔菲法相结合中的任一种计算所得。
在一个可能实现的方式中,在构建好指标的筛选和评价指标体系后,还可以通过结合专家调查法,对各个指标进行赋值,以确定每一级指标相对于上一级层次的重要性程度。为了是判断量化,定义1~9为判断标度。评定方式如下:假设m和n为专家所选择的两个不同评价指数,指标的重要性之比为:m/n。其比值结果为1,则代表二者同样重要,数值为3、5、7、9,分别代表稍微重要、重要、强烈重要、极端重要;数值2、4、6、8是介于以上重要性的中间值。建判断矩阵后,利用层次分析法软件ya-ahp进行权重计算和一致性检验,判断一致性的标准为:矩阵的随机一致性比率CR<0.1,则该矩阵具有满意的一致性;如果CR>0.1,说明矩阵不具有一致性,需要对相关数据进行调整,直到达到满意度的一致性为止。
上述实施例中,结合了多方面多维度的企业信息的复杂关联,如企业规模、经营状况、科研状况、承接项目状况,以及财务状况等,对企业科创能力和企业科创潜力的影响,实现对企业的科创能力、科创潜力等进行精准识别,且具有更高的预测精度和运行效率。
本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
上述详细阐述了本申请实施例的方法,下面提供了本申请实施例的装置。
第二方面,请参阅图4,图4为本申请实施例提供的一种企业科创能力的评价系统的结构示意图。
提供了一种企业科创能力的评价系统,所述装置包括:
采集模块100,用于获取待评估企业的初始属性信息和科创评价指标信息;其中,所述初始属性信息能够表征所述待评估企业当前的企业规模、经营状况、科研状况、承接项目状况,以及财务状况;
预处理模块200,用于基于机器学习模型对所述初始属性信息进行预测补全,得到完整属性信息;
计算模块300,用于基于所述科创评价指标信息和所述完整属性信息,在政策匹配情况、企业项目承接能力、企业科创能力,以及企业科创潜力四个方面,分别从若干预设维度计算得到各个方面的多个科创评价指标值;
评估模块400,用于基于所述科创评价指标值,确定所述待评估企业的政策匹配情况、企业规模、企业项目承接能力、企业科创能力,以及企业科创潜力。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述。
第三方面,本申请还提供了一种处理器,所述处理器用于执行如上述任意一种可能实现的方式的方法。
第四方面,本申请还提供了一种电子设备,包括:处理器、发送装置、输入装置、输出装置和存储器,所述存储器用于存储计算机程序代码,所述计算机程序代码包括计算机指令,当所述处理器执行所述计算机指令时,所述电子设备执行如上述任意一种可能实现的方式的方法。
第五方面,本申请还提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被电子设备的处理器执行时,使所述处理器执行如上述任意一种可能实现的方式的方法。
第六方面,参见图5,图5为本申请实施例提供的一种企业科创能力的评价系统的硬件结构示意图。
该自动化测试装置2包括处理器21,存储器24,输入装置22,输出装置23。该处理器21、存储器24、输入装置22和输出装置23通过连接器相耦合,该连接器包括各类接口、传输线或总线等等,本申请实施例对此不作限定。应当理解,本申请的各个实施例中,耦合是指通过特定方式的相互联系,包括直接相连或者通过其他设备间接相连,例如可以通过各类接口、传输线、总线等相连。
处理器21可以是一个或多个图形处理器(graphicsprocessingunit,GPU),在处理器21是一个GPU的情况下,该GPU可以是单核GPU,也可以是多核GPU。可选的,处理器21可以是多个GPU构成的处理器组,多个处理器之间通过一个或多个总线彼此耦合。可选的,该处理器还可以为其他类型的处理器等等,本申请实施例不作限定。
存储器24可用于存储计算机程序指令,以及用于执行本申请方案的程序代码在内的各类计算机程序代码。可选地,存储器包括但不限于是随机存储记忆体(randomaccessmemory,RAM)、只读存储器(read-onlymemory,ROM)、可擦除可编程只读存储器(erasableprogrammablereadonlymemory,EPROM)、或便携式只读存储器(compactdiscread-onlymemory,CD-ROM),该存储器用于相关指令及数据。
输入装置22用于输入数据和/或信号,以及输出装置23用于输出数据和/或信号。输出装置23和输入装置22可以是独立的器件,也可以是一个整体的器件。
可理解,本申请实施例中,存储器24不仅可用于存储相关指令,本申请实施例对于该存储器中具体所存储的数据不作限定。
可以理解的是,图5仅仅示出了一种自动化测试装置的简化设计。在实际应用中,自动化测试装置还可以分别包含必要的其他元件,包含但不限于任意数量的输入/输出装置、处理器、存储器等,而所有可以实现本申请实施例的视频解析装置都在本申请的保护范围之内。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置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。所属领域的技术人员还可以清楚地了解到,本申请各个实施例描述各有侧重,为描述的方便和简洁,相同或类似的部分在不同实施例中可能没有赘述,因此,在某一实施例未描述或未详细描述的部分可以参见其他实施例的记载。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者通过所述计算机可读存储介质进行传输。所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digitalsubscriberline,DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,数字通用光盘(digitalversatiledisc,DVD))、或者半导体介质(例如固态硬盘(solidstatedisk,SSD))等。
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,该流程可以由计算机程序来指令相关的硬件完成,该程序可存储于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实施例的流程。而前述的存储介质包括:只读存储器(read-onlymemory,ROM)或随机存储存储器(randomaccessmemory,RAM)、磁碟或者光盘等各种可存储程序代码的介质。
Claims (10)
1.一种企业科创能力的评价方法,其特征在于,包括如下步骤:
获取待评估企业的初始属性信息和科创评价指标信息;其中,所述初始属性信息能够表征所述待评估企业当前的企业规模、经营状况、科研状况、承接项目状况,以及财务状况;
基于机器学习模型对所述初始属性信息进行预测补全,得到完整属性信息;
基于所述科创评价指标信息和所述完整属性信息,在政策匹配情况、企业项目承接能力、企业科创能力,以及企业科创潜力四个方面,分别从若干预设维度计算得到各个方面的多个科创评价指标值;
基于所述科创评价指标值,确定所述待评估企业的政策匹配情况、企业规模、企业项目承接能力、企业科创能力,以及企业科创潜力。
2.根据权利要求1所述的企业科创能力的评价方法,其特征在于,在所述获取待评估企业的初始属性信息之后,还包括:
对所述初始属性信息进行预处理,以过滤掉与所述科创评价指标信息不匹配的边缘初始属性信息。
3.根据权利要求1所述的企业科创能力的评价方法,其特征在于,所述机器学习模型为梯度提升回归模型;所述基于机器学习模型对所述初始属性信息进行预测补全,得到完整属性信息,包括:
基于训练好的梯度提升回归模型对所述初始属性信息进行预测补全,得到能够满足所有科创评价指标值的计算条件的完整属性信息。
4.根据权利要求3所述的企业科创能力的评价方法,其特征在于,所述梯度提升回归模型包括输入层、隐层和输出层,所采用的学习器均为梯度提升回归树;
所述输入层包括若干学习器,用于进行初级特征学习,每个学习器使用随机子空间方法随机选择相同大小的不同特征组合的子空间作为输入;
所述隐层中含有隐层学习器,用于进行高层特征抽象;其中,第一层隐层的输入为原始特征和所述输入层若干学习器的输出;从第二层隐层开始,每一层的输入包含原始数据集中的所有特征和所有隐层学习器的输出作为下一层隐层学习器的输入;根据学习结果,隐层层数自适应确定,当上一层的预测结果矩阵与当前层预测结果矩阵的差值绝对值矩阵中每一项值的平均值小于容忍度时停止增加层数;
所述输出层采用学习器,对所述隐层的最后输出和原始输入特征进行融合预测,得到最终预测。
5.根据权利要求1所述的企业科创能力的评价方法,其特征在于,所述基于所述科创评价指标值,确定所述待评估企业的政策匹配情况、企业项目承接能力、企业科创能力,以及企业科创潜力,包括:
确定所述待评估企业的政策匹配情况、企业项目承接能力、企业科创能力,以及企业科创潜力四个方面分别对应的若干个不同维度的科创评价指标值的权重和调节系数;
基于每个方面对应的若干个不同维度的科创评价指标值的权重和调节系数,得到每个方面的综合指标值。
6.根据权利要求5所述的企业科创能力的评价方法,其特征在于,还包括:
基于所述综合指标值,确定所述待评估企业的政策匹配情况、企业项目承接能力、企业科创能力,以及企业科创潜力。
7.根据权利要求6所述的企业科创能力的评价方法,其特征在于,还包括:
针对某一方面,确定该方面对应的综合指标值的权重和调节系数;
根据该方面对应的综合指标值的权重和调节系数,修正该方面的评价结果。
8.根据权利要求5-7任一项所述的企业科创能力的评价方法,其特征在于,所述权重为采用层次分析法、主成分分析法、德尔菲法、网络层次分析法,或层次分析法与德尔菲法相结合中的任一种计算所得。
9.一种企业科创能力的评价系统,其特征在于,包括:
采集模块,用于获取待评估企业的初始属性信息和科创评价指标信息;其中,所述初始属性信息能够表征所述待评估企业当前的企业规模、经营状况、科研状况、承接项目状况,以及财务状况;
预处理模块,用于基于机器学习模型对所述初始属性信息进行预测补全,得到完整属性信息;
计算模块,用于基于所述科创评价指标信息和所述完整属性信息,在政策匹配情况、企业项目承接能力、企业科创能力,以及企业科创潜力四个方面,分别从若干预设维度计算得到各个方面的多个科创评价指标值;
评估模块,用于基于所述科创评价指标值,确定所述待评估企业的政策匹配情况、企业规模、企业项目承接能力、企业科创能力,以及企业科创潜力。
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中存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被电子设备的处理器执行时,使所述处理器执行如权利要求1-8任意一项所述的企业科创能力的评价方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310969407.4A CN116976737A (zh) | 2023-08-02 | 2023-08-02 | 企业科创能力的评价方法、系统及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310969407.4A CN116976737A (zh) | 2023-08-02 | 2023-08-02 | 企业科创能力的评价方法、系统及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116976737A true CN116976737A (zh) | 2023-10-31 |
Family
ID=88484701
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310969407.4A Pending CN116976737A (zh) | 2023-08-02 | 2023-08-02 | 企业科创能力的评价方法、系统及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116976737A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2016339723A1 (en) * | 2015-10-16 | 2018-04-19 | Francisco Javier CÁRDENAS ARBIETO | Method for extracting metals from concentrated sulphurated minerals containing metals by direct reduction with regeneration and recycling of the reducing agent, iron, and of the flux, sodium carbonate |
CN111667164A (zh) * | 2020-05-28 | 2020-09-15 | 广州珠江黄埔大桥建设有限公司 | 一种企业科技创新能力评价优化方法、系统及存储介质 |
CN112766788A (zh) * | 2021-01-29 | 2021-05-07 | 北京明略软件系统有限公司 | 高新技术企业评价方法、系统、计算机设备及存储介质 |
CN116433081A (zh) * | 2023-03-15 | 2023-07-14 | 国家超级计算深圳中心(深圳云计算中心) | 企业科创潜力评估方法、系统及计算机可读存储介质 |
-
2023
- 2023-08-02 CN CN202310969407.4A patent/CN116976737A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2016339723A1 (en) * | 2015-10-16 | 2018-04-19 | Francisco Javier CÁRDENAS ARBIETO | Method for extracting metals from concentrated sulphurated minerals containing metals by direct reduction with regeneration and recycling of the reducing agent, iron, and of the flux, sodium carbonate |
CN111667164A (zh) * | 2020-05-28 | 2020-09-15 | 广州珠江黄埔大桥建设有限公司 | 一种企业科技创新能力评价优化方法、系统及存储介质 |
CN112766788A (zh) * | 2021-01-29 | 2021-05-07 | 北京明略软件系统有限公司 | 高新技术企业评价方法、系统、计算机设备及存储介质 |
CN116433081A (zh) * | 2023-03-15 | 2023-07-14 | 国家超级计算深圳中心(深圳云计算中心) | 企业科创潜力评估方法、系统及计算机可读存储介质 |
Non-Patent Citations (1)
Title |
---|
张华;李岳洋;董远超;: "基于模糊综合评判法的船企科创成就评级研究", 中国管理信息化, no. 17, 1 September 2017 (2017-09-01) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108564286B (zh) | 一种基于大数据征信的人工智能金融风控授信评定方法和系统 | |
CN109829631B (zh) | 一种基于记忆网络的企业风险预警分析方法及系统 | |
CN114048436A (zh) | 一种预测企业财务数据模型构建方法及构建装置 | |
CN110689437A (zh) | 一种基于随机森林的通信施工项目财务风险预测方法 | |
Xie et al. | [Retracted] Evaluation of SMEs’ Credit Decision Based on Support Vector Machine‐Logistics Regression | |
CN110310012A (zh) | 数据分析方法、装置、设备及计算机可读存储介质 | |
CN113506173A (zh) | 一种信用风险评估方法及其相关设备 | |
CN113450004A (zh) | 电力信用报告生成方法、装置、电子设备及可读存储介质 | |
CN117114812A (zh) | 一种针对企业的金融产品推荐方法及装置 | |
Yang et al. | The extraction of early warning features for predicting financial distress based on XGBoost model and shap framework | |
Biswas et al. | Automated credit assessment framework using ETL process and machine learning | |
CN111738610A (zh) | 一种基于舆情数据的企业流失性风险预警系统和方法 | |
Yu et al. | Long-term and short-term effects of green strategy on corporate performance: evidence from Chinese listed companies | |
Israël et al. | Incorporating microdata into macro policy decision-making | |
CN116976737A (zh) | 企业科创能力的评价方法、系统及计算机可读存储介质 | |
Qiang et al. | [Retracted] Relationship Model between Human Resource Management Activities and Performance Based on LMBP Algorithm | |
Liu | Quantitative impact analysis of financial support on regional science and technology innovation and productivity based on the multivariate statistical model | |
CN113159634A (zh) | 一种金融产品管理方法、装置及电子设备 | |
CN112686553A (zh) | 企业自动评级管理系统、方法、服务器及可读存储装置 | |
CN112634048A (zh) | 一种反洗钱模型的训练方法及装置 | |
Fu et al. | Management of Power Marketing Audit Work Based on Tobit Model and Big Data Technology | |
Song et al. | Class‐imbalanced financial distress prediction with machine learning: Incorporating financial, management, textual, and social responsibility features into index system | |
Chen et al. | Construction of Bank Credit White List Access System Based on Grey Clustering Algorithm | |
Xu et al. | Engineering Financial Performance Evaluation of Wireless Network Based on Intelligent Neural Network Model | |
Sun et al. | Research on high-quality patent evaluation methods based on machine learning |
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 |