企业健康度评价模型构建方法及系统、存储介质

技术领域

本发明涉及大数据分析技术领域，特别是一种企业健康度评价模型构建方法及系统、存储介质。

背景技术

目前，随着网络技术的不断发展以及企业管理体系发展的需求，监测企业健康状态的越来越重要，如政府出台一系列的固污染防治行动计划中明确指出需要全面推进环境治理能力，在这些行动计划中强调努力实现“实时感知、预警报警、决策指挥、督查执法、结果反馈”的全流程闭环管理。然而在新形势、新业态下，经济社会的发展和产业的持续演变使得大量企业的生产经营模式日益多元化，逐步导致其对生态环境质量的影响机制更为复杂，量化难度持续增大。如何从微观企业层面对污染源头进行精准、及时并有效的监管，是打造全流程闭环管理体系的难点之一。

发明内容

有鉴于此，本发明的目的在于提供一种企业健康度评价模型构建方法及系统、存储介质，该方法根据企业的涉及的数据和指标并利用多层级方法进行分析，得到能企业健康度等级的判断结果，有利于实现企业监管和指导企业健康发展的方向。

为达到上述目的，本发明提供如下技术方案：

本发明提供的企业健康度评价模型构建方法，包括以下步骤：

获取用于评价企业健康的数据；

确定用于评价企业健康的指标；

根据评价指标构建企业健康度评价模型，将所述用于评价企业健康的数据输入到所述企业健康度评价模型中，所述模型通过设置的评价指标计算出企业健康度的综合评价值。

进一步，所述数据包括监管数据、监测数据、环保税数据、信用评价数据、企业用电耗能数据中任一项或多项组合；和/或

所述指标包括监管指标、监测指标、环保税指标、信用评价指标、企业用电耗能指标中任一项或多项组合。

进一步，所述企业健康度评价模型是采用层次分析法形成的多层级分析结构模型，所述多层级分析结构模型中包括逐层分解的评价目标和各指标所占权重。

进一步，所述企业健康度的综合评价值按照以下公式计算：

I

其中，I

进一步，所述多层级中的每层级中各指标的权重值乘以相应的指标评价值，得到上一层级指标的综合评价值，各指标权重和综合评价值计算公式如下：

W

Y

Y

其中，

Y

W

W

Y

W

Y

进一步，还包括运用模糊评价法分析企业当前的健康状态，具体包括以下步骤：

获取层次分析法计算得出的企业健康度指标值；

用隶属度的模糊集合表示将指标定量化为不同的风险等级；

根据风险等级的划分标准采用组合数法进行判断企业健康度的对应等级。

进一步，还包括以下步骤：

获取企业健康度等级信息，根据企业健康度等级信息在设置的对应图层中展示企业健康度等级信息。

进一步，还包括以下步骤：

获取企业的地理位置信息，根据企业的地理位置信息结合地图展示的企业健康度等级信息，和/或各企业在对应地理位置上的分布状态信息。

本发明提供的企业健康度评价系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述的方法。

本发明提供的存储介质，所述存储介质存储有用于实现上述的方法。

本发明的有益效果在于：

本发明提供的企业健康度评价模型构建方法及系统、存储介质，该方法通过用于评价企业健康的数据和指标；构建企业健康度评价模型，将所述用于评价企业健康的数据输入到所述企业健康度评价模型中，所述模型通过设置的评价指标计算出企业健康度的综合评价值。该方法依托数据中台以及大数据技术，针对企业健康度构建评价模型，依托监管，监测，执法等数据，构建了多维度的企业健康度指标体系，并运用层次分析法和模糊指标评价法建立了一个科学、合理的企业健康度评价模型。对于当风险常态化监测和预警系统的成效进行了展示，对于污染源精细化管理与辅助决策的重要意义，同时对于完善生态环境治理体系具有重大意义。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1为企业健康度评价模型构建方法流程图。

图2为系统首页展示效果图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好的理解本发明并能予以实施，但所举实施例不作为对本发明的限定。

实施例1

如图1所示，本方法基本原理是基于微观层面的实时监测和预警，该方法对于完善生态环境治理体系具有重大意义，通过互联网获取企业监管数据，包括对企业的监管、监测、执法等数据，构建多维度的企业健康度指标体系，并运用层次分析法和模糊指标评价法建立企业健康度评价模型。本实施例提供的基于多维度监测数据的企业健康度评价方法及模型构建方法，具体包括以下步骤：

第一步骤：确定健康度评级指标：

企业健康度评价指标选取：在分析企业健康状况时，通常依靠反映风险的客观指标进行判断。本实施例以排污许可证2万余家重点简化管理企业为基础，依托审批、监测、执法、环保税、企业信用、用电监控及企业排放特征等数据，综合多个维度对企业健康度进行分析。具体分为以下五个维度。

(1)监管数据：所述监管数据包括审批数据、执法数据；政府监管是判断企业健康状况最直接的维度。由国务院公布的《排污许可管理条例》于2021年3月1日起正式实施，用于规范企业事业单位和其他生产经营者排污行为，排污单位需要向审批部门申请取得排污许可证。因此，政府相关部门对企业的审批可直观的衡量该企业在污染排放方面是否合格。另一方面，通过企业是否被投诉、是否受到处罚等信息可有效衡量企业违反法律法规的风险。综上所述，本实施例确定审批和执法这两方面作为监管维度下的分类。

(2)监测数据：所述监测数据报刊款在线监测数据、手工监测数据；企业排污情况可通过监测数据得知。将监测维度分为在线监测和手工监测两方面。在线监测情况通过综合企业是否安装监测设备、企业排污每小时数据、每天数据是否存在超标或异常以及监测数据中断情况等指标直接得到。手工监测则分为监督性监测和自行监测最新的监测数据是否存在超标或异常情况，同时企业是否主动公开自行监测数据对评价企业健康状况具有正向或负向作用。因此，结合在线监测和手工监测可以较准确得到企业是否存在超排行为。

(3)环保税数据：所述环保税数据为企业的排放数据，具体包括涉水、涉气、重金属、废危数据；企业排放的废水和废气会对环境直接造成影响。2018年，环境保护税法正式实施，环保税法实施以来，有效抑制企业高污染排放行为，同时也鼓励企业节能减排，起到推动企业绿色健康发展作用。因此，企业缴纳的环保税可以侧面反映企业排污方面的健康程度。此外，企业排污过程中不乏产生具有危险性的污染物，专门的废危处置企业的需求也随着废危产量的增加而逐渐上升，考虑产废企业和废危处置企业对废危污染物的转出率和处置率可反映该企业排污处理能力。综上所述，本实施例确定涉水、涉气、重金属以及废危这四方面的污染排放作为企业排放维度上的分类。

(4)信用评价数据；所述信用评价数据包括互联网+监管数据；社会对企业的信用评价也是判断企业健康状况的一个维度，通过互联网+监管收集企业信用信息可判断企业信用是否存在异常。

(5)其他数据：除考虑上面四个维度下的各项二级指标外，本实施例在评价企业健康状况评价指标还包括其他数据，所述其他数据包括关注视觉、用电、视频，所述关注视觉包括重点排污单位，所述用电包括工业用电量同比增速绝对值、用电数据连续中断、已安装用电监控设备，所述视频包括视频监控中断24小时以上、已安装视频监控设备；这些数据主要体现了企业用电耗能数据，关注视觉、用电、视频数据等。该指标分别从企业用电耗能、企业是否被列入重点排污单位名单、企业视频监控状况等指标出发对企业健康度进行评价。

最终选择5个维度、12个类型、31个指标构成企业健康度评价指标体系，详见表1。

本实施例提供的方法还包括根据获取的数据建立多维度企业健康数据库，该健康数据库中存储多维度的健康数据，以及健康度评价指标。为进行风险预警分析和动态风险管理提供自动识别的数据支撑。

第二步骤：企业健康度评价指标计算方式：

选取的指标根据风险程度的方向分为正向指标和负向指标。根据指标取值类型划分，选取的指标同样分为两类。一类是二分类指标，该类指标数据只有两种取值，指标异常则取值为1，否则为0或指标异常取值为1，否则为-1。另一类是数值型数据。数值型指标需进行无量纲化处理，采用极差法标准化和功效系数法标准化处理。计算方式如下。

(1)极差法标准化

设有指标序列x

对于负向指标采用极差标准化公式：

其中，x

(2)功效系数法标准化

设有指标序列x

负向功效系数标准化公式：

其中，c为调节系数；

公式(3)和(4)标准化后最大值为1，最小值为c，c可用于调节

表1企业健康度指标体系及各指标计算方式

第三步骤：构建企业健康度评价模型

S1：层次分析法：

运用层次分析法来计算企业健康度各评级指标的权重值。层次分析法(AHP)最早由美国运筹学家T.L.Saaty提出，该方法首先对评价目标进行逐层分解，细化指标，形成一个多层的分析结构模型，并运用数学方法与定性分析相结合，计算出各指标所占权重。

具体权重计算步骤如下：

(1)建立递阶层次结构模型

应用层次分析法来计算权重时，首先把企业健康度指标体系分为四个层级：目标层、指标维度层、指标类型层和具体指标层。

(2)构造各层级中的所有判断矩阵

设u

同理，可以得到指标类型层和具体指标层的各个权重判断矩阵，判断矩阵由等式(5)得到。从表1中可看出，一共有5个维度和12个类型，其中有3个类型只包含一个指标，无需构造判断矩阵。其余的5个维度和9个类型需要构造判断矩阵。

(3)重要性排序

由判断矩阵可求解出最大特征根λ

PW＝λ

特征向量W归一化后即为各指标的重要性排序，也即权重分配。

(4)一致性检验

上述步骤求得的权重分配是否合理，需要对判断矩阵进行一致性检验来确定。设CR为判断矩阵的随机一致性比例，计算公式为：

其中，CI为判断矩阵的一般一致性指标，RI为判断矩阵的平均随机一致性指标。

CI的计算公式为：

其中，n表示判断矩阵的阶数；

1～9阶的判断矩阵的RI值参见表2。

表2平均随机一致性指标RI值

当CR＜0.1时，可以认为判断矩阵的一致性在可接受范围内，否则需要不断调整判断矩阵使其满足CR＜0.1。

综合层次分析法和直接专家打分两种方法得到的最终结果，获得了不同层级中指标的权重值，详见表1。

每层级中各指标的权重值乘以相应的指标评价值，可以得到上一层级指标的综合评价值。各指标的具体权重和综合评价值计算公式为：

其中，Y

W

W

本实施例中指标权重下标的字母个数表示层级数，如Y

由以上分析，可以得到企业健康度的综合评价值I

I

通过该方法，不仅可以得到最终的企业健康度，也可以获得不同维度和不同类型指标的次级评价值，以此来判断不同层级中各指标对企业健康度的影响程度。

S2：模糊评价法：

利用层次分析法计算得出的企业健康度指标值后，运用模糊评价法可更直观地看出企业当前的健康状态。模糊评价法是对受多种因素制约的事务做出全面评价的一种方法，其特点是所得结果不是绝对地肯定或否定，而是用隶属度的模糊集合表示，将定性指标定量化，该方法常与层次分析法结合使用，使得数据处理更加直观。

风险等级的划分标准采用组合数法进行判断。综合专家以及相关业务人员的意见，针对健康度指标体系中所涉及的具体风险项，

涉及6项风险项以上的应被视为“高风险”，

涉及3项风险项以内的应被视为“良好”，

而涉及4和5项风险分别应进行“低风险”和“中风险”的区分。

在此建议的基础上，将评价体系中可能产生的所有风险项共31项，按照3、4、5、6四种组合进行穷举，即：C(n,k)，

其中，n为所有指标总数31，k分别为所涉及的风险项数量{3,4,5,6}。

通过计算出其“扣分”情况所对应的平均水平，从而确定风险等级的划分标准。

计算结果显示，C(31,3)和C(31,6)组合的平均水平分别为0.0967和0.1953，分别对应“扣去”9.67和19.53分，因此“良好”等级划分标准定为大于90分，“高风险”等级划分标准定为小于80分；C(31,4)和C(31,5)组合的平均水平分别为0.1290和0.1612，分别对应“扣去”12.9和16.12分，综合二者的情况后，“中风险”与“低风险”等级的划分标准定为大于与小于85分。

按照表3的等级评价标准，将企业健康度分为高风险、中风险、低风险、良好4个等级。

表3健康度等级评价标准

最后，采集企业的地理位置信息，根据企业的地理位置信息结合地图展示的企业健康度等级信息，和/或各企业在对应地理位置上的分布状态信息。也可以根据不同的图层分别展示企业健康度等级信息。

实施例2

本实施例提供的企业健康度分析系统，基于以上健康度评级模型，建立企业健康度分析平台，从各个维度对企业健康度进行分析，并进行实时监测。

本实施例中多维度监测数据涉及到不同的监管职能部门，包括对企业的监管、监测、执法等数据，因此从不同职能管理部门获取相应的数据，数据结构存在差异，需要设计不同的数据采集接口来获取多维度监测数据；并在获取数据后，统一将不同的数据结构转变为模型所需要的数据结构，这样可以提高数据处理效率和数据处理的准确度。

本实施例提供的企业健康度分析系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述方法，所述处理器中设置有实现不同功能作用的模块，具体包括数据采集接口、企业健康度评价模型、输出模块；所述数据采集接口，用于获取多维度监测数据；所述企业健康度评价模型，用于接收多维度监测数据并构建用于评价企业健康度的评价模型；所述输出模块，用于输出企业健康度评价模型处理的结果。

本实施例中的企业健康度分析系统还可以建立数据库来存储采集的多维度监测数据以及企业健康度评价模型处理后的结果数据，并通过无线通讯方式上传到云端服务器，通过云端服务器远程分发结果数据。

系统首先将动态监测的微观风险进行汇总统计，并通过图层的方式实现各类维度的自由切换，形成直观的风险总览。除展示企业健康度的整体情况、各市州和行业健康度分析外，结合地图展示各维度的企业的分布，可叠加如水系、湖泊、生态红线、保护地等图层信息。

如图2所示，图2为系统首页展示效果图，从实例图2中可发现，截止当时的监测时点，健康度评级为高风险的企业有86家，占比为0.49％；中风险的企业有263家，占比为1.49％；低风险的有1445家，占比为8.17％；良好的企业有15893家，占比为89.86％。整体风险结构偏优良，高风险企业占比较低，绝大部分企业风险较低。

系统进一步聚焦各微观企业，对其数据情况、风险特征以及风险监测结果进行了详细展示，形成具象的风险画像。除展示企业的基础信息、企业标签、监管执法、投诉举报、主要产排物、污染源明细等数据外，进一步展示企业的风险指数、风险雷达、健康码、健康度变化趋势等详细信息。

本系统实现了从企业独立式“数字”档案到综合性“数据”档案的提升。通过数据融合，归集排污许可、环评、行政处罚、投诉、在线监测、自行监测、监督性监测、环保税、企业信用、用电监控等信息，建立企业综合性“数据”档案，生成多维度企业信用数据库，搭建大数据自动进行风险预警分析和动态风险管理架构，为系统自动生成企业健康度提供数据支撑。

实现了从全覆盖监管到重点监管的转变。生态环境部门根据企业健康度分析的结果，对高、中风险企业进行重点监管，缩小管理范围，提高管理质量。

实现了从单项静态风险划分向多维动态风险预警分析的提升。本系统实现了实时查询企业的监管、监测、排放等数据，按照企业健康度评价指标，对企业健康度进行实时分析，形成生态环境企业信用风险指标体系，建成了多维动态风险预警分析平台，建立了问题导向、数据分析、监督检查、整治提升的闭环式监管机制，推进了生态环境企业分级分类动态监管。

本实施例提供的系统为了提高判断的准确性，需要对接并纳入更多的数据源，提升预警与分析的维度。企业健康度所涉及的评价指标应尽可能的广泛，比如电力、税务、统计、市场监管等其他委办局的相关数据，充实指标体系，最大化发挥大数据技术与分析方法的优势，使尽可能多的理论指标能参与到实际的监测与监管过程中。

同时，本实施例提供的存储介质，所述存储介质存储有用于实现上述任一项所述的方法。

以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。