一种结合信用信息的工业企业综合效益评价方法及系统

技术领域

本发明涉及数据分析技术领域，具体涉及一种结合信用信息的工业企业综合效益评价方法及系统。

背景技术

随着经济的不断发展，企业家的接触和交流越来越多，对企业的全面了解及企业的发展具有重要的意义，但是，目前的企业评价方法中对某一企业的评价方式比较单一。仅从单一特定概念对企业进行评价，从而使得政府和企业管理部分无法对企业有综合的认知，无法全面的了解此企业。

因此，亟需一种相对全面的结合信用信息的工业企业综合效益评价方法及系统。

发明内容

为了克服上述问题，本发明人进行了锐意研究，设计出结合信用信息的工业企业综合效益评价方法及系统，首先获取目标企业的待评价特征数据，确定企业运行特征数据中不同特征数据参数的权重系数以及对应的特征数据参加确定企业评分分数模型，根据企业信用特征数据及企业评分分数模型，以及对应确定企业评分分数模型，进一步确定企业评分分数模型，进而对企业进行分类，本发明所提供的方法通过评分的方式评价某一区域工业企业运行情况，并对该工业企业在该区域中的同类型企业进行排名，从而便于政府及企业管理部门培育产业生态，促进资源要素合理流动，加快企业转型升级，从而完成本发明。

本发明的目的一方面在于提供一种结合信用信息的工业企业综合效益评价方法，该方法包括：

获取目标企业的待评价特征数据，其中，所述待评价特征数据包括企业信用特征数据和企业运行特征数据；

确定企业运行特征数据中不同特征数据参数的权重系数，根据权重系数对应确定企业评分分数模型；

根据企业信用特征数据及企业评分分数模型，确定企业评级区间；

根据企业的评分分数和评级区间，给予企业评价分类。

其中，所述企业信用特征数据包括企业名称、统一社会信用代码、所属乡镇、所属行业、企业规模、技术中心、发明专利、质量奖、上市企业、参与标准制定情况、典型或标准化示范企业、国家级高新技术企业、名牌企业。

其中，所述企业运行特征数据包括企业税收、企业占地面积、企业工业增加值、企业耗煤量、企业耗气量、企业排放污染物吨数、企业R&D投入、企业主营业务收入、企业从业人员平均人数、企业耗水吨数、企业耗电数。

其中，所述特征数据参数为指标项数据，所述指标项数据通过企业运行特征数据获得，

所述权重系数根据企业信用特征数据和企业运行特征数据对目标层的影响的相对重要性获得，所述目标层即工业企业综合效益评价。

各个指标项数据的权重系数通过两两相对重要性判断矩阵确定，

两两相对重要性判断矩阵为：

所述判断矩阵的特征向量或层次单排序结果W在判断矩阵中具有如下关系：

BW＝λ

其中，λ

其中W的分量W

其中，所述权重系数W

a：将判断矩阵的每一列元素做归一化处理，如下：

(i，j＝1，2，3......n)

b：将归一化的判断矩阵按行相加得到每列的

(i，j＝1，2，3......n)

c：归一化处理特征向量，

(i，j＝1，2，3......n)

W

其中，所述企业分为规模以上企业和规模以下企业，所述规模以上企业采取指标项包括：亩均税收、亩均工业增加值、单位能耗工业增加值、单位污染物工业增加值、R&D投入占比、全员劳动生产率、单位水耗业增加值和其他加分项，

所述规模以下企业采取指标项包括亩均税收、单位电耗税收、单位污染物税收和其他加分项，

所述其他加分项为企业信用特征数据。

其中，所述规模以上企业的工业效益综合得分A为：

A＝(亩均税收得分*亩均税收权重系数+亩均工业增加值得分*亩均工业增加值权重系数+单位能耗工业增加值得分*单位能耗工业增加值权重系数+单位污染物工业增加值得分*单位污染物工业增加值权重系数+R&D投入占比得分*R&D投入权重系数+全员劳动生产率得分*全员劳动生产率权重系数+单位水耗工业增加值得分*单位水耗工业增加值权重系数)*100+固定加分总和，所述固定加分由其他加分项获得，

优选地，所述规模以上企业的工业效益综合得分A为：A＝(亩均税收得分*0.4+亩均工业增加值得分*0.2+单位能耗工业增加值得分*0.15+单位污染物工业增加值得分*0.10+R&D投入占比得分*0.05+全员劳动生产率得分*0.05+单位水耗工业增加值得分*0.05)*100+固定加分总和。

其中，所述规模以下企业的工业效益综合得分公式B为：

B＝(亩均税收得分*亩均税收权重系数+单位电耗税收得分*单位电耗税收权重系数+单位污染物税收得分*单位污染物税收权重系数)*100+固定加分总和，

优选地，所述规模以下企业的工业效益综合得分B为：B＝(亩均税收得分*0.65+单位电耗税收得分*0.20+单位污染物税收得分*0.15)*100+固定加分总和。

本发明的另一方面提供一种工业企业综合效益评价系统，所述系统包括：

待评价特征数据获取模块，用于获取目标企业的待评价特征数据，其中所述待评价特征数据包括企业信用特征数据和企业运行特征数据；

企业评分模型确定模块，用于获取特征数据参数的权重系数，并根据权重系数以及对应的特征数据参数确定企业评分模型；

评分模块，根据企业信用特征数据及企业评分分数模型，确定企业评级区间；

评价分类模块，根据企业的评分分数和评级区间，给予企业评价分类。

本发明所具有的有益效果为：

(1)本发明通过获取目标企业的待评价特征数据，进一步根据企业评分模型得到待评价特征数据的评分，进而得到企业综合效益评分及对应的企业评级分类，对目标企业得到较为全面的评价；

(2)本发明通过较为全面的企业评价方法，便于将同一区域同一类型的企业进行排名，从而便于政府及企业管理部门培育产业生态，促进资源要素合理流动，加快企业转型升级；

(3)本发明所提供企业评分系统和方法有利于提高对目标企业评分的准确度，同时，通过不同的权重系数表征特征数据在企业评分模型过程中的权重，有利于进一步提高通过企业评分模型获得的企业评分的可信度；

(4)本发明提供的企业评价方法根据不同类别的企业分别进行分析，对指标进行降维处理，降低了评分模型的复杂度，同时使得分析结果更加准确，接近实际情况。

附图说明

图1示出了本发明一种优选实施方式的企业评价方法的流程示意图；

图2示出本发明一种优选实施方式的企业评价系统的结构示意图。

具体实施方式

下面通过附图和优选实施方式对本发明进一步详细说明。通过这些说明，本发明的特点和优点将变得更为清楚明确。

根据本发明，提供一种结合信用信息的工业企业综合效益评价方法，该方法包括：

S101、获取目标企业的待评价特征数据，其中，待评价特征数据包括企业信用特征数据和企业运行特征数据；

本发明中，工业企业综合效益即代表工业企业综合实力和企业实际运行状况的映射，根据专家经验判断主观定性的确定影响工业企业发展综合效益的特征数据包括企业信用特征数据和企业运行特征数据。企业运行特征数据可反映企业实际运行状况的好坏，企业信用特征数据可反映企业综合实力。

本发明中，专家经验判断是根据对工业企业综合效益评价领域有深入研究的专家多年从业经验进行定性判断，借助专家经验判断能够比较全面和专业地得到全面、科学、相对可靠的结果。

根据本发明，企业信用特征数据包括企业名称、统一社会信用代码、所属乡镇、所属行业、企业规模、技术中心、发明专利、质量奖、上市企业、参与标准制定情况、典型或标准化示范企业、国家级高新技术企业、名牌企业。上述信用特征数据由相关部门或社会组织确定，可用于反映企业综合实力。

本发明中，企业名称为企业工商登记名称；统一社会信用代码为企业18位统一社会信用代码；所属乡镇为企业实际经营地址；所属行业根据国家标准GB/T4754-2017分类得出的行业确定；企业规模根据工信部联企业[2011]300号规定确定；技术中心的内容项包括国家级、省级、市级和无；发明专利的内容项包括无、一项、两项、三项和四项及以上；质量奖的内容项包括国家级、省级、市级和无；上市企业内容项包括主板上市、新三板上市和非上市；参与标准制定情况包括参与国际标准制定、参与国家标准制定、参与地方标准制定和无；典型或标准化示范企业内容型包括国家级、省级、市级和无；国家级高新技术企业内容项包括是和否，名牌企业内容项包括是和否。

根据本发明，企业运行特征数据包括企业税收、企业占地面积、企业工业增加值、企业耗煤量、企业耗气量、企业排放污染物吨数、企业R&D投入、企业主营业务收入、企业从业人员平均人数、企业耗水吨数、企业耗电数。

本发明中，工业企业运行中，企业运行特征数据所包括的数据项，基本涵盖了工业企业运行的生产、经营、发展、税收四个方面，同时企业特征数据包含了企业运行中所展现的必要关键项，也是衡量企业发展好坏的关键指标。

S102、根据企业信用特征数据，确定企业运行特征数据中不同特征参数的权重系数，根据权重系数确定企业评分分数模型；

本发明中，企业信用特征数据是企业的基本数据，其中企业所处行业和企业规模两大方向会影响到分数权重，由此，可对工业企业进行分类，分为不同行业和不同类别的企业，通过对不同类别的企业分别进行分析，使得分析结果更加准确，与实际情况接近。

根据本发明，获得目标企业的待评价特征数据后，根据企业信用特征数据，具体地，根据企业所属行业和企业规模对企业进行分类，将同一行业及同一企业规模的企业分为一类。

根据本发明，在工业企业中，不同规模企业具有较大的运营效益及较为明显的评价影响层面，结合专家经验判断，按照企业规模将企业分成两类进行判断，分别是规模以上工业企业和规模以下工业企业，分类标准为根据工信部联企业[2011]300号规定及国家统计局数据，规模以上工业企业指年主营业务收入不少于2000万元人民币。年主营业务收入小于2000万元人民币的工业企业则为规模以下工业企业。

根据本发明，由于目标企业的待评价特征数据较多，可对单项特征数据进行分段处理，或通过公式进行精简化处理，因此，将单项特征数据处理为指标项数据。

根据本发明，分段处理是对非连续性变量进行降维的处理，这样可以降低模型的复杂度在评级模型开发中的降维处理方法，通常是将属性相似的合并处理，以达到降维的目的，比如对企业规模的指标分段处理，如果不降维不分段，可能的指标选择有特大型企业、大型企业、中型企业、小型企业、微型企业，这样的话指标的打分范围太广，模型的复杂度会很高，就必须进行指标分段处理，即降维处理，这个企业规模指标就可以设置为规模以上企业、规模以下企业两个维度，大大降低了模型的复杂度。

根据本发明，对单项企业运行特征数据进行分段处理，经过降维处理，得到与企业运行特征数据相对应地指标项数据。

根据本发明，指标项数据包括：亩均税收、亩均工业增加值、单位能耗工业增加值、单位污染物工业增加值、R&D投入占比、全员劳动生产率、单位水耗工业增加值、单位电耗税收、单位污染物税收和其他加分项。

具体地，指标项数据与企业运行特征数据之间的关系，即指标项数据的获得方式如表1所示：

表1

本发明中，企业综合能耗为标准转换，即将企业的所有耗能转为吨标准煤单位。

本发明中，其他加分项所用特征数据为企业信用特征数据。

本发明中，根据专家经验判断，不同规模企业所采取的企业运行特征数据的指标项数据不同。

根据本发明中，针对规模以上工业企业，采取指标项数据为：亩均税收、亩均工业增加值、单位能耗工业增加值、单位污染物工业增加值、R&D投入占比、全员劳动生产率、单位水耗业增加值和其他加分项；

规模以下工业企业，采取指标项数据为：亩均税收、单位电耗税收、单位污染物税收和其他加分项。

就规模以上工业企业而言，根据各个指标项数据对工业企业综合效益评价分数的影响的相对重要性，通过构建两两相对重要性矩阵，得到各个指标项维度的权重系数。

本发明中，相对重要性是在判断指标体系各层级之间相对重要性的时候用到的一种比较和计算方法，同时会利用到层次分析法建立递阶层次结构，针对此评分系统的递阶层次结构就是工业企业综合效益评价得分，和供工业企业综合效益评价的方案或措施。具体到本发明就是工业企业综合效益评价得分系统的指标体系的评分方法相对于特征数据的相对重要性判断，以及特征数据之间的相对重要性判断，通过这样的形式建立起递阶层次结构，然后建立两两相对重要性判断矩阵，通过相对重要性权值或相对优劣次序的排序，得出不同方案的权重，为最佳方案提供决策依据。判断矩阵一般形式如表2所示。

表2

一般判断矩阵形式为：B＝(b

判断矩阵中的bij是根据资料数据、专家经验和系统工程分析人员的经验，反复研究确定的，其代表了两个元素相比较时的重要程度。通过对所有评价维度的两两相对重要性进行判断，构建两两相对重要性判断矩阵，求出矩阵的特征向量即为权重。

判断矩阵B具有如下特征：b

根据b

上述判断矩阵的特征向量或层次单排序结果W在判断矩阵中具有如下关系：

BW＝λ

λ

其中W的分量W

其中，权重系数W

a：将判断矩阵的每一列元素做归一化处理，如下：

(i，j=1，2，3......n)

b：将归一化的判断矩阵按行相加得到每列的

(i，j＝1，2，3......n)

c：归一化处理特征向量，

(i，j＝1，2，3......n)

W

特征向量W＝(W

优选地，利用最大特征根对特征向量做一致性检验，当一致性检验结果满足设定要求时，特征向量的结果才可接受。

由于判断矩阵为主观评估给出，完全有可能出现逻辑错误，这样，判断矩阵的可靠性难以保障。因此，利用层次分析法保持思维判断的一致性非常重要。

判断矩阵中，b

一致性CI指标为：CI＝(λ

一致性指标CI值越小，判断矩阵越接近于完全一致性，CI值越大，判断矩阵偏离完全一致性程度越大。当判断矩阵的阶数n＜3时，判断矩阵永远具有完全一致性。

优选对于多阶判断矩阵引入平均随机一致性指标RI，1-15阶正互反矩阵计算1000次得到的平均随机一致性指标可通过统计相关的标准表获得，具体如下表3所示：

表3

判断矩阵一致性指标CI与同阶平均随机一致性指标RI之比，称为随机一致性比率CR。

当CR＜0.1时，认为判断矩阵具有可接受的一致性，当CR＞0.1时，需要调整和修正判断矩阵，使其满足CR＜0.1后才具有可接受的一致性。

为了达到对两两相对重要性判断的情况进行量化的目的，必须定量描述任意两方案对某一准则的相对优越程度，一般情况下，对单一准则进行两方案比较的时候，总能判断出优劣程度。层次分析法采用1-9的标度，给不同的方案比较给出标度(2，4，6，9为上下两标度间的折中标度，也可以不同)。如表4所示。

表4

本发明中，指标项的标准没有具体量化的范围，是基于专家的行业经验(这里特指对工业企业综合效益评价有深入研究的专家)对影响工业企业综合效益评价的所有因素都考虑到所选出的指标，然后通过专家对所有指标的两两相对重要性进行判断，构建两两相对重要性判断矩阵，最后求出矩阵的特征向量即为权重。

本发明中，通过权重的计算获得的各个指标项的最高得分阈值，再根据专家的经验对各个指标的打分规则进行确定，针对规模以上企业，单项指标得分为该企业该指标的数值除以同类企业该指标的最高数值，具体如表5所示：

表5

注：当污染物排放为0时，该企业的单位污染物工业增加值得分为1。

根据本发明，规模以上工业企业相对重要性如下表6所示：

表6

根据以上数据，构建两两相对重要性矩阵如下：

计算得到规模以上工业企业的指标维度的权重系数如表7所示：

表7

根据本发明，规模以上企业的工业效益综合得分A的计算公式为：

A＝(亩均税收得分*0.4+亩均工业增加值得分*0.2+单位能耗工业增加值得分*0.15+单位污染物工业增加值得分*0.10+R&D投入占比得分*0.05+全员劳动生产率得分*0.05+单位水耗工业增加值得分*0.05)*100+固定加分项总和。

对规模以下企业而言，单项指标得分为企业该指标数值除以所有规模以下企业该指标的最高数值，具体见表8：

表8

针对规模以下企业，选取的指标维度及其相对重要性如下表9所示：

表9

根据以上数据，构建两两相对重要性矩阵如下：

计算得到规模以下工业企业的指标维度权重系数如表10所示：

表10

根据本发明，规模以下企业的工业效益综合得分B的计算公式为：

B＝(亩均税收得分*0.65+单位电耗税收得分*0.20+单位污染物税收得分*0.15)*100+固定加分项总和。

其中，固定加分项分数算法如下表：

固定加分项：固定加分项属于额外的加分项目，该加分项适用于所有企业，即规模以上企业和规模以下企业均适用，加分规则如表11所示：

表11

S103、根据企业信用特征数据及企业评分分数模型，确定企业评级区间；

根据本发明，在第一类企业中，根据企业信用特征数据中的企业所属行业进行分类，将所述相同行业的企业归为一类，并在相同行业内的企业工业效益分数进行倒序排序。

在第二类企业中，直接将所有规模以下工业企业的工业效益分数进行倒序排序。

S104、根据企业的评分分数和评级区间，给予企业评价分类。

根据本发明，评级区间及评价分类对应情况为：在同类企业中得分排名前20％(含)为A类，同类企业中得分排名20％～75％(含)为B类，同类企业中得分排名75～95％(含)为C类，同类企业中得分排名95～100％(含)为D类。通过评分分数和评级区间对企业给予评价分类，通过评价分类，能够对某一区域同类企业进行较全面的评价。

本发明的另一方面，提供一种企业评价系统，该企业评价系统201包括：

待评价特征数据获取模块202，用于获取关于目标企业的待评价特征数据，其中，待评价特征数据包括企业信用特征数据和企业运行特征数据；

企业评分模型确定模块203，用于获取特征参数的权重系数，并根据权重系数以及对应的特征参数确定企业评分模型；

评分模块204，根据企业信用特征数据及企业评分分数模型，确定企业评级区间；

评价分类模块205，根据企业的评分分数和评级区间，给予企业评价分类。

本发明通过获取目标企业的待评价特征数据，进一步根据企业评分模型得到待评价特征数据的评分，进而得到企业综合效益评分及对应的企业评级分类，对目标企业得到较为全面的评价，通过不同的权重系数表征特征数据在企业评分模型过程中的权重，有利于进一步提高通过企业评分模型获得的企业评分的可信度；根据不同类别的企业分别进行分析，对指标进行降维处理，降低了评分模型的复杂度，同时使得分析结果更加准确，接近实际情况，通过较为全面的企业评价方法，将同一区域同一类型的企业进行排名，从而便于政府及企业管理部门培育产业生态，促进资源要素合理流动，加快企业转型升级。

实施例

实施例1

表12-13为获取的20个企业在2018年的特征数据，其中表12为各个企业的企业信用特征数据，表13为各个企业的企业运行特征数据。

根据表12，将企业分成规模以上企业和规模以下企业两类，再将规模以上企业按照所属行业进行分类，所属相同行业的为一类，即：

企业1、企业2、企业3、企业4、企业5、企业6、企业7、企业8、企业9、企业10为同一类企业，均为规模以上工业企业，且所属行业同为电子信息业。

企业11、企业12、企业13、企业14、企业15为同一类企业，均为规模以上工业企业，且所属行业同为食品加工业。

企业16、企业17、企业18、企业19、企业20为同一类企业，均为规模以下工业企业。具体如表14所示。

表14

根据本发明的企业评价方法，一类二类运用规模以上企业评价模型，三类运用规模以下企业评价模型，所得一类企业的各指标项的数值如表15所示：

表15

由此可得，在电子信息业这一同类企业中，不同指标项的单项指标最高数值如表16所示：

表16

因此，可得企业1-10中各企业运行特征数据指标项得分如表17所示为：

表17

根据所得表12中企业1-10的企业信用特征数据，可得企业1-10中各个企业的固定加分项得分如表18所示：

表18

根据规模以上企业的工业效益综合得分计算公式A＝(亩均税收得分*0.4+亩均工业增加值得分*0.2+单位能耗工业增加值得分*0.15+单位污染物工业增加值得分*0.10+R&D投入占比得分*0.05+全员劳动生产率得分*0.05+单位水耗工业增加值得分*0.05)*100+固定加分项总和，

得到企业1-10的各企业总得分如表19所示：

表19

按照总得分降序排序，并根据模型区间，企业评级最终如表20所示：

表20

同理第二类企业：规模以上企业且行业为食品加工业的各项数值如表21所示：

表21

由此可得，在食品加工业这一同类企业中，不同指标项的单项指标最高数值如下表22所示：

表22

因此，可得企业11-15中，各企业运行特征数据指标项得分为下表23所示：

表23

根据企业信用特征数据，第二类企业的固定加分如表24所示：

表24

根据规模以上企业的工业效益综合得分计算公式，可得第二类企业的每个企业的总得分及评级如下表25所示：

表25

下面是第三类企业：规模以下企业的企业效益综合评价计算步骤，首先，第三类企业的各项数值如表26所示：

表26

由此可得，在规模以下企业这一同类企业中，不同指标项的单项指标最高数值如下表27所示：

表27

因此，可得企业16-20中，各企业运行特征数据指标项得分为下表28所示：

表28

根据企业信用特征数据，第三类企业的固定加分如表29所下：

表29

根据规模以下企业的工业效益综合得分计算公式，B＝(亩均税收得分*0.65+单位电耗税收得分*0.20+单位污染物税收得分*0.15)*100+固定加分总和，可得第三类企业的每个企业的总得分及评级如下表30所示：

表30

至此，企业1-20的企业效益综合得分及评级均已完成。

以上结合优选实施方式和范例性实例对本发明进行了详细说明。不过需要声明的是，这些具体实施方式仅是对本发明的阐述性解释，并不对本发明的保护范围构成任何限制。在不超出本发明精神和保护范围的情况下，可以对本发明技术内容及其实施方式进行各种改进、等价替换或修饰，这些均落入本发明的保护范围内。本发明的保护范围以所附权利要求为准。