一种企业成长性评价的方法及系统与流程

1.本发明涉及企业评价技术领域，具体涉及一种企业成长性评价的方法及系统。


背景技术：

2.企业的成长性是投资人对项目潜力估算的重要标准，高成长性能吸引大量投资者的眼球。我国目前有许多创新型、创业型、成长型的企业，资本市场为这些企业提供了融资的平台和渠道。这些公司的成长性，对其本身的规划发展、投资者的投资决策和资本市场的规范运转都具有重要的研究参考意义。
3.在我国，企业是我国国民经济的重要组成部分，但其衰减速度却显著高于其他国家，导致国家支持和社会资本投入的风险增大。因此如何有效评价和识别有高成长价值的企业，以提高金融资本的投资效率，成为近年来政府、社会和学界共同关注的热点问题。相关研究具有服务经济及推进企业理论及综合评价方法研究的学术与实践价值。通过对行业调研和竞品分析，我们发现市场上现有产品有如下局限：对企业的成长性评价限于成长性评分及基本信息展示；数据来源单一，主要来自自建数据库，收录数据字段较少等等。因此如何能够提供一种高质量的企业评价报告，既能够展示企业数据，又能够通过多个评价维度对企业数据的深入地评价和分析，从而，帮助企业决策者发现企业发展正在面临或即将出现的问题和风险，并为企业决策者制定用以解决问题和规避风险的措施提供决策依据，成为本领域技术人员亟待解决的技术问题。


技术实现要素：

4.为了克服现有技术方案的不足，本发明提出了一种企业成长性评价的方法及系统，基于综合评价运用多个指标建立指标体系综合地评估企业成长能力，相比于单一指标法要更全面合理，从而有效的解决背景技术提出的问题。
5.本发明解决上述问题所采用的技术方案是：
6.一种企业成长性评价的方法，所述方法由所述业务所在的系统执行，所述业务针对其用户的数据与所述用户通过所述系统进行的线上评分相关联，包括以下步骤：
7.s1、基于企业成长性模型，获得企业成长性评分值；
8.s2、基于企业财务分析模型，获得企业财务分析估值；
9.s3、将企业成长性评分值与企业财务分析估值的结果以预设格式进行汇总，生成pdf企业成长性评价报告；
10.s4、将企业成长性评价报告封装到特定数据库。
11.进一步地，所述步骤s1基于企业成长性模型，获得企业成长性评分值包括以下步骤：
12.s11、实时采集目标企业的企业数据，并对采集到的所述企业数据进行结构化存储；
13.s12、选取能代表企业成长性的目标变量，计算成长率并进行数据标准化；
14.s13、根据企业的数据特征筛选成长性评分的一级维度指标和相应的二级维度指标；
15.s14、对据筛选出的众多二级维度指标建立主成分分析模型，获得对一级维度方差贡献最大的成分，将该成分转化为相应的一级维度评分；
16.s15、根据六个一级维度(5个基本维度+x维度)评分绘制目标企业的维度评分雷达图，和企业各维度评分所处的位置分布图；
17.s16、将各企业的六个一级维度，即5+x维度评分当作自变量，成长率当作因变量，根据企业所属的不同规模分层分别建立支持向量回归评价模型、线性回归评价模型，预测企业的成长率，并进行评价模型效果对比分析；
18.s17、评价模型的合理性验证，通过建立k折叠交叉检验模型，获得企业成长性模型；
19.s18、在相匹配的成长性模型基础上，输入目标企业一级维度评分，获得目标企业的成长性总分；
20.s19、进行成长性分数校准，输出并储存企业成长性评分。
21.进一步地，所述步骤s2基于企业财务分析模型，获得企业财务分析估值包括以下步骤：
22.s21、获取企业财务报表数据，对采集到的所述财务报表数据进行结构化存储；
23.s22、所述企业财务报表数据包括资产负债表和利润表，通过直接提取企业填报的字段或经过字段的加减，获得结构化后的资产负债表与利润表；
24.s23、预测未来报表，通过建立未来报表的模型，获得预测未来报表的数据；
25.s24、根据预设的计算方法，获得营运流动资金、财务费用的数据；
26.s25、贴现估值，建立无杠杆自由现金流的模型，获得无杠杆自由现金流的数据，包括加权平均资本成本wacc、企业价值ev和股权价值的数据；
27.s26、敏感性分析，针对企业财务数据的加权平均资本成本wacc与永续增长率对贴现估值模型得出的数据作二元敏感性分析；
28.s27、采用杜邦分析，基于各主要财务比率之间的内在联系，获得对目标企业的财务状况和经营成果的综合评价。
29.进一步地，所述实时采集目标企业的企业数据，并对采集到的所述企业数据进行结构化存储，包括：
30.s111、获取企评家中有关企业工商信息、上市公司财务报表、经营信息、风险信息、信用信息数据；
31.s112、获取企业自主填报的信息，包括企业自填未公开的财务数据如营业收入、净利润等，还包括填写企业资信状况信息如税务评级、进出口信用评级的数据。
32.s113、对所述数据进行数据清洗；
33.s114、对清洗后的所述数据进行语义分析，并根据语义分析结果从所述数据中提取数据字段；
34.s115、对所述数据进行特征工程处理，摆阔时间特征处理，缺失值处理、异常值处理和类别型变量处理；
35.s116、将所述数据字段存储在结构化数据表的对应字段空间中。
36.进一步地，所述主成分分析模型中将各主成分按方差大小依次排列顺序，通过舍弃对方差贡献＜85％的成分，选取对方差贡献≥85％的主成分来代表原变量，实现把多个二级维度转化为少数几个综合二级维度的降维功能。
37.进一步地，所述六个一级维度设计为5+x模式，即基本维度+行业特点，所有企业的基本维度有5大维度，包括信用水平、创新能力、风险水平、经营能力和盈利能力，而区分企业行业特点的维度用x表示，行业特点的选择依赖于企业自身填报的数据质量以及企评家上相关数据指标的质量。
38.进一步地，一种企业成长性评价系统，该系统在被处理器执行时实现所述方法的步骤，包括：
39.评价模型模块，用于生成企业成长性评分值，包括企业数据采集模块、模型训练模块、模型验证模块、模型部署模块与模型监控模块；
40.财务评估模块，用于生成企业财务分析估值，包括财务数据采集模块、财务估值模块；
41.后处理模块，用于将所述评价模型模块与财务评估模块的结果以预设格式进行汇总，生成企业成长性评价报告。
42.进一步地，所述企业数据采集模块用于实时采集目标企业的企业数据，并对采集到的所述企业数据进行描述性统计分析与结构化存储；模型训练子模块，用于根据样本数据进行训练建立模型，减少与目标值的误差，通过特征缩放、降维、梯度下降、正规方程的方法，选择与企业数据相匹配的机器学习算法，获得企业成长性回归模型；模型验证子模块是模型开发过程中用于验证所述模型的可靠性，找到匹配模型和检测所述模型工作的性能；模型部署子模块，将程序部署到基于web开发语言的环境中；模型监控子模块，用于监控线上的模型评分是否稳定，监控到参数说明模型评分有变化时，分析引起变化的原因，调整阈值或重训模型。
43.进一步地，所述财务数据采集模块用于实时采集目标企业的财务报表数据，并对采集到的所述企业数据进行描述性统计分析与结构化存储；财务估值模块，用于通过企业的财务数据对企业进行财务估值分析，获得企业的预期估值、财务预测数据与杜邦分析的财务状况。
44.本发明具有的有益效果：
45.1、除企评家数据接口以外，允许并鼓励企业自主填报数据，作为建模数据的重要补充；对各家企业所属的行业和规模进行了区分，在企业维度打分和成长性评价中考虑了行业和规模特征；加入了机器学习算法对模型进行优化，包括主成分分析降维和支持向量回归拟合，实现对企业成长性描述的结构化表达。对企业发展状态的各项评价维度进行深入评价分析，使企业决策者能够通过评价报告中的评价内容，意识到或发现企业发展正在面临或即将出现的问题和风险，并为企业决策者制定用以解决问题和规避风险的措施提供决策依据。
46.2、采用了行业特色估值模型，对企业进行了全面的财务估值和分析。其中，在财务报表预测部分，我们充分考虑了行业分析师对于该行业的一致性预期，并以此作为预测营收增长水平的依据；同时，我们还系统梳理了各行业上市公司的财务指标均值数据，并以此为基准，对于目标企业进行定位，进行相对估值。对行业发展情况以及并购事件做了详细的
描述和分析，为投资者提供全方位的参考建议。
附图说明
47.图1为本发明一种企业成长性评价方法流程图；
48.图2为本发明一种企业成长性评价方法步骤s1信号流程图；
49.图3为本发明一种企业成长性评价方法步骤s1流程图；
50.图4为本发明一种企业成长性评价方法预测利润表模型示意图；
51.图5为本发明一种企业成长性评价方法无杠杆自由现金流模型示意图；
52.图6为本发明一种企业成长性评价方法企业步骤s2流程图；
53.图7为本发明一种企业成长性评价方法的目标企业维度评分雷达图；
54.图8为本发明一种企业成长性评价方法k折叠交叉检验模型示意图；
具体实施方式
55.下面结合实施例及附图，对本发明作进一步的详细说明，但本发明的实施方式不限于此。
56.在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖向”、“纵向”、“侧向”、“水平”、“内”、“外”、“前”、“后”、“顶”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
57.在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“开有”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
58.实施例1
59.一种企业成长性评价的方法，包括以下步骤：
60.s1、基于企业成长性模型，获得企业成长性评分值；
61.s2、基于企业财务分析模型，获得企业财务分析估值；
62.s3、将企业成长性评分值与企业财务分析估值的结果以预设格式进行汇总，生成pdf企业成长性评价报告。
63.s4、将企业成长性评价报告封装到特定数据库。
64.基于国内外对企业成长性的研究现状，本发明以新三板企业为研究对象，并以企业2018年的年度调查数据为基础，以反映企业增资扩股的注册资本增长率作为企业的成长率，对原始数据进行描述性统计分析和特征工程，采用主成分分析法和支持向量回归模型对中小微企业生存发展现状及其成长性进行评价，深入分析中小微企业的成长动能及成长阻力，为投资者判定中小微企业成长性、企业预期市场价值以及企业的投资价值提供科学合理的依据。
65.具体的，所述步骤s1基于企业成长性模型，获得企业成长性评分值包括以下步骤：
66.s11、实时采集目标企业的企业数据，并对采集到的所述企业数据进行描述性统计分析与结构化存储；
67.本发明的数据来源主要有两部分，第一部分为企评家中有关企业工商信息、上市公司财务报表、经营信息、风险信息、信用信息等数据；第二部分来源于企业自主填报的信息，既包括企业自填未公开的财务数据如营业收入、净利润等，又包括填写企业资信状况信息如税务评级、进出口信用评级等数据。通过公开数据和企业自填数据，构建完备的企业数据库，为后续企业测评维度筛选、成长性体系的构建和估值模型的建立提供坚实的基础。
68.从企评家数据中，提取出企业的工商信息、经营信息、风险信息以及上市公司的年报信息等，从中筛选出企业成长性相关的二级指标共37个，提炼出企业成长性相关的一级指标，即企业能力测评的五大基本维度，如经营能力、创新能力、信用水平、盈利能力和抗风险水平(抗风险水平为总分减企业风险水平所得)。发明项目评价指标的选择和接口如表1所示。
69.表1发明项目评价指标选择和接口
[0070][0071][0072]
s12、选取能代表企业成长性的目标变量，计算成长率并进行数据标准化；
[0073]
s13、根据企业的数据特征筛选成长性评分的一级维度指标和相应的二级维度指标；
[0074]
s14、对据筛选出的众多二级维度指标建立主成分分析模型，获得对一级维度方差
贡献最大的成分，将该成分转化为相应的一级维度评分；
[0075]
s141、主成分分析模型的算法步骤如下：
[0076]
原始指标数据的标准化采集p维随机向量x＝(x1,x2...,x
p
)
t
，n个样本x＝(x
i1
,x
i2
,...,x
ip
)
t
，i＝1,2,...,n，n＞p，构造样本矩阵，对样本矩阵中的元素进行如下标准变换：
[0077][0078]
其中得标准化矩阵z；
[0079]
s142、对标准化矩阵z求相关系数矩阵：
[0080]
其中
[0081]
s143、解样本相关矩阵r的特征方程：
[0082]
|r
‑
λi
p
|＝0，得p个特征根，确定主成分；
[0083]
按照确定值，使信息的使用率达85％以上，对每个λ
j
,j＝1,2,...,m解方程组rb＝λ
j
b得单位特征向量b
αj
；
[0084]
s144、将标准化后的指标变量转换成主成分：
[0085]
u
ij
＝z
ti
b
αj
,j＝1,2,...,m，
[0086]
u1称为第一成分，u2称为第二成分，...，u
p
称为第p成分；
[0087]
s145、对m个主成分进行综合评价。
[0088]
对m个主成分进行加权求和，即得最终评价值，权数为每个主成分的方差贡献率。
[0089]
由于主成分分析可以实现把多指标转化为少数几个综合指标的降维功能，因此在筛选众多数据特征形成维度的二级指标时，可用此方法快速精准地找到对方差贡献最大的特征。在主成分分析过程中的数据特征会转化成与方差贡献对应的分数，这个分数就是维度打分的依据。经过数据变换后，将各维度的分数映射为0～100分，示例如图7所示，黄色框内的分数为基本维度分数示例，绿色框内的分数为行业维度分数示例。
[0090]
s15、根据六个一级维度(5个基本维度+x维度)评分绘制每目标企业的维度分数雷达图，和企业各维度评分所处的位置分布图；
[0091]
s16、将各企业的六个一级维度，即5+x维度评分当作自变量，成长率当作因变量，根据企业所属的不同规模分层分别建立支持向量回归评价模型、线性回归评价模型，预测企业的成长率，并进行评价模型效果对比分析；
[0092]
s17、评价模型的合理性验证，通过建立k折叠交叉检验模型，获得企业成长性模型；
[0093]
k折叠交叉验证法，即k
‑
cv，就是重复的使用数据，把得到的样本数据进行切分，组合为不同的训练集和测试集，用训练集来训练模型，用测试集来评估模型预测的好坏，在此
基础上可以得到多组不同的训练集和测试集，某次训练集中的某样本在下次可能成为测试集中的样本，即所谓“交叉”，如图8所示。
[0094]
k折叠交叉验证法原理是将原始数据评价分成k组，将每个子集数据分别做一次验证集，其余的k
‑
1组子集数据作为训练集，这样会得到k个模型，用这k个模型最终的验证集的分类准确率的平均数作为此k
‑
cv下分类器的性能指标。k一般大于等于2，实际操作时一般从3开始取，只有在原始数据集合数据量小的时候才会尝试取2，k
‑
cv可以有效的避免过学习以及欠学习状态的发生，最后得到的结果也比较具有说服性。
[0095]
s18、在相匹配的成长性模型基础上，输入目标企业一级维度评分，获得目标企业的成长性总分；；
[0096]
s19、进行成长性分数校准，完成企业成长性评分。
[0097]
具体的，所述步骤s2基于企业财务分析模型，获得企业财务分析估值包括以下步骤：
[0098]
s21、获取企业财务报表数据，对采集到的所述财务报表数据进行结构化存储；
[0099]
s22、所述企业财务报表数据包括资产负债表和利润表，整理历史报表，通过直接提取企业填报的字段或经过字段的加减，获得结构化后的资产负债表与利润表；
[0100]
企业的利润表在简化时，需要从现金流量表中查找折旧和摊销，并据此计算利润表(调整)中的“营业成本(不含折旧和摊销)”以及“管理费用(不含折旧和摊销)”，最终计算“税息折旧及摊销前利润(ebitda)”。
[0101]
资产负债表在简化时，基于原始财务报表，计算资产负债表(调整)中的“应收账款”、“非核心资产(净额)”、“股本及资本公积”和“留存收益”。
[0102]
s23、预测未来报表，通过建立未来报表的模型，获得预测未来报表的数据；
[0103]
预测未来报表包括预测利润表、预测资产负债表和预测现金流量表的数据；
[0104]
基于一系列的假设条件，对“折旧”和“摊销”进行预测。期末额等于期初额加上固定资产构建或无形资产构建减去摊销或折旧，预测利润表如图4所示。
[0105]
s24、根据预设的计算方法，获得营运流动资金、财务费用的数据；
[0106]
s25、贴现估值，建立无杠杆自由现金流的模型，获得无杠杆自由现金流的数据，包括加权平均资本成本wacc、企业价值ev和股权价值的数据；
[0107]
无杠杆自由现金流可以由税后折旧及摊销前利润加上折旧，扣除资本性支出和净营运资本的增加额得到，计算无杠杆自由现金流如图5所示。
[0108]
s26、敏感性分析，针对企业财务数据的加权平均资本成本wacc与永续增长率对贴现估值模型得出的数据作二元敏感性分析；
[0109]
s27、采用杜邦分析，基于各主要财务比率之间的内在联系，获得对目标企业的财务状况和经营成果的综合评价。
[0110]
具体的，所述实时采集目标企业的企业数据，并对采集到的所述企业数据进行结构化存储，包括：
[0111]
s111、获取企评家中有关企业工商信息、上市公司财务报表、经营信息、风险信息、信用信息数据；
[0112]
s112、获取企业自主填报的信息，既包括企业自填未公开的财务数据如营业收入、净利润等，还包括填写企业资信状况信息如税务评级、进出口信用评级的数据。
[0113]
s113、对所述数据进行数据清洗；
[0114]
s114、对清洗后的所述数据进行语义分析，并根据语义分析结果从所述数据中提取数据字段；
[0115]
s115、对所述数据进行特征工程处理，摆阔时间特征处理，缺失值处理、异常值处理和类别型变量处理；
[0116]
s116、将所述数据字段存储在结构化数据表的对应字段空间中。
[0117]
具体的，所述主成分分析模型中将各主成分按方差大小依次排列顺序，通过舍弃对方差贡献＜85％的成分，选取前面对方差贡献≥85％的主成分来代表原变量，实现把多个二级维度转化为少数几个综合二级维度的降维功能。
[0118]
具体的，所述六个一级维度设计为5+x模式，即基本维度+行业特点，所有企业的基本维度有5大维度，包括信用水平、创新能力、风险水平、经营能力和盈利能力，而区分企业行业特点的维度用x表示，行业特点的选择依赖于企业自身填报的数据质量以及企评家上相关数据指标的质量。
[0119]
具体的，一种企业成长性评价系统，该系统在被处理器执行时实现所述方法的步骤，包括：
[0120]
评价模型模块，用于生成企业成长性评分值，包括企业数据采集模块、模型训练模块、模型验证模块、模型部署模块与模型监控模块；
[0121]
财务评估模块，用于生成企业财务分析估值，包括财务数据采集模块、财务估值模块；
[0122]
后处理模块，用于将所述评价模型模块与财务评估模块的结果以预设格式进行汇总，生成企业成长性评价报告。
[0123]
进一步地，所述企业数据采集模块用于实时采集目标企业的企业数据，并对采集到的所述企业数据进行描述性统计分析与结构化存储；模型训练子模块，用于根据样本数据进行训练建立模型，减少与目标值的误差，通过特征缩放、降维、梯度下降、正规方程的方法，选择与企业数据相匹配的机器学习算法，获得企业成长性回归模型；模型验证子模块是模型开发过程中用于验证所述模型的可靠性，找到匹配模型和检测所述模型工作的性能；模型部署子模块，将程序部署到基于web开发语言的环境中；模型监控子模块，用于监控线上的模型评分是否稳定，监控到参数说明模型评分有变化时，分析引起变化的原因，调整阈值或重训模型。
[0124]
进一步地，所述财务数据采集模块用于实时采集目标企业的财务报表数据，并对采集到的所述企业数据进行描述性统计分析与结构化存储；财务估值模块，用于通过企业的财务数据对企业进行财务估值分析，获得企业的预期估值、财务预测数据与杜邦分析的财务状况。
[0125]
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，依据本发明的技术实质，在本发明的精神和原则之内，对以上实施例所作的任何简单的修改、等同替换与改进等，均仍属于本发明技术方案的保护范围之内。