一种基于企业基本行为轨迹的企业综合测评方法与系统与流程

本发明涉及企业综合测评技术领域，主要是根据分析企业行为评估企业，具体是一种基于企业基本行为轨迹的企业综合测评方法的系统。

背景技术：

随着社会发展的快速推进，企业加速呈现整合、分化的趋势，优秀企业越来越大、越来越强，新兴创业型企业加速增长发展，大多传统型企业却逐渐走向没落。如何判断一家企业的发展质量，如何评定一家企业信用等级，如何判定一家企业是否优秀，现如今都还没有确定的优秀的评价标准或者方法用以评定一个企业。

目前企业的行为记录，多被忽视或者极少被利用且基本没有被利用来评测或者说分析一个企业。现有的企业评估办法，很有限且并不能全面评估一个企业。现存的办法里很多用于评估企业的信用等或者企业价值等，且多利用企业的财务、资产、产品质量数据进行分析而忽略了企业行为轨迹。

本发明目的是提出一种基于企业基本行为轨迹的企业综合评测方法，为了解决现有评测办法中的局限性和不完全性。该方法利用海量的企业行为记录，从中挖掘出有用的有效的信息。再利用机器学习方法分析这些海量的企业行为数据，其中包括税收缴纳、社保缴纳、医疗保险、企业开票、企业信息公示、企业招投标、企业招聘等多种信息，分析企业信用等级、企业活跃度、企业异常系数，再利用这几个方面的数据综合评测企业等级。

技术实现要素：

本发明的目的在于克服现有技术的不足，提供一种基于企业基本行为轨迹的企业综合测评方法和系统，利用该方法能够将企业的行为轨迹作为评测企业情况并给予等级的参考办法。

本发明的目的是通过以下技术方案来实现的：一种基于企业基本行为轨迹的企业综合测评方法，它包括如下步骤：

根据企业的税收、社保行为记录，计算企业的信用评估等级；

根据企业年度信息公示，分析企业异常情况；

将企业招投标信息和企业招聘信息汇总分析，分析企业活跃度情况；

将企业医疗保险和企业开票情况统计分析，作为评测企业行为的特征之一；

结合信用评估等级数据、企业异常情况数据、企业活跃度情况数据和企业医疗保险和企业开票情况数据，利用机器学习算法标记出正常企业和异常企业，再利用信用评估等级数据、企业是否异常数据、企业活跃度情况数据和企业医疗保险和企业开票情况数据四个特征值分析其他企业是否异常，并得出异常系数；

综合异常系数、信用评估等级数据、企业是否异常数据、企业活跃度情况数据和企业医疗保险和企业开票情况数据，训练各个特征的权重，将权重应用在未标注的企业的特征值上，得出企业的综合测评等级；

展示出企业的信用评估等级、企业是否异常以及企业基本行为轨迹的企业综合测评的信息。

所述的税收包括地税和国税信息。

所述的企业的信用评估等级的计算方法为：以年为单位，正常企业的每年的缴税和社保次数分别是12次，两者之和为24，将企业的二者次数除以24，值在区间[0.1]内，将区间分为4个等级，[0,0.25)、[0.25,0.5),[0.5,0.75),[0.75,1]，依据得出的结果将企业的信用评级划分为4个等级1、2、3、4。

所述的企业异常情况分析统计一年发布一次的企业信息公示，来作为判定企业行为是否异常的一个指标，若企业已经公示则该特征值为1，否则为0。

所述的企业活跃度情况分析用在一个月中企业招投标信息和企业招聘信息的多少，来判定一个企业的活跃度情况，统计企业每年的招投标信息和企业招聘信息之和，将这些数据除以最大的数据值，做归一化处理，得出的值作为该特征的特征值。

企业医疗保险和企业开票情况统计分析是统计两者的次数之和，并将这些数据除以最大的数据值，做归一化处理，得出的值作为该特征的特征值。

一种基于企业基本行为轨迹的企业综合测评方法的系统，它包括：

管理员登录模块，该模块主要用于管理员的登录和身份验证功能；

企业信用评级模块，利用机器学习算法对企业的税收、社保行为进行处理分析，得到企业的信用评估等级；

企业活跃度模块，该模块通过机器学习方法分析每个月企业招投标信息以及企业招聘信息，以此来得出企业的活跃度；

企业异常检测模块，该模块主要负责检测企业行为异常，当企业综合评定过低或者出现一年中没有进行企业公示的情况时，就判定企业行为异常的可能性很大；再根据的信用评估等级、活跃度以及医疗保险和开票信息综合分析，得出企业是否异常以及企业异常系数；

企业综合评测模块，该模块集合了包括企业信用评级、企业异常检测、企业活跃度、企业医疗保险和企业开票情况几个特征，将信息量化作为企业综合评测模型的特征值，再利用机器学习方法得出基于企业基本行为轨迹的企业综合测评等级；

系统界面展示模块，将企业分析的结果以报告的形式展示出来。

本发明的有益效果是：本发明利用通过分析企业的行为轨迹，给出企业的评测等级。本发明可以解决传统的企业评级时的信息不全面的缺点，利用企业的行为，包括税收缴纳、社保缴纳、医疗保险、企业开票、企业信息公示、企业招投标、企业招聘等多种信息，收集整理细化分类，从多方面不同角度分析这些信息，得出企业的信用等级、活跃度情况、异常情况等，再利用机器学习的方法，分以这些数据不同的权重，从而得到企业的综合评测等级。

附图说明

图1为本发明方法的流程图；

图2为系统模块示意图；

图3为数据处理模块示意图。

具体实施方式

下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。

如图1所示，一种基于企业基本行为轨迹的企业综合测评方法，它包括如下步骤：

步骤1：收集整理分析企业的税收、社保行为记录，并以季度为单位进行信息统计。将税收以及社保信息作为分析企业信用的特征值。一个季度分为3个月，税收和社保都是每月缴纳一次，将企业缴纳的次数设为特征值，所以特征值分别可能为1、2、3、4（1：一个季度内企业都没有缴纳税收或者社保；2：一个季度内企业缴纳一次税收或者社保；3：一个季度内企业缴纳两次税收或者社保；4：一个季度内企业缴纳三次税收或者社保；）。将这两个信息量化后，得到两个特征值，再利用机器学习方法得出企业每一季度的信用评估等级。

步骤2：统计出每一年度的企业信息公示。正常企业每年会有一次企业公示信息，所以设置0和1表示企业是否在这一年中进行企业信息公示。将这一值作为评判企业是否异常的一个指标。

步骤3：将企业招投标信息和企业招聘信息汇总分析。每月企业发布的招投标信息和企业招聘信息是不定的，所以汇总每月企业招投标信息和招聘信息的次数，以此量化企业招投标信息和企业招聘信息。将量化后的企业招投标信息和企业招聘信息作为特征值，再利用机器学习的方法分析企业的活跃度情况。

步骤4：医疗保险信息是公司员工在生病之后，会产生的企业行为。将企业医疗保险和企业开票情况统计，结合企业规模，对这两种数据进行归一化分析，作为评估企业异常系数和综合评测企业的特征之一。

步骤5：综上以上四个个步骤量化的数据，包括税收缴纳、社保缴纳、企业信息公示、企业招投标信息、企业招聘信息、医疗保险信息、企业开票信息，作为分析企业是否异常的特征值，利用机器学习的监督学习方法，将一部分正常企业和异常企业标记出来。再利用这几个特征值分析其他企业的是否异常，并得出其最终的企业异常系数。

步骤6：综合企业信用评估等级、企业活跃度、企业异常系数、医疗保险和企业开票归一化数据，给以它们四个不同的权重整合分析得出企业基于行为轨迹的综合评测等级。在得出上述5个特征值之后，人工的将一些企业标注等级，此申请中，企业的测评等级分为5个等级分别为1/2/3/4/5，将这一批数据作为训练集，利用多分类的logistic regression 模型训练各个特征的权重。logistic regression 模型又称为logistic回归分析，通过logistic回归分析，就可以大致了解到底哪些因素影响企业综合测评等级。然后将这些权重应用在其他的未标注的企业的特征值上，得出企业的综合测评等级。

步骤7：数据可视化，展示出企业的信用评估等级、企业异常系数以及企业基本行为轨迹的企业综合测评的信息。

一种基于企业基本行为轨迹的企业综合测评方法的系统，它包括：

管理员登录模块，该模块主要用于管理员的登录和身份验证功能；

企业信用评级模块，利用机器学习算法对企业的税收、社保行为进行处理分析，得到企业的信用评估等级；

企业活跃度模块，该模块通过机器学习方法分析每个月企业招投标信息以及企业招聘信息，以此来得出企业的活跃度；

企业异常检测模块，该模块主要负责检测企业行为异常，当企业综合评定过低或者出现一年中没有进行企业公示的情况时，就判定企业行为异常的可能性很大；再根据的信用评估等级、活跃度以及医疗保险和开票信息综合分析，得出企业是否异常以及企业异常系数；

企业综合评测模块，该模块集合了包括企业信用评级、企业异常检测、企业活跃度、企业医疗保险和企业开票情况几个特征，将信息量化作为企业综合评测模型的特征值，再利用机器学习方法得出基于企业基本行为轨迹的企业综合测评等级；

系统界面展示模块，将企业分析的结果以报告的形式展示出来，每个企业都会有一个报告。报告中会以折线图展示出基于时间流的企业评测分数、企业行为脉络、企业信用等级、企业活跃度、企业异常情况等。最终得到一个总的企业评测等级。

对具体实施方案的描述仅仅是为帮助理解本发明，而不是用来限制本发明的。任何本领域技术人员均可以利用本发明的思想进行一些改动和变化，只要其技术手段没有脱离本发明的思想和要点，仍然在本发明的保护范围之内。