本发明涉及网络数据管理领域，尤其涉及一种权重因素等级评价的方法及系统。
背景技术：
大数据技术是以数据为本质的一种信息技术，在数据挖潜过程中，能够带动理念、模式、技术及应用实践的创新。数据价值的凸显、数据获取手段及数据处理技术的改进是“大数据”爆发的根源。而随着数据生产要素化，数据科学、数据科技的不断发展和数据价值的深度挖掘和应用，将带动区域经济发展、智慧城市建设、企业转型升级、社会管理等各个领域的创新和发展。大数据在数据科学理论的指导下，将改变创新模式和管理理念，发展大数据技术，深化大数据应用和实践。而行业大数据将是大数据最大最佳的应用领域。
将大数据的应用运用到企业管理中，可以在海量的数据中统计分析出想要实现的结果，训练计算统计模型，帮助企业管理者掌握精准企业信息，指导企业行为和引导公众消费。但目前大数据应用存在着诸多的缺点，例如，数据的分析需要基于海量的数据积累，目前大数据需要根据数以百万计的海量数据进行分析，而绝大部分的平台缺乏大数据依托，往往是小数据或中数据，因此，数据的匮乏会导致计算结果缺乏说服力。另外，现有常规企业信用危机评价模型，主要有多变量统计模型、基于人工智能的信用风险评估模型、基于市场价值的信用风险评估模型等，这些模型对于样本的前提条件比较苛刻，现实中的样本数据严重违背了这些假定。而且模型选择的变量无法避免相互之间的多重共线性问题。人工智能信用模型的建立虽然在一定程度上解决了这些问题，但这种“黑箱”式的训练得出的结论在一定程度上缺乏解释能力。同时，如果将企业信用危机作为一个多变量问题，变量太多会增加计算量和增加分析问题的复杂性。为了增加数据有效性，应尽可能地在进行定量分析的过程中涉及的变量较少，得到的信息量较多。
技术实现要素：
为了解决现有技术中存在的上述问题，本发明提出了一种权重因素等级评价方法及系统，在采集的海量政府部门数据、企业内部数据以及舆情数据等信息的基础上，将企业信用危机的多个评价指标转化为少数几个综合指标，可实现快速简洁的评价计算，弥补了传统评价方法在评价中忽略指标间关联关系的不足。
本发明所采取的技术方案是：
一种权重因素等级评价方法，包括存储在采样存储器中样本数据，数据采集终端从采样存储器中调取样本数据，
数据采集终端将从采样存储器中调取的样本数据传输到信息处理服务器；
信息处理服务器对样本数据进行预处理；
信息处理服务器对经过预处理的样本数据进行权重因素分析；
通过权重因素分析获得评价等级模型；
评价等级模型存储于数据存储器中；
数据采集终端收集待处理数据，将待处理数据输入评价等级模型，获得待处理数据的评价等级。
优选的是，样本数据包括政府部门数据库数据、企业内部数据及舆情数据。
在上述任一方案中优选的是，权重因素分析包括：
计算样本数据综合得分，按照综合得分及样本数据中数据分布状态划分类别，设定数据等级；
通过计算指标系数，构建综合得分函数，计算权重因素得分。
在上述任一方案中优选的是，计算样本数据综合得分进一步包括：
检验样本数据是否适合使用权重因素分析方法；
权重因素选取采用spss软件默认的保留特征值大于1的因素的方法；
用正交极大法转动方差,进行因子分析；
选取前s个权重因素,通过各因子的权重系数按照回归法计算出综合得分。
在上述任一方案中优选的是，根据样本得分结果的分布特性，选定分类点，设定各个数据等级。
在上述任一方案中优选的是，样本得分结果的分布特性，为线性分布或正太分布。
在上述任一方案中优选的是，构建综合得分函数，进一步包括：构建预测函数模型，选择s个权重因素，则估计样本的评分函数为：
f＝a1z1+a2z2+…+aszs(1)
其中，f：历史样本综合得分；
ai：第i个权重因素的贡献率；
zi：第i个权重因素。
在上述任一方案中优选的是，
计算指标系数为：
其中：i,l＝1,2,...s；
ki为从大到小排列的第i个特征值；
bil为权重因素zi到zl的累积贡献率。
在上述任一方案中优选的是，第i个权重因素可以表现为n个原始指标的线性组合，则：
zi＝bi1x1+ai2x2+…+ainxn(2)
将(2)代入(1)中：
f＝c1x1+c2x2+…+cnxn(3)
其中：
i＝1，2，…，s；
j＝1,2，…，n。
在上述任一方案中优选的是，通过权重因素等级评价获得待处理数据的权重因素等级包括如下步骤：
搭建信息采集平台，接收信息采集平台传送的待处理数据，将待处理数据作为新样本，将新样本数据通过与样本数据相同的处理方式预处理为标准数据格式；
使用公式(3)构建完成的函数模型计算综合得分，得出新样本数据的权重因素得分；
将新样本数据的权重因素得分与样本数据权重因素等级比较，得出新样本数据权重因素等级评价，确定待处理数据的权重因素等级。
在上述任一方案中优选的是，通过kmo和barrelett球度检验样本数据是否适合使用权重因素分析方法，当kmo值大于0.5，球度检验为显著时，判断使用权重因素分析方法是合适的。
在上述任一方案中优选的是，样本数据随机分为两组，一组为训练样本组，所述训练样本组的数据用于构造预测模型；另一组为测试样本组，所述测试样本组的数据用于验证预测模型的有效程度。
一种权重因素等级评价系统，包括：样本数据存储模块：其配置为适于在采样存储器中存储样本数据，还包括以下模块：
数据采集终端：其配置为适于将从采样存储器中调取的样本数据传输至信息处理服务器；
样本数据预处理模块：其配置为适于对样本数据进行预处理；
权重因素分析模块：其配置为适于对经过预处理的样本数据进行权重因素分析；
评价等级模型确定模块：其配置为适于通过权重因素分析获得评价等级模型；
评价等级模型存储模块：其配置为适于将评价等级模型存储于数据存储器中；
评价等级获取模块：其配置为适于在数据采集终端收集待处理数据后，将待处理数据输入评价等级模型，获得待处理数据的评价等级。
优选的是，权重因素分析模块包括：
样本数据综合得分计算模块，其配置为计算样本数据综合得分，按照综合得分及样本数据中数据分布状态划分类别，设定数据等级；
综合得分函数构建模块：其配置为通过计算指标系数，构建综合得分函数，计算权重因素得分。
在上述任一方案中优选的是，样本数据综合得分计算模块执行如下计算：
检验样本数据是否适合使用权重因素分析方法；
权重因素选取采用spss软件默认的保留特征值大于1的因素的方法；
用正交极大法转动方差,进行因子分析；
选取前s个权重因素,通过各因子的权重系数按照回归法计算出综合得分。
在上述任一方案中优选的是，样本数据综合得分计算模块根据样本得分结果的分布特性，选定分类点，设定各个数据等级。
在上述任一方案中优选的是，样本得分结果的分布特性，为线性分布或正太分布。
在上述任一方案中优选的是，综合得分函数构建模块构建预测函数模型，具体为：选择s个权重因素，则估计样本的评分函数为：
f＝a1z1+a2z2+…+aszs(1)
其中，f：历史样本综合得分；
ai：第i个权重因素的贡献率；
zi：第i个权重因素。
在上述任一方案中优选的是，计算指标系数为：
其中：i,l＝1,2,...s；
ki为从大到小排列的第i个特征值；
bil为权重因素zi到zl的累积贡献率。
在上述任一方案中优选的是，第i个权重因素可以表现为n个原始指标的线性组合，则：
zi＝bi1x1+ai2x2+…+ainxn(2)
将(2)代入(1)中：
f＝c1x1+c2x2+…+cnxn(3)
其中：
i＝1，2，…，s；
j＝1,2，…，n。
在上述任一方案中优选的是，权重因素等级确定模块通过以下方法确定待处理数据的权重因素等级：
搭建信息采集平台，接收信息采集平台传送的待处理数据，将待处理数据作为新样本，将新样本数据通过与样本数据相同的处理方式预处理为标准数据格式；
使用公式(3)构建完成的函数模型计算综合得分，得出新样本数据的权重因素得分；
将新样本数据的权重因素得分与样本数据权重因素等级比较，得出新样本数据权重因素等级评价，获取待处理数据的权重因素等级。
本发明的有益效果：
本发明一种权重因素等级评价方法及系统在采集了海量政府部门数据，企业内部数据以及舆情数据等企业危机相关信息的基础上，运用权重因素分析方法，训练评价等级计算模型，将企业信用危机的多个评价指标转化为少数几个综合指标，可实现快速简洁的评价计算，弥补了传统评价方法在评价中忽略指标间关联关系的不足，从而较为准确的得出权重因素等级评价结果，并对企业信用危机进行有效的预警及管理，全方位多角度地展示企业的信用情况，以便政府为企业信用定级提供参考，为下一步各地方健全信用体系建设，实现“联合惩戒”，奠定了业务基础和技术基础。
本发明一种权重因素等级评价方法及系统引入权重因素分析法来对权重因素等级评价指标进行降维。在权重因素等级评价模型中，核心综合评价函数的指标系数如何得到是关键因素，该系数至少必须满足以下条件,才能较好地得出较为准确的信用危机评价结果:
1、能够较好地随着样本变化而变化；
2、客观性；
3、能够保证评价结果的合理性。
针对这些条件,本发明使用权重因素等级评价方法完全基于数据本身来获得系数，从而较为准确的得出权重因素等级评价结果。
本发明一种权重因素等级评价方法及系统不需人为估计权重，减少了评价中人为因素影响，准确性上优于传统评价方法。此外，本发明可根据不同行业的特征调整指标体系，具有一定的可扩展性。
附图说明
图1是按照本发明一种权重因素等级评价方法的一优选实施例的流程图；
图2是按照本发明一种权重因素等级评价方法的权重因素分析步骤的流程图；
图3是按照本发明一种权重因素等级评价方法的确定待处理数据的权重因素等级步骤的流程图；
图4是按照本发明一种权重因素等级评价方法的又一优选实施例的流程图。
具体实施方式
以下参照附图及实施例对本发明进行详细的说明：
实施例1
如附图1-4所示，为一种权重因素等级评价方法，包括：存储在采样存储器中样本数据，数据采集终端从采样存储器中调取样本数据，还包括如下步骤：
步骤一：数据采集终端将从采样存储器中调取的样本数据传输到信息处理服务器，样本数据包括政府部门数据库数据、企业内部数据及舆情数据。
步骤二：信息处理服务器对样本数据进行预处理；检验样本数据是否适合使用权重因素分析方法；通过kmo和barrelett球度检验样本数据是否适合使用权重因素分析方法，当kmo值大于0.5，球度检验为显著时，判断使用权重因素分析方法是合适的。样本数据随机分为两组，一组为训练样本组，训练样本组的数据用于构造预测模型；另一组为测试样本组，测试样本组的数据用于验证预测模型的有效程度。
步骤三：信息处理服务器对经过预处理的样本数据进行权重因素分析；权重因素分析包括：
1、计算样本数据综合得分，按照综合得分及样本数据中数据分布状态划分类别，设定数据等级；计算样本数据综合得分进一步包括：权重因素选取采用spss软件默认的保留特征值大于1的因素的方法；用正交极大法转动方差,进行因子分析；选取前s个权重因素,通过各因子的权重系数按照回归法计算出综合得分。根据样本得分结果的分布特性，选定分类点，设定各个数据等级。样本得分结果的分布特性，为线性分布或正太分布。
2、通过计算指标系数，构建综合得分函数，计算权重因素得分。构建综合得分函数，进一步包括：构建预测函数模型，选择s个权重因素，则估计样本的评分函数为：
f＝a1z1+a2z2+…+aszs(1)
其中，f：历史样本综合得分；
ai：第i个权重因素的贡献率；
zi：第i个权重因素。
计算指标系数为：
其中：i,l＝1,2,...s；
ki为从大到小排列的第i个特征值；
bil为权重因素zi到zl的累积贡献率。
第i个权重因素可以表现为n个原始指标的线性组合，则：
zi＝bi1x1+ai2x2+…+ainxn(2)
将(2)代入(1)中：
f＝c1x1+c2x2+…+cnxn(3)
其中：
i＝1，2，…，s；
j＝1,2，…，n。
步骤四：通过权重因素分析获得评价等级模型；
步骤五：评价等级模型存储于数据存储器中；
步骤六：数据采集终端收集待处理数据，将待处理数据输入评价等级模型，获得待处理数据的评价等级。
通过权重因素等级评价获得待处理数据的权重因素等级包括如下步骤：
搭建信息采集平台，接收信息采集平台传送的待处理数据，将待处理数据作为新样本，将新样本数据通过与样本数据相同的处理方式预处理为标准数据格式；
使用公式(3)构建完成的函数模型计算综合得分，得出新样本数据的权重因素得分；
将新样本数据的权重因素得分与样本数据权重因素等级比较，得出新样本数据权重因素等级评价，获取待处理数据的权重因素等级。
实施例2
本发明一种权重因素等级评价方法具体应用在评价企业信用危机等级中包括：样本选取、样本数据预处理、权重因素分析、构建预测函数模型、划分信用等级、利用综合函数预测新样本得分，评价企业信用危机等级等步骤。
样本选取：选取目标范围内(某一行业或者某一区域)一定数量的信用危机企业和信用良好企业组成的历史样本，其中信用危机企业和信用良好企业需要预定义。组成历史样本的企业按照标准数据格式确定的信用额度，划分为信用危机企业或信用良好企业。将总样本随机分为两组，一组为训练样本组，另外一组为测试样本组。训练样本组的数据用于构造预测模型，而测试样本租的数据用于验证预测模型的有效程度。
样本数据预处理：为保证权重因素等级方法使用的准确性，将对原始数据进行预处理，主要是保证数据具有同一的方向性，并且使指标数据具有经济含义。按照该思想，将样本数据先按照预设的现行标准分类，然后使用某一具体类中的信用危机企业和信用良好企业的比值作为权重因素等级计算的输入数据。这不但保证了各指标数据具有同一的方向性，且都有经济意义。例如，对于行业指标，将其分为农林牧渔，医药卫生，建筑建材，冶金矿产，其他等5个具体类别，样本中农林牧渔中有信用危机企业60个，信用良好企业34个，则该项输入数据定为1.765(60/34)，其余类似处理。
权重因素分析：进行权重因素等级计算时，首先检验数据是否适合使用权重因素分析方法，检验该方法的工具主要是kmo和barrelett球度检验，当kmo值大于0.5球度检验为显著时，使用权重因素等级方法是合适的。kmo：kaiser-meyer-olkin，检验统计量是用于比较变量间简单相关系数和偏相关系数的指标。kmo统计量是取值在0和1之间。当所有变量间的简单相关系数平方和远远大于偏相关系数平方和时，kmo值接近1.kmo值越接近于1,意味着变量间的相关性越强，原有变量越适合作因子分析；当所有变量间的简单相关系数平方和接近0时，kmo值接近0.kmo值越接近于0,意味着变量间的相关性越弱，原有变量越不适合作因子分析。在判断历史样本数据使用权重因素等级方法是合适条件，一方面，要计算历史样本综合得分，成分选取可以采用spss软件默认的保留特征值大于1的权重因素的方法，用正交极大法转动方差,进行因子分析,选取前s个权重因素,通过各因子的权重系数并按照回归法计算出最后的综合得分。根据样本得分结果的分布特性(可能是线性分布或者正太分布)，选定分类点，设定各个信用危机等级。另一方面，我们设构建预测函数模型为：选择s个权重因素，则估计样本的评分函数为：
f＝a1z1+a2z2+…+aszs(1)
其中，f：历史样本综合得分；
ai：第i个权重因素的贡献率；
zi：第i个权重因素。
计算指标系数为：
其中：i,l＝1,2,...s；
ki为从大到小排列的第i个特征值；
bil为权重因素zi到zl的累积贡献率。
第i个权重因素可以表现为n个原始指标的线性组合，则：
zi＝bi1x1+ai2x2+…+ainxn(2)
将(2)代入(1)中：
f＝c1x1+c2x2+…+cnxn(3)
其中：
i＝1，2，…，s；
j＝1,2，…，n。
通过企业信用危机等级评价确定企业信用危机等级包括如下步骤：
将预评估企业资料作为新样本，经过与历史样本相同的方式预处理为标准数据格式；
使用公式(3)构建完成的函数模型计算综合得分，得出企业信用危机得分；
将企业信用危机得分与信用危机等级比较，得出企业信用危机等级评价，获取企业信用危机等级。
划分信用等级：根据计算的样本综合得分及信用危机企业和信用良好企业的分布情况，按照一定的标准和方法设定信用危机等级；
利用综合函数预测新样本得分，评价企业信用危机等级。
实施例3
为一种权重因素等级评价系统，包括：样本数据存储模块、数据采集终端、样本数据预处理模块、权重因素分析模块、评价等级模型确定模块、评价等级模型存储模块以及评价等级获取模块。具体的，
一、样本数据存储模块：其配置为适于在采样存储器中存储样本数据；
二、数据采集终端：其配置为适于将从采样存储器中调取的样本数据传输至信息处理服务器；
三、样本数据预处理模块：其配置为适于对样本数据进行预处理；
四、权重因素分析模块：其配置为适于对经过预处理的样本数据进行权重因素分析；
五、评价等级模型确定模块：其配置为适于通过权重因素分析获得评价等级模型；
六、评价等级模型存储模块：其配置为适于将评价等级模型存储于数据存储器中；
七、评价等级获取模块：其配置为适于在数据采集终端收集待处理数据后，将待处理数据输入评价等级模型，获得待处理数据的评价等级。
权重因素分析模块包括：
1、样本数据综合得分计算模块，其配置为计算样本数据综合得分，按照综合得分及样本数据中数据分布状态划分类别，设定数据等级；样本数据综合得分计算模块执行如下计算：检验样本数据是否适合使用权重因素分析方法；权重因素选取采用spss软件默认的保留特征值大于1的因素的方法；用正交极大法转动方差,进行因子分析；选取前s个权重因素,通过各因子的权重系数按照回归法计算出综合得分。样本数据综合得分计算模块根据样本得分结果的分布特性，选定分类点，设定各个数据等级。样本得分结果的分布特性，为线性分布或正太分布。
2、综合得分函数构建模块：其配置为通过计算指标系数，构建综合得分函数，计算权重因素得分。综合得分函数构建模块构建预测函数模型，具体为：选择s个权重因素，则估计样本的评分函数为：
f＝a1z1+a2z2+…+aszs(1)
其中，f：历史样本综合得分；
ai：第i个权重因素的贡献率；
zi：第i个权重因素。
计算指标系数为：
其中：i,l＝1,2,...s；
ki为从大到小排列的第i个特征值；
bil为权重因素zi到zl的累积贡献率。
第i个权重因素可以表现为n个原始指标的线性组合，则：
zi＝bi1x1+ai2x2+…+ainxn(2)
将(2)代入(1)中：
f＝c1x1+c2x2+…+cnxn(3)
其中：
i＝1，2，…，s；
j＝1,2，…，n。
权重因素等级确定模块通过以下方法确定待处理数据的权重因素等级：
搭建信息采集平台，接收信息采集平台传送的待处理数据，将待处理数据作为新样本，将新样本数据通过与样本数据相同的处理方式预处理为标准数据格式；
使用公式(3)构建完成的函数模型计算综合得分，得出新样本数据的权重因素得分；
将新样本数据的权重因素得分与样本数据权重因素等级比较，得出新样本数据权重因素等级评价，获取待处理数据的权重因素等级。
实施例4
本发明一种权重因素等级评价系统应用到企业信用危机评价系统中，具体包括：样本选取模块、样本数据预处理模块、权重因素分析模块、企业信用危机等级评价模块、企业信用危机等级确定模块。
样本选取模块，其配置为适于选取目标范围内一定数量的信用危机企业及信用良好企业组成历史样本；选取目标范围内(某一行业或者某一区域)一定数量的信用危机企业和信用良好企业组成的历史样本，其中信用危机企业和信用良好企业需要预定义，样本选取模块将组成历史样本的企业按照标准数据格式确定的信用额度，划分为信用危机企业或信用良好企业。将总样本随机分为两组，一组为训练样本组，另外一组为测试样本组。训练样本组的数据用于构造预测模型，而测试样本租的数据用于验证预测模型的有效程度。
样本数据预处理模块：其配置为适于对历史样本的原始数据进行预处理；为保证权重因素方法使用的准确性，将对原始数据进行预处理，主要是保证数据具有同一的方向性，并且使指标数据具有经济含义。按照该思想，将样本数据先按照预设的现行标准分类，然后使用某一具体类中的信用危机企业和信用良好企业的比值作为权重因素计算的输入数据。这不但保证了各指标数据具有同一的方向性，且都有经济意义。例如，对于行业指标，将其分为农林牧渔，医药卫生，建筑建材，冶金矿产，其他等5个具体类别，样本中农林牧渔中有信用危机企业60个，信用良好企业34个，则该项输入数据定为1.765(60/34)，其余类似处理。
权重因素分析模块：其配置为适于对经过预处理的历史样本数据进行权重因素分析；检验历史样本数据是否适合使用权重因素分析方法；进行权重因素计算时，首先检验数据是否适合使用权重因素分析方法，检验该方法的工具主要是kmo和barrelett球度检验，当kmo值大于0.5球度检验为显著时，使用权重因素方法是合适的。kmo：kaiser-meyer-olkin，检验统计量是用于比较变量间简单相关系数和偏相关系数的指标。kmo统计量是取值在0和1之间。当所有变量间的简单相关系数平方和远远大于偏相关系数平方和时，kmo值接近1.kmo值越接近于1,意味着变量间的相关性越强，原有变量越适合作因子分析；当所有变量间的简单相关系数平方和接近0时，kmo值接近0.kmo值越接近于0,意味着变量间的相关性越弱，原有变量越不适合作因子分析。在判断历史样本数据使用权重因素方法是合适条件，一方面，要计算历史样本综合得分，成分选取可以采用spss软件默认的保留特征值大于1的权重因素的方法，用正交极大法转动方差,进行因子分析,选取前s个权重因素,通过各因子的权重系数并按照回归法计算出最后的综合得分。根据样本得分结果的分布特性(可能是线性分布或者正太分布)，选定分类点，设定各个信用危机等级。另一方面，我们设构建预测函数模型为：选择s个权重因素，则估计样本的评分函数为：
f＝a1z1+a2z2+…+aszs(1)
其中，f：历史样本综合得分；
ai：第i个权重因素的贡献率；
zi：第i个权重因素。
计算指标系数为：
其中：i,l＝1,2,...s；
ki为从大到小排列的第i个特征值；
bil为权重因素zi到zl的累积贡献率。
第i个权重因素可以表现为n个原始指标的线性组合，则：
zi＝bi1x1+ai2x2+…+ainxn(2)
将(2)代入(1)中：
f＝c1x1+c2x2+…+cnxn(3)
其中：
i＝1，2，…，s；
j＝1,2，…，n。
通过企业信用危机等级评价确定企业信用危机等级包括如下步骤：
将预评估企业资料作为新样本，经过与历史样本相同的方式预处理为标准数据格式；
使用公式(3)构建完成的函数模型计算综合得分，得出企业信用危机得分；
将企业信用危机得分与信用危机等级比较，得出企业信用危机等级评价，获取企业信用危机等级。
划分信用等级：根据计算的样本综合得分及信用危机企业和信用良好企业的分布情况，按照一定的标准和方法设定信用危机等级；
利用综合函数预测新样本得分，评价企业信用危机等级。
企业信用危机等级评价模块：通过权重因素分析获得企业信用危机等级评价；
企业信用危机等级确定模块：通过企业信用危机等级评价确定企业信用危机等级。
本发明一种权重因素等级评价方法及系统在采集了海量政府部门数据，企业内部数据以及舆情数据等企业危机相关信息的基础上，运用权重因素分析法，将企业信用危机的多个评价指标转化为少数几个综合指标，可实现快速简洁的评价计算，弥补了传统评价方法在评价中忽略指标间关联关系的不足，从而较为准确的得出权重因素等级评价结果，并对企业信用危机进行有效的预警及管理，全方位多角度地展示企业的信用情况，以便政府为企业信用定级提供参考，为下一步各地方健全信用体系建设，实现“联合惩戒”，奠定了业务基础和技术基础。
本发明一种权重因素等级评价方法及系统引入权重因素分析法来对权重因素等级评价指标进行降维。在权重因素等级评价模型中，核心综合评价函数的指标系数如何得到是关键因素，该系数至少必须满足以下条件,才能较好地得出较为准确的信用危机评价结果:
1、能够较好地随着样本变化而变化；
2、客观性；
3、能够保证评价结果的合理性。
针对这些条件,本发明使用权重因素方法完全基于数据本身来获得系数，从而较为准确的得出权重因素等级评价结果。
本发明一种权重因素等级评价方法及系统不需人为估计权重，减少了评价中人为因素影响，准确性上优于传统评价方法。此外，本发明可根据不同行业的特征调整指标体系，具有一定的可扩展性。
以上所述，仅是本发明的较佳实施例而已，并非对本发明的结构作任何形式上的限制。凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均属于本发明的技术方案范围内。