一种企业价值画像评价的方法和系统与流程

本发明实施例涉及人工智能领域，尤其涉及一种企业价值画像评价的方法和系统。

背景技术：

近年来在投资活动中，目标企业，即被投资企业的价值常常犹如雾里看花，令投资者琢磨不定，于是，对目标企业的价值评估成了投资者最为重要的投资决策环节。价值评估是指买卖双方对标的(股权或资产)购入或出售做出的价值判断。投资者通过一定的方法计算目标企业的价值，从而为交易是否可行提供价格基础。投资过程中，对目标企业的估价是其是否成功的关键。从投资者角度看，无论是股东还是目标企业的出资人，均希望交易价格有利于己方。由于双方信息掌握不充分，或者主观认识上存在偏差，因此不能由一方定价而强加于对方。这时就需要聘请中介机构从经济技术的角度做出价值评估。

首先针对企业发展规模与人员数量两方面来对企业进行大型、中型、小型与微型企业分类企业，再根据成立时间不同，区分初创型企业、成长性企业与成熟型企业。并针对这三类企业，形成三套评价体系，用于测评企业投资价值。

技术实现要素：

鉴于此，为解决上述技术问题或部分技术问题，本发明实施例提供一种企业价值画像评价的方法和系统。

第一方面，本申请提供一种企业价值画像评价的方法，包括：

建立企业的价值画像评价模型；获取用于评价所述企业的价值画像的数据；基于所述评价模型对所述数据进行分析，确定所述企业的价值图像。

在一可能的实施方式中，所述建立企业的价值画像评价模型，包括：基于所述企业的目标数据和所述目标数据对应的目标分值，采用预设维度进行企业价值画像进行学习训练，得到价值画像评价模型；其中，所述目标分值为专家根据所述目标数据对所述企业的打分。

在一可能的实施方式中，所述预设维度至少包括以下之一：创新发展、基础能力、企业成长、管理效益、项目效益和信用风险。

在一可能的实施方式中，所述基于所述评价模型对所述数据进行分析，确定所述企业的价值图像，包括：基于所述价值画像评价模型对所述数据进行预设维度的分析，根据各维度的评价信息确定所述企业的多维度价值图像。

在一可能的实施方式中，所述方法还包括：根据所述企业的信息爬虫爬取的所述企业的公开数据；所述基于所述评价模型对所述数据进行分析，包括：基于所述评价模型对所述数据和所述公开数据进行分析。

第二方面，本申请提供了一种企业价值画像评价系统，包括：建模模块，用于建立企业的价值画像评价模型；获取模块，用于获取用于评价所述企业的价值画像的数据；分析模块，用于基于所述评价模型对所述数据进行分析，确定所述企业的价值图像。

在一可能的实施方式中，所述建模模块，具体用于基于所述企业的目标数据和所述目标数据对应的目标分值，采用预设维度进行企业价值画像进行学习训练，得到价值画像评价模型。

在一可能的实施方式中，所述预设维度至少包括以下之一：创新发展、基础能力、企业成长、管理效益、项目效益和信用风险。

在一可能的实施方式中，所述分析模块，具体用于基于所述价值画像评价模型对所述数据进行预设维度的分析，根据各维度的评价信息确定所述企业的多维度价值图像。

在一可能的实施方式中，所述获取模块，还用于根据所述企业的信息爬虫爬取的所述企业的公开数据；所述分析模块，具体用于基于所述评价模型对所述数据和所述公开数据进行分析。

本发明实施例提供的企业价值画像评价的方法和系统，通过建立中小企业价值画像评价模型，采用合理的评价方法，能够客观评估中小企业的发展状况及其所在产业的结构状况，科学地对中小企业价值画像进行评价，预测未来发展趋势。

企业价值画像能够帮助政府管理部门获得较为全面的企业经营发展信息，对管辖区内企业发展情况有较为准确的把握，从而能够合理的制定中小企业发展扶持政策，进行合理的产业布局。

企业价值画像对中小企业的全息画像使得金融机构了能够较为准确对中小企业的成长潜力做出评估，快速从大量中小企业中筛选出较为优质的投资标的，通过进一步考核后锁定目标，更好的保证投资收益，防控风险。企业价值画像使得金融机构能够从大量低效益重复性工作中解脱出来从事高效益值工作，促进其业务快速发展。

企业价值画像通过六大维度的分析对企业价值画像进行评价，协助企业找出隐藏在深层的主要问题，以便其进行针对性改善。有利于企业对标行业整体发展现状，明确自身所处竞争位置，对当前及未来的发展态势有清晰的认识，有利于企业做出合理的发展决策。同时，企业价值画像的评价结果受到金融机构及政府园区的认可，能够帮助企业进行融资拓展以及寻求园区及政府管理部门的政策扶助。

附图说明

图1为本发明实施例提供的一种企业价值画像的评价方法的流程图；

图2为本发明实施例提供的基础模型示意图；

图3为本发明实施例提供的基础模型中的gbrt拟合过程示意图；

图4为本发明实施例提供的集成学习模块示意图；

图5为本发明实施例提供的半监督学习模块示意图；

图6为本发明实施例提供的一种企业价值画像的评价系统的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为便于对本发明实施例的理解，下面将结合附图以具体实施例，做进一步的解释说明，其并不构成对本发明实施例的限定。

图1为本发明实施例，提供的一种企业价值画像评价方法流程示意图，如图1所示，该方法具体包括：

s101、建立企业的价值画像评价模型。

建立企业的价值画像评价模型，包括：

基于企业的目标数据和目标数据对应的目标分值，采用预设维度进行企业价值画像进行学习训练，得到价值画像评价模型；其中，目标分值为专家根据目标数据对企业的打分。

预设维度至少包括以下之一：创新发展、基础能力、企业成长、管理效益、项目效益和信用风险。

其中，本实施例提供的预设维度的具体评分规则如下：

创新发展的评分规则：

通过对企业的发明专利情况，植物新品种，国家级农作物品种，国家新药，国家一级中药保护品种，集成电路图设计专有权，新型专利，外观设计专利，软件著作权和作品著作权进行统计。其中一类专利得100分；仅获得2类专利得50分；一类与2类均获得，得100分。

基础能力的评分规则：

通过对企业注册资本，实收资本与注册资本之比，所属行业，行业行政审批和资质证书进行统计。其中大型企业注册资本高于销售收入的20％，得分10分，低于20％的，得分6分。中小型企业的注册资本在销售收入的比重，低于20％，50％，80％，100％，高于100％，得分分别是2，4，8，6，6分。微型企业高于其销售收入得10分，低于销售收入得5分。实收资本与注册资本之比：等于1，得30分，小于1，得15分。

企业成长的评分规则：

对企业的tn期资产总额，tn期所有者权益总额，tn-1期资产总额，tn-1期所有者权益总额，tn期相对于tn-1期资产总额变化率，tn期相对于tn-1期负债总额变化率，tn期相对于tn-1期所有者权益变化率进行统计并计算。评分标准：可否在系统中的定位在确认。

管理效益的评分规则：

对企业的管理层是否参与受让，导致标的企业的实际控制权发生转移，商标信和网站备案进行统计。评分标准：管理层是否参与受让，是，则得20分，否为0分；导致标的企业的实际控制权发生转移，是则得10分，否则得0分；商标信息，是则得40分，否则得0分；网站备案，是则得30分，否则得0分。

项目效益的评分规则：

通过对企业的tn期资产总额，tn期负责总额，tn期所有者权益总额，tn期营业收入，tn期营业利润，tn期净利润，tn销售净利率，tn资产收益率，tn股东权益净利率，tn-1期资产总额，tn-1期负责总额，tn-1期所有者权益总额，tn-1期营业收入，tn-1期营业利润，tn-1期净利润，tn-1销售净利率，tn-1资产收益率，tn-1股东权益净利率，tn-2期资产总额，tn-2期负责总额，tn-2期所有者权益总额，tn-2期营业收入，tn-2期营业利润，tn-2期净利润，tn-2销售净利率，tn-2资产收益率，tn-2股东权益净利率进行统计并计算。评分标准：可否在系统中的定位在确认。

信用风险评分规则：

对企业的被执行人，失信信息，行政处罚，严重违法，欠税公告，经营异常，司法拍卖，税务评级和资产负债率进行统计和计算。评分规则：资产负债率。无，得20分，小于30％，得18分，小于50％，得12分，小于65％，得8分，大于65％，得0分。税务评级。a级得5分，b级得3分，c级得1分，无等级得2分。

项目投资价值评价各类具体指标主要在众多信息披露要素中，选取对企业投资价值评价具有相关性的指标，通过对指标所反映情况的打分，完成对项目的评价。整个评价共700分，其中六个维度，每项100分，加上基础分，100分。

上述六个预设维度为一级指标，每个一级指标下包括一组二级指标，获取企业的所有二级指标量化数据，对于实际无法获取量化数据的指标，采用所有后患企业的平均值作为该指标的量化数据。

创新发展包括的二级指标：注册资本，科研人员数，科研人员平均工作年限，本科以上科研人员占比，大专以上员工比例，专利持有数和科研合作。

基础能力包括的二级指标：本年度流动比率，本年度资产总额，本年度资产负载率，行业地位，市场占有率和实收资本。

企业成长包括的二级指标：是否高新技术企业，核心技术来源，竞争对手中有上市公司，是否上市公司控股，本年度投入研发费用，企业所在行业的融资渠道。

管理效益包括的二级指标：管理层人数，管理层平均年龄，管理层最高学历，30～40岁员工比例，30岁以下员工比例和员工总数。

项目效益包括的二级指标：本年度主营业务收入，下年度主营业务收入也测，市场占有率，本年度主营业务利润率，下年度净资产和研发的项目数。

信用风险包括的二级指标：企业近一年是否发生过重大安全事故，企业近一年是否发生过严重环境违法行为，企业近一年是否发生过重大质量事故，本年度资产负债率，本年度流动比率和上年度年主营业务利润率。

在本实施例涉及的价值画像评价模型可以是如图2所示的基础模型：

基础模型采用gbrt算法，其中crbt算法表达式如下：

fm(x)＝fm-1(x)+ρmh(x；am)。

gbrt的基本原理与通常的boosting算法类似，以结构简单的回归树模型为基础，依据上一轮模型的拟合结果，构造新的回归树加入模型，修正上一轮模型的误差，在多次迭代后，通过组合多个回归树模型获得一个高精度的最终模型。但gbrt与通常的boosting算法最大区别在于gbrt每一次的计算是为了减少上一次的残差，会在残差减少的梯度方向上建立一个新的模型。在gradientboost中，每个新的模型是为了使得之前模型的残差往梯度方向减少，与boosting算法对错误的样本加大加权的做法有着很大的区别。这样做相对于传统boosting算法的优势在于可以显著提升处理数据的效率和有效防止过拟合，对异常点或极端值的抗性更强。

进一步地，gbrt拟合过程如图3所示，通过组合多个结构简单的回归树来获得更好的拟合效果。

s102、获取用于评价企业的价值画像的数据。

s103、根据企业的信息爬虫爬取的企业的公开数据。

获取用于评价企业的价值画像的数据可以是企业上报的数据，如财务报表等。

爬虫爬取的企业公开数据为企业舆情相关的数据，包括新闻、微博、论坛、博客多通道社会情报。

s104、基于所述评价模型对所述数据和所述公开数据进行分析，确定企业的价值画像。

企业价值画像模型从创新发展、基础能力、企业成长、管理效益、项目效益、信用风险出发对企业进行分析评价，确定企业的价值画像，其中价值画像的体现形式可以有多种，例如，分值、曲线、表格、柱状图等形式。

需要说明的是，本实施例提供的企业价值画像评价方法，还可以通过集成学习模块和半监督学习模块辅助基础模型，进而实现企业价值画像评价。

集成分析模块如图4所示，在目前训练样本较少的情况下，可能同时存在多个模型在训练集上的表现接近，如对于我们所选取的基础模型gbrt，可以通过设置不同的超参数，获得多个性能无显著差异的gbrt模型，在实际使用中只选取训练集上表现最佳的模型而淘汰掉其它模型显然是有风险的，有可能表现相对较差的模型对于实际使用所面对的数据反而能取得更好的预测效果。具体而言，从统计的方面来看，由于学习任务的假设空间往往很大，可能有多个假设在训练集上达到同等性能，此时若使用单学习器可能因误选而导致泛化性能不佳，结合多个学习器则会减小这一风险；从计算的方面来看，学习算法往往会陷入局部极小，有的局部极小点所对应的泛化性能可能很糟糕，而通过结合学习器可降低陷入局部极小点的风险。

从表示的方面来看，某些学习任务的真实假设可能不在当前学习算法所考虑的假设空间中，此时使用单学习器则肯定无效，而通过结合多个学习器，由于相应的假设空间有所扩大，有可能学得更好的近似。因此，可以选取合适的结合策略，组合多个模型，降低风险，提升模型整体的稳定性。而stacking则是一种强大的集成学习算法，可以用于组合多个gbrt模型。

stacking算法先从初始训练集中训练出初级学习器，然后“生成”一个新的数据集用于训练次级学习器，在这个新数据集中，初级学习器的输出被当作样例输入特征，而初始样本的标记仍被当作样例标记。对于企业价值画像模型，我们选取gbrt作为初级学习器，选取mlr(multiplelinearregression)作为次级模型，综合多个gbrt的输出得到最终的成长价值分预测结果。

半监督学习模块如图5所示，随着上传数据的企业的增加，未标记样本的数量必然将远大于经过专家打分的有标记样本的数量，通过利用未标记样本所包含的信息而不是只依赖有标记样本训练模型，能够进一步提升模型的泛化性能，比如，尽管未标记样本不直接包含标记信息，但如果它们与有标记样本是从同样的数据源独立同分布采样而来，则它们所包含的关于数据分布的信息显然是有助于建立模型的。企业价值画像模型采用的半监督学习算法为tri-training，属于基于分歧的方法，使用多个学习器，通过多个学习器之间的分歧利用未标记数据，由于企业价值画像模型在集成学习模块中将训练出多个学习器，因此在样本量足够多之后tri-training将能很好的嵌入企业价值画像模型中。

co-training最初是针对“多视图”(multi-view)数据设计。在很多现实应用中，一个数据对象往往同时拥有多个属性集，每个属性集就构成了一个视图。co-training最初的建立是利用多视图的相容互补性，假定数据具有多个充分且条件独立视图，可以用一个简单的办法利用未标记数据：首先在每个视图上基于有标记样本分别训练出一个分类器，然后让每个分类器分别挑选自己“最有把握的”未标记样本赋予伪标记，并将伪标记样本提供给其它分类器作为新增的有标记样本用于训练更新学习器，然后迭代进行此过程。尽管方法简单，但已有理论证明，若视图充分且条件独立，则可利用未标记样本通过co-training将弱分类器的泛化性能提升到任意高。并且，在条件独立性不满足的情况下，通过co-training，性能仍然能有一定程度的提升，甚至不需要数据拥有多视图，只需基学习器之间存在显著分歧(或差异)即可通过co-training提升性能。

通过建立中小企业价值画像评价模型，采用合理的评价方法，能够客观评估中小企业的发展状况及其所在产业的结构状况，科学地对中小企业价值画像进行评价，预测未来发展趋势。

企业价值画像能够帮助政府管理部门获得较为全面的企业经营发展信息，对管辖区内企业发展情况有较为准确的把握，从而能够合理的制定中小企业发展扶持政策，进行合理的产业布局。

企业价值画像对中小企业的全息画像使得金融机构了能够较为准确对中小企业的成长潜力做出评估，快速从大量中小企业中筛选出较为优质的投资标的，通过进一步考核后锁定目标，更好的保证投资收益，防控风险。企业价值画像使得金融机构能够从大量低效益重复性工作中解脱出来从事高效益值工作，促进其业务快速发展。

企业价值画像通过六大维度的分析对企业价值画像进行评价，协助企业找出隐藏在深层的主要问题，以便其进行针对性改善。有利于企业对标行业整体发展现状，明确自身所处竞争位置，对当前及未来的发展态势有清晰的认识，有利于企业做出合理的发展决策。同时，企业价值画像的评价结果受到金融机构及政府园区的认可，能够帮助企业进行融资拓展以及寻求园区及政府管理部门的政策扶助。

图6为本发明实施例提供的一种企业价值画像的评价系统的结构示意图，如图6所示，该系统包括：

建模模块601，用于建立企业的价值画像评价模型；

获取模块602，用于获取用于评价所述企业的价值画像的数据；

分析模块603，用于基于所述评价模型对所述数据进行分析，确定所述企业的价值图像。

可选地，所述建模模块601，具体用于基于所述企业的目标数据和所述目标数据对应的目标分值，采用预设维度进行企业价值画像进行学习训练，得到价值画像评价模型。

可选地，所述预设维度至少包括以下之一：创新发展、基础能力、企业成长、管理效益、项目效益和信用风险。

可选地，所述分析模块603，具体用于基于所述价值画像评价模型对所述数据进行预设维度的分析，根据各维度的评价信息确定所述企业的多维度价值图像。

可选地，所述获取模块601，还用于根据所述企业的信息爬虫爬取的所述企业的公开数据；

所述分析模块603，具体用于基于所述评价模型对所述数据和所述公开数据进行分析。

本实施例提供的企业价值画像的评价系统可以是如图6中所示的企业价值画像的评价系统，可执行如图1中企业价值画像的评价方法中的所有步骤，进而实现图1所示企业价值画像的评价方法的技术效果，具体请参照图1相关描述，为简洁描述，在此不作赘述。

专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。