一种政策补贴企业效用的评估办法的制作方法

1.本发明涉及企业补贴技术领域，具体为一种政策补贴企业效用的评估办法。


背景技术：

2.企业一般是指以盈利为目的，运用各种生产要素（土地、劳动力、资本、技术和企业家才能等），向市场提供商品或服务，实行自主经营、自负盈亏、独立核算的法人或其他社会经济组织。政府补助是指企业从政府无偿取得货币性资产或非货币性资产，但不包括政府作为企业所有者投入的资本。我国主要政府补助为财政贴息、研究开发补贴以及政策性补贴。补贴的申请条件有（1）生产经营活动符合国家及所在区域产业结构调整政策和环保政策；（2）依法参加失业保险并足额缴纳失业保险费；（3）上年度未裁员或裁员率低于统筹地区城镇登记失业率；（4）企业财务制度健全、管理运行规范；（5）企业的信用度。对于政策补贴企业，其效用的评估是企业决策选择以及政府补贴政策的重要指标之一，同时也是衡量企业是否能继续获得补贴的标准之一，同时对于已获得补贴的企业，一旦出现严重失信行为，政府有权终止或收回补贴，因此无需对严重失信的企业进行评估。
3.为此我们提出一种基于补贴企业的各项数据对企业效用的评估，并得出企业的效用值和企业画像，同时能够筛出失信较重企业的评估办法。


技术实现要素：

4.本发明的目的在于提供一种政策补贴企业效用的评估办法，以解决上述背景技术中提出的问题。
5.为实现上述目的，本发明提供如下技术方案：一种政策补贴企业效用的评估办法，其方法包括如下步骤：（s1）：采集待评估企业的交易行为，查看待评估企业是否有违规或失信交易行为，记录下违规或失信交易行为，并计算出违规或失信交易行为在正常交易行为所占的比重，若比重大于行业信用值，则判定为失信较重的企业，不予以继续评估，将失信较重的企业筛出：（s2）：采集待评估企业的静态信息数据、企业动态信息数据、宏观外延信息数据、法人实控人高管信息数据和政策补贴数据，并对获取的数据进行预处理，同时从各种数据中获取影响企业效用的数据因子；（s3）：基于卷积神经网络构建用于计算企业效用函数模型，从互联网大数据中获取其他政策补贴企业的效用数据，并将相关企业的影响企业效用的数据因子制成训练集，将该训练集输入至函数模型中，并在深度学习平台对函数模型进行训练；（s4）：将评估企业的数据因子输入至训练好的函数模型中，并根据待评估企业各个效用影响因子的量化数据、权重系数和权重修正值，来确定待评估企业的效用值，并进行企业评分，生成企业效用的评估报告和企业画像。
6.优选的，所述步骤（s1）中，行业信用值为多个企业信用值的平均值。
7.优选的，所述步骤（s1）中，采集待评估企业交易行为的时长为半年或半年以上。
8.优选的，所述步骤（s2）中，待评估企业的静态信息数据包括有工商注册、法院涉诉、对外投融资、商标、专利和著作权，待评估企业的动态信息数据财务报表、纳税信息、银行流水、人行征信和用水用电。
9.优选的，所述步骤（s2）中，待评估企业的宏观外延信息数据包括有宏观经济、行业指数、舆情监控以及上下游和竞争对手，法人实控人高管信息数据包括有人行征信、网络行为、黑名单命中、社交关系和认证信息。
10.优选的，所述步骤（s2）中，数据预处理的方式包括有缺失数据补齐以及重复、噪声数据删除。
11.优选的，所述步骤（s3）中，模型训练的过程分为神经网络训练、数据的预测、强化模型学习和基于训练集的预测四个阶段。
12.优选的，所述步骤（s3）中，深度学习平台为tensorflow学习平台或pytorch学习平台中的任意一种。
13.优选的，所述步骤（s4）中，企业的评分包括有经营面评分、宏观评分、法人评分、还款能力评分、还款意愿评分、反欺诈评分和逾期风险评分。
14.与现有技术相比，本发明的有益效果如下：本发明提出的方法基于补贴企业的各项数据对企业效用进行评估，并得出企业的效用值和企业画像来作为补贴企业的重要指标之一，提高了企业效用评估的准确性和效率，以便补贴企业进行决策选择，给企业的发展带来了助力，同时也便于政府对补贴政策进行调整，而且该方法也能够筛出失信较重的企业，并对该类企业不进行评估，简化了评估流程。
附图说明
15.图1为本发明方法的流程示意图。
具体实施方式
16.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，所描述的实施例仅仅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。
17.实施例一：一种政策补贴企业效用的评估办法，其方法包括如下步骤：（s1）：采集待评估企业的交易行为，查看待评估企业是否有违规或失信交易行为，记录下违规或失信交易行为，并计算出违规或失信交易行为在正常交易行为所占的比重，若比重大于行业信用值，则判定为失信较重的企业，不予以继续评估，将失信较重的企业筛出，其中行业信用值为多个企业信用值的平均值：（s2）：采集待评估企业的静态信息数据、企业动态信息数据、宏观外延信息数据、法人实控人高管信息数据和政策补贴数据，并对获取的数据进行预处理，同时从各种数据中获取影响企业效用的数据因子，其中待评估企业的静态信息数据包括有工商注册、法院
涉诉、对外投融资、商标、专利和著作权，待评估企业的动态信息数据财务报表、纳税信息、银行流水、人行征信和用水用电；（s3）：基于卷积神经网络构建用于计算企业效用函数模型，从互联网大数据中获取其他政策补贴企业的效用数据，并将相关企业的影响企业效用的数据因子制成训练集，将该训练集输入至函数模型中，并在深度学习平台对函数模型进行训练，其中模型训练的过程分为神经网络训练、数据的预测、强化模型学习和基于训练集的预测四个阶段；（s4）：将评估企业的数据因子输入至训练好的函数模型中，并根据待评估企业各个效用影响因子的量化数据、权重系数和权重修正值，来确定待评估企业的效用值，并进行企业评分，生成企业效用的评估报告和企业画像。
18.实施例二：一种政策补贴企业效用的评估办法，其方法包括如下步骤：（s1）：采集待评估企业的交易行为，查看待评估企业是否有违规或失信交易行为，记录下违规或失信交易行为，并计算出违规或失信交易行为在正常交易行为所占的比重，若比重大于行业信用值，则判定为失信较重的企业，不予以继续评估，将失信较重的企业筛出，其中行业信用值为多个企业信用值的平均值，而采集待评估企业交易行为的时长为半年或半年以上：（s2）：采集待评估企业的静态信息数据、企业动态信息数据、宏观外延信息数据、法人实控人高管信息数据和政策补贴数据，并对获取的数据进行预处理，同时从各种数据中获取影响企业效用的数据因子，其中待评估企业的静态信息数据包括有工商注册、法院涉诉、对外投融资、商标、专利和著作权，待评估企业的动态信息数据财务报表、纳税信息、银行流水、人行征信和用水用电，而待评估企业的宏观外延信息数据包括有宏观经济、行业指数、舆情监控以及上下游和竞争对手，法人实控人高管信息数据包括有人行征信、网络行为、黑名单命中、社交关系和认证信息；（s3）：基于卷积神经网络构建用于计算企业效用函数模型，从互联网大数据中获取其他政策补贴企业的效用数据，并将相关企业的影响企业效用的数据因子制成训练集，将该训练集输入至函数模型中，并在深度学习平台对函数模型进行训练，其中模型训练的过程分为神经网络训练、数据的预测、强化模型学习和基于训练集的预测四个阶段，而深度学习平台为tensorflow学习平台或pytorch学习平台中的任意一种；（s4）：将评估企业的数据因子输入至训练好的函数模型中，并根据待评估企业各个效用影响因子的量化数据、权重系数和权重修正值，来确定待评估企业的效用值，并进行企业评分，生成企业效用的评估报告和企业画像。
19.实施例三：一种政策补贴企业效用的评估办法，其方法包括如下步骤：（s1）：采集待评估企业的交易行为，查看待评估企业是否有违规或失信交易行为，记录下违规或失信交易行为，并计算出违规或失信交易行为在正常交易行为所占的比重，若比重大于行业信用值，则判定为失信较重的企业，不予以继续评估，将失信较重的企业筛出，其中行业信用值为多个企业信用值的平均值，而采集待评估企业交易行为的时长为半年或半年以上：（s2）：采集待评估企业的静态信息数据、企业动态信息数据、宏观外延信息数据、
法人实控人高管信息数据和政策补贴数据，并对获取的数据进行预处理，同时从各种数据中获取影响企业效用的数据因子，其中待评估企业的静态信息数据包括有工商注册、法院涉诉、对外投融资、商标、专利和著作权，待评估企业的动态信息数据财务报表、纳税信息、银行流水、人行征信和用水用电，而待评估企业的宏观外延信息数据包括有宏观经济、行业指数、舆情监控以及上下游和竞争对手，法人实控人高管信息数据包括有人行征信、网络行为、黑名单命中、社交关系和认证信息；（s3）：基于卷积神经网络构建用于计算企业效用函数模型，从互联网大数据中获取其他政策补贴企业的效用数据，并将相关企业的影响企业效用的数据因子制成训练集，将该训练集输入至函数模型中，并在深度学习平台对函数模型进行训练，其中模型训练的过程分为神经网络训练、数据的预测、强化模型学习和基于训练集的预测四个阶段，而深度学习平台为tensorflow学习平台或pytorch学习平台中的任意一种，且数据预处理的方式包括有缺失数据补齐以及重复、噪声数据删除；（s4）：将评估企业的数据因子输入至训练好的函数模型中，并根据待评估企业各个效用影响因子的量化数据、权重系数和权重修正值，来确定待评估企业的效用值，并进行企业评分，生成企业效用的评估报告和企业画像，其中企业的评分包括有经营面评分、宏观评分、法人评分、还款能力评分、还款意愿评分、反欺诈评分和逾期风险评分。
20.本发明提出的方法基于补贴企业的各项数据对企业效用进行评估，并得出企业的效用值和企业画像来作为补贴企业的重要指标之一，提高了企业效用评估的准确性和效率，以便补贴企业进行决策选择，给企业的发展带来了助力，同时也便于政府对补贴政策进行调整，而且该方法也能够筛出失信较重的企业，并对该类企业不进行评估，简化了评估流程。
21.需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
22.尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。