评估投标企业风险的方法、装置、存储介质及计算机设备与流程

1.本技术涉及办公自动化领域，尤其涉及一种评估投标企业风险的方法、装置、存储介质及计算机设备。


背景技术：

2.企业在招标过程中需要对投标企业及其投标书挖掘风险要素，用以综合预评估该企业能否进入正式评审环节。通常评估过程需要对企业基本信息、标书等数据进行收集与分析，对各个风险项逐个进行稽核和风险等级划定，综合评估所有风险要素并最终给出结论。如果由人工完成上述评估工作会耗费大量的人力和时间成本。


技术实现要素：

3.本技术提供了评估投标企业风险的方法、装置、存储介质及计算机设备，可以解决人工评估投标企业的风险带来的效率低的问题。所述技术方案如下：第一方面，本技术提供了一种评估投标企业风险的方法，所述方法包括：获取投标企业的实时基础数据；其中，所述实时基础数据包括：企业经营风险数据、企业司法风险数据、企业资质风险数据和企业投标书风险数据；根据所述实时基础数据生成模型输入数据；选择定量风险评估模型和定性风险评估模型；将所述模型输入数据输入到所述定量风险评估模型得到风险值；将所述模型输入数据输入到所述定性风险评估模型得到风险等级。
4.第二方面，本技术提供了一种评估投标企业风险的装置，所述装置包括：获取单元，用于获取投标企业的实时基础数据；其中，所述实时基础数据包括：企业经营风险数据、企业司法风险数据、企业资质风险数据和企业投标书风险数据；生成单元，用于根据所述实时基础数据生成模型输入数据；确定单元，用于选择定量风险评估模型和定性风险评估模型；评估单元，用于将所述模型输入数据输入到所述定量风险评估模型得到风险值；以及将所述模型输入数据输入到所述定性风险评估模型得到风险等级。
5.第三方面，本技术提供一种计算机存储介质，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行上述的方法步骤。
6.第四方面，本技术提供一种计算机设备，可包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行上述的方法步骤。
7.本技术的技术方案带来的有益效果至少包括：分别从企业经营风险数据、企业司法风险数据、企业资质风险数据和企业投标书风险数据4个维度获取投标企业的实时基础数据，然后利用定量风险评估模型和定性分析评估模型对实时基础数据进行评估分别得到细粒度的风险值和粗粒度的风险等级，实现自动化的采集数据和评估投标企业的风险的目的，不需要人工参与，提高投标企业风险评估
的效率。
附图说明
8.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
9.图1是本技术实施例提供的网络架构的示意图；图2是本技术实施例提供的评估投标企业风险的方法的流程示意图；图3是本技术提供的一种评估投标企业风险的装置的结构示意图；图4是本技术提供的一种计算机设备的结构示意图。
具体实施方式
10.为使本技术的目的、技术方案和优点更加清楚，下面将结合附图对本技术方式作进一步地详细描述。
11.需要说明的是，本技术提供的评估投标企业风险的方法一般由计算机设备执行，相应的，评估投标企业风险的装置一般设置于计算机设备中。
12.图1示出了可以应用于本技术的评估投标企业风险的方法或评估投标企业风险的装置的示例性网络架构。
13.如图1所示，网络架构可以包括：计算机设备101和服务器102。计算机设备101和服务器102之间可以通过网络进行通信，网络用于上述各个单元之间提供通信链路的介质。网络可以包括各种类型的有线通信链路或无线通信链路，例如：有线通信链路包括光纤、双绞线或同轴电缆的，无线通信链路包括蓝牙通信链路、无线保真（wireless-fidelity，wi-fi）通信链路或微波通信链路等。
14.其中，服务器102中部署各个投标企业的实时基础数据和历史基础数据，实时基础数据和历史基础数据包括企业经营风险数据、企业司法风险数据、企业资质风险数据和企业投标书风险数据的实时基础数据，服务器102可以利用爬虫指定的企业信息查询平台（例如：企查查或天眼查等）采集企业经营风险数据和企业司法风险数据，企业资质风险数据和企业投标书风险数据是服务器102利用ocr（optical character recognition，光学字符识别）算法或机器学习算法从投标企业的投标书中获取。
15.需要说明的是，计算机设备101和服务器102可以是硬件，也可以是软件。当计算机设备101和服务器102为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当计算机设备101和服务器102为软件时，可以实现成多个软件或软件模块（例如用来提供分布式服务），也可以实现成单个软件或软件模块，在此不做具体限定。
16.本技术的计算机设备上可以安装有各种通信客户端应用，例如：视频录制应用、视频播放应用、语音交互应用、搜索类应用、及时通信工具、邮箱客户端、社交平台软件等。
17.计算机设备可以是硬件，也可以是软件。当计算机设备为硬件时，可以是具有显示屏的各种计算机设备，包括但不限于智能手机、平板电脑、膝上型便携式计算机和台式计算机等等。当计算机设备为软件时，可以是安装上上述所列举的计算机设备中。其可以实现呈
多个软件或软件模块（例如：用来提供分布式服务），也可以实现成单个软件或软件模块，在此不作具体限定。
18.当计算机设备为硬件时，其上还可以安装有显示设备和摄像头，显示设备显示可以是各种能实现显示功能的设备，摄像头用于采集视频流；例如：显示设备可以是阴极射线管显示器（cathode ray tube display，简称cr）、发光二极管显示器（light-emitting diode display，简称led）、电子墨水屏、液晶显示屏（liquid crystal display，简称lcd）、等离子显示面板（plasma display panel，简称pdp）等。用户可以利用计算机设备上的显示设备，来查看显示的文字、图片、视频等信息。
19.应理解，图1中的计算机设备、网络和服务器的数目仅是示意性的。根据实现需要，可以是任意数量的计算机设备、网络和服务器。
20.下面将结合附图2，对本技术实施例提供的评估投标企业风险的方法进行详细介绍。其中，本技术实施例中的评估投标企业风险的装置可以是图1所示的计算机设备。
21.请参见图2，为本技术实施例提供了一种评估投标企业风险的方法的流程示意图。如图2所示，本技术实施例的所述方法可以包括以下步骤：s201、获取投标企业的实时基础数据。
22.其中，实时基础数据从多个维度描述待评估的投标企业的属性，实时基础数据包括如下4个指标：企业经营风险数据、企业司法风险数据、企业资质风险数据和企业投标书风险数据；企业经营风险数据表示企业经营过程中发生的风险，企业司法风险数据表示企业涉及的司法风险，企业资质风险数据表示投标企业涉及的投标资质风险，企业投标书风险数据表示企业涉及的投标书风险。其中，企业经营风险数据可以利用网络爬虫从指定的企业信息查询平台（例如：企查查或天眼查等）获取，企业资质风险数据和企业投标书风险数据可以利用ocr（optical character recognition，光学字符识别）算法或机器学习算法从投标企业的投标书中获取。上述4个指标分别包括多个风险因子，各个指标的权重之和等于1，各个指标的权重可以根据实际需求而定。
23.进一步，可选的，企业经营风险数据包括如下9个风险因子：知识产权出质、股权出质、清算信息、行政处罚、经营异常、司法拍卖、公示催告、欠税公告和严重违法，9个风险因子的权重之和等于1。企业司法风险数据包括如下6个风险因子：法院公告、法律诉讼、失信人、司法协助、开庭公告、被执行人，上述6个风险因子的权重之和等于1。企业资质风险数据包括如下1个风险因子：投标企业的资质和招标要求之间的匹配程度。企业投标书风险数据包括如下2个风险因子：投标企业的投标书与招标书之间的匹配程度和投标书与参与投标的其他投标书之间的重复率，上述2个风险因子的权重之和等于1。各个风险因子可以为连续值，也可以为离散值，例如：对于投标企业的投标书和参与投标的其他投标书之间的重复率来说，其值为连续值，可以为0%~100%之间的任意值；对于股权出质来说，其值为离散值，例如：出质次数等于1且金额小于100万，股权出质的值等于1，属于低风险；出质次数等于1且金额大于100万且小于500万，股权出质的值等于2，属于中风险；出质次数大于1或金额大于500万，股权出质的值等于3，属于高风险。其中，各个指标的权重，以及指标包含的各个风险因子的权重可以在模型训练过程中进行优化。
24.s202、根据实时基础数据生成模型输入数据。
25.其中，将实时基础数据中的定性数据转换为定量数据，转换后将各个风险因子进
行归一化处理得到模型输入数据。
26.s203、选择定量风险评估模型和定性风险评估模型。
27.其中，本技术的预配置有多个定量风险评估模型和多个定性风险评估模型，根据实际场景从多个定量风险评估模型中选择一个模型，以及从多个定性风险评估模型中选择一个模型。定量风险评估模型用于对投标企业的风险进行定量评估，输出定量值；定性风险评估模型用于对投标企业的风险进行定性评估，输出定性值；定量风险评估模型和定性模型评估模型可以是机器学习算法预先训练的模型。
28.进一步，本技术预配置有两个定量风险评估模型：基于bp神经网络的风险值预测模型和基于多层次量化的风险值计算模型。选择定量风险评估模型的方法可以是：统计实时基础数据包含的风险因子的数量，在所述数量大于数量阈值时，将基于bp神经网络的风险值预测模型作为定量风险评估模型；在所述数量小于或等于数量阈值时，将基于多层次量化的风险值计算模型作为定量风险评估模型，数量阈值可以根据实际需求而定，本技术不作限制，利于数量选择合适的定量风险评估模型，可以提高计算风险值的准确性。
29.s204、将模型输入数据输入到定量风险评估模型得到风险值。
30.其中，风险值为定量值，例如：风险值为0~1之间的值，值越大表示风险越高，反之值越小表示风险越低。
31.s205、将模型输入数据输入到所述定性风险评估模型得到风险等级。
32.其中，风险等级为定量值，风险等级的数量可以根据实际需求而定，例如：风险等级包括高、中、低、警示和无风险，共计5个风险等级。
33.在一个或多个可能的实施例中，还包括：获取投标企业的历史基础数据；根据历史基础数据进行模型训练和模型测试得到定量风险评估模型和定性风险评估模型；其中，所述定量风险评估模型包括基于bp神经网络的风险值预测模型和基于多层次量化的风险值计算模型，所述定性风险评估模型为基于梯度下降树算法的风险等级分类模型。
34.其中，历史基础数据为多个投标企业完成投标和风险评估后生成的，历史基础数据除包括实时基础数据的4个指标之外，还包括风险评估结果，风险评估结果包括风险值和/或风险等级。历史基础数据划分为训练集和测试集，训练集用于训练模型，测试集用于验证该模型的准确性；可选的，历史基础数据划分为80%的训练集和20%的测试集。
35.其中，梯度下降树（gradient boosting decision tree，gbdt）算法是一种迭代的决策树算法，该算法由多棵决策树组成。模型训练时对于输入的投标企业的模型输入数据，首先会基于第一棵决策树t1对该投标企业的风险等级进行初步估计，以t1训练结果与真实值t的残差作为第二棵决策树t2的样本，第n棵决策树tn的样本就是第n-1棵决策树t
n-1
的训练结果。由于遍历每一棵决策树都会对估计值进行调整修正，最终将每一棵决策树的结果累加得到分类结果。
36.其中，bp神经网络由一个输入层、一个隐藏层和一个输出层组成，输入层输入的是每个投标企业的指标集中的每一个指标的取值构成的一维向量，输出层输出的是相对应的投标企业的风险值。由于bp神经网络的训练过程是对网络中的各层之前的连接权值矩阵进行优化计算，其自身是一个离散、高维、复杂和强非线性的优化问题。使用回溯搜索算法对
bp神经网络的初始权重能够加快模型收敛速度和提升模型精度。
37.其中，多层次量化的风险值计算模型是使用多层次数据阐述不同层级间关系的统计模型。该模型的表达式如下：；。
38.其中，s
score
表示投标企业的风险值，sj表示第j个指标的值，pj分别表示第j个指标的权重。、m
ij
和p
ij
分别表示第j指标的第i个风险因子的风险得分、风险分级和权重，nj表示第j指标的风险因子的数量，风险得分和风险分级之间的映射关系可以根据实际需求而定，例如：风险得分的范围为0~100，风险分级包括高、中和低3个风险等级。
39.进一步的，由于每个风险因子对于模型的贡献度不一样，风险因子的初始权重不一定能够很好满足实际需求，所以有必要对风险因子的权重进行优化。多层次量化的风险值计算模型对于风险因子的权重最为敏感，选用该模型是可以使用回溯搜索算法对各个风险因子的权重进行优化，并将优化后的权重应用于基于梯度下降树算法的风险等级分类模型和基于bp神经网络的风险值预测模型。
40.其中，回溯搜索算法是一种基于种群迭代的进化算法，种群中的每个个体视为所有风险因子的权重组成的一维向量，通过种群与种群和种群内个体间的选择i、变异、交叉和选择ii等操作实现种群和最优个体进化。当达到算法停止条件时，所得到的最优个体即作为最优的风险因子的权重向量。
41.在一个或多个可能的实施例中，识别所述历史基础数据中的定性风险因子；将定性风险因子转换为定量风险因子；将转换后的历史基础数据进行归一化处理得到模型训练数据；基于模型训练数据进行模型训练和模型检测得到定量风险评估模型和定性风险评估模型。
42.举例来说，以构建定性风险评估模型来说，对历史基础数据进行预处理的过程包括：表1表示各个企业的风险因子和评估得到的风险等级之间的映射关系，表2表示风险因子的具体数值和风险等级的取值之间的映射关系，表3是风险因子的风险等级划分、每个风险等级对应的数值和风险因子的权重。表4表示表1中的历史基础数据进行预处理后得到的模型输入训练数据。
43.表1
ꢀ
表2
ꢀ
表3 表4本技术的实施例在评估投标企业的风险时，分别从企业经营风险数据、企业司法风险数据、企业资质风险数据和企业投标书风险数据4个维度获取投标企业的实时基础数据，然后利用定量风险评估模型和定性分析评估模型对实时基础数据进行评估分别得到细粒度的风险值和粗粒度的风险等级，实现自动化的采集数据和评估投标企业的风险的目的，不需要人工参与，提高投标企业风险评估的效率。
44.下述为本技术装置实施例，可以用于执行本技术方法实施例。对于本技术装置实施例中未披露的细节，请参照本技术方法实施例。
45.请参见图3，其示出了本技术一个示例性实施例提供的评估投标企业风险的装置的结构示意图，以下简称装置3。该装置3可以通过软件、硬件或者两者的结合实现成为计算机设备的全部或一部分。装置3包括：获取单元301、生成单元302、确定单元303和评估单元304。
46.获取单元301，用于获取投标企业的实时基础数据；其中，所述实时基础数据包括：企业经营风险数据、企业司法风险数据、企业资质风险数据和企业投标书风险数据；生成单元302，用于根据所述实时基础数据生成模型输入数据；确定单元303，用于选择定量风险评估模型和定性风险评估模型；
评估单元304，用于将所述模型输入数据输入到所述定量风险评估模型得到风险值；以及将所述模型输入数据输入到所述定性风险评估模型得到风险等级。
47.在一个或多个可能的实施例中，所述选择定量风险评估模型，包括：统计所述实时基础数据包含的风险因子的数量；在所述数量大于数量阈值时，将基于bp神经网络的风险值预测模型作为定量风险评估模型；在所述数量小于或等于数量阈值时，将基于多层次量化的风险值计算模型作为定量风险评估模型。
48.在一个或多个可能的实施例中，还包括：训练单元，用于获取投标企业的历史基础数据；根据历史基础数据进行模型训练和模型测试得到定量风险评估模型和定性风险评估模型；其中，所述定量风险评估模型包括基于bp神经网络的风险值预测模型和基于多层次量化的风险值计算模型，所述定性风险评估模型为基于梯度下降树算法的风险等级分类模型。
49.在一个或多个可能的实施例中，所述历史基础数据划分为80%的训练集和20%的测试集。
50.在一个或多个可能的实施例中，所述根据历史基础数据进行模型训练和模型测试得到定量风险评估模型和定性风险评估模型，包括：识别所述历史基础数据中的定性风险因子；将定性风险因子转换为定量风险因子；将转换后的历史基础数据进行归一化处理得到模型训练数据；根据所述模型训练数据进行模型训练和模型测试得到定量风险评估模型和定性风险评估模型。
51.在一个或多个可能的实施例中，所述企业经营风险数据包括：知识产权出质、股权出质、清算信息、行政处罚、经营异常、司法拍卖、公示催告、欠税公告和严重违法；所述企业司法风险数据包括：法院公告、法律诉讼、失信人、司法协助、开庭公告、被执行人；所述企业资质风险数据包括：所述投标企业的资质和招标要求之间的匹配程度；所述企业投标书风险数据包括：所述投标企业的投标书与招标书之间的匹配程度和投标书与参与投标的其他投标书之间的重复率。
52.在一个或多个可能的实施例中，利用回溯搜索算法计算企业经营风险数据、企业司法风险数据、企业资质风险数据和企业投标书风险数据的权重，以及企业经营风险数据、企业司法风险数据、企业资质风险数据和企业投标书风险数据各自包含的多个风险因子的权重。
53.需要说明的是，上述实施例提供的装置3在执行评估投标企业风险的方法时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的评估投标企业风险的装置与评估投标企业风险的方法实施例属于同一构思，其体现实现过程详见方法实施例，这里不再赘述。
54.上述本技术实施例序号仅仅为了描述，不代表实施例的优劣。
55.本技术实施例还提供了一种计算机存储介质，所述计算机存储介质可以存储有多条指令，所述指令适于由处理器加载并执行如上述图2所示实施例的方法步骤，具体执行过程可以参见图2所示实施例的具体说明，在此不进行赘述。
56.本技术还提供了一种计算机程序产品，该计算机程序产品存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现如上各个实施例所述的评估投标企业风险的方法。
57.请参见图4，为本技术实施例提供了一种计算机设备的结构示意图。如图4所示，所述计算机设备400可以包括：至少一个处理器401，至少一个网络接口404，用户接口403，存储器405，至少一个通信总线402。
58.其中，通信总线402用于实现这些组件之间的连接通信。
59.其中，用户接口403可以包括显示屏（display）、摄像头（camera），可选用户接口403还可以包括标准的有线接口、无线接口。
60.其中，网络接口404可选的可以包括标准的有线接口、无线接口（如wi-fi接口）。
61.其中，处理器401可以包括一个或者多个处理核心。处理器401利用各种借口和线路连接整个计算机设备400内的各个部分，通过运行或执行存储在存储器405内的指令、程序、代码集或指令集，以及调用存储在存储器405内的数据，执行计算机设备400的各种功能和处理数据。可选的，处理器401可以采用数字信号处理（digital signal processing，dsp）、现场可编程门阵列（field-programmable gate array，fpga）、可编程逻辑阵列（programmable logic array，pla）中的至少一种硬件形式来实现。处理器401可集成中央处理器（central processing unit，cpu）、图像处理器（graphics processing unit，gpu）和调制解调器等中的一种或几种的组合。其中，cpu主要处理操作系统、用户界面和应用程序等；gpu用于负责显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器401中，单独通过一块芯片进行实现。
62.其中，存储器405可以包括随机存储器（random access memory，ram），也可以包括只读存储器（read-only memory）。可选的，该存储器405包括非瞬时性计算机可读介质（non-transitory computer-readable storage medium）。存储器405可用于存储指令、程序、代码、代码集或指令集。存储器405可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令（比如触控功能、声音播放功能、图像播放功能等）、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器405可选的还可以是至少一个位于远离前述处理器401的存储装置。如图4所示，作为一种计算机存储介质的存储器405中可以包括操作系统、网络通信模块、用户接口模块以及应用程序。
63.在图4所示的计算机设备400中，用户接口403主要用于为用户提供输入的接口，获取用户输入的数据；而处理器401可以用于调用存储器405中存储的应用程序，并具体执行如图2所示的方法，具体过程可参照图2所示，此处不再赘述。
64.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质
中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体或随机存储记忆体等。
65.以上所揭露的仅为本技术较佳实施例而已，当然不能以此来限定本技术之权利范围，因此依本技术权利要求所作的等同变化，仍属本技术所涵盖的范围。