基于多级模型融合的企业核心竞争力评估方法及存储介质技术

本发明专利技术的一种基于多级模型融合的企业核心竞争力评估方法及存储介质，方法包括收集企业数据，对企业进行维度划分，获取并量化企业特征；采用层次分析法计算指标主观权重值；采用熵值法计算指标客观权重值；采用变异系数法与拉格朗日极值法确定指标主观权重组合比例系数和客观权重组合比例系数；并建立组合权重模型；根据评价指标体系和所述组合权重模型构建线性加权和评价模型，并根据线性加权和评价模型评价待分析企业能力，将评价结果分别建立GBDT模型；将企业信息及特征输入模型；通过Stacking技术实现在不同层级上的模型融合输出企业核心竞争力评估结果。本发明专利技术通过Stacking的集成学习思想，增强了模型的容错和抗扰动能力，有效提升模型精度。有效提升模型精度。有效提升模型精度。

【技术实现步骤摘要】
基于多级模型融合的企业核心竞争力评估方法及存储介质


[0001]本专利技术涉及评估
，具体涉及一种基于多级模型融合的企业核心竞争力评估方法及存储介质。

技术介绍

[0002]当今社会，各类新兴企业层出不穷，不断有新的企业充斥市场，各行各业的都面临着企业发展方面的挑战，在企业发展过程中，对于企业核心竞争力的了解成为形成企业优势中重要的一环，企业只有在清晰自身核心竞争力的同时通过对核心竞争力进行构建，才能持续提高和强化企业，支撑企业过去，现在和未来的竞争优势，并使企业在竞争环境中能够长时间取得主动的核心能力。
[0003]多级模型融合的企业核心竞争力评估是指结合现有的企业核心竞争力评估理论，在对影响企业核心竞争力的因素进行综合分析的基础上，通过算法增加核心竞争力特征评价模型、核心技术评价模型、企业品牌文化评价模型、科技创新能力评价模型、企业管理能力评价模型、企业发展战略评价模型、企业发展潜力评价模型、政策匹配模型等多级模型分别计算该评估的相关参数，并通过大量样本的机器学习，不断优化评估模型，使得评估结果更加精准。
[0004]综上所述，企业核心竞争力对企业发展和行业竞争起到决定性作用，而现有企业无法通过企业自身情况准确判断企业核心竞争力，需依赖评估系统进行判断，当前市场现存评价模型评价维度较少，缺少大量企业样本对模型进行学习优化精度欠缺，如何通过多个维度、精确的进行企业核心竞争力评估，成为当前急需解决的问题。

技术实现思路

[0005]本专利技术提出的一种基于多级模型融合的企业核心竞争力评估方法、系统及存储介质，可至少解决
技术介绍
中的技术问题之一。
[0006]为实现上述目的，本专利技术采用了以下技术方案：一种基于多级模型融合的企业核心竞争力评估方法，通过计算机设备执行以下步骤，包括以下步骤，S1、收集企业数据，对企业进行维度划分，获取并量化企业特征；S2、采用层次分析法计算指标主观权重值；S3、采用熵值法计算指标客观权重值；S4、采用变异系数法与拉格朗日极值法确定指标主观权重组合比例系数和客观权重组合比例系数；S5、根据所述指标主观权重值、所述指标客观权重值、所述主观权重组合比例系数和所述客观权重组合比例系数建立组合权重模型；S6、根据所述评价指标体系和所述组合权重模型构建线性加权和评价模型，并根据所述线性加权和评价模型评价待分析企业的核心竞争力特征能力、核心技术能力、企业
品牌文化能力、科技创新能力、企业管理能力、企业发展能力、企业发展潜力；S7、将核心竞争力特征能力、核心技术能力、企业品牌文化能力、科技创新能力、企业管理能力、企业发展能力、企业发展潜力评价结果分别建立GBDT模型；S8、将企业信息及特征输入模型；S9、通过Stacking技术实现在不同层级上的模型融合得出预测结果并输出企业核心竞争力评估结果。
[0007]进一步的，步骤S9具体包括，第一层采用RF、ET、GBDT、XGB四种模型，分别对训练样本进行预测，然后将预测结果作为下一层的训练样本；其中，RF是Random Forest随机森林模型，ET是extraTree极端随机树模型，GBDT是Gradient Boosting Decision Tree 梯度提升迭代决策树模型，XGB是eXtreme Gradient Boosting极端梯度提升模型；首先划分training data为K折，为各个模型的训练打下基础；针对各个模型RF、ET、GBDT、XGB，分别进行K次训练，每次训练保留K分之一的样本用作训练时的检验，训练完成后对testing data进行预测，一个模型会对应5个预测结果，将这5个结果取平均；针对第一个模型RF，先将数据集划分成5折，a1,a2,a3,a4,a5，步骤如下：保留a2,a3,a4,a5训练，用a1做测试数据即查看当前训练的效果，可配合early stop，记录下该折测试数据的预测结果，同时预测testing data，此处的testing data就是要最终提交结果的那部分数据；保留a1,a3,a4,a5训练，用a2做测试数据并记录下该折测试数据的预测结果，预测testing data；保留a1,a2,a4,a5训练，用a3做测试数据并记录下该折测试数据的预测结果，预测testing data；保留a1,a2,a3,a5训练，用a4做测试数据并记录下该折测试数据的预测结果，预测testing data；保留a1,a2,a3,a4训练，用a5做测试数据并记录下该折测试数据的预测结果，预测testing data；训练五轮之后得到针对testing data的五个预测值，取平均值，同时拼接每一系列模型对训练数据集的预测结果；接下来再用同样的方法训练ET、GBDT、XGB，保持K折数据的一致，全部训练完成之后，将得到的四个预测结果带入下一层预测；第二次将上一层的四个结果带入新的模型，进行训练再预测；之后将四个预测结果，拼接上各个样本的真实label，带入模型进行训练，最终再预测得到的结果就是stacking融合之后的最终预测结果，此时即可输出企业核心竞争力评估结果。
[0008]进一步的，所述步骤S1具体包括，通过数据采集、填写方式收集企业数据，根据所属区域、行业领域、
、产品分类、行业分类、企业规模、生命周期、科技活动、知识产权这些维度划分企业，获取并量化企业特征。
[0009]又一方面，本专利技术还公开一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如上述方法的步骤。
[0010]再一方面，本专利技术还公开一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上方法的步骤。
[0011]由上述技术方案可知，本专利技术的基于多级模型融合的企业核心竞争力评估方法及系统，该方法通过多层级模型融合算法解决了现有技术无法对企业核心竞争力进行多维度评估的缺陷，Stacking的集成学习思想，增强了模型的容错和抗扰动能力，有效提升模型精度，为企业提供更加高效、精准、客观、科学合理的核心竞争力评估结果。
附图说明
[0012]图1为本专利技术流程框图。
具体实施方式
[0013]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。
[0014]如图1所示，本实施例所述的基于多级模型融合的企业核心竞争力评估方法，通过计算机设备执行以下步骤，通过数据采集、填写等方式收集企业数据，根据所属区域、行业领域、
、产品分类、行业分类、企业规模、生命周期、科技活动、知识产权等维度划分企业，获取并量化企业特征。
[0015]采用层次分析法计算指标主观权重值；采用熵值法计算指标客观权重值；采用变异系数法与拉格朗日极值法确定指标主观权重组合比例系数和客观权重组合比例系数；根据所述指标主观权重值、所述指标客观权重值、所述主观本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多级模型融合的企业核心竞争力评估方法，其特征在于，包括以下步骤，S1、收集企业数据，对企业进行维度划分，获取并量化企业特征；S2、采用层次分析法计算指标主观权重值；S3、采用熵值法计算指标客观权重值；S4、采用变异系数法与拉格朗日极值法确定指标主观权重组合比例系数和客观权重组合比例系数；S5、根据所述指标主观权重值、所述指标客观权重值、所述主观权重组合比例系数和所述客观权重组合比例系数建立组合权重模型；S6、根据所述评价指标体系和所述组合权重模型构建线性加权和评价模型，并根据所述线性加权和评价模型评价待分析企业的核心竞争力特征能力、核心技术能力、企业品牌文化能力、科技创新能力、企业管理能力、企业发展能力、企业发展潜力；S7、将核心竞争力特征能力、核心技术能力、企业品牌文化能力、科技创新能力、企业管理能力、企业发展能力、企业发展潜力评价结果分别建立GBDT模型；S8、将企业信息及特征输入模型；S9、通过Stacking技术实现在不同层级上的模型融合得出预测结果并输出企业核心竞争力评估结果。2.根据权利要求1所述的基于多级模型融合的企业核心竞争力评估方法，其特征在于：步骤S9具体包括，第一层采用RF、ET、GBDT、XGB四种模型，分别对训练样本进行预测，然后将预测结果作为下一层的训练样本；其中，RF是Random Forest随机森林模型，ET是extraTree极端随机树模型，GBDT是Gradient Boosting Decision Tree 梯度提升迭代决策树模型，XGB是eXtreme Gradient Boosting极端梯度提升模型；首先划分training data为K折，为各个模型的训练打下基础；针对各个模型RF、ET、GBDT、XGB，分别进行K次训练，每次训练保留K分之一的样本用作训练时的检验，训练完成后对testing data进行预测，一个模型会对应5个预测结果，将这5个结果取平均；针对第一个模型RF，先将数据集划分成5折，a1,a2,a3,a4,a5，...

【专利技术属性】
技术研发人员：陈文海，杨延玲，佘文文，
申请(专利权)人：山东辰华科技信息有限公司，
类型：发明
国别省市：