企业科技创新能力评价方法及系统与流程

1.本发明涉及数据处理领域，具体涉及一种企业科技创新能力评价方法及系统。


背景技术：

2.随着科技的不断发展，企业的科技创新能力已成为企业竞争力的重要组成部分。而对企业进行科技创新能力评价的意义和重要性在于：
3.1.促进企业科技创新能力的提升：通过科技创新能力评价，可以发现企业在科技创新方面的不足之处，有针对性地进行改进和提升，从而推动企业科技创新能力的发展。
4.2.优化企业资源配置：科技创新能力评价可以帮助企业更好地了解自身的科技创新能力，合理配置资源，提高资源利用效率，从而提高企业的竞争力。
5.3.为企业科技创新决策提供参考：科技创新能力评价可以为企业科技创新决策提供科学的依据和参考，减少决策的盲目性和风险。
6.4.促进企业与市场的对接：科技创新能力评价可以帮助企业更好地了解市场需求和趋势，从而更好地开展科技创新活动，提高产品和服务的市场竞争力。
7.5.促进企业与政府的合作：科技创新能力评价可以帮助企业更好地了解政府的科技创新政策和支持，促进企业与政府的合作，共同推动科技创新的发展。
8.因此，对企业的科技创新能力进行评价已经成为企业管理的重要内容之一。
9.现有技术如cn110310004a公开的一种科技型企业创新能力评价装置及方法，其方案包括s1.设定多个一级评价参数，其中每个所述一级评价参数包括多个二级评价参数；s2.基于web获得所述评定参数的数据；s3.用户自行定义每个所述二级评价参数在它们所在一级评价参数中所占权重，当用户的定义权重达到一定数据量时，根据行业、区域生成相应的数据指标。通过设定多个一级评价参数，每个所述一级评价参数包括多个二级评价参数，能够更好，更准确的反应出企业当前的创新能力。
10.但上述方案采用的参数不够全面，并且该方案中的权重为用户自定义，存在很大的主观性，仅通过一级评价参数、二级评价参数反应企业当前的创新能力，不够准确。


技术实现要素：

11.本发明的目的是提供一种企业科技创新能力评价方法及系统，极大地提高了企业创新能力评价的准确性与客观性。
12.本发明采取如下技术方案实现上述目的，企业科技创新能力评价方法，包括：
13.步骤1、采集企业科技创新能力数据，所述创新能力数据包括科技项目数量得分、专利数量得分、文章数量得分、著作数量得分、标准数量得分、人力投入得分、物力投入得分、以及财力投入得分；
14.步骤2、建立孪生评估模型，所述孪生评估模型包括池化层与深度神经网络，池化层采用的策略包括平均策略、最大值策略以及维度策略，所述平均策略为在向量的维度上计算平均值，最大值策略为取向量维度上的最大值，维度策略为取向量的第一个维度数据；
15.深度神经网络包括如下公式：outputs＝tanh(inputs*w+bias)，其中，inputs代表了输入的特征维度，outputs代表了目标dnn(深度神经网络)输出特征向量，w为深度神经网络的神经元节点权重，bias为其偏置，tanh为其激活函数；
16.步骤3、使用采集的企业科技创新能力数据对孪生评估模型进行训练；
17.步骤4、通过训练后的孪生评估模型对企业科技创新能力进行评价。
18.进一步的是，所述科技项目数量得分的计算方式为：(实际科技项目数量
÷
目标科技项目数量)*100；所述专利数量得分的计算方式为：(实际专利数量
÷
目标专利数量)*100；所述文章数量得分的计算方式为：(实际文章数量
÷
目标文章数量)*100；所述著作数量得分的计算方式为：(实际著作数量
÷
目标著作数量)*100；所述标准数量得分的计算方式为：(实际标准数量
÷
目标标准数量)*100；所述人力投入得分的计算方式为：(实际人力投入
÷
目标人力投入)*100；所述物力投入得分的计算方式为：(实际物力投入
÷
目标物力投入)*100；所述财力投入得分的计算方式为：(实际财力投入
÷
目标财力投入)*100。
19.进一步的是，所述平均策略的计算公式为：最大值策略的计算公式为：维度策略的的计算公式为：xi表示特征向量的第i个值，表示取值结果。
20.进一步的是，所述激活函数为：
21.进一步的是，步骤3还包括设置孪生评估模型的损失函数，所述损失函数为：loss表示模型训练损失值，yi表示真实概率分布，表示模型预测概率分布。
22.企业科技创新能力评价系统，所述评价系统包括：
23.数据采集模块，用于采集企业科技创新能力数据，所述创新能力数据包括科技项目数量得分、专利数量得分、文章数量得分、著作数量得分、标准数量得分、人力投入得分、物力投入得分、以及财力投入得分；
24.模型建立模块，用于建立孪生评估模型，所述孪生评估模型包括池化层与深度神经网络，池化层采用的策略包括平均策略、最大值策略以及维度策略，所述平均策略为在向量的维度上计算平均值，最大值策略为取向量维度上的最大值，维度策略为取向量的第一个维度数据；
25.深度神经网络包括如下公式：outputs＝tanh(inputs*w+bias)，其中，inputs代表了输入的特征维度，outputs代表了目标dnn网络输出特征向量，w为深度神经网络的神经元节点权重，bias为其偏置，tanh为其激活函数；
26.模型训练模块，用于使用采集的企业科技创新能力数据对孪生评估模型进行训练；
27.评价模块，通过训练后的孪生评估模型对企业科技创新能力进行评价。
28.进一步的是，所述数据采集模块具体用于计算各数据得分，所述科技项目数量得分的计算方式为：(实际科技项目数量
÷
目标科技项目数量)*100；所述专利数量得分的计
算方式为：(实际专利数量
÷
目标专利数量)*100；所述文章数量得分的计算方式为：(实际文章数量
÷
目标文章数量)*100；所述著作数量得分的计算方式为：(实际著作数量
÷
目标著作数量)*100；所述标准数量得分的计算方式为：(实际标准数量
÷
目标标准数量)*100；所述人力投入得分的计算方式为：(实际人力投入
÷
目标人力投入)*100；所述物力投入得分的计算方式为：(实际物力投入
÷
目标物力投入)*100；所述财力投入得分的计算方式为：(实际财力投入
÷
目标财力投入)*100。
29.进一步的是，所述模型建立模块具体用于策略计算，所述平均策略的计算公式为：最大值策略的计算公式为：维度策略的的计算公式为：xi表示特征向量的第i个值，表示取值结果。
30.进一步的是，所述激活函数为：
31.进一步的是，模型训练模块还用于设置损失函数，所述损失函数为：loss表示模型训练损失值，yi表示真实概率分布，表示模型预测概率分布。
32.本发明的有益效果为：
33.本发明采用了大量关于企业创新的核心指标，例如科技项目数量得分、专利数量得分、文章数量得分、著作数量得分、标准数量得分、人力投入得分、物力投入得分、以及财力投入得分，使得数据非常全面；再建立孪生评估模型，通过采集的数据对模型进行训练，最后通过训练后的孪生评估模型对企业科技创新能力进行评价，使得评价更为的准确可靠，以及更具有客观性。
附图说明
34.图1为本发明实施例提供的孪生评估模型的结构示意图；
35.图2为本发明实施例提供的企业科技创新能力评价方法流程图。
具体实施方式
36.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。
37.本发明提供一种企业科技创新能力评价方法，如图2所示，包括：
38.步骤1、采集企业科技创新能力数据，所述创新能力数据包括科技项目数量得分、专利数量得分、文章数量得分、著作数量得分、标准数量得分、人力投入得分、物力投入得分、以及财力投入得分；
39.具体包括以下指标：
[0040][0041]
有监督的训练下，需要对目标label进行打分，给出一种打分策略如下：
[0042]
式中k表示指数权重，越大表示排名差距越高，影响差值也高，同时变量rank表示在不同统计杂志给出的公司排名，例如美国《财富》杂志。
[0043]
训练数据的分数评估示例如下：
[0044]
company1company2label(2,3,4,7,8,1,9,9)(2,3,4,7,8,1,9,9)1(2,3,4,7,8,1,9,9)(3,4,2,1,6,3,7,7)0.97
………………
[0045]
步骤2、建立孪生评估模型，所述孪生评估模型包括池化层与深度神经网络，池化层采用的策略包括平均策略、最大值策略以及维度策略，所述平均策略为在向量的维度上计算平均值，最大值策略为取向量维度上的最大值，维度策略为取向量的第一个维度数据；
[0046]
步骤3、使用采集的企业科技创新能力数据对孪生评估模型进行训练；
[0047]
步骤4、通过训练后的孪生评估模型对企业科技创新能力进行评价。
[0048]
本发明利用孪生评估模型进行打分，能够使得打分基准随着在全球上的科技公司的评价指数变化，从而自适应地调整评估分数。在打分时，可采用来自全球的top500家科技公司作为基准，将最终相似度结果作为评分。
[0049]
孪生评估模型的结构如图1所示，u、v代表了两个公司的评估数据的结果表示向量，把这个结果输入一个余弦函数，返回给定句子对相似的概率res：
[0050]
通过最小化交叉熵损失来训练上面的网络，同时更新权重。
[0051]
pooling池化层，可采用策略包括如下三种：
[0052]
1.mean：将向量的维度上计算平均，
[0053]
2.max：取向量维度上的最大值，
[0054]
3.cls：取向量的第一个维度数据，表示特征向量的第i个值，表示取值结果。
[0055]
dnn(即深度神经网络)的具体抽象如下：outputs＝tanh(inputs*w+bias)，其中，inputs代表了输入的特征维度，outputs代表了dnn网络输出的特征维度，w为深度神经网络的神经元节点权重，bias为其偏置，tanh为其激活函数；激活函数为：
[0056]
在本发明的一种实施例中，步骤3还包括设置孪生评估模型的损失函数，所述损失函数为：loss表示模型训练损失值，yi表示真实概率分布，表示模型预测概率分布。
[0057]
本发明还提供一种企业科技创新能力评价系统，所述评价系统包括：
[0058]
数据采集模块，用于采集企业科技创新能力数据，所述创新能力数据包括科技项目数量得分、专利数量得分、文章数量得分、著作数量得分、标准数量得分、人力投入得分、物力投入得分、以及财力投入得分；
[0059]
模型建立模块，用于建立孪生评估模型，所述孪生评估模型包括池化层与深度神经网络，池化层采用的策略包括平均策略、最大值策略以及维度策略，所述平均策略为在向量的维度上计算平均值，最大值策略为取向量维度上的最大值，维度策略为取向量的第一个维度数据；
[0060]
深度神经网络包括如下公式：outputs＝tanh(inputs*w+bias)，其中，inputs代表了输入的特征维度，outputs代表了dnn网络输出的特征维度，w为深度神经网络的神经元节点权重，bias为其偏置，tanh为其激活函数；
[0061]
模型训练模块，用于使用采集的企业科技创新能力数据对孪生评估模型进行训练；
[0062]
评价模块，通过训练后的孪生评估模型对企业科技创新能力进行评价。
[0063]
在本发明的一种实施例中，数据采集模块具体用于计算各数据得分，所述科技项目数量得分的计算方式为：(实际科技项目数量
÷
目标科技项目数量)*100；所述专利数量得分的计算方式为：(实际专利数量
÷
目标专利数量)*100；所述文章数量得分的计算方式为：(实际文章数量
÷
目标文章数量)*100；所述著作数量得分的计算方式为：(实际著作数量
÷
目标著作数量)*100；所述标准数量得分的计算方式为：(实际标准数量
÷
目标标准数量)*100；所述人力投入得分的计算方式为：(实际人力投入
÷
目标人力投入)*100；所述物力投入得分的计算方式为：(实际物力投入
÷
目标物力投入)*100；所述财力投入得分的计算方式为：(实际财力投入
÷
目标财力投入)*100。
[0064]
在本发明的一种实施例中，模型建立模块具体用于策略计算，所述平均策略的计算公式为：最大值策略的计算公式为：维度策略的的计算公式为：
[0065][0066]
在本发明的一种实施例中，激活函数为：
[0067]
在本发明的一种实施例中，模型训练模块还用于设置损失函数，所述损失函数为：
[0068][0069]
综上所述，本发明采用了大量关于企业创新的核心指标，使得数据更加全面，通过再建立孪生评估模型，孪生评估模型具有自适应、可靠等优点。
[0070]
通过采集的数据对模型进行训练，最后通过训练后的孪生评估模型对企业科技创新能力进行评价，使得评价更为的准确可靠，以及更具有客观性。

技术特征：
1.企业科技创新能力评价方法，其特征在于，包括：步骤1、采集企业科技创新能力数据，所述创新能力数据包括科技项目数量得分、专利数量得分、文章数量得分、著作数量得分、标准数量得分、人力投入得分、物力投入得分、以及财力投入得分；步骤2、建立孪生评估模型，所述孪生评估模型包括池化层与深度神经网络，池化层采用的策略包括平均策略、最大值策略以及维度策略，所述平均策略为在向量的维度上计算平均值，最大值策略为取向量维度上的最大值，维度策略为取向量的第一个维度数据；深度神经网络包括如下公式：outputs＝tanh(inputs*w+bias)，其中，inputs代表了输入的特征维度，outputs代表了深度神经网络输出特征向量，w为深度神经网络的神经元节点权重，bias为其偏置，tanh为其激活函数；步骤3、使用采集的企业科技创新能力数据对孪生评估模型进行训练；步骤4、通过训练后的孪生评估模型对企业科技创新能力进行评价。2.根据权利要求1所述的企业科技创新能力评价方法，其特征在于，所述科技项目数量得分的计算方式为：实际科技项目数量
÷
目标科技项目数量*100；所述专利数量得分的计算方式为：实际专利数量
÷
目标专利数量*100；所述文章数量得分的计算方式为：实际文章数量
÷
目标文章数量*100；所述著作数量得分的计算方式为：实际著作数量
÷
目标著作数量*100；所述标准数量得分的计算方式为：实际标准数量
÷
目标标准数量*100；所述人力投入得分的计算方式为：实际人力投入
÷
目标人力投入*100；所述物力投入得分的计算方式为：实际物力投入
÷
目标物力投入*100；所述财力投入得分的计算方式为：实际财力投入
÷
目标财力投入*100。3.根据权利要求1所述的企业科技创新能力评价方法，其特征在于，所述平均策略的计算公式为：最大值策略的计算公式为：维度策略的计算公式为：x
i
表示特征向量的第i个值，表示取值结果。4.根据权利要求1所述的企业科技创新能力评价方法，其特征在于，所述激活函数为：5.根据权利要求1所述的企业科技创新能力评价方法，其特征在于，步骤3还包括设置孪生评估模型的损失函数，所述损失函数为：loss表示模型训练损失值，y
i
表示真实概率分布，表示模型预测概率分布。6.企业科技创新能力评价系统，用于实现如权利要求1-5任意一项所述的企业科技创新能力评价方法，其特征在于，所述评价系统包括：数据采集模块，用于采集企业科技创新能力数据，所述创新能力数据包括科技项目数量得分、专利数量得分、文章数量得分、著作数量得分、标准数量得分、人力投入得分、物力投入得分、以及财力投入得分；模型建立模块，用于建立孪生评估模型，所述孪生评估模型包括池化层与深度神经网
络，池化层采用的策略包括平均策略、最大值策略以及维度策略，所述平均策略为在向量的维度上计算平均值，最大值策略为取向量维度上的最大值，维度策略为取向量的第一个维度数据；深度神经网络包括如下公式：outputs＝tanh(inputs*w+bias)，其中，inputs代表了输入的特征维度，outputs代表了深度神经网络输出特征向量，w为深度神经网络的神经元节点权重，bias为其偏置，tanh为其激活函数；模型训练模块，用于使用采集的企业科技创新能力数据对孪生评估模型进行训练；评价模块，通过训练后的孪生评估模型对企业科技创新能力进行评价。7.根据权利要求6所述的企业科技创新能力评价系统，其特征在于，所述数据采集模块具体用于计算各数据得分，所述科技项目数量得分的计算方式为：实际科技项目数量
÷
目标科技项目数量*100；所述专利数量得分的计算方式为：实际专利数量
÷
目标专利数量*100；所述文章数量得分的计算方式为：实际文章数量
÷
目标文章数量*100；所述著作数量得分的计算方式为：实际著作数量
÷
目标著作数量*100；所述标准数量得分的计算方式为：实际标准数量
÷
目标标准数量*100；所述人力投入得分的计算方式为：实际人力投入
÷
目标人力投入)*100；所述物力投入得分的计算方式为：实际物力投入
÷
目标物力投入*100；所述财力投入得分的计算方式为：实际财力投入
÷
目标财力投入*100。8.根据权利要求6所述的企业科技创新能力评价系统，其特征在于，所述模型建立模块具体用于策略计算，所述平均策略的计算公式为：最大值策略的计算公式为：维度策略的的计算公式为：x
i
表示特征向量的第i个值，表示取值结果。9.根据权利要求6所述的企业科技创新能力评价系统，其特征在于，所述激活函数为：10.根据权利要求6所述的企业科技创新能力评价系统，其特征在于，模型训练模块还用于设置损失函数，所述损失函数为：loss表示模型训练损失值，y
i
表示真实概率分布，表示模型预测概率分布。

技术总结
本发明涉及数据处理领域，具体涉及一种企业科技创新能力评价方法及系统，极大地提高了企业创新能力评价的准确性与客观性。方案包括：采集企业科技创新能力数据，所述创新能力数据包括科技项目数量得分、专利数量得分、文章数量得分、著作数量得分、标准数量得分、人力投入得分、物力投入得分、以及财力投入得分；建立孪生评估模型，所述孪生评估模型包括池化层与深度神经网络，使用采集的企业科技创新能力数据对孪生评估模型进行训练；通过训练后的孪生评估模型对企业科技创新能力进行评价。本发明适用于对企业科技创新能力进行评价。明适用于对企业科技创新能力进行评价。明适用于对企业科技创新能力进行评价。


技术研发人员：李月 范运乾 刘靖椿 毛利飞 李艺博 田丹 刘丹 田淼 吴少智
受保护的技术使用者：中储粮成都储藏研究院有限公司
技术研发日：2023.06.12
技术公布日：2023/9/9