一种用于政府机构的智能履职评估方法及装置

一种用于政府机构的智能履职评估方法及装置

1.本发明涉及数据处理技术领域，尤其涉及一种用于政府机构的智能履职评估方法及装置。


背景技术：

2.履职评估是指通过特定的指标体系来客观、公正的描述履职人员在工作中取得的成绩。因此，指标体系的好坏直接影响到履职评估的结果是否正确，以及是否全面。常见企业里一般设置具体的阈值来对员工进行绩效考核，而履职评估只要针对政府机关等事业单位或部门对所持职能履行情况进行分析和评定。
3.目前为止，大多数政府机构的履职评估仍然停留在履职数量等统计指标是否达标这一阶段，缺乏健全的评估体系，存在评估不全面的问题；领导考核往往泛泛而谈，针对性不强，存在评估不明确的问题。同时针对不同的履职人员缺少更加细致的行为分析。
4.专利文献cn106682797a公开了一种机构履职监控系统，包括数据采集单元、任务监督单元和任务执行单元，数据采集单元用于采集并存储实际履职情况数据；任务监督单元用于建立预设的履职监督标准指标数据；任务执行单元用于执行履职监督任务，并将数据采集单元采集并存储的实际履职情况数据与任务监督单元存储的预设履职监督标准指标数据比较，并将比较结果为不符合监督标准的任务确定为待处理履职，最终输出待处理履职列表报告。但是说明书并没有记载具体的评估方法，并未给出明确的指标，在某种程度上无法实施。
5.专利文献cn109409694b公开了基于实测值的地块海绵城市绩效考核指标计算方法，先进行场地竖向布置、海绵设施布置和雨水控制流程现场检查，通过现场监测和实际资料收集得到初期和后期雨水径流总悬浮物浓度和实际土壤渗透性能参数；重新划分汇水分区；建立场地内汇水分区、海绵设施和排水节点之间的拓扑结构模型，并将有效汇水分区和无效汇水分区面积、透水比例、初期雨水径流总悬浮物浓度、后期雨水径流总悬浮物浓度和土壤渗透性能参数实测值代入雨洪模型软件中；运行模型得到年径流控制量和设施年总悬浮物去除率，进而计算年径流总量控制率和年总悬浮物去除率。该方法采用现场数据与模拟计算相结合，引入关键参数实测值，从而建立城市建设绩效考核模型。该方法需要引入关键参考实测值，对构建的预测模型进行训练，但该方法仅适用于城市建设绩效考核，模型的泛化能力较差。


技术实现要素：

6.为了解决上述问题，本发明提供了一种用于政府机构的智能履职评估方法，该方法可以方便政府机关各单位的履职人员的评估，获得更加全面、更加准确的评估结果，从而进一步优化各单位的职能工作。
7.一种用于政府机构的智能履职评估方法，包括：
8.步骤1、获取履职信息，所述履职信息包括履职类型次数矩阵、履职主题次数矩阵
以及履职成果；
9.步骤2、根据步骤1获得的履职类型次数矩阵与履职成果进行量化计算，获得对应的量化评价数据集；
10.步骤3、对步骤2获得的量化评价数据集进行向量分配处理，获得对应的履职得分和履职积极度；
11.步骤4、对步骤2获得的量化评价数据进行分类，获得对应的履职评价分类结果；
12.步骤5、根据步骤1获得的履职类型次数矩阵与履职主题次数矩阵，匹配获得对应的履职偏好；
13.步骤6、基于步骤2至步骤5获得的数据，绘制获得用于评估履职价值的行为画像集。
14.本发明提出采用rfm算法以及if-idf方法对机构的履职人员进行履职评估与行为画像的输出，使得政府机构的履职评估更加全面、更加准确，从而可以为后续工作安排提供全面准确的指导，最大化的发挥机构职能。
15.具体的，所述步骤1中的履职类型次数矩阵中的履职类型包括参加会议、基层活动、调研工作以及撰写工作；
16.履职主题次数矩阵中的履职主题包括社会、文化、经济、政治以及生态；
17.履职成果包括基层工作的采纳和落实次数，所述基层工作包括提案提交次数、提案采纳次数、提案落实次数、社情民意上报次数以及社情民意采用次数。
18.优选的，所述步骤2的量化计算包括rfm算法和加权计算法。
19.具体的，所述步骤2的量化评价数据集包括：
20.履职频率，通过对所有履职类型下履职次数的求和并除以时间间隔计算获得：
[0021][0022]
式中，k表示履职类型的总数，δt表示时间间隔，nj表示该履职人员在履职类型j下的履职次数：
[0023]
履职时间差，通过计算目标最后一次履职时间与获取履职信息的截止时间之差获得：
[0024]ri
＝t
r-t
[0025]
式中，tr表示履职人员i最后一次履职时间，t表示收集数据时的截止时刻；
[0026]
履职量，根据所有履职类型权重进行加权计算获得：
[0027][0028]
式中，wj表示预设权重系数，nj表示该履职人员在履职类型j下的履职次数；
[0029]
履职有效性，根据履职成果中各项数据权重进行加权计算获得：
[0030][0031]
式中，fb表示该履职类型下的有效性评分，nj表示该履职人员在履职类型j下的履职次数；
[0032]
其中，有效性评分fb是基于履职成果计算获得：
[0033]
∑fb＝fba+fbb[0034][0035][0036]
式中，a1表示提案提交次数，a2表示提案采纳次数，a3表示提案落实次数，e1表示社情民意上报次数，e2表示社情民意采用次数。
[0037]
具体的，所述步骤3中的向量分配处理的具体表达式如下：
[0038][0039]
式中，si代表第i个履职人员的履职得分，代表归一化后的第i个履职人员履职量，代表归一化后的第i个履职人员履职频率，代表归一化后的第i个履职人员履职时间差，[sr,sf,sm]为预设权重参数；
[0040][0041]
式中，pi表示履职积极度。
[0042]
具体的，所述步骤4的分类的具体表达式如下：
[0043][0044][0045][0046][0047]
式中，ci表示第i个履职人员的分类依据得分，average()代表平均分函数，ri代表未归一化的第i个履职人员履职量，fi代表未归一化的第i个履职人员履职频率，mi代表未归一化的第i个履职人员履职时间差。
[0048]
具体的，根据所述分类依据得分进行评估，获得对应的履职评价分类结果：
[0049]
当分类依据得分为(1,1,1)时，则分类为重要价值履职人员：最近履职时间近、履职频次和履职量都很高；
[0050]
当分类依据得分为(0,1,1)时，则分类为重要保持履职人员：最近履职时间较远，但履职频次和履职量都很高；
[0051]
当分类依据得分为(1,0,1)时，则分类为重要发展履职人员：最近履职时间较近、履职量较大，但频次不高；
[0052]
当分类依据得分为(0,0,1)时，则分类为重要挽留履职人员：最近履职时间较远、履职频次不高，但履职量大；
[0053]
当分类依据得分为(1,1,0)时，则分类为一般价值履职人员：最近履职时间较近、履职频次高，但履职量较小；
[0054]
当分类依据得分为(1,0,0)时，则分类为一般发展履职人员：最近履职时间较近、履职频次低，履职量较小；
[0055]
当分类依据得分为(0,1,0)时，则分类为一般保持履职人员：最近履职时间较远、履职频次高，履职量小；
[0056]
当分类依据得分为(0,0,0)时，则分类为一般挽留履职人员：最近履职时间较远、履职频次低，履职量小。
[0057]
优选的，所述步骤5中的履职偏好，采用tf-idf算法对履职类型次数矩阵与履职主题次数矩阵中关键词进行匹配获得。
[0058]
具体的，所述履职偏好的具体表达式如下：
[0059]
max(if-idf)＝tf
i,j
*idfi[0060]
式中，tf
i,j
表示词条在文本中出现的频率，idfi表示关键词的普遍程度；
[0061]
其中，词条在文本中出现的频率tf
i,j
的表达式如下：
[0062][0063]
式中，n
i,j
表示词条ti在文档dj中出现的次数，分母则是文件dj中所有词汇出现的次数总和；
[0064]
关键词的普遍程度idfi的表达式如下：
[0065][0066]
式中，|d|表示所有文档数量，|j:ti∈dj|表示包含词条ti的文档数量。
[0067]
本发明还提供了一种智能履职评估装置，包括计算机处理器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，所述计算机存储器执行上述的用于政府机构的智能履职评估方法；所述计算机处理器执行所述计算机程序时实现以下步骤：输入待评估人员的履职信息，利用智能履职评估方法进行计算，输出用于评估履职价值的可视化行为画像集。
[0068]
与现有技术相比，本发明的有益效果：
[0069]
(1)将rfm算法和tf-idf方法相结合，对政府机构的履职情况进行量化，从而更加全面、更加有效的对履职人员进行评估。
[0070]
(2)根据履职评估结果进行分类，输出对应的可视化行为画像，方便后续对人员工作安排的制定，使得政府机构职能发挥最大能力。
附图说明
[0071]
图1为本发明提供了一种用于政府机构的智能履职评估方法的流程图。
具体实施方式
[0072]
由于大多数政府机构的履职评估仍然停留在履职数量等统计指标是否达标这一阶段，缺乏健全的评估体系，存在评估不全面的问题。
[0073]
如图1所示，本发明提供了一种用于政府机构的智能履职评估方法，包括：
[0074]
步骤1、获取履职信息，所述履职信息包括履职类型次数矩阵、履职主题次数矩阵以及履职成果：
[0075]
履职类型次数矩阵中的履职类型包括参加会议、基层活动、调研工作以及文案撰写工作；
[0076]
履职主题次数矩阵中的履职主题包括社会、文化、经济、政治以及生态；
[0077]
履职成果包括提案提交次数、提案采纳次数、提案落实次数、社情民意上报次数以及社情民意采用次数。
[0078]
步骤2、根据步骤1获得的履职类型次数矩阵与履职成果进行量化计算：
[0079]
履职频率，通过对所有履职类型下履职次数的求和并除以时间间隔计算获得：
[0080][0081]
式中，k表示履职类型的总数，δt表示时间间隔，nj表示该履职人员在履职类型j下的履职次数：
[0082]
履职时间差，通过计算目标最后一次履职时间与获取履职信息的截止时间之差获得：
[0083]ri
＝t
r-t
[0084]
式中，tr表示履职人员i最后一次履职时间，t表示收集数据时的截止时刻；
[0085]
履职量，根据所有履职类型权重进行加权计算获得：
[0086][0087]
式中，wj表示预设权重系数，nj表示该履职人员在履职类型j下的履职次数；
[0088]
履职有效性，根据履职成果中各项数据权重进行加权计算获得：
[0089][0090]
式中，fb表示该履职类型下的有效性评分，nj表示该履职人员在履职类型j下的履职次数；
[0091]
其中，有效性评分fb是基于履职成果加权计算获得：
[0092]
∑fb＝fba+fbb[0093][0094][0095]
式中，a1表示提案提交次数，a2表示提案采纳次数，a3表示提案落实次数，e1表示社
情民意上报次数，e2表示社情民意采用次数。
[0096]
步骤3、对步骤2获得的量化评价数据集进行向量分配处理，获得对应的履职得分和履职积极度：
[0097][0098][0099][0100][0101]
式中，si代表第i个履职人员的履职得分，代表归一化后的第i个履职人员履职量，代表归一化后的第i个履职人员履职频率，代表归一化后的第i个履职人员履职时间差，r
max
和r
min
分别表示所有履职人员中履职时间差最高和最低的数值，f
max
和f
min
分别表示所有履职人员中履职频次最高和最低的数值，m
max
和m
min
分别表示所有履职人员中履职量最高和最低的数值，[sr,sf,sm]为预设权重参数；
[0102][0103]
式中，pi表示履职积极度。
[0104]
步骤4、对步骤2获得的量化评价数据进行分类：
[0105][0106][0107][0108][0109]
式中，ci表示第i个履职人员的分类依据得分，average()代表平均分函数，ri代表未归一化的第i个履职人员履职量，fi代表未归一化的第i个履职人员履职频率，mi代表未归一化的第i个履职人员履职时间差；
[0110]
根据上述分类依据得分，进行履职评价分类：
[0111]
当分类依据得分为(1,1,1)时，则分类为重要价值履职人员：最近履职时间近、履职频次和履职量都很高；
[0112]
当分类依据得分为(0,1,1)时，则分类为重要保持履职人员：最近履职时间较远，
但履职频次和履职量都很高；
[0113]
当分类依据得分为(1,0,1)时，则分类为重要发展履职人员：最近履职时间较近、履职量较大，但频次不高；
[0114]
当分类依据得分为(0,0,1)时，则分类为重要挽留履职人员：最近履职时间较远、履职频次不高，但履职量大；
[0115]
当分类依据得分为(1,1,0)时，则分类为一般价值履职人员：最近履职时间较近、履职频次高，但履职量较小；
[0116]
当分类依据得分为(1,0,0)时，则分类为一般发展履职人员：最近履职时间较近、履职频次低，履职量较小；
[0117]
当分类依据得分为(0,1,0)时，则分类为一般保持履职人员：最近履职时间较远、履职频次高，履职量小；
[0118]
当分类依据得分为(0,0,0)时，则分类为一般挽留履职人员：最近履职时间较远、履职频次低，履职量小。
[0119]
步骤5、根据步骤1获得的履职类型次数矩阵与履职主题次数矩阵，采用tf-idf算法对履职类型次数矩阵与履职主题次数矩阵中关键词进行匹配:
[0120]
max(if-idf)＝tf
i,j
*idfi[0121]
式中，tf
i,j
表示词条在文本中出现的频率，idfi表示关键词的普遍程度；
[0122]
词条在文本中出现的频率tf
i,j
的表达式如下：
[0123][0124]
式中，n
i,j
表示词条ti在文档dj中出现的次数，分母则是文件dj中所有词汇出现的次数总和；
[0125]
关键词的普遍程度idfi的表达式如下：
[0126][0127]
式中，|d|表示所有文档数量，|j:ti∈dj|表示包含词条ti的文档数量。
[0128]
步骤6、基于步骤2-步骤5获得的数据，绘制获得用于评估履职价值的行为画像集。
[0129]
本发明还提供了一种智能履职评估装置，包括计算机处理器、计算机处理器以及存储在该计算机存储器中并可在该计算机处理器上执行的计算机程序，该计算机存储器执行上述的用于政府机构的智能履职评估方法；
[0130]
其中，计算机处理器执行所述计算机程序时实现以下步骤：输入待评估人员的履职信息，利用智能履职评估方法进行计算，输出用于评估履职价值的可视化行为画像集。
[0131]
为了更好的说明上述评估方法的效果，本实施例以在职委员履职评估为例，履职类型包括参加会议，大会发言，撰写提案，撰写文史资料，服务众活动，反映社情民意。
[0132]
具体履职数据如表1所示：
[0133]
表1
[0134][0135]
设定[参加会议，大会发言，撰写提案，撰写文史资料，服务众活动，反映社情民意]的权重参数为[1，3，2，3，3，2]，设定履职时间跨度为δt。
[0136]
委员a履职的相关评估数据如下：
[0137]
ra＝7，fa＝14/δt，ma＝27
[0138]
委员b履职的相关评估数据如下：
[0139]
rb＝7，fb＝9/δt，mb＝18
[0140]
委员c履职的相关评估数据如下：
[0141]
rc＝7，fc＝15/δt，mc＝31
[0142]
根据预设分数分配向量[sr,sf,sm]＝[20，40，40]，计算委员a，委员 b和委员c的履职得分：
[0143]
委员a的履职得分为
[0144]
委员b的履职得分为1*20+0*40+0*40＝20
[0145]
委员c的履职得分为1*20+1*40+1*40＝100
[0146]
即委员a的履职积极性为积极，委员b的履职积极性为不积极，委员c的履职积极性为非常积极。
[0147]
根据上述评估数据对三位委员进行履职评价分类：
[0148]
委员a(1,1,1)属于重要价值履职人员，委员b(1,0,0)属于一般发展履职人员，委员c(1,1,1)属于重要价值履职人员。
[0149]
对于委员a，tf(参加会议)＝4/(4+2+2+0+1+5)＝2/7，idf (参加会议)＝4/(4+3+4)＝4/11，最终的tf-idf(参加会议)＝(2/7)* (4/11)≈0.104；同理计算tf-idf(大会发言)≈0.095，tf-idf(撰写提案) ≈0.041，tf-idf(撰写文史资料)＝0，tf-idf(服务众活动)≈0.024， tf-idf(反映社情民意)≈0.162。
[0150]
由于“反映社情民意”的tf-idf得分最高，最终得到委员a的履职类型偏好为“反映社情民意”。
[0151]
对于委员b,tf(参加会议)＝3/(3+0+3+1+0+2)＝1/3，idf (参加会议)＝3/(4+3+
4)＝3/11，最终的tf-idf(参加会议)＝(1/3)* (3/11)≈0.091；同理计算tf-idf(大会发言)＝0，tf-idf(撰写提案)≈0.142， tf-idf(撰写文史资料)≈0.037，tf-idf(服务众活动)＝0，tf-idf (反映社情民意)≈0.040。
[0152]
由于“撰写提案”的tf-idf得分最高，最终得到委员b的履职类型偏好为“撰写提案”。
[0153]
对于委员c，tf(参加会议)＝4/(4+1+2+2+2+4)＝4/15，idf (参加会议)＝4/(4+3+4)＝4/11，最终的tf-idf(参加会议)＝(4/15)* (4/11)≈0.097；同理计算tf-idf(大会发言)≈0.022，tf-idf(撰写提案)≈0.038，tf-idf(撰写文史资料)≈0.089，tf-idf(服务众活动) ≈0.089，tf-idf(反映社情民意)≈0.097。
[0154]
由于“参加会议”与“反映社情民意”的tf-idf得分同样高，最终得到委员b的履职类型偏好为“参加会议”与“反映社情民意”。
[0155]
关于履职主题内容，如表2所示：
[0156]
表2
[0157] 社会文化经济政治生态委员a52430委员b33021委员c65202
[0158]
对于委员a，tf-idf(社会)≈0.126，tf-idf(文化)≈0.029，tf-idf(经济)≈0.190，tf-idf(政治)≈0.129，tf-idf(生态)≈0。
[0159]
由于“经济”的tf-idf得分最高，最终得到委员a的履职主题偏好为“经济”。
[0160]
对于委员b，tf-idf(社会)≈0.071，tf-idf(文化)＝0.1，tf-idf(经济)＝0，tf-idf(政治)≈0.089，tf-idf(生态)≈0.037。
[0161]
由于“文化”的tf-idf得分最高，最终得到委员b的履职主题偏好为“文化”。
[0162]
对于委员c，tf-idf(社会)≈0.171，tf-idf(文化)≈0.167，tf-idf(经济)≈0.044，tf-idf(政治)＝0，tf-idf(生态)≈0.089。
[0163]
由于“社会”的tf-idf得分最高，最终得到委员c的履职主题偏好为“社会”。
[0164]
关于履职成果，如表3所示：
[0165]
表3
[0166][0167]
设定提案和社情民意的有效性权重分别为[0.5，0.5]，其中提案采纳率、落实率的权重分配为[0.3，0.7]；
[0168]
关于委员a的履职有效性：
[0169]
关于委员b的履职有效性：
[0170]
关于委员c的履职有效性：
[0171]
根据上述数据构成的履职行为画像集，可以得知，委员a与委员c 都是重要价值履职人员，其履职情况比较好；两者均为最后一次履职时间近、履职频率高、履职量大，表现出较强的履职积极性。但是相较履职效率而言，委员a的履职有效性更高，表现出较强的履职能力，是重点培养对象；同时委员c则需要加强履职质量，履职不仅要有量，更要有质量，是重点发展对应。
[0172]
而委员b的评估结果为一般发展履职人员，履职积极性低且履职有效性不高，需要重点关注提醒，安排合适的履职活动进行执行。