一种电子政务绩效评估系统和方法与流程

本发明涉及电子政务技术领域，尤其涉及一种电子政务绩效评估系统和方法。

背景技术：

20世纪90年代以来，以互联网和电子商务的广泛应用为特征的数字经济的出现，对世界各地的商业模式产生了重大影响。随着互联网时代的发展，政府管理模式、政府服务和公民参与方式也受到了影响。世界各国纷纷将信息通信技术应用于公共部门，解决了政府机构臃肿、工作效率低下的问题，并取得了显著的应用效果。目前，信息通信技术在政府治理过程中是至关重要的，它可以为服务的交付创造一个结构性的网络。随着互联网技术的普及和知识经济、信息社会的快速发展，电子政务逐渐成为政府管理的主要模式。智能手机以及无线网络的普及极大地便利了市民直接享受电子政务服务，随着市民素质的提高，他们对电子政务服务的需求不断加深。在此背景下，从市民的角度对电子政务进行绩效评价已成为电子政务管理中的一个热点问题。电子政务绩效评价对于促进多个政府部门的信息共享，提高信息资源的开发利用尤为重要。同时，也有利于进一步推动电子政务健康、有序、高效发展。

现有的电子政务绩效评价的相关研究指出电子政务绩效评价是一个需要从多个角度思考的复杂过程，决策者很难直接指明问题的总体解决方案。因此，在许多的相关研究中，电子政务绩效评价被构建为多属性决策问题，并且也有许多多属性决策方法被应用其中，从多个不同或者冲突的角度分析问题并得到最终的解决方案。例如，有专家使用数据包络法方法，设立投入指标和产出指标，在此基础上对电子政务的绩效进行评价，也有学者利用层次分析法方法通过对专家给出的评价指标之间相对重要性的比较得出指标体系的权重，进而得出最终评价，还有学者利用topsis(techniquefororderpreferencebysimilaritytoanidealsolution)法对电子政务进行评价。但是上述方法中缺少对评价信息中的不确定性的处理，以及指标建立的过程中较少考虑用户的使用体验，且指标权重的确定缺少客观性。且现有电子政务绩效评估过程也多为人工进行筛选和统计，过程中消耗大量的人力和物力，缺乏自动处理能力。

技术实现要素：

基于背景技术存在的技术问题，本发明提出了一种电子政务绩效评估系统和方法。

本发明提出的一种电子政务绩效评估系统，包括：

评估模型模块，用于建立电子政务绩效评估模型，电子政务绩效评估模型中针对每一个政务模块设有多个基本评价指标和一个总满意度评价指标，对应每一个政务模块的每一条用户评价信息均包含所述政务模块对应的多个基本评价指标和总满意度评价指标；

数据采集模块，用于采集用户评价信息；

指标权重学习和生成模块，用于通过训练用户评价信息获得指标权重训练模型，指标权重训练模型用于针对每一条用户评价信息，结合各项基本评价指标和对应的权重运算获得融合结果，并获得融合结果与对应的总体满意度指标之间的距离作为差异值；指标权重训练模型获得所有差异值的平均值，并通过对平均值求最优解，获得各项评价指标的权重；

评估结果生成模块，通过预设的评估模型，结合用户评价信息以及各基本评价指标的权重进行综合运算，获得各政务模块的的最终评价结果。

优选的，还包括评估报告自然语言生成模块，用于根据预设的效用函数将最终评价结果转化为等价效用值。

优选的，还包括数据处理模块，用于通过证据推理方式将用户评价信息转化为信度分布形式的证据；指标权重学习和生成模块用于对转化后的证据进行训练，获得各基本评价指标的权重。

一种电子政务绩效评估方法，包括：

s1、针对每一个评价对象建立多个基本评价指标和一个总体满意度指标；

s2、采集用户评价信息；

s3、建立指标权重训练模型，指标权重训练模型用于针对每一条用户评价信息，结合各项基本评价指标和对应的权重运算获得融合结果，并获得融合结果与对应的总体满意度指标之间的距离作为差异值；指标权重训练模型获得所有差异值的平均值，并通过对平均值求最优解，获得各项评价指标的权重；

s4、将各项基本评价指标上采集的用户评价信息进行融合，获得对应各项基本评价指标的总评信息，再根据各项基本评价指标的权重对总评信息进行综合运算，获得最终评价结果。

优选的，还包括步骤s5：运用效用函数将最终评价结果转化为等价效用值，并通过等价效用值对各评价对象进行比较和排序。

优选的，步骤s2具体为：采集用户评价信息，并转换为预设的标准格式的证据；步骤s3中，用户评价信息以证据的形式输入指标权重训练模型。

优选的，步骤s2中，运用证据推理方法将用户评价信息以信度分布的形式转化为可用于融合运算的证据。

优选的，步骤s2中，通过访问电子政务网站的云端数据库，收集用户评价信息。

优选的，步骤s3中，采用差分进化算法对所有差异值的平均值求最优解，以获得各项评价指标的权重。

优选的，步骤s4中，首先采用证据推理方法，将各项基本评价指标上的用户评价信息进行融合以获得对应的总评信息；再通过证据推理方法，结合权重对各项基本评价指标上的总评信息进行合成，获得最终评价结果。

本发明提出的一种电子政务绩效评估系统和方法中，用户针对各政务模块分开评价，并同时从各基本评价指标上进行评价，同时还从总满意度指标上进行评价。如此，通过对政务模块的单独评价，方便了对用户评价信息的解读，从而方便对各政务模块的优劣进行评估。同时，通过多个基本评价指标的设置，更进一步方便了从各个方向对政务模块进行评估，从而精确获知民众需求，以便对政务模块进行改良。

本发明中，建立指标权重训练模型，从数据中学习各个基本评价指标的权重，根据用户所给的基本评价指标以及总体满意度指标上的评价信息之间的差异，建立使差异最小化的指标权重训练模型模型，并运用差分进化算法计算得到各基本评价指标的权重，提高了评价过程中各基本评价指标的权重的确定性、客观性和合理性。

本发明中，总体满意度指标不参与最终评价结果的计算，以便对各用户评价信息在各基本评价指标上的给分进行提取，从而实现各基本评价指标上的总评价结果，以便结合权重对用户评价信息进行综合处理，从而获得更加精确的最终评价结果。总体满意度指标的设置，为各基本评价指标的权重的训练提供了参考和训练标准，而权重的设置，使得最终评价结果对于各基本评价指标上的得分的融合更有依据和指向性。

附图说明

图1为本发明提出的一种电子政务绩效评估系统模块图；

图2为本发明提出的一种电子政务绩效评估方法流程图；

图3为一种电子政务绩效评估模型示意图。

具体实施方式

参照图1，本发明提出的一种电子政务绩效评估系统，包括：评估模型模块、数据采集模块、数据处理模块、指标权重学习和生成模块、评估结果生成模块和评估报告自然语言生成模块。

评估模型模块，用于建立电子政务绩效评估模型，电子政务绩效评估模型中针对每一个政务模块设有多个基本评价指标和一个总满意度评价指标，对应每一个政务模块的每一条用户评价信息均包含所述政务模块对应的多个基本评价指标和总满意度评价指标。

数据采集模块，用于采集用户评价信息。具体的，本实施方式中，用户针对各政务模块分开评价，并同时从各基本评价指标上进行评价，同时还从总满意度指标上进行评价。如此，通过对政务模块的单独评价，方便了对用户评价信息的解读，从而方便对各政务模块的优劣进行评估。同时，通过多个基本评价指标的设置，更进一步方便了从各个方向对政务模块进行评估，从而精确获知民众需求，以便对政务模块进行改良。

具体实施时，本实施方式中，数据采集模块可通过对电子政务网站已有的云端数据库进行访问，提取用户评价信息，用户评价信息包含用户在各基本评价指标和总体满意度指标上分别给出的等级，还可包括用户评价地区，评价数据，评价时间等。

数据处理模块，用于通过证据推理方式将用户评价信息转化为信度分布形式的证据。

指标权重学习和生成模块，用于通过训练用户评价信息获得指标权重训练模型，指标权重训练模型用于针对每一条用户评价信息，结合各项基本评价指标和对应的权重运算获得融合结果，并获得融合结果与对应的总体满意度指标之间的距离作为差异值。指标权重训练模型获得所有差异值的平均值，并通过对平均值求最优解，获得各项评价指标的权重。本实施方式中，指标权重学习和生成模块用于对转化后的证据进行训练，获得各基本评价指标的权重。

具体的，本实施方式中，可通过差分算法对所有差异值的平均值求最优解。且，本实施方式中，差异值均为正数。

且，本实施方式中，建立指标权重训练模型，从数据中学习各个基本评价指标的权重，根据用户所给的基本评价指标以及总体满意度指标上的评价信息之间的差异，建立使差异最小化的指标权重训练模型模型，并运用差分进化算法计算得到各基本评价指标的权重，提高了评价过程中各基本评价指标的权重的确定性、客观性和合理性。

评估结果生成模块，通过预设的评估模型，结合用户评价信息以及各基本评价指标的权重进行综合运算，获得各政务模块的的最终评价结果。

本实施方式中，总体满意度指标不参与最终评价结果的计算，以便对各用户评价信息在各基本评价指标上的给分进行提取，从而实现各基本评价指标上的总评价结果，以便结合权重对用户评价信息进行综合处理，从而获得更加精确的最终评价结果。总体满意度指标的设置，为各基本评价指标的权重的训练提供了参考和训练标准，而权重的设置，使得最终评价结果对于各基本评价指标上的得分的融合更有依据和指向性。

评估报告自然语言生成模块，用于根据预设的效用函数将最终评价结果转化为等价效用值，以便根据等价效用值对各政务模块的最终评估结果进行排序。

本发明还提出了一种电子政务绩效评估方法，包括以下步骤：

s1、针对每一个评价对象建立多个基本评价指标和一个总体满意度指标。具体实施时，可以每一个政务模块作为一个单独的评价对象。具体可参照图3，该电子政务绩效评价系统包含8个作为评价对象的政务模块，分别为：户籍身份、居住、出行(车辆代驾)、教育、生育、医疗保险、就业创业、商事服务。以“出行(车辆代驾)”为例，该评价对象设有5个基本评价指标，分别为：车驾管业务网上办事指南清晰、车驾管业务网上预约缴费等功能易用、申领驾驶证要填写纸质申请或提交身份证驾驶证等复印件、驾驶证有效期满换证要提交身份证驾驶证等复印件、办理业务时能通过网上自助渠道办理。

s2、采集用户评价信息。具体的，本步骤中，可通过访问电子政务网站的云端数据库，收集用户评价信息。每一条用户评价信息对应一个用户给某一个评价对象在各基本评价指标上的评价和总体满意度指标上的评价。

s3、建立指标权重训练模型，指标权重训练模型用于针对每一条用户评价信息，结合各项基本评价指标和对应的权重运算获得融合结果，并获得融合结果与对应的总体满意度指标之间的距离作为差异值。指标权重训练模型获得所有差异值的平均值，并通过对平均值求最优解，获得各项评价指标的权重。本步骤中，可具体采用差分进化算法对所有差异值的平均值求最优解，以获得各项评价指标的权重。

步骤s2中，采集用户评价信息后，还将用户评价信息将转换为预设的标准格式的证据。本步骤s3中，用户评价信息以证据的形式输入指标权重训练模型。如此，通过证据个格式的转换，实现了用户评价信息的格式统一，方便了指标权重训练模型的输入和运算。

具体的，步骤s2中，运用证据推理方法将用户评价信息以信度分布的形式转化为可用于融合运算的证据。

s4、将各项基本评价指标上采集的用户评价信息进行融合，获得对应各项基本评价指标的总评信息，再根据各项基本评价指标的权重对总评信息进行综合运算，获得最终评价结果。具体实施时，可首先采用证据推理方法，将各项基本评价指标上的用户评价信息进行融合以获得对应的总评信息；再通过证据推理方法，结合权重对各项基本评价指标上的总评信息进行合成，获得最终评价结果。

s5、运用效用函数将最终评价结果转化为等价效用值，并通过等价效用值对各评价对象进行比较和排序。

以下结合一个具体的实施例，对本发明做进一步解释。

本实施例中，通过访问云端数据库获取用户评价信息后，运用证据推理方法将用户评价信息以信度分布的形式转化为可以进行融合运算的证据。通过在证据推理方法的基础上处理用户评价信息，可以很好地解决用户评价信息中的不确定性和无知。

本实施例中，用户a对第k个城市的电子政务在基本评价指标i上评价，90％认为满意，10％认为一般，那么这条评价信息用信度结构表示成一个分布，即一条证据：

b^a(ei(ck))＝{(非常满意,0.9),(满意,0),(一般,0.1),(不满意,0),(非常不满意,0)}；其中，b^a表示用户a，ei表示基本评价指标i，ck表示第k个城市。

本实施例中，指标权重训练模型的建立包括以下步骤：

第一步：获取针对某个评价对象，获取用户评价信息形式转换后的证据，具体包括对应各用户在各基本评价指标上的评价的b^a(ei(ck))(a＝1,...,m；i＝1,...,q；k＝1,...,k)和对应各用户在总体满意度指标上的评价b^a(s(ck))(a＝1,...,m；k＝1,...,k)。其中，ei(i＝1,...,q)表示第i个基本指标，q表示基本评价指标总数；s表示总体满意度指标；ck(k＝1,...,k)表示第k个城市的电子政务，k表示城市数量；b^a(a＝1,...,m)，m表示用户数量。

第二步：将用户a在所有基本评价指标上的评价信息通过证据推理方法进行融合，形成融合后的分布，表示为b^a(y(ck))(a＝1,...,m；k＝1,...,k)。

第三步：由于总体满意度指标上的评价信息是用户综合所有基本指标上的评价给出的评价结果，因此融合基本指标上的评价结果应当与用户给出的总体满意度指标上的评价信息的差异越近越好。本步骤中，计算用户a的融合后评价信息b^a(y(ck))(a＝1,...,m；k＝1,...,k)与总体满意度评价信息b^a(y(ck))(a＝1,...,m；k＝1,...,k)之间的差距d^a(y(ck))，并建立指标权重训练模型，在满足一定约束的情况下，获得最优的参数使模型最小化，并将最小化时各基本评价指标的权重输出。

s.t.0≤ωji^*≤1,

具体的，本实施例中，采用差分净化算法对上述公式(1)中的函数p求最优解，具体包括如下步骤：

首先，初始化种群，随机产生初始种群g0＝{w1(g),w2(g),...,wi(g)}，wi(g)为种群中的个体，种群规模即解空间的大小。

然后，进行变异操作，通过以下差分策略实现初始种群中个体变异，变异后产生中间体vi(g)。

vi(g)＝wa(g)+f·(wb(g)-wc(g))

wa(g),wb(g),wc(g)∈g0,i≠a≠b≠c；

其中，f为缩放因子。

再进行交叉操作，将初始种群中个体wi与变异后得到的中间体vi(g)间进行交叉操作,产生ui(g)。

其中，cr为交叉概率，rand(0,1)表示在(0,1)区间均匀分布的随机数。

再进行选择操作，通过贪婪算法，从初始种群中以及交叉后种群选择进入下一代种群的个体wi(g+1)。

其中，函数p为所建立的指标权重评估模型的目标函数，如公式(1)所述。

重复以上步骤，直至产生最优解，便可获得各基本评价指标的权重。

第四步：根据第二步获得针对同一评价对象的所有用户在各基本评价指标上的评价信息的分布，记作：

b^a(ei(ck))＝{(hn,βn,i(ck)),n＝1,...,n)}(a＝1,...,m；i＝1,...,q；k＝1,...,k)；

其中，ei(i＝1,...,q)表示第i个基本指标，ck(k＝1,...,k)表示第k个城市的电子政务，βn,i(ck)表示第i个指标被评价为等级hn的可能性。

第五步：对于每个基本指标，将所有用户的评价信息进行融合，得到每个基本指标上的分布。

第六步：获得第三步中由指标权重训练模型学习所得的各基本评价指标的权重。

第七步：将用户在各基本评价指标上的评价信息集合权重进行合成，获得评价对象的最终评价结果，并转化为等价效用值，并进一步获得每个城市电子政务的最终评价的分布，记作：

b(ck)＝{h1,β1(ck),h2,β2(ck),h3,β3(ck),h4,β4(ck),h5,β5(ck)}(k＝1,...,k)。

以上所述，仅为本发明涉及的较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。