一種用于政府機構的智能履職評估方法及裝置
1.本發明涉及數據處理技術領域，尤其涉及一種用于政府機構的智能履職評估方法及裝置。
背景技術：
2.履職評估是指通過特定的指標體系來客觀、公正的描述履職人員在工作中取得的成績。因此，指標體系的好壞直接影響到履職評估的結果是否正確，以及是否全面。常見企業里一般設置具體的閾值來對員工進行績效考核，而履職評估只要針對政府機關等事業單位或部門對所持職能履行情況進行分析和評定。
3.目前為止，大多數政府機構的履職評估仍然停留在履職數量等統計指標是否達標這一階段，缺乏健全的評估體系，存在評估不全面的問題；領導考核往往泛泛而談，針對性不強，存在評估不明確的問題。同時針對不同的履職人員缺少更加細致的行為分析。
4.專利文獻cn106682797a公開了一種機構履職監控系統，包括數據采集單元、任務監督單元和任務執行單元，數據采集單元用于采集并存儲實際履職情況數據；任務監督單元用于建立預設的履職監督標準指標數據；任務執行單元用于執行履職監督任務，并將數據采集單元采集并存儲的實際履職情況數據與任務監督單元存儲的預設履職監督標準指標數據比較，并將比較結果為不符合監督標準的任務確定為待處理履職，最終輸出待處理履職列表報告。但是說明書并沒有記載具體的評估方法，并未給出明確的指標，在某種程度上無法實施。
5.專利文獻cn109409694b公開了基于實測值的地塊海綿城市績效考核指標計算方法，先進行場地豎向布置、海綿設施布置和雨水控制流程現場檢查，通過現場監測和實際資料收集得到初期和后期雨水徑流總懸浮物濃度和實際土壤滲透性能參數；重新劃分匯水分區；建立場地內匯水分區、海綿設施和排水節點之間的拓撲結構模型，并將有效匯水分區和無效匯水分區面積、透水比例、初期雨水徑流總懸浮物濃度、后期雨水徑流總懸浮物濃度和土壤滲透性能參數實測值代入雨洪模型軟件中；運行模型得到年徑流控制量和設施年總懸浮物去除率，進而計算年徑流總量控制率和年總懸浮物去除率。該方法采用現場數據與模擬計算相結合，引入關鍵參數實測值，從而建立城市建設績效考核模型。該方法需要引入關鍵參考實測值，對構建的預測模型進行訓練，但該方法僅適用于城市建設績效考核，模型的泛化能力較差。
技術實現要素：
6.為了解決上述問題，本發明提供了一種用于政府機構的智能履職評估方法，該方法可以方便政府機關各單位的履職人員的評估，獲得更加全面、更加準確的評估結果，從而進一步優化各單位的職能工作。
7.一種用于政府機構的智能履職評估方法，包括：
8.步驟1、獲取履職信息，所述履職信息包括履職類型次數矩陣、履職主題次數矩陣
以及履職成果；
9.步驟2、根據步驟1獲得的履職類型次數矩陣與履職成果進行量化計算，獲得對應的量化評價數據集；
10.步驟3、對步驟2獲得的量化評價數據集進行向量分配處理，獲得對應的履職得分和履職積極度；
11.步驟4、對步驟2獲得的量化評價數據進行分類，獲得對應的履職評價分類結果；
12.步驟5、根據步驟1獲得的履職類型次數矩陣與履職主題次數矩陣，匹配獲得對應的履職偏好；
13.步驟6、基于步驟2至步驟5獲得的數據，繪制獲得用于評估履職價值的行為畫像集。
14.本發明提出采用rfm算法以及if-idf方法對機構的履職人員進行履職評估與行為畫像的輸出，使得政府機構的履職評估更加全面、更加準確，從而可以為后續工作安排提供全面準確的指導，最大化的發揮機構職能。
15.具體的，所述步驟1中的履職類型次數矩陣中的履職類型包括參加會議、基層活動、調研工作以及撰寫工作；
16.履職主題次數矩陣中的履職主題包括社會、文化、經濟、政治以及生態；
17.履職成果包括基層工作的采納和落實次數，所述基層工作包括提案提交次數、提案采納次數、提案落實次數、社情民意上報次數以及社情民意采用次數。
18.優選的，所述步驟2的量化計算包括rfm算法和加權計算法。
19.具體的，所述步驟2的量化評價數據集包括：
20.履職頻率，通過對所有履職類型下履職次數的求和并除以時間間隔計算獲得：
[0021][0022]
式中，k表示履職類型的總數，δt表示時間間隔，nj表示該履職人員在履職類型j下的履職次數：
[0023]
履職時間差，通過計算目標最后一次履職時間與獲取履職信息的截止時間之差獲得：
[0024]ri
＝t
r-t
[0025]
式中，tr表示履職人員i最后一次履職時間，t表示收集數據時的截止時刻；
[0026]
履職量，根據所有履職類型權重進行加權計算獲得：
[0027][0028]
式中，wj表示預設權重系數，nj表示該履職人員在履職類型j下的履職次數；
[0029]
履職有效性，根據履職成果中各項數據權重進行加權計算獲得：
[0030][0031]
式中，fb表示該履職類型下的有效性評分，nj表示該履職人員在履職類型j下的履職次數；
[0032]
其中，有效性評分fb是基于履職成果計算獲得：
[0033]
∑fb＝fba+fbb[0034][0035][0036]
式中，a1表示提案提交次數，a2表示提案采納次數，a3表示提案落實次數，e1表示社情民意上報次數，e2表示社情民意采用次數。
[0037]
具體的，所述步驟3中的向量分配處理的具體表達式如下：
[0038][0039]
式中，si代表第i個履職人員的履職得分，代表歸一化后的第i個履職人員履職量，代表歸一化后的第i個履職人員履職頻率，代表歸一化后的第i個履職人員履職時間差，[sr,sf,sm]為預設權重參數；
[0040][0041]
式中，pi表示履職積極度。
[0042]
具體的，所述步驟4的分類的具體表達式如下：
[0043][0044][0045][0046][0047]
式中，ci表示第i個履職人員的分類依據得分，average()代表平均分函數，ri代表未歸一化的第i個履職人員履職量，fi代表未歸一化的第i個履職人員履職頻率，mi代表未歸一化的第i個履職人員履職時間差。
[0048]
具體的，根據所述分類依據得分進行評估，獲得對應的履職評價分類結果：
[0049]
當分類依據得分為(1,1,1)時，則分類為重要價值履職人員：最近履職時間近、履職頻次和履職量都很高；
[0050]
當分類依據得分為(0,1,1)時，則分類為重要保持履職人員：最近履職時間較遠，但履職頻次和履職量都很高；
[0051]
當分類依據得分為(1,0,1)時，則分類為重要發展履職人員：最近履職時間較近、履職量較大，但頻次不高；
[0052]
當分類依據得分為(0,0,1)時，則分類為重要挽留履職人員：最近履職時間較遠、履職頻次不高，但履職量大；
[0053]
當分類依據得分為(1,1,0)時，則分類為一般價值履職人員：最近履職時間較近、履職頻次高，但履職量較小；
[0054]
當分類依據得分為(1,0,0)時，則分類為一般發展履職人員：最近履職時間較近、履職頻次低，履職量較小；
[0055]
當分類依據得分為(0,1,0)時，則分類為一般保持履職人員：最近履職時間較遠、履職頻次高，履職量小；
[0056]
當分類依據得分為(0,0,0)時，則分類為一般挽留履職人員：最近履職時間較遠、履職頻次低，履職量小。
[0057]
優選的，所述步驟5中的履職偏好，采用tf-idf算法對履職類型次數矩陣與履職主題次數矩陣中關鍵詞進行匹配獲得。
[0058]
具體的，所述履職偏好的具體表達式如下：
[0059]
max(if-idf)＝tf
i,j
*idfi[0060]
式中，tf
i,j
表示詞條在文本中出現的頻率，idfi表示關鍵詞的普遍程度；
[0061]
其中，詞條在文本中出現的頻率tf
i,j
的表達式如下：
[0062][0063]
式中，n
i,j
表示詞條ti在文檔dj中出現的次數，分母則是文件dj中所有詞匯出現的次數總和；
[0064]
關鍵詞的普遍程度idfi的表達式如下：
[0065][0066]
式中，|d|表示所有文檔數量，|j:ti∈dj|表示包含詞條ti的文檔數量。
[0067]
本發明還提供了一種智能履職評估裝置，包括計算機處理器、計算機處理器以及存儲在所述計算機存儲器中并可在所述計算機處理器上執行的計算機程序，所述計算機存儲器執行上述的用于政府機構的智能履職評估方法；所述計算機處理器執行所述計算機程序時實現以下步驟：輸入待評估人員的履職信息，利用智能履職評估方法進行計算，輸出用于評估履職價值的可視化行為畫像集。
[0068]
與現有技術相比，本發明的有益效果：
[0069]
(1)將rfm算法和tf-idf方法相結合，對政府機構的履職情況進行量化，從而更加全面、更加有效的對履職人員進行評估。
[0070]
(2)根據履職評估結果進行分類，輸出對應的可視化行為畫像，方便后續對人員工作安排的制定，使得政府機構職能發揮最大能力。
附圖說明
[0071]
圖1為本發明提供了一種用于政府機構的智能履職評估方法的流程圖。
具體實施方式
[0072]
由于大多數政府機構的履職評估仍然停留在履職數量等統計指標是否達標這一階段，缺乏健全的評估體系，存在評估不全面的問題。
[0073]
如圖1所示，本發明提供了一種用于政府機構的智能履職評估方法，包括：
[0074]
步驟1、獲取履職信息，所述履職信息包括履職類型次數矩陣、履職主題次數矩陣以及履職成果：
[0075]
履職類型次數矩陣中的履職類型包括參加會議、基層活動、調研工作以及文案撰寫工作；
[0076]
履職主題次數矩陣中的履職主題包括社會、文化、經濟、政治以及生態；
[0077]
履職成果包括提案提交次數、提案采納次數、提案落實次數、社情民意上報次數以及社情民意采用次數。
[0078]
步驟2、根據步驟1獲得的履職類型次數矩陣與履職成果進行量化計算：
[0079]
履職頻率，通過對所有履職類型下履職次數的求和并除以時間間隔計算獲得：
[0080][0081]
式中，k表示履職類型的總數，δt表示時間間隔，nj表示該履職人員在履職類型j下的履職次數：
[0082]
履職時間差，通過計算目標最后一次履職時間與獲取履職信息的截止時間之差獲得：
[0083]ri
＝t
r-t
[0084]
式中，tr表示履職人員i最后一次履職時間，t表示收集數據時的截止時刻；
[0085]
履職量，根據所有履職類型權重進行加權計算獲得：
[0086][0087]
式中，wj表示預設權重系數，nj表示該履職人員在履職類型j下的履職次數；
[0088]
履職有效性，根據履職成果中各項數據權重進行加權計算獲得：
[0089][0090]
式中，fb表示該履職類型下的有效性評分，nj表示該履職人員在履職類型j下的履職次數；
[0091]
其中，有效性評分fb是基于履職成果加權計算獲得：
[0092]
∑fb＝fba+fbb[0093][0094][0095]
式中，a1表示提案提交次數，a2表示提案采納次數，a3表示提案落實次數，e1表示社
情民意上報次數，e2表示社情民意采用次數。
[0096]
步驟3、對步驟2獲得的量化評價數據集進行向量分配處理，獲得對應的履職得分和履職積極度：
[0097][0098][0099][0100][0101]
式中，si代表第i個履職人員的履職得分，代表歸一化后的第i個履職人員履職量，代表歸一化后的第i個履職人員履職頻率，代表歸一化后的第i個履職人員履職時間差，r
max
和r
min
分別表示所有履職人員中履職時間差最高和最低的數值，f
max
和f
min
分別表示所有履職人員中履職頻次最高和最低的數值，m
max
和m
min
分別表示所有履職人員中履職量最高和最低的數值，[sr,sf,sm]為預設權重參數；
[0102][0103]
式中，pi表示履職積極度。
[0104]
步驟4、對步驟2獲得的量化評價數據進行分類：
[0105][0106][0107][0108][0109]
式中，ci表示第i個履職人員的分類依據得分，average()代表平均分函數，ri代表未歸一化的第i個履職人員履職量，fi代表未歸一化的第i個履職人員履職頻率，mi代表未歸一化的第i個履職人員履職時間差；
[0110]
根據上述分類依據得分，進行履職評價分類：
[0111]
當分類依據得分為(1,1,1)時，則分類為重要價值履職人員：最近履職時間近、履職頻次和履職量都很高；
[0112]
當分類依據得分為(0,1,1)時，則分類為重要保持履職人員：最近履職時間較遠，
但履職頻次和履職量都很高；
[0113]
當分類依據得分為(1,0,1)時，則分類為重要發展履職人員：最近履職時間較近、履職量較大，但頻次不高；
[0114]
當分類依據得分為(0,0,1)時，則分類為重要挽留履職人員：最近履職時間較遠、履職頻次不高，但履職量大；
[0115]
當分類依據得分為(1,1,0)時，則分類為一般價值履職人員：最近履職時間較近、履職頻次高，但履職量較小；
[0116]
當分類依據得分為(1,0,0)時，則分類為一般發展履職人員：最近履職時間較近、履職頻次低，履職量較小；
[0117]
當分類依據得分為(0,1,0)時，則分類為一般保持履職人員：最近履職時間較遠、履職頻次高，履職量小；
[0118]
當分類依據得分為(0,0,0)時，則分類為一般挽留履職人員：最近履職時間較遠、履職頻次低，履職量小。
[0119]
步驟5、根據步驟1獲得的履職類型次數矩陣與履職主題次數矩陣，采用tf-idf算法對履職類型次數矩陣與履職主題次數矩陣中關鍵詞進行匹配:
[0120]
max(if-idf)＝tf
i,j
*idfi[0121]
式中，tf
i,j
表示詞條在文本中出現的頻率，idfi表示關鍵詞的普遍程度；
[0122]
詞條在文本中出現的頻率tf
i,j
的表達式如下：
[0123][0124]
式中，n
i,j
表示詞條ti在文檔dj中出現的次數，分母則是文件dj中所有詞匯出現的次數總和；
[0125]
關鍵詞的普遍程度idfi的表達式如下：
[0126][0127]
式中，|d|表示所有文檔數量，|j:ti∈dj|表示包含詞條ti的文檔數量。
[0128]
步驟6、基于步驟2-步驟5獲得的數據，繪制獲得用于評估履職價值的行為畫像集。
[0129]
本發明還提供了一種智能履職評估裝置，包括計算機處理器、計算機處理器以及存儲在該計算機存儲器中并可在該計算機處理器上執行的計算機程序，該計算機存儲器執行上述的用于政府機構的智能履職評估方法；
[0130]
其中，計算機處理器執行所述計算機程序時實現以下步驟：輸入待評估人員的履職信息，利用智能履職評估方法進行計算，輸出用于評估履職價值的可視化行為畫像集。
[0131]
為了更好的說明上述評估方法的效果，本實施例以在職委員履職評估為例，履職類型包括參加會議，大會發言，撰寫提案，撰寫文史資料，服務眾活動，反映社情民意。
[0132]
具體履職數據如表1所示：
[0133]
表1
[0134][0135]
設定[參加會議，大會發言，撰寫提案，撰寫文史資料，服務眾活動，反映社情民意]的權重參數為[1，3，2，3，3，2]，設定履職時間跨度為δt。
[0136]
委員a履職的相關評估數據如下：
[0137]
ra＝7，fa＝14/δt，ma＝27
[0138]
委員b履職的相關評估數據如下：
[0139]
rb＝7，fb＝9/δt，mb＝18
[0140]
委員c履職的相關評估數據如下：
[0141]
rc＝7，fc＝15/δt，mc＝31
[0142]
根據預設分數分配向量[sr,sf,sm]＝[20，40，40]，計算委員a，委員 b和委員c的履職得分：
[0143]
委員a的履職得分為
[0144]
委員b的履職得分為1*20+0*40+0*40＝20
[0145]
委員c的履職得分為1*20+1*40+1*40＝100
[0146]
即委員a的履職積極性為積極，委員b的履職積極性為不積極，委員c的履職積極性為非常積極。
[0147]
根據上述評估數據對三位委員進行履職評價分類：
[0148]
委員a(1,1,1)屬于重要價值履職人員，委員b(1,0,0)屬于一般發展履職人員，委員c(1,1,1)屬于重要價值履職人員。
[0149]
對于委員a，tf(參加會議)＝4/(4+2+2+0+1+5)＝2/7，idf (參加會議)＝4/(4+3+4)＝4/11，最終的tf-idf(參加會議)＝(2/7)* (4/11)≈0.104；同理計算tf-idf(大會發言)≈0.095，tf-idf(撰寫提案) ≈0.041，tf-idf(撰寫文史資料)＝0，tf-idf(服務眾活動)≈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，最終得到委員a的履職類型偏好為“反映社情民意”。
[0151]
對于委員b,tf(參加會議)＝3/(3+0+3+1+0+2)＝1/3，idf (參加會議)＝3/(4+3+
4)＝3/11，最終的tf-idf(參加會議)＝(1/3)* (3/11)≈0.091；同理計算tf-idf(大會發言)＝0，tf-idf(撰寫提案)≈0.142， tf-idf(撰寫文史資料)≈0.037，tf-idf(服務眾活動)＝0，tf-idf (反映社情民意)≈0.040。
[0152]
由于“撰寫提案”的tf-idf得分最高，最終得到委員b的履職類型偏好為“撰寫提案”。
[0153]
對于委員c，tf(參加會議)＝4/(4+1+2+2+2+4)＝4/15，idf (參加會議)＝4/(4+3+4)＝4/11，最終的tf-idf(參加會議)＝(4/15)* (4/11)≈0.097；同理計算tf-idf(大會發言)≈0.022，tf-idf(撰寫提案)≈0.038，tf-idf(撰寫文史資料)≈0.089，tf-idf(服務眾活動) ≈0.089，tf-idf(反映社情民意)≈0.097。
[0154]
由于“參加會議”與“反映社情民意”的tf-idf得分同樣高，最終得到委員b的履職類型偏好為“參加會議”與“反映社情民意”。
[0155]
關于履職主題內容，如表2所示：
[0156]
表2
[0157] 社會文化經濟政治生態委員a52430委員b33021委員c65202
[0158]
對于委員a，tf-idf(社會)≈0.126，tf-idf(文化)≈0.029，tf-idf(經濟)≈0.190，tf-idf(政治)≈0.129，tf-idf(生態)≈0。
[0159]
由于“經濟”的tf-idf得分最高，最終得到委員a的履職主題偏好為“經濟”。
[0160]
對于委員b，tf-idf(社會)≈0.071，tf-idf(文化)＝0.1，tf-idf(經濟)＝0，tf-idf(政治)≈0.089，tf-idf(生態)≈0.037。
[0161]
由于“文化”的tf-idf得分最高，最終得到委員b的履職主題偏好為“文化”。
[0162]
對于委員c，tf-idf(社會)≈0.171，tf-idf(文化)≈0.167，tf-idf(經濟)≈0.044，tf-idf(政治)＝0，tf-idf(生態)≈0.089。
[0163]
由于“社會”的tf-idf得分最高，最終得到委員c的履職主題偏好為“社會”。
[0164]
關于履職成果，如表3所示：
[0165]
表3
[0166][0167]
設定提案和社情民意的有效性權重分別為[0.5，0.5]，其中提案采納率、落實率的權重分配為[0.3，0.7]；
[0168]
關于委員a的履職有效性：
[0169]
關于委員b的履職有效性：
[0170]
關于委員c的履職有效性：
[0171]
根據上述數據構成的履職行為畫像集，可以得知，委員a與委員c 都是重要價值履職人員，其履職情況比較好；兩者均為最后一次履職時間近、履職頻率高、履職量大，表現出較強的履職積極性。但是相較履職效率而言，委員a的履職有效性更高，表現出較強的履職能力，是重點培養對象；同時委員c則需要加強履職質量，履職不僅要有量，更要有質量，是重點發展對應。
[0172]
而委員b的評估結果為一般發展履職人員，履職積極性低且履職有效性不高，需要重點關注提醒，安排合適的履職活動進行執行。
