基于大數據與云計算的智能化評標系統研究與實現

◆王微

（大慶油田信息技術公司 黑龍江 163000）

1 項目背景

智能化評標系統的研究工作一直是國內外招標投標領域關注的重點問題之一。國內外開展的理論研究各有不同，眾多學者借助經濟學理論、法學理論在報價策略、招投標機制以及完善串通招投標制度的法律架構等方面展開了大量的研究工作，并且各國也通過立法或者制定管理措施等多種積極手段對圍標串標行為進行打擊治理。大慶油田自2016年起陸續推廣應用中國石油電子招標交易平臺，并與油田自主開發的生產經營輔助決策系統進行數據對接。目前，大慶油田招標工作已經實現了全流程電子化。但是現有的電子化交易系統依然解決不了整個招標過程中人為主觀因素的干擾，尤其在評標過程中顯得尤為突出。因此，迫切需要開展智能化評標系統，加強招投標大數據建設，探索實行計算機輔助評標，實現招投標向信息化，智能化轉型。

2 系統設計

2.1 研究內容

基于大數據與云計算技術，建設智能化輔助評標系統，可結合招標要求對投標文件、投標人以及投標報價等全方位進行智能化評審，包括客觀評審因素以及主觀評審因素，自動匯總并輸出結果，無需人為操作，可有效防范評標過程中的舞弊現象、減少評標過程中人為因素的干擾。智能化輔助評標功能核心為客觀分自動評審、主觀分評審以及智能化數據分析。智能化數據分析，包括投標人關系網絡、標書雷同性分析、報價偏離度分析等，將投標人是否造假、是否有圍標串標行為及行為類型、合同履行情況、投標次數及中標次數分析與預測結果顯示出來，用于非招標采購談判相對人選擇及錄用。

2.2 設計思路

建立招標文件條款庫，實現對招標文件條款的結構化管理；建立投標人資質信息庫，實現對供應商資質信息的管理；將投標文件與供應商資質庫信息進行比對，自動給出比對結果，實現客觀分打分；借助人工智能模型，實現對主觀評審內容的智能評分；通過對融合后的合同履行情況、投標次數及中標次數等數據樣本構建分析模型，通過深度學習對生成模型進行校驗，不斷對現有模型進行修正，實現圍標串標分析判斷。

2.3 總體架構

采用Springboot+MySQL+Redis+Vue框架，滿足招標管理員、評標專家、供應商所有招投標工作的“一站式”需求，涵蓋評審條款設置、項目設置、投標人應答、專家校準、評分匯總、系統管理等環節，實現全流程電子信息化、人工智能化，減少招標過程中人為干預和自由裁量權過度使用的現象。

2.4 技術架構

采用分層架構搭建平臺，包括基礎設施層、數據層、平臺層、應用層和展示層?；A設施層：網絡資源以及計算存儲資源。數據層：采用數據管理、數據挖掘、分布式存儲、數據庫集群搭建等技術，對歷史數據進行清洗、轉換、加工、挖掘、分析。平臺層：采用微服務+Docker架構搭建PaaS平臺。應用層：包含項目管理、條款管理、供應商資質管理、投標文件模板管理、評標管理、大數據分析、系統管理等。采用統一的門戶入口。展示層：采用PC端瀏覽器展示。

2.5 功能架構

按照油田智能化評標業務需求，主要分為項目管理、條款管理、供應商資質管理、投標文件模板管理、評標管理、大數據分析、系統管理七個模塊。

2.6 部署方案

在辦公網DMZ區部署互聯網接口服務器，將供應商所涉及的相關服務進行提取、發布，以滿足供應商在互聯網的使用需求。在辦公網部署Web應用服務器、數據庫服務器、緩存服務器、文件服務器，通過統一認證和分級授權，確保數據安全和完整，滿足不同用戶的訪問。對服務器中的數據進行實時備份。在異常情況發生時，可以在最短的時間內對服務器進行恢復。

3 關鍵技術實現

3.1 供應商資質數據結構化

建立供應商資質庫，利用圖像識別技術，實現將投標文件等非結構化文檔進行結構化。供應商首次登錄上傳資質圖片、圖片主要信息，以及更新信息，經管理人員審核保存到系統中。中標文件缺失信息，管理人員核實錄入缺失信息。供應商再次登錄系統，可直接引用投標人資質信息數據庫編碼標識，自動帶出之前上傳的供應商圖片和相關參數信息。

3.2 招標條款數據機構化

同步大慶油田電子招投標管理系統（dqmds）中條款表，對招標文件的條款內容進行結構化，建立條款庫。一是基礎條款的管理，初始條款庫的建立需要不同的條款類型建立不同的庫，在前端頁面分成不同的菜單和標簽頁，進行單獨維護。二是單個項目選取的條款管理，對同步過來的條款名稱和內容通過專人解讀，并形成格式化條款，存入條款內容子庫。按照不同評審類別，選擇對應的評審因素。通過設置是否主觀項，讀取非主觀項評審標準，后期為客觀分自動評分提供便利。

以營業執照為例，將供應商資質信息庫中的營業執照子表，關聯到條款庫的營業執照子表，營業執照編號、公司類型、法定代表人、經營范圍、注冊資本、成立日期、營業期限、登記日期等每一條證明營業執照有效的信息都一一關聯到結構化條款。

3.3 招投標文件工具開發

開發招投標文件制作工具：使用該工具，選擇投標文件模板，創建項目，細化到營業執照、注冊資金小項名稱，關聯到條款庫中的每一項條款和供應商資質庫各類資質子表。將投標文件模板導出數據包，與招標文件一起發售給供應商。

供應商通過離線投標文件制作工具導入購買的數據包制作投標文件。投標文件制作完成后，導出PDF格式的投標文件和結構化文件，并附加數字簽名，結構化文件作為附件上傳，上傳招投標系統。開標后，由專家將上傳中石油的附件-結構化投標文件導入智能評標系統中。系統提供PDF一致性校驗功能，將數字簽名解析，進行校驗，證明該投標文件沒有被篡改。

3.4 客觀分自動評分

按照條款要求，利用PDF圖像識別技術，將投標文件中填寫的供應商資質，與供應商資質庫進行比對，自動給出比對結果，并將打分條款對應的供應商資質的內容顯示出來手動調整分數。

自動評分程序提供一套有效狀態機，即為有限個狀態以及在這些狀態之間的轉移和動作等行為的數學模型，根據不同用戶所需不同，此處定義為模型要素，狀態機在用戶提供的段落中進行自動匹配，找出符合用戶的有效信息，拿到有效信息后，為模型要素提供最高和最低分界線，再通過快速算法處理得到最優模型要素，最終形成最有競爭力的模型要素優勢。模型要素包含以下幾類：注冊資金、合同業績、供貨業績、質保期、供貨期、投標報價等；模型要素能夠根據用戶需求做定制化規則設計，適配不同類型招標項目的自動評分需求。

3.5 主觀分智能評分

基于行業同類項目的評審大數據，結合領先的機器學習技術，打造多類智能算法模型，快速讀取招投標文件，對技術標的主觀評審條款進行評審打分。通過文本處理進行語句的分類，然后進行轉換和清洗，完成模型的預測?；贏I打分結果，生成AI評標報告，供專家評委參考。

圖1 總分模型真實數據及預測數據

3.6 大數據建模分析

（1）招標流程分析

建立數據模型，分析比較歷史數據，確認某類流程以及資格條件是為對應某類中標人量身定制。

（2）報價異常分析

建立報價異常分析模型，以單一投標人為主體，統計其所有中標項目的所有投標單位報價的差比相同次數，差比相同次數是否超過規定閾值，或存在規律性變化。

（3）股權穿透分析

對接相關機構系統，對投標人進行股權穿透分析，是否存在多個投標人之間股東存在股權利益關系，以及股東或授權人在其他投標人中是否存在相互任職的情況。

（4）內容異常分析

單次內容異常：對投標人的投標文件中自述部分進行比較，方案內容、服務條款、服務流程是否存在雷同或簡單重復的情況。

文件樣式雷同：建立文件比對模型，分析多個投標人的投標文件，在目錄編排、文字風格、段落縮進、字行間距、內容描述甚至錯誤位置是否存在雷同。

文件混裝錯裝：檢索投標人的投標文件中是否出現了另一投標人的有關信息，比如出現另一投標人的資質文件、法人證明、身份信息、聯系電話、項目人員名單等。

歷史內容異常：建立內容異常分析模型，進行爬蟲分析歷史數據，辨別本次投標人的投標文件中自述部分內容是否有在之前投標中的另一個投標人的投標文件中出現過。

（5）筆跡鑒定分析

單次筆跡異常：通過圖形圖像識別技術，比較多個投標人的筆跡以及簽字部分是否為同一投標人所為。

歷史筆跡異常：建立大數據檢索智能學習模型，比對投標人的簽字筆跡是否在之前的投標過程中出現在另一家投標單位的文件中。例如：將A項目中的簽名與B項目中的簽名作對比。如果分析顯示簽不同名字，但是簽字筆跡相同，則證明同一人以不同投標人的形式投標，投標存在問題。

（6）專家打分異常

建立大數據分析模型，比對歷史同類項目評審專家打分情況，評審專家給出某一投標人評審分值時，是否出現重大偏差過高或過低。

（7）投標異常終止

建立歷史數據檢索模型，投標人一年內多次參加報名并購買標書后不提交投標文件，或無正當理由放棄中標，或多家投標人幾乎同時撤回投標。

4 結論

智能化評標系統的研究，從招標管理提升實際出發，通過簡單的操作實現“人工智能輔助評標”目標，充分調動廣大技術人員及招標從業人員的積極性，提高招標管理工作科學化、規范化、專業化水平。本次研究初步驗證了智能化輔助評標系統的可行性，后續項目需要在此基礎上，結合實際的業務流程需要，進一步AI機器學習的應用研究與開發工作，為機器學習階段提供源源不斷的數據動力。