基于數(shù)據(jù)結(jié)構(gòu)編碼的國民經(jīng)濟(jì)行業(yè)分類在輿情監(jiān)測項目中的應(yīng)用

萬音澤

(1.南開大學(xué)金融學(xué)院 天津 300050；2.南開大學(xué)計算機(jī)科學(xué)與技術(shù)學(xué)院 天津 300350)

在金融工程的輿情監(jiān)測與分析中，部分項目需要采用“爬蟲”技術(shù)智能監(jiān)測網(wǎng)頁內(nèi)容，進(jìn)行數(shù)據(jù)挖掘、存儲、讀取、機(jī)器學(xué)習(xí)等，存儲及讀取數(shù)據(jù)時需要對大量數(shù)據(jù)進(jìn)行分類與編碼，進(jìn)而進(jìn)行分類存儲、數(shù)據(jù)分析等。GB/T 4754—2017《國民經(jīng)濟(jì)行業(yè)分類》提供了幾乎所有經(jīng)濟(jì)活動的分類與編碼，極大方便了項目所需的分類編碼與信息交換。

1 國民經(jīng)濟(jì)行業(yè)分類編碼現(xiàn)狀

1.1 國民經(jīng)濟(jì)行業(yè)分類國家標(biāo)準(zhǔn)

GB/T 4754—2017《國民經(jīng)濟(jì)行業(yè)分類》由國家質(zhì)檢總局、國家標(biāo)準(zhǔn)委于2017年6月30日發(fā)布，于2017年10月1日起正式實(shí)施。本標(biāo)準(zhǔn)主要參考聯(lián)合國《所有經(jīng)濟(jì)活動的國際標(biāo)準(zhǔn)產(chǎn)業(yè)分類》(ISIC Rev.4)。根據(jù)我國《國民經(jīng)濟(jì)行業(yè)分類》標(biāo)準(zhǔn)的歷次版本頒布、修訂歷史，自 1984年開始，每經(jīng)歷 8～10年進(jìn)行一次修訂，2017年修訂后的行業(yè)分類共有20個門類、97個大類、473個中類、1 380個小類。本標(biāo)準(zhǔn)的歷次版本依時間次序發(fā)布情況為：GB/T 4754—1984、GB/T 4754—1994、GB/T 4754—2002、GB/T 4754—2011、GB/T 4754—2017。

1.2 國民經(jīng)濟(jì)行業(yè)分類編碼方法和結(jié)構(gòu)

根據(jù)本標(biāo)準(zhǔn)使用說明，本標(biāo)準(zhǔn)采用分類和分層編碼方法，將國民經(jīng)濟(jì)行業(yè)劃分為門類、大類、中類和小類 4級。代碼由 1位拉丁字母和 4位阿拉伯?dāng)?shù)字組成。門類代碼用一位拉丁字母表示，即用字母 A、B、C……依次代表不同門類；大類代碼用2位阿拉伯?dāng)?shù)字表示，打破門類界限，從 01開始按順序編碼；中類代碼用3位阿拉伯?dāng)?shù)字表示，前2位為大類代碼，第3位為中類順序代碼；小類代碼用4位阿拉伯?dāng)?shù)字表示，前 3位為中類代碼，第 4位為小類順序代碼，代碼結(jié)構(gòu)圖見圖1。

圖1 國民經(jīng)濟(jì)行業(yè)分類編碼結(jié)構(gòu)圖Fig.1 Structure of classification and coding of national economic industries

2 基于整數(shù)數(shù)字順序編碼

2.1 經(jīng)濟(jì)活動的數(shù)字編碼

根據(jù)GB/T 4754—2017《國民經(jīng)濟(jì)行業(yè)分類》，以金融業(yè)分類編碼為例，采用J表示金融業(yè)的行業(yè)分類，大類、種類、小類的編碼見表1。

從圖1、表1中的編碼方法及編碼數(shù)據(jù)可見，國標(biāo)中的編碼采用整數(shù)數(shù)字順序編碼方式，最終的整數(shù)落在第4層級的小類代碼，大類代碼可以采用在后面補(bǔ)齊2位0形成整數(shù)編碼，例如表1中貨幣金融服務(wù)經(jīng)濟(jì)活動的編碼可編寫為 6600，依此類推，資本市場服務(wù)經(jīng)濟(jì)活動的編碼為 6670，非貨幣銀行服務(wù)經(jīng)濟(jì)活動的編碼為 6630，這樣就在小類代碼列形成了全部為整數(shù)由小到大排列的順序編碼。

表1 金融業(yè)國民經(jīng)濟(jì)分類編碼表Tab.1 Classification and coding table of financial industry

2.2 經(jīng)濟(jì)活動的分類擴(kuò)充

在當(dāng)今信息化、智能化社會，新的經(jīng)濟(jì)活動不斷涌現(xiàn)，部分新經(jīng)濟(jì)活動擴(kuò)展較快，例如在GB/T 4754—2017的修訂文件中增補(bǔ)了以下幾項金融行業(yè)服務(wù)分類：汽車金融公司服務(wù)、小額貸款公司服務(wù)、消費(fèi)金融公司服務(wù)、網(wǎng)絡(luò)借貸服務(wù)，這幾項服務(wù)近幾年迅速在國內(nèi)的非貨幣銀行服務(wù)中占據(jù)比較重要的位置，業(yè)務(wù)額比例上升較快，非貨幣銀行服務(wù)的編碼也相應(yīng)從6633增編至6637。本標(biāo)準(zhǔn)還增加了中類編碼664，增加了小類編碼 6640，將銀行理財服務(wù)增補(bǔ)入分類標(biāo)準(zhǔn)，同時將銀行監(jiān)管服務(wù)調(diào)增至中類 665，小類6650。上述微調(diào)變化見表2。

擴(kuò)充后的分類編碼，局部仍然存在需要即時增補(bǔ)的小類，例如P2P服務(wù)、校園貸、民間借貸服務(wù)等，這類經(jīng)濟(jì)活動在某段時間成為熱點(diǎn)，進(jìn)行金融工程的輿情分析時候，需要在數(shù)據(jù)庫中及時擴(kuò)充。

2.3 編碼修訂帶來的問題

表2與表1對比主要有 3種變化：增加中類代碼；增加小類代碼；增加活動內(nèi)容、屬性。按照整數(shù)數(shù)字順序編碼方式理解和使用國民經(jīng)濟(jì)行業(yè)分類標(biāo)準(zhǔn)，以上3種變化會帶來以下應(yīng)用問題：

表2 金融業(yè)國民經(jīng)濟(jì)分類編碼表Tab.1 National economy classification and coding table of financial industry

①編碼數(shù)值變化。上述變化中，中類數(shù)字編碼664所對應(yīng)的經(jīng)濟(jì)活動發(fā)生了“移位”變化，新修訂的標(biāo)準(zhǔn)已經(jīng)由664改為665。在輿情監(jiān)測項目中以代碼664作為索引數(shù)值將難以進(jìn)行存儲、讀取。

②編碼數(shù)量擴(kuò)展。分類編碼標(biāo)準(zhǔn)的修訂周期較長，難以滿足某些變化較快的行業(yè)分類要求，例如在“非貨幣銀行服務(wù)”中擴(kuò)充 P2P服務(wù)、校園貸、民間借貸服務(wù)等小類時，當(dāng)按照整數(shù)數(shù)字 663X順序編碼，出現(xiàn)整數(shù)位不足問題，表2中編碼至 6638后無法繼續(xù)進(jìn)行整數(shù)順序編碼。

③編碼層級擴(kuò)展。分類編碼中一般采用“其他XX”經(jīng)濟(jì)活動來補(bǔ)充經(jīng)濟(jì)活動的完整性。但在實(shí)際使用過程中，例如在一些“輿情監(jiān)測”“推薦系統(tǒng)”等金融工程項目中，當(dāng)需要對某些熱點(diǎn)經(jīng)濟(jì)活動單獨(dú)劃分時，需要進(jìn)行層級擴(kuò)張，即在小類代碼 6639所代表的“其他非貨幣銀行服務(wù)”經(jīng)濟(jì)活動中，增加劃分種類，例如可將 P2P服務(wù)、校園貸、民間借貸服務(wù)等劃入此類，進(jìn)行屬性分類儲存、讀取。

3 基于數(shù)據(jù)結(jié)構(gòu)編碼

3.1 以XML文件實(shí)現(xiàn)分類編碼樹狀結(jié)構(gòu)

擴(kuò)展標(biāo)記語言(eXtended Marked Language，XML)是一種能進(jìn)行自我描述的協(xié)議語言，是由W3C組織制定的一系列技術(shù)“推薦規(guī)范”，其特點(diǎn)是可擴(kuò)展性和平臺獨(dú)立性。XML文檔是AscII碼，可以被大多數(shù)應(yīng)用程序處理，一般情況下，操作系統(tǒng)和數(shù)據(jù)庫系統(tǒng)都支持XML文檔進(jìn)行信息傳遞。

以表2為例，國民經(jīng)濟(jì)分類編碼具有樹狀結(jié)構(gòu)特征，即國民經(jīng)濟(jì)分類編碼整體為“樹”，門類為一級主干，大類、中類依次分別為二、三級分支，小類為葉。各類代碼所代表的國民經(jīng)濟(jì)活動具有唯一性，按照同一劃分邏輯進(jìn)行劃分，一般以“其他”來表示所有余下的國民經(jīng)濟(jì)活動，實(shí)現(xiàn)完整劃分。

本文按照門類、大類、中類、小類順序?qū)窠?jīng)濟(jì)活動分類進(jìn)行結(jié)構(gòu)化處理，形成樹狀結(jié)構(gòu)，再串行化為 XML流。將標(biāo)準(zhǔn)中的分類代碼，作為一個屬性數(shù)值，存儲到XML流文件對應(yīng)位置。

3.2 以XML文件存儲項目數(shù)據(jù)

圖2為采用 C++語言結(jié)構(gòu)體編制的節(jié)點(diǎn)元素數(shù)據(jù)結(jié)構(gòu)示意圖，節(jié)點(diǎn)元素的主要關(guān)聯(lián)對象有：父節(jié)點(diǎn)元素、上一節(jié)點(diǎn)元素、下一節(jié)點(diǎn)元素、節(jié)點(diǎn)元素名稱、節(jié)點(diǎn)元素編碼。

采用C++語言以結(jié)構(gòu)體形式定義節(jié)點(diǎn)元素對象、子節(jié)點(diǎn)元素鏈表等。圖2中時間序列數(shù)值節(jié)點(diǎn)元素鏈表為一種擴(kuò)充數(shù)據(jù)，示例可以在定義節(jié)點(diǎn)元素的數(shù)據(jù)結(jié)構(gòu)時增加屬性字段或者增加鏈表結(jié)構(gòu)等擴(kuò)展編碼數(shù)據(jù)庫，延伸編碼數(shù)據(jù)庫的適用范圍。

圖2 節(jié)點(diǎn)元素數(shù)據(jù)結(jié)構(gòu)示意圖Fig.2 Data structure diagram of node elements

①節(jié)點(diǎn)元素對象

struct Node

{

string name；//元素標(biāo)記名稱

string numStr；//元素節(jié)點(diǎn)編碼

Node* parent；//父節(jié)點(diǎn)元素

list＜Node＞ children；//下層節(jié)點(diǎn)鏈表

list＜TimeNode＞timeList；//時間節(jié)點(diǎn)鏈表

}；

② 時間序列數(shù)值節(jié)點(diǎn)元素鏈表

struct TimeNode

{

DateTime timeStamp；//時間序列元素節(jié)點(diǎn)

intnum；//時間序列對應(yīng)的頻次數(shù)值

}；

3.3 以XML文件存儲項目數(shù)據(jù)

圖3為采用 C++語言結(jié)構(gòu)體編制的“非貨幣銀行服務(wù)”經(jīng)濟(jì)活動的節(jié)點(diǎn)元素示意圖，節(jié)點(diǎn)元素的關(guān)聯(lián)對象有：父節(jié)點(diǎn)元素——貨幣金融服務(wù)；上一節(jié)點(diǎn)元素——貨幣銀行服務(wù)；下一節(jié)點(diǎn)元素——銀行理財服務(wù)等。其中，經(jīng)濟(jì)活動的名稱作為節(jié)點(diǎn)元素名稱字段表示，經(jīng)濟(jì)活動的編碼對節(jié)點(diǎn)元素不起任何控制或約束作用，只作為節(jié)點(diǎn)的一個屬性字段“節(jié)點(diǎn)元素編碼”進(jìn)行存儲。

圖3 非貨幣銀行服務(wù)節(jié)點(diǎn)元素示意圖Fig.3 Elemental schematic diagram of non-monetary banking service nodes

經(jīng)濟(jì)活動的節(jié)點(diǎn)元素可以包含任意數(shù)量的子節(jié)點(diǎn)元素，采用 C++語言中的鏈表數(shù)據(jù)結(jié)構(gòu)存儲，以NULL作為結(jié)束標(biāo)志，具有可擴(kuò)展性能。子節(jié)點(diǎn)元素的C++語言定義見3.2節(jié)，其中子節(jié)點(diǎn)元素鏈表任一節(jié)點(diǎn)元素與父節(jié)點(diǎn)元素具有相同的數(shù)據(jù)結(jié)構(gòu)。

4 基于數(shù)據(jù)結(jié)構(gòu)編碼的分類方法運(yùn)用舉例

以某金融工程項目“輿情監(jiān)測”系統(tǒng)為例，在該項目中，需要對常見各大網(wǎng)站進(jìn)行關(guān)鍵詞匹配，進(jìn)而進(jìn)行出現(xiàn)次數(shù)統(tǒng)計，計算出現(xiàn)頻率的變化。

4.1 根據(jù)編碼標(biāo)準(zhǔn)形成編碼XML文件

該項目中首先將 GB/T 4754—2011《國民經(jīng)濟(jì)行業(yè)分類》存入CSV格式文件，CSV文件易讀且修改方便。通過 C++程序讀取文件，按照 3.1、3.2節(jié)之方法形成XML文件。讀入CSV文件時，按照行順序依次進(jìn)行，并按照固定列確定行業(yè)分類，再依照后續(xù)列確定大類、中類、小類或擴(kuò)展類。

4.2 適應(yīng)編碼數(shù)值的更新

當(dāng) GB/T 4754—2017《國民經(jīng)濟(jì)行業(yè)分類》出現(xiàn)修訂時，只需要將經(jīng)濟(jì)活動編碼的 CSV文件整體進(jìn)行更新。例如2.3節(jié)所述中類數(shù)字編碼664所對應(yīng)的經(jīng)濟(jì)活動改為665后，采用數(shù)據(jù)結(jié)構(gòu)編碼方式形成XML數(shù)據(jù)庫，XML數(shù)據(jù)庫以經(jīng)濟(jì)活動的名稱為辨別屬性，編碼只作為附屬字段，因此編碼數(shù)值變化不影響 XML數(shù)據(jù)庫的更新，從而為維護(hù)XML數(shù)據(jù)庫帶來了便利。

4.3 實(shí)現(xiàn)編碼數(shù)量擴(kuò)展

以某金融工程項目“輿情監(jiān)測”系統(tǒng)為例，在該項目中，需要對 2.3節(jié)所述“非貨幣銀行服務(wù)”中擴(kuò)充 P2P服務(wù)、校園貸、民間借貸服務(wù)等小類時，當(dāng)按照整數(shù)數(shù)字順序編碼時表2中編碼至6638后無法繼續(xù)進(jìn)行整數(shù)順序編碼。按照數(shù)據(jù)結(jié)構(gòu)形式編碼，以C++程序讀取CSV編碼文件時，會忽略數(shù)值編碼，只按照經(jīng)濟(jì)活動所在的行和列以及所在的上一級分類關(guān)系實(shí)現(xiàn)對XML樹的重構(gòu)。

4.4 實(shí)現(xiàn)編碼層級擴(kuò)展

編碼標(biāo)準(zhǔn)將經(jīng)濟(jì)活動的層級劃分為4級，當(dāng)根據(jù)項目需要，將編碼層級擴(kuò)展為5級、6級時，原整數(shù)順序編碼方式不再適用。按照本文的數(shù)據(jù)結(jié)構(gòu)編碼方式，保持原經(jīng)濟(jì)活動編碼的 CSV文件的整體結(jié)構(gòu)不變，只需將要增加層級的位置的經(jīng)濟(jì)活動向后一列移動，C++程序會按照列的先后順序自動劃分層級，形成更多層級的樹狀結(jié)構(gòu)。因此，按照數(shù)據(jù)結(jié)構(gòu)編碼方式可以方便地實(shí)現(xiàn)編碼層級的擴(kuò)展。

例如對 2.3節(jié)所述的“輿情監(jiān)測”“推薦系統(tǒng)”等金融工程項目中，在小類代碼 6639所代表的“其他非貨幣銀行服務(wù)”經(jīng)濟(jì)活動中，在編碼的 6639列后增加一列編碼(編碼數(shù)值只作為屬性標(biāo)記)，同時將劃入此類的經(jīng)濟(jì)活動 P2P服務(wù)、校園貸、民間借貸向后一列移動，C++程序讀取CSV編碼文件時，將按照其所在列的位置方便地實(shí)現(xiàn)編碼層級的擴(kuò)展，實(shí)現(xiàn)對XML樹的重構(gòu)。

5 結(jié) 語

① GB/T 4754—2017《國民經(jīng)濟(jì)行業(yè)分類》規(guī)定了全社會經(jīng)濟(jì)活動的分類與代碼，代碼編制方法為基于整數(shù)數(shù)字順序編碼方式。這種編碼方式已經(jīng)難以適應(yīng)編碼數(shù)值變化、編碼數(shù)量擴(kuò)展、編碼層級擴(kuò)展變化。

②基于數(shù)據(jù)結(jié)構(gòu)的分類編碼方法，通過定義數(shù)據(jù)結(jié)構(gòu)，編制程序?qū)?CSV編碼文件按照規(guī)定順序進(jìn)行讀取，重構(gòu) XML樹狀結(jié)構(gòu)，可方便地實(shí)現(xiàn)編碼數(shù)量擴(kuò)展、編碼層級擴(kuò)展，適應(yīng)編碼數(shù)值變化。

③本文示例在輿情監(jiān)測項目中采用 C++語言針對 XML格式的國民經(jīng)濟(jì)行業(yè)分類編碼進(jìn)行存儲與讀寫，效率較高，能廣泛用于數(shù)據(jù)存儲、讀寫、交換，具有較好的通用性和可推廣性能，對一些國民經(jīng)濟(jì)統(tǒng)計、分類、存儲、金融工程數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)等項目具有借鑒意義。

本文提出的數(shù)據(jù)結(jié)構(gòu)編碼方式是對使用GB/T 4754—2017《國民經(jīng)濟(jì)行業(yè)分類》方法上的探討，以數(shù)據(jù)結(jié)構(gòu)編碼思維方式替代整數(shù)數(shù)值順序編碼思維，所提供的C++重構(gòu)XML樹的方法也可以通過其他編程語言如 Python等實(shí)現(xiàn)，用于輿情監(jiān)測等金融工程項目中。