论文部分内容阅读
摘 要： 电费拖欠问题日益严重，尤其是大客户电费拖欠问题，对电网企业的影响之大引起 供电企业和全社会的密切关注。在分析影响电网企业大客户信用因素的基础上，建立了一套 适用于大客户信用评价的指标体系。在分析现有的用电客户信用评价方法后，采用BP神经网 络建立用电客户信用评价模型，用层次分析法来确定指标体系的连接权重，两者结合，实现 了优势互补。对保定市供电公司用电大客户的实例研究表明，评价值与实际值相差较小，该 模型的评价结果是较令人满意的。
关键词：层次分析法 BP神经网络 电网大客户 指标体系 信用评价
中图分类号:F270 文献标识码:A 文章编号:1004-4914(2008)05-209-02
一、前言
电网企业收费所面临的风险之大，欠费所造成的后果之严重，是难以置信的。据相关资 料统计，截止到2006年底，全国电力行业有300多亿元电费被拖欠，整个电网行业被拖欠的 电费占各企业流动资产的26%左右，50%的电网企业当年创造利润的35%被拖欠的电费湮没。 严重侵害了国家利益，影响了电网企业正常生产经营。电费拖欠成为困扰各级电网企业的一 大难题并非自今日始，只是近来日趋严重，致使电网企业不堪重负。电能是一种非常特殊的 产品，具有无形性、产供销过程同时性和不可存储性等特点，这就决定了电力产品的销售以 “先用电、后付费”的赊销方式为主，所以，电网企业面临的信用风险始终存在。分析评价 电网企业大客户信用，对信用差的大客户采取规避风险的对策，对电网企业经营来说已十分 迫切。
电力用户信用为电力用户交纳电费能力和交纳电费意愿的综合。目前关于电力客户信用 评价的研究相对较少，评价指标体系的建立相对也不健全。对用电客户信用评价的研究方法 目前主要有定性评价和定量评价两大类。从电力客户失信的原因方面进行分析，首先建立电 力客户信用风险评价指标体系，运用层次分析法求出各指标的权重；以三角模糊数的形式给 出指标值和评价者的主观感觉值，将基于期望值的模糊多属性决策法引入用电客户的信用评 价中。在建立用电客户信用评价指标体系的基础上，首先采用基于语言评价信息的逼近理想 点的排序方法(TOPSIS)对用电客户信用进行主观评价，继而采用熵权法对用电客户信用进行 客观评价，将两者结合。本文采用层次分析法和神经网络建立评价模型，以机器学习的优点 更好的评价电网企业的大客户。
基于数据的机器学习是现代智能技术中的重要方面，1986年，Rumelhart和McClelland
领导的科学小组提出实现多层网络的BP神经网络，是人工神经网络中最为重要的网络之一。 BP神经网络以其不断训练自主调整的动态特性，很强的非线性影射能力以及很强的泛化功能 容错能力成为迄今为止应用最为广泛的网络算法。但是BP神经网络的训练是基于误差梯度下 降的权重修改原则，不可避免的存在落入局部最小点问题；用层次分析法来确定指标体系的 权重，将主观评价和客观评价相结合，避免了神经网络权重任意赋值的缺陷。前人关于改进 神经网络结合的研究主要应用在预测和其他方面的评价中，在用电客户信用评价中 还 未见研究。对保定市用电客户的实例研究表明，基于层次分析法和神经网络模型能对用电客 户的信用进行很好的评价。
二、电网企业大客户信用评价指标体系的建立
电网企业大客户信用评价是指对电网企业大客户在电费交费行为、能力和其他有关方面 的衡量，如果电力公司加强对电网企业大客户信用的监控与管理，则可以规避运行风险，减 少损失。要对电力客户的信用情况进行定级评估，首先牵涉到的问题是用于分析定级的指标 建立，也就是要从哪几个方面考核信用情况。从电力公司对客户缴费情况的管理看，每月的 电费交纳记录的确能够在某种程度上反映其信用状况，但作为对电力客户的信用管理，仅仅 凭电费记录显然不够，这是因为在当前市场经济条件下，一方面，电力客户的经营活动是动 态的，其资信水平是变化的；另一方面，电力公司本身的营销方式也较之计划体制下更为灵 活，对于电力客户的考核也不应该一成不变。因此，信用指标还需全面考虑。国际上评估 企业信用的传统要素主要有品格、能力、资本、担保、经营状况5项，根据我国的基本情况 和有关的文献资料，本文所建立的用电客户信用评价的指标体系如下：（1）信誉，着重分 析用电客户是否依照协议按期如数交纳电费的意愿和行为以及其本身的形象，主要包括历史 欠费规模、累计欠费次数比率、平均付款天数、电费按期偿还率、违章用电次数、企业形象 、企业潜力；（2）能力，着重分析用电客户支付电费的能力，主要包括销售利润率、总资 产报酬率、资产负债率、净资产收益率、现金流动负债比率、速动比率；（3）安全，主要 指客户安全事故的多少、性质的恶劣程度、日常是否重视安全、安全措施是否得当；（4） 合作，主要包括用电客户与供电企业在用电调度等方面的配合情况、是否有阻碍、扰乱电力 生产建设秩序及危害电力设施的行为，若存在，其恶劣程度；（5）抵押或担保，这里主要 从用电客户能否提供抵押或担保以及抵押或担保可靠程度两方面来评价。
三、电网企业大客户信用评价模型的建立
（一）层次分析法确定指标权重系数
1．构建比较判断矩阵。本文采用德尔菲法构造判断矩阵所需的数据，邀请相关专家对 各个指标的相对重要性进行评分，结合电网企业大客户的特点，具体操作如下： (1)组成专家小组。按照课题所需要的知识范围，确定专家。(2)请有关专家对评价指标用德 尔菲法进行筛选。由专家判断各个评价内容或指标对电 厂安全性评价的影响程度，影响程度分为五级，具体内容如表1所示。
（3）将各位专家对指标之间的重要性打分，进行对比，再分发给各位专家，让专家比 较自己同他人的不同意见，修改自己的意见和判断，然后把这些意见再分送给各位专家，以 便他们参考后修改自己的意见。
(4)将所有专家的修改意见收集起来，汇总，再次分发给各位专家，以便做第二次修改 。逐轮收集意见并为专家反馈信息是德尔菲法的主要环节。
(5)将各专家对评价指标的评分值累加，再将对累加值除以参评的专家人数n求出影响 平均值Vi。计算公式为：
式中Vi——i指标影响平均值（用四舍五入法取整数）；mij——j专家对i指标影响 大小的打分值；n——对i指标进行打分的专家人数；
现通过专家咨询，得到了信誉评价判断矩阵A1，能力评价判断矩阵A2，安全评价判 断矩阵A3，合作评价判断矩阵A4，抵押或担保评价判断矩阵A5，总判断矩阵A6。
2．确定层次权重值及一致性检验。如前述所示，比较判断矩阵的特征向量W即为各要素 的相对重要性向量。因此，在所得到比较判断矩阵后，接下去应计算比较判断矩阵的特征向 量W和特征值λmax(可以证明，该特征值是该矩阵的最大特征值)，这个过程也叫做层 次单排序。
矩阵的特征值及其对应的特征向量的估算方法有和积法、方根法、幂法等多种方法。本 文采用和积法，其具体步骤如下：
(1)计算比较判断矩阵A中每一列要素的列和Sj。
(2)将比较矩阵A中的各个要素除以该要素所在列的列和Sj，得到一个归一化了的新矩 阵A新， 这里归一化矩阵是指每一列的列和等于的矩阵。设A新=(a*ij)，则有：
其中，RI为平均一致性指标，它是仅与比较判断矩阵的阶数有关的指标。一致性步骤检验如 下： 首先由（式5）计算比较判断矩阵的最大特征值λmax；其次由（式6）、（式7）计算 随机一致性比率CR；当CR≤0.1时，比较判断矩阵具有满意的一致性；当CR＞0.1时，判断矩 阵不一致，必须进行修正；最后计算比较判断矩阵的最大特征值。
由于矩阵为五阶矩阵，n=5，查一致性检验表得RI=1.11,用Excel软件计算得到各指标的 一致性检验结果。
信誉判断矩阵A1中，CR=0.02<0.1，所以A1具有满意的一致性；
能力判断矩阵A2中，CR=0.02<0.1,所以A2具有满意的一致性；
安全判断矩阵A3中，CR=0.01<0.1，所以A3具有满意的一致性；
合作评价判断矩阵A4中，CR=0.04<0.1，所以A4具有满意的一致性； 抵押或担保评价判断矩阵A5中，CR=0.01<0.1，所以A5具有满意的一致性； 判断矩阵A6中，CR=0.004<0.1，所以A6具有满意的一致性。
（二）BP神经网络模型
BP神经网络是误差反传递算法训练的多层前馈网络，由输入层、隐层、输出层构成， 神经元及神经元之间有连接权重，它的训练过程可分为两个过程：输入的信息流从输入层， 经隐层到输出层逐层处理并计算出各神经元节点的实际输出值，这一过程称为信息流的正向 传递过程；计算网络的实际输出与训练样本期望值的误差，若该误差未达到允许值，根据此 误差确定权重的调整量，从后往前逐层修改各层神经元节点的连接权重，这一过程称为误差 的逆向修改过程。两个过程完成了一次学习迭代，而BP网络的学习过程是在不断迭代中重复 进行的，直到网络的输出误差逐渐减小到允许的精度，或达到预定的学习次数。
四、评价模型在电网企业大客户评价中的应用分析
本文选取保定市供电局2004年30个电网企业大客户作为研究对象，通过实地调研和参 考有关专家打分意见，得到原始数据，对得到的原始数据进行归一化处理。以前20家企业为 训练样本，后10家企业为测试样本。以前述22项指标数据作为输入，建立一个具有3层网络 结构的遗传神经网络，其输入层取22个节点，隐层取4个节点，输出层有1个节点。采用层次 分析法确定指标体系的权重，作为神经网络的输入权重，
采用MATLAB编程进行求解，通过试算，期望误差为0.03，最后得出训练结果。由于篇 幅所限，本文只给出了部分训练样本的输出值以及输出值与原目标之间的误差绝对值，见表 2。根据这30家电网企 业大客户的信用仿真结果，联系实际，统计出运用遗传神经网络进行评价的准确率可以达到 98.76%。
五、结论
电网企业大客户信用涉及到多方面，本文本着既能较全面评价电网企业大客户信用又 便于数据收集的原则，在分析影响因素的基础上，从电网企业大客户自身能力和以往信用情 况出发，建立了一套电网企业大客户信用评价指标体系。用层次分析法来确定指标体系的权 重，将主观评价和客观评价相结合，避免了神经网络权重任意赋值的缺陷，而且提高了BP神 经网络的训练速度。对保定市供电局的30家企业用电客户进行仿真，训练样本和测试样本 的输出结果和绝对误差表明，该评价模型适用于电网企业大客户信用评价，为电网企业的客 户关系管理提供了参考依据，具有理论和现实意义。
参考文献:
1.蔡冠中.电力用户信用等级分类.农电管理，2005（12）
2. 麻凤海，杨维，杨帆等.应用改进BP神经网络进行用水量预测.辽宁工程技术大学学报，2 004（2）
3. 王晓玲，李松敏，孙月峰等.基于遗传神经网络模型的水质综合评价.中国给水排水，200 6（11）
4. 林岗，钱阳.基于神经网络的机电产品绿色度评价.机械设计与制造，2006（5）
5. 杨淑霞，吕世森，乔艳芬.用电客户信用的主客观评价及分析.中国电力，2005（6）
6. 苑希民，李鸿雁，刘树坤等.神经网路和遗传算法在水科学领域的应用.北京：中国水利 水电出版社，2002
7. 周晖，王毅，钮文浩等.电力客户信用综合评价的研究.电力自动化设备，2005（12）
8. 郭凯明.电力客户信用风险分析与管理研究.广西电业，2003（12）
9. 刘新才，曾鸣，黄琰.基于层次分析法的电力客户信用风险评价.电力需求管理，2005 （6）
10. 李翔，杨淑霞，黄陈锋.基于模糊多属性决策法的用电客户信用评价.电网技术，2004（ 21）
（作者简介：阮艳花，华北电力大学经济管理系硕士研究生；刘建夫，工作单位为华北电力 大学校长办公室 河北保定 071003）
(责编：贾伟)
关键词：层次分析法 BP神经网络 电网大客户 指标体系 信用评价
中图分类号:F270 文献标识码:A 文章编号:1004-4914(2008)05-209-02
一、前言
电网企业收费所面临的风险之大，欠费所造成的后果之严重，是难以置信的。据相关资 料统计，截止到2006年底，全国电力行业有300多亿元电费被拖欠，整个电网行业被拖欠的 电费占各企业流动资产的26%左右，50%的电网企业当年创造利润的35%被拖欠的电费湮没。 严重侵害了国家利益，影响了电网企业正常生产经营。电费拖欠成为困扰各级电网企业的一 大难题并非自今日始，只是近来日趋严重，致使电网企业不堪重负。电能是一种非常特殊的 产品，具有无形性、产供销过程同时性和不可存储性等特点，这就决定了电力产品的销售以 “先用电、后付费”的赊销方式为主，所以，电网企业面临的信用风险始终存在。分析评价 电网企业大客户信用，对信用差的大客户采取规避风险的对策，对电网企业经营来说已十分 迫切。
电力用户信用为电力用户交纳电费能力和交纳电费意愿的综合。目前关于电力客户信用 评价的研究相对较少，评价指标体系的建立相对也不健全。对用电客户信用评价的研究方法 目前主要有定性评价和定量评价两大类。从电力客户失信的原因方面进行分析，首先建立电 力客户信用风险评价指标体系，运用层次分析法求出各指标的权重；以三角模糊数的形式给 出指标值和评价者的主观感觉值，将基于期望值的模糊多属性决策法引入用电客户的信用评 价中。在建立用电客户信用评价指标体系的基础上，首先采用基于语言评价信息的逼近理想 点的排序方法(TOPSIS)对用电客户信用进行主观评价，继而采用熵权法对用电客户信用进行 客观评价，将两者结合。本文采用层次分析法和神经网络建立评价模型，以机器学习的优点 更好的评价电网企业的大客户。
基于数据的机器学习是现代智能技术中的重要方面，1986年，Rumelhart和McClelland
领导的科学小组提出实现多层网络的BP神经网络，是人工神经网络中最为重要的网络之一。 BP神经网络以其不断训练自主调整的动态特性，很强的非线性影射能力以及很强的泛化功能 容错能力成为迄今为止应用最为广泛的网络算法。但是BP神经网络的训练是基于误差梯度下 降的权重修改原则，不可避免的存在落入局部最小点问题；用层次分析法来确定指标体系的 权重，将主观评价和客观评价相结合，避免了神经网络权重任意赋值的缺陷。前人关于改进 神经网络结合的研究主要应用在预测和其他方面的评价中，在用电客户信用评价中 还 未见研究。对保定市用电客户的实例研究表明，基于层次分析法和神经网络模型能对用电客 户的信用进行很好的评价。
二、电网企业大客户信用评价指标体系的建立
电网企业大客户信用评价是指对电网企业大客户在电费交费行为、能力和其他有关方面 的衡量，如果电力公司加强对电网企业大客户信用的监控与管理，则可以规避运行风险，减 少损失。要对电力客户的信用情况进行定级评估，首先牵涉到的问题是用于分析定级的指标 建立，也就是要从哪几个方面考核信用情况。从电力公司对客户缴费情况的管理看，每月的 电费交纳记录的确能够在某种程度上反映其信用状况，但作为对电力客户的信用管理，仅仅 凭电费记录显然不够，这是因为在当前市场经济条件下，一方面，电力客户的经营活动是动 态的，其资信水平是变化的；另一方面，电力公司本身的营销方式也较之计划体制下更为灵 活，对于电力客户的考核也不应该一成不变。因此，信用指标还需全面考虑。国际上评估 企业信用的传统要素主要有品格、能力、资本、担保、经营状况5项，根据我国的基本情况 和有关的文献资料，本文所建立的用电客户信用评价的指标体系如下：（1）信誉，着重分 析用电客户是否依照协议按期如数交纳电费的意愿和行为以及其本身的形象，主要包括历史 欠费规模、累计欠费次数比率、平均付款天数、电费按期偿还率、违章用电次数、企业形象 、企业潜力；（2）能力，着重分析用电客户支付电费的能力，主要包括销售利润率、总资 产报酬率、资产负债率、净资产收益率、现金流动负债比率、速动比率；（3）安全，主要 指客户安全事故的多少、性质的恶劣程度、日常是否重视安全、安全措施是否得当；（4） 合作，主要包括用电客户与供电企业在用电调度等方面的配合情况、是否有阻碍、扰乱电力 生产建设秩序及危害电力设施的行为，若存在，其恶劣程度；（5）抵押或担保，这里主要 从用电客户能否提供抵押或担保以及抵押或担保可靠程度两方面来评价。
三、电网企业大客户信用评价模型的建立
（一）层次分析法确定指标权重系数
1．构建比较判断矩阵。本文采用德尔菲法构造判断矩阵所需的数据，邀请相关专家对 各个指标的相对重要性进行评分，结合电网企业大客户的特点，具体操作如下： (1)组成专家小组。按照课题所需要的知识范围，确定专家。(2)请有关专家对评价指标用德 尔菲法进行筛选。由专家判断各个评价内容或指标对电 厂安全性评价的影响程度，影响程度分为五级，具体内容如表1所示。
（3）将各位专家对指标之间的重要性打分，进行对比，再分发给各位专家，让专家比 较自己同他人的不同意见，修改自己的意见和判断，然后把这些意见再分送给各位专家，以 便他们参考后修改自己的意见。
(4)将所有专家的修改意见收集起来，汇总，再次分发给各位专家，以便做第二次修改 。逐轮收集意见并为专家反馈信息是德尔菲法的主要环节。
(5)将各专家对评价指标的评分值累加，再将对累加值除以参评的专家人数n求出影响 平均值Vi。计算公式为：
式中Vi——i指标影响平均值（用四舍五入法取整数）；mij——j专家对i指标影响 大小的打分值；n——对i指标进行打分的专家人数；
现通过专家咨询，得到了信誉评价判断矩阵A1，能力评价判断矩阵A2，安全评价判 断矩阵A3，合作评价判断矩阵A4，抵押或担保评价判断矩阵A5，总判断矩阵A6。
2．确定层次权重值及一致性检验。如前述所示，比较判断矩阵的特征向量W即为各要素 的相对重要性向量。因此，在所得到比较判断矩阵后，接下去应计算比较判断矩阵的特征向 量W和特征值λmax(可以证明，该特征值是该矩阵的最大特征值)，这个过程也叫做层 次单排序。
矩阵的特征值及其对应的特征向量的估算方法有和积法、方根法、幂法等多种方法。本 文采用和积法，其具体步骤如下：
(1)计算比较判断矩阵A中每一列要素的列和Sj。
(2)将比较矩阵A中的各个要素除以该要素所在列的列和Sj，得到一个归一化了的新矩 阵A新， 这里归一化矩阵是指每一列的列和等于的矩阵。设A新=(a*ij)，则有：
其中，RI为平均一致性指标，它是仅与比较判断矩阵的阶数有关的指标。一致性步骤检验如 下： 首先由（式5）计算比较判断矩阵的最大特征值λmax；其次由（式6）、（式7）计算 随机一致性比率CR；当CR≤0.1时，比较判断矩阵具有满意的一致性；当CR＞0.1时，判断矩 阵不一致，必须进行修正；最后计算比较判断矩阵的最大特征值。
由于矩阵为五阶矩阵，n=5，查一致性检验表得RI=1.11,用Excel软件计算得到各指标的 一致性检验结果。
信誉判断矩阵A1中，CR=0.02<0.1，所以A1具有满意的一致性；
能力判断矩阵A2中，CR=0.02<0.1,所以A2具有满意的一致性；
安全判断矩阵A3中，CR=0.01<0.1，所以A3具有满意的一致性；
合作评价判断矩阵A4中，CR=0.04<0.1，所以A4具有满意的一致性； 抵押或担保评价判断矩阵A5中，CR=0.01<0.1，所以A5具有满意的一致性； 判断矩阵A6中，CR=0.004<0.1，所以A6具有满意的一致性。
（二）BP神经网络模型
BP神经网络是误差反传递算法训练的多层前馈网络，由输入层、隐层、输出层构成， 神经元及神经元之间有连接权重，它的训练过程可分为两个过程：输入的信息流从输入层， 经隐层到输出层逐层处理并计算出各神经元节点的实际输出值，这一过程称为信息流的正向 传递过程；计算网络的实际输出与训练样本期望值的误差，若该误差未达到允许值，根据此 误差确定权重的调整量，从后往前逐层修改各层神经元节点的连接权重，这一过程称为误差 的逆向修改过程。两个过程完成了一次学习迭代，而BP网络的学习过程是在不断迭代中重复 进行的，直到网络的输出误差逐渐减小到允许的精度，或达到预定的学习次数。
四、评价模型在电网企业大客户评价中的应用分析
本文选取保定市供电局2004年30个电网企业大客户作为研究对象，通过实地调研和参 考有关专家打分意见，得到原始数据，对得到的原始数据进行归一化处理。以前20家企业为 训练样本，后10家企业为测试样本。以前述22项指标数据作为输入，建立一个具有3层网络 结构的遗传神经网络，其输入层取22个节点，隐层取4个节点，输出层有1个节点。采用层次 分析法确定指标体系的权重，作为神经网络的输入权重，
采用MATLAB编程进行求解，通过试算，期望误差为0.03，最后得出训练结果。由于篇 幅所限，本文只给出了部分训练样本的输出值以及输出值与原目标之间的误差绝对值，见表 2。根据这30家电网企 业大客户的信用仿真结果，联系实际，统计出运用遗传神经网络进行评价的准确率可以达到 98.76%。
五、结论
电网企业大客户信用涉及到多方面，本文本着既能较全面评价电网企业大客户信用又 便于数据收集的原则，在分析影响因素的基础上，从电网企业大客户自身能力和以往信用情 况出发，建立了一套电网企业大客户信用评价指标体系。用层次分析法来确定指标体系的权 重，将主观评价和客观评价相结合，避免了神经网络权重任意赋值的缺陷，而且提高了BP神 经网络的训练速度。对保定市供电局的30家企业用电客户进行仿真，训练样本和测试样本 的输出结果和绝对误差表明，该评价模型适用于电网企业大客户信用评价，为电网企业的客 户关系管理提供了参考依据，具有理论和现实意义。
参考文献:
1.蔡冠中.电力用户信用等级分类.农电管理，2005（12）
2. 麻凤海，杨维，杨帆等.应用改进BP神经网络进行用水量预测.辽宁工程技术大学学报，2 004（2）
3. 王晓玲，李松敏，孙月峰等.基于遗传神经网络模型的水质综合评价.中国给水排水，200 6（11）
4. 林岗，钱阳.基于神经网络的机电产品绿色度评价.机械设计与制造，2006（5）
5. 杨淑霞，吕世森，乔艳芬.用电客户信用的主客观评价及分析.中国电力，2005（6）
6. 苑希民，李鸿雁，刘树坤等.神经网路和遗传算法在水科学领域的应用.北京：中国水利 水电出版社，2002
7. 周晖，王毅，钮文浩等.电力客户信用综合评价的研究.电力自动化设备，2005（12）
8. 郭凯明.电力客户信用风险分析与管理研究.广西电业，2003（12）
9. 刘新才，曾鸣，黄琰.基于层次分析法的电力客户信用风险评价.电力需求管理，2005 （6）
10. 李翔，杨淑霞，黄陈锋.基于模糊多属性决策法的用电客户信用评价.电网技术，2004（ 21）
（作者简介：阮艳花，华北电力大学经济管理系硕士研究生；刘建夫，工作单位为华北电力 大学校长办公室 河北保定 071003）
(责编：贾伟)