基于貝葉斯最優(yōu)最劣法和云模型的售電公司信用風(fēng)險評價模型研究

楊雍琦，薛萬磊，趙昕，祁澤，趙會茹

（1.國網(wǎng)山東省電力公司經(jīng)濟(jì)技術(shù)研究院, 山東省濟(jì)南市 250002；2.華北電力大學(xué)經(jīng)濟(jì)與管理學(xué)院, 北京市昌平區(qū) 102206）

0 引言

新一輪電力體制改革已進(jìn)行到第七個年頭，《關(guān)于進(jìn)一步深化電力體制改革的若干意見（中發(fā)〔2015〕9號）文》中明確提出建立健全市場主體信用體系，加強市場主體誠信建設(shè)，規(guī)范市場秩序[1]。隨著電力市場改革的逐步推進(jìn)，交易類型的多元化以及市場主體的多樣化為電力市場引入了不確定因素，帶來了更多的風(fēng)險。

市場經(jīng)濟(jì)在一定程度上來說就是信用經(jīng)濟(jì)，因此，對主體信用風(fēng)險的評價是很重要的一個方面。售電公司作為電力市場化改革中出現(xiàn)的全新角色，在前期的發(fā)展過程中更容易出現(xiàn)信用風(fēng)險[2]。作為發(fā)電主體與電力用戶的聯(lián)結(jié)點，其既要參與批發(fā)市場，又要參與零售市場，這種新型的購售電業(yè)務(wù)增加了市場運行的信用風(fēng)險。因此，售電公司的信用風(fēng)險的把控，對電力市場有效運行意義重大。

目前我國對售電公司信用風(fēng)險的研究還處于起步階段，可參考的文獻(xiàn)較少。文獻(xiàn)[1，3]在構(gòu)建售電公司信用評價體系中考慮到指標(biāo)間的多重相關(guān)性，使用核主成分分析法實現(xiàn)了指標(biāo)的降維及提取。其指標(biāo)構(gòu)建考慮了基本條件、守信評價以及財務(wù)狀況；文獻(xiàn)[4]在對廣東電力現(xiàn)貨市場主體信用額度評估的分析中，引入了電力品種結(jié)構(gòu)和客戶留存率，對售電公司而言，從內(nèi)外部角度增加了識別信用風(fēng)險的準(zhǔn)確度；文獻(xiàn)[5]立足售電市場過渡期，建立售電市場分層風(fēng)險評估指標(biāo)，使用施密特正交化對相關(guān)性指標(biāo)進(jìn)行解耦，運用離差標(biāo)準(zhǔn)化和指標(biāo)值映射評定指標(biāo)間重要性，最后使用層次分析法求解指標(biāo)權(quán)重；文獻(xiàn)[6]從4個方面分析了售電公司的特點，并在此基礎(chǔ)上對購售電決策和風(fēng)險管理的研究成果進(jìn)行了總結(jié)；文獻(xiàn)[7]從交易結(jié)算關(guān)系的角度研究了電力市場中信用風(fēng)險對交易中心的影響，并從信用評級的對象、要素、結(jié)果選取和更新頻率等角度對國內(nèi)外信用評價經(jīng)驗進(jìn)行了梳理總結(jié)。本文統(tǒng)籌考慮售電公司參與電力批發(fā)市場和電力零售市場，采取定性指標(biāo)與定量指標(biāo)相結(jié)合的形式選取指標(biāo)，防止主觀因素過強干預(yù)，同時對無法定量衡量的公司信用風(fēng)險加以考慮。

對指標(biāo)評估的分析并不受限于指標(biāo)構(gòu)建所面向的行業(yè)，而在于指標(biāo)評估的有效性及準(zhǔn)確性。指標(biāo)間權(quán)重確定的方法多種多樣，如序數(shù)關(guān)系法[8]、層次分析法（Analytic Hierarchy Process）[9]、熵權(quán)法[5]、主成分分析法（Principal Components Analysis）[3]、模糊最優(yōu)最劣法[10]和貝葉斯最優(yōu)最劣法（Bayesian Best and Worst Method ）[11]等。主成分分析法作為定量權(quán)重的一種工具，具有客觀性的優(yōu)勢，但鑒于電力市場改革的起步階段，新興售電公司數(shù)據(jù)波動性大，獲取難度高的原因，該方法作為當(dāng)前研究的備選方案；貝葉斯最優(yōu)最劣法中引入多個專家對權(quán)重選取進(jìn)行打分，一定程度上平抑了單一專家評價上的主觀性，增加了群體評價的客觀屬性，相較于其他方法的繁雜計算量，具有對比簡單、一致性高的特點，專家對各指標(biāo)進(jìn)行權(quán)重賦值時，只需要將指標(biāo)與選擇出的最優(yōu)、最劣的兩個指標(biāo)進(jìn)行比較，然后根據(jù)貝葉斯層次模型得到各指標(biāo)最優(yōu)權(quán)重，因此，BBWM成為本文權(quán)重計算的首選。

對某一目標(biāo)的評價中，現(xiàn)行的方法主要有模糊綜合評價法[12]、物元可拓法（Matter-Element Extension）[13]、理想解法（Technique for Order Preference by Similarity to an Ideal Solution）[14]和云模型[15]等。其中，云模型在處理定性概念時，能夠做到定性概念與定量數(shù)值上的相互轉(zhuǎn)換，在評價具有定性指標(biāo)的方法中，能夠充分展示出語言概念的隨機性和模糊性。市場主體信用風(fēng)險的出現(xiàn)同樣是一個模糊漸進(jìn)的動態(tài)過程，風(fēng)險的發(fā)生也會存在一定的概率隨機性，因此云模型的引入能夠較好地切合風(fēng)險評價這一主題。

通過梳理評估售電公司潛在信用風(fēng)險的重點關(guān)注指標(biāo)，本文建立信用風(fēng)險評價指標(biāo)體系并進(jìn)行風(fēng)險評價。得出售電公司信用風(fēng)險等級既對公司本身風(fēng)險防控具有重要意義，更是市場交易機構(gòu)評估市場主體信用的有效工具。

1 指標(biāo)構(gòu)建及解釋

售電公司在電力市場中開展購售電業(yè)務(wù)，其承擔(dān)著促進(jìn)電力市場化進(jìn)程，發(fā)揮價格引導(dǎo)作用，創(chuàng)造高效活力的電力市場任務(wù)。競爭格局下，約束售電公司不規(guī)范行為，守好創(chuàng)新、競爭底線，鼓勵誠實守信行為需要一套構(gòu)建合理的指標(biāo)體系。根據(jù)指標(biāo)體系構(gòu)建的科學(xué)性、系統(tǒng)性、實用性、定性與定量相結(jié)合和動態(tài)性等原則，本文總結(jié)并提出了售電公司信用風(fēng)險評價指標(biāo)體系。

以售電公司信用風(fēng)險評價為目標(biāo)層，以基本情況、市場交易、發(fā)展能力、盈利能力和償債能力為一級指標(biāo)。在每個一級指標(biāo)下，考慮售電公司的企業(yè)發(fā)展、交易行為和財務(wù)狀況等因素，將一級指標(biāo)繼續(xù)細(xì)分為更多二級指標(biāo)，充分體現(xiàn)構(gòu)建信用風(fēng)險評價指標(biāo)時的系統(tǒng)性與層次性。同時，各指標(biāo)間也存在相互聯(lián)系，相互制約的特性。符合風(fēng)險發(fā)生時的多起源性和復(fù)雜關(guān)聯(lián)性。表1展示了指標(biāo)體系的具體層次關(guān)系共3層18個信用風(fēng)險指標(biāo)。

表1 信用風(fēng)險指標(biāo)體系Table 1 Indicator system of credit risk

基本情況K1：企業(yè)基本情況中考慮了注冊信息完整準(zhǔn)確性O(shè)11、資質(zhì)證書齊全度O12、專業(yè)技術(shù)人員比例O13以及管理層信用O144個二級指標(biāo)。其中，注冊信息完整準(zhǔn)確性和資質(zhì)證書齊全度反映的是售電公司本身的信用表征；專業(yè)技術(shù)人員比例和管理層信用狀況反映了公司人員參與市場交易的能力和誠信經(jīng)營公司的情況。

市場交易K2：市場交易包含合同履約率O21、交易偏差考核率O22、電費繳納情況O23和市場行為O244個二級指標(biāo)。引入合同履約率反映售電公司在批發(fā)和零售市場參與市場交易的過程中，電力交易合同的基本完成情況；交易偏差考核率是本期實際電量交易與合同簽訂電量之比，該指標(biāo)的有效控制為售電公司的持續(xù)發(fā)展起到至關(guān)重要的作用；電費繳納情況考察售電公司在購電時與發(fā)電公司的財務(wù)交割情況；市場行為用來評價售電公司不正當(dāng)競爭、串謀等不良行為。

發(fā)展能力K3：發(fā)展能力包括設(shè)備完好率O31、安全可靠性O(shè)32、客戶留存率O33以及市場占有率O34。通過硬件設(shè)備和公司客戶留存情況的指標(biāo)評價來反映售電公司的發(fā)展?jié)摿?；通過對公司一段時間的市場占有率情況評價，衡量公司的發(fā)展前景。

盈利能力K4：盈利能力包括營業(yè)收入增長率O41、營業(yè)利潤增長率O42和營業(yè)凈利率O43。盈利能力較強的企業(yè)具備現(xiàn)金流量實力，充足的現(xiàn)金流量能保證企業(yè)的債務(wù)償還；同時，盈利能力強表明公司具有充足而穩(wěn)定的收益，這能保證公司在市場競爭中開拓市場。

償債能力K5：償債能力包括流動比率O51、速動比率O52和資產(chǎn)負(fù)債率O53。3個比率反映了其短期與長期償債能力。償債能力是企業(yè)財務(wù)安全的重要表現(xiàn)，是衡量售電公司信用風(fēng)險大小的重要標(biāo)準(zhǔn)。因此，償債能力是企業(yè)信用的保障。

以上指標(biāo)中，二級指標(biāo)的原始數(shù)據(jù)收集以季度為時間周期進(jìn)行數(shù)據(jù)更新。其中，注冊信息完整準(zhǔn)確性、資質(zhì)證書齊全度、管理層信用狀況、電費繳納情況和市場行為的評價根據(jù)售電公司對應(yīng)狀況，通過專家定性打分給出；專業(yè)技術(shù)人員比例按中高級職稱專業(yè)人員數(shù)量占比衡量；市場占有率按季度內(nèi)在零售市場的售電量占市場中總售電量比率及在批發(fā)市場的購電量占市場中總購電量比率的平均衡量；客戶留存率通過與上一季度客戶數(shù)量的環(huán)比衡量；合同履約率、交易偏差考核率、營業(yè)收入增長率、營業(yè)利潤增長率、營業(yè)利潤率、流動比率、速動比率和資產(chǎn)負(fù)債率從公司季度財務(wù)等相關(guān)報表計算獲取。

2 評價指標(biāo)預(yù)處理

評價指標(biāo)構(gòu)建后，需要對指標(biāo)進(jìn)行處理，以便其能應(yīng)用到具體的信用風(fēng)險評價中。這其中包括對各指標(biāo)的賦權(quán)處理、對指標(biāo)類型的區(qū)分和區(qū)分之后的標(biāo)準(zhǔn)化處理過程。

2.1 基于貝葉斯最優(yōu)最劣法的指標(biāo)賦權(quán)

在對指標(biāo)的賦權(quán)上，本文采用貝葉斯最優(yōu)最劣法（BBWM）進(jìn)行賦權(quán)，它是由Majid Mohammadi和Jafar Rezaei在2019年將貝葉斯層次模型和最優(yōu)最劣法(BWM)[13,16]進(jìn)行組合得到的。在群體決策問題中，專家可以單獨使用BWM進(jìn)行打分，得到個人認(rèn)為的指標(biāo)最優(yōu)權(quán)重，并通過求期望的方式得到群體指標(biāo)最優(yōu)權(quán)重。然而，平均值對異常值很敏感，該方法提供的專家們的各自偏好的信息有限。相比于BWM，BBWM能夠滿足多個專家做成專家組進(jìn)行打分，即滿足群體決策，并一次性求得各指標(biāo)權(quán)重，且BBWM可提供更多關(guān)于每一對指標(biāo)之間關(guān)系的置信度信息。

最優(yōu)最劣法是較新的多準(zhǔn)則決策方法。由Jafar Rezaei于2015年提出，在介紹貝葉斯最優(yōu)最劣法之前，有必要先了解最優(yōu)最劣法得到權(quán)重的具體步驟。

步驟1）確定一組評價指標(biāo) {c1,c2,...,cn}，并在這組指標(biāo)中確定最優(yōu)指標(biāo)cB與 最劣指標(biāo)cW，用于指標(biāo)間兩兩比較；

步驟2）使用數(shù)字1至9評價最優(yōu)指標(biāo)cB優(yōu)于其他指標(biāo)的程度，最終結(jié)果使用向量表示：

式中：aBj(j=1,2,...,n)表示最優(yōu)指標(biāo)優(yōu)于第j個指標(biāo)的程度，可知aBB=1；

步驟3）使用數(shù)字1至9評價其他指標(biāo)優(yōu)于最劣指標(biāo)cW的程度，最終結(jié)果使用向量表示：

式中：aiW(i=1,...,n)表示第i個指標(biāo)優(yōu)于最劣指標(biāo)的程度，可知aWW=1；

該優(yōu)化方程可轉(zhuǎn)化為如下形式：

式中：CI為固定的相應(yīng)一致性指數(shù)，根據(jù)aBW的數(shù)值大小取不同數(shù)值，具體數(shù)值如表2所示。

表2 一致性指數(shù)Table 2 Consistency index

貝葉斯最優(yōu)最劣法使用貝葉斯層次模型給出指標(biāo)權(quán)重，即多個專家重復(fù)進(jìn)行BWM的步驟1至步驟3后，將各自得到的最優(yōu)比較向量 AB和最劣比較向量 AW作為輸入帶入貝葉斯層次模型從而輸出最終的組合最優(yōu)指標(biāo)權(quán)重向量 ωagg。

BBWM基于多個專家的偏好，使用最優(yōu)最劣框架來尋找一組指標(biāo)的最優(yōu)權(quán)重。從概率角度看，這些指標(biāo)能夠看作是一個個隨機事件，而指標(biāo)的權(quán)重就是它們發(fā)生的可能性。在最優(yōu)最劣向量都為整數(shù)向量的前提下，可使用多項式分布對其進(jìn)行建模，以最劣向量 AW為例：

式中： ω是概率分布，包含每個事件發(fā)生的次數(shù)。

根據(jù)多項分布，事件j的概率與該事件的發(fā)生次數(shù)除以試驗總數(shù)成正比，即：

同樣的，可得到：

根據(jù)式(7)和式(8)能夠得到如下：

式(9)即為在BWM中步驟4）所用到的關(guān)系式，實現(xiàn)了BWM方法中的基本思想。以此為例，最優(yōu)向量AB也可使用多項分布建模，如式(10)所示。

至此，完成了最優(yōu)向量和最劣向量的多項分布建模。接下來將以式(11)和式(12)作為貝葉斯層次模型的輸入。

考慮不同變量之間的獨立性，聯(lián)合概率分布遵循貝葉斯規(guī)則，可表示為如下形式：

此時，需指定式(13)中每個元素的分布，其中可知最優(yōu)最劣向量的分布分別為

選擇狄利克雷分布為指標(biāo)權(quán)重建模，如下式：

式中： ωagg是分布的均值； γ為濃度參數(shù)，服從 γ-分布： γ ～gamma(a,b)，a,b為形狀參數(shù)。

同時，使用參數(shù) α =1的非信息狄利克雷分布給出 ωagg上的先驗分布 ωagg～Dir(α)。

最后，采用馬爾可夫鏈蒙特卡羅(MCMC)技術(shù)計算各專家及整合后的指標(biāo)權(quán)重的后驗分布。由狄利克雷分布得到的指標(biāo)權(quán)重可以通過置信度來驗證獲得的指標(biāo)之間排序的可信程度，概率如下所示：

2.2 指標(biāo)標(biāo)準(zhǔn)化

在對售電公司信用風(fēng)險進(jìn)行評價時，首先需要對指標(biāo)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理[17]。

1）正向指標(biāo)得分。

正向指標(biāo)的數(shù)值越大，表明售電公司的信用等級越高，風(fēng)險越小。在對正向指標(biāo)標(biāo)準(zhǔn)化處理中，根據(jù)評價意愿和現(xiàn)實狀況，本文選取固定的指標(biāo)最大和最小值，以此對指標(biāo)進(jìn)行標(biāo)準(zhǔn)化處理。其指標(biāo)有：專業(yè)技術(shù)人員比例、合同履約率、交易偏差考核率、市場占有率、設(shè)備完好率、客戶留存率、營業(yè)收入增長率、營業(yè)利潤增長率和營業(yè)凈利率。

式中：xth表示第t個售電公司第h個指標(biāo)的得分；νth表 示 第t個 售 電 公 司 第h個 指 標(biāo) 的 數(shù) 值 ； νmax，νmin分別表示最大指標(biāo)和最小指標(biāo)標(biāo)準(zhǔn)。

2）最佳區(qū)間型指標(biāo)得分。

最佳區(qū)間指標(biāo)是數(shù)值在某一特定區(qū)間內(nèi)，售電公司信用等級較好的指標(biāo)。指標(biāo)有：流動比率、速動比率和資產(chǎn)負(fù)債率

式中：xth表示第t個售電公司第h個指標(biāo)的得分；νth表示第t個售電公司第h個 指標(biāo)的數(shù)值；q1,q2分別表示區(qū)間型指標(biāo)的兩端值。

3）定性指標(biāo)打分。

對定性指標(biāo)的打分需要立足于理性分析，同時設(shè)計合理的評分方法能夠做到定性指標(biāo)定量化表示。定性指標(biāo)的評價方法可以選擇等距打分法、不等距打分法和0?1打分法。指標(biāo)有：注冊信息完整準(zhǔn)確性、資質(zhì)證書齊全度、管理層信用狀況、電費繳納情況和市場行為。

3 云模型在信用評價中的應(yīng)用

3.1 云模型介紹

1995年，李德毅院士在概率論和模糊數(shù)學(xué)的基礎(chǔ)上提出了云的概念[18]，并研究了模糊性和隨機性及兩者之間的關(guān)聯(lián)性。云模型作為定性定量轉(zhuǎn)換的不確定性模型，可以通過云的數(shù)字特征去反映其整體性和定量性的概念[18-19]。以下介紹云模型的基本理論，形式如圖1所示。

設(shè)U為實數(shù)域，C為存在于U上一個定性概念，x∈C是U上的一次隨機實現(xiàn)， μA(x)∈[0,1]為一個與x相關(guān)的具有穩(wěn)定傾向的隨機數(shù)，表示x隸屬于U的程度。將x在論域U上的分布稱為云，每個x稱為一個云滴。每個云具有期望、熵、超熵3個數(shù)字特征；期望Ex為整個云的中心值，是最能代表定性的一個點。熵En表示云滴的離散程度，代表了期望的不確定性。超熵He為熵的熵，表示熵的離散程度，在云圖中具體表象為云的厚度的最大值。云與其數(shù)字特征相互映射，給定數(shù)字特征通過正向發(fā)生器可生成云。正向云發(fā)生器算法步驟如下[19]：

1）輸入3個特征值Ex、En、He；

4）計算正態(tài)分布N(Ex,)在 μi處的隸屬度：

5）輸出云滴 (xi,μi)；

6）重復(fù)步驟（2）—步驟（5），直至產(chǎn)生m個云滴形成正態(tài)云。

3.2 基于云模型的信用風(fēng)險評價方法

步驟1）構(gòu)建標(biāo)準(zhǔn)評價概念云。

在使用云模型進(jìn)行售電公司信用風(fēng)險評價中，首先需構(gòu)建標(biāo)準(zhǔn)評價概念云作為之后的等級評價參考標(biāo)準(zhǔn)。由于存在3層指標(biāo)評價結(jié)構(gòu)，因此，需按照層次結(jié)構(gòu)考慮為每一層指標(biāo)構(gòu)建標(biāo)準(zhǔn)評價概念云。二級指標(biāo)由于有標(biāo)準(zhǔn)化處理后的指標(biāo)得分，且為底層評價指標(biāo)，定性與定量指標(biāo)混雜的情況下，本文不構(gòu)建二級指標(biāo)評價概念云，而將此指標(biāo)得分作為基礎(chǔ)數(shù)據(jù)支撐一級指標(biāo)與目標(biāo)層的云模型構(gòu)建；對于一級指標(biāo)和目標(biāo)層，可基于定性定量得分區(qū)間對各指標(biāo)等級標(biāo)準(zhǔn)進(jìn)行規(guī)定，指標(biāo)分?jǐn)?shù)區(qū)間與評價標(biāo)準(zhǔn)等級的對應(yīng)情況如表3所示。

表3 指標(biāo)信用等級劃分Table 3 Credit rating of indicators

對于等級優(yōu)D1和等級劣D5選取最大值100和最小值0作為該等級的期望值Ex，即表示當(dāng)?shù)梅种禐?00（或0）時，有對應(yīng)等級優(yōu)（或等級劣）最大的確定隸屬度；取等級優(yōu)和等級劣的熵分別為 10/3和 20。設(shè)指標(biāo)kg(g=0,2,3,4)對應(yīng)等級Df(f=2,...4)的上下邊界值分別為lgf和ngf，可得到對應(yīng)這一等級的正態(tài)云，其中

超熵He通常根據(jù)經(jīng)驗取0.5。由此得到各等級范圍所對應(yīng)的標(biāo)準(zhǔn)評級概念云數(shù)字特征：優(yōu)（100，10/3，0.5）、良（85，5/3，0.5）、中（75，5/3，0.5）、差（65，5/3，0.5）和劣（0，20，0.5）。圖2展示了得到的標(biāo)準(zhǔn)評價概念云。

步驟2）計算售電公司信用評價一級指標(biāo)評價云。

某一售電公司信用風(fēng)險評價一級指標(biāo)的綜合云數(shù)字特征期望Ex可由下層的已標(biāo)準(zhǔn)化后的二級指標(biāo)得分乘以該指標(biāo)權(quán)重并相加后得到，具體計算公式為

式中：Ki(i=1,...,5)為一級指標(biāo)得分，即為該指標(biāo)所屬評價云的期望值Ex； ωij為該一級指標(biāo)下所對應(yīng)的各二級指標(biāo)權(quán)重；oij為對應(yīng)一級指標(biāo)下各二級指標(biāo)具體分值。取每一指標(biāo)得分所屬等級的熵作為該指標(biāo)對應(yīng)熵值En，超熵He根據(jù)經(jīng)驗取0.5。根據(jù)數(shù)字特征得到一級指標(biāo)評價云。

步驟3）計算售電公司綜合云。

對于目標(biāo)層綜合云，考慮一級指標(biāo)之間的相關(guān)性，綜合云數(shù)字特征可由下式得到。

可根據(jù)數(shù)字特征畫圖對比綜合云與概念云位置，得到該售電公司信用風(fēng)險情況。同時，根據(jù)式(20)，將綜合云期望值代入標(biāo)準(zhǔn)評價概念云各等級隸屬度函數(shù)，根據(jù)最大隸屬度原則，得到售電公司信用等級位置。

綜上，售電公司信用風(fēng)險評價模型計算流程如圖3所示。

4 算例分析

本節(jié)選取4個售電公司（SH電氣、ZD電力、NGH電力、NX電能）對提出的信用風(fēng)險評價模型進(jìn)行檢驗。

4.1 指標(biāo)權(quán)重確定

邀請5位專家對信用風(fēng)險評價指標(biāo)體系進(jìn)行權(quán)重打分，分別對一級指標(biāo)和二級指標(biāo)進(jìn)行對比打分。以一級指標(biāo)為例，表4為5位專家確定的最優(yōu)指標(biāo)和最劣指標(biāo)。

在選取最優(yōu)最劣指標(biāo)的基礎(chǔ)上，各專家給出最優(yōu)指標(biāo)與其他指標(biāo)間的對比結(jié)果，如表5所示。

表5 最優(yōu)指標(biāo)與其他指標(biāo)間的對比結(jié)果Table 5 Pairwise comparison results among the best indicators and other indicators

同樣的，各專家給出最劣指標(biāo)與其他指標(biāo)間的對比結(jié)果，如表6所示。

表6 最劣指標(biāo)與其他指標(biāo)間的對比結(jié)果Table 6 Pairwise comparison results among the worst indicators and other indicators

由此可以計算得出綜合權(quán)重wagg，計算過程通過MATLAB軟件實現(xiàn)，計算結(jié)果如表7所示。

表7 各指標(biāo)權(quán)重Table 7 Weight of each indicator

通過分析各指標(biāo)權(quán)重可以得出，交易行為以及代表財務(wù)狀況的償債能力與盈利能力是影響售電公司信用風(fēng)險的關(guān)鍵因素。

指標(biāo)之間的排序可信程度如圖4所示，可見各指標(biāo)排序的可信程度較高，均大于0.8。因此，表7中指標(biāo)權(quán)重構(gòu)建合理。

同樣的方法，可以計算出5組二級指標(biāo)的權(quán)重，各二級指標(biāo)權(quán)重如表8所示。通過分析影響售電公司信用風(fēng)險的交易行為以及償債盈利能力的二級指標(biāo)，合同履約率、營業(yè)凈利率以及流動比率所占權(quán)重分別在對應(yīng)指標(biāo)中最大?？梢姡?個指標(biāo)在售電公司信用風(fēng)險評價中較為重要。在考慮售電公司的基本能力時，專業(yè)技術(shù)人員的比例在其中占有較大比重；專業(yè)技術(shù)人員比例越高，處理購售電業(yè)務(wù)時靈活性更強，更能有效規(guī)避違約等信用風(fēng)險的發(fā)生。在考慮售電公司的發(fā)展能力時，客戶留存率被認(rèn)為所占權(quán)重最大；客戶留存率能夠直觀地體現(xiàn)在零售市場中購電方對售電公司的信賴程度。

表8 各二級指標(biāo)權(quán)重Table 8 The weight of each secondary indicator

4.2 數(shù)據(jù)標(biāo)準(zhǔn)化

根據(jù)2.2節(jié)中數(shù)據(jù)標(biāo)準(zhǔn)化公式，選取30個售電公司中的4個（SH電氣、ZD電力、NGH電力、NX電能）的標(biāo)準(zhǔn)化數(shù)據(jù)為例，如表9所示。

表9 售電公司二級指標(biāo)標(biāo)準(zhǔn)化數(shù)據(jù)Table 9 Standardized data of the secondary indicators of electricity selling company

4.3 基于正態(tài)云的信用風(fēng)險評價

根據(jù)式(23)計算，4個公司的一級指標(biāo)得分等級情況如表10所示。

表10 售電公司一級指標(biāo)得分情況Table 10 The score situation of the first level indicators of electricity sale company

通過二級云根據(jù)式(24)(25)(26)進(jìn)一步匯總可得到各售電公司目標(biāo)層綜合云，圖5由Python實現(xiàn)，展示了4個售電公司參與電力市場時的信用風(fēng)險等級，與實際情況下售電公司的等級評價相符合。

其中，粉色為NX電能，相應(yīng)的綜合云數(shù)字特征為(78.8，1.67，0.5)，通過分析可知，該公司的電費繳納情況得分較低，由此可能造成在批發(fā)市場中與發(fā)電公司的財務(wù)問題，進(jìn)而發(fā)生信用風(fēng)險的可能性相比其他售電公司更高；藍(lán)色為NGH電力，相應(yīng)的綜合云數(shù)字特征為(84.4，1.67，0.5)，其專業(yè)技術(shù)人員比例占比相對偏低，在進(jìn)行購售電業(yè)務(wù)時可能造成誤判而引發(fā)違約風(fēng)險從而影響其信用；紅色為SH電氣，相應(yīng)的綜合云數(shù)字特征為(87.0，1.84，0.5) 各指標(biāo)得分顯示公司發(fā)展較為均衡，有較強的發(fā)展前景，其中速動比率得分最高，體現(xiàn)該企業(yè)流動資產(chǎn)中可以立即變現(xiàn)用于償還流動負(fù)債的能力較強，但電費繳納情況得分較低，須注意及時繳納購電費用；橙色為ZD電力，相應(yīng)的綜合云數(shù)字特征為(88.43，2.2，0.5)，其流動比率得分較高，可見該企業(yè)變現(xiàn)能力較強，短期償債能力也符合合理區(qū)間，流動資產(chǎn)的占用比例合理，有較強的抵御信用風(fēng)險能力。

結(jié)合指標(biāo)權(quán)重和售電公司綜合云評價結(jié)果可知，當(dāng)前售電公司在其信用風(fēng)險防范上應(yīng)主要著重關(guān)注市場交易，特別是其中的合同履約率、盈利能力，特別是其中的營業(yè)凈利率，以及償債能力中的流動比率。

通過正態(tài)云的數(shù)字特征熵En可識別出其可能發(fā)生風(fēng)險的離散程度，度量售電公司穩(wěn)定可靠性。識別各售電公司的數(shù)字特征熵，可知對4個售電公司信用風(fēng)險等級評價的離散度較低，穩(wěn)定性較強，沒有出現(xiàn)因個別指標(biāo)的較強波動性而造成售電公司的信用風(fēng)險評價離散程度變大的情況。

5 結(jié)論

本文將貝葉斯最優(yōu)最劣法和正態(tài)云模型運用于售電公司信用風(fēng)險指標(biāo)評價，合理確定指標(biāo)權(quán)重，評價售電公司參與電力市場的信用風(fēng)險目標(biāo)。使用云模型實現(xiàn)了評價因素值向信用評語的不確定映射，保留了評價過程中的模糊性和不確定性。通過算例分析，對4家售電公司的信用水平進(jìn)行評價，驗證了該模型應(yīng)用的可靠性與合理性。云模型的運用，可以通過圖形直觀地了解各售電公司信用等級所處位置。今后的研究，可運用所提模型對特定售電公司不同周期的信用等級進(jìn)行評價，縱向考察售電公司的信用，同時將時間衰減因子與云模型結(jié)合，通過縮短評價周期，增加評價次數(shù)，可動態(tài)考察售電公司的信用風(fēng)險，便于及時發(fā)現(xiàn)風(fēng)險，規(guī)避風(fēng)險損失。

致謝

國網(wǎng)山東省電力公司科技項目《基于多元主體的復(fù)雜環(huán)境下山東電力市場信用測度算法及多維風(fēng)險防控技術(shù)》 (52062519000U)為本論文提供了研究資金和指導(dǎo)性意見，謹(jǐn)此深表感謝。