CN110782140B - 一种用于电费回收风险筛查的多维要素评估方法 - Google Patents

Abstract

本发明涉及一种用于电费回收风险筛查的多维要素评估方法，包括以下步骤：提取多家企业在预设月份的多维要素分值信息，以及相应的各企业在该月的电费逾期与否信息；计算各维要素与电费逾期与否属性间的相关性，获得各维要素权值；根据各维要素权值以及待评估月份的多维要素分值信息，计算得到电费逾期风险综合评分。本发明定量计算每一要素对于电费逾期风险评估的影响权值，实现对多维要素的加权评分预估。

Description

一种用于电费回收风险筛查的多维要素评估方法

技术领域

本发明属于电费风险评估预测技术领域，具体涉及一种用于电费回收风险筛查的多维要素评估方法。

背景技术

电费是电网公司的“血液”，电费能否及时回收，直接影响到电网公司经营与发展。高压企业客户用电量大，电费占比多，逾期或欠费对总体电费回收情况影响巨大。近年来，企业生产经营不确定性增加，尤其是高耗能及环保不达标企业经营压力大幅提升，关停风险加大，电费回收风险不断攀升。因此，如何准确预测高压企业客户电费回收风险，提前采取针对性防控措施是破解“电费回收难题”的关键。

现有电费回收风险筛查方法多数是基于用电、交费等电力内部数据进行评价，无法全面分析企业客户的经营情况，难以评估其履约能力，预测电费回收风险。

发明内容

本发明的目的在于克服现有技术中的不足，提供了一种用于电费回收风险筛查的多维要素评估方法，定量计算每一要素对于电费逾期风险评估的影响权值，实现对多维要素的加权评分预估。

为解决上述技术问题，本发明提供了一种用于电费回收风险筛查的多维要素评估方法，其特征是，包括以下步骤：

提取多家企业在预设月份的多维要素分值信息，以及相应的各企业在该月的电费逾期与否信息；

计算各维要素与电费逾期与否属性间的相关性，获得各维要素权值；

根据各维要素权值以及待评估月份的多维要素分值信息，计算得到电费逾期风险综合评分。

进一步，提取多家企业在预设月份的多维要素分值信息后，对每一要素评分进行离散化处理。

进一步，所述离散化处理采用划分区间的方式，将0-100的评分范围划分成10个区间，分别表示为[1-10],[11-20],……,[91-100]，当i企业在要素j上的评分取值为s_ij时，若s_ij取值在[j，j+9]之间，j∈{1,11,21,…,91}，则表示其取值落在区间[j，j+9]之内，并取区间的上限值j+9替换表示其评分值。

进一步，所述计算各维要素与电费逾期与否属性间的相关性包括：

对于给定第i个要素C_i，第i个要素C_i与电费逾期与否属性间的相关性α_i的计算公式如下：

式中：

表示在C_i要素列上取值评分在区间Range[j,j+9]中且A属性列上对应取值为true的集合{Range[j,j+9],true}概率，p(R[j,j+9]Ci)表示在Cd要素列上取值评分在区间Range[j,j+9]中的集合{Range[j,j+9]}出现的概率，p(A＝true)表示当A取值为true出现的概率；

各概率计算公式如下：

式中：|{Range[j,j+9],true}|表示集合{Range[j,j+9],true}在p条样本数据中出现的次数；|{Range[j,j+9]}|表示集合{Range[j,j+9]}在p条样本中出现的次数；|{A＝true}|表示集合{A＝true}在p条样本中出现的次数。

进一步，根据各维要素权值以及待评估月份的多维要素分值信息，计算得到电费逾期风险综合评分，包括：

m维要素的标准权值分布α＝{α_i|i∈[1,m]}，企业待评估月份的m维要素向量可知，表示为β＝{β_i|i∈[1,m]，β_i描述企业待评估月份第i要素的评分值，则该企业的电费逾期风险综合评分S描述如下：

由于式中

因此电费逾期风险综合评分公式为：

S评分值越大，表示电费逾期为true的可能性越大；反之，S评分值越小，则表示该企业在这月出现逾期的可能性越小。

进一步，还包括步骤：判断电费逾期风险综合评分对预设阶段已发生企业电费逾期风险评估的准确率，若准确率低于阈值，则调整各维要素权值。

进一步，调整各维要素权值，包括：

设置微调参数Δ，每次迭代Δ按50％增幅递增；概率p₀,p₁,p₂,满足p₀+p₁+p₂＝1；

在保证调整后各权值和为1的前提下，对任意要素权重α_i进行一下调整：

1)以概率p₀对α_i进行(1+Δ)α_i操作；

2)以概率p₁将α_i保持不变；

3)以概率p₂对α_i进行(1-Δ)α_i操作。

与现有技术相比，本发明所达到的有益效果是：本发明通过引入多维要素关联矩阵及相关因子，实现对于多维要素加权评分的计算，评分值越大，该企业在该月电费逾期的可能性越大；评分值越小，则该企业在该月的电费产生逾期的可能性越小。

附图说明

图1是本发明方法的流程图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

形成电费回收逾期的因素很多，用电量变化只是一种代表性影响要素。因此，考虑在企业用电特征基础上，从外部数据源角度，分析提取影响企业电费回收风险的要素特征，进而从多源要素角度建立企业用电回收风险评估方法。

参见图1所示，本发明的一种用于电费回收风险筛查的多维要素评估方法，具体包括以下步骤：

步骤(1)：根据企业信息数据集提取多家企业在某月的多维要素分值信息，以及相应的各企业在该月是否有电费逾期信息，构建多维要素关联矩阵；

给定有m维要素，记为C₁，C₂，……，C_m，每一要素信息表示为给定的数值评分，分值在0-100范围之间；电费逾期与否属性用A来表示，取值范围为true或false，若某企业在某月电费存在逾期则其电费逾期与否属性A为true，否则为false。

从企业信息数据集中抽取p条样本(p家企业)，每一条样本有m+1个属性，表示某一企业在某一月的m个关联要素评分和一个电费逾期与否值，通过上述信息可得多维要素关联矩阵如下：

其中E_i表示第i家企业，一共抽取p条样本，代表有p家不同的企业；s_ij表示第i家企业在第j条要素上的评分值，其中，1≤i≤p,1≤j≤m。T表示该企业在A属性上的取值为true，F则表示该企业在A属性上取值为false。

步骤(2)：通过对多维要素关联矩阵进行离散化操作，初步确定要素与电费逾期与否属性的关联性；

构建多维要素关联矩阵时，对企业当月的每一要素评分进行离散化处理，避免连续型的评分数值建立过多冗余关联依赖，影响要素整体权值的计算。

采用划分区间的方式，将0-100的评分范围划分成10个区间，分别表示为[1-10],[11-20],……,[91-100]，当i企业在要素j上的评分取值为s_ij时，若s_ij取值在31-40之间，则表示其取值落在区间[31,40]之内，并取区间的上限值40替换表示其在矩阵中的评分值。

步骤(3)：利用相关因子公式，依次计算每一要素与电费逾期与否属性间的相关性，即该要素对于电费逾期与否属性影响的权值分布，确定该因素在后期预估评分中的影响强弱；

多维要素与电费逾期与否属性A间的相关因子采用下述公式计算：

式中：α_i表示C_i这个要素与属性A的相关因子，即C_i的取值对属性A取值为true的影响程度占比；p(C_i)表示对于C_i这一要素在p条样本中取确定的值时可能发生的概率情况；p(A)表示A取值为true发生的概率情况；p(C_i·A)表示当C_i要素取确定的值且A取值为true时，该事件发生的概率。

给定有m维关联要素，对每一维要素i，进行与逾期与否属性的相关因子计算，可得α＝{α_i|i∈[1,m]}。

在本发明中，对于给定第i个要素，α_i的计算公式如下：

式中：

表示在C_i要素列上取值评分在区间Range[j,j+9]中且A属性列上对应取值为true的集合{Range[j,j+9],true}概率，p(R[j,j+9]Ci)表示在Cd要素列上取值评分在区间Range[j,j+9]中的集合{Range[j,j+9]}出现的概率，p(A＝true)表示当A取值为true出现的概率。

上面计算公式中，等式右边的左半部分公式计算为C_i要素与A属性的相关性，与区间的上限值(j+9)进行乘积计算，表示该评分区间可造成的权值影响。

各概率计算公式如下：

式中：|{Range[j,j+9],true}|表示集合{Range[j,j+9],true}在p条样本数据中出现的次数；|{Range[j,j+9]}|表示集合{Range[j,j+9]}在p条样本中出现的次数；|{A＝true}|表示集合{A＝true}在p条样本中出现的次数。

步骤(4)：采用归一化方法，将多维要素权值映射到0-1范围内，实现权值分布的标准化；

根据上述计算得出多维要素的相关因子，采用归一化操作将其分布在0-1之间，保证其要素作为标准的权值分布，满足如下公式：

式中：保证m个要素对电费逾期与否属性的影响权值之和为1。

步骤(5)：根据标准化后的多维要素权重，设置电费逾期风险综合评分公式，实现对企业电费逾期与否属性的评分；

根据已获得m维要素的标准权值分布α＝{α_i|i∈[1,m]}，可用于次月企业电费逾期与否的预估评分。

假设某企业次月的m维要素向量可知，表示为β＝{β_i|i∈[1,m]，β_i描述某企业待预测月份第i要素的评分值，则该企业的电费逾期风险综合评分S描述如下：

由于式中

因此电费逾期风险综合评分公式为：

S评分值越大，表示电费逾期为true的可能性越大；反之，S评分值越小，则表示该企业在这月出现逾期的可能性越小。

步骤(6)：若已设置的电费逾期风险综合评分公式对某一阶段(称为样本阶段)已发生企业电费逾期风险评估的准确率低于阈值θ(θ为正小数)，转步骤(7)；

样本阶段企业电费逾期风险评估的准确率低于阈值，指若样本阶段采集了n家企业某个月的各属性要素C₁,……,C_m的分值，根据已设置的电费逾期风险综合评分公式获取各家企业该月是否预期的评分值，Count表示根据综合分值评估为将发生电费逾期的企业数目，满足：(Count/n)<θ，θ为准确率期望阈值。

步骤(7)：设置参数Δ(Δ为正小数)，在保证权值调整后，不降低样本阶段预测的电费逾期风险评估准确率前提下，对已设置的多维要素进行微调；

设置微调参数Δ，初始设置Δ＝2％，每次迭代Δ按50％增幅递增；概率p₀,p₁,p₂,满足p₀+p₁+p₂＝1。

在保证调整后各权值和为1的前提下，对任意要素权重α_i进行一下调整：

1)以概率p₀对α_i进行(1+Δ)α_i操作；

2)以概率p₁将α_i保持不变；

3)以概率p₂对α_i进行(1-Δ)α_i操作。

步骤(8)：若权值调整后，样本阶段预测的电费逾期风险评估准确率仍低于阈值θ或调整前后准确率未收敛，继续转步骤(7)；否则，转步骤(9)；

调整前后准确率未收敛的判断方法如下：

假设，第i次调整后风险评估预测的准确率为(Count_i/n)，其中Count_i表示第i次微调各要素权值后，更新风险评估预测公式后，对样本阶段各企业相同月份电费逾期风险进行预测，预测结果为逾期且真实发生电费逾期的企业数目。预测准确率收敛需满足下式：

|Count_i+1-Count_i|/(n*Count_i)≤ε

其中，ε为正小数，ε设置的越小，满足收敛的条件越强，相应权值迭代轮次越多，迭代效果越精细。

步骤(9)：根据调整后权值，更新设置电费逾期风险综合评分公式。

本发明通过引入多维要素关联矩阵及相关因子，实现对于多维要素加权评分的计算，通过分别建立电费逾期与否和每一维要素的相关性，确定多维要素在该电费风险评估中的权值占比，获得多维要素的标准权值分布，可用于某企业在某月份电费逾期风险评估。评分值越大，该企业在该月电费逾期的可能性越大；评分值越小，则该企业在该月的电费产生逾期的可能性越小。

实施例

如表1所示，抽取了5家企业5维要素(分别为从用电异常、经营异常、失信处罚、政策事件、舆情风险五个维度)及对应月份的电费逾期与否值，每一行记录表示相应企业在用电异常、经营异常、失信处罚、政策事件、舆情风险五个维度上的评分及是否电费逾期。

表1

本发明实施例提供的一种用于电费回收风险筛查的多维要素评估方法，包括如下步骤：

步骤一：根据企业信息数据集提取多家企业在某月的多维要素分值信息，以及相应的各企业在该月是否有电费逾期信息，构建多维要素关联矩阵；

5家企业5维要素信息及电费逾期与否属性如表1所示，描述方便起见，分别用C₁,…,C₅表示“用电异常”、“经营异常”、“失信处罚”、“政策处罚”、“舆情风险”五个要素。依据上述信息构建的多维要素关联矩阵如下：

步骤二：通过对多维要素关联矩阵进行离散化操作，依据每一要素设定评分区间，初步确定要素与电费逾期与否属性的关联性；

根据上述多维要素矩阵，将对应的要素评分记录到相应的评分区间Range[j,j+9](j∈{1,11,21,…,91})，并以区间上限在多维要素关联矩阵中表示，可得经过离散化处理后的多维要素关联矩阵如下：

步骤三：利用相关因子公式，依次计算每一要素与电费逾期与否属性间的相关性，即该要素对于电费逾期与否属性影响的权值分布，确定该因素在后期预估评分中的影响强弱；

以要素C₁计算为例，调用公式如下：

要素C₁的评分区间在样本数据中只有[50-60]，[60-70]和[70-80]三个评分区间存在数据，因此在其他区间的数据取值的相关因子为0，不予考虑在内。经过上述公式的计算，可得

不断重复步骤三，分别计算要素C₂、C₃、C₄、C₅，可得到多维要素权值向量α＝{α₁,α₂,α₃,α₄,α₅}＝{13,44,20,30,18}

步骤四：采用归一化方法，将多维要素权值映射到0-1范围内，实现权值分布的标准化；

将上述多维要素权值向量采用归一化方法，进行标准化处理，分别计算经过归一化之后的α₁,α₂,α₃,α₄,α₅，可得权值分布为α＝{0.10,0.35,0.16,0.24,0.15}.

步骤五：根据企业当月的多维要素权值分布，可以实现对次月该企业电费逾期与否属性进行评分。

假设企业次月的5维要素评分分别为β＝{79,87,69,85,76}，根据五要素的权值分布α＝{0.10,0.35,0.16,0.24,0.15}，通过公式

可以计算出该企业在这月的电费风险评分S为81.19，计算得出的电费风险评分可用于对企业电费逾期与否的预估。

步骤六：用已有的5条样本作为样本阶段记录，验证所设置权值是否需要微调，假设θ＝0.8，即要求基于现有多维要素权值的风险综合评分进行预测的准确率高于80％。

已知1号企业该月电费风险综合分值为84.3，2号企业综合分值为56.3，3号企业综合分值为55.5，4号企业综合分值为59.9，5号企业综合分值为79.8。评分60以上的两家企业当月确实发生电费逾期，低于60的三家企业未发生电费逾期，预测准确率大于阈值0.8，故而不用对权重值进行微调。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims (1)

1.一种用于电费回收风险筛查的多维要素评估方法，其特征是，包括以下步骤：

提取多家企业在预设月份的多维要素分值信息，以及相应的各企业在该月的电费逾期与否信息；

计算各维要素与电费逾期与否属性间的相关性，获得各维要素权值；

根据各维要素权值以及待评估月份的多维要素分值信息，计算得到电费逾期风险综合评分；

提取多家企业在预设月份的多维要素分值信息后，对每一要素评分进行离散化处理；

所述离散化处理采用划分区间的方式，将0-100的评分范围划分成10个区间，分别表示为[1-10]，[11-20]，......，[91-100]，当i企业在要素j上的评分取值为s_ij时，若s_ij取值在[j，j+9]之间，j∈{1，11，21，...，91}，则表示其取值落在区间[j，j+9]之内，并取区间的上限值j+9替换表示其评分值；

所述计算各维要素与电费逾期与否属性间的相关性包括：

对于给定第i个要素C_i，第i个要素C_i与电费逾期与否属性间的相关性α_i的计算公式如下：

式中：

表示在C_i要素列上取值评分在区间Range[j，j+9]中且A属性列上对应取值为true的集合{Range[j，j+9]，true}概率，

表示在C_d要素列上取值评分在区间Range[j，j+9]中的集合{Range[j，j+9]}出现的概率，p(A＝true)表示当A取值为true出现的概率；

各概率计算公式如下：

式中：|{Range[j，j+9]，true}|表示集合{Range[j，j+9]，true}在p条样本数据中出现的次数；|{Range[j，j+9]}|表示集合{Range[j，j+9]}在p条样本中出现的次数；|{A＝true}|表示集合{A＝true}在p条样本中出现的次数；

根据各维要素权值以及待评估月份的多维要素分值信息，计算得到电费逾期风险综合评分包括：

m维要素的标准权值分布α＝{α_i|i∈[1，m]}，企业待评估月份的m维要素向量可知，表示为β＝{β_i|i∈[1，m]，β_i描述企业待评估月份第i要素的评分值，则该企业的电费逾期风险综合评分S描述如下：

由于式中

因此电费逾期风险综合评分公式为：

S评分值越大，表示电费逾期为tme的可能性越大；反之，S评分值越小，则表示该企业在这月出现逾期的可能性越小；

还包括步骤：判断电费逾期风险综合评分对预设阶段已发生企业电费逾期风险评估的准确率，若准确率低于阈值，则调整各维要素权值；

调整各维要素权值包括：

设置微调参数Δ，每次迭代Δ按50％增幅递增；概率p₀，p₁，p₂，满足p₀+p₁+p₂＝1；

在保证调整后各权值和为1的前提下，对任意要素权重α_i进行一下调整：

1)以概率p₀对α_i进行(1+Δ)α_i操作；

2)以概率p₁将α_i保持不变；

3)以概率p₂对α_i进行(1-Δ)α_i操作。

Images