CN112508465B - 一种多维审计监控综合评价方法 - Google Patents

一种多维审计监控综合评价方法 Download PDF

Info

Publication number
CN112508465B
CN112508465B CN202110170900.0A CN202110170900A CN112508465B CN 112508465 B CN112508465 B CN 112508465B CN 202110170900 A CN202110170900 A CN 202110170900A CN 112508465 B CN112508465 B CN 112508465B
Authority
CN
China
Prior art keywords
judgment matrix
judgment
evaluation
matrix
weight
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110170900.0A
Other languages
English (en)
Other versions
CN112508465A (zh
Inventor
郑瑛
刘畅
叶静娴
金祚平
王博
王坤
黄鑫
励益
龚丽
吴非
金琳媛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jinhua Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
Jinhua Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jinhua Power Supply Co of State Grid Zhejiang Electric Power Co Ltd filed Critical Jinhua Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Priority to CN202110170900.0A priority Critical patent/CN112508465B/zh
Publication of CN112508465A publication Critical patent/CN112508465A/zh
Application granted granted Critical
Publication of CN112508465B publication Critical patent/CN112508465B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply

Abstract

本发明公开了一种多维审计监控综合评价方法，方法包括包括：步骤一，收集若干个评价对象为供电公司的供电能力数据，确定供电能力数据的时间范围和维度，并对供电能力数据进行标准化处理得到标准化数据；步骤二，构建用于评价标准化数据的评价指标体系，评价指标体系包括若干个评价指标，评价指标与标准化数据的维度相匹配，根据层次分析法确定每个评价指标的权重；步骤三，通过评价指标体系对标准化数据进行打分，得到打分结果；步骤四，获取评价标准，通过评价标准对标准化数据的打分结果进行评价，得出供电公司的供电能力评价结果。本发明根据实际情况灵活调整不同维度的评价指标的权重值，更准确的反应出了供电公司的供电能力。

Description

一种多维审计监控综合评价方法
技术领域
本发明涉及电力市场的技术领域，尤其是指一种多维审计监控综合评价方法。
背景技术
多维审计监控评价是一种基于优化电力营商环境的审计活动。它通过审计内容的多元化、各相关部门与审计主体之间的协调运作与积极配合，建立多维视角下的评价指标体系。多维审计监控评价指标体系结合世界银行与国家发改委等相关部门提出的评价体系，从办电费用、办电效率、服务便利度及供电可靠性四个一级指标展开工作，并根据国家电网内部现存的高风险以及高度关注的问题，基于审计视角下建立与一级指标相匹配的各二级指标，并从各部门之间相互协调配合展开相应的工作。基于此，编制了基于“获得电力”的审计制度、构建了多方协同机制，助力“获得电力”服务提升、搭建了基于“获得电力”多维审计监控评价系统平台三种辅助服务手段。通过以上三种方式，可帮助实现对电力营商环境的内部审计评价、对高风险问题的监控和预警、以审计控制的总目标。进一步可以实现协同高效、快速响应、闭环管控的现代化审计服务体系，满足电力用户多样化的用电需要，持续提升电力营商环境。
评价方法是实现多维审计监控评价定量评判的关键环节。对于不同地区的供电公司供电能力，不同维度的评价指标的权重往往需要进行调整，但是现有的对供电公司的供电能力审计监控评价中，对于不同维度的评价指标的权重都是预先设计，权重值不能根据实际需要进行灵活调整，或者调整权重值的手段较为简单，对于不同评价指标之间相互关系对权重值的影响因素往往较容易忽略，进而使多维审计监控评价的有效性和准确性降低。因此需要设计一种多维审计监控评价权重设计策略，可以根据地区或群体之间的差异性，实现不同地区的权重调整。
发明内容
本发明的目的是克服现有技术对于不同地区的供电公司供电能力的多维审计监控评价中，不同维度权重值不能根据实际需要进行灵活调整，或者调整权重值的手段较为简单，对于不同评价指标之间相互关系对权重值的影响因素往往较容易忽略，进而使多维审计监控评价的有效性和准确性降低的缺点，提供一种多维审计监控综合评价方法。
本发明的目的是通过下述技术方案予以实现：
一种多维审计监控综合评价方法，包括以下步骤：
步骤一，收集若干个评价对象为供电公司的供电能力数据，确定供电能力数据的时间范围和维度，并对供电能力数据进行标准化处理得到标准化数据；
步骤二，构建用于评价标准化数据的评价指标体系，评价指标体系包括若干个评价指标，评价指标与标准化数据的维度相匹配，根据层次分析法确定每个评价指标的权重；
步骤三，通过评价指标体系对标准化数据进行打分，得到打分结果；
步骤四，获取评价标准，通过评价标准对标准化数据的打分结果进行评价，得出供电公司的供电能力评价结果；
所述的步骤二中，根据层次分析法确定评价指标的权重的具体方法为：
步骤a，构建层次结构模型，将评价指标分为若干个层级，确定不同层级的评价指标之间的从属或影响关系；
步骤b，对评价指标进行至少一次权重评价，对从属于或影响上一级评级指标的每个同级评价指标，通过用两两比较法构造判断矩阵，若权重评价次数为1次，则构建一个判断矩阵，然后通过该判断矩阵确定权重向量，通过权重向量得出每个评价指标的权重值；若权重评价次数大于1次，则构建多个判断矩阵，对所有判断矩阵进行修正，然后通过修正的判断矩阵确定权重向量，通过权重向量得出每个评价指标的权重值。
层次分析法（Analytic Hierarchy Process，简称AHP）是美国匹兹堡大学教授A.L.Saaty于20世纪70年代提出的一种系统分析方法，它综合了定性与定量分析，模拟人的决策思维过程，具有思路清晰、方法简便、适用面广、系统性强等特点，是分析多目标、多因素、多准则的复杂大系统的有力工具。本发明通过层次分析法构建层次结构模型可以准确判断出评价指标的权重，对于不同地区的供电公司的供电能力，通过层次结构模型可以根据实际情况灵活调整不同维度的评价指标的权重值，所以通过评价指标体系对标准化数据进行打分的结果更为有效合理，更准确的反应出了供电公司的供电能力。
作为一种优选方案，在步骤b中，若权重评价次数为1次，则构建一个判断矩阵，然后通过该判断矩阵确定权重向量具体为：
首先，对
Figure 851797DEST_PATH_IMAGE001
个评价指标进行打分，得到判断矩阵
Figure 527629DEST_PATH_IMAGE002
为：
Figure 109920DEST_PATH_IMAGE003
根据层次分析法的计算原理可以得到，
Figure 769571DEST_PATH_IMAGE004
；
Figure 728300DEST_PATH_IMAGE005
；
Figure 524218DEST_PATH_IMAGE006
；
Figure 277410DEST_PATH_IMAGE007
；
其次，求判断矩阵
Figure 424358DEST_PATH_IMAGE008
每一列的和，并根据计算结果求得判断矩阵
Figure 419733DEST_PATH_IMAGE009
的系数矩阵
Figure 70157DEST_PATH_IMAGE010
：
Figure 259830DEST_PATH_IMAGE011
其中，
Figure 362916DEST_PATH_IMAGE012
；
最后，按照行对系数矩阵
Figure 397868DEST_PATH_IMAGE013
求和得到归一化前的初始权重向量
Figure 433957DEST_PATH_IMAGE014
如下：
Figure 794531DEST_PATH_IMAGE015
其中，
Figure 384912DEST_PATH_IMAGE016
；对初始权重向量
Figure 489135DEST_PATH_IMAGE017
进行归一化，得到这
Figure 114151DEST_PATH_IMAGE018
个 指标的最终权重向量
Figure 896160DEST_PATH_IMAGE019
如下：
Figure 239417DEST_PATH_IMAGE020
其中，
Figure 881751DEST_PATH_IMAGE021
。
两两比较法的轻重程度用下表中的标度表示：
Figure 361274DEST_PATH_IMAGE022
通过两两比较法对
Figure 63651DEST_PATH_IMAGE023
个评价指标进行打分，可以得出判断矩阵
Figure 894203DEST_PATH_IMAGE024
。
作为一种优选方案，在步骤
Figure 74649DEST_PATH_IMAGE025
中，若权重评价次数大于1次，则构建多个判断矩阵， 对所有判断矩阵进行修正，然后通过修正的判断矩阵确定权重向量具体为：
对
Figure 674258DEST_PATH_IMAGE026
个评价指标进行打分，得到判断矩阵
Figure 281957DEST_PATH_IMAGE027
为：
Figure 599805DEST_PATH_IMAGE028
根据层次分析法的计算原理可以得到，
Figure 583942DEST_PATH_IMAGE029
；
Figure 38057DEST_PATH_IMAGE030
；
Figure 580772DEST_PATH_IMAGE031
；
Figure 120337DEST_PATH_IMAGE032
；
对多个判断矩阵
Figure 642586DEST_PATH_IMAGE033
剔除奇异值，设第
Figure 216786DEST_PATH_IMAGE034
个判断矩阵为
Figure 166288DEST_PATH_IMAGE035
，求取多个判断 矩阵各元素的平均值
Figure 458729DEST_PATH_IMAGE036
，判断
Figure 784668DEST_PATH_IMAGE037
偏离
Figure 947796DEST_PATH_IMAGE038
是否超过预定阈值，若有
Figure 599357DEST_PATH_IMAGE037
偏离
Figure 113515DEST_PATH_IMAGE038
超过预定 阈值，则将此
Figure 977566DEST_PATH_IMAGE037
对应的判断矩阵
Figure 24894DEST_PATH_IMAGE039
剔除，构成
Figure 316198DEST_PATH_IMAGE040
个新的判断矩阵；
计算
Figure 52073DEST_PATH_IMAGE041
个新的判断矩阵的特征向量，通过所有特征向量计算综合特征向量，具体 为：
对于特征向量
Figure 985394DEST_PATH_IMAGE042
，计算特征向量两两之间的一致 性程度指标
Figure 388694DEST_PATH_IMAGE043
、指标权重平均一致性程度
Figure 850899DEST_PATH_IMAGE044
和相对一致性程度
Figure 339649DEST_PATH_IMAGE045
：
Figure 545502DEST_PATH_IMAGE046
Figure 537729DEST_PATH_IMAGE047
Figure 701994DEST_PATH_IMAGE048
式中：
Figure 678041DEST_PATH_IMAGE049
为向量
Figure 186120DEST_PATH_IMAGE050
和
Figure 298433DEST_PATH_IMAGE051
的夹角；
得到经过改进的综合特征向量，综合特征向量即为最终权重向量：
Figure 368020DEST_PATH_IMAGE052
其中，
Figure 831362DEST_PATH_IMAGE053
越大，则两个特征向量
Figure 379018DEST_PATH_IMAGE054
和
Figure 611416DEST_PATH_IMAGE055
之间的一致性越高。
作为一种优选方案，还对最终权重向量进行一致性校验，若校验通过，则通过最终权重向量得出每个评价指标的权重值，若校验不通过，则对判断矩阵进行修正，直到最终权重向量通过一致性校验，一致性校验具体为：
首先，根据判断矩阵
Figure 851905DEST_PATH_IMAGE056
和最终权重向量
Figure 536964DEST_PATH_IMAGE057
计算过渡矩阵C，
Figure 888311DEST_PATH_IMAGE058
；然后计算检验系数矩阵
Figure 975216DEST_PATH_IMAGE059
，
Figure 652185DEST_PATH_IMAGE060
，
Figure 63355DEST_PATH_IMAGE061
；计算矩阵K的列平均值即为判断矩阵的最大特征根：
Figure 218393DEST_PATH_IMAGE062
其次，计算一致性检验指标：
Figure 159804DEST_PATH_IMAGE063
其中：
Figure 7675DEST_PATH_IMAGE064
为判断矩阵的最大特征根；
再此，查找相应的平均随机一致性指标
Figure 667326DEST_PATH_IMAGE065
；
下表给出了1-9阶判断矩阵计算1000次得到的平均随机一致性指标：
Figure 626055DEST_PATH_IMAGE066
最后计算一致性比例CR：
Figure 421972DEST_PATH_IMAGE067
当CR≤0.1时，则一致性校验通过；当CR>0.1时，则一致性校验不通过。
在多维审计监控评价时，如果单独利用层次分析法进行测评，定量数据较少，定性成分较多，结果就不易令人信服。特别是一些指标间的相对重要程度系数是利用专家经验得来的，如果只采取单个专家意见，势必会是分析结果过于片面，缺乏普遍性。因此本方案选用德尔菲法（Delphi）对层次分析法进行改进，德尔菲法是综合多名专家经验意见进行权重参数设计的方法，能够与AHP进行互补。
作为一种优选方案，在步骤b中，若权重评价次数大于1次，则构建多个判断矩阵， 对所有判断矩阵进行修正，然后通过修正的判断矩阵确定权重向量具体为：随机选取x个判 断矩阵
Figure 440744DEST_PATH_IMAGE068
，x小于判断矩阵的数值，在x个判断矩阵
Figure 322112DEST_PATH_IMAGE069
中，设第
Figure 84532DEST_PATH_IMAGE070
个判断矩阵为
Figure 535DEST_PATH_IMAGE071
，求取多个判断矩阵各元素的平均值
Figure 924629DEST_PATH_IMAGE072
，计算判断矩阵
Figure 558873DEST_PATH_IMAGE073
各元素的平均值
Figure 92360DEST_PATH_IMAGE074
，判断
Figure 128449DEST_PATH_IMAGE075
偏离
Figure 223444DEST_PATH_IMAGE038
是否超过预定阈值，若没有任何一个
Figure 344984DEST_PATH_IMAGE076
偏离
Figure 449206DEST_PATH_IMAGE077
超过预定阈值，则构 成修正判断矩阵，判断矩阵中的各元素值即为x个判断矩阵
Figure 808643DEST_PATH_IMAGE078
的平均值，若存在有
Figure 340119DEST_PATH_IMAGE079
偏离
Figure 683375DEST_PATH_IMAGE080
超过预定阈值，则不构成修正判断矩阵；重复执行修正判断矩阵步骤，直到构成修正判断 矩阵的数量超过设定的数量为止，然后将所有修正判断矩阵中的各元素的值计算平均值
Figure 591289DEST_PATH_IMAGE081
，
Figure 70811DEST_PATH_IMAGE082
对应的判断矩阵为最终判断矩阵，最终判断矩阵确定权重向量。
若根据德尔菲法对判断矩阵进行优化的过程中，若某个专家打分与其他专家打分出现不一致的情况，则会剔除这个专家打分的判断矩阵，然而，在对供电公司的供电能力评价的过程中，会出现某一个专家打分其他专家打分不一致的情况，只要不一致的数值在预定的阈值内，该专家打分仍然是可以信服的，且本方案通过多次构成修正判断矩阵，使数据的正确性更高，避免了德尔菲法简单对专家打分的判断矩阵进行剔除的手段，使评价指标体系构建更为科学合理。
作为一种优选方案，在步骤b中，若权重评价次数大于1次，则构建多个判断矩阵， 对所有判断矩阵进行修正，然后通过修正的判断矩阵确定权重向量具体为：随机选取x个判 断矩阵
Figure 773188DEST_PATH_IMAGE083
，x小于判断矩阵的数值，在x个判断矩阵
Figure 603741DEST_PATH_IMAGE084
中，设第
Figure 49766DEST_PATH_IMAGE085
个判断矩阵为
Figure 649374DEST_PATH_IMAGE086
；在x个判断矩阵
Figure 755608DEST_PATH_IMAGE087
中，随机剔除若干个元素构成判断矩阵
Figure 73457DEST_PATH_IMAGE088
，
Figure 792015DEST_PATH_IMAGE089
，计算 判断矩阵
Figure 511709DEST_PATH_IMAGE090
各元素的平均值
Figure 555888DEST_PATH_IMAGE091
，判断
Figure 361033DEST_PATH_IMAGE092
偏离
Figure 883281DEST_PATH_IMAGE093
是否超过预定阈值，若没有任何一个
Figure 457482DEST_PATH_IMAGE092
偏 离
Figure 672563DEST_PATH_IMAGE094
超过预定阈值，则构成修正判断矩阵，判断矩阵中的各元素值即为x个判断矩阵
Figure 699425DEST_PATH_IMAGE095
的 平均值，若存在有
Figure 25364DEST_PATH_IMAGE096
偏离
Figure 454071DEST_PATH_IMAGE097
超过预定阈值，则不构建修正判断矩阵；重复执行修正判断矩 阵步骤，直到构成修正判断矩阵的数量超过设定的数量为止，然后将所有修正判断矩阵中 的各元素的值写入最终判断矩阵中，若元素有重复则计算重复元素的平均值后将平均值写 入最终判断矩阵中，最终判断矩阵确定权重向量。
对于某一个专家打分构建的判断矩阵，尽管可能会出现偏差的元素，但是该专家其他的元素仍然可能是在合理范围内的元素，因此，本方案的设计对判断矩阵的进行了压缩步骤和还原步骤，在有效剔除偏差元素的同时又可以保留判断矩阵内其他合理范围内的元素，避免了现有技术中某一个专家的判断矩阵出现了偏差的元素就要放弃该判断矩阵的情况，进一步提升了判断矩阵的合理准确性。
作为一种优选方案，若最终判断矩阵中包含的评价指标数量小于
Figure 338588DEST_PATH_IMAGE098
，则寻找最终 判断矩阵再次执行修正判断矩阵步骤，其中判断矩阵
Figure 118326DEST_PATH_IMAGE099
包含的元素值包含最终判断矩阵 和判断矩阵
Figure 247956DEST_PATH_IMAGE073
对比后缺失的元素。在对判断矩阵进行压缩步骤和还原的步骤中，有可能会 出现重复执行修正判断矩阵步骤选取判断矩阵
Figure 265590DEST_PATH_IMAGE100
始终没有选取某些元素的情况，造成还原 判断矩阵中缺失某些元素的结果。因此本方案设计了对最终判断矩阵指标数量的判断，避 免了这种情况的发生。
作为一种优选方案，所述的评价指标包括一级评价指标和二级评价指标，一级评价指标包括办电费用、办电效率、服务便利度和供电可靠性，与办电费用相关联的二级评价指标包括高压业扩报装配套项目异常情况、低压业扩报装配套项目异常情况、高压客户受电工程项目异常情况、业扩工程收费异常率、“三指定” 风险系数和低压计入容量开放情况，办电效率相关联的二级评价指标包括业扩办理体外循环情况、低压超工期风险系数和高压超工期风险系数，服务便利度相关联的二级评价指标包括个性化增值服务情况和线上报装占比，供电可靠性相关联的二级评价指标包括停电赔偿率和频繁停电投诉率。
一种多维审计监控综合评价系统，包括：
数据收集模块，用于收集供电公司的供电能力数据并将供电能力数据进行标准化处理，输出标准化数据；
层次结构模型，用于构建评价指标体系；
供电能力打分模块，用于将标准化数据输入评价指标体系，得出标准化数据的打分结果；
供电能力分析模块，用于对打分结果进行分析，对供电公司的供电能力进行评价。
本发明的有益效果是：多维审计监控综合评价方法通过层次分析法构建层次结构模型可以准确判断出评价指标的权重，对于不同地区的供电公司的供电能力，通过层次结构模型可以根据实际情况灵活调整不同维度的评价指标的权重值，所以通过评价指标体系对标准化数据进行打分的结果更为有效合理，更准确的反应出了供电公司的供电能力。同时本发明通过对层次结构模型的优化可以是评价指标的权重值的设置更为合理有效，进一步提升了评价指标体系对供电公司的供电能力判断的正确率。
附图说明
图1是本发明的一种流程图。
具体实施方式
下面结合附图和实施例对本发明进一步描述。
实施例1：一种多维审计监控综合评价方法，如图1所示，包括以下步骤：
步骤一，收集若干个评价对象为供电公司的供电能力数据，确定供电能力数据的时间范围和维度，并对供电能力数据进行标准化处理得到标准化数据；
步骤二，构建用于评价标准化数据的评价指标体系，评价指标体系包括若干个评价指标，评价指标与标准化数据的维度相匹配，根据层次分析法确定每个评价指标的权重；
步骤三，通过评价指标体系对标准化数据进行打分，得到打分结果；
步骤四，获取评价标准，通过评价标准对标准化数据的打分结果进行评价，得出供电公司的供电能力评价结果；
所述的步骤二中，根据层次分析法确定评价指标的权重的具体方法为：
步骤a，构建层次结构模型，将评价指标分为若干个层级，确定不同层级的评价指标之间的从属或影响关系；
步骤b，对评价指标进行至少一次权重评价，对从属于或影响上一级评级指标的每个同级评价指标，通过用两两比较法构造判断矩阵，若权重评价次数为1次，则构建一个判断矩阵，然后通过该判断矩阵确定权重向量，通过权重向量得出每个评价指标的权重值；若权重评价次数大于1次，则构建多个判断矩阵，对所有判断矩阵进行修正，然后通过修正的判断矩阵确定权重向量，通过权重向量得出每个评价指标的权重值。
层次分析法（Analytic Hierarchy Process，简称AHP）是美国匹兹堡大学教授A.L.Saaty于20世纪70年代提出的一种系统分析方法，它综合了定性与定量分析，模拟人的决策思维过程，具有思路清晰、方法简便、适用面广、系统性强等特点，是分析多目标、多因素、多准则的复杂大系统的有力工具。本发明通过层次分析法构建层次结构模型可以准确判断出评价指标的权重，对于不同地区的供电公司的供电能力，通过层次结构模型可以根据实际情况灵活调整不同维度的评价指标的权重值，所以通过评价指标体系对标准化数据进行打分的结果更为有效合理，更准确的反应出了供电公司的供电能力。
在步骤b中，若权重评价次数为1次，则构建一个判断矩阵，然后通过该判断矩阵确定权重向量具体为：
首先，对
Figure 88053DEST_PATH_IMAGE101
个评价指标进行打分，得到判断矩阵
Figure 89507DEST_PATH_IMAGE102
为：
Figure 22828DEST_PATH_IMAGE103
根据层次分析法的计算原理可以得到，
Figure 894969DEST_PATH_IMAGE104
；
Figure 888332DEST_PATH_IMAGE105
；
Figure 377083DEST_PATH_IMAGE106
；
Figure 848515DEST_PATH_IMAGE107
；
其次，求判断矩阵
Figure 106321DEST_PATH_IMAGE108
每一列的和，并根据计算结果求得判断矩阵
Figure 5007DEST_PATH_IMAGE109
的系数矩阵
Figure 208150DEST_PATH_IMAGE110
：
Figure 483274DEST_PATH_IMAGE111
其中，
Figure 595586DEST_PATH_IMAGE112
;
Figure 665173DEST_PATH_IMAGE113
;
Figure 128516DEST_PATH_IMAGE114
；
最后，按照行对系数矩阵
Figure 941751DEST_PATH_IMAGE115
求和得到归一化前的初始权重向量
Figure 174149DEST_PATH_IMAGE116
如下：
Figure 414637DEST_PATH_IMAGE117
其中，
Figure 99697DEST_PATH_IMAGE118
;
Figure 716623DEST_PATH_IMAGE119
；对初始权重向量
Figure 803528DEST_PATH_IMAGE120
进行归一化，得到这
Figure 480497DEST_PATH_IMAGE121
个指标的最终权重向量
Figure 387273DEST_PATH_IMAGE122
如下：
Figure 40846DEST_PATH_IMAGE123
其中，
Figure 247836DEST_PATH_IMAGE124
。
两两比较法的轻重程度用下表中的标度表示：
Figure 564548DEST_PATH_IMAGE125
通过两两比较法对
Figure 224199DEST_PATH_IMAGE126
个评价指标进行打分，可以得出判断矩阵
Figure 182928DEST_PATH_IMAGE127
。
在步骤B中，若权重评价次数大于1次，则构建多个判断矩阵，对所有判断矩阵进行修正，然后通过修正的判断矩阵确定权重向量具体为：
对
Figure 244425DEST_PATH_IMAGE128
个评价指标进行打分，得到判断矩阵
Figure 997617DEST_PATH_IMAGE129
为：
Figure 144565DEST_PATH_IMAGE130
根据层次分析法的计算原理可以得到，
Figure 641405DEST_PATH_IMAGE131
；
Figure 557409DEST_PATH_IMAGE132
；
Figure 747082DEST_PATH_IMAGE133
；
Figure 115746DEST_PATH_IMAGE134
；
对多个判断矩阵
Figure 416277DEST_PATH_IMAGE135
剔除奇异值，设第
Figure 685322DEST_PATH_IMAGE034
个判断矩阵为
Figure 45897DEST_PATH_IMAGE136
，求取多个判断 矩阵各元素的平均值
Figure 901857DEST_PATH_IMAGE137
，判断
Figure 740500DEST_PATH_IMAGE138
偏离
Figure 631096DEST_PATH_IMAGE139
是否超过预定阈值，若有
Figure 162571DEST_PATH_IMAGE140
偏离
Figure 505828DEST_PATH_IMAGE141
超过预定阈 值，则将此
Figure 413741DEST_PATH_IMAGE079
对应的判断矩阵
Figure 893264DEST_PATH_IMAGE142
剔除，构成
Figure 595641DEST_PATH_IMAGE143
个新的判断矩阵；
计算
Figure 426194DEST_PATH_IMAGE144
个新的判断矩阵的特征向量，通过所有特征向量计算综合特征向量，具体 为：
对于特征向量
Figure 341060DEST_PATH_IMAGE145
，计算特征向量两两之间的一致 性程度指标
Figure 206248DEST_PATH_IMAGE146
、指标权重平均一致性程度
Figure 578061DEST_PATH_IMAGE147
和相对一致性程度
Figure 895910DEST_PATH_IMAGE148
：
Figure 614467DEST_PATH_IMAGE149
Figure 334161DEST_PATH_IMAGE150
Figure 378341DEST_PATH_IMAGE151
式中：
Figure 183486DEST_PATH_IMAGE049
为向量
Figure 971313DEST_PATH_IMAGE050
和
Figure 279935DEST_PATH_IMAGE051
的夹角；
得到经过改进的综合特征向量，综合特征向量即为最终权重向量：
Figure 495016DEST_PATH_IMAGE152
其中，
Figure 521877DEST_PATH_IMAGE153
越大，则两个特征向量
Figure 113396DEST_PATH_IMAGE154
和
Figure 542103DEST_PATH_IMAGE155
之间的一致性越高。
还对最终权重向量进行一致性校验，若校验通过，则通过最终权重向量得出每个评价指标的权重值，若校验不通过，则对判断矩阵进行修正，直到最终权重向量通过一致性校验，一致性校验具体为：
首先，根据判断矩阵
Figure 928085DEST_PATH_IMAGE084
和最终权重向量
Figure 946637DEST_PATH_IMAGE156
计算过渡矩阵C，
Figure 76267DEST_PATH_IMAGE157
；然后计算检验系数矩阵
Figure 359481DEST_PATH_IMAGE158
，
Figure 916365DEST_PATH_IMAGE159
，
Figure 917819DEST_PATH_IMAGE160
；计算 矩阵K的列平均值即为判断矩阵的最大特征根：
Figure 585560DEST_PATH_IMAGE161
其次，计算一致性检验指标：
Figure 988860DEST_PATH_IMAGE162
其中：
Figure 982224DEST_PATH_IMAGE163
为判断矩阵的最大特征根；
再此，查找相应的平均随机一致性指标
Figure 939815DEST_PATH_IMAGE164
；
下表给出了1-9阶判断矩阵计算1000次得到的平均随机一致性指标:
Figure 676827DEST_PATH_IMAGE165
最后计算一致性比例CR：
Figure 934633DEST_PATH_IMAGE166
当CR≤0.1时，则一致性校验通过；当CR>0.1时，则一致性校验不通过。
在多维审计监控评价时，如果单独利用层次分析法进行测评，定量数据较少，定性成分较多，结果就不易令人信服。特别是一些指标间的相对重要程度系数是利用专家经验得来的，如果只采取单个专家意见，势必会是分析结果过于片面，缺乏普遍性。因此本方案选用德尔菲法（Delphi）对层次分析法进行改进，德尔菲法是综合多名专家经验意见进行权重参数设计的方法，能够与AHP进行互补。
所述的评价指标包括一级评价指标和二级评价指标，一级评价指标包括办电费用、办电效率、服务便利度和供电可靠性，与办电费用相关联的二级评价指标包括高压业扩报装配套项目异常情况、低压业扩报装配套项目异常情况、高压客户受电工程项目异常情况、业扩工程收费异常率、“三指定” 风险系数和低压计入容量开放情况，办电效率相关联的二级评价指标包括业扩办理体外循环情况、低压超工期风险系数和高压超工期风险系数，服务便利度相关联的二级评价指标包括个性化增值服务情况和线上报装占比，供电可靠性相关联的二级评价指标包括停电赔偿率和频繁停电投诉率。
一种多维审计监控综合评价系统，包括：
数据收集模块，用于收集供电公司的供电能力数据并将供电能力数据进行标准化处理，输出标准化数据；
层次结构模型，用于构建评价指标体系；
供电能力打分模块，用于将标准化数据输入评价指标体系，得出标准化数据的打分结果；
供电能力分析模块，用于对打分结果进行分析，对供电公司的供电能力进行评价。
下面以对金华下属区域供电公司的供电能力进行多维审计监控综合评价为例：首先在对供电公司的供电能力数据的收集过程中，标准化处理的包括对正向指标、逆向指标和适度指标的标准化处理。
对于正向指标，指标值越大越好，例如利润、净资产收益率等，首先根据各指标的 实际历史数据确定一个下限
Figure 833319DEST_PATH_IMAGE167
（即历史最小值）；然后在未来可预见一段时间内，确定一 个期望达到的最大值作为上限
Figure 543786DEST_PATH_IMAGE168
（限于目前计划数据可得性的原因，在这里采用历史最 大值，下同）。
指标标准化公式为：
Figure 317445DEST_PATH_IMAGE169
。
对于逆向指标，指标越小越好，如人均输配电成本等，首先根据各指标的实际历史 数据确定一个上限
Figure 429757DEST_PATH_IMAGE170
（即历史最大值）；然后在未来可预见一段时间内，确定一个期望达 到的最小值作为下限
Figure 764924DEST_PATH_IMAGE171
。
指标标准化公式为：
Figure 962687DEST_PATH_IMAGE172
。
根据层次分析法确定每个评价指标的权重，如下表所示：
Figure 775922DEST_PATH_IMAGE174
根据评价指标体系对金华市8个供电公司指标进行打分，结果如下：
Figure 8320DEST_PATH_IMAGE176
还可以对指标打分结果进行监控和预警，设置四级监控和预警，红色代表各指标得分在0-30分区间范围内；橙色代表各指标得分在30-60分区间范围内；黄色代表各指标得分在60-80分区间范围内；蓝色代表各指标得分在80-100分区间范围内。监控和预警预警可以对总得分进行监控和预警，也可以对各级指标进行监控和预警。
通过以上分析，为供电公司审计工作提供决策参考，使供电公司在审计过程中进一步掌握风险、薄弱环节等相关信息，督促抓好整改，推动电力营商环境的进一步优化，服务质量进一步提高。
实施例2，一种多维审计监控综合评价系统和方法，其原理和实施方法和实施例基 本相同，不同之处在于，在步骤b中，若权重评价次数大于1次，则构建多个判断矩阵，对所有 判断矩阵进行修正，然后通过修正的判断矩阵确定权重向量具体为：随机选取x个判断矩阵
Figure 248809DEST_PATH_IMAGE177
，x小于判断矩阵的数值，在x个判断矩阵
Figure 199447DEST_PATH_IMAGE178
中，设第
Figure 550794DEST_PATH_IMAGE179
个判断矩阵为
Figure 637699DEST_PATH_IMAGE180
，求取多 个判断矩阵各元素的平均值
Figure 49089DEST_PATH_IMAGE181
，计算判断矩阵
Figure 221444DEST_PATH_IMAGE182
各元素的平均值
Figure 642061DEST_PATH_IMAGE183
，判断
Figure 583472DEST_PATH_IMAGE075
偏离
Figure 664298DEST_PATH_IMAGE184
是否 超过预定阈值，若没有任何一个
Figure 323950DEST_PATH_IMAGE185
偏离
Figure 282679DEST_PATH_IMAGE186
超过预定阈值，则构成修正判断矩阵，判断矩阵 中的各元素值即为x个判断矩阵
Figure 78596DEST_PATH_IMAGE187
的平均值，若存在有
Figure 238313DEST_PATH_IMAGE092
偏离
Figure 119682DEST_PATH_IMAGE077
超过预定阈值，则不构成 修正判断矩阵；重复执行修正判断矩阵步骤，直到构成修正判断矩阵的数量超过设定的数 量为止，然后将所有修正判断矩阵中的各元素的值计算平均值
Figure 115057DEST_PATH_IMAGE188
，
Figure 31061DEST_PATH_IMAGE189
对应的判断矩阵为 最终判断矩阵，最终判断矩阵确定权重向量。
若根据德尔菲法对判断矩阵进行优化的过程中，若某个专家打分与其他专家打分出现不一致的情况，则会剔除这个专家打分的判断矩阵，然而，在对供电公司的供电能力评价的过程中，会出现某一个专家打分其他专家打分不一致的情况，只要不一致的数值在预定的阈值内，该专家打分仍然是可以信服的，且本方案通过多次构成修正判断矩阵，使数据的正确性更高，避免了德尔菲法简单对专家打分的判断矩阵进行剔除的手段，使评价指标体系构建更为科学合理。
实施例3：一种多维审计监控综合评价系统和方法，其原理和实施方法和实施例基 本相同，不同之处在于，在步骤b中，若权重评价次数大于1次，则构建多个判断矩阵，对所有 判断矩阵进行修正，然后通过修正的判断矩阵确定权重向量具体为：随机选取x个判断矩阵
Figure 220734DEST_PATH_IMAGE190
，x小于判断矩阵的数值，在x个判断矩阵
Figure 854977DEST_PATH_IMAGE191
中，设第k个判断矩阵为
Figure 889929DEST_PATH_IMAGE192
；在x个 判断矩阵
Figure 660439DEST_PATH_IMAGE193
中，随机剔除若干个元素构成判断矩阵
Figure 21013DEST_PATH_IMAGE194
，y<m，计算判断矩阵
Figure 876974DEST_PATH_IMAGE195
各元素的平均 值
Figure 715617DEST_PATH_IMAGE196
，判断
Figure 606213DEST_PATH_IMAGE092
偏离
Figure 137688DEST_PATH_IMAGE197
是否超过预定阈值，若没有任何一个
Figure 480945DEST_PATH_IMAGE092
偏离
Figure 123279DEST_PATH_IMAGE197
超过预定阈值，则 构成修正判断矩阵，判断矩阵中的各元素值即为x个判断矩阵
Figure 931415DEST_PATH_IMAGE099
的平均值，若存在有
Figure 633792DEST_PATH_IMAGE092
偏离
Figure 464344DEST_PATH_IMAGE198
超过预定阈值，则不构建修正判断矩阵；重复执行修正判断矩阵步骤，直到构成修正 判断矩阵的数量超过设定的数量为止，然后将所有修正判断矩阵中的各元素的值写入最终 判断矩阵中，若元素有重复则计算重复元素的平均值后将平均值写入最终判断矩阵中，最 终判断矩阵确定权重向量。
对于某一个专家打分构建的判断矩阵，尽管可能会出现偏差的元素，但是该专家其他的元素仍然可能是在合理范围内的元素，因此，本方案的设计对判断矩阵的进行了压缩步骤和还原步骤，在有效剔除偏差元素的同时又可以保留判断矩阵内其他合理范围内的元素，避免了现有技术中某一个专家的判断矩阵出现了偏差的元素就要放弃该判断矩阵的情况，进一步提升了判断矩阵的合理准确性。
在步骤b中，若最终判断矩阵中包含的评价指标数量小于
Figure 644790DEST_PATH_IMAGE199
，则寻找最终判断矩 阵再次执行修正判断矩阵步骤，其中判断矩阵
Figure 509978DEST_PATH_IMAGE195
包含的元素值包含最终判断矩阵和判断矩 阵R m 对比后缺失的元素。在对判断矩阵进行压缩步骤和还原的步骤中，有可能会出现重复 执行修正判断矩阵步骤选取判断矩阵
Figure 383256DEST_PATH_IMAGE200
始终没有选取某些元素的情况，造成还原判断矩阵 中缺失某些元素的结果。因此本方案设计了对最终判断矩阵指标数量的判断，避免了这种 情况的发生。
以上所述的实施例只是本发明的一种较佳的方案，并非对本发明作任何形式上的限制，在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。

Claims (6)

1.一种多维审计监控综合评价方法，其特征是，包括以下步骤：
步骤一，收集若干个评价对象为供电公司的供电能力数据，确定供电能力数据的时间范围和维度，并对供电能力数据进行标准化处理得到标准化数据；
步骤二，构建用于评价标准化数据的评价指标体系，评价指标体系包括若干个评价指标，评价指标与标准化数据的维度相匹配，根据层次分析法确定每个评价指标的权重；
步骤三，通过评价指标体系对标准化数据进行打分，得到打分结果；
步骤四，获取评价标准，通过评价标准对标准化数据的打分结果进行评价，得出供电公司的供电能力评价结果；
所述的步骤二中，根据层次分析法确定评价指标的权重的具体方法为：
步骤a，构建层次结构模型，将评价指标分为若干个层级，确定不同层级的评价指标之间的从属或影响关系；
步骤b，对评价指标进行至少一次权重评价，对从属于或影响上一级评级指标的每个同级评价指标，通过用两两比较法构造判断矩阵，若权重评价次数为1次，则构建一个判断矩阵，然后通过该判断矩阵确定权重向量，通过权重向量得出每个评价指标的权重值；若权重评价次数大于1次，则构建多个判断矩阵，对所有判断矩阵进行修正，然后通过修正的判断矩阵确定权重向量，通过权重向量得出每个评价指标的权重值；
在步骤b中，若权重评价次数大于1次，则构建多个判断矩阵，对所有判断矩阵进行修正，然后通过修正的判断矩阵确定权重向量具体为：
对
Figure DEST_PATH_IMAGE001
个评价指标进行打分，得到判断矩阵
Figure DEST_PATH_IMAGE002
为：
Figure DEST_PATH_IMAGE003
根据层次分析法的计算原理可以得到，
Figure DEST_PATH_IMAGE004
；
Figure DEST_PATH_IMAGE005
；
Figure DEST_PATH_IMAGE006
；
Figure DEST_PATH_IMAGE007
；
对多个判断矩阵
Figure DEST_PATH_IMAGE008
剔除奇异值，设第
Figure DEST_PATH_IMAGE009
个判断矩阵为
Figure DEST_PATH_IMAGE010
，求取多个判断矩阵各元素的平均值
Figure DEST_PATH_IMAGE011
，判断
Figure DEST_PATH_IMAGE012
偏离
Figure DEST_PATH_IMAGE013
是否超过预定阈值，若有
Figure DEST_PATH_IMAGE014
偏离
Figure DEST_PATH_IMAGE015
超过预定阈值，则将此
Figure DEST_PATH_IMAGE016
对应的判断矩阵
Figure DEST_PATH_IMAGE017
剔除，构成
Figure DEST_PATH_IMAGE018
个新的判断矩阵；
计算
Figure DEST_PATH_IMAGE019
个新的判断矩阵的特征向量，通过所有特征向量计算综合特征向量，具体为：
对于特征向量
Figure DEST_PATH_IMAGE020
，计算特征向量两两之间的一致性程度指标
Figure DEST_PATH_IMAGE021
、指标权重平均一致性程度
Figure DEST_PATH_IMAGE022
和相对一致性程度
Figure DEST_PATH_IMAGE023
：
Figure DEST_PATH_IMAGE024
Figure DEST_PATH_IMAGE025
Figure DEST_PATH_IMAGE026
式中：
Figure DEST_PATH_IMAGE027
为向量
Figure DEST_PATH_IMAGE028
和
Figure DEST_PATH_IMAGE029
的夹角；
得到经过改进的综合特征向量，综合特征向量即为最终权重向量：
Figure DEST_PATH_IMAGE030
其中，
Figure DEST_PATH_IMAGE031
越大，则两个特征向量
Figure 941738DEST_PATH_IMAGE028
和
Figure 327720DEST_PATH_IMAGE029
之间的一致性越高。
2.根据权利要求1所述的一种多维审计监控综合评价方法，其特征是，在步骤b中，若权重评价次数为1次，则构建一个判断矩阵，然后通过该判断矩阵确定权重向量具体为：
首先，对
Figure DEST_PATH_IMAGE032
个评价指标进行打分，得到判断矩阵
Figure DEST_PATH_IMAGE033
为：
Figure DEST_PATH_IMAGE034
根据层次分析法的计算原理可以得到，
Figure DEST_PATH_IMAGE035
；
Figure DEST_PATH_IMAGE036
；
Figure DEST_PATH_IMAGE037
；
Figure DEST_PATH_IMAGE038
；
其次，求判断矩阵
Figure DEST_PATH_IMAGE039
每一列的和，并根据计算结果求得判断矩阵
Figure DEST_PATH_IMAGE040
的系数矩阵
Figure DEST_PATH_IMAGE041
：
Figure DEST_PATH_IMAGE042
其中，
Figure DEST_PATH_IMAGE043
最后，按照行对系数矩阵
Figure DEST_PATH_IMAGE044
求和得到归一化前的初始权重向量
Figure DEST_PATH_IMAGE045
如下：
Figure DEST_PATH_IMAGE046
其中，
Figure DEST_PATH_IMAGE047
;
Figure DEST_PATH_IMAGE048
；对初始权重向量
Figure DEST_PATH_IMAGE049
进行归一化，得到这
Figure DEST_PATH_IMAGE050
个指标的最终权重向量
Figure DEST_PATH_IMAGE051
如下：
Figure DEST_PATH_IMAGE052
其中，
Figure DEST_PATH_IMAGE053
。
3.根据权利要求1或2所述的一种多维审计监控综合评价方法，其特征是，还对最终权重向量进行一致性校验，若校验通过，则通过最终权重向量得出每个评价指标的权重值，若校验不通过，则对判断矩阵进行修正，直到最终权重向量通过一致性校验，一致性校验具体为：
首先，根据判断矩阵
Figure DEST_PATH_IMAGE054
和最终权重向量
Figure DEST_PATH_IMAGE055
计算过渡矩阵C，
Figure DEST_PATH_IMAGE056
；然后计算检验系数矩阵
Figure DEST_PATH_IMAGE057
，
Figure DEST_PATH_IMAGE058
，
Figure DEST_PATH_IMAGE059
；计算矩阵K的列平均值即为判断矩阵的最大特征根：
Figure DEST_PATH_IMAGE060
其次，计算一致性检验指标：
Figure DEST_PATH_IMAGE061
其中：
Figure DEST_PATH_IMAGE062
为判断矩阵的最大特征根；
再此，查找相应的平均随机一致性指标
Figure DEST_PATH_IMAGE063
；
最后计算一致性比例
Figure DEST_PATH_IMAGE064
：
Figure DEST_PATH_IMAGE065
当CR≤0.1时，则一致性校验通过；当CR>0.1时，则一致性校验不通过。
4.根据权利要求1所述的一种多维审计监控综合评价方法，其特征是，在步骤b中，若权重评价次数大于1次，则构建多个判断矩阵，对所有判断矩阵进行修正，然后通过修正的判断矩阵确定权重向量具体为：随机选取x个判断矩阵
Figure DEST_PATH_IMAGE066
，x小于判断矩阵的数值，在x个判断矩阵
Figure DEST_PATH_IMAGE067
中，设第
Figure DEST_PATH_IMAGE068
个判断矩阵为
Figure DEST_PATH_IMAGE069
，求取多个判断矩阵各元素的平均值
Figure DEST_PATH_IMAGE070
，计算判断矩阵
Figure DEST_PATH_IMAGE071
各元素的平均值
Figure DEST_PATH_IMAGE072
，判断
Figure 233358DEST_PATH_IMAGE014
偏离
Figure DEST_PATH_IMAGE073
是否超过预定阈值，若没有任何一个
Figure 300671DEST_PATH_IMAGE014
偏离
Figure DEST_PATH_IMAGE074
超过预定阈值，则构成修正判断矩阵，判断矩阵中的各元素值即为x个判断矩阵
Figure 52726DEST_PATH_IMAGE066
的平均值，若存在有
Figure 78451DEST_PATH_IMAGE014
偏离
Figure DEST_PATH_IMAGE075
超过预定阈值，则不构成修正判断矩阵；重复执行修正判断矩阵步骤，直到构成修正判断矩阵的数量超过设定的数量为止，然后将所有修正判断矩阵中的各元素的值计算平均值
Figure DEST_PATH_IMAGE076
，
Figure DEST_PATH_IMAGE077
对应的判断矩阵为最终判断矩阵，最终判断矩阵确定权重向量。
5.根据权利要求1所述的一种多维审计监控综合评价方法，其特征是，在步骤b中，若权重评价次数大于1次，则构建多个判断矩阵，对所有判断矩阵进行修正，然后通过修正的判断矩阵确定权重向量具体为：随机选取x个判断矩阵
Figure 955271DEST_PATH_IMAGE067
，x小于判断矩阵的数值，在x个判断矩阵
Figure DEST_PATH_IMAGE078
中，设第
Figure DEST_PATH_IMAGE079
个判断矩阵为
Figure DEST_PATH_IMAGE080
；在x个判断矩阵
Figure 761029DEST_PATH_IMAGE067
中，随机剔除若干个元素构成判断矩阵
Figure DEST_PATH_IMAGE081
，y<m，计算判断矩阵
Figure 102011DEST_PATH_IMAGE081
各元素的平均值
Figure DEST_PATH_IMAGE082
，判断
Figure DEST_PATH_IMAGE083
偏离
Figure DEST_PATH_IMAGE084
是否超过预定阈值，若没有任何一个
Figure 705162DEST_PATH_IMAGE014
偏离
Figure DEST_PATH_IMAGE085
超过预定阈值，则构成修正判断矩阵，判断矩阵中的各元素值即为x个判断矩阵
Figure DEST_PATH_IMAGE086
的平均值，若存在有
Figure DEST_PATH_IMAGE087
偏离
Figure DEST_PATH_IMAGE088
超过预定阈值，则不构建修正判断矩阵；重复执行修正判断矩阵步骤，直到构成修正判断矩阵的数量超过设定的数量为止，然后将所有修正判断矩阵中的各元素的值写入最终判断矩阵中，若元素有重复则计算重复元素的平均值后将平均值写入最终判断矩阵中，最终判断矩阵确定权重向量。
6.根据权利要求5所述的一种多维审计监控综合评价方法，其特征是，若最终判断矩阵中包含的评价指标数量小于
Figure DEST_PATH_IMAGE089
，则寻找最终判断矩阵再次执行修正判断矩阵步骤，其中判断矩阵
Figure DEST_PATH_IMAGE090
包含的元素值包含最终判断矩阵和判断矩阵
Figure DEST_PATH_IMAGE091
对比后缺失的元素。
CN202110170900.0A 2021-02-08 2021-02-08 一种多维审计监控综合评价方法 Active CN112508465B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110170900.0A CN112508465B (zh) 2021-02-08 2021-02-08 一种多维审计监控综合评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110170900.0A CN112508465B (zh) 2021-02-08 2021-02-08 一种多维审计监控综合评价方法

Publications (2)

Publication Number Publication Date
CN112508465A CN112508465A (zh) 2021-03-16
CN112508465B true CN112508465B (zh) 2021-04-27

Family

ID=74953035

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110170900.0A Active CN112508465B (zh) 2021-02-08 2021-02-08 一种多维审计监控综合评价方法

Country Status (1)

Country Link
CN (1) CN112508465B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113723860B (zh) * 2021-09-09 2023-05-12 四川省自然资源科学研究院 一种土地资源资产离任审计评价方法、装置及存储介质
CN117252487B (zh) * 2023-11-15 2024-02-02 国网浙江省电力有限公司金华供电公司 一种基于终端验证的多粒度加权分析方法及装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101465546B (zh) * 2009-01-08 2011-04-13 上海交通大学 电能质量综合评估系统
CN103745415A (zh) * 2014-01-03 2014-04-23 深圳供电局有限公司 基于层次分析的电网运行状态指标的评估方法及系统
CN105069297A (zh) * 2015-08-11 2015-11-18 广西南宁碧湾园林工程有限公司 基于层次分析法的茶花品种的综合评价方法
CN105160496A (zh) * 2015-10-19 2015-12-16 苏州港能信息技术有限公司 一种企业电力能效综合评估方法
CN109063976A (zh) * 2018-07-12 2018-12-21 李振轩 基于模糊层次分析法的智能制造能力成熟度评价方法
CN111489091A (zh) * 2020-04-14 2020-08-04 广东电网有限责任公司广州供电局 一种电力系统恢复力综合评价方法

Also Published As

Publication number Publication date
CN112508465A (zh) 2021-03-16

Similar Documents

Publication Publication Date Title
CN102930482B (zh) 一种县域配电网投资效果评估方法
CN112508465B (zh) 一种多维审计监控综合评价方法
CN111695718A (zh) 一种考虑投资需求与规划目标的电网发展辅助决策方法
CN112016755A (zh) 输变电工程施工图通用设计造价标准化技术模块构建方法
CN106530139A (zh) 电网投资分析模型指标参数计算方法
CN112488565A (zh) 一种基于物元可拓的海外工程项目风险评价方法
CN110826935A (zh) 一种基于机器学习的中长期电力市场风险评估方法
CN113256324A (zh) 数据资产定价方法、装置、计算机设备和存储介质
CN115660170A (zh) 多维指标权重协同优化的数据资产管理成效差异化评估方法和系统
CN114298538A (zh) 电网零购项目的投资方案评估方法、系统及存储介质
CN112818525A (zh) 一种水电机组状态评价方法及其系统
CN113627753A (zh) 一种电力市场市场力的综合评价方法
CN112884572A (zh) 一种信用风险下的多微网交易优化方法及系统
CN112785060A (zh) 一种配电网精益化运维水平优化方法
CN115905319B (zh) 一种海量用户电费异常的自动识别方法及系统
KR20010104205A (ko) 권리의 유통가치 평가방법 및 이에 이용하는 장치
CN115577996A (zh) 一种电网停电计划的风险评估方法、系统、设备和介质
CN110599059A (zh) 一种面向增量配电网用户的售电决策方法及系统
CN112766726A (zh) 一种电网作业标准成本调整系数的制定方法
CN113592362A (zh) 一种城市电网抗灾变能力评估方法及相关装置
CN114204554A (zh) 一种用于智能电网系统使用的调控运行安全性评价方法
CN112990703A (zh) 国际工程市场匹配度评价方法、电子设备及存储介质
CN112818544A (zh) 计及终端差异化可靠性需求的配电网可靠性评估方法
Xing et al. Research on the credit evaluation model of electricity selling company based on GA-SVM
Hu et al. Evaluation on Arrear Electricity Charges Based on Multi-attribute Group Decision Making Considering User Payment and Abnormal Electricity Consumption

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant