CN113837578B - 一种电力监理企业网格化监督管理评价方法 - Google Patents

Abstract

本发明公开了一种电力监理企业网格化监督管理评价方法，包括：获取员工素质及工作信息；构建网格化监督指标；整合监督指标矩阵；确定监督指标初始权重；运用层次分析法计算监督指标权重；监督指标权重层次一致性检验；确定监督指标正向化矩阵；确定监督指标标准化矩阵；确定最优和最劣监督状态；计算监督对象监督状态距离；计算监督对象与最优监督状态贴近程度；TOPSIS法监督状态排序；采集随机森林样本数据集；提取随机森林训练集和测试集；架构随机森林初始化模型；确定随机森林特征选取方法；随机森林训练获取监督指标特征重要性；计算随机森林训练期望值；随机森林监督状态分析排序；对监督指标分析。本发明达到了客观、公正、综合地反映员工受监督状态的目的。

Description

一种电力监理企业网格化监督管理评价方法

技术领域

本发明涉及电力监理企业监督管理评价方法，尤其涉及一种电力监理企业网格化监督管理评价方法。

背景技术

为了推进电网企业的发展，提升各基层单位风险防控的能力，推动公司各部门切实履行风险防控主体责任，提升公司整体廉洁风险防控意识、能力和成效，必须加强对电网企业员工监督的管理工作，提高电网企业运行管理效率和各级员工的整体素质。

网格化管理作为现代管理方法的新举措，形成了一种主动发现问题和解决问题的新模式，实现了管理手段数字化。目前，电网企业所依托的监督体系多为分职位、无耦合的独立监督体系，其各监督目标受到独立评判，缺乏明显的相关度、因果性、轻重度考量，这将导致对电网各级员工监督的片面性，无法整体全面的展现电网员工的受监督状态，同时也难以对其进行风险防控分析。

TOPSIS法作为一种组内综合评价方法，通过对样本数据的信息进行特殊处理，从而让其计算结果表现出各评价方案的差距。层次分析法作为一种主观权重决策分析法，既独立作为监督管理和评价分析的决策方法，也辅助TOPSIS法综合评价法，以达到将复杂评价问题进行定性与定量相结合。因此，如何通过具体的方法来降低层次分析法的权重计算的主观性，以及提出一种客观、公正、综合地反映员工受监督状态的网格化监督方法成为了一个亟待解决的技术难题。

发明内容

发明目的：本发明的目的是提供一种电力监理企业网格化监督管理评价方法，即通过基于TOPSIS法与随机森林算法对电网企业各级员工网格化监督，从而达到了客观、公正、综合地反映员工受监督状态的目的。

技术方案：本发明电力监理企业网格化监督管理评价方法包括以下步骤：

(1)获取电网员工个人素质信息及工作表现数据信息，并对所获信息进行数据归纳和指标划分；

(2)根据数据信息构建网格化监督指标体系；

(3)整合网格化监督指标矩阵X；

(4)确定网格化监督指标初始权重W；

(5)运用层次分析法计算监督指标权重；

(6)监督指标权重层次一致性检验；

(7)确定监督指标正向化矩阵；

(8)确定监督指标标准化矩阵；

(9)确定最优监督状态和最劣监督状态；

(10)计算监督对象监督状态距离；

(11)计算监督对象与最优监督状态的贴近程度；

(12)TOPSIS法监督状态分析排序；

(13)采集随机森林样本数据集；

(14)提取随机森林训练集和测试集；

(15)架构随机森林初始化模型；

(16)确定随机森林特征选取方法；

(17)随机森林训练获取监督指标特征重要性；

(18)计算随机森林训练期望值；

(19)随机森林监督状态分析排序；

(20)依据TOPSIS综合法和随机森林算法对监督指标进行综合分析。

步骤1中，通过电网内部管理平台及数字平台系统，按需获取电网企业员工个人素质信息及工作表现数据信息，并对所获信息进行数据归纳和指标划分，分出两个一级指标，分别是员工个人职业素养和员工工作表现监督指标。其中，员工个人职业素养包括个人综合信息、风险防控学习情况；工作表现指标包括工程监理、考勤监督、职业道德监督、部门职能监督。

步骤2中的监督指标体系共分为三层级。员工个人职业素养和员工工作表现监督指标为最高级指标。其中，员工个人职业素养包括个人综合信息、风险防控学习情况。个人综合信息包括职称、个人工作年限、个人承载力分析、个人奖惩情况；风险防控学习情况包括安全学习考勤率、安全考试成绩。工作表现指标包括工程监理、考勤监督、职业道德监督、部门职能监督。工程监理包括物资审查合格率、审计合格率；考勤监督包括考勤打卡率、修补假申请率、工程台账提交率、每日风险填报率、监理日记完成率；职业道德监督包括到岗定位失败率、工程进度贻误次数、台账失实次数、违章次数、设计变更次数；安全监察部部门职能监督包括组织开展安全监督次数、安全生产目标完成率、安全生产培训宣传参与度。

步骤3中，监督指标集采用第三级指标集进行整合。以电网企业某工程监理项目同一部门n名工作人员为例，将每名员工对应的第三级指标进行有序标号，即首名员工的职称标号为X₁₁，个人工作年限标号为X₁₂，依次标号，考虑到各部门职能监督各有不同，其监督指标数将产生相应浮动，因此将首名员工末尾指标的标号为X_1m。因此同一部门监督指标集表示如下：

X_n＝{X_n1，X_n2，X_n3，X_n4，X_n5，X_n6……,X_nm} (1)

式中n指的是该部门第n名员工的指标集，m为该部门员工监督指标总数，#代表双重求和。

则该部门总体监督指标集表示如下：

式中，n指的是该部门员工总数，m为该部门员工监督指标总数。

步骤4中，提取三级监督指标集带入模型构建，此时设置该指标集初始权重如下：

W＝{w₁，w₂，w₃，w₄，w₅，w₆……,w_m} (3)

式中m为该部门员工监督指标总数。各指标的权重值根据实际模型设计计算方案确定初始值。

步骤5中，利用层级分析法对初始权重进行二次计算，以提高模型的准确性。以电网企业内部赏罚标准及管理条例为决策基础，同时调研以获取电网企业管理决策层对指标的整体认可度判断，采用九分制指标对监督指标进行重要性两两对比，确定层次中诸指标的相对重要性。判断表格表示如下：

其中，a_ij为决策者两两比较所得标度，根据i指标相对于j指标的重要性分类为(1)i指标与j指标同样重要，a_ij＝1；(2)i指标比j指标稍微重要，a_ij＝3；(3)i指标比j指标明显重要，a_ij＝5；(4)i指标比j指标强烈重要，a_ij＝7；(5)i指标比j指标极端重要，a_ij＝9；(6)需要折中时采用2468中间值标度。

同时a_ij满足(1)a_ij>0；(2)a_ii＝1。

得到判断矩阵Ai_j如下：

对于判断矩阵A，采用方根法计算特征方程得到最大特征根和特征向量，特征方程为：

AW＝λ_maxW (5)

式中，λ_max最大特征根，W为计算得到的特征向量，该向量即为层级分析法计算过后的监督指标权重，对其进行归一化处理，将其作为监督指标的权重向量。

步骤6中，由于判断矩阵易受主观因素影响，为了避免误差较大，对判断矩阵A进行一致性检验，一致性检验公式为：

式中，C.I.为一致性检验指标，R.I.为平均随机一致性指标，根据相关准则查表得到。当C.R.<0.1时，接受判断矩阵的一致性，否则对判断矩阵进行调整。

步骤7中，由于所选用的网格化监督指标复杂多样、尺度繁多，且实际工程监理问题情况繁复，在进行综合评价时将产生两类问题：(1)监督指标方向不同：如个人工作年限指标表现随数值递增而递增(极大)，而工程进度贻误次数指标则随数值递增而递减(极小)。(2)监督指标尺度不同：工程监理及电网企业内部管理数据往往尺度繁多，如考勤打卡率、修补假申请率、工程台账提交率、每日风险填报率皆为百分制指标，而安全考试成绩、违章次数则为不同范围的正实数指标。因此，通过TOPSIS法使用距离尺度来度量样本差距，首先对所选用的监督指标进行正向化处理，处理过程如下：

对于极大型效益型指标进行变换处理：

对于极小成本型指标进行变换处理：

式中，y_ij为把指标正向化处理过后的形式，max(X_j)为样本数据中X_j最大值，min(X_j)为样本数据中X_j最小值，整合即得到正向监督指标矩阵：

其中的极大效益指标中，数字越大，评价效果越好；极小成本型指标中的数字越小评价效果越好。

步骤8中，使用TOPSIS法时要消除不同指标量纲的影响，因此构造加权规范矩阵，监督指标进行向量规范化得到Z_ij，采用范数规范法，公式如下：

得到归一化处理的标准化监督指标矩阵：

结合层次分析法所得标准化权重向量，计算得到综合监督指标决策矩阵D：

步骤9中，得到综合监督指标决策矩阵D后，确定监督对象的正理想解和负理想解，即员工n在网格化监督指标下所达到的最佳表现和最差表现：

正理想解由D中每列元素的最大值构成：

D⁺＝(max{w₁z₁₁，w₁z₂₁,…,w₁z_n1},max{w₂z₁₂，w₂z₂₂,…,w₂z_n2},max{w₃z₁₃，w₃z₂₃,…,w₃z_n3},……max{w_mz_1m，w_mz_2m,…,w_mz_nm}) (13)

负理想解由D中每列元素的最小值构成：

D^-＝(min{w₁z₁₁，w₁z₂₁,…,w₁z_n1},min{w₂z₁₂，w₂z₂₂,…,w₂z_n2},min{w₃z₁₃，w₃z₂₃,…,w₃z_n3},……min{w_mz_1m，w_mz_2m,…,w_mz_nm}) (14)

步骤10中，定义第n名员工监督表现与正理想状态的差距为：

代表第j列Z_ij的最大值；

定义第n名员工监督表现与负理想状态的差距为：

代表第j列Z_ij的最小值；

步骤11中，计算各监督对象与最优方案的贴近程度B_i,计算公式如下

步骤12中，通过对TOPSIS综合法计算所得各监督对象与最优方案的贴近程度B_i进行排序分析，得到TOPSIS法下该部门员工网格化监督表现排名的顺序集合。

步骤13中，采集随机森林算法所需要的训练集，对数据进行预处理，由于TOPSIS模型已经对原始监督指标进行了标准化处理，所以此处原始样本采用正向归一化的监督指标值：

此处得到的是未标记数据集，将采用国家电网员工个人信誉审核表对个样本进行样本标记，存在防控风险记为-1，不存在防控风险记为1，得到如下样本集合S：

S＝{(Z₁，Y₁),(Z₂，Y₂)，(Z₃，Y₃)，……,(Z_n，Y_n)} (19)

式中，Z_n为第n名员工样本，为包含各监督指标的向量；Y_n为样本标记值。

步骤14中，由于随机森林采取的是抽样放回Bootstrap采样法，因此，对样本集合Z进行n次抽样放回，即形成一个样本数据采样集，由于每个样本采集到的概率由公式(20)计算如下：

剩下的样本将作为测试集；

步骤15中，初始化随机森林模型，设置CART树个数为n个，不限制CART树的最大深度；决策树采用分支节点逐渐递归分支的方式，决策树种每个节点的右侧，即因子数值更大的方向都会趋向于分类到标记值为1，左侧则会趋向分类到标记值为-1，保证每种监督指标的数值与训练结果的关联性符合目标预期。

步骤16中，随机森林算法在构造决策树时，对特征重要度进行评估，即根据标记值对监督指标进行特征选择。本模型采用Gini指数作为特征选择方法，Gini指数的计算公式为：

式中，k表示标记值类别，本模型中类别为2，P_mk表示监督指标X_j在节点m的重要性类别k所占的比例。

监督指标X_j在节点m的重要性为节点m分枝前后的Gini系数变化量，其计算公式为：

VIM^(Gini) _jm＝GI_m-GI_l-GI_r (22)

式中，GI_l表示分枝前节点的基尼系数，GI_r表示分枝后节点的基尼系数。考虑出现在决策树中存在监督指标X_j的节点，将其整合为集合M,即为特征X_j在当前决策树的重要性,而该随机森林模型中共有n棵决策树，则监督指标X_j的Gini系数评分为：

最后，将所有Gini系数评分进行归一化处理，即为监督指标重要性评分

步骤17中，经随机森林模型训练得到特征重要性评估结果ρ

ρ＝{ρ₁，ρ₂，ρ₃，ρ₄，ρ₅，ρ₆……,ρ_m} (25)

步骤18中，选取标准化监督指标值(18)，将随机森林训练所得的重要性指标权重进行加权计算,得到随机森林模型训练期望C：

步骤19中，对随机森林模型训练期望C_i进行排序处理。得到随机森林算法下该部门员工网格化监督表现排名的顺序集合。

步骤20中，将TOPSIS综合评价法与随机森林算法得出的监督结果取平均值后，得到监督指标总体评价数值和监督表现综合排序作为最终的监督结果。

工作原理：本发明将多目标决策分析中常用的TOPSIS综合法、层次权重决策分析方法层次分析法和高度灵活的集成学习方法随机森林算法应用于电网企业员工网格化监督方法的监督标准及流程中，以客观反映员工监督状态。

TOPSIS法通过对样本数据的信息进行特殊处理，从而让其计算结果表现出各评价方案的差距。层次分析法既可以独立作为监督管理和评价分析的决策方法，也可以辅助TOPSIS法等综合评价法，以此达到将复杂评价问题进行定性与定量相结合。

本发明采用的改进后的TOPSIS综合法结合了层次分析法进行了模型优化，其基本原理是通过TOPSIS综合法对选定的监督指标连续进行正向化、归一化处理，从而进行无量纲化分析；使用层次分析法结合主观意见和客观指标数据确定监督指标的权重，与TOPSIS法的标准化监督指标矩阵结合形成综合监督指标决策矩阵。

本发明中采用的随机森林算法运用集成的理念，将多个不同的决策树进行组合，以解决单一决策树出现的误差较大和过度拟合的问题。同时，随机森林算法具有黑盒模型的不确定性，易产生失衡的数字规律。随机森林算法的核心思想是将多个不同的决策树进行组合，利用这种组合以解决单一决策树可能出现的误差较大和过度拟合的问题。本发明利用标准化监督指标进行二元化标记，通过机器学习算法拟合监督指标特征重要性，得到客观权重指标。

有益效果：与现有技术相比，本发明具有以下优点：本发明以TOPSIS综合法和随机森林算法为基础，科学地确定了电网企业网格化监督方法标准及流程，达到了客观、公正、综合地反映员工受监督状态的目的。

附图说明

图1为本发明基于TOPSIS综合法和随机森林算法的电力监理企业网格化监督流程图；

图2为网格化监督指标整体架构图；

图3为随机森林算法计算监督指标特征重要性流程图。

具体实施方式

如图1所示，本发明电力监理企业网格化监督管理评价方法，包括以下步骤：

(1)获取电网员工个人素质信息及工作表现数据信息。通过电网内部管理平台及数字平台系统按需获取电网企业员工个人素质信息及工作表现数据信息，并对所获信息进行数据归纳和指标划分，分出两个一级指标，分别是员工个人职业素养和员工工作表现监督指标。其中，员工个人职业素养包括个人综合信息、风险防控学习情况；工作表现指标包括工程监理、考勤监督、职业道德监督、部门职能监督；

(2)根据数据信息构建网格化监督指标。监督指标体系共分为三层级。员工个人职业素养和员工工作表现监督指标为最高级指标。其中，员工个人职业素养包括个人综合信息、风险防控学习情况。个人综合信息包括职称、个人工作年限、个人承载力分析、个人奖惩情况；风险防控学习情况包括安全学习考勤率、安全考试成绩。工作表现指标包括工程监理、考勤监督、职业道德监督、部门职能监督。工程监理包括物资审查合格率、审计合格率；考勤监督包括考勤打卡率、修补假申请率、工程台账提交率、每日风险填报率、监理日记完成率；职业道德监督包括到岗定位失败率、工程进度贻误次数、台账失实次数、违章次数、设计变更次数；以安全监察部为例，部门职能监督包括组织开展安全监督次数、安全生产目标完成率、安全生产培训宣传参与度。

(3)整合网格化监督指标矩阵。监督指标集采用第三级指标集进行整合。以电网企业某工程监理项目同一部门n名工作人员为例，将每名员工对应的第三级指标进行有序标号，即首名员工的职称标号为X₁₁，个人工作年限标号为X₁₂，依次标号，考虑到各部门职能监督各有不同，其监督指标数将产生相应浮动，因此将首名员工末尾指标的标号为X_1m。因此同一部门监督指标集表示如下：

X_n＝{X_n1，X_n2，X_n3，X_n4，X_n5，X_n6……,X_nm} (1)

式中n指的是该部门第n名员工的指标集，m为该部门员工监督指标总数，#代表双重求和。

则该部门总体监督指标集表示如下：

式中n指的是该部门员工总数，m为该部门员工监督指标总数。

(4)确定网格化监督指标初始权重。提取三级监督指标集带入模型构建，此时设置该指标集初始权重如下：

W＝{w₁，w₂，w₃，w₄，w₅，w₆……,w_m} (3)

式中m为该部门员工监督指标总数。各指标的权重值根据实际模型设计计算方案确定初始值。

(5)运用层次分析法计算监督指标权重。利用层次分析法对初始权重进行二次计算，以提高模型的准确性。以电网企业内部赏罚标准及管理条例为决策基础，同时调研以获取电网企业管理决策层对指标的整体认可度判断，采用九分制指标对监督指标进行重要性两两对比，确定层次中诸指标的相对重要性。判断表格表示如下：

其中，a_ij为决策者两两比较所得标度，根据i指标相对于j指标的重要性分类为(1)i指标与j指标同样重要，a_ij＝1；(2)i指标比j指标稍微重要，a_ij＝3；(3)i指标比j指标明显重要，a_ij＝5；(4)i指标比j指标强烈重要，a_ij＝7；(5)i指标比j指标极端重要，a_ij＝9；(6)需要折中时采用2468中间值标度。

同时a_ij满足(1)a_ij>0；(2)a_ii＝1。

得到判断矩阵A_ij如下：

对于判断矩阵A，可用方根法计算特征方程得到最大特征根和特征向量，特征方程为：

AW＝λ_maxW (5)

式中，λ_max为最大特征根，W为计算得到的特征向量，该向量即为层级分析法计算过后的监督指标权重，对其进行归一化处理，将其作为监督指标的权重向量。

(6)进行监督指标权重层次一致性检验。由于判断矩阵易受主观因素影响，为了避免误差较大，对判断矩阵A进行一致性检验，

一致性检验公式为：

式中，C.I.为一致性检验指标，R.I.为平均随机一致性指标，可根据相关准则查表得到。当C.R.<0.1时，接受判断矩阵的一致性，否则对判断矩阵进行调整。

(7)由于所选用的网格化监督指标复杂多样、尺度繁多，且实际工程监理问题情况繁复，在进行综合评价时容易产生两类问题：(1)监督指标方向不同：如个人工作年限指标表现随数值递增而递增，而工程进度贻误次数指标则随数值递增而递减。(2)监督指标尺度不同：工程监理及电网企业内部管理数据往往尺度繁多，如考勤打卡率、修补假申请率、工程台账提交率、每日风险填报率皆为百分制指标，而安全考试成绩、违章次数等则为不同范围的正实数指标。因此，通过TOPSIS法使用距离尺度来度量样本差距，首先需要对所选用的监督指标进行正向化处理。处理过程如下：

对于极大型效益型指标进行变换处理：

对于极小型成本型指标进行变换处理：

式中，y_ij为把指标正向化处理过后的形式，max(X_j)为样本数据中X_j最大值，min(X_j)为样本数据中X_j最小值，整合得到正向监督指标矩阵：

(8)确定监督指标标准化矩阵。使用TOPSIS法要消除不同指标量纲的影响，因此构造加权规范矩阵，监督指标进行向量规范化得到Z_ij，采用范数规范法，公式如下：

得到归一化处理的标准化监督指标矩阵：

结合层次分析法所得标准化权重向量，计算得到综合监督指标决策矩阵D：

(9)确定最优监督状态和最劣监督状态。得到综合监督指标决策矩阵D后，确定监督对象的正理想解和负理想解，即员工n在网格化监督指标下所能达到的最佳表现和最差表现：

正理想解由D中每列元素的最大值构成：

D⁺＝(max{w₁z₁₁，w₁z₂₁,…,w₁z_n1},max{w₂z₁₂，w₂z₂₂,…,w₂z_n2},max{w₃z₁₃，w₃z₂₃,…,w₃z_n3},……max{w_mz_1m，w_mz_2m,…,w_mz_nm}) (13)

负理想解由D中每列元素的最小值构成：

D^-＝(min{w₁z₁₁，w₁z₂₁,…,w₁z_n1},min{w₂z₁₂，w₂z₂₂,…,w₂z_n2},min{w₃z₁₃，w₃z₂₃,…,w₃z_n3},……min{w_mz_1m，w_mz_2m,…,w_mz_nm}) (14)

(10)计算监督对象监督状态距离。定义第n名员工监督表现与正理想状态的差距为：

代表第j列Z_ij的最大值；

定义第n名员工监督表现与负理想状态的差距为：

代表第j列Z_ij的最小值；

(11)计算监督对象与最优监督状态的贴近程度，即计算各监督对象与最优方案的贴近程度B_i,计算公式如下

(12)TOPSIS法监督状态分析排序。通过对TOPSIS综合法计算所得各监督对象与最优方案的贴近程度B_i进行排序分析，得到TOPSIS法下该部门员工网格化监督表现排名的顺序集合。

(13)采集随机森林样本数据集。采集随机森林算法所需要的训练集，对数据进行预处理，由于TOPSIS模型已经对原始监督指标进行了标准化处理，所以此处原始样本采用正向归一化的监督指标值：

此处得到的是未标记数据集，将采用国家电网员工个人信誉审核表对个样本进行样本标记，存在防控风险记为-1，不存在防控风险记为1，得到如下样本集合S：

S＝{(Z₁，Y₁),(Z₂，Y₂)，(Z₃，Y₃)，……,(Z_n，Y_n)} (19)

式中，Z_n为第n名员工样本，为包含各监督指标的向量；Y_n为样本标记值。

(14)提取随机森林训练集和测试集。由于随机森林采取的是抽样放回Bootstrap采样法，因此，对样本集合Z进行n次抽样放回，即形成一个样本数据采样集，由于每个样本采集到的概率由公式(20)计算如下：

剩下的样本作为测试集；

(15)架构随机森林初始化模型。初始化随机森林模型，设置CART树个数为n个，不限制CART树的最大深度；决策树采用分支节点逐渐递归分支的方式，决策树种每个节点的右侧，即因子数值更大的方向都会趋向于分类到标记值为1，左侧则会趋向分类到标记值为-1，保证每种监督指标的数值与训练结果的关联性符合目标预期。

(16)确定随机森林特征选取方法。随机森林算法在构造决策树时，需要对特征重要度进行评估，即根据标记值对监督指标进行特征选择。本模型采用Gini指数作为特征选择方法，Gini指数的计算公式为：

式中，k表示标记值类别，本模型中类别为2，P_mk表示监督指标X_j在节点m的重要性类别k所占的比例。

监督指标X_j在节点m的重要性为节点m分枝前后的Gini系数变化量，其计算公式为：

VIM^(Gini) _jm＝GI_m-GI_l-GI_r(22)

式中，GI_l表示分枝前节点的基尼系数，GI_r表示分枝后节点的基尼系数。考虑出现在决策树中存在监督指标X_j的节点，将其整合为集合M,即为特征X_j在当前决策树的重要性,而该随机森林模型中共有n棵决策树，则监督指标X_j的Gini系数评分为：

最后，将所有Gini系数评分进行归一化处理，即为监督指标重要性评分

(17)随机森林训练获取监督指标特征重要性。经随机森林模型训练得到特征重要性评估结果

ρ＝{ρ₁，ρ₂，ρ₃，ρ₄，ρ₅，ρ₆……,ρ_m} (25)

(18)计算随机森林训练期望值。选取标准化监督指标值(18)，将随机森林训练所得的重要性指标权重进行加权计算,得到随机森林模型训练期望C：

(19)随机森林监督状态分析排序。对随机森林模型训练期望C_i进行排序处理。得到随机森林算法下该部门员工网格化监督表现排名的顺序集合。

(20)依据TOPSIS综合法和随机森林算法对监督指标进行综合分析。将TOPSIS综合评价法与随机森林算法得出的监督结果取平均值后，得到监督指标总体评价数值和监督表现综合排序作为最终的监督结果。

Claims (10)

1.一种电力监理企业网格化监督管理评价方法，其特征在于，包括以下步骤：

(1)获取电网员工个人职业素养及工作表现监督指标信息，并对所获信息进行数据归纳和指标划分；员工个人职业素养包括个人综合信息、风险防控学习情况；个人综合信息包括职称、个人工作年限、个人承载力分析、个人奖惩情况；风险防控学习情况包括安全学习考勤率、安全考试成绩；工作表现监督指标包括工程监理、考勤监督、职业道德监督、部门职能监督；工程监理包括物资审查合格率、审计合格率；考勤监督包括考勤打卡率、修补假申请率、工程台账提交率、每日风险填报率、监理日记完成率；职业道德监督包括到岗定位失败率、工程进度贻误次数、台账失实次数、违章次数、设计变更次数；安全监察部部门职能监督包括组织开展安全监督次数、安全生产目标完成率、安全生产培训宣传参与度；

(2)根据数据信息构建网格化监督指标体系；

(3)整合网格化监督指标矩阵X；

(4)确定网格化监督指标初始权重W；

(5)运用层次分析法计算监督指标权重；

(6)进行监督指标权重层次一致性检验；一致性检验公式为：

式中，C.I.为一致性检验指标，R.I.为平均随机一致性指标；

(7)确定监督指标正向化矩阵；

(8)确定监督指标标准化矩阵；

(9)确定最优监督状态和最劣监督状态；

(10)计算监督对象监督状态距离；

(11)计算监督对象与最优监督状态的贴近程度；

(12)TOPSIS法监督状态分析排序；

(13)采集随机森林样本数据集；

(14)提取随机森林训练集和测试集；具体为，对样本集合Z进行n次抽样放回，即形成一个样本数据采样集，每个样本采集到的概率由公式(20)计算如下：

剩下的样本作为测试集；

(15)架构随机森林初始化模型；

(16)确定随机森林特征选取方法；

(17)随机森林训练获取监督指标特征重要性；

(18)计算随机森林训练期望值；

(19)随机森林监督状态分析排序；

(20)依据TOPSIS综合法和随机森林算法对监督指标进行综合分析。

2.根据权利要求1所述的电力监理企业网格化监督管理评价方法，其特征在于：步骤(7)中，通过TOPSIS法使用距离尺度来度量样本差距，首先对所选用的监督指标进行正向化处理，处理过程如下：

对于极大效益型指标进行变换处理：

对于极小成本型指标进行变换处理：

式中，y_ij指把指标正向化处理过后的形式，max(X_j)为样本数据中X_j最大值，min(X_j)为样本数据中X_j最小值，整合得到正向监督指标矩阵：

3.根据权利要求1所述的电力监理企业网格化监督管理评价方法，其特征在于：步骤(8)中，构造加权规范矩阵，监督指标进行向量规范化得到Z_ij，采用范数规范法，公式如下：

得到归一化处理的标准化监督指标矩阵：

结合层次分析法所得标准化权重向量，计算得到综合监督指标决策矩阵D：

4.根据权利要求3所述的电力监理企业网格化监督管理评价方法，其特征在于：步骤(9)中，得到综合监督指标决策矩阵D后，确定监督对象的正理想解和负理想解，即员工n在网格化监督指标下所达到的最佳表现和最差表现：

正理想解由D中每列元素的最大值构成：

D⁺＝(max{w₁z₁₁，w₁z₂₁，…，w₁z_n1}，max{w₂z₁₂，w₂z₂₂，…，w₂z_n2}，max{w₃z₁₃，w₃z₂₃，…，w₃z_n3}，......max{w_mz_1m，w_mz_2m，...，w_mz_nm}) (13)

负理想解由D中每列元素的最小值构成：

5.根据权利要求1所述的电力监理企业网格化监督管理评价方法，其特征在于：步骤(10)中，定义第n名员工监督表现与正理想状态的差距为：

其中，代表第j列Z_ij的最大值；

定义第n名员工监督表现与负理想状态的差距为：

其中，代表第j列Z_ij的最小值。

6.根据权利要求5所述的电力监理企业网格化监督管理评价方法，其特征在于：步骤(11)中，计算各监督对象与最优方案的贴近程度B_i，计算公式如下：

7.根据权利要求1所述的电力监理企业网格化监督管理评价方法，其特征在于：步骤(13)中，采集随机森林算法的训练集时，原始样本采用正向归一化的监督指标值：

此处得到的是未标记数据集，采用个人信誉审核表对个样本进行样本标记，得到如下样本集合S：

S＝{(Z₁，Y₁)，(Z₂，Y₂)，(Z₃，Y₃)，......，(Z_n，Y_n)} (19)

式中，Z_n为第n名员工样本，为包含各监督指标的向量，Y_n为样本标记值。

8.根据权利要求1所述的电力监理企业网格化监督管理评价方法，其特征在于：步骤(16)中，随机森林算法在构造决策树时，需要对特征重要度进行评估，即根据标记值对监督指标进行特征选择；本模型采用Gini指数作为特征选择方法，Gini指数的计算公式为：

式中，k表示标记值类别，本模型中类别为2，P_mk表示监督指标X_j在节点m的重要性类别k所占的比例；

监督指标X_j在节点m的重要性为节点m分枝前后的Gini系数变化量，其计算公式为：

VIM^(Gini) _jm＝GI_m-GI_l-GI_r (22)

式中GI_l和GI_r分别表示分枝前后节点的基尼系数；考虑出现在决策树中存在监督指标X_j的节点，将其整合为集合M，即为特征X_j在当前决策树的重要性，而该随机森林模型中共有n棵决策树，则监督指标X_j的Gini系数评分为：

最后，将所有Gini系数评分进行归一化处理，即为监督指标重要性评分

9.根据权利要求1所述的电力监理企业网格化监督管理评价方法，其特征在于：步骤(17)中，经随机森林模型训练得到特征重要性评估结果ρ

ρ＝{ρ₁，ρ₂，ρ₃，ρ₄，ρ₅，ρ₆……，ρ_m} (25)。

10.根据权利要求1所述的电力监理企业网格化监督管理评价方法，其特征在于：选取标准化监督指标值(18)，将随机森林训练所得的重要性指标权重进行加权计算，得到随机森林模型训练期望C：