CN115660170A - 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 - Google Patents

Abstract

本发明公开了一种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，方法包括：从基础管理、执行效率和资产绩效三个层面，构建资产管理成效评价指标体系；根据n个数据资产评价对象的指标数据，计算资产管理成效评价指标体系中各指标的基本权重；考虑资产管理的发展阶段差异性、地域差异性和评估指标的动态特性，从指标、空间、时间三个维度，对资产管理成效评价指标体系中第l层指标的基本权重进行差异化修正；使用差异化修正后的权重，对n个数据资产评价对象进行评价，得到各评价对象的成效管理评价值。本发明对电网数据资产管理进行差异化评估，可以提高资产管理成效评估的有效性。

Description

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

技术领域

本发明属于资产管理的数据处理技术领域，尤其涉及一种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。

背景技术

长期以来，国内外许多专家学者对资产管理成效评估进行了大量的研究，提出了许多有效的方法。例如，基于模糊判断的评估方法，但它存在过隶属度函数存在单一主观性等缺点，在一定程度上限制了评估的精确度；基于灰色模型的灰色关联分析法，但该方法在数据离散程度越大时，难以反映各效益指标的真实情况。除此以外，常用的资产管理成效评估方法还有专家打分法、数据包络分析法，理想点法等。由于选择不同的评价模型对评估结果都将产生较大影响，单一模型的稳健性不足，对不同场景下新进入的数据有时不能很好地适应，不能在复杂多变的情况下保持良好的评价性能。

现有对指标进行赋值和赋权后采用线性加权理论进行求解的综合评估模型，存在以下缺陷：第一，指标赋值对于大部分评估来说采用的是单值法，即单个指标结果只有一种，但指标的实际取值往往是有区间的，在合理区间范围内的指标评估结果应该受赋值方法的影响更小才是合理的；第二，设计权重时往往没有考虑不同对象的差异，例如地域差异和经济差异，采用同一套指标权重就显得不合理。对于指标赋值的问题，没有考虑历史指标变动情况，未能设定出指标变动期望系数，难以确定指标合理范围；其次对于赋权模型，在常规指标权重设计的框架下，难以将地域差异和经济差异对指标要求的不同融合到赋权模型中，无法设计出不同评估对象所适用的权重集合。

发明内容

本发明提供一种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，通过分析不同区域在电网发展阶段和资产管理基础的差异，对电网数据资产管理进行差异化评估，提高资产管理成效评估的有效性。

为实现上述技术目的，本发明采用如下技术方案：

一种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，包括：

步骤1，从基础管理、执行效率和资产绩效三个层面，构建资产管理成效评价指标体系，

步骤2，根据n个数据资产评价对象的指标数据，计算资产管理成效评价指标体系中各指标的基本权重；

步骤3，考虑资产管理的发展阶段差异性、地域差异性和评估指标的动态特性，从指标、空间、时间三个维度，对资产管理成效评价指标体系中第l层指标的基本权重进行差异化修正；

步骤4，使用差异化修正后的权重，对n个数据资产评价对象进行评价，得到各评价对象的成效管理评价值。

进一步的，构建的资产管理成效评价指标体系，第一级指标为资产管理成效，第二级指标包括基础管理、执行效率和资产绩效；

第三级指标中，基础管理从组织体系、制度管理、信息系统和风险控制四个方面展分别选取指标，执行效率从设备使用层、系统运行层和资产运营层三个方面分别选取指标，资产绩效从安全、效能和成本三个方面选取指标；

第四级指标中：

组织体系选取指标为职能覆盖率，制度管理选取指标包括管理要素覆盖率和作业文件支撑率，信息系统选取指标包括PMS数据抽检合格率、帐卡物一致率和ERP数据抽检合格率，风险控制选择指标为风险管控水平；

设备使用层选取指标包括：主网设备停电计划评估得分、设备危急严重缺陷及时消除率、设备停运率、在运设备备用率、退出资产再利用率和退役可再利用设备闲置时间；系统运行层选取指标包括：非计算停运占比、配电自动化覆盖率、用户平均停电次数、用户平均停电时间、输变电系统可用系数和综合计划执行偏差率；资产运营层选取指标包括：电能占终端能源消费比例、可再生能源占比、故障停运平均恢复时间和转资及时率；

资产绩效从安全方面选取的指标包括：人身安全事件次数、员工失时工伤频率、严重与异常状态设备占比、容载比、N-1通过率；资产绩效从效能方面选取的指标包括：客户满意度、净资产收益率、单位资产售电量、单位电网投资增售电量、供电可靠率、电压合格率；资产绩效从成本方面选取的指标包括：单位电量输配电成本、综合线损率、单位电网资产运维检修成本、单位电网资产更新改造成本、在役设备平均寿命、退役资产平均寿命和非计划停电损失。

进一步的，采用层次分析法计算资产管理成效评价指标体系中各指标的主观权重，采用熵权法计算资产管理成效评价指标体系中各指标的客观权重，融合主观权重和客观权重得到综合权重，并将各指标的综合权重作为其基本权重。

进一步的，在采用层次分析法和熵权法分别计算主观权重和客观权重时，先对各评价对象的指标数据进行标准化处理，而后再用于计算主观权重和客观权重；其中标准处理包括：

将各指标划分为正向指标、逆向指标或适度指标，指标值越大越好的为正向指标，指标越小越好的为逆向指标，越接近某一临界值越好的为适度指标；

对于各正向指标和逆向指标的数据，均进行归一化处理；

对于各适度指标的数据，先计算相对于临界值的差值以将适度指标转换为逆向指标，然后再按逆向指标对差值进行归一化处理。

进一步的，步骤3对基本权重进行差异化修正的方法为：

步骤3.1，仅选择资产管理成效评价指标体系中第二层指标进行差异化修正；

步骤3.2，确定指标维对时间维的映射矩阵：

(1)对资产管理的每个发展阶段，均对第二层指标进行两两指标的重要程度对比，得到判断矩阵；

(2)对资产管理每个发展阶段的判断矩阵，计算其中各行所有元素之积的根值，并对所有行所得值进行归一化处理，将归一化所得值作为该行对应指标在当前发展阶段的重要程度；

(3)将所有指标在每个发展阶段的重要程度构建得到指标维对时间维的映射矩阵β_m×t，其中m和t分别是第二层指标的个数和资产发展阶段的个数；

步骤3.3，确定时间维对空间维的映射矩阵：

根据每个地区处于每个发展阶段的概率构建得到时间维对空间维的映射矩阵θ_t×n，其中n表示评价地区的数量，且每个地区对应一个数据资产评价对象；

步骤3.4，综合指标维对时间维的映射矩阵β_m×t和时间维对空间维的映射矩阵θ_t×n，得到差异化修正映射矩阵

步骤3.5，使用差异化修正映射矩阵

对第二层指标进行修正，得到第二层指标未标准化之前的修正权重矩阵

其中γ_m×m是由第二层m个指标的基本权重构成的对角矩阵；

步骤3.6，对权重矩阵μ_m×n中同一地区的m个指标进行归一化处理，得到最终n个数据资产评价对象各自第二层m个指标的差异化修正后的权重。

进一步的，步骤4对n个数据资产评价对象进行评价的方法为：

步骤4.1，设指标值已知或计算已得知的指标层为已知层，待计算指标值的指标层为待计算层，第j个数据资产评价对象在已知层上的第i个指标的指标值为P_ij；对待计算层的各指标，均根据其包括的下层指标值和权重，按步骤4.2至步骤4.5进行指标值计算；最终得到顶层指标成效管理评价值；

步骤4.2，考虑各指标的权重将各指标值进行加权规范，得到加权规范化矩阵V_m×n＝(v_ij)_m×n＝(μ_ijP_ij)_m×n，v_ij为第j个数据资产评价对象第i个指标的加权规范值；

步骤4.3，定义正理想方案V⁺和负理解方案V^-：

式中，

表示正理想方案V⁺中的m个指标值，

表示负理解方案V^-中的m个指标值，I₁表示已知层指标中的效益性指标集合，I₂表示已知层指标中的成本性指标集合；

步骤4.4，计算每个数据资产评价对象到正理想方案V⁺的距离和负理解方案V^-的距离：

式中，

分别表示第j个数据资产评价对象到正理想方案V⁺的距离和负理解方案V^-的距离；

步骤4.5，计算每个数据资产评价对象到理想方案的贴近度e_j，记为当前计算指标的指标值：

进一步的，还包括步骤5，进一步根据所有评价对象的成效管理评价值，倒推各评价对象中存在问题的基本指标：重新将最底层指标均记为基本指标，其余层指标均记为属性；按从上至下的顺序，通过步骤5.2至步骤5.4查找各层需要深入分析的属性；然后按步骤5.5至步骤5.7，根据倒数第二层需要深入分析的属性推导各评价对象中存在问题的基本指标，具体包括：

步骤5.1，对同属于当前分析属性的下层m个属性，根据n个评价对象的该m个属性值建立评价值矩阵E_m×n＝(e_ij)_m×n，e_ij为第j个评价对象的第i个属性值；

步骤5.2，对m个属性中的每个属性，均从n个评价对象的属性值中选择最优属性值

然后计算每个评价对象基于该属性相对于最优属性值的基本偏差率，并构建偏差率矩阵：

式中，ε_ij为第j个评价对象基于第i个属性相对于最优属性值的基本偏差率，ε为偏差率矩阵；

步骤5.3，根据各属性权重μ_ij和基本偏差率ε_ij，计算各评价对象的各属性对上层当前分析属性的偏差贡献和属性偏差率；

η_ij＝ε_ij·μ_ij

式中，η_ij和λ_ij分别为第j个数据资产评价对象第i个属性的偏差贡献和属性偏差率；

步骤5.4，对每个评价对象j的当前分析属性，均根据m个属性偏差率确定其中最大值

对应的属性h_j，将该属性确定为评价对象j的问题属性；其中：

步骤5.5，对各评价对象j的在倒数第二层的问题属性h_j，将该评价对象j与最优评价对象基于问题属性进行偏差分析，计算其下一层各基本指标偏差率v_lj：

式中，v_lj表示评价对象j的第l个基本指标的偏差率，y_lj表示评价对象j的第l个基本指标的指标值，y_lk表示最优评价对象的第l个基本指标的指标值，L表示问题属性h_j包括的基本指标个数；

步骤5.6，对各评价对象j，结合问题属性的下层L个基本指标的基本权重γ_ij和基本指标偏差v_lj，计算各基本指标的偏差贡献率θ_lj：

步骤5.7，取偏差贡献率最大的基本指标，即为造成该评价对象与最优评价对象间差异的主要因素。

一种多维指标权重协同优化的数据资产管理成效差异化评估系统，包括存储器及处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器实现上述任一项技术方案所述的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。

有益效果

本发明通过研究适应不同区域特点、电网发展阶段、资产管理基础下的资产管理成效评估技术，分析不同区域在电网发展阶段和资产管理基础的差异，以差异化研究作为评估技术模型的理论基础，从而构建一套考虑不同区域特点、电网发展阶段和资产管理基础的资产管理成效差异化评估方法和系统，提高资产管理成效评估的有效性。

附图说明

图1是本发明实施例中的基础管理维指标体系；

图2是本发明实施例中的执行效率维指标体系；

图3是本发明实施例中的资产绩效维指标体系；

图4是本发明实施例中基于差异化分析的权重设计模型；

图5是本发明实施例中的差异化权重设计示意图。

具体实施方式

下面对本发明的实施例作详细说明，本实施例以本发明的技术方案为依据开展，给出了详细的实施方式和具体的操作过程，对本发明的技术方案作进一步解释说明。

本实施例提供一种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，包括以下步骤：

步骤1，从基础管理、执行效率和资产绩效三个层面，构建资产管理成效评价指标体系。

研究企业的资产管理成效价值对大型企业来说都是十分重要的，首先需要对资产管理成效的评估根源和关键，即“企业价值驱动因素”。分析价值驱动因素有利于企业从全局角度出发，整体考虑资产管理各关键因素，从而衡量各因素对资产管理成效的驱动作用，确保企业资产管理成效处于持续增长的状态。

根据VBM理论，结合指标选取原则和指标分层原则，考虑资产管理成效价值驱动因素，从基础管理、执行效率和资产绩效三个层面构建资产管理成效评估指标体系。

(1)基础管理

基础管理是对资产管理的基础工作的评价，反映电网投资基础、数据基础、职能基础、业务基础等，根据价值驱动因素，基础管理可从组织体系、制度管理、信息系统和风险控制四个维度进行展开。

基础管理维按照指标属性细分后的指标体系如图1所示。

(2)执行效率

项目执行效率反映电网资产在各阶段投资的资产管理执行情况，根据执行效率的价值驱动，执行效率可以从设备使用层、系统运行层和资产运营层分别选取指标。

执行效率维按照指标属性细分后的指标体系如图2所示。

(3)资产绩效

资产绩效反映电网资产在投资回收方面的效率，根据资产绩效的价值驱动，可以从安全、效能和成本三个方面选取关键指标。

资产绩效维按照属性细分后的指标体系如图3所示。

步骤2，根据n个数据资产评价对象的指标数据，计算资产管理成效评价指标体系中各指标的基本权重。

本实施例中，采用层次分析法计算资产管理成效评价指标体系中各指标的主观权重，采用熵权法计算资产管理成效评价指标体系中各指标的客观权重，融合主观权重和客观权重得到综合权重，并将各指标的综合权重作为其基本权重。

在采用层次分析法和熵权法分别计算主观权重和客观权重时，先对各评价对象的指标数据进行标准化处理，而后再用于计算主观权重和客观权重。

(1)标准化处理

由于电网发展及生产经营评价指标数据类型更复杂，不同指标还存在目标不统一的问题，需要对其进行标准化计算，

1)正向指标

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x^min(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x^max(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：

2)逆向指标

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x^max(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x^min。

指标标准化公式为：

3)适度指标

对于适度指标(指标越接近某一临界值越好，如资产负债率等)，首先根据各指标的实际历史数据确定上下限x^max、x^min，然后在未来可预见一段时间内，确定一个期望达到的适度值x^mid。

对于适度指标，首先按照公式

x'＝|x-x^mid|

将指标转化为逆向指标，然后按逆向指标处理。

(2)主观权重设计

层次分析法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。其步骤如下：

(2.1)建立层次结构模型

在深入分析实际问题的基础上，将影响资产质量的各相关因素分解成若干等级，同一级上的诸因素从属于上一级的因素或对上级因素有影响，同时又支配下一级的因素或受下级因素的作用。这里的层次结构模型对应的是各属性管理的评价指标体系，因而不再单独建立层次结构模型。

(2.2)构造判断矩阵

从层次结构模型的第2级开始，对于从属于(或影响)上一级每个因素的同级诸因素，用两两比较法构造判断矩阵，直到最后一级。两两比较法的轻重程度用表1标度表示：

表1重要性程度定义

假定在对智能电网某一个单属性管理进行赋权计算，该属性二级指标下设个三级指标，以此为例进行各指标赋权计算。收集不同领域专家对指标间重要程度的评分情况，并以各评分均值作为最后的评分结果，即得到判断矩阵如下：

式中，a_ij表示i因素对比j因素所得到的评分结果均值。

(2.3)计算权向量并做一致性检验

对于每一个判断矩阵计算最大特征根及其对应的特征向量，并利用一致性指标、随机一致性指标和一致性比例做一致性检验。若检验通过，特征向量(归一化)即为权向量；若不通过，则应考虑重新构造判断矩阵。特征向量的近似值通常采用求和法或求根法求得。

一致性检验的步骤如下：

①计算一致性检验指标

式中，λ_max表示判断矩阵的最大特征根。

②查找相应的平均随机一致性指标RI

表2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：

表2 RI值分布

N	1	2	3	4	5	6	7	8	9
										RI	0	0	0.52	0.89	1.12	1.24	1.36	1.41	1.45

②计算一致性比例CR

CR＝CI/RI (3)

当CR<0.1时，认为判断矩阵的一致性是可以接受的；当CR>0.1时，应对判断矩阵作适当修正。

本章采用求和法进行特征向量及特征值的计算，具体过程如下：

首先：对各列数据求和，

得到和值向量B_j＝[b₁,b₂,...,b_m]。

然后：计算归一化向量C_ij，其中

可得：

最后：计算指标的主观权重，计算公式如下：

(3)客观观权重设计

对于客观赋权方法的选择，需要考虑不同智能电网属性管理指标体系的特征以及不同赋权方法的特性，采用相适应的客观赋权方法。对于智能电网坚强性管理指标体系的客观赋权模型，本文采用的是熵权法。

熵权法的优点在于完全从数据本身的离散程度来定义其数据的价值和权重，相对客观。熵权法的计算步骤如下：

(3.1)：收集指标原始数据，并进行标准化处理，处理过程参见评价指标的预处理。由此得到标准化指标向量Y_ij

式中，y_ij表示第j地区i指标的标准化值。

(3.2)：计算指标的不确定度H(y_i)，公式如下所示：

式中，

(3.3)：计算指标的信息熵e(y_i)，公式如下所示：

式中，0≤e(y_i)≤1。

(3.4)：计算指标的客观权重ξ_i，公式如下所示：

式中，0≤ξ_i≤1，

(4)综合权重

“组合评价法”就是通过各种方法的组合，可以达到取长补短的效果。对单一评价方法的组合，可针对单一评价法的权数进行组合，也可对单一评价法的评价排序结果进行组合。或者说，可将组合评价方法分为“权重系数的组合”与“评价结果的组合”。组合赋权的方法普遍采用线性加权组合法，计算公式为：

γ_i＝αω_i+(1-α)ξ_i (10)

式中，ω_i表示主观权重向量，∑ω_i＝1；μ_i表示客观权重向量，∑ξ_i＝1；θ_i表示组合权重向量，∑γ_i＝1；α表示主观赋权方法的重要程度，0≤α≤1。

步骤3，考虑资产管理的发展阶段差异性、地域差异性和评估指标的动态特性，从指标、空间、时间三个维度，对资产管理成效评价指标体系中第l层指标的基本权重进行差异化修正。

对于差异化权重的设计，基于基本权重的设计，考虑资产管理的发展阶段差异性、地域差异性和评估指标的动态特性，构建差异化权重模型。借鉴霍尔三维模型的思想，构建基于差异化分析的权重设计模型，三个维度分别为：指标维度、空间维度、时间维度。指标维度对应指标属性为二级指标，包括基础管理、执行效率和资产绩效；空间维度对应各评价对象所处地区；时间维度对应不同发展阶段。

考虑不同地域特点导致的资产管理水平的差异，在对资产管理成效进行差异化评价时考虑该差异性，可以得到各指标维度在空间维度的映射矩阵；然后考虑不同发展阶段的资产管理水平的差异，得到空间维度在时间维度的映射矩阵，最后结合各目标的基本权重，得到考虑时间、空间差异性的评价权重。

考虑到不同区域间的差异，以及不同发展阶段的差异，同时为了提高评价的合理性和科学性，需要对综合权重进行修正，结合各类地区的特征与特性，得到适用于各评价对象的修正权重。参考图4、5所示，具体操作步骤如下：

(1)确定指标维对时间维的映射

根据资产管理不同发展阶段的要求差异，计算不同发展阶段下各指标的重要程度，从而得到指标维对时间维的映射矩阵。

考虑到三级指标太多，不同发展阶段的资产管理要求可以从二级指标反映，这里采用二级指标权重调整。二级指标包括：基础管理、执行效率和资产绩效。针对这三项指标在不同发展阶段的重要程度不同，进行互相对比，得到二级指标间的判断矩阵，比较规则如下：

以α_ij表示指标i与指标j比较值，当i＝j时，α_ij＝1。属性间比较规则如表3：

表3重要程度对比规则

对比关系	同样重要	略微重要	较为重要	非常重要	绝对重要
						α<sub>ij</sub>取值	1	2	3	4	5

根据对称性，

得到判断矩阵如：

计算各行之积的根值μ_i，即

对得到的各行根值进行归一化处理，即可得到不同指标对各发展阶段的重要程度。即

由此可以得到指标维对时间维的映射矩阵，如下所示。

(2)确定时间维对空间维的映射

在得到指标维对时间维的映射矩阵后，还需要考虑不同地区所处的资产管理发展阶段不同，构建地区对发展阶段的映射矩阵。这里通过对比分析，确定各地区处于各发展阶段的概率。以某地区为例，通过分析，该地区处于三个发展阶段概率为θ₁:θ₂:θ₃，则时间维到空间维的映射矩阵＝[θ₁ θ₂ θ₃]^T。由此可以得到各地区的概率情况，进而得到时间维对空间维的映射矩阵，如下所示。

(3)计算差异化修正权重

在组合权重的基础上，结合两次映射矩阵，得到差异化修正权重结果。

结合组合权重结果，将3项二级指标权重转化为对角矩阵，对这个标准矩阵进行修正，得到差异化修正权重矩阵，如下所示。

在此基础上，对同一地区的二级指标权重进行归一化处理，得到最终的修正权重结果，如下所示。

其中，

表示第j地区二级指标i的最终权重结果。

步骤4，使用差异化修正后的权重，对n个数据资产评价对象进行评价，得到各评价对象的成效管理评价值。

(1)根据评价指标的相应数据信息，赋予每个评价指标具体的指标值，然后列出初始矩阵，即原始数据矩阵M：

(2)按照前述方法对指标数据进行标准化处理，得到标准化后的决策矩阵(P_ij)_m×n。

(3)用熵权-AHP组合方法确定权重ω_j。具体权重设计参考本节权重设计部分模型。

(4)确定指标加权评价值矩阵。由于各评价指标的重要性不同，所有应考虑各指标的权重，将规范化数据加权构成加权规范化矩阵。

V＝(ω_jP_ij)_m×n (19)

(5)定义正理想方案V⁺和负理想方案V^-

式中，I₁表示效益性指标的集合，I₂表示成本性指标的集合。

(6)计算欧式距离

令方案j(j＝1,2,...,n)到正理想方案的距离为

到负理想方案的距离为

则

(7)计算相对贴近度

方案j(j＝1,2,...,n)到理想方案的贴近度为：

应用上式计算每个方案的TOPSIS评价值，并根据评价值对评价对象进行排序选优。

步骤5，根据所有评价对象的成效管理评价值，倒推各评价对象中存在问题的基本指标。

痕迹追踪分析模型是对多属性组合评价模型的结果进行反向分析，通过评价结果来倒推存在问题的属性和具体基本指标。通过重新将最底层指标均记为基本指标，其余层指标均记为属性；按从上至下的顺序，通过步骤5.2至步骤5.4查找各层需要深入分析的属性；然后按步骤5.5至步骤5.7，根据倒数第二层需要深入分析的属性推导各评价对象中存在问题的基本指标，具体包括：

步骤5.1，对同属于当前分析属性的下层m个属性，根据n个评价对象的该m个属性值建立评价值矩阵E_m×n＝(e_ij)_m×n，e_ij为第j个评价对象的第i个属性值；

步骤5.2，对m个属性中的每个属性，均从n个评价对象的属性值中选择最优属性值

然后计算每个评价对象基于该属性相对于最优属性值的基本偏差率，并构建偏差率矩阵：

式中，ε_ij为第j个评价对象基于第i个属性相对于最优属性值的基本偏差率，ε为偏差率矩阵；

步骤5.3，根据各属性权重μ_ij和基本偏差率ε_ij，计算各评价对象的各属性对上层当前分析属性的偏差贡献和属性偏差率；

η_ij＝ε_ij·μ_ij (29)

式中，η_ij和λ_ij分别为第j个数据资产评价对象第i个属性的偏差贡献和属性偏差率；

步骤5.4，对每个评价对象j的当前分析属性，均根据m个属性偏差率确定其中最大值

对应的属性h_j，将该属性确定为评价对象j的问题属性；其中：

步骤5.5，对各评价对象j的在倒数第二层的问题属性h_j，将该评价对象j与最优评价对象基于问题属性进行偏差分析，计算其下一层各基本指标偏差率v_lj：

式中，v_lj表示评价对象j的第l个基本指标的偏差率，y_lj表示评价对象j的第l个基本指标的指标值，y_lk表示最优评价对象的第l个基本指标的指标值，L表示问题属性h_j包括的基本指标个数；

步骤5.6，对各评价对象j，结合问题属性的下层L个基本指标的基本权重γ_ij和基本指标偏差v_lj，计算各基本指标的偏差贡献率θ_lj：

步骤5.7，根据各个基本指标的偏差贡献率，对指标进行排序，偏差率最大的指标是造成该评价对象与最优评价对象间差异的主要因素，以此类推，分析导致各评价对象与最优评价对象差异原因，并进行相关解释。

以上实施例为本申请的优选实施例，本领域的普通技术人员还可以在此基础上进行各种变换或改进，在不脱离本申请总的构思的前提下，这些变换或改进都应当属于本申请要求保护的范围之内。

Claims (8)

1.一种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，其特征在于，包括：

步骤1，从基础管理、执行效率和资产绩效三个层面，构建资产管理成效评价指标体系；

步骤2，根据n个数据资产评价对象的指标数据，计算资产管理成效评价指标体系中各指标的基本权重；

步骤3，考虑资产管理的发展阶段差异性、地域差异性和评估指标的动态特性，从指标、空间、时间三个维度，对资产管理成效评价指标体系中第l层指标的基本权重进行差异化修正；

步骤4，使用差异化修正后的权重，对n个数据资产评价对象进行评价，得到各评价对象的成效管理评价值。

2.根据权利要求1所述的方法，其特征在于，构建的资产管理成效评价指标体系，第一级指标为资产管理成效，第二级指标包括基础管理、执行效率和资产绩效；

第三级指标中，基础管理从组织体系、制度管理、信息系统和风险控制四个方面展分别选取指标，执行效率从设备使用层、系统运行层和资产运营层三个方面分别选取指标，资产绩效从安全、效能和成本三个方面选取指标；

第四级指标中：

组织体系选取指标为职能覆盖率，制度管理选取指标包括管理要素覆盖率和作业文件支撑率，信息系统选取指标包括PMS数据抽检合格率、帐卡物一致率和ERP数据抽检合格率，风险控制选择指标为风险管控水平；

设备使用层选取指标包括：主网设备停电计划评估得分、设备危急严重缺陷及时消除率、设备停运率、在运设备备用率、退出资产再利用率和退役可再利用设备闲置时间；系统运行层选取指标包括：非计算停运占比、配电自动化覆盖率、用户平均停电次数、用户平均停电时间、输变电系统可用系数和综合计划执行偏差率；资产运营层选取指标包括：电能占终端能源消费比例、可再生能源占比、故障停运平均恢复时间和转资及时率；

资产绩效从安全方面选取的指标包括：人身安全事件次数、员工失时工伤频率、严重与异常状态设备占比、容载比、N-1通过率；资产绩效从效能方面选取的指标包括：客户满意度、净资产收益率、单位资产售电量、单位电网投资增售电量、供电可靠率、电压合格率；资产绩效从成本方面选取的指标包括：单位电量输配电成本、综合线损率、单位电网资产运维检修成本、单位电网资产更新改造成本、在役设备平均寿命、退役资产平均寿命和非计划停电损失。

3.根据权利要求1所述的方法，其特征在于，采用层次分析法计算资产管理成效评价指标体系中各指标的主观权重，采用熵权法计算资产管理成效评价指标体系中各指标的客观权重，融合主观权重和客观权重得到综合权重，并将各指标的综合权重作为其基本权重。

4.根据权利要求3所述的方法，其特征在于，在采用层次分析法和熵权法分别计算主观权重和客观权重时，先对各评价对象的指标数据进行标准化处理，而后再用于计算主观权重和客观权重；其中标准处理包括：

将各指标划分为正向指标、逆向指标或适度指标，指标值越大越好的为正向指标，指标越小越好的为逆向指标，越接近某一临界值越好的为适度指标；

对于各正向指标和逆向指标的数据，均进行归一化处理；

对于各适度指标的数据，先计算相对于临界值的差值以将适度指标转换为逆向指标，然后再按逆向指标对差值进行归一化处理。

5.根据权利要求1所述的方法，其特征在于，步骤3对基本权重进行差异化修正的方法为：

步骤3.1，仅选择资产管理成效评价指标体系中第二层指标进行差异化修正；

步骤3.2，确定指标维对时间维的映射矩阵：

(1)对资产管理的每个发展阶段，均对第二层指标进行两两指标的重要程度对比，得到判断矩阵；

(2)对资产管理每个发展阶段的判断矩阵，计算其中各行所有元素之积的根值，并对所有行所得值进行归一化处理，将归一化所得值作为该行对应指标在当前发展阶段的重要程度；

(3)将所有指标在每个发展阶段的重要程度构建得到指标维对时间维的映射矩阵β_m×t，其中m和t分别是第二层指标的个数和资产发展阶段的个数；

步骤3.3，确定时间维对空间维的映射矩阵：

根据每个地区处于每个发展阶段的概率构建得到时间维对空间维的映射矩阵θ_t×n，其中n表示评价地区的数量，且每个地区对应一个数据资产评价对象；

步骤3.4，综合指标维对时间维的映射矩阵β_m×t和时间维对空间维的映射矩阵θ_t×n，得到差异化修正映射矩阵

步骤3.5，使用差异化修正映射矩阵

对第二层指标进行修正，得到第二层指标未标准化之前的修正权重矩阵

其中γ_m×m是由第二层m个指标的基本权重构成的对角矩阵；

步骤3.6，对权重矩阵μ_m×n中同一地区的m个指标进行归一化处理，得到最终n个数据资产评价对象各自第二层m个指标的差异化修正后的权重。

6.根据权利要求1所述的方法，其特征在于，步骤4对n个数据资产评价对象进行评价的方法为：

步骤4.1，设指标值已知或计算已得知的指标层为已知层，待计算指标值的指标层为待计算层，第j个数据资产评价对象在已知层上的第i个指标的指标值为P_ij；对待计算层的各指标，均根据其包括的下层指标值和权重，按步骤4.2至步骤4.5进行指标值计算；最终得到顶层指标成效管理评价值；

步骤4.2，考虑各指标的权重将各指标值进行加权规范，得到加权规范化矩阵V_m×n＝(v_ij)_m×n＝(μ_ijP_ij)_m×n，v_ij为第j个数据资产评价对象第i个指标的加权规范值；

步骤4.3，定义正理想方案V⁺和负理解方案V^-：

式中，

表示正理想方案V⁺中的m个指标值，

表示负理解方案V^-中的m个指标值，I₁表示已知层指标中的效益性指标集合，I₂表示已知层指标中的成本性指标集合；

步骤4.4，计算每个数据资产评价对象到正理想方案V⁺的距离和负理解方案V^-的距离：

式中，

分别表示第j个数据资产评价对象到正理想方案V⁺的距离和负理解方案V^-的距离；

步骤4.5，计算每个数据资产评价对象到理想方案的贴近度e_j，记为当前计算指标的指标值：

7.根据权利要求6所述的方法，其特征在于，还包括步骤5，进一步根据所有评价对象的成效管理评价值，倒推各评价对象中存在问题的基本指标：重新将最底层指标均记为基本指标，其余层指标均记为属性；按从上至下的顺序，通过步骤5.2至步骤5.4查找各层需要深入分析的属性；然后按步骤5.5至步骤5.7，根据倒数第二层需要深入分析的属性推导各评价对象中存在问题的基本指标，具体包括：

步骤5.1，对同属于当前分析属性的下层m个属性，根据n个评价对象的该m个属性值建立评价值矩阵E_m×n＝(e_ij)_m×n，e_ij为第j个评价对象的第i个属性值；

步骤5.2，对m个属性中的每个属性，均从n个评价对象的属性值中选择最优属性值

然后计算每个评价对象基于该属性相对于最优属性值的基本偏差率，并构建偏差率矩阵：

式中，ε_ij为第j个评价对象基于第i个属性相对于最优属性值的基本偏差率，ε为偏差率矩阵；

步骤5.3，根据各属性权重μ_ij和基本偏差率ε_ij，计算各评价对象的各属性对上层当前分析属性的偏差贡献和属性偏差率；

η_ij＝ε_ij·μ_ij

式中，η_ij和λ_ij分别为第j个数据资产评价对象第i个属性的偏差贡献和属性偏差率；

步骤5.4，对每个评价对象j的当前分析属性，均根据m个属性偏差率确定其中最大值

对应的属性h_j，将该属性确定为评价对象j的问题属性；其中：

步骤5.5，对各评价对象j的在倒数第二层的问题属性h_j，将该评价对象j与最优评价对象基于问题属性进行偏差分析，计算其下一层各基本指标偏差率v_lj：

式中，v_lj表示评价对象j的第l个基本指标的偏差率，y_lj表示评价对象j的第l个基本指标的指标值，y_lk表示最优评价对象的第l个基本指标的指标值，L表示问题属性h_j包括的基本指标个数；

步骤5.6，对各评价对象j，结合问题属性的下层L个基本指标的基本权重γ_ij和基本指标偏差v_lj，计算各基本指标的偏差贡献率θ_lj：

步骤5.7，取偏差贡献率最大的基本指标，即为造成该评价对象与最优评价对象间差异的主要因素。

8.一种多维指标权重协同优化的数据资产管理成效差异化评估系统，包括存储器及处理器，所述存储器中存储有计算机程序，其特征在于，所述计算机程序被所述处理器执行时，使得所述处理器实现如权利要求1～7中任一项所述的方法。

Images