CN115879801A - 一种用于电网供应商的企业经营异常预警方法及装置 - Google Patents

Abstract

一种用于电网供应商的企业经营异常预警方法及装置，该方法对企业经营异常预警模型中使用到的指标数据进行采集；将指标数据进行归一化处理划分为训练数据集和测试数据集；采用逻辑回归算法对训练数据集中的指标数据进行训练得到逻辑回归‑系数估计值；利用测试数据集分别计算逻辑回归‑系数估计值的第一损失值和随机森林‑系数估计值的第二损失值，比较第一损失值和第二损失值的大小，取较小值作为指标特征系数的最优解；利用评分卡模型和获得的指标特征系数的最优解，对供应商的企业经营指标特征进行评分输出，根据评分找出经营异常预警的客户清单。本申请实现对电网供应商企业经营状态进行预判，有利于在企业经营出现异常之前提供有效帮助。

Description

一种用于电网供应商的企业经营异常预警方法及装置

技术领域

本申请属于数据处理技术领域，具体涉及一种用于电网供应商的企业经营异常预警方法及装置。

背景技术

电网供应商质量的好坏直接影响电网系统投入使用后的稳定性及可靠性，故对电网供应商的企业经营异常进行预警是有必要的。

但是，现阶段，相关部门在获取企业经营信息时，多存在获取信息不客观、不准确、不及时等问题，而且也缺少对企业经营状态的预判，不利于有关部门在企业经营出现异常之前提供针对性的、有效性的帮助。

发明内容

有鉴于此，本申请的目的在于提出一种用于电网供应商的企业经营异常预警方法及装置，用以解决或部分解决上述技术问题。

基于上述目的，本申请的第一方面提供了一种用于电网供应商的企业经营异常预警方法，包括：

构建企业经营异常预警指标体系，所述指标体系包括具有隶属关系的一级指标、二级指标和三级指标；对企业经营异常预警模型中使用到的指标数据进行采集；

将采集到的指标数据进行归一化处理，并将归一化处理后的指标数据划分为训练数据集和测试数据集；

采用逻辑回归算法对训练数据集中的指标数据进行训练得到逻辑回归-系数估计值，采用随机森林算法对训练数据集中的指标数据进行训练得到随机森林-系数估计值；

利用测试数据集分别计算逻辑回归-系数估计值的第一损失值和随机森林-系数估计值的第二损失值，比较所述第一损失值和所述第二损失值的大小，取较小值作为指标特征系数的最优解，完成适于电网企业供应商的企业经营异常预警模型构建；

利用评分卡模型和获得的指标特征系数的最优解，对供应商的企业经营指标特征进行评分输出，根据评分找出经营异常预警的客户清单。

作为用于电网供应商的企业经营异常预警方法优选方案，所述一级指标为企业经营异常预警，所述二级指标包括用电类指标、供应链类指标、工商及不良信息类指标；

所述用电类指标包括月度用电同比增长率和年度用电同比增长率；

所述供应链类指标包括季度合同金融增长率、年度合同金额增长率、物资种类同比增长率和最近半年中标数增长率；

所述工商及不良信息类指标包括近一年是否有欠税记录和近一年是否有行政处罚记录。

作为用于电网供应商的企业经营异常预警方法优选方案，将采集到的指标数据进行特征选择，特征选择过程利用信息价值IV判断给定单一指标变量在同一时期评分客户经过表现期后，所呈现的好坏客户占比的差异程度。

作为用于电网供应商的企业经营异常预警方法优选方案，采用逻辑回归算法对训练数据集中的指标数据进行训练过程：

创建一个“LogisticRegression”对象，基于“LogisticRegression”对象构建一个逻辑回归模型“logit_model”，使用“fit()”函数对训练集数据集进行拟合得到一组系数估计值作为逻辑回归-系数估计值。

作为用于电网供应商的企业经营异常预警方法优选方案，采用随机森林算法对训练数据集中的指标数据进行训练过程：

创建一个“RandomForestClassifier”对象，基于“RandomForestClassifier”对象构建一个随机森林模型“forest_model”，使用“fit()”函数对训练集数据集进行拟合后得到另外一组系数估计值作为随机森林-系数估计值。

本申请的第二方面提供了一种用于电网供应商的企业经营异常预警装置，采用第一方面或其任意可能实现方式的一种用于电网供应商的企业经营异常预警方法，包括：

指标体系构建模块，用于构建企业经营异常预警指标体系，所述指标体系包括具有隶属关系的一级指标、二级指标和三级指标；

指标数据采集模块，用于对企业经营异常预警模型中使用到的指标数据进行采集；

指标数据预处理模块，用于将采集到的指标数据进行归一化处理，并将归一化处理后的指标数据划分为训练数据集和测试数据集；

第一算法训练模块，用于采用逻辑回归算法对训练数据集中的指标数据进行训练得到逻辑回归-系数估计值；

第二算法训练模块，用于采用随机森林算法对训练数据集中的指标数据进行训练得到随机森林-系数估计值；

损失值处理模块，用于利用测试数据集分别计算逻辑回归-系数估计值的第一损失值和随机森林-系数估计值的第二损失值，比较所述第一损失值和所述第二损失值的大小，取较小值作为指标特征系数的最优解，完成适于电网企业供应商的企业经营异常预警模型构建；

评分预警模块，用于利用评分卡模型和获得的指标特征系数的最优解，对供应商的企业经营指标特征进行评分输出，根据评分找出经营异常预警的客户清单。

作为用于电网供应商的企业经营异常预警装置优选方案，所述指标体系构建模块中：所述一级指标为企业经营异常预警，所述二级指标包括用电类指标、供应链类指标、工商及不良信息类指标；

所述用电类指标包括月度用电同比增长率和年度用电同比增长率；

所述供应链类指标包括季度合同金融增长率、年度合同金额增长率、物资种类同比增长率和最近半年中标数增长率；

所述工商及不良信息类指标包括近一年是否有欠税记录和近一年是否有行政处罚记录。

作为用于电网供应商的企业经营异常预警装置优选方案，还包括指标数据特征选择模块，用于将采集到的指标数据进行特征选择，特征选择过程利用信息价值IV判断给定单一指标变量在同一时期评分客户经过表现期后，所呈现的好坏客户占比的差异程度。

作为用于电网供应商的企业经营异常预警装置优选方案，所述第一算法训练模块中：

创建一个“LogisticRegression”对象，基于“LogisticRegression”对象构建一个逻辑回归模型“logit_model”，使用“fit()”函数对训练集数据集进行拟合得到一组系数估计值作为逻辑回归-系数估计值。

作为用于电网供应商的企业经营异常预警装置优选方案，所述第二算法训练模块中：

创建一个“RandomForestClassifier”对象，基于“RandomForestClassifier”对象构建一个随机森林模型“forest_model”，使用“fit()”函数对训练集数据集进行拟合后得到另外一组系数估计值作为随机森林-系数估计值。

本申请的第三方面提出了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现第一方面或其任意可能实现方式的用于电网供应商的企业经营异常预警方法。

本申请的第四方面提出了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使计算机执行实现第一方面或其任意可能实现方式的用于电网供应商的企业经营异常预警方法。

从上面所述可以看出，本申请提供的技术方案通过构建企业经营异常预警指标体系，所述指标体系包括具有隶属关系的一级指标、二级指标和三级指标；对企业经营异常预警模型中使用到的指标数据进行采集；将采集到的指标数据进行归一化处理，并将归一化处理后的指标数据划分为训练数据集和测试数据集；采用逻辑回归算法对训练数据集中的指标数据进行训练得到逻辑回归-系数估计值，采用随机森林算法对训练数据集中的指标数据进行训练得到随机森林-系数估计值；利用测试数据集分别计算逻辑回归-系数估计值的第一损失值和随机森林-系数估计值的第二损失值，比较所述第一损失值和所述第二损失值的大小，取较小值作为指标特征系数的最优解，完成适于电网企业供应商的企业经营异常预警模型构建；利用评分卡模型和获得的指标特征系数的最优解，对供应商的企业经营指标特征进行评分输出，根据评分找出经营异常预警的客户清单。本申请能够实现对电网供应商企业经营状态进行预判，有利于相关部门在企业经营出现异常之前提供针对性的、有效性的帮助，从而确保电网供应商的正常供应及产品供应指令，间接提高电网系统的稳定性和可靠性。

附图说明

为了更清楚地说明本申请或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例的用于电网供应商的企业经营异常预警方法流程示意图；

图2为本申请实施例的用于电网供应商的企业经营异常预警装置架构图；

图3为本申请实施例的电子设备的结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本申请进一步详细说明。

需要说明的是，除非另外定义，本申请实施例使用的技术术语或者科学术语应当为本申请所属领域内具有一般技能的人士所理解的通常意义。本申请实施例中使用的“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。

目前，现有的企业经营异常预警多应用于金融领域，难以适用于电网企业供应商。

比如相关技术中公开的一种企业经营异常监测方法、装置、计算机设备、存储介质和计算机程序产品，通过获取目标企业的监测数据；获取训练后的企业经营异常监测模型；将监测数据输入企业经营异常监测模型中，获取输出结果；根据输出结果，确定目标企业经营状态，对电网企业供应商的信用评分场景无法使用。

又比如相关技术中公开的一种上市公司经营异常智能审查方法及装置，方法，提取待审查公司同领域所有上市公司的业务构成特征、收支比特征，结合业务构成特征和收支比特征构建组合特征；生成收支比期望特征，拟合预测组合期望特征；计算业务构成特征偏离度、收支比期望特征偏离度以及组合期望特征偏离度；基各偏离度计算待审查公司经营的异常值；设定经验阈值，异常值大于或等于经验阈值则标记审查公司经营异常。同样对电网企业供应商的信用评分场景无法使用。

有鉴于此，为了解决现有技术缺少对电网供应商企业经营状态的预判，不利于有关部门在电网供应商企业经营出现异常之前提供针对性的、有效性的帮助，本申请提供一种用于电网供应商的企业经营异常预警方法及装置。以下为本申请实施例的具体内容。

参见图1，本申请实施例提供一种用于电网供应商的企业经营异常预警方法，包括以下步骤：

S1、构建企业经营异常预警指标体系，所述指标体系包括具有隶属关系的一级指标、二级指标和三级指标；对企业经营异常预警模型中使用到的指标数据进行采集；

S2、将采集到的指标数据进行归一化处理，并将归一化处理后的指标数据划分为训练数据集和测试数据集；

S3、采用逻辑回归算法对训练数据集中的指标数据进行训练得到逻辑回归-系数估计值，采用随机森林算法对训练数据集中的指标数据进行训练得到随机森林-系数估计值；

S4、利用测试数据集分别计算逻辑回归-系数估计值的第一损失值和随机森林-系数估计值的第二损失值，比较所述第一损失值和所述第二损失值的大小，取较小值作为指标特征系数的最优解，完成适于电网企业供应商的企业经营异常预警模型构建；

S5、利用评分卡模型和获得的指标特征系数的最优解，对供应商的企业经营指标特征进行评分输出，根据评分找出经营异常预警的客户清单。

本实施例中，所述一级指标为企业经营异常预警，所述二级指标包括用电类指标、供应链类指标、工商及不良信息类指标；所述用电类指标包括月度用电同比增长率和年度用电同比增长率；所述供应链类指标包括季度合同金融增长率、年度合同金额增长率、物资种类同比增长率和最近半年中标数增长率；所述工商及不良信息类指标包括近一年是否有欠税记录和近一年是否有行政处罚记录。

具体的，电网供应商的企业经营异常预警指标体系构建共涉及3个二级指标和8个三级指标，其中，3个二级指标为用电类指标、供应链类指标、工商及不良信息类指标，8个三级指标为月度用电同比增长率、年度用电同比增长率、季度合同金融增长率、年度合同金额增长率、物资种类同比增长率、最近半年中标数增长率、近一年是否有欠税记录、近一年是否有行政处罚记录。参见表1为本实施例的指标体系具体的情况：

表1企业经营异常预警指标体系

其中，将采集到的指标数据进行线下的归一化预处理，归一化预处理的函数公式如下：

式中，x表示归一化处理前的指标数据，x′表示归一化处理后的指标数据。通过将有效数据的70％样本数据组成训练数据集，剩余的30％样本数据作为企业经营异常预警模型的测试数据集。

本实施例中，将采集到的指标数据进行特征选择，特征选择过程利用信息价值IV判断给定单一指标变量在同一时期评分客户经过表现期后，所呈现的好坏客户占比的差异程度。

具体的，特征选择使用的信息价值IV指标，是目前筛选变量最常用的指标之一，IV值可判断指定单一变量在同一时期评分客户经过一段表现期后，所呈现的好坏客户占比的差异程度，若此变量的好坏客户占比有明显差距，则代表此变量具有良好的区隔能力；自变量的IV值越大，表示自变量的预测能力越强：

其中，IV值常用判断标准如表2所示：

表2 IV值常用判断标准

IV的取值范围	预测能力
		<0.02	无效
0.02-0.10	弱预测力
		0.10-0.20	中预测力
>0.2	强预测力

本实施例中，逻辑回归算法是有监督学习中常用的一种模型算法，原理是拟合一个逻辑函数，再使用拟合的逻辑函数预测某事件发生的概率。由于逻辑回归模型解释性强，易于理解的特点，在信用评分的预测中使用广泛。

其中，采用逻辑回归算法对训练数据集中的指标数据进行训练过程：

创建一个“LogisticRegression”对象，基于“LogisticRegression”对象构建一个逻辑回归模型“logit_model”，使用“fit()”函数对训练集数据集进行拟合得到一组系数估计值作为逻辑回归-系数估计值。

本实施例中，随机森林算法是利用集成学习的思想集成多棵树的算法，决策树是随机森林算法的基本单元。随机森林算法是将多棵决策树构成森林，对于分类问题，每棵树都可以看作一个分类器，当在随机森林中输入一个样本时，有多少棵树就会有多少个分类结果，随机森林算法集成所有分类结果，最终输出所有分类结果中的众数。

其中，采用随机森林算法对训练数据集中的指标数据进行训练过程：

创建一个“RandomForestClassifier”对象，基于“RandomForestClassifier”对象构建一个随机森林模型“forest_model”，使用“fit()”函数对训练集数据集进行拟合后得到另外一组系数估计值作为随机森林-系数估计值。

具体的，根据逻辑回归-系数估计值和随机森林-系数估计值，基于测试数据集分别求出对应的第一损失值和第二损失值，然后比较第一损失值和第二损失值大小，取较小值作为对应特征系数的最优解，从而完成适用于电网企业供应商的企业经营异常预警模型构建。

其中，损失值是基于对应算法得到的变量系数，比如，将测试数据集中各指标的数值代入公式中：

企业经营评分＝0.23*月度用电同比增长率+0.36*年度用电同比增长率+0.76*季度合同金融增长率+0.25*年度合同金额增长率+0.43*物资种类同比增长率+0.19*最近半年中标数增长率+0.75*近一年是否有欠税记录+0.53*近一年是否有行政处罚记录，得到的结果若在(0.5，1)则是经营正常，否则异常。然后分别统计异常、正常的企业数，与测试数据集的中各企业实际情况相关比较，得出有出入的企业数量。

其中，通过初始化参数和超参数的取值范围，基于训练数据集进行企业经营异常预警模型训练。采用交叉验证方法，确定超参数的最优取值如表3所示：

表3采用交叉验证方法，确定超参数的最优取值

指标	系数
		月度用电同比增长率	0.23
年度用电同比增长率	0.36
		季度合同金融增长率	0.76
年度合同金额增长率	0.25
		物资种类同比增长率	0.43
近一年是否有行政处罚记录最近半年中标数增长率	0.19
		近一年是否有欠税记录	0.75
近一年是否有行政处罚记录	0.53

本实施例中，步骤S5中，依据企业经营异常预警模型获得并输出电网供应商的企业经营评分，其中，建立的评分卡模型如表4所示，计算出每个指标在不同的分数档下的得分，可查看各指标的单调性是否与业务一致，从而对训练出的企业经营异常预警模型有更清晰的认知。

其中，评分卡模型本身是常用模型，由于计算出的企业经营评分是个0到1之间的数值(概率值)，通过评分卡模型，可将该值转化为百分制数值，以便输出结果更具有可读性。

表4依据企业经营异常预警模型获得并输出电网供应商的评分卡模型

/>

综上所述，本申请通过构建企业经营异常预警指标体系，所述指标体系包括具有隶属关系的一级指标、二级指标和三级指标；对企业经营异常预警模型中使用到的指标数据进行采集；将采集到的指标数据进行归一化处理，并将归一化处理后的指标数据划分为训练数据集和测试数据集；采用逻辑回归算法对训练数据集中的指标数据进行训练得到逻辑回归-系数估计值，采用随机森林算法对训练数据集中的指标数据进行训练得到随机森林-系数估计值；利用测试数据集分别计算逻辑回归-系数估计值的第一损失值和随机森林-系数估计值的第二损失值，比较所述第一损失值和所述第二损失值的大小，取较小值作为指标特征系数的最优解，完成适于电网企业供应商的企业经营异常预警模型构建；利用评分卡模型和获得的指标特征系数的最优解，对供应商的企业经营指标特征进行评分输出，根据评分找出经营异常预警的客户清单。本申请能够实现对电网供应商企业经营状态进行预判，有利于相关部门在企业经营出现异常之前提供针对性的、有效性的帮助，从而确保电网供应商的正常供应及产品供应指令，间接提高电网系统的稳定性和可靠性。

需要说明的是，本申请实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本申请实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。

需要说明的是，上述对本申请的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

参见图2，基于同一发明构思，与上述任意实施例用于电网供应商的企业经营异常预警方法相对应的，本申请还提供了一种用于电网供应商的企业经营异常预警装置，包括：

指标体系构建模块1，用于构建企业经营异常预警指标体系，所述指标体系包括具有隶属关系的一级指标、二级指标和三级指标；

指标数据采集模块2，用于对企业经营异常预警模型中使用到的指标数据进行采集；

指标数据预处理模块3，用于将采集到的指标数据进行归一化处理，并将归一化处理后的指标数据划分为训练数据集和测试数据集；

第一算法训练模块4，用于采用逻辑回归算法对训练数据集中的指标数据进行训练得到逻辑回归-系数估计值；

第二算法训练模块5，用于采用随机森林算法对训练数据集中的指标数据进行训练得到随机森林-系数估计值；

损失值处理模块6，用于利用测试数据集分别计算逻辑回归-系数估计值的第一损失值和随机森林-系数估计值的第二损失值，比较所述第一损失值和所述第二损失值的大小，取较小值作为指标特征系数的最优解，完成适于电网企业供应商的企业经营异常预警模型构建；

评分预警模块7，用于利用评分卡模型和获得的指标特征系数的最优解，对供应商的企业经营指标特征进行评分输出，根据评分找出经营异常预警的客户清单。

本实施例中，所述指标体系构建模块1中：所述一级指标为企业经营异常预警，所述二级指标包括用电类指标、供应链类指标、工商及不良信息类指标；

所述用电类指标包括月度用电同比增长率和年度用电同比增长率；

所述供应链类指标包括季度合同金融增长率、年度合同金额增长率、物资种类同比增长率和最近半年中标数增长率；

所述工商及不良信息类指标包括近一年是否有欠税记录和近一年是否有行政处罚记录。

本实施例中，还包括指标数据特征选择模块8，用于将采集到的指标数据进行特征选择，特征选择过程利用信息价值IV判断给定单一指标变量在同一时期评分客户经过表现期后，所呈现的好坏客户占比的差异程度。

本实施例中，所述第一算法训练模块4中：

创建一个“LogisticRegression”对象，基于“LogisticRegression”对象构建一个逻辑回归模型“logit_model”，使用“fit()”函数对训练集数据集进行拟合得到一组系数估计值作为逻辑回归-系数估计值。

本实施例中，所述第二算法训练模块5中：

创建一个“RandomForestClassifier”对象，基于“RandomForestClassifier”对象构建一个随机森林模型“forest_model”，使用“fit()”函数对训练集数据集进行拟合后得到另外一组系数估计值作为随机森林-系数估计值。

上述实施例的设备用于实现前述任一实施例中相应地用于电网供应商的企业经营异常预警方法，并且具有相应的方法实施例的有益效果，在此不再赘述。

基于同一发明构思，与上述任意实施例方法相对应的，本申请还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上任意一实施例所述的用于电网供应商的企业经营异常预警方法。

图3示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。

处理器1010可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。

存储器1020可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。

输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。

通信接口1040用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。

总线1050包括一通路，在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。

需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。

上述实施例的电子设备用于实现前述任一实施例中相应地用于电网供应商的企业经营异常预警方法，并且具有相应的方法实施例的有益效果，在此不再赘述。

基于同一发明构思，与上述任意实施例方法相对应的，本申请还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上任一实施例所述的用于电网供应商的企业经营异常预警方法。

本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。

上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的用于电网供应商的企业经营异常预警方法，并且具有相应的方法实施例的有益效果，在此不再赘述。

所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本申请的范围(包括权利要求)被限于这些例子；在本申请的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本申请实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。

另外，为简化说明和讨论，并且为了不会使本申请实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本申请实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本申请实施例的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本申请的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本申请实施例。因此，这些描述应被认为是说明性的而不是限制性的。

尽管已经结合了本申请的具体实施例对本申请进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态RAM(DRAM))可以使用所讨论的实施例。

本申请实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本申请实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种用于电网供应商的企业经营异常预警方法，包括：

构建企业经营异常预警指标体系，所述指标体系包括具有隶属关系的一级指标、二级指标和三级指标；对企业经营异常预警模型中使用到的指标数据进行采集；

将采集到的指标数据进行归一化处理，并将归一化处理后的指标数据划分为训练数据集和测试数据集；

采用逻辑回归算法对训练数据集中的指标数据进行训练得到逻辑回归-系数估计值，采用随机森林算法对训练数据集中的指标数据进行训练得到随机森林-系数估计值；

利用测试数据集分别计算逻辑回归-系数估计值的第一损失值和随机森林-系数估计值的第二损失值，比较所述第一损失值和所述第二损失值的大小，取较小值作为指标特征系数的最优解，完成适于电网企业供应商的企业经营异常预警模型构建；

利用评分卡模型和获得的指标特征系数的最优解，对供应商的企业经营指标特征进行评分输出，根据评分找出经营异常预警的客户清单。

2.根据权利要求1所述的一种用于电网供应商的企业经营异常预警方法，其中，所述一级指标为企业经营异常预警，所述二级指标包括用电类指标、供应链类指标、工商及不良信息类指标；

所述用电类指标包括月度用电同比增长率和年度用电同比增长率；

所述供应链类指标包括季度合同金融增长率、年度合同金额增长率、物资种类同比增长率和最近半年中标数增长率；

所述工商及不良信息类指标包括近一年是否有欠税记录和近一年是否有行政处罚记录。

3.根据权利要求1所述的一种用于电网供应商的企业经营异常预警方法，其中，将采集到的指标数据进行特征选择，特征选择过程利用信息价值IV判断给定单一指标变量在同一时期评分客户经过表现期后，所呈现的好坏客户占比的差异程度。

4.根据权利要求1所述的一种用于电网供应商的企业经营异常预警方法，其中，采用逻辑回归算法对训练数据集中的指标数据进行训练过程：

创建一个“LogisticRegression”对象，基于“LogisticRegression”对象构建一个逻辑回归模型“logit_model”，使用“fit()”函数对训练集数据集进行拟合得到一组系数估计值作为逻辑回归-系数估计值。

5.根据权利要求4所述的一种用于电网供应商的企业经营异常预警方法，其中，采用随机森林算法对训练数据集中的指标数据进行训练过程：

创建一个“RandomForestClassifier”对象，基于“RandomForestClassifier”对象构建一个随机森林模型“forest_model”，使用“fit()”函数对训练集数据集进行拟合后得到另外一组系数估计值作为随机森林-系数估计值。

6.一种用于电网供应商的企业经营异常预警装置，包括：

指标体系构建模块，用于构建企业经营异常预警指标体系，所述指标体系包括具有隶属关系的一级指标、二级指标和三级指标；

指标数据采集模块，用于对企业经营异常预警模型中使用到的指标数据进行采集；

指标数据预处理模块，用于将采集到的指标数据进行归一化处理，并将归一化处理后的指标数据划分为训练数据集和测试数据集；

第一算法训练模块，用于采用逻辑回归算法对训练数据集中的指标数据进行训练得到逻辑回归-系数估计值；

第二算法训练模块，用于采用随机森林算法对训练数据集中的指标数据进行训练得到随机森林-系数估计值；

损失值处理模块，用于利用测试数据集分别计算逻辑回归-系数估计值的第一损失值和随机森林-系数估计值的第二损失值，比较所述第一损失值和所述第二损失值的大小，取较小值作为指标特征系数的最优解，完成适于电网企业供应商的企业经营异常预警模型构建；

评分预警模块，用于利用评分卡模型和获得的指标特征系数的最优解，对供应商的企业经营指标特征进行评分输出，根据评分找出经营异常预警的客户清单。

7.根据权利要求6所述的一种用于电网供应商的企业经营异常预警装置，其中，所述指标体系构建模块中：所述一级指标为企业经营异常预警，所述二级指标包括用电类指标、供应链类指标、工商及不良信息类指标；

所述用电类指标包括月度用电同比增长率和年度用电同比增长率；

所述供应链类指标包括季度合同金融增长率、年度合同金额增长率、物资种类同比增长率和最近半年中标数增长率；

所述工商及不良信息类指标包括近一年是否有欠税记录和近一年是否有行政处罚记录。

8.根据权利要求6所述的一种用于电网供应商的企业经营异常预警装置，其中，还包括指标数据特征选择模块，用于将采集到的指标数据进行特征选择，特征选择过程利用信息价值IV判断给定单一指标变量在同一时期评分客户经过表现期后，所呈现的好坏客户占比的差异程度。

9.根据权利要求6所述的一种用于电网供应商的企业经营异常预警装置，其中，所述第一算法训练模块中：

创建一个“LogisticRegression”对象，基于“LogisticRegression”对象构建一个逻辑回归模型“logit_model”，使用“fit()”函数对训练集数据集进行拟合得到一组系数估计值作为逻辑回归-系数估计值。

10.根据权利要求9所述的一种用于电网供应商的企业经营异常预警装置，其中，所述第二算法训练模块中：

创建一个“RandomForestClassifier”对象，基于“RandomForestClassifier”对象构建一个随机森林模型“forest_model”，使用“fit()”函数对训练集数据集进行拟合后得到另外一组系数估计值作为随机森林-系数估计值。

Images