涂 瑩，林士勇，歐陽(yáng)柳，黃 金（.浙江省電力公司，杭州 30007；.樂清市供電公司，浙江 樂清 35600）

基于市場(chǎng)細(xì)分的邏輯回歸模型在電費(fèi)回收風(fēng)險(xiǎn)預(yù)測(cè)中的應(yīng)用研究

涂 瑩1，林士勇2，歐陽(yáng)柳1，黃 金2
（1.浙江省電力公司，杭州 310007；2.樂清市供電公司，浙江 樂清 325600）

在大數(shù)據(jù)的基礎(chǔ)上，通過數(shù)據(jù)挖掘技術(shù)，借助SAS工具，構(gòu)建了基于邏輯回歸的用戶電費(fèi)回收風(fēng)險(xiǎn)預(yù)測(cè)模型。同時(shí)，根據(jù)市場(chǎng)細(xì)分理論，針對(duì)高壓用戶、低壓非居民用戶、低壓居民用戶分別構(gòu)建了預(yù)測(cè)模型。預(yù)測(cè)結(jié)果顯示：3類模型預(yù)測(cè)準(zhǔn)確率較高，為降低電費(fèi)回收風(fēng)險(xiǎn)、提升電費(fèi)回收率提供了數(shù)據(jù)支撐。

電費(fèi)回收；邏輯回歸；市場(chǎng)細(xì)分；風(fēng)險(xiǎn)預(yù)測(cè)

電費(fèi)回收是電力企業(yè)經(jīng)營(yíng)成果的重要指標(biāo)，做好電費(fèi)風(fēng)險(xiǎn)預(yù)控一直以來既是營(yíng)銷管理的重點(diǎn)也是難點(diǎn)。近年來，中國(guó)經(jīng)濟(jì)進(jìn)入轉(zhuǎn)型期，增速放緩，部分企業(yè)面臨著產(chǎn)量下降、銷售困難等問題，對(duì)供電主體意味著這些用戶欠費(fèi)風(fēng)險(xiǎn)加大。

一般而言，各地供電企業(yè)提升電費(fèi)回收率主要從政策、規(guī)章、制度、措施出發(fā)，以定性研究為主。如文獻(xiàn)［1］提出“加強(qiáng)用電合同管理”、“采取電費(fèi)擔(dān)保措施”、“大用戶電費(fèi)分次結(jié)算”、“電費(fèi)回收內(nèi)部預(yù)警”；文獻(xiàn)［2］提出“建立強(qiáng)有力的領(lǐng)導(dǎo)班子”、“爭(zhēng)取政府支持”、“加大宣傳力度”、“運(yùn)用法律手段”等；文獻(xiàn)［3］提出“轉(zhuǎn)變傳統(tǒng)繳費(fèi)方式”、“建立信用體系”等；文獻(xiàn)［4］提出“嚴(yán)格落實(shí)抄表體制”、“加強(qiáng)核算管理規(guī)范化”等；文獻(xiàn)［5］提出“落實(shí)電費(fèi)回收責(zé)任制”、“推進(jìn)新型繳費(fèi)方式”等；文獻(xiàn)［6］提出“幫助困難企業(yè)用戶改善經(jīng)營(yíng)”等。

在實(shí)證研究方面，文獻(xiàn)［7］提出了運(yùn)用層次分析法，從“經(jīng)營(yíng)能力、社會(huì)交往、發(fā)展前景、電力法規(guī)、用電合作”5個(gè)維度，對(duì)用戶進(jìn)行信用評(píng)分；文獻(xiàn)［8］從“盈利能力、營(yíng)運(yùn)能力、償債能力、發(fā)展能力、繳費(fèi)風(fēng)險(xiǎn)”5個(gè)維度對(duì)大型用戶進(jìn)行評(píng)價(jià)；文獻(xiàn)［9］從“企業(yè)素質(zhì)、資金信用、經(jīng)營(yíng)管理、經(jīng)濟(jì)效益、發(fā)展前景、銀行信用等級(jí)”6個(gè)維度對(duì)用戶信用進(jìn)行評(píng)價(jià)；文獻(xiàn)［10］從“財(cái)務(wù)特征、行為特征、環(huán)境特征”3方面對(duì)客戶進(jìn)行信用評(píng)價(jià)。這些評(píng)價(jià)體系中，使用了較多的用戶數(shù)據(jù)和外部數(shù)據(jù)，相對(duì)難以獲取，不利于實(shí)際落地應(yīng)用。

隨著大數(shù)據(jù)時(shí)代的到來，供電企業(yè)積累了大量用戶數(shù)據(jù)，數(shù)據(jù)是巨大的財(cái)富，筆者試圖從供電企業(yè)內(nèi)部數(shù)據(jù)出發(fā)，通過數(shù)據(jù)挖掘技術(shù)，借用SAS、R等分析工具，對(duì)用戶歷史數(shù)據(jù)進(jìn)行分析，通過數(shù)學(xué)模型預(yù)測(cè)用戶電費(fèi)回收的風(fēng)險(xiǎn)，為電費(fèi)回收工作提供數(shù)據(jù)支持。

1 主要預(yù)測(cè)方法

1.1 時(shí)間序列分析

時(shí)間序列主要根據(jù)歷史數(shù)據(jù)，使用長(zhǎng)期趨勢(shì)（T）、季節(jié)變動(dòng)（S）、循環(huán)變動(dòng)（C）、不規(guī)則變動(dòng)（I）4個(gè)要素預(yù)測(cè)某一指標(biāo)數(shù)值的變化。主要應(yīng)用于事務(wù)的整體趨勢(shì)，如：某供電企業(yè)某月的總供電量、全部用電用戶的總欠費(fèi)金額等。

1.2 線性模型

線性模型包括線性回歸、方差分析、混合效應(yīng)模型等，廣泛應(yīng)用于生物、經(jīng)濟(jì)、氣象等領(lǐng)域［11］。其一般形式為

線性模型一般要求自變量X與因變量Y之間呈線性關(guān)系，否則預(yù)測(cè)準(zhǔn)確度會(huì)下降。由于實(shí)際生活中情況比較復(fù)雜，研究者一般使用多元回歸模型。

1.3 邏輯回歸模型

邏輯回歸是一種研究二分變量Y與一系列影響因素Xn之間關(guān)系的多變量分析方法，是在線性模型基礎(chǔ)上的進(jìn)一步發(fā)展。其一般形式為

式中：P是變量Y發(fā)生的概率，P的取值在0～1之間。比如：預(yù)測(cè)某用戶下月欠費(fèi)的概率是0.85，即表明100個(gè)類似的用戶中，實(shí)際發(fā)生欠費(fèi)的用戶有85個(gè)。

邏輯回歸模型可用于研究自變量與因變量之間的非線性關(guān)系，經(jīng)過幾十年的發(fā)展，已逐漸成熟。邏輯回歸模型計(jì)算速度快，對(duì)數(shù)據(jù)質(zhì)量要求相對(duì)不高，結(jié)果顯性化且穩(wěn)定性較好［12］，目前在大數(shù)據(jù)、機(jī)器學(xué)習(xí)、經(jīng)濟(jì)學(xué)、廣告學(xué)、電信、金融等領(lǐng)域得到了廣泛的應(yīng)用。嚴(yán)格意義上說，銀行業(yè)的信用卡評(píng)級(jí)、電信行業(yè)的星級(jí)服務(wù)、阿里巴巴芝麻信用［13］也是邏輯回歸模型的實(shí)際應(yīng)用。

2 電力用戶電費(fèi)回收風(fēng)險(xiǎn)預(yù)測(cè)

2.1 市場(chǎng)細(xì)分理論簡(jiǎn)介

市場(chǎng)細(xì)分理論是市場(chǎng)營(yíng)銷學(xué)中的重要概念，它強(qiáng)調(diào)目標(biāo)用戶的差異性，假設(shè)不同的用戶特征不同、需求不同、行為不同、表現(xiàn)不同。

市場(chǎng)細(xì)分一般可通過地理歸屬、人口特征、行為、心理等開展，通過市場(chǎng)細(xì)分，可提升營(yíng)銷行為的針對(duì)性、營(yíng)銷方案的接受度、營(yíng)銷資源的使用效率。

電力市場(chǎng)上的目標(biāo)用戶是一個(gè)龐大的群體，對(duì)用戶開展分析、營(yíng)銷、服務(wù)的過程中，必須遵循市場(chǎng)細(xì)分的原則，分別對(duì)待。

2.2 用戶欠費(fèi)風(fēng)險(xiǎn)預(yù)測(cè)中市場(chǎng)細(xì)分的必要性

在用戶欠費(fèi)風(fēng)險(xiǎn)預(yù)測(cè)中，初期，筆者并未對(duì)高壓用戶、低壓非居民用戶、低壓居民用戶3類用戶分別建模，而是將客戶類型作為一個(gè)分類變量納入模型中。模型預(yù)測(cè)結(jié)果不甚理想。比如：在同參數(shù)水平下，模型查準(zhǔn)率為58%，查全率為21%。同時(shí)圈定的高風(fēng)險(xiǎn)客戶中，低壓非居民客戶占86%，與實(shí)際情況不符。

其次，從最終的模型結(jié)果來看，3類客戶的預(yù)測(cè)模型中，入模變量均有一定差異，甚至部分變量的系數(shù)正負(fù)向也不一致。原因在于3類客戶差異過大，在客戶量、電費(fèi)、欠費(fèi)金額、欠費(fèi)率、繳費(fèi)行為等方面均有量級(jí)的差異。

2.3 電費(fèi)回收現(xiàn)狀分析

某省某縣供電公司有30萬電力用戶，月應(yīng)收電費(fèi)約2億元。欠費(fèi)率，即產(chǎn)生滯納金的用戶占比約2.2%，這給電力公司的生產(chǎn)經(jīng)營(yíng)帶來巨大的風(fēng)險(xiǎn)。

從市場(chǎng)細(xì)分的理論分析，電費(fèi)拖欠呈現(xiàn)以下特點(diǎn)。

首先，每年春節(jié)期間，受“柔性催費(fèi)”策略的影響，欠費(fèi)率突增，比其它月份高1個(gè)百分點(diǎn)以上。

其次，高壓用戶、低壓非居民用戶、低壓居民用戶欠費(fèi)率明顯不同。前2類用戶數(shù)量少，但欠費(fèi)率普遍在10%以上；居民用戶占總用戶的85%以上，但欠費(fèi)率僅在0.4%左右，欠費(fèi)人數(shù)占總欠費(fèi)用戶的1/5。

第三，不同行業(yè)欠費(fèi)率有明顯差異。照明、紡織、印染等行業(yè)欠費(fèi)率高，滯納金占比高，反映出傳統(tǒng)制造業(yè)經(jīng)營(yíng)狀況不佳，電費(fèi)違約風(fēng)險(xiǎn)大。

另外，城市與鄉(xiāng)村用戶、高壓與低壓用戶、大用戶與小用戶、不同合同容量用戶等多種維度上看，欠費(fèi)率均有較大差異。

由于不同類型的用電用戶的欠費(fèi)率上有顯著差異，在各個(gè)維度上的特征也有很大不同，經(jīng)探索研究，如果對(duì)全部用戶統(tǒng)一建模，預(yù)測(cè)結(jié)果準(zhǔn)確性不高。故根據(jù)市場(chǎng)細(xì)分理論，從用戶類型出發(fā)，對(duì)高壓用戶、低壓非居民用戶、低壓居民分別建模。

本研究使用的分析工具為SAS9.2版本。

3 電費(fèi)回收風(fēng)險(xiǎn)預(yù)測(cè)

3.1 高壓用戶電費(fèi)回收風(fēng)險(xiǎn)預(yù)測(cè)

3.1.1 高壓用戶特征

高壓用戶與欠費(fèi)有關(guān)的主要特征如下。

（1）高壓用戶主要繳費(fèi)方式有：特約委托繳費(fèi)，金融機(jī)構(gòu)代扣，電力機(jī)構(gòu)柜臺(tái)收費(fèi)，其中特約委托繳費(fèi)占比超過50%。

（2）高壓用戶繳費(fèi)日主要分布在出賬單日后的10天內(nèi)，2天內(nèi)繳費(fèi)業(yè)務(wù)量較大，5天內(nèi)未繳費(fèi)的用戶欠費(fèi)風(fēng)險(xiǎn)高。

（3）高壓用戶一般執(zhí)行分次結(jié)算，違約金起算日與出賬單日間隔較短，產(chǎn)生的電費(fèi)違約金絕對(duì)值較大。

3.1.2 建模過程

（1）數(shù)據(jù)搜集。從業(yè)務(wù)經(jīng)驗(yàn)出發(fā)，經(jīng)過專家討論，借鑒其它行業(yè)的成熟做法，諸如電信、銀行、保險(xiǎn)等，從營(yíng)銷業(yè)務(wù)系統(tǒng)、用電采集系統(tǒng)、95598用戶服務(wù)系統(tǒng)等系統(tǒng)中提取數(shù)據(jù)，包括用戶標(biāo)識(shí)、姓名、用戶類別、合同容量、城鄉(xiāng)類別、立戶日期、當(dāng)前狀態(tài)、行業(yè)分類、高耗能行業(yè)類別、負(fù)荷性質(zhì)、電費(fèi)通知方式、費(fèi)控方式、抄表例日、用電量、電費(fèi)金額、實(shí)收金額、應(yīng)收違約金、實(shí)收違約金、付費(fèi)方式等幾十個(gè)變量。

（2）數(shù)據(jù)核查。獲取數(shù)據(jù)以后，對(duì)清單數(shù)據(jù)的完整性（記錄數(shù)是否與報(bào)表一致、字段是否缺失）、準(zhǔn)確性（匯總值是否與報(bào)表一致、是否有異常值）、邏輯一致性等進(jìn)行核查。

（3）構(gòu)造變量。在原始變量的基礎(chǔ)上，構(gòu)建衍生變量。構(gòu)建方法包括求和、平均值、方差、同比、環(huán)比、連續(xù)變量離散化等。比如：過去6個(gè)月停機(jī)次數(shù)、用電量環(huán)比變化、3個(gè)月用電量方差、回款時(shí)長(zhǎng)、立戶時(shí)長(zhǎng)、電費(fèi)單價(jià)、電費(fèi)分段、繳費(fèi)日分布、繳費(fèi)間隔等。

（4）相關(guān)性分析。對(duì)“待建模”的變量，包括原始變量和衍生變量，進(jìn)行相關(guān)性分析，衡量變量間的相關(guān)性。一般而言，相關(guān)系數(shù)＞0.8時(shí)，2個(gè)變量高度相關(guān)，需要?jiǎng)h除其中之一。經(jīng)過相關(guān)性分析和經(jīng)驗(yàn)判斷，可刪除一部分變量。

（5）單變量分析。在進(jìn)行邏輯回歸分析之前，一般需要對(duì)單變量進(jìn)行分析，包括和因變量之間的相關(guān)性分析和卡方分析。以確定某一變量是否可用于建模，以及是否需要對(duì)該變量進(jìn)行轉(zhuǎn)化。步驟（5）與步驟（2）經(jīng)常交叉同步進(jìn)行。

以2014年7月—2015年6月欠費(fèi)次數(shù)與2015 年7月是否欠費(fèi)的關(guān)系為例，如圖1所示。

圖1 不同歷史欠費(fèi)次數(shù)用戶的次月欠費(fèi)率

分析圖1可知，過去1年都沒有發(fā)生欠費(fèi)的用戶次月欠費(fèi)概率極低，而歷史欠費(fèi)次數(shù)越高，次月發(fā)生欠費(fèi)的概率越高。

卡方分析，即使用單變量與因變量作回歸分析，得到其卡方值。一般卡方值越大，說明該變量對(duì)因變量的預(yù)測(cè)顯著性越高，反之越小。

經(jīng)過單變量相關(guān)性分析和單變量卡方分析，進(jìn)一步減少入模變量。

（6）回歸分析。把經(jīng)過步驟（4）、步驟（5）過濾的變量集合納入回歸方程，使用SAS的proc logistic程序步進(jìn)行運(yùn)算。

從3個(gè)變量開始，運(yùn)用逐步回歸法，分別計(jì)算3 到N個(gè)變量的回歸方程的C值，選擇C值最大的回歸方程作為最優(yōu)方程。

注：C值指ROC曲線以下的面積，一般而言，C值大于0.75時(shí)，認(rèn)為回歸方程有效。C值越大，回歸方程越可靠。

確定回歸變量后，代入邏輯回歸方程，得出各變量的系數(shù)。最終確定的方程為

式中：X1為近12個(gè)月用戶產(chǎn)生罰金的總次數(shù)，X1與欠費(fèi)風(fēng)險(xiǎn)正相關(guān)；X2為近12個(gè)月用戶在25日之后繳費(fèi)的總次數(shù)，繳費(fèi)越晚，欠費(fèi)風(fēng)險(xiǎn)越高；X3為近12個(gè)月用戶在20—25日之間繳費(fèi)的總次數(shù)，由于高壓用戶一般需多次繳費(fèi)，20—25號(hào)距離產(chǎn)生違約金的期限較長(zhǎng)，故這段時(shí)間內(nèi)繳費(fèi)的用戶欠費(fèi)概率低；X4為近12個(gè)月用戶逾期的總次數(shù)（逾期指繳費(fèi)日距出賬單日超過10天）；X5為前一個(gè)月用戶最后一次繳清費(fèi)用前所繳的費(fèi)用占應(yīng)收費(fèi)用的比重，由于高壓用戶一般需多次繳費(fèi)，繳費(fèi)進(jìn)度越快，欠費(fèi)概率越低；X6為近12個(gè)月用戶繳清每筆應(yīng)收電費(fèi)的平均天數(shù)。

（7）結(jié)果檢驗(yàn)。得到回歸方程后，更重要的是對(duì)其預(yù)測(cè)準(zhǔn)確性進(jìn)行檢測(cè)。一般使用時(shí)間平移驗(yàn)證的方法。即使用N月及N月之前的數(shù)據(jù)，對(duì)因變量在N+1，N+2，…的表現(xiàn)進(jìn)行驗(yàn)證。采用2015年7月之前數(shù)據(jù)進(jìn)行建模，驗(yàn)證效果如表1所示。

查全率與查準(zhǔn)率是互斥的關(guān)系，一方提升另一方必然降低，可根據(jù)實(shí)際應(yīng)用情況進(jìn)行調(diào)整。

P值：P值的選擇以實(shí)際應(yīng)用為主，P值越大，預(yù)測(cè)準(zhǔn)確率越高，但覆蓋的目標(biāo)用戶過少，對(duì)整體欠費(fèi)防控意義較??；P值越小，覆蓋的目標(biāo)用戶越多，但準(zhǔn)確率越低，欠費(fèi)防控的工作難度越大。在本模型的應(yīng)用中，選取P≥0.4為高風(fēng)險(xiǎn)標(biāo)準(zhǔn)，篩選約700戶用于輔助實(shí)際電費(fèi)催收工作。

表1 高壓用戶預(yù)測(cè)準(zhǔn)確度（P≥0.4）

3.2 低壓非居民用戶電費(fèi)回收風(fēng)險(xiǎn)預(yù)測(cè)

低壓非居民用戶具體建模和數(shù)據(jù)處理過程與高壓用戶類似，不再詳述。

針對(duì)低壓非居民用戶建模，最終確定的方程為

式中：X1為近12個(gè)月用戶產(chǎn)生罰金的總次數(shù)；X2為近12個(gè)月用戶在25日之后繳費(fèi)的總次數(shù)；X3為近12個(gè)月用戶繳清每筆應(yīng)收電費(fèi)的平均天數(shù)；X4為近12個(gè)月用戶逾期總次數(shù)，由于X4與X3正相關(guān)，2個(gè)變量的對(duì)欠費(fèi)風(fēng)險(xiǎn)的綜合影響為正向，而由于量級(jí)的差異，二者同時(shí)入模時(shí)，X4的系數(shù)呈負(fù)向；X5為用戶是否近3個(gè)月連續(xù)逾期，低壓居民連續(xù)3個(gè)月逾期用戶極少，而高壓用戶逾期連續(xù)3個(gè)月逾期用戶較多，這2類用戶中X5顯著性不高，X5僅在低壓非居民用戶中顯著。

驗(yàn)證效果如表2所示。

表2 低壓非居民用戶預(yù)測(cè)準(zhǔn)確度（P≥0.4）

3.3 低壓居民用戶電費(fèi)回收風(fēng)險(xiǎn)預(yù)測(cè)

針對(duì)低壓居民用戶建模，最終確定的方程為

式中：X1為近12個(gè)月用戶產(chǎn)生罰金的總次數(shù)；X2為近12個(gè)月用戶在25日之后繳費(fèi)的總次數(shù)；X3為近12個(gè)月用戶在15—20日之間繳費(fèi)的總次數(shù)；X4為近12個(gè)月用戶在20—25日之間繳費(fèi)的總次數(shù)；X5為近12個(gè)月用戶繳清每筆應(yīng)收電費(fèi)的平均天數(shù)，X2、X3、X4與X5對(duì)欠費(fèi)風(fēng)險(xiǎn)的綜合影響為正向，而由于量級(jí)的差異，四者同時(shí)入模時(shí)，前3個(gè)變量的系數(shù)呈負(fù)向；X6為用戶前一個(gè)月繳清費(fèi)用距出賬單日是否超過25天，用戶繳費(fèi)越晚，欠費(fèi)風(fēng)險(xiǎn)越大；X7為用戶前一個(gè)月抄表例日是否在3日之前，抄表例日在3日之前的用戶，違約金起算日相對(duì)較早，欠費(fèi)概率較高。

驗(yàn)證效果如表3所示。

表3 低壓居民用戶預(yù)測(cè)準(zhǔn)確度（P≥0.5）

4 結(jié)束語與展望

（1）欠費(fèi)風(fēng)險(xiǎn)模型的應(yīng)用：聚焦高風(fēng)險(xiǎn)用戶，提升催費(fèi)的針對(duì)性。

目前，在電費(fèi)的收取過程中，一般要開展提醒、通知、催繳3個(gè)環(huán)節(jié)。針對(duì)低風(fēng)險(xiǎn)用戶，可以適當(dāng)減少提醒、通知環(huán)節(jié)，降低催費(fèi)頻率，優(yōu)先推廣電子賬單；重點(diǎn)針對(duì)高風(fēng)險(xiǎn)用戶開展催收工作，提升催費(fèi)的頻率，比如：提醒短信由2天一次提高到1天一次。

（2）欠費(fèi)風(fēng)險(xiǎn)模型的優(yōu)化：首先，納入更多變量，提升模型的預(yù)測(cè)能力。比如：在實(shí)際催收工作中，出租戶電費(fèi)回收風(fēng)險(xiǎn)明顯較高，但“出租戶”這個(gè)標(biāo)簽是缺失的，需要考慮如何建設(shè)該標(biāo)簽，完善客戶基礎(chǔ)信息；其次，優(yōu)化模型的可理解性。盡管在統(tǒng)計(jì)學(xué)領(lǐng)域，邏輯回歸是一個(gè)較為直觀、易理解的模型，但對(duì)普通人而言仍然是一個(gè)黑箱。在后期的優(yōu)化過程中，筆者考慮以評(píng)分表的模式對(duì)用戶的風(fēng)險(xiǎn)進(jìn)行評(píng)分，以便于理解。

［1］ 鄭文華.供電企業(yè)實(shí)施電費(fèi)回收的措施及應(yīng)注意的問題［J］.電力技術(shù)經(jīng)濟(jì)，2009，3（6）：59-63.

［2］ 劉桂華.電費(fèi)回收工作存在的問題及對(duì)策研究［J］.湖南農(nóng)機(jī)，2009，36（2）：68-69.

［3］ 趙瑞霞.電費(fèi)回收中存在的問題及其對(duì)策［J］.企業(yè)研究，2011，9（18）：187-188.

［4］ 王剛，吳菊平.電費(fèi)回收風(fēng)險(xiǎn)預(yù)控管理探討［J］.經(jīng)營(yíng)者，2013（11）：28-30.

［5］ 舒文平，許新蘭.電費(fèi)回收工作存在的問題與對(duì)策［J］.安徽電氣工程職業(yè)技術(shù)學(xué)院學(xué)報(bào)，2008（4）：83-87.

［6］ 王娟.電費(fèi)回收的策略與對(duì)策［J］.價(jià)值工程，2011，30 （33）：298.

［7］ 王綿斌，譚忠富，張蓉.供電企業(yè)規(guī)避電費(fèi)回收風(fēng)險(xiǎn)的用戶信用評(píng)價(jià)方法［J］.華東電力，2007，35（1）：21-25.

［8］ 劉一民.節(jié)能減排政策下電網(wǎng)企業(yè)收益風(fēng)險(xiǎn)管理研究［D］.北京：華北電力大學(xué)，2012.

［9］ 谷林峰.交納電費(fèi)信用等級(jí)評(píng)定與風(fēng)險(xiǎn)預(yù)警管理系統(tǒng)的研究與開發(fā)［D］.長(zhǎng)沙：湖南大學(xué)，2005.

［10］ 劉小平.婁底電業(yè)局電費(fèi)回收風(fēng)險(xiǎn)管理研究［D］.長(zhǎng)沙：中南大學(xué)，2010.

［11］ 徐禮文.幾類統(tǒng)計(jì)模型的估計(jì)和預(yù)測(cè)理論［D］.北京：北京工業(yè)大學(xué)，2006.

［12］ Jiawei Han，Micheling Kamber，Jian Pei.數(shù)據(jù)挖掘概念與技術(shù)［M］.范明，孟小峰，譯.北京：機(jī)械工業(yè)出版社，2012：240.

［13］ 李小曉.芝麻信用“摸石頭過河”［J］.新世紀(jì)周刊，2015（7）：38-41.

Research on the risk prediction of electricity fee recovery using logistic regression based on the market segmentation theory

TU Ying1，LIN Shi?yong2，OUYANG Liu1，HUANG Jin2

（1.Zhejiang Electric Power Company，Hangzhou 310007，China；2.Leqing Electric Power Supply Company，Leqing 325600，China）

Based on large data theory，using data mining technology with the SAS software，we construct a model on the risk prediction of electricityfee recovery using logistic regression.More importantly，we construct separated models for high-voltage users，low-voltage non-family users and low-voltage family users based on the market segmentation theory.All the accuracy rates are satisfied，and provide data supporting to cut off the risk of electricity fee recovery and promote the rate of tariff recovery.

electricity cost recovery；logistic regression；market segmentation theory；risk prediction

2016-01-04；修回日期：2016-02-01

F407.61

B

10.3969/j.issn.1009-1831.2016.04.010