劉文靜，付仙蘭，吳杰康，武 峰，劉書劍

（1.廣東科貿(mào)職業(yè)學院，廣東 廣州 510430；2.空軍預(yù)警學院雷達士官學校，湖北 武漢 430019；3.廣東工業(yè)大學，廣東 廣州 510006；4.遼寧省撫順市供電公司，遼寧 撫順 113000 ）

0 引言

做好經(jīng)營效益評估，提升自身競爭力，對電網(wǎng)企業(yè)十分關(guān)鍵。目前常用的電網(wǎng)企業(yè)效益評估算法有層次分析法（Analytical Hierarchy Process，AHP）［1］、主成分分析法［2］、模糊綜合評價算法［3］、數(shù)據(jù)包絡(luò)分析算法（Data Envelope Analysis，DEA）［4］等，算法各有優(yōu)勢，但DEA算法憑借計算簡便，可同時處理多個部門、不同量綱的多個輸入、輸出指標的評價，不需要事先人為賦予指標權(quán)重等優(yōu)點，在電網(wǎng)效益評估方面應(yīng)用廣泛。付丹等［5］采用復(fù)合DEA 對21 家上市電力公司進行效率評價，測算了指標對效益評估的影響，并未對無效決策單元（Decision Making Units，DMU）進行分析處理。殷欣等［6］采用DEA 算法對5家上市電力公司業(yè)績進行評價排序，缺乏對無效DMU的分析。

DEA 有效DMU 都落在有效生產(chǎn)前沿面上［7］，而落在生產(chǎn)前沿面之外的無效DMU 是企業(yè)問題癥結(jié)的關(guān)鍵。目前對此類問題研究較少，僅通過投影或者增加松弛變量［8-9］進行簡單求解。

電網(wǎng)企業(yè)是含有多個部門多個指標的復(fù)雜系統(tǒng)，單一的算法并不能有效處理。在評價指標選取方面，存在指標選取主觀性強、憑借經(jīng)驗進行選擇［10］、指標數(shù)據(jù)難以取得、指標過于片面［11］等問題。研究者對此類問題做了一些改進，趙書強等［12］采用改進AHP 與相關(guān)性算法結(jié)合處理指標，得到指標綜合權(quán)重，但是專家主觀因素仍然過重。林家俊等［13］采用層次分析法和改進集合經(jīng)驗?zāi)B(tài)分解法，去除主觀影響，確定評價指標，但是指標數(shù)據(jù)不夠全面。

針對上述問題，通過分析電網(wǎng)企業(yè)運營現(xiàn)狀，在綜合考慮電網(wǎng)運營特點、效益分析要求、實際數(shù)據(jù)等問題的基礎(chǔ)上，通過對電網(wǎng)監(jiān)控運營中心的評價指標進行梳理，從綜合績效、核心資源、運營狀況3 個方面構(gòu)建了綜合評價指標體系，運用AHP 及變權(quán)重算法選取合適的效益評價指標；運用DEA 算法CCR對偶模型，對電網(wǎng)監(jiān)控系統(tǒng)下的供電公司進行效益評估，并采用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)（Radial Basis Function Neural Network，RBFNN）進行雙重算法效益計算驗證，分析電網(wǎng)企業(yè)效益低下的原因，并提出改進方向。

1 電網(wǎng)企業(yè)效益評估指標選取

選擇合適的評價指標是進行數(shù)據(jù)包絡(luò)分析效率評價的前提和基礎(chǔ)。評價指標不同，所得結(jié)果大相徑庭。同時，指標個數(shù)對結(jié)果影響較大。指標個數(shù)過多，會增加有效DMU 個數(shù)，降低DEA 模型的區(qū)分度；指標過少，不利于發(fā)現(xiàn)問題。電網(wǎng)企業(yè)效益評估涉及部門眾多，指標數(shù)據(jù)分散，搜集不易。電網(wǎng)監(jiān)控運營中心是電網(wǎng)公司經(jīng)營管理活動的在線監(jiān)測與控制部門，也是電網(wǎng)公司運營數(shù)據(jù)資產(chǎn)管理部門，基于基礎(chǔ)數(shù)據(jù)和業(yè)務(wù)信息，可在線監(jiān)測分析公司整體運營狀況。電網(wǎng)監(jiān)控運營中心設(shè)有公司總部、省（市）公司和地市公司層面3 級運監(jiān)中心，如圖1 所示。

圖1 電網(wǎng)監(jiān)控運營中心組織架構(gòu)

監(jiān)控運營中心涉及部門眾多，指標數(shù)據(jù)海量，從中選擇合適的指標，建立評價指標體系，是進行電網(wǎng)企業(yè)運營效益評估的基礎(chǔ)和前提。

為確保評價結(jié)果的準確性和可信度，根據(jù)專家經(jīng)驗及電網(wǎng)戰(zhàn)略發(fā)展部署進行雙重指標權(quán)重篩選。首先采用AHP對監(jiān)控中心涉及的部門重要指標進行專家打分，篩選出對電網(wǎng)企業(yè)運營效益影響大的指標，并給出權(quán)重系數(shù)；接著在電網(wǎng)企業(yè)發(fā)展戰(zhàn)略綜合效益評估要求的條件下，進一步對指標權(quán)重調(diào)整和篩選，最終篩選出合適的指標。

電網(wǎng)監(jiān)控運營中心包括綜合績效、核心資源、運營狀況三大指標體系，包含多種指標。首先采用AHP 專家預(yù)測法，從電網(wǎng)公司生產(chǎn)單位及職能部門選取影響公司運營效益的相關(guān)指標，進行專家打分篩選，如表1所示。

表1 電網(wǎng)監(jiān)控運營綜合評價指標體系

AHP的核心是專家經(jīng)驗定性定量的計算評價項目之間的權(quán)重系數(shù)。其簡要步驟如下：

1）按照Saaty 的九級標度法，對基礎(chǔ)指標進行兩兩比較和評估，確定各基礎(chǔ)指標判斷矩陣；

2）對層次單排序進行一致性檢驗，通過一致性檢驗后進行層次總排序的一致性檢驗；

3）將通過一致性檢驗的層次總排序輸出，將得分結(jié)果從上到下排序，篩選出用于電網(wǎng)監(jiān)控運營綜合效益評價指標體系。

初選指標按照對整個供電公司效益影響力的大小進行比較分析，初篩后的指標及權(quán)重如表2所示。

表2 層次分析指標權(quán)重表

運用AHP 篩選權(quán)重排名前15 的指標，包括營業(yè)成本、資產(chǎn)總額等，如表2 中的指標權(quán)重，但是指標數(shù)不符合DEA 理論中“拇指原則”［14］，DMU 個數(shù)要大于指標個數(shù)。同時，上述AHP 篩選出的某些二級指標分類，在一級指標上互有重疊，原因是對于電網(wǎng)企業(yè)來說，電網(wǎng)運營是一項技術(shù)要求高、社會需求因素復(fù)雜的經(jīng)營活動，在表征企業(yè)運營及企業(yè)戰(zhàn)略表達、涉及具體的二級指標時，其歸屬于哪種一類指標，并沒有明確的界限。為削弱重疊效益影響，對一些指標可進行人工修正權(quán)重，從而剔除影響效益較小指標，其包含的情況主要有如下兩種：

1）對于不同的運行管理人員而言，不同指標具有不同的價值，基層生產(chǎn)技術(shù)人員及專責關(guān)注的是技術(shù)類指標，而高層管理人員則把控整個電網(wǎng)公司總體運營效益，關(guān)注重點為經(jīng)濟類指標，決策人員可以根據(jù)其主觀經(jīng)驗對權(quán)重進行微調(diào)。

2）考慮到國家政策轉(zhuǎn)變、大范圍高強度災(zāi)害天氣、電網(wǎng)運行特性以及電網(wǎng)公司考核指標的偏重等因素的影響，可酌情對指標權(quán)重實施調(diào)整［15］。在上述運用AHP 得出指標權(quán)重基礎(chǔ)上，上調(diào)某些指標權(quán)重，同時下調(diào)其他指標的權(quán)重，設(shè)存在d個需要人工調(diào)整的指標且其下標集合為D，rd為人工決策權(quán)重修正量，上調(diào)時為正，下調(diào)時為負，則各指標權(quán)重調(diào)整為

式中：ωd0為層次分析指標權(quán)重；rd應(yīng)滿足。

電網(wǎng)企業(yè)決策者主要通過經(jīng)濟指標對企業(yè)綜合效益進行評估分析，根據(jù)效益評估結(jié)果為企業(yè)進行戰(zhàn)略發(fā)展部署做指導(dǎo)。所以可根據(jù)效益目標要求，人工調(diào)整增加經(jīng)濟指標權(quán)重，因此，篩選后的投入指標為資產(chǎn)總額、營業(yè)成本、購電成本、輸配電成本，產(chǎn)出指標為營業(yè)收入、售電收入、經(jīng)濟增加值、利潤總額、利稅總額。

2 效益評估算法模型

2.1 DEA效益評估模型

DEA是運籌學、管理科學和數(shù)理經(jīng)濟學交叉研究的一個新的領(lǐng)域，是用來評價具有多輸入多輸出DMU相對有效性的非參數(shù)方法，由著名的運籌學家A.Charnes，W.W.Cooper 和E.Rhodes 于1978 年首次提出［16-17］。

CCR對偶線性規(guī)劃模型可表示為

式中：θ為第i個DMU 的有效值（指投入相對于產(chǎn)出的有效利用程度），當θ=1，則該方案有效，θ＜1，則方案無效；xi為第i個DMU的投入要素，要求越小越好；yi為第i個DMU 的產(chǎn)出要素，要求越大越好；λi為第i個DMU 的權(quán)重系數(shù)；z為DMU 的個數(shù)；x0、y0為最優(yōu)輸入與輸出值。

2.2 基于RBFNN的綜合效益評價

數(shù)據(jù)包絡(luò)分析算法實質(zhì)是評估已有輸入輸出值的DMU有效性，神經(jīng)網(wǎng)絡(luò)是不斷優(yōu)化訓(xùn)練輸入層、隱含層、輸出層之間的權(quán)重與偏差，兩種算法具有相似之處，同時神經(jīng)網(wǎng)絡(luò)可逼近所有函數(shù)［18］。因此，考慮將兩種算法結(jié)合使用來驗證效益評估的有效性。

1）RBFNN算法原理。

RBFNN 是一種新穎有效的前饋式神經(jīng)網(wǎng)絡(luò)，既具有線性算法收斂的特征，同時又具有非線性算法準確性高，且學習速度比通常的誤差反向傳播神經(jīng)網(wǎng)絡(luò)方法快103～104倍。RBFNN 是3 層前饋網(wǎng)絡(luò)，包括輸入層、隱含層和輸出層，其結(jié)構(gòu)如圖2所示。

輸入層由傳輸信號的輸入節(jié)點組成；隱層節(jié)點通過基函數(shù)（常用的是高斯函數(shù)）執(zhí)行一種固定不變的非線性變化，將輸入空間隱射到一個新的空間；輸出節(jié)點對隱節(jié)點給出的基函數(shù)進行線性加權(quán)組合［19］。在RBFNN 中通過非線性基函數(shù)的線性組合從而實現(xiàn)從輸入空間到輸出空間的非線性轉(zhuǎn)換。激活函數(shù)可表示為

由圖2可得到RBFNN的輸出為

圖2 RBFNN結(jié)構(gòu)

式中：ykj為第k個輸入樣本經(jīng)過網(wǎng)絡(luò)得出的第j個輸出值；b為輸入向量的維數(shù)；ωpj為連接輸出層和隱含層的權(quán)值。

2）RBFNN 對DEA 有效樣本的學習和學習后的預(yù)測。

運用DEA 對電網(wǎng)監(jiān)控系統(tǒng)進行效益評估后，必然會有效益最優(yōu)與無效DMU，假設(shè)有效DMU 的個數(shù)為q個，Xq×m和Yq×b為經(jīng)過DEA 評估后有效DMU 的輸入和輸出矩陣，即是神經(jīng)網(wǎng)絡(luò)的學習樣本，將無效的DMU 作為檢驗樣本，輸入檢驗樣本的輸入值A(chǔ)，用學習后的神經(jīng)網(wǎng)絡(luò)計算得出無效DMU 的輸出值為C，再將無效DMU的輸入A和輸出C反代入模型CCR對偶中，得出θ值判定是否為1，如果為1，說明該方法可行。進一步分析無效DMU的原因，歸口到部門，指出改進之處。技術(shù)路線如圖3所示，具體流程如下：

圖3 技術(shù)路線

1）通過指標初選與復(fù)選；

2）將DMU 進行DEA 效益評估，判斷DMU 有效性；

3）將有效DMU 的輸入值、輸出值放入RBFNN進行訓(xùn)練；

4）將無效DMU的輸入值放入訓(xùn)練好的RBFNN，計算輸出；

5）將4）結(jié)果代入2），重新進行效益評估，效益值為1 結(jié)束，不是1，轉(zhuǎn)到4），重復(fù)此過程，直到滿足效益值為1。

3 算例分析

3.1 采用DEA對DMU進行效益評估

從橫縱兩個維度來驗證所選指標和模型算法的有效性。選用省級監(jiān)控運營中心14 個供電公司進行橫向?qū)诵б嬖u估對比；選擇市縣級監(jiān)控運營中心1 個供電公司（撫順供電公司）以時間維度縱向效益評估。指標為前文篩選出的9 個經(jīng)濟指標，指標數(shù)據(jù)來源于電網(wǎng)監(jiān)控運營中心，采用MATLAB 編程結(jié)果如表3 和表4 所示，將二次篩選后的9 個指標數(shù)據(jù)代入CCR 對偶模型，計算結(jié)果如圖4 和圖5 所示。分析圖4可知，14個供電公司中DEA 有效的是沈陽、大連、鞍山、撫順、錦州、營口、遼陽、鐵嶺、盤錦，θ值為1；在具有相同輸入的條件下，原有監(jiān)控中心14 個供電公司有5 個DMU 無效輸出值，根據(jù)結(jié)果顯示深入分析，剩余3 個無效DMU 是阜新、葫蘆島和本溪，阜新供電公司由于部分城區(qū)及縣域城市配電網(wǎng)老舊，故障相對較多，從而造成配電網(wǎng)運行可靠性下降，再加之正在進行的配電網(wǎng)升級改造工程，配電網(wǎng)運行方式多有變更，在一定程度上影響了用戶用電，從而導(dǎo)致DMU 值較低；葫蘆島供電公司是由于電網(wǎng)負荷增加較快，電網(wǎng)建設(shè)投資速度低于電量增長速度，從而降低了其DMU 效率；本溪供電公司由于“三供一業(yè)”工程結(jié)束，地區(qū)投資效率減緩，沒有找到新的增長點，在已有網(wǎng)架上進行維護，導(dǎo)致生產(chǎn)效益同比變慢，效率低下。

圖4 2017年7月份14個供電公司效益比較

圖5 2017年12個月?lián)犴樄╇姽拘б姹容^

表3 2017年7月14個供電公司效益比較

表4 2017年12個月?lián)犴樄╇姽拘б姹容^

續(xù)表

由表4 和圖5 可看出3、4、5、6、7、10 月的效益值最好，θ值為1，這是由于3、4、5、6、7、10 月正值當?shù)毓╇姽敬杭竞颓锛緳z修工作繁忙之際，各部門運作積極且配合程度較高，公司整體投入產(chǎn)出效率較高，其他月份的主要工作是為春檢、秋檢做準備，以及為員工做業(yè)務(wù)培訓(xùn)，因此相對較忙的月份，其工作效率以及部門之間的配合程度略有下降，因此造成了這些月份的DEA有效性下降。

3.2 用RBFNN進行DEA有效性預(yù)測

針對DEA 效益值為1 的供電公司，采用神經(jīng)網(wǎng)絡(luò)訓(xùn)練其最優(yōu)DMU。即通過對沈陽、大連、鞍山、撫順、遼陽、錦州、營口、鐵嶺、盤錦9 個DEA 有效供電公司的投入產(chǎn)出數(shù)據(jù)作為訓(xùn)練樣本，得到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)。將DEA 效益不佳的供電公司投入數(shù)據(jù)放入訓(xùn)練好的徑向神經(jīng)網(wǎng)絡(luò)，通過神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到產(chǎn)出數(shù)據(jù)，通過技術(shù)改造，人員優(yōu)化、部門更加協(xié)同嫻熟的配合，盡量降低此類誤差值，然后將經(jīng)過供電公司調(diào)整后的投入產(chǎn)出數(shù)據(jù)再帶入DEA 模型中進行測算，當測算結(jié)果仍然DEA 效益不達標時，繼續(xù)將此DMU 的投入產(chǎn)出數(shù)據(jù)代入神經(jīng)網(wǎng)絡(luò)中進行訓(xùn)練，同樣得到輸出值，比較輸出值與原值之間的差值，當差值不滿足閾值要求時，重復(fù)上述過程直到差值滿足閾值要求，這時此供電公司投入的資金，部門人員之間的配合，部門內(nèi)部的工作效率應(yīng)為最佳狀態(tài)。

將通過DEA 評估有效的9 個供電公司作為訓(xùn)練樣本，用RBFNN 學習，將樣本輸出值與神經(jīng)網(wǎng)絡(luò)計算輸出值做誤差對比，通過反復(fù)計算，最終達到誤差達到閾值要求程度。利用MATLAB 神經(jīng)網(wǎng)絡(luò)工具箱進行訓(xùn)練求解。由多次模擬結(jié)果可知：當訓(xùn)練次數(shù)滿足300 次，最小訓(xùn)練速率為0.78，允許誤差小于0.000 9，迭代次數(shù)為800 時，預(yù)測效果最好，結(jié)果見表5。從表5 可以看出，訓(xùn)練值與樣本值訓(xùn)練誤差保證在0.000 9 以內(nèi)，學習后的神經(jīng)網(wǎng)絡(luò)達到了所要求的誤差標準。

將剩余的5 個非DEA 有效的DMU，作為檢驗樣本，將樣本的輸入放入已經(jīng)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)中進行學習，計算出訓(xùn)練輸出值，為驗證這些輸出值是否為DEA 有效，將輸入值和利用神經(jīng)網(wǎng)絡(luò)計算出的樣本輸出值，帶入CCR 對偶模型，計算結(jié)果見表6。從表6 可以看出，得到的θ值都接近有效值1，說明5 個DMU 利用神經(jīng)網(wǎng)絡(luò)計算出的輸出相對于原有輸入的DEA 有效的。驗證了模型與算法的有效性，精度方面可通過增加DMU 進行訓(xùn)練。綜上所知，表5 中的訓(xùn)練值為無效DMU 的輸入輸出最優(yōu)值，決策者可根據(jù)該數(shù)據(jù)，調(diào)整無效DMU 的投入和產(chǎn)出量，全面把控企業(yè)發(fā)展方向。

表5 神經(jīng)網(wǎng)絡(luò)訓(xùn)練表

表6 訓(xùn)練后DEA效益評估

4 結(jié)語

運用層次分析及變權(quán)重方法，從電網(wǎng)監(jiān)控運營中心篩選出9 個效益評估指標，運用DEA-RBF 雙重算法對省級監(jiān)控運營中心14 個供電公司進行橫向效益評估、縣級監(jiān)控運營中心1 個供電公司按時間縱向效益評估，對非DEA 有效的DMU 進行了進一步分析，指出了企業(yè)存在的問題及原因，并為企業(yè)今后發(fā)展提供了改進方向。本文在進行效益評估時未考慮地域?qū)πб娴挠绊懀乱徊綄⒔Y(jié)合地域發(fā)展情況對供電企業(yè)進行更全面的效益評估。