李撈扒, 鄒陽, 曾曉勤

(河海大學(xué) 計算機(jī)與信息學(xué)院,南京 211100)

0 引言

電費(fèi)資金回收是電網(wǎng)企業(yè)的生命線，電費(fèi)收取的風(fēng)險不僅會影響電網(wǎng)企業(yè)的持續(xù)健康發(fā)展，也勢必會影響整個國民經(jīng)濟(jì)的穩(wěn)定性[1]。隨著國家電網(wǎng)公司建設(shè)的一體化繳費(fèi)管理平臺逐漸開始支持電網(wǎng)企業(yè)、金融機(jī)構(gòu)和非金融機(jī)構(gòu)等多種繳費(fèi)渠道的接入，為客戶提供了便捷靈活的繳費(fèi)方式，同時也增加了電費(fèi)資金在從客戶到第三方繳費(fèi)渠道再到電網(wǎng)企業(yè)的流動過程中的收取風(fēng)險。那么如何加強(qiáng)電費(fèi)資金安全管理技術(shù)應(yīng)用，系統(tǒng)性梳理電費(fèi)流轉(zhuǎn)各環(huán)節(jié)風(fēng)險點(diǎn)，防范各環(huán)節(jié)資金安全風(fēng)險，確保電費(fèi)顆粒歸倉，已成為電網(wǎng)企業(yè)營銷管理部門的重要任務(wù)。

目前，關(guān)于電費(fèi)資金安全風(fēng)險監(jiān)控的研究主要集中在防范客戶層面上的拖、欠費(fèi)風(fēng)險，且通常采用的是基于數(shù)學(xué)和統(tǒng)計學(xué)的方法，少部分研究者已經(jīng)開始嘗試將機(jī)器學(xué)習(xí)方法引入到拖、欠費(fèi)風(fēng)險評估中。對于客戶層面的風(fēng)險監(jiān)控研究已經(jīng)取得了很多實質(zhì)性的成果并有部分信用評價系統(tǒng)、風(fēng)險評估系統(tǒng)和欠費(fèi)預(yù)警系統(tǒng)進(jìn)入實際上線運(yùn)行階段[2]，但隨著電力體制改革的不斷深化，繳費(fèi)渠道存在的風(fēng)險被逐漸暴露出來，然而，目前對繳費(fèi)渠道風(fēng)險的研究屈指可數(shù)，且仍主要是套用客戶風(fēng)險研究方法。由于客戶只是電費(fèi)資金流轉(zhuǎn)過程中的一個環(huán)節(jié)，而目前的電費(fèi)風(fēng)險監(jiān)控系統(tǒng)又缺乏對繳費(fèi)渠道存在的風(fēng)險進(jìn)行系統(tǒng)梳理、有效識別和精準(zhǔn)防控，所以現(xiàn)有的風(fēng)險監(jiān)控策略不能形成輻射全過程的風(fēng)險防范預(yù)案。

經(jīng)過長期對電力客戶繳費(fèi)行為軌跡的跟蹤觀測研究，發(fā)現(xiàn)除電網(wǎng)企業(yè)本身繳費(fèi)渠道外，其他繳費(fèi)渠道均隱藏著潛在的資金流異常，主要表現(xiàn)為收取電費(fèi)后攜款外逃、使用充值卡套取多重手續(xù)費(fèi)、不定時長截留電費(fèi)、查繳比偏高、重復(fù)扣款和對賬不及時等風(fēng)險。本文在已明確第三方繳費(fèi)渠道存在的風(fēng)險類型、成因機(jī)理和表現(xiàn)形式的基礎(chǔ)之上，提出了一個基于繳費(fèi)行為軌跡追蹤的渠道風(fēng)險監(jiān)控模型。首先對客戶的繳費(fèi)記錄進(jìn)行定性分析，通過分析客戶的繳費(fèi)記錄追蹤到其繳費(fèi)行為軌跡，進(jìn)而根據(jù)風(fēng)險類型識別模型判斷出該客戶潛在的風(fēng)險類型；然后確定各風(fēng)險評估指標(biāo)，建立渠道風(fēng)險評估指標(biāo)體系，定量統(tǒng)計渠道不同風(fēng)險類型的各評估指標(biāo)值；最后通過風(fēng)險評估模型得到渠道各風(fēng)險類型的風(fēng)險指數(shù)和風(fēng)險排名。該模型將機(jī)器學(xué)習(xí)方法引入到風(fēng)險類別識別模型和風(fēng)險評估模型中，同時將定性指標(biāo)和定量指標(biāo)分開考慮，解決了傳統(tǒng)方法中魯棒性較差和機(jī)器學(xué)習(xí)方法中解釋性較差的問題，且獲得了可信度較高的風(fēng)險評估結(jié)果。

1 相關(guān)研究

我國電力行業(yè)于本世紀(jì)初開始引入風(fēng)險監(jiān)控研究，經(jīng)過近些年對電費(fèi)收取風(fēng)險監(jiān)控的研究與探索，相繼從不同角度分別提出了一些值得借鑒的風(fēng)險評估方法和思想。

起初，風(fēng)險評估主要是采用基于數(shù)學(xué)和統(tǒng)計學(xué)的方法，其中，基于數(shù)據(jù)統(tǒng)計特征的熵權(quán)法(entropy weight method, EWM)[3]，由于忽略了不同評估指標(biāo)間存在的關(guān)系，所以通常作為評估指標(biāo)的計量方法，而不適合作為風(fēng)險評估方法；層次分析法(analytic hierarchy process, AHP)[4]是應(yīng)用最廣泛的風(fēng)險評估方法，其本質(zhì)是主觀經(jīng)驗的客觀標(biāo)量轉(zhuǎn)化，然而由于不同的應(yīng)用場景對判斷矩陣的一致性要求不同，直接使用CR<0.1缺乏科學(xué)依據(jù)[5]，所以實際評估效果一般；改進(jìn)了AHP中CR值不確定問題的模糊層次分析法(fuzzy analytic hierarchy process, FAHP)[6]是將模糊數(shù)學(xué)理論與AHP相結(jié)合，把判斷矩陣改造成模糊一致矩陣，使用檢驗行間對應(yīng)元素差是否為同一常數(shù)代替判斷矩陣的一致性檢驗，但FAHP仍需要Delphi專家調(diào)研法和EM標(biāo)度法的支持，計算復(fù)雜度較高。

后來，隨著人工神經(jīng)網(wǎng)絡(luò)和機(jī)器學(xué)習(xí)的研究熱潮再次掀起，這些方法也逐漸被應(yīng)用到電力行業(yè)風(fēng)險監(jiān)控的相關(guān)預(yù)測研究中。文獻(xiàn)[7]利用SVM和BP神經(jīng)網(wǎng)絡(luò)實現(xiàn)了對客戶按風(fēng)險程度分類，但由于風(fēng)險評估指標(biāo)體系中既有定性指標(biāo)又有定量指標(biāo)，而此類方法只能進(jìn)行定量分析，所以導(dǎo)致其評估結(jié)果的解釋性較差，限制了其工程應(yīng)用；文獻(xiàn)[8]嘗試使用決策樹算法預(yù)測客戶欠費(fèi)風(fēng)險類型，但文中并未屏蔽與風(fēng)險預(yù)測無關(guān)的指標(biāo)，造成得出的決策樹結(jié)構(gòu)較復(fù)雜；文獻(xiàn)[9-11]將機(jī)器學(xué)習(xí)中的K-Means聚類算法、Logistic回歸分析法和遺傳算法等應(yīng)用到電費(fèi)收取風(fēng)險評估中，但對于數(shù)據(jù)量較少的渠道風(fēng)險，預(yù)測的精度往往不是很理想。

為了解決上述方法中存在魯棒性和解釋性較差的問題，同時為了提高預(yù)測的準(zhǔn)確率和降低模型的復(fù)雜度，應(yīng)盡量選取與繳費(fèi)行為相關(guān)且客觀可統(tǒng)計的評估指標(biāo)。根據(jù)所選的評估指標(biāo)，先使用改進(jìn)的決策樹算法將客戶按定性指標(biāo)分類，然后定量統(tǒng)計渠道各風(fēng)險類型的評估指標(biāo)值，最后使用回歸分析法(regression analysis)尋求風(fēng)險評估指標(biāo)與渠道風(fēng)險指數(shù)間的關(guān)系。為了解決回歸模型在求解輸入向量與目標(biāo)輸出間的多元函數(shù)表達(dá)式組時可能出現(xiàn)異方差性問題，嘗試使用加權(quán)最小二乘法(weighted least square method, WLS)[12]對原模型進(jìn)行修正，使得到的參數(shù)估計量同時具有無偏性和有效性。

2 構(gòu)建渠道風(fēng)險監(jiān)控模型

電費(fèi)資金的流轉(zhuǎn)過程可以簡單地描述為：用戶通過第三方渠道繳納電費(fèi)，第三方渠道定期將收到的電費(fèi)轉(zhuǎn)給電網(wǎng)企業(yè)。針對繳費(fèi)渠道在收取電費(fèi)過程中、收繳時間差內(nèi)、與電網(wǎng)企業(yè)對賬時存在的諸多風(fēng)險點(diǎn)，現(xiàn)通過構(gòu)建基于繳費(fèi)行為軌跡追蹤的渠道風(fēng)險監(jiān)控模型，以期及時發(fā)現(xiàn)潛在的風(fēng)險類型并對其進(jìn)行有效識別和精準(zhǔn)預(yù)測，為制定相應(yīng)的防范措施提供決策依據(jù)。

2.1 追蹤繳費(fèi)行為軌跡

客戶繳費(fèi)行為軌跡是分析電費(fèi)資金流轉(zhuǎn)各環(huán)節(jié)風(fēng)險的最直接依據(jù)，也是本模型的研究出發(fā)點(diǎn)。如表1所示。

表1 原始格式的數(shù)據(jù)記錄

在電費(fèi)營銷管理系統(tǒng)中，繳費(fèi)記錄包含渠道號、網(wǎng)點(diǎn)號、用戶號、費(fèi)用周期、賬單編號、交易流水號、交易時間、收費(fèi)類型、繳費(fèi)方式、結(jié)算方式、收費(fèi)金額、滯納金等字段，所以可通過數(shù)據(jù)庫中的繳費(fèi)記錄追蹤到客戶的繳費(fèi)行為軌跡，進(jìn)而判斷其可能存在的風(fēng)險類型。以下將以沖正套現(xiàn)風(fēng)險點(diǎn)為例對模型進(jìn)行描述，沖正套現(xiàn)是指第三方渠道以某種手段將客戶繳納電費(fèi)的操作從電力公司的營銷管理系統(tǒng)中撤回，電費(fèi)資金將回流到第三方渠道賬戶。

2.1.1 數(shù)據(jù)格式轉(zhuǎn)換

為方便追蹤客戶在一個費(fèi)用周期內(nèi)的繳費(fèi)行為軌跡，需要將其在一個費(fèi)用周期內(nèi)的所有繳費(fèi)操作歸納成一條記錄，具體的做法是先將數(shù)據(jù)庫中原始數(shù)據(jù)記錄轉(zhuǎn)換成單條數(shù)據(jù)格式，如表2所示。然后以客戶為單位，按時間先后排序，最后將單條數(shù)據(jù)格式歸并為單戶數(shù)據(jù)格式，如表3所示。同時對收費(fèi)類型、繳費(fèi)方式和結(jié)算方式字段重新編碼，其中，單條數(shù)據(jù)格式包括渠道號rcv_org_no、網(wǎng)點(diǎn)號branch、用戶號cons_id、賬單年月charge_ym、繳費(fèi)時間charge_date、收費(fèi)類型type_mode、繳費(fèi)方式pay_mode、結(jié)算方式settle_mode和收費(fèi)金額rcv_amt 9個屬性；單戶數(shù)據(jù)格式包括用戶號cons_id、賬單年月charge_ym、單條數(shù)據(jù)個數(shù)refer_id_num、單條數(shù)據(jù)集合refer_id_list 4個字段，其中的refer_id_list由單條數(shù)據(jù)標(biāo)識refer_id順序排列并以逗號分隔而成；編碼策略是將以01開頭的0101～0116分別映射到A～P，以02開頭的0201～0216分別映射到a～p。

表2 單條數(shù)據(jù)格式的數(shù)據(jù)記錄

表3 單戶數(shù)據(jù)格式的數(shù)據(jù)記錄

2.1.2 簡化繳費(fèi)行為軌跡序列

由2.1.1可知，每次繳費(fèi)行為可用收費(fèi)類型、繳費(fèi)方式和結(jié)算方式3個字段組成的編碼組表示。由于客戶繳費(fèi)行為具有較大的隨意性，所以數(shù)據(jù)中反映出來的繳費(fèi)軌跡復(fù)雜多樣，因此有必要對繳費(fèi)行為軌跡進(jìn)行簡化，提取出關(guān)鍵行為節(jié)點(diǎn)。經(jīng)過對沖正套現(xiàn)業(yè)務(wù)的深入分析，得到如下簡化規(guī)則：

1)與前一步相同的操作不再加入整體軌跡序列。

2)反復(fù)進(jìn)行沖正和充值卡繳費(fèi)的操作，合并后僅保留一組序列。

3)任意一種繳費(fèi)操作和預(yù)收結(jié)轉(zhuǎn)電費(fèi)操作聯(lián)合發(fā)生時，合并后保留其中一個編碼組。

4)如果在沖正操作之后發(fā)生預(yù)收結(jié)轉(zhuǎn)電費(fèi)，則忽略該條轉(zhuǎn)賬記錄。

經(jīng)過上述兩步處理后，可得到簡化的某客戶在指定費(fèi)用周期內(nèi)有時序特征的繳費(fèi)行為軌跡序列。那么上例對應(yīng)簡化的繳費(fèi)行為軌跡序列為：AAKIAKCAF。

2.1.3 風(fēng)險類別識別

風(fēng)險類型識別是根據(jù)簡化的客戶繳費(fèi)行為軌跡序列判斷其潛在的風(fēng)險類型，是定性分析的核心內(nèi)容。在創(chuàng)建風(fēng)險類型識別模型之前，需要明確的是沖正套現(xiàn)風(fēng)險點(diǎn)包含了三種風(fēng)險類型，如表4所示。

表4 風(fēng)險類型

創(chuàng)建風(fēng)險類型識別模型，首先需要構(gòu)造數(shù)據(jù)集。從某省2017年6月到10月的每個月份中抽取5000個典型用戶的所有繳費(fèi)記錄，將其軌跡序列作為特征屬性，使用Delphi專家調(diào)研法標(biāo)注對應(yīng)的風(fēng)險類型。為了保證樣本占用的存儲空間相等，文中采用稀疏矩陣存儲樣本特征，并使用0來填充空缺位置，同時設(shè)置最后一列為目標(biāo)分類結(jié)果。假設(shè)稀疏矩陣的長度為10，那么上例轉(zhuǎn)化為樣本時對應(yīng)的數(shù)據(jù)格式如表5所示。

表5 數(shù)據(jù)集中的樣本

由于繳費(fèi)行為軌跡序列具有較強(qiáng)的時序性，所以選擇機(jī)器學(xué)習(xí)方法中基于信息熵增益的ID3決策樹算法對軌跡序列進(jìn)行分類，每次劃分子樹前，先計算下一個編碼組的信息增益，然后選擇信息增益最大的編碼組進(jìn)行分裂，直到遍歷完所有編碼組，其中，信息增益如式(1)。

(1)

式中：H表示信息熵，S表示全部樣本，value(i)是第i組樣本的所有取值集合，v是第i組樣本的一個取值，Sv表示S中第i組值為v的全部樣本，|Sv|表示Sv中包含的樣本數(shù)。

由于無法預(yù)知客戶未來繳費(fèi)行為軌跡序列的最大長度，所以為了提高識別模型的精度和決策樹的泛化能力，使用正則表達(dá)式對決策樹進(jìn)行模式匹配和邏輯補(bǔ)充。從數(shù)據(jù)集的每個月份中隨機(jī)選取4 000條數(shù)據(jù)作為訓(xùn)練集，訓(xùn)練得到如圖1所示的風(fēng)險類型識別模型，其中：“0”代表是否存在后續(xù)操作，即繳費(fèi)行為軌跡是否到此終止；“01”、“02”、“03”、“04”分別對應(yīng)表4中的風(fēng)險類型編號。

2.2 建立風(fēng)險評估指標(biāo)體系

風(fēng)險評估指標(biāo)體系是定量統(tǒng)計的依據(jù)，也是風(fēng)險評估的前提，將直接影響評估結(jié)果的合理性。如圖1所示。

圖1 風(fēng)險類型識別模型

在選取風(fēng)險評估指標(biāo)時，應(yīng)遵循精簡可靠、滿足需求、縱向可比性高且客觀統(tǒng)計特征強(qiáng)等原則。如前所述，為降低風(fēng)險類型識別模型的結(jié)構(gòu)復(fù)雜度、提高定性識別的準(zhǔn)確率，應(yīng)盡量選取與繳費(fèi)行為相關(guān)度較高的特征屬性，通過追蹤客戶的繳費(fèi)行為軌跡可判斷出其潛在的風(fēng)險類型，進(jìn)而可得到某渠道下存在每種風(fēng)險的風(fēng)險次數(shù)、風(fēng)險金額、風(fēng)險次數(shù)比、風(fēng)險金額比、風(fēng)險總時長、平均風(fēng)險時長和風(fēng)險高峰時段等統(tǒng)計指標(biāo)。

參考目前在企業(yè)信用管理中廣泛使用的5C理論和AHP中關(guān)于指標(biāo)體系的討論，結(jié)合電力行業(yè)特點(diǎn)及渠道風(fēng)險評估需要，本文建立了一套基于風(fēng)險類型的、多層次遞階的渠道風(fēng)險評估指標(biāo)體系，如圖2所示。

2.3 渠道風(fēng)險評估

在定性分析確定客戶風(fēng)險類型和定量統(tǒng)計得到渠道各風(fēng)險評估指標(biāo)值的基礎(chǔ)之上，可使用機(jī)器學(xué)習(xí)方法對渠道風(fēng)險進(jìn)行評估預(yù)測，這樣就可以解決由直接對原始數(shù)據(jù)使用機(jī)器學(xué)習(xí)方法造成的評估結(jié)果解釋性較差的問題，實現(xiàn)分類評估。由渠道風(fēng)險評估指標(biāo)體系可知，對于目標(biāo)層1、2、3、4、5和6，其決策層之間是相互獨(dú)立的，所以可使用回歸分析法構(gòu)建自動化的風(fēng)險評估模型，計算各風(fēng)險類型的風(fēng)險指數(shù)值，進(jìn)而可得到統(tǒng)計推斷下的渠道各風(fēng)險排名。由于不同的風(fēng)險類型對應(yīng)著不同的風(fēng)險評估模型，但其創(chuàng)建過程大同小異，所以以下將以截留電費(fèi)風(fēng)險為例，對風(fēng)險評估模型的創(chuàng)建過程進(jìn)行描述。

圖2 渠道風(fēng)險評估指標(biāo)體系

由于Delphi專家調(diào)研法得到的評估結(jié)果最直接、最具有參考意義，所以通常將其作為回歸分析的參考依據(jù)。本文選取連續(xù)3個費(fèi)用周期內(nèi)的500個存在截留電費(fèi)風(fēng)險的典型渠道作為回歸樣本，為了弱化主觀經(jīng)驗對回歸結(jié)果的影響，使用具有相對關(guān)系的排名代替具體的風(fēng)險指數(shù)值。設(shè)樣本P=[p1,…,p500]，權(quán)重向量X=[x1,…,x6]，風(fēng)險指數(shù)Y=[y1,…,y500]，且yi已按從大到小排序，根據(jù)回歸分析的思想，yi=X·pi，那么yi-yi+1≥0恒成立，故存在多元回歸函數(shù)不等式組成立式(2)。

(2)

解出該多元不等式方程組即可得出權(quán)重向量X。

由于直接求解不等式組難度較大，所以可將上述不等式轉(zhuǎn)化為形式上的等式，即yi-yi+1=ξi，其中ξi為常數(shù)。那么式(2)可寫成式(3)。

(3)

用D-1對原模型進(jìn)行加權(quán)，得到式(4)。

D-1·Y=D-1·X·A+D-1·B

(4)

通過變量替換，令Y*=D-1·Y，X*=D-1·X，B*=D-1·B，式(4)可寫成式(5)。

Y*=X*·A+B*

(5)

此時(5)的協(xié)方差

Cov(B*,B*)=E(D-1·B·B·(D-1)T)=

所以新模型不存在異方差性，再對新模型使用LSM得到參數(shù)估計量XWLS=(AT·W-1·A)-1·AT·W-1·Y，此時的XWLS同時具有無偏性和有效性。

如何求解參數(shù)估計量XWLS，可以歸結(jié)為如何確定加權(quán)矩陣W的值。首先對原模型X·A=b運(yùn)用最小二乘法得到誤差項的近似估計量ei，然后由ei組成加權(quán)矩陣W，那么基于WLS的回歸分析基本流程如下：

1)求出原模型的最小二乘解(AT·A)-1·AT·b，并計算誤差項的近似估計量ei。

2)利用ei構(gòu)造合適的加權(quán)矩陣W=D·DT。

3)將D-1左乘原模型的兩邊得到新模型，再求出新模型的最小二乘解(AT·W-1·A)-1·AT·W-1·b。

綜上，可得到基于繳費(fèi)行為軌跡追蹤的渠道風(fēng)險監(jiān)控模型的算法，偽代碼描述如下：

算法1：基于繳費(fèi)行為軌跡追蹤的渠道風(fēng)險監(jiān)控算法

Algorithm1: ChannelMonitor()

Input: 費(fèi)用周期區(qū)間[t1,t2],截留和延遲時長閾值x1

Output: Map;//String存儲渠道號c，

RiskRank包含風(fēng)險類型t，風(fēng)險指數(shù)i和風(fēng)險排名r 3個屬性

1)List monthList=splitDate(t1,t2);

2)foreachpmonthinmonthListdo

3) String info=getOriRecord(pmonth.getStartDate(),

pmonth.getEndDate());//獲取原始數(shù)據(jù)

4) Map userMap=formatData(info); //格式化成單戶數(shù)據(jù)格式

5)foreach(id,user)inuserMapdo

6) String paySeq=getPaySeq(user);//追蹤繳費(fèi)行為

軌跡序列

7) String keyPaySeq=simplePaySeq(paySeq);//簡化

軌跡序列，提取出關(guān)鍵行為節(jié)點(diǎn)

8) user.setRiskType(cognRiskType(keyPaySeq,x1));

//根據(jù)簡化的軌跡序列識別潛在的風(fēng)險類型

9) userMap.put(id,user);

10)endforeach

11) Map channelStatsMap= statsData (userMap);//統(tǒng)計每個渠道各風(fēng)險類型的指標(biāo)值

12)foreachXRiskinRISKTYPELISTdo

13) XRiskTable channelXRiskData = getXRiskData

(channelStatsMap);//獲取渠道某風(fēng)險的數(shù)據(jù)

14) Map stdXRiskData= preDealData(channelXRiskData);//對數(shù)據(jù)進(jìn)行過濾、標(biāo)準(zhǔn)化、做差等預(yù)處理

15) Map channelXRisk= mXRisk (stdXRiskData);//調(diào)用某風(fēng)險類型對應(yīng)的評估模型

16) Map channelXRiskRank= rankStgy (channelXRisk);//調(diào)用排序策略

17)returnchannelXRiskRank;

18)endforeach

19)endforeach

3 實驗結(jié)果及分析

本部分將對上述文中提出的基于繳費(fèi)行為軌跡追蹤的渠道風(fēng)險監(jiān)控模型進(jìn)行實驗驗證，對比分析風(fēng)險類型識別模型的準(zhǔn)確率和風(fēng)險評估模型的合理性，并進(jìn)一步探討其工程實用性。

由于精確地預(yù)測客戶潛在的風(fēng)險類型是實現(xiàn)渠道風(fēng)險監(jiān)控的前提和必要條件，所以為了驗證使用ID3決策樹算法與正則表達(dá)式結(jié)合的方法創(chuàng)建的風(fēng)險類型識別模型的準(zhǔn)確率，分別使用ID3決策樹算法、正則表達(dá)式和ID3決策樹算法與正則表達(dá)式相結(jié)合的方法創(chuàng)建沖正套現(xiàn)風(fēng)險類型識別模型和查繳比異常風(fēng)險類型識別模型，將數(shù)據(jù)集中每個月份剩下的1000條數(shù)據(jù)作為測試集，對比不同方法創(chuàng)建的風(fēng)險類型識別模型的準(zhǔn)確率，得到每組實驗的準(zhǔn)確率如表6所示。

表6 風(fēng)險類型識別模型的準(zhǔn)確率

由表6可知，將ID3決策樹算法與正則表達(dá)式相結(jié)合創(chuàng)建的風(fēng)險類型識別模型的準(zhǔn)確率超過0.987，比單獨(dú)使用ID3決策樹算法提高了約1.9%，且當(dāng)分類模型越復(fù)雜，準(zhǔn)確率提升越明顯，同時，引入正則表達(dá)式還可以降低風(fēng)險類型識別模型的結(jié)構(gòu)復(fù)雜度。

圖3 渠道排名誤差的絕對值之和

表7 渠道排名誤差統(tǒng)計表

由表7可知，約96.72%的樣本排名誤差在3個名次之內(nèi)，僅有約0.33%的樣本排名誤差超過10個名次，評估精確度能夠滿足實際需求，所以引入加權(quán)最小二乘法不僅可以解決回歸模型的異方差性問題，還可以提升模型的可信度與合理性。

為進(jìn)一步探討基于繳費(fèi)行為軌跡追蹤的渠道風(fēng)險監(jiān)控模型的實用性，分析在不同費(fèi)用周期內(nèi)同一渠道的某風(fēng)險類型排名變化情況。通過本模型獲得某省所有第三方渠道在2017年6月到10月連續(xù)5個費(fèi)用周期內(nèi)的截留電費(fèi)風(fēng)險相對排名，然后使用滑動窗口法[14]計算每個渠道的排名變化，經(jīng)分析發(fā)現(xiàn)，渠道的截留電費(fèi)風(fēng)險排名變化情況整體上符合較為規(guī)則的統(tǒng)計分布，如圖4所示。

由圖4可知，大部分渠道的風(fēng)險排名變化較小，只有少數(shù)渠道的排名變化超過了20個名次，這一結(jié)果說明部分渠道確實存在潛在的電費(fèi)收取風(fēng)險，所以構(gòu)建渠道風(fēng)險監(jiān)控模型是非常有必要的，同時也說明本模型具有一定的實用性。

圖4 渠道排名變化分布情況

4 總結(jié)

針對目前電費(fèi)資金流轉(zhuǎn)過程中的第三方繳費(fèi)渠道仍存在風(fēng)險監(jiān)控漏洞問題，文中提出了一個基于繳費(fèi)行為軌跡追蹤的渠道風(fēng)險監(jiān)控模型，并以沖正套現(xiàn)風(fēng)險點(diǎn)和截留電費(fèi)風(fēng)險類型為例，對模型的追蹤繳費(fèi)行為軌跡、構(gòu)建風(fēng)險評估指標(biāo)體系和渠道風(fēng)險評估三大核心步驟進(jìn)行了討論。實驗驗證了使用決策樹算法與正則表達(dá)式相結(jié)合的方法創(chuàng)建風(fēng)險類型識別模型可以獲得更高的準(zhǔn)確率，以及回歸分析時引入WLS可以提高風(fēng)險評估模型的合理性。模型將定性分析與定量統(tǒng)計分離，實現(xiàn)了分類評估，取得了可靠性較高的風(fēng)險評估結(jié)果。

將來隨著研究的進(jìn)一步深入和模型的不斷完善，會有更多機(jī)器學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)和數(shù)據(jù)挖掘方法與技術(shù)被用于風(fēng)險類型識別和風(fēng)險評估方面，可進(jìn)一步提升電網(wǎng)企業(yè)風(fēng)險監(jiān)控水平。