基于組合客觀賦權(quán)法的交通信用評(píng)級(jí)方法

許旺土，文琰杰

(1. 廈門(mén)大學(xué) 建筑與土木工程學(xué)院，福建 廈門(mén) 361005; 2. 中南大學(xué) 軌道交通安全教育部重點(diǎn)實(shí)驗(yàn)室，湖南 長(zhǎng)沙 410075)

0 引 言

交通信用是指在交通運(yùn)輸領(lǐng)域中的信用，按照評(píng)級(jí)對(duì)象不同，包涵個(gè)人交通信用和交通運(yùn)輸企業(yè)信用。目前針對(duì)交通信用的研究還很少，尚未形成完整的交通信用評(píng)級(jí)體系。

計(jì)算交通信用評(píng)級(jí)的核心是計(jì)算各評(píng)級(jí)指標(biāo)間的權(quán)重，大致可分為3類方法。① 主觀賦權(quán)法，即根據(jù)決策者意圖確定權(quán)重。XIN Zhongliang等[1]利用層次分析法對(duì)配電網(wǎng)規(guī)劃方案進(jìn)行了綜合評(píng)價(jià)；胡又詠等[2]采用層次分析法結(jié)合三標(biāo)度法確定了地鐵站火災(zāi)風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)體系及各評(píng)價(jià)指標(biāo)權(quán)重；趙星等[3]采用層次分析法對(duì)城市交叉口信號(hào)控制策略進(jìn)行了綜合評(píng)價(jià)。主觀賦權(quán)法能反映出決策者對(duì)不同指標(biāo)的重視程度，但客觀性差，結(jié)果受異常數(shù)據(jù)的影響較大。② 客觀賦權(quán)法，即基于數(shù)據(jù)結(jié)構(gòu)特征對(duì)各指標(biāo)進(jìn)行權(quán)重計(jì)算。ZHANG Zundong等[4]采用快速中間熵值法分析了運(yùn)輸網(wǎng)絡(luò)的結(jié)構(gòu)穩(wěn)定性；BAI Pengrui等[5]采用因子分析法對(duì)陜西省道路客運(yùn)影響因素進(jìn)行了研究；李海蓮等[6]基于區(qū)間數(shù)、模糊分析及粗糙集不完備系統(tǒng)建立了一種用于高速公路瀝青路面使用性能的客觀評(píng)價(jià)模型。客觀賦權(quán)法不依賴決策者的主觀性，只依賴單一模型，所計(jì)算的權(quán)重結(jié)果有可能與實(shí)際情況相反。③ 基于機(jī)器學(xué)習(xí)的賦權(quán)方法，該方法能將高維指標(biāo)映射為非線性關(guān)系，從而得到合理的結(jié)果。M.J.SHAW等[7]采用決策支持系統(tǒng)對(duì)商業(yè)貸款模式進(jìn)行了評(píng)估；A.LASISI等[8]采用決策樹(shù)模型對(duì)混凝土結(jié)構(gòu)的無(wú)損檢測(cè)進(jìn)行了評(píng)估；劉杰[9]采用支持向量機(jī)對(duì)軌道司機(jī)的駕駛水平進(jìn)行了評(píng)價(jià)?；跈C(jī)器學(xué)習(xí)的賦權(quán)方法為理解高維度空間下的數(shù)據(jù)關(guān)系提供了對(duì)策，為了獲得性能優(yōu)異的模型需要大批量的先驗(yàn)數(shù)據(jù)訓(xùn)練模型，然而交通信用評(píng)級(jí)數(shù)據(jù)不存在標(biāo)簽值，故該方法也不適用。

針對(duì)以上研究的不足，筆者引入客觀賦權(quán)法避免了主觀因素對(duì)權(quán)重結(jié)果的影響；同時(shí)考慮基于不同客觀賦權(quán)法對(duì)交通信用指標(biāo)權(quán)重結(jié)果帶來(lái)的差異性，將多類賦權(quán)方法組合得到的評(píng)級(jí)指標(biāo)權(quán)重體系，并結(jié)合連續(xù)式3-sigma準(zhǔn)則確定了各項(xiàng)指標(biāo)的信用得分；通過(guò)區(qū)間式3-sigma準(zhǔn)則確定評(píng)級(jí)區(qū)間，獲得交通運(yùn)輸企業(yè)的評(píng)級(jí)結(jié)果。

1 交通信用評(píng)級(jí)指標(biāo)

交通信用評(píng)級(jí)的流程如圖1。根據(jù)《部省交通運(yùn)輸信用信息交換指標(biāo)(2020版)》的規(guī)定，交通信用評(píng)級(jí)指標(biāo)可分為基本信息、履約能力和行業(yè)行為這3個(gè)大類，包含9項(xiàng)子指標(biāo)，如表1。

圖1 交通信用評(píng)級(jí)流程Fig. 1 Flow chart of traffic credit rating

表1 交通信用評(píng)級(jí)指標(biāo)Table 1 Traffic credit rating indicators

表1中的2級(jí)指標(biāo)說(shuō)明如下：屬性完整度為運(yùn)輸企業(yè)的基本信息(如地址、郵箱、簡(jiǎn)介、營(yíng)業(yè)執(zhí)照等)，單位為%；企業(yè)行政許可數(shù)量為運(yùn)輸企業(yè)獲得與道路運(yùn)輸相關(guān)的行政許可；企業(yè)監(jiān)督檢查為運(yùn)輸企業(yè)接受監(jiān)督檢查中獲得優(yōu)良的次數(shù)；企業(yè)信譽(yù)考評(píng)AAA、AA、A的數(shù)量分別為在一定時(shí)間內(nèi)對(duì)交通運(yùn)輸企業(yè)進(jìn)行考評(píng)結(jié)果優(yōu)良的數(shù)量，該數(shù)值越大說(shuō)明企業(yè)的交通信用越好；企業(yè)信譽(yù)考評(píng)B數(shù)量為運(yùn)輸企業(yè)進(jìn)行考評(píng)結(jié)果較差的數(shù)量，該值越大則表示信用越差；一般行政處罰數(shù)量與嚴(yán)重處罰數(shù)量為一定時(shí)間內(nèi)交通運(yùn)輸企業(yè)受到的行政相關(guān)處罰的條數(shù)。表1中一共包含考評(píng)指標(biāo)9項(xiàng)，其中正序指標(biāo)6項(xiàng)，逆序指標(biāo)3項(xiàng)。

考慮不同指標(biāo)之間存在的量綱差異及數(shù)據(jù)中的異常點(diǎn)(可能存在極大極小的情況)會(huì)對(duì)權(quán)重計(jì)算結(jié)果產(chǎn)生影響，在計(jì)算權(quán)重前應(yīng)先對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，如式(1)。

(1)

式中：x為對(duì)應(yīng)屬性的數(shù)據(jù)集；u為均值；σ為標(biāo)準(zhǔn)差。

標(biāo)準(zhǔn)化處理后的數(shù)據(jù)集標(biāo)準(zhǔn)差為1，均值為0，如此可使得權(quán)重結(jié)果不被某些維度過(guò)大的特征值影響[10]。

2 組合客觀賦權(quán)法原理

2.1 基于交通信用評(píng)級(jí)的組合客觀賦權(quán)法

客觀賦權(quán)法根據(jù)不同原理可以分為：基于信息濃縮的賦權(quán)法、基于數(shù)據(jù)信息量的賦權(quán)法和基于數(shù)據(jù)波動(dòng)性的賦權(quán)法。

1)基于信息濃縮的賦權(quán)法：因子分析法。因子分析法利用信息濃縮的思想，通過(guò)共性因子觀測(cè)變量，同時(shí)通過(guò)觀測(cè)變量也能表達(dá)共性因子[11]，其計(jì)算如式(2)：

Xi=γi1F1+γi2F2+…+λinFn+εi

(2)

式中：下標(biāo)i為交通信用評(píng)價(jià)指標(biāo)索引，i=1～9；F為對(duì)應(yīng)x的公共因子；γ為公共因子系數(shù)，即因子載荷矩陣中的元素。

2)基于數(shù)據(jù)信息量的賦權(quán)法：熵值法。熵值法根據(jù)數(shù)據(jù)攜帶信息量大小進(jìn)行權(quán)重計(jì)算，熵值是不確定性的度量，信息量越小則不確定性越大，對(duì)應(yīng)的熵值越大[12]。其計(jì)算如式(3)～式(6)：

(3)

(4)

gi=1-ei

(5)

(6)

式中：j為交通運(yùn)輸企業(yè)指標(biāo)數(shù)據(jù)；z為企業(yè)數(shù)量。

首先計(jì)算第j條數(shù)據(jù)的第i項(xiàng)指標(biāo)比重〔式(3)〕；再計(jì)算第i項(xiàng)指標(biāo)的熵值〔式(4)〕；最后計(jì)算第i項(xiàng)指標(biāo)的差異系數(shù)并求出權(quán)重〔式(5)〕。其中：gi越大說(shuō)明指標(biāo)越重要，通過(guò)歸一化即可求得各項(xiàng)指標(biāo)的權(quán)重〔式(6)〕。

3)基于數(shù)據(jù)波動(dòng)性的賦權(quán)法：CRITIC權(quán)重法。該方法是基于評(píng)價(jià)指標(biāo)的對(duì)比強(qiáng)度和指標(biāo)之間沖突性來(lái)衡量指標(biāo)的客觀權(quán)重，在考慮指標(biāo)變異性大小的同時(shí)兼顧指標(biāo)之間的相關(guān)性。通過(guò)指標(biāo)的標(biāo)準(zhǔn)差σ反映指標(biāo)的變異性，標(biāo)準(zhǔn)差越大則差異越大，對(duì)應(yīng)指標(biāo)包含的信息也越多，應(yīng)該分配更多的權(quán)重[13]。指標(biāo)沖突性用相關(guān)系數(shù)表示，如式(7)：

(7)

式中：rv為指標(biāo)v與其他指標(biāo)的沖突性，相關(guān)性越強(qiáng)則值越小，分配的權(quán)重越低；riv為指標(biāo)的i、v的相關(guān)性系數(shù)；i、v分別為不同的評(píng)級(jí)指標(biāo)索引。

通過(guò)變異性和沖突性可計(jì)算信息量cv=σv×rv，則根據(jù)式(8)可求得各個(gè)信用評(píng)級(jí)指標(biāo)的權(quán)重。

(8)

綜合上述3類基于不同原理的客觀賦權(quán)法可以求得不同交通信用評(píng)級(jí)指標(biāo)之間的權(quán)重，如式(9)。

(9)

式(9)中：每一行代表不同客觀賦權(quán)法的各個(gè)交通信用指標(biāo)權(quán)重，每一列代表在該指標(biāo)下的不同客觀賦權(quán)法得出的權(quán)重。

為獲得合理的交通信用得分，通過(guò)式(10)求得各項(xiàng)指標(biāo)權(quán)重，其中下標(biāo)i為權(quán)重算法索引，下標(biāo)j為指標(biāo)索引。

(10)

2.2 評(píng)級(jí)準(zhǔn)則

根據(jù)相關(guān)管理部門(mén)對(duì)交通信用等級(jí)得分的規(guī)定：總分為950分，基本分為600分，加分項(xiàng)為350分。加減分法則參照3-sigma法則，其概率密度函數(shù)如式(11)。

(11)

式中：u、σ2分別為對(duì)應(yīng)交通信用指標(biāo)數(shù)據(jù)的均值與方差。

一般而言，數(shù)值分布在(u-3σ,u+3σ)之間的概率為0.997 4[14]，在該區(qū)間外則被認(rèn)為是奇異點(diǎn)，需要對(duì)該企業(yè)對(duì)應(yīng)的信用指標(biāo)進(jìn)行重新評(píng)定。

筆者將3-sigam準(zhǔn)則分為區(qū)間式和連續(xù)式準(zhǔn)則。區(qū)間式3-sigma準(zhǔn)則根據(jù)企業(yè)信用得分確定企業(yè)信用評(píng)級(jí)區(qū)間，如圖2。

圖2 交通信用評(píng)級(jí)區(qū)間示意Fig. 2 Schematic diagram of traffic credit rating interval

由圖2可知：若得分落在指定區(qū)間有99%的置信度則被認(rèn)為該數(shù)據(jù)正常。連續(xù)式3-sigma準(zhǔn)則用于確定企業(yè)各項(xiàng)指標(biāo)加減分，考慮區(qū)間算法會(huì)導(dǎo)致中間信息損失，各正序指標(biāo)得分按照式(12)得出，對(duì)于逆序指標(biāo)需將S取負(fù)數(shù)。

(12)

考慮對(duì)稱性，筆者將信用評(píng)級(jí)分為6級(jí)(A～F)，其中信用評(píng)級(jí)A最好，信用評(píng)級(jí)F最差。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 交通信用評(píng)級(jí)指標(biāo)權(quán)重

以廈門(mén)市為例，采集了7 601家交通運(yùn)輸企業(yè)的相關(guān)指標(biāo)數(shù)據(jù)，其中包括上述指標(biāo)數(shù)據(jù)的客觀賦權(quán)算法在不同算法下各個(gè)指標(biāo)權(quán)重，如表2。

表2 不同賦權(quán)方法下的交通信用指標(biāo)權(quán)重結(jié)果Table 2 Weight results of traffic credit index under differentweighting methods

由表2可知：① 對(duì)不同客觀賦權(quán)算法可得到交通信用指標(biāo)存在的差異；② 基于因子分析法的賦權(quán)結(jié)果中行政處罰數(shù)量所占權(quán)重最高，而企業(yè)信譽(yù)考評(píng)A數(shù)量權(quán)重最低；③ 基于熵值法的賦權(quán)結(jié)果中企業(yè)基本信息完整所占權(quán)重最低，企業(yè)監(jiān)督檢查權(quán)重結(jié)果最高；④ 基于CRITIC權(quán)重的賦權(quán)結(jié)果中各個(gè)指標(biāo)間的權(quán)重?zé)o明顯差異；⑤ 組合賦權(quán)算法獲得各項(xiàng)指標(biāo)組合權(quán)重，根據(jù)權(quán)重大小，企業(yè)信譽(yù)考評(píng)中AAA數(shù)量依次高于AA和A的權(quán)重，行政處罰中，嚴(yán)重處罰數(shù)量權(quán)重高于一般處罰權(quán)重，表明組合客觀賦權(quán)法獲得的權(quán)重與實(shí)際主觀理解相符。

以600分的得分為基礎(chǔ)分并結(jié)合350分的加減分作為企業(yè)的最終得分。為確定不同企業(yè)各項(xiàng)指標(biāo)的加減分?jǐn)?shù)值，需對(duì)各個(gè)指標(biāo)進(jìn)行連續(xù)式3-sigam準(zhǔn)則運(yùn)算。各指標(biāo)加減總分情況如表3，部分指標(biāo)數(shù)據(jù)分布見(jiàn)圖3。由圖3可以確定對(duì)應(yīng)指標(biāo)參數(shù)u、σ；根據(jù)式(12)可以求得各企業(yè)不同指標(biāo)的詳細(xì)加減分，最后結(jié)合基礎(chǔ)分就可以獲得該企業(yè)交通信用得分。

表3 信用指標(biāo)加減總分情況Table 3 Total scores of credit indicators

圖3 部分指標(biāo)數(shù)據(jù)分布Fig. 3 Data distribution of some indicators

3.2 交通信用評(píng)級(jí)

基于企業(yè)交通信用得分分布可獲得企業(yè)得分相關(guān)參數(shù)(u,σ)=(598, 20)，結(jié)合區(qū)間式3-sigma準(zhǔn)則對(duì)交通信用進(jìn)行評(píng)級(jí)區(qū)間確定，評(píng)級(jí)區(qū)間見(jiàn)表4。限于篇幅，筆者以5家運(yùn)輸企業(yè)為例(5家運(yùn)輸企業(yè)分別編碼為a, b, c, d, e)，其指標(biāo)值見(jiàn)表5。

表4 交通信用評(píng)級(jí)區(qū)間Table 4 Traffic credit rating range

表5 運(yùn)輸企業(yè)信用評(píng)級(jí)指標(biāo)取值Table 5 Credit rating index values of transportation enterprises

根據(jù)組合權(quán)重結(jié)合評(píng)級(jí)準(zhǔn)則可得出各企業(yè)的交通信用得分及評(píng)級(jí)，結(jié)果見(jiàn)表6。

由表6可知：① 對(duì)于企業(yè)a，其正序指標(biāo)對(duì)應(yīng)值均為0，而逆序指標(biāo)均較大，因此信用得分較低，對(duì)應(yīng)信用評(píng)級(jí)為F；② 對(duì)于企業(yè)b，其逆序指標(biāo)信譽(yù)指標(biāo)評(píng)級(jí)為B的數(shù)量為0，信用得分略高于a，對(duì)應(yīng)評(píng)級(jí)為F；③ 對(duì)于企業(yè)c，其正序指標(biāo)數(shù)值為0，逆序指標(biāo)較少，評(píng)級(jí)為D；④ 對(duì)于企業(yè)d，其正序指標(biāo)信譽(yù)評(píng)級(jí)為A的數(shù)量為1，逆序指標(biāo)值較少，評(píng)級(jí)為C；⑤ 對(duì)于企業(yè)e，其正序指標(biāo)較多，逆序指標(biāo)數(shù)值少，評(píng)級(jí)為A；⑥ 基于組合客觀賦權(quán)的方法結(jié)合評(píng)級(jí)準(zhǔn)則對(duì)企業(yè)交通信用進(jìn)行評(píng)級(jí)，其結(jié)果符合各項(xiàng)指標(biāo)數(shù)值大小分布。

表6 交通運(yùn)輸企業(yè)交通信用得分與評(píng)級(jí)Table 6 Traffic credit score and rating of transportation enterprises

4 結(jié) 語(yǔ)

筆者對(duì)交通運(yùn)輸企業(yè)的信用評(píng)級(jí)進(jìn)行了研究。對(duì)無(wú)標(biāo)簽數(shù)據(jù)提出了組合客觀賦權(quán)法，考慮不同賦權(quán)算法性能存在差異性，通過(guò)融合權(quán)重能獲得符合數(shù)值標(biāo)稱意義的權(quán)重結(jié)果，將權(quán)重結(jié)合相關(guān)管理部門(mén)的打分規(guī)則，映射為各個(gè)指標(biāo)的加減分總分；通過(guò)連續(xù)式3-sigma準(zhǔn)則獲得企業(yè)每項(xiàng)指標(biāo)加減分情況，進(jìn)而獲得各企業(yè)的交通信用總得分，最后通過(guò)區(qū)間式3-sigma準(zhǔn)則獲得企業(yè)的評(píng)級(jí)結(jié)果。

此外，筆者提出的算法已運(yùn)用于廈門(mén)交通運(yùn)輸信用管理系統(tǒng)，評(píng)級(jí)結(jié)果較為合理。但本研究也存在一定局限性，如采用單一客觀賦權(quán)方法導(dǎo)致與主觀決策不相符，在未來(lái)研究中考慮將主觀賦權(quán)與客觀賦權(quán)相融合，以此獲得更加理想的權(quán)重結(jié)果。