基于粗糙集风电投资风险评价模型研究.docVIP

基于粗糙集风电投资风险评价模型研究 　　本文通过分析风电投资项目的风险因素，建立风险评价模型的指标体系；引入粗糙集，建立风电风险投资评价模型。通过风电工程项目的实例来验证方法的可行性与有效性。 　　【关键词】风电投资 风险 粗糙集 　　1 引言 　　“十二五”期间，在国家政策的带动下，风电开发炙手可热，风电场的规模和数量急剧膨胀。很多投资企业为了抢占市场与资源，不做充分的风电场投资风险评价模型和项目可行性研究论证，盲目开发，最终风电场收益受损。要实现风电行业的可持续发展，必须正视风电投资中存在的风险，理智决策投资项目。 　　目前对于风电投资领域的风险分析评价尚未形成完整的体系，研究比较零散，适用的工程风险评价模型方法有层次分析法、模糊数学、灰色关联、神经网络法和蒙特卡洛模拟法等。使用定性方法对风电投资风险进行评价，指标权重的确定存在较强的主观性；而使用定量方法，虽然能够满足客观性，但需要大量的历史数据样本，这在工程项目风险评价模型中比较难以实现。基于此，本文将粗糙集理论引入风电投资风险评价模型。 　　2 风电投资风险识别与评价指标体系构建 　　风力发电具有间歇性与不确定性，风电投资项目的建设周期较短，建设期一次性投资额较大，运营周期长，投资者在项目决策时面临诸多不确定性，对风电投资风险进行识别是进行风险评价模型的基础。考虑评价指标的全面性、科学性、独立性、可操作性，从风电投资者的角度出发，依据全寿命周期理论，对风电投资风险进行识别，并用具体的替代指标表示风险程度，得到风电风险投资评价指标体系如图1所示。 　　3 风电投资风险评价模型构建 　　3.1 建立信息系统和决策表 　　本文拟采取中国四类风资源区域中若干风电工程为研究对象。将风电投资风险评价模型体系中的指标数据看作信息系统，其中： 　　――各风电工程的集合，元素代表第i个风电工程； 　　――各风电工程风险指标集合，其中C代表条件属性指标，D代表决策属性指标； 　　――k个指标的值域； 　　是一个信息函数，为每一个指标赋予风险值。 　　3.2 指标数据离散化 　　在初步建立的风电风险评价模型决策表中，有的指标的原始数据是连续的，而粗糙集只能基于离散化的数据进行处理，因此首先采用极差标准化方法对正负指标进行处理，对数据进行标准化处理以消除量纲。然后再采用模糊C均值聚类算法将数据离散化。根据最大隶属度原则，得到聚类结果，最后形成风电投资评价的风险聚类矩阵。 　　3.3 指标约简 　　基于风险识别的全面性构建的风电投资风险评价模型指标体系，指标不够简练，存在冗余，会降低风险评价模型的可靠性，因此利用粗糙集的属性约简功能对风险指标体系进行约简。当有大量指标时，基于粗糙集的属性约简的是一个NP-hard问题，利用遗传算法对复杂优化问题能够并行处理的优势，历遍指标体系的所有可能约简，能够极大的提高指标约简结果的正确性与高效性。本文风电投资风险评价模型设计的指标和评价对象较多，因此拟采用基于遗传算法的粗糙集属性约简。 　　3.4 指标权重确定 　　从约简的指标集中去掉某个指标，通过风电工程的分类情况变化确定该指标的权重。如果工程的分类变化比较大，则说明该指标重要度高，反之，则低。 　　利用粗糙集的属性重要度原理确定指标权重，是在原始数据的基础上进行的，没有加入专家的主观评价，能够得出一个比较客观的评价结果。 　　3.5 风险评价模型 　　根据上述步骤求得的约简指标及其权重，采用线行加权法对各指标进行加权计算，从而得到各个风电工程的风险评价模型结果。 　　4 实证研究 　　4.1 原始数据 　　依据上文构建的基于粗糙集的风电投资风险评价模型模型，对风电投资风险进行评价。本文选取16个风电工程的原始数据作为评价的基础，其中定性指标分为优、中、差三个等级，分别用1、0.5和0三个数值表示，各项目指标数据见表1。 　　4.2 指标数据预处理与离散化 　　采用极差标准化法对数据进行量纲消除，然后运用MATLAB中的FCM函数对归一法处理过的数据进行模糊C均值聚类分析。将工程划分为三类，设置最大迭代次数为100，隶属度最小变化量为0.00001，针对每个指标得到的三个聚类中心及各个工程对各个聚类中心的隶属度，1、2、3代表3个聚类，再根据最大隶属度原则，对工程进行分类，得到最终的风电投资风险聚类矩阵。 　　以“指标3：区域风电装机比例（%）”为例，FCM聚类得到聚类中心分别为0.6961、0.3103、0.9023。各项目隶属度矩阵见表2。 　　依据最大隶属度原则得到关于指标3的各个项目聚类结果：属于“1”类的项目包括C、D、P，属于“2”类的项目包括G、H、I、M、N、O，属于“3”类的项目包括A、B、E、F、J、K、L。以此类推，可以