基于电力数据的企业能源金融评价指数和企业分群

徐瑜琼 1，谢颖 1

【摘要】企业节能和合理用能的状况可以作为金融机构是否放贷和确定贷款额度的一个标准，所以根据规上企业的用电和用电欠费数据以及企业的经营数据，运用层次分析法和熵权法建立企业能源金融评价指数模型，该模型能真实地反映企业能耗强度、企业能耗趋势性、企业能耗稳定性、企业能源违规失信的情况。基于模型的输出把企业分为A、B、C三类，其中A类的节能情况最好。为了进一步研究规上企业的特征，本文又使用K均值算法来对规上企业进行分群，把绍兴市大约5000个规上企业分成2个类别，分别对应低耗能和高耗能企业，聚类分析的结果和能源金融评价指数分析的结果具有很大的可比性。本文开发的能源金融评价指数对于金融机构决策放贷以及推动高耗能企业加快改造、降低能耗水平具有重大意义。

关键字：层次分析法，K-均值，熵权法，能源金融

1. 引言

我国将努力在2030年实现碳达峰和2060年实现碳中和。“3060”目标需要巨大资金的投入。巨大的资金需求不能仅仅依靠政府投资，还需要市场资金的充分参与。目前非常需要建立能源金融体系，发挥绿色金融在支持绿色低碳转型中的积极作用，持续深化产融协同、以融强产。例如银行可以把低能耗企业纳入优惠信贷政策名录，把高能耗企业列入压降和推出清单，向能耗评价优良的企业发放绿色信用贷款。本文充分利用从绍兴供电公司获取的约5000家规上企业的电量数据、绍兴地区企业营收和缴税数据等，用AHP层次分析法建立企业能源金融评价模型，该模型的输出结果可以运用到银行的客户准入及贷款额度计算中，并结合评分卡评分结果等数据，给予申贷企业最终授信额度。

2. 数据获取与处理

把供电企业的电力数据以及金融机构提供的企业经营数据进行匹配得到建模数据。下表1为数据的内容和来源。

表1 数据内容及来源表

数据名称	数据内容	来源
企业用能数据	用户过去1-2年月度用电量数据、近三年的欠费数据	供电企业
企业用户数据	用户所在区域、用户所在行业	供电企业
企业经营数据	企业近两年收入数据、纳税数据、利润数据	金融机构

本项目总共抽取了绍兴地区4954个规上企业的数据，分布在29个行业，其中纺织业占25.8%,通用设备制造业占14.3%,金属制品业占8.9%。电量和缴费数据取的是2022年2月之前的。

3. 能源金融评价指数模型

   1. AHP模型指标体系

本项目使用AHP层次分析法构建企业能源金融评价指数。层次分析法是指将一个复杂的多目标决策问题作为一个系统，将目标分解为多个目标或准则，进而分解为多指标（或准则、约束）的若干层次，通过定性指标模糊量化方法算出层次单排序（权数）和总排序，以作为目标（多指标）、多方案优化决策的系统方法。

基于专家分析，从影响企业能源利用的因素中选取企业能耗强度、企业能耗趋势性、企业能耗稳定性、企业能源违规失信情况四个关键因素作为一级指标层。 其中，企业能耗强度评价分为企业单位营业收入能耗、企业单位税收能耗、企业单位利润能耗、企业单位税收能耗等级四个二级指标；企业能耗趋势性分为最近12个月内企业单位税收能耗月度同比增长率下降次数、最近12个月内企业单位税收能耗月度同比增长率算术平均值、最近12个月内企业单位税收能耗月度同比增长率较行业平均增长率的下降次数；企业能耗稳定性分为最近12个月内企业单位税收能耗月度同比增长率方差、最近12个月内企业单位税收能耗月度环比增长率方差、最近一季度企业单位税收能耗季度环比增长率偏离度、最近1个月企业单位税收能耗环比增长率偏离度、 最近1个月企业单位税收能耗行业偏离度；企业能源违规失信情况分为最近36个月内企业欠缴电费次数、最近36个月内企业欠费最长时间、36个月累计欠费比例。

表1：指标体系

一级指标	二级指标
企业能耗强度	企业单位营业收入能耗
	企业单位税收能耗
	企业单位利润能耗
	企业单位税收能耗等级
企业能耗趋势性评价	12个月内企业单位税收能耗月度同比增长率下降次数
	最近12个月内企业单位税收能耗月度同比增长率较行业平均增长率低的次数
企业能耗稳定性	最近12个月内企业单位税收能耗月度同比增长率方差
	最近12个月内企业单位税收能耗月度环比增长率方差
	最近一季度企业单位税收能耗季度环比增长率偏离度
	最近1个月企业单位税收能耗环比增长率偏离度
	最近1个月企业单位税收能耗行业偏离度
企业能源违规失信情况	最近36个月内企业欠缴电费次数
	最近36个月内企业欠费最长时间
	36个月累计欠费比例

1. 2. 各指标的计算方法

本文针对每个二级指标的特性进行打分，企业节能情况佳信用良好时分数高接近100分，节能情况差信用不好时分数低接近0分。

1. 1. 1. 企业能耗强度

企业能耗强度下属的四个二级指标分别代表企业单位营收、单位纳税额、单位利润额的能耗以及单位税收能耗与行业单位税收能耗之比。这些指标值越大，反映企业的用能量越高，企业的能耗强度越大。

1）企业单位营业收入能耗

企业单位营业收入能耗=企业能耗值/企业营业总收入

2）企业单位税收能耗

企业单位税收能耗=企业能耗值/企业纳税总额

3）企业单位利润能耗

企业单位利润能耗=企业能耗值/企业利润总额

4）企业单位税收能耗等级

企业单位税收能耗等级=企业单位税收能耗/该行业单位税收能耗

1. 1. 2. 企业能耗趋势性评价

企业能耗趋势性评价下属的三个二级指标反映过去一年内企业的单位税收能耗是否有下降的趋势，节能情况是否好于同行业的同类企业。

1）最近12个月内企业单位税收能耗月度同比增长率下降次数

2）最近12个月内企业单位税收能耗月度同比增长率较行业平均增长率低的次数

上述两个指标中，单位税收能耗同比增长率=（本月单位税收能耗-去年同期单位税收能耗）/去年同期单位税收能耗*100%

3.2.3企业能耗稳定性

这个指标包括下述的五个二级指标，它主要描述企业单位税收能耗增长的稳定程度，以及企业的单位税收能耗偏离行业平均的大小。

1）最近12个月内企业单位税收能耗月度同比增长率方差

2）最近12个月内企业单位税收能耗月度环比增长率方差

3）最近一季度企业单位税收能耗季度环比增长率偏离度

偏离度=（本季度环比增长率-上季度环比增长率）/上季度环比增长率*100%

4）最近1个月企业单位税收能耗环比增长率偏离度

偏离度=（本月环比增长率-上月环比增长率）/上月环比增长率*100%

5）最近1个月企业单位税收能耗行业偏离度

偏离度=（企业单位税收能耗-行业单位税收能耗）/行业单位税收能耗*100%

3.2.4企业能源违规失信情况

这个指标包含三个二级指标，它反映了企业的信用状况，主要是缴纳电费的拖欠情况。把企业能源违规失信情况纳入指标体系是为了给银行提供企业的信用信息，为银行决策是否放贷或确定贷款额度提供帮助。

1）最近36个月内企业欠缴电费次数

2）最近36个月内企业欠费最长时间

3）36个月累计欠费比例

3.2 指标权重的计算

本文应用熵权法来计算绿色能源金融评价指数的各指标的权重。

步骤一：数据整理及归一化

首先采用3sigma筛选离群异常数据，将离群数据定义为非离群数据的最大或最小值。然后把前面所述的14个三级指标归一化。针对数值结果类指标，例如12个月内企业单位税收能耗月度同比增长率下降次数、最近12个月内企业单位税收能耗月度同比增长率较行业平均增长率低的次数等，本着指标越大得分越高的原则，定义归一化的公式为：

针对另外一些指标，如企业单位税收能耗、企业单位利润能耗等，本着指标越小得分越高的原则，归一化的公式为：

运用熵权法决定所有4个二级指标下的三级指标的权重，熵权法是根据各指标变异性的大小来确定指标权重的方法。一般来说，若某个指标的信息熵越小，表明指标值的变异程度越大，提供的信息量越多，在综合评价中所能起到的作用也越大，其权重也就越大。用熵权法确定指标权重的步骤如下：

1）计算第j项指标下，第i个被评价对象的特征比重为： ；

2）计算第j项指标的熵值： ；

3）计算第j项指标的差异系数： , 越大，越应重视该项指标的作用；

4）得到权重：

经过计算，表1所示的4个二级指标下属三级指标的权重向量分别为： , ， , 。

用德尔非法来确定四个一级指标的权重向量 ，其中企业能耗强度的权重最大，因为它最能反映企业能耗水平的大小。

1. 3. 能源金融评价指数输出

经过分析，输出的绿色能源金融评价指数在0-33.3之间的C类企业有63个，占1.3%；评价指数在33.3-66.6之间的B类企业有3479个，占70.2%；评价指数在66.6-100之间的A类企业有1412个，占28.5%。评价指数最低的企业如嵊州市某康玻璃有限公司、嵊州市某达纺织有限公司，这类企业在生产中能耗过高，用能比较浪费，企业的信用也比较差，银行应考虑不授予企业贷款。评价指数最高的企业如卧某电气驱动集团股份有限公司、浙江某得利制衣有限公司，它们的生产用能较节省，且企业的缴费信用好，所以银行应该把这些企业纳入优惠信贷政策名录。对于评价指数中间级的企业，银行可以酌情发放贷款并授予一定的贷款额度。绍兴最大的行业纺织业有1200多家规上企业，其中评价指数在0-33.3之间的占2.5%,评价指数在33.3-66.6之间的有78.3%，评价指数在66.6-100之间的有19.2%，评价指数是A类的企业的占比明显低于绍兴所有行业的平均，这表明纺织行业的单位缴税额或单位营业收入能耗比较高，这些能耗高的企业很有必要进行节能改造。举例来说，嵊州市某源针织服饰有限公司（A类企业）和同行业的绍兴某达针织有限公司（C类企业）相比，前者的企业单位营业收入能耗、企业单位税收能耗、最近12个月内企业单位税收能耗月度同比增长率下降次数、最近12个月内企业单位税收能耗月度同比增长率较行业平均增长率的下降次数分别为21.4千瓦时、418千瓦时、9次和12次，而后者的三个指标为328千瓦时、519000千瓦时、0次和3次，这表明同一行业企业的用能强度、用能效率以及节能减排的状况可以相差甚远，C类企业应该可以通过减少能耗来提高效率。

1. 4. 规上企业分群

为了进一步研究规上企业的特征，用K均值聚类算法对近5000家规上企业进行聚类分析。K均值聚类算法是由麦卡因于1967年提出来的，由于简单和高效率使得它成为所有聚类算法中最广泛使用的。给定一个数据集合和需要的聚类数目K，K由用户指定，K均值算法根据欧式距离函数[13]反复把数据分入k个聚类中。聚类所用的变量为企业单位营业收入能耗、企业单位税收能耗、最近12个月内企业单位税收能耗月度同比增长率下降次数、最近12个月内企业单位税收能耗月度同比增长率算术平均值、最近12个月内企业单位税收能耗月度同比增长率较行业平均增长率低的次数、最近12个月内企业单位税收能耗月度环比增长率方差。

用K均值算法把所有企业的样本分成2个群体，聚类中心如表2所示。其中第一个类别有4100多家规上企业，第二个类别有大约800个规上企业。

表 2：规上企业样本聚类中心

变量 类别	企业单位营业收入能耗（千瓦时/万元）	企业单位税收能耗（千瓦时/万元）	最近12个月内企业单位税收能耗月度同比增长率下降次数（次）	最近12个月内企业单位税收能耗月度同比增长率算术平均值（%）	最近12个月内企业单位税收能耗月度同比增长率较行业平均增长率低的次数（次）	最近12个月内企业单位税收能耗月度环比增长率方差
1	977.63	127513.99	5.91	0.64	11.68	1.29
2	6199.57	142249.43	0.84	12.87	5.20	0.88

第一个类别的企业大约占所有企业的83.8%，它们的单位营收和单位税收的能耗低，说明企业属于低能耗或较低能耗型，最近一年内企业单位税收能耗月度同比增长有一半时间小于零，企业单位税收能耗月度同比增长率的算术平均值较低，企业近一年内的单位税收能耗月度同比增长率几乎都要比行业平均增长率低，说明最近一年企业的耗能增加不大，有些还有下降的趋势，但是最近12个月内企业单位税收能耗月度环比增长方差较高，说明企业能耗量不太稳定。第二类企业占所有企业的16.2%，它们的单位营收和单位税收能耗高，全年生产能耗基本处于增长，企业单位税收能耗月度同比增长率的算术平均值较高，最近12个月大多数月份的单位税收能耗同比增长率较行业平均水平要高，企业的能耗量却比较稳定。

第一个类别企业的金融评价指数的均值为61.1，而第二个类别的均值为47.9，说明第一类企业节约用能、合理用能的状况要好得多。此外，在第一个类别中，金融评价指数在0-33.3之间的企业仅占0.4%，金融评价指数在66.6-100之间的高达33.1%，而在第二个类别中这两个占比分别为5.9%和4.4%。聚类分析的结果和金融评价指数分析的结果具有可比性，第一类企业大多能耗和信用评价优良，第二类的高耗能企业需要加快改造，努力降低能耗水平，使绍兴市早日实现碳达峰和碳中和。

4 结论

本文运用AHP层次分析法建立了规上企业能源金融评价指数模型，用来评价企业的能耗强度、能耗趋势、付费信用等。作为构建绿色金融体系的一部分，该模型已提供给中国人民银行，结合评分卡模型为是否给企业发放贷款和确定贷款发放额度提供依据。本文也利用K-均值算法对规上企业进行了分群，对规上企业的特征进行了进一步分析，聚类分析的结果和能源金融评价指数分析的结果有很大的可比性。能耗低、信用好的企业理应获得银行的贷款和较高的贷款额度，能耗水平高的企业应努力进行整改，确保绍兴早日达到碳达峰和碳中和的目标。

参考文献

[1]钳学霞. 绿色电力行业竞争性研究[D].中国地质大学(北京),2019.DOI:10.27493/d.cnki.gzdzy.2019.000867.

[2]曹斯明,吴怡,曹凯,陈猛.基于熵权和层次分析法的综合能源系统运行服务评价[J].科技通报,2021,37(12):56-60.DOI:10.13774/j.cnki.kjtb.2021.12.011.

[3]罗洋. 基于AHP-熵权法的综合能源系统多指标评价研究[D].华北电力大学,2021.DOI:10.27139/d.cnki.ghbdu.2021.000746.

[4]王俭东. 基于AHP-熵权法的光伏发电企业风险模糊综合评价[D].哈尔滨工业大学,2017.

[5]张健钊,陈星莺,徐石明,刘帅,廖迎晨,余昆.基于AHP-熵权法的工业大用户用电能效评估[J].电网与清洁能源,2017,33(01):57-63.

[6]郭金维,蒲绪强,高祥,张永安.一种改进的多目标决策指标权重计算方法[J].西安电子科技大学学报,2014,41(06):118-125.

[7] Wong J A H A . Algorithm AS 136: A K-Means Clustering Algorithm[J]. Journal of the Royal Statistical Society, 1979, 28(1):100-108.

[8]张学志, 陈功玉. AHP与Delphi法相结合确定供应商评价指标权重[C]// CNKI；WanFang. CNKI；WanFang, 2005:4.

[9] Helmer D O . An Experimental Application of the DELPHI Method to the Use of Experts[J]. Management Science, 1963, 9(3):458-467.

[10]韩瑞瑞. K-means聚类算法的研究[D]. 中国石油大学(华东).

[11]郭靖. 对K-means聚类算法欧氏距离加权系数的研究[J]. 网络安全技术与应用, 2016(10):2.

[12]鲁婧婧, 张晋昕, 袁向东,等. 欧氏距离的加权处理对K-means法聚类效果的改进[J]. 中国医院统计, 2008, 15(1):4.

[13]李轮, 宋文广, 沈翀,等. 基于欧氏距离的K-MEANS算法优化[J]. 2019.

[14]无. 银保监会:加大对节能环保清洁能源产业等的金融支持[J]. 2022(8).

[15]沈健. 绿色金融服务区域高质量发展[J]. 中国金融, 2021(11):2.

7