大型水利工程承包商动态信用评价研究

卢星云，杨高升

(1.河海大学 商学院，江苏 南京 211100；2.河海大学 工程管理研究所，江苏 南京 211100)

大型水利工程承包商动态信用评价研究

卢星云1,2，杨高升1,2

(1.河海大学 商学院，江苏 南京 211100；2.河海大学 工程管理研究所，江苏 南京 211100)

针对大型水利工程对承包商的信用水平考察以静态为主的现状，建立基于灰色模糊聚类分析的承包商动态信用评价模型。在建立承包商信用评价指标体系的基础上，通过灰色关联分析对时间数据进行降维，动态地观察承包商在这一段有效时间内的信用状态趋势和波动情况，并通过模糊聚类分析对其信用水平进行归类。同时以典型大型水利工程承包商信用水平为例进行实证分析，结果表明该模型适用于具有高维数据的大型水利工程，同时解决了由于数据选取单一而导致评价结果不全面的问题。

承包商；动态信用评价；灰色关联分析；模糊聚类分析； 大型水利工程

自国务院印发社会信用体系建设规划纲要(2014—2020)后，各行业对全面推进社会信用体系建设的研究与创新不断深入。其中大型水利工程属于基础设施建设项目，往往具有规模大、投资多、工期长的特点，是一个复杂且综合的系统工程[1]。而当前大型水利工程在信用评价与监管上仍处于一个相对较低的水平，如在招投标时总承包单位进行非法“转包”和“分包”；在施工过程中，承包商偷工减料等现象屡见不鲜；这一系列信用缺失问题，不仅增加了工程的信用风险，同时也扰乱了整个水利市场秩序[2-3]。为了保障水利工程市场的公正、公平和高效，以及该市场主体的合法权益，需要建立一个有效的动态信用评价机制以及早发现危险信号，及时作出相应的信用风险决策，对提高工程安全质量和管理水平有着重要的意义。

信用评价技术始于20世纪30年代，最早在金融领域展开分析研究，1958 年BILL等为美国投资业建立了第一个信用评价系统。传统的信用评价方法多是主观和线性的，沈沛龙等[4]在对比了较著名的信用风险模型后发现传统的定性分析现在逐渐转化为定量分析，从指标化的评价形式逐渐转为指标模型化评价。所以目前主流的信用评价方法可分为三大类：①以多元统计(回归、聚类分析、主成分分析等)为基础的信用评价方法[5-7]；②以人工智能(模糊综合评价、BP神经网络等)为基础的信用评价方法[8-11]；③以期权理论为基础的信用评价方法[12]。上述方法大多基于某个固定的时间点对承包商的信用进行评价，但在一个时间点的数据可能会发生突变，这样将导致误评的现象，而且在“孤立时间点”的评价结果往往也不够全面客观，会在很大程度上影响管理者的判断与决策。

目前，中国大型水利工程项目中存在承包商的信用数据搜集难度大、数据不完整、指标数量多、具有重叠信息等情况，且信用数据表现出非正态分布和高维性的特征[13]。为此，笔者将建立具有针对性的承包商信用评价指标体系，用灰色模糊聚类分析对数据进行降维和信用分类，构建承包商信用动态评价模型。与传统模型相比，灰色关联分析可对数据进行降维，而模糊聚类分析具有对变量采用尺度和次序尺度等优点，突破了传统的静态评价方法，弥补因数据突变而产生误评的情况，也能够更加直观真实地反映承包商在一段有效时间内的信用趋势及波动情况。同时以我国某典型大型水利工程承包商信用水平为样本进行实证检验，以期为进一步完善大型水利工程领域承包商信用体系建设提供借鉴。

1 承包商信用评价指标体系建立

大型水利工程承包商的信用评价指标体系是业主对承包商进行信用评估的前提条件，综合考虑指标建立的全面性、可操作性、科学性、可比性等原则，对109篇信用评价相关的文献进行指标的统计、分析及筛选，同时参考水利部发布的水利建设市场主体(施工单位)信用评价标准，最终建立了大型水利工程承包商信用评价指标体系。

笔者采用德尔菲法对各个指标权重进行确定。调查对象包括水利单位的工作人员以及研究水利工程工程风险等方面的专家，共132人，有效回复为116人。其中大学教授44位(副教授及以上职称21位，占47.7%)；水利单位工作人员72位(高级工程师31位，占43.1%；项目经理11位，占15.3%)。笔者采用九级标度法对专家进行问卷调查统计，并用yaahp软件计算指标权重。大型水利工程承包商信用评价指标体系及权重如表1所示。

表1 大型水利工程承包商信用评价指标及权重

2 大型水利工程项目承包商动态信用评价模型的建立

笔者通过灰色关联分析和模糊聚类分析动态地观测承包商在一段有效时间内承包商信用数据的波动情况和变化趋势，同时对其信用水平进行归类。因此笔者采取的灰色模糊聚类分析模型方法步骤如下：

2.1 原始数据的标准化处理

计算每一维特征的均值和方差，通过函数变换将其数值映射到某个数值区间。其中，xij表示在第i个时间采样点第j个受评对象的指标得分，对原始数据数据进行标准化处理，如式(1)～式(3)所示。

(1)

(2)

(3)

(4)

2.2 灰色关联分析

灰色关联分析是衡量各因素之间关联程度的一种方法，适合多目标的动态变化过程评价分析，且对于受评对象在一段时间内的发展变化可以用灰色关联度分析进行量化。参考序列与目标序列之间的灰色关联度越高，则说明两者的关联度越高，也进一步说明受评单位的信用水平与目标信用水平越接近[14-15]。

(1)确定参考序列和比较序列。参考序列记为X0j，即对于单目标由其最优值组成，可表示为：

X0j=(x0j(1),x0j(2),…,x0j(n))

(5)

在灰色关联分析中，比较序列是指与参考序列做关联程度相比较的数列，记为Xi，即：

Xi=(xi(1),xi(2),…,xi(n))

(6)

其中，x0j(k)∈X0j,xi(k)∈Xi,k=1,2，…,n,n≥2。

(2)计算灰色关联系数。

(7)

式中：ξoi(k)为xi对x0在k点的灰色关联系数；|x0(k)-xi(k)|为距离；ρ为分辨系数,可调整比较环境大小，ρ∈[0，1]，笔者研究中令ρ=0.5。

(3)计算灰色关联度。由于比较数列和参考数列在各个时间采样点之间的灰色关联系数不止一个，灰色关联分析可以将在各个时间采样点之间的灰色关联系数进行集约降维，即通过求各个时间采样点的平均值来计算。因此用灰色关联度表示比较数列与参考数列间的关联程度，即：

(8)

而对于多维的数据来说，还需要建立灰色关联矩阵：

(9)

2.3 模糊聚类分析

模糊聚类分析可以对涉及事物之间的模糊界限时按一定的要求对事物进行分类，客观地划分类型，使之更加贴近实际情况。由模糊聚类得到了样本属于各个类别的不确定性程度，不仅能够对样本的类别进行模糊的类别判定，也能体现样本的连续过渡性。这样可以更加直观地反映受评单位的实际信用状况[16-17]。

(10)

(11)

(12)

(13)

λ可取[0,1]内的任意实数，当rij≤λ时，样本xi和xj可并为同一类。取合理的水平截值λ即可对样本进行分类。

3 实证分析

3.1 数据选取

笔者选择中国某大型水利工程在河北邢台县、内丘县段、临城县三地中的6个施工段的承包商作为被评目标，即xi(i=1,2,…,6)。时间采样点为2013年6月到2016年的6月，以半年为采样周期，共5个时间采样点tj(j=1,2,…,5)。使用Matlab7.1进行数据处理分析。

3.2 数据分析

(1)数据标准化。对6个样本在5个时间采样点的原始数据进行标准化处理，如表2所示。

表2 数据标准化处理

(2)灰色关联分析。笔者对采集得到的3个维度数据进行灰色关联处理，将多维时间序列数据分割成个8数据库，通过灰色关联分析将8×5×6的三维数据降成了5×6的二维数据，并得出了6个受评单位在5个时间采样点上的信用值(灰色关联度)，如表3所示。接着对5个采样时间点上的数据进行分析，通过趋势图可直观地观测到受评单位的信用趋势和波动情况。6个受评单位的信用趋势及其信用对比情况如图1所示。

表3 受评单位信用评价值(灰色关联度)

图1 受评单位x1～x6的信用评价值趋势对比图

此时的模糊相似矩阵只满足自反性和对称性，还不满足传递性。因此还需要利用扎德算子对模糊相似矩阵进行平方自合成运算，求出其传递闭包：

根据信用评价等级标准，最终当截集λ=0.76时，受评单位的信用等级{x1,x2,x3}聚为一类；{x4}聚为一类；{x5,x6}聚为一类。

3.3 结果分析

通过灰色模糊聚类分析模型不仅从可以从时间的维度上纵向观察到承包商在信用水平上的波动幅度和趋势水平(见图1)；同时也可以固定一个时间点从横向对比各个受评单位的信用水平，如图2所示。从纵向上观察受评单位的信用评价值趋势对比图，能够直观地看到受评单位(x1,x2,x3)整体处于信用较高的水平，而受评单位(x4,x5,x6)一开始处于较低的信用水平，但总体呈上升的趋势，但相对于前3个受评单位仍处于较低的信用水平。再结合图1可以发现x2和x3两家单位的信用水平总体相差不大，但是单位x3的信用趋势是不断变好的，这样一个积极信号使其最终信用排名略胜于单位x2。

图2 t=1和t=3时不同受评单位的信用水平对比图

但是由于信用评价值在某个时间点的大幅增加或减少引起信用排名的变化，会导致错评、误评的结果。从图2可以观察到单位x1信用评价总体较好，在t=1时信用值达到0.99，排名第一，而到了t=3时信用值则仅仅只有0.63，导致此时的排名掉至第四位，远低于受评单位x2、x3、x4。而参考表4则发现单位x1最后的总评仍处于第一的位置。因此仅停留在t=3时进行信用评价就会出现错评的情况，这也证明了信用评价需要选取多个时间点对受评单位的整体信用水平进行一个连续的动态评价。灰色模糊聚类分析模型在刻画信用的波动和趋势之后，还可通过均值方差和信用评价值对受评单位进行信用排名和归类，各受评单位信用综合评价结果如表4所示。

表4 受评单位信用综合评价表

合理的信用等级划分对受评单位能有很好的激励和导向作用。等级划分过疏，对被评单位的激励和引导作用会减弱；等级划分过密时，评级和管理相对困难，但对被评单位的激励和引导作用会增加。由于缺乏统一的信用评价标准，笔者借鉴《水利建设市场主体信用评价暂行办法(中水协[2009]39号)》[18]将水利建设市场主体信用等级分为诚信(AAA级，AA级、A级)、守信(BBB级)、失信(CCC级)三等五级，同时结合研究结果可知6个受评单位的信用等级为：诚信单位={x1,x2,x3}；守信单位={x4}；失信单位={x5,x6}。从受评单位在实际过程中的表现情况来看，这4年来总的评估结果与笔者的评估结果基本一致，可见该方法客观且可行。

4 结论

笔者在信用指标体系建立的基础上，用灰色关联分析和模糊聚类分析对大型水利工程的承包商信用水平进行有效的动态评价。通过验证分析发现若要对承包商信用进行有效的动态管理，需要基于合理的评价指标体系追踪其在一整段有效时间内的信用水平和变化趋势。这样可才避免由于数据在某个时间点过大幅度的增加或减小而导致评价结果失真的情况。同时笔者指出在每个采样点上的信用值需选取合理的截集水平对其进行信用等级归类。最后通过实证发现评价结果与受评单位的实际表现情况是相符的，进而证明该方法的有效性和可行性。

但是，笔者的研究也存在一定的局限性，由于选取的大型水利工程仍处于征信建设初期，信用信息采集有不及时不全面的情况，以及不同受评单位的评价时间不一致，导致笔者的实证分析数据在时间采样点数量的选取上有些偏少，且时间间隔略长。若该法在未来能取得普遍性的使用，对承包商的信用信息能够通过数据库联网查询，这样不仅可以作为信用水平的趋势预测，同时也将成为失信行为的预警信号。当然随着社会的发展，业主单位乃至全社会公民对信用信息的提取也要求更加及时、精确，进而能更加客观、全面地刻画出受评单位的信用状况，从而实现对大型水利工程的信用信息智能化管理。

[1] 徐砍平，李姣．大型水利水电工程建设项目动态联盟组织模式的结构集成[J]．系统工程理论与实践，2012，32(11)：2447-2458．

[2] 仲冉,陆惠民.基于AHP-VPRS建筑企业信用评价研究[J]. 武汉理工大学学报(信息与管理工程版),2016,38(3):297-300.

[3] 杨建斌．水利项目动态风险分析方法及应用研究[J]．水资源与水工程学报，2011，22(1)：87-89．

[4] 沈沛龙，任若恩．现代信用风险管理模型和方法的比较研究[J]．经济科学，2002(3)：32-41．

[5] 王雪青， 陈伟唯，陈杨杨,等．基于灰色理论的工程造价咨询企业信用评价实证研究[J]．科技管理研究，2014(22)：166-171.

[6] 张洪祥，毛志忠．基于多维时间序列的灰色模糊信用评价研究[J]．管理科学学报，2011，14(1)：28-37．

[7] 陈德军,罗金成,张兵. 基于改进的K-means聚类算法的分类评价方法[J].武汉理工大学学报(信息与管理工程版),2011,33(1):32-35.

[8] 戴毅，霍佳震，张倩．基于模糊层次综合方法的企业内部风险评价[J]．同济大学学报(自然科学版)， 2008，36(6)：864-868．

[9] 张目，周宗放．基于投影寻踪和最优分割的企业信用评级模型[J]．运筹与管理，2011(6)：226-231．

[10] HUANG Z,CHEN H,HSU C J,et al.Credit rating analysis with support vector machines and neural networks：a market comparative study [J]．Decision Support Systems, 2004,37(4):543-558．

[11] 袁莉，李宏男，姜韶华,等．基于SVM的建筑企业信用评价研究[J]．价值工程， 2009，28(3)：141-144．

[12] 陈殿左.信用治理[M].北京：机械工业出版社，2004:198-202．

[13] 王春峰,李汶华.商业银行信用风险评估:投影寻踪判别分析模型[J].管理工程学报,2000, 14(2):43-46.

[14] 党耀国,刘思峰,刘斌,等．基于动态多指标灰色关联决策模型的研究[J]．中国工程科学,2005,7(2)：69-72．

[15] KUNG C Y，WEN K L．Applying grey relational analysis and grey decision-making to evaluate the relationship between company attributes and its financial performance： a case study of venture capital enterprises in Taiwan [J]．Decision Support Systems，2007，43(3)：842-852．

[16] LUO Y Z，PANG S L，QIU S．Fuzzy cluster in credit scoring[C]∥International Conference on Machine Learning and Cybernetics.[S.l.]:[s.n.], 2003:2731-2736．

[17] 陈黎飞，姜青山，王声瑞．基于层次划分的最佳聚类数确定方法[J]．软件学报，2008，19(1)：62-72．

[18] 中水利工程协会．水利建设市场主体信用评价暂行办法:中水协[2009]39号[S]．北京：水利水电出版社,2009:37-46．

ResearchonDynamicCreditEvaluationoftheContractorinLarge-scaleWaterConservancyProject

LUXingyun,YANGGaosheng

For the large-scale water conservancy project, the traditional evaluation on the contractor′s credit level was mostly static, the contractor credit evaluation model through the grey-fuzz clustering analysis is established in this paper. The model makes dimensionality reduction of time serious data through gray correlation analysis on the basis of evaluation index system of credit, to observe the contractor credit status trend and fluctuation dynamically within an effective period, and through the fuzzy cluster analysis to classify the credit level of the contractor. In addition, the model has been tested by the typical the large-scale water conservancy project.The empirical research result shows that model is suitable for high dimensional data and solved the problem of not comprehensive and objective evaluation due to simplex data is selected.

contractor; dynamic credit evaluation; grey correlation analysis; fuzzy clustering analysis; the large-scale water conservancy project

F407.9

10.3963/j.issn.2095-3852.2017.05.020

2095-3852(2017)05-0615-05

A

2017-03-15.

卢星云(1992-)，女，福建南平人，河海大学商学院硕士研究生，主要研究方向为工程项目管理、工程信用风险管理.

国家自然科学基金(71402045).

LUXingyunPostgraduate; School of Business, Hohai University, Nanjing 211100, China.