基于因子分析法的风电项目综合评价

蒋 霏

（上海理工大学，上海 200093）

0 引言

风电资源属于可再生清洁能源，且风电技术在众多可再生能源中最成熟，商业模式趋于完善，具有更高的成本效益和资源有效性。纵观国家政策，节约资源作为我国基本国策，也印证了风电行业具有广阔的发展前景。风电项目投资大，技术要求高，建设难度大，要保证评价模型的科学性、可行性，关键在于精准识别风电项目的众多指标并对其进行综合处理。指标识别过程中存在大量介于多个属性之间的因素，难以分类界定，这些具有主观模糊性和客观模糊性的指标对于项目而言也是重要评价对象[1]，故运用因子分析法进行项目分析十分必要。

1 基于因子分析的综合评价步骤

因子分析法（Factor Analysis，FA）基于降维思想，在尽可能不损失或少损失原始数据信息的情况下将错综复杂的众多变量聚合成少数几个独立的公共因子，这几个公共因子可以反映原来众多变量的主要信息，在减少变量个数的同时又反映了变量之间的内在联系。

因子分析法综合评价步骤如下：

（1）根据体系中的指标进行原始数据收集。

设原始数据矩阵为：

式中：n为需要评价样本的个数；m为指标体系中变量个数；Xij（i=1，2，…n；j=1，2，…m）为第i个样本的第j个指标的变量值。

（2）采用KMO（Kaiser-Meyer-Olkin）检验法和Bartlett球形检验法两种方法对原始变量进行相关性检验。KMO检验统计量是用于比较变量间简单相关系数和偏相关系数的指标，Bartlett球度检验的统计量是根据相关系数矩阵的行列式得到的。通过检测则说明该数据宜于做因子分析。

（3）将原始数据进行标准化处理。由于体系中每个指标所对应的量纲不同，不同量纲的数量级会得到不同的相关矩阵，所以需要对原始数据进行数据处理来保证评价结果的科学性和准确性。

（4）计算样本标准化后的相关系数矩阵R=（rij）n×m，其中，rij为第i个指标与第j个指标的相关系数。

（5）计算相关系数矩阵的特征根λi和特征向量β。（6）计算各因子的方差贡献率αi：

式中：λi为相关系数矩阵的特征根；m为指标体系中变量个数。

（7）根据要求的累计贡献率确定主因子的个数，一般取累计贡献率达80%～90%的特征值所对应的k个主成分。

（8）计算因子载荷矩阵并进行旋转。

（9）确定因子模型并计算因子得分评价：

2 基于因子分析法的综合评价

2.1 构建指标体系

基于综合评价指标的独立性、一致性、可操作原则，选取全国多个已建风电项目进行综合评价。构建三级指标体系，共包含11个指标，分别为：A1投资回收期、A2内部收益率、A3总投资收益率、A4年上网发电量、A5年等效满负荷小时数、A6节约化石能源总量、A7对行业综合效益、A8满足用电需求增长与消纳、A9管理体制、A10抗风险能力、A11技术设备复杂性[2-3]。

2.2 综合评价

（1）根据已建立的指标体系，获取原始数据。

定性指标数据均来自于各项目评价报告，对于定性指标的评价通常采用模糊评价处理，模糊评价划分5个评价等级，依次是很好、较好、一般、较差、很差。通过设置匿名问卷形式将定性指标分发给风电行业领域专家，由专家根据经验及专业知识进行打分。定性指标按15分制，最后取平均分作为该项目指标的最终得分。部分项目得分如表1所示。

表1 部分项目指标评分

（2）将原始数据分别进行KMO检验和Bartlett球形检验，求出KMO值为0.62，近似卡方p值近似为0。验证结果均符合要求（KMO＞0.5，p尽可能趋近0），原始数据适合进行因子分析。

（3）指标体系中技术设备复杂性和投资回收期属于极小型指标（值越小更有利），其余9项均属于极大型指标，为统一综合评价结果，需要将两类不同类型指标进行一致化处理。本文将所有类型指标都化为极大型指标x*（正向化）。

式中：x代表需要处理的指标，xMax代表指标数据中的最大值；xMin代表指标数据中的最小值。

（4）然后将数据进行标准化处理，一般会选用Z-score标准化来处理原始数据。

（5）相关系数矩阵的特征根及方差解释率如表2所示。

表2 特征根及方差解释率

据表2可知，旋转后的方差解释率达到了84.67%，保留了原指标中的大部分信息，11个指标降维至4个。

（6）选取4个主成分，得到成分得分系数矩阵如表3所示。

表3 成分得分系数矩阵

依次可求出F3、F4。

（7）综合评价。

在确定了各个因子后，根据因子得分系数矩阵和各自贡献率计算综合评分：

最终评价结果如表4所示，得分最高的是风电项目16，然后依次是风电项目2、19。

表4 因子分析法部分项目评价结果

3 结束语

本文利用多个三级指标构建了风电项目综合评价体系，并基于因子分析法对20个风电项目进行了综合评价，在尽可能保持原有数据特征的情况下将主因子提取出来作为综合评价的新指标。该方法简化了综合评价的难度，且对于数据维度降级有一定帮助。