基于XGBoost的电网物资供应商履约风险预测

摘要

电网物资供应商履约质量是电网安全稳定运行的基础,供应商履约涉及环节众多且风险因素复杂,使得当前对其研究较为匮乏且大多停留在理论业务分析层面。针对这一问题,提出基于XGBoost(Extreme Gradient Boosting)的供应商履约风险预测模型,充分考虑业务全流程中的各种风险因素,综合内部供应链运行、知识图谱数据以及外部天眼查、疫情等数据,基于特征工程构造了191个风险特征进行初始训练,在模型优化后对筛选出的49个特征再次训练,兼顾实际业务中的预测准确性和特征可解释性要求,采用SHAP(SHapley Additive exPlanations)值方法进行模型解释。实验结果表明,对比其他3种主流机器学习算法,所提模型准确率、精确率、KS值分别高达93.05%,94.45%,45.38%,进而验证了XGBoost算法在履约风险预测中的可行性和优越性。该模型可应用到电网物资供应链中,进一步指导业务应用。