電網維修費與資產狀態之間的關系研究

李飛 蘭浩 鄧世聰 郭群

摘 要：本文通過對某供電電網維修費用和資產狀態、風險因素、凈資產之間關系的研究，分析各因素之間的相互聯系。研究結果表明資產維修費用同資產的正常狀態占比呈現負相關關系，與缺陷次數和凈資產總值呈現正相關關系。本研究不但有助于更好的理解電網運行過程中維修費用影響因素，也為電網企業實現對維修費用的管理和預測提供了參考。

關鍵詞：電網維修費;資產風險狀態;設備缺陷次數

一、引言

電網的安全穩定至關重要，足量的電網運維費的預算配置是保障電網安全的重要措施。如何計算、管理、預測電網維修費用，電網維修費用受到哪些因素的影響，一直是電網企業關注的重點。本文以某市電網為研究對象，探索維修費用和資產狀態、風險因素、凈資產之問的相互關系，以便結合自身的現狀量化對維修費用的管理，優化電網的質量，滿足社會和客戶對高質量供電的要求，優質服務的要求，實現對社會和客戶莊嚴的承諾。

二、研究假設

資產狀態可以分為正常狀態、注意狀態、異常狀態和嚴重狀態四個等級，在研究中我們將選取正常狀態所占比例作為狀態變量，此數值越接近l，則說明設備狀態越好。顯然，資產的正常狀態占比越低，供電網絡就越不穩定，故障發生的頻率就越高，維護電網穩定所需要的維修費用就會增加。

電網設備缺陷根據運行的影響程度可以分為不同的等級，研究中缺陷次數指標主要選取的是重大緊急缺陷次數。重大緊急缺陷指的是電網設備在運行中發生了偏離且超過了運行標準允許范圍的誤差，對人身和設備產生重要威脅，需要緊急處理的缺陷。否則會造成設備損壞，大面積停電，人員傷亡等事故。電網設備缺陷次數越多則需要投入的維修費用就越大。

凈資產是電網設備所投入的資產衡量指標，凈資產是資產原值和累計折舊的差額。凈資產體現了電網系統的規模，凈資產越高說明電網的規模就越大，產生故障的概率就會增加，維護費用就越高。

因此本文提出如下假設。

H1：資產的正常狀態占比越低，所需要的維修費用就越高。

H2：電網設備缺陷次數越多，維修費用就越大。

H3：電網凈資產越高，維修費用就越多。

三、樣本數據和研究設計

（一）設備維修費影響因素與變化

電網設備維修費的影響因素，通常與設備的運行年限有關，每年發生的缺陷次數有關，與目前設備的風險狀態有關。我們以此為主要考量因素，進行研究。

本文根據某電網現有2011～2016年設備運行和維修費用的數據，我們來研究主變資產、GIS設備系統的維修費用和資產狀態、缺陷次數以及凈資產之間的關系。本文的研究涉及的電壓等級分別為110kV，220kV和500kV。

根據某電網提供的數據，2011～2016年不同電壓等級下主變資產維修費和GIS維修費走勢圖如圖1所示。通過圖1可以直觀地看出，主變110kV下的資產維修費是逐漸升高的，而主變220kV資產和主變500資產的維修費呈現震蕩走勢：GIS個電壓等級下資產的維修費整體呈現震蕩走高的趨勢。

2011～2016年主變資產和CIS資產各不同電壓等級下的缺陷次數見圖2。主變110kV和主變220kV資產的缺陷次數近幾年呈現增加的趨勢，主變500kV資產的缺陷次數變動并不大：GIS資產的缺陷次數在不同電壓等級下于2015年、2016年都出現了大幅增加。

（二）模型的構建

現實中，電網某一類設備，有很多不同的運行年限，如何考慮這類設備年限的總體情況呢？

為了把不同年限的設備臺數引入分析的數學模型中，我們引入“某電壓等級下某設備的凈資產價值”作為分析變量。

某電壓等級下某設備凈資產價值=∑[（資產原值/總臺數）×不同年限下的設備臺數。（折舊年限一已運行年限）/折舊年限]

據此，可以計算主變和GIS凈資產的價值。一般而言，CIS系統和主變資產的折舊年限均為12年。對某電網2011- 2016年主變資產和CIS資產進行分壓統計計算，不同資產的不同電壓下的凈資產總值見表l。

同樣，某類設備，有不同臺數的風險狀態，比如若干臺是沒有風險的，若干臺需要關注的，若干臺需要維修的，那么如何綜合考慮這類設備的總體風險狀態呢？為了把設備資產風險的狀態引入數學模型中，我們引入一個“狀態變量”。

（某設備的）狀態變量=∑（不同狀態設備臺數。相應狀態占比）/相應電壓等級下的總臺數

據此，可以計算出某類設備的總體風險狀態。

本文對主變和GIS設備的110 kV、220 kV、500 kV的維修費用、資產的正常狀態占比、缺陷次數、凈資產總值進行整理，選取維修費（ WXF）作為因變量，以正常狀況占比（ ZCB）、缺陷次數（QXs）、凈資產值（JZC）作為白變量構建多元回歸建模，見公式l。 WXF=βo +β1ZCB +β2QXS+β3JZC+μ（公式1） 對變量進行統計分析可以得到：平均維修費為984.06萬元，正常狀態占比平均為0.28，缺陷次數平均為90次，凈資產總值平均為20458.39萬元。

分別采用OLS混合回歸（0LS）、同定效應模型（FE）、隨機效應模型（RE）進行估計，結果見表2。在進行同定效應模型估計時，本文同時進行了F檢驗，發現無法拒絕原假設（混合回歸是可以接受的）。本文還進行了豪斯曼檢驗檢驗，結果顯示p值為0.9921，無法拒絕原假設（個體效應與解釋變量不相關），認為隨機效應模型優于同定效應模型。對比隨機效應模型和OLS混合回歸，發現隨機效應模型的顯著性水平優于混合回歸，因此回歸系數采用隨機效應模型的估計結果更為合理。

WXF= 524.50 - 3342.73×ZCB+ 2.43×QXS+0.06×JZC

通過方程，可以看出，正常狀態每提高一個單位，維修費用減少3342.73萬元：缺陷次數每增加一次，即增加2.43萬元修理費，凈資產每增加l萬元，維修費用增加0. 06萬元。

四、研究結論

本文通過對某電網維修費用和資產規模、資產狀態、風險等因素的關系的研究，找出各因素之間的相互聯系。研究結果發現資產維修費用和資產規模之間存在顯著的正相關關系，維修費用同正常狀態占比呈現負相關關系、與缺陷次數和凈資產總值呈現正相關關系。通過建立模型，可以方便地預測出總體的維修費和各類別的維修費。

參考文獻：

[1]張粒子，扶檸檸，王春麗等.基于回歸分析的電網運行維修費合理性評估[J].電力系統自動化，2014，38（13）：140-144.

[2]朱明雯.新電改下電網企業成本費用儲備化管理思路[J].財務與會計，2016（14）：22-24.

[3]王偉.新電改下中國電力監管體制改革路徑[J].中共中央黨校學報，2016，20（5）：108-112.

[4]吳鳴，任學婧，周丹等.新電改背景下產業園區供電系統容量優化配置方法[J].電力系統自動化，2018，42（5）：2-8.