考慮多價值鏈協同的電力設備制造企業經營風險預測研究

李明鈺 牛東曉 張瀟丹 劉云天 余敏

摘 要：電力設備制造企業作為影響我國能源經濟發展的基礎化產業，如何有效提升其產業基礎能力，降低企業生產經營過程中存在的風險是當前面臨的重要問題。而準確的風險預測能夠幫助企業經營者發現潛在風險，保障企業利益。因此，本文從多價值鏈協同的角度進行電力設備制造企業的經營風險預測研究。首先，利用蒙特卡洛法構建多價值鏈風險因素概率模型，然后利用隨機森林、天牛須搜索優化算法及卷積神經網絡構建了多價值鏈協同的三階段經營風險預測模型，并進行實證分析。研究結果表明，多價值鏈協同的三階段經營風險預測模型能夠有效提高經營風險預測準確度，為電力設備制造企業未來準確預測風險和管控風險提供基礎支撐。

關鍵詞：多價值鏈協同;電力設備制造企業;經營風險;蒙特卡洛;深度學習

中圖分類號：F425文獻標識碼：A文章編號：2097-0145（2022）03-0053-08doi：10.11847/fj.41.3.53

Research on Business Risk Prediction of Power Equipment ManufacturingEnterprises Considering Multi-value Chain Collaboration

LI Ming-yu， NIU Dong-xiao， ZHANG Xiao-dan， LIU Yun-tian， YU Min

（School of Economics and Management， North China Electric Power University， Beijing 102206， China）

Abstract：Power equipment manufacturing enterprises are the basic industry of China’s energy economy development. How to effectively enhance its industrial base capacity and reduce the risks in the process of production and operation of enterprises is an important issue. Accurate risk prediction can help business operators identify potential risks and protect business interests. Therefore， this paper conducts a study on the business risk prediction of power equipment manufacturing enterprises from the perspective of multi-value chain collaboration. First， this paper uses Monte Carlo method to construct a probabilistic model of multi-value chain risk factors. Then a three-stage operational risk prediction model with multi-value chain collaboration is constructed and empirically analyzed by using random forest， beetle antennae search algorithm and convolutional neural network. The research results show that the model with multi-value chain collaboration can effectively improve the accuracy of operation risk prediction and provide basic support for power equipment manufacturing enterprises to accurately predict risks and control risks in the future.

Key words：multi-value chain collaboration; power equipment manufacturing enterprises; business risk; Monte Carlo; deep learning

1 引言

當前，我國經濟發展基礎和國家競爭力來源逐漸轉向以制造業為核心的實體經濟。2015年5月出臺的“中國制造2025”，將電力設備制造企業和新一代信息技術等行業一同列入了“高端裝備制造業”[1]。除此之外，我國如何更好地參與全球產業價值鏈調整升級和重構也是當前面臨的重要問題。在實現智能制造的過程中，企業內部挑戰和外部環境變化都給電力設備制造企業的發展帶來了風險和挑戰。從企業內部來看，當前電力設備制造企業面臨著設備制造成本上升、生產方式變化等問題。從外部環境的變化來看，市場波動、消費者行為的變化以及制造業服務化也為電力設備制造企業帶來了挑戰[2]。因此，在制造業發展變革的關鍵時期，有效把控電力設備制造行業面臨的風險與挑戰，精準分析多價值鏈經營風險能夠為電力設備制造企業高質量發展提供有效途徑。

在電力設備制造企業經營風險管理之中，企業的經營風險預測可以幫助企業加強風險控制，幫助企業經營者及時發現潛在的經營風險，有利于提高企業決策的科學性[3]。當前對于經營風險預測的研究主要考慮單一價值鏈內部風險因素的相互影響關系[4]，對于多價值鏈協同的經營風險研究還較少。企業經營風險預測方法主要分為單一指標預測[5]、多變量預測[6]以及概率預測[7]等。單一指標預測方法難以準確勾畫出企業整體經營風險狀況[8]，而多變量預測一般是用線性回歸的方法來反映風險結果，具有客觀性、綜合性，克服了單變量模型的內在缺陷[9]。進入80年代以后，多變量預測方法的地位逐漸被概率分析模型所取代[10]。其中蒙特卡洛模型由于其能夠較為準確地描述某一隨機性質事物的特點，逐漸進入大眾視野。李秀芳和楊雅明[11]利用蒙特卡洛對不確定性進行了度量，表明該模型對于風險損失具有良好的分析效果。對于制造業來說，蒙特卡洛方法也能夠較好地對制造業相關問題進行估計[12]。因此，本文選用蒙特卡洛模型對多價值鏈不同環節的經營風險因素概率進行分析，構建隨機概率模型，為多價值鏈協同的經營風險預測模型的構建奠定基礎。

近幾年來，多因素影響下的風險預測方法已經從統計學發展到人工智能算法領域，智能預測算法也逐漸開始占據主流。多價值鏈協同的經營風險預測主要表現為不同價值鏈風險因素對經營風險的影響，可以使用多元線性回歸方法、機器學習方法、彈性網絡方法以及深度學習方法等。多元線性回歸雖然擁有簡單性和可解釋性的優點[13]，但容易出現偽回歸的問題。機器學習技術和彈性網絡可以幫助人們從海量數據中發現規律[14]，然而卻容易出現過擬合、欠擬合等問題[15]。而深度學習以其優越的性能已經成為人工智能領域解決復雜數據預測問題的新型方法。當前，深度學習算法廣泛應用于因素篩選[16]、決策優化[17]以及序列預測[18]等方面，主要包括循環神經網絡RNN和卷積神經網絡CNN等。而深度學習算法應用于電力設備制造企業的風險預測中的研究還較少。

綜上所述，就創新性而言，本文從多價值鏈協同的角度考慮電力設備制造企業的經營風險問題。首先利用蒙特卡洛算法對多價值鏈不同環節經營風險因素的隨機概率進行計算，然后利用深度學習算法構建了三階段經營風險預測模型：利用隨機森林算法（RF）進行多價值鏈風險因素篩選和重構;利用天牛須搜索優化算法（BAS）對卷積神經網絡（CNN）進行改進，從而構建了三階段RF-BAS-CNN多價值鏈協同的經營風險預測模型，為電力設備制造企業實現精準經營風險預測提供有效理論支撐和依據。本文的研究能夠在一定程度上提高該類企業對于風險的管控水平，有助于電力設備制造企業及時發現風險，掌握風險走向，及時做出調整，制定合理的風險決策方案，對電力設備制造企業及相關企業工程管理具有重要意義。

2 多價值鏈協同的經營風險預測模型構建

2.1 多價值鏈風險因素選取原則

電力設備制造企業的經營風險又叫做營業風險，是電力設備制造企業在生產、制造、經營以及供應等各個方面的不確定性因素的影響下，產生的企業資金或價值的變動。對于電力設備制造企業來說，其主要經營風險來自于資金流轉、產品生產等環節。多價值鏈是為共同提高自身價值，從生產、供應、營銷和服務等多方面以合作形式展開的一系列增值活動。其中多價值鏈主要指生產價值鏈、供應價值鏈、營銷價值鏈和服務價值鏈。以生產過程作為核心業務的核心價值流，構成了企業內部的核心價值鏈，而供應、營銷和服務作為輔助，構成了企業外部的次要價值鏈。在多價值鏈角度下進行風險因素的選取需要遵循以下原則：

（1）多價值鏈導向性。在生產環節，經營風險主要來自于產品及工程管理過程中產生的風險。對于供應環節，經營風險不僅來源于產品出入庫的風險、庫存管理風險等，還來源于資金供應風險。資金是物資供應的一種特殊形式，體現了企業資金的融資借款供應、來源、周轉以及轉化等過程。在營銷環節，電力設備制造企業主要面臨著重要客戶管理不到位的風險、客戶性質和需求變化等風險。在服務環節，電力設備制造企業主要面臨客戶服務需求不能得到滿足等問題。

（2）風險因素普適性。在進行風險因素選取時，要結合實際企業進行分析，選取電力設備制造企業都具有的經營風險因素進行分析，從而形成具有實際意義的風險因素，為電力設備制造企業未來的風險預測和決策提供有效的理論支撐。

（3）風險因素可量化性。對于經營風險來說，其體現在企業生產經營的方方面面，如何準確把控經營風險的等級，定量衡量經營風險的大小是亟待解決的問題。因此，在多價值鏈風險因素選取的過程中，應當將經營風險因素實際量化，分析可量化性因素與實際經營風險之間的關系，為電力設備制造企業經營風險管控提供依據。

2.2 多價值鏈風險因素概率模型

本文采用蒙特卡洛方法對多價值鏈各環節風險因素進行概率分析，構建多價值鏈風險概率模型。蒙特卡洛方法的原理是通過從總體樣本中抽取相應的隨機數進行研究，根據樣本的統計學特征了解概率分布，生成該概率分布下的隨機數樣本并計算隨機概率[19]。基于蒙特卡洛的風險因素概率模型構建的步驟具體如下：

（1）確定電力設備制造企業經營風險與其風險影響因素，將經營風險作為因變量，設為Y，風險因素則為x1，x2，…，xm，其函數關系設為Y=g（x1，x2，…，xm）;將原有數據進行匯總，可得

Y1=g（x11，x12，…，x1n）

…Ym=g（xm1，xm2，…，xmn）（1）

（2）利用下列公式求出各風險因素的平均值Xm及標準差σm，并確定概率分布類型。

Xm=1n∑ni=1xmi， σm=1n-1∑ni=1（xmi-m）2（2）

（3）確定函數中每一個風險因素變量xi的概率密度函數f（xi）和累積概率分布函數F（xi）。

（4）利用下列公式，對函數中的每一風險因素變量xi，生成許多均勻分布的xij，并與原有數據進行合并分析。

F（xij）=∫xij-∞f（xij）dxi（3）

其中i為風險因素變量個數，i=1，2，…，m;j為模擬次數，j=1，2，…，n。

（5）利用下列公式求風險因素隨機數概率。

P（xij）=ab=xij出現的次數隨機數總數（4）

2.3 多價值鏈協同的三階段經營風險預測模型

根據以上得到的風險因素概率，本文將經營杠桿系數作為電力設備制造企業的經營風險評判依據進行經營風險預測。經營杠桿系數是息稅前利潤的變化率與產銷量變動率之間的比值。在同一產銷量水平下，經營杠桿系數越大，說明利潤的變化率越大，相應的經營風險就會越大。具體的三階段RF-BAS-CNN模型構建步驟如下：

（1）采用RF對制造企業外部價值鏈的供應、營銷、服務及生產環節經營風險因素進行重構分析，得到多價值鏈綜合風險因素隨機概率。根據數據特征建立不同影響因素的隨機森林模型{Tn（x）}ntreen=1，其中袋外數據記為OOBn對應第n棵回歸樹Tn 。根據Tn對OOBn進行預測，得到相應的誤差值。

OOBn=x11 …? x1j …? x1p

xk1 … xkj … xkp， 1≤j≤p（5）

MSEn=∑k1（yi-i）2k（6）

其中yi為 OOBn中響應變量的第i個實測量;i為OOBn重響應變量的第i個預測值。當原始模型的數據量N 足夠大時，k≈0.368N 。對不同樣本進行預測誤差的計算，得到如下矩陣，從而得到自變量Xi的重要性評分（increase of mean squared error，IncMSE）。

MSE11 … MSE1n … MSE1ntree

MSEj1 … MSEjn … MSEjntree

MSEp1 … MSEpn … MSEpntree（7）

IncMSEi=（∑ntreen=1MSEn-MSEinntree）std， 1≤i≤p

std=1k∑k1（ti-）2（8）

其中ti為第i個實測值，為響應變量的均值。將以上得到的重要性評分與蒙特卡洛計算得到的風險隨機概率進行加權累積，得到多價值鏈綜合風險因素隨機概率。

Pi=∑ni=1P（xi）×IncMSEi（9）

（2）利用CNN構建電力設備制造企業經營風險預測模型，并將經營杠桿系數作為輸出變量，多價值鏈各環節風險因素作為模型輸入變量進行分析。其中卷積的計算公式為

V1j=σ（∑seMjVl-1s×Klsj+blj（10）

其中規定輸入層為l-1層，Vl-1s用于表示輸入層的第s個特征，輸出層為第1層，V1j用于表示輸出層第j個特征，Klsj用于表示卷積核的元素，blj為偏置項，σ為激活函數。本文采用了一種新的激活函數SPReLu，其數學形式為

f（xi）=xi，xi>0

a（ln（exi+1）-ln2），xi≤0（11）

其中a為隨機參數，根據模型實時訓練發生變化，最終收斂為適宜的常數。

（3）利用BAS對CNN中的學習率進行優化。在CNN模型中，學習率對于迭代速率、獲得最優解有十分大的影響，而傳統的CNN模型僅考慮單一學習率或固定學習率，由此得到的模型輸出結果難以實現最優化。而BAS作為一種生物啟發式智能優化算法，模仿自然界中天牛覓食行為，天牛根據兩只觸角所感知的食物氣味濃度差，通過迭代最終找到食物的位置。相比于其他優化模型來說，BAS僅針對單一主體，能夠大大降低運算量，在短時間內對單一主體尋求最優，能夠有效提高模型的運算效率，對CNN學習率優化問題具有很好的適用性。因此，在本文的BAS-CNN模型中，初始學習率按照常用神經網絡模式設置為0.01，由于根據傳統神經網絡經驗選擇的學習率，存在不是最優值的可能性，因此需要對學習率進行重新規劃。迭代次數小于10000 時，利用BAS算法在區間（0.0001，0.01）中尋找最優的高學習率，找到全局近似最優解;然后再從（0.0001，0.01]中使用BAS算法尋找最優的低學習率以獲得全局最優解。本文將CNN的學習率設置為搜索空間，尋找使得擬合效果最優的學習率參數值，并將其代入模型訓練過程中，以完成模型訓練。BAS-CNN預測模型流程如圖1所示。

最后，我們將RF得到的多價值鏈綜合風險因素隨機概率作為預測模型輸入變量，將經營杠桿系數作為預測模型輸出變量，構建RF-BAS-CNN多價值鏈協同的三階段經營風險預測模型。

3 實證分析

3.1 基于蒙特卡洛的多價值鏈風險因素概率研究

本文以北京某電力設備制造企業為例進行實證分析，根據2.1節多價值鏈風險因素的選取原則，從多價值鏈導向性、風險因素普適性以及可量化性等角度收集該企業近幾年來多價值鏈各環節可能存在風險的數據作為多價值鏈經營風險因素變量，收集并計算了該企業的經營杠桿系數作為經營風險分析變量。本文收集到了該企業自2017年1月至2021年10月的月度數據，并以此數據集作為數據基礎進行仿真模擬，得到每一個變量的500個仿真數據作為模型的輸入和輸出值，進行實證分析。變量選取的情況如表1所示。

根據多價值鏈風險因素概率分析模型對仿真數據進行計算，首先計算各數據集的均值和方差，根據均值和方差生成隨機數并進行排序，判斷每一個隨機數在該序列中出現的頻率作為該風險因素每一時點的隨機數概率。其中經營杠桿系數的隨機概率分布情況如圖2所示。多價值鏈的生產、供應、營銷及服務環節風險因素的隨機數概率分布情況如圖3所示。

由圖3可以看出，多價值鏈各環節中，每一風險因素近似呈現正態分布情況，說明利用蒙特卡洛法進行多價值鏈風險因素的概率研究具有有效性，得到的隨機概率可以有效代表各價值鏈業務環節的經營風險情況，從而對該電力設備制造企業進行經營風險預測分析，為后續多價值鏈風險預測模型的構建奠定基礎。

3.2 基于RF-BAS-CNN的多價值鏈協同經營風險預測研究

3.2.1 多價值鏈經營風險因素預處理

由于原始經營風險因素涉及多價值鏈不同環節，數量級差異較大，因此本文在對經營風險進行預測之前，首先對得到的各環節風險因素隨機數概率進行標準化處理。標準化處理的公式如下

y=yi-min（yi）max（yi）-min（yi）（12）

其中yi為原始數據，yi為標準化后的數據。

由于多價值鏈不同環節各風險因素之間具有一定的關聯性，可能對預測結果造成一定的影響。因此在進行經營風險預測之前，我們首先對風險因素隨機數概率數據進行預處理，計算其多重共線性，利用方差膨脹系數（VIF）進行多重共線性的判斷，對于存在多重共線性的風險因素隨機數概率數據進行一階差分處理。最終得到多價值鏈經營風險因素多重共線性診斷結果如表2所示。

VIF是衡量多重共線性嚴重程度的重要指標，一般以10為判斷標準，當VIF<10時，說明不存在多重共線性。由上表可知，經預處理后的經營風險因素互相之間已不存在多重共線性，不影響經營風險預測的準確性。

3.2.2 多價值鏈經營風險因素重構結果分析

本文基于以上得到的多價值鏈經營風險因素的隨機數概率進行RF影響因素貢獻度計算，得到影響因素貢獻度結果。其中對該電力設備制造企業整體經營風險貢獻最大的風險因素是設備制造成本。供應環節中對企業整體經營風險貢獻最大的風險因素是資產負債率。營銷環節貢獻度最大的經營風險因素為市場占有率。服務環節中對企業經營風險貢獻最大的風險因素是設備檢修成本。各環節經營風險因素隨機數概率的貢獻度如表3所示。

利用該貢獻度對多價值鏈各環節的經營風險因素進行重構，得到各環節綜合風險因素隨機概率的變化情況如圖4所示。

3.2.3 多價值鏈協同的經營風險預測結果分析

本文將以上得到的各環節綜合風險因素隨機概率作為預測模型的輸入變量，經營杠桿系數隨機數概率作為輸出變量，進行多價值鏈協同的經營風險預測。本文選用BAS-CNN作為多價值鏈協同的經營風險預測模型進行研究，為了驗證BAS-CNN預測的有效性，利用BP、BAS-BP、RNN、BAS-RNN、CNN模型作為BAS-CNN模型的對比模型。為了保證對比分析的可行性，我們設置除BAS優化的參數外，其他參數保持一致。BAS優化算法的步長與初始距離之間的關系為eta=0.8，c=5，初始步長為10，迭代次數為50。

在500個樣本數據中，選取前300個風險因素隨機數概率和經營杠桿系數隨機數概率樣本數據進行神經網絡的訓練，輸出后200個測試集數據，并與實際經營杠桿系數隨機數概率進行對比分析。為了更加直觀地量化預測結果，本文選取均方誤差MSE（Mean Squared Error）、平均絕對誤差MAE（Mean Absolute Error）、相對百分誤差絕對值的平均值MAPE（Mean Absolute Percentage Error）、純均方誤差MSPE（Mean Square Pure Error）、均方根誤差RMSE（Root Mean Squared Error）以及殘差平方和SSE（Sum of Squares for Error）6個指標對結果進行誤差分析。計算公式如下

MSE=1N∑Nt=1（observedt-testt）2（13）

MAE=1N∑Nt=1|observedt-testt|（14）

MAPE=∑Nt=1|observedt-testtobservedt|×100n（15）

MSPE=∑Ci=1∑nj=1（observedij-1ni∑nij=1observedij）n-C（16）

RMSE=1N∑Nt=1（observedt-testt）2（17）

SSE=∑（observedi-observed）2 （18）

6種風險預測模型下，預測值和實際值對比的誤差值如表4所示。

由以上誤差分析的結果可知，無論在哪一種誤差指標下，BAS-CNN模型的預測誤差值都是最低的，說明該模型在電力設備制造企業的經營風險預測方面具有較好的預測效果，預測誤差較小，模型擬合效果好。6種模型的預測結果如圖5所示。

由預測結果可知，BP和BAS-BP模型的輸出結果與真實值相差較大，RNN和BAS-RNN模型的輸出結果也與真實值存在一定的偏差。相比之下，CNN和BAS-CNN模型整體的風險預測效果較好，而BAS優化后的CNN模型與真實值的走勢相差更小。該預測結果說明，BAS優化算法對于CNN模型具有較好的優化效果，BAS-CNN模型在經營風險預測方面的性能較高。

4 結論及啟示

本文考慮多價值鏈協同視角，從生產、供應、營銷及服務等環節對電力設備制造企業的經營風險進行預測。首先利用蒙特卡洛法進行經營風險因素的隨機概率計算，然后構建了多價值鏈協同的三階段RF-BAS-CNN經營風險預測模型，并進行了實證分析。實證結果表明，蒙特卡洛方法的運用可以有效計算風險因素概率，RF-BAS-CNN三階段經營風險預測模型能夠有效預測電力設備制造企業的經營風險，相比于其他模型來說，預測的準確性有明顯提升。研究主要得出以下結論：

（1）在多價值鏈經營風險因素概率模型的分析結果中，各價值鏈經營風險因素近似呈現正態分布。通過蒙特卡洛模擬計算經營風險因素隨機數概率能夠有效分析多價值鏈的各個環節可能產生的風險因素變動的過程，從而為電力設備制造企業整體的經營風險預測提供基礎。

（2）在多價值鏈經營風險因素重構的結果中，多價值鏈的不同環節，對該類企業整體經營風險貢獻最大的風險因素分別是設備制造成本、資產負債率、市場占有率及設備檢修成本。因此在電力設備制造企業經營風險管控過程中，應當重點關注以上因素，有效控制經營風險。

（3）從多價值鏈協同的三階段經營風險預測結果可以看出，RF-BAS-CNN三階段模型的構建相比于其他模型能夠有效預測電力設備制造企業的經營風險變化情況。該結論可以為電力設備制造企業未來的經營風險預測提供有效分析途徑。

通過以上研究結果分析，在未來電力設備制造企業的經營風險防范中，應當將關注的重點轉移到企業多價值鏈協同角度，分析不同價值鏈可能產生的風險因素和風險概率，從協同管控的角度分析企業整體經營風險的變化情況。同時，在電力設備制造企業經營風險預測和管控的過程中，應當形成完整的風險預測體系和預警機制，讓經營風險始終處于可控范圍之內，從而更好地為我國制造業發展提供基礎化支撐。

參 考 文 獻：

[1]李廉水，石喜愛，劉軍.中國制造業40年：智能化進程與展望[J].中國軟科學，2019，（1）：6-14，35.

[2]盛朝迅.推進我國產業鏈現代化的思路與方略[J].改革，2019，（10）：45-56.

[3]Begenau J. Capital requirements， risk choice， and liquidity provision in a business-cycle model[J]. Journal of Financial Economics， 2020， 136（2）： 355-378.

[4]蔡烏趕，許鳳茹.中國制造業產業鏈現代化水平的測度[J].統計與決策，2021，（21）：108-112.

[5]丁志國，丁垣竹，金龍.違約邊界與效率缺口：企業債務違約風險識別[J].中國工業經濟，2021，（4）：175-192.

[6]李彥斌，于心怡，王致杰.采用灰色關聯度與TOPSIS法的光伏發電項目風險評價研究[J].電網技術，2013，37（6）：1514-1519.

[7]白哲，李孟剛.基于條件破產概率的保險公司財務預警與資本分配[J].中國管理科學，2016，24（7）：36-42.

[8]Pika A， Aalst W， Wynn M T， et al.. Evaluating and predicting overall process risk using event logs[J]. Information Sciences， 2016， 352-353（20）： 98-120.

[9]黃乃靜，于明哲.系統性金融風險指標的比較分析——基于實體經濟風險預測的視角[J].系統工程理論與實踐，2020，40（10）：2475-2491.

[10]魏旭輝，劉婧.經濟調整中企業經營風險預測仿真[J].計算機仿真，2017，34（5）：424-427.

[11]李秀芳，楊雅明.基于最小二乘蒙特卡洛簡化算法的保險公司經濟資本度量研究[J].管理工程學報，2020，34（3）：169-174.

[12]朱沛華，陳林.工業增加值與全要素生產率估計——基于中國制造業的擬蒙特卡洛實驗[J].中國工業經濟，2020，（7）：24-42.

[13]Ssa A， Fe B， Rk C， et al.. A quantitative analysis of low carbon performance in industrial sectors of developing world[J]. Journal of Cleaner Production， 2021， 284： 125268.

[14]Wang D L， Song X F， Yin W Y， et al.. Forecasting core business transformation risk using the optimal rough set and the neural network[J]. Journal of Forecasting， 2015， 34（6）： 478-491.

[15]姬顏麗，王文清.大數據背景下稅收風險識別精準度存量研究——基于機器學習的視角[J].財政研究，2020，（9）：119-129.

[16]佟瑞鵬，崔鵬程.基于深度學習的不安全因素識別和交互分析[J].中國安全科學學報，2017，27（4）：47-54.

[17]劉廣應，吳鴻超，孔新兵.深度學習LSTM模型與VaR風險管理[J].統計與決策，2021，（8）：136-140.

[18]Sezer O B， Gudelek M U， Ozbayoglu A M. Financial time series forecasting with deep learning： a systematic literature review： 2005-2019[J]. Applied Soft Computing， 2020， 90： 10618.

[19]李文沅，盧繼平.暫態穩定概率評估的蒙特卡羅方法[J].中國電機工程學報，2005，（10）：18-23.