應用GA-BP神經(jīng)網(wǎng)絡的生態(tài)工業(yè)園風險評價

王秋蓮

(南昌大學經(jīng)濟與管理學院，南昌 330031)

隨著資源稀缺的加劇和環(huán)境壓力的增大，為了改變傳統(tǒng)的粗放式線性資源利用模式，許多專家、學者對高效低排放的循環(huán)經(jīng)濟發(fā)展模式進行了研究。生態(tài)工業(yè)園是一種循環(huán)經(jīng)濟實踐方式，它能實現(xiàn)產(chǎn)業(yè)鏈間副產(chǎn)品和廢棄物之間的交換利用、能源的梯級利用、水資源的循環(huán)利用;能互享信息系統(tǒng)等公共設施;能減少碳排放，緩解全球變暖的趨勢;采用廢棄物和副產(chǎn)品替代原材料，能降低企業(yè)成本、節(jié)約社會資源，并減少廢棄物的排放，從而減少對環(huán)境的影響［1］。但是，由于生態(tài)工業(yè)園的結(jié)構(gòu)和外界影響因素均存在很多不確定因素，這給生態(tài)工業(yè)園系統(tǒng)的運行帶來了很多風險［2］。生態(tài)工業(yè)園是由多個行業(yè)的核心企業(yè)、附屬企業(yè)，地方、區(qū)域和國家政府部門，商業(yè)協(xié)會，工會組織，教育與研究機構(gòu)，跨學科的專家和顧問，非政府組織，居民等組成的復雜系統(tǒng)，成員之間關(guān)系錯綜復雜，利益分配機制多樣，其風險特征具有多層次結(jié)構(gòu)、多約束條件、多個決策者、多種不確定性因素、眾多風險來源等特征，因此風險識別過程是一個復雜的過程。在評價生態(tài)工業(yè)園風險時，由于影響生態(tài)工業(yè)園風險的因素很多，而且各因素影響的程度也不同，評價結(jié)果難以用恰當?shù)臄?shù)學解析表達式來表示，屬于非線性問題。因此，評價方法的選擇直接影響評價結(jié)果的有效性。傳統(tǒng)的評價方法傾向于主觀評價，較常見的有AHP、德爾菲法等。隨著計算科學的發(fā)展，更為復雜的一些智能算法體現(xiàn)了客觀性評價的優(yōu)越性，如啟發(fā)式算法等。在生態(tài)工業(yè)園風險評價領(lǐng)域，能表達其評價指標的非線性關(guān)聯(lián)性的評價方法已成為是研究的重點。因此，考慮BP神經(jīng)網(wǎng)絡的自組織、自學習、自適應和非線性的特性，本文提出了基于BP神經(jīng)網(wǎng)絡的生態(tài)工業(yè)園風險評價方法。

1 生態(tài)工業(yè)園風險評價指標體系

從現(xiàn)有的研究來看，學術(shù)界在建立合理的生態(tài)工業(yè)園評價指標體系上提出了很多建設性的意見，如:蘇青福和趙濤［3］從內(nèi)部成員、外部成員、結(jié)構(gòu)關(guān)系和不可抗拒因素4個角度考察生態(tài)工業(yè)園的風險，每個因素包含多個子因素;元炯亮［4］將指標體系分解為經(jīng)濟、生態(tài)環(huán)境、生態(tài)網(wǎng)絡和管理4部分;黃海鳳等［5］從經(jīng)濟、環(huán)境、管理和生態(tài)方面建立了生態(tài)工業(yè)園評價指標體系;崔兆杰等［6］研究了生態(tài)市可持續(xù)發(fā)展指標體系。

生態(tài)工業(yè)園的成功運行需要來自不同行業(yè)的企業(yè)(包括核心企業(yè)和附屬企業(yè))、園區(qū)管理部門、基礎設施服務提供商、信息服務提供商的共同努力，他們屬于園區(qū)的內(nèi)部成員;同時，生態(tài)工業(yè)園的成功運行也需要外部成員，如地方和國家政府部門、行業(yè)協(xié)會、原材料供應商、產(chǎn)品或服務銷售商、居民、教育和研究機構(gòu)等多方組織和團體的努力;此外，生態(tài)工業(yè)園還受自然環(huán)境的影響，因為生態(tài)工業(yè)園需要從自然環(huán)境中獲取能源、水、土地等資源，并向自然環(huán)境排放最終廢棄物。因此，對生態(tài)工業(yè)園風險進行評價需要綜合考慮以上因素。

根據(jù)生態(tài)工業(yè)園的風險特征，可以建立一套生態(tài)工業(yè)園風險評價指標體系，如圖1所示。

圖1 生態(tài)工業(yè)園風險評價指標體系

評價體系可分為4個模塊，分別為可持續(xù)發(fā)展指標模塊、經(jīng)濟指標模塊、管理指標模塊、生態(tài)環(huán)境指標模塊，其中可持續(xù)發(fā)展指標模塊、經(jīng)濟指標模塊、生態(tài)環(huán)境指標模塊是從生態(tài)工業(yè)園發(fā)展結(jié)果的角度劃分，而管理指標模塊則是從特征評價的角度劃分，可以視為生態(tài)工業(yè)園發(fā)展的內(nèi)部支撐指標。下面將分別介紹各個指標模塊的二級指標構(gòu)成。

可持續(xù)發(fā)展指標中包括系統(tǒng)循環(huán)率、廢物資源化比例、企業(yè)共生度和生態(tài)鏈多樣性4個二級指標。系統(tǒng)循環(huán)率和廢物資源化從生產(chǎn)過程的2個不同方面進行評價，即可再次參與生產(chǎn)和排出的生產(chǎn)系統(tǒng)，這是生產(chǎn)過程中的2個階段。本文用這2個指標反映出生態(tài)工業(yè)園的生產(chǎn)狀況。企業(yè)共生度是反映生態(tài)工業(yè)園區(qū)內(nèi)企業(yè)之間的緊密聯(lián)系程度，也就是產(chǎn)業(yè)鏈上成員之間的維系程度。生態(tài)鏈多樣性指標是更加長遠地評價生態(tài)工業(yè)園受市場經(jīng)濟的波動程度。目前很多生態(tài)工業(yè)園都存在著圍繞一個主產(chǎn)業(yè)或核心企業(yè)發(fā)展的趨勢，這種模式的生態(tài)工業(yè)園組建容易，但同時也增加了生態(tài)工業(yè)園受市場影響的風險。

經(jīng)濟指標中包括研究與發(fā)展經(jīng)費、新入園項目投資、污染控制支出和工業(yè)增加值增長率4個指標。新入園項目投資可以從側(cè)面反映出生態(tài)工業(yè)園擴展產(chǎn)業(yè)鏈的遠景。增加產(chǎn)業(yè)鏈的多樣性可以加強生態(tài)工業(yè)園的穩(wěn)定性，所以新入園項目投資也可以作為風險研究的一項指標。研究與發(fā)展經(jīng)費則可以作為產(chǎn)業(yè)鏈維護和升級的體現(xiàn)，也是生態(tài)工業(yè)園對自身生產(chǎn)鏈發(fā)展重視程度的體現(xiàn)，重視越高自然風險越低。工業(yè)增加值增長率則是以生態(tài)工業(yè)園上一年產(chǎn)值為基數(shù)，判斷本年度相對于上一年的工業(yè)產(chǎn)值增加比，是生態(tài)工業(yè)園經(jīng)濟的直接體現(xiàn)。增長率較快說明生態(tài)工業(yè)園正處于快速發(fā)展期，生態(tài)工業(yè)園分解的可能性較小。

管理指標中包括信息集成度、職工對園區(qū)的認知、公眾對園區(qū)的滿意度和園區(qū)穩(wěn)定性4個指標。現(xiàn)在的企業(yè)管理大多實行“以人為本”的管理決策，因此選取的信息集成度、職工對園區(qū)的認知和公眾對園區(qū)的滿意度均是以人作為研究對象的評價指標。這里的園區(qū)穩(wěn)定性主要是指生態(tài)工業(yè)園內(nèi)在協(xié)調(diào)程度的體現(xiàn)，也可作為工業(yè)園風險評價的指標。

生態(tài)環(huán)境指標中包括區(qū)域規(guī)劃定位、環(huán)境質(zhì)量、綠化覆蓋率和生態(tài)建設4個指標。一個生態(tài)工業(yè)園風險的存在是方方面面的，其中很多風險在生態(tài)工業(yè)園的規(guī)劃設計階段就要加以考慮，如區(qū)域關(guān)系到一個物質(zhì)流動渠道的建立，不合理的區(qū)域規(guī)劃往往是資源浪費的不和諧體現(xiàn)，而合理的生態(tài)工業(yè)園區(qū)物流規(guī)劃能降低生態(tài)工業(yè)園的運行風險。因此區(qū)域規(guī)劃也作為生態(tài)工業(yè)園風險評價的一個指標。環(huán)境質(zhì)量、綠化覆蓋率和生態(tài)建設都是生態(tài)工業(yè)園的一些外在生態(tài)要素，這些指標能提升生態(tài)工業(yè)園區(qū)形象，吸引企業(yè)入園，從而降低生態(tài)工業(yè)園風險。其中:綠化覆蓋率是園區(qū)的外表表現(xiàn);環(huán)境質(zhì)量包括水、空氣等一系列自然因素的質(zhì)量，是園區(qū)生態(tài)環(huán)境實質(zhì)性的體現(xiàn);生態(tài)建設則是園區(qū)從外表到實質(zhì)的一系列舉措。這3個指標囊括了整個生態(tài)環(huán)境建設的全部過程。

2 基于GA-BP神經(jīng)網(wǎng)絡的評價方法

生態(tài)工業(yè)園評價方法引起了一些學者的關(guān)注，如:孫曉梅等［7］運用修正的距離函數(shù)模型對生態(tài)工業(yè)園進行了評價;黃海鳳等［5］利用灰色聚類法對生態(tài)工業(yè)園進行了評價。傳統(tǒng)的評價方法均無法反映評價指標之間的非線性關(guān)系，而BP神經(jīng)網(wǎng)絡則能夠?qū)崿F(xiàn)非線性問題的求解。但BP神經(jīng)網(wǎng)絡仍存在一些不足:對初始權(quán)重非常敏感，極易收斂于局部極小。為解決初始權(quán)重敏感性和局部收斂問題，須引入進化計算方法。

遺傳算法(genetic algorithm，GA)是一種以達爾文的自然進化論和孟德爾的遺傳變異理論為基礎的全局隨機搜索優(yōu)化計算技術(shù)。GA的搜索始終遍及整個解空間，擅長全局搜索，但是不能獲得高精度的最優(yōu)解，只能是最接近最優(yōu)解;而神經(jīng)網(wǎng)絡在局部搜索時更為有效［8－9］。因此，將兩者結(jié)合起來，取長補短，形成一種混合訓練算法，可以達到優(yōu)化網(wǎng)絡的目的。GA與BP網(wǎng)絡混合的方法就是先用GA獲得近似最優(yōu)解，賦予網(wǎng)絡初始化權(quán)值，再用BP神經(jīng)網(wǎng)絡進行訓練，從而獲得較高精度的解。

2.1 BP神經(jīng)網(wǎng)絡原理

BP網(wǎng)絡是一種典型的有導師的多層前饋神經(jīng)網(wǎng)絡，其基本原理是:輸入信號Xi通過中間節(jié)點(隱層點)作用于輸出節(jié)點，經(jīng)過非線性變換，產(chǎn)生輸出信號Yk;網(wǎng)絡訓練的每個樣本包括輸入向量X和期望輸出量t，以及網(wǎng)絡輸出值Y與期望輸出值t之間的偏差;通過調(diào)整輸入節(jié)點與隱層節(jié)點的聯(lián)接強度取值Wij和隱層節(jié)點與輸出節(jié)點之間的聯(lián)接強度Tjk以及閾值，使誤差沿梯度方向下降，經(jīng)過反復學習訓練，確定與最小誤差相對應的網(wǎng)絡參數(shù)(權(quán)值和閾值)，訓練即告停止。

2.2 基于遺傳算法的BP網(wǎng)絡優(yōu)化

將遺傳算法應用于神經(jīng)網(wǎng)絡可以指導權(quán)重優(yōu)化和拓撲選擇。本文利用遺傳算法確定網(wǎng)絡的初始權(quán)值。優(yōu)選神經(jīng)網(wǎng)絡的連接權(quán)重優(yōu)化問題描述如下:

式中w1，w2，…，wn為統(tǒng)一編號后的連接權(quán)重(包括輸入層節(jié)點與中間層節(jié)點以及中間層節(jié)點與輸出層節(jié)點的連接權(quán)重)，n為連接權(quán)重總個數(shù)，約束條件為－1＜wi＜1。

基于遺傳算法的BP網(wǎng)絡初始權(quán)值優(yōu)化步驟如下:

1)初始化種群，一個染色體對應一組網(wǎng)絡權(quán)值，染色體采用實數(shù)進行編碼，設定染色體種群數(shù)量為N，遺傳代數(shù)為gen，交叉概率為Pc，突變概率為Pm。

2)若達到最大遺傳代數(shù)gen，轉(zhuǎn)至步驟8)。

3)計算每個染色體的適應性，染色體i的適應值fi用其對應的網(wǎng)絡誤差Ei的倒數(shù)衡量:

4)采用輪盤賭方法選擇群體中的一對染色體，以交叉概率Pc進行交叉操作，以Pm的概率對交叉后的染色體進行突變操作。對于突變基因，給該基因的權(quán)重添加一個在(－1，1)區(qū)間的隨機值。

5)將后代染色體放入新種群中。

6)重復步驟4)和5)，直到新染色體種群的大小為N為止。

7)用新染色體種群取代雙親染色體種群，轉(zhuǎn)至步驟2)。

8)將適應性最高的染色體解碼得到相應的網(wǎng)絡初始權(quán)值。

在GA全局尋優(yōu)的基礎上運用BP算法進行局部細致搜索，當達到要求的收斂精度時結(jié)束網(wǎng)絡的訓練。

3 案例研究

本文以國家生態(tài)工業(yè)示范園區(qū)為樣本，請有經(jīng)驗人士根據(jù)每個工業(yè)園區(qū)的信息評價其質(zhì)量的高低，評價標準如表1所示。專家問卷調(diào)查回收有效問卷30份。

表1 生態(tài)工業(yè)園風險評價指標的評分標準

3.1 生態(tài)工業(yè)園風險評價的BP神經(jīng)網(wǎng)絡模型構(gòu)建

1)確定BP網(wǎng)絡的層數(shù)。1989年Robert·Hecht Nielson證明了一個3層的BP神經(jīng)網(wǎng)絡可以完成任意的N維到M維的映射，因此本文選取3層的網(wǎng)絡模型。

2)網(wǎng)絡輸入層節(jié)點i的確定。輸入層節(jié)點的多少與評價指標個數(shù)相對應。本文采用16個指標對生態(tài)工業(yè)園風險進行評價，因此網(wǎng)絡輸入層節(jié)點數(shù)i為16。

3)隱含層(中間層)節(jié)點數(shù)j的確定。用作函數(shù)逼近的BP神經(jīng)網(wǎng)絡，隱含層節(jié)點數(shù)與要逼近函數(shù)的精度和函數(shù)本身的波動性有關(guān)。到目前為止，精確預測隱含層所需要的神經(jīng)元的數(shù)目仍存在一些理論上還沒有解決的問題。通過誤差試驗，本文確定隱含層節(jié)點數(shù)為10個。

4)確定BP網(wǎng)絡的輸出層節(jié)點數(shù)。對于輸出層，這里以生態(tài)工業(yè)園風險評價的結(jié)果作為系統(tǒng)的輸出，輸出節(jié)點數(shù)為1個。將輸出結(jié)果與表1所示的評語集進行匹配，可以確定評估對象的風險級別。

3.2 基于GA的BP神經(jīng)網(wǎng)絡初始閾值優(yōu)化

BP神經(jīng)網(wǎng)絡隱含層和輸出層的傳遞函數(shù)分別采用正切Sigmoid函數(shù) tansig()和線性函數(shù)purelin()，網(wǎng)絡訓練函數(shù)采用traingdm()。設定遺傳算法優(yōu)化神經(jīng)網(wǎng)絡初始權(quán)值的種群數(shù)量N為20，遺傳代數(shù)gen為800，交叉概率Pc和突變概率Pm的值分別取 0.9和 0.1。利用 MATLAB R2011b對樣本數(shù)據(jù)進行仿真，在GA進行了500代搜索后染色體的平均適應度趨于穩(wěn)定。

3.3 優(yōu)化后的BP神經(jīng)網(wǎng)絡訓練和預測

將遺傳算法的優(yōu)化結(jié)果設置成BP網(wǎng)絡的初始權(quán)值和閾值，訓練BP網(wǎng)絡，設定訓練的誤差精度為0.001，學習率為0.05。30組樣本的前20組作為訓練樣本，后10組作為預測樣本。同時，為了比較，本文也采用了相同參數(shù)對標準BP神經(jīng)網(wǎng)絡進行訓練和預測。訓練結(jié)束后，利用訓練好的3層網(wǎng)絡，分別輸入測試的10組樣本數(shù)據(jù)。計算結(jié)果分別如圖2和圖3所示。

圖2 GA-BP網(wǎng)絡預測輸出

圖3 BP網(wǎng)絡預測輸出

網(wǎng)絡的預測誤差百分比k是誤差與期望輸出之間的比值，即

GA-BP網(wǎng)絡和標準BP網(wǎng)絡的預測誤差百分比如表2所示。

表2 預測樣本實際輸出與期望輸出數(shù)據(jù)

3.4 仿真結(jié)果分析

GA-BP網(wǎng)絡的預測誤差百分比絕對值的平均值是0.063 4，標準BP網(wǎng)絡的預測誤差百分比絕對值的平均值是0.159 6。這說明GA-BP網(wǎng)絡在生態(tài)工業(yè)園風險評價方面具有較好的性能，且準確率比BP網(wǎng)絡有提高。但是，預測的少量結(jié)果仍存在一定誤差，究其原因主要有2點:①從神經(jīng)網(wǎng)絡的建模上講，隱含層結(jié)點個數(shù)應盡量達到最佳，使網(wǎng)絡模型更加完善，從而使學習和預測結(jié)果達到最佳;② 由于實際統(tǒng)計數(shù)據(jù)有限，樣本數(shù)量較少，要使仿真結(jié)果更接近實際值，既要注意模型的完善，還應提供足夠的樣本。

4 結(jié)論

1)考慮生態(tài)工業(yè)園風險識別的復雜性，提出一套生態(tài)工業(yè)園風險評價指標體系，包括可持續(xù)發(fā)展模塊、經(jīng)濟發(fā)展模塊、管理制度模塊和生態(tài)環(huán)境模塊等。

2)將BP神經(jīng)網(wǎng)絡與遺傳算法結(jié)合的混合啟發(fā)式算法用于生態(tài)工業(yè)園風險評價。采用遺傳算法對BP神經(jīng)網(wǎng)絡的初始連接權(quán)值進行訓練尋優(yōu)，再用BP神經(jīng)網(wǎng)絡進行訓練，從而獲得較高精度的解。

3)仿真計算表明:基于GA-BP神經(jīng)網(wǎng)絡的生態(tài)工業(yè)園風險評價模型訓練時間短，收斂速度快，在學習過程中不易陷入局部極小點，具有良好的應用前景。

［1］Chertow M R.Industrial symbiosis:literature and taxonomy［J］.Annual Review of Energy and the Environment，2000，25(1):313－337.

［2］Sakr D，Baas L，El-Haggar S，et al.Critical success and limiting factors for eco-industrial parks:global trends and Egyptian context［J］.Journal of cleaner production，2011，19(11):1158－1169.

［3］蘇青福，趙濤.生態(tài)工業(yè)園的風險識別與過濾研究［J］.統(tǒng)計與決策，2012(1):76 －79.

［4］元炯亮.生態(tài)工業(yè)園評價指標體系研究［J］.環(huán)境保護，2003(3):38－40.

［5］黃海鳳，張宏華，蔡文祥，等.基于灰色聚類法的生態(tài)工業(yè)園區(qū)評價［J］.浙江工業(yè)大學學報，2005，18(4):118－121.

［6］崔兆杰，謝連科，劉雷等.生態(tài)市可持續(xù)發(fā)展指標體系的建立和評價方法研究［J］.科學技術(shù)與工程，2006，6(13):1863－1868.

［7］孫曉梅，朱麗，崔兆杰.生態(tài)工業(yè)園發(fā)展狀況評價指標體系的建立［J］.改革與戰(zhàn)略，2010，26(3):109 －113.

［8］周開利，康耀紅.神經(jīng)網(wǎng)絡模型及其MATLAB仿真程序設計［M］.北京:清華大學出版社，2005.

［9］黃勤，龔海清，劉金亨，等.基于改進的遺傳神經(jīng)網(wǎng)絡入侵檢測系統(tǒng)［J］.重慶理工大學學報:自然科學版，2010，24(2):83 －86.