資源型城市電爐產(chǎn)業(yè)的經(jīng)濟效益估計

趙 敏

(青海省海南藏族自治州工業(yè)商務(wù)和信息化局,青海 海南藏族自治州 813099)

電爐加工產(chǎn)業(yè)始終在我國經(jīng)濟發(fā)展中占據(jù)重要地位,而電爐產(chǎn)業(yè)也是保證能源供應(yīng)安全的重要基礎(chǔ)產(chǎn)業(yè)。但是現(xiàn)階段,我國電爐工業(yè)發(fā)展過程中存在生產(chǎn)方式單一,管理水平不高以及環(huán)境治理績效差的問題,因此我國開始建設(shè)電爐基地,能夠保證區(qū)域電爐穩(wěn)定供應(yīng)性,而現(xiàn)實中很多資源型城市的電爐產(chǎn)業(yè)經(jīng)濟發(fā)展極其不平衡[1]。因此,十九大報告明確指出我國社會主義步入一個新的階段,這代表本國經(jīng)濟也步入新的時期。從高速增長形式變成中高度增長形式,從高速增長時期變換成重視高質(zhì)量發(fā)展的時期。這一階段除了對經(jīng)濟增長的要求之外,還對電爐工業(yè)領(lǐng)域提出很多要求[2]。然而,資源型城市經(jīng)濟發(fā)展受到諸多因素的影響,導(dǎo)致經(jīng)濟波動現(xiàn)象屢見不鮮。為了確保資源型城市經(jīng)濟可以平穩(wěn)發(fā)展,通過分析資源型城市經(jīng)濟數(shù)據(jù)的變化情況[3],了解區(qū)域經(jīng)濟發(fā)展趨勢。

國外有學(xué)者通過分析區(qū)域的通貨膨脹與國內(nèi)生產(chǎn)總值變化情況,獲得市場變化情況、價格波動以及出口政策等對通貨膨脹有極大的幫助。國內(nèi)學(xué)者潘金玉等人[4]利用柯布-道格拉斯方法構(gòu)建區(qū)域經(jīng)濟效益估計模型,并分析勞動投入情況與資本投入情況、生產(chǎn)數(shù)值對區(qū)域經(jīng)濟發(fā)展的影響,推動區(qū)域經(jīng)濟發(fā)展;范金等人[5]構(gòu)建具有穩(wěn)定性與協(xié)調(diào)性的區(qū)域經(jīng)濟發(fā)展質(zhì)量評估體系,并通過主成分分析方式對區(qū)域經(jīng)濟效益進行估計,進而促進各區(qū)域經(jīng)濟發(fā)展。

在以上學(xué)者研究成果之上,本文針對這一問題,設(shè)計了一種基于改進卷積神經(jīng)網(wǎng)絡(luò)的資源型城市電爐產(chǎn)業(yè)經(jīng)濟效益估計模型。

1 資源型城市電爐產(chǎn)業(yè)經(jīng)濟效益評估指標(biāo)體系設(shè)計

1.1 指標(biāo)選取

估計資源型城市電爐產(chǎn)業(yè)經(jīng)濟效益[6],首先需要構(gòu)建一套科學(xué)、公平、全面的電爐產(chǎn)業(yè)經(jīng)濟效益估計指標(biāo)體系[7]。而經(jīng)濟發(fā)展情況能夠展現(xiàn)出各電爐產(chǎn)業(yè)在經(jīng)濟總值與增速方面的實際情況,因此文中電爐產(chǎn)業(yè)經(jīng)濟效益估計指標(biāo)從經(jīng)濟因素、社會因素、環(huán)境因素進行選取。明確指標(biāo)選取的范圍后,還應(yīng)注意預(yù)測指標(biāo)選取的原則。具體如表1所示。

表1 指標(biāo)選取原則

在經(jīng)濟方面,文中從經(jīng)濟角度[8]、社會角度、環(huán)境角度三個方面分析了電爐產(chǎn)業(yè)經(jīng)濟效益指標(biāo),以此搭建相關(guān)的指標(biāo)體系,具體如表2所示。

表2 電爐產(chǎn)業(yè)經(jīng)濟效益指標(biāo)體系

1.2 指標(biāo)數(shù)據(jù)處理

對上述選取13指標(biāo)做標(biāo)準(zhǔn)化處理,使用熵權(quán)TOPSIS方式[9]將13個指標(biāo)進行賦權(quán)操作。設(shè)定Yijt為標(biāo)準(zhǔn)化后的指標(biāo),pijt為特征權(quán)重;N為指標(biāo)數(shù)量;T為時長;Ej為第j個指標(biāo)的信息熵,則

(1)

(2)

式中:m為電爐產(chǎn)業(yè)經(jīng)濟效益估計指標(biāo)數(shù)量。

假設(shè)Wj為第j個電爐產(chǎn)業(yè)經(jīng)濟效益估計指標(biāo)權(quán)重,則存在:

(3)

通過式(3)求解,獲得電爐產(chǎn)業(yè)經(jīng)濟效益估計指標(biāo)權(quán)重的最佳數(shù)值Q+與最差數(shù)值Q-,得出:

(4)

式中:max(rit1),max(rit2),…,max(ritm)與(min(rit1),min(rit2),…,min(ritm)分別為式(3)不同求解的結(jié)果。

(5)

2 基于改進卷積神經(jīng)網(wǎng)絡(luò)的經(jīng)濟效益估計模型

卷積神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)的重要組成部分,因其具有的速率高與精度高的優(yōu)勢,已經(jīng)在實際中得到了廣泛應(yīng)用。傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)模型共分為三個部分[10]。其中,第一部分為1個輸入層,第二部分為2個卷積層與2個池化層,最后一部分為1個全連接層與1個輸出層,詳細網(wǎng)絡(luò)模型組成如表3所示。

表3 卷積神經(jīng)網(wǎng)絡(luò)組成

卷積神經(jīng)網(wǎng)絡(luò)內(nèi)部模型如圖1所示。圖1中最上面是各層名稱,最下方是輸入到后一層卷積的數(shù)據(jù)矩陣大小。

圖1 卷積神經(jīng)網(wǎng)絡(luò)構(gòu)成

但是隨著樣本數(shù)據(jù)量的增加,卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中容易出現(xiàn)過擬合的問題,導(dǎo)致訓(xùn)練效率與質(zhì)量下降,且該網(wǎng)絡(luò)對于對計算機硬件要求過高,網(wǎng)絡(luò)也難以移植導(dǎo)致卷積神經(jīng)網(wǎng)絡(luò)模型的可用性下降,因此本文對該模型進行了改進,改進后的卷積神經(jīng)網(wǎng)絡(luò)如圖2所示。

圖2 改進后的卷積神經(jīng)網(wǎng)絡(luò)

改進后的卷積神經(jīng)網(wǎng)絡(luò)由卷積神經(jīng)網(wǎng)絡(luò)的特征提取層和BP神經(jīng)網(wǎng)絡(luò)構(gòu)成,利用卷積神經(jīng)網(wǎng)絡(luò)評估區(qū)域經(jīng)濟效益估計指標(biāo)數(shù)據(jù)的穩(wěn)定性,并將樣本分為穩(wěn)定樣本和不穩(wěn)定樣本,并對這兩類樣本的特征進行提取,對這兩類特征進行融合處理之后,獲取高階特征,將該特征作為BP網(wǎng)絡(luò)的輸入,輸出則為區(qū)域經(jīng)濟效益估計結(jié)果,完成卷積神經(jīng)網(wǎng)絡(luò)改進。

在改進后的卷積神經(jīng)網(wǎng)絡(luò)中,BP網(wǎng)絡(luò)神經(jīng)元數(shù)量為m,也表示高維特征維數(shù),中間層的神經(jīng)元數(shù)量為k,輸出層神經(jīng)元數(shù)量與特征量個數(shù)相等,用n表示,則下述公式成立:

(6)

式中:a為特征總量。

2.1 改進卷積神經(jīng)網(wǎng)絡(luò)模型參數(shù)優(yōu)化

為了能夠快速得出訓(xùn)練速率并能獲得最佳解,運用式(7)對改進卷積神經(jīng)網(wǎng)的學(xué)習(xí)速率進行優(yōu)化處理,得出

lr=δ·e-α·epoch(β·logMAE)

(7)

式中:δ、α、β為訓(xùn)練參數(shù);epoch為訓(xùn)練迭代次數(shù);MAE為絕對誤差均值,e為均方差。若誤差增大,則學(xué)習(xí)速率也會隨之增加,反之,學(xué)習(xí)速率降低。經(jīng)過對訓(xùn)練參數(shù)的協(xié)調(diào),進而得出卷積神經(jīng)網(wǎng)絡(luò)最佳學(xué)習(xí)速率。

為了保證激活函數(shù)的合理化,本文結(jié)合ReLUs函數(shù)的稀疏性以及Softplus函數(shù)的光滑性,設(shè)計了一種新的激活函數(shù),該函數(shù)主要利用下述公式進行描述:

(8)

式中:ex為新的激活函數(shù)。

為了防止訓(xùn)練過程區(qū)域經(jīng)濟效益估計指標(biāo)數(shù)據(jù)丟失,選擇Huber損失函數(shù)[12],因為其能夠?qū)⒕讲?、平均絕對值誤差方式進行融合,進而有效調(diào)節(jié)卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練流程中的參數(shù)δ。其運算過程如式(9)所示。

(9)

2.2 模型訓(xùn)練

假設(shè)把訓(xùn)練模型起始化設(shè)定為0,其在反向傳輸時參數(shù)始終為0,進而導(dǎo)致大部分節(jié)點失效,也就是部分區(qū)域經(jīng)濟效益估計指標(biāo)數(shù)據(jù)丟失。為了更好地對電爐產(chǎn)業(yè)經(jīng)濟效益估計,使用Xavier方式處理數(shù)據(jù)訓(xùn)練過程中的起始參數(shù)[11],得出:

(10)

式中:nin與nout為輸入與輸出層神經(jīng)元的個量;參數(shù)矩陣w中任意一個神經(jīng)元均在U范圍內(nèi),并能任意生產(chǎn),有效解決梯度彌散與梯度爆炸的問題。

為了解決訓(xùn)練時出現(xiàn)過擬合的問題,使用dropout算法[13]選擇98%的神經(jīng)元進行估計,即

(11)

利用訓(xùn)練好的改進卷積神經(jīng)網(wǎng)絡(luò)模型進行區(qū)域經(jīng)濟效益估計,即將電爐產(chǎn)業(yè)經(jīng)濟效益估計指標(biāo)數(shù)據(jù)輸入至該模型中,得到電爐產(chǎn)業(yè)經(jīng)濟效益估計結(jié)果。

3 模型的應(yīng)用與實驗結(jié)果分析

為了驗證本文所設(shè)計的資源型城市中電爐產(chǎn)業(yè)經(jīng)濟效益估計模型的有效性,需要進行實驗測試。實驗運行環(huán)境如表4所示。

表4 實驗運行環(huán)境

選擇11個大型資源城市中電爐產(chǎn)業(yè)基地作為研究對象,大型電爐基地分布如圖3所示。

圖3 11個大型電爐基地分布情況

2015—2021年我國電爐基地數(shù)據(jù)集中的50 000組數(shù)據(jù)。其中大型電爐基地的整體盈利情況如圖4所示。

圖4 電爐基地整體盈利情況

將實驗數(shù)據(jù)集分隨機為訓(xùn)練數(shù)據(jù)與測試數(shù)據(jù),測試數(shù)據(jù)集占比為32%,實驗數(shù)據(jù)集占比為68%,將測試數(shù)據(jù)集輸入仿真軟件進行試運行,獲取該平臺的最優(yōu)運行參數(shù)。將該參數(shù)作為后續(xù)實驗測試中的試驗參數(shù),將實驗數(shù)據(jù)集輸入仿真軟件進行測試,得到相關(guān)的測試結(jié)果。將柯布-道格拉斯法、主成分分析法以及改進卷積神經(jīng)網(wǎng)絡(luò)作為實驗對比方法,將改進卷積神經(jīng)網(wǎng)絡(luò)初始權(quán)值與閾值分別設(shè)為0.56、0.63,學(xué)習(xí)速率為0.7,以此完成相關(guān)測試。對比了柯布-道格拉斯法、主成分分析法以及改進卷積神經(jīng)網(wǎng)絡(luò)的收斂性,比較結(jié)果如圖5所示。

圖5 收斂性比較

估計誤差值越大代表估計結(jié)果的誤差越高,估計性能也就越差。分析圖5可知,從第75次訓(xùn)練開始三種方法損失曲線均趨于平緩,表明這三種方法估計誤差值達到穩(wěn)定,不會隨著訓(xùn)練次數(shù)增加而發(fā)生改變,而本文方法估計誤差值小于實驗對比方法,這是因為這兩個文獻方法不能自適應(yīng)調(diào)節(jié)估計過程中的參數(shù),導(dǎo)致估計誤差增加。而且由于本文方法運用Xavier算法處理訓(xùn)練過程中的起始參數(shù),并優(yōu)化學(xué)習(xí)速率與激活函數(shù),采用dropout算法解決訓(xùn)練過程中過擬合問題,有效提升訓(xùn)練速度,因此該方法具有較好的收斂性能。

對比了柯布-道格拉斯法、主成分分析法以及改進卷積神經(jīng)網(wǎng)絡(luò)方法的資源型城市經(jīng)濟效益估計精度,比較結(jié)果如圖6所示。

圖6 估計精準(zhǔn)比較

分析圖6中的數(shù)據(jù)可知,隨著實驗次數(shù)的增加,不同方法的估計精度呈現(xiàn)波動變化趨勢,其中柯布-道格拉斯法的估計精度在72%～90%變化,主成分分析法的估計精度在67%～93%變化,而本文方法的估計精度始終保持在96%以上,估計精度更高,實際應(yīng)用效果更好。

對比了柯布-道格拉斯法、主成分分析法以及改進卷積神經(jīng)網(wǎng)絡(luò)方法的估計耗時,比較結(jié)果如表5所示。

表5 估計耗時比較結(jié)果

分析表5中的數(shù)據(jù)可知,柯布-道格拉斯法的區(qū)域經(jīng)濟效益估計耗時平均值為1.56 s,主成分分析法的區(qū)域經(jīng)濟效益估計耗時平均值為1.98 s,改進卷積神經(jīng)網(wǎng)絡(luò)方法的估計耗時平均值為0.66 s,是三種方法中估計耗時最短的,說明該方法的整體效率更高。

4 結(jié) 論

現(xiàn)階段,為了整合優(yōu)質(zhì)的電爐生產(chǎn)資源,促進電爐經(jīng)濟的迅速發(fā)展,構(gòu)建了諸多電爐基地。為了更加精準(zhǔn)估計資源型城市中電爐產(chǎn)業(yè)經(jīng)濟效益,本文運用改進卷積神經(jīng)網(wǎng)絡(luò)方法估計資源型城市中電爐產(chǎn)業(yè)經(jīng)濟的效益,并以某區(qū)域經(jīng)濟歷史數(shù)據(jù)當(dāng)作實驗數(shù)據(jù),進行實驗獲得如下結(jié)論:

(1)使用改進卷積神經(jīng)網(wǎng)能夠有效提升估計精度;

(2)和其他估計方法相比,改進卷積神經(jīng)網(wǎng)絡(luò)可以保證算法收斂性,提升估計精度與估計效率。

但本文研究時間有限,日后可引入加權(quán)平均、決策函數(shù)等方法,更深入研究資源型城市中,其他經(jīng)濟數(shù)據(jù)變化趨勢。