基于BP神经网络的煤炭企业转型程度评价
秦超
【摘 要】依据当前的煤炭形势背景，分析了多方面影响煤炭企业转型因素，筛选了相关指标并以此建立了煤炭企业转型程度评价体系。应用基于BP算法的多层前馈式神经网络构建了煤炭企业转型程度评价模型，并通过网络学习不断调节链接权重训练神经网络，最终以实例验证了评价模型的准确性和可靠性。
【Abstract】Based on the background of the current coal situation ， this paper analyzes the factors affecting the transformation of coal enterprises in various aspects， and screens out the relevant indicators， and establishes the evaluation system of transformation degree of coal enterprises. The multi-layer feedforward neural network based on BP algorithm is used to construct the transition degree evaluation model of coal enterprises. And through the network learning constinuously adjusting the link juice to use training neural network， Finally， an example is given to verify the accuracy and reliability of the evaluation model.
【关键词】神经网络；煤炭企业；评价；转型
【Keywords】neural network； coal enterprise； evaluation； transformation
【中图分类号】F426 【文献标志码】A 【文章编号】1673-1069（2017）10-0046-03
1 引言
煤炭作为国家最主要的一次能源，是社会经济发展的动力。随着近年来国家经济增长速度放缓进入“新常态”时期，国家发展降档调速，能源需求量下降，加之在这之前的煤炭行业的盲目扩张致使产能严重过剩。由此带来的煤炭市场低迷，煤炭价格持续走低，煤炭企业发展步履维艰。生态环境破坏严重，下岗人员增多，未来2～3年内，代表性产能过剩行业及其上下游产业总失业人数可能达300～350万人，将推高全社会失业率0.2%～0.3%。在去产能过程中，区域不稳定因素增加。煤炭行业内部面临产业结构单一、资源依附度高、产业链条不完善、企业创新能力不足等诸多挑战，过剩产能合理释放和煤炭企业转型升级迫在眉睫。因此进行煤炭企业的转型升级程度评价，对引导企业未来发展方向，推动地区经济的稳定有着重要意义。
2 煤炭企业转型程度评价指标体系的建立
2.1 评价指标体系构建的思想
煤炭企业的转型目标首先是在煤炭的生产、利用方式上实现转型发展。在生产上要集约、高效、智能化生产，提高质量、保证安全；在煤炭利用上，实现绿色开采、绿色利用、绿色发展，减少大气污染。其次煤炭企业的转型还要在管理、体制建立、人才培养、创新驱动等方面进行。发力非煤、优势产业，培养新动能、发展新产业，进而削减煤炭比重，促进煤炭企业转型发展。
2.2 指标统计
根据已有的研究成果和经验，对所分析的18篇煤炭企业转型效果相关文章中出现的评价指标做了统计，见表1。
2.3 指标筛选及建立
该文组织有关专家对煤炭企业转型程度的构成要素进行分析，建立了“目标-指标”层次结构，煤炭企业转型程度评价为目标层。根据煤炭企业转型程度评价指标的构建思想，从企业经营能力、环境资源友好度、企业管理创新水平三个方面出发，确定出煤炭企业转型程度评价一级指标。再通过分析其各自的影响因素，形成评价指标体系的二级指标。指标筛选旨在统计完毕的指标中筛选出可行性较低的指标，剔除指标之间相关性较大的指标，从而简化评价模型，更有利于准确评价。具体步骤如下：
①分析和计算评价指标之间的相关系数。设第i个指标和第j个指标的相关系数为rij。Zi为第i个指标的平均值。Zki为第k个评价对象第i个指标的值，根据相关系数计算公式，则rij为rij=
当r>0为正相关，r<0为负相关。r=0 表示不相关。相关系数的绝对值越大，相关性越强。其中将相关系数分为三类，绝对值在0.8以上视为强相关，在0.3～0.8之间为中等程度相关，0.3以下视为弱相关或者无相关。
②筛选相关程度为强相关的指标并进行剔除。经过相关性分析将指标万元产值固废排放达标率、选矿回收货率、物料循环利用率、矸石循环利用率、采矿贫化率、土地复垦率予以剔除。
③指标可测性分析。由于各个企业规模存在着差距，观测调研可操作性不同，将一些不可测和对比性较差的指标予以剔除。故将企业管理水平、基础设施建设程度指标予以剔除。
2.4 指标归一化处理
对各指标进行归一化处理，见表2。
将煤炭企业转型升级程度R作为输出并请相关专家进行分类，最终评价分为三个等级。见表3。
3 煤炭企业转型程度的BP神经网络模型构建与训练
3.1 BP神经网络模型选择
依据数据类型特点和复杂程度构造了三层BP神经网络结构模型，如图1所示。
BP神经网络的学习过程也就是网络参数修正的过程， 本系统的网络学习采用有教师的方法， 网络参数的修正采用梯度法[1]，具体设参数变量如下：记输入训练样本数为p，网络的输入向量为X=（x1，x2，…，xi，…，xn）T ，并记对应的隐层输出向量为 Y=（y1，y2，…，yj，…，ym）T，最终的输出层输出向量 O=（o1，o2，…，ok，…，ol）T，期望输出向量为d=（d1，d2，…，dk，…，dl）T，输入层到隐层之间的权值矩阵为V=（V1，V2，…，Vj，…，Vm），隱层到输出层之间的权值矩阵为W=（W1，W2，…，Wk，…，Wl）。使用MATLAB的神经网络工具箱进行训练和实现，设定训练函数为trainlm，隐含层函数为tansig，输出层函数为输出值在[0，1]的logsig，最大训练次数为1000，训练目标为0.0001。经过训练的网络可以输出煤炭企业转型程度值R。
3.2 模型验证
以4组数据作为样本进行模型的仿真验证，最终验证实际输出与期望输出相对误差不超过6%，如表4所示。因此认为在误差的允许范围之内，可以用来对煤炭企业转型程度的评价。
4 结论
论文根据煤炭企业转型升级特点和相关研究建立了煤炭企业转型程度评价体系，建立了基于评价体系的3层BP神经网络模型，并经过不断地训练学习使网络误差小于6%，使其能够作为评价煤炭企业转型程度较为准确的工具[2]。其优点是避免了传统评价方法中的主观性以及复杂数学推导， 在样本缺失和参数漂移的情况下，仍能得到稳定、正确的结果。研究结果将为煤炭企业转型程度的科学决策提供参考和借鉴。
【参考文献】
【1】虞益诚，陈威.基于BP神经网络的云服务质量评价[J].财会月刊，2016（11）：8.
【2】史俊伟，孟祥瑞，陈章良.新形势下煤炭企业绿色竞争力评价[J].能源技术与管理，2016（1）：11-43.
【摘 要】依据当前的煤炭形势背景，分析了多方面影响煤炭企业转型因素，筛选了相关指标并以此建立了煤炭企业转型程度评价体系。应用基于BP算法的多层前馈式神经网络构建了煤炭企业转型程度评价模型，并通过网络学习不断调节链接权重训练神经网络，最终以实例验证了评价模型的准确性和可靠性。
【Abstract】Based on the background of the current coal situation ， this paper analyzes the factors affecting the transformation of coal enterprises in various aspects， and screens out the relevant indicators， and establishes the evaluation system of transformation degree of coal enterprises. The multi-layer feedforward neural network based on BP algorithm is used to construct the transition degree evaluation model of coal enterprises. And through the network learning constinuously adjusting the link juice to use training neural network， Finally， an example is given to verify the accuracy and reliability of the evaluation model.
【关键词】神经网络；煤炭企业；评价；转型
【Keywords】neural network； coal enterprise； evaluation； transformation
【中图分类号】F426 【文献标志码】A 【文章编号】1673-1069（2017）10-0046-03
1 引言
煤炭作为国家最主要的一次能源，是社会经济发展的动力。随着近年来国家经济增长速度放缓进入“新常态”时期，国家发展降档调速，能源需求量下降，加之在这之前的煤炭行业的盲目扩张致使产能严重过剩。由此带来的煤炭市场低迷，煤炭价格持续走低，煤炭企业发展步履维艰。生态环境破坏严重，下岗人员增多，未来2～3年内，代表性产能过剩行业及其上下游产业总失业人数可能达300～350万人，将推高全社会失业率0.2%～0.3%。在去产能过程中，区域不稳定因素增加。煤炭行业内部面临产业结构单一、资源依附度高、产业链条不完善、企业创新能力不足等诸多挑战，过剩产能合理释放和煤炭企业转型升级迫在眉睫。因此进行煤炭企业的转型升级程度评价，对引导企业未来发展方向，推动地区经济的稳定有着重要意义。
2 煤炭企业转型程度评价指标体系的建立
2.1 评价指标体系构建的思想
煤炭企业的转型目标首先是在煤炭的生产、利用方式上实现转型发展。在生产上要集约、高效、智能化生产，提高质量、保证安全；在煤炭利用上，实现绿色开采、绿色利用、绿色发展，减少大气污染。其次煤炭企业的转型还要在管理、体制建立、人才培养、创新驱动等方面进行。发力非煤、优势产业，培养新动能、发展新产业，进而削减煤炭比重，促进煤炭企业转型发展。
2.2 指标统计
根据已有的研究成果和经验，对所分析的18篇煤炭企业转型效果相关文章中出现的评价指标做了统计，见表1。
2.3 指标筛选及建立
该文组织有关专家对煤炭企业转型程度的构成要素进行分析，建立了“目标-指标”层次结构，煤炭企业转型程度评价为目标层。根据煤炭企业转型程度评价指标的构建思想，从企业经营能力、环境资源友好度、企业管理创新水平三个方面出发，确定出煤炭企业转型程度评价一级指标。再通过分析其各自的影响因素，形成评价指标体系的二级指标。指标筛选旨在统计完毕的指标中筛选出可行性较低的指标，剔除指标之间相关性较大的指标，从而简化评价模型，更有利于准确评价。具体步骤如下：
①分析和计算评价指标之间的相关系数。设第i个指标和第j个指标的相关系数为rij。Zi为第i个指标的平均值。Zki为第k个评价对象第i个指标的值，根据相关系数计算公式，则rij为rij=
当r>0为正相关，r<0为负相关。r=0 表示不相关。相关系数的绝对值越大，相关性越强。其中将相关系数分为三类，绝对值在0.8以上视为强相关，在0.3～0.8之间为中等程度相关，0.3以下视为弱相关或者无相关。
②筛选相关程度为强相关的指标并进行剔除。经过相关性分析将指标万元产值固废排放达标率、选矿回收货率、物料循环利用率、矸石循环利用率、采矿贫化率、土地复垦率予以剔除。
③指标可测性分析。由于各个企业规模存在着差距，观测调研可操作性不同，将一些不可测和对比性较差的指标予以剔除。故将企业管理水平、基础设施建设程度指标予以剔除。
2.4 指标归一化处理
对各指标进行归一化处理，见表2。
将煤炭企业转型升级程度R作为输出并请相关专家进行分类，最终评价分为三个等级。见表3。
3 煤炭企业转型程度的BP神经网络模型构建与训练
3.1 BP神经网络模型选择
依据数据类型特点和复杂程度构造了三层BP神经网络结构模型，如图1所示。
BP神经网络的学习过程也就是网络参数修正的过程， 本系统的网络学习采用有教师的方法， 网络参数的修正采用梯度法[1]，具体设参数变量如下：记输入训练样本数为p，网络的输入向量为X=（x1，x2，…，xi，…，xn）T ，并记对应的隐层输出向量为 Y=（y1，y2，…，yj，…，ym）T，最终的输出层输出向量 O=（o1，o2，…，ok，…，ol）T，期望输出向量为d=（d1，d2，…，dk，…，dl）T，输入层到隐层之间的权值矩阵为V=（V1，V2，…，Vj，…，Vm），隱层到输出层之间的权值矩阵为W=（W1，W2，…，Wk，…，Wl）。使用MATLAB的神经网络工具箱进行训练和实现，设定训练函数为trainlm，隐含层函数为tansig，输出层函数为输出值在[0，1]的logsig，最大训练次数为1000，训练目标为0.0001。经过训练的网络可以输出煤炭企业转型程度值R。
3.2 模型验证
以4组数据作为样本进行模型的仿真验证，最终验证实际输出与期望输出相对误差不超过6%，如表4所示。因此认为在误差的允许范围之内，可以用来对煤炭企业转型程度的评价。
4 结论
论文根据煤炭企业转型升级特点和相关研究建立了煤炭企业转型程度评价体系，建立了基于评价体系的3层BP神经网络模型，并经过不断地训练学习使网络误差小于6%，使其能够作为评价煤炭企业转型程度较为准确的工具[2]。其优点是避免了传统评价方法中的主观性以及复杂数学推导， 在样本缺失和参数漂移的情况下，仍能得到稳定、正确的结果。研究结果将为煤炭企业转型程度的科学决策提供参考和借鉴。
【参考文献】
【1】虞益诚，陈威.基于BP神经网络的云服务质量评价[J].财会月刊，2016（11）：8.
【2】史俊伟，孟祥瑞，陈章良.新形势下煤炭企业绿色竞争力评价[J].能源技术与管理，2016（1）：11-43.
