资源型城市电炉产业的经济效益估计

赵 敏

(青海省海南藏族自治州工业商务和信息化局,青海 海南藏族自治州 813099)

电炉加工产业始终在我国经济发展中占据重要地位,而电炉产业也是保证能源供应安全的重要基础产业。但是现阶段,我国电炉工业发展过程中存在生产方式单一,管理水平不高以及环境治理绩效差的问题,因此我国开始建设电炉基地,能够保证区域电炉稳定供应性,而现实中很多资源型城市的电炉产业经济发展极其不平衡[1]。因此,十九大报告明确指出我国社会主义步入一个新的阶段,这代表本国经济也步入新的时期。从高速增长形式变成中高度增长形式,从高速增长时期变换成重视高质量发展的时期。这一阶段除了对经济增长的要求之外,还对电炉工业领域提出很多要求[2]。然而,资源型城市经济发展受到诸多因素的影响,导致经济波动现象屡见不鲜。为了确保资源型城市经济可以平稳发展,通过分析资源型城市经济数据的变化情况[3],了解区域经济发展趋势。

国外有学者通过分析区域的通货膨胀与国内生产总值变化情况,获得市场变化情况、价格波动以及出口政策等对通货膨胀有极大的帮助。国内学者潘金玉等人[4]利用柯布-道格拉斯方法构建区域经济效益估计模型,并分析劳动投入情况与资本投入情况、生产数值对区域经济发展的影响,推动区域经济发展;范金等人[5]构建具有稳定性与协调性的区域经济发展质量评估体系,并通过主成分分析方式对区域经济效益进行估计,进而促进各区域经济发展。

在以上学者研究成果之上,本文针对这一问题,设计了一种基于改进卷积神经网络的资源型城市电炉产业经济效益估计模型。

1 资源型城市电炉产业经济效益评估指标体系设计

1.1 指标选取

估计资源型城市电炉产业经济效益[6],首先需要构建一套科学、公平、全面的电炉产业经济效益估计指标体系[7]。而经济发展情况能够展现出各电炉产业在经济总值与增速方面的实际情况,因此文中电炉产业经济效益估计指标从经济因素、社会因素、环境因素进行选取。明确指标选取的范围后,还应注意预测指标选取的原则。具体如表1所示。

表1 指标选取原则

在经济方面,文中从经济角度[8]、社会角度、环境角度三个方面分析了电炉产业经济效益指标,以此搭建相关的指标体系,具体如表2所示。

表2 电炉产业经济效益指标体系

1.2 指标数据处理

对上述选取13指标做标准化处理,使用熵权TOPSIS方式[9]将13个指标进行赋权操作。设定Yijt为标准化后的指标,pijt为特征权重;N为指标数量;T为时长;Ej为第j个指标的信息熵,则

(1)

(2)

式中:m为电炉产业经济效益估计指标数量。

假设Wj为第j个电炉产业经济效益估计指标权重,则存在:

(3)

通过式(3)求解,获得电炉产业经济效益估计指标权重的最佳数值Q+与最差数值Q-,得出:

(4)

式中:max(rit1),max(rit2),…,max(ritm)与(min(rit1),min(rit2),…,min(ritm)分别为式(3)不同求解的结果。

(5)

2 基于改进卷积神经网络的经济效益估计模型

卷积神经网络是深度学习的重要组成部分,因其具有的速率高与精度高的优势,已经在实际中得到了广泛应用。传统的卷积神经网络模型共分为三个部分[10]。其中,第一部分为1个输入层,第二部分为2个卷积层与2个池化层,最后一部分为1个全连接层与1个输出层,详细网络模型组成如表3所示。

表3 卷积神经网络组成

卷积神经网络内部模型如图1所示。图1中最上面是各层名称,最下方是输入到后一层卷积的数据矩阵大小。

图1 卷积神经网络构成

但是随着样本数据量的增加,卷积神经网络训练过程中容易出现过拟合的问题,导致训练效率与质量下降,且该网络对于对计算机硬件要求过高,网络也难以移植导致卷积神经网络模型的可用性下降,因此本文对该模型进行了改进,改进后的卷积神经网络如图2所示。

图2 改进后的卷积神经网络

改进后的卷积神经网络由卷积神经网络的特征提取层和BP神经网络构成,利用卷积神经网络评估区域经济效益估计指标数据的稳定性,并将样本分为稳定样本和不稳定样本,并对这两类样本的特征进行提取,对这两类特征进行融合处理之后,获取高阶特征,将该特征作为BP网络的输入,输出则为区域经济效益估计结果,完成卷积神经网络改进。

在改进后的卷积神经网络中,BP网络神经元数量为m,也表示高维特征维数,中间层的神经元数量为k,输出层神经元数量与特征量个数相等,用n表示,则下述公式成立:

(6)

式中:a为特征总量。

2.1 改进卷积神经网络模型参数优化

为了能够快速得出训练速率并能获得最佳解,运用式(7)对改进卷积神经网的学习速率进行优化处理,得出

lr=δ·e-α·epoch(β·logMAE)

(7)

式中:δ、α、β为训练参数;epoch为训练迭代次数;MAE为绝对误差均值,e为均方差。若误差增大,则学习速率也会随之增加,反之,学习速率降低。经过对训练参数的协调,进而得出卷积神经网络最佳学习速率。

为了保证激活函数的合理化,本文结合ReLUs函数的稀疏性以及Softplus函数的光滑性,设计了一种新的激活函数,该函数主要利用下述公式进行描述:

(8)

式中:ex为新的激活函数。

为了防止训练过程区域经济效益估计指标数据丢失,选择Huber损失函数[12],因为其能够将均方差、平均绝对值误差方式进行融合,进而有效调节卷积神经网络训练流程中的参数δ。其运算过程如式(9)所示。

(9)

2.2 模型训练

假设把训练模型起始化设定为0,其在反向传输时参数始终为0,进而导致大部分节点失效,也就是部分区域经济效益估计指标数据丢失。为了更好地对电炉产业经济效益估计,使用Xavier方式处理数据训练过程中的起始参数[11],得出:

(10)

式中:nin与nout为输入与输出层神经元的个量;参数矩阵w中任意一个神经元均在U范围内,并能任意生产,有效解决梯度弥散与梯度爆炸的问题。

为了解决训练时出现过拟合的问题,使用dropout算法[13]选择98%的神经元进行估计,即

(11)

利用训练好的改进卷积神经网络模型进行区域经济效益估计,即将电炉产业经济效益估计指标数据输入至该模型中,得到电炉产业经济效益估计结果。

3 模型的应用与实验结果分析

为了验证本文所设计的资源型城市中电炉产业经济效益估计模型的有效性,需要进行实验测试。实验运行环境如表4所示。

表4 实验运行环境

选择11个大型资源城市中电炉产业基地作为研究对象,大型电炉基地分布如图3所示。

图3 11个大型电炉基地分布情况

2015—2021年我国电炉基地数据集中的50 000组数据。其中大型电炉基地的整体盈利情况如图4所示。

图4 电炉基地整体盈利情况

将实验数据集分随机为训练数据与测试数据,测试数据集占比为32%,实验数据集占比为68%,将测试数据集输入仿真软件进行试运行,获取该平台的最优运行参数。将该参数作为后续实验测试中的试验参数,将实验数据集输入仿真软件进行测试,得到相关的测试结果。将柯布-道格拉斯法、主成分分析法以及改进卷积神经网络作为实验对比方法,将改进卷积神经网络初始权值与阈值分别设为0.56、0.63,学习速率为0.7,以此完成相关测试。对比了柯布-道格拉斯法、主成分分析法以及改进卷积神经网络的收敛性,比较结果如图5所示。

图5 收敛性比较

估计误差值越大代表估计结果的误差越高,估计性能也就越差。分析图5可知,从第75次训练开始三种方法损失曲线均趋于平缓,表明这三种方法估计误差值达到稳定,不会随着训练次数增加而发生改变,而本文方法估计误差值小于实验对比方法,这是因为这两个文献方法不能自适应调节估计过程中的参数,导致估计误差增加。而且由于本文方法运用Xavier算法处理训练过程中的起始参数,并优化学习速率与激活函数,采用dropout算法解决训练过程中过拟合问题,有效提升训练速度,因此该方法具有较好的收敛性能。

对比了柯布-道格拉斯法、主成分分析法以及改进卷积神经网络方法的资源型城市经济效益估计精度,比较结果如图6所示。

图6 估计精准比较

分析图6中的数据可知,随着实验次数的增加,不同方法的估计精度呈现波动变化趋势,其中柯布-道格拉斯法的估计精度在72%～90%变化,主成分分析法的估计精度在67%～93%变化,而本文方法的估计精度始终保持在96%以上,估计精度更高,实际应用效果更好。

对比了柯布-道格拉斯法、主成分分析法以及改进卷积神经网络方法的估计耗时,比较结果如表5所示。

表5 估计耗时比较结果

分析表5中的数据可知,柯布-道格拉斯法的区域经济效益估计耗时平均值为1.56 s,主成分分析法的区域经济效益估计耗时平均值为1.98 s,改进卷积神经网络方法的估计耗时平均值为0.66 s,是三种方法中估计耗时最短的,说明该方法的整体效率更高。

4 结 论

现阶段,为了整合优质的电炉生产资源,促进电炉经济的迅速发展,构建了诸多电炉基地。为了更加精准估计资源型城市中电炉产业经济效益,本文运用改进卷积神经网络方法估计资源型城市中电炉产业经济的效益,并以某区域经济历史数据当作实验数据,进行实验获得如下结论:

(1)使用改进卷积神经网能够有效提升估计精度;

(2)和其他估计方法相比,改进卷积神经网络可以保证算法收敛性,提升估计精度与估计效率。

但本文研究时间有限,日后可引入加权平均、决策函数等方法,更深入研究资源型城市中,其他经济数据变化趋势。