資源型城市電爐產業的經濟效益估計

趙 敏

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

電爐加工產業始終在我國經濟發展中占據重要地位,而電爐產業也是保證能源供應安全的重要基礎產業。但是現階段,我國電爐工業發展過程中存在生產方式單一,管理水平不高以及環境治理績效差的問題,因此我國開始建設電爐基地,能夠保證區域電爐穩定供應性,而現實中很多資源型城市的電爐產業經濟發展極其不平衡[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量發展的時期。這一階段除了對經濟增長的要求之外,還對電爐工業領域提出很多要求[2]。然而,資源型城市經濟發展受到諸多因素的影響,導致經濟波動現象屢見不鮮。為了確保資源型城市經濟可以平穩發展,通過分析資源型城市經濟數據的變化情況[3],了解區域經濟發展趨勢。

國外有學者通過分析區域的通貨膨脹與國內生產總值變化情況,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。國內學者潘金玉等人[4]利用柯布-道格拉斯方法構建區域經濟效益估計模型,并分析勞動投入情況與資本投入情況、生產數值對區域經濟發展的影響,推動區域經濟發展;范金等人[5]構建具有穩定性與協調性的區域經濟發展質量評估體系,并通過主成分分析方式對區域經濟效益進行估計,進而促進各區域經濟發展。

在以上學者研究成果之上,本文針對這一問題,設計了一種基于改進卷積神經網絡的資源型城市電爐產業經濟效益估計模型。

1 資源型城市電爐產業經濟效益評估指標體系設計

1.1 指標選取

估計資源型城市電爐產業經濟效益[6],首先需要構建一套科學、公平、全面的電爐產業經濟效益估計指標體系[7]。而經濟發展情況能夠展現出各電爐產業在經濟總值與增速方面的實際情況,因此文中電爐產業經濟效益估計指標從經濟因素、社會因素、環境因素進行選取。明確指標選取的范圍后,還應注意預測指標選取的原則。具體如表1所示。

表1 指標選取原則

在經濟方面,文中從經濟角度[8]、社會角度、環境角度三個方面分析了電爐產業經濟效益指標,以此搭建相關的指標體系,具體如表2所示。

表2 電爐產業經濟效益指標體系

1.2 指標數據處理

對上述選取13指標做標準化處理,使用熵權TOPSIS方式[9]將13個指標進行賦權操作。設定Yijt為標準化后的指標,pijt為特征權重;N為指標數量;T為時長;Ej為第j個指標的信息熵,則

(1)

(2)

式中:m為電爐產業經濟效益估計指標數量。

假設Wj為第j個電爐產業經濟效益估計指標權重,則存在:

(3)

通過式(3)求解,獲得電爐產業經濟效益估計指標權重的最佳數值Q+與最差數值Q-,得出:

(4)

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

(5)

2 基于改進卷積神經網絡的經濟效益估計模型

卷積神經網絡是深度學習的重要組成部分,因其具有的速率高與精度高的優勢,已經在實際中得到了廣泛應用。傳統的卷積神經網絡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,詳細網絡模型組成如表3所示。

表3 卷積神經網絡組成

卷積神經網絡內部模型如圖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據矩陣大小。

圖1 卷積神經網絡構成

但是隨著樣本數據量的增加,卷積神經網絡訓練過程中容易出現過擬合的問題,導致訓練效率與質量下降,且該網絡對于對計算機硬件要求過高,網絡也難以移植導致卷積神經網絡模型的可用性下降,因此本文對該模型進行了改進,改進后的卷積神經網絡如圖2所示。

圖2 改進后的卷積神經網絡

改進后的卷積神經網絡由卷積神經網絡的特征提取層和BP神經網絡構成,利用卷積神經網絡評估區域經濟效益估計指標數據的穩定性,并將樣本分為穩定樣本和不穩定樣本,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網絡的輸入,輸出則為區域經濟效益估計結果,完成卷積神經網絡改進。

在改進后的卷積神經網絡中,BP網絡神經元數量為m,也表示高維特征維數,中間層的神經元數量為k,輸出層神經元數量與特征量個數相等,用n表示,則下述公式成立:

(6)

式中:a為特征總量。

2.1 改進卷積神經網絡模型參數優化

為了能夠快速得出訓練速率并能獲得最佳解,運用式(7)對改進卷積神經網的學習速率進行優化處理,得出

lr=δ·e-α·epoch(β·logMAE)

(7)

式中:δ、α、β為訓練參數;epoch為訓練迭代次數;MAE為絕對誤差均值,e為均方差。若誤差增大,則學習速率也會隨之增加,反之,學習速率降低。經過對訓練參數的協調,進而得出卷積神經網絡最佳學習速率。

為了保證激活函數的合理化,本文結合ReLUs函數的稀疏性以及Softplus函數的光滑性,設計了一種新的激活函數,該函數主要利用下述公式進行描述:

(8)

式中:ex為新的激活函數。

為了防止訓練過程區域經濟效益估計指標數據丟失,選擇Huber損失函數[12],因為其能夠將均方差、平均絕對值誤差方式進行融合,進而有效調節卷積神經網絡訓練流程中的參數δ。其運算過程如式(9)所示。

(9)

2.2 模型訓練

假設把訓練模型起始化設定為0,其在反向傳輸時參數始終為0,進而導致大部分節點失效,也就是部分區域經濟效益估計指標數據丟失。為了更好地對電爐產業經濟效益估計,使用Xavier方式處理數據訓練過程中的起始參數[11],得出:

(10)

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

為了解決訓練時出現過擬合的問題,使用dropout算法[13]選擇98%的神經元進行估計,即

(11)

利用訓練好的改進卷積神經網絡模型進行區域經濟效益估計,即將電爐產業經濟效益估計指標數據輸入至該模型中,得到電爐產業經濟效益估計結果。

3 模型的應用與實驗結果分析

為了驗證本文所設計的資源型城市中電爐產業經濟效益估計模型的有效性,需要進行實驗測試。實驗運行環境如表4所示。

表4 實驗運行環境

選擇11個大型資源城市中電爐產業基地作為研究對象,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年我國電爐基地數據集中的50 000組數據。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

將實驗數據集分隨機為訓練數據與測試數據,測試數據集占比為32%,實驗數據集占比為68%,將測試數據集輸入仿真軟件進行試運行,獲取該平臺的最優運行參數。將該參數作為后續實驗測試中的試驗參數,將實驗數據集輸入仿真軟件進行測試,得到相關的測試結果。將柯布-道格拉斯法、主成分分析法以及改進卷積神經網絡作為實驗對比方法,將改進卷積神經網絡初始權值與閾值分別設為0.56、0.63,學習速率為0.7,以此完成相關測試。對比了柯布-道格拉斯法、主成分分析法以及改進卷積神經網絡的收斂性,比較結果如圖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定,不會隨著訓練次數增加而發生改變,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調節估計過程中的參數,導致估計誤差增加。而且由于本文方法運用Xavier算法處理訓練過程中的起始參數,并優化學習速率與激活函數,采用dropout算法解決訓練過程中過擬合問題,有效提升訓練速度,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網絡方法的資源型城市經濟效益估計精度,比較結果如圖6所示。

圖6 估計精準比較

分析圖6中的數據可知,隨著實驗次數的增加,不同方法的估計精度呈現波動變化趨勢,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網絡方法的估計耗時,比較結果如表5所示。

表5 估計耗時比較結果

分析表5中的數據可知,柯布-道格拉斯法的區域經濟效益估計耗時平均值為1.56 s,主成分分析法的區域經濟效益估計耗時平均值為1.98 s,改進卷積神經網絡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 論

現階段,為了整合優質的電爐生產資源,促進電爐經濟的迅速發展,構建了諸多電爐基地。為了更加精準估計資源型城市中電爐產業經濟效益,本文運用改進卷積神經網絡方法估計資源型城市中電爐產業經濟的效益,并以某區域經濟歷史數據當作實驗數據,進行實驗獲得如下結論:

(1)使用改進卷積神經網能夠有效提升估計精度;

(2)和其他估計方法相比,改進卷積神經網絡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,日后可引入加權平均、決策函數等方法,更深入研究資源型城市中,其他經濟數據變化趨勢。