文摘

中国的经济发展需要大量的能量来支持它,但如何获得足够的能源供应是一个困难的问题。同时,环境污染造成的能源消耗是一个需要立即解决的问题。适应中国经济的迅速崛起,基于现有的政策,给予更多考虑节能和环境安全更重要。因此,研究中国区域环境效率及其因素至关重要。为了评估环境效率的输入在中国,本研究首先选择一些指标的环境效率和应用数据包络分析(DAE)方法测量输入和输出的效率。然后,环境效率的相对指标输入被选中作为输入变量和效率值作为输出变量。学习和使用的反向传播神经网络建立预测模型,实现预测精度高。模型的性能提高了优化投资环境效率的指标,采用最新数据,并增加学习样本。这种方法不仅适用于宏观环境效率的评估投资,但也适合企业在特定的行业。

1。介绍

环境效率投资环境效率和科技创新的物质基础。环境效率投资的数量决定了环境效率活动的规模1]。它是中国的一个重要目标的环境效率管理在新时期更好地利用环境资源效率,鼓励环境效率的最优分配资源在整个社会,环境效率的好处最大化投资,依靠科技进步促进经济发展,实现经济增长方式的根本改变2]。

环境资源是稀缺的资源效率。环境效率的评估投资有利于优化投资结构,保存环境效率的资源,最大化的好处有限的环境效率投资(3]。近年来,环境效率的输入和输出的性能吸引了人们的注意力。歌等。4)建议slack-based径向指数来评估不同省份的环境效率在中国八年和报道,东部省份的环境效率最大,而中部地区。张,崔5)使用DEA调查在中国不同省份的环保性能,表明大多数省份显示最低能源效率和不同的地区有不同的环境效率。的混合模型的基础上,结合DEA和Slacks-Based测量(座)提出了在6)来预测不同行业的环境影响在中国四年。他们得出的结论是,中国环保产业的效率是最低的。吴et al。7)采用两阶段DEA技术评估的环境效率意想不到的输出和完成研究8城市和中国30个省。他们验证模型与不同的结果,估计在8个城市环境的实际情况。一个模型基于meta-frontier nonradial Malmquist有限公司2排放性能指标(MNMCPI)提出了姚明et al。(8]。他们运用面板数据的中国行业三年(1998 to2001)和预测公司的效率的变化2发射在中国和它的重要因素。他们报告说,平均排放二氧化碳的工业在东部,西部和中部地区降至5.52%。

Castellet和Molinos-Senante9)透露,每个一工厂废物产生的污染物都有不同的对环境的影响。此外,他们使用加权slacks-based评估模型对植物的有效性进行评估。乔凡娜和他的同事们(10)应用NDDF和教主分析法(AHP)的方法来研究环境管理95污水管理植物的性能。冯和赵11)利用的地区指定基金的方法来估计污水管理能力从2010年到2015年在中国29个省市。他们发现废水的管理好经济发达地区和废水管理效率需要升级。刘等人。12)开发了一种改进的DEA模型来评估在中国不同城市的生物效率,结果表明,经济发展因素,如环境监管、产业组织,和技术创新,一些地区的环境的影响。Zhang et al。13座]应用改进的模型研究水污染物的环境管理效率行业从2012年到2015年。他们发现工业水污染管理的效率不同,工业产出不平等的程度和工业废水管理性能。

所有现有的环境效率的方法是基于环境的输入和输出效率。这些系统的评价指标包括两种指标,输入和输出,属于后评估。因此,即使找到表现不佳,结果无法改变。此外,许多评价系统使用绝对指标,导致贫困的可比性在不同地区和单位。减少环境效率的浪费资源,我们必须找到一个技术评估评估阶段的环境效率投资。通过这种方式,一旦发现问题,他们可以调整时间和后评估可以改变成预先控制。评估和比较输入在不同地区的环境效率,本文选择一些指标的环境效率的输入和输出在中国内地省市。我们用数据包络分析来衡量效率值,然后重新选择可能影响效率的相对指标是输出和输出值,把它作为学习样本,并应用BP神经网络训练模型。我们在此基础上,预测环境效率效率的输入和建立一个新的环境效率评价模型的输入效率。

剩下的部分论文要求如下。节2,提出了环境效率提出了方法和预测模型。节3,不同的变量和数据进行了讨论。结果部分中解释4,部分5总结了手稿。

2。环境效率的方法

2.1。数据包络分析(DEA)

DEA方法是一种系统分析方法,法雷尔(14]。它是基于理论的相对效率评价。它是一种有效的评价方法多索引输入和输出的有效性。实际的输入-输出数据点然后乘以权重计算预测效率分数。它主要用来评估比较类似的单位的有效性。评价指标可以包括人文、经济和经济学的非结构化因素在社会、心理、等领域。每个指标的尺寸通常是不同的,无量纲指标也可以使用。它可以评价的有效生产限制根据一组输入和输出的观察,这是一种非参数统计分析。此外,DEA还可以测量的输入规模的适用性每个决策单元(DMU),并提供每个DMU的方向和程度来调整其输入规模。

DEA评估个体样本的样本集相对有效的根据样本数据。当测量多个决策单元的相对效率,每个决策单元的DEA侧重于优化,和获得的相对效率是它的最大价值,这是最有利于决策单元的相对效率。评估DMU的有效性,Charnes和库珀15]介绍了非阿基米德无穷小的概念,所以,线性规划的单纯形法可以用来解决模型和判断DMU。当我们使用规模收益不变模型来评估效率,我们必须假定每个DMU位于最优生产规模。否则,测量效率值包括规模效应的影响。量化一个生产单元的纯技术效率,规模报酬一个变量(BCC)模型提出了Haidong et al。16]。在收益的理论变量的方法,生产集 计算如下:

基于 纯技术效率评价的模型与松弛变量(SA)和某人和摄动)ε(后)如下:

如果解决问题的结果 ,结果如下。(1)如果 = 0 = 1 SA = 0和某人然后DMU0是有效的。(2)如果 = 1然后DMU0效率差。(3)如果 < 1,那么DMU0不是有效的。

效率值计算规模收益不变的方法是由纯技术效率和规模效率。规模变量回归模型考察了纯技术效率的生产单位:技术效率 ,纯技术效率 ,规模效率 。这些计算效率之间的关系

通过执行工具和CRS的DEA模型,分别得到的结果 和 。我们可以使用它们来计算规模效率水平。当 ,规模效率的生产单位是1,这表明,生产规模最好的。否则,生产单位的规模效率都将丢失。有两个原因的损失规模效率,即大规模和小规模的。正如上面计算的,什么时候 < 1,无法区分两种情况。,是不可能确定生产处于规模收益递增的阶段或规模收益递减,这减少了性能的规模效率分析。因此,Coellitj [17提出了规模报酬nonincreasing (NIRS)模型(当 更改 它成为NIRS模型)。

当生产规模单位是无效的,( < 1) 和 可以用来评估阶段,规模报酬。当(1) ,生产规模和收益递减阶段(2) ,生产规模收益递增的阶段。

2.2。反向传播神经网络

反向传播(BP)神经网络是一种由多层前馈网络。用误差反向传播算法训练,是一个广泛使用的神经网络算法。其独特的非线性适应性信息处理能力比传统的人工智能方法在直观的认知18,19]。例如,在模式识别、语音识别、非结构化信息处理BP神经网络有很强的非线性逼近的优点、并行处理、自学习和容错。因此被广泛应用于神经专家系统、组合优化、预测。多层BP网络是单向传播网络,解决学习问题的隐式单位重量的多层网络的连接。输入数据从输入节点转发每个隐层,然后到输出节点。每层节点的结果会影响下一层节点的输出。加快网络训练的收敛,输入向量可以标准化,每个连接权重的初始值可以设置。神经网络可以逼近复杂函数的复合几次简单的非线性函数。

BP网络模型数据处理的基本机制是处理输入信号“知识产权”是通过中间节点(隐层点),和输出信号通过非线性变换生成“OK”。每个样本的网络培训是由输入向量”p“和预期输出”t,“输出”之间的偏差o“和预期输出”t”,通过修改连接的重量 输入节点和隐藏的节点之间的连接权重之间的“连续波”隐藏的节点和输出节点,阈值,误差减少沿梯度方向。

重复学习和训练后,网络权值和阈值与最小误差预测,然后停止训练。同时,训练BP神经网络可以处理输入范围内的输入信息,然后输出信息最少的错误是通过非线性变换转换成输出信息。BP神经网络的具体数学模型由以下组成。

2.2.1。传递函数

它是一个函数表示的刺激脉冲强度较低的上层节点的输入,也被称为刺激功能。通常情况下,需要一个s形的函数与连续值(0,1)

2.2.2。错误的计算

这是一个反映预期的输出之间的误差函数,神经网络的输出。输出误差jth节点计算如下:

总误差计算使用

中间层节点的数学模型如下: 在哪里 表示的输出jth节点时,kth样品层和中间 是输入的jth节点。 代表的重量从输入层到中间层。输出节点的数学模型如下: 的输出是jth节点时,kth样例输入输出层。 中间层的重量。

2.2.3。体重校正

重量校正计算

BP算法的传播过程由两个步骤组成,即正向传播和反向传播。在正向传播过程中,输入样本处理一层一层地从输入层通过隐藏的细胞,然后传输到输出层经过所有的隐藏层。在layer-wise处理中,每一层的神经元只改变下一层神经元的状态。在输出层,当前输出与期望的输出。如果当前输出不同于预期的输出,反向传播过程开始。在反向传播,误差信号传回到初始转发传播路径,和每个隐层中的每个神经元的权重系数改变来减少误差。

3所示。变量和数据

由于两步分析,本研究中使用的输入输出变量分为两个部分,如表所示1。在第一部分,在DEA分析的阶段,科学技术基金,研发基金,输入的科学家和工程师,科学家和工程师和研发作为输入变量,选择和技术市场成交额,发明专利,实用新型和设计专利,SCI论文,EI论文和内向,论文选择作为输出变量。应该注意的是,在输出变量的选择,考虑到困难和潜在的经济影响的发明专利,实用新型,和设计也可能不同,不同的专利数据是分开的。此外,并不是所有的科技投入都用于生产论文和专利,但相当部分用于建设的科学环境效率的基础设施,如制造大型设备和仪器、网络建设、实验动物饲养,科技文献采购。第二部分是在BP神经网络的学习阶段。从效率的角度分析,区域投资不一定有低效率较低,所以必须使用相对指标在评价环境效率的投资。因此,科技人员的数量与当地10000人,研发资金的比例在环境效率基金,科学家和工程师的比例在环境效率人员、科技人员的比例,科技人员的比例在环境效率基金和科技人员的比例环境效率的投资选择。研发的科学家和工程师在研发人员的比例为输入变量(20.]。

表1
数据和变量。

效率值作为输出变量,分析和BP神经网络进一步用于学习。由于滞后之间的输入和输出的环境效率,必须认真考虑当选择数据。作者在21)采用基于经验四年滞后方法估计在计算的程度对外国技术的依赖。在时间序列,通常滞后变量选择1 - 3期。基于环境效率的输入和输出的实际情况,本研究选定3期根据经验估计。输入指数是用来选择中国环境效率的数据,和输出指数选择的环境效率统计数据在2006年全国统计信息网络。由于缺少一些数据在西藏,这是省略了。

4所示。实证结果

4.1。效率分析

DEA分析进行了使用2.1 DEAP软件工具包,结果如表所示2。总的来说,中国的环境效率的投入产出效率比较高,平均值为0.84。有13个省市实现完整的效率。大多数省份的环境效率一直在逐渐增强的背景下,经济快速增长。这些省份和城市取得了更大的科技产出较低科技输入,即北京、黑龙江、浙江、天津、湖北、湖南、上海、海南、重庆、陕西、甘肃、云南、新疆。这是由于在中国特殊的经济和政治地位。五个省位于东部地区、中部地区3,5在中国的西部地区。没有明显的差距在东部,中部,西部地区环境效率的投入产出效率。一些地区的低效率表明,环境效率的输入结构可能不合理,也不产生相应的输出或输出是缓慢的。效率是一个相对的分析,这个结果可以实现在现有资源和制度环境中,所以它有现实意义。

表2
中国30个省份的环境效率的投入产出效率。
4.2。BP神经网络预测

我们采用Alyuda neurointelligence 2.2神经网络软件在这个研究。拟议中的BP神经网络有四个输入节点,只有一个输出节点,代表了效率价值。人们普遍认为,当只有1或2隐藏层,网络的收敛性是最好的。在这项研究中,经过初步测试,它是决定使用一个隐藏层,三层网络,建立环境效率系统和效率之间的非线性映射关系。在节点选择,如果隐层节点的数量太小,网络获取信息的能力从样品一周,不足以概括和反映了样本训练集的规则。如果有太多的隐层节点,他们会记住的不规则噪声样本,从而导致在巧合的问题,减少了泛化能力。因为软件Alyuda neurointelligence预测隐藏节点的功能,默认的优化值8被选为隐藏节点的数量。在网络训练,学习速率设置为0.1,和动量是设置为0.1,这是80000次迭代后稳定。为了检验模型的预测精度,输入数据作为仿真值,和BP神经网络预测的计算结果。只有一个省的误差超过5%的最大。

误差为9.77%。根据神经网络模型,在任何地区环境效率的输入结构的效率可以事先评估。一旦发现低效率的迹象,我们必须立即分析原因,采取措施,加强环境管理和金融监管效率,节约资源,创造更多的科学环境效率输出。

环境效率的评价输入是一项复杂的任务。介绍了研究方法只适用于一个地区的宏观评价。在特定的应用程序,必须使用最新的可用数据和历史数据重新计算效率值,然后用BP神经网络来预测。由于不同的特征在不同地区的环境效率的输入和输出的外部环境成本效率和定量评估的难度输出,需要进一步优化这个模型通过增加一些环境效率的索引数据输入和输出和学习样本。该方法只能预测可能的输出效率区域环境效率的输入从宏观的角度来看。还需要进一步的分析和诊断,提高环境效率管理和提高环境效率的输入-输出性能。由于目前的研究是基于获得较大的科技输出较小的科技输入为基本前提,它必须修改基于这个方法是否考虑社会效益。这种方法也可以用来评估企业的环境效率投资在一个特定的行业。DEA相对效率的分析,它不检查环境的规模效率不同省市的输入和输出。因此,必须辩证治疗,其作用特别是微型企业的评价。

5。结论

本研究使用DEA模型来评估中国的环境效率分区域而言,subprovincial,整体观点。我们评估的技术差异在区域环境效率低下。最初选择独特的环境效率指标紧随其后DAE技术测量输入和输出的效率。然后,应用环境效率的相对指标输入作为输入变量和效率值作为输出变量。机器学习技术,如反向传播神经网络用于开发的预测模型,实现高预测性能(误差< 8%)。模型的性能改善提高环境效率的指数投资,采用最新数据,并增加学习样本。这种方法可以帮助评估宏观环境效率的投资和企业在特定的行业。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作得到了国家自然科学基金(71673022),中国社会科学基金会(17 ljb004),中央大学(没有基础研究基金。频- br - 19 - 006 a),和清华University-Inditex可持续发展基金(没有。TISD201902)。