低碳经济背景下基于DS

1、低碳经济背景下基于“DS论文导读:：证据理论自提出后。神经网络的评价机理。以便能对铅锌企业低碳生产水平进行实证评价。迫切需要建立一套铅锌企业低碳化生产水平的评价模型。论文关键词：DS证据理论，BP神经网络，铅锌企业低碳生产水平，评价1引言自2003年英国政府首次提出建设低碳社会;之后，低碳经济;、工业转型;等与低碳开展模式有关的问题就开始成为理论界研究的热点，特别是2021年9月爆发国际金融危机以后，人们对低碳开展模式的关注更是广泛而深刻。复旦大学环境经济研究中心李志青【1】认为低碳开展模式是后危机时代;的实体经济开展模式的方向与出路，鲍健强【2】等也认为以低能耗、低排放、低污染为特征的低碳开

2、展模式是未来经济开展模式的新选择;。在2021年6月举行的第十三届中国北京国际科技产业博览会中国高新企业开展国际论坛上，与会专家学者一致认为，后金融危机时代引导全球经济走出低谷的是低碳经济，低碳开展模式是企业未来开展的方向。除此以外，清华大学齐晔教授等【3】-也对低碳开展模式的实质、中国人均碳排放的影响因素、地区碳排放与经济开展水平和能源消耗强度的关系及城市低碳经济开展综合评价指标体系等方面进行了比拟深入的研究。无可否认节能减排论文，在全球气候变暖的背景下，以低能耗、低污染、低排放为根底的低碳开展模式成为全球热点，这一场由欧美兴旺国家掀起的低碳革命;已在全球悄然进行，低碳开展;也几乎冲击了全球

3、所有的企业，铅锌企业作为传统的高碳;行业，其面临的压力更大。据我们课题组的实证调查，我国90左右的产品是用严重污染环境的烧结法工艺生产的，落后的竖罐炼锌工艺不仅没有淘汰，反而在西部地区还在进一步开展，铅的生产过程对环境的破坏也十分严重。因此，在低碳经济背景下，迫切需要建立一套铅锌企业低碳化生产水平的评价模型，以便能对铅锌企业低碳生产水平进行实证评价，从而发现铅锌企业低碳化开展过程中的缺乏，促进铅锌企业的低碳可持续开展。本文将首先分析了基于DS-BP;方法的评价机理，然后运用DS证据理论结合BP神经网络法得出一个铅锌企业低碳生产水平的评价模型，最后对该模型进行实证研究。2 基于DS-BP;方法的

4、评价机理2.1传统方法的挑战-有效证据的融合和处理问题查阅相关的文献可以看到，在一些比拟有效评价方法中，AHP法主要是基于一种比拟各因素的相对重要度的思想来进行评价的节能减排论文，它的最大的优点是可以处理定性和定量相结合的问题，可以将决策者的主观判断与政策经验导入模型，并加以量化处理，但是AHP方法也同时也具有很大的局限性，例如过度依赖专家，同时需要数据源不能存在亦此亦彼;的模糊问题；在运用传统AHP方法对不完全信息多属性决策问题进行决策时,决策者给出的判断矩阵常常含有残缺元素(称残缺判断矩阵)，AHP法不能解决称残缺判断矩阵问题核心期刊目录。对于第一个问题，uzzy方法通过引进因素集能较好地

5、解决各指标因素不能存在亦此亦彼;的模糊性问题，但对判断矩阵含有残缺元素的不完全信息多属性决策问题依然无法解决，不能区分亦此亦彼;和不知道;的差异。DS证据理论那么在度量和合成不确定性信息方面有着独特的优势，DS证据理论自提出后，广泛用于研究不确定性问题的求解。在实际的评价过程中，因为不同指标的权重也不相同，同时不同专家由于其专业知识和工作背景不同,对不同评价指标所赋予的权重具有差异，而且有时差异较大，因此必须寻求一种能对他们有价值信息进行融合的方法。不仅如此，作为被测变量的企业低碳生产水平的上下本身也是一个相对模糊的概念,其影响因素也同样具有不准确性、不完整性和不确定性，这三性;使得AHP、F

6、uzzy等评价方法同时遇到挑战，而证据理论和神经网络理论确能很好地对这一问题加以改善。下面节能减排论文，具体分析一下证据理论和神经网络理论对不准确性、不完整性和不确定性;问题改善的机理，从而为模型的构建奠定根底。2.2 DS证据理论融合证据的机理Dempster和Shafer在20世纪70年代提出的D-S证据理论是对概率论的扩展,他们一方面在证据理论中引入了一种能够区分不确定和不知道之间差异的信任函数，以克服AHP、Fuzzy等的理论局限，另一方面，D-S证据理论通过放松贝叶斯方法对统一辨识框架、完整的先验概率和条件概率等约束条件,使得该理论既可以对互相相容的命题进行证据融合,也可以对相互重叠

7、、非互不相容的命题进行证据融合,这样，D-S证据理论在评价领域中的应用空间得到了极大的拓展。随后，Strat T M.，Beynon M J，Curry B，MorganPH，Malcolm Beyond，Smets P等也对证据理论的研究作出了重要的奉献。证据理论的评价机理主要有以下三个相关方面的内容。证据理论的三个根本函数是证据理论的根底，在证据融合中扮演着重要的角色。设有一个判决问题，对于该问题所能认识到的所有可能结果用有限集合表示,那么人们所关心的任一命题对应于的一个子集，所有这些子集的集合称为判别框，它包括有限个互不相容的命题或者说元素,记为u1,u2,u3,ui。设U为判别框架，对

8、于U有2是的幂集，那么可定义U的根本概率赋值函数(Basic ProbabilityAssignment Function，简写为满足：BPAFm:2U,满足：命题U为U的非空子集节能减排论文，称为焦元，m(A)称为根本概率赋值，它表示对命题A的精确信任程度，表示对A的直接支持。根本概率赋值函数是一个之间的正数,它与支持某一假定的证据相联系,其大小表示该证据支持或反对该假定的精确程度,通常用m(A)表示。m(A)表示提供应A的根本可信度,而不是对A的总信度。假设A,那么m(A)表示对A的信任程度,假设A=,那么m(A)表示m这个数没有赋予任一子集上,没有提供信息。对于判别框上的根本概率赋值函数

9、m，如果有函数Bel: 2满足：那么称所定义的函数Bel为上的信任函数 (Belief Function)，Bel(A)表示对命题A的总信任程度。设判别框上的函数Pl: 2 满足：那么称所定义的函数Pl(A)为似然度函数(Plausibility Function)，Pl(A)表示对不否认命题A的信任度，是所有与A相交的集合的根本概率赋值之和。信任函数可以理解为证据对A的总支持度,似然度函数pl(A)表示不否认的信任程度,是支持A的总的信任最大值。信任函数Bel与根本概率赋值函数BPAF是互相唯一确定的核心期刊目录。似然度函数表示不否认A的信任度，并以PL(A)-Bel (A)表示对A未知即不

10、确定的程度。212证据理论中信息不确定性的表示DS证据理论最大的特点就是可以很好地表示未知信息的程度，在证据理论中，Bel(A)，Pl(A) 称为命题A的信任度区间，0，Bel(A)表示命题A支持证据区间，0，Pl(A)表示命题A的拟信区间，Pl(A)，1表示命题A的拒绝证据区间，Pl(A)- Bel(A) 为命题A的不确定度节能减排论文，其值反映了对命题A 的未知;信息，该差值越小，那么说明未知;成分越小，证据对假设的支持越明确。对于同一判别框，根据不同的证据信息，会得到不同的信度函数，如果这些证据是相互独立的，利用证据理论中证据的融合法那么就可以计算出一个信度函数作为这几个证据联合作用下产

11、生的信度函数，这样就可以利用这些信息提高对事件的置信度。设Bel1, Bel2, ,Beln是同一判别框上由相互独立的证据信息产生的信度函数，m1,m2,mn,是对应的根本概率赋值函数，如果，那么由下式定义的函数m:2是根本概率赋值函数：0()M(A) = K()-1其中K= 1 -证据融合后的信度函数为：Bel = m1(A1)m2(A2) m(An)证据合成法那么满足可交换性,证据的作用不受其合并次序的影响，因此，可以用递归的方法,实现多个证据融合。这种融合证据的方法是证据理论的核心。2.3 BP神经网络的评价机理BP 0.05 8 % + 无乱采滥挖、采富弃贫、采主弃富、采易弃难 0.2

12、0 5 - 采场稳定性监测 0.05 5 + 综合 利用 016 废石综合利用率 0.63 30 % + 矿坑涌水利用率 0.37 80 % + 污染 物排 放 019 采场作业环境噪音 0.25 65 dBA - 允许废石排放量 0.24 5 t/t 原矿 - 采场粉尘浓度综合指标 0.22 8 mg/m3， - 污染物排放总量控制 0.29 5 - 低碳 理念 010 员工对环境的满意率 0.25 95 % + 低碳教育的普及率 0.24 90 % + 低碳理念员工熟悉度 0.25 5 + 开展低碳生产审核 0.26 5 + 数据说明：表中标准化值的客观数据来源于北京矿冶研究总院资料，而主

13、观数据采用1-9等级法取中值5。第四步：BP神经网络算法及数据转换处理以(0-1)间的随机数初始化神经网络权值,确定学习精度为1E-5；确定学习样本。对每一个学习样本,都可以表示为一组输入向量X，这组输入向量X由铅锌企业低碳生产水平评价的19个二级指标值经趋同化处理后的值和由证据理论得到的权重值一级指标权重和二级指标权重融合后的值二者共同组成,并按固定次序构成。期望输出Y那么根据表1给出,可以取所在区间的中值；用学习样本依次训练神经网络,直到网络到达稳定；根据铅锌企业低碳生产水平分析指标体系,待评价的企业的所有二级指标与用证据理论得到的权重所形成的向量,按照固定的次序,构成输入向量X,其中的定

14、性指标依然由专家评分法量化；向经过训练的神经网络输入向量X,得到网络输出值；根据表1,确定输出值所在的区间,从而得出待评价铅锌企业的低碳生产水平。第五步：评价结果分析通过以上四步已经得到了一个标准的铅锌企业低碳生产水平评价的数据表，对于不同的铅锌企业，只要更换表中的最大值;、最小值;和标准趋同处理值;三项，其余值不变，这样就可以重新得到不同待评铅锌企业的学习样本;，向经过训练的神经网络输入向量X,得到网络输出值，并据其确定待评价铅锌企业的低碳生产水平。4 模型实证检验专家组按照前面的步骤，在对企业1进行评价后，再依次分别对待评的其他4个铅锌企业企业2、企业3、企业4和企业5进行评价，并将神经网

15、络实际输出值与期望输出值填入表3。表3神经网络实际输出与期望输出的比照企业1 企业2 企业3 企业4 企业5分析结果 BBB AAB A BB期望结果 BBB AAB ABB由表3可知,所选5个待评价企业的输出结果与期望结果比拟一致，这说明本模型对于铅锌企业正确识别自己的低碳生产水平具有有效和普适性。5 结论与建议通过以上理论模型的构建及其实证分析，得出如下几点结论和建议：1既然低碳开展是企业开展的必然选择，那么企业就应从战略的高度制定低碳开展战略规划，特别是象铅锌行业这样的传统的高碳;行业，寻求低碳开展模式是其当务之急。作为铅锌企业，要有一套自己的低碳生产水平评价指标体系节能减排论文，以衡量

16、其低碳生产水平，从而发现问题、解决问题。(2)实证研究说明，该评价模型评价的输出结果与期望结果根本一致，从而说明该指标体系和评估模型较好地解决了对铅锌企业的铅锌企业低碳生产水平进行综合评价的问题,使企业能判别自己的铅锌企业低碳生产水平,从而能够做出正确的决策。究其原因，一方面，本文所建立的低碳经济背景下铅锌企业低碳生产水平评价指标体系具有较高的有效性和可操作性，另一方面，是因为DS方法通过引进信任函数Bel(A)实现信息融合，较好地改善了含有不知道;元素的残缺矩阵的判决问题，在具体的评价过程中，再通过进一步引进BP模型，利用BP模型所具有得学习、联想和容错功能，及能进行大规模并行信息处理和对非

17、线性系统所具有很强的模拟能力，从而使得该评价模型的评价结果更能表达企业的真实情况。3但也应认识到,本文的研究还只是一个开始,由于铅锌企业低碳生产水平强弱,其中掺杂复杂多变的人、政策、环境等动态变化因素,同时BP神经网络综合评价模型最终以一个数据说明企业低碳生产水平的上下,难以全面准确地反映其开展的规律,因此还必须通过更多的理论研究和实证调查来进一步完善铅锌企业低碳生产水平综合评价指标体系，进一步完善DS-BP;方法。参考文献:【1】李志青后危机时代;与低碳经济.文汇报,2021-07-02.【2】鲍健强，苗阳，陈锋.低碳经济:人类经济开展方式的新变革.中国工业济经，20214：153-160.

18、【4】徐国泉,刘那么渊,姜照华.中国碳排放的因素分解模型及实证分析:1995-2004.中国人口-资源与环境，2006,16(6 )：158-161.李晓燕，邓玲.城市低碳经济综合评价探索-以直辖市为例.现代经济探讨,2021(2):82-85.GLENN SHAFER. Amathematical theory of evidence .Princeton NJ: Princeton University Pres,1976.STRAT T M. Decisionmaking using belief function .International Journal of Approx Reason, 2021:4(5/6):391-417.BEYNON M J，Curry B，Morgan P HThe Dempster-Shafer Theory ofEvidence: An Alternative Approach to Multi-criteria Decision Modeling.Omega, 2021(1):37-50.MALCOLM BEYOND. DS/AHPMethod: A Mathematical Analysis, Including An Understanding of Uncertainty European. Journal