基于BP神經網絡的工業(yè)園區(qū)廢棄物物流系統(tǒng)模糊評價研究

何開倫，包秀莉，劉志學

(1.重慶理工大學 管理學院，重慶 400054； 2.華中科技大學 管理學院，武漢 430074)

基于BP神經網絡的工業(yè)園區(qū)廢棄物物流系統(tǒng)模糊評價研究

何開倫1,2，包秀莉1，劉志學2

(1.重慶理工大學 管理學院，重慶 400054； 2.華中科技大學 管理學院，武漢 430074)

依據評價指標設計原則，結合系統(tǒng)運作效率與效益、發(fā)展生態(tài)城市和生態(tài)工業(yè)園區(qū)的要求，從系統(tǒng)投入、系統(tǒng)能力、運作效率、處理效率和環(huán)境績效5個方面提出22個二級指標的園區(qū)廢棄物物流系統(tǒng)評價指標體系，并利用層次分析法合理確定指標權重，選擇12個工業(yè)園區(qū)為對象進行實例分析，再利用提出的指標體系開展模糊評價，獲得模糊評價的輸入和評價結果。然后，根據模糊評價過程構建三層結構的BP神經網絡，以模糊評價的輸入和輸出訓練BP網絡，獲得可執(zhí)行模糊評價的BP網絡。實例分析表明：BP網絡對各個園區(qū)的評價結果與模糊評價結果相同，是評價園區(qū)廢棄物物流系統(tǒng)績效便捷、可靠而有效的科學工具。

工業(yè)園區(qū)；廢棄物物流；層次分析法；模糊評價；BP神經網絡

綜上所述，基于模糊評價法的組合方法具有較高的科學性和可操作性，能解決主客觀評價問題，同時可利用專家經驗獲取必要數據，克服傳統(tǒng)評價的弊端。園區(qū)廢棄物物流系統(tǒng)評價采用的定性和定量指標較多，評價具有模糊性和復雜性，宜采用模糊評價法。上述組合方法研究側重于評價問題的BP網絡實驗研究，本研究擬通過建立合理的園區(qū)廢棄物物流系統(tǒng)評價指標體系，構建基于BP神經網絡的園區(qū)廢棄物物流系統(tǒng)評價系統(tǒng)，為園區(qū)管理者提供科學有效的模糊評價工具。

一、工業(yè)園區(qū)廢棄物物流系統(tǒng)評價指標體系設計

園區(qū)廢棄物物流系統(tǒng)是一個以廢棄物處理處置企業(yè)為核心，為園區(qū)生產企業(yè)提供廢棄物處理服務的社會性系統(tǒng)，其評價指標及標準的設置較復雜，必須依據指標體系設計原則及要求，設計一套反映不同評價要求的指標體系。

(一)指標體系設計原則和要求

園區(qū)廢棄物物流系統(tǒng)指標體系設計必須遵循五大原則，包括科學性、系統(tǒng)性、可比性、可操作性和定性定量相結合原則。同時，必須考慮該系統(tǒng)運作效率和效益要求、生態(tài)城市和生態(tài)工業(yè)園區(qū)對該系統(tǒng)的要求以及城市、園區(qū)和企業(yè)可持續(xù)發(fā)展要求。具體講，要使指標體系充分體現系統(tǒng)的技術經濟特點及可持續(xù)發(fā)展要求，全面反映系統(tǒng)基礎設施、運營能力、服務水平等發(fā)展狀況及水平，需要積極引入生態(tài)城市評價指標包括環(huán)境治理和環(huán)境質量指標、生態(tài)環(huán)境健康指標、低碳引領指標[12-14]；引入減量化指標包括萬元工業(yè)增加值固體廢物排放量、萬元工業(yè)增加值產品包裝消耗等，再使用指標包括產品及包裝可重復使用的種類占總數的百分比、可重復使用功能研發(fā)經費等，再循環(huán)指標包括工業(yè)固體廢物再利用率、產品及包裝原級或次級循環(huán)率等，來滿足發(fā)展生態(tài)工業(yè)園區(qū)的要求。

(二)評價指標選取及分析

根據上述指標設計原則和要求，參考有關廢棄物物流系統(tǒng)、生態(tài)城市、生態(tài)工業(yè)園區(qū)評價指標文獻，已頒布的國家生態(tài)工業(yè)示范園區(qū)標準(HJ274—2015)相關指標及要求，按照輸入—處理—輸出的系統(tǒng)分析思路，從系統(tǒng)投入、系統(tǒng)能力、運作效率、處理效率和環(huán)境績效5個方面歸納和精簡可選指標并設計必要的新指標，設計出一個包含兩個層次的園區(qū)廢棄物物流系統(tǒng)績效評價指標體系。該指標體系包括5類22個二級指標，見表1，具體評價指標分析見表2。

表1中凡企業(yè)指標均以所屬園區(qū)相關企業(yè)的平均值衡量?！耙蟆币粰诘臄祿⒖紘疑鷳B(tài)工業(yè)示范園區(qū)標準(HJ274—2015)、廢棄物管理標準、相關研究成果和專家意見等制定，“要求”為空白的表示該項指標量化數據需要依據園區(qū)實際發(fā)展水平制定。

表1 工業(yè)園區(qū)廢棄物物流系統(tǒng)績效評價指標體系

一級指標二級指標性質單位要求運作效率(A3)園區(qū)產業(yè)聚集程度(A31)正向%園區(qū)產業(yè)廢物耦合程度(A32)正向%單位工業(yè)增加值固廢產生量(A33)負向噸/萬元≤0．1單位工業(yè)增加值產品包裝消耗量(A34)負向噸/萬元產品及包裝可重復使用的種類比例(A35)正向%處理效率(A4)處理企業(yè)合作程度(A41)正向%廢棄物物流功能服務程度(A42)正向%廢棄物物流成本比例(A43)負向%≤25環(huán)境績效(A5)工業(yè)固體廢物綜合利用率(A51)正向%≥70資源再生利用程度(A52)正向%≥30產品及包裝原級或次級循環(huán)率(A53)正向%公眾環(huán)境滿意度(A54)正向%

表2 工業(yè)園區(qū)廢棄物物流系統(tǒng)績效評價指標分析

續(xù)表(表2)

(三)評價指標權重分析

本研究利用層次分析法(Analytic Hierarchy Process，簡稱AHP)確定指標權重。

1.一級指標層權重分析

根據表1和2將評價問題層次化，得到評價問題的二層結構即一級指標層和二級指標層；利用1-9標度法確定評價尺度，見表3。

表3 標度值及其含義

依據表3賦值Dij，Dij滿足條件：Dij>0；Dij=1/Dji(i≠j)；Dii=1 (i,j=1，2，…，n)。

通過訪談形式征詢8名專家學者的意見，運用1～9標度法進行兩兩比較賦值并填表，取賦值作為判斷矩陣元素值，得到一級指標層兩兩比較判斷表，見表4。

表4 一級指標層兩兩比較判斷

依據表4可建立一級指標層判斷矩陣A：

根據公式CI=(λmax-n)/(n-1)，計算矩陣A的一致性指標CI，其中λmax為矩陣A的最大特征根，n為矩陣A的階數；在Matlab中計算eig(A)，得到λmax=5.036 1，其對應的特征向量tzxl_A=[0.105 9,0.202 0,0.382 3,0.078 0,0.892 0]，將求得的λmax帶入CI計算式可得CI=0.009。根據表5可得到平均隨機一致性指標RI的取值，即RI=1.12。

表5 平均隨機一致性指標RI

計算隨機一致性比率CR=CI/RI=0.008 1<0.1，可見判斷矩陣A具有滿意的一致性。對特征向量tzxl_A歸一化處理后可得到一級指標層各個指標的權重W=[0.063 8, 0.121 7, 0.230 3, 0.047 0, 0.537 2]，即系統(tǒng)投入指標權重W1為0.063 8、系統(tǒng)能力W2為0.121 7、運作效率W3為0.230 3、處理效率W4為0.047 0、環(huán)境績效W5為0.537 2，其中運作效率A3、環(huán)境績效A5權重大，其指標取值對評價結果的影響較大。

2.二級指標權重分析

同樣，可得到二級指標層兩兩比較判斷表，建立系統(tǒng)投入層判斷矩陣A1、系統(tǒng)能力層判斷矩陣A2、運作效率層判斷矩陣A3、處理效率層判斷矩陣A4和環(huán)境績效層判斷矩陣A5，如下：

利用函數eig( )可得到二級指標層各判斷矩陣的最大特征根、其對應的特征向量，依據公式計算，可得到相應的隨機一致性比率CR，二級指標層權重分析結果如表6所示。

表6 二級指標層權重計算及檢驗結果

二、基于BP神經網絡的評價模型構建及分析

BP神經網絡用于評價，相比傳統(tǒng)方法具有可操作性強、擬合精度高、科學性強等優(yōu)點[16]，基于BP神經網絡的評價模型具有重要的應用價值。

(一)BP神經網絡原理

1.BP神經網絡的結構

BP神經網絡即誤差反向傳播神經網絡(Back Propagation Neural Networks)，是一種多層前饋神經網絡，采用誤差反傳學習算法，典型的三層BP網絡結構如圖1所示。

圖1 BP網絡結構

從圖1看出，三層BP網絡被分為輸入層IL、隱含層HL、輸出層OL，同層節(jié)點間無關聯(lián)，不同層神經元間前向連接。

2.BP學習算法

令IL層節(jié)點xi到HL層節(jié)點yj間的連接權為wji,HL層節(jié)點yj到OL層節(jié)點zl間的連接權為vlj，θj為HL層節(jié)點的閾值，θl為OL層節(jié)點的閾值，HL層節(jié)點的輸出函數為:

(1)

OL層節(jié)點的輸出函數為:

(2)

其中，f(x)為傳遞函數，一般為Sigmoid型函數，例如函數f(x)=1/(1+e-x)，采用S型傳遞函數可以處理和逼近非線性的輸入、輸出關系。

當輸出節(jié)點的期望值為tl時，輸出節(jié)點的誤差E為：

(3)

BP網絡訓練過程如下:

第一，初始化網絡的權值和閾值，即給網絡中的wji、vlj、θj、θl等賦初值。一般在區(qū)間(-1，1)選取任意數作為BP神經網絡的初始連接權值和閾值。

第二，輸入學習樣本tl，根據輸出函數分別計算各層的輸出值包括yj、zl。樣本信號從輸入層經隱含層傳向輸出層，在輸出端產生輸出信號。在信號的前向傳遞過程中，網絡的權值是固定不變的，每一層神經元的狀態(tài)只影響下一層神經元的狀態(tài)。如果在輸出層不能得到期望的輸出，則轉入誤差信號反向傳播。

第三，采用梯度下降算法及誤差的反向傳播修正網絡權值和閾值。網絡的實際輸出與期望輸出之間的差值E即為誤差信號。誤差信號由輸出端開始逐層向后傳播，網絡的權值和閾值由誤差反饋進行調節(jié)，通過權值的不斷修正使網絡的實際輸出更接近期望輸出。隱含層和輸出層對網絡權值和閾值的調整規(guī)則如下:

vlj(k+1)=vlj(k)+Δvlj=vlj(k)+ηδlyj

(4)

(5)

(6)

(7)

δl=(tl-zl)·f′(netl)

(8)

(9)

第四，根據訓練不斷計算誤差E，并與預期誤差精度進行比較，若實際計算的誤差在規(guī)定范圍內，則學習結束；否則要將學習次數增加一次，并返回到步驟二，按規(guī)則調整步長和閾值進一步學習，直到達到規(guī)定誤差精度或訓練次數為止。

(二)評價模型構建

將BP神經網絡應用于模糊評價時，可把評價指標體系的實際指標數據作為神經網絡的輸入向量xi，將相應的模糊評價結果作為神經網絡的輸出zl，用足夠的樣本訓練網絡，使不同組的實測指標得到相應的輸出值，將輸出值與期望的模糊評價結果值比較，當其誤差小于某一設定值時，這時神經網絡所持有的權系數值、閾值是網絡經過自適應學習所得到的最終權值和閾值。一旦BP神經網絡完成訓練，就成為有效的模糊評價工具，將實際指標值輸入到網絡就可以自動對目標做出模糊評價。

BP神經網絡構建包括以下3個步驟：第一，確定網絡層數和各層神經元數。由于BP神經網絡完成m維到n維的映射只需一個三層的BP神經網絡，故可選用含有一個隱含層的三層BP神經網絡進行設計和訓練。輸入層節(jié)點的數目等于評價指標的數目，輸出層節(jié)點數即績效評價結果，其值為1。隱含層節(jié)點數可依據經驗公式計算確定：

(10)

其中:m為隱含層神經元數，n為輸入層神經元數，w為輸出層神經元數，a為0～10任意整數。第二，確定傳遞函數。一般情況下，隱含層采用sigmoid函數，輸出層采用線性函數purelin。第三，創(chuàng)建網絡，設置訓練參數，向網絡輸入數據，訓練網絡直到獲得符合期望輸出的BP網絡。

三、實例分析

本實例分析選取重慶的12個工業(yè)園區(qū)為評價對象，分析評價各個園區(qū)2015年的廢棄物物流系統(tǒng)績效。本評價遵循以下步驟：依據提出的指標體系收集數據；應用模糊評價法對園區(qū)進行評價，獲得模糊評價結果；根據評價需要構建BP神經網絡，完成網絡訓練并進行驗證分析。

(一)收集數據

園區(qū)廢棄物物流系統(tǒng)指標數據來源分為兩種：一是調研獲取，依據實際數據計算后獲得指標值；二是專家打分，對缺乏數據的定量指標和定性指標采取專家調查方法獲取數據，即由8個專家對選定園區(qū)的指標等級進行投票打分。采取調研方法獲取數據的指標有8個，12個工業(yè)園區(qū)分別用數字1—12表示，8個指標實測值見表7。

目前，工業(yè)園區(qū)的統(tǒng)計工作起步不久，大多數指標缺乏數據，難以定量計算，需采取專家打分方法獲取(14個指標)。進行專家打分時，邀請8位專家對12個工業(yè)園區(qū)的相關指標逐一進行投票打分，表中單元格數字為5位，從左至右分別表示某園區(qū)該指標評價等級為優(yōu)秀、良好、一般、合格、不合格的專家投票數，每格合計為8票，專家打分的統(tǒng)計結果見表8。

表7 2015年園區(qū)廢棄物物流系統(tǒng)指標實測值(1)

表8 2015年園區(qū)廢棄物物流系統(tǒng)指標實測值(2)

(二)模糊評價

1.確定因素集、評價集和權重集

根據指標體系確定因素集，主因素集A包括5個因素Ai(i=1,2,3,4,5)對應一級指標層；子因素集Aij(j分別為5,5,5,3,4)包括A1j={A11,A12,A13,A14,A15}，A2j={A21,A22,A23,A24,A25}，A3j={A31,A32,A33,A34,A35}，A4j={A41,A42,A43}，A5j={A51,A52,A53,A54}，對應二級指標層。

評價集采用5個等級，設Vk={v1,v2,v3,v4,v5}={優(yōu)秀，良好，一般，合格，不合格}。

根據前述分析，主因素權重集W=(Wi)(i=1,2,3,4,5)=[0.063 8,0.121 7,0.230 3,0.047 0,0.537 2]；子因素權重集為Wij(i=1,2,3,4,5)，其中W1j=[0.445 8,0.038 2,0.093 5,0.180 0,0.242 5]，W2j=[0.144 9,0.450 7,0.275 0,0.045 9,0.083 5]，W3j=[0.151 8,0.263 0,0.461 1,0.083 0,0.041 1]，W4j=[0.087 9,0.669 4,0.242 7]，W5j=[0.552 7,0.271 3,0.114 3,0.061 7]。

2.綜合評價

(1)指標數據處理

根據指標數據來源，對定性和定量指標采用不同的處理方法，對于表7定量指標，由專家依據相關指標的要求與實際情況確定評價規(guī)則進行，每個指標的評價等級是唯一確定的，對判定的等級得8票，其他4個等級得0；對于表8定性指標，依據專家投票數確定等級，根據專家分析，確定表7各項指標評價規(guī)則如表9所示。

依據表9，對表7定量指標進行等級評價并給出專家投票數8，將結果與表8合并，得到園區(qū)廢棄物物流系統(tǒng)指標評價等級投票數，見表10模糊評價需要的指標初值。

表9 定量指標評價規(guī)則

(2)模糊分析

設子因素Aij對評價集Vk的隸屬程度為rik，rik=Vik/N,Vik是所有專家中認為Aij隸屬于Vk的人數，N=8，分別求出子因素Aij對各個評價等級的隸屬程度，得到各子因素的模糊評價矩陣ri(i=1,2,3,4,5)如下：

根據子因素權重集Wij(i=1,2,3,4,5)及ri，利用公式Ri=Wij·ri(i=1,2,3,4,5)，可以得出主因素的模糊評價矩陣R：

根據主因素權重集W及矩陣R，利用公式V=W·R，可得出園區(qū)1的評價結果V：

V={0.041 3,0.512 3,0.248 0,0.178 8,0.019 6}

將評價集Vk量化。設5個等級{優(yōu)秀，良好，一般，合格，不合格}，分別對應[90～100]、[80～90)、[70～80)、[60～70)和[0～60)分，取中間值計算，即分別取95分、85分、75分、65分、30分，則園區(qū)1的模糊評價得分為78.279 1，隸屬于“一般”。

同理，可對園區(qū)2—12進行模糊評價，將評價值匯總于表11中。

表11表明，園區(qū)6、11評價值分別為92.203 6、92.125 6，評價結果為優(yōu)秀；園區(qū)3、7、9、10評價結果為良好；園區(qū)1、4、5、8、12評價結果為一般，園區(qū)2評價結果為合格。該評價結果反映了各個園區(qū)廢棄物物流發(fā)展的實際水平。

(三)構建BP神經網絡

1.BP網絡結構設計

由上所述，一個三層的BP神經網絡可以任意精度完成任意n維到m維的映射，因此本BP評價模型采用三層結構包括輸入層、隱含層和輸出層。輸入層神經元個數為22個，對應22個二級指標；輸出層神經元個數為1個，對應模糊評價結果；隱含層神經元個數采用經驗公式(10)，確定為10個，BP模型結構如圖2所示。

圖2 BP神經網絡結構

2.創(chuàng)建網絡

Matlab軟件(2012版)用函數feedforwardnet()建立BP網絡，其調用格式為:net = feedforwardnet(hiddenSizes,trainFcn)，其中，net為欲生成的BP網絡；hiddensizes指隱含層的神經元個數，默認為10個；trainFCn指BP網絡訓練函數，默認為Levenberg-Marquardt算法(’trainlm’)。

(1)確定輸入輸出項

將表10數據分為兩部分，選擇園區(qū)1—10作為訓練樣本，園區(qū)11、12為測試樣本。將表10單元格數據逐個除以8，得到對應的指標等級隸屬度表。依據該隸屬度表、等級量化標準[95,85,75,65,30]，可計算出各個二級指標量化取值，這些值與表10的模糊評價結果(不包括測試樣本)共同構成BP神經網絡的輸入輸出項，見表12。

表11 園區(qū)廢棄物物流系統(tǒng)模糊評價值

表12 BP神經網絡的輸入輸出項

利用表12數據進行模糊評價，等同于前述模糊評價。利用表12可獲得輸入項inputs和輸出項targets，其中inputs=[22×10]，為22行×10列的矩陣，代表22個二級指標，10個園區(qū)；targets=[1×10]=[73.769 4, 68.942 3, 87.455 7, 74.558 1, 73.874 9, 92.203 6, 87.253 1, 74.458 2, 80.946 6, 82.929 4]，為1行×10列的矩陣，代表10個園區(qū)的期望輸出。

(2)設置網絡參數

將矢量inputs 、targets作為欲生成BP網絡YQPJ_net的輸入輸出項。由于帶自適應學習率動量梯度下降法適應小樣本對象，能避免陷入局部極小問題，所以網絡YQPJ_net選用TRRAINGDX作為訓練函數。隱層傳遞函數為log-sigmnid傳遞函數“l(fā)ogsig”；輸出層傳遞函數為純線形函數“purelin”；學習函數為帶動量的梯度下降學習法“l(fā)earngdm”；性能函數為均方誤差函數“MSE”。數據項和網絡參數設置完成后，根據所設計的網絡結構，可調用命令YQPJ_net = feedforwardnet(10)，生成評價模型YQPJ_net。

(3)訓練網絡

YQPJ_net訓練參數大部分可取默認值，利用函數net.trainParam設置訓練參數見表13。

表13 YQPJ_net訓練參數

訓練參數設置完成后，利用train()函數對網絡進行訓練，其調用格式是:[YQPJ_net,tr]=train(YQPJ_net,inputs,targets)，式中inputs，targets分別是輸入和輸出項；等號左右兩側的YQPJ_net分別代表訓練后和訓練前的神經網絡；tr表示存儲網絡訓練過程中的誤差信息和步數信息。

反復訓練網絡YQPJ_net,通過對10個訓練樣本的155次迭代，最大失敗次數達到10次時結束網絡訓練，訓練精度達到9.06e-7，網絡性能見圖3,訓練狀態(tài)見圖4，輸入與期望輸出的擬合效果見圖5。

圖3表明，網絡驗證性能在144次達到最佳，預測誤差為0.010 756；圖4表明，YQPJ_net訓練結束時(at 155 Epochs)梯度Gradient=0.019 835，驗證失敗次數Validation Checks=10次，學習率Learning Rate=0.001 919 5；圖5表明，訓練組、驗證組等相關系數R=1，測試組相關系數R=-1、樣本輸入與輸出綜合相關系數R=0.998 29，評價模型YQPJ_net取得了較好收斂效果。

圖3 YQPJ_net訓練精度

圖4 YQPJ_net訓練狀態(tài)

完成YQPJ_net訓練后，用函數sim()進行仿真測試，其調用格式是:outputs=sim(YQPJ_net,inputs)，outputs代表網絡仿真輸出。網絡YQPJ_net仿真輸出園區(qū)1—10評價值為[73.789 9，68.924 0，87.451 3，74.518 6，73.963 7，92.090 0，87.391 4，74.478 6，80.937 1，82.953 4]，與實際評價值的誤差為[-0.020 476，0.018 339，0.004 380，0.039 489，-0.088 766，0.113 600，-0.138 340，-0.020 357，0.009 471，-0.024 015],可以看出，YQPJ_net輸出誤差最大僅為-0.138 340，誤差可以接受，因此YQPJ_net可有效應用于模糊評價。

圖5 YQPJ_net回歸效果

(4)測試分析

將表9測試樣本園區(qū)11、12數據量化后可得模型的輸入項test，test為22行x 2列的矩陣，代表22個二級指標，2個測試園區(qū)。調用命令：result=YQPJ_net(test)，運行YQPJ_net可得到園區(qū)11、12測試值result=[90.979 4,77.138 7]，與模糊評價值[92.125 6、75.959 6]比較，誤差為[1.146 2, -1.179 1]，評價結果相同即園區(qū)11為優(yōu)秀，園區(qū)12為一般?？梢?，YQPJ_net評價結果與模糊評價結果相同，最大誤差僅為-1.55%，誤差在可接受范圍，YQPJ_net評價效率高、誤差小，能準確完成模糊評價。

四、結束語

構建園區(qū)廢棄物物流系統(tǒng)評價體系是消除工業(yè)園區(qū)廢棄物污染、維護城市環(huán)境和居民健康的重要手段。本文依據指標設計原則及相關要求，從系統(tǒng)投入、系統(tǒng)能力、運作效率、處理效率和環(huán)境績效5個方面設計出二級園區(qū)廢棄物物流系統(tǒng)評價指標體系并利用層次分析法確定各層次指標的權重，賦予環(huán)境績效類指標較大權重，以促進工業(yè)園區(qū)不斷提高廢棄物綜合利用和資源再生利用水平，強化園區(qū)產業(yè)聚集和廢棄物耦合系統(tǒng)建設，實現生態(tài)化和可持續(xù)發(fā)展。實例分析中，將二級指標體系應用于12個園區(qū)的模糊評價，獲得基于模糊評價法的BP網絡。實例分析表明，BP評價模型對各個園區(qū)的評價結果與模糊評價結果相同，誤差在可接受范圍，是評價園區(qū)廢棄物物流系統(tǒng)績效便捷而有效的科學工具。BP評價模型能為政府和企業(yè)的決策提供相關依據，實用范圍廣。

為有效構建園區(qū)廢棄物物流系統(tǒng)評價體系，提出以下政策建議：

第一，構建完善的園區(qū)廢棄物物流系統(tǒng)。工業(yè)園區(qū)是區(qū)域經濟增長的重要部分，同時工業(yè)園區(qū)也是城市主要的污染源。園區(qū)廢棄物物流系統(tǒng)是一個為園區(qū)生產企業(yè)提供廢棄物處理服務的社會性系統(tǒng)，其核心為園區(qū)廢棄物處理處置企業(yè)，關鍵問題是廢棄物加工再利用與最終處理。園區(qū)廢棄物物流系統(tǒng)具有突出的社會效益和環(huán)境效益，工業(yè)園區(qū)要實現可持續(xù)發(fā)展，一方面需要加大園區(qū)廢棄物物流的發(fā)展力度，消除園區(qū)廢棄物污染，提高工業(yè)園區(qū)廢棄物的利用技術和處理水平；另一方面政府必須補償處理處置企業(yè)產生的環(huán)境效益。

第二，正確評估園區(qū)廢棄物物流系統(tǒng)評價體系指標權重。園區(qū)廢棄物物流系統(tǒng)評價涉及諸多因素，評價指標及標準的設置具有復雜性，要保證評價結果的客觀、準確，就必須依靠合理的指標體系原則、要求和有效的算法，盡量減少主觀因素的影響。為此，應設計一套反映不同評價要求的指標體系，使其評價結果能更好地從園區(qū)本身、外部環(huán)境等多個方面綜合反映園區(qū)廢棄物物流系統(tǒng)狀況，以便更好地評價物流園區(qū)廢棄物物流系統(tǒng)績效，促進物流系統(tǒng)的發(fā)展和完善，提高物流系統(tǒng)的質量和效益。

第三，完善法律法規(guī)和制度建設。依據國家相關法律法規(guī)及國家生態(tài)工業(yè)示范園區(qū)標準，制定頒布科學完善的園區(qū)廢棄物管理條例和實施細則，從環(huán)境保護、資格許可、資金投入、廢棄物加工再利用與最終處理等方面規(guī)范園區(qū)廢棄物處理和再生資源利用活動，保障園區(qū)廢棄物物流系統(tǒng)有效規(guī)范運行。

[1] 黨瑋,王海瑞,胡海晨.基于SERVQUAL和LSQ模型的郵政EMS快遞服務質量模糊評價研究[J].商業(yè)研究,2016(2):170-175.

[2] 宋彩平,金文雯.基于AHP-模糊綜合評價法的林產品物流企業(yè)綜合效益評價研究——以黑龍江省為例[J].林業(yè)經濟,2016(5):80-83.

[3] 賈亞男,孫鵬.基于BP神經網絡的供應商質量評價算法[J].統(tǒng)計與決策,2015(4):172-174.

[4] 孟天醒,文倩,范慧平.基于BP神經網絡的河南省可持續(xù)發(fā)展能力評價[J].湖北農業(yè)科學,2016,55(5):1333-1342.

[5] 尹惠斌,游達明.基于BP神經網絡的企業(yè)突破性創(chuàng)新績效評價研究[J].軟科學,2014,28(5):125-129,144.

[6] 蔡凌曦,范莉莉,鮮陽紅.模糊評價方法——BP神經網絡在城市節(jié)能減排事前評價中的應用[J].新疆社會科學,2014(2):26-32.

[7] 朱慶鋒,徐中平,王力.基于模糊綜合評價法和BP神經網絡法的企業(yè)控制活動評價及比較分析[J].管理評論,2013,25(8):113-123.

[8] 李小剛,馬友華,張益,等.基于模糊評價與BP神經網絡模型的耕地質量評價對比研究——以淮北平原鳳臺縣為例[J].土壤通報,2015,46(4):816-822.

[9] 姜婷.基于神經網絡的企業(yè)信息能力模糊評價研究——以安徽省制造型企業(yè)為例[J].華東經濟管理，2015,29(4):177-180.

[10] 鄒凱,包明林.基于灰色關聯(lián)理論和BP神經網絡的智慧城市發(fā)展?jié)摿υu價[J].科技進步與對策,2015,32(17):123-128.

[11] 陳光,李珊珊,董博.基于PCA-BP神經網絡的城市軌道交通線網方案評價研究[J].鐵道運輸與經濟,2016,38(2):81-86.

[12] 郭秀銳,楊居榮,毛顯強,等.生態(tài)城市建設及其指標體系[J].城市發(fā)展研究,2001,8(6):54-58

[13] 吳穎婕.中國生態(tài)城市評價指標體系研究[J].生態(tài)經濟,2012(12):51-56.

[14] 付麗娜,賀靈.基于灰色關聯(lián)分析的低碳生態(tài)城市評價研究[J].湘潭大學學報(哲學社會科學版),2013,37(3):31-35.

[15] 劉冠軍.工業(yè)園區(qū)產業(yè)集聚評價方法研究——以新疆庫車工業(yè)園區(qū)為例[J].科學學與科學技術管理,2016,37(8):93-101.

[16] 梅強,范茜.基于BP神經網絡的高新技術企業(yè)自主創(chuàng)新能力評價研究[J].科技管理研究,2011(11):1-4.

ResearchonFuzzyEvaluationofWasteLogisticsSysteminIndustrialParkBasedonBPNeuralNetwork

HE Kailun1,2, BAO Xiuli1, LIU Zhixue2

(1.School of Management, Chongqing University of Technology, Chongqing 400054, China; 2.School of Management, Huazhong University of Science and Technology, Wuhan 430074, China)

Based on the index design principles, combined with the system operation efficiency and benefit requirements, as well as the development requirements of ecological city and ecological industrial park, the evaluation index system of park waste logistics system consisted of 22 indexes with two level is put forward from the five aspects including system input, system capacity, operation efficiency, processing efficiency and environmental performance, meanwhile the index weights are determined reasonably by using the method of analytic hierarchy process. The 12 industrial parks are selected as the object of case analysis to be evaluated by the fuzzy evaluation method and the proposed index system, and the inputs and evaluation results of the fuzzy evaluation are obtained. Then according to the fuzzy evaluation process, the three layered BP neural network is constructed, trained by the input and outputs of the fuzzy evaluation, and the BP network is obtained to perform fuzzy evaluation. The example analysis shows that the evaluation result of the BP network is the same as the fuzzy evaluation, which is a convenient, reliable and effective scientific tool to evaluate the performance of waste logistics system.

industrial park; waste logistics; Analytic Hierarchy Process (AHP); fuzzy evaluation; BP neural network

2017-03-15

國家自然科學基金項目“物流服務模式對供應鏈績效的影響研究”(71072034)

何開倫(1965—)，男，重慶人，重慶理工大學管理學院教授，華中科技大學管理學院博士研究生，研究方向：物流與供應鏈管理； 包秀莉(1992—)，女，四川廣安人，碩士研究生，研究方向：現代管理理論及應用；劉志學(1964—)，男，湖北武漢人，教授，博士生導師，研究方向：物流與供應鏈管理。

何開倫，包秀莉，劉志學.基于BP神經網絡的工業(yè)園區(qū)廢棄物物流系統(tǒng)模糊評價研究[J].重慶理工大學學報(社會科學)，2017(10):37-50.

formatHE Kailun, BAO Xiuli, LIU Zhixue.Researchon Fuzzy Evaluation of Waste Logistics System in Industrial Park Based on BP Neural Network[J].Journal of Chongqing University of Technology(Social Science)，2017(10):37-50.

10.3969/j.issn.1674-8425(s).2017.10.006

F205

A

1674-8425(2017)10-0037-14

(責任編輯張佑法)