基于一維卷積神經網絡的工業(yè)產業(yè)安全評價與預警研究

張 業(yè) 郭艷芹 米熱阿依·米吉提

（新疆財經大學經濟學院 新疆烏魯木齊 830012）

工業(yè)是國民經濟的主體，在國民經濟中處于主導地位，是十分重要的物質生產部門。改革開放以來，中國工業(yè)取得了長期快速發(fā)展，建立起了完整的產業(yè)體系，但是近幾年來國際單邊保護主義迅速抬頭，國際貿易摩擦不斷加劇，給中國工業(yè)產業(yè)安全發(fā)展帶來了前所未有的困境和挑戰(zhàn)。因此，建立有效的工業(yè)產業(yè)安全預警系統(tǒng)，并對產業(yè)安全狀況進行量化、評價、預警，對工業(yè)產業(yè)安全發(fā)展有重要意義。

一、文獻綜述

隨著經濟全球化發(fā)展，產業(yè)安全問題引起學者們越來越多的關注。國內關于產業(yè)安全問題的研究多為定量分析產業(yè)安全評價[1]，實證方法有DEA模型[2]、層次分析法[3]、功效系數法[4]等。關于安全預警方面的研究比較少，部分學者利用BP神經網絡算法在非線性映射和識別能力方面的優(yōu)勢，通過對相關數據進行學習、訓練，形成適應該數據的預警模型，進而評價產業(yè)安全狀況。金成曉和俞婷婷（2010）[5]運用灰色預測模型預測產業(yè)安全各評價指標，并與歷史數據相結合建立三層BP神經網絡對制造業(yè)產業(yè)安全未來狀況進行系統(tǒng)預警；白燕飛等（2015）[6]從國際貿易角度構建BP神經網絡模型對奶牛產業(yè)安全進行預警研究；汪芳和朱德宇（2016）[7]則運用灰色預測模型和主成分分析法評價汽車產業(yè)安全狀況，基于BP神經網絡模型對汽車產業(yè)未來狀況進行系統(tǒng)預警；在研究中醫(yī)藥產業(yè)安全方面，湯少梁和張笑笑（2017）[8]采用熵權—灰色關聯分析法對中醫(yī)藥產業(yè)安全狀況進行評價，同樣運用灰色預測模型進行指標預測，運用BP神經網絡算法對未來中醫(yī)藥產業(yè)安全狀況進行預警。

多數文獻運用BP神經網絡算法來研究產業(yè)安全問題是基于其具有很強的非線性映射能力，網絡中的隱含層數和各層的神經元數可根據訓練結果自行設置。但是BP神經網絡算法也存在的一些缺陷：首先，容易陷入局部極小值，跳不出訓練峰值；其次，學習速度比較慢；最后，BP神經網絡中隱含層內激活函數多為sigmoid函數或者logsig函數，它們在趨近于端點位置時梯度趨近于0，這樣會造成網絡學習率更新緩慢或梯度消失無法學習的問題。Hinton(2015)[9]建立卷積神經網絡有效地緩解了上述問題。卷積神經網絡具有局部感知和參數共享兩個特點，局部感知是指在卷積神經網絡中每個神經元只對數據的局部信息進行感知，然后將感知到的信息進行處理并在更高層進行合并，從而得到數據的全部表征信息。權值共享是指在卷積神經網絡算法中卷積核的權重可以對不同局部信息重復使用，這樣能有效地減少可訓練參數的數目，加快模型的訓練和收斂速度。另外，卷積神經網絡的激活函數可以運用ReLU函數，有效解決了梯度兩端學習率更新緩慢問題。以往的文獻還未應用卷積神經網絡來預測產業(yè)安全狀況。

因此，本文在現有研究成果的基礎上構建工業(yè)產業(yè)安全評價指標體系，運用熵權—灰色關聯分析法對2000—2018年工業(yè)產業(yè)安全狀況進行評價，再運用LSTM神經網絡預測模型預測2019—2023年工業(yè)產業(yè)安全各評價指標數據，將所有預測數據和歷史數據相結合，建立基于一維卷積神經網絡的工業(yè)產業(yè)安全預警模型，并對2019—2023年的工業(yè)產業(yè)安全狀況進行系統(tǒng)預警。

二、產業(yè)安全評價

(一)評價指標體系構建

本文參考以往文獻的研究成果[10][11]，從產業(yè)國際競爭力、產業(yè)控制力、產業(yè)對外依存度和產業(yè)生存環(huán)境四個方面出發(fā)綜合評價工業(yè)產業(yè)安全狀況，建立工業(yè)產業(yè)安全三級評價指標體系如表1所示。具體指標說明如下。

國際市場占有率X1(%)：本文選用工業(yè)產業(yè)出口貿易總額占世界工業(yè)出口貿易總額的比重來衡量工業(yè)國際市場占有率，反映工業(yè)產品國際競爭能力。貿易競爭力優(yōu)勢指數X2(%)：本文選用工業(yè)總出口額與總進口額之差占兩者之和的比重來度量貿易競爭力優(yōu)勢程度，指標數值越大，則國際競爭優(yōu)勢越大。顯示性比較優(yōu)勢指數X3(%)：顯示性比較優(yōu)勢指數=(中國工業(yè)產品出口總額/世界工業(yè)產品出口總額)/(中國總出口額/世界總出口額)，指標數值越大，則國際競爭優(yōu)勢越大。勞動生產率X4(萬元/人)：本文選取工業(yè)生產總值對從業(yè)人員年平均人數的比值來反映勞動生產率，體現勞動要素在產品價值創(chuàng)造中的貢獻。銷售利潤率X5(%)：本文選取工業(yè)利潤總額對營業(yè)收入的比值來體現工業(yè)產業(yè)單位收入的盈利能力?？傎Y產貢獻率X6(%)：本文選取工業(yè)利潤總額占工業(yè)資本總額的比值來反映產業(yè)內企業(yè)全部資產的獲利能力。資本密集度X7(萬元/人)：本文選取工業(yè)產業(yè)總資產對從業(yè)人員年平均人數的比值來衡量資本密集度，體現資本要素的相對豐裕程度。R&D投入強度X8(%)：本文采用工業(yè)R&D經費支出占工業(yè)營業(yè)收入的比重來反映企業(yè)對技術創(chuàng)新的重視程度。新產品投入強度X9(%)：本文選取工業(yè)新產品開發(fā)經費支出占工業(yè)新產品銷費收入的比重來體現產業(yè)產品創(chuàng)新能力。R&D人力強度X10(%)：本文選取R&D人員全時當量值占總工作人數的比例來反映企業(yè)創(chuàng)新潛力。產業(yè)進口依存度X11(%)：本文選取工業(yè)產品進口總額占工業(yè)產業(yè)總產值的比重來衡量產業(yè)對外依賴程度，指標數值越低，表明產品對國外的以來程度越低。產業(yè)技術依存度X12(%)：本文選取工業(yè)引進國外技術經費支出占工業(yè)技術獲取改造總支出的比重來反映產業(yè)對外技術依賴程度，產業(yè)技術依存度越高，表明工業(yè)的發(fā)展越依賴國外技術支撐，對技術產品的進口依存度越大，對我國工業(yè)產業(yè)安全造成的威脅越大。外資股權控制率X13(%)：本文選取外資企業(yè)總產值占工業(yè)總產值的比重來反映外資對國內產業(yè)控制情況。外資市場控制率X14(%)：本文選取外資企業(yè)利潤總額占工業(yè)利潤總額的比重來體現外資對國內市場的控制程度。資本成本X15(%)：本文選擇一年期銀行貸款利率來衡量資本成本，反映產業(yè)籌集和使用資本需要付出的代價。單位能耗X16(%)：本文選取工業(yè)能源消費總量占工業(yè)生產總值的比重來反映產業(yè)每單位總之所消耗的能源量。環(huán)境治理強度X17(%)：本文選取工業(yè)污染治理投資占工業(yè)生產總值的比重來反映工業(yè)對污染治理的重視程度。

研究所用數據主要源于2000—2018年《中國統(tǒng)計年鑒》《國際統(tǒng)計年鑒》和《科技統(tǒng)計年鑒》。數據具有真實性和可查性。

表1 工業(yè)產業(yè)安全評價指標體系

續(xù)表 1

(二)評價方法選擇

1.灰色關聯分析法

灰色關聯分析法作為衡量因素間關聯程度的一種方法，對數據要求較低并且計算量小，因而被廣泛運用[12]，其具體操作如下。

歸一化處理，對原始數據進行歸一化（無量綱化）處理。

在(1)、(2)式中：xij為 第i年 份第j個 指標的初始值，Yij為 第i個 年份第j個指標進行標準化后的處理值，minxij為 初始值的最低值， m axxij為初始值的最高值。按(1)、(2)式對數據進行歸一化處理組成比較序列Xj，將每項指標最優(yōu)值組成參考序列X0，構建X矩陣。

計算關聯系數，關聯系數是比較數列與參考數列在各個時刻（即曲線中的各點）的關聯程度值，反映關聯程度，即曲線間幾何形狀的差別程度。

其中，分辨系數ρ，按照國際慣例通常將分辨系數取為0.5。

計算關聯度。關聯系數反映各個指標各個時刻的關聯程度，不便于進行整體性比較。因此取其平均值，作為比較數列與參考數列間關聯程度的數量表示[13]，關聯度公式如下：

2.熵權法

為了避免實證研究中權重賦予時候的主觀性影響[14]，本文采用熵權法來確定權重Wi，具體操作如下：

在(1)、(2)式中：xij為 第i年 份第j個 指標的初始值，Yij為 第i個 年份第j個指標進行標準化后的處理值，minxij為 初始值的最低值， m axxij為初始值的最高值。

計算在第j個指標下第i個年份所占比重：

求第j個指標的信息熵：

其中，n為年份個數。

求第j個指標的差異系數：

求第j個指標的權重：

其中，m為指標個數。

(三)評價過程

本文使用MATLAB軟件將各年份工業(yè)產業(yè)安全評價指標值作為比較序列，指標最優(yōu)值作為參考序列，根據公式(5)得出反映工業(yè)產業(yè)安全狀態(tài)的關聯度如表2所示，關聯度越大，說明該年份工業(yè)產業(yè)越接近最安全狀態(tài)。

表2 2000—2018 年工業(yè)產業(yè)安全關聯度

(四)評價結果分析

根據表2中工業(yè)產業(yè)安全關聯度及位次發(fā)現，2000—2004年工業(yè)產業(yè)安全度整體處于較低水平并波動變化，2001年工業(yè)產業(yè)安全度最低，反映出隨著市場的進一步擴大，特別是中國加入WTO后，外國工業(yè)產品、服務和投資更多地進入中國市場，給國內工業(yè)產業(yè)安全造成一定程度影響；2005—2008年工業(yè)產業(yè)安全度呈緩慢上升趨勢，表明國企改革有成效，利用體制優(yōu)勢加大推動了工業(yè)化進程，2008年有所下降說明美國次貸危機爆發(fā)對中國工業(yè)經濟發(fā)展和工業(yè)化進程造成了一定的影響；2009—2014年我國工業(yè)產業(yè)安全度呈逐年上升的趨勢，體現了工業(yè)轉型升級所帶來的成果，但受次貸危機影響，中國的工業(yè)化轉型升級很大程度上重走了數量和速度型的老路從而出現供需錯配問題，傳統(tǒng)工業(yè)產能過剩的同時，部分高精尖產品供不應求。針對這一問題，我國在2015年前后開始實施供給側結構性改革，經過幾年努力，取得了明顯的效果，使得2015年以來安全度增速上升，《中國制造2025》行動綱領也逐漸發(fā)揮出頂層設計和舉國體制的優(yōu)勢。但是從整體來看，與最佳產業(yè)安全狀態(tài)的關聯度不足0.8，表明供給側改革雖成效顯現，但產業(yè)升級還任重道遠。

三、產業(yè)安全預警

(一)預警區(qū)間選擇

本文參照國家對突發(fā)公共事件預警等級的劃分邏輯，設置預警區(qū)間及信號對照表（表3）。

表3 預警區(qū)間及信號對照

(二)預警方法選擇

神經網絡將給定數據集作為樣本集輸入網絡，網絡按照合適于該數據集的網絡結構調節(jié)神經元間的拓撲結構，進而得到預期輸出，然后通過大量訓練來達到優(yōu)化模型的目的。訓練的過程就是優(yōu)化模型權重的過程，也是讓損失函數盡可能小的過程。當損失函數值下降到盡可能小的程度并趨于穩(wěn)定時，表明訓練后的神經網絡模型權重較好地擬合輸入和輸出數據，網絡訓練就此結束。當訓練完成后，就可以使用該模型來解決一些判別性的問題。

卷積神經網絡具有參數共享機制，可以讓網絡的參數數量大大地減少，學習速率加快，并且可以靈活調整激活函數，有效地避免過擬合（Overfitting）。卷積神經網絡還具有很強的非線性處理能力，可以有效反映影響工業(yè)產業(yè)安全的各因素間相互關系。同時，卷積神經網絡能根據給定數據，通過訓練和學習，得出反映輸入和輸出間關系的優(yōu)化模型，保證評價結果的客觀性。根據數據特征，本文采用一維卷積神經網絡建立工業(yè)產業(yè)安全預警模型。

1.建?？蚣艿倪x擇

在使用PyCharm(IDE)建立工業(yè)產業(yè)安全預警模型之前，要選擇合適的深度學習框架，深度學習框架有很多種，比如Tensorflow，Caffe，MXNet，PyTorch等。在當前開源的框架中，PyTorch框架在靈活性、易用性、速度這三個方面較有優(yōu)勢：PyTorch的靈活性反映在自動反向求導，如果對網絡進行修改，可以實時并最快地運行程序；PyTorch的設計線性且直觀，易于準確定位錯誤，從而很大程度上節(jié)約了調試的時間；PyTorch的底層源代碼更好理解，有利于深入理解內部的實現。本文選擇PyTorch框架進行建模。

2.輸入、輸出及隱含層結構設置

不同的隱含層結構會影響訓練結果的好壞和訓練性能，由于訓練數據偏少，所以使用較深層的網絡無法收斂，通過不斷地調整網絡，大量訓練發(fā)現設置8層隱含層的神經網絡即可學習到數據的特征，這八層分別為，兩層卷積層，兩層池化層，一層dropout層，三層全連接層，結構路徑如圖1所示。

圖1 一維卷積神經網絡結構圖

3.輸入、輸出層節(jié)點設置

隱含層的數量在神經網絡擬合數據的準確性中起到了關鍵的作用，每個隱含層能夠對前一層的神經網絡的特征進行組合，從而構造更復雜的特征，并更好地擬合給定的數據集。根據數據集特征，輸入層的節(jié)點數以指標數量為準，輸入節(jié)點數為17，設定輸入層為三維張量結構(1*1*17)。輸出層節(jié)點數通常是由需要輸出的數據類型和表達方式來決定的，本文將警度分為5個等級，因此輸出節(jié)點數為5，設定輸出層為二維張量結構(1*5)。

(三)預警數據準備

1.預測方法選擇

未來數據需要根據以往數據特征來推測，而傳統(tǒng)神經網絡只關注某一時刻的信息特征，沒有時間概念，Recurrent Neural Network（RNN）循環(huán)神經網絡可以實現神經網絡的記憶功能，但是它只適合處理短時依賴問題。當已知相關信息與預測點時間間隔比較遠的時候，網絡就難以學到該相關信息。Graves and Alex(2012)[15]構建了LSTM神經網絡可以很好地解決這個問題。LSTM神經網絡是一種特殊的RNN，網絡架構如圖2所示。

圖2 LSTM 神經網絡圖

LSTM 神經網絡擁有四個結構，即 Input gate、Output gate、Forget gate 和 Cell?！癐nput gate”層通過 sigmoid激活函數來決定哪些值用來更新信息；“Output gate”層首先通過sigmoid激活函數得到一個初始輸出，然后使用tanh函數將值縮放到?1到1間，再與sigmoid得到的輸出逐對相乘，從而得到模型的輸出；“Forget Gate”層用于篩選信息；“Cell”層用來記錄信息傳遞給下一時刻用。圖2中ft、it、Ot分別為Forget gate、Input gate、Output gate層，σ 層輸出 0-1 之間的數值，描述每個部分可以通過的量。LSTM模型相應計算公式為(10)—(15)。

其中，xt為t時刻的輸入，W為權重矩陣，b為偏置矩陣，C?t為t時刻的候選向量，Ct為t時刻的更新值，ht、ht?1為t時刻和t?1 時刻模型輸出值。

2.輸入、輸出層節(jié)點設置

根據LSTM神經網絡輸入信息點特征，原始數據的年份間隔19年，輸入節(jié)點數為2，輸入層為三維張量結構(1*1*2)，由于輸出層預期數據是預測年份數據值，因此輸出節(jié)點數為1，設定輸出層為三維張量結構(1*1*1)。

3.預測過程

經過多次試驗，LSTM神經網絡模型最終采用的函數及參數見表4。

表4 LSTM 神經網絡函數、參數組合

經過1400次訓練后，基于各指標數據的LSTM神經網絡模型的loss值基本下降到0.01以下，表明網絡學習效果較好，網絡權重較好擬合各指標數據。損失函數值下降曲線見圖3。

圖3 MSE 損失函數下降曲線圖

根據訓練后各指標數據的網絡權重，該模型可預測各指標數據值。本文設定預測年份為5年，通過網絡訓練，可獲得2019—2023年各指標數據并作為預測樣本。

(四)預警過程

將已得樣本集分為訓練集、測試集和預測集，由于網絡實際輸出節(jié)點為5并反映5種預警狀態(tài)，而且測試集中至少需要兩組數據反映不同預警狀態(tài)以測試網絡性能，因此，本文設定2014年和2015年的指標數據作為測試集，2000—2013年和2016—2018年的指標數據作為訓練集，2019—2023年的預測指標數據作為預測集。根據一維卷積神經網絡輸入層數據特征，所有數據需進行歸一化處理，如表5所示。

表5 指標歸一化后的 3 類樣本

續(xù)表 5

經過網絡多次試驗，模型最終采用的函數及參數見表6。

表6 一維卷積神經網絡函數、參數組合

根據表6可知，網絡經過4000次訓練后，一維卷積神經網絡模型的Loss值下降到0.001以下，表明此網絡訓練較好，輸出較精確，網絡權重較好擬合指標數據特征。損失函數下降曲線及訓練次數見圖4。

圖4 交叉熵損失函數下降曲線圖

根據已訓練好的模型權重，可測試兩組測試集和五組預測集的輸出結果，在預測訓練中，將2014年、2015年，以及2019—2023年的歸一化指標數據輸入網絡，得出對應的預警信號結果如表7所示。

表7 一維卷積神經網絡測試和預測結果

(五)預警結果分析

網絡輸出測試集的信號結果分別為2和3，說明網絡很好的學習了各指標數據，為預測集結果的準確性提供了保證。網絡輸出預測集的信號結果都為3，表明2019—2023年工業(yè)產業(yè)安全狀態(tài)整體良好，安全警度為Ⅳ級(正常)。結合當前的工業(yè)產業(yè)發(fā)展狀況以及政策實際，本文認為結果可靠。在當前宏觀形勢上我國大力推進制造強國建設，對工業(yè)產業(yè)安全發(fā)展起到了促進作用，整體向好，但是某些影響因素仍需進一步改進。

四、結論與建議

本文建立基于一維卷積神經網絡的工業(yè)產業(yè)安全預警模型，并對2019—2023年工業(yè)產業(yè)安全狀況進行系統(tǒng)預警。結果表明：研究年限初期，隨著市場的進一步擴大，特別是中國加入WTO后，關稅大幅度減讓，外國工業(yè)產品、服務和投資更多地進入中國市場，給國內工業(yè)產業(yè)安全造成一定程度影響；但隨著工業(yè)改革不斷深入，外資對工業(yè)產業(yè)控制力下降，產業(yè)對外依存度相對降低，工業(yè)產業(yè)國際競爭力提升，從而工業(yè)產業(yè)安全度不斷提升，尤其是近幾年，安全度增速上升；預測未來五年工業(yè)產業(yè)安全程度整體處于安全狀態(tài)。

本文結合評價指標權重、各年關聯系數與預警信號結果，提出幾點相關建議。第一是要適當提高工業(yè)產品的國際市場占有率，建議優(yōu)化出口產品結構，增加高附加值產品的出口，加大發(fā)展高技術制造業(yè)和裝備制造業(yè)，全面推動制造業(yè)技術升級，提高產品國際競爭力，完善對外貿易市場網絡布局，進而促進工業(yè)產業(yè)安全發(fā)展。第二要提高工業(yè)產業(yè)勞動力素質，在研發(fā)方面，加大工業(yè)技術創(chuàng)新人才培養(yǎng)力度，增強產業(yè)創(chuàng)新能力；在生產方面，積極開展技能培訓，提高生產人員技術水平，增強產業(yè)競爭能力。第三，進口對外依存度應繼續(xù)保持較低水平，從指標數據中可知，進口對外依存度逐年降低，反映出我國工業(yè)受跨國影響程度在逐年降低，這有利于工業(yè)產業(yè)安全發(fā)展。第四，適當引進外資和技術，完善外資控股相關制度，堅持新發(fā)展理念，加強創(chuàng)新能力建設，促進工業(yè)產業(yè)轉型升級。第五，維護金融環(huán)境穩(wěn)定，提升國有資本運營效率，優(yōu)化營商環(huán)境，增強市場主體活力。落實中小企業(yè)扶持政策，促進中小企業(yè)健康發(fā)展。第六，加大工業(yè)污染治理投資力度，對新增企業(yè)落實嚴格的環(huán)保措施并督促現有環(huán)保設備缺乏、排放標準不達標的企業(yè)加快污染治理改造。第七，穩(wěn)步推進工業(yè)高質量發(fā)展，努力提升產業(yè)鏈水平，加大對生產關鍵新材料、重大短板裝備等短板產業(yè)的扶持力度。第八，加速構建工業(yè)產業(yè)安全新生態(tài)，隨著全球智能化發(fā)展，在工業(yè)互聯網時代，安全主體不僅僅限于政府和企業(yè)，第三方組織或個人也需加入，每個安全主體承擔各自的安全責任，政府負責戰(zhàn)略規(guī)劃、安全企業(yè)負責技術研發(fā)、第三方機構負責形勢研判。各方都是安全生態(tài)構建的參與者，攜手共建工業(yè)產業(yè)安全新生態(tài)，合力保障工業(yè)產業(yè)安全的健康發(fā)展。