張 業(yè) 郭艷芹 米熱阿依·米吉提

（新疆財經(jīng)大學(xué)經(jīng)濟學(xué)院 新疆烏魯木齊 830012）

工業(yè)是國民經(jīng)濟的主體，在國民經(jīng)濟中處于主導(dǎo)地位，是十分重要的物質(zhì)生產(chǎn)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(chǎn)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(mào)易摩擦不斷加劇，給中國工業(yè)產(chǎn)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(chǎn)業(yè)安全預(yù)警系統(tǒng)，并對產(chǎn)業(yè)安全狀況進行量化、評價、預(yù)警，對工業(yè)產(chǎn)業(yè)安全發(fā)展有重要意義。

一、文獻綜述

隨著經(jīng)濟全球化發(fā)展，產(chǎn)業(yè)安全問題引起學(xué)者們越來越多的關(guān)注。國內(nèi)關(guān)于產(chǎn)業(yè)安全問題的研究多為定量分析產(chǎn)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(shù)法[4]等。關(guān)于安全預(yù)警方面的研究比較少，部分學(xué)者利用BP神經(jīng)網(wǎng)絡(luò)算法在非線性映射和識別能力方面的優(yōu)勢，通過對相關(guān)數(shù)據(jù)進行學(xué)習(xí)、訓(xùn)練，形成適應(yīng)該數(shù)據(jù)的預(yù)警模型，進而評價產(chǎn)業(yè)安全狀況。金成曉和俞婷婷（2010）[5]運用灰色預(yù)測模型預(yù)測產(chǎn)業(yè)安全各評價指標(biāo)，并與歷史數(shù)據(jù)相結(jié)合建立三層BP神經(jīng)網(wǎng)絡(luò)對制造業(yè)產(chǎn)業(yè)安全未來狀況進行系統(tǒng)預(yù)警；白燕飛等（2015）[6]從國際貿(mào)易角度構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型對奶牛產(chǎn)業(yè)安全進行預(yù)警研究；汪芳和朱德宇（2016）[7]則運用灰色預(yù)測模型和主成分分析法評價汽車產(chǎn)業(yè)安全狀況，基于BP神經(jīng)網(wǎng)絡(luò)模型對汽車產(chǎn)業(yè)未來狀況進行系統(tǒng)預(yù)警；在研究中醫(yī)藥產(chǎn)業(yè)安全方面，湯少梁和張笑笑（2017）[8]采用熵權(quán)—灰色關(guān)聯(lián)分析法對中醫(yī)藥產(chǎn)業(yè)安全狀況進行評價，同樣運用灰色預(yù)測模型進行指標(biāo)預(yù)測，運用BP神經(jīng)網(wǎng)絡(luò)算法對未來中醫(yī)藥產(chǎn)業(yè)安全狀況進行預(yù)警。

多數(shù)文獻運用BP神經(jīng)網(wǎng)絡(luò)算法來研究產(chǎn)業(yè)安全問題是基于其具有很強的非線性映射能力，網(wǎng)絡(luò)中的隱含層數(shù)和各層的神經(jīng)元數(shù)可根據(jù)訓(xùn)練結(jié)果自行設(shè)置。但是BP神經(jīng)網(wǎng)絡(luò)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(xùn)練峰值；其次，學(xué)習(xí)速度比較慢；最后，BP神經(jīng)網(wǎng)絡(luò)中隱含層內(nèi)激活函數(shù)多為sigmoid函數(shù)或者logsig函數(shù)，它們在趨近于端點位置時梯度趨近于0，這樣會造成網(wǎng)絡(luò)學(xué)習(xí)率更新緩慢或梯度消失無法學(xué)習(xí)的問題。Hinton(2015)[9]建立卷積神經(jīng)網(wǎng)絡(luò)有效地緩解了上述問題。卷積神經(jīng)網(wǎng)絡(luò)具有局部感知和參數(shù)共享兩個特點，局部感知是指在卷積神經(jīng)網(wǎng)絡(luò)中每個神經(jīng)元只對數(shù)據(jù)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(shù)據(jù)的全部表征信息。權(quán)值共享是指在卷積神經(jīng)網(wǎng)絡(luò)算法中卷積核的權(quán)重可以對不同局部信息重復(fù)使用，這樣能有效地減少可訓(xùn)練參數(shù)的數(shù)目，加快模型的訓(xùn)練和收斂速度。另外，卷積神經(jīng)網(wǎng)絡(luò)的激活函數(shù)可以運用ReLU函數(shù)，有效解決了梯度兩端學(xué)習(xí)率更新緩慢問題。以往的文獻還未應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)來預(yù)測產(chǎn)業(yè)安全狀況。

因此，本文在現(xiàn)有研究成果的基礎(chǔ)上構(gòu)建工業(yè)產(chǎn)業(yè)安全評價指標(biāo)體系，運用熵權(quán)—灰色關(guān)聯(lián)分析法對2000—2018年工業(yè)產(chǎn)業(yè)安全狀況進行評價，再運用LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測模型預(yù)測2019—2023年工業(yè)產(chǎn)業(yè)安全各評價指標(biāo)數(shù)據(jù)，將所有預(yù)測數(shù)據(jù)和歷史數(shù)據(jù)相結(jié)合，建立基于一維卷積神經(jīng)網(wǎng)絡(luò)的工業(yè)產(chǎn)業(yè)安全預(yù)警模型，并對2019—2023年的工業(yè)產(chǎn)業(yè)安全狀況進行系統(tǒng)預(yù)警。

二、產(chǎn)業(yè)安全評價

(一)評價指標(biāo)體系構(gòu)建

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

國際市場占有率X1(%)：本文選用工業(yè)產(chǎn)業(yè)出口貿(mào)易總額占世界工業(yè)出口貿(mào)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(chǎn)品國際競爭能力。貿(mào)易競爭力優(yōu)勢指數(shù)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(mào)易競爭力優(yōu)勢程度，指標(biāo)數(shù)值越大，則國際競爭優(yōu)勢越大。顯示性比較優(yōu)勢指數(shù)X3(%)：顯示性比較優(yōu)勢指數(shù)=(中國工業(yè)產(chǎn)品出口總額/世界工業(yè)產(chǎn)品出口總額)/(中國總出口額/世界總出口額)，指標(biāo)數(shù)值越大，則國際競爭優(yōu)勢越大。勞動生產(chǎn)率X4(萬元/人)：本文選取工業(yè)生產(chǎn)總值對從業(yè)人員年平均人數(shù)的比值來反映勞動生產(chǎn)率，體現(xiàn)勞動要素在產(chǎn)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(xiàn)工業(yè)產(chǎn)業(yè)單位收入的盈利能力?？傎Y產(chǎn)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(chǎn)業(yè)內(nèi)企業(yè)全部資產(chǎn)的獲利能力。資本密集度X7(萬元/人)：本文選取工業(yè)產(chǎn)業(yè)總資產(chǎn)對從業(yè)人員年平均人數(shù)的比值來衡量資本密集度，體現(xiàn)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(jīng)費支出占工業(yè)營業(yè)收入的比重來反映企業(yè)對技術(shù)創(chuàng)新的重視程度。新產(chǎn)品投入強度X9(%)：本文選取工業(yè)新產(chǎn)品開發(fā)經(jīng)費支出占工業(yè)新產(chǎn)品銷費收入的比重來體現(xiàn)產(chǎn)業(yè)產(chǎn)品創(chuàng)新能力。R&D人力強度X10(%)：本文選取R&D人員全時當(dāng)量值占總工作人數(shù)的比例來反映企業(yè)創(chuàng)新潛力。產(chǎn)業(yè)進口依存度X11(%)：本文選取工業(yè)產(chǎn)品進口總額占工業(yè)產(chǎn)業(yè)總產(chǎn)值的比重來衡量產(chǎn)業(yè)對外依賴程度，指標(biāo)數(shù)值越低，表明產(chǎn)品對國外的以來程度越低。產(chǎn)業(yè)技術(shù)依存度X12(%)：本文選取工業(yè)引進國外技術(shù)經(jīng)費支出占工業(yè)技術(shù)獲取改造總支出的比重來反映產(chǎn)業(yè)對外技術(shù)依賴程度，產(chǎn)業(yè)技術(shù)依存度越高，表明工業(yè)的發(fā)展越依賴國外技術(shù)支撐，對技術(shù)產(chǎn)品的進口依存度越大，對我國工業(yè)產(chǎn)業(yè)安全造成的威脅越大。外資股權(quán)控制率X13(%)：本文選取外資企業(yè)總產(chǎn)值占工業(yè)總產(chǎn)值的比重來反映外資對國內(nèi)產(chǎn)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(xiàn)外資對國內(nèi)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(chǎn)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(chǎn)總值的比重來反映產(chǎn)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(chǎn)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(shù)據(jù)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(shù)據(jù)具有真實性和可查性。

表1 工業(yè)產(chǎn)業(yè)安全評價指標(biāo)體系

續(xù)表 1

(二)評價方法選擇

1.灰色關(guān)聯(lián)分析法

灰色關(guān)聯(lián)分析法作為衡量因素間關(guān)聯(lián)程度的一種方法，對數(shù)據(jù)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(shù)據(jù)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(biāo)的初始值，Yij為 第i個 年份第j個指標(biāo)進行標(biāo)準(zhǔn)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(shù)據(jù)進行歸一化處理組成比較序列Xj，將每項指標(biāo)最優(yōu)值組成參考序列X0，構(gòu)建X矩陣。

計算關(guān)聯(lián)系數(shù)，關(guān)聯(lián)系數(shù)是比較數(shù)列與參考數(shù)列在各個時刻（即曲線中的各點）的關(guān)聯(lián)程度值，反映關(guān)聯(lián)程度，即曲線間幾何形狀的差別程度。

其中，分辨系數(shù)ρ，按照國際慣例通常將分辨系數(shù)取為0.5。

計算關(guān)聯(lián)度。關(guān)聯(lián)系數(shù)反映各個指標(biāo)各個時刻的關(guān)聯(lián)程度，不便于進行整體性比較。因此取其平均值，作為比較數(shù)列與參考數(shù)列間關(guān)聯(lián)程度的數(shù)量表示[13]，關(guān)聯(lián)度公式如下：

2.熵權(quán)法

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

在(1)、(2)式中：xij為 第i年 份第j個 指標(biāo)的初始值，Yij為 第i個 年份第j個指標(biāo)進行標(biāo)準(zhǔn)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(biāo)下第i個年份所占比重：

求第j個指標(biāo)的信息熵：

其中，n為年份個數(shù)。

求第j個指標(biāo)的差異系數(shù)：

求第j個指標(biāo)的權(quán)重：

其中，m為指標(biāo)個數(shù)。

(三)評價過程

本文使用MATLAB軟件將各年份工業(yè)產(chǎn)業(yè)安全評價指標(biāo)值作為比較序列，指標(biāo)最優(yōu)值作為參考序列，根據(jù)公式(5)得出反映工業(yè)產(chǎn)業(yè)安全狀態(tài)的關(guān)聯(lián)度如表2所示，關(guān)聯(lián)度越大，說明該年份工業(yè)產(chǎn)業(yè)越接近最安全狀態(tài)。

表2 2000—2018 年工業(yè)產(chǎn)業(yè)安全關(guān)聯(lián)度

(四)評價結(jié)果分析

根據(jù)表2中工業(yè)產(chǎn)業(yè)安全關(guān)聯(lián)度及位次發(fā)現(xiàn)，2000—2004年工業(yè)產(chǎn)業(yè)安全度整體處于較低水平并波動變化，2001年工業(yè)產(chǎn)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(chǎn)品、服務(wù)和投資更多地進入中國市場，給國內(nèi)工業(yè)產(chǎn)業(yè)安全造成一定程度影響；2005—2008年工業(yè)產(chǎn)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(jīng)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(chǎn)業(yè)安全度呈逐年上升的趨勢，體現(xiàn)了工業(yè)轉(zhuǎn)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(zhuǎn)型升級很大程度上重走了數(shù)量和速度型的老路從而出現(xiàn)供需錯配問題，傳統(tǒng)工業(yè)產(chǎn)能過剩的同時，部分高精尖產(chǎn)品供不應(yīng)求。針對這一問題，我國在2015年前后開始實施供給側(cè)結(jié)構(gòu)性改革，經(jīng)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(lǐng)也逐漸發(fā)揮出頂層設(shè)計和舉國體制的優(yōu)勢。但是從整體來看，與最佳產(chǎn)業(yè)安全狀態(tài)的關(guān)聯(lián)度不足0.8，表明供給側(cè)改革雖成效顯現(xiàn)，但產(chǎn)業(yè)升級還任重道遠。

三、產(chǎn)業(yè)安全預(yù)警

(一)預(yù)警區(qū)間選擇

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

表3 預(yù)警區(qū)間及信號對照

(二)預(yù)警方法選擇

神經(jīng)網(wǎng)絡(luò)將給定數(shù)據(jù)集作為樣本集輸入網(wǎng)絡(luò)，網(wǎng)絡(luò)按照合適于該數(shù)據(jù)集的網(wǎng)絡(luò)結(jié)構(gòu)調(diào)節(jié)神經(jīng)元間的拓撲結(jié)構(gòu)，進而得到預(yù)期輸出，然后通過大量訓(xùn)練來達到優(yōu)化模型的目的。訓(xùn)練的過程就是優(yōu)化模型權(quán)重的過程，也是讓損失函數(shù)盡可能小的過程。當(dāng)損失函數(shù)值下降到盡可能小的程度并趨于穩(wěn)定時，表明訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型權(quán)重較好地擬合輸入和輸出數(shù)據(jù)，網(wǎng)絡(luò)訓(xùn)練就此結(jié)束。當(dāng)訓(xùn)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(jīng)網(wǎng)絡(luò)具有參數(shù)共享機制，可以讓網(wǎng)絡(luò)的參數(shù)數(shù)量大大地減少，學(xué)習(xí)速率加快，并且可以靈活調(diào)整激活函數(shù)，有效地避免過擬合（Overfitting）。卷積神經(jīng)網(wǎng)絡(luò)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(chǎn)業(yè)安全的各因素間相互關(guān)系。同時，卷積神經(jīng)網(wǎng)絡(luò)能根據(jù)給定數(shù)據(jù)，通過訓(xùn)練和學(xué)習(xí)，得出反映輸入和輸出間關(guān)系的優(yōu)化模型，保證評價結(jié)果的客觀性。根據(jù)數(shù)據(jù)特征，本文采用一維卷積神經(jīng)網(wǎng)絡(luò)建立工業(yè)產(chǎn)業(yè)安全預(yù)警模型。

1.建?？蚣艿倪x擇

在使用PyCharm(IDE)建立工業(yè)產(chǎn)業(yè)安全預(yù)警模型之前，要選擇合適的深度學(xué)習(xí)框架，深度學(xué)習(xí)框架有很多種，比如Tensorflow，Caffe，MXNet，PyTorch等。在當(dāng)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(dǎo)，如果對網(wǎng)絡(luò)進行修改，可以實時并最快地運行程序；PyTorch的設(shè)計線性且直觀，易于準(zhǔn)確定位錯誤，從而很大程度上節(jié)約了調(diào)試的時間；PyTorch的底層源代碼更好理解，有利于深入理解內(nèi)部的實現(xiàn)。本文選擇PyTorch框架進行建模。

2.輸入、輸出及隱含層結(jié)構(gòu)設(shè)置

不同的隱含層結(jié)構(gòu)會影響訓(xùn)練結(jié)果的好壞和訓(xùn)練性能，由于訓(xùn)練數(shù)據(jù)偏少，所以使用較深層的網(wǎng)絡(luò)無法收斂，通過不斷地調(diào)整網(wǎng)絡(luò)，大量訓(xùn)練發(fā)現(xiàn)設(shè)置8層隱含層的神經(jīng)網(wǎng)絡(luò)即可學(xué)習(xí)到數(shù)據(jù)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(jié)構(gòu)路徑如圖1所示。

圖1 一維卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

3.輸入、輸出層節(jié)點設(shè)置

隱含層的數(shù)量在神經(jīng)網(wǎng)絡(luò)擬合數(shù)據(jù)的準(zhǔn)確性中起到了關(guān)鍵的作用，每個隱含層能夠?qū)η耙粚拥纳窠?jīng)網(wǎng)絡(luò)的特征進行組合，從而構(gòu)造更復(fù)雜的特征，并更好地擬合給定的數(shù)據(jù)集。根據(jù)數(shù)據(jù)集特征，輸入層的節(jié)點數(shù)以指標(biāo)數(shù)量為準(zhǔn)，輸入節(jié)點數(shù)為17，設(shè)定輸入層為三維張量結(jié)構(gòu)(1*1*17)。輸出層節(jié)點數(shù)通常是由需要輸出的數(shù)據(jù)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(shù)為5，設(shè)定輸出層為二維張量結(jié)構(gòu)(1*5)。

(三)預(yù)警數(shù)據(jù)準(zhǔn)備

1.預(yù)測方法選擇

未來數(shù)據(jù)需要根據(jù)以往數(shù)據(jù)特征來推測，而傳統(tǒng)神經(jīng)網(wǎng)絡(luò)只關(guān)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(jīng)網(wǎng)絡(luò)可以實現(xiàn)神經(jīng)網(wǎng)絡(luò)的記憶功能，但是它只適合處理短時依賴問題。當(dāng)已知相關(guān)信息與預(yù)測點時間間隔比較遠的時候，網(wǎng)絡(luò)就難以學(xué)到該相關(guān)信息。Graves and Alex(2012)[15]構(gòu)建了LSTM神經(jīng)網(wǎng)絡(luò)可以很好地解決這個問題。LSTM神經(jīng)網(wǎng)絡(luò)是一種特殊的RNN，網(wǎng)絡(luò)架構(gòu)如圖2所示。

圖2 LSTM 神經(jīng)網(wǎng)絡(luò)圖

LSTM 神經(jīng)網(wǎng)絡(luò)擁有四個結(jié)構(gòu)，即 Input gate、Output gate、Forget gate 和 Cell?！癐nput gate”層通過 sigmoid激活函數(shù)來決定哪些值用來更新信息；“Output gate”層首先通過sigmoid激活函數(shù)得到一個初始輸出，然后使用tanh函數(shù)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(shù)值，描述每個部分可以通過的量。LSTM模型相應(yīng)計算公式為(10)—(15)。

其中，xt為t時刻的輸入，W為權(quán)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(shè)置

根據(jù)LSTM神經(jīng)網(wǎng)絡(luò)輸入信息點特征，原始數(shù)據(jù)的年份間隔19年，輸入節(jié)點數(shù)為2，輸入層為三維張量結(jié)構(gòu)(1*1*2)，由于輸出層預(yù)期數(shù)據(jù)是預(yù)測年份數(shù)據(jù)值，因此輸出節(jié)點數(shù)為1，設(shè)定輸出層為三維張量結(jié)構(gòu)(1*1*1)。

3.預(yù)測過程

經(jīng)過多次試驗，LSTM神經(jīng)網(wǎng)絡(luò)模型最終采用的函數(shù)及參數(shù)見表4。

表4 LSTM 神經(jīng)網(wǎng)絡(luò)函數(shù)、參數(shù)組合

經(jīng)過1400次訓(xùn)練后，基于各指標(biāo)數(shù)據(jù)的LSTM神經(jīng)網(wǎng)絡(luò)模型的loss值基本下降到0.01以下，表明網(wǎng)絡(luò)學(xué)習(xí)效果較好，網(wǎng)絡(luò)權(quán)重較好擬合各指標(biāo)數(shù)據(jù)。損失函數(shù)值下降曲線見圖3。

圖3 MSE 損失函數(shù)下降曲線圖

根據(jù)訓(xùn)練后各指標(biāo)數(shù)據(jù)的網(wǎng)絡(luò)權(quán)重，該模型可預(yù)測各指標(biāo)數(shù)據(jù)值。本文設(shè)定預(yù)測年份為5年，通過網(wǎng)絡(luò)訓(xùn)練，可獲得2019—2023年各指標(biāo)數(shù)據(jù)并作為預(yù)測樣本。

(四)預(yù)警過程

將已得樣本集分為訓(xùn)練集、測試集和預(yù)測集，由于網(wǎng)絡(luò)實際輸出節(jié)點為5并反映5種預(yù)警狀態(tài)，而且測試集中至少需要兩組數(shù)據(jù)反映不同預(yù)警狀態(tài)以測試網(wǎng)絡(luò)性能，因此，本文設(shè)定2014年和2015年的指標(biāo)數(shù)據(jù)作為測試集，2000—2013年和2016—2018年的指標(biāo)數(shù)據(jù)作為訓(xùn)練集，2019—2023年的預(yù)測指標(biāo)數(shù)據(jù)作為預(yù)測集。根據(jù)一維卷積神經(jīng)網(wǎng)絡(luò)輸入層數(shù)據(jù)特征，所有數(shù)據(jù)需進行歸一化處理，如表5所示。

表5 指標(biāo)歸一化后的 3 類樣本

續(xù)表 5

經(jīng)過網(wǎng)絡(luò)多次試驗，模型最終采用的函數(shù)及參數(shù)見表6。

表6 一維卷積神經(jīng)網(wǎng)絡(luò)函數(shù)、參數(shù)組合

根據(jù)表6可知，網(wǎng)絡(luò)經(jīng)過4000次訓(xùn)練后，一維卷積神經(jīng)網(wǎng)絡(luò)模型的Loss值下降到0.001以下，表明此網(wǎng)絡(luò)訓(xùn)練較好，輸出較精確，網(wǎng)絡(luò)權(quán)重較好擬合指標(biāo)數(shù)據(jù)特征。損失函數(shù)下降曲線及訓(xùn)練次數(shù)見圖4。

圖4 交叉熵損失函數(shù)下降曲線圖

根據(jù)已訓(xùn)練好的模型權(quán)重，可測試兩組測試集和五組預(yù)測集的輸出結(jié)果，在預(yù)測訓(xùn)練中，將2014年、2015年，以及2019—2023年的歸一化指標(biāo)數(shù)據(jù)輸入網(wǎng)絡(luò)，得出對應(yīng)的預(yù)警信號結(jié)果如表7所示。

表7 一維卷積神經(jīng)網(wǎng)絡(luò)測試和預(yù)測結(jié)果

(五)預(yù)警結(jié)果分析

網(wǎng)絡(luò)輸出測試集的信號結(jié)果分別為2和3，說明網(wǎng)絡(luò)很好的學(xué)習(xí)了各指標(biāo)數(shù)據(jù)，為預(yù)測集結(jié)果的準(zhǔn)確性提供了保證。網(wǎng)絡(luò)輸出預(yù)測集的信號結(jié)果都為3，表明2019—2023年工業(yè)產(chǎn)業(yè)安全狀態(tài)整體良好，安全警度為Ⅳ級(正常)。結(jié)合當(dāng)前的工業(yè)產(chǎn)業(yè)發(fā)展?fàn)顩r以及政策實際，本文認為結(jié)果可靠。在當(dāng)前宏觀形勢上我國大力推進制造強國建設(shè)，對工業(yè)產(chǎn)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(jié)論與建議

本文建立基于一維卷積神經(jīng)網(wǎng)絡(luò)的工業(yè)產(chǎn)業(yè)安全預(yù)警模型，并對2019—2023年工業(yè)產(chǎn)業(yè)安全狀況進行系統(tǒng)預(yù)警。結(jié)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(guān)稅大幅度減讓，外國工業(yè)產(chǎn)品、服務(wù)和投資更多地進入中國市場，給國內(nèi)工業(yè)產(chǎn)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(chǎn)業(yè)控制力下降，產(chǎn)業(yè)對外依存度相對降低，工業(yè)產(chǎn)業(yè)國際競爭力提升，從而工業(yè)產(chǎn)業(yè)安全度不斷提升，尤其是近幾年，安全度增速上升；預(yù)測未來五年工業(yè)產(chǎn)業(yè)安全程度整體處于安全狀態(tài)。

本文結(jié)合評價指標(biāo)權(quán)重、各年關(guān)聯(lián)系數(shù)與預(yù)警信號結(jié)果，提出幾點相關(guān)建議。第一是要適當(dāng)提高工業(yè)產(chǎn)品的國際市場占有率，建議優(yōu)化出口產(chǎn)品結(jié)構(gòu)，增加高附加值產(chǎn)品的出口，加大發(fā)展高技術(shù)制造業(yè)和裝備制造業(yè)，全面推動制造業(yè)技術(shù)升級，提高產(chǎn)品國際競爭力，完善對外貿(mào)易市場網(wǎng)絡(luò)布局，進而促進工業(yè)產(chǎn)業(yè)安全發(fā)展。第二要提高工業(yè)產(chǎn)業(yè)勞動力素質(zhì)，在研發(fā)方面，加大工業(yè)技術(shù)創(chuàng)新人才培養(yǎng)力度，增強產(chǎn)業(yè)創(chuàng)新能力；在生產(chǎn)方面，積極開展技能培訓(xùn)，提高生產(chǎn)人員技術(shù)水平，增強產(chǎn)業(yè)競爭能力。第三，進口對外依存度應(yīng)繼續(xù)保持較低水平，從指標(biāo)數(shù)據(jù)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(chǎn)業(yè)安全發(fā)展。第四，適當(dāng)引進外資和技術(shù)，完善外資控股相關(guān)制度，堅持新發(fā)展理念，加強創(chuàng)新能力建設(shè)，促進工業(yè)產(chǎn)業(yè)轉(zhuǎn)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(xiàn)有環(huán)保設(shè)備缺乏、排放標(biāo)準(zhǔn)不達標(biāo)的企業(yè)加快污染治理改造。第七，穩(wěn)步推進工業(yè)高質(zhì)量發(fā)展，努力提升產(chǎn)業(yè)鏈水平，加大對生產(chǎn)關(guān)鍵新材料、重大短板裝備等短板產(chǎn)業(yè)的扶持力度。第八，加速構(gòu)建工業(yè)產(chǎn)業(yè)安全新生態(tài)，隨著全球智能化發(fā)展，在工業(yè)互聯(lián)網(wǎng)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(dān)各自的安全責(zé)任，政府負責(zé)戰(zhàn)略規(guī)劃、安全企業(yè)負責(zé)技術(shù)研發(fā)、第三方機構(gòu)負責(zé)形勢研判。各方都是安全生態(tài)構(gòu)建的參與者，攜手共建工業(yè)產(chǎn)業(yè)安全新生態(tài)，合力保障工業(yè)產(chǎn)業(yè)安全的健康發(fā)展。