| 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对比
 企业1 企业2 企业3 企业4 企业5
网络输出 0.5420.741 0.343 0.6580.458
期望输出 0.550 0.7500.350 0.650 0.450
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较一致，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）既然低碳发展是企业发展的必然选择，那么企业就应从战略的高度制定低碳发展战略规划，特别是象铅锌行业这样的传统的“高碳”行业，寻求低碳发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，以衡量其低碳生产水平，从而发现问题、解决问题。
(2)实证研究表明，该评价模型评价的输出结果与期望结果基本一致，从而表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体现企业的真实情况。
（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高低,难以全面准确地反映其发展的规律,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[N].文汇报,2009-07-02.
[2]鲍健强，苗阳，陈锋.低碳经济:人类经济发展方式的新变革[J].中国工业济经，2008（4）：153-160.
[3]范建华.低碳经济的理论内涵及体系构建研究[J].理论探索,2010(2):122-123.
[4]徐国泉,刘则渊,姜照华.中国碳排放的因素分解模型及实证分析:1995-2004[J].中国人口·资源与环境，2006,16(6 )：158-161.
[5]邹秀萍，陈劭锋，宁淼，刘扬.中国省级区域碳排放影响因素的实证分析[J].生态经济，2009（3）:25-29.
[6]陈彦玲，王琛.影响中国人均碳排放的因素分析[J].北京石油化工学院学报，2009，17：（2）：54-58.
[7]任福兵，吴青芳，郭强.低碳社会的评价指标体系构建[J].江淮论坛，2010(1):122-127.
[8]郭志达.辽宁低碳经济的制约因素与应对策略[J].环境保护科学, 2010,36(2)：109-111.
[9]李晓燕.基于模糊层次分析法的省区低碳经济评价探索[J].华东经济管理,2010,24(02):24-28.
[10]李晓燕，邓玲.城市低碳经济综合评价探索----以直辖市为例[J].现代经济探讨,2010(2):82-85.
[11]高阳等.中国铅锌工业发展研究[R].湖南：中南大学，2009年7月.
[12]GLENN SHAFER. Amathematical theory of evidence [M].Princeton NJ: Princeton University Pres,1976.
[13]STRAT T M. Decisionmaking using belief function [J].International Journal of Approx Reason, 2009:4(5/6):391-417.
[14]BEYNON M J，Curry B，Morgan P H．The Dempster-Shafer Theory ofEvidence: An Alternative Approach to Multi-criteria Decision Modeling[J].Omega, 2009(1):37-50.
[15]MALCOLM BEYOND. DS/AHPMethod: A Mathematical Analysis, Including An Understanding of Uncertainty European[J]. Journal of Operational Research 2008,140(6):148-164.
[16]SMETS P. The combinationof evidence in the transferable belief model[C].IEEE Patten Analysis andMachine Intelligence.2009,12(5).
[17]褚辉，赖惠成.一种改进的BP神经网络算法及应用[J].计算机仿真，2007，24（4）：75-77.
[18]耿小庆，和金生，于宝琴.几种改进BP算法及其在应用中的比较分析[J].计算机工程与应用，2007，43（33）：243-245.
[19]蒋杨永，刘春艳，蒋建华.基于BP 神经网络的企业虚拟度评价与实证分析[J].工业技术经济，2010，29 （5）:34-38.
[20]张晓芳,戴永务,刘燕娜.基于BP神经网络的企业技术创新绩效评价模型构建———以福建45家高新技术企业为例[J].科技和产业，2010，10（ 5）:45-49.
[21]张旭.基于BP神经网络的清洁生产评价模型研究[D]. 重庆:重庆大学，2009.
[22]铅锌企业清洁生产评价指标[R].北京：中国发展和改革委员会发布，2007年.
[23]杨华峰，姜维军.企业节能减排效果综合评价指标体系研究[J].工业技术经济，2008，27（10）：55-58.
[24]许凯,张刚刚.面向行业的节能减排评价体系研究[J].武汉理工大学学报,2010,32(4):112-116.
3/3 首页 上一页 1 2 3 |
