基于AHP与BP神经网络的制造企业产品绿色评价研究

盛祺元

因为近期“十三五”五大发展之一“绿色发展”的提出以及我国长期可持续发展的需要，制造业越来越重视产品及其生产的绿色低碳可持续化，采用科学的评价方法对制造业产品准确地进行优劣评价至关重要。本文运用AHP方法和BP神经网络参考已建立的制造企业产品绿色指标体系确定其权重并对某个制造企业的产品送行评价，以获得合理的评价结果，并在绿色环保产品评价方面给其他制造企业一个参考。

产品绿色评价

BP神经网络 制造企业产品

引言

目前环境污染、生态破坏的情况日益严重，雾霾现象更是让我国进一步清晰认识到污染的严重性与环保的重要性。近期“十三五”五大发展之一“绿色发展”的提出以及我国长期可持续发展的需要都在使制造业对绿色环保更加重视，因此如何评价制造业产品是否绿色环保，是制造企业在考虑生产此产品时所需考虑的课题。

本文参考已建立的指标体系，采用AHP法和BP神经网络相结合的方法对制造业产品绿色评价体系进行新的研究。针对复杂决策问题，AHP法能够利用少数数据将专家的知识经验进行数学化、系统化，但受专家主观因素的影响。BP神经网络模型具有很强的非线性映射能力和一定的计算准确性，但可能在训练过程中落入局部最小点。将两者结合，丰观与客观方法互相弥补不足，以期能够得到更加准确、科学的结果。

构建制造企业产品绿色评价的

AHP-BP神经网络模型

模型首先运用AHP法确定各级指标及其权重，并作为BP神经网络的输入，将各参评制造企业产品绿色评价的得分结果作为神经网络的输出，构建神经网络。构建神经网络后对其进行训练，得到满足精度要求的网络后，再运用另一组样本数据进行检验。最后用拟合好的网络对相应数据进行仿真，得到制造企业产品绿色评价的仿真结果。

（1）建立制造企业产品绿色评价结构模型

制造业产品绿色评价围绕着企业发展、社会生态及政府监督三方面，维持共赢才能生产出合格的绿色产品。本文借鉴了张青山、孙秋月等有关于制造业绿色产品评价体系的研究，建立了制造企业产品绿色评价指标体系。具体步骤如下：

1.建立指标有相互关系形成递阶层次的评价体系，表明各层之间的关系。

2.以以上制造企业产品绿色评价指标体系为基础制作表格请专家填报，运用L.T.Satty氏1-9标度法对准则层和指标层进行两两比较，建立判断矩阵。

3.进行各判断矩阵特征向量的计算并进行归一化处理，得到同一层次的权重。

4.对每个层级都进行一致性检验，通过检验，则确定各级指标的综合权重。如果不通过，则调整判断矩阵的元素值再按上述步骤计算。

（2）构建BP神经网络模型

BP神经网络是一种按误差逆传播算法训练的多层前馈网络。如图1所示，BP神经网络模型拓扑结构包括输入层、隐层和输出层，其学习规则是使用梯度下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。

具体学习过程如下：

1.确定输入层、隐层、输出层及其务层神经冗数，对网络的权值和阈值进行初始化。网络节点从输入层到隐层的权值为wij，从隐层到输出层为wjk，阈值分别记为θj和θk。

2.输入学习样本xk，计算各层的输出值。

3.进行权值的修正，直至实际输出误差ε小于设定的误差允许值。

AHP-BP神经网络模型在制造业产品绿色评价的应用分析

（1）AHP层次结构构建与各指标权重计算

某制造企业进行产品绿色评价，首先在调研相关资料后，根据表1，组织专家填表。在表l的设计中，设计了技术性评价（A1）、绿色性指标（A2）、经济性评价（A3）三个一级准则层指标，各准则层要素进一步细分为17个二级指标层要素，包括功能指标（A11）、质量指标（A12）、品种多样性指标（A13）、可维护性指标（A14）、操作安全性指标（A15）、交货及时性指标（A16）、回收性能指标（A17）、固体污染（A21）、噪声污染（A22）、大气污染（A23）、水体污染（A24）、土壤污染（A25）、能源利用指标（A26）、资源利用指标（A27）、企业成本指标（A31）、用户成本指标（A32）、环境成本指标（A33）。

根据步骤，运用Matlah（R2016h版本）可得准则层和指标层判断矩阵的一致性检验结果，如表1。由表可知，各层级判断矩阵具有可以接受的满意一致性。

根据以上计算结果，可得制造业产品绿色评价体系的各层级指标权重，如表2。

（2）建立BP神经网络模型

根据以上建立的某制造企业产品绿色评价体系，建立BP神经网络模型。

1.BP神经网络模型结构。

本文选用三层BP神经网络模型，包含一个输入层，一个隐层和一个输出层。输入层节点的数目与评价指标个数相对应，即本文模型中神经网络的输入层节点数n为17个。输出层节点的数目与评价结果相对应，即本文模型中神经网络的输出层节点数m为1个。根据常见的经验公式（a为1到10之间的常数），中间隐层节点的数目选取为j=ll。

2.获取样本数据。

邀请专家对此制造企业的14个随机产品样本进行打分，得到14组专家评估数据，用上一小节的AHP法得出评价结果得分，以此作为网络训练与检验的样本数据，如表3。

3.训练样本数据。

隐层神经元的传递函数采用tansig函数。输出层采用purelin函数。本文使用前12组样本数据作为训练样本，后2组作为检验数据。输入向量为样本数据中的各个数据，输出向量为以上AHP法评价体系模型得出的评价结果得分。创建BP神经网络并进行训练，通过MATLAB R2016h软件对样本数据进行归一化处理和神经网络训练。

4.训练函数的参数设置以及训练结果。

本文程序中，反向传播的训练函数为trainlm函数；训练精度e=0.00001；训练次数N=5000；学习规则为traingdx函数；学习系数lr=0.32；性能函数为mse函数；其余参数均采用默认值。在軟件执行后，经过66次迭代调整达到训练的要求精度结束训练，训练结果如图2。网络训练回归分析如图3。

由Matlah程序执行来看，网络训练后的仿真值为0.9206与0.7638，专家评估得分数据为0.9424与0.7694，两者较为接近。其误差分析如表4。

由此可见，在此制造企业产品绿色评价指标体系中，这样的误差可以接受，保存该神经网络，以待日后有同类制造企业进行评价分析时可以直接输入该企业的产品绿色评价指标数据得到该产品的绿色评价结果。

结论

制造企业产品绿色评价指标体系中包含了若干不同的指标，这些指标很难定量而得且有很大程度的模糊性。因此本文在研究制造企业产品绿色评价指标体系时，采用了AHP层次分析法和BP神经网络相结合，即定性与定量相结合的方法，来对制造企业产品绿色进行绿色评价并建立体系。这样结合了两者的优点，减少了专家评价的主观影响，增加了评价结果的科学性和准确性，使评价更加客观有效。

[1]张青山，乔芳丽，马军，等。制造业绿色产品评价研究[J].沈阳工业大学学报（社会科学版），2008，1（1）：64-70.

[2]徐伟.制造业绿色产品综合评价研究[D].沈阳工业大学，2006.

[3]孙秋月.制造业绿色产品设计方案评价研究[D].沈阳工业大学，2006.