基于DEA与BP神经网络混合系统的设计与开发
2014-08-15 20:35杜洁江驹徐海燕
科技视界 2014年18期
杜洁 江驹 徐海燕
【摘 要】DEA是一种基于线性规划理论、广泛应用于效率评价的系统分析方法，属于事后评价的范围。BP神经网络的容错能力、学习能力、纠错能力使其在非线性系统预测方面有着广泛的应用。目前DEA与BP神经网络的混合模型已得到广泛研究，其可以在资源投入阶段就进行评价，这样一旦发现问题可以及时调整，变事后评价为事前控制。但是软件的分离使用极大地限制了此混合模型的应用。本文基于DEA与BP神经网络，利用MATLAB将DEA软件与BP神经网络工具箱结合在一起，设计开发了混合效率预测模型系统。利用此系统可以进行效率预测，及时调整投入指标以减少投入资源的浪费，提高能源利用率，并且此系统提供了良好的人际交互界面，避免了复杂的人工操作。
【关键词】DEA；BP神经网络；混合模型；系统设计
0 引言
数据包络分析（Data Envelopment Analysis），广泛应用于运筹学、管理科学和数理经济学等领域[1-2]。但是DEA模型是基于线性规划的理论而实现的，这种线性理论并非总是有效的。并且相比于在对过去已知的投入与输出之间的效率计算，对未来投入已知但输出未知这种情况的效率预测更有实际应用价值。关于DEA与BP神经网络的混合模型已得到了广泛的研究[4-5]，利用此混合模型解决实际问题时，必定会涉及到大量的数值计算，使得其应用受到了很大的限制。本文利用MATLAB，基于DEA与BP神经网络的混合模型，将DEA软件与BP神经网络工具箱结合在一起，开发了效率预测系统。利用此系统在往年投入和产出效率基础上，在未来投入已知的情况下能够产出效率情况。倘若产出效率不高，可以提前对投入进行相应调整，以提高资源利用率，可有效减少资源浪费情况。此系统提供了良好的人际交互界面，将DEA软件与BP神经网络工具箱结合在一起，拓展了混合模型的应用。
基于上述内容，本文简述了DEA与BP神经网络的混合模型的建立与设计，并在此基础上，利用MATLAB开发了混合模型系统，并以江苏省2001-2011年政府财政支出效率为例，介绍并演示了系统的功能。
1 基于DEA与BP神经网络混合模型设计
DEA效率评价法和BP神经网络的组合可以弥补各自的缺点并充分发挥各自的优点。DEA和BP组合模型的构建思想：首先利用DEA的C2R模型对各投入指标和产出指标分析，得到各决策单元在不同投入及产出下的效率值。然后选取原始数据的投入指标作为输入，将DEA模型的输出效率值作为为期望输出，构成训练样本集，将其带入BP 神经网络模型，对网络进行反复训练仿真，得到可以对决策单元进行识别的网络。
本文设计的混合模型，首先用DEA软件对往年的投入产出数据进行效率分析，得到神经网络的训练样本值。在设计神经网络时，本文设置单隐含层网络。输入层结点个数与决策单元投入指标个数一致。中间层（即隐含层）的节点个数的选择是个复杂问题，其求法参考文献[8]。最后确定输出层节点个数为1。
2 基于混合模型的系统设计与开发
本文利用MATLAB，基于DEA与BP神经网络开发了效率预测系统，其功能包括用户管理、数据查询、DEA计算和网络训练。
本文以2001-2011年江苏省财政支出效率为例，介绍混合模型系统功能。本文按财政支出功能将支出分为行政管理、民生支出、经济建设支出三大类；产出指标方面，考虑完整性，选择三大类指标，经济指标、生态指标和社会指标。
在设计系统之前，将搜集到的产出数据和投入数据分别存入与excel表格中。当在MATLAB中打开此系统时，可以看到此系统由四个功能，分别为用户管理、数据查询、DEA计算和网络训练组成。
在用户管理模块登陆之后，首先介绍数据查询模块。数据查询模块目录下由三个子目录，分别为投入数据查询，产出数据查询和指标处理，图1以投入数据为例，展示了此模块的功能与界面。另外，因为江苏省财政指出效率各指标量纲不统一，因此在进行效率分析前，要对指标进行处理，以统一其量纲，其处理的具体过程此处就不赘述。
数据查询模块之后是DEA计算模块，此模块是由两个子目录，分别为效率计算与数据调整。当使用效率计算功能时，出现的界面如图2所示。图2最上面的表格是规模收益数据，中间两个表格分别是输入和产出松弛系数，最后是技术效率值。
在DEA效率计算好之后，利用已有的投入指标数据和DEA效率值作学习样本，训练BP神经网络。网络训练模块同样也由两个子目录组成，分别为神经网络训练和效率预测。本文选取2001年至2010年的投入数据与其对应产出效率作为训练样本，并以2011年的数据验证神经网络的可靠性。图3可以看出，此网络训练次后满足初设定的性能指标。此时，最终训练得到的效率值及误差显示在如图3所示。
在BP网络训练好之后，即可用其进行效率预测了。如图4所示，江苏省2012年财政总投入行政管理支出占18%，民生支出占39.41%，经济建设支出占29.28%，输入这些数据后，点击效率预测按钮，得到在此输入情况下，江苏省2012年财政支出效率为0.9954，而其实际效率值为1，误差为0.5%，此误差在合理范围内。根据BP神经网络预测所得效率值，判断2012年投入存在少许冗余，可提前对投入数据进行相应调整，这样就可以有效地提高资源利用率，减少人力、物力等资源浪费情况。
3 总结
针对DEA基于线性规划理论且属于事后评价的不足，而人工神经网络在非线性系的预测方面的广泛应用，本文将这两种模型结合起来以弥补这两种模型的缺点。本文利用MATLAB，基于DEA与BP神经网络的混合模型，开发了效率预测系统。本文所开发的系统具有好的人机界面，不需要用户进行复杂繁重的人工操作，极大地拓展了DEA和BP神经网络的混合模型的应用。需要注意的是，具体运用此系统时，必须利用可获得的最新数据和历史数据重新计算效率值，然后再用BP神经网络进行学习，这样才能保证预测的精确性与时效性。另外，本文开发的系统还不够成熟，仍然存在许多问题，比如训练BP神经网络时，网络参数都是事先设定好的，用户不能按自己需求设定。这些不足在日后的工作中会逐渐解决。
【参考文献】
[1]人工神经网络原理及仿真实例[M].北京：机械工业出版社，2003.
[2]陈鸿.基于人工神经网络的宏观经济预测模型[J].重庆职业技术学院学报，2004，13（4）：634-66.
[3]魏权龄.数据包络分析（DEA）[J].科学通报，2000，45（17）：1793-1807.
[4]孙建.DEA在企业效率中的研究[J].地质技术经济管理，2003，25（5）：61-63.
[5]李国勇.智能控制及其MATLAB实现[M].北京：电子工业出版社，2005.
[责任编辑：薛俊歌]
【摘 要】DEA是一种基于线性规划理论、广泛应用于效率评价的系统分析方法，属于事后评价的范围。BP神经网络的容错能力、学习能力、纠错能力使其在非线性系统预测方面有着广泛的应用。目前DEA与BP神经网络的混合模型已得到广泛研究，其可以在资源投入阶段就进行评价，这样一旦发现问题可以及时调整，变事后评价为事前控制。但是软件的分离使用极大地限制了此混合模型的应用。本文基于DEA与BP神经网络，利用MATLAB将DEA软件与BP神经网络工具箱结合在一起，设计开发了混合效率预测模型系统。利用此系统可以进行效率预测，及时调整投入指标以减少投入资源的浪费，提高能源利用率，并且此系统提供了良好的人际交互界面，避免了复杂的人工操作。
【关键词】DEA；BP神经网络；混合模型；系统设计
0 引言
数据包络分析（Data Envelopment Analysis），广泛应用于运筹学、管理科学和数理经济学等领域[1-2]。但是DEA模型是基于线性规划的理论而实现的，这种线性理论并非总是有效的。并且相比于在对过去已知的投入与输出之间的效率计算，对未来投入已知但输出未知这种情况的效率预测更有实际应用价值。关于DEA与BP神经网络的混合模型已得到了广泛的研究[4-5]，利用此混合模型解决实际问题时，必定会涉及到大量的数值计算，使得其应用受到了很大的限制。本文利用MATLAB，基于DEA与BP神经网络的混合模型，将DEA软件与BP神经网络工具箱结合在一起，开发了效率预测系统。利用此系统在往年投入和产出效率基础上，在未来投入已知的情况下能够产出效率情况。倘若产出效率不高，可以提前对投入进行相应调整，以提高资源利用率，可有效减少资源浪费情况。此系统提供了良好的人际交互界面，将DEA软件与BP神经网络工具箱结合在一起，拓展了混合模型的应用。
基于上述内容，本文简述了DEA与BP神经网络的混合模型的建立与设计，并在此基础上，利用MATLAB开发了混合模型系统，并以江苏省2001-2011年政府财政支出效率为例，介绍并演示了系统的功能。
1 基于DEA与BP神经网络混合模型设计
DEA效率评价法和BP神经网络的组合可以弥补各自的缺点并充分发挥各自的优点。DEA和BP组合模型的构建思想：首先利用DEA的C2R模型对各投入指标和产出指标分析，得到各决策单元在不同投入及产出下的效率值。然后选取原始数据的投入指标作为输入，将DEA模型的输出效率值作为为期望输出，构成训练样本集，将其带入BP 神经网络模型，对网络进行反复训练仿真，得到可以对决策单元进行识别的网络。
本文设计的混合模型，首先用DEA软件对往年的投入产出数据进行效率分析，得到神经网络的训练样本值。在设计神经网络时，本文设置单隐含层网络。输入层结点个数与决策单元投入指标个数一致。中间层（即隐含层）的节点个数的选择是个复杂问题，其求法参考文献[8]。最后确定输出层节点个数为1。
2 基于混合模型的系统设计与开发
本文利用MATLAB，基于DEA与BP神经网络开发了效率预测系统，其功能包括用户管理、数据查询、DEA计算和网络训练。
本文以2001-2011年江苏省财政支出效率为例，介绍混合模型系统功能。本文按财政支出功能将支出分为行政管理、民生支出、经济建设支出三大类；产出指标方面，考虑完整性，选择三大类指标，经济指标、生态指标和社会指标。
在设计系统之前，将搜集到的产出数据和投入数据分别存入与excel表格中。当在MATLAB中打开此系统时，可以看到此系统由四个功能，分别为用户管理、数据查询、DEA计算和网络训练组成。
在用户管理模块登陆之后，首先介绍数据查询模块。数据查询模块目录下由三个子目录，分别为投入数据查询，产出数据查询和指标处理，图1以投入数据为例，展示了此模块的功能与界面。另外，因为江苏省财政指出效率各指标量纲不统一，因此在进行效率分析前，要对指标进行处理，以统一其量纲，其处理的具体过程此处就不赘述。
数据查询模块之后是DEA计算模块，此模块是由两个子目录，分别为效率计算与数据调整。当使用效率计算功能时，出现的界面如图2所示。图2最上面的表格是规模收益数据，中间两个表格分别是输入和产出松弛系数，最后是技术效率值。
在DEA效率计算好之后，利用已有的投入指标数据和DEA效率值作学习样本，训练BP神经网络。网络训练模块同样也由两个子目录组成，分别为神经网络训练和效率预测。本文选取2001年至2010年的投入数据与其对应产出效率作为训练样本，并以2011年的数据验证神经网络的可靠性。图3可以看出，此网络训练次后满足初设定的性能指标。此时，最终训练得到的效率值及误差显示在如图3所示。
在BP网络训练好之后，即可用其进行效率预测了。如图4所示，江苏省2012年财政总投入行政管理支出占18%，民生支出占39.41%，经济建设支出占29.28%，输入这些数据后，点击效率预测按钮，得到在此输入情况下，江苏省2012年财政支出效率为0.9954，而其实际效率值为1，误差为0.5%，此误差在合理范围内。根据BP神经网络预测所得效率值，判断2012年投入存在少许冗余，可提前对投入数据进行相应调整，这样就可以有效地提高资源利用率，减少人力、物力等资源浪费情况。
3 总结
针对DEA基于线性规划理论且属于事后评价的不足，而人工神经网络在非线性系的预测方面的广泛应用，本文将这两种模型结合起来以弥补这两种模型的缺点。本文利用MATLAB，基于DEA与BP神经网络的混合模型，开发了效率预测系统。本文所开发的系统具有好的人机界面，不需要用户进行复杂繁重的人工操作，极大地拓展了DEA和BP神经网络的混合模型的应用。需要注意的是，具体运用此系统时，必须利用可获得的最新数据和历史数据重新计算效率值，然后再用BP神经网络进行学习，这样才能保证预测的精确性与时效性。另外，本文开发的系统还不够成熟，仍然存在许多问题，比如训练BP神经网络时，网络参数都是事先设定好的，用户不能按自己需求设定。这些不足在日后的工作中会逐渐解决。
【参考文献】
[1]人工神经网络原理及仿真实例[M].北京：机械工业出版社，2003.
[2]陈鸿.基于人工神经网络的宏观经济预测模型[J].重庆职业技术学院学报，2004，13（4）：634-66.
[3]魏权龄.数据包络分析（DEA）[J].科学通报，2000，45（17）：1793-1807.
[4]孙建.DEA在企业效率中的研究[J].地质技术经济管理，2003，25（5）：61-63.
[5]李国勇.智能控制及其MATLAB实现[M].北京：电子工业出版社，2005.
[责任编辑：薛俊歌]
【摘 要】DEA是一种基于线性规划理论、广泛应用于效率评价的系统分析方法，属于事后评价的范围。BP神经网络的容错能力、学习能力、纠错能力使其在非线性系统预测方面有着广泛的应用。目前DEA与BP神经网络的混合模型已得到广泛研究，其可以在资源投入阶段就进行评价，这样一旦发现问题可以及时调整，变事后评价为事前控制。但是软件的分离使用极大地限制了此混合模型的应用。本文基于DEA与BP神经网络，利用MATLAB将DEA软件与BP神经网络工具箱结合在一起，设计开发了混合效率预测模型系统。利用此系统可以进行效率预测，及时调整投入指标以减少投入资源的浪费，提高能源利用率，并且此系统提供了良好的人际交互界面，避免了复杂的人工操作。
【关键词】DEA；BP神经网络；混合模型；系统设计
0 引言
数据包络分析（Data Envelopment Analysis），广泛应用于运筹学、管理科学和数理经济学等领域[1-2]。但是DEA模型是基于线性规划的理论而实现的，这种线性理论并非总是有效的。并且相比于在对过去已知的投入与输出之间的效率计算，对未来投入已知但输出未知这种情况的效率预测更有实际应用价值。关于DEA与BP神经网络的混合模型已得到了广泛的研究[4-5]，利用此混合模型解决实际问题时，必定会涉及到大量的数值计算，使得其应用受到了很大的限制。本文利用MATLAB，基于DEA与BP神经网络的混合模型，将DEA软件与BP神经网络工具箱结合在一起，开发了效率预测系统。利用此系统在往年投入和产出效率基础上，在未来投入已知的情况下能够产出效率情况。倘若产出效率不高，可以提前对投入进行相应调整，以提高资源利用率，可有效减少资源浪费情况。此系统提供了良好的人际交互界面，将DEA软件与BP神经网络工具箱结合在一起，拓展了混合模型的应用。
基于上述内容，本文简述了DEA与BP神经网络的混合模型的建立与设计，并在此基础上，利用MATLAB开发了混合模型系统，并以江苏省2001-2011年政府财政支出效率为例，介绍并演示了系统的功能。
1 基于DEA与BP神经网络混合模型设计
DEA效率评价法和BP神经网络的组合可以弥补各自的缺点并充分发挥各自的优点。DEA和BP组合模型的构建思想：首先利用DEA的C2R模型对各投入指标和产出指标分析，得到各决策单元在不同投入及产出下的效率值。然后选取原始数据的投入指标作为输入，将DEA模型的输出效率值作为为期望输出，构成训练样本集，将其带入BP 神经网络模型，对网络进行反复训练仿真，得到可以对决策单元进行识别的网络。
本文设计的混合模型，首先用DEA软件对往年的投入产出数据进行效率分析，得到神经网络的训练样本值。在设计神经网络时，本文设置单隐含层网络。输入层结点个数与决策单元投入指标个数一致。中间层（即隐含层）的节点个数的选择是个复杂问题，其求法参考文献[8]。最后确定输出层节点个数为1。
2 基于混合模型的系统设计与开发
本文利用MATLAB，基于DEA与BP神经网络开发了效率预测系统，其功能包括用户管理、数据查询、DEA计算和网络训练。
本文以2001-2011年江苏省财政支出效率为例，介绍混合模型系统功能。本文按财政支出功能将支出分为行政管理、民生支出、经济建设支出三大类；产出指标方面，考虑完整性，选择三大类指标，经济指标、生态指标和社会指标。
在设计系统之前，将搜集到的产出数据和投入数据分别存入与excel表格中。当在MATLAB中打开此系统时，可以看到此系统由四个功能，分别为用户管理、数据查询、DEA计算和网络训练组成。
在用户管理模块登陆之后，首先介绍数据查询模块。数据查询模块目录下由三个子目录，分别为投入数据查询，产出数据查询和指标处理，图1以投入数据为例，展示了此模块的功能与界面。另外，因为江苏省财政指出效率各指标量纲不统一，因此在进行效率分析前，要对指标进行处理，以统一其量纲，其处理的具体过程此处就不赘述。
数据查询模块之后是DEA计算模块，此模块是由两个子目录，分别为效率计算与数据调整。当使用效率计算功能时，出现的界面如图2所示。图2最上面的表格是规模收益数据，中间两个表格分别是输入和产出松弛系数，最后是技术效率值。
在DEA效率计算好之后，利用已有的投入指标数据和DEA效率值作学习样本，训练BP神经网络。网络训练模块同样也由两个子目录组成，分别为神经网络训练和效率预测。本文选取2001年至2010年的投入数据与其对应产出效率作为训练样本，并以2011年的数据验证神经网络的可靠性。图3可以看出，此网络训练次后满足初设定的性能指标。此时，最终训练得到的效率值及误差显示在如图3所示。
在BP网络训练好之后，即可用其进行效率预测了。如图4所示，江苏省2012年财政总投入行政管理支出占18%，民生支出占39.41%，经济建设支出占29.28%，输入这些数据后，点击效率预测按钮，得到在此输入情况下，江苏省2012年财政支出效率为0.9954，而其实际效率值为1，误差为0.5%，此误差在合理范围内。根据BP神经网络预测所得效率值，判断2012年投入存在少许冗余，可提前对投入数据进行相应调整，这样就可以有效地提高资源利用率，减少人力、物力等资源浪费情况。
3 总结
针对DEA基于线性规划理论且属于事后评价的不足，而人工神经网络在非线性系的预测方面的广泛应用，本文将这两种模型结合起来以弥补这两种模型的缺点。本文利用MATLAB，基于DEA与BP神经网络的混合模型，开发了效率预测系统。本文所开发的系统具有好的人机界面，不需要用户进行复杂繁重的人工操作，极大地拓展了DEA和BP神经网络的混合模型的应用。需要注意的是，具体运用此系统时，必须利用可获得的最新数据和历史数据重新计算效率值，然后再用BP神经网络进行学习，这样才能保证预测的精确性与时效性。另外，本文开发的系统还不够成熟，仍然存在许多问题，比如训练BP神经网络时，网络参数都是事先设定好的，用户不能按自己需求设定。这些不足在日后的工作中会逐渐解决。
【参考文献】
[1]人工神经网络原理及仿真实例[M].北京：机械工业出版社，2003.
[2]陈鸿.基于人工神经网络的宏观经济预测模型[J].重庆职业技术学院学报，2004，13（4）：634-66.
[3]魏权龄.数据包络分析（DEA）[J].科学通报，2000，45（17）：1793-1807.
[4]孙建.DEA在企业效率中的研究[J].地质技术经济管理，2003，25（5）：61-63.
[5]李国勇.智能控制及其MATLAB实现[M].北京：电子工业出版社，2005.
[责任编辑：薛俊歌]
