产出预测范文
产出预测范文（精选4篇）
产出预测 第1篇
我国在应对国际金融危机,实现经济平稳较快发展的过程中,科学合理地运用知识产权发挥了重要作用。而专利正是为了保护、鼓励发明创造,推动科学技术进步和经济发展,依法授予发明创造者的一种独占性的知识产权。专利代表了发明创造活动的产出,因而它的发展水平显示着一个国家或地区的自主创新能力、科技发展水平、技术变革的速度和方向以及科技竞争力。国际上通常把一个国家或地区所拥有的专利数量作为衡量一个国家或地区的科学技术水平与经济发展潜力的重要指标,加快专利技术的发展是各国、各地区追求的重要目标。本文拟基于Cobb-Douglas函数建立模型,以黑龙江省专利数据为依据,利用SPSS统计软件进行数据分析,提出利于专利发展的建议。
1 黑龙江省专利发展主要指标概况
依据黑龙江省20002010年国民经济和社会发展统计公报数据,2000年以来,R&D经费支出、科学家和工程师人数、受理专利申请数及授权专利数等指标在绝对数量上均呈现随时间增长而稳步上升的趋势(如图1所示)。2010年,全省专利申请量比2000年增长了235.04%,授权量增长了199.65%,再创历史新高。20002010年累计受理专利申请68 560件,授权专利39 083件,年均增长12.88%和9.09%,但与我国专利申请总量近十年的平均增长率均超过20%的增长率相比增幅不大;R&D经费支出增幅较大,由2000年的13.4亿元增加到2010年的114亿元,年均增长率为24.31%;科学家和工程师人数从2000年的6.6万人增长到2010年的8.3万人,科研队伍呈稳定发展趋势,年均增长率为6.4%。从图1和以上数据可以看出作为投入的R&D经费和科学家、工程师数的增长与专利产出的增长间存在着正相关性[1]。
数据来源:黑龙江省国民经济和社会发展 统计公报2000-2010年
由图2可以看出黑龙江省的专利与科学家和工程师比率、R&D支出与专利比率随年份而呈现逐渐增加趋势。“专利/科学家和工程师”比率按年均10.6%的速度增长,增长的原因一般认为由多种积极因素促成,如科研人员知识产权意识提高、研究人员质量的提高和信息渠道的增加提高了科研人员技术生产效率、利于科研发展的制度法规更加健全、科技市场需求不断增长,良好的科研环境等;“专利/R&D支出”比率按年均8.71%的速度递减,即每项专利占据的研发经费逐年增加,这个特征与发达国家如英国、德国、法国、美国等相似,学者普遍认为发达国家的创新投入产出比率不断下降的原因是由于技术机会耗尽导致了发明者生产效率下降或专利倾向下降[2],但黑龙江省创新投入产出比率不断下降的原因主要应体现在R&D经费支出的增长率大于专利产出的增长率,二者相差1.67倍。
为了进一步研究黑龙江省专利产量发展趋势、探讨R&D经费投入同科学家和工程师数量与专利产出之间的相关性及各自影响程度,下面结合最小二乘法和Cobb-Douglas函数做进一步的量化分析,以便较客观的归纳发展趋势,提出科学的建议。
2 利用最小二乘法对专利产出的预测
从图1可以看出黑龙江省专利申请量和专利授权量的环比增长大致相等,可以拟合直线模型。最小二乘法的基本思路是:拟合一条趋势线,使原数列各点到该趋势线的距离平方和最短[3]。即满足:
1)原数列的实际值yi与趋势值
2)原数列的实际值yi与趋势值
据此,可设拟合的直线方程为
进而有以下联立方程组:
由公式(4)解得:
从而有趋势方程:
根据公式(5),利用黑龙江省20002010年受理专利申请量实际数据进行今后几年专利产量的预测,结果见表1:
则趋势方程为
回归方程的显著性检验F值为405.745,Sig.值为000;回归系数检验t值分别为57.96、20.14,Sig.值均为000;残差分析Adjusted R Square值为0.976,以上结果均说明变量间线性关系显著,模型拟合度很好,趋势方程有意义[4]。
如预测2011年黑龙江省专利申请量,令
通过预测可知,在未来很长一段时间内,专利产量将逐年增加,在不降低科研投入和科学家和工程师数量的前提下,坚持现有相关政策并不断完善,黑龙江省的专利发展趋势较好,同时,为了判定R&D经费投入同科学家和工程师数量与专利产出之间的相关性及各自影响程度,使黑龙江省的科技竞争力将得到不断提高,下面利用Cobb-Douglas函数建模做适当的量化分析。
3 Cobb-Douglas函数模型建立及分析
3.1 模型建立
R&D经费投入同科学家和工程师数量与专利产出之间是一种投入产出关系,在研究投入产出的多种模型中,因为Cobb-Douglas函数模型简单且易于理解,所以应用较多。
Cobb-Douglas生产函数的基本形式为:
Y=AKαLβ (6)
写成对数形式:
lnY=lnA+αlnK+βlnL (7)
其中,Y代表专利申请量,K代表科学家和工程师人均R&D经费投入,L代表科学家和工程师人数。因为专利活动极大地依赖于经济基础,所以将“R&D支出占地区GDP比率”作为虚拟变量加入模型,同时,考虑专利转化所产生的经济效益的大小对科研人员研发申请专利的影响很大,所以将在一定程度上反映专利转化效益情况的指标“技术合同成交金额”也作为虚拟变量加入模型,得到新的函数模型[5]:
lnY=lnA+αlnK+βlnL+δD1+εD2 (8)
其中:D1代表R&D经费占GDP比率;D2代表技术合同成交金额。
3.2 结果分析
根据黑龙江省20002010年国民经济和社会发展统计公报的统计数据,利用SPSS软件进行回归分析,结果见表2:
从表2可以看到,模型F检验F为0.00,
lnY=-12638.746-0.42lnK+0.244lnL+
4209.242D1+38.332D2
该模型可以用来近似说明变量之间的相关关系。
1)科学家和工程师投入影响分析。
从回归检验结果看,科学家和工程师投入数量与专利产出显著正相关,意味着每增加1%的研发人员,专利产出就增加0.244%,这与专利与科学家和工程师比率逐年上升的趋势相吻合。这种趋势可能的原因一是黑龙江省近年来从事科技活动的人数以年均6.4%的数度递增,科研人员基础数量的增加直接壮大了在技术领域从事发明创造的群体;二是科技市场的不断规范,科技经济效率大大提高了相关人员的研发积极性,变量“技术合同成交金额”的弹性系数为38.332,可以有力说明这一点;三是在现阶段经济和科技水平条件下,技术需求和人均技术机会增加,拓宽了发明创造的空间;四是科研人员尽职晋级需求等其他因素[6]。
2)R&D经费投入相关影响分析。
从回归分析来看,R&D经费投入产出弹性系数为-0.42,与专利产出成负相关,说明近几年人均R&D经费投入的增长比率大于人均专利产出的比率,当然并不是说R&D经费投入增加反而阻碍了专利产出,我们应减少R&D经费投入,相反,我们应继续增加投入,因为我们看到“R&D经费占GDP比率”这一虚拟变量的系数为4 209.242,这一比率的增加将大大影响专利的产出,同时应当看到,R&D经费投入的产出除了专利以外,还有科技论文、项目成果、技术产品的生产能力以及技术市场成交额等其他形式[7]。因此,不能因“专利产出的增长比率小于R&D经费投入量的增长比率”的分析结论,否定R&D经费投入对专利产出的作用。上述分析结论只是表明:R&D经费支出的增长率大于专利产出的增长率,要提高目前的专利产量,提高R&D经费投入不是关键因素,影响不大,效率不高。
4 结论与建议
如果经济、社会等宏观因素不产生较大负面影响,黑龙江省专利产出将逐年增加,发展趋势良好,科技竞争力将逐年增强;科学家和工程师数量及刺激研发人员的各项政策与专利产量显著相关。因此,针对黑龙江省提高专利产出提出如下建议:
1)应采取各种措施稳定并提高科学家和工程师数量,相关部门应加大科技人才引进和培养力度,提高研发人员科技产出效率,这是在近期内提高专利产量的最有效方法。
2)政府应加强R&D经费的投入和管理。对从事基础研究、重大公益性研究及其他具有战略意义的科研项目,政府财政应给予其持续、稳定的基本科研经费支持,使其能够正常部署研究力量和研究方向,增强其原始创新能力和水平[8]。对应用技术性研究项目,R&D经费的投入要考虑其可转化性及预期的经济价值,提高经费的使用效率。要对R&D经费的不同阶段进行分配和管理,从基础研究到技术开发直至产业化都要有适当比例的资金投入,促进每项研究更为注重成果与转化之间的衔接[9]。
3)政府应继续加强建设以促进科技投入、研发、成果保护为目的的包含全面的政策法规体系和配套的实施细则,充分发挥政策法规在科学研究中的促进及保障作用,同时,加快科技市场建设,促进专利科技成果转化,通过知识产权转化为经济效益激励研发人员的工作积极性[10]。
摘要：根据黑龙江省2000—2010年专利发展实际数据,以最小二乘法和Cobb-Douglas理论为基础函数建立模型,预测出黑龙江省专利产出的未来发展趋势并对主要影响因素进行了实证分析。研究结果表明,未来几年内黑龙江省专利产出将呈现逐年增加的发展趋势,R&D经费支出的增长率大于专利产出的增长率;研发投入对专利产出量影响不显著,但是科学家和工程师数量及刺激研发人员的各项积极政策与专利产量显著相关。
关键词：最小二乘法,Cobb-Douglas函数,专利产出
参考文献
[1]姜钰.黑龙江省经济增长中科技进步贡献率分析[J].科技进步与对策,2008(5):109-110.
[2]CASSIMAN B,VEUGELERS R.R&D Cooperation andspillovers:some empirical evidence from Belgium[J].Ameri-can Economic Review,2002(4):1169-1184.
[3]逄淑媛,陈德智.专利与研发经费的相关性研究[J].科学学研究,2009(10):1502-1504.
[4]刘秀清.基于最小二乘法的道路交通事故预测机理模型[J].数学的实践与认识,2008(12):110-111.
[5]MICHAEL FRITSCH,GRIT FRANKE.Innovation,region-al knowledge spillovers and R&D cooperation[J].ResearchPolicy,2004(33):245-255.
[6]REINHILDE VEUGELERSA,BRUNO CASSIMANA.R&D Cooperation between Firms and Universities,Some EmpiricalEvidence from Belgian Manufacturing[J].International Jour-nal of Industrial Organization,2005(23):355-379.
[7]刘树,曹颖琦.河北省专利发展与R&D投入的计量模型分析[J].河北大学学报,2006(1):59-60.
[8]傅毓维.黑龙江省科技资源投入与产出现状分析[J].科技管理研究,2007(9):124-125.
[9]曹勇,佘硕.专利机制在知识型服务业创新中的现状与前景预测分析[J].科研管理,2009(9):55-56.
产出预测 第2篇
摘 要 运用柯布道格拉斯（Cobb Dauglas）生产函数模型法和回归分析法，建立江苏省2000-2013年农业生产函数模型，定量的分析此地区的农业机械贡献率。结果表明，2000-2013年农业机械化对农业产出的贡献率为59.16%，农业机械的使用对农业产出的持续增长有重要的作用。
关键词 生产函数；农业机械化；贡献率；江苏省
中图分类号：F323.3 文献标志码：B 文章编号：1673-890X（2015）21--02
農业机械化水平是衡量国家农业发达程度的重要指标，其在提高农业生产能力和改善农业生产条件方面起着重要的作用。因此，定量的分析农业机械化对农业生产的作用有助于从整体把握农业的发展方向，促进农业更加快速的发展。
1 农业机械化贡献率数学模型的建立
1.1 模型选择
目前，国内外许多学者已经对农业机械化贡献率的计算做了很多研究工作，具体测算方法主要有模型法和有无比较法两种，而模型法中的Cobb-Douglass生产函数（C-D生产函数）法使用范围广，操作简单，容易理解。因此，本文采用此方法对农业机械化贡献率进行测定。
农业产出增长是农业机械、土地、劳动力、物质消耗（化肥、薄膜、柴油、农药使用量）等诸多生产要素的投入和技术进步综合作用的结果。为了能够更加全面、真实、准确的反映农业机械化对农业总产出的贡献率[1]。同时，为了便于数据的搜集，本文具体用农业总产值Y、土地投入D、劳动力投入K、农业机械投入M、物质消耗（化肥使用量L1、薄膜使用量L2、柴油使用量L3、农药使用量L4）来测定农业机械化贡献率。则农业生产过程的C-D函数可表示为：
Y=A（t）MαDβKγL1θ（1）L2θ（2）L3θ（3）L4θ（4） （1）
式（1）中引入了时间变量t，是为了反映不同时期，农业投入产出受技术进步产生的影响。其中，α、β、γ和θ分别代表农业机械、土地、劳动力以及农业机械以外农业物质消耗的产出弹性。
1.2 数据搜集处理
1.2.1 农业产出
农业产出可用农业总产值、农业总产量或农业利润来表示。本文以当年价格计算的包括农业、林业、牧业和渔业的农业总产值作为农业产出。
1.2.2 农业机械投入
据统计，衡量农业机械投入多少的指标有：农业机械总动力、农业机械固定资产原值、农业机械固定资产净值。参考王福林的研究，我们以农业机械总动力作为农业机械投入指标。本文中农业机械总动力指主要用于农、林、牧、渔业的各种动力机械的动力总和。
1.2.3 土地投入
土地投入可用耕地面积或播种面积表示[2]。由于播种面积更能说明农业机械作业量与农业产出之间的变化，故本文采用农作物播种面积作为土地投入。
1.2.4 劳动力投入
劳动力投入指在计算期内实际投入农业生产的劳动力数量。为了与农业产出相对应，本文以统计资料上年反映的全社会直接参加农林牧渔业生产活动的劳动力表示劳动力投入。
1.2.5 农业物质投入
本文中物质投入即：化肥使用量、薄膜使用量、柴油使用量和农药使用量。
文中用到的农业总产值、农作物播种面积、劳动力等数据均来自《江苏统计年鉴》。
1.3 模型建立与参数估计
根据2000-2013年统计的数据（见表1所示）进行函数拟合。为了便于计算，对（1）式两边取对数，则有
lnY=lnA（t）+αlnM+βlnD+γlnK+θ1lnL1+θ2lnL2+θ3lnL3+θ4lnL4 （2）
令Y?=lnY，C=lnA（t），M?=lnM，D?=lnD，K?=lnK，
L1?=lnL1，L2?=lnL2，L3?=lnL3，L4?=lnL4，可得
Y?=C+αM?+βD?+γK?+θ1L1?+θ2L2?+θ3L3?+θ4L4? （3）
由此，C-D型非线性生产函数经变量代换转化为线性函数，式中，C为常数。
根据公式，将表1中的数据取对数后，进行回归分析，发现参数L1、L2、L3、L4极不显著。因此剔除物质投入参数，重新进行回归分析可得以下拟合函数：
Y?=-25.638+1.775M?+2.800D?-0.839K? （4）
回归方程F检验结果为：F=293.440，F0.05（3，14）=3.34≤F。回归系数p检验见表2.
表2 显著变量回归系数p检验
变量农业机械投入劳动力农作物播种面积
P（Sig）0.0300.0010.000
将上式（4）转化为非线性方程，得
Y=7.34*10-12*M1.775SD2.8*K0.839 （5）
式（5）即为江苏省2000-2013年C-D型农业生产函数的回归模型。
2 江苏省农业机械化对农业产出贡献率的计算
农业机械化对农业产出的贡献率为：
（6）
式中：α为农业机械投入产出弹性系数；△m为农业机械投入增量；△y为农业产出增量；m为农业机械投入增长速度；y为农业产出增长速度。
2000-2013年，江苏省农业总产值与农业机械投入值的年均增长率分别为9.60%和3.2%。根据参数拟合得到的农业机械投入产出弹性值α=1.775及式（6），即可测算出江苏省2000-2013年农业机械化对农业产出的年均贡献率为59.16%。
3 结论
农业机械化能极大的提高农业生产力，促进农业经济的发展。本文采用C-D生产函数测得2000-2013年江苏省农业机械化对农业产出的贡献率为59.16%，表明农业机械化对江苏省农业的发展起到了至关重要的作用[3]。为进一步促进江苏省农业的发展，有关部门应高度重视农业机械化，加大农业机械的投资力度，进一步提高农业机械化贡献率。
参考文献
[1]孙福田，王福林.DEA方法测算农业机械化对农业生产贡献率的研究[J].农业系统科学与综合研究，2004，20（3）：186-188.
[2]李春迎，许锦英，李汝莘.农业机械化对农业和经济增长贡献率测算方法的评析[J].农业装备技术，2004，30（4）：40-42.
[3]江苏省统计局.江苏省统计年鉴[M].北京：中国统计出版社，1989-2006.
产出预测 第3篇
半导体制造系统属于继作业车间和流水车间之后发展起来的新型制造系统可重入制造系统[1,2]。该系统中的工件多次重入同一设备组进行相近工艺的加工,被称为可重入制造系统[3]。随着市场需求的快速变化和全球化经济竞争的加剧,采用性能优良的控制策略,成为提升半导体制造系统整体效率(Overall equipment efficiency,OEE)的根本途径。为了提高可重入制造系统的生产效率,调度与控制决策需要有准确的产出短期预测支持,以辅助管理者及时进行产品优先级、投料量调整等控制决策。可重入生产系统具有可重入流、单件与批处理设备组共存、设备负载不均衡等不同于传统生产线的特殊性和复杂性。加工设备随机故障、工件重加工、紧急定单等不确定因素,使得可重入制造系统处于高度不确定性环境中,其日产出数据属于非线性时间序列。而传统的线性统计预测模型,如自回归模型、自回归求和滑动平均模型等[4,5,6,7],由于建模所需特征难以确定,对非平稳状态难以辨识,因此,不能适应可重入制造系统的产出预测需求。近年来,神经网络模型用于非线性时间序列预测较为引人注目,其优点是它们在建模时都不需要计算统计特征,从理论上讲,可以适用于任何非线性时间序列的建模。但也有其不足之处,人工神经网络方法在应用中难以科学地确定网络结构,学习训练最优权数时,其BP算法存在陷于局部极小值收敛的固有缺陷,从而影响预测模型的可靠性和准确性。
小波神经网络(wavelet neural network)是近两年国际上新兴的一种数学建模分析方法,是结合最近发展的小波变换与人工神经网络的思想而形成的。已经开始有效地应用于信号处理、数据压缩、故障诊断等众多领域。它是通过对小波分解进行平移和伸缩变换后而得到的级数,具有小波分解的一般逼近函数的性质。并且,由于它引入了两个新的参变量,即伸缩因子和平移因子,所以小波神经网络具有比小波分解更多的自由度。从而使其具有更灵活有效的函数逼近能力,经过筛选恰当的各个参数,通过较少的级数项组成的小波神经网络就能达到优良的逼近效果。因此,小波神经网络具有最佳的函数逼近能力,也就是最佳的模式识别能力[8,9,10,11]。但是,依然存在学习速度慢,容易陷入局部极小值的缺点。
针对以上不足,本文提出了基于遗传小波神经网络的产出预测方法,使预测模型具有小波的优良逼近性质和神经网络的自学习自适应性质,同时,采用遗传算法(genetic algorithm,GA)训练神经网络参数,利用遗传算法隐含并行性和全局搜索性的特征,丰富优化过程中的搜索行为,增强全局和局部意义下的搜索能力和效率。
2 基于遗传小波神经网络的产出预测模型
遗传小波神经网络的基础是小波分析,将小波分析与神经网络相结合构造小波神经网络时,是通过对小波分解进行平移和扩张(缩小)变换,得到一簇小波函数系,它可以被用来表示或逼近某一函数。并且,由于小波神经网络引入了平移和伸缩因子,因此,小波神经网络可以进一步优选适当的各个参数,用较少的级数项组成小波神经网络,使其达到对给定时间序列的最佳逼近,这种性能为非线性时间序列预测提供了基础。
设平方可积函数Ψ(x)∈L2(R)的傅里叶变换为(ω),且满足条件
则以函数Ψ(x)∈L2 (R)为母小波,采用不同的平移和伸缩因子,可生成一维小波函数系,即
式中归一化系数
ai、bi分别为伸缩和平移因子
选用上述一维小波函数系作为神经网络传递函数代替sigmoid函数,构建小波神经网络,以达到对时间序列函数的最佳逼近,即
式中,X=(x(1),x(2),,x(m))为输入向量,yi (X)为输出矢量,wi为连接输出层结点和隐层结点i的权重为权系数,wki为连接隐层结点i和输入层结点k的权重,m、n分别为输入层、隐层小波神经元的结点个数。这一逼近可用如图1所示的遗传小波网络来表示。
3 基于遗传小波神经网络的学习算法
当神经网络拓扑结构确定后,网络学习归结为确定网络参数Wi、Wki、ai和bi,使目标函数式1最小
式中:N为样本数,di为第i个样本的输出分量。
具体步骤如下:
(1)以神经网络节点之间的连接权重Wi、Wki、伸缩因子ai、平移因子bi为参数,采用实数编码。设输入节点数为a,隐层节点数为b,则编码长度n为n=ab+c。
(2)设定神经网络参数的取值范围,产生相应范围的均匀分布随机数赋给基因值,产生初始群体。
(3)对群体中个体进行评价。将个体解码赋值给响应的参数,引入学习样本,计算出学习误差E,个体的适应度定义为:
(4)对群体中的个体执行遗传操作:
(a)选择操作采用比例选择算子,若群体规模为T,则适应度为fi的个体Xi被选中进入下一代的概率为:
(b)交叉操作由于采用实数编码,故选择算术交叉算子。父代中的个体X1和X2以交叉概率pc进行交叉操作,可产生的子代个体为:,式中e为参数,e∈(0,1)。
(c)变异操作采用均匀变异算子,个体Xi的各基因位以变异概率Pm发生变异,即按概率Pm用区间中均匀分布的随机数代替原有值。
(5)引入最优保留策略。
(6)判断是否满足遗传算法操作终止条件,不满足则转步骤3,否则转步骤7。
(7)将遗传算法搜索的最优个体解码,赋值给小波神经网络的相关参数,进行产出预测。
4 预测算法评价指标
为了便于定量评价该方法预测的准确性,定义如下性能指标:
平均相对误差MRE
均方误差MSE
均等系数EC
其中,f'(i)为预测值,f(i)为实际值,K为检验集数据的个数。均等系数表示了预测值与实际值的拟合度。
5 实例验证
利用C++Builder编程实现基于遗传小波网络的算法,将其应用于可重入制造系统产出时间序列预测。采用某半导体制造有限公司6英寸半导体生产线2004年1月1日至2004年6月31日期间的日产出历史资料,数据单位为move/日,去除失效情况的数据点,共有150个有效数据点。对本文提出的基于遗传小波神经网络的预测方法进行验证,其中前120个数据作为遗传小波神经网络的训练集,余下的30个数据用于测试遗传小波神经网络的预测准确度,称为检验集。选用Morlet母小波:。取输入节点数m=7,以连续7天的数据来预测第8天的数据,经过试算选取隐层节点数n=8。基于遗传小波网络的遗传进化群体中个体数目为100,最大进化代数为700,交叉概率为0.5,变异概率为0.001,交叉参数e=0.6,参数的初始赋值区间为[-100,100]。为了比较本文提出的基于遗传小波网络预测方法的性能,采用传统的3层前向反向传播(Back Propagation,BP)神经网络对日产出进行预测。其中,隐层节点采用sigmoid神经元传递函数,而在输出层中采用线性神经元传递函数。设置神经元网络模型的输入层节点数为7,而输出层节点数为1,即输入f(i-7),f(i-6),f(i-5),f(i-4),f(i-3),f(i-2),f(i-1)经由网络输出f(i),隐层为7个神经元。预测的结果如图2所示,预测结果的性能见表1。从图2和表1看,本文提出的基于遗传小波神经网络的预测方法预测效果明显优于传统BP神经网络算法,性能优越,其预测结果与实际值吻合得很好,达到了较高的拟合度。
6 结束语
为了提高可重入制造系统的生产效率,调度与控制决策需要有准确的产出短期预测支持,以便辅助管理者及时进行产品优先级、投料量调整等控制决策。论文对可重入制造系统产出时间序列进行分析,在此基础上,探讨了产出短期预测方法,提出了基于遗传小波神经网络的产出短期预测算法,它具有小波的优良逼近性质和神经网络的自学习自适应性质,同时,采用遗传算法训练神经网络参数,利用遗传算法隐含并行性和全局搜索性的特征,丰富优化过程中的搜索行为,从而提高了算法的搜索能力和效率。并通过实例进行了方法的比较验证得出本文所提的方法要优于传统BP神经网络算法,其预测结果与实际值达到了较高的拟合。该方法已经在上海某半导体生产线的生产调度系统中得到了应用。
参考文献
[1]Uzsoy R,LEE C Y,Martin V L A.A review of production planning and scheduling models in the semiconductor industry. PartⅠ:system characteristics,performance evaluation and production planning[J],IIE Trans,1992,24(4):47-60.
[2]Uzsoy R,L C,Martin V L A.A review of production planning and scheduling models in the semiconductor industry partⅡ: shop-floor control [J].IIE Transactions,1994,26(5):44-55.
[3]Kumar P R.Reentrant lines[J].Queueing Systems,1993,13 (1-2):87-110.
[4]顾岚．时间序列分析在经济分析中的应用[M]．北京：中国统计出版社，1994．
[5]徐国祥．统计预测和决策[M]．上海：上海财经大学出版社，1998．
[6]王耀东，等．经济时间序列分析[M]．上海：上海财经大学出版社，1996．
[7]田铮．动态数据处理的理论与方法——时间序列分析[M]．西安：西北大学出版社，2001．
[8]Gao L.Lu,L,Li Z.Prediction of chaotic time series based on wavelet neural network[Z],Oceans Conference Record (IEEE),2001 (4):2046-2050.
[9]Chen Z,Feng T J,Meng Q C.Application of wavelet neural network in time series prediction and system modeling based on multi-resolution learning[J].Proceedings of the IEEE International Conference on Systems,Man and Cybernetics, 1999(1):425-430.
[10]Soltani S.On the use of the wavelet decomposition for time series prediction[J].Neurocomputing,2002(48):267-277.
产出预测 第4篇
同时随着时间的推移,气田开采面临着投入产出不协调、资源重复投入等问题,同时“节能减排”已经引起社会的关注,这就需要将资源进行合理的有效分配和投放,从而达到效益最大化。而数据包络分析(DEA)是基于相对效率为基础发展起来的一种非参数生产前沿面模型,在生产效率测量及决策领域得到了广泛的应用。在确定了样本数据包络面后,可以将各个决策单元与样本包络面进行比较,根据最终的效率值进行优化,有助于提高企业资源合理配置。
1GM(1,1)模型
GM(1,1)模型是以微分方程来描述系统内部动态过程,并通过对原始数据生成处理而减弱其随机性,即在生成过程中,不是寻求概率统计规律,而是强化对灰色序列间有用信息的利用率,将原序列转化为易建模的新序列,再用典型的曲线拟合建立系统的微分动态模型,最后对依照新序列所建模型作还原生产处理,即得到原始序列的灰色预测模型。[2]按照已知数列所建的模型,从时间发展来看,具有某种规律性和时间外推性,因此这种预测模型能用来对油气操作成本的预测。GM(1,1)是基于随机的原始时间序列,经按时间累加后所形成的新的时间序列呈现的规律可用一阶线性微分方程的解来逼近[3]。经证明,经一阶线性微分方程的解逼近所揭示的原始时间序列呈较强的指数变化规律。具体步骤如下:
1)采用累加法生成新时间序列,以弱化原始序列的随机性和波动性。undefined
式中,x(0)为原始时间序列,x(0)=(x(0)(1),x(0)(2),x(0)(n)),x(0)(i)第i年的生产成本值,x(1)为累加时间序列,x(1)=(x(1)(1),x(1)(2),x(1)(n))
2)相应的微分方程:
undefined
3)估计参数a、u
令,按最小二乘法解得
undefined
B)-1BTX
4)给出累加时间数列预测模型
undefined
其中,k=0,1,2,3n
5)给出原始数列预测模型。对累加时间数列预测模型进行累减。
undefined
undefined
其中,k=1,2,3,undefined
6)模型精度检验。数列预测后应对模型及其预测结构进行检验,并判断精度是否合乎要求。一般用残差法检验和后验差检验对模型进行检验[4],如果精度不符合要求,还需采取残差修正等方法对模型进行修正。[5]通过检验的指标为精度等级越小越好,四级为不通过。精度等级表如表1所示:
2基于时序的要素DEA模型
1978年由Charnes,Cooper,Rhodes三人提出了著名的CCR模型,此后DEA理论逐步发展和完善,应用范围不断拓展。它可以有效处理具有多输入和多输出的相对有效性评价问题。
DEA将效率的测量对象称为决策单元(DMU),DMU可以是任何具有可测量的投入、产出的单位或者时间序列,DEA要求DMU之间具有可比性。DEA采用线性规划的方法来确定被评价DMU的生产前沿,通过比较被评价的DMU与生产前沿的关系来确定该DMU的效率。[6]
设xij和yil分别是气田第i年第j项投入指标值和产出指标值(i=1,2,,8;j=1,2, 3;l=1)。对第k(1k8)年的要素投入产出进行效率评价。本文采用基于投入导向型I-C2R模型的时序DEA来评价。三种投入:劳动、资本、直接材料。一种产出:天然气产量。模型如下:
undefined
该模型的最优解为θ*,在CCR模型中,DEA的经济含义如下:
1)如果θ*<1,在保持产出不变的前提下,可以将投入的各个分量均按同一比例θ*减少,则表明可以用更少的投入而使产出不变,这正好说明当前的DMU不是有效的生产活动。若s-,s+=0,则技术有效,否则技术无效。令undefined,若K=1,则规模有效;若K<1,规模收益递增,反之,规模收益递减。
2)若θ*=1,但s*-,s* + 存在非零值,则该决策单元DMU为DEA弱有效,即在这n个决策单元组成的系统中,对于投入X可减少s-而保持原来产出Y不变,从生产理论来讲,它是技术有效而非规模有效。
3)若θ*=1,且s*-,s* + = 0,则该决策单元DMU为DEA有效,其对应的点(x,y)在有效的生产前沿面上,即在这n个决策单元组成的系统中,在原投入X的基础上所获得的产出Y已达到最优,从生产理论来讲,它既是技术有效的也是规模有效的。
技术有效是在一定的技术水平下,产出相对于生产要素的投入已经达到最大,那么就说明该技术是有效的;规模有效是在所有投入都以相同倍数增加,并导致产量也以相同的倍数增加,那么就称其处于规模有效状态。[7]
3实例分析
3.1GM(1,1)预测与检验
以HTB气田2005-2009年天然气单位操作成本为依据,进行计算和分析。
1)关联度检验。
原始序列:(29.58,39.09,40.67,46.16,51.16);预测后的模拟序列:(29.58,38.1,41.92,46.12,50.74),那么这两对序列的关联系数如表2。
undefined,说明预测结果符合要求。
2)方差比和小概率检验,如表3。
undefined;undefined
undefined;undefined
undefined
undefined
根据P>0.95和C<0.35(精度等级为一级)的标准,说明预测精度较高,可以作为气田天然气操作成本的预测,并且预测值可信度较高。
注:由于该气田计划在2011年以后要逐渐建立储气库,所以各项数据做了相应处理
3.2DEA评价与优化
建立投入产出指标体系是建立DEA效率优化评价模型的前提和基础。本文的产出要素选用天然气产量,投入要素根据灰色关联的密切度排序选取三种:直接人员费用、直接材料费、资产折旧。
劳动投入指标我们选取了直接人员费用,而没有选择劳动投入人数,是因为劳动者的报酬能够较合理的反映劳动投入量的变化。
资本投入指标不选用资本存量,而是选用资产折旧折耗,是因为资本存量并没有全部被利用到天然气生产过程中,且资本存量数据不易获得,而资产折旧反映了资产在当期生产中的转移价值,即当期物质资本消耗,且数据容易获到。
我们根据HTB历史数据和GM(1,1)预测2010-2012年的成本数据,见表4,并结合气田规划处的数据,采用投入导向型的CCR模型,采用软件DEA-Solver3.0对各个单元投入产出数据作出评价与优化。如表5。
注:天然气产量单位:千立方米;直接人员费、直接材料费、固定资产折旧单位:元
从表5可以看出2005、2006、2009、2010年的Score等于1,说明DEA技术有效,并且可以看出预测的2010年投入产出技术效率也是有效的。2007-2008、2011-2012年的Score都小于1,说明投入产出为非DEA有效。从2005-2009年历史数据来看,技术效率先下降后又上升。
结合表4和表5,可以看出,预测的2010年的投入产出为DEA有效,其预测值即为最优的投入值,即HTB油田消耗直接材料费7 442 143元,直接人员费9 382 030元,资产折旧费用9 407 395元等可以得到480 000km3的天然气的产出;2011年的(Score=0.941)投入产出为非DEA有效,预测的投入非最优质,通过DEA投影分析,可得到HTB气田在DEA有效前沿面的投影为(6852973,8639286,8662643,442000),此时的状态为最佳的资源配置效率,即HTB气田2011年消耗6 852 973元直接材料费,8 639 286元的直接人员费和8 662 643元资产折旧等可得到442 000km3的天然气产出;其中2012年的(Score=0.441)投入产出也为非DEA有效,预测的投入也非最优质,同样通过DEA投影分析,可得到HTB气田在DEA有效前沿面的投影为(1068379,1619285,6146369,15000)。
HTB气田2011和2012年的能源投入产出都为非DEA有效,其中2012年的效率很低,这里的主要原因是该气田2011年以后打算建立储气库,另一方面原因是预测数据相对来说有误差。DEA优化与气田的预算成本和计划产量紧密关联,所有气田要不断加强数据信息的统计,提高优化的可行性和有效性。
4结论
本文基于灰色GM(1,1)预测天然气操作成本,在当前能源利用的历史数据比较匮乏的情况下,使用这种预测方法对未来能源投入进行预测,可以得到较高的拟合度,特别是数据呈较强的指数变化时,其预测的可信度是比较高的,但是,一般灰色模型要求数据序列离散函数光滑,而天然气生产的特点决定其投入数值序列存在不平稳、非线性和有突变点等特点。鉴于天然气企业的成本投入会存在一定的波动,当数列出现阶跃时,可引入阶跃函数,对其光滑性进行改善,将改善后的数列建立GM(1,1)模型进行预测,以提高预测的可行度。在使用灰色预测模型时需结合整体的经济环境,对定量预测的结果做适当的调整。
在使用灰色预测方法的基础上结合预测数据并采用DEA技术优化气田的投入产出要素,通过DEA方法,可以判断DMU对应的点是否位于有效的生产前沿面上,同时还可获得许多有用的管理信息,在帮助实现资源的优化配置同时,还可以为气田的生产经营提供可靠数据依据,为气田实现资源节约型和友好型企业提供决策参考的基础,从而提高气田的经济效益。
参考文献
[1]邓聚龙.灰色系统基本方法[M].武汉:华中理工大学出版社,1992:22-28.
[2]刘思峰,党耀国,方志耕.灰色系统理论及其应用[M].北京:科学出版社,2004:32-37.
[3]余祖德,宋朝霞.灰色模型在油气操作成本预测中的应用[J].石油化工技术经济,2003(6):50-53.
[4]宋杰鲲.基于GM和DEA的油田企业能源利用规划[J].资源与产业,2009(10):23-25.
[5]回音,翟丽茹,张娜.土地利用规划中耕地保有量预测方法研究分析——以辽阳市为例[J].资源与产业,2008,10(3):100-102.
[6]魏权龄.数据包络分析[M].北京:中国人民大学出版社,2004:37-43.
产出预测范文
声明：除非特别标注，否则均为本站原创文章，转载时请以链接形式注明文章出处。如若本站内容侵犯了原著者的合法权益，可联系本站删除。
