1、基于组合式改进 BP 网络的设备托管与租赁风险预测模型摘要：设备有偿托管与租赁是现代化服务业的重要服务业务，针对个体设备闲置、区域有所需求、租赁调度不合理的问题，将有偿托管与租赁风险管理的样本数据和模糊神经网络相结合，并根据改进 BP 神经网络确定网络的输入和输出向量，对有偿托管与租赁管理进行组合式风险预测，并利用实例测算对比，结果表明：预测结果与实际情况比较吻合。运用 MATLAB 数据软件实现神经网络风险预测仿真，仿真结果表明预测误差较小，输出向量与实际风险矩阵结果接近。指出其在判断有偿托管与租赁管理风险状况、分析有偿托管与租赁管理风险的主要来源、提出企业规避有偿托管与租赁管理风险的对策方
2、面有较大的应用价值。关键词：设备托管；租赁服务；改进 BP 算法；故障诊断；神经网络；预警模型中国分类号：F224.10 文献标示码：AEquipment trust and Rental problem Risk Pre-warning Model based on Modular Combined Improved BP neural networkTian Ying1 Zhong Wei-qing1 Wang Cheng1、2 (1 Liaoning Technical University,Fuxin,123000, China；2 Jilin coal industry group,
3、 Changchun, P.R.China)Abstract: Equipment paid hosting and leasing is an important services modern service industry, Aiming at the faults occurring currently ,individual equipment idle, areas of demand, leasing scheduling unreasonable。Combined paid hosting and leasing risk management sample data and
4、 fuzzy neural network, confirmed input and output vector of network according to the improve BP network and diagnosed the fault of paid hosting and leasing risk management。The diagnosis is consistent with the reality. Use MATLAB to simulate neural network fault diagnosis and the simulation results s
5、how that the diagnosis error is small, output vector and the actual fault matrix results are approximate. It have great application value for the judge paid hosting and lease management risk, analyse paid hosting and lease management risk main origin, proposed enterprise avoid paid hosting and lease
6、 management risk.Keywords: Equipment trust ; Rental ;improve BP algorithm; Fault diagnosis ; neural network; Early warning model设备有偿托管与租赁是现代化服务业的重要服务业务，针对大矿业服务需求，区域范围内个体设备闲置、调度、配置、租赁分散，业务实施过程中存在设备使用到期未能及时归还、设备调度不通畅、租赁单位提前违约不租赁等现象，这对于煤矿生产中分秒必争的生产工艺来说，必将产生运营及生产的风险。The equipment collocation with paymen
7、t and leasing is an important modern service business. For the requirement of the mining service,there exists many phenomena such as,leaving the equipment unused,controlling ,allocation and lease dispersingin certain area,and meanwhile no returning the equipment in time,obstructing the equipment con
8、trolling and the advanced defaulting of the leasing company ,which must lead to the risk of operating and producing for manufacturing technique in the coalmine production.迄今为止，国内外已有不少学者对此开展研究，并取得了一定的研究成果1-5。研究成果的取得对指导设备有偿托管效率、提高租赁管理水平起到一定作用，但从总体上来，研究成果大部分是从定性角度探讨托管及租赁管理业务内涵、危害及防范措施等，未见从定量的角度分析设备托管与租
9、赁风险。此外，由于设备托管及租赁管理流程复杂，外部影响因素较多，各因素之间的叠加和耦合导致其风险预测比较困难，加之管理体系风险预测具有不确定性和模糊性特点。因此，采用人工神经网络和改进组合式 BP 算法，进行设备托管与租赁风险预测具有理论意义和实际应用价值。Up to now, so many scholars abroad and at home have studied it and obtained some research results, which has an important role in directing efficiency of the equipment lea
10、seing with payment and improving the level of leasing regulation. But generally speaking, most of those results are based on qualitative to study the connotation ,harm and protection measures of collocation and leasing regulation, not considering the risks of those from the view of quantitive. In ad
11、dition,due to the influence of those facters such as the complication of management processing of the equipment collocation and leasing and outer facters,obstacaling the prediction of risks.At the same time, there exists the uncertainties and ambiguity to predict the risk of the regulation system. T
12、hus, It has the theoty significances and pratical values to use the arithmetic of Artificial Nuerul Network and Combined Improved BP for predicting the risk of eqiupment collocation and leasing.收稿日期：基金项目：国家科技支撑计划项目（2013BAH12F00 ）：大型煤炭基地组合服务技术研发与应用示范作者简介：田 莹（1980-） ，女，辽宁省阜新市人，高级经济师，在读博士，从事矿山设备租赁与管理，发
13、表论文 6 篇.仲维清（1965-） ，男，辽宁省抚顺市人，教授，博士，博士生导师，从事工程管理。The date of receiving draft:The fund program:the planned program supported by national technology(2013BAH12F00):the development and application of the large-scale coal base combinationThe author:Tianying(1980-).femal.Fuxin,Liaoning province ,senior ec
14、onomist,Dr. on reading engaging in th e regulation of the equipment collocation and leasing,lauching 6 thesisZhong Wei-qing(1965-),male,Fushun Liaoning proince,professor,doctor, doctoral superviser engaging engineering regulation1、组合式改进神经网络用于风险预测可行性将组合式改进 BP 网络引入到风险预测的研究之中，提出了一种在逼近能力、分类能力、学习速度等方面都优于
15、 BP 神经网络的径向基函数神经网络和组合预测的概念。采用 BP 网络预测中，需设计大量的隐含层节点，隐含层节点与输入向量相接近才能达到要求精度。这种方法无法体现同一风险类输入向量间的关系，造成风险预测率下降。针对上述问题，进行改进训练和结构，在确定隐含层节点数和中心时，对于每一种风险类型分别采用均值聚类法训练，同时使迭代终止距离增大，这样保证每个隐含层节点确定的输入向量都是同一故障类型的数据。根据设备有偿托管和租赁管理中各种风险类型在特征空间的聚集形态，将一些接近风险类型先暂时合并为过渡类别，使用组合神经网络由粗到细，对过渡类型逐渐细化。我国区域设备有偿托管和租赁管理发展的历程相对较短，基础
16、管理水平相关资料残缺，多数企业尚未建立科学、连续的企业管理统计制度，这就使得原本起步较晚的风险预警研究遇到障碍，而采用组合式改进神经网络进行管理风险预警研究提供了可能 6。2、改进 BP 网络及算法实现2.1BP 神经网络人工神经网络是模拟生物神经网络来进行信息处理的一种数学模型， 特点在于具有高度的并行分布式处理能力、非线性处理能力、容错能力、自学习能力以及便于进行硬件实现等。BP 神经网络，即多层前馈式误差反传播神经网络，是目前应用最为广泛和成功的人工神经网络之一，其可以实现从输入到输出的任意复杂的非线性映射关系，并且具有良好的泛化能力。BP nuerul network consists
17、 of input layer ,output layer as well as some hidden layers,and some notes making up one layer.each note stands for one nuerul cell .The neighbor nuerul cell connecte by weight with the most basic BP network is the three feedforward network. As expressed in picture1,the study processing of BP nuerul
18、 network is made up of forward-propagating processing and counter-propagating processing.we can obtain the stable network structure and connection weight through the iterative of BP network, after which we can predict the unknown samples. BP 神经网络由输入层、输出层和若干隐含层组成，每层由若干个节点组成，每一个节点代表一个神经元，相邻层的神经元通过权连接最
19、基本的 BP 神经网络是三层前馈网络， 如图所示 BP 神经网络的学习过程由正向传播过程和反向传播过程组成，通过 BP 网络的迭代算法获得稳定的网络结构和连接权值， 然后就可以对未知样本进行预测。图 1 神经网络示意图Fig.1 Schematic diagram of neural network2.2 改进 BP 神经网络算法在实际的应用过程中,传统 BP 学习算法存在抗干扰能力差，学习速率缓慢，目标函数容易陷入局部极小值等问题,针对这些问题 , 研究人员提出了批处理学习法、附加动量法、自适应调整参数法以及 Levenberg-Marquardt 法等改进的学习算法，相较于其它改进算法,
20、Levenberg-Marquardt 算法当网络权值数目较小时收敛非常迅速，且相比传统的 BP 及其改进算法迭代次数少、收敛速度快、精确度高。Levenberg-Marquardt 算法的基本思想是使每次迭代不再沿着单一的负梯度方向， 而是允许误差沿着恶化的方向进行搜索 同时通过在最速梯度下降法和高斯- 牛顿法之间自适应调整来优化网络权值，是网络能够有效收敛，大大提高了网络的收敛速度和能力。在基于 BP 神经网络的网络故障诊断算法中，为了避免 BP 网络的学习算法陷入局部极小值甚至发散，同时加快系统风险评估的计算速度 提高评估的准确度。基于改进 BP 神经网络的风险预测算法步骤描述如下：Ba
21、sed on the fault diagnosis algorithm of BP nuerul network, in order to avoid suffering from the partial minimum and even the divergency, we needs to accelerate the calculating speed of the system risk evaluation and to improve the accuracy of the evaluation. The description for that as follows:第一阶段、
22、训练和测试样本集设计（1）根据网络风险信息参数设计样本集；（2）将样本集分为两个部分，其中个样本构成训练样本集、个样本构成测试样本集；The first period,training and design of predicting sample sets(1) accoding to the information parameter of network risk to design the sample sets(2) divided the sample sets into two parts: N samples consisting of the training sample
23、sets and M samples consisting of test sample sets.第二阶段、构造和训练 BP 神经网络（3）根据所采集的数据，设计三层 BP 神经网络，输入层含有 n 个节点，隐含层含有 l 个节点，输出层含有 m 个节点，其中，隐含层节点数根据经验公式，采用试凑法确定；（4）对风险故障模式进行编码，输出一个 m 维向量，在满足风险数目的情况下，尽可能使得输出向量的维数 m 较少；The second period,construct and train the BP nuerul network(3)using the statistics gathered
24、 to design three layers of BP nuerul network.the input layer including n nodes and the hidden layers including I nodes,the output including m nodes.the number of the nodes in the hidden layers is determined by cut-and-trial based on the experienced formula.（5）设定网络的传输函数、训练函数、性能函数、收敛误差、学习速率以及神经元连接权值的初
25、值和阈值等参数，本文中训练函数为 train 函数, 其采用L-M 学习算法;(5)to set the transmission function,training function,performance function convergence error learning rate and the parameters such as the starting value and threshold value connecting the nuerul cell and weight.in this essay ,the training function refers to the
26、 train function which adopts the L-M.（6）利用训练集样本对 BP 网络进行训练,直到得到稳定的网络权值和预定的误差精度;(6)train the BP network by using training sample sets until to obtain the net weight and expected the accuracy of error.（7）利用测试集样本来检验训练好的 BP 网络的训练结果, 看是否达到预定的误差要求;(7) to inspect the training results of the trained BPnerwo
27、rk through the test sample sets to see if we achieve the requirement expected.第三阶段、对未知样本进行风险分析The third period,to analyze the risk of the unknown the samples（8）将未知样本输入到训练好的改进 BP 网络中, 得到网络风险分析结果。(8)put the unknown samples into the trained and advanced BPnetwork and get the risk analyzing results.3、建立
28、设备托管与租赁风险预警指标体系设备在托管与租赁的过程中出现的风险非常多，通过对租赁资料的搜集和日常风险样本分析，设备托管与租赁的主要风险可分为两类，一种属于有偿托管服务风险，主要表征是托管设备管理风险 S1、物流调度管理风险 S2、资金管理风险 S3；另一种属于租赁业务风险，主要表征是成本管理风险 S4、客户管理风险 S5、合同管理风险 S6。以上作为输入参数，故输入层为 6 个神经元；输出层神经元数目就是所设置的管理风险状态数，分别为：A 正常；B 为风险压力较低；C 为风险压力中等；D 为风险压力较高；E 为风险压力极高。其输出结果（1， 0，0，0，0）为 A 类；（0 ，1，0，0 ，
29、0）为 B 类；（0，0，1， 0，0 ）为 C 类;（0 ，0，0，1，0 ）为 D 类; （0，0，0，0，1 ）为E 类。表 1 设备有偿托管与租赁预警指标体系Tab.1 equipment paid hosting and leasing early warning system序号 指标分类 具体指标 序号 指标分类 具体指标1 托管设备管理风险X1 设备动态安全管理风险；X2 设备安装拆卸过程管理风险； X3 闲置设备管理风险；X4 托管设备管2 物流调度管理风险X5 设备调度管理风险；X6 运输调度管理风险；X7 专业拆卸安装人员管理风险理风险3 资金管理风险X8 融资租赁管理风
30、险；X9 设备购置资金管理风险；X10租赁费管理风险； X11 服务费管理风险4 成本管理风险X12 运输成本管理风险；X13 专业队伍成本管理风险；X14管理成本风险5 客户管理风险X15 租赁企业信息管理风险；X16 合同签订管理风险；X17 客户信誉管理风险6 合同管理风险X18 单据管理风险；X19 费用管理风险；X20应收账款管理风险；X21 结算管理风险4、基于组合式改进 BP 网络风险预警模型构建由于托管与租赁风险预测的特征参数较多，造成网络结构过于庞大，使得网络训练时间长，甚至无法训练，造成分类精度低的问题，将影响托管与租赁过程的参数进行分类，对不同类参数分别用改进 BP 网络
31、进行训练，在把多个网络的预测结果进行组合。根据分析，把托管与租赁风险特征参数空间分为两个子空间: 有偿托管服务风险、租赁业务风险，其输出空间有 5 种。采用 MATLAB 软件对两个子网络分别进行仿真，确定各个子网络的结构，有偿托管服务风险参数子网络中，输入层数为 3.输出层数为 5，隐层数根据 BP 算法说明，采用试探和比较法，从3 开始训练，通过对网络的反复训练，确定隐层数为 16 时收敛速度和精度最高，故确认子网络的结构为 3165。租赁业务风险参数子网络，输入层数为 3，输出层数为 5，隐层数从 3 开始训练，得到隐层数为 12 时收敛速度和精度最好，故确认子网络的结构为 3125。表
32、 2 有偿托管服务风险样本数据Tab. 2 Paid hosting business parameters sample data风险征兆 风险类型S1 S2 S3 X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X110 0 0 0 0 0 0 0 0 0 0 0 0 01 0 0 1 1 1 1 1 1 1 1 1 1 10 1 0 0 0 0 0 0 0 0 0 0 0 00 0 1 0 0 0 0 0 0 0 0 0 0 01 1 0 0 1 0 1 1 1 0 0 0 0 00 1 1 0 0 0 0 0 0 0 0 0 0 01 0 1 0 0 1 1 0 1 0
33、1 0 0 01 1 1 0 1 0 1 0 1 0 0 1 0 1表 3 租赁业务风险样本数据Tab.3 Leasing business risk parameters sample data风险征兆 风险类型S4 S5 S6 X12 X13 X14 X15 X16 X17 X18 X19 X20 X210 0 0 0 0 0 0 0 0 0 0 0 01 0 0 1 1 1 1 1 0 0 0 0 00 1 0 0 0 0 0 0 1 1 1 0 00 0 1 0 0 0 0 0 0 0 0 1 11 1 0 0 1 1 0 1 0 1 0 1 00 1 1 0 0 0 0 0 0 0
34、1 0 11 0 1 0 1 1 0 1 0 0 1 0 01 1 1 0 1 1 0 1 0 1 0 1 0将上述两个子网络训练完后，得到两个子网络的输出结果，然后对两个子网络诊断的结果进行组合，为了简化诊断结果的计算，根据风险特点及专家经验，采用待定系数法确定组合公式如下式： 1235yy式中，y1,y2 为两个子网络的输出；y 为整个网络的输出，采用这种方法将复杂的网络编程简单网络，不同的网络处理不同低维征兆空间得到各自的诊断结果，提高网络训练速度，解决网络过于庞大而造成各种不利因素。将试验得到的 20 组实测数据进行训练，得到各个子网络的训练误差曲线见图 2、3。误差 0.036219
35、8；步数 41502 误差 0.017611；步数 35423图 2 有偿托管业务风险子网络训练误差曲线 图 3 租赁业务风险子网络训练误差曲线Fig. 2 Paid hosting business risk Fig. 3 Leasing business risksub-network training error curve sub-network training error curve5、实例分析在选取某单位 3 组托管与租赁的实测数据，将影响托管与租赁的主要风险因素进行定量指标分析。定性指标则由专家按存在风险情况进行评判，分别为最差、很差、差、较差、中、较好、好、很好、最好, 对应
36、图 4 赋值标准进行评判。图 4 赋值标准进行评判Fig.4 the judgment of the evaluation standard风险的评价基本步骤如下：1）将影响托管与租赁体系分解为若干指标组成的多层系统。2 ）对各时期底层指标进行原始数据规格化，即转化为0，1之间的无量纲数值，得到初始的模糊隶属函数值。3）利用归一公式进行量化递归运算。4）得到测试数据样本。如表 4 所示，用组合式改进 BP 网络对表中的数据进行预测，并按照组合公式进行组合预警研究，得到预警结果如表 5 所示。表 4 测试数据样本Tab. 4 Test data samples样本组号 托管设备管理风险物流调度管
37、理风险资金管理风险成本管理风险客户管理风险合同管理风险1 0.71 0.667 0.929 0.968 0.706 0.682 0.98 0.99 0.947 0.98 0.706 0.8383 0.47 0.52 0.99 0.824 0.99 0.99表 5 组合式改进 BP 网络的预警结果Tab. 5 Modular combined improve BP network diagnosis 网络输出样本组号 A B C D E 结论1 0.80010 0.1480 0.0300 0.0092 0.0048 A2 0.0001 0.0041 0.0000 0.0000 0.9994 E3
38、 0.0005 0.0059 0.00150 0.9953 0.0139 D6、结论设备有偿托管与租赁管理是一种非常复杂的问题，该服务业务由于受设备使用、工作环境、运行状态、运输调度等复杂因素的影响，其风险与管理的关系很不明确，且风险存在繁多，这就造成风险预测困难。利用人工神经网络以任意精度逼近函数，通过收集设备有偿托管与租赁管理常见问题，确定风险征兆和其对应的类型，研究基于组合式改进神经网络风险预测方法，建立设备有偿托管与租赁常见风险样本，确定神经网络的输入和输出向量，并对实测数据进行风险预测分析，风险预测结果与实际应用情况相吻合，仿真结果误差较小，说明该方法风险预测结果准确、可靠。参考文献
39、：1、黄平、吴满琳、陶倩. 建筑机械设备租赁管理信息系统的研究与设计 J建筑施工.2007（ 29）2：144 -147.2、张兰霞、王俊、张燕等. 基于 BP 网络的人力资源管理风险预警模型J 南开管理评论.2007 （10）6 ：78-85.3、秦迎林、李红艳. 基于 BP 神经网络的第三方物流资源整合风险预警模型J 统计与决策.2009 （283 ）7：31-33.4、王扬、徐寅峰、董玉成等.考虑二手货市场的在线租赁决策与竞争 J系统管理学报.2011（ 20）4：428-433.5、李勇、范桂杰. 设备租赁管理信息系统的开发与应用J煤炭企业管理.2001.11.6、朱方明 陈中伟 贺立龙. 提高传统优势企业竞争力的思路与对策J经济纵横 2014（ 1）：13-17.7、白俊鹏.对公路机械设备租赁如干问题的思考J设备管理与维修.2011.4 ：13-14.8、王爱华、孙峻.BP 神经网络在工程项目管理中的应用J 建筑管理现代化.2009（ 23）4：306-310.9、刘捷.新形势下煤炭行业内部设备租赁业务探讨. 煤炭经济研究.2012（32）1：75-78.10、聂泽超.煤矿企业设备租赁在煤炭经济发展中的意义.中国西部科技.2009（8）34： 56-58.11、黄维庆.工程机械设备租赁企业的特点与管理模式 .经济界.2013.245-246
