低碳竞争力指数模型构建及其检验

        

        本文提出低碳竞争力指数（碳指数）的概念，即基于综合指数法，用来分析在低碳条件下企业优劣的一种竞争力指数。

        综合指标中三个立体系列是绝对指标、相对指标及平均指标。其中相对指标总指数是指复杂经济现象中某一经济内容两个相对指标的对比，或者是两个统计指数的对比。它可以是动态的，也可以是静态的。相对指标总指数的动态性是指复杂经济现象中某一经济内容的两个不同时期的相对指标的对比；相对指标总指数的静态性是指复杂经济现象中某一经济内容的两个不同位置的相对指标的对比。本文讨论的碳指数是一种静态指数，通过对同一时期的不同对象的相应指标数据进行对比分析得出相应结论。

        本文使用熵权法来构建企业低碳竞争力指数。熵原为热力学的一个概念，它是对系统状态不确定性的一种度量，熵值越大，表示状态越不稳定。在信息论中，信息是系统有序程度的一种度量，而熵是无序程度的度量。可以把评价指标中的固有信息量进行量化与综合，计算出各指标的信息熵权重。熵权法的优点在于避免了诸如AHP等方法人为赋权的主观性，对于变化或差别越大的指标数据越敏感，所赋的权重也越大，这对于分析同类型的企业的能耗指标进而求出综合竞争力具有有利条件。

        用熵权法计算碳指数的步骤如下：对原始数据标准化；计算第j项指标的第i个评价指标占第j项指标所有指标值之和的比重；求出第j项指标的信息熵 ；计算第j项指标的权重 ；计算企业的低碳竞争力指数并且排名，结果如表5所示。从此碳指数排名中可以看出：第一类低碳竞争力较强的企业是E8、E9、E5、E10；第二类一般的是E3、E7、E1；而第三类较差的是E2、E6、E4。

        为了验证模型的科学性，本文用自组织竞争神经网络对10家企业就低碳竞争力指数做仿真聚类分析。竞争型神经网络是常用的神经网络之一，主要用来聚类分析，其拓扑结构有两层：输入层、输出层。该网络模型的基本思想是Winner-Take-All，即各个神经元通过竞争的方式得到对输入模式的响应机会，而最后只有一个神经元成为胜利者，也就是说结果在每一时刻只有一个输出神经元被激活。根据要聚类的数据对网络作如下设置：神经元数为3，学习速率为0.1，训练次数（epochs）为300次。求得的聚类结果如表6所示。

        该结果基本和熵权法所得结果一致，证明此低碳竞争力指数模型具有科学性与可行性。