近年来，河南省紧紧抓住国家促进中部地区崛起和中原经济区发展的战略机遇，重视和发挥工业主导功能，加快推进工业化进程，工业发展取得重大成就。与此同时，工业发展长期积累的深层次矛盾和问题也在日益凸显，主要表现在：经济增长方式粗放，产业层次不高；产业集中度较低，规模效益低下；科技投入不足，自主创新能力不强；产业结构矛盾突出，能源消耗居高不下等。为了科学反映河南省新型工业化的发展进程、水平和质量，及时发现新型工业化进程中的薄弱环节和存在问题，找准主导产业和战略性成长行业，我们研究提出了河南省新型工业化的区域评价指标和产业评价指标，根据这些指标对2013年河南省新型工业化进行了评价，预测了河南省基本实现工业化和全面实现工业化的时间表，希望发挥评价的导向和激励作用，促进河南新型工业化顺利发展。

一 河南省新型工业化的区域评价

（一）河南省新型工业化区域评价指标体系构建

我们根据科学性、系统性、可行性、可比性和动态性指标选取的原则，参考工信部新型工业化评价的有关指标，结合河南省的具体情况，选取了6个一级指标、18个二级指标（见表1）。

表1 河南省新型工业化评价指标体系

续表

（二）河南省新型工业化的评价方法选择

目前应用较广的评价方法根据指标权重确定方法大致可分为两大类：一类是主观赋权法，如层次分析法、德尔菲法、综合评价法等；另一类是客观赋权法，如主成分分析法、因子分析法、人工神经网络法等。综合考虑多种因素，在新型工业化的区域评价时我们选择了人工神经网络方法。

人工神经网络（Artificial Neural Network，简称ANN）是由大量简单元件广泛相互连接而成的非线性、非局域性、非定常性和非凸性的复杂网络系统。目前较有代表性的神经网络模型有感知器、线性神经网络、多层前馈型神经网络、RBF网络等，其中使用最广的是BP网络。BP网络是多层前馈型神经网络的一种，它是一个有导师的误差反向传播的神经元网络学习算法。其神经元传递函数是S型函数，输出量为0～1之间的连续量，可以实现从输入到输出的任意非线性映射。

因为BP神经网络要求输入的指标数值在（0，1）区间内，因此需要对指标原始数据进行预处理，在本项目中，我们采用了功效系数法对指标的原始数据进行预处理。在评价过程中，隐含层传递函数采用tansig，训练方法采用Levengerg-Marquardt算法，因此训练函数选用trainlm，采取该函数，在训练过程中不需要计算Hessian阵，因此使得计算量大大减小，收敛速度较快；在该项目中选取了trainlm函数，相应的各参数设置为：net.trainParam.goal（训练精度）为le-5，net.trainParam.show（现实训练迭代过程）为5，net.trainParam.epochs（最大训练次数）为500，其他参数为缺省值。

（三）河南省新型工业化区域评价结果

通过国家统计局的官方网站以及历年《中国统计年鉴》《中国科技统计年鉴》《中国环境统计年鉴》《中国电子工业年鉴》以及《中国高新技术统计年鉴》等多个统计年鉴，结合各个地区的统计公报，我们共收集了85组样本数据。因为训练网络需要足够的样本，因此，选取其中的84组（2007～2010年的样本数据）为训练网络用样本，剩余的1组（2011年的样本数据）作为检验用样本，并且训练好的网络也可以用来模拟待评价的对象。通过在Matlab7.0中编入相应程序后，仅仅经过30步迭代，BP神经网络收敛，此时网络已经训练成功。

1.河南省与全国、江苏、湖南的新型工业化评价结果

针对河南省、江苏省、湖南省和全国的新型工业化发展水平对比的需要，由于各省份和全国的新型工业化发展水平的评价指标存在差异性，因此，为便于比较，本项目在收集指标数据资料时，选取了各个省份和全国都具备的评价指标的数据，共有10个评价指标。同样也收集了2007～2011年的相应指标的数据，总共有20个样本数据，选取其中的19组（2007～2010年的样本数据）为训练网络用样本，剩余的1组（2011年的样本数据）作为检验用样本，这里只给出验证结果（见表2）。

表2 全国、河南、江苏、湖南的新型工业化综合水平网络验证结果

从表2中可以看出，江苏在新型工业化发展水平方面远远领先于全国平均水平，河南与全国和江苏相比还存在一定的差距，因此河南在新型工业化发展水平上还有待提高，尤其是江苏的发展经验值得我们借鉴学习。为