鉴于建立煤矿应急救援评价模型的重要性，国内外学者致力于煤矿应急救援能力评价的研究。在国外，首先将应急救援管理融入政府职能。美国是第一个对政府应急能力进行评价的国家。其评价体系由政府、企业、社区、家庭协调联动的灾害应急能力组成，包括13项管理职能，56个影响因素，209种属性以及1014个评价指标。在1989年，澳大利亚应急管理总署颁布了《澳大利亚应急手册系列》，并不断修改，主要内容有应急管理原则、应急管理方法、应急管理落实、应急救援技术规范和应急救援培训5个方面。2002年在日本举行了“地方公共团体之地域防灾能力及危机管理应对能力评价研讨会”，总结出评价指标，并实际进行评价，找出了自身发展中所存在的缺陷。其次，国外学者也积极进行应急能力的学术研究。Michaell. Greenberg学者运用问卷调查的方式，获得了对医疗机构突发事件应急能力建设工作的评价数据，研究得出各州之间存在一定差距。David P．Eisenman等学者在文中对洛杉矶州各机构的应急能力完备情况进行了调查，结果表明应急能力还待进一步提高。DanielWeisdorf学者指出了应急能力建设的重要性，说明了加强应急能力建设的最有效方法就是对其进行评估，最后归纳出应急能力的影响因素。
同样，国内对于应急救援的研究也在不断深入中。谭章禄和张长鲁学者在确定评价指标体系的基础上运用层次分析法设定指标权重，并采用可拓优度理论确定了应急能力物元的经典域和节域，结合企业具体实例对评价物元优度进行计算，得出煤矿应急能力等级。岳宁芳学者依据近年来我国煤矿的安全现状、重大灾害的特点、和应急能力的内涵，提出了由7个一级指标所构成的评价指标体系，并将其应用到煤矿实际评价中，奠定了评价基础。韩晋平等学者根据煤矿应急救援能力的含义，基于煤矿应急救援能力影响因素的分析构建了指标体系，同时运用灰色一模糊综合评价法建立评价模型，对煤矿应急救援现状进行评价。苗成林等学者根据各评价指标间的关联性进行赋权，构建评价指标网络结构图，在此基础上依据习惯领域的特点，找出了煤矿应急救援能力评价方法、模型、步骤，并通过实证分析找出最强影响因子和最弱影响因子。之后还根据该结构采用结构方程模型验证了不同评价指标对煤矿应急救援能力的不同影响程度和方式，据此提出了煤矿应急救援建设的建议。冯珍、郝晶星学者在组织管理、制度建设、保障系统、人力资源的基础上构建了煤矿应急救援能力的评估指标，运用模糊决策参数法规定各评价指标的属性值，将此方法运用于日常评价实践。王璐等学者从建设的可持续发展角度出发，以应急计划能力、应急执行能力、应急检查能力、应急处理能力为基准，建立了具有22个评价指标的煤矿应急救援能力评价指标体系；使用网络层次分析法分析各评价指标间的相互关系，最终构建了PDCA - CMEC评价模型。谷威丽、李新春12]学者探讨了应急管理的内涵，据此建立了基于灰色系统理论的煤矿应急能力评价模型，得出了现有评价系统中的不足，对煤矿应急管理评价系统的改进具有指导意义。
通过文献分析可以得到，对于煤矿应急救援能力的评价大部分都采用单一评价方法，主观因素对评价过程和评价结果的影响较大，并未彻底依据样本数据得出评价结果。因此，对其研究的规模和深入程度还有待进一步提高。本文首先依据相关研究成果，构建了完整的应急救援能力评价指标体系；然后采用熵值法设定指标权重，在改进层次分析法的基础上进一步将指标定量化；最后运用支持向量机对小样本数据进行综合评价，据此建立了煤矿应急救援能力评价模型。
1 煤矿应急救援能力评价模型的构建
1.1 构建煤矿应急救援能力的评价指标体系
全面、客观、合理的评价指标体系是做好煤矿应急救援能力评价的基础，也是构建评价模型的第一步。本文在国家安全法规、文献研究和实际调研的基础上，总结出综合反映煤矿应急救援能力的评价指标，其内容主要包括预防危险能力、应急救援准备能力、实际救援减灾能力和善后恢复能力四方面，具体内容见表1。
1.2基于熵值法确定评价指标权重
熵在信息论中被称为平均信息量，熵是对不确定信息的一个度量。不确定信息量越大，不确定性就越小，熵也就越小，反之亦然。根据熵的概念，可以得出熵值法，以此来确定权重系数。熵值法是根据各评价指标的观测数据所提供的信息量来确定指标权重的，主要用于突出局部差异，是一个相对数值。
假设yij(i =1，2，…，n；j=l，2，…，m)为第i个评价对象的第j项评价指标的样本数据：对于确定的j，yij的差异越大，则该评价指标对被评价对象的作用就越大，即该指标所包含及传输的信息越多。信息量的增加表示熵的减少，以下为利用熵值法确定评价指标权重的步骤：
1)构建决策矩阵，运用改进层次分析法，通过专家判断，得出判断矩阵U，以此作为决策矩阵。
2)对决策矩阵进行归一化处理，运用式(1)得到标准矩阵。对于第j项评价指标，第i个评价对象的特征比重为：
式中，k>0，ei>O。若yij对于任何j都相等，则pij= l/n,，并且ej= klnn,。
4)计算各评价指标的差异系数。对于确定的j，yij差异越小，那么e，越大，若yij全部相等，则e=e。ax =1（k=l/lnn,），那么评价指标对比较不起作用；反之，y。差异越大，那么ej越小，评价指标对被评价对象的比较作用越大，由此得出差异系数hj =1 - ej，hj越大，那么该项指标对于被评价对象的比较作用就越大。
5)通过式(3)获得信熵权重。
6)结合信熵权重，利用式(4)的乘数合成归一法，得出各评价指标权重。
1.3基于支持向量机评价样本数据
煤矿应急救援能力评价是一个连续、动态的过程，其评价指标之间相互联系且相互制约。评价目的与评价指标之间显示出错综复杂的非线性映射关系，同时鉴于评价数据难收集的特点，采用已有的统计、回归方法，例如层次分析法、模糊综合评价，很难客观、准确地进行评价。支持向量机是一种新型机器学习方法，能够很好地解决小样本、非线性、高维数问题。
支持向量机回归算法的学习目的是构造一个合理的回归估计函数f(x)，并且要求函数值与目标值的距离低于ε，以及函数的VC维最小，因而把函数f（x）（线性或非线性函数）的回归估计问题变化为具有线性等式约束条件和线性不等式约束条件的二次规划问题，从而得出唯一全局最优解。其核心思想是利用“核映射”把输入的样本空间映射到高维特征空间，在高维特征空间中通过线性回归进行非线性处理。运用支持向量机回归算法进行煤矿应急救援能力评价的过程如下：
1)假设训练样本集表示为：
其中，x1∈Rn，yi ∈y=R，i=1，2，…，l，xi是样本输入值，y。是样本输出值，l是样本数，n表示输入样本维数，在本文中指评价指标的个数。
2)通过样本训练集寻求一个实值函数g(x)，使得该函数的期望风险达到最小，用y=g（x）函数来推断出任一输入的x所对应的y值。因此需要选择合适的损失函数。利用ε一不敏感函数的思想，设定合理的ε、惩罚参数C、松弛变量ζ。
3)对于非线性问题，支持向量机回归算法引入核函数，把样本数据转化到合理的高维特征空间。回归问题实际上是相似问题，而非线性变换Φ利用内积表示了这种相似性。所以，依据核函数原理和Mercer定理，采用内积构造核函数，见式(5):
4)实际评价中，在选定核函数后，非线性回归问题转化成的对偶问题为：
5)最后，构造非线性回归问题的决策函数(7)式，将函数值作为评价结果进行评价：
2实证分析
以安徽省淮南矿业集团下属某煤矿为研究对象，鉴于煤矿应急救援能力评价数据难收集的特点，基于所收集到的小样本数据，运用基于熵值法和支持向量机的评价模型进行评价。
2.1 样本数据的选取
根据评价模型所建立的指标体系，对淮南矿业集团下属该煤矿以往某一时段的应急救援能力评价资料进行筛选和处理，整理得出表2，列为样本数据。表中各项评价指标得分是以百分制为基准，对该煤矿在一段时间内对于各项指标的建设和实施情况所进行的评分。
2.2熵值法权重计算
由于各评价指标的重要程度不同，首先采用Delphi法，由学术专家、煤矿管理者、企业安全管理者、一线矿工、社会人士、政府主管等各方面人员组成讨论小组，经过三轮讨论、打分，将其汇总结果作为初始决策矩阵。打分依据为：若评价指标Ra与Rb同样重要，用1表示；若评价指标Ra比Rb重要，用2表示，若评价指标Ra没有Rb重要，用0表示。利用改进层次分析法进行计算，得出判断矩阵和初始权重，有效地避免了一致性检验的要求。见表3。
然后依据熵值法的求解步骤，对数据进行归一化处理，计算出指标的特征比重、信息熵值，最后得出信熵权重。采用乘数合成归一法，得出各一级指标的最终权重vj，计算结果见表4。
2.3支持向量机回归分析
首先进行数据处理，运用熵值法求得的指标权重分别为0. 0361、0.1978、0.4062、0.3598，结合收集的样本数据，经加权计算后求得各样本的总评分；然后将所有样本数据进行归一化，数据处理结果见表5。
接着，依据支持向量机的训练要求将样本数据随机分为三部分，分别为训练样本数据、实验样本数据和检验样本数据。将表中的1~4号样本数据作为建模的训练样本子集，5~7号样本数据作为优化模型的实验样本子集，8~10号作为检验模型的检验样本子集。
在回归模拟中，其泛化能力的主要影响因素为径向基核函数参数a和惩罚参数C，径向基核函数参数a可以隐含地改变映射函数，进而调整各个样本数据在高维特征空间上分布的复杂程度：惩罚参数C的作用是可以在一定的空间中变化学习机的置信范围及经验风险的比例：因此，本文采用调整步长网格搜索的方法，通过回归计算所得的绝对差和相关系数，来确定最佳参数组合。首先设定一组(a，C)的取值范围和两个参数的搜索步长，这样在a和C的坐标系下就形成了一个二维网格，即对两个参数进行了限制，通过进一步缩小取值范围和重复计算，最终确定出最佳参数的取值，即：a =2，C=1。
然后将a和C值带入支持向量机回归算法进行计算，得出回归预测结果见表6。运用最优模型对检验文件进行回归计算的绝对差为0. 0053，相关系数为0. 99985。可见，运用支持向量机进行评价具有较高的准确率。
同时，运用网络层次分析法及SD( Super De-cisions超级决策)软件的煤矿应急救援能力评价结果与本模型的评价结果进行对比，ANP法是基于AHP法所提出的一种对于非独立阶层次结构的决策方法，不仅能够将复杂问题系统化，而且可以充分考虑到相邻层级及同一层级的各评价指标之间的影响关系。通过综合分析所得出的指标权重，对合理地评价煤矿应急救援能力具有十分重要的意义。SD软件主要用于ANP问题的求解，能够更便捷地计算出评价结果。具体评价过程如下：首先根据上文建立的煤矿应急救援能力评价指标体系构建出ANP结构模型，确定出控制层、网络层和元素组，并在SD软件中建模。对于各个指标，依据与其存在依存反馈关系的指标在元素组内的重要性进行两两比较，得出表3中的各项数据，并将其输入SD软件，然后经计算得出各项指标的权重，各项一级指标的权重分别为0. 05097、0.17595、0.47619、0.28879。
最后采用加权方法计算出ANP模型的评价结果，其绝对差为0. 0131，相关系数为0.99947。经比较得出，基于熵值法和支持向量机的评价结果与实际更为接近。
3结语
本文构建了一种基于熵值法和支持向量机的煤矿应急救援能力评价模型，并将其用于实际评价研究中，结果表明：
1)基于国家安全法规、文献研究和实践经验所建立的煤矿应急救援能力评价指标体系，较为完整地呈现了煤矿应急救援工作的各个阶段所需具备和评价的能力，保证了评价指标的全面性、系统性、可行性和实用性，为更好地进行煤矿应急救援能力评价奠定基础。
2)熵值法是依据数据所提供的信息来确定权重系数，在专家评价的基础上利用熵值法对其进行客观赋权，将定性方法与定量方法相结合，进一步提高了权重系数的准确性，客观地反映了数据所提供的信息量。
3)支持向量机回归算法的决策函数是根据少数支持向量所决定的，计算的复杂程度取决于支持向量的数目，在某种程度上避免了维数灾；同时能使我们迅速抓住关键样本，具有较好的鲁棒性。正是鉴于支持向量机的这个特点，采用该方法对煤矿应急救援能力的小样本数据进行评价，保证了评价结果的客观性。通过实证分析验证，该模型得出的评价结果与实际一致，证明该模型便捷、有效。
4 摘要：
为增强煤矿应急救援能力，提高评价的精度，弥补单一评价方法的缺陷，构建了基于熵值法和支持向量机的煤矿应急救援能力评价模型。根据各评价指标数据所提供的信息量，运用熵值法设定指标权重，进一步将指标权重定量化、客观化；同时鉴于煤矿应急救援能力评价数据难收集、影响因素复杂多变的状况，结合具有处理非线性、小样本数据问题的支持向量机进行评价，保证了评价结果的准确性。实证分析表明，该模型的评价结果与煤矿实际应急救援能力非常接近，可用于实际的煤矿应急救援能力评价。
