以河南和四川為例基于matlab的BP神經(jīng)網(wǎng)絡(luò)預(yù)測第一產(chǎn)業(yè)增加值

陳亦新 鄢冉

隨著社會的發(fā)展，人們改造自然，利用自然的能力和效率不斷提高。本研究的目的是為了探討自然和人類活動對人們生產(chǎn)的影響?？紤]到自然的數(shù)據(jù)是非線性的，傳統(tǒng)的辨識系統(tǒng)的方法就無能為力了，這時候我們選擇更穩(wěn)定的神經(jīng)網(wǎng)絡(luò)模型。

一、數(shù)據(jù)來源

數(shù)據(jù)來源于“中國統(tǒng)計(jì)局”和“中國氣象數(shù)據(jù)網(wǎng)”。

從“中國統(tǒng)計(jì)局”中獲取了河南省和四川省的第一產(chǎn)業(yè)增加值和財(cái)政支農(nóng)支出；從“中國氣象數(shù)據(jù)網(wǎng)”中獲得了全國824個氣象站點(diǎn)的日均氣溫、降水量、光照時長等月度數(shù)據(jù)。

由于第一產(chǎn)業(yè)對自然的依賴相比其他兩個產(chǎn)業(yè)來說更顯著一些，決定將研究對象定為對氣象最為敏感的第一產(chǎn)業(yè)。

自然對生產(chǎn)的影響最普遍的就是通過氣象來影響。所以本研究中用年均氣溫（℃），年均降水（mm），年均光照時長（h）來表示自然的數(shù)據(jù)。

人類活動數(shù)據(jù)使用該省份財(cái)政支農(nóng)支出的數(shù)據(jù)?？紤]到財(cái)政對農(nóng)業(yè)的投入不能第一時間轉(zhuǎn)化為實(shí)際的增加值，再加上所能獲取到的支農(nóng)支出的統(tǒng)計(jì)年份的限制，將滯后年份設(shè)置為4年，即現(xiàn)在的投入會對四年后的第一產(chǎn)業(yè)增加值產(chǎn)生最顯著的影響。

二、數(shù)據(jù)處理

因?yàn)闅庀髷?shù)據(jù)是月數(shù)據(jù)，所以我們首先需要將月數(shù)據(jù)轉(zhuǎn)化成年數(shù)據(jù)。轉(zhuǎn)化方式如下：首先找出研究省份內(nèi)的所有氣象點(diǎn)，因?yàn)闅庀簏c(diǎn)的數(shù)量可能會有波動，河南省內(nèi)大約有11個氣象點(diǎn)，四川省內(nèi)大約有17個氣象點(diǎn)。將這些氣象點(diǎn)的數(shù)據(jù)提取出來，然后相加求和再除以氣象點(diǎn)數(shù)量和月份的乘積，得到省份的年均氣象數(shù)據(jù)。

（一）BP神經(jīng)網(wǎng)絡(luò)介紹

Back propagation神經(jīng)網(wǎng)絡(luò)是1986年被提出的，是一種按照誤差逆向傳播算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)，也是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)。

人工神經(jīng)網(wǎng)絡(luò)不需要事先確定輸入輸出映射關(guān)系的方程，而且通過隨機(jī)數(shù)確定權(quán)矩陣，然后通過輸入訓(xùn)練集，來訓(xùn)練網(wǎng)絡(luò)，訓(xùn)練之后，使用時候，用事先確定好的預(yù)測集進(jìn)行預(yù)測檢驗(yàn)?；舅枷刖褪翘荻认陆捣?，利用梯度搜索技術(shù)，是神經(jīng)網(wǎng)絡(luò)的實(shí)際輸出值和期望輸出值之間的誤差均方差為最小。

我們把對Matlab中的輸入的數(shù)據(jù)看成神經(jīng)細(xì)胞的輸入信號，然后每一個都會乘上一個權(quán)值w_ij，然后求和。但是以上這些只是線性變化，為了達(dá)到非線性的目的，我們將處理過的結(jié)果，又做為新的輸入輸給別的神經(jīng)元，很多這樣的神經(jīng)元就構(gòu)成了神經(jīng)網(wǎng)絡(luò)。

但是BP神經(jīng)網(wǎng)絡(luò)是具有一定缺陷的。首先就是存在麻痹現(xiàn)象，由于優(yōu)化的目標(biāo)函數(shù)很復(fù)雜，必然會在神經(jīng)元輸出接近0或者1的時候，出現(xiàn)一些平坦區(qū)，使得權(quán)值的變化極小，使訓(xùn)練過程停止。其次是BP算法是一種局部搜索的優(yōu)化方法，很可能陷入局部極值導(dǎo)致訓(xùn)練失敗。

（二）設(shè)計(jì)思路及代碼解釋

1、設(shè)計(jì)思路

使用matlab引用Excel表格中的數(shù)據(jù)。

對引入數(shù)據(jù)進(jìn)行處理，把月度數(shù)據(jù)轉(zhuǎn)化成年度數(shù)據(jù)。

對所有數(shù)據(jù)進(jìn)行歸一化。

創(chuàng)建神經(jīng)網(wǎng)絡(luò)。

使用數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)。

檢驗(yàn)神經(jīng)網(wǎng)絡(luò)，并且作圖。檢驗(yàn)分為三部，只用氣象數(shù)據(jù)進(jìn)行訓(xùn)練；只用支農(nóng)支出數(shù)據(jù)進(jìn)行訓(xùn)練；同時使用氣象數(shù)據(jù)和支農(nóng)支出數(shù)據(jù)訓(xùn)練。通過計(jì)算結(jié)果的均方差來判斷擬合效果。

2、代碼解釋

xlsread（‘SiChuanData.xlsx）引用名為‘SiChuangData的Excel中的數(shù)據(jù)，切記目前matlab還不支持.xls后綴的Excel文件。

[inputn，inputs]=mapminmax（input）是歸一化函數(shù)，input是原序列，然后inputn是歸一化之后的數(shù)列，inputs是歸一化的結(jié)構(gòu)和方法。稍后可以利用inputs進(jìn)行反歸一化mapminmax（‘reverse，歸一化數(shù)據(jù)，歸一化結(jié)構(gòu)）。

newff（inputn，output，10）是創(chuàng)建只有一個有10個神經(jīng)元的隱含層神經(jīng)網(wǎng)絡(luò)。

trainParam是可以更改創(chuàng)建的神經(jīng)網(wǎng)絡(luò)的屬性的?！?epochs是迭代次數(shù)；‘.lr是學(xué)習(xí)速率；.goal是目標(biāo)誤差；‘.max_fail是連續(xù)進(jìn)行了未能減少誤差的迭代就終止訓(xùn)練的最大迭代次數(shù)。

train（net，inputn，outputn）是對net神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

（三）運(yùn)行結(jié)果及分析

1、運(yùn)行結(jié)果

2、結(jié)果分析

（1）雖然每一次運(yùn)行神經(jīng)網(wǎng)絡(luò)的結(jié)果都是不一樣的（因?yàn)槌跏嫉臋?quán)矩陣是隨機(jī)的），但是經(jīng)過20次的運(yùn)行，可以發(fā)現(xiàn)無論是四川省還是河南省，都是支農(nóng)支出加上氣象數(shù)據(jù)得到的擬合效果最好，均方差也最小。然而稍微對比一下finance和meteorology的圖像，不看看出，氣象的變化對于第一產(chǎn)業(yè)增加值的影響遠(yuǎn)遠(yuǎn)小于支農(nóng)支出的影響。但是可以在一定程度上，彌補(bǔ)支農(nóng)支出的均方差，更好的解釋一下第一產(chǎn)業(yè)增加值的在增長大趨勢下的細(xì)微波動。

（2）財(cái)政支農(nóng)支出與第一產(chǎn)業(yè)增加值呈現(xiàn)同步的持續(xù)增長，而且近年來財(cái)政支農(nóng)支出占財(cái)政支出的比重不斷增加，這也體現(xiàn)了人們對第一產(chǎn)業(yè)的重視和影響力的提升，這也意味著削弱了氣象的隨機(jī)性變化對第一產(chǎn)業(yè)的影響。

（3）基于劉宏杰2008年中國財(cái)政支農(nóng)支出對第一產(chǎn)業(yè)增加值的影響的研究結(jié)論，中國財(cái)政支農(nóng)支出對產(chǎn)業(yè)的貢獻(xiàn)份額不斷上升，而且兩者之間存在穩(wěn)定的協(xié)整關(guān)系和雙向的格蘭杰因果關(guān)系。

（4）近些年來，我國沒有發(fā)生什么嚴(yán)重的氣象災(zāi)害，所以氣象對第一產(chǎn)業(yè)的影響一直處于一個正常的低水平的程度，但是隨著環(huán)境的逐漸惡化，全球變暖的加劇，氣候的波動會隨之加劇，而這意味著氣象對第一產(chǎn)業(yè)的影響會顯著增加，氣象也會成為不得不考慮的重要因素。

綜上所屬，本研究得到最終結(jié)論：人為因素（支農(nóng)支出）是影響第一產(chǎn)業(yè)增加值的第一要素，氣象的波動對增加值的影響極小。但是研究結(jié)果也表明了氣象數(shù)據(jù)確實(shí)對預(yù)測第一產(chǎn)業(yè)增加值起到了正向的作用?；跉庀髷?shù)據(jù)和財(cái)政數(shù)據(jù)可以更精確的預(yù)測第一產(chǎn)業(yè)增加值。