基于bp神经网络的农产品市场风险预警模型研究

基于bp神经网络的农产品市场风险预警模型研究

在市场经济体系下，农业市场风险是客观存在的，是不可避免的。对我国农产品市场风险进行分析,研究建立农产品市场风险预警体系,是一项十分重要和必要的工作。它不仅是对农产品市场风险进行有效管理的前提,同时还涉及到增加农民收入、提高全民生活水平、保持物价稳定等问题,是新时期促进我国现代农业发展,增加和稳定农民收入,构建和谐社会的必然选择。一、建立农业风险预警指标体系(一)建立农产品经营者模型农产品市场风险预警是指对农产品市场风险进行分析、评价、推断、预测,根据风险程度事先发出警报信息,提示农产品经营决策者警惕市场风险,从而为我国农产品生产与农产品市场的正常运行提供有效的指导,为我国政府的宏观调控提出合理的建议。(二)预警的警情指标农产品市场风险预警,属于经济预警范畴。遵循经济预警中“明确警情→寻找警源→分析警兆→预测警度→排除警情”的一般范式,其前提就是选择农产品市场风险的预警指标,建立科学、合理、完整的预警指标体系。农产品市场风险预警的指标体系主要包括警情指标、警源指标和警兆指标三种。明确警情是预警的前提,其任务在于明确监测预警的对象。警情是指经济运行的不正常状况。我国农产品市场风险的警情主要是农产品供需不平衡的状况,进而反映在农产品价格的波动上面。本文采用农产品价格的波动率作为农产品市场风险预警的警情指标。农产品价格波动率=(该期农产品价格-上一期的农产品价格)/上一期的农产品价格,该指标反映了农产品供求关系的变化,一般来说,正常情况下,农产品的价格在一定的范围内波动,当价格波动超出这个范围时,便会发生市场价格风险。警源是产生某种警情的根源,寻找警源是预警过程的起点。农产品市场风险的警源是指决定农产品价格水平和影响农产品价格波动的因素,从警情产生的原因及生成机制来看,农产品市场风险的警源指标主要包括自然警源、内生警源和外生警源三类。警兆是警情发生前表现出来的先导现象,是以警源为基础而选定的具体的预见性因素。分析警兆是预警过程中的关键环节,经济预警的主要目的就是根据警兆的变动研究警情的大小。要实现农产品市场风险的预警,选择合理的警兆指标是关键,根据前述对警情和警源指标的分析,本文分别从影响农产品供给与需求的因素,以及自然、经济、政策与国际环境等影响农产品价格的因素等方面,利用相关分析法,在排除了自相关的基础上,筛选确定出我国农产品市场风险预警的警兆指标(见表1)。二、bp神经网络的应用优势由于农产品供需过程是一种复杂的社会经济活动,其市场价格的波动具有时变性、高度非线性及相关因素繁多等特点。同时,农产品市场价格风险预警也是一个复杂的非线性映射,很难找到一个确定的函数进行准确表达。因此,层次分析法和自回归条件异方差等传统计量方法在农产品市场风险预警中存在很大的局限性。相比之下,BP神经网络具有很强的非线性逼近能力、自适应和自学习能力,在处理内部机理模糊复杂等传统计量方法难以解决的问题上面有着明显的优势:(1)BP神经网络是一个隐式模型,相当于一个黑箱,将系统的结构隐含于网络的权值和阀值当中。它不需要建立数学模型,只需要将历史数据交给网络,网络自己选择合适的模型,而且一般都很好地解决问题;(2)BP神经网络良好的非线性映射能力可以避开复杂的参数估计过程;(3)BP神经网络比其他方法更能容忍噪声,而时间序列的数据往往都含有大量的噪声(袁泉等,1998)。基于此,本文选择利用BP神经网络来构建我国农产品市场价格风险的预警模型。BP神经网络是采用误差反向传播算法的多层前馈网络,由一个输入层、一个输出层和若干个隐层组成,上下层之间实现全连接,而每层神经元之间无连接。BP算法是一种有导师学习,即在已知输入和理想输出的模式下进行学习,网络根据已知输出与实际输出的误差值来调节网络的权值。该算法可以看作是信息的正向传递和误差的反向传播两部分组成,其核心是通过一边向后传播误差,一边修正误差的方法来不断调节网络参数(权、阀值),以实现或逼近所希望的输入、输出映射关系;当一个信号输入到网络后,它要先向前传播到隐层节点,经过传递函数转换后,再把隐层节点的输出传播到输出节点;如果在输出层没有得到期望的输出,则计算输出层的误差变化值,然后转向反向传播,通过网络将误差信号沿原来的连接通路反传回来修改各层神经元的权值,通过权值的不断修正使网络的实际输出更接近期望输出。三、国内大豆市场价格联动机制近年来,我国由大豆出口国转变为纯进口国,且进口数量远远超过了我国的大豆生产量(已达到生产量的2倍),大豆市场价格的剧烈波动已引起社会各界的广泛关注。因此,选择大豆进行市场价格风险预警的实证分析,具有一定的代表性。(一)数据样本与警影指标选择我国大豆生产基本是一年一季。因此,本实证研究的预警时刻选为年,以1984—2004年的年度数据作为样本建立预警模型,利用2005年、2006年度的数据样本进行检验。结合大豆生产的特点及统计数据的可获取性,选择大豆生产价格指数的波动率作为警情指标。以表1所列的农产品市场风险预警警兆指标体系为基础,选择大豆单产增长率、大豆播种面积增长率、大豆生产成本增长率、大豆与玉米比较成本收益率比值、居民大豆食用消费增长率、工业用大豆增长率、种子用大豆增长率、受灾面积增长率和国际市场价格变动率共9个指标作为警兆指标。样本数据来源于《中国统计年鉴》和《中国农业统计年鉴》。(二)输出样本的预处理由于BP网络的连接函数大都采用S型,样本输入输出值都局限在一定范围,故应用BP神经网络时,对输入、输出样本的预处理十分重要,有助于提高效率、加快训练网络的收敛性。本文利用公式(1)对输入输出数据进行预处理,使之转化为[-1,1]区间上的值。Pi=2(Ii-Imin)/(Imax-Imin)-1(1)其中,Pi为预处理后样本;Ii为样本值;Imin为样本最小值;Imax为样本最大值。(三)网络基础设施的设计1.隐层网络结构的确定在BP网络中,设计神经网络的拓扑结构是非常重要的问题,它不仅对建立的神经网络模型的性能影响很大,而且可以导致“过拟和”现象,降低网络的推广能力。理论研究已经证明,虽然BP网络可以包含多个隐层,但在不限制隐层节点数的情况下,三层网络(即有一个隐层)可以实现任意非线性映射,对封闭区间内的任意连续函数实现网络逼近(陈如云,2007),故本文选择单隐层的网络结构。BP网络结构设计的主要困难在于隐层节点数的确定。隐层节点过少,则学习过程可能不收敛,单隐层节点过多,则会导致训练时间过长,还会造成“过拟和”问题,造成网络的容错性下降(王文剑,2000)。尽管隐层节点数的确定十分重要,但是目前理论上还没有一种科学的确定隐层节点个数的方法,实际应用中,往往需要根据设计者的经验和多次试验来确定(罗若谷等,2007)。公式(2)为我们提供了选择最佳隐层节点个数的参考。n1=n+m−−−−−√+a(2)n1=n+m+a(2)其中,n1为隐层节点数,m为输出层节点个数,n为输入层节点个数,a为1～10之间常数。本文共用9个指标来描述大豆市场风险的警兆,用大豆生产价格指数波动率来衡量或表示大豆市场风险,因此,本网络中输入点n=9,输出节点m=1。故最佳隐层节点个数n1应该在5～14个之间。根据训练情况,笔者利用增长法确定最佳隐层节点数为10。2.基于数值最优化理论的方法传统的BP算法是梯度下降法(“traingd”),参数沿着误差梯度相反的方向移动,使误差函数减小,直至取得极小值,其计算的复杂度主要是由计算偏导数引起的,这种基于梯度下降方法的线性收敛速度很慢。而基于数值最优化理论的Levenberg-Marquardt(L-M)算法是梯度下降法与高斯—牛顿算法的结合,既有高斯—牛顿法的局部特性又具有梯度法的全局特性,在训练精度和收敛速度上具有很好的优点(赵弘等,2002)。因此本文采用“tansig”作为本网络的转移函数,采用L-M算法“trainlm”作为本网络的训练函数。(四)模型训练过程本文利用MATLAB7.0,以1984—2004年大豆市场风险的9个警兆指标作为训练样本对BP神经网络进行训练。设训练误差为0.00015,Marquart调整参数mu=0.01,经过10次训练后,满足要求,如图1、表2所示。图1是对模型训练过程的描述,经过10次训练后,其识别误差小于0.00015,模型完全满足预警的需要。从表2可看出,网络的输出值与实际值很接近,说明已建的大豆市场价格风险预警模型满足要求。(五)风险预警模型验证从表2可以看出,笔者所构建的BP神经网络较准确地拟和出了大豆市场价格风险情况。但是,我们不能据此认为构建的BP网络是合适的,BP网络的效果好坏还要看该网络的外推能力如何。本文利用2005、2006年的警兆指标作为测试样本,对上述建立的大豆价格风险预警模型进行验证,结果见表3。验证结果显示,利用BP神经网络输出的2005、2006年大豆生产价格指数波动率的预测值与实际值十分接近,由此可见,建立的大豆市场风险预警BP网络模型符合要求。从实证结果可推出,利用BP神经网络对农产品市场风险进行预警是一种切实可行的方法。四、构建市场价格风险预警模型大豆市场价格风险预警模型的成功构建,进一步说明了基于BP人工神经网络的农产品市场风险预警模型是切实可行的。笔者认为,