基于ＢＰ神經網絡的中國制造業生產率預測模型

　　摘要：BP網絡能學習和存貯大量的輸入-輸出模式映射關系，而無需事前揭示描述這種映射關系的數學方程。因此采用三層BP網絡實現制造業工業增加值、制造業全社會固定資產投資和工資向全要素生產率的轉換，借助MATLAB神經網絡工具箱編寫了訓練程序、測試程序、預測程序，最終神經網絡隱層含有13個節點，傳遞函數采用tansig函數；輸出層傳遞函數選用purelin函數，得到的訓練誤差為8.44272×10-6，結果滿意，可以認為該神經網絡可以用來實現這個關系映射，并對2007年全要素生產率進行了預測。
　　關鍵詞：神經網絡；全要素生產率；預測；生產物流
　　中圖分類號：F513.2 文獻標識碼：A
　　
　　未來經濟發展狀況一直是人們探討的問題。經濟預測是在一定的經濟理論指導下，以經濟發展的歷史和現狀為出發點，以調研資料和統計數據為依據，在對經濟發展過程進行定性分析和定量分析的基礎上，對經濟發展的未來情況所作出的推測。由于經濟現象紛繁復雜，能獲取的統計資料有限，現有的經濟預測理論與方法還不能對此給予完全合理的解釋和有效的預測，經濟預測的實效往往不佳，為此本文引入神經網絡方法對中國制造業生產率進行短期預測，獲取促進制造業生產率發展的具體途徑，同時，也為經濟領域同類短期預測準確性的解決提供一種可行的思路和方法。
　　
　　一、BP神經網絡的基本原理
　　
　　BP（Back Propagation）網絡能學習和存貯大量的輸入-輸出模式映射關系，而無需事前揭示描述這種映射關系的數學方程。它的學習規則是使用最速下降法，通過反向傳播來不斷調整網絡的權值和閾值，使網絡的誤差平方和最小[1，2]。BP神經網絡模型拓撲結構包括輸入層（input layer）、隱層(hidden layer)和輸出層(output layer)（如圖1所示）。
　　
　　二、BP神經網絡訓練程序的編制
　　
　　借助于MATLAB神經網絡工具箱[3]來實現多層前饋BP網絡的轉換，免去了許多編寫計算機程序的煩惱。神經網絡的實際輸出值與輸入值以及各權值和閾值有關，為了使實際輸出值與網絡期望輸出值相吻合，可用含有一定數量學習樣本的樣本集和相應期望輸出值的集合來訓練網絡。
　　
　　1.訓練參數的設定
　　訓練參數的設定：一般先對如下參數進行賦值：
　　最大訓練步數：net.trainParam.epochs=1000
　　最小梯度差：net.trainParam.min-grad=-3
　　精度目標值：net.trainParam.goal=1e-4
　　顯示間隔：net.trainParam.show=20
　　動量系數：net.trainParam.mc=0.9
　　學習率：net.trainParam.lr=0.5
　　
　　2.設計網絡函數
　　設計網絡函數newff：用于創建前饋式BP網絡，調用語法為：
　　net=newff