基于GA-BP神經網絡的省域經濟風險預警研究——以安徽省為例

后小仙，馬小剛

（1.復旦大學 國際關系與公共事務學院，上海 200433；2.中國農業銀行 鄭州分行，河南 鄭州 450052）

一、引 言

省域經濟是推動中國經濟健康快速發展的重要載體，近年來，為了應對金融危機，各省級政府紛紛出臺政府主導性投資推動的經濟刺激計劃，這些投資計劃在促進經濟增長的過程中，極容易導致投資過熱，給地方經濟帶來系統性的危機與風險。國家審計署最新審計報告顯示，截止到2010年底，我國地方政府債務總額約為12.5萬億元左右，約占GDP的31.25%，同時，各地在產業結構調整、資源環境利用等方面也都存在著較多的矛盾與沖突。隨著現代市場經濟和區域經濟的加快發展，對省域經濟進行風險評估研究的必要性和重要性也就愈益凸顯。省域經濟風險是一種異變性風險，是指某個省域經濟偏離了穩定狀態，出現危機的因素和態勢。治理省域經濟風險，不僅需要對其運行現狀進行全面、深入的認識和評價，而且要對其未來的發展趨勢和潛在風險因素進行評估分析。省域經濟風險問題的出現，并不是一個突發的現象，而是一個逐步發生的過程，在危機發生之前必然會有相應的先兆，這就使預測風險、發布風險信號、制定化解策略成為可能［1］。本文圍繞省域經濟風險預警與控制問題，構建了省域經濟風險預警指標體系和預警模型，該評價系統是有效宏觀調控的監視器和檢測器，可以檢查監督省域宏觀調控措施的有效性，衡量經濟發展戰略的實施效果，為省級政府引導經濟健康發展提供重要的決策參考。論文在構建省域經濟風險預警指標體系與模型的基礎上，利用安徽省1995-2011年經濟運行的相關數據，對安徽省經濟風險狀況進行實證分析，并對保障安徽省經濟安全運行的政策選擇提出具有較強針對性的對策分析，對了解和把握安徽省經濟運行的基本態勢與潛在風險，在后危機時代實現科學發展與跨越發展具有重要的政策指導作用。

二、指標設計

經濟風險往往都是有先兆地具體表現在一些特定的風險指標的不尋常變化上，經濟風險評價是對多維復雜經濟系統風險程度的靜態評價，其指標體系是對系統安全程度的具體監測和衡量［2］。構建省域經濟安全預警指標體系，最重要的兩點在于指標的選取以及指標權重的確定。

（一）指標體系的建立

省域經濟是一個復雜、綜合的系統，省域經濟風險更是各種經濟因素共同作用的結果。從總體而言，省域經濟風險的影響因素可以大致分為幾個類別：經濟增長、財政金融、產業安全、社會可持續。這些類別相應的指標分別從不同角度、以不同方式對省域經濟風險產生影響。建立省域經濟風險預警指標體系的目的是為了評判省域經濟風險狀況，本文以經濟持續穩定增長、政府財政收支平衡、省域產業結構合理、社會具有可持續發展能力為省域經濟安全的衡量目標，通過相關理論研究，結合省域經濟特征，初步建立省域經濟風險預警指標體系，用以監測省域經濟年度數據異常。該指標體系的一級指標是省域經濟風險狀況，分為經濟增長、財政金融、產業安全、社會可持續等4個二級指標，每個二級指標又有若干個三級指標加以描述。

對初步建立的省域經濟風險預警指標體系進行信度檢驗，以考察指標體系對經濟風險問題是否具有相當好的解釋力。信度檢驗是為了檢驗指標采用同樣的方法對同一對象重復測量時所得結果的一致性程度，一般考察α 信度系數，其計算公式為：

用統計軟件SPSS19.0 對正向標準化后的表1 指標體系做信度分析，結果見表1所列。

表1 省域經濟風險預警指標體系可靠性分析

表1中顯示指標體系克朗巴哈α 值為0.864，標準化后項目克朗巴哈α 值為0.867，說明指標間有較高一致性。但是，考察總體項目統計表中修正項目總體相關一欄，有些指標相關值明顯小于其他指標，故刪去這些指標。經過信度檢驗之后的指標體系如表2所列。

表2 修正后的省域風險預警指標評價體系

（二）指標體系的說明

本指標體系試圖用固定資產增長率、基礎建設投資額（萬元）、社會零售商品總額（億元）、城鎮居民消費水平（元）、外貿依存度等指標反映省域經濟增長的風險狀況。經濟保持一定增速對國家和地區的發展和穩定有著重要意義。研究證明，我國經濟增速保持在8%～10%有利于維持社會穩定和就業，增速過高可能出現經濟過熱，過低則會增加失業率，不利于社會穩定和經濟發展［3］。消費、投資、外貿是我國經濟的“三駕馬車”，因此本指標體系分別從這三個方面選取指標。此外，又從質量入手，加入城鎮居民消費水平和居民消費價格指數兩個指標，以反映目前增長水平下居民的實際生活水平。

本指標體系從地方財政、省域銀行和省域保險業三個方面評價省域經濟的財政金融安全狀況，由于我國保險業發展較為緩慢，且對經濟安全影響較小，不設立該領域的具體指標。地方財政指標選取了財政赤字/GDP，從而可以在一定程度上反映省域政府對經濟風險的應對準備是否充足，同時選取人均財政收入、人均財政支出、人均稅收等指標評價在當前財政政策下居民福利和債務負擔；選取城鎮居民家庭人均可支配收入、農村居民家庭人均純收入反映當前財政政策下居民生活水平，選取省域銀行貸款規模增長率等省域金融指標反映省域流動性狀況。

本指標體系用實際利用外資額、第三產業從業人員比重、工業產值占地區生產總值的比重、勞動成本（平均工資水平）、企業研發費用占社會研發費用的比重等指標，分別從資本、結構、成本、研發等角度評價省域產業發展現狀，從而可以在一定程度上判斷省域產業結構狀況、企業生存狀況和生命力。由于數據不能獲取，故用平均工資水平替代勞動成本。

本指標體系用研究人員數、十萬人受高中以上教育人口、RD 經費支出（萬元）、城鎮化率、人口密度、城鄉消費水平比（農村=1）等指標評價省域經濟的可持續狀況，這些指標涵蓋了人口、環境、科技、居民生活等方面，反映了省域經濟的目標約束，從而可以在一定程度上判斷省域經濟在知識、人口等條件制約下是否具有可持續性，以及在未來一定時期內的發展趨勢。

（三）指標體系的權重設計

確定指標權重是指標體系構建和評估過程中的核心環節，不同的賦權方法會導致具體評價結果的差異［4］，本文采用層次分析法確定指標權重。建立由綜合指標層（A）、二級指標層（B）和三級指標層（C）構成的層次結構模型，綜合指標層只有一個元素，即省域經濟風險，二級指標層為m個描述性綜合指標B1，B2，…，Bm，三級指標層C是描述綜合指標和二級指標的個指標C11，C12，…，C1n，…，Cmn，各二級指標下的指標數目n不等，分別為ni，i=1，2，…，n。

利用K 組樣本分別對二級指標層Bi下的指標Bi1，Bi2，…，Bin進行因子分析，為了負向指標正向化和消除量綱，采取最大值最小值法對m個指標值組成的指標矩陣進行標準化處理，公式如下：

為了判斷指標進行因子分析的效果，對指標做信度與效度檢驗。其中，信度檢驗采用公式（1）的克朗巴哈α 值法。如果輸出α 值大于0.8，則說明指標內部一致性較好，可以客觀描述省域經濟風險。在信度檢驗基礎上，對有效樣本數據進行KMO 抽樣適當性檢驗和Bartlett 球度檢驗。KMO 統計量是取值在0～1 之間，當所有變量間的簡單相關系數平方和遠遠大于偏相關系數平方和時，KMO 值接近1。Kaiser 給出了常用的KMO度量標準：0.9以上表示非常適合；0.8表示適合；0.7表示一般；0.6表示不太適合；0.5以下表示極不適合。Bartlett 球度檢驗以原有變量的相關系數矩陣為出發點，用于檢驗相關陣是否是單位陣，即各變量是否獨立，它是以變量的相關系數矩陣為出發點，依據相關系數矩陣的行列式計算可得其近似卡方分布。如果統計量卡方值較大且對應的sig 值小于給定的顯著性水平α 時，零假設不成立，說明相關系數矩陣不可能是單位矩陣，變量之間存在相關關系，適合做因子分析。上述檢驗均可采用SPSS19.0完成。

對m個指標矩陣Zk×n，分別求解其初始公共因子Fi（i=1，2，…，p）和因子荷載矩陣A，并求Zk×n的特征根λ1≥λ2≥…≥λn≥λ0以及相應的特征向量u1，u2，…，un。則對于每一個指標矩陣Zk×n 中的n個指標，可以用p個公共因子的線性組合表示，公式如下：

其中，Z 為標準化后的矩陣；A 為Zk×n 的因子載荷矩陣；為公共因子矩陣。為特殊因子矩陣。

公因子個數p 可以根據相關矩陣的特征值確定，由于相關矩陣的特征值均值為1，故通常取特征值大于1的數作為公共因子數。在實際分析時，為了更清楚地知道每個公因子的實際意義，往往對載荷矩陣進行極大化旋轉，使得每個公因子上的最高載荷變量的數目最少。最常用的是方差最大正交旋轉法。旋轉后的因子荷載矩陣如下：）

（4）式中，A為因子載荷矩陣；T為使旋轉之后新因子方差最大化的正交矩陣。

運用加權最小二乘法分別計算m個指標矩陣的公因子得分矩陣如下：

計算各二級指標Bi下指標矩陣的綜合因子得分Si，i=1，2，…，m。

（7）式中，Si為二級指標Bi下各指標矩陣的綜合因子得分向量；W為各指標矩陣對應的二級指標層的權重向量。

三、理論模型

（一）預警方法的選擇

要想衡量省域經濟系統運行狀況，需要有龐大的時間序列數據作為支撐，并運用量變引起質變的思想把數據更新與時間變化有機結合，從而實現動態預測和評價省域經濟安全狀況。然而我國省域經濟數據的實際情況是統計年份較少，很多省級統計年鑒都是從20 世紀1990年代以后開始的，另外由于我國經濟參與到全球化的時間較晚，從而波動性較小，呈現穩定的趨勢，這些都制約著我們對省域經濟安全的客觀評價。

隨著數學模型和經濟理論的廣泛結合，產生了許多危機預警模型，總體上可以分為統計類和非統計類。統計類方法主要包括單變量判別模型、多元判別模型、Logistic回歸等方法；非統計類模型主要包括BP神經網絡模型、案例分析法、模糊優選法等。這些模型各有千秋，但都存在各自的不足，如線性判別模型需要變量服從正態分布并且分組樣本間的協方差要相等，但事實上各變量之間存在著多重共線性和相關性；BP神經網絡模型雖然理論基礎完善，但由于建模方式復雜，收斂速度和收斂精度受樣本分類的影響，使得模型的適用性和準確性較差［5］。本文根據我國省域經濟發展的現狀，考慮到引起省域經濟安全的深層次的原因，建立基于GA-BP神經網絡的省域經濟安全預警模型，采用GA算法優化BP神經網絡誤差函數，從而在年度統計數據較少的情況下，發揮BP神經網絡作為分類模型的優勢，工作流程如圖1所示。

圖1 預警方法流程

省域經濟風險預警是一個靜態評價和動態監測相結合的過程，目前已有的預警模型中多為靜態評價模型，GA-BP神經網絡預警模型可以通過相關參數和程序的設置，動態地預測未來時間段內經濟指標的變動狀況，對省域經濟安全狀況進行動態的監測，做出前瞻性判斷。

省域經濟風險問題研究主要著眼于穩定性和波動性的判斷。在正常情況下，省域經濟總體發展應呈現穩定的趨勢，這反映了省域經濟沒有受到較大干擾，在內外部環境的影響下仍具有較好的穩定性，即較高安全度；反之，如果在某些年份內有較大波動，從而偏離了穩定的趨勢，則可以認為省域經濟的發展在某個或者某些因素的影響下，無法繼續保持原有的穩定狀態，即省域經濟出現了問題。當然引起這種波動性的原因可能是正常的省域經濟轉型或者產業結構升級等，從而呈現暫時性，這些可以通過考察后續年份數據的波動性來加以判斷。為了考察省域經濟的波動性，并消除個別指標的非尋常變化引起的誤判，本文采用計算省域經濟風險綜合指數，以綜合指數變化的一倍標準差作為評判依據。

（二）預警模型的構建

根據GA 算法和BP 神經網絡相關理論，本文采用在BP神經網絡程序運行后，得出網絡誤差作為適應度函數，運用GA 算法對網絡權值閥值進行優化，然后再把優化之后的權值閥值帶入網絡進行下一步運行的策略。對GA 算法的迭代次數、種群規模，BP神經網絡的輸入樣本、輸出樣本、結構以及初始權值閥值等相應參數分別進行設計，利用MATLAB2010a 進行編程，實現GA 算法的優化功能和BP 神經網絡的分類預測功能。

1.BP神經網絡設計

（1）輸入層節點數。本文中的輸入變量采用上文中建立的省域經濟風險指標體系三級指標，所以輸入節點數為25（22）。

（2）輸出層節點數。如前所述，本文僅將省域經濟風險分為安全和不安全兩類，因此輸出層節點數為2個，分別為（1，0）和（0，1）。

（3）BP神經網絡的傳遞函數和學習規則。神經元的傳遞函數反映了神經元輸出與其啟動狀態之間的關系，本研究采用的傳遞函數為tansig函數和purelin函數。BP神經網絡的學習規則，即權值和閾值的調節采用的是誤差反向傳播算法。本研究采用MATLAB 神經網絡工具箱中的trainlm 學習算法，它具有收斂快、收斂誤差小、占用存儲空間大和性能隨網絡規模增大而變差等特點。

（4）隱含層設計。研究表明，當BP 神經網絡的傳遞函數為S型函數和purelin函數時，具有單隱含層的神經網絡可以逼近所有連續的函數。另外，雖然增加隱層數可以降低網絡誤差、提高精度，但是代價是使得網絡變得更為復雜，從而增加了網絡的訓練時間，甚至出現“過擬合”的現象［6］。所以在設計多層前饋網絡時，通常考慮單個隱含層，通過增加隱含層的節點數來增加網絡精度，而不需要設置多個隱含層。試湊法是確定最佳隱含層節點數常用的方法，可以先設置較少的隱含節點訓練網絡，然后逐漸增加隱含層節點數，用同一樣本集進行訓練，從中確定網絡誤差最小時對應的隱含層節點數。本文在設計網絡時，采取單隱層的前饋型神經網絡結構，即網絡結構為一個輸入層、一個輸出層和一個隱含層。并運用試湊法，經過多次試驗發現，當隱含層節點數為13個的時候，網絡達到速度和穩定性的最佳狀態，訓練和檢測的效果都最好。

2.GA算法參數設計

（1）GA算法基本參數。基本的GA算法在運行前，有以下4個運行參數需要預先設定：種群規模，即種群中所含的個體的數量，一般取20～100；GA 算法迭代次數，一般取100～500；交叉概率，一般取0.4～0.99；變異概率，一般取0.0001～0.1。本文中，由于數據序列較少，所以采取變通的方法，迭代次數為50 次，種群規模為10，交叉概率0.4，變異概率0.2。

（2）適應度函數。適應度函數表示個體或解的優劣性，它決定了當前循環所得的解是否可取的依據，也是決定當前群體中各個個體遺傳到下一代群體的概率。為了正確估計這個概率，要求所有個體的適應度必須非負，所以在處理實際問題時，往往需要預先確定好由目標函數值到個體適應度之間的轉換規律，特別是要預先確定好當目標函數為負數的處理方法。對于不同問題，適應度函數的定義方式不同，選取一個適當大的正數c，使得個體的適應度為目標函數值加上正數c。本文中的適應度函數取所有節點數的期望輸出與實際輸出的差方和。

3.預警模型工作流程

本文構建的GA-BP 神經網絡預警模型是利用matlab 的GA算法工具箱和BP神經網絡工具箱來完成的。整個程序包括對數據預處理、參數定義、BP 神經網絡生成、BP 神經網絡的訓練、BP神經網絡測試和神經網絡的仿真等幾個步驟編程，以及GA 算法和BP 神經網絡運行所需要的適應度函數、編碼、選擇、交叉、變異和時間序列預測等函數編程。

在實現步驟的先后次序上，由于GA 算法在本文中的作用是優化BP 神經網絡的權值和閥值，所以應首先初步建立BP神經網絡，而后插入GA算法程序，以達到程序目標。預警模型的具體工作流程如圖2 所示，主程序、子程序和函數程序在此省略。

（1）樣本選擇。省域經濟在一段時期內的安全與否，與這一段時間的波動幅度相關，所以本文采用省域經濟安全綜合指數的一倍標準差作為判斷依據，把省域經濟安全分為安全和不安全兩種狀態。對安徽省1995-2011年度經濟安全綜合指數做線性擬合，得出綜合指數年度變動趨勢線。選取經濟安全綜合指數正負一倍標準差作為界定區間，從而界定安徽省以往年份經濟安全狀況。

圖2 G A -BP 神經網絡預警模型工作流程

（2）輸入輸出數據。本文采用省域經濟安全指標體系整體作為BP 神經網絡的輸入層，因而本模型的輸入節點有25個。對于輸出數據，實際上是BP 神經網絡的期望輸出，在本文中，因為只需要判定省域經濟安全與否，所以只有“安全”和“不安全”兩個分類，分別用（0，1）和（1，0）來表示。

（3）數據預處理。在運用BP 神經網絡解決分類問題的時候，通常需要先對輸入數據進行消除量綱化的預處理，使其均值為0，方差為1。進行預處理有以下幾個原因：第一，神經網絡的輸入數據之間往往代表不同含義和具有不同的量綱，同一個樣本間的不同輸入變量有著不同的數據范圍，不同樣本里的不同輸入的變化間隔也不盡相同，通過尺度變換，把所有數據都轉換成（0，1）間的數據，從而使網絡訓練一開始就賦予各輸入變量以同等重要的地位；第二，BP神經網絡的神經元均采用Sigmoid 轉移函數，變換后可以防止因凈輸入的絕對值過大而使神經網絡輸出飽和，繼而是權值調整進入誤差曲面的平坦區［7］；第三，Sigmoid轉移函數的輸出在（0，-1）或者（-1，-1）之間，作為訓練信號的輸出數據如果不進行變換處理，勢必使數值大的輸出分量絕對誤差大，數值小的輸出分量絕對誤差小，網絡訓練時只針對輸出的總誤差調整權值，其結果在總誤差中占份額小的輸出分量相對誤差較大，對輸出量進行尺度變換后就能很好地解決這個問題。數據進行無量綱化的方法有最大值最小值法、標準差法等，本文數據的無量綱化預處理采用最大值最小值法，通過調用matlab神經網絡工具箱的maxmin函數實現。

（4）訓練和測試樣本。對于一個以分類為目標的BP 神經網絡模型而言，網絡的訓練樣本數取決于輸入變量和輸出變量非線性對應關系的復雜程度，映像關系越復雜，模型中含的噪聲就越大，為了保證精確度，模型所需要的樣本數就越多，從而使得網絡的規模也越大［8］。但是考慮到安徽省域經濟的實際情況，只有1995-2011年的年度數據，所以采取的方法只能是一方面縮減輸入節點數，另一方面通過GA 算法優化BP神經網絡的權值閥值。

四、實證分析

數據的可獲得性是本文中設計指標遵循的原則之一，省域經濟風險評價指標體系中的單項定量指標數據一般可以通過查閱地方統計年鑒、國民經濟與社會發展統計公報、地方政府工作報告、地方政府預算及其執行情況報告、工作總結等相關資料獲得。對于其中不能通過查閱數據庫獲得的指標數據可以通過設立相關的測度指標或進行專項調研的方式獲得，定性指標需進行問卷調查的形式來獲取。根據已選定指標體系和評價方法，采集安徽省1995-2011年相關資料并進行整理和合成，對安徽省經濟風險狀況進行實證分析。

（一）綜合指數分析

按照公式（2）對指標數據進行正向標準化后，利用SPSS19.0軟件對指標進行信度與效度檢驗，結果見表3、表4所列。

表3 安徽省域經濟風險評價指標體系可靠性分析

表4 安徽省域經濟風險評價指標體系效度分析

根據表3 對省域經濟風險評價指標體系可靠性的分析結果可知，指標體系克朗巴赫α系數和修正的克朗巴赫α系數均大于0.95，達到相當高的水平，這表現指標體系中指標之間有著強烈的一致性，從而能夠有效率地詮釋省域經濟安全運行狀況。表4 顯示出指標體系的KMO 值均接近或者大于0.7，巴特萊特球度檢驗的卡方值較大，且對應的概率值均為0.00，小于給定概率0.025。綜合表3 和表4 結果，可知本文所構建的省域經濟風險評價指標體系各指標均與經濟風險問題有較大相關性，與指標體系反映目標相符，能夠客觀反映出省域經濟風險的狀況，適合采用因子分析法對省域經濟風險進行評價。

對4個二級指標下的三級指標進行因子分析，按指標矩陣特征值大于一的個數確定公共因子個數，運用統計軟件SPSS19.0，分別得出4個二級指標的因子負荷表（表5）和因子得分矩陣。

表5 因子負荷表

根據上述因子負荷表和因子得分矩陣，可以計算得出二級指標層得分矩陣如下：

由公式（7）結合二級指標綜合得分Si，可計算得出1995-2011年安徽省經濟風險綜合指數為：-1.85364，-1.85998，-1.80027，-1.88463，-1.64432，-1.27592，-1.04192，-0.91786，-0.39628，-0.13275，0.059405，0.632269，1.324006，1.834002，2.183737，2.983545，3.790606。據此繪制曲線圖如圖3所示。

圖3 安徽省經濟風險綜合指數示意圖

對安徽省1995-2011年度經濟風險綜合指數做線性擬合，綜合指數年度變動趨勢基本與直線y=0.188x-1.509 接近，R2=0.928。選取經濟風險綜合指數正負一倍標準差作為界定區間，界定安徽省以往年份經濟風險狀況如圖3。由圖3可知，1995、1996、2002、2005、2010、2011年度安徽省經濟安全綜合指數波動較大，將其作為省域經濟有風險的數據。

（二）指標數據預測

采取交叉預測方法，即用1995-2011年數據預測2012年數據，然后把預測得到的2012 數據加入神經網絡，用1996-2012年數據預測2013年數據。預測結果見表6至表9。

表6 2012-2013年經濟增長二級指標（B1）數據預測

表7 2012-2013年財政金融二級指標（B2）數據預測

表8 2012-2013年產業結構二級指標（B3）數據預測

表9 2012-2013年可持續性二級指標（B4）數據預測

（三）預警結果

選取1995-1998年、2002-2005年和2009年數據為訓練樣本，以1999-2001年、2006-2008年數據為測試樣本，檢驗神經網絡性能如表10所示。

表10 免疫神經網絡測試結果

從表10 中可以看出，2007年實際輸出結果為（1，1），與（0，1）和（1，0）兩種情況都不相符，這說明神經網絡犯了第二類錯誤，犯第二類錯誤的概率為1/6，同時沒有出現第一類錯誤的情況，說明本文構建的神經網絡模型對經濟安全問題有比較強的分類預警能力。

把神經網絡預測得到的2012-2013年數據輸入本文建立的GA 算法優化的BP 神經網絡中，對安徽省2012-2013年省域經濟風險狀況進行預警。在設定的參數下，網絡迭代10次就開始平穩，達到設定誤差，顯示了相當強的識別力和解釋力，預警結果見表11所列。

表11 2012-2013年安徽省經濟風險預警結果

五、結論與啟示

（1）2013年安徽省經濟總體狀況較為穩定。研究結果表明，2010年安徽經濟總體狀況存在局部風險，2011年安徽省經濟風險狀況仍延續這一狀況，但2012年經濟風險狀況已好轉為安全，說明2012年金融危機等外部因素對安徽省的影響正在逐步減弱，同時國內宏觀政策調控顯現積極效果，在一系列有利因素和政策的支持下，2013年安徽省經濟總體狀況將表現良好。

（2）2013年安徽省經濟增長狀況良好。根據預測結果，2012年和2013年安徽省人均地區生產總值增長率分別為20.01%和20.75%，與2010年的18.78%和2011年的12.63%相比，呈現穩定增長趨勢，其他指標預測值也處于穩定增長的狀態。預測結果顯示，2012年、2013年的固定資產投資增長和進出口總額的增長都表現不俗，說明經過宏觀調控及一系列的應對措施，拉動安徽經濟有效增長的投資與出口有了明顯的改善，逐步回到正常的水平，這也是2013年安徽經濟增長狀況良好的基礎與保障。

（3）2013年安徽省財政金融領域存在風險因素。2012年安徽省財政金融風險狀況為安全，到2013年則轉化為有風險。根據預測數據，大部分指標數據與歷史數據相比，均呈現穩定或穩定增長趨勢，而省域銀行存貸比和財政赤字/GDP兩個指標變動明顯，且在2013年預測數據中均呈上升趨勢，前者可能與省域銀行信貸緊縮、民營企業貸款障礙有關，后者則可能是地方政府債務風險開始顯化所致。因此，需要加大對中小企業融資擔保的財政支持力度，加大對創業初期的小額貸款公司的財政扶持力度，并積極探索和創新中小企業融資的新方式、新途徑。

（4）2013年安徽省產業風險狀態呈現良性發展趨勢。2012年安徽省產業風險狀況為有風險，到2013年則轉變為安全。預測結果表明，2013年相比2012年，安徽省在第三產業從業人員比重、工業產值占地區生產總值的比重等指標較為穩定，同時可以看出實際利用外資額、勞動成本、企業研發占社會研發費用比重等預測數據與歷史數據相比有所提升。這說明過去產業發展過程中存在的一些主要問題，如技術創新內在動力不足、區域產業關聯度低、技術創新環境建設滯后、政府部門硬性支持較少等問題在不斷地得到改善。

（5）2013年安徽省經濟可持續性發展呈現回落發展趨勢。由于可持續性安全指標狀況主要考察的是安徽省人口、環境、科技、居民生活等社會約束狀況，因此這樣的預測結果也可以從一定程度上顯示未來兩年中安徽省經濟穩定的可持續發展能力。從預測數據中可以看出，雖然各類可持續發展指標均呈穩定增長趨勢，但由于2012年在宏觀政策的影響下，各省市用于科技與教育方面的投資都有一個井噴式增長，顯然這種增長不具有可持續性，因而2013年安徽經濟可持續發展類指標可能會有一定程度的回落。因此，有關部門應盡快完善科技成果的轉化機制，加大對科技成果的轉化和產業化的投入力度，加大重點科技創新基地建設和科研資源建設的投資力度，加大對科研人員智力投入的力度。

［1］顧海兵，張一弓.后30年：中國國家經濟安全戰略的總體研究［J］.經濟學動態，2010（1）：10-14.

［2］藍必華.建立區域經濟風險預警與控制系統對策研究——以深圳龍崗區為例［J］.改革與戰略，2006（8）：10-13.

［3］張漢林，魏磊.全球化背景下中國經濟安全量度體系構建［J］.世界經濟研究，2011（1）：8-14.

［4］葉衛平.國家經濟安全定義與評價指標體系再研究［J］.中國人民大學學報，2010（4）：93-98.

［5］史峰，王輝，郁磊，等. MATLAB 智能算法30個案例分析［M］.北京：北京航空航天大學出版社，2011：56-72.

［6］楊淑娥，黃禮.基于BP神經網絡的上市公司財務預警模型［J］.系統工程理論與實踐，2005（1）：13-26.

［7］Leon Clarke，Weyant John，Birky Alicia. On the sources of technological change：Assessing the evidence［J］. Energy Economics，2006，28（5/6）：579-595.

［8］Moore，Arent，Norland. RD advancement，technology diffusion，and impact on evaluation of public RD［J］.Energy Policy，2007，35（3）：1464-1473.