基于支持向量機的天津產(chǎn)業(yè)結(jié)構(gòu)分析

本文整理天津近年的經(jīng)濟數(shù)據(jù)，采用支持向量機進行數(shù)據(jù)挖掘，構(gòu)建出產(chǎn)業(yè)結(jié)構(gòu)對天津經(jīng)濟發(fā)展影響的模型。利用該模型，分析天津市不同產(chǎn)業(yè)結(jié)構(gòu)的數(shù)據(jù)，預(yù)測出不同產(chǎn)業(yè)結(jié)構(gòu)對天津自貿(mào)區(qū)發(fā)展的影響，進而對天津產(chǎn)業(yè)結(jié)構(gòu)調(diào)整產(chǎn)生借鑒意義。

天津經(jīng)濟發(fā)展對環(huán)渤海都市圈和中國經(jīng)濟發(fā)展戰(zhàn)略的實施都有著重要作用，天津自貿(mào)區(qū)的設(shè)立再次提升天津的經(jīng)濟地位，天津的發(fā)展在京津冀一體化系統(tǒng)和我國經(jīng)濟轉(zhuǎn)型中發(fā)揮示范引領(lǐng)作用。因此，天津經(jīng)濟研究具有必要性，對天津經(jīng)濟發(fā)展決策具有指導(dǎo)意義。

近年來，國內(nèi)外學(xué)者對經(jīng)濟預(yù)測給出了很多方法，而統(tǒng)計學(xué)習(xí)理論的支持向量機方法更具有代表性和深厚的理論基礎(chǔ)。支持向量機（Support

Vector Machine，SVM）在解決小樣本、高維度及非線性問題上優(yōu)勢明顯。目前，該方法在很多領(lǐng)域已經(jīng)得到廣泛的應(yīng)用，例如手寫識別，字符識別等。本文通過SVM對天津近年來的經(jīng)濟發(fā)展數(shù)據(jù)進行處理和研究，對天津經(jīng)濟進行預(yù)測，理論預(yù)測結(jié)果較好地符合實際值，進而說明了該研究是有效可行的。

研究現(xiàn)狀

隨著計算機領(lǐng)域的快速發(fā)展和大數(shù)據(jù)的興起，學(xué)者們運用數(shù)據(jù)挖掘方法，多角度對經(jīng)濟做了大量的研究。周子英等利用PCA-SVM模型對長株潭經(jīng)濟數(shù)據(jù)進行了驗證性測試和分析，該模型預(yù)測精度顯著提高。由向平將ARIMA模型、指數(shù)平滑模型、SVRg型加權(quán)組合，確定權(quán)系數(shù)的組合模型較單一模型的預(yù)測精度有所提高，但當模型個數(shù)增加時精度的增速會變緩。蔣輝提出灰色支持向量回歸自適應(yīng)在線模型。田豐闡述了光滑技術(shù)在SVM和TSVM中的應(yīng)用，并采用正則化方法。本文針對天津的不同產(chǎn)業(yè)數(shù)據(jù)進行分析，構(gòu)建產(chǎn)業(yè)結(jié)構(gòu)分析模型，利用SVM的優(yōu)勢進行經(jīng)濟數(shù)據(jù)預(yù)測，并采用RBF核函數(shù)以提高預(yù)測精度。

基于SVM天津產(chǎn)業(yè)結(jié)構(gòu)分析

（一）模型構(gòu)建

為了研究不同產(chǎn)業(yè)對天津經(jīng)濟發(fā)展的影響，構(gòu)建以下模型：

TJ=<產(chǎn)業(yè)數(shù)據(jù)集，評價指標，SVM算法，性能參數(shù)實驗結(jié)果>

其中，評價指標包括：年度全社會固定資產(chǎn)投資及其年增長率、全社會民間固定資產(chǎn)投資及其年增長率、全社會新增固定資產(chǎn)及年增長率、城鎮(zhèn)固定資產(chǎn)投資及其年增長率、新增固定資產(chǎn)及其增長率、資金來源合計及本年資金來源小計、國家預(yù)算內(nèi)資金、國內(nèi)貸款、自籌資金、企事業(yè)單位自由資金、城鎮(zhèn)固定資產(chǎn)投資項目、非私營單位從業(yè)人員數(shù)及其工資總額、私營單位從業(yè)人員數(shù)及其工資總額、私營單位及非私營單位的平均工資及其增長率等。

（二）算法實現(xiàn)

SVM首先通過使用非線性變換將輸入變換到一個高維空間，再在這個高維特征空間中求廣義最優(yōu)分類面，這樣，核函數(shù)就能夠反映高維特征空間中任意兩個樣本點之間的位置關(guān)系，因而對樣本點的分類具有重要意義。本文采用的RBF核函數(shù)適用范圍廣，并具有較大的收斂域，表示為：K（Xi，xi）=exp（yllx-Xill）2

（三）預(yù)測過程

將數(shù)據(jù)集進行預(yù)處理理，并確定分類標簽，執(zhí)行分類和預(yù)測，得到性能參數(shù)，過程為：

1.將原始數(shù)據(jù)集進行預(yù)處理，分別形成測試集樣本和訓(xùn)練集樣本；

2.創(chuàng)建SVM模型，初始化參數(shù)，拉格朗日乘子和及閥值賦初值；

3.利用訓(xùn)練樣本集建立目標函數(shù)，求解函數(shù)，得到拉格朗日乘子和以及閥值的值；

4.將參數(shù)帶入估計函數(shù)中得到預(yù)測模型，用測試課本求得下不同產(chǎn)業(yè)的預(yù)測值并且計算函數(shù)誤差，若誤差小于預(yù)先設(shè)定值時，結(jié)束學(xué)習(xí)過程，否則，返回繼續(xù)學(xué)習(xí)。

數(shù)據(jù)分析

（一）數(shù)據(jù)集

整理2013年天津統(tǒng)計局的年鑒數(shù)據(jù)，根據(jù)不同產(chǎn)業(yè)的劃分，確定數(shù)據(jù)集。數(shù)據(jù)集的產(chǎn)業(yè)包括：農(nóng)林牧漁業(yè)，采礦業(yè)，制造業(yè)，電力、熱力、燃氣及水生產(chǎn)和供應(yīng)業(yè)，建筑業(yè)，批發(fā)和零售業(yè)，交通運輸、倉儲和郵政業(yè)，住宿和餐飲業(yè)，信息技術(shù)服務(wù)業(yè)，金融業(yè)，房地產(chǎn)業(yè)，商務(wù)服務(wù)業(yè)，科學(xué)技術(shù)服務(wù)業(yè)，水利、環(huán)境和公共設(shè)施管理業(yè)，居民服務(wù)業(yè)，教育，衛(wèi)生和社會工作，文化、體育和娛樂業(yè)，公共管理、社會保障和社會組織。

（二）實驗結(jié)果及分析

采用SVM算法進行實驗，求得性能參數(shù)：正確率95%，特異性50%，敏感性100%。在數(shù)據(jù)集中，預(yù)測信息技術(shù)服務(wù)業(yè)，公共管理、社會保障和社會組織對天津經(jīng)濟發(fā)展所起的帶動作用較弱，其他產(chǎn)業(yè)較強。由上可見，預(yù)測結(jié)果準確度比較高，模型建立比較合理。

對于存在的誤差，利用可行的技術(shù)進行聚類析，將遠離預(yù)測數(shù)據(jù)的預(yù)測結(jié)果舍棄，對余下的數(shù)據(jù)進行集成，將數(shù)據(jù)包含在平均值附近正態(tài)分布區(qū)域內(nèi)，來提高預(yù)測精度。

結(jié)論與展望

本文采用支持向量機方法，分析天津的經(jīng)濟數(shù)據(jù)及產(chǎn)業(yè)結(jié)構(gòu)。由天津產(chǎn)業(yè)發(fā)展研究及其對天津經(jīng)濟的影響，來推動天津自貿(mào)區(qū)的發(fā)展，進而對天津的產(chǎn)業(yè)結(jié)構(gòu)調(diào)整提出借鑒意義，具有一定的先進性。（本文受天津財經(jīng)大學(xué)“大創(chuàng)計劃”項目（2015026），天津社會科學(xué)基金項目（TJYYl5-017），教育部人文社會科學(xué)研究一般項目（14YJA630025）資助。