基于BP神經網絡模型的中國茶葉出口預警分析

黃新穎， 楊文麗

(江南大學法學院，江蘇無錫 214000)

20世紀90年代后期，世界經濟衰退，主要發達國家經濟增長乏力，貿易保護主義抬頭，在各國關稅大幅度下降的情況下，技術性貿易壁壘(technicalbarrierstotrade，簡稱TBT)成為國際貿易壁壘的重要形式。所謂技術性貿易壁壘就是指在國際貿易中，一國以維護國家安全或保護人類健康和安全、保護動植物生命和健康、保護生態環境或防止欺詐行為、保證產品質量為由，采取一些強制性或非強制性的技術性措施，如技術標準與法規、合格評定程序、綠色包裝和標簽要求、動植物衛生檢疫措施、信息技術壁壘等，而這些措施成為其他國家商品自由進入該國市場的障礙[1]。簡言之，技術性貿易壁壘是對進口產品實施不合理的技術法規標準，或者設置復雜的認證認可程序。從性質上看，TBT具有雙重性，其積極的一面是適當采取TBT可以合理有效地保護人類健康和生態安全等；此外，TBT又具有歧視性和貿易保護的性質，在客觀上限制產品進口。另外TBT的量化困難，難以準確判斷其是否超越合理程度，這就為一些國家借TBT的名義進行貿易保護提供了廣泛的操作空間。且在具有技術水平差距的國家之間更容易實施這種隱蔽性貿易措施，其中農產品是國際貿易中設置技術性貿易壁壘的傳統領域[2-3]。

近幾年，技術貿易壁壘發展迅速，中國遭遇世界TBT通報量大幅增加，2000—2006年，世界TBT通報量由88次增加到217次，2006年之后，TBT通報量更是每年都達到1 000次以上，到2014年高達2 144次，是2006年的10倍[數據來源于技術壁壘資源網(http：//www.tptmap.cn/portal/tandard_tbt/default.jsf?frame=tbt)]。其中機電產品、農產品與食品是實施TBT的主要領域，美國、歐盟、加拿大、日本等發達國家和地區發布的通報總量占世界總通報量的50%以上。歐盟的化學品新政策、RECAH制度(即化學品注冊、評估、授權與限制制度)、2項電子電氣指令和日本的“肯定列表制度”成為近年國際技術性貿易措施領域的熱點問題，且這一系列舉措在很大程度上影響我國產品的出口，因此，建立良好的出口貿易預警機制迫在眉睫[4]。

眾所周知，茶葉是我國主要的出口創匯農產品，出口量長期居世界前列，在我國農產品出口中占有重要地位。茶葉出口對發展茶區經濟促進中國貧困山區的發展、增加茶農收入、改善茶農生活質量發揮了重要的作用，而日本是我國茶葉出口的傳統主銷市場，對日茶葉出口關系到我國茶葉生產和出口的穩定。本研究對中國出口日本的茶葉所遭受日本的技術性貿易壁壘進行分析，通過構建神經網絡預警模型，利用當年的出口貿易情況構建警兆指標，對下一年遭遇的技術壁壘進行預測，給出相應的警度，從而可以使有關部門迅速地采取預防措施以減少或避免損失[5]。

1 日本的技術性貿易壁壘對中日茶葉貿易的影響

1.1 日本技術性貿易壁壘的實施

長期以來，日本是我國茶葉出口的主要國家之一，自2001年起，日本不斷提高進口茶葉的農藥殘留標準，成為影響中日兩國茶葉貿易發展的主要障礙。2005年11月日本政府發布通告并于2006年5月29日正式實施食品農業化學殘留限量的“肯定列表制度”，其中規定了所有農業化學品在茶葉中的殘留限量，檢測項目多，標準要求近乎苛刻，對全球797種農藥、獸藥和添加劑設定新的殘留限量標準，比原來的食品安全規定增加了500多種，其中約有150種屬于我國常用農藥，占我國農藥種類的比重超過55%[6-7]。而我國農藥殘留限量在茶葉行業一直存在多重標準，并且殘留限量標準項目比較少，這與日本等發達國家的執行標準相差甚遠。如果茶企只是按照我國的標準生產和出口茶葉，則其出口日本的茶葉農藥殘留限量超標的可能性會很大[8]。

1.2 中國農產品出口受阻情況

日本、美國、歐盟和韓國是我國農產品出口的主要市場，也是我國遭遇農產品技術性貿易壁壘最多的國家和地區。近年來，這四大市場在中國農產品出口市場中所占的份額呈現下降趨勢，其中日本的下降趨勢最為明顯。在2008—2012年年間，我國農產品出口日本的受阻批次為1 357次，其中日本共計扣留我國茶類出口總數達到82次，僅因為茶葉農藥殘留不達標而被扣留的次數約占90.25%[數據來源于技術壁壘資源網(http：//www.tptmap.cn/protal/tandard_tbt/default.jsf?frame=tbt)]。

1.3 中國出口日本茶葉的現狀

中國作為日本最大的茶葉進口來源國，尤其是在2005年，中國茶葉在日本茶葉進口總量中的比例高達75.8%。但隨著日本“肯定列表制度”的出臺，我國對日茶葉出口數量和金額持續下降。由圖1可知，在2002—2005年，中國出口至日本的茶葉量基本在3萬t以上，出口額基本高于7 000萬美元；2006年該技術性貿易措施實施以后，中國茶葉對日本的出口數量和金額快速下降，出口量從2006年的2.77萬t下降至2013年的1.76萬t，下降36.46%[數據來源于聯合國UNCOMTRADE數據庫(http：//comtrade.un.org/db/dqQuickQuery.aspx)]。

綜上所述，技術性貿易壁壘措施是新時期的一種貿易限制手段，深入了解日本在茶葉進口領域的技術貿易壁壘措施，建立相應的預警體系，避免和減少損失，具有現實的經濟和社會意義。

2 預警的理論與方法

所謂預警指的是對某一警素的現狀和未來進行測度，預報不正常的時空范圍和危害程度，并提出相應的防范措施。不同于一般的預測，預警不僅要對未來的狀況做出預測，還要對所預測的結果進行分析和處理，得到對策的直觀結論。經濟預警的完整邏輯體系應包括建立指標體系、選擇預警方法、發現警兆、分析警情并采取相應措施等[9]。在系統辨識和預測中，須要建立性能良好、穩定的模型對系統進行準確的辨識和預測。事實上，經濟不是直線式穩步增長的，而是在周期波動中上升或者下降的，也就是在擴張和收縮的交替中發展。經濟波動劇烈或者蕭條嚴重時，出現危機，給社會經濟帶來嚴重的損失，甚至給全球造成巨大災難。經濟預警是指圍繞經濟循環波動這一特定經濟現象所展開的一整套經濟監測、評價、預測和政策選擇的理論和方法體系。通常采用傳統的定性分析就能解決線性問題，但對于非線性問題就顯得無能為力了。相比之下，神經網絡顯示了明顯的優越性[10-11]。

人工神經網絡是一類模擬生物神經系統結構，由大量處理單元組成的非線性自適應動態系統，具有學習能力、記憶能力、計算能力以及智能處理功能，在不同程度和層次上模仿大腦的信息處理機制。人工神經網絡不須要構建任何數學模型，只靠過去的經驗和專家的知識來學習，通過網絡學習達到其輸出與期望輸出相符的結果，目前主要用來處理模型的、非線性的、含有噪聲的數據[12]。其中BP神經網絡結構簡單，訓練與調控參數豐富，是神經網絡中應用最廣泛的一種，在圖像語音識別、股市分析預測、管理問題優化與決策等方面得到大量實際應用。

2.1 警情指標的建立

警情指標可反映茶葉出口遭遇技術性貿易壁壘直接產生的不正常情況，是區分警度的關鍵性指標。本試驗選取2004—2014年中國茶葉出口增長率、中國對日本茶葉出口增長率、日本茶葉進口增長率作為警情指標，具體如表1所示。

表1 2004—2014年警情指標統計情況[13]

表2 警情指標的Minitab分析結果

表3 警情指標的權重

2.1.2 警情指標歸一化處理 由于警情指標是綜合指標體系而非單一指標，因此須要建立一個警情指標總指數，用R進行定義，并定義其取值范圍為0～100。在預警指標體系中有正、負2類指標，正指標表示隨著國際貿易形勢的改善和政策的寬松，這一類指標朝著有利的方向變動，與經濟系統的良性循環成正比，而負指標則與之相反。因此，也可以這樣來定義：正指標越大，說明遭遇技術壁壘的情況越輕；負指標越大，說明遭遇技術壁壘的情況越嚴重。

表4 警情指標歸一化的結果

R1和R2分別是預警值發生變化的臨界點，R1右半部分是重度警報區間，R1、R2之間是由重度向輕度警報過渡的區間，R2左半部分是正常區間。而臨界值R1和R2的計算如下：按照統計學上μ-σ原則，μ=AVERAGE(R)=58.060 6，s=STDEV(R)=27.255 95，于是R1=μ+s=85.316 55，R2=μ-s=30.804 65。那么，當R值大于85.316 55時，說明技術壁壘已經非常嚴重，容易引起重大損失，必須立刻采取有效措施；當R值處于[30.804 65，85.316 55]區間時，說明有一些技術壁壘措施已實施，須要引起重視；當R值小于30.804 65時，說明當前的技術壁壘措施未有很大影響。按照這個標準就可以判斷哪些屬于嚴重紅燈警報級別，哪些屬于中度黃燈警報級別，還有一些是輕度綠燈警報級別。

為加快模型的收斂及BP神經網絡的學習效率，將所有的輸入數據全部歸一化到[0，1]區間內，同時按照總警情指數，設置相應的輸出目標值Y1、Y2、Y3，用布爾變量與報警信號燈聯系起來，則向量(1，0，0)、(0，1，0)、(0，0，1)就分別代表綠燈、黃燈、紅燈。經過處理的輸出數據如表5所示。

表5 輸出目標值

2.2 警兆指標的建立

警兆指標反映茶葉出口遭遇技術性貿易壁壘呈現出的先導性預兆，本試驗選取3類9種指標，分別為(1)國內產業指標：X1，中國茶葉對日本出口增長率/日本茶葉進口增長率、X2，中國對日茶葉出口價格/日本國內茶葉價格、X3，中國對日本茶葉出口總額/日本茶葉進口總額、X4，中國茶葉出口總量/中國出口貿易總量。(2)貿易對象指標：X5，日本經濟增長率、X6，日本居民消費價格指數、X7，日本貿易進出口總額(億美元)、X8，失業率。(3)技術指標：X9，技術性貿易壁壘通報量。所有指標經過歸一化處理，具體如表6所示。

表6 2004—2013年歸一化后警兆指標的統計情況[14]

3 技術性貿易壁壘預警的BP神經網絡模型

由圖2可知，BP網絡由輸入層、隱含層、輸出層組成。輸入層和輸出層的單元數是由具體問題的輸入層參數和輸出層參數來確定的，而隱含層的單元數則由具體問題的復雜程度、誤差下降情況等來確定。一般情況下，BP網絡隱含層的傳遞函數是S型函數，從而輸出層也逼近線性函數。BP網絡間的連接權在網絡的學習中不斷得到修正，使輸入層與隱含層之間、隱含層與輸出層之間的2組權所構成的網絡能實現學習樣本中輸入參數與輸出參數間的特定映射關系，權的分布體現了各輸入分量在輸入矢量中所占特征強度的分布。把用來描述評價對象特點的信息作為神經網絡的輸入向量，將代表響應評價結果的向量作為神經網絡的輸出，然后用足夠的樣本訓練這個網絡，使不同的輸入向量得到相應的輸出量值，這樣神經網絡特有的那組權系數值(即閾值)便是網絡經過自適應學習得到的正確內部表示，訓練好的神經網絡可以作為一種有效的工具，對樣本模式以外的對象作出相應的分析[15-18]。

基于BP神經網絡的預警模型就是將歷年警兆指標和警情警度錯位地組成樣本進行網絡訓練，得出警兆指標和未來某一年警情之間的映射關系；在建立警兆指標和警情之間映射關系的基礎上，輸入當年的警兆指標值，可以預報未來特定時間警情的警度。警兆指標為輸入xi，而滯后警兆指標一定時間的市場警情為輸出yi。

構建BP神經網絡的預警模型所要做的是將整理的樣本分為2個部分，一部分組成訓練集，用以訓練網絡；另一部分組成檢驗集，用以檢驗所建立模型的準確性。也就是說，先用訓練集中的樣本訓練網絡，得出警兆指標和警情警度之間的映射關系，構建預警模型；然后將檢測集中樣本的警兆指標值輸入到訓練完畢的BP網絡中，并將網絡的輸出和實際的警情警度進行比較，判斷已完成訓練預警模型的準確性。本試驗建立的模型就是要反映當年警兆指標和滯后1年警情指標之間的映射關系，借助模型預測出滯后警兆指標1年的警情程度，從而提出預報。

3.1 模型的訓練

本試驗收集了2004—2013年的10組數據，按照BP神經網絡模型的學習訓練和驗證要求，將這10組數據分成2個部分：第1部分是訓練樣本，共9組，用以訓練網絡模型進行自主學習；第2部分是驗證樣本，共1組，用以驗證已經學習完畢的網絡正確性。采用S型函數作為激發函數，使用Matlab數據挖掘處理軟件中的人工神經網絡工具箱模塊編寫學習訓練程序，利用計算機的自動運算功能，實現自動迭代。

t=[0 1 0；0 1 0；0 1 0；0 1 0；0 0 1；0 1 0；0 1 0；0 1 0；0 1 0]

t=t′

net=newff(minmax(p)，[150，3]，{‘tansig’，‘logsig’}，‘traingdm’)；

inputWeights=net.IW{1，1}%輸入層與隱含層的連接權重；

inputbias=net.b{1}%輸入層與隱含層的閾值；

layerWeights=net.LW{2，1}%隱含層與輸出層的連接權重；

layerbias=net.b{2}%隱含層與輸出層的閾值；

net.trainparam.show=100；%每經100次訓練顯示有關信息；

net.trainparam.lr=0.2；%學習速率為0.2；

net.trainparam.epocbs=10 000；%最大迭代次數為 10 000 次；

net.trainparam.goal=0.001；%誤差為0.001；

net=train(net，p，t)；

T=sim(net，p)；

E=T-t；

MSE=mse(E)；

echo off；

p1=[0 0.760 4 0.451 3 0.336 3 0.728 3 0.125 0.792 1 0.083 3 0.575 8]；

p2=p1′；

t2=sim(net，p2)。

3.2 BP網絡模型的驗證

按照BP神經網絡的一般驗證方法，將檢測樣本的警兆指標輸入已經建立的網絡模型中，可以得到網絡輸出值。將該輸出值與實際值進行對比，如果兩者相當接近則表明前面建立的網絡模型有較高的擬合度，可準確反映輸入輸出函數的映射關系，從而作出有效的預警。將檢測樣本的輸入變量輸入到網絡模型中，得到的網絡輸出結果見表7。

表7 神經網絡模型檢驗結果對比

從神經網絡的輸出結果來看，實際輸出與期待輸出雖然有微小的誤差，但是比較接近，可以較為真實地反映實際綠燈警情結果。具體誤差e可以用歐式范數來表征：

計算可得誤差值為0.817%。因此，本試驗建立的基于BP神經網絡的預警模型有很好的泛化性能，可以作為技術貿易壁壘預警體系的預警模型。

3.3 2015年中國茶葉出口日本遭遇技術貿易壁壘預警分析

建立技術貿易壁壘預警體系的作用是為了對尚未發生的下一年警情做出預報。收集2014年的相關指標數據并進行歸一化處理，以滿足BP神經網絡預警模型的輸出要求。結果見表8。

表8 2014年的警兆指標及歸一化值

將經過歸一化處理的各警兆指標值作為BP神經網絡預警模型的輸入，經過模型的內部處理，得到預警模型的輸出。涉及到的Matlab程序如下：

P3=[0.798 80 0.905 861 0.331 169 0.256 529 0.689 655 0 2.263 605 0 0.454 546]

P_forecast=P3′

T_forecast=sim(net.P_forecast)

運行結果如表9所示。

表9 神經網絡模型預測結果

從BP神經網絡預警模型的實際輸出可以發現，網絡各結點的輸出近似于中警警度(0，1，0)情況下各結點的輸出。因此，經過本試驗所建立的基于BP神經網絡預警模型的分析，2015年中國對日本出口茶葉面對的技術貿易壁壘將處于“中警”警度的警情狀況下。雖然還沒有達到非常嚴重的地步，但是存在一定程度的警報，仍然須要重視，并積極采取相關措施預防。

4 應對策略

針對我國目前防御技術貿易壁壘的現狀，提出幾點應對措施：(1)必須建立符合我國國情的技術標準體系，制定重點傾向生態環保化的標準，加強與國外檢測機構的合作，積極爭取與國際知名檢測認證機構互通有無，以避免因與發達國家的標準差異太大而導致出口產品被退回現象的發生。(2)企業自身必須積極應對，推進技術改造和技術進步。我國出口的茶葉多以未加工的天然茶葉為主，附加值比較低，相對容易受到發達國家技術性貿易措施的負面影響。所以，我國政府須要大力發展茶葉深加工，可以通過直接補貼、貸款資助等措施來支持茶葉加工行業的技術創新，研發附加值較高的加工產品。(3)最關鍵的是要建立健全技術性貿易措施預警機制，通過政府建立國外技術性貿易措施收集、處理機制，以及國內技術檢驗壓測網絡機制、信息風險評估及預警共享機制等，對國際茶葉市場，特別是發達國家茶業進口的技術性貿易措施進行監控、評估和發布。通過構建技術性貿易措施的預警機制，讓茶葉出口企業及時應對發達國家相關貿易措施，降低可能產生的貿易風險和損失。(4)各相關部門也要引起重視，相關行業協會要積極參與政府談判，協助企業解決爭議，在技術壁壘的預警和識別上，努力實現政府機構、行業協會、科研機構、茶葉企業的全面協作、各司其職、聯動應對，形成良性互動[19-21]。

5 結論

為應對目前中國茶葉出口日本大量遭遇技術貿易壁壘的現狀，及時檢測預警并采取防御措施，本試驗選用泛化能力強、擬合優度高的BP神經網絡系統研究茶葉出口技術壁壘的預警問題，并且取得良好的試驗效果，但由于訓練和測試樣本數量較少，該預警模型的實際應用價值還有待深入研究，使模型更加完善和逼近現實。

[1]孫敬水. 技術性貿易壁壘的經濟分析[M]. 北京：中國物資出版社，2005：20.

[2]陳曉娟，穆月英. 技術性貿易壁壘對中國農產品出口的影響研究——基于日本、美國、歐盟和韓國的實證研究[J]. 經濟問題探索，2014(1)：115-121.

[3]夏友富. 技術性貿易壁壘體系與當代國際貿易[J]. 中國工業經濟，2001(5)：14-20.

[4]高志前，黃冠勝. 技術性貿易措施戰略研究[M]. 北京：企業管理出版社，2012：50-60.

[5]江 凌. 技術性貿易壁壘國內研究綜述[J]. 商業時代，2012(35)：53-54.

[6]顧國達，牛曉婧，張錢江. 技術壁壘對國際貿易影響的實證分析——以中日茶葉貿易為例[J]. 國際貿易問題，2007(6)：74-80.

[7]肖新越，陳 微. 日本“肯定列表”制度對我國茶葉出口的影響[J]. 北方經貿，2009(1)：40-42.

[8]王雅楠. 日本技術性貿易壁壘的現狀和發展趨勢[J]. 商業經濟，2007(11)：75-76，80.

[9]陳 敏. 我國輸美紡織品服裝技術貿易壁壘預警系統研究[D]. 南京：南京理工大學，2013.

[10]杜 軍. 基于粗集-神經網絡的宏觀經濟預警研究[D]. 南京：河海大學，2003.

[11]黃繼鴻，雷戰波，凌 超. 經濟預警方法研究綜述[J]. 系統工程，2003，21(2)：64-70.

[12]曹 巍. 中國出口紡織品應對歐盟綠色貿易壁壘預警系統研究[D]. 保定：華北電力大學，2007.

[13]國家統計局.中國統計年鑒(2004—2014)[M]. 北京：中國統計出版社，2004—2014.

[14]日本總務省統計局.日本統計年鑒(2004—2014)[M]. 東京：日本統計協會，每人新聞社，2004—2014.

[15]李 萍，曾令可，稅安澤，等. 基于MATLAB的BP神經網絡預測系統的設計[J]. 計算機應用與軟件，2008，25(4)：149-150，184.

[16]閆 妍，張云鵬，張一弛，等. 基于BP神經網絡的食品價格的預測[J]. 電子設計工程，2014(15)：47-49.

[17]Szoplik J. Forecasting of natural gas consumption with artificial neural networks[J]. Energy，2015，85：208-220.

[18]Yang L N，Peng L，Zhang L M，et al. A prediction model for population occurrence of paddy stem borer(Scirpophagaincetulas)，based on Back Propagation Artificial Neural Network and Principal Components Analysis[J]. Computers & Electronics in Agiculture，2009，68(2)：200-206.

[19]李朝暉. 日本技術性貿易措施對中國茶葉出口的影響[J]. 世界農業，2013(8)：33-37.

[20]張海東. 技術性貿易壁壘與中國對外貿易[M]. 北京：對外經濟貿易大學出版社，2004：122-124.

[21]高志前，黃冠勝. 技術性貿易措施戰略研究[M]. 北京：企業管理出版社，2012：214-216.