基于BP神經(jīng)網(wǎng)絡(luò)的農(nóng)機化發(fā)展水平影響因素研究

吐爾遜·買買提，米斯卡力·居馬瓦依，張學(xué)軍，Muhammad Hassan

(1.新疆農(nóng)業(yè)大學(xué) 機械交通學(xué)院，烏魯木齊　830052；2.南京農(nóng)業(yè)大學(xué) 工學(xué)院，南京　210031)

0　引言

區(qū)域農(nóng)業(yè)機械化發(fā)展水平序列在演變過程中受農(nóng)業(yè)裝備、經(jīng)濟水平、土地資源、農(nóng)機人力資源、教育水平及政策導(dǎo)向等多個因素不同程度交叉影響，進而形成了復(fù)雜的非線性系統(tǒng)[1]。

近年來，新疆農(nóng)業(yè)機械化水平一直保持快速、健康發(fā)展的勢頭，為農(nóng)業(yè)現(xiàn)代化的發(fā)展提供了有力支持，也為農(nóng)村經(jīng)濟的平穩(wěn)發(fā)展提供了支撐；但新疆各地經(jīng)濟水平、自然條件、人口因素，種植結(jié)構(gòu)、效益水平等存在明顯差異，再加上自治區(qū)對各地區(qū)的政策傾斜力度也不同，導(dǎo)致新疆各地區(qū)農(nóng)業(yè)機械化發(fā)展的不平衡和不協(xié)調(diào)。從局部區(qū)域?qū)用嫔峡矗貐^(qū)農(nóng)機化發(fā)展水平受到確定因素的影響，且其影響的方向是確定的。從廣域?qū)用娣治觯煌绊懸蛩貙r(nóng)業(yè)機械化發(fā)展水平影響程度的大小不確定，其影響方向無法用單一的定性分析獲得。

許多研究關(guān)注了農(nóng)業(yè)機械化發(fā)展水平評價指標的建立、指標權(quán)重分析、發(fā)展水平定量和定性分析及影響因素方面等方面。例如，從國家層面研究了農(nóng)機化發(fā)展水平指標體系、標準和方法，并進行了比較[2-6]；提出了農(nóng)機作業(yè)為基礎(chǔ)、能力為保障、效益為核心的評價方法，為我國農(nóng)業(yè)機械化發(fā)展水平的評估、總體規(guī)劃、正確把握總體發(fā)展方向奠定了理論基礎(chǔ)。文獻[7]中，提出了新疆農(nóng)業(yè)機械化發(fā)展水平評價指標，并構(gòu)建了指標組合賦權(quán)法，定量分析了新疆各地州農(nóng)業(yè)機械化發(fā)展水平。本文在參考前人研究基礎(chǔ)上，建立農(nóng)業(yè)機械化發(fā)展水平影響因素量化方法，并以新疆2001-2015年農(nóng)機化發(fā)展水平及影響因素作為研究對象，對各影響因素的影響強度進行量化，并對結(jié)果進行分析。

1　數(shù)據(jù)來源

本研究涉及的數(shù)據(jù)主要來源是新疆統(tǒng)計年鑒(2001-2015)和新疆農(nóng)機年報(2001-2015)，由于資料有限，未涉及新疆生產(chǎn)建設(shè)兵團。

2　指標選取原則及評價指標體系

2.1　指標選取原則

農(nóng)業(yè)機械化發(fā)展水平是地區(qū)農(nóng)業(yè)現(xiàn)代化程度的主要標志，反映了農(nóng)業(yè)生產(chǎn)中實施機械化作業(yè)程度，對農(nóng)業(yè)生產(chǎn)效率、農(nóng)作物產(chǎn)量和農(nóng)業(yè)生產(chǎn)總值產(chǎn)生較直接的影響。區(qū)域農(nóng)機化發(fā)展水平對節(jié)省勞動力、節(jié)約資源、提高農(nóng)業(yè)勞動效率方面具有不可忽略的作用。建立農(nóng)業(yè)機械化發(fā)展水平評價指標體系的目的是為量化區(qū)域農(nóng)業(yè)機械化發(fā)展水平、分析其演變趨勢提供依據(jù)。建立評價農(nóng)業(yè)機械化水平指標時應(yīng)遵循以下原則：

1)合理反映農(nóng)業(yè)機械化投入及農(nóng)機化在農(nóng)業(yè)生產(chǎn)的產(chǎn)出作用。指標中應(yīng)包含各類投入要素，如資金、勞力、能源和技術(shù)等，產(chǎn)出包含農(nóng)作物產(chǎn)量、產(chǎn)值和收入等。

2)農(nóng)業(yè)機械化發(fā)展過程與社會經(jīng)濟發(fā)展、科技發(fā)展、教育水平、社會結(jié)構(gòu)等多個因素之間存在復(fù)雜的單向和雙向制約關(guān)系，因此制定評價指標時應(yīng)從多角度、多層次進行考慮。

3)因不同地區(qū)之間在社會經(jīng)濟、資源、發(fā)展水平和科技水平等方面存在差異，因此制定指標體系時應(yīng)參考現(xiàn)有方法的同時也要考慮地域差異。根據(jù)不同的地區(qū)的實際情況，制定適合地方發(fā)展特征的指標體系。

2.2　評價指標體系

本文依據(jù)上述原則，同時引用文獻[7]提出的農(nóng)業(yè)機械化發(fā)展水平評價指標體系，建立了由農(nóng)業(yè)機械化程度(Z1)、綜合保障能力(Z2)、綜合效益水平(Z3)組成的3個一級指標。各一級指標所含二級指標、各指標的標準值及指標數(shù)值單位如圖1所示。

圖1　新疆農(nóng)業(yè)機械化發(fā)展水平評價指標體系

3　農(nóng)業(yè)機械化發(fā)展水平

分析發(fā)展水平影響因素時，首先需要量化發(fā)展水平。文獻[7]提出了基于組合賦權(quán)法測算農(nóng)業(yè)機械化發(fā)展水平的方法。本文應(yīng)用此方法對新疆 14地州2001-2015年農(nóng)機化發(fā)展水平進行量化。新疆各地區(qū)2001-2015年農(nóng)業(yè)機械化發(fā)展水平值如表1所示。

表1　新疆各地州農(nóng)業(yè)機械化發(fā)展水平

續(xù)表1

4　研究方法

4.1　誤差反向傳播神經(jīng)網(wǎng)絡(luò)

農(nóng)業(yè)機械化發(fā)展水平是隨著時間發(fā)生變化的序列，變化規(guī)律符合非線性動態(tài)系統(tǒng)的特征。因此，分析農(nóng)機化發(fā)展水平序列的變化特征時，可以采用非線性動態(tài)系統(tǒng)的分析原理和方法。因為傳統(tǒng)的線性和非線性處理方法在精度方面效果欠佳，而基于人工神經(jīng)網(wǎng)絡(luò)的非線性系統(tǒng)建模方法由于具有較好擬合復(fù)雜系統(tǒng)的能力，越來越引起研究人員的重視。

時間序列建模本質(zhì)上是曲線(或非線性參數(shù))擬合過程。有效的時間序列模型首先應(yīng)有可獲取的模型數(shù)據(jù)，并具有可比性，其次是模型需符合時間序列理論及數(shù)學(xué)建模的要求。在模型訓(xùn)練和測試階段，應(yīng)充分擬合原始數(shù)據(jù)，尤其是變化趨勢有波動的序列。其原因是序列波動特征隱含著序列變化有關(guān)的重要信息。

表示任何事物演變趨勢的時間序列可以看成一個或多個非線性機制確定的輸入輸出系統(tǒng)。神經(jīng)網(wǎng)絡(luò)中通過輸入和輸出神經(jīng)元表示非線性系統(tǒng)的輸入和輸出，通過隱含層傳遞函數(shù)和誤差反饋函數(shù)可以弱化輸入和輸出神經(jīng)元的時間序列特性，并應(yīng)用曲線擬合方法逼近原始曲線，從而達到描述事物發(fā)展趨勢的目的。由于人工神經(jīng)網(wǎng)絡(luò)在逼近非線性系統(tǒng)的演變曲線方面具有較高的精度，因此可用于分析農(nóng)業(yè)機械化發(fā)展水平變化趨勢、挖掘和量化影響因素。基于神經(jīng)網(wǎng)絡(luò)的農(nóng)機化發(fā)展水平影響因素分析當(dāng)中，農(nóng)業(yè)機械化發(fā)展水平作為隨著時間變化的時間序列，16個指標組成的影響因素可以作為神經(jīng)網(wǎng)絡(luò)的的輸入神經(jīng)元，地區(qū)發(fā)展水平可作為輸出神經(jīng)元。從以上分析可知，人工神經(jīng)網(wǎng)絡(luò)在分析農(nóng)業(yè)機械化發(fā)展水平時間序列演變趨勢方面有較好的優(yōu)勢。

誤差反向傳播(Back Propagation Neural Network, BPNN)由輸入層、輸出層以及1個或多個隱含層節(jié)點互連而成。BPNN神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過程由信號的正向傳播與誤差的逆向傳播等兩個處理過程組成。正向傳播時，輸入數(shù)據(jù)從輸入層輸入，經(jīng)隱含層(激勵函數(shù)/傳遞函數(shù))處理后，傳入到輸出層，并進入誤差的逆向傳播階段。將輸出誤差按某種方法通過隱含層向輸入層逐層返回，并“分配”給各層的單元，獲得各層單元的誤差信號，此誤差作為修改各層權(quán)值的依據(jù)。在此過程中權(quán)值不斷被修改，一直到輸出誤差達到預(yù)先設(shè)定目標為止。根據(jù)具體網(wǎng)絡(luò)結(jié)構(gòu)，BP神經(jīng)網(wǎng)絡(luò)可以在輸入和輸出之間建立線性或非線性關(guān)系[8-10]，如圖2所示。

圖2　BPNN神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

4.2　MIV方法

神經(jīng)網(wǎng)絡(luò)中平均影響值 (Mean Impact Value, MIV)方法常用于變量篩選、權(quán)重和屬性重要度分析。神經(jīng)網(wǎng)絡(luò)中，不同的輸入神經(jīng)元對輸出神經(jīng)元的影響程度不同。MIV是應(yīng)用于測度系統(tǒng)輸入(輸入神經(jīng)元)對系統(tǒng)輸出(輸出神經(jīng)元)影響程度的重要指標。MIV絕對值大小表明輸入神經(jīng)元對輸出的重要程度，其符號表示影響的方向[11-13]。MIV的具體求解過程如下：

1) 首先構(gòu)建網(wǎng)絡(luò)訓(xùn)練集D，其一般為M×N的矩陣D。其中，M為訓(xùn)練集的樣本個數(shù)；N相關(guān)因子個數(shù)。將構(gòu)建好的訓(xùn)練集輸入到神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，并建立神經(jīng)網(wǎng)絡(luò)NN。

2) 建立完神經(jīng)網(wǎng)絡(luò)后，將訓(xùn)練集矩陣中的每個因子的數(shù)值分別加減10%，建立2個新的樣本集D1和D2；然后，將D1和D2作為新的仿真訓(xùn)練集，在已建立好的神經(jīng)網(wǎng)絡(luò)NN中進行仿真。

3) 計算仿真后的網(wǎng)絡(luò)輸出值O1、O2之差。其值和符號就可以反映當(dāng)前屬性(自變量即輸入神經(jīng)元)對因變量(輸出神經(jīng)元)的影響程度和方向。

4) 根據(jù)上述步驟，分別計算每個屬性的MIV，并排序所有屬性的MIV，得出各(屬性)自變量對網(wǎng)絡(luò)輸出的影響程度及位次表，進而判斷眾多輸入中哪個輸入對網(wǎng)絡(luò)輸出的影響最大，并對其進行量化，用此法也可以進行變量篩選[14-15]。圖3為MIV方法示意圖。

5　MIV實證分析

本研究在MatLab2014a環(huán)境中編程實現(xiàn)BPNN和MIV相結(jié)合(BPNN-MIV)的屬性重要度量化模型。由于其主要目的是求出16個農(nóng)業(yè)機械化發(fā)展水平二級指標的MIV，并依據(jù)此MIV值分析各個指標對發(fā)展水平的重要性，因此不需要將數(shù)據(jù)集分為訓(xùn)練集和測試集，盡可能地擴大訓(xùn)練集規(guī)模使得模型能夠獲取更有代表性MIV值。本文中模型輸入是新疆各地州2001-2015年各地州農(nóng)機化發(fā)展水平16個二級指標，輸出序列是各地州每一年的發(fā)展水平。因此，計算出的MIV可以反映2001-2015年新疆各地州農(nóng)業(yè)機械化水平16個二級指標對農(nóng)業(yè)機械化發(fā)展水平的重要程度，從中解析指標對地區(qū)農(nóng)業(yè)機械化水平的影響程度的大小。表2為各指標MIV在各地州的分布趨勢。

圖3　MIV方法

指標序號烏魯木齊克拉瑪依吐魯番哈密昌吉伊犁塔城阿勒泰博州巴州阿克蘇克州喀什和田13.362.494.211.9036.600.9414.539.9531.472.2014.210.762.901.6121.450.110.411.694.091.0410.7331.114.970.236.420.124.609.2630.851.420.542.853.111.2011.811.410.680.952.150.760.280.2540.683.920.451.765.700.138.981.296.191.632.631.000.299.3251.701.680.132.2214.150.233.560.302.400.640.200.040.211.5562.370.980.531.8210.300.2012.860.406.480.076.380.421.311.0373.050.001.670.440.020.082.702.961.460.620.430.370.471.05814.428.980.2921.628.490.1016.625.697.601.006.040.451.353.4995.904.816.2510.080.960.1617.983.212.352.860.030.422.864.21104.162.325.306.0411.450.147.0714.110.703.061.290.400.945.191111.575.281.892.5617.531.094.1422.7519.050.2010.230.184.9318.45123.163.230.431.8716.660.195.980.871.010.434.220.260.126.75133.370.002.042.651.030.251.961.191.010.742.080.040.062.881418.890.005.607.737.910.975.165.831.962.942.681.381.3318.40150.301.700.485.286.130.1913.284.388.031.230.070.170.335.13160.300.511.152.744.630.361.540.030.880.343.620.292.763.27

6　結(jié)果分析及結(jié)論

1) 全局上，從MIV值在地區(qū)間分布趨勢來看，未出現(xiàn)多數(shù)地區(qū)相同農(nóng)業(yè)機械化發(fā)展水平指標MIV值較大的情況。這表明，新疆各地州農(nóng)業(yè)機械化發(fā)展水平差異來源有多種，即研究時段內(nèi)未出現(xiàn)多數(shù)地州農(nóng)業(yè)機械化發(fā)展水平受到相同因素影響的情況。原因是：各地區(qū)在社會經(jīng)濟、農(nóng)業(yè)裝備水平和自然環(huán)境等方面存在較大的差異，因此各地區(qū)農(nóng)業(yè)機械化發(fā)展水平影響因素不同。農(nóng)業(yè)機械化發(fā)展過程中，地區(qū)間的發(fā)展特點未出現(xiàn)較強的相似性或相互依賴性趨勢。

2) 各地州指標MIV值按從大到小排序后，統(tǒng)計MIV值前4的指標，結(jié)果表明：農(nóng)業(yè)機械化發(fā)展水平指標中，農(nóng)業(yè)機械化作業(yè)水平(含指標1～6)、農(nóng)業(yè)機械化保障水平(含指標7～11)和農(nóng)業(yè)機械化效益水平(含指標12～16)的出現(xiàn)次數(shù)分別為13、21、8。由此表明：農(nóng)業(yè)機械化綜合保障能力對新疆農(nóng)業(yè)機械化發(fā)展水平的影響較顯著，因此全局上新疆農(nóng)業(yè)機械化發(fā)展當(dāng)中可以將綜合保障能力作為突破口，制定相應(yīng)的政策，使得區(qū)域農(nóng)機化水平進一步提高。如按此次數(shù)求權(quán)重，3個一級指標權(quán)重為0.309 5、0.500 0和0.190 5，表明基于MIV的影響因素篩法有較好的可信度。

3) 南疆3地州各指標MIV表明：2001-2015年農(nóng)業(yè)機械化作業(yè)程度MIV值靠前次數(shù)較多，共有10次。這說明，該區(qū)域農(nóng)業(yè)機械化作業(yè)水平對農(nóng)業(yè)機械化發(fā)展水平的變化影響較大，和其他指標相比其對區(qū)域發(fā)展水平的貢獻率較高。 因此，針對南疆3地州，應(yīng)將提高農(nóng)業(yè)機械化作業(yè)程度作為切入點，在政策和管理層面上提出更多惠農(nóng)政策，使得農(nóng)戶購買和使用農(nóng)機的積極性進一步提高；同時，調(diào)整和優(yōu)化農(nóng)作物種植結(jié)構(gòu)，使農(nóng)機進得去農(nóng)田，進而實現(xiàn)南疆3地州農(nóng)業(yè)機械化作業(yè)水平全面提高。

4) 巴州、博州、阿勒泰、塔城、伊犁、昌吉、克拉瑪依和烏魯木齊等地區(qū)中，農(nóng)業(yè)機械化保障水平所含的二級指標MIV值靠前次數(shù)為16，占58%，表明保障水平在該區(qū)域農(nóng)機化發(fā)展起的作用和其他指標相比更大。吐魯番和哈密MIV值和北疆地區(qū)一致。因此，加大農(nóng)機擁有量、農(nóng)機人員教育和培訓(xùn)程度等是提高這些地區(qū)綜合農(nóng)業(yè)機械化發(fā)展水平的重點。

5) 挖掘新疆農(nóng)業(yè)機械化發(fā)展水平影響因素及量化其影響程度方面，MIV方法全局上能抽取對農(nóng)機化發(fā)展水平影響較大的因素，進而反饋地區(qū)之間農(nóng)機化發(fā)展水平相似特征及來源，局部上能反映疆內(nèi)不同區(qū)域農(nóng)業(yè)機械化發(fā)展方面的分異趨勢及來源。該研究為農(nóng)業(yè)機械化管理和發(fā)展水平影響因素分析提供了參考。