基于改進(jìn)的神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)氣象災(zāi)害經(jīng)濟(jì)損失
——以廣東省臺(tái)風(fēng)災(zāi)害為例

李 博，馮俏彬，戚克維

（1中共中央黨校（國(guó)家行政學(xué)院）公共管理教研部，北京 100091；2.國(guó)務(wù)院發(fā)展研究中心，北京 100010）

一直以來(lái)，臺(tái)風(fēng)災(zāi)害對(duì)國(guó)民生命財(cái)產(chǎn)安全造成非常大的損失。有學(xué)者統(tǒng)計(jì)，臺(tái)風(fēng)災(zāi)害（包括颶風(fēng)）造成的全球經(jīng)濟(jì)損失每年約260億美元［1］。中國(guó)是世界上最易受臺(tái)風(fēng)影響的國(guó)家之一，自中華人民共和國(guó)成立以來(lái)，每年平均有7次左右的臺(tái)風(fēng)登陸中國(guó)，比如從1984—2015年，在北太平洋和南海產(chǎn)生的817個(gè)臺(tái)風(fēng)中，有249個(gè)對(duì)中國(guó)造成重大經(jīng)濟(jì)損失［2］。

中國(guó)廣東省瀕臨南海，是臺(tái)風(fēng)登陸中國(guó)的主要地區(qū)，1988—2018年約有112個(gè)臺(tái)風(fēng)影響廣東省［3］。其中，2010—2017年，對(duì)廣東造成的直接經(jīng)濟(jì)損失約達(dá)1 500多億元人民幣［1］。隨著全球氣候變化的背景和影響，極端天氣氣候事件的發(fā)生將會(huì)愈發(fā)明顯。在我國(guó)沿海地區(qū)，特別是粵港澳大灣區(qū)，臺(tái)風(fēng)災(zāi)害所造成的影響將會(huì)不斷增加。因此，深入分析臺(tái)風(fēng)災(zāi)害經(jīng)濟(jì)影響，并對(duì)臺(tái)風(fēng)災(zāi)害經(jīng)濟(jì)損失的預(yù)測(cè)進(jìn)行研究對(duì)整體氣象災(zāi)害損失評(píng)估，乃至完善應(yīng)急減災(zāi)救災(zāi)體系的建設(shè)具有重要意義［4-6］。

近年來(lái)，在氣象災(zāi)害評(píng)估和統(tǒng)計(jì)的研究方面，中國(guó)學(xué)者有一些開(kāi)拓性進(jìn)展。李建利等［7］基于投入產(chǎn)出模型，對(duì)廣東省臺(tái)風(fēng)災(zāi)害所造成的間接經(jīng)濟(jì)損失進(jìn)行了評(píng)估，該研究利用廣東省投入產(chǎn)出表，通過(guò)臺(tái)風(fēng)災(zāi)害直接經(jīng)濟(jì)損失對(duì)農(nóng)業(yè)、交通運(yùn)輸倉(cāng)儲(chǔ)業(yè)和食品制造等行業(yè)的間接損失進(jìn)行評(píng)估。周蕾等［8］在一般投入產(chǎn)出模型的基礎(chǔ)上引入MRIO模型，利用區(qū)域間投入產(chǎn)出表分析“一帶一路”典型國(guó)家氣象災(zāi)害間接經(jīng)濟(jì)損失。林江豪等［3］基于BP神經(jīng)網(wǎng)絡(luò)和VSM模型對(duì)臺(tái)風(fēng)災(zāi)害經(jīng)濟(jì)損失進(jìn)行評(píng)估，結(jié)果顯示：基于BP神經(jīng)網(wǎng)絡(luò)模型和VSM模型方法對(duì)臺(tái)風(fēng)災(zāi)害經(jīng)濟(jì)影響的評(píng)估取得了一定的效果。然而，目前對(duì)氣象災(zāi)害經(jīng)濟(jì)影響的研究方法仍然基于單一模型方法，并沒(méi)有對(duì)模型本身進(jìn)行改進(jìn)，這可能造成氣象災(zāi)害經(jīng)濟(jì)評(píng)估的結(jié)果不夠準(zhǔn)確。因此，本文提出一種基于遺傳算法（GA）改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)模型，即GABP神經(jīng)網(wǎng)絡(luò)模型來(lái)預(yù)測(cè)臺(tái)風(fēng)災(zāi)害直接經(jīng)濟(jì)影響，結(jié)果表明GA-BP神經(jīng)網(wǎng)絡(luò)模型可以有效擬合臺(tái)風(fēng)災(zāi)害直接經(jīng)濟(jì)影響，該方法的適用性可為今后持續(xù)開(kāi)展氣象災(zāi)害經(jīng)濟(jì)影響評(píng)估提供參考與指引。

1 模型與研究方法

1.1 BP神經(jīng)網(wǎng)絡(luò)模型

BP神經(jīng)網(wǎng)絡(luò)是人工神經(jīng)網(wǎng)絡(luò)的一種算法模型，屬于人工智能范疇。BP神經(jīng)網(wǎng)絡(luò)可模擬人腦神經(jīng)元對(duì)外部激勵(lì)信號(hào)的反應(yīng)過(guò)程，然后建立多層感知機(jī)制，再利用自身的學(xué)習(xí)機(jī)制，通過(guò)多次迭代學(xué)習(xí)后構(gòu)建出處理非線性信息的智能化網(wǎng)絡(luò)模型。由于BP神經(jīng)網(wǎng)絡(luò)具有結(jié)構(gòu)簡(jiǎn)單、可塑性強(qiáng)、數(shù)學(xué)意義及學(xué)習(xí)算法步驟比較明確等優(yōu)勢(shì)，已被廣泛應(yīng)用于函數(shù)逼近、模式識(shí)別以及經(jīng)濟(jì)預(yù)測(cè)和評(píng)估等領(lǐng)域［9］。

BP神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)由3部分組成，分別為：輸入層、隱含層和輸出層。該模型算法的主要思想為：輸入樣本數(shù)據(jù)，通過(guò)訓(xùn)練，得到一組輸出的樣本數(shù)據(jù)。計(jì)算網(wǎng)絡(luò)訓(xùn)練輸出的樣本數(shù)據(jù)與實(shí)際期望的輸出樣本數(shù)據(jù)的誤差，然后修正網(wǎng)絡(luò)的權(quán)值和閾值，盡量減小彼此之間誤差［10］。BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

假設(shè)輸入數(shù)據(jù)為P，輸入層的神經(jīng)元有r個(gè)，隱含層內(nèi)的神經(jīng)元有s1個(gè)，節(jié)點(diǎn)轉(zhuǎn)移函數(shù)為f1，輸出層內(nèi)的神經(jīng)元個(gè)數(shù)為s2個(gè)，其對(duì)應(yīng)的節(jié)點(diǎn)轉(zhuǎn)移函數(shù)為f2，輸出層為a，輸出的目標(biāo)矢量用t來(lái)代表。信息與數(shù)據(jù)的正方向傳遞，隱含層當(dāng)中第i個(gè)神經(jīng)元的輸出為：

式中：b代表神經(jīng)元的閾值；w代表神經(jīng)網(wǎng)絡(luò)的權(quán)值。輸出層第k個(gè)網(wǎng)絡(luò)神經(jīng)元的輸出為：

式中：b代表神經(jīng)元的閾值；w代表網(wǎng)絡(luò)的權(quán)值。其中 k＝1，2，…，S2；i＝1，2，…，S1；j＝1，2，…，r；

對(duì)于f1為對(duì)數(shù)S型節(jié)點(diǎn)轉(zhuǎn)移函數(shù)：

對(duì)于f2為節(jié)點(diǎn)轉(zhuǎn)移函數(shù)：

在確定了誤差函數(shù)之后，利用梯度下降法求取權(quán)值變化以及誤差的反方向傳播，進(jìn)行權(quán)值的調(diào)整和閾值調(diào)整，最終達(dá)到最優(yōu)輸出。

雖然BP神經(jīng)網(wǎng)絡(luò)在使用上有很多優(yōu)點(diǎn)，但是在實(shí)際的應(yīng)用中BP神經(jīng)網(wǎng)絡(luò)也同樣暴露出了自身的一些弱點(diǎn)，比如算法學(xué)習(xí)效率不夠高、存在局部最優(yōu)解以及網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)定需要根據(jù)經(jīng)驗(yàn)來(lái)選取［11］。因此，需要對(duì) BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化和改進(jìn)。

1.2 GA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型

遺傳算法（GA）是一種模擬自然界的遺傳機(jī)制和生物進(jìn)化論而形成的一種并行的隨機(jī)優(yōu)化搜索方法。染色體編碼方法、個(gè)體適應(yīng)度函數(shù)、遺傳操作和遺傳算法運(yùn)行參數(shù)是遺傳算法的4個(gè)基本要素。編碼就是把某一個(gè)問(wèn)題的可行解從它的解空間轉(zhuǎn)換到遺傳算法所能夠處理的搜索空間的一種轉(zhuǎn)化方法；個(gè)體的適應(yīng)度值是通過(guò)適應(yīng)度函數(shù)計(jì)算出來(lái)的，其選擇要根據(jù)目標(biāo)矢量來(lái)確定，然后將得出的結(jié)果轉(zhuǎn)換成選擇概率進(jìn)行選擇操作。適應(yīng)度值的高低影響著每個(gè)個(gè)體遺傳到下一代的概率的大小；遺傳算法的操作過(guò)程包含3個(gè)步驟，分別為選擇、交叉、和變異來(lái)對(duì)個(gè)體進(jìn)行篩選，然后適應(yīng)度值較好的個(gè)體被保留，適應(yīng)度較差的個(gè)體則會(huì)被淘汰，新的群體中的個(gè)體不但保留了上一代個(gè)體的信息，而且又優(yōu)于上一代個(gè)體。如此經(jīng)過(guò)反復(fù)的循環(huán)后，直至滿足條件［12］。

遺傳算法運(yùn)行參數(shù)的操作步驟分3步：

①將一定數(shù)目的個(gè)體進(jìn)行某種編碼，產(chǎn)生初始的種群的大小；

②按照適者生存和優(yōu)勝劣汰的理論，逐代進(jìn)化來(lái)產(chǎn)生出好的近似解。在每一代的進(jìn)化中，需要分別計(jì)算每個(gè)個(gè)體的適應(yīng)度值，若結(jié)果收斂于最優(yōu)解，則遺傳計(jì)算結(jié)束，并且輸出最優(yōu)解；

③若結(jié)果不收斂于最優(yōu)解，則根據(jù)遺傳算子分別進(jìn)行選擇、交叉和變異操作，產(chǎn)生出新的種群后，再重復(fù)迭代計(jì)算每個(gè)個(gè)體的適應(yīng)度值，直到求得最優(yōu)解或者達(dá)到最大進(jìn)化代數(shù)停止［13］。

遺傳算法作為一種全局性的搜索算法，能夠同時(shí)搜索整個(gè)解空間中的多個(gè)點(diǎn)。遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)在本質(zhì)上就是利用該算法的全局性搜索特點(diǎn)，最終選取出最優(yōu)的網(wǎng)絡(luò)初始連接權(quán)值和節(jié)點(diǎn)閾值。本文將遺傳算法和BP神經(jīng)網(wǎng)絡(luò)相結(jié)合，利用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值，形成GA-BP神經(jīng)網(wǎng)絡(luò)模型，充分發(fā)揮兩者的優(yōu)勢(shì)，模型流程如圖2所示。

圖2 GA-BP神經(jīng)網(wǎng)絡(luò)模型流程框圖

2 數(shù)據(jù)資料選取

2.1 臺(tái)風(fēng)資料

本文臺(tái)風(fēng)樣本數(shù)據(jù)來(lái)源于2005—2018年中國(guó)氣象局主編的《中國(guó)氣象災(zāi)害年鑒》，將《中國(guó)氣象災(zāi)害年鑒》中影響中國(guó)廣東省的各次臺(tái)風(fēng)按照編號(hào)順序進(jìn)行排列，并將臺(tái)風(fēng)所造成的的直接經(jīng)濟(jì)損失、受災(zāi)人口數(shù)量、轉(zhuǎn)移安置人數(shù)量和農(nóng)作物受災(zāi)面積以及臺(tái)風(fēng)最大風(fēng)級(jí)、臺(tái)風(fēng)最大風(fēng)速等因素取出作為GA-BP神經(jīng)網(wǎng)絡(luò)的模型數(shù)據(jù)。經(jīng)過(guò)統(tǒng)計(jì)共收集到53個(gè)臺(tái)風(fēng)樣本數(shù)據(jù)。由于整體數(shù)據(jù)較多，不便于全部列舉，因此本文只列出2005—2008年的數(shù)據(jù)，如表1所示。

2.2 經(jīng)濟(jì)統(tǒng)計(jì)資料

《中國(guó)氣象災(zāi)害年鑒》中記錄的氣象災(zāi)害直接經(jīng)濟(jì)損失是氣象災(zāi)害發(fā)生年份所有行業(yè)直接經(jīng)濟(jì)損失的總和。各年份之間的統(tǒng)計(jì)數(shù)據(jù)沒(méi)有考慮地區(qū)生產(chǎn)總值的變化和物價(jià)水平的變化。如果直接運(yùn)用未經(jīng)處理的數(shù)據(jù)進(jìn)行經(jīng)濟(jì)損失分析，可能會(huì)造成結(jié)果不準(zhǔn)確，進(jìn)而降低可參照性和可比性。因此，本文參照2019年《廣東統(tǒng)計(jì)年鑒》中各年份地區(qū)生產(chǎn)總值、商品零售價(jià)格指數(shù)和居民消費(fèi)指數(shù)，將廣東省臺(tái)風(fēng)災(zāi)害直接經(jīng)濟(jì)損失按照1988年物價(jià)水平進(jìn)行調(diào)整，如表2所示。

表1 臺(tái)風(fēng)樣本數(shù)據(jù)

表2 物價(jià)調(diào)整前后廣東省臺(tái)風(fēng)災(zāi)害直接經(jīng)濟(jì)損失 億元

3 模型結(jié)果與分析

本文將收集到的53個(gè)臺(tái)風(fēng)數(shù)據(jù)作為GA-BP神經(jīng)網(wǎng)絡(luò)模型的樣本數(shù)據(jù)，分為2組，一組數(shù)據(jù)作為訓(xùn)練集用于訓(xùn)練GA-BP神經(jīng)網(wǎng)絡(luò)模型，共有43個(gè)臺(tái)風(fēng)數(shù)據(jù)；另一組作為測(cè)試集，用于檢驗(yàn)GA-BP神經(jīng)網(wǎng)絡(luò)模型的準(zhǔn)確性，共有10個(gè)臺(tái)風(fēng)數(shù)據(jù)。根據(jù)《中國(guó)氣象災(zāi)害年鑒》中記錄的有關(guān)臺(tái)風(fēng)災(zāi)害致災(zāi)因子，每組數(shù)據(jù)中確定臺(tái)風(fēng)最大風(fēng)力、臺(tái)風(fēng)最大風(fēng)速、受災(zāi)人數(shù)、轉(zhuǎn)移安置人數(shù)和農(nóng)作物受災(zāi)面積5種致災(zāi)因子變量，并作為GA-BP神經(jīng)網(wǎng)絡(luò)輸入數(shù)據(jù)進(jìn)入輸入結(jié)點(diǎn)，將直接經(jīng)濟(jì)損失作為最終輸出結(jié)果數(shù)據(jù)，放入輸出結(jié)點(diǎn)。

本文利用MATLAB軟件編寫(xiě)GA-BP神經(jīng)網(wǎng)絡(luò)模型程序，按照5種變量致災(zāi)因子設(shè)計(jì)GA-BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)，即出入層結(jié)點(diǎn)數(shù)為5，輸出層結(jié)點(diǎn)數(shù)為1。由于隱含層節(jié)點(diǎn)數(shù)目，GA算法初始種群數(shù)目以及迭代次數(shù)的確定方法目前并沒(méi)有定論，只有通過(guò)實(shí)驗(yàn)中的實(shí)際情況進(jìn)行調(diào)整和確定［14］。經(jīng)過(guò)試驗(yàn)結(jié)果對(duì)比，本文確定隱含層節(jié)點(diǎn)為11，因此BP神經(jīng)網(wǎng)絡(luò)模型的基本結(jié)構(gòu)為5-11-1，GA算法的初始種群數(shù)目為50，迭代次數(shù)為100。

為了充分驗(yàn)證模型的可行性，本文給出2種對(duì)比實(shí)驗(yàn)。第1種是分別利用單一BP神經(jīng)網(wǎng)絡(luò)模型和GA-BP神經(jīng)網(wǎng)絡(luò)模型，就物價(jià)調(diào)整前直接經(jīng)濟(jì)損失進(jìn)行預(yù)測(cè)，如圖3所示，然后就2種方法的預(yù)測(cè)結(jié)果進(jìn)行對(duì)比；第2種是在物價(jià)調(diào)整后，同樣分別利用GA-BP神經(jīng)網(wǎng)絡(luò)模型與單一BP神經(jīng)網(wǎng)絡(luò)模型就直接經(jīng)濟(jì)損失進(jìn)行預(yù)測(cè)，并對(duì)預(yù)測(cè)結(jié)果進(jìn)行對(duì)比，如圖4所示。

圖3 物價(jià)調(diào)整前神經(jīng)網(wǎng)絡(luò)模型輸出結(jié)果

圖4 物價(jià)調(diào)整后神經(jīng)網(wǎng)絡(luò)模型輸出結(jié)果

圖3、4中的“期望輸出”曲線為測(cè)試集中10個(gè)臺(tái)風(fēng)樣本的實(shí)際直接經(jīng)濟(jì)損失值。可以看出，無(wú)論是物價(jià)調(diào)整前還是物價(jià)調(diào)整后的直接經(jīng)濟(jì)損失預(yù)測(cè)，GA-BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)結(jié)果都要優(yōu)于單一BP神經(jīng)網(wǎng)絡(luò)模型，這表明利用GA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型的效果是明顯的。另外，盡管GABP神經(jīng)網(wǎng)絡(luò)模型和單一BP神經(jīng)網(wǎng)絡(luò)模型都存在一定程度的誤差，但2種方法的整體預(yù)測(cè)趨勢(shì)是正確的，都同步隨實(shí)際直接經(jīng)濟(jì)損失值進(jìn)行波動(dòng)。

為了進(jìn)一步考量物價(jià)調(diào)整的有效性，將物價(jià)調(diào)整前后GA-BP神經(jīng)網(wǎng)絡(luò)模型和單一BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)結(jié)果取出，并計(jì)算誤差值。由于預(yù)測(cè)結(jié)果不在同一物價(jià)水平上，因此，采用相對(duì)誤差值衡量誤差情況，如表3所示。可以看出，在10個(gè)測(cè)試臺(tái)風(fēng)樣本中，無(wú)論在物價(jià)調(diào)整前后，GA-BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)結(jié)果都達(dá)到最優(yōu)，即相對(duì)誤差值最小。再結(jié)合圖4，可以推斷GA-BP神經(jīng)網(wǎng)絡(luò)模型在臺(tái)風(fēng)直接經(jīng)濟(jì)損失預(yù)測(cè)中整體效果良好，且部分臺(tái)風(fēng)樣本的直接經(jīng)濟(jì)損失預(yù)測(cè)值和真實(shí)值基本重合。

表3 2種神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果相對(duì)誤差

此外，在物價(jià)調(diào)整后單一BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)結(jié)果仍然優(yōu)于物價(jià)調(diào)整前GA-BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)結(jié)果，這表明按照統(tǒng)一物價(jià)水平調(diào)整直接經(jīng)濟(jì)損失值的重要性。

需要特別指明2點(diǎn)：一是圖4中第7個(gè)臺(tái)風(fēng)樣本的預(yù)測(cè)值與真實(shí)值的絕對(duì)誤差相對(duì)較大。這是由于在實(shí)際的直接經(jīng)濟(jì)損失統(tǒng)計(jì)中，出現(xiàn)了突發(fā)點(diǎn)（即在相似的致災(zāi)因子下，統(tǒng)計(jì)結(jié)果出現(xiàn)異常增大的情況，當(dāng)然也不排除實(shí)際統(tǒng)計(jì)工作有誤），但預(yù)測(cè)趨勢(shì)并沒(méi)有受到影響，這也表明即便出現(xiàn)異常值，GA-BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)結(jié)果也具有很強(qiáng)的參考性；二是表3中第9個(gè)臺(tái)風(fēng)樣本的相對(duì)誤差值較大。這是由于該臺(tái)風(fēng)所造成的實(shí)際直接經(jīng)濟(jì)損失值較小，細(xì)微的誤差都可能使相對(duì)誤差值波動(dòng)較大。但由于絕對(duì)誤差值很小，因此并不影響預(yù)測(cè)結(jié)果的可參考性。

4 結(jié)論

利用遺傳算法改進(jìn)BP神經(jīng)網(wǎng)絡(luò)，形成GA-BP神經(jīng)網(wǎng)絡(luò)模型，將近年來(lái)廣東省臺(tái)風(fēng)最大風(fēng)力、臺(tái)風(fēng)最大風(fēng)速、受災(zāi)人數(shù)、轉(zhuǎn)移安置人數(shù)和農(nóng)作物受災(zāi)面積5種變量作為致災(zāi)因子及GA-BP神經(jīng)網(wǎng)絡(luò)模型輸入數(shù)據(jù)對(duì)臺(tái)風(fēng)災(zāi)害直接經(jīng)濟(jì)損失進(jìn)行預(yù)測(cè)，經(jīng)對(duì)預(yù)測(cè)結(jié)果分析后，得出如下結(jié)論：

1）氣象災(zāi)害統(tǒng)計(jì)數(shù)據(jù)中的臺(tái)風(fēng)災(zāi)害直接經(jīng)濟(jì)損失是根據(jù)臺(tái)風(fēng)發(fā)生年份地區(qū)生產(chǎn)總值和物價(jià)指數(shù)進(jìn)行統(tǒng)計(jì)的，各年份之間的數(shù)據(jù)不處在同一物價(jià)水平上，沒(méi)有直接可比性。實(shí)驗(yàn)表明，將臺(tái)風(fēng)災(zāi)害直接經(jīng)濟(jì)損失數(shù)據(jù)放入神經(jīng)網(wǎng)絡(luò)模型中得到的預(yù)測(cè)結(jié)果準(zhǔn)確性不高。但若對(duì)物價(jià)進(jìn)行統(tǒng)一調(diào)整之后，直接經(jīng)濟(jì)損失預(yù)測(cè)結(jié)果大大改善。因此，在涉及到氣象災(zāi)害經(jīng)濟(jì)損失評(píng)估的研究中，一定要充分考慮地區(qū)經(jīng)濟(jì)發(fā)展相關(guān)指標(biāo)情況，尤其是地區(qū)生產(chǎn)總值和物價(jià)水平等因素。

2）GA-BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果明顯優(yōu)于單一BP神經(jīng)網(wǎng)絡(luò)模型，特別是在臺(tái)風(fēng)災(zāi)害經(jīng)濟(jì)損失值根據(jù)物價(jià)水平調(diào)整之后，擬合性較好，整體預(yù)測(cè)結(jié)果和發(fā)展趨勢(shì)都趨近于真實(shí)值。在氣象災(zāi)害發(fā)生后，有關(guān)部門(mén)可嘗試采用與本文類(lèi)似方法對(duì)災(zāi)害直接經(jīng)濟(jì)損失進(jìn)行評(píng)估并作為實(shí)際參考。因?yàn)樵诂F(xiàn)實(shí)中，對(duì)各行業(yè)進(jìn)行災(zāi)損統(tǒng)計(jì)周期較長(zhǎng)，不利于政府在應(yīng)急財(cái)政投入方面迅速作出反應(yīng)［15-16］。而GA-BP神經(jīng)網(wǎng)絡(luò)模型是基于歷史數(shù)據(jù)建立的人工智能學(xué)習(xí)機(jī)制，僅需將基本致災(zāi)因子統(tǒng)計(jì)出來(lái)進(jìn)行輸入，就可得出具有很強(qiáng)參考價(jià)值的災(zāi)損數(shù)據(jù)。這極大提升了政府在災(zāi)情統(tǒng)計(jì)方面的時(shí)效性。

3）盡管GA-BP神經(jīng)網(wǎng)絡(luò)模型效果良好，但仍有需要改進(jìn)的地方。比如遇到極端數(shù)據(jù)的情況時(shí)，預(yù)測(cè)準(zhǔn)確度會(huì)有所下降。在今后的研究中，可探索嘗試2個(gè)方面的改善，一是考慮更多致災(zāi)和孕災(zāi)因子進(jìn)入到神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練，增強(qiáng)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力，進(jìn)而提高預(yù)測(cè)精確度；二是嘗試?yán)枚喾N模型同時(shí)進(jìn)行訓(xùn)練，形成集成性的神經(jīng)網(wǎng)絡(luò)模型，整體提高學(xué)習(xí)能力和預(yù)測(cè)結(jié)果準(zhǔn)確性。