基于大數據的政府治理現代化特征指標神經系統模型構建

胡少波

（榆林學院馬克思主義學院，陜西榆林 719000）

目前，政府的角色應該逐漸由一個管理者變成一個服務者，而且隨著互聯網的快速發展，公民對于政府信息公開等訴求日趨強烈，對政府治理的模式和治理能力都有了新的要求，中國政府正在積極發展基于新技術的政府治理體系[1]。在此過程中，許多技術正在實施階段，其中蘊含了大量的信息。利用大數據技術對該信息進行分析，挖掘分析出其中有益于政府管理和城市治理的信息[2]。文中研究了基于大數據的政府治理現代化特征指標神經系統模型，首先詳細介紹了大數據技術的原理、特點和神經網絡模型算法，然后基于決策樹技術，介紹了其在政府治理現代化的指標分析中的整個應用過程，建立了指標預測模型，并利用BP 神經網絡模型對各個指標進行了評估和測試，研究結果可有效指導政府治理，提高政府服務體制現代化程度。

1 大數據技術和BP神經系統模型

大數據技術為從隨機的、不完全的、大量的、模糊的客觀數據中提取出難以發現的、不為人知的、有規律信息的過程[3]。大數據技術包括聚類規則、關聯規則和分類規則等多種方法，其中提取和挖掘知識最重要的方法之一為分類計數，而數據挖掘憑借其效率高、直觀性強、準確性高等特點應用最為廣泛。

人工神經網絡通常是復雜的非線性系統模型[4]，其中BP 神經網絡由輸入層、隱含層和輸出層構成，其本質是從沒有規則和順序的事例中，從數學上推斷神經網絡對于時間序列預測的有效性。其中，輸入層為向神經網絡系統的數據輸入，隱含層對數據進行處理，輸出層輸出最后的預測結果。文中選用BP 神經網絡算法模型，其算法具有結構簡單、計算量小、準確性高、穩定性高等優點[5]。BP 神經網絡算法的理論基礎是，正向傳播時，輸入從輸入層經過隱含層逐層處理，并轉向到輸出層，每一層神經元的狀態只影響下一層神經元的狀態[6]。期望的輸出值連續接近實際輸出值，從而最小化均方誤差。BP 算法的隱含層具有自學習能力[7]，其訓練過程包括信號前向傳播和誤差反向傳播[8]，直到調整權重達到最大迭代次數。其算法流程圖如圖1 所示。

圖1 BP神經網絡算法流程圖

其簡化網絡圖如圖2 所示。

圖2 BP神經網絡結構簡化圖

假設數據樣本集合為S，q為輸入樣本數，輸出神經元數為m，中間的節點數為p，將S劃分為不同的樣本類Si，其中i=1,…,q，Ti為對應的輸出樣本，Ai為網絡的實際輸出樣本，利用誤差來改變權值，目的是使兩者的誤差達到最小[9]，神經元連接的權值為w，閾值為b，那么中間神經元j的輸出H表示如下:

其中，f為激勵函數。設定，則利用上述計算結果，樣本輸出結果為可以將網絡輸出的數據與實際數據進行比較，樣本集合的誤差設為e，根據網絡預測的輸出結果Ai和目標期望的輸出Ti計算預測誤差，即e=Ti-Ai，然后利用誤差e進行反向傳播，同時利用誤差e調整各個網絡層的連接權值。設學習速率為η，神經網絡的連接權值wj+1,p+1可以表示為：

其中，當預測的誤差值通過迭代達到預期的設定結果時，結束權重值的更新，否則重新從隱含層的計算輸出開始，進行循環操作。

對于網絡的效果采用Pearson 相關系數r和均方根誤差RMSE來進行評價[10]，均方根越接近0，模型效果越好，系數r值越趨近于1，模型準確率越高[11-12]，其計算公式如式（3）所示。

其中，數據樣本集合S的測試屬性選擇信息誤差最低的屬性，基于其創建神經元，然后對對應屬性的各個值進行創建處理，并作為劃分樣本的依據。

結合歐式幾何的狀態模型[13]，用“治理度”表征治理指標，用Zr表示，其表達式如式（5）所示。

其中，r代表城市治理的現代化指標，|Mr|為各個影響因素指標的空間矢量的模，為各個指標在狀態空間的坐標值，q為指標數，wi為軸的權重值。當Zr>1 時，政府治理能力不合格；當Zr<1 時，政府治理能力合格；當Zr=1 時，政府治理能力處于合格與不合格的臨界狀態。政府現代化治理能力會在臨界狀態的20%左右浮動，系統容差為40%，所以對應的劃分等級為5 個，分別為優秀、良好、中等、及格、不及格，用于體現治理能力的好壞，診斷的劃分依據如表1 所示。

表1 治理指標能力劃分

2 BP神經網絡模型在政府治理現代化中的應用

2.1 數據的收集

文中數據來源為某省市的經濟和基礎設施調查數據，對該城市治理指標采用2000～2008 年共計9 年的城市信息數據，其中所選的城市主要信息為城市發展必需的各類基本信息（經濟、資源、環境、人口）[14]，考慮了對中國社會發展有重大影響以及政府的重點關注領域。首先最重要的指標就是人口，人口會影響到社會勞動力、消費能力[15]。人口總量多意味著該地方的勞動力豐富，人口是政府治理現代化中不可或缺的重要部分。其次是經濟實力，經濟實力強大會導致政府治理的資金支持充足，經濟發達可以保證治理工作的順利進行[16]。然后是資源與環境，資源指標是政府治理的發展基礎，是現代化產業的基礎，而環境是現代化政府必須要考慮的特征指標。上述特征指標為治理現代化的實現提供強大的保證。

2.2 神經網絡模型的構建

為了提供數據預處理的質量和效率，提高模型處理信息的準確性，需要對數據進行清理，例如某些城市信息的缺失等[17]。隨后需要進行數據集成，基于數據庫技術，根據城市的治理指標分別計算，對政府治理的特征參數進行匹配，將其合并在一起。緊接著需要進行數據歸一化，從而減少模型訓練的工作量，提高效率。

根據BP 算法在MatLab 支持下采用滾動方式預測出2012～2019 年經濟、資源、環境及人口因素的變化趨勢：先用各因素層前三年歸一化數據預測第四年的歸一化數據。反復直至滿足預測精度，即以2000 年到2008 年9 個樣本作為輸入，以2003 年到2011 年的數據作為網絡輸出。為保證訓練的可靠性，采用2003 年到2011 年的數據進行交叉檢驗。經過數據收集和篩選后，以2000 年到2008 年9 個樣本作為有效的數據輸入，通過交叉檢驗，使誤差達到較為滿意的水平。在訓練的過程中，隱含層的激勵函數為tansig，輸出層的激勵函數是logsig，訓練函數則采用trainrp。為了加快整體速度，學習速率設置為0.1，訓練誤差為0.001%，訓練過程中的動態參數以及sigmoid 參數設置為默認值，以此城市治理現代化指標的評價及預測結果進行分析。

2.3 結果分析

根據BP 神經網絡模型分析結果可知，城市治理的特征指標受人口因素的指標影響最大。但是只按照人口這個單一因素指導政府治理現代化，并不會達到十分有效的結果，因為造成政府治理現代化較差的因素很多。影響政府治理現代化的第二大因素為經濟因素。參考城市總體4 種指標的實際值，接下來對分析模型進行圖形評價，說明該量化模型的指標水平，各因素指標的神經網絡模型預測檢驗結果分別如表2～5 所示。

表2 經濟因素特征指標神經網絡模型預測檢驗表

表3 資源因素特征指標神經網絡模型預測檢驗表

表4 環境因素特征指標神經網絡模型預測檢驗表

表5 人口因素特征指標神經網絡模型預測檢驗表

根據分析結果可知，總體上，該城市的治理結果較差。其中，應該重點關注環境保護問題，可以在城市污水處理、工業節能、廢棄物循環利用等方面進行監督，從城市環境治理問題等基礎方面進行夯實，并督促相關部門進行合理整改，爭取在一年或兩年內提升城市現代化程度。

2.4 模型準確性分析

為了測試該BP 神經網絡模型的準確性，將剩余的部分數據作為測試數據，用于檢驗該決策模型的準確率。

根據測試結果可知，在進行模型構建的過程中，相比于實際城市管理因素的發展，政府治理現代特征指標的預測正確率高達87.53%，因此該模型的準確率較高，可以用于指導政府對于城市經濟、環境等問題的治理，提高政府決策的高效性。

3 結論

文中介紹了大數據技術和BP 神經網絡模型的原理。利用數據處理技術對某城市的城市治理特征指標進行了分析研究，首先通過對數據的搜集和預處理，得到了適應于數據分析和模型構建的政府城市治理的指標，并將其整理成數據表[18]；同時，對其進行了分類研究，建立了BP 網絡神經模型，定性定量地對城市治理特征指標做出動態預測。最后，利用剩余的測試數據對神經網絡模型的準確性進行了測試，結果表明，其準確度高達87.53%，準確率較高，可用于對政府治理現代化特征指標的預測。