經濟預測中的神經網絡方法應用綜述

梁瓊

[摘 要]文章對神經網絡在非線性經濟問題預測中的研究與現狀進行綜述，側重討論了國內的研究近況，為國內學者在該方面的研究提供參考。

[關鍵詞]神經網絡；非線性；經濟預測

[DOI]10.13939/j.cnki.zgsc.2015.09.025

人工神經網絡（Artificial Neural Networks，ANNs）也簡稱為神經網絡（NNs），是一種模仿人腦神經網絡特征，進行分布式并行信息處理的數學模型。NNs具有強大的非線性處理能力，為經濟預測提供了更多的可能性。

1 BP神經網絡在經濟預測中的應用及改進

神經網絡模型的類型較多月前已不下數十種。代表性的神經網絡模型有BP神經網絡、GMDH網絡、RBF網絡、Hopfield模型、Boltzmann機、自適應共振理論、CPN模型等。Rumelhart等于1986年提出的誤差反向傳播算法，簡稱BP算法，是目前應用最廣泛的神經網絡模型之一。

Lapedes等人（1987）最先將神經網絡用于經濟預測。Vaifis（1990）應用神經網絡解決經濟時間序列數據的預測問題。Wedding（1996）提出使用徑向基函數網絡與Box-Jenkins模結合。近年來，國內經濟預測中有大量文獻涉及神經網絡算法。周柳青等（2011）運用BP人工神經網絡方法，對廣東省縣域經濟發展差異進行綜合評估。認為BP神經網絡的評價結果可以較好地模擬縣域經濟發展差異，能有效避免主觀確定權重所確定帶來的誤差，提高測度的準確性。傅建華等（2012）構建了企業綠色營銷績效評估的AHP-BP神經網絡模型，模型以AHP評價結果為神經網絡輸入，利用反向逆傳播神經網絡對評價結果進行訓練與檢驗，降低了人為主觀隨意性的缺陷，計算結果準確、方法可行、誤差可控，在企業綠色營銷績效評估領域具有推廣價值。

BP網絡能夠模仿非線性函數、分段函數等；能利用變量的屬性內含地建立相關的變量及變量之間的函數關系，且不需要預先假設基本的參數分布。因此，當變量之間的關系不適合假定的模型時，可以嘗試用BP神經網絡構建模型。但BP神經網絡模型預測的準確性受參數的選擇、神經網絡拓撲結構的優劣等影響。運用神經網絡構建模型的最主要的障礙是缺乏神經網絡拓撲結構的設計理論，且有時候會陷入局部極小值。針對這些問題，許多學者做了積極的改進。陳健等（2006）把對數據的歸一化變為對數據增長率的歸一化，因而只要預測的經濟數據增長率不超過以往的經濟數據增長率，則不再會發生外延問題。肖冬榮等（2007）通過綜合運用附加動量法、改變作用函數法以及把預測對象從生產總值調整為生產總值增長率等技巧，來改進預測精度、建模收斂速度、局部極小值等問題。吳俊利等（2012）引入Adaboost算法對BP神經網絡算法進行改進，提出了基于Adaboost的BP神經網絡算法，并將該方法應用于短期風速預測。劉向榮、孫紅英（2013）在對權值和閾值進行修改時加入了動量項α，改進了預測效果。

2 徑向基神經網絡的應用

不同于BP神經網絡函數逼近時的負梯度下降法，徑向基神經網絡（RBF）由于采用高斯型傳遞函數，有著較快的收斂速度和較強的非線性映射能力，在非線性經濟預測方面具有很好的應用前景。許增福等（2008）根據經濟發展的實際指標數據，構造徑向基神經網絡模型，設計了有監督和無監督兩段學習算法，并利用歷史經濟數據證明了該方法的有效性。張亞平、張立偉（2011）利用徑向基函數（RBF）神經網絡建立投資預測模型，有效解決經濟投資預測中非線性預測問題。通過仿真實驗證明模型既真實地表達了投資要素之間的高度非線性關系，又考慮了分配結構的優化問題，具有很高的預測精度和較強的實際應用意義。郭立（2014）建立了基于徑向基神經網絡的礦產品價格非線性預測模型，并應用某金屬的中長期價格進行仿真，結果表明該模型具有較好的可靠性和實用性。

3 遺傳算法、模糊算法與神經網絡的結合應用

1975年美國Michigan大學的Holland提出的模擬達爾文遺傳選擇和自然淘汰的生物進化論的計算模型——遺傳算法（Genetic Algorithm，GA）。在神經網絡中結合應用遺傳算法，能夠克服神經網絡利用梯度下降法所帶來的缺點，將它們應用于經濟預測可以得到較好的預測效果。陳朝陽等（1997）提出將遺傳算法用于神經網絡結合，并將其應用于經濟的預測及組合預測中，得到了比常規經濟學模型更優的效果。李玲、陶啟萍（2005）利用遺傳算法和人工神經網絡建立數學模型，同時結合企業態勢分析法（SWOT）選取各類指標形成完善的企業決策模型。張雙（2014）利用遺傳算法對權值和閾值的初始值進行優化改進后的BP神經網絡對預測殘差進行修正，建立灰色遺傳優化神經網絡模型，并利用加權法對多元回歸分析和灰色神經網絡進行組合，更好地利用了不同單一模型的優勢。通過實證分析證明這種組合預測模型較灰色預測模型誤差率可以減少40%～70%。

模糊模型因其善于處理分類邊界模糊的數據以及易于引入啟發性知識的能力而在自動控制、模式辨識等方面得到廣泛應用。目前在把人工神經網絡和模糊系統結合起來形成模糊神經系統方面已取得了很大進展。賀京同等（2000）運用模糊邏輯推理將經濟專家經驗引入到宏觀經濟的預警分析中，將神經網絡理論與模糊系統理論相結合，建立了宏觀經濟非線性預警模型。張婕等（2010）運用模糊學和BP神經網絡的基本理論，構建包裝企業的安全生產方案決策模型，進行安全生產方案的決策選擇，認為該方法能夠達到提高安全生產能力、增強企業的經濟效益與社會效益的目的。張廣平等（2012）借助廣義動態模糊神經網絡（GD-FNN）設計了一種模糊神經網絡模型并應用于臺風災害損失的預測預警中，定量地研究了臺風災害致災因子與災情指標因子之間的規律。王暉、唐靜（2013）將模糊理論和神經網絡理論結合，構建了教育經濟貢獻度分析模型，用于度量教育對于我國經濟的發展的作用。

綜上所述，神經網絡在經濟預測中的應用已得到了深入的研究。包括應用BP神經網絡、徑向基網絡對經濟數據進行建模分析，以及將遺傳算法、模糊系統算法與神經網絡的結合應用，并通過實證分析證明了多種模型的有效性。

如今，神經網絡已廣泛應用于智能控制、計算機視覺、模式識別、自動目標識別、連續語音識別、信號處理、自適應濾波、非線性優化、傳感技術與機器人、知識處理、生物醫學工程等領域，在經濟預測對復雜經濟變量的非線性關系預測上具有較高的精度。對于一些經濟理論尚不明確的經濟關系也能給出較為準確的預測。神經網絡的進一步發展，也會帶給經濟預測領域更新的方法。

參考文獻：

[1]Varfis， A.and Versino， C.， Univariate Economic Time Series Forecasting by Connectionist Method[M].IEEE ICNN-90，1990.

[2]張雙.基于遺傳算法的灰色神經網絡的預測[J].統計與決策，2014（17）：79-81.

[3]王暉，唐靜.基于模糊神經網絡的教育經濟貢獻度研究[J].統計與決策，2013（14）：111-113.