基于AHP-GABP的農業保險可持續發展評價

于慧伶， 李新立， 陳楠楠

(1.東北林業大學信息與計算機工程學院，黑龍江哈爾濱 150040； 2.吉林農業大學經濟管理學院，吉林長春 130118)

1 農業保險可持續發展評價指標體系

農業保險的經營實踐始于1934年，建國以后農業保險的發展也是一波三折，大致經歷了20世紀50年代初的起步階段、50年代末到80年代初的停滯階段、20世紀80年代到21世紀初的恢復與徘徊階段及2007年財政補貼后的快速發展階段。從我國農業保險的發展歷史來看，農業保險的發展易受國家政策的約束，而發展水平的評估標準不一，無法全面公平地評估農業保險各年度的發展水平。因此，建立農業保險的可持續發展指標體系，全面衡量農業保險可持續發展情況是本研究的目的之一。

借鑒其他行業的評價指標構建經驗，農業保險可持續發展的評價指標體系的設置也應當遵循以下基本原則：第一，科學性原則，選取的指標要具有科學內涵，能夠在一定程度上度量發展情況；第二，全面性原則，選擇的指標要具有全面性原則，涵蓋農業保險發展的各個方面；第三，主成分性原則，指標設置時要突出重點，選擇有代表性的指標；第四，可量化原則，選擇的指標應具有可量化原則，指標的可量化性能夠在一定程度上促使評估結果客觀公正。

遵循上述評價指標設置的原則，結合農業保險的發展實踐，分別從規模、效率、影響率、可持續性4個方面來考量各年度農業保險的發展情況，基于層次分法的原理，采用指標體系(具體由4個一級指標以及 16個二級指標)對我國農業保險可持續的發展水平進行較全面的評價，具體指標遞階層次關系見圖1。

2 AHP-GABP評價模型

2.1 層次分析法

層次分析法(analytic hierarchy process，AHP)是美國運籌學家Saaty教授于20世紀70年代初提出的，通過把復雜問題中的各種因素劃分為相互聯系的層次結構，同層次間根據對客觀現實的主觀判斷，把專家意見和分析者的客觀判斷結果結合起來，使決策的思維過程數學化，為多目標、多準則的復雜決策問題提供簡便的決策方法。

AHP算法有其自身難以克服的不足，突出表現在其嚴格要求數據的完整性，容錯能力較弱，不適合作模型推廣，隨著工業結構規模的擴大和問題復雜度的提高，AHP逐漸以一種輔助決策的工具出現[4-6]。本研究在農業保險可持續發展評價上，首先采用AHP進行初步評價，并將評價結果利用神經網絡進行修正，將學習和訓練好的神經網絡模型用于正式的評價方法，從而提高評價模型結構的準確性和推廣性。

2.2 GABP神經網絡及改進

BP神經網絡具有高度的非線性映射能力和良好的泛化能力，通過BP神經網絡學習AHP的決策能力建立評價模型，從而提高模型的可應用性，這具有一定的研究意義[7]。標準BP神經網絡最大的缺陷在于其收斂速度慢和易陷入局部最小，從而在效率和誤差精度上達不到工程要求，常用解決辦法是通過遺傳算法優化BP神經網絡的初始權值、閾值，加快神經網絡的收斂速度、避免陷入局部最小[8-10]。

根據國內外的相關數據顯示，小班化教學的班級人數一般保持在20左右，最多不超過25人。人數過多，則教師容易顧此失彼，難以全面掌控。在進行分組教學活動過程中，若以常見的4-5人為一組，一個班級最多在4-5組左右，處于可控和合理的范圍。

在傳統遺傳算法(genetic algorithm，GA)中，交叉操作是將親代個體放入交配池中隨機配對，雙親本按照選定的交叉方式把染色體部分交換，形成1對子代，1對雙親產生1對子代[11]。本研究提出改進的多子代遺傳算法，設親本染色體為P1和P2，按照單點交叉分成4段，即P1=A1B1=C1D1、P2=A2B2=C2D2，其中A1和A2、B1和B2、C1和C2、D1和D2處于相同的染色體部位，多子代遺傳產生的方法是A1A2交換產生子代F1和F2，D1D2交換產生子代F3和F4，F1=A1B2，F2=A2B1，F3=C1D2，F4=C2D1，這樣就使得親代P1和P2的子代數量增加1倍，通過增加子代數量，放大優秀個體產生的可能性，通過更激烈的種群競爭保證種群的整體生存力(圖2)。

2.3 AHP-GABP評價模型

本研究將層次分析法和神經網絡相結合，建立AHP-GABP評價模型對我國農業保險可持續發展水平進行評估，該模型不僅發揮了BP神經網絡在非線性映射方面的優勢，而且降低了AHP方法的主觀隨意性和思維不定性等不利因素的影響，同時模型中專家經驗知識的充分應用有效地彌補了BP神經網絡權值任意賦值的缺陷。AHP-GABP評價模型見圖3。

3 試驗論證

我國農業保險可持續發展評估模型由三部分組成，首先根據層次分析法確定各農業保險可持續發展指標的權重、初步確定評估結果，再由神經網絡將模型應用推廣發展。

3.1 指標權重確定

根據圖1遞階層次關系建立判斷矩陣，以Saaty九級標度法為基準進行專家打分；利用和積法近似求得判斷矩陣的最大特征值λmax和特征向量，求得各層次指標權重值，并根據公式(1)、公式(2)進行一致性檢驗。

(1)

(2)

式中：CI、CR分別表示矩陣A的偏離一致性和相對一致性值；n表示各層次下指標個數。通過計算發現，各矩陣中CR值均小于0.1，矩陣通過一致性檢驗。RI為隨機一致性指標，經查表得RI=0.9。將目標矩陣和各二級指標矩陣的專家打分結果、指標權重值、CI、CR分別列示在表1至表5中。

表1評估目標A下各二級指標權值

注：CI(A)=0，CR(A)=0。

表2B1指標下各三級指標權值

注：CI(B1)=0.006，CR(B1)=0.007。

在層次單排序的基礎上計算層次總排序值，并將各指標權值和指標性質列示在表6中。

表3B2指標下各三級指標權值

注：CI(B2)=0.007，CR(B1)=0.008。

表4B3指標下各三級指標權值

注：CI(B3)=0，CR(B3)=0

表5B4指標下各三級指標權值

注：CI(B4)=0，CR(B4)=0。

表6各三級指標權值和性質

注：指標性質“+”“-”分別表示某指標對農業保險可持續發展的正向作用和負向作用。

3.2 初始評價

從《中國保險年鑒》查閱2004—2014年所需評估指標數據，首先對數據無量綱化處理，采用Matlab中mapminmax歸一化函數將試驗數據映射到[-1，1]內，將各指標數據變成無量綱化樣本數據，實現過程見公式(3)。

(3)

式中：ymax、ymin默認取1、-1；xmax、xmin分別表示輸入數據的最大值和最小值。農業保險可持續發展AHP評價下初始得分S的計算公式見公式(4)。

(4)

式中：m表示圖1中二級指標B的指標個數；n表示二級指標下每個三級指標C的個數；“+”“-”表示表6中指標性質；yij表示第i個二級指標下第j個指標歸一化后數值；wij表示該指標權重；“10”表示將得分映射到[0，10]范圍內，將S劃分為10個等級。

3.3 基于AHP-GABP的農業保險可持續發展評價結果

將AHP初始評價結果和無量綱化農業保險可持續發展評估指標數據分別作為神經網絡模型的目標向量和輸入向量，在Matlab R2012a中運行程序，分別將BP神經網絡、GABP神經網絡模型的誤差曲線顯示在圖4、圖5中，圖4中BP神經網絡在迭代30次時收斂，收斂誤差為0.003，而圖5中GABP神經網絡在迭代3次就達到了收斂要求，誤差精度明顯高于BP神經網絡，多子代遺傳算法可以提高神經網絡的收斂速度和預測精度(神經網絡結構：16-10-1；net.trainParam.epochs=80；net.rainParam.goal=0.01；GA算法采用單點交叉，初始種群規模：popu=60，變異系數為0.1)。

優化后的神經網絡建立適于推廣的正式AHP-GABP評估模型，用于評估2004—2014年中國農業保險得可持續發展水平，評估結果見圖6。

根據農業保險數據可知，2004—2014年我國農業保險整體態勢發展良好，2004年我國農業保險保費收入為4億元，農業保險賠付支出為3億元，而2014年保費收入為326億元，賠付支出為206億元。11年來保費收入增長了約81倍，賠付增長了約69倍，農業保險業務規模快速增長，這恰恰與AHP- GABP 網絡模型評價的我國農業保險可持續發展的總體趨勢相符，模型評價準確。

4 結論

將AHP和GABP結合的新模型實現了二者的優勢互補，不僅降低了專家主觀隨意性對評價結果的影響，使得評價結果更加準確可靠，還可以提高神經網絡的學習速率，加快網絡的收斂速度，增強網絡的適應能力，并將其應用在我國農業保險可持續發展評估領域，得到了較好的試驗效果，基于AHP-GABP 的農業保險可持續發展評價模型具有較高的應用價值和推廣價值。

參考文獻：

[1]庹國柱. 加快培育農業發展新動能 農業保險大有作為[N]. 中國保險報，2017-02-09(1).

[2]黃延信，李偉毅. 加快制度創新推進農業保險可持續發展[J]. 農業經濟問題，2013(2)：4-9.

[3]丁少群，魏曉盛，馬琳琳. 嵌入性視角下政策性農業保險的隱憂及其可持續發展[J]. 保險研究，2012(5)：10-15.

[4]王 英，王 燦，孫新澤. 基于AHP-BP神經網絡的江蘇省創新型經濟評價[J]. 科技管理研究，2016(9)：68-72.

[5]程 波，賈國柱. 改進AHP-BP神經網絡算法研究——以建筑企業循環經濟評價為例[J]. 管理評論，2015(1)：36-47.

[6]劉 鶴，劉 鑫，吳文瀚，等. 利用AHP-BP法建立水泥企業循環經濟評價指標體系的研究[J]. 環境工程，2014(6)：148-152.

[7]Rumelhart D E，Hinton G E，Williams R J.Learning internal representation by back-propagation errors[J]. Nature，1986，323(323)：533-536.

[8]秦國華，謝文斌，王華敏. 基于神經網絡與遺傳算法的刀具磨損檢測與控制[J]. 光學精密工程，2015(5)：1314-1321.

[9]Liang X U，Zong M.Genetic algorithm optimization neural network-based prediction of coal mine gas concentration[J]. Journal of Heilongjiang University of Science and Technology，2014，117(2)：243-246.

[10]Wang H B，Zhang L Y.Multi-user detection based on genetic algorithm optimization neural network[J]. Computer Engineering，2011，37(7)：207-209.

[11]Mitchell M，Mitchell M. An introduction to genetic algorithms (complex adaptive systems)[J]. Principles of Adaptive Filters and Self-learning Systems，1998，24(4/5)：325-336.