基于神經網絡模型研究氣候變化對國家脆弱程度的影響

【摘要】“脆弱國家”作為當今學術界的熱點議題正逐漸得到人們的關注，而氣候變化從20世紀80年代以來作為重大社會問題一直熱度不減，兩者之間關系的研究成為目前學術界的新寵。本文嘗試將氣候變化作為國家脆弱性程度的影響因素，探究氣候變化對國家脆弱性是否產生影響，并通過建立模型對該影響進行描述，且對國家脆弱性狀態(tài)加以評價識別。

【關鍵詞】BP神經網絡 脆弱國家 氣候變化

20世紀80年代以來，氣候變化作為社會各界的熱門話題逐漸得到人們關注。氣候變化，從其定義而言，即指氣候平均狀態(tài)隨時間的變化；從其影響來看，氣候變化往往會涉及干旱或洪澇災害的增加、動植物種類變化、海平面上升等一系列問題，并且這些影響往往存在地區(qū)差異。2012年聯(lián)合國氣候變化專門委員會（IPCC）發(fā)布了《管理極端事件及災害風險，推進適應氣候變化》特別報告，指出在氣候變化的背景下，許多極端事件都會超出人類知識和經驗的范疇，并警示各國積極采取防御措施。

與此同時，近年來，學術界提出“脆弱國家”的概念并開始了有關“脆弱國家指數(shù)（FSI）的相關研究。“脆弱國家”是指一個國家沒有能力或者有意不向社會提供基本服務和公共產品，從而導致其合法性流失，更有甚者會引發(fā)社會沖突，加速國家經濟的衰退。

結合相關文獻，我們發(fā)現(xiàn)“脆弱國家指數(shù)”通常是從社會、經濟、政治和安全等四個方面進行衡量，并未考慮環(huán)境因素，然而伴隨著全球環(huán)境變化，環(huán)境作為一個重要影響因素同其他四個指標一樣應當?shù)玫街匾?/p>

一、BP神經網絡模型的介紹及求解

（一）BP神經網絡介紹

BP（back propagation）神經網絡是1986年由Rumelhart和McClelland為首的科學家提出的概念，是一種按照誤差逆向傳播算法訓練的多層前饋神經網絡，是目前應用最廣泛的神經網絡。

BP神經網絡是多層前饋神經網絡[1]，其算法稱為BP算法，它的基本思想是梯度下降法，利用梯度搜索技術，以期使網絡的實際輸出值和期望輸出值的誤差均方差為最小，其激活函數(shù)為S型函數(shù)，輸出量為0到1之間的連續(xù)量，可以實現(xiàn)從輸入到輸出的任意非線性映射。模型是一個由輸入層，輸出層和一個隱含層三個神經元層次構成的模型，各層次的神經元間形成全互連連接，同層次內的神經元間沒有連接。對于輸入信號，要向前傳播到隱含層神經元，經激活函數(shù)變換后，再把隱含層神經元的輸入信號傳播到輸出層神經元。

（二）評價指標體系及數(shù)據(jù)來源

首先，我們構建國家脆弱性評價指標體系的構建，為更加全面衡量國家脆弱程度，本文從政治、社會、經濟、安全和氣候五個方面共計14個指標進行評價[2]，具體指標如下：政治因素：P1：政府正當性、P2：公眾服務、P3：人權；社會因素：S1：人口壓力、S2：難民及國內流浪者、S3：外部干涉；經濟因素：E1：經濟、E2：經濟不平等、E3：人力及智力海外流失；安全因素：C1：治安、C2：權利斗爭，階級斗爭、C3：種族矛盾；氣候因素：D1：溫度、D2：降水量。

考慮到數(shù)據(jù)的可得性以及分析的準確性，本文以2017年全球160個國家作為數(shù)據(jù)總體利用MATLAB隨機抽選出150個國家作為樣本，各個指標具體數(shù)值來源于World Bank Climate Change Data Knowledge Portal以及The University of East Anglia's Climate Research Unit，將選中的150個國家分為兩種類型，其中100個國家作為訓練樣本供BP神經網絡訓練使用，通過應用誤差反傳原理不斷調整網絡權值，使網絡模型輸出值與已知的訓練樣本輸出值之間的誤差平方和達到最小或小于某一期望值，使得神經網絡更合理；其余50個國家作為測試樣本用以對神經網絡的準確性加以測試。

（三）處理步驟

Step1：將2017年全球160個國家的14個用于衡量國家脆弱性的指標數(shù)據(jù)以及國家脆弱性得分數(shù)據(jù)表導入到MATLAB中，并從中隨機選取150個國家進行研究并隨機選擇100個國家作為訓練樣本，60個作為測試樣本[3]；

Step2：為了將各個指標合成一個綜合評價體系，則首先應當將每個指標進行標準化處理，隨后對數(shù)據(jù)進行歸一化處理，將數(shù)據(jù)轉化至區(qū)間[0，1]，減少奇異值對于網絡訓練時間的增加，加快程序運行的時間，為后續(xù)操作提供方便；

Step3：構建神經網絡，與此同時使用軟件產生[-1，1]之間的隨機數(shù)并對所有連接權重進行隨機賦值，同時為相關訓練參數(shù)設定初值；

Step4：進行神經網絡的訓練；

Step5：利用測試樣本進行仿真測試，用以檢驗測試結果是否符合預期以及所建模型的準確性；

Step6：進行數(shù)據(jù)的反歸一化，還原數(shù)據(jù)本身情況；

Step7：利用相對誤差、決定系數(shù)等指標對所構建的神經系統(tǒng)模型進行性能評價。

二、結果分析與評價

結合MATLAB運行結果圖形的變化趨勢可看出，神經網絡的輸出值與實際值基本吻合，僅存在個別樣本略有偏差，但是這種偏差在預設的精度范圍之內，對于模型整體的精確性影響可以忽略，且就整體而言擬合優(yōu)度達到98.584%，可認為擬合效果優(yōu)良，該模型可用于衡量國家脆弱性程度，并且精度較高。

三、結論

結合BP神經網絡的輸出結果，氣候變化對于國家脆弱性程度存在影響[4]，我們可以發(fā)現(xiàn)經濟、政治、社會、安全和環(huán)境作為影響國家脆弱性的因素可以較為綜合反映國家的脆弱性程度，各個指標之間都具有較為良好的解釋能力，該結果表明綜合指標評價體系中所選指標均為國家脆弱性程度變化的影響指標，并且以此構建的神經網絡具有較為優(yōu)良的評價與分析能力，可用于研究氣候變化對于國家脆弱性的影響。

參考文獻

[1]楊淑娥，黃禮.基于BP神經網絡的上市公司財務預警模型[J].系統(tǒng)工程理論與實踐，2005.

[2]劉天旭，吳滔.脆弱國家的評估標準問題[J].理論討論，2016.

[3]許東，吳錚.基于MATLAB 6 X的系統(tǒng)分析與設計——神經網絡[M]（第二版）.西安：西安電子科技大學出版社，2002.

[4]史培軍，李寧，葉謙等.全球環(huán)境變化與綜合災害風險防范研究[J]地球科學進展，2009.

作者簡介：趙宇晗（1997-），女，漢族，河北石家莊人，河北大學經濟學院本科生，研究方向：經濟統(tǒng)計。