基于GA-BP神经网络的省域经济风险预警研究——以安徽省为例

后小仙，马小刚

（1.复旦大学 国际关系与公共事务学院，上海 200433；2.中国农业银行 郑州分行，河南 郑州 450052）

一、引 言

省域经济是推动中国经济健康快速发展的重要载体，近年来，为了应对金融危机，各省级政府纷纷出台政府主导性投资推动的经济刺激计划，这些投资计划在促进经济增长的过程中，极容易导致投资过热，给地方经济带来系统性的危机与风险。国家审计署最新审计报告显示，截止到2010年底，我国地方政府债务总额约为12.5万亿元左右，约占GDP的31.25%，同时，各地在产业结构调整、资源环境利用等方面也都存在着较多的矛盾与冲突。随着现代市场经济和区域经济的加快发展，对省域经济进行风险评估研究的必要性和重要性也就愈益凸显。省域经济风险是一种异变性风险，是指某个省域经济偏离了稳定状态，出现危机的因素和态势。治理省域经济风险，不仅需要对其运行现状进行全面、深入的认识和评价，而且要对其未来的发展趋势和潜在风险因素进行评估分析。省域经济风险问题的出现，并不是一个突发的现象，而是一个逐步发生的过程，在危机发生之前必然会有相应的先兆，这就使预测风险、发布风险信号、制定化解策略成为可能［1］。本文围绕省域经济风险预警与控制问题，构建了省域经济风险预警指标体系和预警模型，该评价系统是有效宏观调控的监视器和检测器，可以检查监督省域宏观调控措施的有效性，衡量经济发展战略的实施效果，为省级政府引导经济健康发展提供重要的决策参考。论文在构建省域经济风险预警指标体系与模型的基础上，利用安徽省1995-2011年经济运行的相关数据，对安徽省经济风险状况进行实证分析，并对保障安徽省经济安全运行的政策选择提出具有较强针对性的对策分析，对了解和把握安徽省经济运行的基本态势与潜在风险，在后危机时代实现科学发展与跨越发展具有重要的政策指导作用。

二、指标设计

经济风险往往都是有先兆地具体表现在一些特定的风险指标的不寻常变化上，经济风险评价是对多维复杂经济系统风险程度的静态评价，其指标体系是对系统安全程度的具体监测和衡量［2］。构建省域经济安全预警指标体系，最重要的两点在于指标的选取以及指标权重的确定。

（一）指标体系的建立

省域经济是一个复杂、综合的系统，省域经济风险更是各种经济因素共同作用的结果。从总体而言，省域经济风险的影响因素可以大致分为几个类别：经济增长、财政金融、产业安全、社会可持续。这些类别相应的指标分别从不同角度、以不同方式对省域经济风险产生影响。建立省域经济风险预警指标体系的目的是为了评判省域经济风险状况，本文以经济持续稳定增长、政府财政收支平衡、省域产业结构合理、社会具有可持续发展能力为省域经济安全的衡量目标，通过相关理论研究，结合省域经济特征，初步建立省域经济风险预警指标体系，用以监测省域经济年度数据异常。该指标体系的一级指标是省域经济风险状况，分为经济增长、财政金融、产业安全、社会可持续等4个二级指标，每个二级指标又有若干个三级指标加以描述。

对初步建立的省域经济风险预警指标体系进行信度检验，以考察指标体系对经济风险问题是否具有相当好的解释力。信度检验是为了检验指标采用同样的方法对同一对象重复测量时所得结果的一致性程度，一般考察α 信度系数，其计算公式为：

用统计软件SPSS19.0 对正向标准化后的表1 指标体系做信度分析，结果见表1所列。

表1 省域经济风险预警指标体系可靠性分析

表1中显示指标体系克朗巴哈α 值为0.864，标准化后项目克朗巴哈α 值为0.867，说明指标间有较高一致性。但是，考察总体项目统计表中修正项目总体相关一栏，有些指标相关值明显小于其他指标，故删去这些指标。经过信度检验之后的指标体系如表2所列。

表2 修正后的省域风险预警指标评价体系

（二）指标体系的说明

本指标体系试图用固定资产增长率、基础建设投资额（万元）、社会零售商品总额（亿元）、城镇居民消费水平（元）、外贸依存度等指标反映省域经济增长的风险状况。经济保持一定增速对国家和地区的发展和稳定有着重要意义。研究证明，我国经济增速保持在8%～10%有利于维持社会稳定和就业，增速过高可能出现经济过热，过低则会增加失业率，不利于社会稳定和经济发展［3］。消费、投资、外贸是我国经济的“三驾马车”，因此本指标体系分别从这三个方面选取指标。此外，又从质量入手，加入城镇居民消费水平和居民消费价格指数两个指标，以反映目前增长水平下居民的实际生活水平。

本指标体系从地方财政、省域银行和省域保险业三个方面评价省域经济的财政金融安全状况，由于我国保险业发展较为缓慢，且对经济安全影响较小，不设立该领域的具体指标。地方财政指标选取了财政赤字/GDP，从而可以在一定程度上反映省域政府对经济风险的应对准备是否充足，同时选取人均财政收入、人均财政支出、人均税收等指标评价在当前财政政策下居民福利和债务负担；选取城镇居民家庭人均可支配收入、农村居民家庭人均纯收入反映当前财政政策下居民生活水平，选取省域银行贷款规模增长率等省域金融指标反映省域流动性状况。

本指标体系用实际利用外资额、第三产业从业人员比重、工业产值占地区生产总值的比重、劳动成本（平均工资水平）、企业研发费用占社会研发费用的比重等指标，分别从资本、结构、成本、研发等角度评价省域产业发展现状，从而可以在一定程度上判断省域产业结构状况、企业生存状况和生命力。由于数据不能获取，故用平均工资水平替代劳动成本。

本指标体系用研究人员数、十万人受高中以上教育人口、RD 经费支出（万元）、城镇化率、人口密度、城乡消费水平比（农村=1）等指标评价省域经济的可持续状况，这些指标涵盖了人口、环境、科技、居民生活等方面，反映了省域经济的目标约束，从而可以在一定程度上判断省域经济在知识、人口等条件制约下是否具有可持续性，以及在未来一定时期内的发展趋势。

（三）指标体系的权重设计

确定指标权重是指标体系构建和评估过程中的核心环节，不同的赋权方法会导致具体评价结果的差异［4］，本文采用层次分析法确定指标权重。建立由综合指标层（A）、二级指标层（B）和三级指标层（C）构成的层次结构模型，综合指标层只有一个元素，即省域经济风险，二级指标层为m个描述性综合指标B1，B2，…，Bm，三级指标层C是描述综合指标和二级指标的个指标C11，C12，…，C1n，…，Cmn，各二级指标下的指标数目n不等，分别为ni，i=1，2，…，n。

利用K 组样本分别对二级指标层Bi下的指标Bi1，Bi2，…，Bin进行因子分析，为了负向指标正向化和消除量纲，采取最大值最小值法对m个指标值组成的指标矩阵进行标准化处理，公式如下：

为了判断指标进行因子分析的效果，对指标做信度与效度检验。其中，信度检验采用公式（1）的克朗巴哈α 值法。如果输出α 值大于0.8，则说明指标内部一致性较好，可以客观描述省域经济风险。在信度检验基础上，对有效样本数据进行KMO 抽样适当性检验和Bartlett 球度检验。KMO 统计量是取值在0～1 之间，当所有变量间的简单相关系数平方和远远大于偏相关系数平方和时，KMO 值接近1。Kaiser 给出了常用的KMO度量标准：0.9以上表示非常适合；0.8表示适合；0.7表示一般；0.6表示不太适合；0.5以下表示极不适合。Bartlett 球度检验以原有变量的相关系数矩阵为出发点，用于检验相关阵是否是单位阵，即各变量是否独立，它是以变量的相关系数矩阵为出发点，依据相关系数矩阵的行列式计算可得其近似卡方分布。如果统计量卡方值较大且对应的sig 值小于给定的显著性水平α 时，零假设不成立，说明相关系数矩阵不可能是单位矩阵，变量之间存在相关关系，适合做因子分析。上述检验均可采用SPSS19.0完成。

对m个指标矩阵Zk×n，分别求解其初始公共因子Fi（i=1，2，…，p）和因子荷载矩阵A，并求Zk×n的特征根λ1≥λ2≥…≥λn≥λ0以及相应的特征向量u1，u2，…，un。则对于每一个指标矩阵Zk×n 中的n个指标，可以用p个公共因子的线性组合表示，公式如下：

其中，Z 为标准化后的矩阵；A 为Zk×n 的因子载荷矩阵；为公共因子矩阵。为特殊因子矩阵。

公因子个数p 可以根据相关矩阵的特征值确定，由于相关矩阵的特征值均值为1，故通常取特征值大于1的数作为公共因子数。在实际分析时，为了更清楚地知道每个公因子的实际意义，往往对载荷矩阵进行极大化旋转，使得每个公因子上的最高载荷变量的数目最少。最常用的是方差最大正交旋转法。旋转后的因子荷载矩阵如下：）

（4）式中，A为因子载荷矩阵；T为使旋转之后新因子方差最大化的正交矩阵。

运用加权最小二乘法分别计算m个指标矩阵的公因子得分矩阵如下：

计算各二级指标Bi下指标矩阵的综合因子得分Si，i=1，2，…，m。

（7）式中，Si为二级指标Bi下各指标矩阵的综合因子得分向量；W为各指标矩阵对应的二级指标层的权重向量。

三、理论模型

（一）预警方法的选择

要想衡量省域经济系统运行状况，需要有庞大的时间序列数据作为支撑，并运用量变引起质变的思想把数据更新与时间变化有机结合，从而实现动态预测和评价省域经济安全状况。然而我国省域经济数据的实际情况是统计年份较少，很多省级统计年鉴都是从20 世纪1990年代以后开始的，另外由于我国经济参与到全球化的时间较晚，从而波动性较小，呈现稳定的趋势，这些都制约着我们对省域经济安全的客观评价。

随着数学模型和经济理论的广泛结合，产生了许多危机预警模型，总体上可以分为统计类和非统计类。统计类方法主要包括单变量判别模型、多元判别模型、Logistic回归等方法；非统计类模型主要包括BP神经网络模型、案例分析法、模糊优选法等。这些模型各有千秋，但都存在各自的不足，如线性判别模型需要变量服从正态分布并且分组样本间的协方差要相等，但事实上各变量之间存在着多重共线性和相关性；BP神经网络模型虽然理论基础完善，但由于建模方式复杂，收敛速度和收敛精度受样本分类的影响，使得模型的适用性和准确性较差［5］。本文根据我国省域经济发展的现状，考虑到引起省域经济安全的深层次的原因，建立基于GA-BP神经网络的省域经济安全预警模型，采用GA算法优化BP神经网络误差函数，从而在年度统计数据较少的情况下，发挥BP神经网络作为分类模型的优势，工作流程如图1所示。

图1 预警方法流程

省域经济风险预警是一个静态评价和动态监测相结合的过程，目前已有的预警模型中多为静态评价模型，GA-BP神经网络预警模型可以通过相关参数和程序的设置，动态地预测未来时间段内经济指标的变动状况，对省域经济安全状况进行动态的监测，做出前瞻性判断。

省域经济风险问题研究主要着眼于稳定性和波动性的判断。在正常情况下，省域经济总体发展应呈现稳定的趋势，这反映了省域经济没有受到较大干扰，在内外部环境的影响下仍具有较好的稳定性，即较高安全度；反之，如果在某些年份内有较大波动，从而偏离了稳定的趋势，则可以认为省域经济的发展在某个或者某些因素的影响下，无法继续保持原有的稳定状态，即省域经济出现了问题。当然引起这种波动性的原因可能是正常的省域经济转型或者产业结构升级等，从而呈现暂时性，这些可以通过考察后续年份数据的波动性来加以判断。为了考察省域经济的波动性，并消除个别指标的非寻常变化引起的误判，本文采用计算省域经济风险综合指数，以综合指数变化的一倍标准差作为评判依据。

（二）预警模型的构建

根据GA 算法和BP 神经网络相关理论，本文采用在BP神经网络程序运行后，得出网络误差作为适应度函数，运用GA 算法对网络权值阀值进行优化，然后再把优化之后的权值阀值带入网络进行下一步运行的策略。对GA 算法的迭代次数、种群规模，BP神经网络的输入样本、输出样本、结构以及初始权值阀值等相应参数分别进行设计，利用MATLAB2010a 进行编程，实现GA 算法的优化功能和BP 神经网络的分类预测功能。

1.BP神经网络设计

（1）输入层节点数。本文中的输入变量采用上文中建立的省域经济风险指标体系三级指标，所以输入节点数为25（22）。

（2）输出层节点数。如前所述，本文仅将省域经济风险分为安全和不安全两类，因此输出层节点数为2个，分别为（1，0）和（0，1）。

（3）BP神经网络的传递函数和学习规则。神经元的传递函数反映了神经元输出与其启动状态之间的关系，本研究采用的传递函数为tansig函数和purelin函数。BP神经网络的学习规则，即权值和阈值的调节采用的是误差反向传播算法。本研究采用MATLAB 神经网络工具箱中的trainlm 学习算法，它具有收敛快、收敛误差小、占用存储空间大和性能随网络规模增大而变差等特点。

（4）隐含层设计。研究表明，当BP 神经网络的传递函数为S型函数和purelin函数时，具有单隐含层的神经网络可以逼近所有连续的函数。另外，虽然增加隐层数可以降低网络误差、提高精度，但是代价是使得网络变得更为复杂，从而增加了网络的训练时间，甚至出现“过拟合”的现象［6］。所以在设计多层前馈网络时，通常考虑单个隐含层，通过增加隐含层的节点数来增加网络精度，而不需要设置多个隐含层。试凑法是确定最佳隐含层节点数常用的方法，可以先设置较少的隐含节点训练网络，然后逐渐增加隐含层节点数，用同一样本集进行训练，从中确定网络误差最小时对应的隐含层节点数。本文在设计网络时，采取单隐层的前馈型神经网络结构，即网络结构为一个输入层、一个输出层和一个隐含层。并运用试凑法，经过多次试验发现，当隐含层节点数为13个的时候，网络达到速度和稳定性的最佳状态，训练和检测的效果都最好。

2.GA算法参数设计

（1）GA算法基本参数。基本的GA算法在运行前，有以下4个运行参数需要预先设定：种群规模，即种群中所含的个体的数量，一般取20～100；GA 算法迭代次数，一般取100～500；交叉概率，一般取0.4～0.99；变异概率，一般取0.0001～0.1。本文中，由于数据序列较少，所以采取变通的方法，迭代次数为50 次，种群规模为10，交叉概率0.4，变异概率0.2。

（2）适应度函数。适应度函数表示个体或解的优劣性，它决定了当前循环所得的解是否可取的依据，也是决定当前群体中各个个体遗传到下一代群体的概率。为了正确估计这个概率，要求所有个体的适应度必须非负，所以在处理实际问题时，往往需要预先确定好由目标函数值到个体适应度之间的转换规律，特别是要预先确定好当目标函数为负数的处理方法。对于不同问题，适应度函数的定义方式不同，选取一个适当大的正数c，使得个体的适应度为目标函数值加上正数c。本文中的适应度函数取所有节点数的期望输出与实际输出的差方和。

3.预警模型工作流程

本文构建的GA-BP 神经网络预警模型是利用matlab 的GA算法工具箱和BP神经网络工具箱来完成的。整个程序包括对数据预处理、参数定义、BP 神经网络生成、BP 神经网络的训练、BP神经网络测试和神经网络的仿真等几个步骤编程，以及GA 算法和BP 神经网络运行所需要的适应度函数、编码、选择、交叉、变异和时间序列预测等函数编程。

在实现步骤的先后次序上，由于GA 算法在本文中的作用是优化BP 神经网络的权值和阀值，所以应首先初步建立BP神经网络，而后插入GA算法程序，以达到程序目标。预警模型的具体工作流程如图2 所示，主程序、子程序和函数程序在此省略。

（1）样本选择。省域经济在一段时期内的安全与否，与这一段时间的波动幅度相关，所以本文采用省域经济安全综合指数的一倍标准差作为判断依据，把省域经济安全分为安全和不安全两种状态。对安徽省1995-2011年度经济安全综合指数做线性拟合，得出综合指数年度变动趋势线。选取经济安全综合指数正负一倍标准差作为界定区间，从而界定安徽省以往年份经济安全状况。

图2 G A -BP 神经网络预警模型工作流程

（2）输入输出数据。本文采用省域经济安全指标体系整体作为BP 神经网络的输入层，因而本模型的输入节点有25个。对于输出数据，实际上是BP 神经网络的期望输出，在本文中，因为只需要判定省域经济安全与否，所以只有“安全”和“不安全”两个分类，分别用（0，1）和（1，0）来表示。

（3）数据预处理。在运用BP 神经网络解决分类问题的时候，通常需要先对输入数据进行消除量纲化的预处理，使其均值为0，方差为1。进行预处理有以下几个原因：第一，神经网络的输入数据之间往往代表不同含义和具有不同的量纲，同一个样本间的不同输入变量有着不同的数据范围，不同样本里的不同输入的变化间隔也不尽相同，通过尺度变换，把所有数据都转换成（0，1）间的数据，从而使网络训练一开始就赋予各输入变量以同等重要的地位；第二，BP神经网络的神经元均采用Sigmoid 转移函数，变换后可以防止因净输入的绝对值过大而使神经网络输出饱和，继而是权值调整进入误差曲面的平坦区［7］；第三，Sigmoid转移函数的输出在（0，-1）或者（-1，-1）之间，作为训练信号的输出数据如果不进行变换处理，势必使数值大的输出分量绝对误差大，数值小的输出分量绝对误差小，网络训练时只针对输出的总误差调整权值，其结果在总误差中占份额小的输出分量相对误差较大，对输出量进行尺度变换后就能很好地解决这个问题。数据进行无量纲化的方法有最大值最小值法、标准差法等，本文数据的无量纲化预处理采用最大值最小值法，通过调用matlab神经网络工具箱的maxmin函数实现。

（4）训练和测试样本。对于一个以分类为目标的BP 神经网络模型而言，网络的训练样本数取决于输入变量和输出变量非线性对应关系的复杂程度，映像关系越复杂，模型中含的噪声就越大，为了保证精确度，模型所需要的样本数就越多，从而使得网络的规模也越大［8］。但是考虑到安徽省域经济的实际情况，只有1995-2011年的年度数据，所以采取的方法只能是一方面缩减输入节点数，另一方面通过GA 算法优化BP神经网络的权值阀值。

四、实证分析

数据的可获得性是本文中设计指标遵循的原则之一，省域经济风险评价指标体系中的单项定量指标数据一般可以通过查阅地方统计年鉴、国民经济与社会发展统计公报、地方政府工作报告、地方政府预算及其执行情况报告、工作总结等相关资料获得。对于其中不能通过查阅数据库获得的指标数据可以通过设立相关的测度指标或进行专项调研的方式获得，定性指标需进行问卷调查的形式来获取。根据已选定指标体系和评价方法，采集安徽省1995-2011年相关资料并进行整理和合成，对安徽省经济风险状况进行实证分析。

（一）综合指数分析

按照公式（2）对指标数据进行正向标准化后，利用SPSS19.0软件对指标进行信度与效度检验，结果见表3、表4所列。

表3 安徽省域经济风险评价指标体系可靠性分析

表4 安徽省域经济风险评价指标体系效度分析

根据表3 对省域经济风险评价指标体系可靠性的分析结果可知，指标体系克朗巴赫α系数和修正的克朗巴赫α系数均大于0.95，达到相当高的水平，这表现指标体系中指标之间有着强烈的一致性，从而能够有效率地诠释省域经济安全运行状况。表4 显示出指标体系的KMO 值均接近或者大于0.7，巴特莱特球度检验的卡方值较大，且对应的概率值均为0.00，小于给定概率0.025。综合表3 和表4 结果，可知本文所构建的省域经济风险评价指标体系各指标均与经济风险问题有较大相关性，与指标体系反映目标相符，能够客观反映出省域经济风险的状况，适合采用因子分析法对省域经济风险进行评价。

对4个二级指标下的三级指标进行因子分析，按指标矩阵特征值大于一的个数确定公共因子个数，运用统计软件SPSS19.0，分别得出4个二级指标的因子负荷表（表5）和因子得分矩阵。

表5 因子负荷表

根据上述因子负荷表和因子得分矩阵，可以计算得出二级指标层得分矩阵如下：

由公式（7）结合二级指标综合得分Si，可计算得出1995-2011年安徽省经济风险综合指数为：-1.85364，-1.85998，-1.80027，-1.88463，-1.64432，-1.27592，-1.04192，-0.91786，-0.39628，-0.13275，0.059405，0.632269，1.324006，1.834002，2.183737，2.983545，3.790606。据此绘制曲线图如图3所示。

图3 安徽省经济风险综合指数示意图

对安徽省1995-2011年度经济风险综合指数做线性拟合，综合指数年度变动趋势基本与直线y=0.188x-1.509 接近，R2=0.928。选取经济风险综合指数正负一倍标准差作为界定区间，界定安徽省以往年份经济风险状况如图3。由图3可知，1995、1996、2002、2005、2010、2011年度安徽省经济安全综合指数波动较大，将其作为省域经济有风险的数据。

（二）指标数据预测

采取交叉预测方法，即用1995-2011年数据预测2012年数据，然后把预测得到的2012 数据加入神经网络，用1996-2012年数据预测2013年数据。预测结果见表6至表9。

表6 2012-2013年经济增长二级指标（B1）数据预测

表7 2012-2013年财政金融二级指标（B2）数据预测

表8 2012-2013年产业结构二级指标（B3）数据预测

表9 2012-2013年可持续性二级指标（B4）数据预测

（三）预警结果

选取1995-1998年、2002-2005年和2009年数据为训练样本，以1999-2001年、2006-2008年数据为测试样本，检验神经网络性能如表10所示。

表10 免疫神经网络测试结果

从表10 中可以看出，2007年实际输出结果为（1，1），与（0，1）和（1，0）两种情况都不相符，这说明神经网络犯了第二类错误，犯第二类错误的概率为1/6，同时没有出现第一类错误的情况，说明本文构建的神经网络模型对经济安全问题有比较强的分类预警能力。

把神经网络预测得到的2012-2013年数据输入本文建立的GA 算法优化的BP 神经网络中，对安徽省2012-2013年省域经济风险状况进行预警。在设定的参数下，网络迭代10次就开始平稳，达到设定误差，显示了相当强的识别力和解释力，预警结果见表11所列。

表11 2012-2013年安徽省经济风险预警结果

五、结论与启示

（1）2013年安徽省经济总体状况较为稳定。研究结果表明，2010年安徽经济总体状况存在局部风险，2011年安徽省经济风险状况仍延续这一状况，但2012年经济风险状况已好转为安全，说明2012年金融危机等外部因素对安徽省的影响正在逐步减弱，同时国内宏观政策调控显现积极效果，在一系列有利因素和政策的支持下，2013年安徽省经济总体状况将表现良好。

（2）2013年安徽省经济增长状况良好。根据预测结果，2012年和2013年安徽省人均地区生产总值增长率分别为20.01%和20.75%，与2010年的18.78%和2011年的12.63%相比，呈现稳定增长趋势，其他指标预测值也处于稳定增长的状态。预测结果显示，2012年、2013年的固定资产投资增长和进出口总额的增长都表现不俗，说明经过宏观调控及一系列的应对措施，拉动安徽经济有效增长的投资与出口有了明显的改善，逐步回到正常的水平，这也是2013年安徽经济增长状况良好的基础与保障。

（3）2013年安徽省财政金融领域存在风险因素。2012年安徽省财政金融风险状况为安全，到2013年则转化为有风险。根据预测数据，大部分指标数据与历史数据相比，均呈现稳定或稳定增长趋势，而省域银行存贷比和财政赤字/GDP两个指标变动明显，且在2013年预测数据中均呈上升趋势，前者可能与省域银行信贷紧缩、民营企业贷款障碍有关，后者则可能是地方政府债务风险开始显化所致。因此，需要加大对中小企业融资担保的财政支持力度，加大对创业初期的小额贷款公司的财政扶持力度，并积极探索和创新中小企业融资的新方式、新途径。

（4）2013年安徽省产业风险状态呈现良性发展趋势。2012年安徽省产业风险状况为有风险，到2013年则转变为安全。预测结果表明，2013年相比2012年，安徽省在第三产业从业人员比重、工业产值占地区生产总值的比重等指标较为稳定，同时可以看出实际利用外资额、劳动成本、企业研发占社会研发费用比重等预测数据与历史数据相比有所提升。这说明过去产业发展过程中存在的一些主要问题，如技术创新内在动力不足、区域产业关联度低、技术创新环境建设滞后、政府部门硬性支持较少等问题在不断地得到改善。

（5）2013年安徽省经济可持续性发展呈现回落发展趋势。由于可持续性安全指标状况主要考察的是安徽省人口、环境、科技、居民生活等社会约束状况，因此这样的预测结果也可以从一定程度上显示未来两年中安徽省经济稳定的可持续发展能力。从预测数据中可以看出，虽然各类可持续发展指标均呈稳定增长趋势，但由于2012年在宏观政策的影响下，各省市用于科技与教育方面的投资都有一个井喷式增长，显然这种增长不具有可持续性，因而2013年安徽经济可持续发展类指标可能会有一定程度的回落。因此，有关部门应尽快完善科技成果的转化机制，加大对科技成果的转化和产业化的投入力度，加大重点科技创新基地建设和科研资源建设的投资力度，加大对科研人员智力投入的力度。

［1］顾海兵，张一弓.后30年：中国国家经济安全战略的总体研究［J］.经济学动态，2010（1）：10-14.

［2］蓝必华.建立区域经济风险预警与控制系统对策研究——以深圳龙岗区为例［J］.改革与战略，2006（8）：10-13.

［3］张汉林，魏磊.全球化背景下中国经济安全量度体系构建［J］.世界经济研究，2011（1）：8-14.

［4］叶卫平.国家经济安全定义与评价指标体系再研究［J］.中国人民大学学报，2010（4）：93-98.

［5］史峰，王辉，郁磊，等. MATLAB 智能算法30个案例分析［M］.北京：北京航空航天大学出版社，2011：56-72.

［6］杨淑娥，黄礼.基于BP神经网络的上市公司财务预警模型［J］.系统工程理论与实践，2005（1）：13-26.

［7］Leon Clarke，Weyant John，Birky Alicia. On the sources of technological change：Assessing the evidence［J］. Energy Economics，2006，28（5/6）：579-595.

［8］Moore，Arent，Norland. RD advancement，technology diffusion，and impact on evaluation of public RD［J］.Energy Policy，2007，35（3）：1464-1473.