经济预测中的神经网络方法应用综述

梁琼

[摘 要]文章对神经网络在非线性经济问题预测中的研究与现状进行综述，侧重讨论了国内的研究近况，为国内学者在该方面的研究提供参考。

[关键词]神经网络；非线性；经济预测

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

人工神经网络（Artificial Neural Networks，ANNs）也简称为神经网络（NNs），是一种模仿人脑神经网络特征，进行分布式并行信息处理的数学模型。NNs具有强大的非线性处理能力，为经济预测提供了更多的可能性。

1 BP神经网络在经济预测中的应用及改进

神经网络模型的类型较多月前已不下数十种。代表性的神经网络模型有BP神经网络、GMDH网络、RBF网络、Hopfield模型、Boltzmann机、自适应共振理论、CPN模型等。Rumelhart等于1986年提出的误差反向传播算法，简称BP算法，是目前应用最广泛的神经网络模型之一。

Lapedes等人（1987）最先将神经网络用于经济预测。Vaifis（1990）应用神经网络解决经济时间序列数据的预测问题。Wedding（1996）提出使用径向基函数网络与Box-Jenkins模结合。近年来，国内经济预测中有大量文献涉及神经网络算法。周柳青等（2011）运用BP人工神经网络方法，对广东省县域经济发展差异进行综合评估。认为BP神经网络的评价结果可以较好地模拟县域经济发展差异，能有效避免主观确定权重所确定带来的误差，提高测度的准确性。傅建华等（2012）构建了企业绿色营销绩效评估的AHP-BP神经网络模型，模型以AHP评价结果为神经网络输入，利用反向逆传播神经网络对评价结果进行训练与检验，降低了人为主观随意性的缺陷，计算结果准确、方法可行、误差可控，在企业绿色营销绩效评估领域具有推广价值。

BP网络能够模仿非线性函数、分段函数等；能利用变量的属性内含地建立相关的变量及变量之间的函数关系，且不需要预先假设基本的参数分布。因此，当变量之间的关系不适合假定的模型时，可以尝试用BP神经网络构建模型。但BP神经网络模型预测的准确性受参数的选择、神经网络拓扑结构的优劣等影响。运用神经网络构建模型的最主要的障碍是缺乏神经网络拓扑结构的设计理论，且有时候会陷入局部极小值。针对这些问题，许多学者做了积极的改进。陈健等（2006）把对数据的归一化变为对数据增长率的归一化，因而只要预测的经济数据增长率不超过以往的经济数据增长率，则不再会发生外延问题。肖冬荣等（2007）通过综合运用附加动量法、改变作用函数法以及把预测对象从生产总值调整为生产总值增长率等技巧，来改进预测精度、建模收敛速度、局部极小值等问题。吴俊利等（2012）引入Adaboost算法对BP神经网络算法进行改进，提出了基于Adaboost的BP神经网络算法，并将该方法应用于短期风速预测。刘向荣、孙红英（2013）在对权值和阈值进行修改时加入了动量项α，改进了预测效果。

2 径向基神经网络的应用

不同于BP神经网络函数逼近时的负梯度下降法，径向基神经网络（RBF）由于采用高斯型传递函数，有着较快的收敛速度和较强的非线性映射能力，在非线性经济预测方面具有很好的应用前景。许增福等（2008）根据经济发展的实际指标数据，构造径向基神经网络模型，设计了有监督和无监督两段学习算法，并利用历史经济数据证明了该方法的有效性。张亚平、张立伟（2011）利用径向基函数（RBF）神经网络建立投资预测模型，有效解决经济投资预测中非线性预测问题。通过仿真实验证明模型既真实地表达了投资要素之间的高度非线性关系，又考虑了分配结构的优化问题，具有很高的预测精度和较强的实际应用意义。郭立（2014）建立了基于径向基神经网络的矿产品价格非线性预测模型，并应用某金属的中长期价格进行仿真，结果表明该模型具有较好的可靠性和实用性。

3 遗传算法、模糊算法与神经网络的结合应用

1975年美国Michigan大学的Holland提出的模拟达尔文遗传选择和自然淘汰的生物进化论的计算模型——遗传算法（Genetic Algorithm，GA）。在神经网络中结合应用遗传算法，能够克服神经网络利用梯度下降法所带来的缺点，将它们应用于经济预测可以得到较好的预测效果。陈朝阳等（1997）提出将遗传算法用于神经网络结合，并将其应用于经济的预测及组合预测中，得到了比常规经济学模型更优的效果。李玲、陶启萍（2005）利用遗传算法和人工神经网络建立数学模型，同时结合企业态势分析法（SWOT）选取各类指标形成完善的企业决策模型。张双（2014）利用遗传算法对权值和阈值的初始值进行优化改进后的BP神经网络对预测残差进行修正，建立灰色遗传优化神经网络模型，并利用加权法对多元回归分析和灰色神经网络进行组合，更好地利用了不同单一模型的优势。通过实证分析证明这种组合预测模型较灰色预测模型误差率可以减少40%～70%。

模糊模型因其善于处理分类边界模糊的数据以及易于引入启发性知识的能力而在自动控制、模式辨识等方面得到广泛应用。目前在把人工神经网络和模糊系统结合起来形成模糊神经系统方面已取得了很大进展。贺京同等（2000）运用模糊逻辑推理将经济专家经验引入到宏观经济的预警分析中，将神经网络理论与模糊系统理论相结合，建立了宏观经济非线性预警模型。张婕等（2010）运用模糊学和BP神经网络的基本理论，构建包装企业的安全生产方案决策模型，进行安全生产方案的决策选择，认为该方法能够达到提高安全生产能力、增强企业的经济效益与社会效益的目的。张广平等（2012）借助广义动态模糊神经网络（GD-FNN）设计了一种模糊神经网络模型并应用于台风灾害损失的预测预警中，定量地研究了台风灾害致灾因子与灾情指标因子之间的规律。王晖、唐静（2013）将模糊理论和神经网络理论结合，构建了教育经济贡献度分析模型，用于度量教育对于我国经济的发展的作用。

综上所述，神经网络在经济预测中的应用已得到了深入的研究。包括应用BP神经网络、径向基网络对经济数据进行建模分析，以及将遗传算法、模糊系统算法与神经网络的结合应用，并通过实证分析证明了多种模型的有效性。

如今，神经网络已广泛应用于智能控制、计算机视觉、模式识别、自动目标识别、连续语音识別、信号处理、自适应滤波、非线性优化、传感技术与机器人、知识处理、生物医学工程等领域，在经济预测对复杂经济变量的非线性关系预测上具有较高的精度。对于一些经济理论尚不明确的经济关系也能给出较为准确的预测。神经网络的进一步发展，也会带给经济预测领域更新的方法。

参考文献：

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

[2]张双.基于遗传算法的灰色神经网络的预测[J].统计与决策，2014（17）：79-81.

[3]王晖，唐静.基于模糊神经网络的教育经济贡献度研究[J].统计与决策，2013（14）：111-113.