现代农业装备发展水平综合评价——基于BP神经网络

李丹阳，李江全，陈江春，曹卫彬

(石河子大学 机械电气工程学院，新疆 石河子　832000)



现代农业装备发展水平综合评价——基于BP神经网络

李丹阳，李江全，陈江春，曹卫彬

(石河子大学 机械电气工程学院，新疆 石河子832000)

摘要：为综合评价现代农业装备发展水平，分别选取了9项一级、20项二级评价指标，运用BP神经网络法建立了各指标权重系数计算模型，得到了现代农业装备发展水平综合评价体系。作为评价体系的应用，基于新疆兵团2005-2012年度统计数据，评价了新疆兵团的现代农业装备发展水平，评价结果符合实际情况，表明本文指标设置恰当，指标权重计算模型正确，能够为现代农业装备的发展提供理论支撑。

关键词：现代农业装备；BP神经网络；综合评价

0引言

农业装备发展水平的评价研究是我国现代农业装备研究领域的热点。李骅等根据江苏省农机化发展现状，应用专家调查法确定指标权重，建立了江苏省农业机械化综合评价体系[1]。张晓娜运用灰色关联法筛选了农业机械化评价指标，建立了湖北省农机化评价模型[2]。鞠金艳运用灰色关联法分析确定了影响农业机械化发展水平的关键因素[3]。刘玉梅、田志宏利用计量模型分析了影响我国农机装备水平的因素, 认为经济发展水平对农机装备发展贡献最大[4]。所有这些研究主要集中在农业机械化的影响因素和区域性两方面，尚未有人系统设置及量化分析现代农业装备评价指标，更未系统建立具体的综合评价模型。

现代农业装备发展水平作为一个多系统、多层次的复杂问题，其评价指标属性间绝大多数是非线性关系，且各指标对评价结果的影响程度不易确定。本文采用BP神经网络法建立的综合评价模型，可以较好地解决以上问题。

1BP神经网络

BP神经网络是典型的单向多层次前馈网络，由输入层、隐含层和输出层构成，每层都由若干节点组成，每一个节点表示一个神经单元，上层节点与下层节点通过权值联系。权值的计算步骤如下[5]：

1)原始数据归一化后，给每个连接权值Wij、Vjt、阈值θj与γj赋予区间(-1,1)内的随机数值。

bj=∫(sj)(j=1，2，…，p)

4)利用隐含层的输出bj、连接权Vjt和阈值γj计算输出层各单元的输出Lt，通过传递函数计算输出层各单元的响应Ct，则

Ct=∫(Lt)(t=1，2，…，q)

(t=1，2，…，q；j=1，2，…，p；0<α<1)

(i=1，2，…，n)；j=1，2，…，p；0<β<1)

9)重新从学习样本中随机选取一组输入和目标样本，返回步骤3)，直到网络全局误差小于预先设定的极小值，即网络收敛，学习结束。

2评价体系建立

2.1　指标设置

2007年，农业部颁布了行业标准NY/T1408.1-2007，该标准包含3个一级指标和10个二级指标。本文考虑到现代农业装备水平除了受到标准规定的耕种收综合机械化水平、农业机械化综合保障能力、农业机械化综合效益3个一级指标的影响外，还受到配套结构、产业水平、经济水平、文化水平、科研水平、规模水平6个主要因素的影响，因此本文将标准中设置的3个一级指标扩展为9个，将原来的10个二级指标扩展到20个，得到了新的现代农业装备发展水平评价体系，其框图如图1所示。

图1　现代农业装备发展水平评价指标体系

1)作业水平(B1)。反映现代农业装备在生产中实际作用的大小。原有耕整地机械化程度(B11)、播栽机械化程度(B12)、收获机械化程度(B13)3个2级指标中，耕整地机械和播栽机械用于产前，收获机械用于产后，还缺乏产中机械，因此新增加植保机械化程度(B14)、排灌机械化程度(B15)。

2)配套结构(B2)。现代农业装备配套结构是否合理将影响农业生产。本文根据我国的农用机械种类，增加小型农机具配套比(B21)和大中型农机具配套比(B22) 2个2级指标。

3)产业水平(B3)。鉴于农业产值占GDP比重越大，发展越落后的事实，在原有农业从业人员比重(B31)的基础上，增加农业产值占国内生产总值比重(B32)。

4)经济水平(B4)。反映国民经济水平和农民发展农业装备的购买力，包括人均GDP(B41)、农民人均年纯收入(B42)2个2级指标。

5)文化水平(B5)。反映农业从业人员文化程度和应用科技的能力。考虑到现代农业装备的使用需要具备一定的文化水平，在原有受专业培训的农机人员比重(B52)的基础上，增加初中以上文化程度所占比重(B51)，用于反映农民的受教育程度。

6)规模水平(B6)。反映农业生产的规模情况，设置农业劳均耕地面积(B61)这l个2级指标。

7)保障能力(B7)。反映农机人员、农机装备和农机社会化服务对提高农业综合生产能力的保障水平。现代农业装备的使用、维护和推广需要相关部门的管理和指导，在原有播面顷均农机动力(B71)的基础上，增加农业机械化系统机构数(B72)反映现代农业装备发展的保障能力。

8)效益水平(B8)。衡量农业经济发展状况。设置农业劳均年产值(B81)1个2级指标。

9)科技水平(B9)。反映对农机装备引进、研发的水平，设置经费支出总额(B91)、科技从业人员(B92)、经费收入总额(B93)等3个2级指标。

上述指标中，农业从业人员比重(B31)和农业产值占国内生产总值比重(B32)是逆向指标，即指标数值越大，产业水平越低；其余均为正向指标。

2.2　权重计算模型

设置指标后，建立如图2所示的BP神经网络指标权重计算模型。计算模型分为归一化模块和BP神经网络(BPNN)模块两部分。神经网络的输入要求在[0，1]区间，首先，将原始数据归一化，得到与20个二级指标对应的归一化值；之后，设定神经网络的输入层神经单元数为二级指标数20，输出层神经单元数为1，即输出量O对应于现代农业装备发展水平。

经过网络训练，得到两个网络权重矩阵，即从输入层到隐含层的权重矩阵和隐含层到输出层的权重矩阵，采用以下几项指标描述各神经元之间的权重及关系，最终确定一级指标权重和二级指标权重。

图2　BP神经网络模型

1)相关显著性系数为

(3)

2)相关指数为

(4)

3)二级指标过渡权重为

(5)

4)一级指标权重为

(6)

5)二级指标权重为

(7)

其中，i为神经网络输入单元；j为神经网络输出单元；k为神经网络的隐含单元；wki为输入层神经元i和隐含层神经元k之间的权重系数；wjk为输出层神经元j和隐含层神经元k之间的权重系数。

2.3　综合评价

确定了相关权重系数,采用加权指数综合评价的方法可以得出综合评价值，其计算公式为

(8)

(9)

其中，Pi为原始数据标准化后的数值；Bi为一级指标综合评价值；B为现代农业装备发展水平的综合评价值。

3兵团现代农业装备发展水平的综合评价

根据图1列出的指标体系设置评价指标，以兵团2005-2012年的统计数据作为样本数据，根据BP神经网络学习流程进行模拟。在网络学习的过程中，不断调整参数，当隐含层单元数为18时，拟态误差最小，网络逼近效果良好，表明模型合理。通过网络训练得出隐含层各个结点的权重矩阵，运用式(3)～式(7)得出各评价指标的权重，结果如表1所示。表1数据表明：

1)一级指标中，新增指标科研水平权重较高，说明科研在评价体系中的重要性；原有指标农业劳均耕地面积所在的一级指标规模水平权重最低，表明原有指标已不全是主要影响因素，增加科研水平为评价指标十分必要。

2)二级指标中，新增的植保机械化程度(0.27)在作业水平中所占权重最高；新增指标农业产值占GDP比重(0.48)在产业水平中与原有指标农业从业人员比重(0.52)权重相近；新增指标初中以上文化程度所占比重(0.46)在文化水平中与原有指标受专业培训的农机人员比重(0.54)权重相近；新增指标农业机械化系统机构数(0.73)在保障能力中权重大于原有指标播面顷均农机动力(0.27)，表明增加这些指标使原有指标体系更全面。

3)评价指标体系的扩展拓宽了评价范围，使评价结果更全面；BP神经网络法的引入改进了评价指标权重计算精准度，化解了问题的复杂度。

进一步将表1的数据代入式(8)、式(9)，得出2005-2012年兵团现代农业装备发展水平的综合评价值如表2所示。其中，B为新疆兵团现代农业装备发展水平的综合评价值。综合评价值越大，说明现代农业装备发展水平越高。由表2中2005-2012年综合评价值0.75、0.77、0.81、0.81、0.85、0.92、0.96、1.05可以看出：新疆兵团的现代农业装备发展水平稳定增长，与实际发展情况相符合。

表1　各评价指标权重表

表2　2005-2012年新疆兵团现代农业装备发展水平综合评价值

续表2

4结论

1)建立了现代农业装备发展水平综合评价指标体系。该体系在2007年农业部颁布的行业标准NY/T 1408.1-2007的基础上，将标准设置的3个一级指标扩展为9个、10个二级指标扩展到20个。其与原来的标准相比，能够更全面、系统地评价现代农业装备的发展水平，并为研究现代农业装备的发展提供理论支撑。

2)建立了评价指标体系中各权重系数的计算模型。该模型首次运用了BP神经网络法，较好地解决了多因素、不确定性和非线性问题，突破了现有基于线性处理的评价方法的局限。

参考文献：

[1]李骅,尹文庆.农业机械化综合评价指标体系的研究[J].安徽农业科学, 2006,34(22):5937-5938.

[2]张晓娜.湖北省农业机械化评价信息系统的研究[D]. 武汉：华中农业大学, 2006.

[3]鞠金艳,王金武.黑龙江省农业机械化作业水平预测方法[J].农业工程学报, 2009, 25(5):83-88.

[4]刘玉梅,田志宏.中国农机装备水平的决定因素研究[J].农业技术经济, 2008(6):73-79.

[5]刘鲭洁,陈桂明,刘小方,等.BP神经网络权重和阈值初始化方法研究[J].西南师范大学学报:自然科学版,2010(6):137-141.

Evaluation of Development Level of Modern Agricultural Equipment——Based on BP Neural Network

Li Danyang, Li Jiangquan, Chen Jiangchun, Cao Weibin

(Machinery and Electrical Engineering College, Shihezi University, Shihezi 832000, China)

Abstract：To evaluate the development level of modern agricultural equipment comprehensively, this paper selects 9 primary and 20 secondary indices, using BP neural network method to establish the calculation model of each index weight, and obtained the comprehensive evaluation system of development level of modern agricultural equipment. As an application of evaluation system, the development level of modern agricultural equipment is evaluated based on the 2005-2012 annual statistics of Xinjiang Corps. The evaluation results are in accord with the actual situation. It shows that the index set properly and the index weight calculation model is correct. The establishment of the evaluation system is reasonable to provide theoretical support for the development of modern agricultural equipment.

Key words：modern agricultural equipment; BP neural network; comprehensive evaluation

中图分类号：S232.3

文献标识码：A

文章编号：1003-188X(2016)10-0022-05

作者简介：李丹阳(1991-)，女，西安人，硕士研究生，(E-mail)332621764@qq.com。通讯作者：李江全(1969-),男，重庆人，教授，硕士生导师，(E-mail)ljq6949@163.com。

基金项目：国家自然科学基金项目(51445015)

收稿日期：2015-09-30