基于BP神经网络的农机化发展水平影响因素研究

吐尔逊·买买提，米斯卡力·居马瓦依，张学军，Muhammad Hassan

(1.新疆农业大学 机械交通学院，乌鲁木齐　830052；2.南京农业大学 工学院，南京　210031)

0　引言

区域农业机械化发展水平序列在演变过程中受农业装备、经济水平、土地资源、农机人力资源、教育水平及政策导向等多个因素不同程度交叉影响，进而形成了复杂的非线性系统[1]。

近年来，新疆农业机械化水平一直保持快速、健康发展的势头，为农业现代化的发展提供了有力支持，也为农村经济的平稳发展提供了支撑；但新疆各地经济水平、自然条件、人口因素，种植结构、效益水平等存在明显差异，再加上自治区对各地区的政策倾斜力度也不同，导致新疆各地区农业机械化发展的不平衡和不协调。从局部区域层面上看，地区农机化发展水平受到确定因素的影响，且其影响的方向是确定的。从广域层面分析，不同影响因素对农业机械化发展水平影响程度的大小不确定，其影响方向无法用单一的定性分析获得。

许多研究关注了农业机械化发展水平评价指标的建立、指标权重分析、发展水平定量和定性分析及影响因素方面等方面。例如，从国家层面研究了农机化发展水平指标体系、标准和方法，并进行了比较[2-6]；提出了农机作业为基础、能力为保障、效益为核心的评价方法，为我国农业机械化发展水平的评估、总体规划、正确把握总体发展方向奠定了理论基础。文献[7]中，提出了新疆农业机械化发展水平评价指标，并构建了指标组合赋权法，定量分析了新疆各地州农业机械化发展水平。本文在参考前人研究基础上，建立农业机械化发展水平影响因素量化方法，并以新疆2001-2015年农机化发展水平及影响因素作为研究对象，对各影响因素的影响强度进行量化，并对结果进行分析。

1　数据来源

本研究涉及的数据主要来源是新疆统计年鉴(2001-2015)和新疆农机年报(2001-2015)，由于资料有限，未涉及新疆生产建设兵团。

2　指标选取原则及评价指标体系

2.1　指标选取原则

农业机械化发展水平是地区农业现代化程度的主要标志，反映了农业生产中实施机械化作业程度，对农业生产效率、农作物产量和农业生产总值产生较直接的影响。区域农机化发展水平对节省劳动力、节约资源、提高农业劳动效率方面具有不可忽略的作用。建立农业机械化发展水平评价指标体系的目的是为量化区域农业机械化发展水平、分析其演变趋势提供依据。建立评价农业机械化水平指标时应遵循以下原则：

1)合理反映农业机械化投入及农机化在农业生产的产出作用。指标中应包含各类投入要素，如资金、劳力、能源和技术等，产出包含农作物产量、产值和收入等。

2)农业机械化发展过程与社会经济发展、科技发展、教育水平、社会结构等多个因素之间存在复杂的单向和双向制约关系，因此制定评价指标时应从多角度、多层次进行考虑。

3)因不同地区之间在社会经济、资源、发展水平和科技水平等方面存在差异，因此制定指标体系时应参考现有方法的同时也要考虑地域差异。根据不同的地区的实际情况，制定适合地方发展特征的指标体系。

2.2　评价指标体系

本文依据上述原则，同时引用文献[7]提出的农业机械化发展水平评价指标体系，建立了由农业机械化程度(Z1)、综合保障能力(Z2)、综合效益水平(Z3)组成的3个一级指标。各一级指标所含二级指标、各指标的标准值及指标数值单位如图1所示。

图1　新疆农业机械化发展水平评价指标体系

3　农业机械化发展水平

分析发展水平影响因素时，首先需要量化发展水平。文献[7]提出了基于组合赋权法测算农业机械化发展水平的方法。本文应用此方法对新疆 14地州2001-2015年农机化发展水平进行量化。新疆各地区2001-2015年农业机械化发展水平值如表1所示。

表1　新疆各地州农业机械化发展水平

续表1

4　研究方法

4.1　误差反向传播神经网络

农业机械化发展水平是随着时间发生变化的序列，变化规律符合非线性动态系统的特征。因此，分析农机化发展水平序列的变化特征时，可以采用非线性动态系统的分析原理和方法。因为传统的线性和非线性处理方法在精度方面效果欠佳，而基于人工神经网络的非线性系统建模方法由于具有较好拟合复杂系统的能力，越来越引起研究人员的重视。

时间序列建模本质上是曲线(或非线性参数)拟合过程。有效的时间序列模型首先应有可获取的模型数据，并具有可比性，其次是模型需符合时间序列理论及数学建模的要求。在模型训练和测试阶段，应充分拟合原始数据，尤其是变化趋势有波动的序列。其原因是序列波动特征隐含着序列变化有关的重要信息。

表示任何事物演变趋势的时间序列可以看成一个或多个非线性机制确定的输入输出系统。神经网络中通过输入和输出神经元表示非线性系统的输入和输出，通过隐含层传递函数和误差反馈函数可以弱化输入和输出神经元的时间序列特性，并应用曲线拟合方法逼近原始曲线，从而达到描述事物发展趋势的目的。由于人工神经网络在逼近非线性系统的演变曲线方面具有较高的精度，因此可用于分析农业机械化发展水平变化趋势、挖掘和量化影响因素。基于神经网络的农机化发展水平影响因素分析当中，农业机械化发展水平作为随着时间变化的时间序列，16个指标组成的影响因素可以作为神经网络的的输入神经元，地区发展水平可作为输出神经元。从以上分析可知，人工神经网络在分析农业机械化发展水平时间序列演变趋势方面有较好的优势。

误差反向传播(Back Propagation Neural Network, BPNN)由输入层、输出层以及1个或多个隐含层节点互连而成。BPNN神经网络学习过程由信号的正向传播与误差的逆向传播等两个处理过程组成。正向传播时，输入数据从输入层输入，经隐含层(激励函数/传递函数)处理后，传入到输出层，并进入误差的逆向传播阶段。将输出误差按某种方法通过隐含层向输入层逐层返回，并“分配”给各层的单元，获得各层单元的误差信号，此误差作为修改各层权值的依据。在此过程中权值不断被修改，一直到输出误差达到预先设定目标为止。根据具体网络结构，BP神经网络可以在输入和输出之间建立线性或非线性关系[8-10]，如图2所示。

图2　BPNN神经网络结构

4.2　MIV方法

神经网络中平均影响值 (Mean Impact Value, MIV)方法常用于变量筛选、权重和属性重要度分析。神经网络中，不同的输入神经元对输出神经元的影响程度不同。MIV是应用于测度系统输入(输入神经元)对系统输出(输出神经元)影响程度的重要指标。MIV绝对值大小表明输入神经元对输出的重要程度，其符号表示影响的方向[11-13]。MIV的具体求解过程如下：

1) 首先构建网络训练集D，其一般为M×N的矩阵D。其中，M为训练集的样本个数；N相关因子个数。将构建好的训练集输入到神经网络进行训练，并建立神经网络NN。

2) 建立完神经网络后，将训练集矩阵中的每个因子的数值分别加减10%，建立2个新的样本集D1和D2；然后，将D1和D2作为新的仿真训练集，在已建立好的神经网络NN中进行仿真。

3) 计算仿真后的网络输出值O1、O2之差。其值和符号就可以反映当前属性(自变量即输入神经元)对因变量(输出神经元)的影响程度和方向。

4) 根据上述步骤，分别计算每个属性的MIV，并排序所有属性的MIV，得出各(属性)自变量对网络输出的影响程度及位次表，进而判断众多输入中哪个输入对网络输出的影响最大，并对其进行量化，用此法也可以进行变量筛选[14-15]。图3为MIV方法示意图。

5　MIV实证分析

本研究在MatLab2014a环境中编程实现BPNN和MIV相结合(BPNN-MIV)的属性重要度量化模型。由于其主要目的是求出16个农业机械化发展水平二级指标的MIV，并依据此MIV值分析各个指标对发展水平的重要性，因此不需要将数据集分为训练集和测试集，尽可能地扩大训练集规模使得模型能够获取更有代表性MIV值。本文中模型输入是新疆各地州2001-2015年各地州农机化发展水平16个二级指标，输出序列是各地州每一年的发展水平。因此，计算出的MIV可以反映2001-2015年新疆各地州农业机械化水平16个二级指标对农业机械化发展水平的重要程度，从中解析指标对地区农业机械化水平的影响程度的大小。表2为各指标MIV在各地州的分布趋势。

图3　MIV方法

指标序号乌鲁木齐克拉玛依吐鲁番哈密昌吉伊犁塔城阿勒泰博州巴州阿克苏克州喀什和田13.362.494.211.9036.600.9414.539.9531.472.2014.210.762.901.6121.450.110.411.694.091.0410.7331.114.970.236.420.124.609.2630.851.420.542.853.111.2011.811.410.680.952.150.760.280.2540.683.920.451.765.700.138.981.296.191.632.631.000.299.3251.701.680.132.2214.150.233.560.302.400.640.200.040.211.5562.370.980.531.8210.300.2012.860.406.480.076.380.421.311.0373.050.001.670.440.020.082.702.961.460.620.430.370.471.05814.428.980.2921.628.490.1016.625.697.601.006.040.451.353.4995.904.816.2510.080.960.1617.983.212.352.860.030.422.864.21104.162.325.306.0411.450.147.0714.110.703.061.290.400.945.191111.575.281.892.5617.531.094.1422.7519.050.2010.230.184.9318.45123.163.230.431.8716.660.195.980.871.010.434.220.260.126.75133.370.002.042.651.030.251.961.191.010.742.080.040.062.881418.890.005.607.737.910.975.165.831.962.942.681.381.3318.40150.301.700.485.286.130.1913.284.388.031.230.070.170.335.13160.300.511.152.744.630.361.540.030.880.343.620.292.763.27

6　结果分析及结论

1) 全局上，从MIV值在地区间分布趋势来看，未出现多数地区相同农业机械化发展水平指标MIV值较大的情况。这表明，新疆各地州农业机械化发展水平差异来源有多种，即研究时段内未出现多数地州农业机械化发展水平受到相同因素影响的情况。原因是：各地区在社会经济、农业装备水平和自然环境等方面存在较大的差异，因此各地区农业机械化发展水平影响因素不同。农业机械化发展过程中，地区间的发展特点未出现较强的相似性或相互依赖性趋势。

2) 各地州指标MIV值按从大到小排序后，统计MIV值前4的指标，结果表明：农业机械化发展水平指标中，农业机械化作业水平(含指标1～6)、农业机械化保障水平(含指标7～11)和农业机械化效益水平(含指标12～16)的出现次数分别为13、21、8。由此表明：农业机械化综合保障能力对新疆农业机械化发展水平的影响较显著，因此全局上新疆农业机械化发展当中可以将综合保障能力作为突破口，制定相应的政策，使得区域农机化水平进一步提高。如按此次数求权重，3个一级指标权重为0.309 5、0.500 0和0.190 5，表明基于MIV的影响因素筛法有较好的可信度。

3) 南疆3地州各指标MIV表明：2001-2015年农业机械化作业程度MIV值靠前次数较多，共有10次。这说明，该区域农业机械化作业水平对农业机械化发展水平的变化影响较大，和其他指标相比其对区域发展水平的贡献率较高。 因此，针对南疆3地州，应将提高农业机械化作业程度作为切入点，在政策和管理层面上提出更多惠农政策，使得农户购买和使用农机的积极性进一步提高；同时，调整和优化农作物种植结构，使农机进得去农田，进而实现南疆3地州农业机械化作业水平全面提高。

4) 巴州、博州、阿勒泰、塔城、伊犁、昌吉、克拉玛依和乌鲁木齐等地区中，农业机械化保障水平所含的二级指标MIV值靠前次数为16，占58%，表明保障水平在该区域农机化发展起的作用和其他指标相比更大。吐鲁番和哈密MIV值和北疆地区一致。因此，加大农机拥有量、农机人员教育和培训程度等是提高这些地区综合农业机械化发展水平的重点。

5) 挖掘新疆农业机械化发展水平影响因素及量化其影响程度方面，MIV方法全局上能抽取对农机化发展水平影响较大的因素，进而反馈地区之间农机化发展水平相似特征及来源，局部上能反映疆内不同区域农业机械化发展方面的分异趋势及来源。该研究为农业机械化管理和发展水平影响因素分析提供了参考。