基于BP神經網絡模型的中國棉花產業風險預警研究

賈肖月，崔元培，孫金生，盧秀茹

（河北農業大學，河北保定071000）

基于BP神經網絡模型的中國棉花產業風險預警研究

賈肖月，崔元培，孫金生，盧秀茹*

（河北農業大學，河北保定071000）

由于棉花種植面積減少、種植成本上升、質量下滑、糧棉爭地嚴重、價格波動頻繁、國外市場壓迫等諸多因素的影響，中國棉花產業出現高消耗和高庫存并存現象，供需結構嚴重失衡。從供給、需求和國際市場3個角度出發，以棉花市場價格波動率作為棉花產業風險的預警指標，選取了12個指標構建了中國棉花產業風險預警指標體系。運用反向傳輸神經網絡分析了2005―2015年的樣本數據，并對2015年的樣本數據進行擬合，擬合結果良好，從而將2016―2018年預測數據代入模型中進行棉花產業風險預測。結果表明，中國棉花產業風險預警指數呈現上升趨勢，尤其2017年和2018年棉花產業存在高風險。

棉花；產業風險；風險預警；BP神經網絡模型

1 研究概況

近年來，產業風險預警已成為學者研究的熱點，多采用反向傳輸(Back propagation，簡稱“BP”)神經網絡[4]、自回歸移動平均模型（Auto-regressive and moving average model，簡稱“ARMA 模型”）[5]、層次分析法（Analytic hierarchy process，簡稱“AHP”）[6]等，其中盧秀茹等設計了基于信息技術的棉花風險預警體系，并選擇棉花價格作為預警系統的關鍵控制變量，利用信息技術規避棉花生產和經營風險[3]。吳清華等以油菜籽收購價格的波動率作為油菜產業市場風險預警指標，運用BP神經網絡模型進行實證研究[7]。張淑榮等運用主成分分析法構建了我國棉花產業安全指標體系和評價模型[8]。張利庠等利用協整檢驗、Granger因果分析等方法對棉花產業鏈上的各項指標進行實證研究[9]。白燕飛等以中國乳制品進口數量、進口價格、國內產業影響指數構建了中國奶牛產業損害預警指標體系，利用BP神經網絡模型表明了奶牛產業損害預警指數呈下降趨勢[10]。眾多學者在一定程度上對中國棉花產業進行深入研究和綜合評價，但并未量化棉花產業未來面臨的風險，也未對未來情況做出預警。李亞兵等利用BP神經網絡模型對中國棉花生長指數的6個特定向量進行分析模擬，并對棉花單產進行預測和評估[4]。王偉等采用2-6-1拓撲結構的BP神經網絡對1種水分校正和溫度補償的棉花水分檢測裝置進行分析，消除了溫度變化對水分測量值的影響[11]。王偉國等基于EMD的BP神經網絡預測了我國棉花期貨價格[12]。BP神經網絡模型是1種較為成熟的風險預警方法之一，在棉花產業風險預警的應用仍處于起步階段。筆者從棉花產業風險預警體系的構建、BP神經網絡模型的擬合和預警分析3個方面進行實證分析，并實現對2016―2018年中國棉花產業安全情況的預警，在此基礎上提出相應的對策建議。

表1 2004－2016年中國棉花產業情況

2 中國棉花產業市場風險預警體系構建

風險是人們因對未來為決策及客觀條件的不確定性而可能引起的后果與預定目標發生負偏離的綜合[3]。在復雜的農業生產經營活動中，風險是普遍存在的，并起著重要的作用。風險預警是根據所研究對象的特點，通過收集相關的資料信息，監控風險因素的變動趨勢，并評價各種風險狀態偏離預警線的強弱程度，向決策層發出預警信號并提前采取預控對策。風險預警主要包括識別風險、分析風險、采取有效措施3個層面。根據棉花價格定價主體的不同，把棉花價格分為市場價格和政策價格。棉花的市場價格是指通過市場機制所形成的價格，受供求關系的影響；棉花政策價格一般指根據經濟穩定增長的需要，政府制定的對棉花市場進行干預的1種價格，如通過棉花的拋售或收購來進行價格調節。由于棉花產業風險預警最重要的表現形式就是由供需不平衡導致的棉花市場價格波動，因此本研究選取棉花市場價格波動率（表2）對棉花產業進行風險預警，其中棉花市場價格數據來源于中國棉花網，棉花市場價格波動率=（本期棉花市場價格－上期棉花市場價格）/上期棉花市場價格*100%。當棉花市場價格波動超過一定范圍時，認為棉花市場存在風險，具體產業風險等級劃分標準見表3。

表2 中國棉花市場價格波動情況 %

表3 中國棉花產業風險等級的劃分標準

本研究從供給、需求、國際市場等影響棉花價格的因素出發，結合棉花產業自身特點和數據的可獲得性，最終選擇12個指標研究棉花產業的風險預警（表4）。從供給角度，選取單產、種植面積、生產成本、成本利潤率、受災面積5個指標作分析，其中生產成本和成本利潤率數據來源于《全國農產品成本收益資料匯編》，單產、種植面積和受災面積數據來源于國家統計局，此處“受災面積”指代“農作物受災面積”，這一指標主要反映自然災害對棉花的產量和質量的影響，前人已有所探究[13]；從需求角度，選取國內銷售量、商品率、庫存消費比、紡織業銷售增長率4個指標作分析，其中國內銷售量數據來源于國家統計局，商品率數據來源于《全國農產品成本收益資料匯編》，庫存消費比數據來源于美國農業部，紡織業銷售增長率數據來源于中國棉花網；從國外市場角度，選取進口量、貿易競爭指數、國際市場價格3個指標作分析，其中進口量和貿易競爭指數數據來源于中國海關信息網，國際市場價格由國際棉花銷售平均單價代替，數據來源于中國棉花網。具體原始數據見表1和表5。

表4 中國棉花產業市場風險預警的警兆指標

3 BP神經網絡模型在中國棉花產業風險預警中的應用

3.1 模型選擇

BP神經網絡模型是1986年由Rumelhart和McCelland為首的科學家小組提出，能學習和存貯大量的輸入－輸出模式映射關系，是1種按誤差逆傳播算法訓練的多層前饋網絡。它的學習規則是使用最速下降法，通過反向傳播來不斷調整網絡的權值和閾值，使網絡的誤差平方和最小。本研究采用最基本的3層BP神經網絡模型，可以分為輸入層、隱層和輸出層（圖1）。BP神經網絡一般需要對數據進行歸一化處理，使數據映射在[－1，1]內，選取第k個輸入樣本和對應的期望輸出，計算隱含層各神經元的輸入和輸出，進而對比網絡期望輸出和實際輸出，計算誤差函數對輸出層的各神經元的偏導數，再進行反向傳播，利用輸出層各神經元的偏導數和隱含層各神經元的輸出修正連接權，利用隱含層各神經元的偏導數和輸入層各神經元的輸入修正連接權，從而計算全局誤差判斷其是否達到預設精度（0.001）；若不滿足要求，選取下1個學習樣本及對應的期望輸出進入下1輪學習，如此反復，直至誤差小于預定值為止，經處理輸出結果[4]。

表5 中國棉花產業市場風險預警基礎指標的原始數據

圖1 三層BP神經網絡結構

3.2 模型構建

選取并計算了單產增長率、總種植面積增長率、生產成本增長率、成本利潤率變動率、受災面積變動率、棉花銷售增長率、商品率變動率、庫存消費比變動率、紡織業銷售增長率、進口量變動率、貿易競爭指數變動率、國際市場價格變動率共12個指標產業風險預警指標。計算公式：增長率=（本期指標數值－上期指標數值）/上期指標數值*100%。由于部分指標無法獲得月度數據，所以本研究統計數據以年為單位，用2004―2015年的年度數據為樣本進行實證分析，將收集的數據進行匯總和變換，得到網絡輸入的12個神經元（表6）。

表6 BP神經網絡棉花產業風險預警指標值 %

表6 續

由于各指標之間存在著數量級差異問題，本研究利用Matlab 2013對原始數據進行歸一化處理，使其結果變為[－1，1]區間內的數值[10]，具體變換公式為：Yi=（Pi－Pmin）－（Pmax－Pmin） ，式中Yi為預處理后的樣本，Pi為輸入的樣本，Pmin為輸入樣本中的最小值，Pmax為輸入樣本中的最大值。利用Matlab 2013和上式對輸入數據進行歸一化處理，得到表7。

表7 BP神經網絡棉花產業風險預警歸一化后的數據

本研究設定輸入節點12個神經元，輸出節點1個神經元，棉花市場價格波動率的期望輸出值已知，它可由查詢歷史數據和作者整理而得，并對棉花市場價格波動率進行歸一化處理，結果見表8。

表8 BP神經網絡模型輸出值

3.3 模型擬合及預警分析

利用Matlab 2013軟件，對表6和表7中的數據進行BP神經網絡模型訓練，經過多次調試，最終選定隱層節點數為12個，樣本訓練率為90%，學習速率為0.05，訓練誤差為0.001。為檢驗BP模型的有效性，利用上述已經訓練好的BP網絡模型，對2015年的棉花產業風險進行預警分析。結果顯示2015年預警指數輸出值為0.136，棉花市場價格波動率為－13%，處于負向低風險狀態，與2015年期望輸出值屬于同一風險范疇。由此認為BP神經網絡模型可以較好地對中國棉花產業作風險預警。以訓練好的BP神經網絡對2016―2018年中國棉花產業風險（2016―2018年原始數據為筆者通過ARMA模型所得的預測數據）進行預測預警，將處理后的數據代入訓練好的BP神經網絡模型中[10]，得到2016―2018年預警指數分別為0.147 7、0.588 8、0.596 3。根據變換公式，可知2016―2018年棉花產業風險預警指數為－11.65%、39.04%、39.90%。 2016年預警指數處于[－20%，－5%]，評價為“負向低風險”；2017年和2018年預警指數均在20%以上，評價為“正向高風險”。

4 結論

借助Matlab 2013軟件的運算，利用BP神經網絡構建了2005―2015年的棉花產業風險預警模型，用訓練好的BP神經網絡模型預測了2016―2018年的棉花市場價格波動率，從而實現中國棉花產業風險預警。然而，本研究收集數據有限，定性指標也未能在模型中體現，所以風險預警模型的預測功能并未得到完全發掘。BP神經網絡模型具有非線性映射能力和較強的信息處理能力，克服了時間序列分析在構建過程中的線性問題，將其應用于棉花產業風險預警是中國棉花產業風險預警方法中的新嘗試。因此，利用BP神經網絡模型進行中國棉花產業風險預警應成為棉花產業研究的主攻方向之一。

[1]張杰，王力，趙新民.我國棉花產業的困境與出路[J].農業經濟問題，2014(9)：28-34.

[2]魏曉文，雷亞平，劉志紅.論我國棉花收儲政策[C]//中國棉花學會2014年年會論文匯編.安陽：中國棉花雜志社，2014：10-15.

[3]盧秀茹，代學鋼，王健.基于信息技術的棉花風險預警系統及應用[J].農業工程學報，2007，23(9)：59-163.

[4]李亞兵，毛樹春，王香河.中國棉花生長指數基于BP神經網絡的單產預測模型[J].中國棉花，2004，31(1)：8-9.

[5]王淑貞，魏華，賀靖峰.基于AR和模糊綜合評價的中國能源風險預警研究[J].上海管理科學，2011，33(3)：1-4.

[6]安珺.基于層次分析法的乳品質量安全預警系統研究[D].哈爾濱：東北農業大學，2012.

[7]吳清華，高峰，馮中朝.中國油菜產業風險預警研究——基于BP神經網絡[J].華中農業大學學報，2015(2)：29-33.

[8]張淑榮，魏秀芬.我國棉花產業安全狀況評價[J].農業技術經濟，2011(2)：92-95.

[9]張利庠，周海川，卞秋實.棉花產業鏈各環節相關性分析[J].山西大學學報，2012，35(5)：106-115.

[10]白燕飛，何忠偉，劉芳.基于BP神經網絡模型的中國奶牛產業損害預警研究[J].世界農業，2015(3)：45-49.

[11]王偉，宗望遠，吳文福.基于BP神經網絡的棉花水分檢測儀設計[J].華中農業大學學報，2011(4)：533-536.

[12]王偉國，趙新民.基于EMD-BP神經網絡的我國棉花期貨價格預測方法研究[J].石河子大學學報(哲學社會科學版)，2013(1)：78-80.

[13]盧秀茹，焦曉松，劉妍.提升河北省棉花產業競爭力戰略研究[M].北京：中國質檢出版社，2013：50.

Research on Early Warning of Risk in Chinese Cotton Industry Based on Back Propagation Neural Network Model

Jia Xiaoyue,Cui Yuanpei,Sun Jinsheng,Lu Xiuru*

F326.12：S562

A

1000-632X（2017）10-0001-06

10.11963/1000-632X.jxylxr.20171010

中國棉花產量約占世界總產量的1/4，消費量所占份額超過40%，進口量占40%左右[1]。棉花是中國種植業生產中產業鏈最長的大田經濟作物，商品率超過95%。據國家統計局數據，1978年我國植棉面積為486.64萬hm2，皮棉產量為216.70萬t，皮棉單產為 445.30 kg·hm－2。1978―2007 年植棉面積跌宕起伏，自2007年以后呈現明顯遞減趨勢，2016年植棉面積僅為337.61萬hm2，皮棉產量為534.3 萬 t，皮棉單產為 1 582.50 kg·hm－2（表 1）。 近10年來，隨著農作物總種植面積逐年增加和棉花種植面積逐年遞減，棉花種植面積在全國農作物總種植面積中所占比例不斷降低（表1）。

如表1所示，中國棉花平均出售價格波動幅度較大，導致棉花種植成本利潤率波動異常，尤其在2008年全球金融危機的沖擊下，棉花消費萎縮，價格下降。隨后國家相繼實施4次收儲，使得2009年5月至2010年10月之間棉花價格持續上漲，然而3次拋出后棉花價格在2010年11月至2011年4月仍隨國際價格更快速大幅上漲，而后由于出臺臨時收儲政策2011年5月棉價出現瘋狂的下跌[2]。2014年取消了棉花臨時收儲政策，以新疆為試點實行棉花目標價格政策，而目標價格政策的出臺并未改變棉價持續下降的態勢。由于棉花價格呈現波峰波谷的趨勢，導致棉農的種植決策無從參考，加之自身的知識水平和決策水平有限，許多棉農缺乏行情的預測預報[3]，陷入“價格高—多種植—產量高—需求彈性小—價格低—少種植—產量低—供不應求—價格高”的惡性循環。如果可以在棉花市場價格波動之前，做出預警并提前采取相應的防范措施，就可以有效降低棉花產業風險帶來的損失。

2017-04-11 *通信作者：Luxr2006@126.com

河北省教育廳人文社科重大招標課題（ZD201421）；河北省社科基金（HB16YJ056）；河北省科技廳課題（17456102D）