基于BP神經網絡的農機化發展水平影響因素研究

吐爾遜·買買提，米斯卡力·居馬瓦依，張學軍，Muhammad Hassan

(1.新疆農業大學 機械交通學院，烏魯木齊　830052；2.南京農業大學 工學院，南京　210031)

0　引言

區域農業機械化發展水平序列在演變過程中受農業裝備、經濟水平、土地資源、農機人力資源、教育水平及政策導向等多個因素不同程度交叉影響，進而形成了復雜的非線性系統[1]。

近年來，新疆農業機械化水平一直保持快速、健康發展的勢頭，為農業現代化的發展提供了有力支持，也為農村經濟的平穩發展提供了支撐；但新疆各地經濟水平、自然條件、人口因素，種植結構、效益水平等存在明顯差異，再加上自治區對各地區的政策傾斜力度也不同，導致新疆各地區農業機械化發展的不平衡和不協調。從局部區域層面上看，地區農機化發展水平受到確定因素的影響，且其影響的方向是確定的。從廣域層面分析，不同影響因素對農業機械化發展水平影響程度的大小不確定，其影響方向無法用單一的定性分析獲得。

許多研究關注了農業機械化發展水平評價指標的建立、指標權重分析、發展水平定量和定性分析及影響因素方面等方面。例如，從國家層面研究了農機化發展水平指標體系、標準和方法，并進行了比較[2-6]；提出了農機作業為基礎、能力為保障、效益為核心的評價方法，為我國農業機械化發展水平的評估、總體規劃、正確把握總體發展方向奠定了理論基礎。文獻[7]中，提出了新疆農業機械化發展水平評價指標，并構建了指標組合賦權法，定量分析了新疆各地州農業機械化發展水平。本文在參考前人研究基礎上，建立農業機械化發展水平影響因素量化方法，并以新疆2001-2015年農機化發展水平及影響因素作為研究對象，對各影響因素的影響強度進行量化，并對結果進行分析。

1　數據來源

本研究涉及的數據主要來源是新疆統計年鑒(2001-2015)和新疆農機年報(2001-2015)，由于資料有限，未涉及新疆生產建設兵團。

2　指標選取原則及評價指標體系

2.1　指標選取原則

農業機械化發展水平是地區農業現代化程度的主要標志，反映了農業生產中實施機械化作業程度，對農業生產效率、農作物產量和農業生產總值產生較直接的影響。區域農機化發展水平對節省勞動力、節約資源、提高農業勞動效率方面具有不可忽略的作用。建立農業機械化發展水平評價指標體系的目的是為量化區域農業機械化發展水平、分析其演變趨勢提供依據。建立評價農業機械化水平指標時應遵循以下原則：

1)合理反映農業機械化投入及農機化在農業生產的產出作用。指標中應包含各類投入要素，如資金、勞力、能源和技術等，產出包含農作物產量、產值和收入等。

2)農業機械化發展過程與社會經濟發展、科技發展、教育水平、社會結構等多個因素之間存在復雜的單向和雙向制約關系，因此制定評價指標時應從多角度、多層次進行考慮。

3)因不同地區之間在社會經濟、資源、發展水平和科技水平等方面存在差異，因此制定指標體系時應參考現有方法的同時也要考慮地域差異。根據不同的地區的實際情況，制定適合地方發展特征的指標體系。

2.2　評價指標體系

本文依據上述原則，同時引用文獻[7]提出的農業機械化發展水平評價指標體系，建立了由農業機械化程度(Z1)、綜合保障能力(Z2)、綜合效益水平(Z3)組成的3個一級指標。各一級指標所含二級指標、各指標的標準值及指標數值單位如圖1所示。

圖1　新疆農業機械化發展水平評價指標體系

3　農業機械化發展水平

分析發展水平影響因素時，首先需要量化發展水平。文獻[7]提出了基于組合賦權法測算農業機械化發展水平的方法。本文應用此方法對新疆 14地州2001-2015年農機化發展水平進行量化。新疆各地區2001-2015年農業機械化發展水平值如表1所示。

表1　新疆各地州農業機械化發展水平

續表1

4　研究方法

4.1　誤差反向傳播神經網絡

農業機械化發展水平是隨著時間發生變化的序列，變化規律符合非線性動態系統的特征。因此，分析農機化發展水平序列的變化特征時，可以采用非線性動態系統的分析原理和方法。因為傳統的線性和非線性處理方法在精度方面效果欠佳，而基于人工神經網絡的非線性系統建模方法由于具有較好擬合復雜系統的能力，越來越引起研究人員的重視。

時間序列建模本質上是曲線(或非線性參數)擬合過程。有效的時間序列模型首先應有可獲取的模型數據，并具有可比性，其次是模型需符合時間序列理論及數學建模的要求。在模型訓練和測試階段，應充分擬合原始數據，尤其是變化趨勢有波動的序列。其原因是序列波動特征隱含著序列變化有關的重要信息。

表示任何事物演變趨勢的時間序列可以看成一個或多個非線性機制確定的輸入輸出系統。神經網絡中通過輸入和輸出神經元表示非線性系統的輸入和輸出，通過隱含層傳遞函數和誤差反饋函數可以弱化輸入和輸出神經元的時間序列特性，并應用曲線擬合方法逼近原始曲線，從而達到描述事物發展趨勢的目的。由于人工神經網絡在逼近非線性系統的演變曲線方面具有較高的精度，因此可用于分析農業機械化發展水平變化趨勢、挖掘和量化影響因素?；谏窠浘W絡的農機化發展水平影響因素分析當中，農業機械化發展水平作為隨著時間變化的時間序列，16個指標組成的影響因素可以作為神經網絡的的輸入神經元，地區發展水平可作為輸出神經元。從以上分析可知，人工神經網絡在分析農業機械化發展水平時間序列演變趨勢方面有較好的優勢。

誤差反向傳播(Back Propagation Neural Network, BPNN)由輸入層、輸出層以及1個或多個隱含層節點互連而成。BPNN神經網絡學習過程由信號的正向傳播與誤差的逆向傳播等兩個處理過程組成。正向傳播時，輸入數據從輸入層輸入，經隱含層(激勵函數/傳遞函數)處理后，傳入到輸出層，并進入誤差的逆向傳播階段。將輸出誤差按某種方法通過隱含層向輸入層逐層返回，并“分配”給各層的單元，獲得各層單元的誤差信號，此誤差作為修改各層權值的依據。在此過程中權值不斷被修改，一直到輸出誤差達到預先設定目標為止。根據具體網絡結構，BP神經網絡可以在輸入和輸出之間建立線性或非線性關系[8-10]，如圖2所示。

圖2　BPNN神經網絡結構

4.2　MIV方法

神經網絡中平均影響值 (Mean Impact Value, MIV)方法常用于變量篩選、權重和屬性重要度分析。神經網絡中，不同的輸入神經元對輸出神經元的影響程度不同。MIV是應用于測度系統輸入(輸入神經元)對系統輸出(輸出神經元)影響程度的重要指標。MIV絕對值大小表明輸入神經元對輸出的重要程度，其符號表示影響的方向[11-13]。MIV的具體求解過程如下：

1) 首先構建網絡訓練集D，其一般為M×N的矩陣D。其中，M為訓練集的樣本個數；N相關因子個數。將構建好的訓練集輸入到神經網絡進行訓練，并建立神經網絡NN。

2) 建立完神經網絡后，將訓練集矩陣中的每個因子的數值分別加減10%，建立2個新的樣本集D1和D2；然后，將D1和D2作為新的仿真訓練集，在已建立好的神經網絡NN中進行仿真。

3) 計算仿真后的網絡輸出值O1、O2之差。其值和符號就可以反映當前屬性(自變量即輸入神經元)對因變量(輸出神經元)的影響程度和方向。

4) 根據上述步驟，分別計算每個屬性的MIV，并排序所有屬性的MIV，得出各(屬性)自變量對網絡輸出的影響程度及位次表，進而判斷眾多輸入中哪個輸入對網絡輸出的影響最大，并對其進行量化，用此法也可以進行變量篩選[14-15]。圖3為MIV方法示意圖。

5　MIV實證分析

本研究在MatLab2014a環境中編程實現BPNN和MIV相結合(BPNN-MIV)的屬性重要度量化模型。由于其主要目的是求出16個農業機械化發展水平二級指標的MIV，并依據此MIV值分析各個指標對發展水平的重要性，因此不需要將數據集分為訓練集和測試集，盡可能地擴大訓練集規模使得模型能夠獲取更有代表性MIV值。本文中模型輸入是新疆各地州2001-2015年各地州農機化發展水平16個二級指標，輸出序列是各地州每一年的發展水平。因此，計算出的MIV可以反映2001-2015年新疆各地州農業機械化水平16個二級指標對農業機械化發展水平的重要程度，從中解析指標對地區農業機械化水平的影響程度的大小。表2為各指標MIV在各地州的分布趨勢。

圖3　MIV方法

指標序號烏魯木齊克拉瑪依吐魯番哈密昌吉伊犁塔城阿勒泰博州巴州阿克蘇克州喀什和田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　結果分析及結論

1) 全局上，從MIV值在地區間分布趨勢來看，未出現多數地區相同農業機械化發展水平指標MIV值較大的情況。這表明，新疆各地州農業機械化發展水平差異來源有多種，即研究時段內未出現多數地州農業機械化發展水平受到相同因素影響的情況。原因是：各地區在社會經濟、農業裝備水平和自然環境等方面存在較大的差異，因此各地區農業機械化發展水平影響因素不同。農業機械化發展過程中，地區間的發展特點未出現較強的相似性或相互依賴性趨勢。

2) 各地州指標MIV值按從大到小排序后，統計MIV值前4的指標，結果表明：農業機械化發展水平指標中，農業機械化作業水平(含指標1～6)、農業機械化保障水平(含指標7～11)和農業機械化效益水平(含指標12～16)的出現次數分別為13、21、8。由此表明：農業機械化綜合保障能力對新疆農業機械化發展水平的影響較顯著，因此全局上新疆農業機械化發展當中可以將綜合保障能力作為突破口，制定相應的政策，使得區域農機化水平進一步提高。如按此次數求權重，3個一級指標權重為0.309 5、0.500 0和0.190 5，表明基于MIV的影響因素篩法有較好的可信度。

3) 南疆3地州各指標MIV表明：2001-2015年農業機械化作業程度MIV值靠前次數較多，共有10次。這說明，該區域農業機械化作業水平對農業機械化發展水平的變化影響較大，和其他指標相比其對區域發展水平的貢獻率較高。 因此，針對南疆3地州，應將提高農業機械化作業程度作為切入點，在政策和管理層面上提出更多惠農政策，使得農戶購買和使用農機的積極性進一步提高；同時，調整和優化農作物種植結構，使農機進得去農田，進而實現南疆3地州農業機械化作業水平全面提高。

4) 巴州、博州、阿勒泰、塔城、伊犁、昌吉、克拉瑪依和烏魯木齊等地區中，農業機械化保障水平所含的二級指標MIV值靠前次數為16，占58%，表明保障水平在該區域農機化發展起的作用和其他指標相比更大。吐魯番和哈密MIV值和北疆地區一致。因此，加大農機擁有量、農機人員教育和培訓程度等是提高這些地區綜合農業機械化發展水平的重點。

5) 挖掘新疆農業機械化發展水平影響因素及量化其影響程度方面，MIV方法全局上能抽取對農機化發展水平影響較大的因素，進而反饋地區之間農機化發展水平相似特征及來源，局部上能反映疆內不同區域農業機械化發展方面的分異趨勢及來源。該研究為農業機械化管理和發展水平影響因素分析提供了參考。