中图分类号：F74
文献标识码：A
文章编号：16723198（2015）13004902
1引文和背景
农村宏观经济的发展水平主要由农村GDP和近年来极为重视的环境质量所评判。农业的发展则可以从各种生产资料的占有水平进行推测。在上世纪的家庭联产承包制等一系列史无前例的成就基础上，不断深化和落实农村经济改革，到现在我们已经不断稳定和发展农村商品和产业结构。不仅仅中国，农业的发展已经成为世界层面上衡量经济的重要指标。
另一方面，伴着经济全球化程度不断加深，我国进出口贸易和汇率变动已经越来越紧密地影响着国家发展。事实上，如果以点及面，综合考虑农业发展和农业的进出口年总量和汇率变化，或许可以发现其中若隐若现的联系和影响。
对于这一问题，学术界尚未有深刻的讨论。主要是因为关系复杂，涉及到的影响因素过多，现实具有很强的偶然性，例如每年的政策影响和国际环境的干扰。本文适当选取多元因素之间的相互联系，并在BP神经网络分析时增加少量扰动。最后的预测和事实相比较发现相关性不高，但是也提供了一种新颖的问题分析方法。由于时间精力有限，仅仅就少量参数进行分析。倘若日后增加建模的完整性，考虑到国际和国家政治性影响等因素综合建模或许会有不错的预测效果。
2建模
2.1整体处理
中国国内经济评判指标暂且选为：美元对人民币市场汇率年平均价x1，人均国内生产总值/元x2；
农业生产工具参数选择为：农业机械总动力/万千瓦y1，大中型拖拉机数量/台y2，小型拖拉机数量/台y3，农用排灌柴油机/台y4；
对于进出口量的评判参数选为：海关出口活猪/万头（z1），海关出口大米/万吨（z2），海关出口棉花（原棉）/万吨（z3），海关出口蔬菜/万吨（z4），海关出口水果/万吨（z5），海关出口水产品/万吨（z6），海关进口小麦/万吨（z7），海关进口玉米/万吨（z8），海关进口大豆/万吨（z9），海关进口棉花/万吨（z10），海关进口食用油/万吨（z11）。由于客观条件制约，假设忽略其他因素（后文的事实证明需要考虑的因素还有很多）。本文所有数据均来自中国经济与社会发展统计数据库（部分缺失数据由灰色预测得到）。
先通过归一化处理，去除量纲的影响。根据分布图样，修正偏差过大数据，将偏离整体过大的数据默认修改为平均值的n倍或n分之一。
2.2进出口数据主成分分析
利用主成分分析法处理变量z1到z11：
z1=ω1-1z1+ω1-2z2+…+ω1-11z11
z2=ω2-1z1+ω2-2z2+…+ω2-11z11
……
zp=ωp-1z1+ωp-2z2+…+ωp-11z11
（1）
采用不同组数的数据进行求解主成分，观察贡献率，挑选方差最大k项作为主要影响因子。
2.3BP神经网络训练
以x1，x2，y1，y2，y3和y4为输入层探求与Z1，Z2，…Zk的输出层关系。
BP神经网络是1974年Paul Werbos首次提出的网络学习算法，基于生物进化过程，模拟自然条件下的选择。先批量输入2002到2011年学习样本，并进行归一化处理，通过修整权值和阈值不断计算输出层误差最后得到结果，核心代码：
Delta2=Error；
Delta1=W2'*Delta2.*HiddenOut.*（1-HiddenOut）；
dW2=Delta2*HiddenOut'；
dB2=Delta2*ones（SamNum，1）；
dW1=Delta1*SamIn'；
dB1=Delta1*ones（SamNum，1）；
截取部分程序：
P=p；
T=t；
R=size（P，1）；
S2=size（T，1）；
S1=25；%隐含层节点数
S=R*S1+S1*S2+S1+S2；%遗传算法编码长度
aa=ones（S，1）*[-1，1]；
popu=50；%种群规模
initPpp=initializega（popu，aa，'gabpEval'）；%初始化种群
gen=100；%遗传代数
%调用GAOT工具箱，其中目标函数定义为gabpEval[x，endPop，bPop，trace]=ga（aa，'gabpEval'，[]，initPpp，[1e-6 1 1]，'maxGenTerm'，gen，... 'normGeomSelect'，[0.09]，['arithXover']，[2]，'nonUnifMutation'，[2 gen 3]）；
3实证检验
以2012和2013年数据为例进行校验，多次模拟运算发现结果和实测值比较如表1、图1。 表1实测值和用不同组数据模拟的结果对比
12组数据实测-201210组数据模拟-201212组数据模拟-201212组数据实测-201310组数据模拟-201312组数据模拟-2013
主成分13.9779-1.07265.85342.985-4.253514.1942
主成分22.0829-1.04710.72040.62930.46712.9206
图1模拟结果
两两矩阵求相关系数，发现均小于0.5，事实证明结果不具有相关性。这种模拟方法存在一定问题。
4问题分析和反思改进
通过观察发现个别数据在某年有极为明显的起伏（即使已经对极端数据采取处理），在数据总量较少的情况下，很大程度影响了最后的预测结果。此外宏观经济的影响因素过多，截取的参考量有限。政策性因素和现实的偶然性很难通过神经网络的扰动所模拟。神经网络的模拟量有限，现实中的发展规律变化多端，每隔数年新的经济政策就会影响到接下来的发展。农村发展不仅仅只从生产工具和耗电量来评判。
采取后续工作：将偏离度高的数据直接剔除，采用灰色预测补充空缺，再进行相关性验证：所有结果都在0.75以上，而且去除的极端数据越多，相关性越高。说明此种方法具有一定的可行性。
进而设计改进模型如下：
（1）扩充三个维度的影响因素，扩充变量条件，主成分分析选定的因子数量增加，既能够综合考虑问题，又能缩小个别变量的偶然影响；
（2）不断改变扰动的值，确定最佳临界点；
（3）引入新概念：政策性影响因子，由前若干年影响预测后一年变化，并酌情设置权重ξn：
Po=ξnPn+ξnPn+…+ξnPn（2）
对求解主成分的出发点，现在还没有一个定论，但是我们应该看到，不考虑实际情况就对数据进行标准化处理或者直接从原始变量的相关矩阵出发求解主成分是有其不足之处的，这一点一定要引起注意。建议在实际工作中分别从不同角度出发求解主成分并研究其结果的差别，观察是否发生明显差异且这种差异产生的原因在何处，以确定用哪种结果更为可信。在此基础上，不断优化BP算法，使二者结合在经济领域发挥更大作用。
