基于BP神经网络模型农村金融生态环境综合评价.docVIP

基于BP神经网络模型农村金融生态环境综合评价 　　摘要:本文以湖南省86个县为研究样本,首次将BP人工神经网络模型用于对农村金融生态环境的综合评价,并通过对湖南个案的研究,分析湖南农村县域金融生态环境存在的差异及产生的原因,为进一步制定改善农村金融生态环境的政策措施提供依据#65377; 　　关键词:BP人工神经网络模型;农村金融生态环境;综合评价 　　文章编号:1003-4625(2006)10-0029-03中图分类号:F832.35文献标识码:A 　　 　　一#65380;引言 　　 　　本文通过比较各种多指标评价体系的数理统计方法,考虑到人工神经网络模型具有强大的自学能力和映射能力,能够拟合出任意复杂的非线性关系,因此,本文在构建农村金融生态环境指标体系的前提下,试图建立农村金融生态环境构成要素与农村金融生态环境现实状况的人工神经网络综合评价模型,分析农村金融生态环境各构成要素的综合评价值,以便全面#65380;准确反映农村金融生态状况和不同区域的环境差异,暴露存在的问题,为有效治理农村金融生态环境提供决策依据#65377;本文从农村金融生态环境的定义出发,综合国内学者金融生态研究成果并结合农村金融实际,设计出包括农村经济基础#65380;农村金融发展#65380;农村社会诚信#65380;地方政府公共服务#65380;农村法制环境和农村社会保障程度六个方面共72个指标#65377;研究样本为湖南省辖内的86个县域,所用数据来源于各县支行金融统计数据库#65380;湖南省各县统计局#65380;湖南省统计年鉴及86个县的4300份调查问卷#65377; 　　 　　二#65380;BP人工神经网络建模 　　 　　本文利用人工神经网络模型的基本原理,采用一种具有多输入单输出的三层BP神经网络作为农村金融生态环境评价的模型,其结构如图1所示: 　　图1中,n,m分别表示输入节点(评价指标数目)和隐含节点数目;Up1,Up2,∧Upn为评价指标论域X=x1 x2 ∧xn上第p个样本模式评价指标值,记为: 　　Up = Up1Up2 ∧ Upn (1) 　　设样本模式数为h,则h个样本模式构成样本矩阵: 　　U = (U1,U2,∧,Un)T = (Upj)h×n (2) 　　ωjk(j=1，2，…，n；k=1，2，…，m)为输入层第j节点到隐含层第k节点的连接权值,ypk(k=1，2，…，m)为样本模式p的隐含层第k节点的输出,ωk(k=1，2，…，m)为隐含层第k节点到输出层的连接权值,bP为样本模式p的输出#65377;步骤如下: 　　(1)输入样本评价指标信息(x1,x2,…,xn),计算实际输出: 　　 　　式中,n是节点j的输入节点个数;xi是第i个输入节点的输出值;ωij是第i个输入节点到节点j的权值;i=0时,ωij和xi分别代表阈值0和1#65377; 　　 　　图1 三层前馈人工神经网络结构示意图 　　(2)比较已知输出与计算输出,修改k层节点的权值和阈值: 　　ωij(k+1) = ωij(k)+ησjxi+α(ωij(k)-ωij(k-1)(4) 　　式中,ωij是k-1层节点i到节点j的连接权值和阈值;xi是节点i的输出;η是学习系数(0 　　 　　(一)综合评价结果分析 　　对湖南农村金融生态环境的综合评价结果显示,农村金融生态环境状况整体不容乐观,全省居于第Ⅰ#65380;Ⅱ类的县域仅有六个,占研究样本的7%#65377;而其他县域大都处于一般水平的第Ⅲ#65380;Ⅳ类#65377;进一步的研究发现,农村金融生态环境质量处于前列的县域基本属于长株潭和泛湘南经济区,而相对较差的县域大都位于环洞庭湖和大湘西经济区#65377;长株潭地区各县域临近省会长沙,交通条件优越,受长沙经济高速发展的辐射带动作用较强#65377;泛湘南经济区临近“珠三角”,在承接“珠三角”产业梯次转移方面具有明显的区位优势,上述两区域的县域经济由于容易接受发达城市和沿海发达地区的辐射带动作用,优先形成了市场机制和现代金融信用意识,导致其金融生态环境水平也相对较好#65377; 　　由于区位#65380;交通条件#65380;信息#65380;技术等各方面的初始条件差异,湖南省各经济区域间农村县域非农化进程也存在很大差异#65377;长株潭经济区由于各方面的优势,其非农化发展进程起步较早#65377;到2004年末,长株潭经济区的县域第二产业对GDP的贡献率接近40%#65377;这说明,长株潭经济区的县域经济已步入工业经济发展的轨道;而其他三个区域,第二产业对GDP的贡献率只在30%左右,农村非农化程度相对较低#65377;不同的非农化程度对市场