支持向量机在新经济中的可靠性.docVIP

支持向量机在新经济中的可靠性 一、引言 ２００８年，中国政府为应对由美国次贷危机引起的全球性金融危机，通过投资四万亿元拉动经济增长，使得中国的经济增长模式由出口型向内需型转变，虽然在一定程度上有效地缓解了金融危机带来的影响，但其不可持续性已成定论。“十二五”期间寻找新的经济发展契机、培育新经济增长点已成为各级政府统筹经济工作的重点。如何能够找到新的增长点，将选择过程变得有根有据，为政策制定提供依据，是本文研究的出发点。经济增长点理论来源于经济不平衡增长理论，法国经济学家弗朗索瓦?佩鲁（Ｆ．Ｐｅｒｒｏｕｘ）在《经济空间：理论的应用》和《略论发展极的概念》等著述中最早提出了“发展极”（ＰｏｌｅｓｏｆＤｅｖｅｌｏｐｍｅｎｔ）理论，他认为某些主导产业或有创新能力的企业在一些区域的聚集和优先发展形成经济活动中心，这些中心具有辐射作用，可以带动一个地区的经济发展［１］。在西方，新经济增长点主要指的是地理上的经济活动中心，在我国，新经济增长点主要指产业上的带动作用［２］。由此可见，新经济增长点是一个经济属性与空间属性并重的概念，是经济点与空间点的结合［３］。本文认为，新经济增长点是一切能引起经济增长的潜在因素，不仅具有经济属性和空间属性，同时也具有时间上的潜在性，即不是已有的、成熟的增长点，而是在现阶段尚不明显或已初现，但在不久将来，因其巨大的成长性和带动作用将成为一个时期发展的主流。新经济增长点的选择模型主要有三种：选择图谱法［４］，线性模型法［３］，因子分析法［５］。现有方法存在两点不足，第一，没有突出新经济增长点的潜在性，区分出“已有的”增长点与“新的”增长点；第二，没有指明新经济增长点具体的增长环节。支持向量机（ＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅ，ＳＶＭ）方法是建立在统计学习理论和Ｖａｐｎｉｋ－Ｃｈｅｒ－ｖｏｎｅｎｋｉｓ（ＶＣ）维概念的基础之上［６］２２５－２６０。虽然统计学习理论论证坚实，理论完善，但是它对所研究对象的样本数目要求较高，往往要有趋于无穷大的渐近行为，而实际问题中，研究对象的样本数目有限，通常很难满足以上假设前提。支持向量机的出现，为解决有限样本学习问题提供了有力支持。郑治伟、孟卫东使用支持向量机对重庆市主导产业进行了预测［７］，研究结果同“十一五”期间重庆市产业现状和未来产业规划基本吻合，证实了支持向量机的科学性、合理性和前瞻性。前人的研究成果启发了笔者的研究思路。ＶＭ是一种典型的两类问题分类器，可以根据已学会的知识和处理问题的经验对复杂问题做出合理的判断决策，给出较满意的解答［８］。对于新经济增长点的选择问题，可以使用过去的“新经济增长点”对模型进行训练，识别出未来的“新经济增长点”的时间属性。同时，针对新经济增长点选择更为具体、微观的特点，在选择出新经济增长点后，将行业与本地区的自然资源和行业发展动态相结合，寻找具体的增长环节，完成新经济增长点的微观化，加深对增长环节具体化的理解和研究。 二、计量模型及测量指标 （一）支持向量机简介支持向量机是由Ｖ．Ｖａｐｎｉｋ和Ａ．Ｌｅｒｎｅｒ提出的一种新型的基于统计学习理论的机器学习算法。自从２０世纪９０年代提出相关概念后，ＳＶＭ已在手写体识别、图像分类、时间序列预测等领域取得了广泛的应用和丰硕的成果。随着对支持向量机的不断深入研究，它已经成为机器学习和数据挖掘最重要的工具之一。ＳＶＭ模型主要应用于样本点的分类问题。在线性可分的情况下，如图１所示，对于分别属于Ｈ１和Ｈ２的两类样本点，可以轻易地找出一条直线Ｈ，将两类样本很好地区分开来。在无法用直线来分类样本点的情况下，ＳＶＭ通过寻找唯一的分类间隔最大超平面来解决分类问题。在图１中，超平面Ｈ１由两个空心圆张成，超平面Ｈ２由两个实心圆张成。这四个样本称为支持向量。所谓分类间隔最大超平面就是指平行Ｈ１和Ｈ２的超平面Ｈ，它不仅能将Ｈ１和Ｈ２正确分类，而且使得两者之间的距离最大。无论是直线还是超平面，在线性可分的情形下，总可以在原空间上利用ＳＶＭ解决分类问题。但是对于线性不可分的情况，在原空间上已不能直接应用上述分类手段，必须利用非线性特征函数Φ∶Ｒｄ→Ｗ，将原空间上线性不可分的情形转换为特征空间上线性可分的情形，才能够继续利用ＳＶＭ进行分类。由于无法直接在高维的特征空间上利用特征函数计算分类超平面，为此，引入核函数Ｋ（ｘ，ｙ）的概念。核函数，就是原空间上的非线性映射，它的函数表现为特征函数的点积形式，即Ｋ（ｘ，ｙ）＝Φ（ｘ）?Φ（ｙ）。因此，特征空间上的分类问题可以转化为支持向量在核函数上的权重和问题。实际应用中，由于径向基函数实现非线性映射时使用参数较少，往往成为选择核函数时的首选。本文即选用径向基函数作为核函数进行ＳＶＭ分类。从以上介绍可知，相对其他统计方法，ＳＶＭ具有以下优势：１