雷凱棟，張淑娟

精準(zhǔn)扶貧指標(biāo)
——農(nóng)機(jī)總動力基于BP神經(jīng)網(wǎng)絡(luò)SAS分析預(yù)測

雷凱棟，*張淑娟

（山西農(nóng)業(yè)大學(xué)工學(xué)院，山西太谷030800）

主要研究了農(nóng)業(yè)機(jī)械總動力預(yù)測分析，創(chuàng)新思路，從容易忽視的年齡結(jié)構(gòu)因子進(jìn)行數(shù)學(xué)建模，分析預(yù)測農(nóng)業(yè)機(jī)械總動力，并基于BP神經(jīng)網(wǎng)絡(luò)和SAS數(shù)據(jù)分析進(jìn)行預(yù)測。結(jié)果顯示，農(nóng)機(jī)總動力維持不變，但會優(yōu)化農(nóng)機(jī)總配備結(jié)構(gòu)模式。

BP神經(jīng)網(wǎng)絡(luò)；SAS數(shù)據(jù)分析；農(nóng)業(yè)機(jī)械總動力

0 引言

我國是農(nóng)業(yè)大國，擁有世界最多的農(nóng)村人口數(shù)量。而在“十三五”規(guī)劃時期我國將大力推進(jìn)農(nóng)業(yè)機(jī)械化進(jìn)程[1-2]。為此，研究從人們?nèi)菀缀雎缘挠绊懸蜃樱ㄈ缒挲g結(jié)構(gòu)、播種面積、農(nóng)民人口數(shù)量等）對農(nóng)機(jī)總動力的關(guān)聯(lián)影響著手，與發(fā)達(dá)國家進(jìn)行對比，隨著年齡結(jié)構(gòu)的日益老齡化、農(nóng)民比例對一個國家的現(xiàn)代化、機(jī)械化、智能化有較強(qiáng)相關(guān)，制定相關(guān)執(zhí)行方案，并提供了一些參考信息，將會對未來趨勢科學(xué)合理的把握，以及政策制定、優(yōu)化資源配備等發(fā)揮積極作用。在生產(chǎn)實際中，任意的某些因子在一個層面里看似毫無關(guān)系，但是當(dāng)進(jìn)入第2層或者更深層次時都存在間接的影響。研究所收集了7個因子數(shù)據(jù)，數(shù)據(jù)背后往往隱藏著事物發(fā)展的趨勢和事實的真相。采用科學(xué)的數(shù)學(xué)建模理論和SAS數(shù)據(jù)分析預(yù)測組合分析預(yù)測農(nóng)機(jī)總動力，來驗證這一趨勢。

1 數(shù)據(jù)分析及構(gòu)建模型

1.1 問題描述

在實際農(nóng)業(yè)生產(chǎn)中，有很多因素影響著農(nóng)業(yè)機(jī)械總動力的增長。以下將研究農(nóng)用大中型拖拉機(jī)數(shù)量、年末總?cè)丝凇?～14歲人口、15～64歲人口、64歲以上人口、農(nóng)作物總播種面積、農(nóng)民人口數(shù)量等7個因子對農(nóng)機(jī)總動力未來趨勢的影響。

影響農(nóng)業(yè)機(jī)械總動力增長的趨勢有很多因素，經(jīng)濟(jì)發(fā)展、國內(nèi)生產(chǎn)總值、受教育程度、農(nóng)民人數(shù)、年齡結(jié)構(gòu)、作物播種面積等因子影響[3-5]。在數(shù)據(jù)統(tǒng)計處理分析中，經(jīng)常用到時間序列模型和回歸模型，而時間序列不能很好地利用影響大的因子和其他因子，導(dǎo)致數(shù)據(jù)分析不準(zhǔn)確。本研究創(chuàng)新思路，從人們?nèi)菀缀鲆暤囊蛩兀挲g結(jié)構(gòu)對農(nóng)機(jī)總動力的影響）進(jìn)行挖掘數(shù)據(jù)背后的意義。同時，構(gòu)建BP神經(jīng)網(wǎng)絡(luò)、SAS數(shù)據(jù)分析進(jìn)行組合預(yù)測，從而挖掘數(shù)據(jù)背后的趨勢。

1.2 數(shù)據(jù)分析

前期收集的數(shù)據(jù)來源為2002—2016年中國統(tǒng)計年鑒，列出7個預(yù)測因子和實際農(nóng)業(yè)機(jī)械總動力（Y）作為輸入和目標(biāo)向量。預(yù)測因子為農(nóng)用大中型拖拉機(jī)數(shù)量（臺）（X1）、年末總?cè)丝冢ㄈf人）（X2）、0～14歲人口（萬人）（X3）、15～64歲人口（萬人）（X4）、65歲及以上人口（萬人）（X5）、農(nóng)作物總播種面積（千公頃）（X6）、農(nóng)民人口數(shù)量（萬人）（X7），一共收集15個學(xué)習(xí)樣本。

1.3 BP神經(jīng)網(wǎng)絡(luò)建模及SAS數(shù)據(jù)分析預(yù)測

BP神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層和輸出層及各層神經(jīng)元之間連接組成，其中隱含層可以為單層，也可以是多層。一個3層網(wǎng)絡(luò)由輸入層、隱含層和輸出層組成，輸入層與隱含層、隱含層與輸出層之間連接權(quán)值的大小體現(xiàn)神經(jīng)元之間的連接強(qiáng)度。BP神經(jīng)網(wǎng)絡(luò)是系統(tǒng)預(yù)測中應(yīng)用特別廣泛的一種網(wǎng)絡(luò)形式，根據(jù)BP網(wǎng)絡(luò)的設(shè)計網(wǎng)絡(luò)，可以通過單隱層的BP網(wǎng)絡(luò)實現(xiàn)。輸入向量有7個因子，網(wǎng)絡(luò)的輸入向量有7個因素，網(wǎng)絡(luò)的中間層神經(jīng)元經(jīng)過經(jīng)驗公式和后期網(wǎng)絡(luò)訓(xùn)練試驗值為11時，效果最好。

1.4 BP網(wǎng)絡(luò)訓(xùn)練與測試

訓(xùn)練回歸見圖1，訓(xùn)練最優(yōu)、訓(xùn)練、目標(biāo)關(guān)于均方誤差見圖2。

圖1 訓(xùn)練回歸

圖2 訓(xùn)練最優(yōu)、訓(xùn)練、目標(biāo)關(guān)于均方誤差

由圖1可知，所得圖為運用MATLAB編程進(jìn)行訓(xùn)練所得訓(xùn)練圖。訓(xùn)練結(jié)果：R=0.805 19，訓(xùn)練結(jié)果很穩(wěn)定。圖1中橫坐標(biāo)為訓(xùn)練對象，縱坐標(biāo)為輸出結(jié)果；圖2為此次訓(xùn)練過程最優(yōu)、訓(xùn)練、目標(biāo)關(guān)于均方誤差圖（均由MATLAB編程得出）。

2 結(jié)論分析

BP網(wǎng)絡(luò)預(yù)測誤差見表1。

表1 BP網(wǎng)絡(luò)預(yù)測誤差

基于表1誤差結(jié)果分析，該誤差在生產(chǎn)實踐中是可以接受的?；贐P網(wǎng)絡(luò)模型預(yù)測下一年為111 662.348 5 WKW，總動力有所下降，經(jīng)查閱資料分析可能以下原因?qū)е拢孩偎Ｐ驼`差所致；②國家政策指導(dǎo)優(yōu)勢機(jī)械總動力優(yōu)化配備結(jié)構(gòu)；③城鎮(zhèn)化加速；④農(nóng)業(yè)生產(chǎn)模式向農(nóng)場轉(zhuǎn)變等很多因素。

2.1 SAS設(shè)計數(shù)據(jù)處理及分析預(yù)測

此次收集的相關(guān)數(shù)據(jù)為隨機(jī)變量，稱之為隨機(jī)型多元樣本，并對試驗研究進(jìn)行多元回歸設(shè)計（Multiple regression designs），即具有2個以上自變量（因子）的回歸試驗設(shè)計。回歸模型未知時，可采用線性模型和多項式模型進(jìn)行設(shè)計。

2.2 多元回歸設(shè)計及分析

自變量因子為7個，分別以X1，X2，X3，X4，X5，X6，X7表示，效應(yīng)總數(shù)為8，試驗方案至少需要9個處理。表2為1.2中1996—2015年農(nóng)業(yè)機(jī)械總動力（Y）與7個因子的回歸方差分析。

回歸方差分析見表2。

表2 回歸方差分析

將表2所示數(shù)據(jù)樣本創(chuàng)建為SAS數(shù)據(jù)表sasuser. nongjiyuce01.，利用reg過程在進(jìn)行回歸分析時作回歸診斷，語句modle選項p指定輸出回歸診斷的條件指數(shù)，語句Plot residual.*X1residual.*X2residual.*X3residual.*X4residual.*X5residual.*X6residual.*X7residual.*predicted。

由表2中分析可知，此設(shè)計p＜0.000 1，決定系數(shù)達(dá)0.999 6，模型極其顯著且擬合精度較高。7個因子自變量的方差膨脹系數(shù)因子VIF均遠(yuǎn)大于10，是強(qiáng)相關(guān)；條件指數(shù)CIN大于100，為強(qiáng)相關(guān)。此模型的決定系數(shù)達(dá)0.996，p＜0.000 1，回歸模型極其顯著并具有較高的擬合精度。

回歸參數(shù)的估計和檢驗見表3。

分析其參數(shù)可知，X2，X3，X6對Y不顯著。

多重共線性診斷見表4。

由表4共線性診斷結(jié)論得出，復(fù)相關(guān)數(shù)0.999 40據(jù)分析得出回歸方程。

表3 回歸參數(shù)的估計和檢驗

回歸診斷：回歸診斷的方法之一是殘差分析，可診斷樣本的正態(tài)性和方差齊性。

輸出的統(tǒng)計數(shù)據(jù)分析見表5。

預(yù)測分析：經(jīng)SAS建模處理分析預(yù)測，存在一定的誤差，也還在接受范圍，農(nóng)業(yè)機(jī)械總動力為106 982.79 WKW。

表4 多重共線性診斷

表5 輸出的統(tǒng)計數(shù)據(jù)分析

3 結(jié)論

經(jīng)研究分析，最后得出結(jié)論，年齡結(jié)構(gòu)也是一項重要因素?？此坪翢o關(guān)系的因素在實際生產(chǎn)中起著微小的作用，但所有微小的作用聚集，將會產(chǎn)生很大的波動。經(jīng)過SAS建模處理和BP神經(jīng)網(wǎng)絡(luò)進(jìn)行組合預(yù)測分析，決定系數(shù)達(dá)0.999 6，作擬合預(yù)測非?？煽?，2種模型互補(bǔ)。據(jù)估計參數(shù)顯示，年末總?cè)丝凇?～14歲人口對農(nóng)業(yè)機(jī)械總動力影響不是很顯著，但是農(nóng)用大中型拖拉機(jī)數(shù)量、農(nóng)民人口數(shù)量、15～64歲人口及農(nóng)作物總播種面積等影響很大，說明隨著社會年齡結(jié)構(gòu)的變化和老齡化的加劇，農(nóng)業(yè)機(jī)械化關(guān)系到國家的發(fā)展。對比發(fā)達(dá)國家，年齡結(jié)構(gòu)也是農(nóng)業(yè)機(jī)械化加快的趨勢；而國家大力推進(jìn)農(nóng)用大中型拖拉機(jī)的惠民政策也是一個顯著因子。

經(jīng)研究分析預(yù)測，未來我國農(nóng)業(yè)機(jī)械總動力不會有大幅的增加，而是保持在一定的農(nóng)機(jī)總動力的范圍，完善優(yōu)化各類先進(jìn)農(nóng)業(yè)機(jī)械，淘汰低效率、單一作業(yè)，轉(zhuǎn)而向智能化、信息化、遠(yuǎn)程遙感的高精端農(nóng)業(yè)機(jī)械配備，實現(xiàn)全程自動化。以科學(xué)的數(shù)學(xué)模型和統(tǒng)計分析佐證這一預(yù)測，數(shù)據(jù)背后的趨勢正是時代的趨勢，此預(yù)測將對政策進(jìn)一步執(zhí)行、農(nóng)機(jī)總動力優(yōu)化配備提供一項可靠的參考信息。

[1]葛哲學(xué).神經(jīng)網(wǎng)絡(luò)理論與MATLAB R2007實現(xiàn)[M].北京：電子工業(yè)出版社出版，2007：73-86.

[2]姜啟源.數(shù)學(xué)模型[M].北京：高等教育出版社，1998：54-57.

[3]徐國祥.統(tǒng)計預(yù)測和決策[M].上海：上海財經(jīng)大學(xué)出版社，2005：100-120.

[4]涂志強(qiáng)，楊敏麗.關(guān)于我國農(nóng)業(yè)機(jī)械化發(fā)展趨勢的思考[J].中國農(nóng)機(jī)化，2005（5）：3-7

[5]韓磊，李銳，朱會利.基于BP神經(jīng)網(wǎng)絡(luò)的土壤養(yǎng)分綜合評價模[J].農(nóng)業(yè)機(jī)械學(xué)報，2011，42（7）：109-115.◇

Precise Poverty Alleviation Index：Analysis of the Total Power of Agricultural Machinery Based on BP Neural Network SAS

LEI Kaidong，*ZHANG Shujuan
（Institute of Technology，Shanxi Agricultural University，Taigu，Shanxi 030800，China）

In this paper，we study forecast analysis of total power of agricultural machinery.Innovation mentality，from the easy to overlook the age structure of the factor for mathematical modeling，analysis of forecast agricultural machinery total power.Will be based on the BP neural network and SAS date analysis，make a prediction.The conclusion of agricultural machinery total power remain unchanged，but always in optimization of agricultural machinery equipped with structural patterns.

BP neural network；SAS data analysis；total power of agricultural machinery

F224

A

10.16693/j.cnki.1671-9646（X）.2017.03.049

1671-9646（2017）03b-0074-03

2017-03-13

國家自然科學(xué)基金（31271973）；山西省自然科學(xué)基金（2012011030-3）。

雷凱棟（1992—），男，在讀碩士，研究方向為農(nóng)業(yè)機(jī)械化。

*通訊作者：張淑娟（1963—），女，博士，教授，研究方向為農(nóng)業(yè)機(jī)械裝備。