摘要：BP網(wǎng)絡(luò)能學習和存貯大量的輸入-輸出模式映射關(guān)系，而無需事前揭示描述這種映射關(guān)系的數(shù)學方程。因此采用三層BP網(wǎng)絡(luò)實現(xiàn)制造業(yè)工業(yè)增加值、制造業(yè)全社會固定資產(chǎn)投資和工資向全要素生產(chǎn)率的轉(zhuǎn)換，借助MATLAB神經(jīng)網(wǎng)絡(luò)工具箱編寫了訓練程序、測試程序、預測程序，最終神經(jīng)網(wǎng)絡(luò)隱層含有13個節(jié)點，傳遞函數(shù)采用tansig函數(shù)；輸出層傳遞函數(shù)選用purelin函數(shù)，得到的訓練誤差為8.44272×10-6，結(jié)果滿意，可以認為該神經(jīng)網(wǎng)絡(luò)可以用來實現(xiàn)這個關(guān)系映射，并對2007年全要素生產(chǎn)率進行了預測。
　　關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)；全要素生產(chǎn)率；預測；生產(chǎn)物流
　　中圖分類號：F513.2 文獻標識碼：A
　　
　　未來經(jīng)濟發(fā)展狀況一直是人們探討的問題。經(jīng)濟預測是在一定的經(jīng)濟理論指導下，以經(jīng)濟發(fā)展的歷史和現(xiàn)狀為出發(fā)點，以調(diào)研資料和統(tǒng)計數(shù)據(jù)為依據(jù)，在對經(jīng)濟發(fā)展過程進行定性分析和定量分析的基礎(chǔ)上，對經(jīng)濟發(fā)展的未來情況所作出的推測。由于經(jīng)濟現(xiàn)象紛繁復雜，能獲取的統(tǒng)計資料有限，現(xiàn)有的經(jīng)濟預測理論與方法還不能對此給予完全合理的解釋和有效的預測，經(jīng)濟預測的實效往往不佳，為此本文引入神經(jīng)網(wǎng)絡(luò)方法對中國制造業(yè)生產(chǎn)率進行短期預測，獲取促進制造業(yè)生產(chǎn)率發(fā)展的具體途徑，同時，也為經(jīng)濟領(lǐng)域同類短期預測準確性的解決提供一種可行的思路和方法。
　　
　　一、BP神經(jīng)網(wǎng)絡(luò)的基本原理
　　
　　BP（Back Propagation）網(wǎng)絡(luò)能學習和存貯大量的輸入-輸出模式映射關(guān)系，而無需事前揭示描述這種映射關(guān)系的數(shù)學方程。它的學習規(guī)則是使用最速下降法，通過反向傳播來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小[1，2]。BP神經(jīng)網(wǎng)絡(luò)模型拓撲結(jié)構(gòu)包括輸入層（input layer）、隱層(hidden layer)和輸出層(output layer)（如圖1所示）。
　　
　　二、BP神經(jīng)網(wǎng)絡(luò)訓練程序的編制
　　
　　借助于MATLAB神經(jīng)網(wǎng)絡(luò)工具箱[3]來實現(xiàn)多層前饋BP網(wǎng)絡(luò)的轉(zhuǎn)換，免去了許多編寫計算機程序的煩惱。神經(jīng)網(wǎng)絡(luò)的實際輸出值與輸入值以及各權(quán)值和閾值有關(guān)，為了使實際輸出值與網(wǎng)絡(luò)期望輸出值相吻合，可用含有一定數(shù)量學習樣本的樣本集和相應期望輸出值的集合來訓練網(wǎng)絡(luò)。
　　
　　1.訓練參數(shù)的設(shè)定
　　訓練參數(shù)的設(shè)定：一般先對如下參數(shù)進行賦值：
　　最大訓練步數(shù)：net.trainParam.epochs=1000
　　最小梯度差：net.trainParam.min-grad=-3
　　精度目標值：net.trainParam.goal=1e-4
　　顯示間隔：net.trainParam.show=20
　　動量系數(shù)：net.trainParam.mc=0.9
　　學習率：net.trainParam.lr=0.5
　　
　　2.設(shè)計網(wǎng)絡(luò)函數(shù)
　　設(shè)計網(wǎng)絡(luò)函數(shù)newff：用于創(chuàng)建前饋式BP網(wǎng)絡(luò)，調(diào)用語法為：
　　net=newff