李靜文，劉 剛

（北京信息科技大學(xué) 經(jīng)濟(jì)管理學(xué)院，北京100192）

0 引言

景氣用于衡量總體經(jīng)濟(jì)的活躍程度，是總體經(jīng)濟(jì)的一種綜合性描述。整體經(jīng)濟(jì)形勢(shì)呈上升趨勢(shì)表示經(jīng)濟(jì)景氣，整體經(jīng)濟(jì)形勢(shì)呈下降趨勢(shì)意味著經(jīng)濟(jì)不景氣。景氣預(yù)測(cè)不僅能夠反映當(dāng)前經(jīng)濟(jì)的走勢(shì)，而且可以應(yīng)用于經(jīng)濟(jì)預(yù)警。景氣是通過(guò)景氣指數(shù)來(lái)反映經(jīng)濟(jì)的狀況，景氣指數(shù)是通過(guò)景氣指標(biāo)的劃分構(gòu)建。景氣指標(biāo)劃分為先行指標(biāo)、同步指標(biāo)和滯后指標(biāo)，通過(guò)劃分的指標(biāo)分別編制擴(kuò)散指數(shù)和合成指數(shù)，并根據(jù)計(jì)算結(jié)果分析當(dāng)前經(jīng)濟(jì)的狀況，預(yù)測(cè)未來(lái)的經(jīng)濟(jì)波動(dòng)，此外還可以通過(guò)先行指標(biāo)預(yù)測(cè)未來(lái)經(jīng)濟(jì)狀況。景氣預(yù)測(cè)模型的優(yōu)勢(shì)在于通過(guò)構(gòu)建景氣指數(shù)分析和預(yù)測(cè)總體經(jīng)濟(jì)的波動(dòng)，同時(shí)在景氣指標(biāo)的劃分上考慮了指標(biāo)的先行性、同步性及滯后性，缺點(diǎn)在于該模型最終構(gòu)成合成指數(shù)和擴(kuò)散指數(shù)，通過(guò)對(duì)計(jì)算結(jié)果的分析了解當(dāng)前經(jīng)濟(jì)狀況，但是沒(méi)有對(duì)具體的單個(gè)指標(biāo)進(jìn)行預(yù)測(cè)。

BP神經(jīng)網(wǎng)絡(luò)是一種能自行修正誤差的多層映射網(wǎng)絡(luò)，由于這種特性使得BP神經(jīng)網(wǎng)絡(luò)模型在經(jīng)濟(jì)預(yù)測(cè)中得到了廣泛的應(yīng)用。本文使用基于BP神經(jīng)網(wǎng)絡(luò)模型的景氣預(yù)測(cè)法預(yù)測(cè)高新技術(shù)行業(yè)的總收入，對(duì)于景氣預(yù)測(cè)模型而言，本文構(gòu)建的模型考慮了景氣指標(biāo)時(shí)間上的特性，構(gòu)建的模型可以預(yù)測(cè)單個(gè)指標(biāo)，同時(shí)具有了BP神經(jīng)網(wǎng)絡(luò)的自學(xué)性、穩(wěn)定性和預(yù)測(cè)準(zhǔn)確性的優(yōu)勢(shì)。對(duì)于BP神經(jīng)網(wǎng)絡(luò)而言，該模型考慮了各個(gè)指標(biāo)在時(shí)間上的先行性、同步性以及滯后性。不僅結(jié)合了景氣預(yù)測(cè)模型以及BP神經(jīng)網(wǎng)絡(luò)模型的優(yōu)點(diǎn)，而且還可以確定預(yù)測(cè)指標(biāo)的最大預(yù)測(cè)期數(shù)。該模型在實(shí)際應(yīng)用中的難點(diǎn)在于先行指標(biāo)及其期數(shù)的確定，在模型應(yīng)用中最為基礎(chǔ)的是先行指標(biāo)及其期數(shù)的確定，先行指標(biāo)在實(shí)際計(jì)算中往往受限于數(shù)據(jù)的準(zhǔn)確度和長(zhǎng)度，準(zhǔn)確的先行期數(shù)能夠提高預(yù)測(cè)精度。本文通過(guò)使用時(shí)差相關(guān)分析以及峰谷對(duì)比法綜合確定了先行指標(biāo)及其期數(shù)，在計(jì)算過(guò)程中還考慮季節(jié)因素的影響。計(jì)算中使用的數(shù)據(jù)為剔除季節(jié)性和不規(guī)則因素的同比增長(zhǎng)率以考慮數(shù)據(jù)的非平穩(wěn)性，同時(shí)預(yù)測(cè)了季節(jié)因子在未來(lái)月份的變化。

1 基于BP神經(jīng)網(wǎng)絡(luò)的景氣預(yù)測(cè)模型

1.1 BP神經(jīng)網(wǎng)絡(luò)的述評(píng)

BP神經(jīng)網(wǎng)絡(luò)是一種按信息正向傳播和誤差反向傳播算法訓(xùn)練的多層前饋網(wǎng)絡(luò)，1986年由Rumelhart和McCelland首次提出。BP神經(jīng)網(wǎng)絡(luò)模型由輸入層、隱含層和輸出層組成，如圖1所示：

圖1 BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

圖1展示的為一個(gè)3層的神經(jīng)網(wǎng)絡(luò)，輸入層和輸出層的個(gè)數(shù)可以根據(jù)輸入向量和研究目標(biāo)而定，可以是1個(gè)也可是多個(gè)。但是隱含層個(gè)數(shù)的確定和輸入層之間有著很大的關(guān)系，若輸入層有m個(gè)神經(jīng)元，隱含層神經(jīng)元個(gè)數(shù)n和輸入層神經(jīng)元m之間可以按照n=2m+1的關(guān)系來(lái)選取[1]。然而，在實(shí)際計(jì)算中要不斷調(diào)整各種參數(shù)，根據(jù)學(xué)習(xí)訓(xùn)練的效果，確定出使預(yù)測(cè)效果最優(yōu)的隱含層神經(jīng)元個(gè)數(shù)。

信息的正向傳播和誤差的反向傳播組成BP神經(jīng)網(wǎng)絡(luò)模型。信息的正向傳播：輸入層接受模型的輸入信息，并將信息傳遞給隱含層；隱含層各神經(jīng)元處理接收到的信息，并將處理結(jié)果傳遞給輸出層，即完成了一次信息的正向傳播，由輸出層向外界輸出信息處理結(jié)果。當(dāng)實(shí)際輸出與預(yù)期輸出不符時(shí)，進(jìn)入誤差的反向傳播階段。誤差反向傳播：誤差通過(guò)輸出層，將誤差以某種形式通過(guò)隱含層向輸入層逐層反傳，這是一個(gè)誤差分?jǐn)倐€(gè)神經(jīng)元的過(guò)程，分?jǐn)偤蟮恼`差作為修正各個(gè)神經(jīng)元的權(quán)值的依據(jù)。信息正向傳播和誤差反向傳播作為一個(gè)周期，這個(gè)周期不斷循環(huán)直至網(wǎng)絡(luò)輸出的誤差降低到可以接受的區(qū)間，或者達(dá)到預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止。

BP神經(jīng)網(wǎng)絡(luò)模型自學(xué)性和誤差反向傳播的特點(diǎn)，使得該模型廣泛的應(yīng)用到仿真和預(yù)測(cè)的領(lǐng)域中。BP神經(jīng)網(wǎng)絡(luò)在實(shí)際應(yīng)用中，可以發(fā)現(xiàn)該模型比較適用于短期預(yù)測(cè)，中長(zhǎng)期預(yù)測(cè)的精度較低。同時(shí)隱含層的個(gè)數(shù)難以確定，隱含層的個(gè)數(shù)確定對(duì)預(yù)測(cè)結(jié)果的影響很大，固定的學(xué)習(xí)率或?qū)W習(xí)過(guò)程中出現(xiàn)的癱瘓現(xiàn)象會(huì)導(dǎo)致訓(xùn)練時(shí)間較長(zhǎng)。

1.2 景氣預(yù)測(cè)指標(biāo)的確定

1.2.1 景氣指標(biāo)體系的劃分

景氣指標(biāo)劃分的關(guān)鍵是確定基準(zhǔn)指標(biāo)，基準(zhǔn)指標(biāo)是景氣指標(biāo)劃分的參照系。基準(zhǔn)指標(biāo)的確定主要有以下3種方法：（1）選擇一組波動(dòng)與總體周期波動(dòng)大體上一致并且能從側(cè)面反映總體經(jīng)濟(jì)波動(dòng)的重要的經(jīng)濟(jì)指標(biāo)。（2）參考景氣循環(huán)年表中記錄的經(jīng)濟(jì)現(xiàn)象和經(jīng)濟(jì)政策等。（3）根據(jù)專家意見及專家打分等綜合判斷最終確定基準(zhǔn)指標(biāo)。

根據(jù)指標(biāo)的特性，把指標(biāo)劃分為同步、先行和滯后三大類指標(biāo)，然而在實(shí)際預(yù)測(cè)中經(jīng)常使用的是先行指標(biāo)，因?yàn)樵擃愔笜?biāo)先行于總體經(jīng)濟(jì)的變化，能夠預(yù)測(cè)未來(lái)經(jīng)濟(jì)的變化情況。

1.2.2 景氣指標(biāo)選擇方法

根據(jù)上述基準(zhǔn)指標(biāo)的選取方法可以確定景氣指標(biāo)體系中的基準(zhǔn)指標(biāo)。景氣指標(biāo)選擇的方法主要有：時(shí)差相關(guān)分析法、K-L信息量法、峰谷對(duì)比法和聚類分析法等[2]，本文使用時(shí)差相關(guān)分析以及峰谷對(duì)比法對(duì)景氣指標(biāo)進(jìn)行劃分。

時(shí)差相關(guān)分析是確定指標(biāo)時(shí)間序列先行關(guān)系、一致關(guān)系或滯后關(guān)系的常用方法，主要是利用指標(biāo)之間的相關(guān)系數(shù)進(jìn)行計(jì)算。計(jì)算方法是在選定基準(zhǔn)指標(biāo)的條件下，計(jì)算被選擇指標(biāo)與基準(zhǔn)指標(biāo)的相關(guān)系數(shù)，繼而通過(guò)相關(guān)系數(shù)判斷指標(biāo)的先行性或者滯后性。

設(shè) y={y1，y2，…，yn}為基準(zhǔn)指標(biāo)，x={x1，x2，…，xn}為被選擇指標(biāo)，r為時(shí)差相關(guān)系數(shù)，則

上式中，l成為時(shí)差數(shù)，表示先行、滯后期數(shù)，取負(fù)數(shù)表示先行，取正數(shù)表示滯后；L為最大延遲數(shù)；nl是數(shù)據(jù)取齊后的數(shù)據(jù)個(gè)數(shù)。

在選擇景氣指標(biāo)時(shí)，要確定若干個(gè)不同時(shí)差數(shù)的時(shí)差相關(guān)系數(shù)中的最大值，最大的時(shí)差相關(guān)系數(shù)

被認(rèn)為反映了被選指標(biāo)與基準(zhǔn)指標(biāo)的時(shí)差相關(guān)關(guān)系，相應(yīng)的時(shí)差數(shù)l'表示先行或滯后期。

峰谷對(duì)比法能夠?qū)Ω鱾€(gè)指標(biāo)的狀態(tài)進(jìn)行直觀具體的描述，通過(guò)利用畫圖的方法可看出每個(gè)候選指標(biāo)與景氣循環(huán)中峰、谷的對(duì)應(yīng)狀態(tài)，進(jìn)而確定各個(gè)指標(biāo)的先行性或滯后性。確定基準(zhǔn)指標(biāo)滯后，把基準(zhǔn)指標(biāo)與被選指標(biāo)畫在同一坐標(biāo)系中，這樣峰、谷的對(duì)應(yīng)狀況就一目了然了[3]。峰谷對(duì)比法可以和其他景氣指標(biāo)劃分的方法一起使用，作為校驗(yàn)和調(diào)整景氣指標(biāo)及其期數(shù)的依據(jù)。

1.3 模型結(jié)構(gòu)

本文構(gòu)建的基于BP神經(jīng)網(wǎng)絡(luò)的景氣預(yù)測(cè)模型以景氣指標(biāo)中的先行指標(biāo)作為基礎(chǔ)，以BP神經(jīng)網(wǎng)絡(luò)模型為核心進(jìn)行預(yù)測(cè)。

根據(jù)景氣指標(biāo)選擇的方法確定先行指標(biāo)及先行期數(shù)，在該過(guò)程中先對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，剔除季節(jié)因素和不規(guī)則因素的干擾。首先根據(jù)時(shí)差相關(guān)分析法確定被選擇指標(biāo)的先行性、同步性和滯后性，再根據(jù)峰谷對(duì)比法確定最終的先行指標(biāo)及先行期數(shù)。

以確定的先行指標(biāo)作為BP神經(jīng)網(wǎng)絡(luò)模型的輸入層，基準(zhǔn)指標(biāo)作為輸出層。根據(jù)上述確定的先行指標(biāo)及期數(shù)構(gòu)建BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)樣本，輸入層指標(biāo)中最小的先行期數(shù)是輸出層指標(biāo)的最大預(yù)測(cè)期數(shù)。例如，假設(shè)輸入層的先 行 期 數(shù) 為 l={l1，l2，…ln}，n為輸入層指標(biāo)個(gè)數(shù)，則l'=min{l1，l2，…ln}為輸出層指標(biāo)的最大預(yù)測(cè)期數(shù)。

2 實(shí)證分析

2.1 先行指標(biāo)及其期數(shù)的確定

本文以預(yù)測(cè)中關(guān)村國(guó)家自主創(chuàng)新示范區(qū)（簡(jiǎn)稱中關(guān)村）的總收入為例，從投入產(chǎn)出的角度分析，總收入作為產(chǎn)出類指標(biāo)，產(chǎn)出類指標(biāo)必然影響著總收入的變化，而且在指標(biāo)上具有先行性。本文從文獻(xiàn)[4～7]中發(fā)現(xiàn)先行指標(biāo)主要分為：固定資產(chǎn)投資類、貸款類、研究對(duì)象相關(guān)投入類指標(biāo)等。本文主要是預(yù)測(cè)中關(guān)村的總收入，同時(shí)根據(jù)基準(zhǔn)指標(biāo)的確定方法，總收入也符合基準(zhǔn)指標(biāo)的要求，因而確定總收入為基準(zhǔn)指標(biāo)。

根據(jù)文獻(xiàn)梳理的分類以及中關(guān)村的高新技術(shù)園區(qū)的定位，粗略確定以下指標(biāo)作為中關(guān)村園區(qū)的候選先行指標(biāo)范圍，分為資產(chǎn)類、貸款類、科技投入類、進(jìn)出口類指標(biāo)和北京市相關(guān)指標(biāo)。資產(chǎn)類指標(biāo)包括中關(guān)村自身的固定資產(chǎn)投資以及北京市固定資產(chǎn)投資，即本年完成固定資產(chǎn)投資總額、資產(chǎn)總計(jì)以及北京市相關(guān)指標(biāo)；貸款類指標(biāo)包括銀行貸款和負(fù)債合計(jì)；科技投入類指標(biāo)包括科技經(jīng)費(fèi)的投入、科技人員的投入、科技成果，即企業(yè)用于科研活動(dòng)的經(jīng)費(fèi)支出、引進(jìn)國(guó)外技術(shù)經(jīng)費(fèi)支出、科技活動(dòng)人員合計(jì)、期末從業(yè)人員數(shù)和發(fā)明專利授權(quán)數(shù)；進(jìn)出口類指標(biāo)：由于中關(guān)村有很多進(jìn)出口貿(mào)易的企業(yè)，因而本文考慮了出口總額、技術(shù)合同成交總額。本文的研究對(duì)象屬于中觀性，因而會(huì)受北京市總體經(jīng)濟(jì)變化的影響，在先行指標(biāo)中加入了北京市相關(guān)指標(biāo)。先行指標(biāo)的被選擇指標(biāo)集如表1所示。

表1 先行指標(biāo)的被選擇指標(biāo)集

根據(jù)表1中指標(biāo)，中關(guān)村各指標(biāo)體系中，本年完成固定資產(chǎn)投資和負(fù)債合計(jì)的數(shù)據(jù)有缺失，在實(shí)際及計(jì)算中不考慮上述兩個(gè)指標(biāo)。本文先計(jì)算中關(guān)村園區(qū)內(nèi)部的先行指標(biāo)及其期數(shù)，再找出北京市相關(guān)指標(biāo)的先行指標(biāo)。根據(jù)時(shí)差相關(guān)分析法，使用Matlab軟件計(jì)算可得到中關(guān)村被選擇指標(biāo)的先行指標(biāo)及其期數(shù)，如表2所示。

表2 被選擇指標(biāo)的計(jì)算結(jié)果

從表2可知引進(jìn)國(guó)外技術(shù)經(jīng)費(fèi)支出、出口總額和技術(shù)合同成交總額均為滯后指標(biāo)，由時(shí)差相關(guān)分析確定的先行期數(shù)還需根據(jù)峰谷對(duì)比法進(jìn)行校驗(yàn)。本文使用的為月度數(shù)據(jù)，因而北京市相關(guān)指標(biāo)也應(yīng)為月度數(shù)據(jù)，本文從北京市統(tǒng)計(jì)局網(wǎng)站上查找了相關(guān)指標(biāo)：規(guī)模以上工業(yè)增加值、工業(yè)銷售產(chǎn)值、全社會(huì)固定資產(chǎn)投資、社會(huì)消費(fèi)品零售總額、城鎮(zhèn)居民人均可支配收入、城鎮(zhèn)居民人均消費(fèi)性支出、出口總額、進(jìn)口總額，其中出口總額、進(jìn)口總額數(shù)據(jù)來(lái)源于北京市商務(wù)委。

對(duì)上述指標(biāo)和中關(guān)村的總收入進(jìn)行相關(guān)性分析以及格蘭杰因果檢驗(yàn)，只有社會(huì)消費(fèi)品零售總額、全社會(huì)固定資產(chǎn)投資總額、進(jìn)口總額、出口總額滿足要求，根據(jù)時(shí)差相關(guān)分析計(jì)算結(jié)果如表3所示。

表3 北京市被選擇指標(biāo)的計(jì)算結(jié)果

根據(jù)表3可知，社會(huì)消費(fèi)品零售總額和全社會(huì)固定資產(chǎn)投資總額是先行指標(biāo)。因而相對(duì)于基準(zhǔn)指標(biāo)總收入而言，先行指標(biāo)共有8個(gè)，其中中關(guān)村自身指標(biāo)有6個(gè)，北京市指標(biāo)2個(gè)，具體指標(biāo)如表4所示。

表4 先行指標(biāo)及其先行期數(shù)

表4為構(gòu)建模型的先行指標(biāo)及其期數(shù)，則表4中先行指標(biāo)剔除季節(jié)因素和不規(guī)則因素后的同比增長(zhǎng)率（限于篇幅，相關(guān)數(shù)據(jù)從略），以表4中的先行指標(biāo)作為BP神經(jīng)網(wǎng)絡(luò)模型的輸入層，總收入作為輸出層，建立的如圖2所示的神經(jīng)網(wǎng)絡(luò)模型。

圖2 神經(jīng)模型網(wǎng)絡(luò)結(jié)構(gòu)

根據(jù)模型的特性，可知總收入的最大預(yù)測(cè)期數(shù)為5個(gè)月，即可以預(yù)測(cè)5個(gè)月以后的總收入。在計(jì)算前要對(duì)數(shù)據(jù)進(jìn)行季節(jié)調(diào)整，以INCOME表示總收入，INCOME_TC表示剔除季節(jié)因子和不規(guī)則因子的序列，INCOME_SF表示總收入的季節(jié)因子，INCOME_IR表示總收入的不規(guī)則因素。

INCOME=INCOME_TC×INCOME_SF×INCOME_IR

實(shí)際中的總收入含有季節(jié)因子，因而同時(shí)對(duì)總收入在不同月份的季節(jié)因子進(jìn)行了預(yù)測(cè)，本文采用了二次指數(shù)平滑模型預(yù)測(cè)了對(duì)不同月份未來(lái)一期的季節(jié)因子，由于INCOME_IR表示不規(guī)則因素，在實(shí)際預(yù)測(cè)中忽略該因素的影響。

2.2 模型過(guò)程的處理

本文搜集數(shù)據(jù)時(shí)間段為2009年1月到2013年11月，實(shí)際計(jì)算中使用的是指標(biāo)的同比增長(zhǎng)率，因而數(shù)據(jù)同比增長(zhǎng)率的長(zhǎng)度2010年1月到2013年11月，其中2010年1月到2013年6月數(shù)據(jù)作為模型的仿真數(shù)據(jù)，用于構(gòu)建模型，作為模型的擬合區(qū)間。2013年7月到2013年11月作為檢驗(yàn)性數(shù)據(jù)，用于驗(yàn)證模型的精度和模型的對(duì)比分析。

根據(jù)圖2中的模型結(jié)構(gòu)，使用Matlab軟件計(jì)算得到INCOME_TC的同比增長(zhǎng)率預(yù)測(cè)值，從而可以計(jì)算出INCOME_TC的預(yù)測(cè)值，根據(jù)季節(jié)調(diào)整的原理，由INCOME_SF和INCOME_IR可以計(jì)算出INCOME的預(yù)測(cè)值，具體數(shù)據(jù)見表5所示。

表5 總收入相關(guān)指標(biāo)數(shù)據(jù) （單位：億元）

表5中INCOME_TC同比增長(zhǎng)率預(yù)測(cè)值可由模型直接計(jì)算，根據(jù)該值和2009年INCOME_TC的實(shí)際值可以計(jì)算出INCOME_TC在擬合區(qū)間的預(yù)測(cè)值，根據(jù)數(shù)據(jù)中的總收入的季節(jié)因子可以得到INCOME的預(yù)測(cè)值，即表5中的最后一列。

2.3 預(yù)測(cè)結(jié)果的分析

由表5中的數(shù)據(jù)，可以畫出INCOME_TC和INCOME_TC的擬合圖，如圖3所示，同時(shí)畫出INCOME和INCOME預(yù)測(cè)值的擬合圖，如圖4所示。

圖3 INCOME_TC同比增長(zhǎng)率的擬合圖

圖4 總收入的擬合圖

由模型計(jì)算過(guò)程可知，INCOME_TC同比增長(zhǎng)率預(yù)測(cè)值是通過(guò)基于BP神經(jīng)網(wǎng)絡(luò)的景氣預(yù)測(cè)模型直接計(jì)算得出，從圖3可知INCOME_TC同比增長(zhǎng)率預(yù)測(cè)值和實(shí)際值是非常接近的，兩者的擬合度很高。總收入的預(yù)測(cè)值是通過(guò)INCOME_TC同比增長(zhǎng)率的預(yù)測(cè)值計(jì)算得到，同樣，從圖4可知總收入的預(yù)測(cè)值和實(shí)際值是非常接近。總收入在擬合區(qū)間的相對(duì)誤差如表6所示。

表6 總收入各月份的相對(duì)誤差

從表6可知，相對(duì)誤差最大值為1.82%，最小為0.15%，即各時(shí)期的相對(duì)誤差均是控制在2%以內(nèi)。由圖3、圖4和表6可知，基于BP神經(jīng)網(wǎng)絡(luò)的景氣預(yù)測(cè)模型在擬合區(qū)間的擬合精度非常高，因而該模型在未來(lái)區(qū)間的預(yù)測(cè)精度也很高。同時(shí)本文還對(duì)比了二次指數(shù)平滑模型和BP神經(jīng)網(wǎng)絡(luò)模型在2013年7月到2013年11月的總收入預(yù)測(cè)值，并計(jì)算了不同模型的相對(duì)誤差，計(jì)算結(jié)果如表7所示。

表7 不同方法總收入預(yù)測(cè)誤差表

從表7可知，上述三個(gè)模型在各個(gè)時(shí)間點(diǎn)的相對(duì)誤差都比較低，且基于BP神經(jīng)網(wǎng)絡(luò)的景氣預(yù)測(cè)模型的預(yù)測(cè)誤差在后三期的預(yù)測(cè)誤差低于1%。為了更好反映基于BP神經(jīng)網(wǎng)絡(luò)的景氣預(yù)測(cè)模型的有效性,按照預(yù)測(cè)效果評(píng)價(jià)原則,通常選擇下列指標(biāo)作為評(píng)價(jià)指標(biāo)體系：

其中 xi為i時(shí)刻的實(shí)際值，為i時(shí)刻的預(yù)測(cè)值，根據(jù)上述公式，可以計(jì)算出不同模型的指標(biāo)評(píng)價(jià)體系的值，如表8所示。

表8 預(yù)測(cè)效果評(píng)價(jià)指標(biāo)體系

從表7和表8中可知，基于BP神經(jīng)網(wǎng)絡(luò)的景氣預(yù)測(cè)模型的預(yù)測(cè)能力要優(yōu)于其他兩種模型，其預(yù)測(cè)精度相對(duì)于二次指數(shù)平滑模型和BP神經(jīng)網(wǎng)絡(luò)模型分別提高1.12%和1.79%。使用基于BP神經(jīng)網(wǎng)絡(luò)的景氣預(yù)測(cè)模型預(yù)測(cè)未來(lái)5個(gè)月的中關(guān)村高新技術(shù)園區(qū)的總收入，如表9所示。

表9 總收入的預(yù)測(cè)值

從圖4和表9可以看出，中關(guān)村高新技術(shù)園區(qū)的總收入呈現(xiàn)出周期性上漲的趨勢(shì)，這與先行指標(biāo)中投入類指標(biāo)的增加、北京市的良好的經(jīng)濟(jì)環(huán)境以及固定資產(chǎn)投資的增加是密不可分的。

根據(jù)上述模型處理過(guò)程，可知模型的計(jì)算過(guò)程有以下8步：（1）獲取所需數(shù)據(jù)，補(bǔ)全缺失的數(shù)據(jù)。（2）對(duì)被選擇指標(biāo)進(jìn)行季節(jié)調(diào)整，找出每個(gè)指標(biāo)的趨勢(shì)-循環(huán)因素。（3）計(jì)算出每個(gè)指標(biāo)趨勢(shì)-循環(huán)因素的同比增長(zhǎng)率。（4）確定先行指標(biāo)及先行期數(shù)。（5）以先行指標(biāo)的趨勢(shì)-循環(huán)因素同比增長(zhǎng)率作為BP神經(jīng)網(wǎng)絡(luò)模型的輸入層，預(yù)測(cè)總收入趨勢(shì)-循環(huán)因素的同比增長(zhǎng)率。（6）根據(jù)預(yù)測(cè)的總收入趨勢(shì)-循環(huán)因素同比增長(zhǎng)率，反推計(jì)算出總收入趨勢(shì)-循環(huán)的預(yù)測(cè)值，此時(shí)的總收入缺少季節(jié)因子。（7）預(yù)測(cè)總收入的季節(jié)因子。（8）最終的總收入=步驟6中的總收入×步驟7中相應(yīng)月份的季節(jié)因子。

3 結(jié)論

本文構(gòu)建的基于BP神經(jīng)網(wǎng)絡(luò)的景氣預(yù)測(cè)模型結(jié)合了景氣預(yù)測(cè)模型和BP神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì)，以景氣指標(biāo)中的先行指標(biāo)作為BP神經(jīng)網(wǎng)絡(luò)模型輸出層作為模型的結(jié)合點(diǎn)。以中關(guān)村國(guó)家自主創(chuàng)新示范區(qū)的總收入作為實(shí)證研究，通過(guò)分析模型的擬合度，以及該模型同二次指數(shù)平滑模型、BP神經(jīng)網(wǎng)絡(luò)模型在擬合度和預(yù)測(cè)評(píng)價(jià)指標(biāo)上的差別，結(jié)果表明構(gòu)建的基于BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)精度明顯提高，同時(shí)該模型還能確定預(yù)測(cè)指標(biāo)的最大預(yù)測(cè)期數(shù)。

在實(shí)際應(yīng)用中，根據(jù)研究對(duì)象的需要以及預(yù)測(cè)的精度要求，可對(duì)應(yīng)用的模型進(jìn)一步改進(jìn)，如在數(shù)據(jù)補(bǔ)全的方法、確定先行指標(biāo)及其期數(shù)的方法和季節(jié)因子的預(yù)測(cè)模型等，同時(shí)，也可以使用多隱含層的BP神經(jīng)網(wǎng)絡(luò)或者改進(jìn)后的BP神經(jīng)網(wǎng)絡(luò)對(duì)BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行修正。

[1]楊德平，劉喜華，孫海濤.經(jīng)濟(jì)預(yù)測(cè)方法及MATLAB實(shí)現(xiàn)[M].北京：機(jī)械工業(yè)出版社,2012.

[2]董文泉，高鐵梅，姜詩(shī)章.經(jīng)濟(jì)周期波動(dòng)的分析與預(yù)測(cè)方法[M].長(zhǎng)春：吉林大學(xué)出版社,1998.

[3]張永軍.經(jīng)濟(jì)景氣計(jì)量分析方法與應(yīng)用研究[M].北京：中國(guó)經(jīng)濟(jì)出版社,2007.

[4]姜向榮,司亞清,張少鋒.景氣指標(biāo)的篩選方法及運(yùn)用[J].統(tǒng)計(jì)與決策,2007,（4）.

[5]謝佳斌,王斌會(huì).中國(guó)宏觀經(jīng)濟(jì)景氣監(jiān)測(cè)的預(yù)警體系[J].統(tǒng)計(jì)與決策,2007,（4）.

[6]孔憲麗,張同斌,高鐵梅.基于景氣指數(shù)的我國(guó)工業(yè)經(jīng)濟(jì)周期性波動(dòng)特征及本輪波動(dòng)特點(diǎn)研究[J].數(shù)學(xué)的實(shí)踐與認(rèn)識(shí),2012,（7）.

[7]郭國(guó)峰,鄭召鋒.中國(guó)宏觀經(jīng)濟(jì)先行指數(shù)和一致指數(shù)應(yīng)用效果檢驗(yàn)與改進(jìn)[J].數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究,2010,（10）.