公務(wù)員期刊網(wǎng) 精選范文 神經(jīng)網(wǎng)絡(luò)經(jīng)濟學(xué)范文

神經(jīng)網(wǎng)絡(luò)經(jīng)濟學(xué)精選(九篇)

前言:一篇好文章的誕生,需要你不斷地搜集資料、整理思路,本站小編為你收集了豐富的神經(jīng)網(wǎng)絡(luò)經(jīng)濟學(xué)主題范文,僅供參考,歡迎閱讀并收藏。

神經(jīng)網(wǎng)絡(luò)經(jīng)濟學(xué)

第1篇:神經(jīng)網(wǎng)絡(luò)經(jīng)濟學(xué)范文

【關(guān)鍵詞】 BP神經(jīng)網(wǎng)絡(luò);動量梯度下降算法;免疫學(xué)數(shù)據(jù)

作者單位:116044大連醫(yī)科大學(xué)醫(yī)學(xué)影像學(xué)系(陳艷霞);

大連醫(yī)科大學(xué)檢驗醫(yī)學(xué)院(劉揮)

人工神經(jīng)網(wǎng)絡(luò)理論以非線性大規(guī)模并行分布處理為特點,突破了傳統(tǒng)的線性處理模式,以其高度的并行性,良好的容錯性和自適應(yīng)能力成為人們研究其賴以生存的非線性世界、探索和研究某些復(fù)雜大系統(tǒng)的有力工具,已應(yīng)用于很多領(lǐng)域的信息處理工作。

BP算法的多層前饋網(wǎng)絡(luò)的人工神經(jīng)網(wǎng)絡(luò)模型采用典型的有教師學(xué)習(xí)方式來進行預(yù)測和分類問題的處理。采用的傳遞函數(shù)通常是sigmoid型可微函數(shù),可以實現(xiàn)輸入和輸出間的任意非線性映射。這使其在函數(shù)逼近、模式識別、數(shù)據(jù)壓縮領(lǐng)域有著更加廣泛的應(yīng)用。該模型的特點是信號由輸入層單向傳遞到輸出層,同一層神經(jīng)元之間互不傳遞信息,每個神經(jīng)元與鄰近層所有神經(jīng)元相連,各神經(jīng)元的作用函數(shù)為Sigmoid函數(shù),用樣本集合反復(fù)訓(xùn)練網(wǎng)絡(luò),并不斷修改權(quán)值,直到使實際輸出向量達到要求,訓(xùn)練過程結(jié)束。應(yīng)用BP網(wǎng)絡(luò)處理正常狀態(tài)與處于焦慮狀態(tài)的學(xué)生的血液中免疫學(xué)指標(biāo)數(shù)據(jù),取得了很好的效果[1]。

1 基于BP網(wǎng)絡(luò)的醫(yī)學(xué)數(shù)據(jù)分析

數(shù)據(jù)選自在某大學(xué)就讀的大學(xué)生,共計48例。在自愿、正常學(xué)習(xí)生活的情況下抽取他們的血液標(biāo)本,然后再在考試前抽取他們的血液標(biāo)本,分別進行五項免疫學(xué)指標(biāo)檢驗,共獲得兩類、五項、480組數(shù)據(jù)。隨機把其中的20例學(xué)生的兩類、五項數(shù)據(jù)做為訓(xùn)練集輸入矢量輸入,目標(biāo)矢量為處于考前狀態(tài)的五項數(shù)據(jù)輸出為1,平時正常生活狀態(tài)的五項數(shù)據(jù)輸出為0。網(wǎng)絡(luò)訓(xùn)練時調(diào)整神經(jīng)元之間的連接權(quán)值,使網(wǎng)絡(luò)的輸出和實際的兩類情況盡可能相符。如果對所有的訓(xùn)練樣本集網(wǎng)絡(luò)的輸出95%或更高能保證與實際結(jié)果一致,則訓(xùn)練過程結(jié)束。網(wǎng)絡(luò)訓(xùn)練好后,剩余的28例學(xué)生的5項數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入項,神經(jīng)網(wǎng)絡(luò)的輸出值就是該學(xué)生是處于考前狀態(tài)1還是平時正常生活狀態(tài)0。主要設(shè)計程序如下:

%NEWFF-生成一個新的前向神經(jīng)網(wǎng)絡(luò);%TRAIN-對BP神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練;%SIM-對BP神經(jīng)網(wǎng)絡(luò)進行仿真;pause %敲任意鍵開始

clc

a1=[955 182 148222 1240]’;

a2=[1190 1911252421010]’;

a3=[1370291743461460]’;

a4=[1150 1962001511370]’;

a5=[821 109 82195 899]’;

a6=[1290246 112 299 1200]’;

a7=[876 132 139 166 952]’;

a8=[800 200 53.7214 873]’;

a9=[1210187 215 210 1370]’;

a10=[1090 131 68.5285 1380]’;

a11=[1240 433 154 224 1520]’;

a12=[1300 239 61.3289 1150]’;

a13=[1200 284 71.9119 1430]’;

a14=[1270 339 133 197 1210]’;

a15=[1210 248 151 125 1330]’;

a16=[1030 294 132 137 1040]’;

a17=[876151 126 194 1020]’;

a18=[1130 246 129 320 1470]’;

a19=[1020 196 157 225 1200]’;

a20=[1260 243 96.9143 1330]’;

b1=[910 188 127 216 1300]’;

b2=[1160177 136 268 1220]’;

b3=[1370287 101 321 1420]’;

b4=[947 159 170 111 1310]’;

b5=[911 116 66.2216 1140]’;

b6=[1320278 80.1305 1250]’;

b7=[804 147 150 177 987]’;

b8=[930 227 66.4245 962]’;

b9=[903 147 191 217 1380]’;

b10=[729121 59.2285 1330]’;

b11=[1180 436 144 220 1460]’;

b12=[949169 70.3240 972]’;

b13=[1150 273 65124 1520]’;

b14=[1150 172 118 179 1340]’;

b15=[1110 216 144 120 1320]’;

b16=[898260 112 197 1000]’;

b17=[866155 134 181 1050]’;

b18=[1060 235 158 149 1400]’;

b19=[887160 136 168 1450]’;

b20=[1320 286 92154 1410]’;

p=[a1 a2 a3 a4 a5 a6 a7 a8 a9 a10 a11 a12 a13 a14 a15 a16 a17 a18 a19 a20 b1 b2 b3 b4 b5 b6 b7 b8 b9 b10 b11 b12 b13 b14 b15 b16 b17 b18 b19 b20];%為輸入特征矢量!

t=[-1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1];%為輸出目標(biāo)矢量?

%創(chuàng)建一個新的前向神經(jīng)網(wǎng)絡(luò)

net=newff(minmax(p),[12 1],{’tansig’,’purelin’},’trainlm’);

%==============設(shè)置網(wǎng)絡(luò)參數(shù)============================

net.trainParam.show = 50;

net.trainParam.lr = 0.05;

net.trainParam.mc = 0.9;

net.trainParam.epochs = 10000;

net.trainParam.goal = 1e-1;

%=======================================================

[net,tr]=train(net,p,t); %對網(wǎng)絡(luò)進行訓(xùn)練

echo off;

b=[1590 245 125 286 1330]’;

w=sim(net,b);

if w>0

disp(’0’);

else

disp(’1’);

end

表1

BP神經(jīng)網(wǎng)絡(luò)處理免疫學(xué)數(shù)據(jù)結(jié)果

神經(jīng)網(wǎng)絡(luò)

診斷結(jié)果訓(xùn)練數(shù)據(jù)測試數(shù)據(jù)

正常狀態(tài)考前狀態(tài)正常狀態(tài)考前狀態(tài)

0 200243

10 20425

其中對于訓(xùn)練集,正常狀態(tài)與考前狀態(tài)的正確檢出率為100%。對于測試集,正常狀態(tài)的正確檢出率為85.7%;考前狀態(tài)的正確檢出率為89.3%。平均為87.5%。

3 討論

3.1 本研究所采用的人工神經(jīng)網(wǎng)絡(luò)檢驗免疫數(shù)據(jù)的結(jié)果較好地符合了已知數(shù)據(jù),具有較高的準(zhǔn)確性。

3.2 要想進一步提高該方法的準(zhǔn)確性,應(yīng)該注意收集更多更全面的檢驗數(shù)據(jù)。如果我們所使用的數(shù)據(jù)越多越全面,則其中所蘊含的事物本身的規(guī)律性就越強,利用人工神經(jīng)網(wǎng)絡(luò)從中所抽取的函數(shù)關(guān)系就越具有普遍性,因而就更準(zhǔn)確。

3.3 可能對亞健康的診斷具有指導(dǎo)意義。亞健康問題各國醫(yī)學(xué)界已作了一些研究,并取得了某些實際的成果。但是,由于亞健康的多種類型以及多種相關(guān)因素,使得現(xiàn)有的診斷在準(zhǔn)確性和實用性方面都存在著相當(dāng)?shù)木窒扌?如建模復(fù)雜困難。由于對影響罹病與否的各種因子的作用機制了解得不是很清楚,如何建立診斷模型,以及如何確定新建立的模型在何種程度上與實際情況相吻合還是一個問題;容錯能力不強,適用范圍不廣;依賴于某些病例庫新建立起來的醫(yī)學(xué)模型往往具有很強的局限性,用于新的病例庫時誤差有時較大。另外,由于醫(yī)學(xué)方面的原因,我們收集到的數(shù)據(jù)有時不完整,而現(xiàn)有的研究方法所建立起的醫(yī)學(xué)模型由于容錯性差,對這些不完整的數(shù)據(jù)通常都難以處理。人工神經(jīng)網(wǎng)絡(luò)理論突破了傳統(tǒng)的線性處理模式,以其高度的并行性,良好的容錯性和自適應(yīng)能力成為人們研究其賴以生存的非線性世界,探索和研究某些復(fù)雜大系統(tǒng)的有力工具。對亞健康的診斷關(guān)鍵在于準(zhǔn)確找到亞健康的判定函數(shù),可能利用BP網(wǎng)絡(luò)的函數(shù)逼近功能來實現(xiàn)。這需要有更多的醫(yī)學(xué)數(shù)據(jù)來實踐檢驗。

參 考 文 獻

第2篇:神經(jīng)網(wǎng)絡(luò)經(jīng)濟學(xué)范文

關(guān)鍵詞:神經(jīng)網(wǎng)絡(luò) 心理障礙 專家系統(tǒng)

中圖分類號:G64 文獻標(biāo)識碼:A 文章編號:1007-9416(2012)02-0174-02

人工神經(jīng)網(wǎng)絡(luò)技術(shù)的興起為知識獲取開辟了一條新途徑。它通過模擬人腦的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)形式,建立各種網(wǎng)絡(luò)模型,進行信息處理達到解決問題的目的。如BP網(wǎng)絡(luò)模型就能通過大量的訓(xùn)練例子,經(jīng)過學(xué)習(xí)獲取知識[1]。

目前高校在大學(xué)生心理健康教育領(lǐng)域只是通過學(xué)校的心理輔導(dǎo)老師或醫(yī)院的心理學(xué)專家給予咨詢指導(dǎo),但是由于經(jīng)驗水平不一,層次不同,達不到預(yù)期的效果。而利用神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)能夠進行復(fù)雜的模式識別和完成規(guī)則復(fù)雜、無法預(yù)先確定化的任務(wù)。文章試圖借助神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)全面綜合國內(nèi)外心理學(xué)專家的經(jīng)驗,全方面檢測大學(xué)生心理狀況并及時給出診斷方案。

1、人工神經(jīng)網(wǎng)絡(luò)的基本思想

人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks,簡記作ANN),是對人類大腦系統(tǒng)的一階特性的一種描述[1]。簡單地講,它是一個數(shù)學(xué)模型,可以用電子線路來實現(xiàn),也可以用計算機程序來模擬,是人工智能研究的一種方法[1]。人工神經(jīng)網(wǎng)絡(luò)的功能特性由其連接的拓?fù)浣Y(jié)構(gòu)和突觸連接強度,即連接權(quán)值決定。神經(jīng)網(wǎng)絡(luò)全體連接權(quán)值的可用一個矩陣W表示,它的整體反映了神經(jīng)網(wǎng)絡(luò)對于所解決問題的知識存儲。神經(jīng)網(wǎng)絡(luò)能夠通過對樣本的學(xué)習(xí)訓(xùn)練,不斷改變網(wǎng)絡(luò)的連接權(quán)值以及拓?fù)浣Y(jié)構(gòu)以使網(wǎng)絡(luò)的輸出不斷地接近期望的輸出。這一過程稱為神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)或訓(xùn)練,其本質(zhì)是可變權(quán)值的動態(tài)調(diào)整。神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方式是決定神經(jīng)網(wǎng)絡(luò)信息處理性能的第三大要素,因此有關(guān)學(xué)習(xí)的研究在神經(jīng)網(wǎng)絡(luò)研究中具有重要地位。改變權(quán)值的規(guī)則稱為學(xué)習(xí)規(guī)則或?qū)W習(xí)算法,在單個處理單元集體進行權(quán)值調(diào)整時,網(wǎng)絡(luò)就呈現(xiàn)出“智能”特性,其中有意義的信息就分布地存儲在調(diào)節(jié)后的權(quán)值矩陣中。

2、BP神經(jīng)網(wǎng)絡(luò)模型的原理和結(jié)構(gòu)

BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)是由Rumelhart和McCelland為首的科學(xué)家小組提出,是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò),是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一[3]。BP網(wǎng)絡(luò)能學(xué)習(xí)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(xué)方程。它的學(xué)習(xí)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。BP神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)包括輸入層(input)、隱層(hide layer)和輸出層(output layer)(如圖1所示)。

Fig1 BP Neural Network Structure

BP網(wǎng)絡(luò)的原理是把一個輸入矢量經(jīng)過隱層變換成輸出矢量,實現(xiàn)從輸入空間到輸出空間的映射。由權(quán)重實現(xiàn)正向映射,利用當(dāng)前權(quán)重作用下網(wǎng)絡(luò)的輸出與希望實現(xiàn)的映射要求的期望輸出進行比較來學(xué)習(xí)的。但要深入了解我們就先要了解一下BP網(wǎng)絡(luò)學(xué)習(xí)算法――反傳學(xué)習(xí)算法(即BP算法)。對于輸入信號,要先向前傳播到隱層節(jié)點,經(jīng)作用函數(shù)后,再把隱節(jié)點的輸出信號傳播到輸出節(jié)點,最后給出輸出結(jié)果。節(jié)點的作用的激勵函數(shù)通常選取S型函數(shù),如,式中Q為調(diào)整激勵函數(shù)形式的Sigmoid參數(shù)。該算法的學(xué)習(xí)過程由正向傳播和反向傳播組成。正向傳播時,傳播方向為輸入層隱層輸出層,每層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元。若在輸出層得不到期望的輸出,則轉(zhuǎn)向誤差信號的反向傳播流程,將誤差信號沿原來的連接通道返回,通過修改各層神經(jīng)元的權(quán)值,使得誤差信號最小。通過這兩個過程的交替進行,在權(quán)向量空間執(zhí)行誤差函數(shù)梯度下降策略,動態(tài)迭代搜索一組權(quán)向量,使網(wǎng)絡(luò)誤差函數(shù)達到最小值,從而完成信息提取和記憶過程。BP模型把一組樣本的I/O問題變?yōu)橐粋€非線性優(yōu)化問題,它使用的是優(yōu)化中最普通的梯度下降法。

3、大學(xué)生心理障礙診斷專家系統(tǒng)

有關(guān)研究和統(tǒng)計結(jié)果表明,大學(xué)生在心理上的確存在著一系列的不良反應(yīng)和適應(yīng)障礙,有的甚至到了極為嚴(yán)重的程度,因心理疾病而休學(xué)、退學(xué)甚至傷人、自殺的比率近幾年呈上升趨勢。心理疾病主要是由心理因素造成的。對此,我們設(shè)計此診斷專家系統(tǒng),使大學(xué)生可以及時了解自己心理健康狀態(tài),為大學(xué)生心理健康成長提供有力幫助[4]。

鑒于篇幅原因,以從五個特征識別大學(xué)生常見心理疾病為例,說明模型服務(wù)的開發(fā)過程。輸入的五個特征包括:行為舉止、情緒狀態(tài)、飲食睡眠、性格特征、軀體疾病,選擇大學(xué)生常見的四種心理疾病作為訓(xùn)練,構(gòu)造心理疾病識別神經(jīng)網(wǎng)絡(luò)。在實際中的心理疾病的特征要復(fù)雜龐大的多,且各個特征間也多有重疊交互,在此僅提供選取五個鮮明共性,構(gòu)造神經(jīng)網(wǎng)絡(luò)識別訓(xùn)練集,如表1所示。

該樣本設(shè)計成如圖2所示的神經(jīng)網(wǎng)絡(luò)。網(wǎng)絡(luò)輸入層的神經(jīng)元個數(shù)為5個,輸出層的神經(jīng)元個數(shù)為4個,隱層的神經(jīng)元個數(shù)為5個。

Fig.2 Neural Network of Psychological barrier distinguishing

進行神經(jīng)元網(wǎng)絡(luò)計算,需要把文字概念轉(zhuǎn)換為數(shù)值。為了便于數(shù)據(jù)的判別,用六維向量值表示各個特征,其中前三位表示類別,后三位表示特征,則共可以容納26=64種特征。表1的內(nèi)容經(jīng)過文字到數(shù)值的轉(zhuǎn)換后的結(jié)果見表2。

經(jīng)過改進的BP網(wǎng)絡(luò)后加入的動量項初始值為0.6,網(wǎng)絡(luò)學(xué)習(xí)速率為0.43。網(wǎng)絡(luò)訓(xùn)練的循環(huán)次數(shù)規(guī)定為5000,訓(xùn)練誤差期望為0.000001。

通過該神經(jīng)網(wǎng)絡(luò)模型來完成大學(xué)生心理障礙專家診斷系統(tǒng)。對該神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練后,輸入四組數(shù)據(jù)見表3:

下表為量化后的實例表4:

表4 量化后的數(shù)據(jù)表

Table4 After the quantitative data table

運行客戶端程序,得到結(jié)果報表。所得到報表包含以下內(nèi)容:

(1)完成文字到數(shù)值轉(zhuǎn)換后的輸入?yún)?shù);

(2)神經(jīng)網(wǎng)絡(luò)的計算輸出值;

(3)根據(jù)輸出數(shù)值得到的結(jié)論。得到以下推理結(jié)果如圖3所示:

Fig.3 Result of college student Psychological barrier Expert System

從計算結(jié)果中可以看出神經(jīng)網(wǎng)絡(luò)的容錯效果很好,對第二例,對焦慮癥缺省缺乏自信、孤獨內(nèi)向條件時,輸出結(jié)果是焦慮癥(0.9122);對第三例,輸入神經(jīng)衰弱和焦慮癥的共同信息時,神經(jīng)網(wǎng)絡(luò)輸出既靠近神經(jīng)衰弱(0.8761),又靠近焦慮癥(0.8429),輸出結(jié)論:該癥狀是介于神經(jīng)衰弱癥和焦慮癥的中間種類,不能被明確識別,神經(jīng)網(wǎng)絡(luò)需要進一步訓(xùn)練、學(xué)習(xí)。

4、結(jié)語

神經(jīng)網(wǎng)絡(luò)來源于研究者對真實神經(jīng)元網(wǎng)絡(luò)運算能力的模擬,在發(fā)展過程中,逐漸顯示出學(xué)習(xí)、記憶、聯(lián)想等強大的功能,因此神經(jīng)網(wǎng)絡(luò)被廣泛的應(yīng)用到很多領(lǐng)域。通過對神經(jīng)網(wǎng)絡(luò)在大學(xué)生心理障礙診斷中的應(yīng)用研究,實現(xiàn)了簡單的模式識別,達到了預(yù)期診斷效果。目前該系統(tǒng)只是對生物神經(jīng)系統(tǒng)的某種特定性能的簡單模擬,如果進行足夠的訓(xùn)練和學(xué)習(xí),理論上該系統(tǒng)能夠進行復(fù)雜的模式識別和完成規(guī)則復(fù)雜、無法預(yù)先確定化的任務(wù)。

參考文獻

[1]韓力群.人工神經(jīng)網(wǎng)絡(luò)教程[M].北京:北京郵電大學(xué)出版社,2006:23-27.

[2]馮定.神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)[M].北京:科學(xué)出版社,2006:57-61.

[3]高雋.人工神經(jīng)網(wǎng)絡(luò)原理及仿真實例(第二版)[M].北京:機械工業(yè)出版社,2007:10-11.

[4]陳青萍.現(xiàn)代臨床心理學(xué)[M].北京:中國社會科學(xué)出版社,2004:124-130.

[5]李維,張詩忠.心理病理卷(中文版)[M].上海:上海教育出版社,2004:74-76.

第3篇:神經(jīng)網(wǎng)絡(luò)經(jīng)濟學(xué)范文

1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)也稱為反向傳播網(wǎng)絡(luò),包括輸出層,隱含層,輸入層三部分,同時BP的神經(jīng)網(wǎng)絡(luò)具有非線性的特點,能夠解決沒有規(guī)則,多約束條件或數(shù)據(jù)不完全等問題,適合處理復(fù)雜的分類及模式識別等問題。BP神經(jīng)網(wǎng)絡(luò)具有一個或一個以上的信息隱含層,能夠?qū)⑾噜彽膬蓪油耆B接起來。

要建立學(xué)生數(shù)學(xué)能力評價的BP神經(jīng)網(wǎng)絡(luò)模型,就需要建立具有代表性的數(shù)據(jù)庫,以便于進行評價。就數(shù)據(jù)庫的建立而言,為了提高評價的準(zhǔn)確性及標(biāo)準(zhǔn)性,BP神經(jīng)網(wǎng)絡(luò)需要建立完善的選取設(shè)置體系,在輸入層與輸出層的設(shè)計應(yīng)多樣化,才能夠保證測試評價的效果。對于普通學(xué)校來說,樣本的選取量應(yīng)該不低于200人。

對于隱含層神經(jīng)元的點數(shù),計算時應(yīng)根據(jù)樣本的選取量進行調(diào)整,基本的模型設(shè)計流程是從BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建開始到BP網(wǎng)絡(luò)訓(xùn)練,以及最后的BP網(wǎng)絡(luò)預(yù)測,其中最重要的是BP網(wǎng)絡(luò)訓(xùn)練,本文采取的是trainlm算法,從而建立其BP神經(jīng)網(wǎng)絡(luò)模型。

2 學(xué)生數(shù)學(xué)學(xué)習(xí)能力評價

對學(xué)生進行數(shù)學(xué)學(xué)習(xí)能力評價是為了對學(xué)生的數(shù)學(xué)學(xué)習(xí)能力進行測試,幫助教師掌握學(xué)生的學(xué)習(xí)情況,以便于調(diào)整教學(xué)方法以及教學(xué)進度,讓學(xué)生能夠提高學(xué)習(xí)能力。評價的內(nèi)容是學(xué)習(xí)思路,學(xué)習(xí)方法,學(xué)習(xí)過程及學(xué)習(xí)效果。要對這四點進行評價,首先就要確定各內(nèi)容的評價標(biāo)準(zhǔn)及方式。以往的評價方式是通過測試及課堂問答,通過學(xué)生的測驗成績及回答進行分析,從而判斷學(xué)生所處的學(xué)習(xí)狀態(tài),教學(xué)方法以教學(xué)進度安排的合理程度。利用BP神經(jīng)網(wǎng)絡(luò)進行評價的化,就要將各個標(biāo)準(zhǔn)程序化,將原先教師的主觀評價變?yōu)榫W(wǎng)絡(luò)的程序化運行,根據(jù)運行的結(jié)果對學(xué)生的數(shù)學(xué)學(xué)習(xí)能力進行判斷,這就是利用BP網(wǎng)絡(luò)對學(xué)生數(shù)學(xué)學(xué)習(xí)能力評價的理論,實際上要進行實踐并不簡單,BP神經(jīng)網(wǎng)絡(luò)評價的構(gòu)建是難題的關(guān)鍵點。

3 基于BP神經(jīng)網(wǎng)絡(luò)的學(xué)生數(shù)學(xué)能力評價模型

BP神經(jīng)網(wǎng)絡(luò)評價模型的建立是由三部分組成的,最關(guān)鍵的就是構(gòu)建BP神經(jīng)網(wǎng)絡(luò)。建立評價模型首先要做的就是對各項能力的得分率進行分析,設(shè)定個性能力的得分標(biāo)準(zhǔn),并對其進行深入分析最后進行程序化設(shè)置。對于數(shù)學(xué)學(xué)習(xí)能力的劃分方法有很多,不同的年級所劃分的方法盡不相同,每一個方法都有其側(cè)重點,這需要根據(jù)輸入的相關(guān)變量進行改正,與實際情況進行整合得出準(zhǔn)確結(jié)論。就拿某市中考數(shù)學(xué)試題來說吧,其主要是測查學(xué)生的學(xué)習(xí)思路,學(xué)習(xí)方法,學(xué)習(xí)過程及學(xué)習(xí)效果這四項能力。對學(xué)生的數(shù)學(xué)學(xué)習(xí)能力進行測試,就要把學(xué)生對這四個能力評價的相關(guān)試題得分作為BP神經(jīng)網(wǎng)絡(luò)的輸入,并且要將輸入數(shù)值進行數(shù)量級差異設(shè)定,從而將每種能力試題的得分做歸一化處理。利用二進制,使輸入數(shù)據(jù)在[0,1]之間。在這之前要有準(zhǔn)確的評分標(biāo)準(zhǔn),才能夠得出相關(guān)結(jié)論。這就需要專家對試卷上各項能力試題的得分進行排表,便于BP網(wǎng)絡(luò)數(shù)據(jù)設(shè)置,但在這之前需要專家對學(xué)生樣本進行判斷。一般樣本的選擇在200人為合適,所以選擇的學(xué)生人數(shù)為200人。專家對這200人的試卷進行閱覽從而判斷出每個人每項能力的情況,看那一項是最為薄弱的,然后對所有學(xué)生的情況進行整合處理。將其中100人的成績作為判定結(jié)果,最為薄弱的能力作為BP神經(jīng)網(wǎng)絡(luò)的期望輸出參考,再利用二進制的數(shù)字進行結(jié)果表達。例如輸出為0時則表示學(xué)生該項能力差,這就能夠為BP網(wǎng)絡(luò)的構(gòu)成提供最基本的運行數(shù)據(jù),為BP網(wǎng)絡(luò)構(gòu)建提供基礎(chǔ)。此外的100人,將他們的得分情況作為好的檢驗樣本進行輸入,然后進行檢驗,若是期望輸出與專家評價結(jié)果基本符合,則表示該神經(jīng)網(wǎng)絡(luò)可進行有效運用,對學(xué)生數(shù)學(xué)學(xué)習(xí)能力進行評價,反之則需改進。

此外,BP網(wǎng)絡(luò)訓(xùn)練的設(shè)置也需要額外注意梯度的預(yù)設(shè),其算法需要根據(jù)實際情況及時進行調(diào)整。各地學(xué)生數(shù)學(xué)?W習(xí)狀態(tài)各不相同,不能夠固定選擇某算法。BP神經(jīng)網(wǎng)絡(luò)的驗證需全面,不能以一次數(shù)據(jù)的符合情況作為驗證標(biāo)準(zhǔn),應(yīng)該多次輸入,對相應(yīng)的輸出結(jié)果進行判斷。

第4篇:神經(jīng)網(wǎng)絡(luò)經(jīng)濟學(xué)范文

關(guān)鍵詞:ANN;經(jīng)濟學(xué)應(yīng)用;發(fā)展趨勢

中圖分類號:F224.0 文獻標(biāo)識碼:A 文章編號:1003―5656(2006)05―0005―07

人工神經(jīng)元網(wǎng)絡(luò)(Artificial Neural Network,簡稱ANN,下同)是一門活躍的邊緣叉學(xué)科,研究它的發(fā)展過程和前沿進展趨勢問題,對于經(jīng)濟學(xué)研究具有十分重要的意義。神經(jīng)網(wǎng)絡(luò)理論是用來處理巨量信息和大規(guī)模并行計算的基礎(chǔ),既是高度非線性動力學(xué)系統(tǒng),又是自適應(yīng)組織系統(tǒng),可以用來描述認(rèn)知、決策及控制的智能行為,其核心問題是智能認(rèn)知與模擬。社會經(jīng)濟本身是一個動態(tài)隨機的非線性系統(tǒng),各種經(jīng)濟的、政治的、社會的因素相互作用,相互影響,傳統(tǒng)的計量統(tǒng)計模型著眼于靜態(tài)分析,且形式往往過于復(fù)雜不易準(zhǔn)確掌握,或者包含了很多模糊性和混沌性的因素,不利于經(jīng)濟問題的精確分析。而人工神經(jīng)元網(wǎng)絡(luò)則由于其自身具有分布式處理、自組織、自適應(yīng)、自學(xué)習(xí)、魯棒性、容錯性等一系列優(yōu)良特性,其良好的非線性映射能力避開復(fù)雜的參數(shù)估計過程,同時又可以靈活方便地對多成因的復(fù)雜未知系統(tǒng)進行高精度的建模,為非線性經(jīng)濟系統(tǒng)分析研究提供新的方法。

隨著對ANN研究的不斷深入,其應(yīng)用領(lǐng)域和范圍也越來越廣,將ANN模型用于經(jīng)濟領(lǐng)域中的識別、分類和預(yù)測等研究具有很高的實用價值。同時神經(jīng)網(wǎng)絡(luò)理論的優(yōu)勢及其良好的算法、模擬性能也得到了大家廣泛的證實和認(rèn)同。另外,對于其局限性的克服也已經(jīng)有越來越多的策略和方法。

一、ANN的技術(shù)原理――以自組織特征映射網(wǎng)絡(luò)為例

人工神經(jīng)元網(wǎng)絡(luò)旨在模擬人腦的知識獲得和組織運算過程,是大量簡單的神經(jīng)元廣泛聯(lián)結(jié)而成用以模擬人腦思維方式的復(fù)雜網(wǎng)絡(luò)系統(tǒng)。下面以ANN模型中較先進的,也是得到廣泛應(yīng)用的自組織特征映射網(wǎng)絡(luò)為例,簡要介紹神經(jīng)網(wǎng)絡(luò)模型的基本結(jié)構(gòu)和算法流程。

自組織特征映射模型(Self.Organizing Feather maps,簡稱SOFM)是芬蘭學(xué)者科荷倫(Teuvo Koho.nen)于1981年提出的。網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)只有兩層,即輸入層和競爭層(圖1)。SOFM網(wǎng)絡(luò)的工作原理是:當(dāng)網(wǎng)絡(luò)接受外界輸入模式時,將會分為不同的區(qū)域,各區(qū)域?qū)斎肽J骄哂胁煌捻憫?yīng)特征。也就是說,特征相近的輸入模式靠得比較近,差異大的分得比較開。在各神經(jīng)元聯(lián)結(jié)權(quán)值的調(diào)整過程中,最鄰近的神經(jīng)元相互刺激,而較遠(yuǎn)的神經(jīng)元則相互抑制,更遠(yuǎn)一些則具有較弱的刺激作用。由此可見,自組織特征映射網(wǎng)絡(luò)是無監(jiān)督的分類方法,與傳統(tǒng)的分類方法相比,它所形成的分類中心能映射到一個曲面或平面上,并且保持拓?fù)浣Y(jié)構(gòu)不變。

同其它類型的自組織網(wǎng)絡(luò)一樣,SOFM的激活函數(shù)也是二值型函數(shù),即Y=。其算法步驟是:①初始化,從R個輸入神經(jīng)元到輸出神經(jīng)元的權(quán)值都進行隨機初始化,賦予較小的隨機值(0―1);②提供一個新的輸入模式Xk=[X1k,X2k,…XRk];③計算輸入樣本與每個輸出神經(jīng)元之間的歐氏距離,并選取一個最小距離的輸出神經(jīng)元;對于輸出神經(jīng)元j,它和輸入模式Xk之間的距離用djk表示,djk=||Xk.Wj||= ;④修改選定的神經(jīng)元與鄰近神經(jīng)元的連接權(quán)值,對于領(lǐng)域外的神經(jīng)元,其權(quán)系數(shù)不變Wij(t+1)=Wij(t),對于領(lǐng)域中的神經(jīng)元,其權(quán)系數(shù)的修正按下式執(zhí)行,Wij(t+1)=Wij(t)+y(t)[Xi(t).Wij(t)],其中0

二、人工神經(jīng)元網(wǎng)絡(luò)(ANN)在解決經(jīng)濟問題中的優(yōu)勢及特點

有學(xué)者已經(jīng)用人工神經(jīng)元網(wǎng)絡(luò)解決諸如會計、審計、金融(破產(chǎn)預(yù)測、信譽評估、股票預(yù)測、匯率預(yù)測、房地產(chǎn)價值評估等)、經(jīng)濟管理(區(qū)域經(jīng)濟增長仿真、國家外債管理模型)、決策支持(銀行信用風(fēng)險評估、洪水災(zāi)害風(fēng)險預(yù)測模擬等)、市場劃分(Segments)和生產(chǎn)預(yù)測(糧食生產(chǎn)預(yù)測、鐵路客運市場分析)等方面的問題。由于人工神經(jīng)元網(wǎng)絡(luò)具有一系列獨特的優(yōu)良性質(zhì),與傳統(tǒng)計量方法相比又具有明顯的算法優(yōu)勢,可將其用于經(jīng)濟學(xué)研究中的識別、分類、預(yù)測、經(jīng)濟系統(tǒng)仿真和模擬等方面。目前它的發(fā)展已經(jīng)與傳統(tǒng)的計量模型等統(tǒng)計分析方法并駕齊驅(qū),甚至于在前述領(lǐng)域的應(yīng)用中比傳統(tǒng)研究方法更勝一籌。

1.ANN模型具有分布式存儲、自組織、自適應(yīng)(adaptability)、自學(xué)習(xí)、魯棒性(robustness)和精確性(accuracy)等優(yōu)良性質(zhì),能完成對環(huán)境的適應(yīng)和對外界事物的有效學(xué)習(xí)。神經(jīng)元之間的連接強度也具有一定的可塑性,網(wǎng)絡(luò)可以通過學(xué)習(xí)和訓(xùn)練進行自組織以適應(yīng)不同的信息處理的要求。在運算中,知識的獲取采用“聯(lián)想”的方式獲得最優(yōu)匹配解,信息的輸出能經(jīng)過對記憶的處理獲得正確和完整的信息。正是由于網(wǎng)絡(luò)的這種容錯性和聯(lián)想記憶的功能,使人工神經(jīng)元網(wǎng)絡(luò)呈現(xiàn)出很強的魯棒性。在經(jīng)濟研究中可以充分利用神經(jīng)網(wǎng)絡(luò)的這些特性建立與研究對象相適應(yīng)的應(yīng)用模型,經(jīng)濟生活中涉及的預(yù)測預(yù)報問題、金融決策與信用評價問題以及分類與決策等問題都可以運用神經(jīng)網(wǎng)絡(luò)來解決。比如用BP神經(jīng)網(wǎng)絡(luò)預(yù)測礦區(qū)環(huán)境污染的經(jīng)濟損失問題[2],股票市場行情分析預(yù)測等。[3]

2.從理論上看,人工神經(jīng)元網(wǎng)絡(luò)具有逼近任意連續(xù)映射的能力,即可以充分逼近任意復(fù)雜的非線性關(guān)系,且具有很好的泛化能力(generalization)。比如,在解決區(qū)域經(jīng)濟問題中與其它傳統(tǒng)定量分析方法相比較,它能以一個多層前饋型網(wǎng)絡(luò)來刻畫一個高度復(fù)雜、高度非線性的映射系統(tǒng)(比如區(qū)域經(jīng)濟系統(tǒng)),進行經(jīng)濟系統(tǒng)仿真,通過其任意逼近能力得到變量之間的復(fù)雜關(guān)系,能夠考慮變量之間的動態(tài)相互影響及作用,并將變量的隨機性和不確定性等影響降到最低。另外,經(jīng)濟數(shù)據(jù)變量常常是處于經(jīng)常變動環(huán)境中的,因此,ANN模型能夠依靠它的泛化能力,通過不斷的再學(xué)習(xí),能夠基于經(jīng)驗對知識進行累積、存儲和模式識別,并能不斷反映和適應(yīng)新環(huán)境,學(xué)到隱含在樣本中的有關(guān)環(huán)境本身的內(nèi)在規(guī)律性。因此,它與傳統(tǒng)的統(tǒng)計分析方法相比較,具有更高的精度(accuracy)、較低的預(yù)測風(fēng)險和較小的誤差。在經(jīng)濟研究的實踐中,人們建立的匯率預(yù)報模型(即前向組合神經(jīng)網(wǎng)絡(luò)模型)不僅能準(zhǔn)確地擬合匯率的過去值,而且能較精確地預(yù)報匯率的未來趨勢,預(yù)報的結(jié)果比統(tǒng)計方法優(yōu)越。在經(jīng)濟實踐中,與計量模型相比,用人工神經(jīng)元網(wǎng)絡(luò)模型來預(yù)測通貨膨脹率、經(jīng)濟周期、電價的邊際價格、期貨利率以及居民人均收入等準(zhǔn)確率更高,效果也更好。因此,人工神經(jīng)元網(wǎng)絡(luò)具有很多傳統(tǒng)分析方法所不具有的優(yōu)勢。

3.ANN模型是一個復(fù)雜的非線性動態(tài)系統(tǒng),有很強的容錯性。ANN模型很容易處理環(huán)境信息十分復(fù)雜、知識背景不清楚的問題或不完整的、模糊不確定或無規(guī)律的數(shù)據(jù)。尤其在信息不完備的情況下,用人工神經(jīng)元網(wǎng)絡(luò)能夠很容易地解決這些問題。它在模式識別、方案決策、知識處理等方面具有很強的能力,可學(xué)習(xí)和自適應(yīng)不知道或不確定的系統(tǒng)。比如Elman神經(jīng)網(wǎng)絡(luò)是一種具有部分反饋的神經(jīng)網(wǎng)絡(luò),它可以很好的模擬動態(tài)系統(tǒng),特別適用于模擬季節(jié)性和循環(huán)變動的對象。像股票市場就是一個典型的循環(huán)變動的動態(tài)系統(tǒng),就可以用Elman網(wǎng)絡(luò)預(yù)測股市動向,而失業(yè)問題是一個具有季節(jié)變動的系統(tǒng),El.man神經(jīng)網(wǎng)絡(luò)同樣可以用來預(yù)測模擬我國的失業(yè)問題。再以技術(shù)創(chuàng)新擴散為例,由于技術(shù)創(chuàng)新擴散問題非常復(fù)雜,涉及眾多動態(tài)的、不確定性的因素,且系統(tǒng)內(nèi)各因素之間、擴散系統(tǒng)與擴散環(huán)境之間存在著錯綜復(fù)雜的關(guān)聯(lián)、相干、互動、反饋、自組織等效應(yīng)關(guān)系,數(shù)據(jù)的搜集與整理存在困難,且很多數(shù)據(jù)信息是模糊不確定和無規(guī)律性的,在這種情況下,給人們認(rèn)識和控制擴散過程帶來了巨大困難,而以往所采用的方法存在較大的局限性,不能充分包含、反映擴散中的各種非線性關(guān)系,難以滿足對技術(shù)擴散過程進行預(yù)測、控制和優(yōu)化的應(yīng)用需要,而建立技術(shù)創(chuàng)新擴散的人工神經(jīng)元網(wǎng)絡(luò)模型則可以很好地解決該問題,并且經(jīng)過實踐檢驗效果要優(yōu)于傳統(tǒng)的統(tǒng)計分析方法。

4.由于人工神經(jīng)元網(wǎng)絡(luò)在結(jié)構(gòu)上采用大規(guī)模并行分布處理方法,信息處理是在大量單元中平行而又有層次地進行,這就使得快速進行大量運算成為可能。神經(jīng)網(wǎng)絡(luò)的并行性使得它能夠考慮變量之間的相互影響及作用,提高模型擬合的精度。以上文提到的技術(shù)創(chuàng)新擴散問題為例,神經(jīng)網(wǎng)絡(luò)的這一特性就能夠使它準(zhǔn)確描述技術(shù)創(chuàng)新擴散的內(nèi)在動因及發(fā)展變化規(guī)律。另外,由于技術(shù)創(chuàng)新擴散涉及眾多因素,數(shù)據(jù)的運算量是非常巨大的,如果采用傳統(tǒng)的統(tǒng)計分析方法很費時費力,并且結(jié)果不是很理想。而運用人工神經(jīng)元網(wǎng)絡(luò)則能夠比較容易的解決這一復(fù)雜問題,并且能得到令人滿意的結(jié)果。

綜合以上認(rèn)識,我們認(rèn)為將人工神經(jīng)元網(wǎng)絡(luò)用于研究經(jīng)濟領(lǐng)域中的模擬、識別、分類和預(yù)測等是非常具有前景和實際應(yīng)用價值的。

三、ANN網(wǎng)絡(luò)模型的主要局限性及其克服策略與方法

1.ANN網(wǎng)絡(luò)模型的主要局限性

人工神經(jīng)元網(wǎng)絡(luò)在解決經(jīng)濟問題中的有效性和實用價值已經(jīng)被人們廣泛接受并越來越受到重視,但它自身也存在一些技術(shù)上的缺陷和不足,這主要表現(xiàn)在以下兩個方面。

(1)ANN網(wǎng)絡(luò)模型是“暗箱”操作,也就是說它的理論基礎(chǔ)不強,解釋能力較弱。[4]

(2)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計和參數(shù)的選擇缺少相應(yīng)的理論支持,通常依賴于經(jīng)驗選擇,基于梯度的學(xué)習(xí)算法常常會導(dǎo)致網(wǎng)絡(luò)收斂于局部極值點。

2.克服策略與方法:

(1)對于存在的“暗箱”問題,如果希望對某些未知樣本正確率反映較高,或者說推廣能力更強,則應(yīng)該在未知樣本附近多選一些訓(xùn)練樣本。網(wǎng)絡(luò)輸出的可信度與方差有關(guān),如果輸入與權(quán)值間的方差越小,則可信度越高。

(2)網(wǎng)絡(luò)結(jié)構(gòu)問題和參數(shù)選擇問題是一個綜合性的問題,它應(yīng)滿足多種不同要求。由于網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計沒有固定的可遵循的模式,有許多參數(shù)要靠經(jīng)驗選擇,并經(jīng)試驗比較,比如隱層數(shù)、隱單元數(shù)和連接方式等。而在網(wǎng)絡(luò)訓(xùn)練過程中也有一些參數(shù)要選擇,如初始權(quán)值,學(xué)習(xí)步長,動量項系數(shù)等。要訓(xùn)練出一個實用網(wǎng)絡(luò)常常需要大量的試驗比較,才能從中選擇出效果最好的。我們認(rèn)為一個較好較便捷的方法是先咨詢有關(guān)專家,同時要考慮所研究問題自身的特殊性,然后再設(shè)計網(wǎng)絡(luò)結(jié)構(gòu)及訓(xùn)練網(wǎng)絡(luò),當(dāng)然,也有人提出,只保留效果最好的并非最佳方案,更好的方法是用各個網(wǎng)絡(luò)的加權(quán)組合。規(guī)模大的網(wǎng)絡(luò)不但學(xué)習(xí)時收斂較慢,且更易于避免陷入局部極小。通常情況下,訓(xùn)練樣本有限,所以把推廣能力作為主要要求,強調(diào)選擇能達到要求的最小網(wǎng)絡(luò),當(dāng)然這不是唯一的標(biāo)準(zhǔn)。以BP神經(jīng)網(wǎng)絡(luò)在房地產(chǎn)評估中的應(yīng)用為例,通常情況下BP神經(jīng)網(wǎng)絡(luò)能使待判別樣本分類正確率達到90%以上,但仍然存在誤判訓(xùn)練樣本,特別是當(dāng)訓(xùn)練樣本很多的情況下更是如此。其原因主要在于網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)設(shè)計不合理,收斂速度緩慢,預(yù)定選取的允許目標(biāo)誤差不夠小等。這時應(yīng)考慮房地產(chǎn)作為較特殊的商品,影響其價格的主要因素有哪些,然后對網(wǎng)絡(luò)的層數(shù)、輸入輸出節(jié)點數(shù)、隱層數(shù)進行不斷的調(diào)整和改進。最后,經(jīng)過有關(guān)學(xué)者的研究,如果把距離算法與BP算法相結(jié)合,在對網(wǎng)絡(luò)識別系統(tǒng)結(jié)構(gòu)進行改進和調(diào)整之后,能夠使網(wǎng)絡(luò)分類的正確率提高到100%,相應(yīng)的估價誤差就從1.7%降低到0.3%。[5]

(3)ANN模型與多種分析方法融合共同解決經(jīng)濟問題會達到較理想的效果。比如可以與統(tǒng)計分析方法、人工智能方法、專家系統(tǒng)以及粗糙集理論(Roughset)相結(jié)合,各種技術(shù)之間相互取長補短,建立集成模型或混合系統(tǒng)其結(jié)果會更有效,且這種有效性不是各單部分之間簡單相加能夠比擬的。比如Taha等人將判別分析與回歸分析方法應(yīng)用到ANN模型中,結(jié)果提高了合同債權(quán)結(jié)構(gòu)的預(yù)測精度。[6]Lee.Han和Kwon使用了三種混合的ANN模型來預(yù)測破產(chǎn),增強了預(yù)測的精度和適應(yīng)性。[7]以ANN與專家系統(tǒng)結(jié)合運用為例,Kuncicky等人就總結(jié)出了4種方法:第一種是連接專家系統(tǒng)(connectionist expert system)模型,將全部的或部分的專家系統(tǒng)功能和一種ANN相結(jié)合;第二種是符號連接模型,即用符號結(jié)構(gòu)約束神經(jīng)元網(wǎng)絡(luò)的構(gòu)建,然后用到高層認(rèn)識任務(wù)中;第三種是模塊化系統(tǒng)模型,將專家系統(tǒng)和神經(jīng)網(wǎng)絡(luò)以模塊化的形式用于解決較大的問題;第四種是轉(zhuǎn)化模型,將在專家系統(tǒng)中獲得的知識傳輸給神經(jīng)網(wǎng)絡(luò)。[8]這些結(jié)合不僅允許ANN應(yīng)用到?jīng)Q策的各種層次,而且大大提高了網(wǎng)絡(luò)本身的質(zhì)量。[4]以預(yù)測成都市居民用水量為例,這里采用了自組織方法、改進的算法和兩種方法融合――基于自組織方法的神經(jīng)網(wǎng)絡(luò)模型三種方法分別進行了預(yù)測(結(jié)果見表1),從表中我們可以明顯地看出兩種方法組合建立的神經(jīng)網(wǎng)絡(luò)模型明顯優(yōu)于其他方法,且預(yù)測精度很高。[9]

四、人工神經(jīng)元網(wǎng)絡(luò)模型的應(yīng)用實例分析

人工神經(jīng)元網(wǎng)絡(luò)有多種網(wǎng)絡(luò)模型,就常用的RBF網(wǎng)絡(luò)與BP網(wǎng)絡(luò)相比較而言,基于正則化理論的RBF網(wǎng)絡(luò)學(xué)習(xí)速度較快,無論網(wǎng)絡(luò)的函數(shù)逼近能力、模式識別能力以及分類能力都優(yōu)于BP網(wǎng)絡(luò),因此這里采用RBF網(wǎng)絡(luò)來計算區(qū)域可持續(xù)發(fā)展度。要運用RBF神經(jīng)網(wǎng)絡(luò)模型預(yù)測區(qū)域可持續(xù)發(fā)展能力狀況,可以按以下幾個步驟進行:①構(gòu)建反映區(qū)域可持續(xù)發(fā)展的相關(guān)指標(biāo)(由于區(qū)域可持續(xù)發(fā)展能力評估指標(biāo)的選取是一個非常復(fù)雜的過程,限于討論的主題及篇幅,具體過程略),利用相關(guān)分析方法按照一定的標(biāo)準(zhǔn)(95%)剔除相關(guān)性強的指標(biāo),同時去除難以采集數(shù)據(jù)的指標(biāo)。最后,我們把區(qū)域可持續(xù)發(fā)展能力預(yù)測指標(biāo)細(xì)分為以下32個(見表2)。②采集相關(guān)指標(biāo)的數(shù)據(jù)。采集數(shù)據(jù)的年份要盡可能的多一些,這樣訓(xùn)練出來的網(wǎng)絡(luò)模擬和預(yù)測能力會更強一些。③構(gòu)建RBF區(qū)域可持續(xù)發(fā)展能力預(yù)測網(wǎng)絡(luò)模型(見圖2)。④將采集到的相關(guān)指標(biāo)數(shù)據(jù)按照公式(1)(對于越大越好的指標(biāo))和公式(2)(對于越小越好的指標(biāo))進行無綱量化處理。

Zij=yij/ymaxj(1)

Zij=yminj/yij (2)

(i=1,2,…,32;j=1,2,…,6。 ymaxj 和yminj 分別為R指標(biāo)的最大值和最小值)。⑤RBF網(wǎng)絡(luò)的學(xué)習(xí)與訓(xùn)練。將選出的指標(biāo)當(dāng)期值歸一化處理后的數(shù)據(jù)作為網(wǎng)絡(luò)的輸入,下期值作為其對應(yīng)的期望輸出,送入如圖3所示的RBF網(wǎng)絡(luò)中進行訓(xùn)練。⑥利用MATLAB語言中的人工神經(jīng)元網(wǎng)絡(luò)工具箱函數(shù)newrbe進行相關(guān)的程序編制和計算。

下圖是按照上述RBF神經(jīng)網(wǎng)絡(luò)模型對西安市做的一個區(qū)域可持續(xù)發(fā)展度預(yù)測圖(圖4)。當(dāng)然,如果我們要用其他傳統(tǒng)的計量方法來解決這個問題,其運算過程則會非常復(fù)雜和繁瑣,最終結(jié)果可能并不理想。

五、人工神經(jīng)元網(wǎng)絡(luò)的發(fā)展

趨勢及其經(jīng)濟學(xué)應(yīng)用前景

人工神經(jīng)元網(wǎng)絡(luò)是一個應(yīng)用范圍十分廣泛的邊緣叉學(xué)科,在各個工程領(lǐng)域均得到成功的應(yīng)用。展望21世紀(jì)中葉,人工神經(jīng)元網(wǎng)絡(luò)理論研究將可能在智能和機器關(guān)系問題、神經(jīng)計算與進化計算以及神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和神經(jīng)元芯片等重大問題的研究方面會有重大突破,而其自身日益強大的外向性、擴展性以及良好的工具性必將進一步帶動所有相關(guān)學(xué)科研究的突飛猛進,甚至產(chǎn)生質(zhì)的飛躍。目前,大多數(shù)用于經(jīng)濟領(lǐng)域的ANN模型多來自科研機構(gòu),其產(chǎn)業(yè)化的程度并不高,把人工神經(jīng)元網(wǎng)絡(luò)應(yīng)用于經(jīng)濟領(lǐng)域僅始于20世紀(jì)90年代,在國內(nèi)也僅處于起步階段,特別是比較成熟的模型并不多見。人工神經(jīng)元網(wǎng)絡(luò)理論自身的發(fā)展必然會給經(jīng)濟學(xué)研究插上騰飛的翅膀,并將可能成為繼數(shù)量經(jīng)濟學(xué)、計量經(jīng)濟學(xué)之后經(jīng)濟學(xué)研究的一個重要領(lǐng)域。同時人工神經(jīng)元網(wǎng)絡(luò)理論也將必然為經(jīng)濟學(xué)研究提供強有力的分析工具。以上本文通過對神經(jīng)網(wǎng)絡(luò)模型的簡要分析,概述了其用于經(jīng)濟學(xué)領(lǐng)域的優(yōu)點和不足,并作了應(yīng)用模型研究的嘗試――通過對區(qū)域可持續(xù)發(fā)展能力水平的精確量化度量,能夠為區(qū)域可持續(xù)發(fā)展以及制定區(qū)域經(jīng)濟政策提供科學(xué)的決策依據(jù)。運用神經(jīng)網(wǎng)絡(luò)模型對經(jīng)濟學(xué)問題進行深入的研究具有十分重要的理論和實踐意義。

參考文獻:

[1]王艷等.基于ANN的山東省可持續(xù)發(fā)展水平的區(qū)域差異[J].資源開發(fā)與市場,2004,(2).

[2]郝全明,李桂榮.人工神經(jīng)網(wǎng)絡(luò)在礦區(qū)環(huán)境污染經(jīng)濟損失預(yù)測中的應(yīng)用[J].黃金,2003,(3):47.50.

[3]葉東毅,劉文標(biāo).個股走勢模式分類的RBF神經(jīng)網(wǎng)絡(luò)方法[J].福州大學(xué)學(xué)報(自然科學(xué)版),2000,(4):12.15.

[4]張秀艷,徐立本,王萍,馬海英.用人工神經(jīng)網(wǎng)絡(luò)解決經(jīng)濟問題的有效性和局限性[J].吉林大學(xué)社會科學(xué)學(xué)報,2001,(6):39.45.

[5]楊黎萌,劉開第.BP神經(jīng)網(wǎng)絡(luò)在房地產(chǎn)估價中的應(yīng)用[J].河北建筑科技學(xué)院學(xué)報,2004,(2):105.109.

[6]M.A. Taha, S.C. Park, J. S. Russell.Knowledge.Based DSS for construction contractor prescreening[J]. European journal of operational research,1995, (1):35.46.

[7]K. C. Lee, I. Han , Y. Kwon. Hybrid neural network models for bankruptcy predictiond[J].Decision support system, 1996, (18):63.72.

[8]D.C. kuncicky ,S.I. Hruska,R.C. Lacher. Hybid systems: the equivalence of the rule.based expert system and ar.tificial neural network infetence[J]. International journal of expert systems, 1992,(3):281.297.

第5篇:神經(jīng)網(wǎng)絡(luò)經(jīng)濟學(xué)范文

關(guān)鍵詞:

中圖分類號: TP183 文獻標(biāo)識碼: A 文章編號:2095-2163(2011)03-0085-03

A Semi-supervised Learning Algorithm of Dynamic Samples

based on Self-organizing Process Neural Networks

WANG Dandan, LIU XianDe

Abstract: Aiming at the problems of time-varying signal pattern classification and effective using of unmarked sample information, a semi-supervised learning algorithm of dynamic sample set based on self-organizing process neural networks is proposed in the paper. The self-organizing process neural network model based on competitive learning rule and supervised method are built respectively using acquired marked and unmarked process function sample signals, and it can label respective classes of dynamic samples through making use of the self- organizing characteristics. Information processing mechanism of the algorithm is analyzed and specific implementation steps are given in the paper. Taking identification of water flooded status in oil field development as example, experiment results prove the effectiveness of the method.

Key words:

0 引言

基于機器學(xué)習(xí)的信息處理技術(shù)是目前復(fù)雜系統(tǒng)數(shù)據(jù)分析和利用問題中一種有效的處理方法和工具。機器模型的建立一般需有足夠多的滿足系統(tǒng)狀態(tài)變化特征規(guī)律描述、高質(zhì)量的樣本數(shù)據(jù)[1,2]。但在實際問題中,特別是在一些非線性動態(tài)系統(tǒng)的情況下,由于采樣條件的限制或代價高昂,往往難以得到足夠多的、有確定標(biāo)識的樣本;而另一方面,在有些情況中,又可以獲得大量未標(biāo)記的樣本數(shù)據(jù)。因此,如何利用標(biāo)記及未標(biāo)記的樣本信息、豐富學(xué)習(xí)樣本數(shù)量,是建立智能模型和提高模型泛化能力的關(guān)鍵問題之一[3]。

針對非線性動態(tài)系統(tǒng)未標(biāo)記過程函數(shù)樣本的標(biāo)記和信息的有效利用問題,本文提出了一種基于自組織過程神經(jīng)網(wǎng)絡(luò)[4]的動態(tài)樣本半監(jiān)督學(xué)習(xí)算法。首先,按照基于競爭學(xué)習(xí)規(guī)則和有教師示教方法,分別建立兩種信息處理機制的自組織過程神經(jīng)網(wǎng)絡(luò)動態(tài)信號分類模型,實現(xiàn)對過程函數(shù)樣本集合的分類;然后,按照基于分類結(jié)果的標(biāo)記策略,實現(xiàn)對未標(biāo)記過程樣本的標(biāo)識,達到增加樣本規(guī)模和多樣性的目標(biāo)。以基于測井曲線的水淹層樣本分類標(biāo)記和油層水淹狀態(tài)判別為例,實際應(yīng)用結(jié)果驗證了算法的有效性。

1 自組織過程神經(jīng)網(wǎng)絡(luò)

自組織過程神經(jīng)網(wǎng)絡(luò)(Self-Organization Process Neural Network, SOPNN)是一種通過競爭學(xué)習(xí)機制實現(xiàn)對時變信號處理的動態(tài)神經(jīng)網(wǎng)絡(luò)模型。SOPNN由時變信號輸入層和過程神經(jīng)元組成的競爭層構(gòu)成,網(wǎng)絡(luò)自適應(yīng)提取輸入函數(shù)所隱含的模式特征,并對其進行自組織,在競爭層將作用結(jié)果表現(xiàn)出來。

設(shè)SOPNN輸入空間為(C[0,T])n,[0,T]為信號輸入過程區(qū)間;系統(tǒng)輸入函數(shù)為X(t)=(x1(t),x2(t),...,xn(t)),輸出為代表模式類別的數(shù)值量,網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖1所示。

圖1中, wij(t) (i=1,2,...,nj=1,2,...,m)為連接權(quán)函數(shù), yj(j=1,2,...,m)為網(wǎng)絡(luò)輸出。

1.1 競爭學(xué)習(xí)規(guī)則

設(shè)學(xué)習(xí)樣本集為X1(t),X2(t),...,Xk(t),Xk(t)∈(C[0,T])n。定義第k個輸入樣本向量Xk(t)與競爭層神經(jīng)元節(jié)點的連接權(quán)函數(shù)向量Wj(t)的相似系數(shù)為:

式(1)中,W(t)=(w(t),w(t),...,w(t)),j=1,2,...,m。

設(shè)具有最大相似系數(shù)的節(jié)點j在競爭中獲勝,即j滿足:

r=r (2)

對于輸入樣本向量X(t),若節(jié)點j在競爭中獲勝,則調(diào)整w(t),使權(quán)函數(shù)W(t)通過算法調(diào)整向X(t)方向移動,最終使獲勝過程神經(jīng)元j的輸出表示X(t)所代表的模式類別。

1.2 有監(jiān)督的學(xué)習(xí)算法

當(dāng)訓(xùn)練集中各樣本的模式類別已知時,可采用有監(jiān)督的學(xué)習(xí)算法。對樣本函數(shù)X(t),由式(1)計算r,按式(4)選擇獲勝的過程神經(jīng)元j。如果獲勝過程神經(jīng)元j是X(t)的恰當(dāng)分類,其權(quán)值修正公式為:

2 基于SOPNN的動態(tài)樣本聚類

半監(jiān)督學(xué)習(xí)是處理有大量無標(biāo)記樣本和少量有標(biāo)記樣本時的一種學(xué)習(xí)分類方法,適用于大量數(shù)據(jù)不斷產(chǎn)生、同時對這些數(shù)據(jù)不容易進行標(biāo)記或若標(biāo)記則花費代價很大的情形[5,6]。對于過程采樣函數(shù)樣本情況,基于半監(jiān)督學(xué)習(xí)的動態(tài)函數(shù)樣本分類問題可描述如下:

設(shè)定動態(tài)函數(shù)樣本集S=L∪U,其中,L=(x1(t),y1),(x2(t),y2),...,(xl(t),yl)?奐X(t)×Y是有標(biāo)記樣本集,U=xl+1(t),xl+2(t),...,xN(t)?奐X(t)是未標(biāo)記樣本集,這里,xi(t)∈C[0,T],[0,T]為信號采樣區(qū)間,yi∈R。本文半監(jiān)督學(xué)習(xí)的問題是基于有標(biāo)記樣本集L,構(gòu)造基于SOPNN的時變函數(shù)模式分類器。當(dāng)樣本模式類別數(shù)已知時,樣本集經(jīng)算法分類后,以標(biāo)記樣本的類別代表分組類別,同組中的未標(biāo)記樣本則與標(biāo)記樣本的類別一致;如果所分的一類中包含兩個或兩個以上的不同類別標(biāo)記樣本,則分類失敗。這樣,可通過每個分類中已標(biāo)記的樣本信息實現(xiàn)對未標(biāo)記樣本集U中的樣本的類別標(biāo)識。

設(shè)在實際問題中獲得了系統(tǒng)在運行狀態(tài)下的N個時變采樣信號,其中,l個為有標(biāo)記樣本,N-l個為未標(biāo)記樣本。以下分三種情況討論:

(1)若已知確定的樣本類別數(shù),且每個類別中均包含了已標(biāo)記的樣本,則采用有教師示教的SOPNN算法對未標(biāo)記樣本進行標(biāo)識;

(2)若已知確定的類別數(shù),但有類別中未包含已標(biāo)記樣本,則采用競爭型SOPNN算法進行未標(biāo)記樣本的標(biāo)識;

(3)若樣本的類別數(shù)未知,則可基于樣本集S=L∪U,先采用近鄰傳播算法[7]確定樣本的類別數(shù),然后再用有教師示教或競爭學(xué)習(xí)算法對未標(biāo)記的樣本進行標(biāo)識。

3 在測井水淹層判別中的應(yīng)用

油層水淹狀況識別是油田開發(fā)過程中一項十分重要而又復(fù)雜的工作。水淹狀況判別依據(jù)的是一組反映地層地球物理性質(zhì)隨深度變化的連續(xù)測井曲線的形態(tài)和幅值特征[8],而測井曲線可看作是隨深度變化的一個連續(xù)過程信號。傳統(tǒng)判別方法是在取心井資料分析基礎(chǔ)上,建立油層水淹知識庫,再通過人機交互對非取心井進行解釋。實際工作中,水淹層判別主要依據(jù)SP、Rt、Rmd等三條測井曲線和小層厚度h共4個變量;油層水淹程度分為未水淹、弱水淹、中水淹、強水淹4個等級。

在油田實際開發(fā)中,由于鉆井過程中獲取巖心技術(shù)要求高、費用昂貴,故每個油田區(qū)塊一般只有少量的取心井,但所有鉆井都進行了物理測井,即存在大量未標(biāo)記的小層測井曲線樣本。本文研究的油田開發(fā)區(qū)塊有3口取心井,包括4類水淹狀況、共35個有標(biāo)記水淹程度的測井曲線樣本,其中,14個為強水淹、9個為中水淹、7個為弱水淹、5個未水淹。在區(qū)塊中另選4口具有典型地質(zhì)特征的非取心井,選擇出43個有代表性的未標(biāo)記小層測井曲線樣本,并作歸一化處理[4]。選用取心井4類35個有標(biāo)識的小層樣本組成訓(xùn)練集。SOPNN的拓?fù)浣Y(jié)構(gòu)確定為:3個時變信號輸入節(jié)點,4個過程神經(jīng)元競爭層節(jié)點,輸出為水淹程度,對應(yīng)于0,1,2,3。本實例為有教師示教的情況,4個過程神經(jīng)元節(jié)點的輸出分別對應(yīng)4種水淹狀況。SOPNN迭代372次后收斂。用訓(xùn)練完成的SOPNN對未標(biāo)記的43個樣本進行類別標(biāo)識,結(jié)果為17個標(biāo)記為強水淹、14個為中水淹、9個為弱水淹、3個為未水淹,判對率為80.3%,較大提高了測井水淹層解釋精度。

4 結(jié)束語

本文針對非線性動態(tài)系統(tǒng)未標(biāo)記時變信號樣本的標(biāo)識問題,建立了基于自組織過程神經(jīng)網(wǎng)絡(luò)的半監(jiān)督分類標(biāo)記算法。該方法利用已標(biāo)記樣本構(gòu)建自組織過程神經(jīng)網(wǎng)絡(luò)分類模型,可自適應(yīng)實現(xiàn)未標(biāo)記樣本的分類標(biāo)記,增加反映系統(tǒng)過程模態(tài)變化特征樣本的多樣性。文中提出的方法對其他機器模型學(xué)習(xí)算法和訓(xùn)練樣本集的構(gòu)建也具有一定的借鑒意義。

參考文獻:

[ 1 ] 馮乃勤,王芳,邱玉輝. 提高神經(jīng)網(wǎng)絡(luò)泛化能力的研究[J]. 計算

機工程與應(yīng)用, 2006, 4: 38-41.

[ 2 ] WAN W S,MABU S,SHIMADA K,et al. Enhancing the gen-

eralization ability of neural networks through controlling the h-

idden layers. Applied Soft Computing, In Press, Avaiable On-

line,2008.

[ 3 ] 江學(xué)軍,唐煥文. 前饋神經(jīng)網(wǎng)絡(luò)泛化性能力的系統(tǒng)分析[J]. 系統(tǒng)

工程理論與實踐,2000,8:36-40.

[ 4 ] 許少華,何新貴,李盼池. 自組織過程神經(jīng)網(wǎng)絡(luò)及其應(yīng)用研究[J].

計算機研究與發(fā)展,2003,40(11):1612-1615.

[ 5 ] 羅進,周學(xué)君. 半監(jiān)督學(xué)習(xí)中非標(biāo)記數(shù)據(jù)的利用[J]. 湖北大學(xué)學(xué)

報,2008,30(1): 8-11.

[ 6 ] BELKIN M,NIYOGI P. Semi-supervised learning on riemanni-

an manifolds[J]. Machine Learning , 2004,56:209-239.

[ 7 ] 肖宇, 于劍. 基于近鄰傳播算法的半監(jiān)督聚類[J]. 軟件學(xué)報, 2- 008,19(11):2803-2813.

第6篇:神經(jīng)網(wǎng)絡(luò)經(jīng)濟學(xué)范文

20世紀(jì)70年代末80年代初,EDI在美國使用,標(biāo)志著電子商務(wù)的開始,并由此得以迅速普及。2000年7月美國商務(wù)部發(fā)表的《2000民工數(shù)字經(jīng)濟報告》統(tǒng)計,截止2000年6月底,全球使用因特網(wǎng)人數(shù)達到3億,比1999年增加了80%.而且2003年電子商務(wù)占世界貿(mào)易總額的比例將達四分之一。在我國,電子商務(wù)是20世紀(jì)90年代初開始,但發(fā)展極為迅速,據(jù)國家最新統(tǒng)計,2003年我國網(wǎng)民已達7000萬,而且現(xiàn)在還將繼續(xù)以幾何級數(shù)方式增加。

網(wǎng)絡(luò)經(jīng)濟的迅猛發(fā)展使社會發(fā)生很大的變化,讓我們的生活更加豐富多彩,但同時我們也面臨著前所未有的問題,隨機性和復(fù)雜性充滿了這個世界:

1.邊際收益遞增

邊際收益遞減是經(jīng)濟學(xué)邊際革命的重要成果之一,但是由于知識信息具有可共享性、外溢性、擴散性,在以知識為基礎(chǔ)的經(jīng)濟領(lǐng)域邊際收益遞增取代邊際收益遞減成為新經(jīng)濟的第二大規(guī)律,正在引發(fā)經(jīng)濟學(xué)新的革命,經(jīng)濟發(fā)展流程正因此而發(fā)生轉(zhuǎn)折性的重大變化。

2.免費的午餐

按照傳統(tǒng)的供求關(guān)系理論,廠商的邊際成本就是產(chǎn)品的價格。但在網(wǎng)絡(luò)經(jīng)濟下,例如互聯(lián)網(wǎng)、軟件開發(fā),硬件制造這些新興產(chǎn)業(yè)生產(chǎn)的是數(shù)字產(chǎn)品或數(shù)字化產(chǎn)品。這種產(chǎn)品的最大特點就是可以復(fù)制,那么它們的邊際成本很低,甚至幾乎等于零,所以價格也幾乎等于零,形成了極高的固定成本和極低的邊際成本。因此在網(wǎng)絡(luò)社會里,我們經(jīng)常有“免費的午餐”,但這種現(xiàn)象也給供求理論提出了極大的挑戰(zhàn)。

3.投入與輸出不成正比

俗話說“種瓜得瓜,種豆得豆”,但現(xiàn)在我們看到更多的是投入很多,但得到的卻很少,甚至非但得不到,還要再賠錢。網(wǎng)站的建設(shè)就說明這一點,雖然電子商務(wù)能極大地減少交易費用和交通運輸?shù)呢?fù)擔(dān),提高企業(yè)的整體經(jīng)濟效益和參與世界市場的競爭能力,但企業(yè)建立的網(wǎng)站大多沒有起到這樣的作用,而且目前企業(yè)依然沿用著傳統(tǒng)的運營方式,在大多數(shù)人眼中,網(wǎng)站是“燒錢”的事情。

4.非線性增長

與傳統(tǒng)經(jīng)濟和傳統(tǒng)產(chǎn)業(yè)相比,新經(jīng)濟和高科技產(chǎn)業(yè)更多地呈現(xiàn)非線性增長的態(tài)勢,如IT產(chǎn)業(yè)、電子商務(wù)和網(wǎng)絡(luò)經(jīng)濟都不同程度上表現(xiàn)出非線性爆炸式增長的特點,電子商務(wù)更以年均翻一番的超常規(guī)速度成長。

由上可以看到,電子商務(wù)作為信息技術(shù)發(fā)展的產(chǎn)物,不但給人類社會生產(chǎn)方式、工作方式和生活方式帶來影響,同時也對傳統(tǒng)的社會科學(xué)理論產(chǎn)生巨大的沖擊。也就是說,網(wǎng)絡(luò)使我們的生活更加豐富多彩的同時,也使我們的生活更加復(fù)雜化,產(chǎn)生的很多現(xiàn)象已不能被傳統(tǒng)的理論完全解釋。

以經(jīng)濟學(xué)為代表的社會科學(xué)理論在解釋電子商務(wù)中的現(xiàn)象方面顯得力不從心,原因是現(xiàn)代網(wǎng)絡(luò)社會中,市場已不是那個市場,廠商也不是那個廠商,而消費者更不是那個消費者了——在信息時代,由于沒有時空的界限,地理優(yōu)勢對于企業(yè)已失去了作用,在網(wǎng)絡(luò)中所有的企業(yè)處于同一起跑線上,而且真正可以做到“酒香不怕巷子深”:由于信息的爆炸性增長,我們的生活每天都有很多意想不到的事情發(fā)生等等。所有的一切都說明:如果還按照過去傳統(tǒng)的思維(線性思維),那么根本無法解釋當(dāng)代網(wǎng)絡(luò)社會出現(xiàn)的許多現(xiàn)象,只有用一種新的思維方式才能獲得廣闊的天空!——這就是非線性理論存在的現(xiàn)實意義。非線性理論的研究為我們開辟了很好的電子商務(wù)理論研究路徑。

二、非線性理論

非線性問題是在20世紀(jì)下半葉出現(xiàn)的,并不是一個新的科學(xué)概念。由于在確定論的系統(tǒng)中發(fā)現(xiàn)了混沌現(xiàn)象,極大地激發(fā)了人們探索自然界和人類社會中存在的各種復(fù)雜性問題的熱情,同時也逐漸改變了人們觀察周圍世界的思維方式。所以非線性科學(xué)已成為當(dāng)今世界科學(xué)的前沿與熱點,它涉及自然科學(xué)和人文社會科學(xué)的眾多領(lǐng)域,是人類認(rèn)識自然的一次飛躍,具有重大的科學(xué)價值和深刻的哲學(xué)方法論意義。它標(biāo)志著人類認(rèn)識自然由線性現(xiàn)象進入非線性現(xiàn)象。

那么究竟什么是非線性系統(tǒng)呢?非線性系統(tǒng)是相對于線性系統(tǒng)而言的,是對線性的否定,線性是非線性的特例。簡單來說,“線性系統(tǒng)”就是那種“一分耕耘,一份收獲”,“種瓜得瓜,種豆得豆’的系統(tǒng),而“非線性系統(tǒng)”  往往會有“白吃的午餐”,或是“賠了夫人又折兵”的狀況。線性系統(tǒng)結(jié)構(gòu)具有高度規(guī)律性,被人類研究與應(yīng)用的較早,而非線性系統(tǒng)卻復(fù)雜得多,研究的困難度較高,這就是  “非線性系統(tǒng)’豐富的地方。我們常常聽到的“混沌”、“蝴蝶效應(yīng)”,“碎形”、“復(fù)雜”、“湍流”甚至是“類神經(jīng)網(wǎng)絡(luò)”等都是非線性系統(tǒng)的重要領(lǐng)域與課題。

在線性系統(tǒng)中,表現(xiàn)出兩種性質(zhì):一是疊加原理成立,即部分之和等于整體,線性系統(tǒng)的方程遵從疊加原理,即方程的不同解加起來仍然是該方程的解。疊加原理成立說明該系統(tǒng)的子系統(tǒng)間沒有非線性相互作用。二是指系統(tǒng)內(nèi)物理變量間函數(shù)關(guān)系是直線,變量間的變化率是恒量,這意味著函數(shù)的斜率在其定義域內(nèi)處處存在且相等,變量間的比例關(guān)系在變量的整個定義域內(nèi)是對稱的,即成正比關(guān)系。

在非線性系統(tǒng)中,疊加原理失效,非線性方程的兩個解之和不再是方程的解,而且變量之間的函數(shù)關(guān)系不是直線。例如直線是曲線的特例,在非線性程度較強的情況下,即子系統(tǒng)間的相互作用較強,它對各子系統(tǒng)的性質(zhì)及系統(tǒng)整體的性質(zhì)有不可忽略的貢獻時,線性疊加原理就不適用了,整體的性質(zhì)就不是各部分性質(zhì)的線性疊加之和了(如強子相互作用的結(jié)合能與強子自身的能量可比的情況,國際貿(mào)易與國內(nèi)生產(chǎn)總值可比的情況,這時部分間的相互作用是不可忽略的),從而就會產(chǎn)生整體大于部分之和或整體小于部分之和的結(jié)果。

非線性具有多值性。例如,100家成功的企業(yè)有100種甚至更多的管理方法,這僅僅是針對傳統(tǒng)企業(yè)而言,若對于網(wǎng)絡(luò)企業(yè)來講,一個企業(yè)可能會有多種管理方法。

非線性具有有限性,抽象地說,有限的事物相對于無限的事物而言喪失了許多對稱性,因而作用于其上的操作及結(jié)果都可能對應(yīng)著由有限性直接導(dǎo)致的非對稱性。信息的不對稱性說明網(wǎng)絡(luò)中的個體是有限的,而信息是無限的,所以才存在信息的不對稱性。

對于處理線性問題,已經(jīng)有一套行之有效的方法,例如傅里葉變換、拉普拉斯變換等等。

而對于非線性問題,長期以來科學(xué)家往往束手無策,因為非線性具有復(fù)雜性,目前還沒有有效的方法,只能具體問題具體分析。但也應(yīng)看到,在這些極為復(fù)雜的現(xiàn)象背后實際上也存在著某種規(guī)律性。非線性科學(xué)的任務(wù)就是要透過這些無序的復(fù)雜現(xiàn)象去揭示隱藏在現(xiàn)象背后的規(guī)律性的東西。

三、非線性理論在電子商務(wù)中的應(yīng)用

隨著現(xiàn)代社會的發(fā)展,興起了許多交叉學(xué)科,電子商務(wù)即是其中一例。電子商務(wù)是一門關(guān)于管理、經(jīng)濟、計算機和法律等的新興交叉學(xué)科。交叉學(xué)科的特點是隨機性和復(fù)雜性,而非線性理論對于交叉學(xué)科的研究提供了廣闊的思路,所以將非線性理論應(yīng)用于電子商務(wù)是有現(xiàn)實意義的。

1.電子商務(wù)具有非線性特征

電子商務(wù)是網(wǎng)絡(luò)經(jīng)濟下的產(chǎn)物,而網(wǎng)絡(luò)世界本質(zhì)上是非線性的。首先,最直觀的來說,網(wǎng)絡(luò)永遠(yuǎn)都是曲線而非直線,其次,在電子商務(wù)的鏈條中,企業(yè)、市場、消費者行為等也都表現(xiàn)出非線性:

(1)在網(wǎng)絡(luò)經(jīng)濟條件下,個性消費的回歸,消費需求的交叉性等使消費者行為表現(xiàn)出非線性特征。

(2)在電子商務(wù)市場中存在兩個基本法則:一是摩爾定律(More’s law):計算機硅芯片的功能每18個月翻一番,而價格以減半數(shù)下降;以傳統(tǒng)的理論,產(chǎn)品的功能增加,其價格應(yīng)該增加,但該定理剛好相反,說明在網(wǎng)絡(luò)社會中,電子商務(wù)市場表現(xiàn)出非線性特征。二是梅特卡夫法則(Metcalf law):網(wǎng)絡(luò)價值等于網(wǎng)絡(luò)節(jié)點數(shù)的平方?;蛘撸W(wǎng)絡(luò)價值隨著網(wǎng)絡(luò)數(shù)量的增加而呈指數(shù)增加。這也說明在網(wǎng)絡(luò)社會中,疊加原理不成立,節(jié)點之間不存在線性相互作用。

(3)由于市場和消費者是非線性的,所以企業(yè)也同樣是非線性的。

2.非線性科學(xué)的普適類適用于電子商務(wù)

非線性科學(xué)研究對象不是這些非線性問題本身,而是它們的共性,即所謂的非線性普適類,并且在此基礎(chǔ)上建立了非線性科學(xué)的三大理論。

(1)混沌(chaos)。什么是混沌運動呢?在確定性系統(tǒng)中存在著對初值極為敏感的復(fù)雜運動形式就叫做混沌運動?;煦缃沂镜挠行蚺c無序的統(tǒng)一、確定性與隨機性的統(tǒng)一。

在某些牛頓力學(xué)方程所描述的運動中,如果精確地從同一點出發(fā),得到的仍是同一條確定的軌道,然而,只要初始條件有無論多微小的改變,其后運動就會失之毫厘、差之千里,變得面目全非。用一個模型來描述:在一個T型架上,掛著三個圓,無論你怎樣轉(zhuǎn)動T型架,三個圓永遠(yuǎn)沒有相同的軌跡,因為你不可能保證每次轉(zhuǎn)動都精確地從相同點出發(fā),這些運動的結(jié)果可能同擲骰子所得的結(jié)果一樣,是隨機和不可預(yù)測的。

隨著網(wǎng)絡(luò)技術(shù)的發(fā)展,經(jīng)濟全球一體化推動了電子商務(wù)的迅速普及,微觀市場的微小變動,就能引起整個宏觀經(jīng)濟體系中一場“龍卷風(fēng)”似的經(jīng)濟波動。

(2)自組織現(xiàn)象。是指自然界中自發(fā)形成的宏觀有序現(xiàn)象。如自然界中大量存在的同時也是理論研究較多的典型實例如:貝納德(Beinard)流體的對流花紋,貝洛索夫—扎鮑廷斯基(Belousov-Zhabotinsky)化學(xué)振蕩花紋與化學(xué)波,激光器中的自激振蕩等。

耗散結(jié)構(gòu)是自組織現(xiàn)象中的重要部分,自組織耗散結(jié)構(gòu)理論可概括為:一個遠(yuǎn)離平衡態(tài)的非線性的開放系統(tǒng) (不管是物理的、化學(xué)的、生物的乃至社會的、經(jīng)濟的系統(tǒng))通過不斷地與外界交換物質(zhì)和能量,在系統(tǒng)內(nèi)部某個參量的變化達到一定的閾值時,通過漲落,系統(tǒng)可能發(fā)生突變即非平衡相變,由原來的混沌無序狀態(tài)轉(zhuǎn)變?yōu)橐环N在時間上,空間上或功能上的有序狀態(tài)。這種在遠(yuǎn)離平衡的非線性區(qū)形成的新的穩(wěn)定的宏觀有序結(jié)構(gòu),由于需要不斷與外界交換物質(zhì)或能量才能維持,因此稱之為“耗散結(jié)構(gòu)’ (dissipative structure)。

同樣地,企業(yè)和個體都是一個開放系統(tǒng),它們的發(fā)展就是一個通過與外界不斷地交換物質(zhì)和能量,從量變到質(zhì)變,從無序到有序,從非平衡態(tài)到平衡態(tài)的演變過程。

(3)孤立子(soliton)。非線性系統(tǒng)的相互作用產(chǎn)生的穩(wěn)定而持久的動態(tài)過程是自然界廣泛存在的一類極為重要的現(xiàn)象即擬序結(jié)構(gòu),一直受到科學(xué)家的重視。孤立子是擬序結(jié)構(gòu)的最純粹的形式。

孤立子理論無論是對于非線性科學(xué)來說,還是對于整個科學(xué)體系來說,都具有重要意義。孤立子是自然界中普遍存在的現(xiàn)象。如木星的紅斑旋渦、用隧道電子顯微鏡成像方法發(fā)現(xiàn)的晶體中的電荷密度波、在小尺度湍流環(huán)境中長期存在的有序大尺度組織、神經(jīng)元軸突上傳遞的沖動電信號、大氣中的臺風(fēng)、激光在介質(zhì)中的自聚焦、晶體中的位錯、超導(dǎo)體中的磁通量等。社會經(jīng)濟系統(tǒng)中也廣泛地存在著非線性相互作用,由非線性機制產(chǎn)生的孤立子,無論其現(xiàn)象還是本質(zhì),都可能啟發(fā)我們更好地理解某些社會經(jīng)濟現(xiàn)象,如社會財富、社會權(quán)利等的穩(wěn)定集中,某些社會意識等的長時間穩(wěn)定傳播。

孤立子深刻地反映了非線性系統(tǒng)相干結(jié)構(gòu)中驚人的有序。它為我們提供了一種從穩(wěn)定性角度考察事物的新方法。

電子商務(wù)發(fā)展為什么有很大的阻礙?在當(dāng)今社會中,傳統(tǒng)的經(jīng)營方式仍占主導(dǎo)地位。比如,經(jīng)營者寧愿靠傳統(tǒng)的人情關(guān)系來發(fā)展企業(yè),而不實現(xiàn)電子商務(wù),人們更喜歡傳統(tǒng)購物方式,而不愿意通過網(wǎng)上購物,這種觀念意識就象孤立子一樣還將持續(xù)穩(wěn)定地傳播一段時間。孤立子理論可以為我們研究如何改變這種或類似這種的社會問題提供解決的途徑。

(4)元胞自動機理論(cellular automata)。生物體的發(fā)育過程本質(zhì)上是單細(xì)胞的自我復(fù)制過程,50年代初,計算機創(chuàng)始人著名數(shù)學(xué)家馮·諾依曼(Von Neumann)曾希望通過特定的程序在計算機上實現(xiàn)類似于生物體發(fā)育中細(xì)胞的自我復(fù)制,為了避免當(dāng)時電子管計算機技術(shù)的限制,他提出了一個簡單的模式。把一個長方形平面分成若干個網(wǎng)格,每一個格點表示一個細(xì)胞或系統(tǒng)的基元,它們的狀態(tài)賦值為0或1,在網(wǎng)格中用空格或?qū)嵏癖硎?,在事先設(shè)定的規(guī)則下,細(xì)胞或基元的演化就用網(wǎng)格中的空格與實格的變動來描述。這樣的模型就是元胞自動機。

80年代,物理學(xué)家、計算機科學(xué)家對元胞自動機模型的興趣大增,原因是這類簡單的模型能十分方便地復(fù)制出復(fù)雜的現(xiàn)象或動態(tài)演化過程中的吸引子、自組織和混沌現(xiàn)象。一般來說,復(fù)雜系統(tǒng)由許多基本單元組成,當(dāng)這些子系統(tǒng)或基元相互作用時,主要是鄰近基元之間的相互作用,一個基元的狀態(tài)演化受周圍少數(shù)幾個基元狀態(tài)的影響。在相應(yīng)的空間尺度上,基元間的相互作用往往是比較簡單的確定性過程。

根據(jù)元胞自動機理論,在一維模型中,是把直線分成相等的許多等分,分別代表元胞或基元;二維模型是把平面分成許多正方形或六邊形網(wǎng)格;三維是把空間劃分出許多立體網(wǎng)格。那么,在研究電子商務(wù)中,我們可以把復(fù)雜的商務(wù)鏈條分解成許多簡單的直線鏈。就像當(dāng)初科學(xué)家將兩臺計算機連接在一起,后來將幾臺甚至更多的計算機連接在一起,一直到現(xiàn)在的無數(shù)臺連在一塊,構(gòu)成了現(xiàn)在的互聯(lián)網(wǎng)世界,計算機之間的相互作用造成了現(xiàn)在網(wǎng)絡(luò)世界的復(fù)雜性,如果我們將電子商務(wù)鏈條看作是由最簡單的商務(wù)鏈條形成的,而簡單的直線商務(wù)鏈具有確定性,那么這種方法對于研究電子商務(wù)規(guī)律性很有幫助。

(5)神經(jīng)網(wǎng)絡(luò)(neural network)。神經(jīng)網(wǎng)絡(luò)就是通過對人腦的基本單元—神經(jīng)元的建模和聯(lián)結(jié)來探索模擬人腦神經(jīng)系統(tǒng)功能的模型,并研制一種具有學(xué)習(xí)、聯(lián)想、記憶和模式識別等智能信息處理功能的人工系統(tǒng)。

神經(jīng)網(wǎng)絡(luò)的主要特征是:大規(guī)模的并行處理和分布式的信息存儲,良好的自適應(yīng)、自組織性,以及很強的學(xué)習(xí)功能、聯(lián)想功能和容錯功能。與當(dāng)今的馮·諾依曼式計算機相比,更加接近人腦的信息處理模式。

在未來,應(yīng)建立一種具有神經(jīng)網(wǎng)絡(luò)功能的社會經(jīng)濟網(wǎng)絡(luò),使信息處理象人腦一樣迅速、及時,并且能夠通過學(xué)習(xí)進行自我調(diào)整、具有自適應(yīng)能力,只有這樣才能使電子商務(wù)發(fā)展起來。

企業(yè)也是如此,因為企業(yè)本身處于社會經(jīng)濟大網(wǎng)絡(luò)之中,所以在企業(yè)內(nèi)外部建立神經(jīng)網(wǎng)絡(luò)商務(wù)鏈才能生存。現(xiàn)在類似的有企業(yè)內(nèi)部ERP管理、企業(yè)的內(nèi)外部供應(yīng)鏈等等。

3.非線性問題可以轉(zhuǎn)化成線性問題

在理論上,一些非線性問題,可以通過數(shù)學(xué)變換而轉(zhuǎn)化為線性方程來研究。如非線性的KdV方程通過散射反演方法化為線性的可積方程,從而求出了精確的解析解,一些非線性不強的問題,可用線性逼近方法將其轉(zhuǎn)化為若干線性問題來求近似解,這是已在各門學(xué)科中廣泛采用并相當(dāng)有效的方法。事實上,尋求電子商務(wù)規(guī)律的過程就是由非線性向線性過渡的過程。

四、總結(jié)

1.電子商務(wù)本身是一門涉及到管理、經(jīng)濟、技術(shù)和法律等方面的交叉學(xué)科,而當(dāng)今研究熱點—非線性科學(xué)的突出特點就是交叉性和復(fù)雜性,所以用非線性理論來解釋電子商務(wù)是科學(xué)的。

2.非線性問題可以轉(zhuǎn)化成線性問題,使我們看到復(fù)雜的非線性問題能夠有確定性結(jié)果,所以用非線性模型來研究電子商務(wù)也是可能的。

3.隨著全球經(jīng)濟一體化,網(wǎng)絡(luò)技術(shù)的發(fā)展使電子商務(wù)飛速前進,但同時也使我們這個社會更具復(fù)雜而不可捉摸。在社會和我們生活當(dāng)中常常發(fā)生很多“意想不到”的事情,但當(dāng)我們用非線性的觀點來思考這些問題時,就會感到豁然開朗!

 

參考文獻:

1.Jackson,E.Atlee,Perspectures of nonlinear dynamics,Cambridge University Press,1989.

2.P.G.Drazin and R.S.Johnson,  “Solitons:  an Introduction”,Cambridge University Press,1989.

3.伊·普里戈金:《從存在到演化:自然科學(xué)中的時間及復(fù)雜性》,上海科學(xué)技術(shù)出版社,1986年版,

4.張本祥:《社會科學(xué)非線性方法論》,哈爾濱出版社,1997年版。

5.魏一鳴;“復(fù)雜性科學(xué)”,《中國科普》,2002年第11期。

6.張本祥孫博文馬克明:“非線性的概念、性質(zhì)及其哲學(xué)意義”,《自然辯證法研究》,1996年第2期。

第7篇:神經(jīng)網(wǎng)絡(luò)經(jīng)濟學(xué)范文

作為一種新經(jīng)濟的網(wǎng)絡(luò)經(jīng)濟,與以往的傳統(tǒng)經(jīng)濟相比,有著受信息網(wǎng)絡(luò)種種特點的影響而形成的諸多特點:

1.網(wǎng)絡(luò)經(jīng)濟是全天候運作的經(jīng)濟。由于信息網(wǎng)絡(luò)每天24小時都在運轉(zhuǎn)中,基于網(wǎng)絡(luò)的經(jīng)濟活動很少受時間因素的制約,可以全天候地連續(xù)進行。

2.網(wǎng)絡(luò)經(jīng)濟是全球化經(jīng)濟,由于信息網(wǎng)絡(luò)把整個世界變成了“地球村”,使地理距離變得無關(guān)緊要,基于網(wǎng)絡(luò)的經(jīng)濟活動把空間因素的制約降低到最小限度,使整個經(jīng)濟的全球化進程大大加快,世界各國經(jīng)濟的相互依存性空前加強了。

3.網(wǎng)絡(luò)經(jīng)濟是中間層次作用減弱的“直接”經(jīng)濟。由于網(wǎng)絡(luò)的發(fā)展,經(jīng)濟組織結(jié)構(gòu)趨向薄平化,處于網(wǎng)絡(luò)端點的生產(chǎn)者與消費者可直接聯(lián)系,因“產(chǎn)銷見面”而使中間層次失去了存在的必要性。當(dāng)然,這并不排除因網(wǎng)絡(luò)市場交易的復(fù)雜性而需要有各種專業(yè)經(jīng)紀(jì)人與信息服務(wù)中介企業(yè)。

4.網(wǎng)絡(luò)經(jīng)濟是虛擬經(jīng)濟。這里所說的虛擬經(jīng)濟不是由證券、期貨、期權(quán)等虛擬資本的交易活動所形成的虛擬經(jīng)濟,而是指在信息網(wǎng)絡(luò)構(gòu)筑的虛擬空間中進行的經(jīng)濟活動。經(jīng)濟的虛擬性源于網(wǎng)絡(luò)的虛擬性。轉(zhuǎn)移到網(wǎng)上去經(jīng)營的經(jīng)濟都是虛擬經(jīng)濟,它是與網(wǎng)外物理空間中的現(xiàn)實經(jīng)濟相并存、相促進的。培育和促進虛擬經(jīng)濟的成長,已成為現(xiàn)代經(jīng)濟發(fā)展的新動向。

5.網(wǎng)絡(luò)經(jīng)濟是競爭與合作并存的經(jīng)濟。信息網(wǎng)絡(luò)使企業(yè)之間的競爭與合作的范圍擴大了,也使競爭與合作之間的轉(zhuǎn)化速度加快了。世界已進入大競爭時代,在競爭中有合作,合作也是為了競爭。在競爭合作或合作競爭中,企業(yè)的活力增強了,企業(yè)的應(yīng)變能力提高了,否則就會被迅速淘汰出局。企業(yè)可持續(xù)的競爭優(yōu)勢,主要不再依靠天賦的自然資源或可供利用的資金,而更多地仰仗于信息與知識。

6.網(wǎng)絡(luò)經(jīng)濟是速度型經(jīng)濟?,F(xiàn)代信息網(wǎng)絡(luò)可用光速傳輸信息。反映技術(shù)變化的“網(wǎng)絡(luò)年”概念流行起來,而網(wǎng)絡(luò)年只相當(dāng)于正常的日歷年的1/4。網(wǎng)絡(luò)經(jīng)濟以接近于實時的速度收集、處理和應(yīng)用大量的信息,需按快速流動的信息來進行。經(jīng)濟節(jié)奏大大加快,一步落后就會步步落后。產(chǎn)品老化在加快,創(chuàng)新周期在縮短,競爭越來越成為一種時間的競爭。21世紀(jì)頭10年的經(jīng)濟將是在注重質(zhì)量的基礎(chǔ)上注重速度的經(jīng)濟。

7.網(wǎng)絡(luò)經(jīng)濟是創(chuàng)新型經(jīng)濟。它源于高技術(shù)和互聯(lián)網(wǎng),但又超越高技術(shù)和互聯(lián)網(wǎng)。網(wǎng)絡(luò)技術(shù)的發(fā)展日新月異,以此為基礎(chǔ)的網(wǎng)絡(luò)經(jīng)濟需強調(diào)研究開發(fā)和教育培訓(xùn),若非不斷創(chuàng)新,其新經(jīng)濟的“新”也就難以為繼了。在技術(shù)創(chuàng)新的同時還需有制度創(chuàng)新、組織創(chuàng)新、管理創(chuàng)新、觀念創(chuàng)新的配合。創(chuàng)新來自創(chuàng)造性,創(chuàng)造性的存在,要有從無序中尋求有序的環(huán)境,而創(chuàng)造性的發(fā)揮,則要求從有序中沖刺出來,產(chǎn)生適度的無序。

二、網(wǎng)絡(luò)經(jīng)濟的由來

網(wǎng)絡(luò)經(jīng)濟在世紀(jì)之交的蓬勃發(fā)展,是與1993年以來國際互聯(lián)網(wǎng)商務(wù)性應(yīng)用的急劇高漲分不開的。

但就網(wǎng)絡(luò)經(jīng)濟這一概念而言,則早已有之,而且由于不同學(xué)者對“網(wǎng)絡(luò)”和“經(jīng)濟”的不同理解,它有著不盡一致的內(nèi)涵。例如,早在80年代,有些日本學(xué)者鑒于第三產(chǎn)業(yè)中的商業(yè)、運輸業(yè)、金融業(yè)等均因有相應(yīng)的網(wǎng)絡(luò)而發(fā)展起來,就把服務(wù)經(jīng)濟稱為網(wǎng)絡(luò)經(jīng)濟,提出要研究這類網(wǎng)絡(luò)經(jīng)濟學(xué)問題;1992年我率中國信息經(jīng)濟學(xué)代表團,訪問貝爾實驗室時,有兩位美國學(xué)者送給我?guī)灼芯烤W(wǎng)絡(luò)經(jīng)濟問題的論文,其內(nèi)容是討論電子計算機局域網(wǎng)、廣域網(wǎng)的成本核算、收費標(biāo)準(zhǔn)等有關(guān)問題的,人們也把這類研究稱為網(wǎng)絡(luò)經(jīng)濟學(xué)(EconomicsofNetworks)。

現(xiàn)在成為時尚而流行的網(wǎng)絡(luò)經(jīng)濟或網(wǎng)絡(luò)經(jīng)濟學(xué),就其內(nèi)容而言,實際上是互聯(lián)網(wǎng)經(jīng)濟(InternetEconomy)或互聯(lián)網(wǎng)經(jīng)濟學(xué)(InternetEconomics)。當(dāng)然,這也是一種特定的信息網(wǎng)絡(luò)經(jīng)濟或信息網(wǎng)絡(luò)經(jīng)濟學(xué),它與信息經(jīng)濟或信息經(jīng)濟學(xué)有密切關(guān)系,這種關(guān)系是特殊與一般、局部與整體的關(guān)系。

人們利用網(wǎng)絡(luò),既可以傳遞信息,又可以從事各種社會和經(jīng)濟活動。網(wǎng)絡(luò)經(jīng)濟就是通過網(wǎng)絡(luò)進行的經(jīng)濟活動,這種網(wǎng)絡(luò)經(jīng)濟是經(jīng)濟網(wǎng)絡(luò)化的必然結(jié)果。網(wǎng)絡(luò)化極大地加快了經(jīng)濟的市場化和全球化進程,它有利于發(fā)展中國家通過逐步開放和適度監(jiān)管來利用世界上成熟的技術(shù)成果、有用的信息和知識資源以促進經(jīng)濟增長。

對網(wǎng)絡(luò)經(jīng)濟可從不同的層面去認(rèn)識它。從經(jīng)濟形態(tài)這一最高層面看,網(wǎng)絡(luò)經(jīng)濟就是有別于游牧經(jīng)濟、農(nóng)業(yè)經(jīng)濟、工業(yè)經(jīng)濟的信息經(jīng)濟或知識經(jīng)濟,由于所說的網(wǎng)絡(luò)是數(shù)字網(wǎng)絡(luò),所以它又是數(shù)字經(jīng)濟。在這種經(jīng)濟形態(tài)中,信息網(wǎng)絡(luò)尤其是智能化信息網(wǎng)絡(luò)將成為極其重要的生產(chǎn)工具,是一種全新的生產(chǎn)力。

從產(chǎn)業(yè)發(fā)展的中觀層面看,網(wǎng)絡(luò)經(jīng)濟就是與電子商務(wù)緊密相連的網(wǎng)絡(luò)產(chǎn)業(yè),既包括網(wǎng)絡(luò)貿(mào)易、網(wǎng)絡(luò)銀行、網(wǎng)絡(luò)企業(yè)以及其他商務(wù)性網(wǎng)絡(luò)活動,又包括網(wǎng)絡(luò)基礎(chǔ)設(shè)施、網(wǎng)絡(luò)設(shè)備和產(chǎn)品以及各種網(wǎng)絡(luò)服務(wù)的建設(shè)、生產(chǎn)和提供等經(jīng)濟活動。這就是目前信息產(chǎn)業(yè)界人士所宣揚的互聯(lián)網(wǎng)經(jīng)濟,它可細(xì)分為互聯(lián)網(wǎng)的基礎(chǔ)層、應(yīng)用層、服務(wù)層、商務(wù)層。電子商務(wù)是互聯(lián)網(wǎng)經(jīng)濟的一個重要內(nèi)容。據(jù)美國思科系統(tǒng)(中國)網(wǎng)絡(luò)技術(shù)有限公司提供的資料,美國互聯(lián)網(wǎng)經(jīng)濟1998年總收入為3014億美元,(注:1995年還只有50億美元,3年就增加到600倍,在1998年網(wǎng)絡(luò)經(jīng)濟的3014億美元收入中,電子商務(wù)就占了1020億美元。)超過了能源(2230億美元)和郵電(2700億美元)的收入,僅次于汽車工業(yè)的收入(3500億美元),但其按人平均的生產(chǎn)率(25萬美元)已高于汽車工業(yè)(16萬美元),此外還創(chuàng)造了就業(yè)崗位120多萬個;從1995—1998年美國互聯(lián)網(wǎng)經(jīng)濟增長了174.5%;1998年美國電子商務(wù)比過去所有的估計都高,達1000億美元。(注:以上資料見該公司副總裁林正剛在’99國家信息化發(fā)展論壇的報告:《Internet經(jīng)濟帶來的機遇與挑戰(zhàn))。)

從企業(yè)營銷、居民消費或投資的微觀層面看,網(wǎng)絡(luò)經(jīng)濟則是一個網(wǎng)絡(luò)大市場或大型的虛擬市場,其交易額幾乎每百天增加一倍。由于網(wǎng)絡(luò)用戶普遍看好這一市場,隨著網(wǎng)絡(luò)的擴大,網(wǎng)絡(luò)企業(yè)的股票市值不斷飚升。例如,美國的德爾公司自1990年上市以來其股票增值了3萬倍。又如美國的雅虎以400萬美元創(chuàng)業(yè),經(jīng)過4年半時間,其股票市值達到400億美元,增長1萬倍,拿其網(wǎng)絡(luò)股收益與其財務(wù)收益相比,超過40多倍。這說明網(wǎng)絡(luò)企業(yè)與傳統(tǒng)企業(yè)不同,其收益更多地來源于信息資產(chǎn)即無形資產(chǎn)的價值和增殖。網(wǎng)絡(luò)經(jīng)濟的上述三個層面是相互聯(lián)系的。網(wǎng)絡(luò)市場擴大了,網(wǎng)絡(luò)產(chǎn)業(yè)發(fā)展了,表現(xiàn)為全新經(jīng)濟形態(tài)的網(wǎng)絡(luò)經(jīng)濟也就必然水到渠成了。

三、網(wǎng)絡(luò)經(jīng)濟起作用的因素

傳統(tǒng)經(jīng)濟是物質(zhì)、能量型經(jīng)濟,其交易通行“物以稀為貴”的原則,商品價格對供求變化的剛性較大,甚至具有缺乏效率的僵硬凝固性,因資源匱乏使供應(yīng)受阻往往成為經(jīng)濟的通病。網(wǎng)絡(luò)經(jīng)濟是信息、知識型經(jīng)濟,其交易則通行應(yīng)用越廣價值越大的原則,商品價格最大限度地接近于嚴(yán)格反映供求變化的市場價格,對買賣雙方具有互動協(xié)商、互利雙贏的優(yōu)越性,因收入與財富的懸殊加劇使需求不旺很可能影響經(jīng)濟發(fā)展。

網(wǎng)絡(luò)經(jīng)濟與傳統(tǒng)經(jīng)濟相比,不僅勞動生產(chǎn)率高,(注:例如,美國90年代的生產(chǎn)率年增速度是60年代的2倍,是70年代和80年代的4倍。)而且創(chuàng)造財富快。(注:網(wǎng)絡(luò)經(jīng)濟的財富創(chuàng)造主要不看短期利潤,而著眼于信息資產(chǎn)或知識資產(chǎn)在長期的增值。據(jù)香港《大周刊》1999年3月6日的報道,美國比爾·蓋茨的財富在1998年每小時增加210萬美元。)近3年(1995—1998年)來,美國經(jīng)濟增長有35%依賴于網(wǎng)絡(luò)經(jīng)濟的發(fā)展。(注:見人民日報1999年6月24日《美國經(jīng)濟三年增長三成有賴網(wǎng)絡(luò)經(jīng)濟》。)網(wǎng)絡(luò)經(jīng)濟會促進經(jīng)濟的高增長、高就業(yè)、低通脹和經(jīng)濟周期波動的平緩。美國90年代經(jīng)濟近五六年來的實績提供了一個例證。網(wǎng)絡(luò)經(jīng)濟的這種作用是由多種因素決定的。

從網(wǎng)絡(luò)經(jīng)濟的基礎(chǔ)設(shè)施或主要工具信息網(wǎng)絡(luò)的作用看,信息網(wǎng)絡(luò)有強大的支撐效應(yīng)、滲透效應(yīng)、帶動效應(yīng)。特別要指出的是信息網(wǎng)絡(luò)發(fā)展過程中有些規(guī)律對網(wǎng)絡(luò)經(jīng)濟起著支配作用,這就是以下的三大規(guī)律:

1.信息技術(shù)功能價格比的莫爾定律(Moore’sLaw)。按此定律,計算機硅芯片的功能每18個月翻一番,而價格以減半數(shù)下降。該定律的作用從60年代以來已持續(xù)30多年,預(yù)計還會持續(xù)20年。它揭示了信息技術(shù)產(chǎn)業(yè)快速增長的發(fā)動機和持續(xù)變革的根源。

2.信息網(wǎng)絡(luò)擴張效應(yīng)的梅特卡夫法則(MetcalfeLaw)。按此法則,網(wǎng)絡(luò)的價值等于網(wǎng)絡(luò)節(jié)點數(shù)的平方。這說明網(wǎng)絡(luò)效益隨著網(wǎng)絡(luò)用戶的增加而呈指數(shù)增長?;ヂ?lián)網(wǎng)的用戶大概每半年翻一番,互聯(lián)網(wǎng)的通信量大概每百天翻一番,這種爆炸性增長必然會帶來網(wǎng)絡(luò)效益的飛快高漲?;ヂ?lián)網(wǎng)企業(yè)概念股市值連續(xù)上揚的原因就與人們的這類預(yù)期有關(guān)。

3.信息活動中優(yōu)劣勢強烈反差的馬太效應(yīng)(MatthewsEffect)(注:源出《新約全書·馬太福音》第25章中的話:“因為有的,還要加給他,叫他有余;沒有的,連他所有的,也要奪過來。”)律。在信息活動中由于人們的心理反應(yīng)和行為慣性,在一定條件下,優(yōu)勢或者劣勢一旦出現(xiàn),就會不斷加劇而自行強化,出現(xiàn)滾動的累積效果。因此,某個時期內(nèi)往往會出現(xiàn)強者越強、弱者越弱的局面,而且由于名牌效應(yīng),還可能發(fā)生強者統(tǒng)贏、勝者統(tǒng)吃的現(xiàn)象。(注:令人擔(dān)憂的是,網(wǎng)絡(luò)經(jīng)濟的發(fā)展會加劇發(fā)達國家與發(fā)展中國家的“南北”差距。據(jù)聯(lián)合國技經(jīng)貿(mào)信息網(wǎng)新聞的報道,至1998年,在國際互聯(lián)網(wǎng)1.3億用戶中,發(fā)展中國家只有1000多萬,占7.8%,而發(fā)達國家有1.2億,占92.2%;在發(fā)展中國家每440人有一個國際互聯(lián)網(wǎng)用戶,而在發(fā)達國家每6.8人中就有一個國際互聯(lián)網(wǎng)用戶。信息社會中“信息富裕”與“信息貧困”的差異,在信息經(jīng)濟中將表現(xiàn)為“信息經(jīng)濟發(fā)達”與“信息經(jīng)濟落后”的差異。)

從網(wǎng)絡(luò)經(jīng)濟的本身看,首先它使經(jīng)濟活動的擴展具有全球性,可達互聯(lián)網(wǎng)連結(jié)的所有國家和地區(qū),進入全球市場,擴大營銷范圍,并充分利用全世界的生產(chǎn)要素。其次,它使經(jīng)濟活動的低成本和高效率具有十分廣泛的普遍性,上網(wǎng)的企業(yè)、家庭和其他單位,都會因交易費用降低、商機選擇增多而獲益。再次,它還使經(jīng)濟活動的主體行為有多項選擇性,促進生產(chǎn)與消費的個性化。

盡管有這么多的因素使網(wǎng)絡(luò)經(jīng)濟嶄露頭角,給傳統(tǒng)經(jīng)濟帶來了巨大的沖擊。但應(yīng)當(dāng)看到,傳統(tǒng)經(jīng)濟始終是哺育網(wǎng)絡(luò)經(jīng)濟的母體。迄今為止,網(wǎng)絡(luò)經(jīng)濟的發(fā)展仍存在一系列制約因素,其中有技術(shù)因素,更有制度因素,這在發(fā)展中國家尤為明顯。即使在發(fā)達國家,由于把網(wǎng)絡(luò)技術(shù)用于各種目的,推動了軟硬件的生產(chǎn),因把萬維網(wǎng)推廣到全世界掀起了一陣陣熱潮,結(jié)果使投資激增,新企業(yè)不斷涌現(xiàn),整個經(jīng)濟迅猛擴張,但在發(fā)展進程中同樣存在一些不確定因素和一定的風(fēng)險。前景誘人的網(wǎng)絡(luò)經(jīng)濟,其真正的優(yōu)越性在于持續(xù)的變革:以變應(yīng)變。

四、網(wǎng)絡(luò)經(jīng)濟對經(jīng)濟理論的影響

由于網(wǎng)絡(luò)經(jīng)濟是信息經(jīng)濟的一個特稱或別稱,它對經(jīng)濟理論的影響,主要是通過兩個途徑實現(xiàn)的。一個途徑是以新的視野或用新的方法來解釋原有的理論,使其有新發(fā)展。例如,引入信息的不完全性、有成本性、非對稱性,使經(jīng)濟學(xué)中傳統(tǒng)的市場理論、均衡理論、企業(yè)理論等等發(fā)生了質(zhì)的變化。另一個途徑是從新的經(jīng)濟現(xiàn)象出發(fā),研究和確立新的經(jīng)濟理論。例如,信息產(chǎn)業(yè)的發(fā)展推動經(jīng)濟學(xué)在研究邊際效益遞增理論、無形資產(chǎn)及其評估理論的作用等等。

網(wǎng)絡(luò)經(jīng)濟對經(jīng)濟理論有廣泛而深刻的影響,這里選擇幾個重要的經(jīng)濟理論因受網(wǎng)絡(luò)經(jīng)濟發(fā)展的影響而產(chǎn)生的變化,進行必要的剖析。

1.對生產(chǎn)力要素理論的影響

生產(chǎn)力是生產(chǎn)關(guān)系的物質(zhì)基礎(chǔ)。生產(chǎn)力究竟是由哪些要素組成的,歷來有不同的觀點。例如,“兩要素說”把生產(chǎn)力理解為人類作用于自然界的生產(chǎn)能力,它“由用來生產(chǎn)物質(zhì)資料的生產(chǎn)工具,以及有一定的生產(chǎn)經(jīng)驗和勞動技能來使用生產(chǎn)工具、實現(xiàn)物質(zhì)資料生產(chǎn)的人”(注:《斯大林文選》(1934—1952年),人民出版社1962年版,第195頁。)共同組成?!叭卣f”認(rèn)為生產(chǎn)力指的是生產(chǎn)總量,決定該量的生產(chǎn)過程的要素即生產(chǎn)要素也就是生產(chǎn)力要素。因此,它除勞動工具和勞動力之外,還包括勞動對象。勞動對象的發(fā)掘與變革對生產(chǎn)力的增長起著越來越大的明顯作用?!岸嘁卣f”視生產(chǎn)力為生產(chǎn)率或勞動生產(chǎn)率,而它的高低除受上述三要素的影響外,還取決于“科學(xué)的發(fā)展水平和它在工藝上應(yīng)用的程度,生產(chǎn)過程的社會結(jié)合,……自然條件”,(注:《馬克思恩格斯全集》第23卷,人民出版社1975年版,第53頁。)以及其他要素。

“多要素說”隨著社會生產(chǎn)的發(fā)展而發(fā)展。這種發(fā)展,一方面表現(xiàn)在決定生產(chǎn)力的主導(dǎo)因素的變化上,如從生產(chǎn)工具主導(dǎo)論到“科技是第一生產(chǎn)力”的科技進步主導(dǎo)論的變化。另一方面表現(xiàn)為決定生產(chǎn)力的要素在不斷增加中,除科技、管理外,又有教育、信息與知識(注:世界銀行1998/1999年報告《知識與發(fā)展》認(rèn)為,“信息是每一個經(jīng)濟的生命線”,“知識是發(fā)展的關(guān)鍵”,“知識就是發(fā)展”。中國財政經(jīng)濟出版社1999年版,第72、130頁。)等。

1991年我曾提出,“信息是最重要的生產(chǎn)力軟要素”,并對此觀點作過全面的論述。(注:烏家培:《信息與經(jīng)濟》,清華大學(xué)出版社1993年版,第27—30頁。)網(wǎng)絡(luò)經(jīng)濟的發(fā)展,對生產(chǎn)力要素理論產(chǎn)生了全面的影響,這表現(xiàn)在:(1)使生產(chǎn)力的首要因素勞動力對其信息能力即獲取、傳遞、處理和運用信息的能力的依賴空前增強,并促進新型勞動者即信息勞動者的出現(xiàn)與快速增加。(2)使生產(chǎn)力中起積極作用的活躍因素勞動工具網(wǎng)絡(luò)化、智能化以及隱含在其內(nèi)的信息與知識的份量急劇增大,信息網(wǎng)絡(luò)本身也成了公用的或?qū)S玫闹匾獎趧庸ぞ?。?)使不可缺少的生產(chǎn)要素勞動對象能得到更好的利用,并擴大其涵蓋的范圍,數(shù)據(jù)、信息、知識等都成了新的勞動對象。(4)使生產(chǎn)力發(fā)展中起革命性作用的科學(xué)技術(shù)如虎添翼,由于科技情報交流的加強和科技合作研究的發(fā)展,科技進步日新月異,信息科技成了高科技的主要代表,它對社會和經(jīng)濟的滲透作用和帶動作用不斷強化。(5)使對生產(chǎn)力發(fā)展有長期的潛在的重要作用的教育發(fā)生了根本性變革,遠(yuǎn)程教育、終身教育日趨重要,本來就是與信息相互交融的教育更加信息化、社會化和全球化了。(6)使組合、協(xié)調(diào)生產(chǎn)力有關(guān)要素以提高它們綜合效益的管理對生產(chǎn)力發(fā)展的決定性作用更加強化,導(dǎo)致管理科技甚至也成了高科技。管理信息化已發(fā)展到內(nèi)聯(lián)網(wǎng)、外聯(lián)網(wǎng)、互聯(lián)的網(wǎng)際網(wǎng)新階段,并與各種業(yè)務(wù)流程信息化相融合。信息不僅是管理的基礎(chǔ),而且與知識一道也成了管理的對象。信息管理、知識管理日益成為管理的重要組成部分和新型的增長點。(7)使作為生產(chǎn)力特殊軟要素的信息與知識通過對生產(chǎn)力其他要素所起的重大影響和通過對這些要素的有序化組織、總體性協(xié)調(diào),發(fā)揮其物質(zhì)變精神、精神變物質(zhì)兩個過程相互結(jié)合的特殊作用。

2.對邊際效益遞減理論作用范圍的影響

在農(nóng)業(yè)經(jīng)濟和工業(yè)經(jīng)濟中,由于物質(zhì)、能量資源的有限性或稀缺性、技術(shù)進步的相對穩(wěn)定性、市場容量的飽和性,當(dāng)需求依靠供給來滿足時,任一投入產(chǎn)出系統(tǒng)中,隨著投入的增加邊際產(chǎn)出(即邊際效益)呈遞減趨勢。這一規(guī)律性現(xiàn)象廣泛存在,有普遍性。

到了信息經(jīng)濟尤其是其網(wǎng)絡(luò)經(jīng)濟階段,信息資源成了主要資源,該資源可再生和重復(fù)利用,對其生產(chǎn)者無競爭性而對其使用者無排他性,它的成本不隨使用量的增加而成比例增加;同時信息技術(shù)發(fā)展快、變化大、生命周期短;而且需求往往是由供給創(chuàng)造的,產(chǎn)品受市場容量飽和的影響較小。因此在投入與產(chǎn)出的關(guān)系中出現(xiàn)了邊際效益遞增的規(guī)律性現(xiàn)象,這種現(xiàn)象還會因網(wǎng)絡(luò)效應(yīng)的作用而強化。

邊際效益遞減是與負(fù)反饋相聯(lián)系的,而邊際效益遞增是與正反饋相聯(lián)系的。負(fù)反饋反映原有的差異逐漸縮小以至消失的傾向,正反饋則反映初始的微小差異不斷擴大導(dǎo)致全然不同結(jié)果的趨勢。當(dāng)然,這種變化都是有條件的。

認(rèn)為在傳統(tǒng)的工農(nóng)業(yè)經(jīng)濟中只有邊際效益遞減的規(guī)律性而在信息經(jīng)濟或網(wǎng)絡(luò)經(jīng)濟中只有邊際效益遞增的規(guī)律性的那種觀點,是與現(xiàn)實相背的。人們會發(fā)現(xiàn),在物質(zhì)產(chǎn)品生產(chǎn)達到一定的經(jīng)濟規(guī)模之前也有邊際效益遞增的現(xiàn)象,而在信息產(chǎn)品生產(chǎn)中當(dāng)技術(shù)方向有問題時也會出現(xiàn)邊際效益遞減甚至為零或負(fù)的現(xiàn)象。網(wǎng)絡(luò)經(jīng)濟所改變的僅僅是縮小了邊際效益遞減規(guī)律的作用范圍,使它在經(jīng)濟活動中不再成為起主導(dǎo)作用的規(guī)律。

3.對規(guī)模經(jīng)濟理論相對重要性的影響

在工業(yè)經(jīng)濟中,由于社會分工、專業(yè)化協(xié)作的發(fā)展,由于機械化、自動化以及由此而來的生產(chǎn)流水線的發(fā)展,當(dāng)鋼鐵、汽車、石化等固定成本占總成本很大比例的產(chǎn)業(yè)在經(jīng)濟中起主導(dǎo)作用時,規(guī)模經(jīng)濟即產(chǎn)品單位成本隨著產(chǎn)品數(shù)量增加而降低所帶來的經(jīng)濟性,是提高經(jīng)濟效益、優(yōu)化資源配置的主要途徑。

在信息經(jīng)濟或網(wǎng)絡(luò)經(jīng)濟中,盡管規(guī)模經(jīng)濟仍然是提高經(jīng)濟效益、優(yōu)化資源配置的重要途徑,但由于生產(chǎn)技術(shù)和管理技術(shù)的集成化、柔性化發(fā)展,數(shù)字化神經(jīng)網(wǎng)絡(luò)系統(tǒng)的建立與應(yīng)用,由于外部市場內(nèi)部化同外包業(yè)務(wù)模式的并行發(fā)展,還由于相關(guān)業(yè)務(wù)甚至不同業(yè)務(wù)的融合,當(dāng)軟件、多媒體、信息咨詢服務(wù)、研究與開發(fā)、教育與培訓(xùn)、網(wǎng)絡(luò)設(shè)備與產(chǎn)品等變動成本占總成本較高比例的信息產(chǎn)業(yè)、網(wǎng)絡(luò)產(chǎn)業(yè)、知識產(chǎn)業(yè)在經(jīng)濟中起主導(dǎo)作用時,增加經(jīng)濟性效應(yīng)的途徑越來越多樣化了。范圍經(jīng)濟(通過產(chǎn)品品種或種類的增加來降低單位成本)變得更加重要了,差異經(jīng)濟(通過產(chǎn)品或服務(wù)差異性的增加來降低成本和增加利潤)、成長經(jīng)濟(通過拓展企業(yè)內(nèi)外部的成長空間來獲取利潤)、時效經(jīng)濟(通過搶先利用機遇擴大市場份額來贏得競爭優(yōu)勢)等各種提高經(jīng)濟效益的新途徑出現(xiàn)了,這些途徑不僅大企業(yè)在利用,而且更有利于大量中小企業(yè)加以利用。

無可否認(rèn),規(guī)模經(jīng)濟作為人類經(jīng)濟活動提高效益的基本途徑,這個事實沒有變,但它的相對重要性由于網(wǎng)絡(luò)經(jīng)濟的發(fā)展確實變化了,它不再是最重要的更不是唯一的經(jīng)濟性效應(yīng)。

4.對通貨膨脹率與失業(yè)率此消彼長“理論”的影響

英國經(jīng)濟學(xué)家A·W·菲利普斯于1958年提出失業(yè)率與通貨膨脹率(或物價上漲率)之間存在著此消彼長的變動關(guān)系,低失業(yè)率與高通脹率相陪伴,而高失業(yè)率則與低通脹率同時并存,若用縱坐標(biāo)表示通脹率、橫坐標(biāo)表示失業(yè)率,那么兩者之間的這種關(guān)系就表現(xiàn)為從左上方向右下方傾斜的曲線,這就是所謂菲利普斯曲線。

上述“理論”已為資本主義經(jīng)濟發(fā)展的實踐所否定。70—80年代兩次石油危機時期,出現(xiàn)了高失業(yè)率與高通脹率相并存的“滯脹”,了失業(yè)率與通脹率反方向變動和可相互替換的“理論”。到了90年代,信息產(chǎn)業(yè)和經(jīng)濟全球化的發(fā)展,使美國出現(xiàn)了在經(jīng)濟高增長中低失業(yè)率與低通脹率并存的新經(jīng)濟現(xiàn)象,又一次從另一個方面證明了不存在什么菲利普斯曲線。據(jù)美國商務(wù)部分析,1996年和1997年,美國信息技術(shù)產(chǎn)業(yè)的價格下降使國民經(jīng)濟的價格指數(shù)下降了1個百分點,導(dǎo)致通脹率成為30年來最低點,同時信息技術(shù)產(chǎn)業(yè)還在以往5年內(nèi)提供了1500萬個工作崗位,使失業(yè)率降到24年來最低點。

有些文章為了強調(diào)知識經(jīng)濟對傳統(tǒng)經(jīng)濟理論的沖擊,把新經(jīng)濟實踐對菲利普斯曲線的科學(xué)性與有效性的否定說成是“第一次”,是不準(zhǔn)確的。

5.對經(jīng)濟周期波動理論的影響

正像工業(yè)與工業(yè)化熨平傳統(tǒng)農(nóng)業(yè)生產(chǎn)的季節(jié)性波動一樣,信息業(yè)與信息化熨平了傳統(tǒng)工業(yè)(汽車業(yè)、建筑業(yè)等)經(jīng)濟的周期性波動。按照美國經(jīng)濟學(xué)家熊彼特的“創(chuàng)新理論”,由于創(chuàng)新的產(chǎn)生不是連續(xù)的、平穩(wěn)的,而是時高時低的,因此會出現(xiàn)經(jīng)濟的周期性波動,每個周期包括危機、蕭條、復(fù)蘇、高漲四個階段。第一次世界大戰(zhàn)前,主要資本主義國家大約平均間隔8—10年爆發(fā)一次危機。第二次世界大戰(zhàn)后,由于發(fā)達國家采取了反危機措施,使經(jīng)濟周期變形,危機持續(xù)時間縮短,蕭條和復(fù)蘇之間的界限因經(jīng)濟上升加快而不明顯,高漲時經(jīng)濟發(fā)展勁頭不強。于是,出現(xiàn)了經(jīng)濟衰退與經(jīng)濟高漲交替更迭的簡化經(jīng)濟周期說。以美國經(jīng)濟為例,自1991年4月走出二戰(zhàn)后第9次衰退期以來,經(jīng)濟高漲已持續(xù)8年半了。

怎樣解釋美國經(jīng)濟周期這種新變化呢?當(dāng)然,這是多種原因共同作用的結(jié)果。但是,最主要的一個原因是:90年代以來美國以信息技術(shù)及其產(chǎn)業(yè)為代表的高技術(shù)及其產(chǎn)業(yè)的迅猛發(fā)展,導(dǎo)致經(jīng)濟周期進一步變形。正如美國聯(lián)邦儲備委員會主席格林斯潘所說的,“信息技術(shù)無疑鞏固了企業(yè)經(jīng)營的穩(wěn)定性”。(注:參見《與高技術(shù)產(chǎn)業(yè)息息相關(guān)的新經(jīng)濟周期》,參考消息1997年5月13日。)在美國信息技術(shù)等高技術(shù)的產(chǎn)業(yè)已經(jīng)取代了傳統(tǒng)的周期性產(chǎn)業(yè),而成為推動經(jīng)濟增長的主要動力。當(dāng)美國1995年和1996年汽車產(chǎn)業(yè)和房地產(chǎn)業(yè)陷入蕭條時,適逢信息技術(shù)產(chǎn)業(yè)異軍突起,結(jié)果促進了經(jīng)濟再高漲。隨著網(wǎng)絡(luò)經(jīng)濟尤其是電子商務(wù)的興起,則會更有利于延緩衰退期的到來,而使經(jīng)濟繼續(xù)趨向高漲。但是,經(jīng)濟周期波動決不會因此而消失。在一定條件下,高技術(shù)及其產(chǎn)業(yè)也有衰退的可能。何況經(jīng)濟周期波動不僅僅是由技術(shù)與產(chǎn)業(yè)的狀態(tài)所決定的。在經(jīng)濟波動與金融波動相互影響加劇、彼此依存更加緊密的環(huán)境下,發(fā)生經(jīng)濟波動是很難避免的。

第8篇:神經(jīng)網(wǎng)絡(luò)經(jīng)濟學(xué)范文

關(guān)鍵字:大數(shù)據(jù);圖書館;用戶滿意度

1 引言

隨著計算機的極速發(fā)展、存儲器性能的提升,還有物聯(lián)網(wǎng)、移動互聯(lián)網(wǎng)、傳感器等新科技的發(fā)展,數(shù)據(jù)增長的數(shù)度已經(jīng)逐漸超出人們可以接受的范圍,而且這一速度還在不斷增長。這些大量的半結(jié)構(gòu)化和非結(jié)構(gòu)化的數(shù)據(jù)是人類活動的最真實記錄。最早提出“大數(shù)據(jù)”概念的是全球著名咨詢公司麥肯錫,其的《大數(shù)據(jù):創(chuàng)新、競爭和生產(chǎn)力的下一個前沿領(lǐng)域》,首次提出了“大數(shù)據(jù)”,并指出“數(shù)據(jù)已經(jīng)滲透到每一個行業(yè)和業(yè)務(wù)職能領(lǐng)域,逐漸成為重要的生產(chǎn)因素;而人們對于大數(shù)據(jù)的運用將預(yù)示著新一波生產(chǎn)率增長和消費者盈余浪潮的到來。”[1]毫無疑問,通過合理的技術(shù)去挖掘、識別、分析大數(shù)據(jù),可以找到很多通過常規(guī)數(shù)據(jù)技術(shù)難以發(fā)現(xiàn)的財富。大數(shù)據(jù)分析已經(jīng)在很多商業(yè)領(lǐng)域得到應(yīng)用,本文站在圖書館用戶的視角上分析如何利用大數(shù)據(jù)分析提升圖書館用戶滿意度。

圖書館用戶滿意度是指用戶對圖書館提供服務(wù)的滿意程度,是用戶在接受圖書館一次或者多次服務(wù)后的內(nèi)心評價和主觀感受,是其預(yù)期效果和實際所接受服務(wù)效果的比較[2]。當(dāng)前對提升圖書館用戶滿意度的方法大多是通過發(fā)放問卷調(diào)查,建立相關(guān)模型,運用統(tǒng)計學(xué)和計量學(xué)的知識進行分析,最后通過定性和定量的方法來采取相應(yīng)的措施提高滿意度。但由于收集數(shù)據(jù)方法的局限性和理論模型本身就存在的缺陷,分析得出的結(jié)論和采取的措施未必都有效。圖書館歷來都是信息收集和管理的重要場所,長時間運營以來積累了大量的結(jié)構(gòu)化數(shù)據(jù)、半結(jié)構(gòu)化數(shù)據(jù)以及非結(jié)構(gòu)化數(shù)據(jù)。通過對這些數(shù)據(jù)的管理和運用,圖書館可以建立其智能分析、輔助決策系統(tǒng),準(zhǔn)確、及時獲取用戶的數(shù)據(jù),為圖書館更好的了解用戶、分析用戶提高用戶滿意度提供支持,提高圖書館的核心競爭力。

圖書館日益增長的數(shù)據(jù),這本身就是一種資源,若不對其進行開采,那就是一種浪費。隨著大數(shù)據(jù)處理技術(shù)的逐漸成熟,圖書館也具備了運用大數(shù)據(jù)來提高用戶滿意度的可行性。因此本文研究的目標(biāo),就是利用大數(shù)據(jù)帶來的機遇,借助數(shù)據(jù)倉庫、數(shù)據(jù)挖掘、商務(wù)智能、專家系統(tǒng)、人工智能等現(xiàn)代信息技術(shù)手段,提出一個能夠改善圖書館用戶服務(wù)、提升圖書用戶滿意度的解決方案。

2 文獻綜述

2.1 大數(shù)據(jù)

“大數(shù)據(jù)”(big data)是IT領(lǐng)域在“云計算”、“Web 2.0”、“移動互聯(lián)網(wǎng)”等之后,近兩年最流行的詞匯。根據(jù)著名咨詢公司IDC統(tǒng)計[3],2013年全球被創(chuàng)建和復(fù)制到數(shù)據(jù)總量為1.8ZB(10的21次方),F(xiàn)acebook每天有約1000萬張的照片更新和30億次的點擊率;Twitter每天有超過4億條Tweet發(fā)送;Google通過大規(guī)模集群和MapReduce,每月要處理超過400PB的數(shù)據(jù);淘寶會員超過3.7億,在線商品超過8.8億,每天交易數(shù)千萬筆,產(chǎn)生月20TB的數(shù)據(jù)。同時,隨著傳感器和物聯(lián)網(wǎng)的蓬勃發(fā)展,數(shù)據(jù)正在億前所未有的數(shù)度不斷的累積和增長。近幾年,《Nature》和《Science》等國際頂級學(xué)術(shù)期刊相繼出版??瘉韺iT探討對大數(shù)據(jù)的研究。2008年《Nature》推出了??癇ig Data”,從互聯(lián)網(wǎng)技術(shù)、網(wǎng)絡(luò)經(jīng)濟學(xué)、超級計算、環(huán)境科學(xué)、生物醫(yī)學(xué)等多個方面介紹了海量數(shù)據(jù)帶來的挑戰(zhàn)。《Science》與2011年推出了??癉ealing with Data”,主要圍繞著科學(xué)研究中大數(shù)據(jù)的問題展開討論,說明大數(shù)據(jù)對于科學(xué)研究的重要性。更加值得關(guān)注的是,2012年3月,奧巴馬政府了“大數(shù)據(jù)研究和發(fā)展倡議”[4],計劃在科學(xué)研究、環(huán)境、生物醫(yī)學(xué)等領(lǐng)域利用大數(shù)據(jù)技術(shù)進行突破。奧巴馬政府的這一計劃被認(rèn)為美國政府繼“信息高速公路(Information Highway)”計劃之后在信息科學(xué)領(lǐng)域的又一重大舉措。與此同時,包括IBM、Oracle、HP、Microsoft等IT行業(yè)巨頭都紛紛加入到大數(shù)據(jù)行列中,通過收購與大數(shù)據(jù)相關(guān)的軟硬件技術(shù)公司,來實現(xiàn)大數(shù)據(jù)軟硬件一體化技術(shù)整合,力求在新的信息競爭環(huán)境中處于更加主動的地位,獲取更有利的競爭優(yōu)勢。

面對各行各業(yè)海量的數(shù)據(jù),首先要面對的問題就是如何對這些結(jié)構(gòu)化、半結(jié)構(gòu)化甚至被結(jié)構(gòu)化的數(shù)據(jù)進行有效的組織和管理。長時間以來,人們研究的對象都是結(jié)構(gòu)化數(shù)據(jù),如目前占據(jù)絕對主流的關(guān)系數(shù)據(jù)庫,因而人們總希望在數(shù)據(jù)生成是就按照特有的結(jié)構(gòu)和模式對數(shù)據(jù)進行整理。而對于非結(jié)構(gòu)化甚至半結(jié)構(gòu)化的處理,則是在慢慢發(fā)展。海量的電子政務(wù)數(shù)據(jù)、移動終端數(shù)據(jù)、網(wǎng)站日志、社交網(wǎng)絡(luò)數(shù)據(jù)、來自物聯(lián)網(wǎng)傳感器的數(shù)據(jù)、企業(yè)和公共部門長期積累的數(shù)據(jù)等都是大數(shù)據(jù)的主要來源,將這些數(shù)據(jù)互惠共享、融會分析將會產(chǎn)生巨大的經(jīng)濟和社會效益。而目前大數(shù)據(jù)最顯著最直接的應(yīng)用就是市場營銷和信息公共服務(wù),如對企業(yè)或公共服務(wù)部門積累的數(shù)據(jù)進行利用、挖掘則可以從更多的角度了解用戶,從而針對存在的問題制定出相應(yīng)的解決方案,提升用戶對企業(yè)或服務(wù)部門的滿意度。

2.2 圖書館用戶滿意度

圖書館因用戶存在,服務(wù)是圖書館永恒的工作主題。雖然隨著信息技術(shù)的發(fā)展,信息環(huán)境和信息用戶的需求都在迅速改變,使得圖書館在職能定位、服務(wù)范圍、服務(wù)手段和服務(wù)內(nèi)容等方面都發(fā)生了很大的變化,但圖書館的使命從來沒有發(fā)生過改變,無論是最基本的文獻提供服務(wù)還是迅速發(fā)展的參考咨詢等新服務(wù),都是為了更好的滿足圖書館用戶的需求,是用戶能夠最大限度的利用圖書館資源,發(fā)揮圖書館應(yīng)有的價值。因此,探索提高服務(wù)質(zhì)量、提升服務(wù)效果的措施便是圖書館工作的重點。根據(jù)之前對一般用戶滿意度的定義“用戶對用戶接受產(chǎn)品或服務(wù)的實際感受值與其期望值的比較程度”,圖書館用戶滿意度也可認(rèn)為是:圖書館用戶在接受圖書館服務(wù)和使用圖書館設(shè)施的過程總的感受值與其期望值的比較程度,定量測量圖書館用戶滿意度的水平。

從文獻中,我們可以發(fā)現(xiàn)大多數(shù)對圖書館用戶滿意度的研究,其收集數(shù)據(jù)的方式仍然是以發(fā)放調(diào)查問卷為主,輔助以其他的調(diào)查方法,如電子郵件調(diào)查、受理投訴、電話訪問等方法。雖然問卷調(diào)查的科學(xué)性毋庸置疑,但其局限性也很明顯:被訪問者會受到很多外界的影響,而這些影響是幾乎不可能避免的。并且由于受到成本和時間的限制,其發(fā)放問卷的數(shù)量和抽樣選擇被訪者會受到制約。同時,采用問卷調(diào)查收集數(shù)據(jù)的方法已經(jīng)存在學(xué)術(shù)界多年,筆者認(rèn)為應(yīng)該嘗試新的方法。另外,用戶滿意度,即用戶要求被滿足的程度,這種高低大小不取決于企業(yè),而是取決于用戶的心理。用戶滿意度是一種主觀感知、自我體驗和情感判斷,這種“似是而非”的模糊情況,廣泛存在。同時,可能由于用戶的個人因素,如社會因素、消費因素、外部環(huán)境因素等,導(dǎo)致用戶對圖書館服務(wù)的感覺隨時都會發(fā)生變化。最后,用戶滿意度僅僅是用戶過去心理狀態(tài)的反應(yīng),而非當(dāng)前,這意味著,用戶滿意度存在著滯后的特點。這意味著最后得出的結(jié)論可能不能正確的為決策提供幫助。

綜上所述,在當(dāng)前的大數(shù)據(jù)時代,圖書館應(yīng)該利用好這個機遇,充分利用圖書館本身就是一個信息收集和利用的場所的天然優(yōu)勢,通過先進的數(shù)據(jù)分析技術(shù)從圖書館的大數(shù)據(jù)中提取有益的知識。大數(shù)據(jù)技術(shù)可以幫助圖書館獲得準(zhǔn)確、及時的用戶數(shù)據(jù),有助于管理者及時了解圖書館最新知識服務(wù)的趨勢并作出決策、調(diào)整服務(wù)方向,提高用戶的滿意度,提高圖書館的核心競爭力。同時,借鑒大數(shù)據(jù)在其他行業(yè)如互聯(lián)網(wǎng)行業(yè)、金融行業(yè)等已經(jīng)成功或者正在進行中的案例,結(jié)合合理的大數(shù)據(jù)處理技術(shù),開辟出一條針對圖書館用戶滿意度提升研究的新道路。

3 理論方案

從整體上看,當(dāng)前對于圖書館用戶滿意度的應(yīng)用研究主要還是將用戶滿意度作為中間變量,分析其與其他變量之間的關(guān)系,從而得出相應(yīng)的結(jié)論來支持決策。而隨著大數(shù)據(jù)概念的日益深入人心以及相關(guān)技術(shù)的迅猛發(fā)展,使得對圖書館用戶滿意度的提升有了新的方法。建立圖書館用戶滿意度的因素分析模型和對用戶滿意度進行大數(shù)據(jù)挖掘分析相比,前者是利用統(tǒng)計計量工具對用戶滿意度進行因素分析,是相對靜態(tài)的分析,分析模式是固定的;而后者則是通過分析來發(fā)現(xiàn)與用戶滿意度相關(guān)的、圖書館關(guān)心的模式,多進行的分析也是動態(tài)的、不規(guī)則的。因此也可以將利用大數(shù)據(jù)提升圖書館用戶滿意度看成是圖書館用戶滿意度模型分析的更深一層次的研究。

利用大數(shù)據(jù)提升圖書館用戶滿意度,其數(shù)據(jù)收集方式自然和以前靠發(fā)放問卷來收集數(shù)據(jù)不同,其來源主要有[5]:用戶借閱流通數(shù)據(jù)、館藏數(shù)目數(shù)據(jù)和電子數(shù)據(jù)、RFID(無線射頻識別)數(shù)據(jù)、社交網(wǎng)絡(luò)交互數(shù)據(jù)、移動互聯(lián)數(shù)據(jù)以及各種傳感器數(shù)據(jù)等。當(dāng)然,傳統(tǒng)提升圖書館用戶滿意度的數(shù)據(jù),如受理投訴、問卷調(diào)查等同樣可以加以利用。

隨著Hadoop開源框架及其相關(guān)技術(shù)的興起和完善,使得從技術(shù)的角度上來看,圖書館利用大數(shù)據(jù)進行用戶滿意度的提升研究成為了可能。一般來說,利用大數(shù)據(jù)提升圖書館用戶滿意度主要從以下幾個方面入手[5]:

(1)進行用戶流失分析,應(yīng)對圖書館用戶減少的尷尬局面。圖書館借助大數(shù)據(jù)數(shù)據(jù)對用戶需求的數(shù)據(jù)進行分析,不僅可以了解用戶的信息行為、需求意愿以及知識運用能力,還可以深度挖掘用戶在交互型知識服務(wù)中潛在的需求,從而針對性的展開服務(wù)吸引用戶。

(2)建立智能、靈活的社會網(wǎng)絡(luò)知識服務(wù)。圖書館通過分析各種數(shù)據(jù),從中發(fā)現(xiàn)有用的知識和關(guān)系,完善新的知識服務(wù)方式。

(3)建立知識服務(wù)導(dǎo)航機制??紤]用戶知識需求預(yù)測、多維數(shù)據(jù)資源的組織和分析、用戶行為智能分析、學(xué)術(shù)資源搜索以及推薦服務(wù)等。

3.1 方案和框架

隨著信息技術(shù)的發(fā)展,圖書館累積的數(shù)據(jù)越來越多。這些數(shù)據(jù)背后隱藏著虛度重要的信息,圖書館自然希望利用這些進行更高層次的分析。關(guān)系數(shù)據(jù)庫系統(tǒng)可以高效的數(shù)顯數(shù)據(jù)的錄入、修改、統(tǒng)計、查詢等,但在以非結(jié)構(gòu)化為主的大數(shù)據(jù)面前,無法發(fā)現(xiàn)數(shù)據(jù)中存在的關(guān)系和規(guī)則,導(dǎo)致了“數(shù)據(jù)豐富而知識匱乏”的現(xiàn)象。而我們提出的利用大數(shù)據(jù)提升圖書館用戶滿意度的方案,則可以很好的解決這一問題。

3.1.1 擬定方案

隨著數(shù)據(jù)量的飛速增長,大數(shù)據(jù)管理全生命周期過程包括大數(shù)據(jù)的獲取、存儲、組織、分析和決策五個階段[6]。傳統(tǒng)的數(shù)據(jù)分析計算策略是將數(shù)據(jù)移動到數(shù)據(jù)分析工具中進行計算,但這對于大數(shù)據(jù)而言,顯然成本太高,于是便需要一種新的大數(shù)據(jù)解決方案。隨著Hadoop開源框架及其相關(guān)技術(shù)的興起和完善,為解決傳統(tǒng)大數(shù)據(jù)處理方式所面臨的難題打開了局面。Hadoop的兩項關(guān)鍵服務(wù)[6]:采用Hadoop文不是文件系統(tǒng)的可靠大數(shù)據(jù)存儲服務(wù)以及基于MapReduce變成模型的高性能并行大數(shù)據(jù)處理服務(wù)能夠提供對結(jié)構(gòu)化、非結(jié)構(gòu)化數(shù)據(jù)快速、可靠的分析,并且可以整合傳統(tǒng)的數(shù)據(jù),從而是圖書館可以根據(jù)已有的信息和問題制定知識服務(wù)組合方式。在新的技術(shù)工具的支持下,運用數(shù)據(jù)挖掘的方法,對圖書館的大數(shù)據(jù)進行處理。數(shù)據(jù)挖掘使用的是基于發(fā)現(xiàn)的方法,運用模式匹配和其他算法決定數(shù)據(jù)之間的聯(lián)系,從數(shù)據(jù)中發(fā)現(xiàn)模式,致力于知識的自動發(fā)現(xiàn)。其一般有四種方法[7]:

(1)概念描述。是數(shù)據(jù)挖掘最基本的形式,是產(chǎn)生數(shù)據(jù)的特征化和比較描述。

(2)關(guān)聯(lián)分析[8]。從大量數(shù)據(jù)中個項集之間的引入重視的相互關(guān)聯(lián)和相互聯(lián)系。通過關(guān)聯(lián)分析來分析圖書館用戶滿意度,可以發(fā)現(xiàn)用戶滿意度和未知主題之間的關(guān)系,這種關(guān)系很多時候都具有很高的價值,可用于輔助決策。

(3)分類預(yù)測。分類預(yù)測技術(shù)通常包括神經(jīng)網(wǎng)絡(luò)、貝葉斯分類、判定樹歸納等。運用在用戶滿意度上可以對用戶進行分類,如高用戶滿意度的用戶、低滿意度的用戶等;也可以在一定條件下進行用戶滿意度的預(yù)測,由于數(shù)據(jù)的及時處理,其對于決策能夠提供很大的支持。

(4)聚類分析。聚類和分類不同,聚類要劃分的類型是未知的,也就是說更容易發(fā)現(xiàn)新的知識,在同一個類中的個體具有很高的相似度。對于圖書館用戶滿意度的分析,聚類分析可以在對用戶針對用戶滿意度進行分類的模式未知的情況下,對用戶進行聚類分析。

3.1.2 實施框架

從大數(shù)據(jù)管理生命周期角度來看,大數(shù)據(jù)綜合運用分為五個階段:獲取階段、存儲階段、組織階段、分析階段和決策階段[6]。據(jù)此,在運用大數(shù)據(jù)提升圖書館用戶滿意度時,我們制定的框架如下:

4 總結(jié)

大數(shù)據(jù)繼“云計算”、“物聯(lián)網(wǎng)”、“Web 2.0”、“移動互聯(lián)網(wǎng)”等之后,成為科技界、金融界甚至政府部門的熱門話題。雖然其定義尚不清晰,但由于其獨具的前瞻性和實用性已經(jīng)被運用在一些領(lǐng)域,尤其是IT界和市場營銷界。大數(shù)據(jù)帶來的全新的知識體系和服務(wù)模式,對圖書館不可避免的造成了沖擊。對以用戶為中心的圖書館來說,若仍然保持過去的服務(wù)和工作方式,無論對用戶而言還是對圖書館自身的發(fā)展而言,都沒有好處。抓住大數(shù)據(jù)帶來的機遇,從大量復(fù)雜的數(shù)據(jù)中分析、挖掘潛在的價值,從全新的角度研究用戶滿意度提升的新方法,從而有針對性的開展知識服務(wù),制定圖書館發(fā)展戰(zhàn)略將會是未來圖書館發(fā)展的方向。

參考文獻

[1]孟小峰,慈祥.大數(shù)據(jù)管理:概念、技術(shù)與挑戰(zhàn)[J].計算機研究與發(fā)展,2013,50(1):146-169

[2]武海東.基于結(jié)構(gòu)方程模型的圖書館讀者滿意度實證研究[D].重慶:重慶大學(xué),2009:7-9

[3]栗蔚,魏凱.大數(shù)據(jù)的技術(shù)、應(yīng)用和價值變革[J].電信網(wǎng)技術(shù),2013,7(7):6-10

[4]徐子沛. 大數(shù)據(jù)―正在到來的數(shù)據(jù)革命[M].桂林:廣西師范大學(xué)出版社,2012:128-132

[5]容春琳.公共圖書館應(yīng)用大數(shù)據(jù)的策略研究[J].圖書館建設(shè),2013,7:91-95

[6]郭自寬,張興旺,麥范金.大數(shù)據(jù)生態(tài)系統(tǒng)在圖書館中的應(yīng)用[J].情報資料工作,2013,2:23-28

相關(guān)熱門標(biāo)簽