地方政府债务风险非线性仿真预警系统的构建——基于粗糙集-BP神经网络方法集成的研究

发布时间：2021-10-18 21:30

　　在设计地方政府债务风险预警指标体系框架的基础上,吸收了粗糙集和BP神经网络等人工智能方法在数据处理上的优点,构建出基于粗糙集-BP神经网络集成的地方政府债务风险非线性仿真预警系统。选取我国2007～2009年东、中、西部地区9个县的27个样本数据,运用该非线性仿真预警系统进行了地方政府债务风险预警实证分析。研究结果表明,大部分样本地区的债务风险都处于"中警"及以上状态,地方政府债务风险普遍较高,同时,样本地区债务风险综合评价值是不断提高的,说明近年来我国地方政府债务风险呈现出不断上升的趋势。与单纯的BP神经网络仿真预警系统相比,该仿真预警系统不仅降低了BP神经网络的复杂性,节省了训练时间,而且具有更好的预警准确性和推广应用价值。 

【文章来源】：山西财经大学学报. 2012,34(03)北大核心CSSCI

【文章页数】：10 页

【部分图文】：

地方政府债务风险影响系统的构成

、权值等参数，直至达到训练要求为止。由图 4 可知，当网络训练迭代到 20次时，网络收敛的稳定性能达标，训练完毕。将随机选取的 4 个检验样本的 10 项关键预警指标值输入到训练好的BP神经网络中，可以得到如表8所示的检验样本实际输出。将 4 个检验样本的实际输出与期望输出进行对比，可以得到实际输出与期望输出的均方误差 MSE 仅为 7.1542e-004。可以看出，实际输出与期望输出非常接近，预警准确性较高。从表 8 中还可以看出，4 个检验样本的仿真效果都在 96%以上，仿真效果也非常理想。这说明我们构建的粗糙集-BP 神经网络非线性仿真预警系统是成功、有效的

BP神经网络进行了训练和检验，训练和检验的结果见表 9 和图 5。对比图 4 和图 5 可以看出，在神经网络的训练方面，未经粗糙集属性约简的 BP 神经网络需在训练迭代 131 次后才能达到 MSE 的性能要求，而经粗糙集属性约简的BP神经网络仅需 20 次迭代训练即可达到 MSE 的性能要求，因此，利用粗糙集进行属性约简能大大提高神经网络的训练速度，并可有效缩短神经网络的训练时间。同时，对比表 8 和表 9可以发现，在神经网络的仿真效果方面，在相同的检验样本下

【参考文献】：
期刊论文
[1]我国地方政府债务风险与可持续性规模探讨[J]. 伏润民,王卫昆,缪小林.  财贸经济. 2008(10)
[2]我国地方政府债务风险预警理论分析[J]. 裴育,欧阳华生.  中国软科学. 2007(03)



本文编号：3443527