摘要：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(wú)需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程。因此采用三層BP網(wǎng)絡(luò)實(shí)現(xiàn)制造業(yè)工業(yè)增加值、制造業(yè)全社會(huì)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(xiě)了訓(xùn)練程序、測(cè)試程序、預(yù)測(cè)程序，最終神經(jīng)網(wǎng)絡(luò)隱層含有13個(gè)節(jié)點(diǎn)，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(xùn)練誤差為8.44272×10-6，結(jié)果滿(mǎn)意，可以認(rèn)為該神經(jīng)網(wǎng)絡(luò)可以用來(lái)實(shí)現(xiàn)這個(gè)關(guān)系映射，并對(duì)2007年全要素生產(chǎn)率進(jìn)行了預(yù)測(cè)。
　　關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)；全要素生產(chǎn)率；預(yù)測(cè)；生產(chǎn)物流
　　中圖分類(lèi)號(hào)：F513.2 文獻(xiàn)標(biāo)識(shí)碼：A
　　
　　未來(lái)經(jīng)濟(jì)發(fā)展?fàn)顩r一直是人們探討的問(wèn)題。經(jīng)濟(jì)預(yù)測(cè)是在一定的經(jīng)濟(jì)理論指導(dǎo)下，以經(jīng)濟(jì)發(fā)展的歷史和現(xiàn)狀為出發(fā)點(diǎn)，以調(diào)研資料和統(tǒng)計(jì)數(shù)據(jù)為依據(jù)，在對(duì)經(jīng)濟(jì)發(fā)展過(guò)程進(jìn)行定性分析和定量分析的基礎(chǔ)上，對(duì)經(jīng)濟(jì)發(fā)展的未來(lái)情況所作出的推測(cè)。由于經(jīng)濟(jì)現(xiàn)象紛繁復(fù)雜，能獲取的統(tǒng)計(jì)資料有限，現(xiàn)有的經(jīng)濟(jì)預(yù)測(cè)理論與方法還不能對(duì)此給予完全合理的解釋和有效的預(yù)測(cè)，經(jīng)濟(jì)預(yù)測(cè)的實(shí)效往往不佳，為此本文引入神經(jīng)網(wǎng)絡(luò)方法對(duì)中國(guó)制造業(yè)生產(chǎn)率進(jìn)行短期預(yù)測(cè)，獲取促進(jìn)制造業(yè)生產(chǎn)率發(fā)展的具體途徑，同時(shí)，也為經(jīng)濟(jì)領(lǐng)域同類(lèi)短期預(yù)測(cè)準(zhǔn)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(xué)習(xí)和存貯大量的輸入-輸出模式映射關(guān)系，而無(wú)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(guò)反向傳播來(lái)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?fù)浣Y(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(xùn)練程序的編制
　　
　　借助于MATLAB神經(jīng)網(wǎng)絡(luò)工具箱[3]來(lái)實(shí)現(xiàn)多層前饋BP網(wǎng)絡(luò)的轉(zhuǎn)換，免去了許多編寫(xiě)計(jì)算機(jī)程序的煩惱。神經(jīng)網(wǎng)絡(luò)的實(shí)際輸出值與輸入值以及各權(quán)值和閾值有關(guān)，為了使實(shí)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(xué)習(xí)樣本的樣本集和相應(yīng)期望輸出值的集合來(lái)訓(xùn)練網(wǎng)絡(luò)。
　　
　　1.訓(xùn)練參數(shù)的設(shè)定
　　訓(xùn)練參數(shù)的設(shè)定：一般先對(duì)如下參數(shù)進(jìn)行賦值：
　　最大訓(xùn)練步數(shù)：net.trainParam.epochs=1000
　　最小梯度差：net.trainParam.min-grad=-3
　　精度目標(biāo)值：net.trainParam.goal=1e-4
　　顯示間隔：net.trainParam.show=20
　　動(dòng)量系數(shù)：net.trainParam.mc=0.9
　　學(xué)習(xí)率：net.trainParam.lr=0.5
　　
　　2.設(shè)計(jì)網(wǎng)絡(luò)函數(shù)
　　設(shè)計(jì)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(yǔ)法為：
　　net=newff