于慧伶， 李新立， 陳楠楠

(1.東北林業(yè)大學(xué)信息與計(jì)算機(jī)工程學(xué)院，黑龍江哈爾濱 150040； 2.吉林農(nóng)業(yè)大學(xué)經(jīng)濟(jì)管理學(xué)院，吉林長(zhǎng)春 130118)

1 農(nóng)業(yè)保險(xiǎn)可持續(xù)發(fā)展評(píng)價(jià)指標(biāo)體系

農(nóng)業(yè)保險(xiǎn)的經(jīng)營(yíng)實(shí)踐始于1934年，建國(guó)以后農(nóng)業(yè)保險(xiǎn)的發(fā)展也是一波三折，大致經(jīng)歷了20世紀(jì)50年代初的起步階段、50年代末到80年代初的停滯階段、20世紀(jì)80年代到21世紀(jì)初的恢復(fù)與徘徊階段及2007年財(cái)政補(bǔ)貼后的快速發(fā)展階段。從我國(guó)農(nóng)業(yè)保險(xiǎn)的發(fā)展歷史來(lái)看，農(nóng)業(yè)保險(xiǎn)的發(fā)展易受?chē)?guó)家政策的約束，而發(fā)展水平的評(píng)估標(biāo)準(zhǔn)不一，無(wú)法全面公平地評(píng)估農(nóng)業(yè)保險(xiǎn)各年度的發(fā)展水平。因此，建立農(nóng)業(yè)保險(xiǎn)的可持續(xù)發(fā)展指標(biāo)體系，全面衡量農(nóng)業(yè)保險(xiǎn)可持續(xù)發(fā)展情況是本研究的目的之一。

借鑒其他行業(yè)的評(píng)價(jià)指標(biāo)構(gòu)建經(jīng)驗(yàn)，農(nóng)業(yè)保險(xiǎn)可持續(xù)發(fā)展的評(píng)價(jià)指標(biāo)體系的設(shè)置也應(yīng)當(dāng)遵循以下基本原則：第一，科學(xué)性原則，選取的指標(biāo)要具有科學(xué)內(nèi)涵，能夠在一定程度上度量發(fā)展情況；第二，全面性原則，選擇的指標(biāo)要具有全面性原則，涵蓋農(nóng)業(yè)保險(xiǎn)發(fā)展的各個(gè)方面；第三，主成分性原則，指標(biāo)設(shè)置時(shí)要突出重點(diǎn)，選擇有代表性的指標(biāo)；第四，可量化原則，選擇的指標(biāo)應(yīng)具有可量化原則，指標(biāo)的可量化性能夠在一定程度上促使評(píng)估結(jié)果客觀公正。

遵循上述評(píng)價(jià)指標(biāo)設(shè)置的原則，結(jié)合農(nóng)業(yè)保險(xiǎn)的發(fā)展實(shí)踐，分別從規(guī)模、效率、影響率、可持續(xù)性4個(gè)方面來(lái)考量各年度農(nóng)業(yè)保險(xiǎn)的發(fā)展情況，基于層次分法的原理，采用指標(biāo)體系(具體由4個(gè)一級(jí)指標(biāo)以及 16個(gè)二級(jí)指標(biāo))對(duì)我國(guó)農(nóng)業(yè)保險(xiǎn)可持續(xù)的發(fā)展水平進(jìn)行較全面的評(píng)價(jià)，具體指標(biāo)遞階層次關(guān)系見(jiàn)圖1。

2 AHP-GABP評(píng)價(jià)模型

2.1 層次分析法

層次分析法(analytic hierarchy process，AHP)是美國(guó)運(yùn)籌學(xué)家Saaty教授于20世紀(jì)70年代初提出的，通過(guò)把復(fù)雜問(wèn)題中的各種因素劃分為相互聯(lián)系的層次結(jié)構(gòu)，同層次間根據(jù)對(duì)客觀現(xiàn)實(shí)的主觀判斷，把專(zhuān)家意見(jiàn)和分析者的客觀判斷結(jié)果結(jié)合起來(lái)，使決策的思維過(guò)程數(shù)學(xué)化，為多目標(biāo)、多準(zhǔn)則的復(fù)雜決策問(wèn)題提供簡(jiǎn)便的決策方法。

AHP算法有其自身難以克服的不足，突出表現(xiàn)在其嚴(yán)格要求數(shù)據(jù)的完整性，容錯(cuò)能力較弱，不適合作模型推廣，隨著工業(yè)結(jié)構(gòu)規(guī)模的擴(kuò)大和問(wèn)題復(fù)雜度的提高，AHP逐漸以一種輔助決策的工具出現(xiàn)[4-6]。本研究在農(nóng)業(yè)保險(xiǎn)可持續(xù)發(fā)展評(píng)價(jià)上，首先采用AHP進(jìn)行初步評(píng)價(jià)，并將評(píng)價(jià)結(jié)果利用神經(jīng)網(wǎng)絡(luò)進(jìn)行修正，將學(xué)習(xí)和訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型用于正式的評(píng)價(jià)方法，從而提高評(píng)價(jià)模型結(jié)構(gòu)的準(zhǔn)確性和推廣性。

2.2 GABP神經(jīng)網(wǎng)絡(luò)及改進(jìn)

BP神經(jīng)網(wǎng)絡(luò)具有高度的非線性映射能力和良好的泛化能力，通過(guò)BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)AHP的決策能力建立評(píng)價(jià)模型，從而提高模型的可應(yīng)用性，這具有一定的研究意義[7]。標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)最大的缺陷在于其收斂速度慢和易陷入局部最小，從而在效率和誤差精度上達(dá)不到工程要求，常用解決辦法是通過(guò)遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值、閾值，加快神經(jīng)網(wǎng)絡(luò)的收斂速度、避免陷入局部最小[8-10]。

根據(jù)國(guó)內(nèi)外的相關(guān)數(shù)據(jù)顯示，小班化教學(xué)的班級(jí)人數(shù)一般保持在20左右，最多不超過(guò)25人。人數(shù)過(guò)多，則教師容易顧此失彼，難以全面掌控。在進(jìn)行分組教學(xué)活動(dòng)過(guò)程中，若以常見(jiàn)的4-5人為一組，一個(gè)班級(jí)最多在4-5組左右，處于可控和合理的范圍。

在傳統(tǒng)遺傳算法(genetic algorithm，GA)中，交叉操作是將親代個(gè)體放入交配池中隨機(jī)配對(duì)，雙親本按照選定的交叉方式把染色體部分交換，形成1對(duì)子代，1對(duì)雙親產(chǎn)生1對(duì)子代[11]。本研究提出改進(jìn)的多子代遺傳算法，設(shè)親本染色體為P1和P2，按照單點(diǎn)交叉分成4段，即P1=A1B1=C1D1、P2=A2B2=C2D2，其中A1和A2、B1和B2、C1和C2、D1和D2處于相同的染色體部位，多子代遺傳產(chǎn)生的方法是A1A2交換產(chǎn)生子代F1和F2，D1D2交換產(chǎn)生子代F3和F4，F(xiàn)1=A1B2，F(xiàn)2=A2B1，F(xiàn)3=C1D2，F(xiàn)4=C2D1，這樣就使得親代P1和P2的子代數(shù)量增加1倍，通過(guò)增加子代數(shù)量，放大優(yōu)秀個(gè)體產(chǎn)生的可能性，通過(guò)更激烈的種群競(jìng)爭(zhēng)保證種群的整體生存力(圖2)。

2.3 AHP-GABP評(píng)價(jià)模型

本研究將層次分析法和神經(jīng)網(wǎng)絡(luò)相結(jié)合，建立AHP-GABP評(píng)價(jià)模型對(duì)我國(guó)農(nóng)業(yè)保險(xiǎn)可持續(xù)發(fā)展水平進(jìn)行評(píng)估，該模型不僅發(fā)揮了BP神經(jīng)網(wǎng)絡(luò)在非線性映射方面的優(yōu)勢(shì)，而且降低了AHP方法的主觀隨意性和思維不定性等不利因素的影響，同時(shí)模型中專(zhuān)家經(jīng)驗(yàn)知識(shí)的充分應(yīng)用有效地彌補(bǔ)了BP神經(jīng)網(wǎng)絡(luò)權(quán)值任意賦值的缺陷。AHP-GABP評(píng)價(jià)模型見(jiàn)圖3。

3 試驗(yàn)論證

我國(guó)農(nóng)業(yè)保險(xiǎn)可持續(xù)發(fā)展評(píng)估模型由三部分組成，首先根據(jù)層次分析法確定各農(nóng)業(yè)保險(xiǎn)可持續(xù)發(fā)展指標(biāo)的權(quán)重、初步確定評(píng)估結(jié)果，再由神經(jīng)網(wǎng)絡(luò)將模型應(yīng)用推廣發(fā)展。

3.1 指標(biāo)權(quán)重確定

根據(jù)圖1遞階層次關(guān)系建立判斷矩陣，以Saaty九級(jí)標(biāo)度法為基準(zhǔn)進(jìn)行專(zhuān)家打分；利用和積法近似求得判斷矩陣的最大特征值λmax和特征向量，求得各層次指標(biāo)權(quán)重值，并根據(jù)公式(1)、公式(2)進(jìn)行一致性檢驗(yàn)。

(1)

(2)

式中：CI、CR分別表示矩陣A的偏離一致性和相對(duì)一致性值；n表示各層次下指標(biāo)個(gè)數(shù)。通過(guò)計(jì)算發(fā)現(xiàn)，各矩陣中CR值均小于0.1，矩陣通過(guò)一致性檢驗(yàn)。RI為隨機(jī)一致性指標(biāo)，經(jīng)查表得RI=0.9。將目標(biāo)矩陣和各二級(jí)指標(biāo)矩陣的專(zhuān)家打分結(jié)果、指標(biāo)權(quán)重值、CI、CR分別列示在表1至表5中。

表1評(píng)估目標(biāo)A下各二級(jí)指標(biāo)權(quán)值

注：CI(A)=0，CR(A)=0。

表2B1指標(biāo)下各三級(jí)指標(biāo)權(quán)值

注：CI(B1)=0.006，CR(B1)=0.007。

在層次單排序的基礎(chǔ)上計(jì)算層次總排序值，并將各指標(biāo)權(quán)值和指標(biāo)性質(zhì)列示在表6中。

表3B2指標(biāo)下各三級(jí)指標(biāo)權(quán)值

注：CI(B2)=0.007，CR(B1)=0.008。

表4B3指標(biāo)下各三級(jí)指標(biāo)權(quán)值

注：CI(B3)=0，CR(B3)=0

表5B4指標(biāo)下各三級(jí)指標(biāo)權(quán)值

注：CI(B4)=0，CR(B4)=0。

表6各三級(jí)指標(biāo)權(quán)值和性質(zhì)

注：指標(biāo)性質(zhì)“+”“-”分別表示某指標(biāo)對(duì)農(nóng)業(yè)保險(xiǎn)可持續(xù)發(fā)展的正向作用和負(fù)向作用。

3.2 初始評(píng)價(jià)

從《中國(guó)保險(xiǎn)年鑒》查閱2004—2014年所需評(píng)估指標(biāo)數(shù)據(jù)，首先對(duì)數(shù)據(jù)無(wú)量綱化處理，采用Matlab中mapminmax歸一化函數(shù)將試驗(yàn)數(shù)據(jù)映射到[-1，1]內(nèi)，將各指標(biāo)數(shù)據(jù)變成無(wú)量綱化樣本數(shù)據(jù)，實(shí)現(xiàn)過(guò)程見(jiàn)公式(3)。

(3)

式中：ymax、ymin默認(rèn)取1、-1；xmax、xmin分別表示輸入數(shù)據(jù)的最大值和最小值。農(nóng)業(yè)保險(xiǎn)可持續(xù)發(fā)展AHP評(píng)價(jià)下初始得分S的計(jì)算公式見(jiàn)公式(4)。

(4)

式中：m表示圖1中二級(jí)指標(biāo)B的指標(biāo)個(gè)數(shù)；n表示二級(jí)指標(biāo)下每個(gè)三級(jí)指標(biāo)C的個(gè)數(shù)；“+”“-”表示表6中指標(biāo)性質(zhì)；yij表示第i個(gè)二級(jí)指標(biāo)下第j個(gè)指標(biāo)歸一化后數(shù)值；wij表示該指標(biāo)權(quán)重；“10”表示將得分映射到[0，10]范圍內(nèi)，將S劃分為10個(gè)等級(jí)。

3.3 基于AHP-GABP的農(nóng)業(yè)保險(xiǎn)可持續(xù)發(fā)展評(píng)價(jià)結(jié)果

將AHP初始評(píng)價(jià)結(jié)果和無(wú)量綱化農(nóng)業(yè)保險(xiǎn)可持續(xù)發(fā)展評(píng)估指標(biāo)數(shù)據(jù)分別作為神經(jīng)網(wǎng)絡(luò)模型的目標(biāo)向量和輸入向量，在Matlab R2012a中運(yùn)行程序，分別將BP神經(jīng)網(wǎng)絡(luò)、GABP神經(jīng)網(wǎng)絡(luò)模型的誤差曲線顯示在圖4、圖5中，圖4中BP神經(jīng)網(wǎng)絡(luò)在迭代30次時(shí)收斂，收斂誤差為0.003，而圖5中GABP神經(jīng)網(wǎng)絡(luò)在迭代3次就達(dá)到了收斂要求，誤差精度明顯高于BP神經(jīng)網(wǎng)絡(luò)，多子代遺傳算法可以提高神經(jīng)網(wǎng)絡(luò)的收斂速度和預(yù)測(cè)精度(神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)：16-10-1；net.trainParam.epochs=80；net.rainParam.goal=0.01；GA算法采用單點(diǎn)交叉，初始種群規(guī)模：popu=60，變異系數(shù)為0.1)。

優(yōu)化后的神經(jīng)網(wǎng)絡(luò)建立適于推廣的正式AHP-GABP評(píng)估模型，用于評(píng)估2004—2014年中國(guó)農(nóng)業(yè)保險(xiǎn)得可持續(xù)發(fā)展水平，評(píng)估結(jié)果見(jiàn)圖6。

根據(jù)農(nóng)業(yè)保險(xiǎn)數(shù)據(jù)可知，2004—2014年我國(guó)農(nóng)業(yè)保險(xiǎn)整體態(tài)勢(shì)發(fā)展良好，2004年我國(guó)農(nóng)業(yè)保險(xiǎn)保費(fèi)收入為4億元，農(nóng)業(yè)保險(xiǎn)賠付支出為3億元，而2014年保費(fèi)收入為326億元，賠付支出為206億元。11年來(lái)保費(fèi)收入增長(zhǎng)了約81倍，賠付增長(zhǎng)了約69倍，農(nóng)業(yè)保險(xiǎn)業(yè)務(wù)規(guī)?？焖僭鲩L(zhǎng)，這恰恰與AHP- GABP 網(wǎng)絡(luò)模型評(píng)價(jià)的我國(guó)農(nóng)業(yè)保險(xiǎn)可持續(xù)發(fā)展的總體趨勢(shì)相符，模型評(píng)價(jià)準(zhǔn)確。

4 結(jié)論

將AHP和GABP結(jié)合的新模型實(shí)現(xiàn)了二者的優(yōu)勢(shì)互補(bǔ)，不僅降低了專(zhuān)家主觀隨意性對(duì)評(píng)價(jià)結(jié)果的影響，使得評(píng)價(jià)結(jié)果更加準(zhǔn)確可靠，還可以提高神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速率，加快網(wǎng)絡(luò)的收斂速度，增強(qiáng)網(wǎng)絡(luò)的適應(yīng)能力，并將其應(yīng)用在我國(guó)農(nóng)業(yè)保險(xiǎn)可持續(xù)發(fā)展評(píng)估領(lǐng)域，得到了較好的試驗(yàn)效果，基于AHP-GABP 的農(nóng)業(yè)保險(xiǎn)可持續(xù)發(fā)展評(píng)價(jià)模型具有較高的應(yīng)用價(jià)值和推廣價(jià)值。

參考文獻(xiàn)：

[1]庹國(guó)柱. 加快培育農(nóng)業(yè)發(fā)展新動(dòng)能 農(nóng)業(yè)保險(xiǎn)大有作為[N]. 中國(guó)保險(xiǎn)報(bào)，2017-02-09(1).

[2]黃延信，李偉毅. 加快制度創(chuàng)新推進(jìn)農(nóng)業(yè)保險(xiǎn)可持續(xù)發(fā)展[J]. 農(nóng)業(yè)經(jīng)濟(jì)問(wèn)題，2013(2)：4-9.

[3]丁少群，魏曉盛，馬琳琳. 嵌入性視角下政策性農(nóng)業(yè)保險(xiǎn)的隱憂及其可持續(xù)發(fā)展[J]. 保險(xiǎn)研究，2012(5)：10-15.

[4]王 英，王 燦，孫新澤. 基于AHP-BP神經(jīng)網(wǎng)絡(luò)的江蘇省創(chuàng)新型經(jīng)濟(jì)評(píng)價(jià)[J]. 科技管理研究，2016(9)：68-72.

[5]程 波，賈國(guó)柱. 改進(jìn)AHP-BP神經(jīng)網(wǎng)絡(luò)算法研究——以建筑企業(yè)循環(huán)經(jīng)濟(jì)評(píng)價(jià)為例[J]. 管理評(píng)論，2015(1)：36-47.

[6]劉 鶴，劉 鑫，吳文瀚，等. 利用AHP-BP法建立水泥企業(yè)循環(huán)經(jīng)濟(jì)評(píng)價(jià)指標(biāo)體系的研究[J]. 環(huán)境工程，2014(6)：148-152.

[7]Rumelhart D E，Hinton G E，Williams R J.Learning internal representation by back-propagation errors[J]. Nature，1986，323(323)：533-536.

[8]秦國(guó)華，謝文斌，王華敏. 基于神經(jīng)網(wǎng)絡(luò)與遺傳算法的刀具磨損檢測(cè)與控制[J]. 光學(xué)精密工程，2015(5)：1314-1321.

[9]Liang X U，Zong M.Genetic algorithm optimization neural network-based prediction of coal mine gas concentration[J]. Journal of Heilongjiang University of Science and Technology，2014，117(2)：243-246.

[10]Wang H B，Zhang L Y.Multi-user detection based on genetic algorithm optimization neural network[J]. Computer Engineering，2011，37(7)：207-209.

[11]Mitchell M，Mitchell M. An introduction to genetic algorithms (complex adaptive systems)[J]. Principles of Adaptive Filters and Self-learning Systems，1998，24(4/5)：325-336.