我国建筑行业发展研究_基于生产函数和BP神经网络(2)

④容错能力：ＢＰ神经网络在其局部的或者部分的神经元受到破坏后对全局的训练结果不会造成很大的影响，也就是说即使系统在受到局部损伤时还是可以正常工作的。即ＢＰ神经网络具有一定的容错能力。

三、建立模型

影响我国建筑业发展趋势的因素繁多，如国家政策、从业人员素质、流动资金利用率等，这些因素之间的相互关系也颇为复杂。因此我们利用柯布-道格拉斯生产函数来简化模型，进而通过ＢＰ神经网络来实现非线性的仿真模拟。下面给出２００５－２０１１年中国

导师信号

Ｐｒｏｐａｇａｔｉｏｎ）神经网络能够实现复杂非线性映射，且具有高度自学习和自适应的能力。这两种方式结合建立的预测模型可行性较强，预测结果比较准确。

二、研究方法

1.柯布-道格拉斯生产函数

柯布-道格拉斯生产函数［６］最初是美国数学家柯布（Ｃ．Ｗ．Ｃｏｂｂ）和经济学家道格拉斯（Ｐ．Ｈ．Ｄｏｕｇｌａｓ）共同探讨投入和产出的关系时创造的生产函数，是在生产函数的一般形式上作了改进，引入了技术资源这一因素。他们根据有关历史资料，研究了从１８９９－１９２２年美国的资本和劳动对生产的影响，认为在技术经济条件不变的情况下，产出与投入的劳动力及资本的关系可以表示为：

Y=AKαLβ

其中：Y代表产量；A代表技术水平；K代表投入的资本量；L代表投入的劳动量；α代表投入资本量的产出弹性，β代表劳动力的产出弹性；A，α，β要由经济统计数据确定。

柯布-道格拉斯生产函数是经济学中使用最广泛的一种生产函数形式，它在数理经济学与经济计量学的研究与应用中都具有重要的地位。它是惟一可以使均方误差达到最小的生产函数，能最贴切地反映产出和投入要素之间的数量关系。同时柯布-道格拉斯生产函数适用性极广，对不同的部门、产业、地区或国家都可以应用，所不同仅仅是A，α，β这些参数的实际数值而已。

2.BP神经网络

ＢＰ（ＢａｃｋＰｒｏｐａｇａｔｉｏｎ）神经网络是目前人工神经网络中研究最深入、应用最为广泛的一种模型。每一神经元用一个节点表示，网络由输入层、隐含层和输出层节点组成，隐含层可以是一层，也可以是多层，前层至后层节点之间通过权值系数相联结。

表１

２００５－２０１１年中国建

筑业数据表

（万元）（万人）8171376327009032551328789982096531341188722263315132842877367315391441641601802070963852

年份（万元）2005345521000200641557160020075104371002008620368061200976807741620109603113382011117059650

建筑业情况，见表１。

首先，我们对生产函数Y=AKαLβ方程两边取对数，得：

ｌｎY＝ｌｎA＋αｌｎK＋βｌｎL

令Z＝ｌｎY，λ＝ｌｎA，M＝ｌｎK，N＝ｌｎL，则原生产函数变为：

Z＝λ＋αM+βN

相应地，对表１中的数据进行处理可得表２。利用非线性最小二乘法求解：

αβ2

ｍｉｎΣ（iYi-AKiLi）

输入层隐含层输出层

图１ＢＰ神经网络模型示意图

第k层神经元i的输入可表示为：Ii，k＝Σj＝１ωi，jOj，k-1-θi，k

其中，Ii，k为k层神经元i的输入；ωi，j为k－１层神经元与第k层神经元的连接权值；Oj，k-1为第k－１层神经元j的输出；θi，k为第k层神经元i的阈值。··１００

用Ｍａｔｌａｂ软件计算可得A＝０．９４４９４４，α＝９５３９３６，β＝０．３１２５３５，即：

我国建筑行业发展研究

表２

年份200520062007200820092010原数据转化表

x18.21918.31918.41918.59418.70518.852y17.11117.17517.26017.31717.41917.544Y＝０．９４４９４４K０．９５３９３６L０．３１２５３５根据上面结果，可以看出当前建筑业的技术水平对于建筑产值有很大的影响，是决定产业发展的主要要素。目前建筑业整体技术水

各层的神经元数目；Fi为网络各层的传递函数类型；train为训练函数。

在计算中，设置两层神经元，其中第一层神经元的数目为７，第二层神经元的数目为１；隐含层采用的是tansig函数；输出层采用的是purelin函数；训练函数采用的是有动量的梯度下降法traingdm。可表示为：

net=newff（P，T，［7，１］，｛tansig，purelin｝，traingdm）利用这种方式，经过８００次迭代之后，得到了比较满意的结果，成功的把预测误差率控制在０．０１以下。以下是模拟前后两个函数图像的对比：

图像中黑线是实际值，灰线是预测值。可以看出，模拟之后的函数图像中实际值与预测值基本吻合。

四、检验分析在第３部分中，根据国家统计局给出的２００５－２０１１年中国建筑业数据，利用柯布-道格拉斯生产函数和ＢＰ（ＢａｃｋＰｒｏｐａｇａｔｉｏｎ）神经网络建立了基本的仿真模型并通过Ｍａｔｌａｂ求出了具体的参数值。由于我们采用的真实的

数据比较少，考虑到逻辑的缜密性和结果的准确度，我们需要对所得的结果做一次检验分析。

我们以２００５－２０１１年的中国建筑业数据作为一个基础数据，在两个年份之间平均插入９个测试数据，这些测试数据可表示为：

Yti＝Yt＋i－Y，i＝１，２，…，９；t＝１，２，…，６

１０Kti＝Kt＋i－K，i＝１，２，…，９；t＝１，２，…，６

１０

Lti＝Lt＋iL－L，i＝１，２，…，９；t＝１，２，…，６

其中，Y１为２００５年建筑业总产值，K１为２００５年建筑业投入资本，L１为２００５年建筑业劳动量；Yti是第i年的第个测试总产值，Kti是第i年的第个测试投入资本，Lti是第i年的第个劳动量。

我们针对这些测试数据做一次置信区间估计［２１］。由于不知道总体样本的标准方差，所以我们采用t－

··１０１

12

11109876543×1081211109876543×108

z19.66119.84520.05120.24620.45920.683平仍然偏低，产业化程度低，技术基础相对薄弱，与建筑事业发展的需要还存在相当大的差距。与此同时，适应建设事业发展需要的能动、高效的企业技术创新体系和行业科技进步的新机制尚未完全建立和形成。企业的技术创新能力不够、科技投入不足、科技政策不配套、科技体制不健全等问题，仍然是束缚和制约建筑科技进步的主要障碍。因此，提高建筑业技术创新能力，对于发展高新技术，提升传统产业，促进国民经济和社会可持续发展，具有重要的影响和作用。

建筑业的资本投放对于建筑产值的影响更为明显，然而，以高投入、高消耗换取高增长的发展模式，必然产生高浪费与低效率的弊端，长此以往，必然导致后劲乏力，逐步丧失竞争力。面对当前的经济形势，应引导建筑企业实现增长方式的转变，积极引导建筑企业用先进的文化、科学的理念指引方向，从建筑商向建筑服务商转变，以最大限度地满足业主和使用者的需求作为建筑施工的根本目标，在提供全面优质的建筑服务中实现企业效益的最大化；从传统的建筑企业向创新型的建筑企业转变，不断引进先进的施工技术，加快技术创新，加快从劳务密集型向资本、技术密集型转变，积极推进管理现代化，加快从粗放型经营向集约型经营转变，从常规发展型向战略扩张型转变，不仅要会搞施工管理，而且要学会资本经营，充分发挥建筑企业的体制、机制先发优势，积极采用购并、合资、合作和其它多种联合方式，加快实现战略扩张，努力提高企业的利润率和劳动生产率，实现建筑业从规模扩张型向内涵拓展型的深刻转变。