文摘
为了提高农业经济风险预测的影响,本文研究了农业经济风险预测与数据挖掘技术相结合,构建一个智能农业经济风险预测系统。此外,本文采用动态因子模型来估计常见因素驱动目标主题的变化。为了构建一个信心指数能够反映宏观经济的整体运营情况,本文挖掘算法提高了农业经济风险和标准化了情绪值对应于目标主题。此外,本文分析了其个人的情绪变化的主题一个接一个地结合具体的经济环境。仿真研究表明,农业经济风险预测系统基于数据挖掘技术提出了具有良好的效果。
1。介绍
市场风险指的是不确定性的农业生产者和经营者能否成功出售农产品生产利用农业科技成果或个人劳动能否转化成利润在农业促进社会劳动。这是主要的,最大的风险在市场经济条件下的农业推广工作。在农业市场化的过程中,农业推广的重要基础是市场信息,包括市场供求信息和价格信息。
成千上万的分散市场实体是由市场价格和利益,缺乏信息相互连接,排除或缺乏合作由于市场”竞争,最终落入陷阱。令人兴奋的跳“结果,失败,不仅打破了商品,也担心生产者本身。其实际性能结构趋同,浪费资源,损害农民(1]。由于农业以生物体为生产经营对象,产品易损坏的和不能容忍的存储2]。同时,农业种植业有一个广阔的空间分布和长的生产周期,极大地受到自然环境和自然条件的制约。自然界中各种自然灾害,如洪水、干旱、冰雹、霜冻、雨水和阳光,低温,害虫和疾病,会给农业生产造成损失。在光情况下,它将导致生产和收入的减少,在沉重的情况下,就没有收益,形成自然的农业生产和农业推广的风险(3]。
一般来说,农业生产者和经营者将引起市场信息,只需遵循的原则“无论供应不足,任何高的价格,什么是更有利可图,就植物或提高无论”实现和应用新的农业技术。尽管市场可以有效地分配资源,也有“陷阱。“这是因为,一方面,反映的信息市场的实时信息,这信息只反映了市场的本质,不能反映市场的规定体积;,也就是说,不管有多大市场供给和需求之间的差距,将会提供多少市场在未来,它不能反映,因此,当供给超过需求,生产者催促供应超过需求,生产者冲下来。另一方面,农产品市场监管与长生产周期的特殊性。根据“蛛网理论”,对农产品的需求是当前价格的函数,而农产品的供应是前期的价格的函数,也就是说,高需求造成的电流供应超过需求。价格诱发更多的供应在未来时期,导致价格下降。低价格造成的过剩导致小供应在未来时期,供应和低导致价格增加,周期仍在继续。这样,农产品生产者的生产决策总是基于前期的价格信息,最终导致周期性农产品销售困难”。
为了提高应对农业经济风险的能力,本文结合数据挖掘技术来研究农业经济风险预测和构建一个智能农业经济风险预测系统来改善农业经济风险预测的影响。
2。相关工作
看的历史和现状农业科技推广世界上各国家,尽管政治体制,经济水平、农业设备、技术条件,和农民的文化和技术质量因国家而异,大多数农业发达国家的农业推广体系私有化和定制的特点,多样化,和集成,农业经济学、企业管理、策划、营销、和其他经济科学、农村社会学、心理学、组织、教育、等,被引入到农业推广体系的建设。行为科学等通信科学使农业推广系统进入一个良性循环4]。农业推广充满活力,显示出蓬勃发展的势头。大多数国家的政府机构是基于政府农业部农业推广组织的主要形式。尽管美国和英国经济发达和丰富的资源,他们的粮食和其他主要农产品是大量生产的,但是他们并没有放弃政府。建立了农业推广组织为主体(5]。这充分反映了这些国家对农业推广的重要性。近年来,政府投资在农业推广的比例往往会减少。然而,这也是由于这些国家的农业推广体系的逐步改善。进入一个良性循环后,各方筹集资金,顺畅的渠道的原因(6]。同时,大多数外国国家的农业推广组织实施垂直领导和全面的设置,避免了很多浪费资源造成的“条纹”和“块”的双重领导和重复的机构设置(7]。在运行机制方面,大多数外国国家的农业推广机构与农业紧密联系和科学研究和教育,形成一个平滑的运行机制信息,交换的需求,全面合作,有效地解决农业推广的结合,科研,教育问题[8]。
这项研究在9)指出,尽管“农场产量保险”的操作独立、分散农民更为复杂,管理成本较高,面临逆向选择和道德风险问题,但与政府的救灾计划相比,农业保险是农业收入更稳定。这项研究在10)指出,农业保险有效地保证农业生产的连续性,这是更有效的比简单地提供金融支持。这项研究在11)认为,农业保险在促进农业发展中起着重要作用,减少贫困,恢复农业生产。这项研究在12]指出农作物保险作为antirisk工具的必要性。这项研究在13)提出,农业保险是农村金融的重要组成部分,它是一种有效的方式来分散风险,这可以有效地减少农民使用新技术生产的风险。这项研究在14]表明,农业保险的发展促进了农业生产的创新技术和稳定的收入。这项研究在15]研究农业经济增长得益于农业保险的发展在某种程度上,在一定的范围内,通过增加农业保险保费收入和扩大农业保险索赔,它可以有效地和积极促进农业经济的发展。这项研究在16]分析了农业保险在发达国家的发展过程,认为农业保险的发展创造现代农业的必要条件。农业保险有着巨大的发展潜力,是现代农业经济发展不可或缺的一部分。这项研究在17)认为,保险产品的各种组合城市农业,促进良好的发展和农业保险产品组合是一个不可或缺的组成部分,它起着良好的作用在促进农业经济的发展18]。
这项研究在19)认为,农业保险有利于稳定在宏观的国民经济和社会生活;在微程序级,它可以补偿农民的损失,对农民稳定的资金来源,并提高农民的偿还贷款的能力。反过来,经济水平也会影响农业保险。一方面,经济发展水平影响了农业保险的需求和供给,另一方面,国家制定的经济政策也会影响农业保险的发展。这项研究在20.)认为,农业保险可以帮助农业生产分散风险和补偿损失,从而帮助农民稳定生产和增加收入。福利的影响,信贷支持作用,农业保险政策的影响将给整个经济带来有利的乘数效应。这项研究在21)认为,农业保险可以通过多种方式实现资本放大,如金融的示范和帮助作用的输入,银行和信用之间的联动机制,提高财务信息的利用效率。这项研究在22)之间的交互基础和机制分析农业保险和农村信贷和认为农业保险可以利用其分散风险功能实现帕累托改进的资源配置在农村信贷,从而增加农业生产和农村发展。
3所示。基于数据挖掘的农业经济数据处理
在处理的过程中农业经济数据,本文的第一次使用是潜在狄利克雷分配模型,称为LDA模型。这个模型是一个文档生成模型,可用于识别隐藏在大规模语料主题信息。模型认为,任何文档的文档集由多个主题,每个主题由多个关键词。首先,选择一个主题有一定概率下,然后选择一个特定的关键字主题有一定概率。这样,第一个文档的关键字生成,整个文档是由不断重复它。具体地说,一个文档包含三个层次,即文档层,主题层、词汇层。文档结构图如图1。
模型假定任何文档是一个混合的多个主题,文档是多个主题的概率分布,以及任何主题是多个单词的概率分布。在此基础上,该模型提高了topic-word的狄利克雷分布先验分布。显示在图模型表示2。
图2包括hyperparametersα和β、topic-word分布和document-topic分布。W标志在黑色表明它所代表的关键字是唯一的文档中可观察到的变量,和条件概率的方向箭头所示图。LDA模型中生成文档的具体步骤如下:(一)对于任何文档d∈D多项分布参数主题的文档d可以获得 (b)对任何话题z∈K多项分布参数词汇的话题z可以获得 (c)它选择的词汇在文档中d,这个话题可获得多项分布的吗 ,和词汇根据获得多项分布
在LDA模型中,和无法直接获取;因此,这两个参数值通常是近似的参数估计方法。
为了确定经济周期的协变性特征,本文采用动态因子模型方法来估计所选七个代表目标主题和获得的常见因素驱动他们的变化。很长一段时间,动态因子模型已广泛应用于高维数据的处理和研究,取得了良好的效果在构建经济指标和预测。的核心理论之一的思想动态因子模型假设高维时间序列的变化Xt可以由两部分。一部分是由内在的动态因素ft,另一部分是由微分变化引起的异构扰动项et的意思是О。et包含了独特的属性或变量序列在时间的测量误差t和动态的变化因素ft遵循一个VAR的过程。动态因素的模型可以表示如下:
在这里,Xt是一个N×1时间序列观测变量,ft是一个问×维潜在的动态因素,影响到所有N序列在Xt。是一个N×问维动态因子载荷矩阵,j= 0,1,…,年代,et是一个异构的变量,它只影响一个特定的变量Xt。动态因素ft遵循VAR (h)的过程。
在这里, ,我们假设和是相互独立的。从前面的公式可以看出,动力学的动态因子模型主要是反映在两个方面。一个方程(1)包含一个滞后项,占之间的动力学变量Xt和因素f。第二,它可以从方程(2)动态因素本身遵循一个VAR的过程,它反映了动态特性的因素。这两个动态静态因素模型最大的不同。如果年代= 0,没有滞后项方程(1),模型成为一个静态因素模型。通常的因素之间的动态分析模型没有考虑X和因素f。因此,对于时间序列数据,更合理的使用一个动态因子模型进行分析。动态因子模型的形式可以表示下面的静态因素:
我们可以得到
在这里,静态因素的数量问×(年代+ 1)的维数F是问×(年代+ 1)。
马尔科夫机制转换的状态数向量自回归模型米,观测时间序列y可以用下列方法生成:
在这里,是参数向量的VAR模型区米= 1,2,…米,是时间序列观测向量 。通过给一个状态年代t,P顺序向量自回归模型yt可以获得。
在这里,ut是一个白噪声过程与0均值和协方差矩阵 ,也就是说, ,其价值难以察觉的有关状态变量年代。在MS-VAR模型中,年代t被认为由一个统一的离散的马尔可夫链状态: 。状态转移概率 从状态的概率是我州j。的前提下的状态我决定,与之前的状态。转移概率矩阵
在这里, 。如果 ,在以下mean-adjusted方程可以表示形式:
MS-VAR模型分为不同的类模型基于是否意味着,方差,截距项和回归系数取决于状态转换变量。
这个话题的情绪价值需要从文档中获得。自文档可以根据时间安排,从分析结果可以看出上面的LDA的任何一天t,代表了所有的文章tth的一天。对于任何文章n天t,总有一个主题k最高程度的相关性。本文使用描述之间的相关性程度,文章和主题(也就是说,章对应主题的概率k)。此时,通过计算人气值本文的 ,根据计算公式, 的情感价值的话题k天t可以获得。如果主题k天不止一次出现t,所有文档对应的情感价值的话题k在一天的情绪价值总结为主题k在那一天。在这个时候,话题的情感价值k天t将受到两个因素的影响,一个是话题的次数k出现的那一天,和另一个是主题的情感价值k本身。文档是按时间排序,最后,人气值矩阵的 可以,在哪里代表在取样间隔的天数,K代表主题的数量,矩阵中的值的情感价值的话题k在那一天。因为实际GDP增长率是季度数据,每日话题的人气值每季度总结,总结值受到min-max规范化处理的矩阵列获得季度情绪D1。
动态因子模型被用来估计的常见因素驱动目标主题的变化。当估计,数量r应该首先决定因素的估计。本文使用标准的信息执行分析。这一标准综合考虑收益和成本增加因素,最终选择因素的数量r最小化集成电路的值作为最优数量的因素。具体理论如下:
在这里, 是残差平方和当因素确定的数量吗k, 是惩罚项,N是可观测变量的数量,在哪里N摘要= 7,T的时间长度。本文将每日数据聚合为季度数据,所以T= 63。
上述方法是用来测试因素的最优数量目标主题的情感变量,和测试结果如表所示1。
从上述估计结果可以看出,当它是1,集成电路的值是最小的,是6.6333。因此,本文提取动态因素,并使用贝叶斯模型基于密度估计方法来估计模型的动态因素。
4所示。基于数据挖掘技术的农业经济风险预测
本文结合BP神经网络和部分的方法3开展农业经济数据挖掘分析。农业高新技术投资项目的风险评估模型基于人工神经网络用于农业高新技术风险投资项目评估通过神经网络的学习和培训和一系列评价指标,力求摆脱人类的主观因素,并充分利用专家的知识和经验为相关决策者提供支持,如图3。
农业高新技术投资项目的风险评估模型本文基于BP人工神经网络实现的MATLAB6.0程序。首先,项目的风险评估系统的建模,和风险评估系统模型的结构如图4。
由于没有固定的风险评价的参考价值作为标准农业高新技术投资项目的风险,建立这个模型主要用于从多个项目的选择方案。选择一个项目,我们可以调整或执行风险管理投资项目风险的大小。评估多个项目时,较低风险和高收益的项目是理想的选择,而项目风险和低收益高一般不选中。当多个项目的风险和收益是相等的,很难选择,通过分析获得的结果通常是“(1-risk) /效益的大小。”结果越小,风险越小项目单位的效益。
风险投资活动包括四个阶段,即基金筹集,基金投资、基金管理、基金退出。融资阶段是指从各种投资者筹集风险资本,形成风险投资机构和风险投资基金。资本投资意味着阶段初步筛选之后,价值评估,和尽职调查的初创企业有资格,初创企业谈判并签署相关投资协议,最后,风险资本投资于创业企业以不同的方式。基金管理阶段是指投资的增值管理公司参与投资公司的董事会,参与战略决策,协助该公司在其后续融资。资本撤出阶段指的是通过上市资本撤出,兼并,投资公司和清算,将分发给每个投资者投资收益的投资项目。
农业风险投资的过程和阶段在图所示5。
风险投资机构面临着双重委托代理关系。在风险资本的运作,资本所有权和控制权的分离已经实现。风险资本提供者的原始资本提供者形成一级委托代理关系与风险投资机构的风险投资经理。当一个风险投资机构选择的创业企业投资,形成第二级委托代理关系。风险资本的双重委托关系图所示6。
由于合同农业本身的局限性,它在风险规避中的作用是极其有限的。期货市场作为一个更高级的市场形式,不仅可以有效地避免风险,但也提供了一个载体合同农业的操作。此外,期货交易的两个最重要的功能是风险转移机制和价格发现机制。首先,期货交易风险多元化和价值保护机制,这有利于农业生产的稳定发展。现货交易无法避免损失由于市场价格波动的风险,而期货交易可以弥补现货市场的损失,转移风险通过套期保值,生产者和消费者,减少损失。因此,当期货交易是用来对冲交易现货交易方向相反,不会造成经济损失无论市场环境如何变化。因此,交易利润和损失的相互抵消现货和期货交易可以降低或避免风险生产者和经营者,从而达到保护的目的价值和获得更好的利润,这有利于农业生产的稳定发展。其次,期货市场有一个机制,形成“实际价格,”,减少农业生产的失明和波动在一个市场经济。期货市场价格具有较强的预期和真实性,才能真正反映未来市场供求情况提前,也可以提前调整潜在需求在未来的时期。这样就避免了盲目性的生产者的决策,降低了农产品的大波动,并确保农产品的基本供需平衡在一定时期。 Moreover, the expected income of producers has been guaranteed, the needs of consumers have also been met, and the stability and continuity of production and business activities have been maintained. Using the futures market to guide contract farming is the best model to transfer the risk of agricultural prices, and it is practically feasible. We take the contract revenue (market price) as the horizontal axis, and the vertical axis to represent the profit and loss of farmers or enterprises as shown in Figure7。
在上述研究的基础上,农业经济风险的影响预测模型基于数据挖掘提出了验证。本文使用模拟数据测试,农业经济数据是通过网络,进行数据挖掘结合本文的模型,和农业经济风险预测。同时,本文通过仿真实验验证本文提出的模型,计算了农业经济风险数据挖掘效果和农业经济风险预测系统的影响,并得到结果如表所示2和3和数字8和9。
从上述研究可以看出,农业经济风险预测系统基于数据挖掘技术提出了具有良好的效果。
5。结论
在本文中,使用BP神经网络理论结合模型理论与数据挖掘方法。这个意识到自主学习的特点,自适应神经网络的泛化能力,弥补了传统预警模型的不确定性,很难处理高度非线性模型。此外,它成功地建立一个农业技术上是可行的财务风险预警模型基于BP神经网络。同样,BP神经网络技术可以用来构造macrorisk microrisk预警模型对农民、乡镇企业、各级政府、农业金融监管机构,和其他农业金融实体。这些模型可以指导农业金融机构提前采取风险预控措施,避免造成损失的风险。为了提高应对农业经济风险的能力,本文研究了农业经济风险预测与数据挖掘技术相结合,构建一个智能农业经济风险预测体系。仿真研究表明,农业经济风险预测系统基于数据挖掘技术提出了具有良好的效果。
数据可用性
标签数据集用于支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突。
确认
这项工作是由“教育部人文社会科学项目的吉林省,中国(批准号JJKH20211433SK)。”