基于ＢＰ神经网络的出口产品价格监测预警模型
摘 要：根据反倾销理论，当出口商品的价格低于其正常价值、进口国同类商品的价格降幅明显且其生产者遭受到严重损失时，进口国政府将进行反倾销诉讼。基于此，以我国出口至美国的棉纱为例，利用BP神经建立了出口产品价格监测预警模型，旨在提高我国出口棉纱生产商及政府在面对美国反倾销诉讼或实施贸易保护政策时的反应能力。实验结果显示：该模型具有较高的训练和预测精度，可以起到预警的效果。?
关键词：反倾销；BP神经网络；价格监测预警??
一、引 言?
倾销作为一种竞争与生存的必然行为是不可避免的，反倾销作为一种“打击不合理价格歧视”的合法手段也受到了国际社会的认可，它是世界贸易组织推行的一项基本原则，用以规范国际贸易行为，维护市场自由公平的竞争秩序。反倾销的初衷是对破坏国际贸易游戏规则的国家或地区予以惩戒，迫使其走上规范的国际贸易自由化轨道。但对发起国的对等产业而言，反倾销却是实实在在的贸易保护。?
随着世界经济贸易一体化进程的加快，在逐渐失去了常规的关税和非关税壁垒等保护措施之后，一些国家已越来越频繁地挥舞起反倾销大棒，藉反倾销之名，行保护主义之实。2002年一年间，仅就遭受了来自16个国家的47次反倾销指控，产品涉及钢铁、打火机和彩电等。国际反倾销案件逐年递增，反倾销措施渐渐演变成了一种“合法的”贸易保护主义手段，许多中国家政府及出口产品生产者也因此遭受了严重的损失。为了减少反倾销诉讼的发生，出口国方面除了采取一些主动的长期策略外，还可以建立反倾销预警体系。它使得出口国在进口国进行反倾销诉讼或实施其他贸易保护措施之前，有足够的反应时间改变策略，从而使其利益损失降为最低。?
基于上述理论，本文采用BP神经网络的建模思想对价格监测预警模型进行了研究，并以我国出口至美国的棉纱为实例，对模型进行了检验。通过监测美国棉纱的价格波动，确定我国出口棉纱是否严重影响到美国棉纱生产企业，以及美国政府是否实施贸易保护政策，若确实存在这种趋势，则发出预警信息，从而为我国棉纱出口商的策略改变及政府出口政策的修订提供。?
二、BP神经网络的基本原理?
人工神经网络(Artificial neural network，简称ANN)是一种基于神经元的相互作用，传递和处理信息的人工智能研究方法，是生物和机科学相结合的产物，具有自适应、非线性等特点。该方法克服了传统人工智能方法对于直觉（如模式、语音识别）等非结构化信息处理方面的缺陷，以其强大的推理和仿真能力广泛应用于、经济等领域。?
自从Mcclelland和Rumehart（1986）等首次提出多层前馈网络的反向传播算法(Back Propagation)，简称BP网络或BP算法之后，BP神经网络迅速占据了人工神经网络研究的主体地位。?
BP神经网络的学习过程即是通过对样本数据的学习，寻找到一个最优连接权值，使模型的输出值与期望输出值间的误差达到最小的过程。它的具体算法步骤为:(1)以小的随机数对网络每一层的权值和偏差初始化；(2)计算网络各层输出矢量及误差；(3)计算各层反向传播的误差变化并计算相应权值的修正值和新权值；(4)再次计算权值修正后的误差平方和；(5)检查该误差平方和是否小于期望误差最小值，若是，训练结束，否则转至(2)继续。可以用一句话来形容BP网络的学习过程，就是“模式顺传播”→“误差逆传播”→“记忆训练”→“学习收敛”的过程。?
三、出口产品价格监测预警模型的构建?
(一)数据的收集?
本文选取纯棉纱作为研究实例对象构建模型。为便于分析，把棉纱的产销流程简化为棉花—棉纱—棉坯布。棉纱的上游产品主要是棉花，而棉纱主要用于坯布的生产，所以棉纱的下游产品为坯布。针对此产业链，我们收集的数据主要有，美国棉花价格和坯布价格、我国出口到美国的棉纱价格、美国的棉纱价格，以及宏观经济环境对棉纱价格的影响，包括汇率和原油价格。?
为了避免噪声和干扰，本文主要考察价格的相对变化率，因此须将收集到的数据处理为变动率的形式。主要考察的时间区间为2002年12月到2005年1月。处理后的部分数据如表1所示。 ?
其中，P?E表示汇率变动率，P?O表示原油价格变动率，P?2C代表美国棉坯布价格变动率，P?1C代表美国棉花价格变动率，P?F表示美国棉纱价格变动率，P?H为我国出口到美国的棉纱价格变动率。?
（二）数据的检验?
1.平稳性检验?
本文选择ADF(augmented Dickey-Fuller unit root test)法对样本数据进行平稳性检验。ADF回归式如下：?
Y?t=C+T?t+ρY?t-1+?pi=1θ?iΔY?t-i+ζ?i（1）?
其中，C为截距项，T?t为时间趋势项，?pi=1θ?iΔY?t-i为P个分布滞后项，ζ?i是均值为零的随机误差项。如果得到的ADF检验统计量小于显著水平下的临界值，则接受序列平稳性的假设。检验结果如表2所示，显著水平取5％。?
由表2的单根检验结果可以看出，棉纱及其上下游相关产品的价格变动率皆为I(0)阶平稳数列。?
由于数据样本较小，可能的滞后期又较多，本文参照学者林灼荣(2002)在做进口监测模型时表2ADF单根检验结果?
变量检验形式（C、T、P）ADF检验统计量
5%临界值P?E--、--、0-3.132934-1.9583P?O--、--、0-2.394551-1.9583P?1C--、--、0-2.307881
-1.9583P?2C--、--、0-3.205510-1.9583P?F--、--、0-2.143174-1.9583P?H--、--、0-3.243024-1.9583 注：本文所有的检验均用Eviews3.1 软件完成。
所采用的算法，用最终预测误差（Final Prediction Error，FPE）的方法来确定最优滞后期数。构造回归方程如下：?
Y?t=a+?mi=1α?iY?t-i+μ?t（2）?
Y?t=a+?mi=1α?iY?t-i+?nj=1b?jX?t-j+μ?t（3）?
FPE的衡量公式：FPE?n=(T+m)SSE?n(T-m)T 。其中，T代表样本个数，m为估计的参数个数，SSE?n代表滞后n期回归式的残差平方和。?
通过利用式（2）、式（3），按照FPE值最小的原则，寻找与美国棉纱价格变动存在因果关系的变量及其对应的滞后期数，最终得到的检验结果为：滞后两期的石油价格变动率、滞后三期的美国棉花价格变动率、滞后两期的美国棉坯布价格变动率以及滞后三期的我国出口棉纱价格变动率会对美国棉纱价格的变动产生显著影响。
（三）模型的建立和测试?
整合上述检验信息，构建价格监测模型函数如下：?
P?F=f(P?0,t-1,P?0,t-2,P?1c,,t-1P?1c,t-2,P?1c,t-3,P?2c,t-1,P?2c,t-2,P?H,t-1,P?H,t-2,P?H,t-3,P?F,t-1,P?F,t-2,P?F,t-3)?
上式中，P?0,t-i(i=1,2)，P?1c,t-i(i=1,2,3)，P?2c,t-i(i=1,2)，P?H,t-i(i=1,2,3)，P?F,t-i(i=1,2,3)，分别代表相应滞后期的各个变量。在BP神经中将上述变量定为输入层，P?F为重点监测变量，定为输出层。?
表3P?F的设定与警讯范围?变量取值范围模型输出警讯范围P?F≥00 0 1安全区-30%≤P?F<00 1 0中警区P?F<-30%1 0 0高警区
依照P?F的涨跌范围，确定出三种预警信号，即（001）、（010）及（100）。由于所选数据中的棉纱价格本身数字较小，所以价格很小的变动就会引起很大的变动率，因此把美国棉纱价格变动从0到-30%定为中警区。具体预警范围见表3。?
建立价格监测预警模型的具体步骤为：?
（1）确定BP网络结构。输入层的传递函数确定为tansig，因此需要采用premnmx函数对样本数据进行归一化。输出层采用0 1 数据设置，传递函数为logsig。BP网络的训练函数选择trainlm，采用LM算法。共取23组样本数据，将其中20组作为训练样本，其余三组作为测试样本。训练步数定为100，目标误差为0.01，经过7次训练，模型达到误差要求，并且确定隐含层为27个神经元。最后得到的神经网络是一个具有13个输入结点、27个隐层结点和3个输出结点的三层前馈网络结构。?
训练过程和网络结构分别见图1和图2。模型训练的部分输出结果如表4所示。很明显，模型的训练效果非常好，误差在可接受的范围内。?
（2）模型测试。输入三组测试样本，对模
第一组数据显示出口国处于安全区，即美国棉纱价格变动率大于等于零，这对我国政府及棉纱出口商而言无疑是个好消息；第二组处于中警区，即美国棉纱价格变动率小于零，但处于一定的范围内，这应该引起我国政府和相关的重视。第三种情况与第一种相同，处于安全区。如果模型输出（1，0，0），则意味着我国出口到美国的棉纱严重影响到了美国本国棉纱的生产和消费，美国很可能采取相应的贸易保护措施或提出反倾销诉讼，我国必须及时采取应对策略，否则会遭受严重的损失。?
四、结论?
近年来，神经网络以其较强的自适应、自学习能力，在领域得到了广泛应用。本文以棉纱为例，利用BP神经网络，借助Matlab工具建立了我国出口产品价格监测预警模型，并且取得了良好的实验效果，但介于训练和测试样本数目较少，该监测预警模型的实际应用价值还有待于进一步的深入研究。在下一步工作中，可以尝试利用更多数目的样本数据对该模型进行检验，并将影响美国棉纱价格变动的其他因素考虑进来，从而使得该模型更加完善和逼近现实。 ??
:?
林灼荣.进口监测模型之建构-丙烯［EB/OL］.http://www. 51paper.net/ck/2004523050836. htm. ?
MCCLELLAND J L, RUMELHART D E. 1986.Parllel Distributed Processing ［M］.Vols land 2, MIT Press.
