巩保胜，刘梦川，穆春迪

（1.61243部队，新疆 乌鲁木齐830006；2.61618部队，北京100000）

一带一路地理空间辅助决策框架研究

巩保胜1，刘梦川1，穆春迪2

（1.61243部队，新疆 乌鲁木齐830006；2.61618部队，北京100000）

“一带一路”是中国与周边国家合作、发展的理念和倡议，是联系欧亚各经济体的纽带，已经成为我国的国家发展战略。提出以地理空间信息、统计和分析数据为基础，通过神经网络模型计算分析，构建“一带一路”沿线国家及地区的地理空间辅助决策框架，为“一带一路”的发展建设提供科学的认知和决策分析服务。

一带一路；地理空间框架；神经网络模型；决策分析

“一带一路”是“丝绸之路经济带”和“21世纪海上丝绸之路”的简称，2013年9月和10月由中国国家主席习近平提出建设。它不是一个实体和机制，而是合作发展的理念和倡议，是依靠中国与有关国家既有的双多边机制，借助既有的、行之有效的区域合作平台，主动地发展与沿线国家的经济合作伙伴关系，是我国重大的国家发展战略［1］。

现有的“一带一路”研究主要集中在人文角度的描述、统计和分析，缺少科学的、形象的空间思维手段对战略全局的整体把控［2-4］。因此，本研究提出“一带一路”地理空间辅助决策框架。在地理空间信息的基础上，加载相应国家和地区的基本情况、政治状况、经济形势、投资状况、双边关系等专题信息，通过计算机计算分析，形成框架模型，为“一带一路”建设提供快速、科学、准确服务保障。

1　框架构建

“一带一路”是我国确立的跨国境区域经济发展战略，空间跨度大、涉及领域广，对其的地理空间认知不可能完全采用实地考察或定性分析的方式进行，必须要根据相关的数据、信息、知识以及空间推理来完成量化、准确的把握。按照前人对地理空间规律的认知，“一带一路”战略的认知框架是一个从概念空间、数据空间到信息空间、知识空间，最终形成决策智慧空间的知识化过程［5］。

“一带一路”的建设目标是在政策沟通、道路联通、贸易畅通、货币流通、民心相通基础上，实现经济带相关国家在能源、经贸、金融、基础设施等全方的区域经济合作。围绕这一任务，对地理概念、数据获取、服务平台、地理分析等方面的需求分析，结合地理空间信息技术的发展现状，重点从任务需求、地理数据、专家认知和政策法规4个方面对其进行认知研究，构建地理空间辅助决策框架，如图1所示。

图1　地理空间辅助决策框架

1.1基础数据库

基础数据库是决策框架的灵魂，基础数据不完整、不准确，就失去了分析决策的基础［6］。本框架中基础数据库主要包含空间信息、专题产品和统计分析数据三大类。其中，基础空间信息包含地理元数据、时空基准、地图数据、地理实体数据、影像数据、地名地址数据等，主要作为用户提供目标区域的地理空间信息，作为地理空间描述的背景资料。专题产品包含公共交通数据、道路导航产品、环境专题产品、经济专题产品、人口专题产品、公共安全专题产品等，可为用户提供针对性强的多样化服务。统计分析数据主要是各类人文角度的描述、分析统计等研究成果，是分析决策的重要依据。

1.2智能决策

“一带一路”作为经济发展战略，其决策功也主要用于经济活动的分析评估。在一般的经济活动中，所依据的大量信息都带有模糊性，再加上经济活动本身的复杂性，难以建立精确的数学模型。同时，在客观实际中，由于经济活动往往与多个因素有关，且对事物的评价往往采用的是模糊性的语言［7］，因此，本研究采用神经网络模型进行决策分析［8］。

神经网络模型是由大量结构和功能十分简单的处理单元即神经元广泛互连而成的高度复杂的非线性动力学系统。它是对人脑神经网络系统的某种简化、抽象和模拟，可以反映人脑功能的许多基本特征。神经网络可以通过学习逐步实现其计算过程，在神经网络的学习过程中，神经元之间的连接强度将根据环境信息发生缓慢的变化，把环境信息逐步地存储于神经网络之中，形成长期记忆。将专家认知和政策法规作为已知的学习样本，对神经网络的连接强度进行系统调整，在不断相互作用中达到自组织，因此而积累知识和经验，通过这种自组织，系统可以不断地修正自己的知识，修正神经网络中的知识编码，进而计算输出［9-14］。其三层神经网络模型如图2所示。

图2　三层神经网络模型

设x1，x2，…xn是网络输入值，u1，u2，…un是网络隐含层输出值，网络输出值为y1，y2，…ym，输入神经元i到隐含层神经元j的权值为Wij，隐含层神经元j到输出神经元k的权值为Vjk，θj和hj气分别表示隐含层和输出层的偏置值。则，3层BP网络的数学模型，隐含层各单元的输入为：

输出层单元输出为：

其中f（）采用sigmoid函数：

3BP算法是一种有教师的学习算法，设输入学习样本有P个，为X1，X2…，Xp，已知与其对应的教师为T1，T2…，Tp，学习算法是以实际的出Y1，Y2…，Yp与T1，T2…，Tp的误差来修改其连接的阀值和权值，使输出的Y与要求的T尽可能接近。用平方型误差函数，对于P个样本，其学习误差为：

其中yil表示第l个样本的第i个实际输出值，til表示对应的教师。对于给定的精度ε，如果E＜ε，则计算停止。整个网络的学习过程分为两个阶段，第一阶段是从网络的底部向上进行计算，如果网络的结构和权值已设定，输入已知的学习样本，可按（1）式、（2）式计算每一层的神经元输出；第二个阶段是对权值和偏置值的修改，这是从最高层向下进行计算和修改，从已知最高层的误差修改来调整最高层相联的权值，然后修改各层的权值和偏置值，两个过程反复交替，直到收敛为止。

2　验证实验

为验证决策框架模型的有效性，本研究以现有的“一带一路”专家研究成果为依据，对“一带一路”沿线一些国家的政局现状、经济状况、投资情况、地缘价值以及与我国的双边关系情况进行量化，然后经神经网络模型计算分析，得到其投资的风险情况，与其现实投资情况对比，进行验证。

2.1已知样本的学习训练

选取“一带一路”沿线5个研究较为成熟的国家，将专家的研究成果进行量化，对其投资风险评估样本集进行神经网络学习训练，给定其学习误差精度为0.1，其学习情况见表1。

2.2投资风险评估

选取阿富汗、马其顿、土耳其、乌克兰、波兰5国评估目标，对其政局现状、经济状况、投资情况、双边关系情况进行量化，经神经网络模型计算分析得到其投资风险评估，得出富汗、马其顿、土耳其、乌克兰、波兰5国的投资风险分别为77%、56%、44%、71%、61%（见表2）。

3　结果分析

利用“一带一路”沿线国家的现有研究成果及相关统计数据，对5个国家的投资风险进行评估，得出阿富汗、乌克兰投资风险较大、马其顿、土耳其、投资风险一般、土耳其投资风险较小，基本符合实际情况。同时经对比分析，可得出政局状况、双边关系是投资风险的最大影响因子。

存在不足：（1）影响投资风险因素有很多，试验中仅从政局现状、经济状况、投资情况、地缘价值以及双边关系5个影响因子较大方面对投资风险进行评估，评估的全面性不足；（2）政局现状、投资情况、地缘价值、双边关系4个因素主要是人文角度的描述，对其进行量化的过程存在较大的主观因素，导致评估结果的科学性不够高。

验证表明：本框架模型在“一带一路”建设过程中可实现一定的辅助决策功能。

表1　俄罗斯、伊朗、印度、巴基斯坦、缅甸5国投资风险评估样本集

表2　阿富汗、马其顿、土耳其、乌克兰、波兰5国投资风险评估情况

4　结束语

本研究基于地理空间信息技术与神经网络分析模型，构建了“一带一路”地理空间辅助决策框架。并以“一带一路”沿线随机抽取的5个国家现有的研究成果为基础，对其进行投资风险评估，对框架的可行性进行了验证。本研究的创新点在于将模糊地“一带一路”人文研究成果进行量化，再通过分析计算，得出结论，从而对“一带一路”的建设提供科学、可靠的依据。“一带一路”地理空间辅助决策框架对于“一带一路”的认知研究和建设发展具有十分重要的意义。

［1］ 刘卫东.“一带一路”战略的科学内涵与科学问题［J］.地理科学进展，2015，34（5）：538-544.

［2］ 杜德斌，马亚华.“一带一路”：中华民族复兴的地缘大战略［J］.地理研究，2015，34（6）：1005-1014.

［3］ 郑蕾，刘志高.中国对“一带一路”沿线直接投资空间格局［J］.地理科学进展，2015，34（5）：563-567.

［4］ 韩永辉，罗晓斐，邹建华.中国与西亚地区贸易合作的竞争性和互补性研究——以“一带一路”战略为背景［J］.世界经济研究，2015（3）：89-98.

［5］ 马照亭，李成名，印洁.丝绸之路经济带的地理空间认知框架研究［J］.测绘科学，2015，40（10）：48-53.

［6］ 田博，覃正.非平衡数据集的支持向量域分类预测模型研究［J］.运筹与管理，2009，18（1）：138-145.

［7］ KULKARNI A D，CAVANAUGH C D.Fuzzy Neural Network Models for Classification［J］.Applied Intelligence，2000，12（3）：207-215.

［8］ 朱大奇，史慧，编著.人工神经网络原理及应用［M］.北京：科学出版社，2006.

［9］ 许俊奎，武芳，魏慧峰.人工神经网络在居民地面状匹配中的应用［J］.测绘科学技术学报，2013，30（3）：78-83.

［10］谢立春.BP神经网络算法的改进及收敛性分析［J］.计算技术与自动化，2007，26（3）：52-56.

［11］胡守仁，编著.神经网络导论［M］.长沙：国防科技大学出版社，1993.

［12］ZHANG L，ZHANGL Y，WANGJ，MAFT.Prediction of Rolling Loadin Hot Strip Mill by Innovations Feedback Neural Networks［J］.Journal of Iron and Steel Research（International），2007，14（2）：42-45，51.

［13］覃强.平面问题的一种新型神经网络算法［D］.西安：西安电子科技大学，2006.

［14］Too E G，Weaver P.The Management of Project Management：A Conceptual Framework for Project Governance［J］.Interna tional Journal of Project Management，2013，32（8）：1382-1394.

P231.4