【摘 要】目前有很多的经济学家对经济增长点的进行了长期的研究，从不同方面运用不同理论作出了自己的解释，但在评价经济增长点上面至今没有形成一致的看法。本文尝试从经济增长点的形成机理以及在经济发展中的地位和作用上，就应用自组织数据挖掘方法建立某一个国家或者地区经济增长点的评价模型可行性进行论述。
【关键词】自组织；经济增长点
0.引言
在研究复杂经济系统时，系统内多个因素间的相互作用、相互影响，用经济理论从众多影响因素中揭示出对经济对象有重要影响的因素时，不容易找到一个客观公正的标准。自组织数据挖掘方法为解决这一问题提供了有效途径。用自组织数据挖掘方法建模体现了复杂事物由简单到复杂的演化过程，竞争、优胜劣汰的生物进化过程，中间模型不断重组的模型自组织过程，它能客观、自动地选择出对研究对象有重要影响的因素。
1.经济增长点理论概述
一般认为，经济增长点理论来源于经济不平衡增长思想和内生经济增长思想，即认为经济增长不会同时在经济体的每一处出现，而是出现不同的增长的触发点，也就是所说的经济增长点。它的实质上是经济体内在的刺激因素，它自身的发展可以向外产生扩散和辐射，进而启动整个经济体的增长。但是现在理论界对抽象的经济增长点内涵具体表述并不相同。
尽管经济增长点首先是一个“点”的概念，但是研究的目的是实现整个经济体的增长，因此必须从经济总量的角度来看增长点的形成机理。目前已经从经济史、产业组织等角度提出了各种解决的办法。主要有罗斯托的“经济成长阶段理论”、钱纳里的“工业化阶段理论”、霍夫曼的“霍夫曼工业化经验法则”与“ 霍夫曼系数”。但是这些划分没有经济的微观基础，只从历史的表面联系来分析经济现象，因而有一定的局限性。我们认为只有从经济增长点的形成机理以及在经济发展中的地位和作用，结合宏观经济学与微观经济学建立一个评价模型对其才能作出最好的评价。由于经济增长点对于发展中国家的巨大作用，本文就尝试对这种经济增长点的评价模型的建立问题作出研究，找出一种方法能够建立适应于某一个具体的国家或地区的经济增长点评价模型，以指导他们的经济发展方向。
2.复杂性科学与经济学
自组织理论与方法源于神经网络科学和自动控制理论。随着神经网络和计算机科学的迅速发展，自组织建模方法也得到取得了较快的进步。20世纪90年代由德国J.A.Muller教授在上述成果基础上发展并完成的自组织数据挖掘算法，使它成为研究复杂系统模拟预测的有效工具。如今在数据挖掘、知识发现、预测、系统建模和模式识别等领域，自组织方法已经成为人们在信息爆炸时代、信息不完全下进行系统分析和决策的有效方法。
自组织方法在人类活动的很多领域都有重要运用，尤其在经济领域，因为经济涉及的广泛性和与人们生活的息息相关性。自组织是运用一种新的方法对重要的经济问题进行分析。已经证明了经济系统是一种被大量的环境因素所影响的自然系统，当我们应用自组织方法来解决宏观经济指标预测问题时，用自组织方法中的模糊规则来集成影响因素，由于不用考虑所有的因素，所以肯定了自组织应用的有效性。用自组织方法得出的模型，其分析效果要好于其它方法得到的模型，体现了自组织在复杂系统运用中的优越性，解决了复杂系统变量多等其它方法难以解决的困难。
我国自1992年开始使用这一方法对一些复杂的经济问题进行了探讨，在贺昌政、刘光中教授以及一批学者的推动下，自组织在我国的运用有了较大的发展，并且取得了令人满意的效果。
3.自组织数据挖掘
数据挖掘的概念于1995年在美国计算机年会（ACM）上被提出：“数据挖掘就是从大量的、不完全的、有噪声的、模糊的、随机的数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程”。数据挖掘是从大量数据中提取知识，即从存放在数据库、数据仓库或其它信息库中的大量数据挖掘有价值知识的过程。它涵盖了统计学、机器学习、数据库、模型识别、人工智能等多门学科领域。数据挖掘从它刚产生开始就是面向应用的，它的任务就是从数据中发现模式，为决策活动提供决策模型。
自组织数据挖掘方法在考虑到我们对与这个复杂世界所知甚少的情况下，对复杂世界的规律进行预测。其理论的基础之一是遗传算法。生物的遗传在不断地受到外界的制约并与周围的环境协调的过程中，物种将逐步地发生变化。在大批量进行育种的过程中，为了得到新的一代，每一次大批量淘汰的过程都应该筛选出具有某些最好特性的，但还需要继续改进的那些生物，并利用这些生物继续育种。经过一些阶段选择以后，就可以培育出理想的物种。
对于经济系统，其特征是组织的产生（经济对象的形成与设计、改造、重构等）、动态平衡的自动调节（为了达到指定的目的而控制经济过程）、管理、组织的变革。用经济数学模型的自组织原则来研究经济系统，应该满足经济现象的自身的性质。利用自组织数据挖掘理论建立复杂经济系统动态模型时，根据影响因素的样本数据及建模者感兴趣的输出变量，在计算机上采用人机对话方式产生大量的竞争模型，用恰当的选择准则选择一部分“最有希望”的模型，再利用这些模型产生大批新的竞争模型。按这样的方式将模型的结构从简单到复杂逐步改进，最后选择出最优的复杂模型来。
自组织算法选择竞争模型的选择准则又称外准则，因为它基于某些补充信息，即是在估计模型参数时没有使用过的信息。外准则对模型质量的判断应保证其结果与模型参数估计过程的最大无关性。使用外准则筛选竞争模型，是自组织数据挖掘算法的特色。它也符合奥坎姆剃刀原则，即如无必要，勿增实体。
自组织算法的终止法则由自组织原理给出：当模型的复杂度（模型所含变量个数与次数）逐渐增加时，模型的外准则值有一个先减小再增大的过程。外准则的最小值定义了最优复杂度模型。
要建立经济增长点评价模型，我们把样本集分为学习集、检测集，用GMDH客观地产生最优复杂度模型。
4.总结
建立某一个国家或者地区经济增长点的评价模型所应用的自组织方法，是利用了GMDH黑箱输入输出以及用基本函数的网络互连来表达基本函数等两种方法的。它有以下几种优势：首先它实用性好；只需要采集确定目标的样本集即可，确定好外准则即可产生最优复杂度模型。其次它客观性强；由计算机筛选这些数据之间的相关性，减少了人为的主观判断。最后它综合了已知的各种经济学理论，充分利用了我们的先验知识。应用自组织方法来建立经济增长点评价模型是现在我们已知的最可行的方法之一。
【参考文献】
[1]成思危.复杂科学与管理，中国科学院院刊，1999.（3）.
[2]钱学森，于景元，戴汝为.一个科学新领域-开放的复杂巨系统及其基本方法论，自然杂志，1990.（1）.
[3]
[4]Ivakhnenko A.G， Kozubovski S.F，Yu.V.Kostenko.Objective System Analysis of Macroeconomic Systems.Syst.Anal.Model.Simul.I，1990，3：201.
[5]贺昌政.自组织数据挖掘理论与经济系统的复杂性研究，系统工程理论与实践，2001.（12）.
[6]杨小凯，黄有光.专业化与经济组织，经济科学出版社，1999.