研究，是特别节目的一部分社会-生态系统的分析、比较和诊断框架

利用人工神经网络分析社会-生态系统

• 摘要
• 简介
  • 动机
  • 生态系统框架
  • 成功因素的综合
  • 结果和成功因素
  • 障碍决定成功的影响因素
• 方法
  • 数据选择
  • 数据准备
  • 方法的分析
• 结果
• 讨论
• 结论
• 对本文的回应
• 致谢
• 文献引用

介绍

动机

公共资源(CPR)问题是普遍存在的。考虑到气候变化的影响，处理这些问题变得更加重要。beplay竞技心肺复苏有很多种不同的问题。在Hess(2008)中可以找到一个全面的概述。我们的分析仅限于传统的公地:土地利用、森林管理、灌溉和渔业。核心问题是:为什么有些社区失败而有些社区繁荣?如何在管理cpr中实现可持续性、效率和公正?

生态系统框架

在社会-生态系统(SES)领域过去几十年的研究中，人们已经清楚地认识到，没有一个单一的因素，例如用户参与或对用户遵守情况的监测，可以解释管理cpr的成功。机构和环境非常多样化，因此没有万能的办法。此外，大多数将成功设计从一个系统转移到另一个系统的尝试都失败了(Meinzen-Dick 2007, Ostrom et al. 2007)。

然而，一系列因素的相互作用使成功在相当多样化的环境中极有可能(Ostrom 2005;以后称为成功因素)。埃莉诺·奥斯特罗姆(Elinor Ostrom)是第一个在她开创性的工作中构建这样一套成功因素的人，她称之为设计原则《公地治理．她对设计原则的定义如下:“通过‘设计原则’，我指的是帮助解释这些机构在维持cpr和获得一代又一代拨款者对使用规则的遵守方面的成功的基本元素或条件”(Ostrom 1990:90)。

随后，这项工作在SES框架中得到了进一步的发展(Ostrom 2009)。最近的一项荟萃分析证明了SES框架的理论和实践力量，因为自1990年以来，至少有91项研究使用或讨论了这些设计原则，作为促进成功的因素(Cox et al. 2010)。此外，实证研究支持他们有助于成功的结论(见Nilsson 2001年的深入研究)。两个重要的后续问题是:这些真的是决定成功的关键因素吗?每个因素的个人作用和相关性是什么?

已经进行了几次验证和扩展设计原则的尝试。阿格拉瓦尔进行了最全面的总结和综合的尝试(阿格拉瓦尔2001年，2002年)。他综合了各种汇编(Ostrom 1990, Wade 1994, Baland and Platteau)，并结合自己的扩展，得出了一个全面的成功因素列表。在很大程度上，所有这些分析都使用相同的因素。人们甚至可以说在一系列核心因素上达成了共识。然而，这些汇编中的概念和变量的关系和位置仍然有争议。由于其可接受性、实证有效性和全面性，SES框架(表1)作为我们自己综合成功因素的起点。

有更多的尝试来确定CPR问题的成功因素。Pomeroy等人(1998)通过对25个亚洲渔业合作社研究项目的实证研究，评估了Ostrom最初设计原则的重要性。例如，清晰的资源边界和清晰的分配群体边界被认为是非常重要的。奥斯特罗姆的其他因素被认为只是有些重要。根据他们自己的实地研究，本研究的作者认为另外28个因素也很重要(Pomeroy et al. 1998)。

许多研究并不是在成功因素层面的分析，而是在更详细的层面。他们着眼于单个变量与成功的正相关或负相关。Shiferaw等人(2008)就是一个例子，他们发现成功与87个印度村庄的灌溉系统的降水量、到最近市场的距离等变量呈正相关。

有趣的是，最近一项关于克服反公有物情况的研究，即通过德国森林中的小块私人土地来解决管理问题，指出了与Ostrom或Agrawal的清单相似的成功因素(Schurr 2006)。例如，在开办期间存在体制框架或财政支助是很重要的。

最后，一项包含全球69个案例的社区林业转移研究确定了43个变量作为决定成功的因素。所有案例研究作者讨论并发现对cpr管理成功重要的因素是“……明确的产权、有效的制度安排、社区利益和激励”(Pagdee等人2006:49)。因为每个因素至少包含五个子类，所以很难评估个人对成功的贡献。这是因为研究的不可比性，这是另一个问题，一个很难克服的问题。

这些研究清楚地表明，一些作者对大约20到30个核心成功因素达成了共识，尽管还讨论了更多。很少有研究对同样的成功因素给予同样的重视。因此，与其他因素相比，每个因素的总体相关性没有收敛。因此，许多文章得出的结论是，成功可能是具体案例。

这当然不能令人满意，但似乎不可能从具体的当地背景中抽象出来。Ostrom(1990)提出的解决方案将分析提升到一个更高的抽象层次:不要关注变量，例如，水是否旋转到位，而是关注概念，例如，规则是否适应当地的需求?SES框架指导这一过程(Ostrom 2009)。

成功因素的综合

如果我们的目标是构建一套全面的成功因素，可以使用SES框架以及其他对成功至关重要的系统属性的编译(Pagdee和Daugherty 2006)。不幸的是，一个完整的清单是不切实际的，因为它包含了100多个成功因素。很明显，没有任何一个案例研究以精确或足够相似的形式包含这么多变量，以实证支持这些因素。

然而，由于基于SES框架的关于20到30个成功因素的共识确实存在，这很可能是一个起点。此外，尽管个别因素的权重和重要性不同，经验证据至少支持这一组相关。这可能是因为成功因素之间复杂的相互作用。我们的合成以Ostrom(2009)和Agrawal(2001)为起点。然后使用作者所引用的有助于成功因素的关键词和参考文献进行文献检索。这些包括但不限于:Ostrom(1990)、Berkes(1992)、Tang(1992)、Thomson等人(1992)、Wade(1994)、Baland and Platteau(1996)、Varughese和Ostrom(2001)、Agrawal(2002)、Pagdee等人(2006)、Schurr(2006)、Nagendra(2007)和Shiferaw等人(2008)。正如许多作者所指出的那样，我们使用了SES框架的类别，成功因素通常被归入其中:资源、资源单位、行动者、治理系统和外部环境。如果成功因素发生在至少四项基于实证案例研究的同行评议研究中，则纳入成功因素。列表可根据要求提供。只要有可能，一个因素的小变化就会合并成一个因素，通常更抽象一些。 In addition, inconsistencies like wrong categorizations, wrong level of abstraction, etc. were cleared where possible.

例如，积极的成本收益比经常被提及，但它实际上是一个元因素;它是由个人(或多或少)直观地权衡上面列出的一些或大部分因素计算出来的。只有在积极的情况下，个人才能对CPR管理做出贡献。

像这样的综合可能是针对两个相反的目标之一。第一个目标是创建一个尽可能全面的列表。优点是所有成功的因素都可以考虑，没有一个是被忽视的。之后的分析也将受益于这样的列表，因为根据研究重点可以很容易地做出子选择。缺点也同样明显:影响CPR管理成功的无关因素仍然存在，并被纳入分析，耗时并干扰适当的因素。此外，大量的因素使得建模不必要地复杂，并且无法用传统的分析工具进行管理。然而，易于使用是建模的一个理想特性(Schlüter等，2005)。更糟糕的是，过于复杂的模型可能会完全误导。

第二个目标是合并清单，其中只包含与CPR管理成功具有高概率相关性的因素。建模变得更容易，模型也更简洁，更少杂乱的无关紧要的因素。然而，试图预先确定哪些因素可以排除是危险的。另一个问题是找到一个共同的抽象级别。同样，核心成功因素提供了一个标准。我们的方法选择以下合并列表，根据SES框架排序。它得到了理论研究和实证数据的支持，并得到了外部专家的验证(表2)。

因为每个因素都被认为与成功有关，所以了解它们的作用是很重要的。表3列出了每个因素对成功的各自贡献，包括一个参考，其中这个因素及其贡献的讨论比这里可以涵盖的更详细。

我们明确表示，我们的综合是作为一个起点，一个由理论和实证工作支持的起点，以确定哪些因素可能与成功相关，哪些可能不相关。正是神经网络允许确定它们各自的相互作用和相关性。

结果和成功因素

研究成功因素的一个关键问题是如何衡量成功。不出意料，人们对CPR管理的成功要素有不同的看法。再次，对于衡量成功相关的一组核心变量存在共识(Ostrom 1990, 2009, Berkes 1992, Pagdee et al. 2006)。这个集合可以分为(1)生态的，(2)社会的，(3)经济的目标，(4)对其他社会-生态系统的影响。下面的列表是合成的。

(1)生态目标:

• 资源条件
• 稳定,可持续发展
• 生产力、弹性
• 生物多样性
• 避免或制止环境恶化

(2)社会目标:

• 公平，即参与管理、拨款过程、利益分配等。
• 稳定,可持续发展
• 问责制
• 权利
• 对未来生产力的投资
• 用户的满意，即满足当地的需求
• 改善当地生活条件，减少贫困
• 冲突管理
• 遵守规则的程度
• 平衡矛盾的管理目标

(3)经济目标:

• 生产力
• 拨款过程的成本效益比

(4)对其他社会生态系统的外部影响:

• 生态的影响
• 社会影响
• 经济影响

关于第4点的系统数据似乎很少，因为大多数研究都集中在CPR本身，而不是它对其他系统的影响。此外，大多数案例研究没有收集关于CPR管理的经济效率的数据。

下一个障碍是测量这些参数。因为没有直接衡量成功的标准，所以必须使用指标。例如，生态成功的一个指标可以是资源的状况。然而，“条件”可以指森林、灌溉系统等整体，但也可以局限于收获的树木或鱼类种类。

第二个问题是，例如，森林的状况再次只能通过指标来衡量。就森林而言，这可能是生物多样性、森林中某一棵树的生产力、植被密度或树干密度。出现一些困难。必须选择或制定一套满足某些标准的指标(OECD 2008, Binder et al. 2010)。此外，世界各地的数据库在可比性方面也提出了自己的问题，例如，如何比较北方森林和热带森林的状况(Tucker et al. 2008)。此外，有人认为一个参数是不够的，在多元分析中应该结合许多参数(Wollenberg et al. 2007)。虽然最后一项建议在方法上是合理的，但由于缺乏关于结果的精确数据，往往无法付诸实践。这就是为什么大多数研究将自己限制在一个参数上，并经常结合当地专家(如森林管理员)或使用者自己的主观估计。

这反过来又给我们这样的比较研究带来了严重的问题，因为每个案例研究都通过不同的指标衡量公平性等结果。这个问题是通过使用大型数据库解决的，在这些数据库中，所有案例的成功都用相同的标准编码，并结合一个集成和加权多个标准的模型(参见Lam 1998灌溉性能)。由于数据的可用性，我们将我们的分析限制在生态成功上。

障碍决定成功的影响因素

心肺复苏研究的核心问题之一是确定各种成功因素对成功或失败的影响。因此，这个问题已经成为许多研究的主题(Agrawal 2002, Hess 2008, Ostrom 2009)。

但是，仍然存在一些主要障碍，到目前为止，没有一个模式包含大部分或所有相关的成功因素，包括它们之间的相互作用。目前还不清楚是否有可能从灌溉项目推断出森林管理或渔业(Agrawal, 2001)，尽管一般的假设是这是不可能的。

这主要是由于缺乏实证证据，因为我们所知的几乎没有实证研究做交叉比较(Poteete et al. 2010)。更有问题的是，即使是局限于一种CPR的分析在评估中也不一致。各个研究对每个因素的重要性没有达成一致，例如灌溉。因此，这增加了对万能药的怀疑(Meinzen-Dick 2007, Ostrom et al. 2007)。此外，每项研究的方法都是独特的，使比较或转移几乎不可能。此外，大多数研究都局限于一个或几个心肺复苏机构，专注于几个变量。因此，尽管有大量的单一案例研究，但只有很少的大n研究:“这项转移研究表明，作者讨论的成功措施在所有案例研究中都是不同的。所选的文章中没有一篇同时讨论了所有成功的衡量标准”(Pagdee et al. 2006:48)。

不幸的是，这种情况在过去几年没有明显改善(Poteete et al. 2010)。到目前为止，还没有计算甚至捕获可能因素相互作用的复杂性的方法(Agrawal 2001):“尽管本文的大部分内容承认大量不同因果变量和过程的重要性，但关于不同因果过程对资源管理结果的影响的大小、相对贡献甚至方向的知识最多仍然很差”(Agrawal和Chhatre 2006:149)。

不出所料，许多作家的结论都是非常悲观的，他们将一系列全面而笼统的成功因素评为不可能的(阿格拉瓦尔2001)。因此，我们不知道有任何研究发展了因果因素的模型，因为只有单一的研究可用，没有交叉一致的相关性。一项包含30多个变量的大n研究几乎是不可行的。当然，这是因为样本的大小和成本(Agrawal 2001)。

此外，试图找到一般统计相关性的元分析也面临严重的问题(Pagdee et al. 2006)。最问题的可能是分析的因素之间的相互作用是未知的，这反过来导致了错误的相关性估计。所有排除相关因素的研究的结果问题是，所有其他因素的重要性急剧转移(Agrawal和Chhatre, 2006)。因为研究通常只包含2到4个变量，而不是30到40个潜在成功因素的全部集合，这个问题不是微不足道的。这些问题都是非常严重的，但我们认为，利用大n数据库和一种应用于这一研究领域的新方法——人工神经网络可以解决这些问题。

方法

数据选择

大样本的实地实证研究成本高、耗时长。因为这个原因，几乎没有任何大n的研究。相反，大量的实证研究只有一个案例和几个独立变量，在大多数情况下是2到4个，确实存在。这个问题是众所周知的，最近的出版物(Poteete和Ostrom 2008, Poteete et al. 2010)解决了这个问题。通过分析出版趋势，Poteete等人(2010)证明在过去的几年里没有实质性的改善。尽管如此，还是有一些大型数据库可用。我们的研究项目从这些数据库中收集尽可能多的案例。

一个主要问题是研究之间的交叉可比性，因为研究的重点和方法不同(Rudel 2008)。因此，我们决定只使用使用一致方法收集的大型数据集。我们使用印地安那大学政治理论和政策分析研讨会的尼泊尔灌溉机构和系统(NIIS)数据库中收集的尼泊尔灌溉系统数据，简单地举例说明我们的方法。它包含263个案例，每个案例有478个变量。这些病例是在1982年和1997年进行编码的。更多信息见Tang(1989)。

在这个数据库中，有地理位置的信息，包括资源特征，如降雨量或产量取决于季节。关于机构、使用规则、用水协会或森林用户委员会等组织的变量，特别是使用CPR的群体也包括在内。国立情报院的数据库主要包含在单一时间点收集的数据，虽然大约有30个案例被重新审查。

数据准备

我们的研究设计要求我们从数据库中的案例数据中，将24个成功因子(自变量)编码为24个实数，将1个生态成功的实值测度(因变量)编码为24 + 1个因子。要做到这一点，需要几个步骤:变量选择、组合和重新编码。

1. 我们系统地筛选了所有615个变量，并决定24 + 1因素中的哪个指标与每个变量相关，或是否与我们的一组因素无关。最后一组包括480个变量，平均每个成功因素有19个变量。我们团队的3名成员，独立使用之前合成的24 + 1因子目录和各自的指标，进行了这次评价。评价者间信度满意(α_名义上的= 0.778)。其余的分歧在小组讨论中解决了。
2. 然后，我们将所有选定的变量重新编码为相同的格式。该步骤将多个冗余变量合并为单个变量，以提高数据密度。为了尽可能减少主观解释，文本变量主要用于在数值变量稀疏时进行重新编码。
3. 我们评估了与一个指标相关的所有变量的相对权重(3个评分者，α_时间间隔= 0.901)，结合记录的变量得到指标的真实值。
4. 我们评估了24 + 1因素构成中各指标的相对权重，并将它们组合起来形成我们最终的数据集。我们团队的三名成员(α_时间间隔= 0.913)。
5. 虽然通过合并冗余变量可以显著提高数据密度，但在最终的数据集中仍然缺少38个数据点(25 x N = 6.575)。它们是通过用各自因素的现有数据的平均值替换缺失的值来估算的。

方法的分析

我们用人工神经网络(NN)对数据进行分析。它们是用于模式识别、数据挖掘和复杂系统预测的著名非参数工具。它们的优势在于能够处理数据集中的非线性依赖关系，这是其他工具(如多元线性回归或主成分分析)无法做到的(Shlens 2009)。如上所述，CPR设置中成功因素的关系很可能是非线性的。神经网络已经成功地应用于其他相当不同的领域。例如医学中的癌细胞分型(Khan等，2001年)，计算机科学中的人脸识别(Rowley等，1998年)，经济学中的自动股票交易(Fernández-Rodríguez等，2000年)，遗传学中的微阵列数据分析(O’neill和Song, 2003年)，以及气候建模(Knutti等，2003年)。进一步的应用见Widrow等人(1994)。

神经网络的一个缺点是，它们在某种程度上仍然是“黑匣子”，因为它们没有为我们提供有关因素依赖关系的显式模型，即一组公式。因此，一个准确预测的神经网络必须被视为隐式模型。然而，近年来，通过对训练过的网络进行一系列分析，打开黑匣子已经成为可能(Gevrey et al. 2003, Thrush et al. 2008, Yeh和Cheng 2010)。这些方法可以提取每个输入变量对输出的相对总体重要性的估计。然而，由于心肺复苏术的使用没有一个最重要的成功因素，而是一个相互交织的因素网络，这样的估计只能为心肺复苏术治理“没有万能”的结论提供额外的经验支持。“无灵丹妙药”的结论得到了支持，因为如果一系列因素被人为操纵，如果其他几个成功因素没有指向同一个方向，那么没有任何一个因素本身能够决定性地改变结果。

但是，我们的隐式模型可以用来模拟参数值的变化对结果的影响。例如，我们可以模拟成功因素的变化对所分析的CPR系统的预测生态结果的影响。据我们所知，这是第一个CPR系统的定量模型。因此，构建这样一个隐式模型是理解变量和因素之间关系的第一步，然后可以使用这些变量和因素来制定一个显式模型。例如，在此之前，我们的隐式模型允许对文献中提出的某些成功因素集进行逐个操作或组合操作，然后观察预测中的变化。这些结果表明，在哪些组合中，哪些因素可能是有影响的，哪些理论建议可能不支持我们的经验调整隐式模型。

关于使用NN的完整介绍见Reed和Marks(1999)。我们的数据分析流程总结如下:

首先，选择合适的网络设计。我们决定测试各种各样的单层感知器。单层感知器，或称前馈网络，是由一层输入神经元读取24个成功因子的数据，一层隐藏神经元，即与输入或输出数据不直接接触的神经元，连接到输入神经元，一个输出神经元连接到隐藏神经元，代表网络对生态成功值的预测。

图1展示了一个由24个输入神经元和9个隐藏神经元连接到1个输出神经元的简单网络。信息从输入神经元经过隐层处理到输出神经元，故称前馈网络。

神经元是生物神经元的抽象和简化版本。它们通过具有不同权重的链接两两相连，权重决定了两个神经元之间连接的强度。这些权重在学习阶段根据特定的学习算法进行调整，在学习阶段，网络的预测最初是随机的，通过反复试错和纠错，逐步优化，以拟合数据。从技术角度来看，输入可以是任何信息。网络可以找到这些信息中决定输出的隐藏模式。在我们的例子中，每个输入单元代表一个潜在的成功因素，例如，明确的资源边界。如果这个神经元的值为1，那么它的边界就非常清晰，如果值为0，它既不是特别清晰，也不是特别不清晰，如果值为-1，它的边界就非常不清晰。

在学习阶段，网络在可用数据的子集上训练，即训练集。由于将数据分为训练集和测试集的方法很多，即不同的数据分割方式会影响预测的好坏，所以我们测试了几种分割方式。例如，所有的案例首先按大小排序，然后按80:20的比例分割，这样大小在两组中平均分布。

一旦训练完成，例如，当训练数据集达到给定的重复次数或先前定义的误差大小时，通过让训练过的网络预测它没有训练过的案例的结果，即测试集，并评估这个预测的准确性来验证网络。我们选择平均绝对误差(MAE)作为我们预测精度的主要衡量标准。但是，因为这个度量没有覆盖所有感兴趣的特性，所以我们还在结果部分说明了其他度量。

最后，使用神经网络进行数据分析的一个严重挑战是，没有找到针对特定任务的最佳网络架构的算法(Sarle 1997, Reed and Marks 1999)。事实上，为给定问题确定最佳网络设计的任务本身就构成了一个np完全问题(Rojas 1993)。然而，已知有四个主要参数影响网络的性能:(1)隐藏神经元的数量，(2)使用的学习算法，(3)将可用数据分为训练集和测试集的标准，(4)训练停止的时间点;训练阶段太长会导致对训练数据的拟合非常好，但由于过度泛化，预测非常差。最后，将一组经过训练的网络的预测平均起来，有时可以得到更好的预测。我们系统地改变了所有这些参数，测试了50个网络架构和超过45000个配置。所有分析均使用MemBrain (V03.08.01.00)进行。为满足所使用软件的技术要求，所有因子均按实值区间[-1.0,1.0]编码。

数据包括N = 263例，每个数据包含24 + 1个变量，即24个成功因子+ 1个指示生态成功或失败的值。虽然这是一个相当小的N, NN已经表明他们可以提供有用的结果像这样的N(参见Brause 1999)。

结果

总共有超过5万个网络设计被测试。这些变化在隐藏单元的数量(1到28)，训练算法，即标准和弹性反向传播，以及数据分割，即训练集和测试集。平均绝对净误差，即对训练中没有用到的案例的预测，在最差的0.67和最好的0.14之间，差值相当于目标值范围大小的7%。最佳预测网的均方误差达到0.033。

在培训过程中出现了几个一致的模式。隐藏层约为2/3 * 24神经元的神经网络在大多数时候表现得比其他网络更好，最多150次课程重复的短训练阶段产生了更好的预测，一个特定的数据分割比其他数据分割更好，即，分割确保测试集中没有任何系统受到第三方(如非政府组织或尼泊尔灌溉部)的干预。这表明干预措施代表着这些系统的重大变化。在我们看来，隐藏神经元的数量和网络结构不允许出于管理目的进行推断。

最好的学习算法是弹性反向传播算法。最好的单一网络有19个隐藏的神经元，并被重复训练75次。通过平均5个最佳网络的预测结果，可以略微提高预测质量，这些网络在隐藏神经元的数量和使用相同数据分割的训练重复次数方面有所不同。

为了评估最好的网的性能，将其与竞争的预测器进行比较是有用的。第一个基准是盲目猜测。在区间[-1.0,1.0]上，盲目猜测均匀分布的随机值所产生的期望平均误差正好为2/3(请提供证明)。第二个基准是MAE，它只使用学习集中成功数据的平均值作为测试集中数据的预测器。第三个基准是多元线性回归(MLR)。它被调整到学习数据集，并且必须预测测试数据集的成功。这些比较的细节可以在表4中找到。

MLR预测与best-5平均预测相差不大。然而，与MLR相比，NN的预测误差(MAE)减少了约18%，R²增加了约0.15。

我们确信还有改进的余地。首先，N可能仍然太小，无法做出更好的预测。其次，24 + 1因素可能相互关联，复杂到目前的网络架构过于简单。我们目前正在处理这两个问题。

测量模型性能的另一种方法是观察它在对系统进行分类时的表现。表5显示了系统成功的五个类别。

虽然预测的平均绝对误差仍然可以修正，但我们最好的五个网所得到的分类已经是值得注意的。当成功的数据被分为五个离散的组时，如表5所示，网络能够正确地分类大约64%的所有测试用例，并且在剩下的36%中只有一个类别的大小出错。

讨论

直到现在，心肺复苏术问题的复杂性和特殊性使它不可能从其中一个推广到其他有意义的方式。大多数传统的分析工具不能处理所涉及的因素的数量或它们的许多非线性相互作用。然而，神经网络能够克服一些障碍，形成CPR问题中成功因素的一般定量模型。由于神经网络泛化的质量在很大程度上取决于案例的数量，当增加更多的案例时，预测的准确性可能会提高。该模型将至少增加两组其他数据，其中包括409个林业案例研究和123个渔业和灌溉案例。这些来自不同公地的数据将使我们能够回答成功因素有多普遍的问题。如果不同类型资源的个别模式，例如灌溉、林业、渔业，尽管个案数目较多，但比一般模式更精确，这就清楚地表明每种资源的成功因素各不相同。

然而，我们在尼泊尔的第一批灌溉数据训练的网络已经能够相当准确地预测这些系统的生态成功值，例如，当输入一些潜在成功因素的数据时，比多元回归法更好。

结论

所展示的方法可能能够处理现实生活中复杂的CPR问题。目前，许多心肺复苏术治疗的尝试都以失败告终，对其原因缺乏明确的认识，这使得定量、准确的分析成为当务之急。好处是多方面的。其中包括预测成功和失败以及规则变化或其他政策措施的可能结果的能力。在世界范围内对心肺复苏术问题进行更好的管理，可以在很大程度上减轻环境负担，并可以改善因心肺复苏术问题管理不当而导致的恶劣生活条件。

提出的方法可能导致一个模型，可以作为一个免费工具在许多CPR项目中使用。每个因素都可以通过操纵来模拟SES情况的变化，从而立即改变对成功的预测。考虑到已经进行了独立的数据收集，分析本身不应超过几天，而且几乎不需要任何专业知识。简而言之，我们的方法可能有助于使CPR管理更成功，优化现有项目，甚至有助于抢救失败。

文献引用

Agrawal, a . 2001。共同财产制度和资源的可持续治理。世界发展29日(10):1649 - 1672。

Agrawal, a . 2002。公共资源和制度可持续性。41 - 85页在E. Ostrom, T. Dietz, N. Dolsak, P. C Stern, S. Stonich和E. U. Weber编辑。平民的戏剧美国华盛顿特区国家科学院。(在线)网址:http://books.nap.edu/catalog.php?record_id=10287 http: /

A. Agrawal和A. Chhatre, 2006年。解释公地的成功:印度喜马拉雅地区的社区森林管理。世界发展34(1): 149 - 166。http://dx.doi.org/10.1016/j.worlddev.2005.07.013

Baland,人类。和j。普拉托》1996。制止自然资源退化:农村社区能发挥作用吗?克拉伦登,英国牛津大学。

伯克,f . 1992。土耳其沿海渔业的成功与失败。161 - 182页在D. W. Bromley、D. Feeny、P. Peters、J. L. Gilles、R. J. Oakerson、C. Ford Runge和J. T. Thomson编辑。让公地发挥作用。当代研究所，旧金山，加州，美国。

宾德，c.r.， G. Feola, J. K. Steinberger, 2010。考虑基于指标的农业可持续性评估的规范性、系统性和程序性维度。环境影响评估及检讨30(2): 71 - 81。http://dx.doi.org/10.1016/j.eiar.2009.06.002

Brause, R. W. 1999。革命者神经元netze unsere vorhersagefähigkeiten?Zentralblatt毛皮Chirurgie124:692 - 698。

M. Cox, G. Arnold, S. Villamayor Tomás。2010.社区自然资源管理设计原则综述。生态和社会15(4): 38。(在线)网址://www.dpl-cld.com/vol15/iss4/art38/

Fernández-Rodríguez, F.， C. González-Martel和S. Sosvilla-Rivero。2000.基于人工神经网络的技术交易规则的盈利能力:来自马德里股市的证据。经济学的信件69:89 - 94。http://dx.doi.org/10.1016/s0165 - 1765 (00) 00270 - 6

M. Gevrey, I. Dimopoulos和S. Lek, 2003。人工神经网络模型中变量贡献研究方法的回顾与比较。生态模型160(3): 249 - 264。http://dx.doi.org/10.1016/s0304 - 3800 (02) 00257 - 0

赫斯,c . 2008。映射新的公地。管理共享资源:将当地经验与全球挑战联系起来。国际公地研究协会第十二届两年一次的会议。数字公共图书馆，印第安纳大学，布卢明顿，美国印第安纳州。(在线)网址:http://dx.doi.org/10.2139/ssrn.1356835

Khan, J.， j.s. Wei, M. Ringnér, L. H. Saal, M. Ladanyi, F. Westermann, F. Berthold, M. Schwab, C. R. Antonescu, C. Peterson, P. S. Meltzer. 2001。利用基因表达谱和人工神经网络进行癌症分类和诊断预测。自然医学7(6): 673 - 679。http://dx.doi.org/10.1038/89044

克努蒂，R.， T. F.斯托克，F.乔斯和g . k。普拉特纳先生》2003。利用神经网络进行气候变化概率beplay竞技预测。气候动力学21:257 - 272。http://dx.doi.org/10.1007/s00382-003-0345-1

Lam W.-F。1998.治理尼泊尔的灌溉系统:机构、基础设施和集体行动．当代研究所，旧金山，加州，美国。

Meinzen-Dick, r . 2007。除了水机构的灵丹妙药。美国国家科学院学报104(39): 15200 - 15205。http://dx.doi.org/10.1073/pnas.0702296104

MemBrain。2013.V03.08.01.00版本。(在线)网址:http://www.membrain-nn.de/

Nagendra, h . 2007。在人类主导的森林中重新造林的驱动力。美国国家科学院学报104(39): 15218 - 15223。http://dx.doi.org/10.1073/pnas.0702319104

尼尔森,2001 t。公共牧场的管理:坦桑尼亚恩达贝格村集体行动制度的案例研究。论文。皇家理工学院，瑞典斯德哥尔摩。

M. C. O'Neill和L. Song, 2003。淋巴瘤芯片数据的神经网络分析:预后和诊断接近完美。BMC生物信息学4(13): 1 - 12。http://dx.doi.org/10.1186/1471-2105-4-13

经济合作与发展组织(OECD)。2008.编制综合指标手册:方法和用户指南。经济合作与发展组织，法国巴黎。(在线)网址:http://www.oecd.org/dataoecd/37/42/42495745.pdf

奥斯特罗姆,e . 1990。治理公地:集体行动制度的演变．剑桥大学出版社，英国剑桥。

奥斯特罗姆,e . 2005。了解机构的多样性．普林斯顿大学出版社，美国新泽西州普林斯顿。

奥斯特罗姆,e . 2009。社会-生态系统可持续性分析的总体框架。科学325:419 - 422。http://dx.doi.org/10.1126/science.1172133

Ostrom, E.， M. A. Janssen和J. M. Anderies, 2007。超越灵丹妙药。美国国家科学院学报104(39): 15176 - 15178。http://dx.doi.org/10.1073/pnas.0701886104

Y.-S Pagdee,。Kim, P. J. Daugherty, 2006。社区森林管理成功的原因:一项来自世界各地社区森林的元研究。社会与自然资源19:33-52。http://dx.doi.org/10.1080/08941920500323260

波默罗伊，R. S.， B. M. Katon和I. Harkes, 1998。渔业共同管理:亚洲经验的关键条件和原则。跨越边界，国际共同财产研究协会的第七届两年一次的会议。数字公共图书馆，印第安纳大学，布卢明顿，美国印第安纳州。(在线)网址:http://dlc.dlib.indiana.edu/dlc/bitstream/handle/10535/1220/pomeroy.pdf?sequence=1

波提特，a.r.， M.詹森和E.奥斯特罗姆，2010。共同工作:集体行动、公地和实践中的多种方法．普林斯顿大学出版社，美国新泽西州普林斯顿。

波提特和奥斯特罗姆，2008年。15年自然资源管理集体行动的实证研究:在定性研究的基础上努力建立大n数据库。世界发展36(1): 176 - 195。http://dx.doi.org/10.1016/j.worlddev.2007.02.012

Reed, R. D.和R. J. Marks, 1999。神经锻造:前馈人工神经网络中的监督学习．麻省理工学院出版社，剑桥，马萨诸塞州，美国。

罗哈斯,r . 1993。神经理论网:eine systematische einführung．斯普林格出版社,德国柏林。

罗利，h.a.， S. Baluja和T. Kanade, 1998。基于神经网络的人脸检测。IEEE PAMI汇刊20(1):。(在线)网址:http://www.informedia.cs.cmu.edu/documents/rowley-ieee.pdf

鲁德尔，T. K. 2008。案例研究的元分析:研究区域和全球环境变化的一种方法。全球环境变化18:18-25。http://dx.doi.org/10.1016/j.gloenvcha.2007.06.001

萨尔，W. S. 1997。神经网络常见问题，第1部分7:介绍，定期发布到Usenet新闻组com .ai. Neural -nets。(在线)网址:ftp://ftp.sas.com/pub/neural/FAQ.html

Schlüter, M.， A. G. Savitsky, D. C. McKinney, H. lies, 2005。阿姆达里亚河三角洲水资源长期优化配置:一种用于生态影响评估的水管理模型环境模拟及软件20(5): 529 - 545。http://dx.doi.org/10.1016/j.envsoft.2004.03.005

Schurr, c . 2006。Zwischen allmende和anti-allmende．论文。弗莱堡大学，德国弗莱堡。(在线)网址:http://www.freidok.uni-freiburg.de/volltexte/2869/

Shiferaw, B.， T. A. Kebede和R. V. Reddy, 2008。半干旱印度的社区流域管理:集体行动的状况及其对自然资源和农村生计的影响。CAPRi工作文件第85号。国际农业研究咨询小组，法国蒙彼利埃。(在线)网址:http://www.capri.cgiar.org/pdf/capriwp85.pdf

Shlens, j . 2009。关于主成分分析的教程。美国纽约大学神经科学中心，纽约，美国。(在线)网址:www.snl.salk.edu/ ~ shlens / pca.pdf

唐绍尧1989。灌溉系统的制度和集体行动．论文。美国印第安纳州布卢明顿市印第安纳大学。(在线)网址:http://dlc.dlib.indiana.edu/dlc/handle/10535/3596

唐绍尧1992。制度与集体行动:灌溉的自我治理．当代研究所，旧金山，加州，美国。

汤姆逊，j.t.， D. Feeny和R. J. Oakerson, 1992年。制度动力学:共有财产资源管理的演进与消解。129 - 160页在D. W. Bromley、D. Feeny、P. Peters、J. L. Gilles、R. J. Oakerson、C. Ford Runge和J. T. Thomson编辑。让公地发挥作用。当代研究所，旧金山，加州，美国..

斯拉什，s.f.， G. Coco和J. E.休伊特。2008。通过对生态时间序列的神经网络分析，揭示了官能团之间复杂的正联系。美国博物学家171(5): 669 - 677。http://dx.doi.org/10.1086/587069

塔克，C. M.， J. C.兰多夫，T. Evans, K. P. Andersson, L. Persha和G. M.格林，2008。一种评估不同森林相对退化的方法:对制度结果进行比较评估。生态和社会13(1): 4。(在线)网址://www.dpl-cld.com/articles/2262.html

Varughese, G.和E. Ostrom, 2001年。异质性在集体行动中有争议的角色:来自尼泊尔社区林业的一些证据。世界发展29日(5):747 - 765。http://dx.doi.org/10.1016/s0305 - 750 x (01) 00012 - 2

韦德,r . 1994。乡村共和国:印度南部集体行动的经济条件．当代研究所，旧金山，加州，美国。

Widrow, B.， D. E. Rumelhart和M. E. Lehr 1994。神经网络:在工业、商业和科学中的应用。ACM通信37(3): 93 - 105。http://dx.doi.org/10.1145/175247.175257

Wollenberg, E.， L. Merino, A. Agrawal和E. Ostrom, 2007。14年对社区管理森林的监测:借鉴IFRI的经验。国际森林审查9(2): 670 - 684。http://dx.doi.org/10.1505/ifor.9.2.670

叶,I.-C。和w l。程》2010。MLP的一、二阶灵敏度分析。Neurocomputing73(10 - 12): 2225 - 2233。http://dx.doi.org/10.1016/j.neucom.2010.01.011