粮食产量预测

合集下载

基于属性论方法的粮食产量预测的研究

基于属性论方法的粮食产量预测的研究
寇晶冯礼晶，嘉
（海海事大学信息工程学院，海２０３）上上０１５
摘要：保证国家粮食产量的安全，几年来许多学者运用不同的理论和方法对粮食产量进行了预测。利用属性论方法进行预测，为近首先对统计数据进行无量纲化，然后建立定性映射模型，用转化程度函数，过纵向对比影响粮食产量的各个因素，２０￣０９利通对００２０年１Ｏ年的粮食产量进行了预测，得了不错的预测效果。取关键词：食产量；响因素；重；粮影权定性映射；化程度转中图分类号：１１ＴＰ８文献标识码：Ａ文章编号：０９３４（０１１ — ８４０１０ — ０４２１）６３１ — ２
国，话说，民以食为天 ” ９５年，俗 “ ，１９当粮票已从流通领域进入到收藏领域时，国人布朗在文章｛１纪谁来养活中国人》美２世中指出：中国的人口增长不可逆转；国的农田减少不可逆转；境破坏造成的农作物减产不可逆转。为了养活我国十几亿的人口，须保中环必
Ａｂｔａｔｎｒｃｎｅｒ．ａｙｓｈｌｒｐｅｉｔｈ０ｄｐｏｕｔｎｗｉｉｅｅｔｔｅｒｓａｄｍｅｈｄｏｅｓｒｈｅｕｉｆｎｔｎｌｓｒｃ：Ｉｅｅｔａｓｎｃｏａｓｒｄｃｅｔｅｆｏｒｄｃｉｔｄｆｒｎｈｏｉｎｔｏｓｔｎｕｅｔｅｓｃｒｙｏａｉａｙｍｏｈｅｔｏｆｏｒｄｃｏ．ｈｓｐｐｒｈｔｏｓｏｒｐｒｅｓｕｅ．ｉｔ，ｅｌｗｉｈｔｔｔａｄｔＯｍａｅｔｅｏｄｐｏｕｔｎＩｔｉａｅ，ｅｍｅｈｄｆｐｏｅｔｓｉｓｄＦｒｌｗｅｄａｉｎｔｉｓｙｔｔｅｓｉｉｌａａｔｋｍｎｎｉｅｓｎｌｅｈａｓｃｈｏｄｍｎｉａｚ．ｏｉ

河北省分季粮食产量预测研究

１．Ｏ％；秋粮产量约为１９４４．９万ｔ，比２０１２年增加５１．４万ｔ，增长２．７％。关键词：夏粮产量；秋粮产量；预测；河北省
ＦｏｒｅｃａｓｔｏｎＳｅａｓｏｎａｌＧｒａｉｎＰｒｏｄｕｃｔｉｏｎｏｆＨｅｂｅｉＰｒｏｖｉｎｃｅ
ｏｎ．Ｆｏｒｅｃａｓｔｒｅｓｕｌｔｓｓｈｏｗｅｄｔｈａｔｔｏｔａｌｒａｇｉｎｐｒｏｄｕｃｔｉｏｎｗｏｕｌｄａｃｈｉｅｖｅ３３．１１７ｍｉｌｌｉｏｎｔｏｎｓｉｎ２０１３，６５１
ＺｈａｎｇＢｉａｏ，ＬｉｕＸｉｕｌｉ
（ＡｃａｄｅｍｙｏｆＭａｔｈｅｍａｔｉｃｓａｎｄＳｙｓｔｅｍＳｃｉｅｎｃｅｓ，ＣｈｉｎｅｓｅＡｃａｄｅｍｙｆｏＳｃｉｅｃｅｎｓ，Ｂｅ￣ｉｎｇｌＯ０１９０）
年河北省粮食总产和分季粮食产量，结果表明，若不发生大面积的自然灾害，２０１３年河北省粮食总产将达到３３１１．７万ｔ，比２０１２年增加６５．１万ｔ，增长２．Ｏ％。其中，夏粮产量约为１３６６．８万ｔ，比２０１２年增加１３．７万ｔ，增长
ｔｈｏｕｓａｎｄｔｏｎｓｍｏｒｅｔｈａｎｉｎ２０１２，ａｎｉｎｃｒｅａｓｅｏｆ２ｐｅｒｃｅｎｔ，ｉｆｔｈｅｒｅｗｅｒｅｎｏｔｎａｔｕｒｌａｄｉｓａｓｔｅｒｓｉｎｌａｒｇｅａｒｅａｓ；ｓｕｍｍｅｒｇｒａｉｎｐｒｏｄｕｃｔｉｏｎｗｏｕｌｄａｃｈｉｅｖｅ１３．６６８ｍｉｌｌｉｏｎｔｏｎｓ，１３７ｔｈｏｕｓａｎｄｔｏｎｓｍｏｒｅｔｈａｎｔｈａｔｏｆ２０１２，ａｎ

云南省粮食产量预测——基于多元线性回归分析

积在下降或者即使上升其上升的幅度也不大，利用ＳＰＳＳ对其进行分析，如表４，可知其线性回归方程为：Ｙ＝－９３８１５．８８３＋４８．８１１Ｘｌ
三、利用线性回归对云南省粮食总产量进行预测
建立多元线性回归模型Ｙ＝ａＯ＋ａｌＸｌ＋ａ２ｘ２＋ａ３ｘ３，其中ｘｌ表示全年平均降水量，ｘ２表示粮食单产，ｘ３表示种植面积，Ｙ表示粮食总产
一
、
引言
由表１可以看出近６年来，云南省年平均降水量不稳定，呈现出忽增忽减的趋势，但从总体上来看，还是呈现下降的趋势，且连续３年出
粮食问题是国家和政府一直高度关注的重点问题，粮食产量关计到国际民生，随着社会经济的发展和人口数量的不断增长，通过各种途径提高粮食生产和供应能力就显得尤为重要，对影响粮食产量的因素进行分析和预测具有一定的实际意义，近年来云南省耕地受地形地貌、气候、温度等自然因素的制约，加之各个地方存在着种种不同程度的不合理的开发利用方式，而导致这几年云南省耕地质量较差，单产水平较低，耕地资源供给与需求的矛盾日益尖锐。因此本文通过对影响云南省粮食总产量的几个因素进行分析，分析探讨云南省粮食产量变化的成因，以探索提升云南省粮食总产量的途径。

粮食产量预测的支持向量机模型研究

法等。时间序列方法中最具代表性的差分自回归移
一
、
问题的提出
动平均（ｕｏｅｇｅｓｅｉｔｇａｉｇｍｏｉｇａｅａｅａｔｒ—ｒｓｉｅｒｔｖｎｖ农业的关
ＡＲＭＡ）ＡＲＭＡ是基于线性数据的模型，粮食Ｉ，Ｉ但
ｕｉｇｌａｅｏｅｏｔｏｒｓａｉｔｎＣｈｎｒｉｒｄｃｉｎｄｔｅｓａｅｐｅｉｔｄｕｉｇｔｉｍｅｈｄｔｅｒｓｌｈｗｓｖｎｕｒｃｏｓｖｌｉ．ｉａｇａｎｐｏｕｔａａｓｔｒｒｄｃｅｓｎｓｔｏ；ｈｅｕｔｓｏｎｅｆａｄｏｏｈｓｔａｅＳｈｔｈＶＭｒｄｃｏａｉｈｒｒｃｓｏｎｅｔｒｇｎｒｌａｉｎａｉｔ．ｔｐｅｉｔｒｓｈｇｅｅｉｉｎａｄｇａｅｅｅａｉｔｂｌｙｈｐｒｚｏｉＫｅｒｓｇａｎｐｏｕｔｎｐｅｉｔｎｓｐｏｅｔｒｃｉｅ；ｉｅｅｙｗｏｄ：ｒｉ；ｒｄｃｉｒｄｃｉ；ｕｐａｖｃｏｏｏｍａｈｎｓｔｍｅｓｒｓｉ
关键词：粮食；产量预测；支持向量机；时间序列
中图分类号：Ｆ２．３３５
文献标志码：Ａ
文章编号：１０．０３２１）１００．５０９２１（０００—０６０
Ｓｕｎｔｅｓｐｐｏｔｖｃｏａｈｉｓｍｏｅｆｇａｎｐｒｄｕｔｏｅｃｉｎｔｄｙｏｈｕｒｅｔｒｍｃｎｅｄｌｏｒｉｏｃｉｎｐｒｄｉｔｏ

组合预测方法及其在粮食产量预测中的应用

２应用实例分析
１９年以来，青海省粮食总产量呈波动性上９０升的趋势。对其未来可能的发展情况进行预测，有
一
ｅｍ一ｔｔｍ＋（１，，ｔ，ｎｌ＝，啊ｆ，，＝，Ｉｅ＝２ｚ … ）
因而可将上述模型转化为等价的线性规划问
题。
ｍｎ ∑ （，，）ｉＳ＝ｍ＋ｚ，
ｔｌ＝
（）４
第ｉ预测方法在ｔ种时刻的预测值（ｔ１＝，
２００２年ｌ月１
农机化研究
值如表１所示。
第４期
加到Ｊ时，组合模型的误差平方和将减少或保持＋Ｉ
不变。下面通过实例来验证这种方法的优越性。
表１青海省粮食总产量历史数据及模型拟合值
ｅ为ｔ刻组合预测的偏差，可以验证，时
ｅｔ＝
∑ ｋ
采用组合预测偏差绝对值的和最小为标准，确定＾种单个预测方法的权系数的数学模型为，
ｆ＋２＋．ｌｋ七… 七＝ｌｖ
｛，＋２２… Ｐｋ＝【ｌ…ｚ）ｏ（ｅｌＰｋ＋＋Ｍ．Ｐｆ，，（ ≥ ，２１，ｋｖ，＝２，２）＇）
（）５
ｅ，＝，一，
：
第ｉ预测方法在ｔ种时刻的预测偏
差，ｔ１＝，２，… ，ｔ；ｉ１ｉ＝，２， …，Ⅳ
由此可得这＾种预测方法的组合预测值为，

几种方法在粮食总产量预测中的对比

的吉林省各类农业生产数据，别比较计算了主成分分分析法、Ｐ神经网络法、色预测法和逐步回归Ｂ灰分析４种预测分析方法的估算精度，将各类预测并
国，粮食安全更不能出现任何闪失，因为粮食生产的
波动必然会引发整个国民经济乃至金融界的波
量；４Ｘ为氮肥折纯量；为磷肥折纯量；６钾肥Ｘｘ为
会经济等多种因子的影响＿，各种产量预测方法２而Ｊ的原理和出发点是不同的，测过程中考虑的影响预因子侧重点是不一样的；同的预测方法往往只能不提供某一方面的有用信息，因而预测的精度是不一
林省１７～２０９８０７年的农业生产数据。
１２研究方法．
粮食产量的预测是农业系统的一项重要工作。长期以来，多学者在这方面做了大量研究，许形成了
多种产量预测方法，高粮食产量预测精度一直是提研究工作的明确目标和重要方向。由于作物产量的形成是一个复杂的过程，气侯、受土壤、物以及社生
分分析法（拟合确定性系数为０８４和逐步回归法（．３）拟合确定性系数为０７７；．８）拟合效果最差的是灰色预测法（定性确
系数为ｏ７４。粮食总产量估算精度最高的是Ｂ．）４Ｐ神经网络法，到９．％；次是主成分分析法，９．％ｏ达３６７其为０４５关键词：主成分分析法；Ｐ神经网络法；色预测法；步回归法；食产量；测Ｂ灰逐粮预

基于BP神经网络的我国粮食产量预测

【Ａｂｓｔｒａｃｔ】Ｇｒａｉｎｉｓｔｈｅｏｆｕｎｄａｔｉｏｎｏｆａｃｏｕｎｔｒｙ，ｆｏｒＣｈｉｎａ，ｇｒａｉｎｐｒｏｂｌｅｍｏｃｃｕｐｙａｎｉｍｐｏｒｔａｎｔｓｔａｔｕｓ，ａｎｄｅｖｅｎｒｅｌａｔｅｄｔｏｔｈｅ
期通常为两个月左右，预测误差为产量的５～１０％。这是由于当地表作物尚未生长到一定程度时，很难利用遥感技术进行预测，而目前世界气象科学的发展水平对１个月以上的天气情况还难以作出可靠预测。国内研究粮食产量预测的文献不是特别多。张素文、李晓青主要是用传统的多元回归模型的方法，分析了湖南近５０年来粮食播种面积、粮食产量的总体变化趋势；对影响湖南省
口ＳＵＮＳｈｕ—ｓｈｅｎｇ，ＲＥＮＪｕａｎ
（ＳｃｈｏｏｌｏｆＭａｎａｇｅｍｅｎｔ，ＷｕｈａｎＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，Ｗｕｈａｎ４３００８１，Ｃｈｉｎａ）
ｓｔａｂｉｌｉｔｙｏｆｔｈｅｗｈｏｌｅｓｏｃｉｅｔｙ．Ｂａｓｅｄｏｎｔｈｅｆｏｏｄｐｒｏｄｕｃｔｉｏｎｏｆｐａｓｔ２３ｙｅａｒｓ，ｔｈｉｓｔｈｅｓｉｓｆｏｒｅｃａｓｔｔｈｅｇｒａｉｎｏｕｔｐｕｔｏｆｃｈｉｎａｆｏｒｍ２０１２ｔｏ２０１６ｂｙＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ，ｔｈｅｎａｎａｌｙｚｅｗｅａｔｈｅｒｃａｎＣｈｉｎａ ’ Ｓｒａｇｉｎｍｅｅｔｔｈｅｎｅｅｄｓｏｆｔｈｅｐｏｐｕｌａｔｉｏｎｏｒｎｏｔｂａｓｅｄｏｎｐｒｅｄｉｃｔｉｎｇｏｕｔｅｏｍｅｓ．Ｃｏｎｓｅｑｕｅｎｔｌｙ，ｔｈｉｓｔｈｅｓｉｓｕｎｄｅｒｌｉｅｓｇｒａｉｎｒｅｓｅｒｖｅｓｗｏｒｋｏｆｔｈｅｇｏｖｅｎｍｅｒｎｔｉｎｎｅｘｔ５ｙｅａｒｓ．

最新-1995─2019年甘肃省粮食产量的趋势预测精品

1995─2019年甘肃省粮食产量的趋势预测研究粮食生产波动与消费并对未来情况的作出预测，是粮食问题宏观决策和控制的主要条件。

短期研究一般应用多元统计的回归分析方法，从价格、比较效益、投入、经营方式等方面对波动给出了事后解释，却没有令人满意的事前预测。

的确，农业生产的独特性增加了对它预测的难度，因为事先并不知道当年农业实际投入与未来实际气候条件。

所以，避开上述这一切因素，仅仅研究这些因素交互作用下的客体粮食自身的变化，以求得某种规律。

本文正是基于这种思想，根据1949──1994年甘肃省粮食产量历史资料，运用自回归动平均模型简称模型，对我省未来粮食生产量情况所做的一次有益的尝试性研究。

一、三因素的选择一个经济时间序列｛ｘ｝＝1,2,…,，通常认为由三种因素组成，即长期趋势、周期因素季节因素、随机因素。

对于一个时间序列，宜于选用自相关分析图来判别序列的平稳性与周期，并且通过自相关和偏相关分析图确定模型的自回归阶与动平阶。

⒈自相关系数-=1∑-+-＝─────────=1∑-2其中为｛｝＝1,2,…,的平均值，为滞后期的自相关系数。

1平稳性识别如果＝1,…,随着增大而迅速靠近零，或散乱地分布在零点周围，则认为序列平稳；否则非平稳。

对于非平稳序列，通过差分，消除其趋势。

2周期识别对于一平稳序列，观察其自相关分析图，如果每隔时间，自相关系数显著偏高，可以认为该序列具有周期；否则，无周期无季节性。

⒉偏自相关系数在已知自相关系数的条件下，解如下一系列方程组│11……-1││ρ1││1││11……-2││ρ2│＝│2││││││││-1……1││ρ│││得到偏自相关系数ρ11，ρ22，…，ρ。

然后根据自相关系数和偏自相关系数的截尾与拖尾确定自回归阶与动平均阶。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

1数据分析及模型建立
1.1数据分析
1978-2009年我国粮食产量（单位：万吨）如下表1：
注：数据来源于中国统计局网。

建立时间序列模型之前需要检验序列的平稳性，只有平稳序列才能建立时间序列模型。

利用EVIEWS数据分析软件对时间序列进行ADF检验]3[，以判断其平稳性，当检验值（Augmented dickey-Fuller test statistic）的绝对值大于临界值的绝对值时，序列为平稳序列；否则，为非平稳数据。

利用EVIEWS6.0软件作出我国历年粮食产量的曲线图，见图1：
图1 我国粮食产量曲线图
从曲线图中明显可以看到粮食产量总体呈上升趋势，在1998-2003年出现了明显下降，直观表现为非平稳序列。

利用Eviews6.0对其进行单位根检验，检验结果为图2：
图2 粮食产量时间序列单位根检验
由图中检验结果可以看出FOOD时间序列单位根为-0.972583大于10%水平下临界值，故该序列存在单位根，为非平稳时间序列。

1.2数据平稳化
用Eviews将粮食产量时间序列做一阶差分并对其进行单位根检验，结果分别
见图3和图4：
图3 我国粮食产量一阶差分图
图4 粮食产量一阶差分单位根检验结果图
通过看图，粮食产量一阶差分后得到的序列在某一常数附近波动，可初步识别序列已平稳。

并且ADF的检验值为－4.879665，分别小于不同检验水平的三个临界值，因此它通过了ADF检验，为一平稳序列。

在这里应该注意的是要防止过度差分。

一般来说平稳序列差分得到的仍然是平稳序列，但当差分次数过多时存在两个缺点，（1）序列的样本容量减小；（2）方差变大；所以建模过程中要防止差分过度。

对于一个序列，差分后若数据的极差变大，说明差分过度。

此处，我
们认为一阶差分已可以消除序列的非平稳性。

因此在ARIMA(p,d,q)模型中d=1。

.
1.3 模型的定阶
ARIMA 模型的定阶方法主要有如下三种：自相关和偏相关函数定阶法；FPS 准则；AIC 和SC 准则[]4。

所谓自相关：构成时间序列的每个序列值之间的简单相关关系称为自相关。

自相关程度由自相关系数k r
度量，表示时间序列相隔k 期的观测值之间的相关程度。

()()
2
1
1
∑∑=-=--=n
i i
k n i i
k
y y y y r
其中，n 是样本量；k 为滞后期；y 代表样本数据的算术平均值。

所谓偏自相关：对于时间序列t y ，在给的121,,,+---k t t t y y y K 的条件下，t y 与
k t y -之间条件相关关系。

其相关程度用偏自相关系数kk Φ度量，有11≤Φ≤-kk ，
⎪⎪⎩
⎪⎪⎨⎧
=Φ-Φ-==Φ∑∑-=--=--K
,3,21111111
,11k r
r r k r k j j k k j j k j k k kk
其中k r 是滞后k 期的自相关系数，1,1,1,---ΦΦ-Φ=Φj k kk j k j k 1,,2,1-=k j K 。

首先我们通过考察平稳时间序列的自相关和偏相关的函数性质来进行定阶，利用Eviews6.0作出粮食产量一阶差分序列DFOOD 的自相关-偏相关图，结果见图5：
图5 粮食产量一阶差分自相关-偏相关图
从图中可以看出平稳序列DFOOD的自相关系数AC在K=5后很快趋于0，即自相关系数在4阶结尾，因此q=4;偏相关系数PAC在k=4很快趋于0，即偏相关系数在4阶截尾。

于是，先建立ARMA(4,1,4)模型，并利用EVIEWS软件计算模型参数，具体参数值见图6：
图6 ARIMA(4,1,4)模型参数估计结果图
1.4 模型优化
观察参数计算结果，发现MA(3),MA(4)项的系数没有显著性。

为简化模型，我们再利用AIC 和SC 准则，即AIC 和AC 值最小原则，进行项数筛选。

最终得到AR(2)、AR(3)和MA(2)的系数具有显著性。

Eviews6.0计算结果如图7：
图7 ARIMA(3,1,2)模型参数估计结果图
我们由此得到模型的最终表达式：
23297.041.037.0757.10165---+++-=t t t t t DFOOD DFOOD DFOOD εε
利用Eviews6.0软件绘制出所得模型的拟合值和实际值以及残差值的比较，其结果见图8：
图8 拟合值和实际值的比较图
1.5模型检验
为确保模型的可靠性，需要对模型残差进行检验，看其是否为白噪声序列。

利用Ewviews6.0软件对ARIMA(3,12)模型进行Q统计量检验，检验结果见图9：
图9 ARIMA(3,1,2)残差Q统计结果图
模型的残差自相关-偏相关图，没有任何模式，残差序列平稳，该残差序列由一些无关的相互独立的随机变量组成。

说明此模型拟合成功，可以进行预测。

1.6模型有效性检验
预测模型有效性检验，即是利用未使用过的观测值评价模型的预测能力。

用部分历史数据对模型进行回归并预测，将预测结果与实际值比较，可以简单而有效地检验模型的预测效果。

这里，我们对ARIMA(3,1,2)模型利用1978—2009年的数据进行回归，然后给出了的预测结果以及完整的历史数据，由以上模型预测出的2007-2009年的粮食产量FOOD和实际粮食产量以及相对误差见下表3：
表3 2007-2009年估计值与实际值及相对误差
由表可以看到相对误差最高为2.2%，均小于5%。

预测结果比较准确，能够基本拟合实际值。

1.7模型预测
利用此模型对2010-2012年我国粮食产量进行预测，结果如表4：
由预测结果可以看起我国粮食产量在未来几年仍然会呈增长趋势，但增长率将处于波动状态，即我国粮食产量增长可能出现放缓。

结论
时间序列模型一般只能用于短期预测，对于中长期预测可能会出现误差累计情况，因此本模型只可对未来近几年的我国粮食产量进行预测。

其次，观察拟合曲线会发现在1998-2000年的拟合效果较差，查阅资料发现1998年和2000年自然灾害比较严重，分别遭受了特大洪水和罕见的全国性干旱（建国以来干旱最为严重的年份之一）。

本模型无法排除突发严重自然灾害影响因素，所以本模型的预测结果只有在无重大自然灾害的前提下才具有价。

在此前提下，本文成功预测了我国粮食产量在未来依然会增长，增长率会在1.75%波动，可会出现放缓。

要保持我国粮食产量出现持续增长，除保持科技进步，更要加强自然灾害的预防。

参考文献
[1]梁仕莹，孙东升，杨秀平，刘合光.2008-2020年我国粮食产量分析[J].农业经济问题,2008年,增刊：132-140。

[2] 高铁梅，《计量经济分析方法与建模》[M].清华大学出版社2006年版。

[3]于俊年，《经济计量学软件-Eviews的使用》[M].对外经济贸易出版社2006年版。

[4]庞皓，《经济计量学》[M].科学出版社2007年版。

附录
1978-2009年我国粮食产量数据
1978-2009年我国粮食一阶差分后数据
ARIMA(3,1,2)模型拟合值、实际值、残差值及残差图。