粮食产量预测

粮食产量预测国内外文献综述“为政之要，首在足食”。粮食安全始终是关系我国国民经济发展、社会和谐稳定和国家安全自立的全局性重大战略问题。这是由于粮食不仅是关系到国计民生和国家安全的重要战略物资，也是人民群众最基本的生活资料。从当前粮食的供给来看，我国基本解决温饱问题，正在全面建设小康社会，粮食单产稳步提高，粮食生产获得十年连续增长。从粮食需求来看，我国正在大力推进新型工业化、信息化、城镇化和农业现代化道路（简称“四化”），人口规模和居民膳食结构的变化，以及全球气候变化和资源环境约束导致给粮食安全带来了新的矛盾与挑战。据国家统计局发布的公告，2013年我国粮食产量达到60193.5万吨，连续7年稳定在5亿吨以上水平。但是，随着我国人口的继续增长、城乡居民膳食结构的不断升级及工业化、城镇化的快速推进，粮食消费需求增长的速度快于粮食供给增长的速度，供需缺口不断扩大。2012年我国粮食净进口规模达到7718万吨，粮食年度自给率己降至88.4%，其中大豆自给率仅18.1%。新形势下，我国粮食安全面临粮食需求不断增长和水、土地及劳动力资源消耗不断加快的双重挑战，确保我国中长期粮食安全及主要农产品有效供给难度加大。粮食生产受到多重因素的制约，未来产量如何变动，是否能够保障国家粮食安全是一个十分现实而且紧迫的问题。因此，如何有效的分析和预测我国粮食生产能力，对加强粮食宏观调控、促进政策调整和保障粮食安全具有十分重大的意义。目前国内外学者围绕着粮食安全、粮食生产、粮食消费与贫困等问题展开了深入而广泛的研究。我国学者对粮食产量的预测模型总体上来说大致可以分为三大类:时间序列模型、回归模型和人工神经网络模型。指数平滑模型、灰色预测模型及基于马尔可夫链的预测模型等都属于时间序列模型。回归模型中使用比较多的就是线性回归模型和双对数模型。人工神经网络模型是近几年才开始使用的基于生物学原理的预测系统。这些方法的优缺点分析如下:（一）指数平滑模型指数平滑模型的原理和计算方法比较简单，对历史数据的数量没有太大的要求。迟灵芝(2004)曾运用单指数平滑方法首先对我国1991-1999年的粮食产量进行拟合，计算出平均相对误差为0104%，效果还是比较理想的。但是模型中对平滑系数的确定直接关系到模型的精度问题，所以不同的平滑系数就可能造成结果的差异。目前为止没有一个固定的方法来确定平滑系数。在一般的研究中大多是根据经验来选择平滑系数，这就导致了预测结果的失真性。林绍森等(2007)对三种预测模型的分析的结果证明了指数平滑法的预测误差最大。此外，由于模型本身在计算方法上的局限性，该方法只适用于近、短期预测。灰色预测模型也是比较常用的粮食产量预测模型。迟灵芝(2002)对灰色预测方法和回归模型进行比较分析，得出灰色预测的平均相对误差最小的结论。林绍森等(2007)对单指数平滑、自回归移动平均和灰色预测三种模型进行了比较，他指出灰色预测模型比自回归预测模型和单指数平滑预测模型更适合长期的预测。线性(或非线性)回归模型的一个优点是可对变量之间进行因果分析，描述其内在的联系。很多学者利用这一方法建立了粮食产量模型，找到了影响粮食产量的主要因素。如李子奈(2000)的线性回归函数、石森昌等(2003)的双对数生产函数、李云松等(2002)、肖海峰等(2004)、程杰等(2007)的柯布-道格拉斯生产函数等等。虽然他们选取的变量都不尽相同，但是都证明了回归模型对粮食产量的拟合效果很好。但是回归方法受到解释变量的约束，一般也只用在近、短期预测中。（二）神经网络模型神经网络模型是一种建立在生物学神经元基础上的一个不需要建立解释变量与被解释变量之间具体关系的数学模型。它可以通过隐含层的学习和训练实现输入元素与输出元素之间的非线性映射。该模型的模拟效果可以在王启平(2002)、禹建丽等(2004)的文章中看到。但是目前我国尚无比较完善和成熟的理论指导网络模型，在神经网络的程序设计中对隐含层单元数及目标参数的设置都只能凭经验或者是经过反复的训练和测试才能确定。总之，每个模型都有其优点和不足之处。对于数据比较少的短期预测问题,应用简单的指数进行平滑。对于结构复杂、影响因素众多的中长期问题一般用灰色预测模型。回归模型一般用来做因素分析，而且预测期较短。此外，我国学者对粮食产量方面的研究绝大多数还是基于单一的模型。单一模型预测的缺点就是对预测对象的分析具有一定的局限性。即通过对被预测对象所处的环境，结合自身模型的特点做出某些假设。所以在各因素的选取及模型的设计等方面都是不完善的。而组合预测模型就能利用更多的信息，使单一模型之间优势互补，提高了模型的精度。（三）组合预测模型所谓组合预测，是指采用两种或两种以上的方法对同一对象进行预测，并对各单个预测结果进行加权综合。根据组合定理，即使一个预测结果不理想的方法，如果它含有系统的独立信息，当与另一个较好的预测方法进行组合后，同样可以增加系统的预测性能。因此，组合预测能够更大化地利用有用信息，比单一预测方法更为科学、有效，并能提高模型的模拟精度。自1969年Bates与Granger首先提出组合预测以来，对组合预测理论及应用的研究先后在国内外逐渐开展起来。但是近几年我国学者才将这一方法应用到粮食预测领域。理论和实践研究都表明，在诸种单项预测模型各异且数据来源不同的情况下，组合预测模型可能获得一个比任何一个独立预测值更好的预测值，组合预测模型能减少预测的系统误差，显著改进预测效果。肖彰仁(1999)、张海云等(2002)、吴春霞等(2002)、丁晨芳(2007)在预测粮食产量时都运用了组合模拟分析方法，只不过在组合中所嵌入的模型不同，但是却得出同样的结论，即组合预测模型的预测精度比单一模型要高。组合预测法的基本思路是，运用两种或两种以上的预测方法对同一预测项目进行预测，再根据各个方法的权重将所得结果综合成一个预测结果。假设对同一问题有N种预测方法，通过计算分析，确定方法j的权重为Wj(j=1,2,3,,,N),则组合预测理论模型为：Y=W1Yt1+W2Yt2++WNYtN，且∑W𝑗=1其中，Ytj表示在t时间第j种方法的预测值；Yt表示在t时间组合预测的预测值。在组合预测中，合理的权重会大大提高预测精度。因此，如何选择权重就成为决定该模型拟合效果的关键。根据以往的研究，权重选择方法有算术平均法、标准差法、方差倒数法、均方倒数法、离异系数法、AHP法、德尔菲法、最优加权法等。其中,使用比较广泛、误差较小且操作方便的就是方差倒数法。其原理为：对误差平方和小的模型赋予较高的权重，误差平方和大的赋予较小的权重。其应用公式如下：W𝑗=𝐷𝑗−1∑𝐷𝑗−1𝑁𝐽=1⁄其中，∑𝐷𝑗−1𝑁𝐽=1=1（j=1,2,…N）上式中，𝐷𝑗为第j个模型的误差平方和，即𝐷𝑗=∑(𝑌𝑡−𝑌𝑡𝑗)2𝑁𝑗=1（四）灰色预测模型GM（1,1）（五）HP滤波分析方法HP滤波分析方法是分析时间序列中的长期趋势和波动成分的方法。它是在Hodrick和Prescott于1980年分析战后美国经济周期的论文中首次使用的。这种方法可以测算出经济发展的周期趋势（产出缺口，即实际产出与潜在产出之差，它是指现有条件下实际产出离最大的潜在产出的差距）和无周期趋势的内在趋势（即潜在产出，它是指社会经济活动在没有劳动力失业、在现有资源和技术水平下，最大的产出水平）。农产品产量的预测是十分重要的，这是因为他可以改进作物管理和调控市场，更进一步而言，如果产量可以精准的预测出来，那么农业投入如化肥、水和农药等田间操作可以根据作物的实际需求进行有效提供。农产品产量的难以预测性和产量的变化性特点给政策调整带来困难，它也容易导致精准农业的决策支持系统难以凑效。在农作物产量的预测方面，最初的预测方法主要采用相关和多元线性回归方法（multiplelinearregression，MLR），这一方法需要考虑影响农作物产量的重要因素（KravchenkoandBullock，2000；Parketal.,2005；Huangetal.,2010）。但是采用上述方法对农作物产量的预测效果不是很明显，其原因是由于该模型没有考虑多项式和内生项的存在。在线性模型分析中，描述粮食产量和影响变量之间的线性关系方面是受到限制的，而且当这些关系不是线性关系时预测结果就可能会造成误导。另外一种预测农作物如粮食产量的方法是综合运用多变量技术进行多步回归（JiangandThelen,2004；Fortinetal.,2010），比如主成分分析方法（principalcomponentanalysis，PCA）和因子分析方法（factoranalysis，FA）。上述方法试图最小化内生变量导致的问题，使复杂关系之间的解释变得容易，并力图减少数据维度或者从大量数据中筛选出一套合适的变量。之后，对农作物的预测方法逐渐采用人工智能方法和计算机技术进行分析。人工神经网络（Artificialneuralnetworks，ANNs），作为一个非线性的统计技术，也被用于分析和调查农作物的产量当中。其中，ANN分析已经用于精准农业的空间分析和农作物田间管理（Kitchenetal.,2003）。这一方法，比较适于分析由于投入和产出相关的变量调整导致的问题，可以认为是一种非线性的分析工具，人工神经网络可以和其他人工智能技术或者统计分析方法相结合，可以避免人工智能需要大量训练数据的缺点。Papageorgiouet.al（2013）利用模糊认知图方法（FuzzyCognitiveMaps，FCMs）预测了希腊的苹果产量，FCMs是一个分析因果认知关系并方便建模和模拟动态系统的理想工具，其利用一个概念模型可以分析和描述人类对既定体系的认知。并不局限于准确的价值标准和评价方法。这一模型的优点包括，简单、适应性强和能够接近抽象的结构，因其有助于解决复杂的问题能适用于不同的情景而获得广泛应用。该方法还具有动态的特点和学习能力，可用于农作物的产量预测和农作物管理。小麦作为欧洲国家十分重要的农作物，2002-2012年间平均年产小麦1.26亿吨，在维持欧洲国家的粮食安全方面发挥了十分重要的作用。Kowaliket.al（2014）利用1999-2009年间标准站点不同植被的标准化指数统计数据和1km空间范围内的冬季活动雷达预测了欧洲国家小麦的产量，其所使用的站点植被产品利用官方小麦产量数据对模型做了微调，基于最小二乘回归方法（PartialLeastSquaresRegression，PLSR）做了分析。这一预测方法将分析模型分为两种形式，一种是允许最终生产季节进行产量评估的“监测模型”，另一种是对随着生产季节进行而做的早期和定期评估的“预测模式”。预测方法是基于NDVI和FAPAR模型并将两者之间的估计结果做了对比，从结果来看，后者比前者稍微有些优势。从对不同国家的预测结果来看，中欧的波兰、德国东北部和英国等国家和地区的预测结果相对较好，而瑞典、芬兰、爱尔兰和葡萄牙等国家的预测结果相对较差，与官方统计结果之间差距较大；两种预测方法对葡萄牙、西班牙和芬兰等国家小麦产量的估计误差最大，这种不一致可能表明这些国家的官方统计数据不可靠。由于全球人数增多和气候变化等因素对全球农作物生产带来的不利影响，粮食安全一直是许多国家关注的头等问题。乌克兰是世界上最发达的农业国家和最大的粮食生产国之一，根据美国农业部2011年的统计数据，乌克兰是世界上第八大粮食出口国和第十大小麦生产国，及时和准确的产量预测可以为决策者提供重要信息并应于维护地区粮食安全。鉴于此，Koganet.al（2013）利用卫星数据对乌克兰省际水平的冬小麦产量做了预测，该文献利用NDVI值法（NormalizedDifferenceVegetationIndex）预测了离收获还有2-3个月之后的小麦产量，为检验预测的准确性，该研究将该方法与基于气象观测数据的实证模型、WOFOST作物生长模型①等做了对比。粮食安全对中国的战略意义，不仅体现在为满足国内居民消费需求和社会发展持