粮食产量预测

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