唐江橋

(福建農(nóng)林大學(xué)經(jīng)濟(jì)與管理學(xué)院,福建福州350002)

畜產(chǎn)品價(jià)格定量預(yù)測(cè)方法評(píng)析＊

唐江橋

(福建農(nóng)林大學(xué)經(jīng)濟(jì)與管理學(xué)院,福建福州350002)

通過文獻(xiàn)研究,本文歸納出定量預(yù)測(cè)畜產(chǎn)品價(jià)格的方法模型主要有回歸模型、Box-Jenkins方法和VAR模型以及神經(jīng)網(wǎng)絡(luò)模型。沒有明確的證據(jù)顯示某一種方法或模型一定優(yōu)于另一種方法或模型。在畜產(chǎn)品價(jià)格預(yù)測(cè)中,如果需要得到較為精確的預(yù)測(cè)結(jié)果,可供借鑒的做法是采用兩種以上的方法或模型進(jìn)行比較,或者進(jìn)行組合。

畜牧業(yè);畜產(chǎn)品;價(jià)格預(yù)測(cè);Box-Jenkins方法;VAR模型;神經(jīng)網(wǎng)絡(luò)模型

畜牧業(yè)在農(nóng)業(yè)中的地位隨著我國(guó)經(jīng)濟(jì)的發(fā)展越來越重要。根據(jù)《中國(guó)統(tǒng)計(jì)年鑒2009》中的相關(guān)數(shù)據(jù)可知,2008年我國(guó)畜牧業(yè)占農(nóng)業(yè)總產(chǎn)值的比重達(dá)到35.5%,而1980年只占農(nóng)業(yè)總產(chǎn)值的18.4%,畜牧業(yè)已經(jīng)從改革初期的家庭副業(yè)上升為現(xiàn)代農(nóng)業(yè)的支柱產(chǎn)業(yè)。隨著畜牧業(yè)比重的上升,畜產(chǎn)品價(jià)格的變動(dòng)對(duì)國(guó)民經(jīng)濟(jì)的影響越來越大。2005年以來全國(guó)范圍內(nèi)生豬價(jià)格的劇烈波動(dòng),對(duì)生豬生產(chǎn)者和豬肉消費(fèi)者都產(chǎn)生了巨大的沖擊,也嚴(yán)重影響到了農(nóng)民的收入;而2007年豬肉價(jià)格的暴漲更是直接拉動(dòng)了我國(guó)CPI指數(shù)的快速上揚(yáng)。除生豬價(jià)格波動(dòng)造成了重大影響外,價(jià)格波動(dòng)導(dǎo)致奶業(yè)波動(dòng)、蛋雞波動(dòng)等都影響了人民的正常食品消費(fèi)。因此,畜產(chǎn)品價(jià)格的頻繁、大幅變動(dòng)已經(jīng)對(duì)人們的食物消費(fèi)結(jié)構(gòu)造成了嚴(yán)重影響,甚至還造成了國(guó)民經(jīng)濟(jì)的不穩(wěn)定,影響到我國(guó)經(jīng)濟(jì)的持續(xù)快速健康發(fā)展。畜產(chǎn)品價(jià)格從高點(diǎn)的快速下跌更使得大量的畜禽養(yǎng)殖戶,尤其是散養(yǎng)戶處于虧損狀態(tài),甚至破產(chǎn)。以上現(xiàn)實(shí)表明,對(duì)我國(guó)的畜產(chǎn)品價(jià)格進(jìn)行預(yù)測(cè)研究很有必要。本文對(duì)已有文獻(xiàn)中對(duì)畜產(chǎn)品價(jià)格預(yù)測(cè)所用的方法進(jìn)行歸納和評(píng)價(jià),以便進(jìn)一步探索我國(guó)畜產(chǎn)品價(jià)格的預(yù)測(cè)方法,提高我國(guó)的畜產(chǎn)品價(jià)格預(yù)測(cè)精度。

一、定量預(yù)測(cè)方法和模型

相比預(yù)測(cè)理論發(fā)展的滯后,當(dāng)前在進(jìn)行一項(xiàng)經(jīng)濟(jì)預(yù)測(cè)時(shí)可供選擇的方法和模型非常多。經(jīng)濟(jì)預(yù)測(cè)作為經(jīng)濟(jì)研究的主要領(lǐng)域之一,其方法的應(yīng)用非常廣泛,可以說各行各業(yè)的供給、需求和價(jià)格預(yù)測(cè)都使用到了現(xiàn)代經(jīng)濟(jì)預(yù)測(cè)方法。現(xiàn)代經(jīng)濟(jì)預(yù)測(cè)方法包括定性方法和定量方法兩大類。定性方法用來判斷價(jià)格的走勢(shì),定量方法則給出明確的預(yù)測(cè)值。本文的研究范圍是定量方法在畜產(chǎn)品價(jià)格預(yù)測(cè)中的應(yīng)用。應(yīng)用于畜產(chǎn)品價(jià)格預(yù)測(cè)中的定量方法和模型大致可分為三類。

(一)回歸模型預(yù)測(cè)法

回歸模型預(yù)測(cè)法需要清楚被解釋變量受到哪些解釋變量的影響,在此基礎(chǔ)上根據(jù)經(jīng)濟(jì)學(xué)理論建立模型?；貧w模型預(yù)測(cè)的優(yōu)點(diǎn)很明顯:可以清楚地看到被解釋變量的變動(dòng)是由哪些解釋變量的變動(dòng)所導(dǎo)致的。但是,回歸模型需要把一些變量看成是內(nèi)生的,另一些變量看成是外生的,具有一定的主觀性。另外,由于經(jīng)濟(jì)系統(tǒng)的復(fù)雜性,要確定一個(gè)被解釋變量有多少影響它的解釋變量以及這些解釋變量分別是哪些,是一件非常不容易的事情。

回歸模型最簡(jiǎn)單的是線性模型。經(jīng)典雙變量線性回歸模型的一般形式為:

其中yt為被解釋變量,xt為解釋變量,β0和β1為待估參數(shù),εt為服從獨(dú)立同分布的隨機(jī)誤差項(xiàng)。

運(yùn)用上述回歸模型進(jìn)行向前一步預(yù)測(cè)時(shí),首先需要確定解釋變量xt+1的值,代入上式后就可以對(duì)被解釋變量yt+1進(jìn)行預(yù)測(cè)。將上式中的單變量換成向量形式,就是多方程回歸模型。

線性回歸模型是運(yùn)用較早的預(yù)測(cè)模型之一,模型的具體形式需要根據(jù)所研究問題的不同而變化,如DO CANTO(1972)[1]在預(yù)測(cè)美國(guó)肥豬價(jià)格時(shí)所采用的基本模型形式為:

其中,St為本期供給,a和b為待估參數(shù),Pt-1為上期價(jià)格,Pt為本期價(jià)格,Ut和Gt為誤差項(xiàng)?？梢钥闯?上述方程組實(shí)際為蛛網(wǎng)模型的函數(shù)形式。

對(duì)于回歸模型來說,確定解釋變量不是一件容易的事情。解釋變量太少,難免遺漏有影響的重要變量;解釋變量太多,模型將變得復(fù)雜,樣本數(shù)據(jù)的獲取難度也會(huì)增加。如果是聯(lián)立方程組,則在估計(jì)前需要保證可識(shí)別性,而且常常需要假定某些變量?jī)H出現(xiàn)在某些方程中,難以保證其客觀性。應(yīng)用回歸模型進(jìn)行畜產(chǎn)品價(jià)格預(yù)測(cè)的文獻(xiàn)更多的集中于20世紀(jì)70年代,如ROY(1971)、LEE(1971)、FOOTE et al.(1976)等[2-4]。

(二)Box-Jenkins方法和VAR模型

自從Box和Jenkins的著作發(fā)表以來,用于單變量時(shí)間序列預(yù)測(cè)的ARMA(Auto-Regressive Moving-Average)模型得到了迅速而廣泛的應(yīng)用。ARMA模型實(shí)際上是MA模型和AR模型的綜合,模型的核心理論為沃爾表示定理(Wold’s representation theorem)。沃爾表示定理的含義為:任意協(xié)方差平穩(wěn)序列的模型都可以表示成白噪聲的無限階分布滯后[5]。ARMA(p,q)模型的一般化形式如下:

其中εt服從均值為0、方差為σ2的白噪聲分布,φ1…φp和θ1…θq為待估參數(shù)。ARMA模型要求所分析的時(shí)間序列是平穩(wěn)的,但是原始的時(shí)序數(shù)據(jù)中往往包含有趨勢(shì)性和季節(jié)性成分導(dǎo)致序列是非平穩(wěn)的,所以我們常常需要運(yùn)用差分的方法來消除原始序列中的趨勢(shì)性和季節(jié)性。差分后的ARMA模 型 稱 為AR IMA(Auto-Regressive IntegratedMoving-Average)模型。進(jìn)行d階差分后的ARMA(p,q)模型記為AR IMA(p,d,q)模型。

在對(duì)畜產(chǎn)品價(jià)格的預(yù)測(cè)中,有一些文獻(xiàn)運(yùn)用了AR IMA模型。如Oliveira等(1979)[6]運(yùn)用AR IMA模型擬合來自不同市場(chǎng)的6種類型活牛現(xiàn)貨價(jià)格序列和芝加哥期貨市場(chǎng)的活牛價(jià)格序列,擬合樣本區(qū)間為1972年1月到1976年12月的周價(jià)格,預(yù)測(cè)區(qū)間為1977年1月到1977年8月的周價(jià)格。研究結(jié)果發(fā)現(xiàn),對(duì)于現(xiàn)貨價(jià)格序列來說,AR IMA模型的短期預(yù)測(cè)更加精確;對(duì)于期貨價(jià)格序列則是長(zhǎng)期預(yù)測(cè)更為精確。使用AR IMA模型進(jìn)行畜產(chǎn)品價(jià)格預(yù)測(cè)的研究還有BOURKE(1979)、 INGCO(1983)和KARBASI等(2009)[7-9]。國(guó)內(nèi)也有文獻(xiàn)運(yùn)用Box-Jenkins方法進(jìn)行畜產(chǎn)品價(jià)格預(yù)測(cè),如姚霞等(2007)、傅如南等(2008)和劉峰等(2009)[10-12]。

Box-Jenkins方法研究的對(duì)象是單變量時(shí)間序列,對(duì)于多變量時(shí)間序列系統(tǒng)的研究多運(yùn)用VAR (VectorAuto-Regression)模型。VAR模型實(shí)際上是VARMA模型的簡(jiǎn)化,但是后者因參數(shù)過多帶來很多問題而少有應(yīng)用。VAR(p)模型的一般形式為:

其中,yt是m維內(nèi)生變量向量;xt是d維外生變量向量;A1…Ap和B1…Br是待估參數(shù),內(nèi)生變量和外生變量分別有p和r階滯后期;εt是隨機(jī)擾動(dòng)項(xiàng),同期之間可以相關(guān),但不能有自相關(guān),不能與模型右邊的變量相關(guān)。

VAR模型在畜產(chǎn)品價(jià)格預(yù)測(cè)研究中應(yīng)用頗多。如GOODW IN(1992)[13]使用變參數(shù)VAR模型和逐步跳躍的VAR模型對(duì)美國(guó)牛的季度價(jià)格(樣本區(qū)間為1970—1990年)進(jìn)行估計(jì),發(fā)現(xiàn)在樣本區(qū)間有明顯的證據(jù)表明存在結(jié)構(gòu)性變動(dòng)。還有THRAEN等(2002)和ZAPATA、GARC IA (1990)[14-15]運(yùn)用BVAR(Bayesian VAR)模型分別對(duì)美國(guó)的牛奶價(jià)格和牛的價(jià)格進(jìn)行了預(yù)測(cè)。國(guó)內(nèi)有馬孝斌等(2007)[16]用VAR模型對(duì)北京市2000年1月至2006年6月的生豬月度價(jià)格進(jìn)行了擬合,并對(duì)2006年7至12月的價(jià)格進(jìn)行了預(yù)測(cè)。

Box-Jenkins方法雖然可以很好地?cái)M合單變量時(shí)間序列數(shù)據(jù),并且能得到效果不錯(cuò)的短期預(yù)測(cè)值,但這種方法不是建立在經(jīng)濟(jì)理論的基礎(chǔ)之上,它實(shí)際上是一種復(fù)雜的濾波技術(shù)而不是經(jīng)濟(jì)模型[17],所以當(dāng)我們用這種方法得不到理想的預(yù)測(cè)結(jié)果時(shí),將找不到原因何在。此外,如果我們的目的是為了解釋經(jīng)濟(jì)系統(tǒng)的行為而不僅僅是得到一個(gè)預(yù)測(cè)結(jié)果,那么就不能使用Box-Jenkins方法,因?yàn)檫@種方法沒有經(jīng)濟(jì)理論基礎(chǔ),不能用來檢驗(yàn)復(fù)雜的經(jīng)濟(jì)現(xiàn)象的假設(shè)。

與單變量模型相比,VAR模型考慮了變量之間的交互變化。前述第一類回歸模型需要事先區(qū)分變量是內(nèi)生還是外生的,而VAR模型不需要進(jìn)行這樣的區(qū)分,這在一定程度保證了模型設(shè)定的客觀性。VAR模型的倡導(dǎo)者強(qiáng)調(diào)此方法簡(jiǎn)單而且估計(jì)也簡(jiǎn)單,但VAR模型的批評(píng)者也指出如下問題:VAR利用較少先驗(yàn)信息,所以缺乏理論基礎(chǔ);VAR的重點(diǎn)在預(yù)測(cè),不適于做政策分析;VAR模型的滯后長(zhǎng)度難以確定;在一個(gè)有m個(gè)變量的VAR模型中,所有的m個(gè)變量都應(yīng)該是平穩(wěn)的; VAR往往需要估計(jì)脈沖響應(yīng)函數(shù)(impulse response function)。

(三)神經(jīng)網(wǎng)絡(luò)模型

神經(jīng)網(wǎng)絡(luò)模型的應(yīng)用非常廣泛,在畜產(chǎn)品價(jià)格的預(yù)測(cè)中也有一些文獻(xiàn)進(jìn)行了應(yīng)用研究。在神經(jīng)網(wǎng)絡(luò)模型中,應(yīng)用最多的是BP(Back Propagation)人工神經(jīng)網(wǎng)絡(luò)模型,模型的基本結(jié)構(gòu)圖如圖1所示。BP神經(jīng)網(wǎng)絡(luò)有三層前饋網(wǎng)絡(luò):輸入層、隱含層和輸出層。其中的隱含層可以只包含一層網(wǎng)絡(luò),也可以包含多層網(wǎng)絡(luò),因此BP網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)神經(jīng)元的傳遞函數(shù)是S型函數(shù),輸出量為0到1之間的連續(xù)量,它可以實(shí)現(xiàn)從輸入到輸出的任意非線性映射。經(jīng)輸入層輸入數(shù)據(jù)樣本后,模型按期望輸出與實(shí)際輸出誤差平方和最小化的原則進(jìn)行學(xué)習(xí)過程,通過權(quán)值矩陣和閾值向量的不斷調(diào)整,可以實(shí)現(xiàn)誤差平方和達(dá)到所要求的范圍之內(nèi)。

KARBASI等(2009)[9]對(duì)伊朗禽肉價(jià)格進(jìn)行預(yù)測(cè)時(shí)應(yīng)用了靜態(tài)和動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)模型,并將預(yù)測(cè)結(jié)果和線性預(yù)測(cè)模型的結(jié)果進(jìn)行了比較,所得的結(jié)論是動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)結(jié)果最理想,其次是靜態(tài)神經(jīng)網(wǎng)絡(luò)模型,線性模型的預(yù)測(cè)結(jié)果在三者中最差。馬雄威和朱再清(2008)[18]將BP神經(jīng)網(wǎng)絡(luò)模型和灰色系統(tǒng)進(jìn)行組合,使用我國(guó)2006年4月至2007年11月的豬肉月度價(jià)格作為樣本,預(yù)測(cè)了我國(guó)2007年12月至2008年9月的豬肉價(jià)格。預(yù)測(cè)結(jié)果認(rèn)為我國(guó)的豬肉價(jià)格在2007年12月至2008年9月期間雖然呈上漲趨勢(shì),但波動(dòng)幅度不會(huì)很大。

圖1 BP人工神經(jīng)網(wǎng)絡(luò)模型

當(dāng)然,預(yù)測(cè)模型和方法非常多,除了上述模型外,還有其他模型可以應(yīng)用到畜產(chǎn)品價(jià)格的預(yù)測(cè)研究中來,如GARCH模型。RAM IREZ和FAD IGA(2003)[19]就曾運(yùn)用此模型來預(yù)測(cè)大豆、高粱和小麥價(jià)格。預(yù)測(cè)技術(shù)的發(fā)展為我們提供了更多的預(yù)測(cè)方法和模型,一個(gè)自然的問題就是:在應(yīng)用研究中我們?nèi)绾芜x擇合適的預(yù)測(cè)方法?

二、不同預(yù)測(cè)方法的比較

面臨同樣的預(yù)測(cè)研究對(duì)象時(shí),可以有多種不同的方法和模型可供選擇,究竟選擇哪一種方法和模型是合適的?有沒有一種選擇標(biāo)準(zhǔn)提供給我們作為指導(dǎo)或參考呢?迪博爾德(2003)[5]將預(yù)測(cè)方法和模型的選擇原則概括為KISS原則:“簡(jiǎn)約但不簡(jiǎn)單”(Keep It Sophisticatedly Simple)。所謂簡(jiǎn)約原則。在其他條件相同的情況下,簡(jiǎn)單優(yōu)于復(fù)雜。之所以認(rèn)為簡(jiǎn)單模型優(yōu)于復(fù)雜模型,是基于如下一些理由:(1)簡(jiǎn)單模型的參數(shù)易于精確估計(jì);(2)簡(jiǎn)單模型易于解釋、理解和檢查;(3)簡(jiǎn)單模型易于把握其內(nèi)在機(jī)制,有利于決策;(4)簡(jiǎn)單模型減小了數(shù)據(jù)挖掘的范圍,因?yàn)閿?shù)據(jù)挖掘往往會(huì)導(dǎo)致模型和數(shù)據(jù)的過度擬合?，F(xiàn)代的經(jīng)濟(jì)預(yù)測(cè)專家普遍認(rèn)同模型選擇的簡(jiǎn)約原則。在畜產(chǎn)品價(jià)格預(yù)測(cè)的研究文獻(xiàn)中,也有不少專家學(xué)者對(duì)不同的經(jīng)濟(jì)預(yù)測(cè)方法進(jìn)行了比較研究。

HELMERS和HELD(1977)[20]使用了不同的方法對(duì)美國(guó)內(nèi)布拉斯加州奧馬哈地區(qū)的肉牛和肉豬價(jià)格進(jìn)行了預(yù)測(cè),比較了各種預(yù)測(cè)結(jié)果的精度。他將所使用到的預(yù)測(cè)方法分為三大類:第一類為簡(jiǎn)單模型(simple models),包含了5個(gè)子模型(用上年同期的價(jià)格作為預(yù)測(cè)價(jià)格,用現(xiàn)期價(jià)格作為四個(gè)月后的預(yù)測(cè)價(jià)格,隨機(jī)抽取去年某一周的價(jià)格作為預(yù)測(cè)價(jià)格,用去年的平均價(jià)格作為預(yù)測(cè)價(jià)格,用過去8個(gè)月的價(jià)格趨勢(shì)預(yù)測(cè)4個(gè)月后的價(jià)格)。第二類模型利用芝加哥期貨市場(chǎng)的相應(yīng)期貨價(jià)格作為預(yù)測(cè)價(jià)格。第三類利用經(jīng)驗(yàn)信息進(jìn)行預(yù)測(cè),包括兩個(gè)子模型,一是利用過去成功的農(nóng)場(chǎng)主的預(yù)測(cè)作為預(yù)測(cè)值,二是利用USDA的預(yù)測(cè)價(jià)格。文章對(duì)不同預(yù)測(cè)方法取得的結(jié)果與實(shí)際值進(jìn)行了比較,分析了實(shí)際值和預(yù)測(cè)值之間的平均誤差和標(biāo)準(zhǔn)差,得到的結(jié)論為:不能簡(jiǎn)單地認(rèn)為所用的某一種方法比另一種方法更精確,即使是那些“單憑經(jīng)驗(yàn)的方法”(rule of thumb),如成功農(nóng)場(chǎng)主的預(yù)測(cè),也有其可取之處。

BOURKE(1979)[7]比較了Box-Jenkins方法和線性回歸方法在預(yù)測(cè)美國(guó)牛肉價(jià)格的表現(xiàn)。他的線性回歸模型包含的自變量非常多,有牛肉消費(fèi)量、羊肉消費(fèi)量、豬肉消費(fèi)量、烤肉消費(fèi)量、火雞肉消費(fèi)量、上一期的可支配收入、失業(yè)率、時(shí)間變量、季節(jié)(或月度)虛變量。用來比較的統(tǒng)計(jì)量有根均方誤(RootMean Squared Error,RMSE)和希爾不等系數(shù)(Theil’s Inequality Coefficient),還有一個(gè)對(duì)轉(zhuǎn)折點(diǎn)(Turning Points)判斷能力的比較。Bourke認(rèn)為如果在序列中存在轉(zhuǎn)折點(diǎn),那它就會(huì)改變預(yù)測(cè)的方向或者是實(shí)際序列的變動(dòng)方向。研究結(jié)果表明,Box-Jenkins方法不論是在預(yù)測(cè)精度方面,還是在轉(zhuǎn)折點(diǎn)判斷方面都要優(yōu)于所用的線性回歸模型。而且他在用線性回歸模型進(jìn)行預(yù)測(cè)時(shí),自變量的取值是實(shí)際值,但我們?cè)谡嬲鲱A(yù)測(cè)時(shí),必須首先對(duì)自變量的值進(jìn)行預(yù)測(cè),然后才可能得到因變量的回歸預(yù)測(cè)結(jié)果,這意味著因變量的預(yù)測(cè)誤差將會(huì)更大。

KARBASI等(2009)[9]對(duì)當(dāng)前較為流行的動(dòng)態(tài)非線性模型、靜態(tài)非線性模型和線性模型的預(yù)測(cè)表現(xiàn)進(jìn)行了比較研究。他用含輸入的神經(jīng)網(wǎng)絡(luò)自回歸模型(NeuralNetworkAuto-Regressivemodel with exogenous inputs,NNARX)代表動(dòng)態(tài)非線性模型,用人工神經(jīng)網(wǎng)絡(luò)模型(ArtificialNeuralNetwork model,ANN)代表靜態(tài)非線性模型,用AR IMA模型代表線性模型,分別用這三個(gè)模型擬合伊朗2002年3月到2006年3月的禽肉市場(chǎng)價(jià)格周序列做向前一周、兩周和四周的預(yù)測(cè),并用2006年4月到2007年12的價(jià)格進(jìn)行預(yù)測(cè)結(jié)果檢驗(yàn)。所用的比較統(tǒng)計(jì)量為判定系數(shù)R2、平均絕對(duì)誤差MAD、均方誤(MSE)和根均方誤(RMSE)。結(jié)果發(fā)現(xiàn),NNARX和ANN模型的預(yù)測(cè)結(jié)果要優(yōu)于AR IMA模型,而NNARX模型要優(yōu)于ANN模型。他的研究結(jié)果似乎支持這樣一種觀點(diǎn),即復(fù)雜模型的預(yù)測(cè)結(jié)果要好于簡(jiǎn)單模型。

隨著預(yù)測(cè)技術(shù)的不斷發(fā)展,對(duì)畜產(chǎn)品價(jià)格進(jìn)行預(yù)測(cè)時(shí)可供選用的方法和模型也愈加豐富,同時(shí)也會(huì)有更多的研究比較不同方法和模型的預(yù)測(cè)效果。就現(xiàn)有的研究成果來看,并沒有確鑿的證據(jù)顯示某一種方法一定優(yōu)于另一種方法。在具體應(yīng)用中,我們可以根據(jù)自己的需要來選擇不同的預(yù)測(cè)方法和模型。更復(fù)雜的模型所需要的成本更高,如果需要的預(yù)測(cè)結(jié)果并非那么精確,則可以選擇相對(duì)簡(jiǎn)單的方法和模型。倘若預(yù)測(cè)失誤會(huì)導(dǎo)致重大的損失,則可以同時(shí)選用多種方法并進(jìn)行比較,以便使最終的決策得到更多的支持。

三、總結(jié)和評(píng)論

通過對(duì)現(xiàn)有文獻(xiàn)的梳理和歸納,發(fā)現(xiàn)對(duì)畜產(chǎn)品價(jià)格進(jìn)行定量預(yù)測(cè)的主要方法可以分為三類:回歸模型預(yù)測(cè)法、Box-Jenkins方法和VAR模型、神經(jīng)網(wǎng)絡(luò)模型。當(dāng)然,定量預(yù)測(cè)方法和模型有許多,并且正處于快速發(fā)展之中,具體用什么方法對(duì)畜產(chǎn)品價(jià)格進(jìn)行定量預(yù)測(cè)更合適,需要結(jié)合具體情況來定,而非只有以上三種方法可用,本文只不過是在文獻(xiàn)研究中發(fā)現(xiàn)使用這三種方法的研究者比較多而已。

當(dāng)應(yīng)用不同的方法和模型對(duì)畜產(chǎn)品價(jià)格進(jìn)行預(yù)測(cè)時(shí),并沒有一個(gè)統(tǒng)一的標(biāo)準(zhǔn)說某一種方法一定優(yōu)于其他方法,因此在研究中采用哪一種方法,依然強(qiáng)調(diào)需要根據(jù)所研究的具體對(duì)象來進(jìn)行確定。有時(shí)兩種以上預(yù)測(cè)方法的組合,即組合預(yù)測(cè)也是可供選擇的方法之一。

本文研究的是定量預(yù)測(cè)方法在畜產(chǎn)品價(jià)格研究中的應(yīng)用,而在實(shí)際預(yù)測(cè)中,作出定性判斷是必要的。不論采用什么方法,定量預(yù)測(cè)結(jié)果必須和定性判斷的結(jié)果相一致,否則需要查找原因,重新進(jìn)行預(yù)測(cè)。具體對(duì)畜產(chǎn)品價(jià)格而言,因?yàn)樾螽a(chǎn)品的需求價(jià)格彈性和收入彈性都比較低,同時(shí)畜產(chǎn)品的生產(chǎn)又需要一定的周期(牲畜的自然生長(zhǎng)過程),這可能導(dǎo)致畜產(chǎn)品價(jià)格的波動(dòng)幅度具有不斷擴(kuò)大的趨勢(shì)。我國(guó)正處于經(jīng)濟(jì)轉(zhuǎn)型期,許多與市場(chǎng)經(jīng)濟(jì)相配套的制度建設(shè)尚待建立和完善,當(dāng)前出現(xiàn)的價(jià)格波動(dòng)有可能是市場(chǎng)本身造成的,也有可能是市場(chǎng)不完善所導(dǎo)致的。市場(chǎng)造成的畜產(chǎn)品價(jià)格波動(dòng)可以通過定量預(yù)測(cè)方法尋找規(guī)律,得到較好的預(yù)測(cè)結(jié)果;而市場(chǎng)不完善導(dǎo)致的價(jià)格波動(dòng),則需要更多的定性判斷來進(jìn)行預(yù)測(cè)。

[1]DO CANTO W L.A Recursive Model for Forecasting Quarterly and Monthly U.S.Hog Prices[D].Michigan State University,Depar tment of AgriculturalEconomics,1972.

[2]ROY S K.Prediction of Shell Egg Price—A Shortrun Model[J].Southern Journal ofAgricultural Economics, 1971,3(1):175-179.

[3]LEE MK.An October Prediction ofthe Detroit November Price for Eggs at the Wholesale Level[D]. Department of Agricultural Economics,Michigan State University,1971.

[4]FOOTE RJ,ROY S K,SADLERG.Quarterly Prediction Models for Live Hog Prices[J].Southern Journal of Agricultural Economics,1976,8(1): 127-129.

[5]D IEBOLD F X.經(jīng)濟(jì)預(yù)測(cè)[M].張濤,譯.北京:中信出版社,2003:40,119-120.

[6]OL IVEIRA R A,O’CONNOR C W,S M ITH G W. Short-Run Forecasting Models of Beef Prices[J]. Western Journal of Agricultural Economics,1979,4 (1):45-56.

[7]BOURKEIJ.ComparingtheBox-Jenkinsand Econometric Techniques for ForecastingBeef Prices[J]. Review ofMarketing and Agricultural Economics,1979, 47(2):95-106.

[8] INGCO M D.Economitric and AR IMA Models in Predicting Cattle and Hog Prices:An Evaluation[D]. Michigan State University,Department of Agricultural, Food,and Resource Economics,1983.

[9]KARBASIA,LASKUKALAYEH S S,FAH IM IFARD S M.ComparisonofNNARX,ANNandAR IMA Techniques to Poultry Retail Price Forecasting[J]. International Association of Agricultural Economists, 2009(Conference):16-22.

[10]姚霞,彭漢艮,朱艷,曹衛(wèi)星,張衛(wèi)建.時(shí)鮮農(nóng)產(chǎn)品價(jià)格預(yù)測(cè)的AR IMA時(shí)序模型構(gòu)建與應(yīng)用[J].農(nóng)業(yè)系統(tǒng)科學(xué)與綜合研究,2007(1):89-94.

[11]傅如南,林丕源,嚴(yán)尚維,孫愛東.基于AR IMA的肉雞價(jià)格預(yù)測(cè)建模與應(yīng)用[J].中國(guó)畜牧雜志,2008 (20):17-21.

[12]劉峰,王儒敬,李傳席.AR IMA模型在農(nóng)產(chǎn)品價(jià)格預(yù)測(cè)中的應(yīng)用[J].計(jì)算機(jī)工程與應(yīng)用,2009(25): 238-240.

[13]GOODW IN BK.Forecasting Cattle Prices inthe Presence of Structural Change[J].Southern Journal of Agricultural Economics,1992,24(2):11-22.

[14]THRAEN C S,THOMPSONS R,GOHOUT W. Conditional Forecasting for the U.S.Dairy Price Complexwith a Bayesian Vector Autoregressive Model [J].American Agricultural Economics Association, Annualmeeting,July 28-31,2002,LongBeach,CA.

[15]ZAPATA H O,GARC IA P.Price Forecasting with T ime-Series Methodsand Nonstationary Data:an Application to Monthly U.S.Cattle Prices[J]. Western Journal of Agricultural Economics,1990,15 (1):123-132.

[16]馬孝斌,王婷,董霞,王楚端.向量自回歸法在生豬價(jià)格預(yù)測(cè)中的應(yīng)用[J].中國(guó)畜牧雜志,2007(23): 4-6.

[17]NAYLOR T H,SEAKS T G,W ICHERN D W.Box-JenkinsMethods:anAlternative to EconometricModels [J].InternationalStatisticalReview/Revue Internationale de Statistique,1972,40(2):123-137.

[18]馬雄威,朱再清.灰色神經(jīng)網(wǎng)絡(luò)模型在豬肉價(jià)格預(yù)測(cè)中的應(yīng)用[J].內(nèi)蒙古農(nóng)業(yè)大學(xué)學(xué)報(bào),2008(4): 91-93.

[19]RAM IREZ O A,FAD IGA M.Forecasting Agricultural CommodityPrices withAsymmetric-ErrorGARCH Models[J].Journal of Agricultural and Resource Economics,2003,28(1):71-85.

[20]HELMERS,G A,HELD,LJ.Comparisonof Livestock Price Forecasting Using S imple Techniques, For ward Pricing and Outlook Infor mation[J].Western Journal of Agricultural Economics,1977,1(1): 157-160.

(責(zé)任編校:夏東,朱德東)

L iterature Review on Application of QuantitativeM ethods to Prediction of An imal Products Price

TANG Jiang-qiao
(College of Econom ics and M anagement,Fujian Agriculture and Forestry University,Fujian Fuzhou350002,China)

Through literature research,this paper summarized main quantitative prediction models of animal products price including regression model,Box-Jenkins method,VAR model,and the neural network model.There is no obvious conclusive evidence that a method or a model is better than anothermethod or model.If more accurate prediction results are needed about prediction of animal products price,the feasible method is to compare or combine two methods ormodels ormore.

animal husbandry;an imal products;price prediction;Box-Jenkinsmethod;VAR model;neural network model

F316.3;F224.0

A

1672-0598(2011)01-0048-06

12.3969/j.issn.1672-0598.2011.01.008

2010-10-28

福建省科技廳軟科學(xué)項(xiàng)目(2009R0007)“軟科學(xué)的方法選擇與應(yīng)用”

唐江橋(1980—),男;博士研究生,在福建農(nóng)業(yè)大學(xué)經(jīng)濟(jì)與管理學(xué)院學(xué)習(xí),主要從事農(nóng)業(yè)經(jīng)濟(jì)理論與政策研究。