許世衛(wèi)，邸佳穎，李干瓊，莊家煜

農(nóng)產(chǎn)品監(jiān)測(cè)預(yù)警模型集群構(gòu)建理論方法與應(yīng)用

許世衛(wèi)，邸佳穎，李干瓊，莊家煜

（中國(guó)農(nóng)業(yè)科學(xué)院農(nóng)業(yè)信息研究所/農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)信息服務(wù)技術(shù)重點(diǎn)實(shí)驗(yàn)室/北京市農(nóng)業(yè)監(jiān)測(cè)預(yù)警工程技術(shù)研究中心，北京 100081）

【】農(nóng)產(chǎn)品供給與需求的準(zhǔn)確分析測(cè)定，是農(nóng)業(yè)監(jiān)測(cè)預(yù)警能力提升的重要表現(xiàn)。構(gòu)建產(chǎn)品多品種多環(huán)節(jié)模型集群理論方法，可高效解決單一環(huán)節(jié)或單一模型難以解決的分析技術(shù)難題。在農(nóng)產(chǎn)品供需的重要要素即生產(chǎn)量、消費(fèi)量、貿(mào)易量、價(jià)格等分析預(yù)測(cè)過程中，針對(duì)農(nóng)產(chǎn)品品種間關(guān)聯(lián)性強(qiáng)，自然、社會(huì)、經(jīng)濟(jì)諸多影響因素糾纏，模型多變量強(qiáng)耦合、非線性、參數(shù)時(shí)變的特點(diǎn)，提出多品種農(nóng)產(chǎn)品“因素分類解耦、參數(shù)轉(zhuǎn)用適配”方法，以構(gòu)建多時(shí)空維度的監(jiān)測(cè)預(yù)警模型集群。利用“因素分類解耦、參數(shù)轉(zhuǎn)用適配”技術(shù)方法，研究構(gòu)建了不同農(nóng)產(chǎn)品的生產(chǎn)類、消費(fèi)類、貿(mào)易類、價(jià)格類的模型集群。這些模型集群可用于對(duì)不同時(shí)空維度的水稻、玉米、小麥、肉類等主要農(nóng)產(chǎn)品供需的長(zhǎng)中短期的分析預(yù)測(cè)，支撐形成了農(nóng)業(yè)展望中的主要農(nóng)產(chǎn)品平衡表，其中主要農(nóng)產(chǎn)品全國(guó)年度生產(chǎn)量6年平均預(yù)測(cè)精度高于97%。研究提出的農(nóng)產(chǎn)品監(jiān)測(cè)預(yù)警模型集群構(gòu)建理論及其方法，有效提升了農(nóng)產(chǎn)品多品種模型集群的求解效率和準(zhǔn)確率，增強(qiáng)了農(nóng)產(chǎn)品供需分析預(yù)測(cè)的系統(tǒng)性與智能性，為系統(tǒng)揭示農(nóng)產(chǎn)品復(fù)雜的時(shí)空供需變化特征、促進(jìn)農(nóng)產(chǎn)品市場(chǎng)調(diào)控科學(xué)性和可預(yù)見性，提供了新技術(shù)方法。

農(nóng)產(chǎn)品；多品種；供需預(yù)測(cè)；因素分類解耦；參數(shù)轉(zhuǎn)用適配；模型集群

0 引言

【研究意義】建立糧食和主要農(nóng)產(chǎn)品監(jiān)測(cè)預(yù)警體系是國(guó)家食物安全的重要保障，而農(nóng)產(chǎn)品生產(chǎn)、消費(fèi)、貿(mào)易、價(jià)格等主要環(huán)節(jié)的精準(zhǔn)量化分析預(yù)測(cè)是監(jiān)測(cè)預(yù)警的關(guān)鍵[1-2]。面臨人口、資源、環(huán)境、氣候及國(guó)內(nèi)外復(fù)雜形勢(shì)，研究構(gòu)建農(nóng)產(chǎn)品監(jiān)測(cè)預(yù)警模型集群，高效全面分析預(yù)測(cè)農(nóng)產(chǎn)品供需走勢(shì)，將為國(guó)家農(nóng)產(chǎn)品生產(chǎn)、儲(chǔ)備、貿(mào)易等管理和調(diào)控提供重要參考依據(jù)，對(duì)保障農(nóng)產(chǎn)品有效供給以及市場(chǎng)穩(wěn)定均具有重要科學(xué)意義?！厩叭搜芯窟M(jìn)展】農(nóng)產(chǎn)品的產(chǎn)量、消費(fèi)量、貿(mào)易量、價(jià)格等分析預(yù)測(cè)一直是國(guó)內(nèi)外學(xué)術(shù)界關(guān)注的焦點(diǎn)，其預(yù)測(cè)方法已有廣泛研究。部分學(xué)者分別對(duì)農(nóng)產(chǎn)品的生產(chǎn)、消費(fèi)、價(jià)格等單要素環(huán)節(jié)的影響因素分析，構(gòu)建預(yù)測(cè)模型[3-13]。作物生產(chǎn)，尤其是糧食產(chǎn)量分析預(yù)測(cè)對(duì)國(guó)家糧食安全具有重大意義，其研究較早、方法較多[3-11]，應(yīng)用較早的方法主要有氣象產(chǎn)量預(yù)測(cè)法、遙感技術(shù)預(yù)測(cè)法和統(tǒng)計(jì)動(dòng)力學(xué)生長(zhǎng)模擬法。陳錫康等[4]研究提出了全國(guó)糧食產(chǎn)量的系統(tǒng)綜合因素預(yù)測(cè)法，該方法利用了投入占用產(chǎn)出技術(shù)、考慮邊際報(bào)酬遞減的非線性預(yù)測(cè)方程和最小絕對(duì)和方法，預(yù)測(cè)提前期長(zhǎng)（一般在半年以上），預(yù)測(cè)平均誤差為產(chǎn)量的1.6%，預(yù)測(cè)精度高。在消費(fèi)量預(yù)測(cè)上，針對(duì)單品種的預(yù)測(cè)較多，如豬肉消費(fèi)量預(yù)測(cè)，影響我國(guó)豬肉消費(fèi)量的主要因素有豬肉產(chǎn)量、餐飲業(yè)發(fā)展水平、牛羊肉價(jià)格指數(shù)等14個(gè)因素[12]。通用類消費(fèi)分析預(yù)測(cè)模型一般有4種：AIDS（近完美消費(fèi)模型）、LES（線性支出模型）、Rotterdam模型、Double Log模型。價(jià)格預(yù)測(cè)上，影響農(nóng)產(chǎn)品價(jià)格波動(dòng)的因素（總供給與總需求角度）是多方面的，主要有生產(chǎn)因素、消費(fèi)因素、政策因素、偶發(fā)因素等[12-13]，農(nóng)產(chǎn)品的價(jià)格預(yù)測(cè)模型方法主要有時(shí)間序列模型、隨機(jī)波動(dòng)率模型、最小二乘向量機(jī)模型等[13-14]。針對(duì)農(nóng)產(chǎn)品供需走勢(shì)的預(yù)測(cè)，部分學(xué)者利用時(shí)間序列模型和灰色預(yù)測(cè)模型進(jìn)行了分析和預(yù)測(cè)[15-17]。例如，陳艷紅等[15]運(yùn)用ARIMA模型對(duì)2012—2017年中國(guó)糧食供需預(yù)測(cè)，結(jié)果表明2012—2017年中國(guó)國(guó)內(nèi)糧食供給將持續(xù)穩(wěn)定增長(zhǎng)，國(guó)內(nèi)糧食需求波動(dòng)增長(zhǎng)。呂新業(yè)等[16]利用移動(dòng)平均法得出2020年中國(guó)稻谷、小麥和玉米產(chǎn)量和需求量。另外，一些學(xué)者和機(jī)構(gòu)利用一般均衡模型和局部均衡模型對(duì)農(nóng)產(chǎn)品供需進(jìn)行了分析和預(yù)測(cè)[18-25]。例如，黃季焜等[18]釆用全球貿(mào)易分析模型（GTAP）和中國(guó)農(nóng)業(yè)政策分析與預(yù)測(cè)模型（CAPSiM），設(shè)置不同情景對(duì)2020年中國(guó)糧食供需狀況和糧食安全水平進(jìn)行了預(yù)測(cè)。韓一軍[21]釆用了基于產(chǎn)業(yè)形勢(shì)的經(jīng)驗(yàn)判斷和動(dòng)態(tài)一般均衡模型相結(jié)合的研究方法，對(duì)未來中國(guó)小麥供求和貿(mào)易形勢(shì)進(jìn)行預(yù)測(cè)。陸文聰?shù)萚22-23]考慮了多品種關(guān)聯(lián)以及區(qū)域因素的影響，構(gòu)建了中國(guó)—世界農(nóng)業(yè)區(qū)域市場(chǎng)均衡模型（CWARMEM），該模型是一個(gè)多市場(chǎng)多區(qū)域、以中國(guó)糧食問題為重點(diǎn)研究對(duì)象的全球農(nóng)業(yè)市場(chǎng)政策分析模型，以此模型為基礎(chǔ)研究得出中國(guó)的城市化對(duì)糧食自給的負(fù)面影響較小[24]。國(guó)際上，一些發(fā)達(dá)國(guó)家主要研究機(jī)構(gòu)和政府決策部門，均建立了較為成熟的農(nóng)業(yè)政策分析模型。如美國(guó)農(nóng)業(yè)部開發(fā)的Baseline模型（多國(guó)商品聯(lián)結(jié)模型），可以分國(guó)家、分品種對(duì)農(nóng)產(chǎn)品生產(chǎn)、消費(fèi)、貿(mào)易和價(jià)格進(jìn)行預(yù)測(cè)；OECD-FAO運(yùn)用動(dòng)態(tài)回歸和局部均衡理論，聯(lián)合研發(fā)了獨(dú)具特色的AGLINK-COSIMO模型[25]，該模型系統(tǒng)涵蓋50多個(gè)國(guó)家（地區(qū)）模型，對(duì)糧食、肉類、奶類、禽蛋、水產(chǎn)品及生物燃料等20多種主要農(nóng)產(chǎn)品的生產(chǎn)、消費(fèi)、價(jià)格和貿(mào)易等進(jìn)行中長(zhǎng)期（10年）基期預(yù)測(cè)和展望，并模擬、分析多種政策或其他外部沖擊對(duì)各國(guó)及全球農(nóng)產(chǎn)品市場(chǎng)的影響，該模型在引導(dǎo)全球農(nóng)產(chǎn)品市場(chǎng)方面產(chǎn)生了較大的影響力。盡管這些模型研究定量預(yù)判了中國(guó)未來主要農(nóng)產(chǎn)品供求與貿(mào)易形勢(shì)，但由于中國(guó)農(nóng)產(chǎn)品供求問題的復(fù)雜性以及影響因素的可計(jì)量程度的差異，國(guó)際機(jī)構(gòu)對(duì)中國(guó)農(nóng)產(chǎn)品供需預(yù)測(cè)結(jié)果也往往存在一定的差異?！颈狙芯壳腥朦c(diǎn)】農(nóng)產(chǎn)品品種多、影響因素復(fù)雜、品種間關(guān)聯(lián)性強(qiáng)，如何高效辨識(shí)分析農(nóng)產(chǎn)品生產(chǎn)、消費(fèi)、價(jià)格等的主導(dǎo)影響因素，并根據(jù)不同農(nóng)產(chǎn)品模型參數(shù)的異同性高效構(gòu)建預(yù)測(cè)模型，由此構(gòu)建多品種分析模型集群，是我國(guó)多品種農(nóng)產(chǎn)品生產(chǎn)、消費(fèi)、貿(mào)易、價(jià)格等監(jiān)測(cè)預(yù)警面臨的難題。模型分析中，單品種或單因素建模，對(duì)于全面實(shí)現(xiàn)不同維度多品種農(nóng)產(chǎn)品供需形勢(shì)的分析預(yù)測(cè)仍具有局限性，綜合考慮農(nóng)產(chǎn)品品種、區(qū)域、時(shí)間尺度的影響因素復(fù)雜性、模型構(gòu)建過程中的參數(shù)多樣性與時(shí)變性，匯聚農(nóng)產(chǎn)品多維影響因素，辨析不同農(nóng)產(chǎn)品主導(dǎo)影響因素及關(guān)聯(lián)因素，分析不同農(nóng)產(chǎn)品影響因素的異同性，提升模型預(yù)測(cè)精準(zhǔn)度和效率，是構(gòu)建農(nóng)產(chǎn)品生產(chǎn)量、消費(fèi)量、貿(mào)易量、價(jià)格等一體化監(jiān)測(cè)預(yù)警模型集群的重要研究方向?！緮M解決的關(guān)鍵問題】本研究圍繞農(nóng)產(chǎn)品生產(chǎn)消費(fèi)等供需分析預(yù)測(cè)過程中缺乏多品種、多因素、多模型匯聚技術(shù)，針對(duì)農(nóng)產(chǎn)品多品種影響因素關(guān)聯(lián)缺失、糾纏解析不清、模型參數(shù)時(shí)變性強(qiáng)的技術(shù)難題，通過模型集群構(gòu)建方法的創(chuàng)新，提升對(duì)農(nóng)業(yè)復(fù)雜系統(tǒng)預(yù)測(cè)分析的協(xié)同性與時(shí)效性，為提高農(nóng)產(chǎn)品有效供給、實(shí)現(xiàn)農(nóng)產(chǎn)品供需精準(zhǔn)量化分析預(yù)測(cè)提供有效的技術(shù)方法。

1 材料與方法

1.1 研究對(duì)象

本研究涉及的農(nóng)產(chǎn)品品類，主要包括水稻、玉米、小麥、大豆、蔬菜、水果、肉類等多種種植類和養(yǎng)殖類的產(chǎn)品[2]，在區(qū)域上包括全國(guó)及分省、縣，在時(shí)間上包括短期、中期、長(zhǎng)期。由于農(nóng)產(chǎn)品供需影響因素復(fù)雜，本研究在構(gòu)建農(nóng)產(chǎn)品多品類、多區(qū)域、多時(shí)段的監(jiān)測(cè)預(yù)警模型集群過程中，主要針對(duì)影響農(nóng)產(chǎn)品生產(chǎn)、消費(fèi)、價(jià)格、貿(mào)易等不同因素，解析模型外生變量復(fù)雜因素的糾纏關(guān)系，高效求解建模過程中不同應(yīng)用場(chǎng)景的模型參數(shù)，以全面精準(zhǔn)分析多品種多應(yīng)用場(chǎng)景的農(nóng)產(chǎn)品未來供需走勢(shì)。

1.2 研究理論與方法

構(gòu)建具有動(dòng)態(tài)的、多市場(chǎng)和開放的多品種農(nóng)產(chǎn)品生產(chǎn)、消費(fèi)等監(jiān)測(cè)預(yù)警模型，需應(yīng)用經(jīng)濟(jì)學(xué)、農(nóng)學(xué)、氣象學(xué)及計(jì)算機(jī)等多學(xué)科知識(shí)。在構(gòu)建和求解模型各變量時(shí)，應(yīng)充分考慮同一農(nóng)產(chǎn)品供需之間關(guān)系和不同農(nóng)產(chǎn)品供需之間關(guān)系的影響因素，以及不同品種模型參數(shù)在時(shí)空上的差異性。本研究主要應(yīng)用“多因素分類解耦、多參數(shù)轉(zhuǎn)用適配”技術(shù)方法，運(yùn)用多元線性回歸、套索回歸（Lasso回歸）、嶺回歸及彈性網(wǎng)等算法，構(gòu)建農(nóng)產(chǎn)品多品種監(jiān)測(cè)預(yù)警模型集群。

1.2.1 多因素分類解耦技術(shù) 本研究中，模型集群構(gòu)建的前提是系統(tǒng)考慮各因素（xi）對(duì)農(nóng)產(chǎn)品供給或需求的影響。由于農(nóng)業(yè)系統(tǒng)的復(fù)雜性，在模型集群構(gòu)建過程中綜合考慮了多種自然因素和社會(huì)因素的影響（表1）。針對(duì)農(nóng)業(yè)過程復(fù)雜因素具有的多變量強(qiáng)耦合、非線性、參數(shù)時(shí)變特點(diǎn)，基于常規(guī)解耦控制技術(shù)的控制系統(tǒng)無法解決的問題，本研究應(yīng)用“多因素分類解耦”方法，在模型的求解過程中反復(fù)多次采用校正輸出、輸入之間的關(guān)系，減弱甚至消除各個(gè)平衡方程的組成模型之間的相互關(guān)聯(lián)，從而使系統(tǒng)簡(jiǎn)化為多個(gè)單輸入單輸出系統(tǒng)，用于解決模型集群構(gòu)建中的復(fù)雜因素糾纏難題，并根據(jù)農(nóng)產(chǎn)品不同品種影響因素的異同性，高效建立不同品種模型集群。

1.2.2 多參數(shù)轉(zhuǎn)用適配方法 本研究所要構(gòu)建的模型集群的應(yīng)用場(chǎng)景和對(duì)象范圍十分廣泛，多參數(shù)轉(zhuǎn)用適配技術(shù)使得多品種多維度的模型集群保持靈活性與簡(jiǎn)單易用性。該技術(shù)基于農(nóng)產(chǎn)品模型中涉及的品種參數(shù)（αi）、時(shí)間參數(shù)（βi）、區(qū)域參數(shù)（γi），根據(jù)不同應(yīng)用場(chǎng)景，靈活選擇并確定參數(shù)及適用模型，顯著提升了模型集群分析計(jì)算的精準(zhǔn)度和廣適性，通過計(jì)算機(jī)迭代算法確立的狀態(tài)轉(zhuǎn)移矩陣，實(shí)現(xiàn)模型集群中可調(diào)參數(shù)的智能轉(zhuǎn)換，如在不同品種間（作物類、畜禽類）、區(qū)域尺度（國(guó)家級(jí)到省級(jí)、縣級(jí)）、時(shí)間尺度（月度、年度、多年度）模型求解的高效轉(zhuǎn)換適用。

1.3 數(shù)據(jù)來源

構(gòu)建模型集群所需的基礎(chǔ)數(shù)據(jù)，主要來自中國(guó)農(nóng)產(chǎn)品監(jiān)測(cè)預(yù)警系統(tǒng)（CAMES）數(shù)據(jù)資源庫(kù)，包括國(guó)家相關(guān)部門發(fā)布的統(tǒng)計(jì)數(shù)據(jù)、市場(chǎng)監(jiān)測(cè)數(shù)據(jù)和國(guó)際機(jī)構(gòu)數(shù)等，主要來自中國(guó)國(guó)家統(tǒng)計(jì)局、農(nóng)業(yè)農(nóng)村部、商務(wù)部、自然資源部、海關(guān)總署、氣象局等國(guó)內(nèi)相關(guān)部門，也包括FAO、OECD、IFPRI、AMIS等國(guó)外機(jī)構(gòu)數(shù)據(jù)。從時(shí)間維度看，數(shù)據(jù)包括了日度、月度、季度和年度數(shù)據(jù)；從種類上，數(shù)據(jù)包括宏觀經(jīng)濟(jì)數(shù)據(jù)、生產(chǎn)數(shù)據(jù)、消費(fèi)數(shù)據(jù)、價(jià)格數(shù)據(jù)、進(jìn)出口貿(mào)易數(shù)據(jù)、資源和環(huán)境數(shù)據(jù)等；從品種上看，數(shù)據(jù)庫(kù)包括了糧食類、油料類、糖料類、蔬菜類、水果類、畜禽及肉類、蛋類、奶類、水產(chǎn)品、棉麻類和其他農(nóng)產(chǎn)品類數(shù)據(jù)[26]。

表1 農(nóng)產(chǎn)品監(jiān)測(cè)預(yù)警模型集群構(gòu)建需考慮的主要影響因素

1.4 數(shù)據(jù)處理與模型驗(yàn)證

利用因素分類解耦方法，明確農(nóng)產(chǎn)品生產(chǎn)、消費(fèi)、貿(mào)易、價(jià)格等的主要影響因素。因農(nóng)產(chǎn)品供給端和需求端的數(shù)據(jù)來源眾多、數(shù)據(jù)量龐大、模型類型多樣，數(shù)據(jù)處理及分析采用了較多統(tǒng)計(jì)方法?；鶞?zhǔn)數(shù)據(jù)處理上，因錄入錯(cuò)誤或系統(tǒng)故障產(chǎn)生的問題數(shù)據(jù)、因數(shù)據(jù)源不完整造成的數(shù)據(jù)缺失等情況，在進(jìn)行統(tǒng)計(jì)分析之前需要進(jìn)行標(biāo)準(zhǔn)化、完備性和可靠性處理，以避免因原始數(shù)據(jù)異常導(dǎo)致的分析預(yù)測(cè)結(jié)果誤差。為了消除指標(biāo)之間的量綱影響，對(duì)不同評(píng)價(jià)指標(biāo)所具有不同的量綱和量綱單位的情況進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化處理，以解決數(shù)據(jù)指標(biāo)之間的可比性。對(duì)不完整的數(shù)據(jù)集進(jìn)行處理，以保證分析結(jié)果的可靠性，分別采取均值、熱卡、k最近鄰、回歸等方法進(jìn)行填充，采用比例、趨勢(shì)等技術(shù)對(duì)數(shù)據(jù)拆分或合并。對(duì)異常數(shù)據(jù)進(jìn)行判定和處理，主要包括拉依達(dá)準(zhǔn)則（3δ）、肖維勒準(zhǔn)則（Chauvenet）、狄克遜準(zhǔn)則（Dixon）、羅馬諾夫斯基準(zhǔn)則（t檢驗(yàn)）和格拉布斯準(zhǔn)則（Grubbs）等。

表2 模型集群生產(chǎn)、消費(fèi)、價(jià)格和貿(mào)易通用模型形式及變量說明

模型集群的驗(yàn)證，將歷史數(shù)據(jù)最新的1—3年作為驗(yàn)證，之前的數(shù)據(jù)用于建模訓(xùn)練，可以將真實(shí)值和模型預(yù)測(cè)值做對(duì)比驗(yàn)證。在短期預(yù)測(cè)中，要求模型的預(yù)測(cè)效果至少要比原始序列平移后的進(jìn)度要高，原始序列的平移后結(jié)果可以作為模型的一個(gè)基準(zhǔn)參考標(biāo)準(zhǔn)。模型集群構(gòu)建過程中，所涉及的線性模型預(yù)測(cè)結(jié)果評(píng)價(jià)主要包含4種指標(biāo)，分別為均方誤差（）、平均絕對(duì)值誤差（）、可釋方差（）和決定系數(shù)（2），如多元線性回歸的氣象模型中，這4個(gè)指標(biāo)都會(huì)用到，主要用于相似模型之間的效果對(duì)比。在非線性回歸模型中，主要采用平均絕對(duì)百分偏差率（）指標(biāo)用于判斷模型的效果，其值越小越好。具體指標(biāo)計(jì)算如下：

（1）均方誤差

（2）平均絕對(duì)值誤差

（3）解釋方差，當(dāng)有多個(gè)變量時(shí)，分析單個(gè)變量與總方差的方差比為變量的解釋方差。

（4）決定系數(shù)（2，擬合優(yōu)度），表征回歸方程在多大程度上解釋了因變量的變化，或者說方程對(duì)觀測(cè)值的擬合程度如何。單純用殘差平方和會(huì)受到因變量和自變量絕對(duì)值大小的影響，不利于在不同模型之間進(jìn)行相對(duì)比較，用決定系數(shù)可以解決這一問題。

（5）平均絕對(duì)百分偏差率（），是評(píng)價(jià)模型擬合度的重要指標(biāo)。當(dāng)在正負(fù)15%范圍內(nèi)，可認(rèn)為是能夠接受的預(yù)測(cè)結(jié)果。

2 結(jié)果

2.1 模型集群的構(gòu)成

農(nóng)產(chǎn)品監(jiān)測(cè)預(yù)警模型集群，主要圍繞生產(chǎn)量、消費(fèi)量、貿(mào)易量和價(jià)格要素構(gòu)建（表2—3）。其中，農(nóng)產(chǎn)品生產(chǎn)量模型集群圍繞生產(chǎn)量的影響因素，構(gòu)建了基于氣象類模型、投入類模型和管理類模型的農(nóng)作物單產(chǎn)預(yù)測(cè)模型，和基于價(jià)格競(jìng)爭(zhēng)面積、調(diào)查面積和遙感面積預(yù)測(cè)的農(nóng)作物面積預(yù)測(cè)模型，以及畜禽類農(nóng)產(chǎn)品的生產(chǎn)量模型。消費(fèi)量模型集群根據(jù)不同農(nóng)產(chǎn)品的消費(fèi)構(gòu)成以及影響因素的不同（如小麥分為口糧消費(fèi)、工業(yè)消費(fèi)、飼用消費(fèi)、種用消費(fèi)、損耗），在消費(fèi)上實(shí)現(xiàn)了精細(xì)化的消費(fèi)構(gòu)成分析，在預(yù)測(cè)口糧消費(fèi)量時(shí)，因城鎮(zhèn)和農(nóng)村的食物消費(fèi)不同，需求模型中口糧消費(fèi)分為城鎮(zhèn)消費(fèi)量和農(nóng)村消費(fèi)量，且二者消費(fèi)量需要分別計(jì)算，在消費(fèi)量的預(yù)測(cè)中充分考慮了人口、收入、GDP等影響因素，以及收入彈性、價(jià)格彈性對(duì)消費(fèi)量的影響，盡量少的考慮人為的變化率、增長(zhǎng)率的設(shè)定，使得模型預(yù)測(cè)結(jié)果具有較強(qiáng)的客觀性。進(jìn)出口預(yù)測(cè)主要是通過不同農(nóng)產(chǎn)品的國(guó)內(nèi)外價(jià)差、進(jìn)出口配額、產(chǎn)需缺口和匯率等因素計(jì)算得到。價(jià)格模型是隱含在供給、需求的模型之中，通過多品種多市場(chǎng)的均衡模型方程的迭代方式解出。

因農(nóng)產(chǎn)品監(jiān)測(cè)預(yù)警模型集群的構(gòu)建涉及農(nóng)產(chǎn)品品種多，本文中以小麥為例，介紹其構(gòu)建過程。小麥模型集群包括供需總的平衡方程，即總供給等于總需求，總需求包括生產(chǎn)量、進(jìn)口量和期初庫(kù)存，總供給包括消費(fèi)量、出口量和期末庫(kù)存，因涉及變量較多，每個(gè)變量影響因素復(fù)雜，需逐項(xiàng)分解進(jìn)行模型構(gòu)建（表3）。首先建立小麥當(dāng)期的供需平衡方程，再建立總供給和總需求的各分解項(xiàng)方程，最后對(duì)其中的生產(chǎn)量、進(jìn)口量和消費(fèi)量、出口量，在充分考慮其影響因素多樣性基礎(chǔ)上，建立不同變量的預(yù)測(cè)模型。參照小麥模型集群的構(gòu)建原則，可建立其他作物類或畜禽類農(nóng)產(chǎn)品的模型集群。

2.2 模型集群的求解

本研究模型集群的構(gòu)建是在一定的宏觀經(jīng)濟(jì)條件假設(shè)和農(nóng)業(yè)生產(chǎn)條件假設(shè)基礎(chǔ)上，對(duì)農(nóng)產(chǎn)品的生產(chǎn)、消費(fèi)、貿(mào)易進(jìn)行預(yù)測(cè)。這些假設(shè)條件作為模型的外生變量，主要包括國(guó)內(nèi)外經(jīng)濟(jì)發(fā)展和人口變化、城鎮(zhèn)化率、城鄉(xiāng)居民收入和消費(fèi)、國(guó)際原油價(jià)格和人民幣匯率等宏觀經(jīng)濟(jì)條件假設(shè)，農(nóng)業(yè)勞動(dòng)力、耕地資源、水資源、氣象條件、科技進(jìn)步和政策變化等農(nóng)業(yè)生產(chǎn)條件假設(shè)，同時(shí)還包括畜產(chǎn)品與飼用糧之間的轉(zhuǎn)換關(guān)系，農(nóng)產(chǎn)品之間的交叉替代關(guān)系等[26]。

模型集群的求解需要確定模型所有的參數(shù)，即大量回歸方程的系數(shù)。參數(shù)的確定，一部分是通過大量歷史數(shù)據(jù)，根據(jù)確定的回歸方程進(jìn)行計(jì)算得出，如不同品種城鎮(zhèn)和農(nóng)村的消費(fèi)量分離計(jì)算，先預(yù)測(cè)出總消費(fèi)量，再用歷史上城鎮(zhèn)和農(nóng)村的消費(fèi)量比例進(jìn)行分離（最近5年占比的移動(dòng)平均）；還有一部分參數(shù)，如進(jìn)出口量通過歷史趨勢(shì)、當(dāng)前國(guó)際形勢(shì)和對(duì)未來的預(yù)估，可綜合各品種研究領(lǐng)域的專家調(diào)查給出的預(yù)測(cè)值得出（表4）。

在模型集群構(gòu)建與求解過程中，一方面充分考慮農(nóng)業(yè)與非農(nóng)業(yè)、農(nóng)業(yè)內(nèi)部之間的各產(chǎn)業(yè)聯(lián)系，包括生產(chǎn)和消費(fèi)的聯(lián)系。另一方面充分考慮了品種間的競(jìng)爭(zhēng)和替代關(guān)系，如在構(gòu)建生產(chǎn)量模型集群中的面積預(yù)測(cè)模型時(shí)，水稻、玉米、大豆一定條件下存在互相競(jìng)爭(zhēng)關(guān)系，在這幾個(gè)分品種面積預(yù)測(cè)模型構(gòu)建時(shí)，與競(jìng)爭(zhēng)品進(jìn)行了耦合；預(yù)測(cè)出欄量時(shí)，豬、牛、羊、禽類互相競(jìng)爭(zhēng)，在這幾個(gè)分品種出欄量預(yù)測(cè)模型構(gòu)建時(shí)，與競(jìng)爭(zhēng)品進(jìn)行了耦合。在構(gòu)建消費(fèi)量模型集群時(shí)，小麥、水稻、玉米相互替代，蔬菜、水果相互替代，豬、牛、羊、禽肉相互替代，均在各自品種的食用消費(fèi)預(yù)測(cè)時(shí)，與替代品進(jìn)行了關(guān)聯(lián)耦合求解。另外，生豬的生產(chǎn)量與玉米的飼用消費(fèi)也有關(guān)聯(lián)。具體在小麥的模型集群中（表3），除了需要求解的小麥平衡價(jià)格外，還有其他關(guān)聯(lián)品種的均衡價(jià)格，如大豆、玉米、水稻、豬肉、牛肉、羊肉、禽肉。在品種間，多參數(shù)轉(zhuǎn)用適配技術(shù)主要體現(xiàn)在先解出豬肉、牛肉、羊肉、禽肉幾個(gè)肉類品種的聯(lián)合平衡表方程，再將預(yù)測(cè)的肉量作為輸入數(shù)據(jù)代入大豆、玉米、水稻幾個(gè)農(nóng)作物品種的聯(lián)合平衡表方程，解出有種植或養(yǎng)殖競(jìng)爭(zhēng)、消費(fèi)替代的農(nóng)產(chǎn)品。在模型求解上，在單產(chǎn)預(yù)測(cè)中使用Lasso回歸模型，該模型是一個(gè)用于估計(jì)稀疏參數(shù)的線性模型，適用于參數(shù)數(shù)目縮減[27]。因模型集群存在大量的非線性方程組并且模型變量耦合度高，使得計(jì)算量是傳統(tǒng)的線性方程組的指數(shù)倍，利用先離散線性化后數(shù)值迭代求解的算法，保證了模型系統(tǒng)能夠高效運(yùn)轉(zhuǎn)，顯著提升了模型集群分析計(jì)算的精準(zhǔn)度和廣適性。分省模型求解和全國(guó)模型思路基本一致，將全國(guó)模型求解出的每年均衡價(jià)格代入到分省模型中，分別建立分省的模型，再求解出分省的供需平衡方程中的各分項(xiàng)后，人工調(diào)節(jié)修正參數(shù)，使得分省農(nóng)產(chǎn)品供需關(guān)系達(dá)到平衡，進(jìn)而利用“因素分類解耦、參數(shù)轉(zhuǎn)用適配”技術(shù)，可高效求解分省模型集群。

表3 利用多因素分類解耦技術(shù)構(gòu)建的小麥監(jiān)測(cè)預(yù)警模型集群方程形式

在變量說明中，未標(biāo)注下標(biāo)時(shí)間的變量都表示當(dāng)期，時(shí)間均為t

In the variable description, the variables without the subscript time indicate the current amount,that is, the time is t

表4 模型集群的主要變量參數(shù)及求解

2.3 技術(shù)方法及模型集群的應(yīng)用

2.3.1 縣域尺度農(nóng)產(chǎn)品產(chǎn)量氣象影響因素分類解耦解析 根據(jù)34年2 481個(gè)氣象站點(diǎn)日度數(shù)據(jù)和全國(guó)31省市自治區(qū)2 000多個(gè)行政縣區(qū)農(nóng)作物產(chǎn)量數(shù)據(jù)，利用對(duì)氣象因素的分類解耦，分別明確了主要農(nóng)作物生長(zhǎng)各個(gè)階段氣象要素與產(chǎn)量的關(guān)系，揭示了中國(guó)農(nóng)作物生產(chǎn)過程中產(chǎn)量形成和氣象要素的時(shí)間、空間分布規(guī)律，并通過量化的形式得到各項(xiàng)指標(biāo)的影響系數(shù)[28]。

2.3.2 技術(shù)支撐農(nóng)業(yè)展望報(bào)告及平衡表發(fā)布 綜合模型集群基線預(yù)測(cè)和有關(guān)專家經(jīng)驗(yàn)分析判斷，從2014年起，已對(duì)我國(guó)水稻、小麥、玉米、肉類等18類主要農(nóng)產(chǎn)品未來10年重要時(shí)間節(jié)點(diǎn)的生產(chǎn)量、消費(fèi)量、進(jìn)出口量走勢(shì)等進(jìn)行了展望，并支撐發(fā)布未來供需平衡表[26, 29]。在2014—2019年期間，年初（每年4月份）預(yù)測(cè)值與國(guó)家統(tǒng)計(jì)局最終年報(bào)數(shù)對(duì)比，主要農(nóng)產(chǎn)品產(chǎn)量6年預(yù)測(cè)平均準(zhǔn)確率高于97%。

3 討論

農(nóng)業(yè)系統(tǒng)復(fù)雜，涉農(nóng)信息變化常以指數(shù)層級(jí)增長(zhǎng)，對(duì)其進(jìn)行分析涉及多個(gè)方面。影響因素的分析判斷，是預(yù)測(cè)模型構(gòu)建的重要基礎(chǔ)。全國(guó)糧食產(chǎn)量的系統(tǒng)綜合因素預(yù)測(cè)法[4]，在預(yù)測(cè)方程中綜合反映了影響農(nóng)業(yè)復(fù)雜系統(tǒng)的四大因素，即政策管理因素、經(jīng)濟(jì)技術(shù)因素、自然因素和其他因素，因此對(duì)當(dāng)年糧食產(chǎn)量的預(yù)測(cè)精度較高。“因素分類解耦”的方法理念，用于多品種農(nóng)產(chǎn)品監(jiān)測(cè)預(yù)警模型集群構(gòu)建，結(jié)果表明，在全面考慮自然因素、社會(huì)因素影響的基礎(chǔ)上，基于主導(dǎo)因素決定原則、主次因素變動(dòng)原則和結(jié)果關(guān)聯(lián)原則，能有效判定不同時(shí)空維度農(nóng)產(chǎn)品供需要素的主要影響因素，并逐一對(duì)農(nóng)產(chǎn)品的影響因素解耦建立模型方程組，解決了多品種因素關(guān)聯(lián)糾纏、品種關(guān)聯(lián)替代的難題。本研究在糧食產(chǎn)量的短期預(yù)測(cè)中，充分考慮了氣象因素的影響。氣象因素不僅對(duì)作物產(chǎn)量有重要影響，而且對(duì)作物產(chǎn)量的影響存在明顯差異性[28, 30-33]，同樣，自然因素、水肥等生產(chǎn)投入因素、人口政策等社會(huì)因素以及國(guó)際因素等這些復(fù)雜的影響因素，因農(nóng)產(chǎn)品品種、區(qū)域尺度、時(shí)間周期上的不同，對(duì)農(nóng)產(chǎn)品影響的主導(dǎo)因素及其影響程度也會(huì)存在差異性。因此，本研究在構(gòu)建模型時(shí)充分考慮了品種間影響因素在不同時(shí)空維度的異同，實(shí)現(xiàn)了模型集群的高效建立；與美國(guó)、FAO-OECD等開發(fā)的Baseline模型、AGLINK-COSIMO模型和FAPRI模型比較，模型集群所利用的數(shù)據(jù)來源維度更廣泛、數(shù)據(jù)使用效率提升，模型整體的耦合度、智能化程度更高。

模型的有效應(yīng)用依賴于參數(shù)的快速、準(zhǔn)確估算[34]，如莊嘉祥等[35]研究指出，智能優(yōu)化算法應(yīng)用到作物模型參數(shù)估算中，如利用個(gè)體優(yōu)勢(shì)遺傳算法優(yōu)化水稻生育期模型參數(shù)，實(shí)現(xiàn)了模型參數(shù)的自動(dòng)率定，提高了調(diào)參效率。本研究在模型集群構(gòu)建過程中，運(yùn)用“參數(shù)轉(zhuǎn)用適配”技術(shù)，應(yīng)用多元線性回歸、Lasso回歸、嶺回歸及彈性網(wǎng)等算法，實(shí)現(xiàn)了多時(shí)空維度不同農(nóng)產(chǎn)品模型方程組的高效建立與求解。在同一時(shí)空尺度，可以根據(jù)某一種農(nóng)產(chǎn)品的模型集群，通過參數(shù)智能調(diào)配建立另一種農(nóng)產(chǎn)品的模型集群；對(duì)同一農(nóng)產(chǎn)品，可通過參數(shù)智能調(diào)配建立不同時(shí)空尺度的模型集群。

用單一模型方法分析農(nóng)產(chǎn)品供需單要素的未來走勢(shì)，往往較難理清其他相關(guān)因子信息，且存在預(yù)測(cè)精度不穩(wěn)定、預(yù)測(cè)誤差偏大的問題。因此，運(yùn)用多種模型方法綜合分析，已成為農(nóng)產(chǎn)品生產(chǎn)、消費(fèi)、價(jià)格等分析預(yù)測(cè)的有效工具。如在糧食生產(chǎn)量預(yù)測(cè)中，鄭莉[36]將線性及非線性多元回歸模型、固定效應(yīng)模型和時(shí)間序列模型綜合集成預(yù)測(cè)的黃淮海地區(qū)糧食、夏糧、秋糧總產(chǎn)，相對(duì)單個(gè)模型的預(yù)測(cè)精度明顯提高。消費(fèi)量預(yù)測(cè)中，鄭莉等[37]通過綜合集成ARIMA、VAR（向量自回歸模型）和VEC（向量誤差修正模型）3種模型，對(duì)2009—2011年我國(guó)豬肉消費(fèi)需求量進(jìn)行了預(yù)測(cè)，結(jié)果表明集成預(yù)測(cè)精度更高更穩(wěn)定。價(jià)格預(yù)測(cè)上，徐雅卿等[38]建立了指數(shù)平滑模型、ARIMA模型及基于二者的組合預(yù)測(cè)模型，依據(jù)所建立的3個(gè)模型對(duì)未來短期胡蘿卜價(jià)格進(jìn)行預(yù)測(cè)分析，結(jié)果顯示組合模型比單個(gè)預(yù)測(cè)模型預(yù)測(cè)精度更高，是一種有效的農(nóng)產(chǎn)品價(jià)格預(yù)測(cè)模型。本研究在多因素分類解耦構(gòu)建模型的基礎(chǔ)上，對(duì)作物單產(chǎn)、面積、畜禽產(chǎn)量等采用專家判斷和智能權(quán)重賦值法進(jìn)行最終結(jié)果的確定，智能預(yù)測(cè)賦值系數(shù)采用簡(jiǎn)單線性模型或機(jī)器學(xué)習(xí)的方法確定。

本研究在構(gòu)建模型集群時(shí)融入了大數(shù)據(jù)分析方法，主要基于Python語(yǔ)言開發(fā)，更高效便捷。CWARMEM模型[22]利用GAMS的MCP算法，以及傳統(tǒng)計(jì)量統(tǒng)計(jì)模型利用一般開發(fā)語(yǔ)言。本研究模型所需原始數(shù)據(jù)（包括歷史數(shù)據(jù)和實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)）全部存儲(chǔ)在Oracle數(shù)據(jù)庫(kù)中，中間文件或指定的特殊文件通過Python命令寫入xls文件中，方便使用。模型集群求解時(shí)利用牛頓迭代方法對(duì)多品種形成的非線性方程組進(jìn)行計(jì)算，并利用服務(wù)器的并行運(yùn)算能力對(duì)模型的求解進(jìn)行加速。特別是在進(jìn)行氣象產(chǎn)量預(yù)測(cè)時(shí)，由于獲取的各省氣象站點(diǎn)的氣象數(shù)據(jù)數(shù)據(jù)量非常大，為了突破數(shù)據(jù)處理時(shí)間上的性能瓶頸，本研究采用Map-Reduce計(jì)算框架設(shè)計(jì)和實(shí)現(xiàn)了多站點(diǎn)輸入數(shù)據(jù)分割的并行化執(zhí)行模塊；設(shè)計(jì)了基于Rest Web Service的算法訪問接口，以快速實(shí)現(xiàn)數(shù)據(jù)預(yù)處理和多元回歸的算法執(zhí)行。在農(nóng)產(chǎn)品供需均衡方程組的求解中，CWARMEM模型[22]采取逐年遞歸的方式以及基期動(dòng)態(tài)移動(dòng)的機(jī)制，使各年基于上年模型內(nèi)生決定的均衡解作為基期并導(dǎo)入當(dāng)年的外生變量值，最終生成所有年份的均衡解。本研究模型集群更多考慮了品種間的競(jìng)爭(zhēng)、替代關(guān)系，均衡解是用每年關(guān)聯(lián)農(nóng)產(chǎn)品品種的平衡方程迭代求出，求解效率和精準(zhǔn)度提高。

農(nóng)產(chǎn)品多品種供需預(yù)測(cè)模型集群的構(gòu)建，在未來還需進(jìn)一步考慮國(guó)際大環(huán)境變化對(duì)我國(guó)農(nóng)產(chǎn)品供需關(guān)系各方面的影響，在省級(jí)尺度預(yù)測(cè)時(shí)應(yīng)考慮不同省份間的農(nóng)產(chǎn)品流轉(zhuǎn)數(shù)量；另外，還要實(shí)現(xiàn)更多品種供需預(yù)測(cè)。

4 結(jié)論

本研究創(chuàng)建的“因素分類解耦、參數(shù)轉(zhuǎn)用適配”模型集群構(gòu)建技術(shù)，通過挖掘不同農(nóng)產(chǎn)品復(fù)雜原始數(shù)據(jù)間的關(guān)聯(lián)關(guān)系，分別建立生產(chǎn)量、消費(fèi)量、貿(mào)易、價(jià)格模型集群，并通過多智能算法求解眾聯(lián)立方程組，解析復(fù)雜因素關(guān)系，建立了適用于多品種農(nóng)產(chǎn)品供需預(yù)測(cè)模型集群。模型集群在計(jì)量等式上是單品種的數(shù)百倍，是一般多品種供需預(yù)測(cè)模型的數(shù)十倍，預(yù)測(cè)的農(nóng)產(chǎn)品品種較為全面，使得求解效率和準(zhǔn)確率提升，解決了多品種多維時(shí)空尺度復(fù)雜因素糾纏解析、模型集群智能化應(yīng)用難題，為防范農(nóng)業(yè)風(fēng)險(xiǎn)、增強(qiáng)農(nóng)產(chǎn)品供需預(yù)判提供了有效技術(shù)方法。

[1] 許世衛(wèi). 農(nóng)產(chǎn)品數(shù)量安全智能分析與預(yù)警的關(guān)鍵技術(shù)及平臺(tái)研究. 北京: 中國(guó)農(nóng)業(yè)出版社, 2013.

Xu S W.. Beijing: China Agriculture Press, 2013. (in Chinese)

[2] 許世衛(wèi). 農(nóng)業(yè)監(jiān)測(cè)預(yù)警中的科學(xué)與技術(shù)問題. 科技導(dǎo)報(bào), 2018, 36(11): 32-44.

Xu S W. Scientific and technical issues in agricultural monitoring and early warning., 2018, 36(11): 32-44. (in Chinese)

[3] 高亮之. 農(nóng)業(yè)模型學(xué). 北京: 氣象出版社, 2019.

Gao L Z.. Beijing: China Meteorological Press, 2019. (in Chinese)

[4] 陳錫康, 楊翠紅. 農(nóng)業(yè)復(fù)雜巨系統(tǒng)的特點(diǎn)與全國(guó)糧食產(chǎn)量預(yù)測(cè)研究. 系統(tǒng)工程理論與實(shí)踐, 2002(6): 108-112.

Chen X K, Yang C H. Characteristic of agricultural complex giant system and national grain output prediction., 2002(6): 108-112. (in Chinese)

[5] 劉忠, 黃峰, 李保國(guó). 基于經(jīng)驗(yàn)?zāi)B(tài)分解的中國(guó)糧食單產(chǎn)波動(dòng)特征及影響因素. 農(nóng)業(yè)工程學(xué)報(bào), 2015, 31(2): 7-13.

Liu Z, Huang F, Li B G. Analysis on characteristics and influential factors of grain yield fluctuation in China based on empirical mode decomposition., 2015, 31(2): 7-13. (in Chinese)

[6] 王桂芝, 胡慧, 陳紀(jì)波, 吳先華. 基于BP濾波的Fourier 模型在糧食產(chǎn)量預(yù)測(cè)中的應(yīng)用. 中國(guó)農(nóng)業(yè)氣象, 2015, 36(4): 472-478.

Wang G Z, Hu H, Chen J B, Wu X H. Application of fourier model based on BP filter in crops yield prediction., 2015, 36(4): 472-478. (in Chinese)

[7] 陳紀(jì)波, 胡慧, 陳克垚, 王桂芝. 基于非線性PLSR模型的氣候變化對(duì)糧食產(chǎn)量的影響分析. 中國(guó)農(nóng)業(yè)氣象, 2016, 37(6): 674-681.

Chen J B, Hu H, Chen K Y, Wang G Z. Effects of climate change on the grain yield based on nonlinear PLSR model., 2016, 37(6): 674-681. (in Chinese)

[8] 王亞飛, 廖順寶. 氣候變化對(duì)糧食產(chǎn)量影響的研究方法綜述. 中國(guó)農(nóng)業(yè)資源與區(qū)劃, 2018, 39(12): 54-63.

Wang Y F, Liao S B. Impact of climate change on grain yield: a review of research methods., 2018, 39(12): 54-63. (in Chinese)

[9] 鄭建安. 主成分和BP神經(jīng)網(wǎng)絡(luò)在糧食產(chǎn)量預(yù)測(cè)中的組合應(yīng)用. 計(jì)算機(jī)系統(tǒng)應(yīng)用, 2016, 25(11): 274-278.

Zheng J A. Application of PCA and BP neural networks in grain production prediction., 2016, 25(11): 274-278. (in Chinese)

[10] 向昌盛, 張林峰. 灰色理論和馬爾可夫相融合的糧食產(chǎn)量預(yù)測(cè)模型. 計(jì)算機(jī)科學(xué), 2013, 40(2): 245-248．

Xiang C S, Zhang L F. Grain yield prediction model based on Gray theory and markvo., 2013, 40(2): 245-248. (in Chinese)

[11] 周慶元. 基于灰色馬爾可夫模型的糧食產(chǎn)量預(yù)測(cè)方法. 統(tǒng)計(jì)與決策, 2012(17): 64-68.

Zhou Q Y. Grain output prediction method based on grey Markov model., 2012(17): 64-68. (in Chinese)

[12] 李國(guó)祥. 從主要經(jīng)濟(jì)因素分析我國(guó)農(nóng)產(chǎn)品價(jià)格走勢(shì). 農(nóng)業(yè)展望, 2010(8): 49-53.

Li G X. Analyze the price trend of my country's agricultural products from the main economic factors., 2010(8): 49-53. (in Chinese)

[13] 王盛威. 主要農(nóng)產(chǎn)品價(jià)格波動(dòng)分析及調(diào)控措施研究. 北京: 中國(guó)農(nóng)業(yè)大學(xué)出版社, 2019.

Wang S W.. Beijing: China Agricultural University Press, 2019. (in Chinese)

[14] Li G Q, Xu S W, Li Z M, Sun Y G, Dong X X. Using quantile regression approach to analyze price movements of agricultural products in China., 2012, 11(4):

674-683. (in Chinese)

[15] 陳艷紅, 胡勝德, 申倩. 基于ARIMA模型的中國(guó)糧食供求平衡及預(yù)測(cè). 廣東農(nóng)業(yè)科學(xué), 2013(5): 230-233.

Chen Y H, Hu S D, Shen Q. Balance and forcast on supply and demand of China's grain with ARIMA model., 2013(5): 230-233. (in Chinese)

[16] 呂新業(yè), 胡非凡. 2020年我國(guó)糧食供需預(yù)測(cè)分析. 農(nóng)業(yè)經(jīng)濟(jì)問題, 2012(10): 11-18.

Lü X Y, Hu F F. Forecasting and countermeasure on 2020 China grain supply and demand., 2012(10): 11-18. (in Chinese)

[17] 趙杭莉, 孫印法. 基于灰色預(yù)測(cè)模型的中國(guó)大豆市場(chǎng)供求分析. 商業(yè)研究, 2015(3): 58-63.

ZHAO H L, SUN Y F. An analysis of China’s soybean market supply and demand based on Grey prediction model. Commercial Research, 2015, 03: 58-63. (in Chinese)

[18] 黃季焜, 楊軍, 仇煥廣. 新時(shí)期國(guó)家糧食安全戰(zhàn)略和政策的思考. 農(nóng)業(yè)經(jīng)濟(jì)問題, 2012(3): 4-8.

Huang J K, Yang J, Qiu H G. Thinking of national food security strategies and policies in the new period., 2012(3): 4-8. (in Chinese)

[19] 楊春, 王國(guó)剛, 王明利. 基于局部均衡模型的我國(guó)牛肉供求變化趨勢(shì)分析. 統(tǒng)計(jì)與決策, 2015(18): 98-100.

YANG C, WANG G G, WANG M L. Analysis of the trend of my country's beef supply and demand based on local equilibrium model., 2015(18): 98-100. (in Chinese)

[20] 曹寶明, 趙霞. 基于局部均衡理論的中國(guó)大豆及其制品供需變化預(yù)測(cè). 中國(guó)農(nóng)村經(jīng)濟(jì), 2011(9): 23-36, 48.

Cao B M, Zhao X. Forecast of supply and demand changes of Chinese soybean and its products based on partial equilibrium theory., 2011(9): 23-36, 48. (in Chinese)

[21] 韓一軍. 中國(guó)小麥中長(zhǎng)期供求預(yù)測(cè)及政策選擇—基于動(dòng)態(tài)一般均衡模型分析. 中國(guó)農(nóng)村經(jīng)濟(jì), 2014(5): 13-19, 61.

Han Y J. Forecast of medium and long-term supply and demand of wheat in China and policy choices based on dynamic general equilibrium model analysis., 2014(5): 13-19, 61. (in Chinese)

[22] 陸文聰, 李元龍, 祁慧博. 全球化背景下中國(guó)糧食供求區(qū)域均衡:對(duì)國(guó)家糧食安全的啟示. 農(nóng)業(yè)經(jīng)濟(jì)問題, 2011(4): 16-26.

Lu W C, Li Y L, Qi H B. Regional equilibrium of Chinese grain supply and demand under globalization: implications for national grain security., 2011(4): 16-26. (in Chinese)

[23] 陸文聰, 祁慧博, 李元龍. 中國(guó)世界農(nóng)業(yè)區(qū)域市場(chǎng)均衡模型及其應(yīng)用. 系統(tǒng)科學(xué)與數(shù)學(xué), 2013, 33(1): 20-35.

Lu W C, Qi H B, Li Y L. Chinese world agricultural regional market equilibrium model and its application., 2013, 33(1): 20-35. (in Chinese)

[24] Lu W C, Chen N L, Qian W X. Modeling the effects of urbanization on grain production and consumption in China., 2017, 16(6): 1393-1405.

[25] Organisation for Economic Co-operation and Development (OECD) and the Food and Agriculture Organization (FAO) of the United Nations.. OECD Publishing, Paris/FAO, Rome, 2019.

[26] 農(nóng)業(yè)農(nóng)村部市場(chǎng)預(yù)警專家委員會(huì). 中國(guó)農(nóng)業(yè)展望報(bào)告(2020-2029). 北京: 中國(guó)農(nóng)業(yè)科學(xué)技術(shù)出版社, 2020.

Market Early Warning Expert Committee of Ministry ofAgriculture and Rural Affairs.. Beijing: China Agricultural Science and Technology Press, 2020. (in Chinese)

[27] HASTIE T, TIBSHIRANI R, FRIEDMAN J.. Springer-Verlag, 2009.

[28] ZHUANG J Y, XU S W, LI G Q, ZHANG Y E, WU J Z, LIU J J. The influence of meteorological factors on wheat and rice yields in China., 2018, 58(2): 837-852.

[29] XU S W, LI G Q, LI Z M. China agricultural outlook for 2015–2024 based on China Agricultural Monitoring and Early-warning System (CAMES)., 2015, 14(9): 1889-1902 .

[30] GRASSINI P, ESKRIDGE K M, CASSMAN K G. Distinguishing between yield advances and yield plateaus in historical crop production trends., 2013, 4: 2918.

[31] RAY D K, GERBER J S, MACDONALD G K, WEST P C. Climate variation explains a third of global crop yield variability., 2015, 6: 5989.

[32] TAO F L, ZHANG Z, SHI W J, LIU Y J, XIAO D P, ZHANG S, ZHU Z, WANG M, LIU F S. Single rice growth period was prolonged by cultivars shifts but yield was damaged by climate change during 1981–2009 in China, and late rice was just opposite., 2013, 19: 3200-3209.

[33] CHEN C, BAETHGEN W E, ROBERTSON A. Contributions of individual variation in temperature, solar radiation and precipitation to crop yield in the North China Plain, 1961–2003., 2013, 116: 767-788.

[34] 聶志剛, 李廣, 王鈞, 馬維偉, 雒翠萍, 董莉霞, 逯玉蘭. 基于APSIM 模型旱地小麥葉面積指數(shù)相關(guān)參數(shù)的優(yōu)化. 中國(guó)農(nóng)業(yè)科學(xué), 2019, 52(12): 2056-2068.

Nie Z G, Li G, Wang J, Ma W W, Luo C P, Dong L X, Lu Y L. Parameter optimization for the simulation of leaf area index of dryland wheat with the APSIM model., 2019, 52(12): 2056-2068. (in Chinese)

[35] 莊嘉祥, 姜海燕, 劉蕾蕾, 王芳芳, 湯亮, 朱艷, 曹衛(wèi)星. 基于個(gè)體優(yōu)勢(shì)遺傳算法的水稻生育期模型參數(shù)優(yōu)化. 中國(guó)農(nóng)業(yè)科學(xué), 2013, 46(11): 2220-2231.

Zhuang J X, Jiang H Y, Liu L L, Wang F F, Tang L, Zhu Y, Cao W X. Parameters optimization of rice development stages model based on individual advantages genetic algorithm., 2013, 46(11): 2220-2231. (in Chinese)

[36] 鄭莉. 我國(guó)主要農(nóng)產(chǎn)品產(chǎn)量、消費(fèi)量預(yù)測(cè)模型構(gòu)建及實(shí)證研究[D]. 北京: 中國(guó)科學(xué)院大學(xué), 2013.

Zheng L. Study on the prediction models of output and consumption of main agricultural products in China[D]. Beijing: University of Chinese Academy of Sciences, 2013. (in Chinese)

[37] 鄭莉, 段冬梅, 陸鳳彬, 許偉, 楊翠紅, 汪壽陽(yáng). 我國(guó)豬肉消費(fèi)需求量集成預(yù)測(cè)—基于ARIMA、VAR和VEC模型的實(shí)證. 系統(tǒng)工程理論與實(shí)踐, 2013, 33(4): 918-925.

Zheng L, Duan D M, Lu F B, Xu W, Yang C H, Wang S Y. Integration forecast of Chinese pork consumption demand—empirical based on ARIMA, VAR and VEC models., 2013, 33(4): 918-925. (in Chinese)

[38] 徐雅卿, 魏軼華, 李旭剛. 農(nóng)產(chǎn)品價(jià)格預(yù)測(cè)模型的構(gòu)建. 統(tǒng)計(jì)與決策, 2017(12): 75-77.

Xu Y Q, WEI Y H, Li X G. Establishment of agricultural products, price prediction., 2017(12): 75-77. (in Chinese)

The methodology and application of agricultural monitoring and early warning model cluster

XU ShiWei, DI JiaYing, LI GanQiong, ZHUANG JiaYu

(Agricultural Information Institute, Chinese Academy of Agricultural Sciences/Key Laboratory of Agri-Informatics, Ministry of Agriculture and Rural Affairs/Beijing Engineering Research Center of Agricultural Monitoring and Early Warning, Beijing 100081)

【】The accurate prediction and evaluation of agricultural product supply and demand is an important manifestation for the improvement of agricultural monitoring and early warning capabilities. A multi-variety multi-link model cluster to construct that can efficiently solve analytical technical problems which are difficult to solve with single links or single models.【】 The methodology characterized by "factor classification decoupling, parameter conversion adaptation" for multi-variety agricultural products was proposed to build a multi-temporal dimension monitoring and early warning model cluster, which took into account the important factors of agricultural products supply and demand, namely production, consumption, trade volume, price, etc., the strong linkage among commodities, the entangled complex natural, social and economic factors, and the multivariate strong coupling, non-linear, time-varying characteristics of parameters in the model development.【】The model clusters were developed covering production, consumption, trade and price for different agricultural products, based on the "factor classification decoupling, parameter conversion adaptation" methodology. These model clusters could be used to analyze and project the supply and demand situation of major agricultural products including rice, corn, wheat and meat in different spatial and temporal dimensions, and to support the generation of major agricultural products balance sheets in the China Agricultural Outlook Report. The 6-year average forecast accuracy was higher than 97%.【】The methodology of agricultural monitoring and early warning model cluster proposed in the paper has effectively improved the solution efficiency and accuracy of agricultural product multi-variety model clusters, enhanced the systematic and intelligent analysis and projection of agricultural supply and demand. The research provided a new technical method for systematically revealing the complex characteristics of supply and demand of agricultural products in time and space, and promoting the scientific and predictable regulation of agricultural products market.

agricultural products; multi varieties; supply and demand forecast; factor classification decoupling; parameter conversion and adaptation; model cluster

10.3864/j.issn.0578-1752.2020.14.010

2020-06-03；

2020-07-14

農(nóng)業(yè)部農(nóng)業(yè)信息預(yù)警專項(xiàng)“中國(guó)農(nóng)產(chǎn)品信息監(jiān)測(cè)與預(yù)警模型系統(tǒng)”、中國(guó)農(nóng)業(yè)科學(xué)院科技創(chuàng)新工程項(xiàng)目

許世衛(wèi)，E-mail：xushiwei@caas.cn

（責(zé)任編輯 楊鑫浩）