中國水稻紋枯病發生率預測研究——基于時間序列預測模型

福建農林大學東方學院 胡世錄

?

中國水稻紋枯病發生率預測研究——基于時間序列預測模型

福建農林大學東方學院 胡世錄

該文以1960年～2007年中國水稻紋枯病發生率年度數據為樣本，通過分析病害流行動態與周期特征，運用時間序列Logistic模型、自回歸移動平均（ARIMA）模型和自回歸AR模型進行預測，在此基礎構建組合預測模型預測2014年水稻紋枯病發生率，預測結果與模型構建過程可以為相關研究提供借鑒參考。

紋枯病 發生率時間序列 周期趨勢 組合預測

水稻紋枯病流行預測是對水稻紋枯病病害發展趨勢或未來狀況的推測和判斷，通過分析病害流行趨勢，構建數學統計預測模型對病害流行狀況進行預測預報。病害發生流行受氣候條件、抗病性、田間管理等多種因素影響，且難以量化，相關數據難以獲取，可量化指標間存在多重共線性等。時間序列分析是一種有效的數據挖掘方法，在工程、經濟學等領域的運用已經相當普遍，在疾病發病率的預測研究中應用也越來越多，本文通過運用時間序列預測模型來預測2014年水稻紋枯病發生率，旨在為農作物病害流行防治管理提供決策參考。

1 紋枯病流行動態特征與周期趨勢

1.1 紋枯病發生流行的時間動態

紋枯病是我國危害較重的水稻病害之一，隨著農業生產力的發展，紋枯病危害也日益嚴重。據相關資料分析發現，從上世紀60年代至今，其發生面積與實際損失日趨嚴重，60年代的發生面積和實際損失分別為13742.2千公頃和78.3997萬噸，70年代分別為51588.88千公頃和321.7875萬噸，80年代分別增至120219.6千公頃和729.4478萬噸，到90年代仍保持較高水平的增長，其發生面積和實際損失分別為161237.7千公頃和1135.2077萬噸，比80年代分別增長34.12%和55.62%。其中1997年病害最嚴重，發生面積高達17084.71千公頃，造成稻谷實際損失131.5615萬噸，分別占水稻三種主要病害發生面積和實際損失的77.2%和61.69%。進入21世紀后，病害持續流行，2000年～2007年平均發生面積和實際損失分別為15234.59千公頃和92.9489萬噸。

1.2 紋枯病發生率的周期趨勢分析

下面運用時間序列進行周期趨勢分析，通過序列的歷史軌跡可以感性地認知該序列的長期發展趨勢和短期波動特征。如圖1，全國水稻紋枯病發生率總體上呈現較明顯波動上漲趨勢，并且波動的幅度越來越大，1960年到1995年期間出現大幅震蕩，逐年上升。發生率從1.03%上漲到51.82%。這期間持續上漲之后，紋枯病發生率一直保持一個相對高位流行發生，2007年發生率高達59.40%，并且呈現繼續上漲的態勢。

（WKB表示紋枯病發生率）

利用H-P濾波分解趨勢周期成分可以得到發生率的趨勢成分和周期成分。在進行周期分析時，將周期成分中位于0軸以上的部分定義為波峰，將水平0軸以下的定義為波谷，從波谷到波谷為一個周期，按此方法對病害發生率序列的波動周期進行劃分。時間序列周期波動長度和波峰、波谷持續時間見表1。觀察病害發生率的波動周期表以及時間序列分解圖，可以得到一些結論：樣本期間紋枯病發生率都包含了4個完整的波動周期，包含周期的時間范圍和波動持續時間。在紋枯病的4個完整周期長度中，最長的周期比最短的周期要長13年，平均周期長度為8年；從波動圖形看，紋枯病發生率的波動頻率比較頻繁，而且紋枯病趨勢分析曲線均呈上升趨勢。

表1 水稻紋枯病發生率周期特征

2 時間序列組合預測模型簡介

組合預測法主要是指把不同預測方法或者預測模型組合起來，形成一種新的預測方法，可以有效利用各種模型的信息，能夠較大限度地利用各種預測樣本信息，更有效地減少單個預測模型受隨機因素的影響，從而提高預測的精度和穩定性。

組合預測方法的主要思路是對不同單項預測方法得到的結果賦予不同的權重系數，常用的方法主要有：算術平均法即等權平均法，對各種模型賦予相同的權重系數組合；方差倒數法，把單個模型的方差倒數與所有模型方差倒數和的比例作為其權重系數；均方倒數法，把單個模型的方差倒數的均方與所有模型的方差倒數的均方和的比例作為其權重系數；平均絕對百分（MAPE）誤差倒數法，即把單個模型的平均絕對百分誤差倒數與所有模型平均絕對百分誤差倒數和的比例作為權重系數。本文運用均方誤差倒數法和平均絕對百分誤差倒數法求權重系數，表達式如下：

（2）平均絕對百分誤差倒數法

3 紋枯病發生率的預測過程及結果分析

下面以1960年～2007年中國水稻紋枯病發生率年度數據為樣本，分別運用Logistic模型，ARIMA模型，自回歸AR模型對水稻紋枯病的發生率進行預測，并將各模型預測參數值中的均方誤差、平均絕對百分誤差帶入上述組合預測模型表達式，2014年水稻紋枯病預測值最終取組合預測兩種方法預測值的平均值，結果為60.7621%，其中MAPE=3.26%,表明擬合精度較高，可以用來預測。預測結果如表3所示。本文實證研究主要依賴二手數據，數據來源于2000年以來的《全國植保專業統計資料》（中國農業技術推廣服務中心）以及《中國植物保護五十年》（陳生斗和胡伯海，2003），所獲數據不夠完整（2008年～2013年的樣本數據），這一定程度上影響了模型的精度。

表2 水稻紋枯病發生率及各模型預測值（單位：%）

從表2可見， 2008年至2014年的病害發生率年增長率均比2007年低，2008年至2014年的年平均增長率為0.3%，由此可以看出病害發生率年增長率有所下降，上升幅度在減小，這說明有效利用預測信息，及時做好防控措施有助于降低病害流行風險。

4 結論與展望

本文以1960年～2007年中國水稻紋枯病發生率年度數據為樣本，建立時間序列邏輯斯蒂曲線模型、自回歸移動平均（ARIMA）模型和自回歸AR模型，在此基礎構建組合預測模型，并預測2014年水稻紋枯病發生率。研究結果表明：病害發生率年增長率有下降趨勢，上升幅度在減小。科學準確地預測病害發生率，可以為病害預防和病害監測提供科學信息，為病害流行防控體系完善提供科學依據，同時建立病害防治長效機制，增強防治意識、科學管理農作物可以很大程度地控制病害流行。

[1] 朱宗元,于青. ARIMA模型在我國病毒性肝炎發病率預測中的應用[J]. 中國衛生統計,2011(1):65-67.

[2] 易丹輝.數據分析與Eviews應用[M].北京:中國人民大學出版社,2008.

[3] 陳生斗,胡伯海.中國植物保護五十年[M].北京:中國農業出版社,2003.

[4] 高鐵梅.計量經濟分析方法和建模:Eviews應用及實例[M].北京:清華大學出版社,2007.

[5] 全國農業技術推廣服務中心病蟲害測報處.2011年全國水稻重大病蟲害發生趨勢預報[J].種業導刊,2011(3):13.