基于多元回歸的BP神經網絡生豬價格預測模型

任青山 方逵 朱幸輝

摘要：生豬價格波動是由多種因素共同影響決定的，準確預測生豬價格對穩定農產品市場具有重要意義。首先分析影響生豬價格波動的影響因子及生豬價格變化規律和趨勢，然后通過灰色關聯度分析和Stepwise回歸分析影響生豬價格波動的主要影響因子，再利用多元回歸分析和反向傳播（BP）神經網絡構建BP-多元回歸預測模型，對生豬價格進行預測，并對預測結果進行分析。結果表明，BP-多元回歸預測模型較單一的多元回歸和BP神經網絡預測模型預測精度提高了10百分點以上，預測精度高達93.3%，大大提高了生豬價格預測的準確性和可靠性。

關鍵詞：生豬價格;影響因子;BP神經網絡;關聯度;多元回歸分析

中圖分類號：S126 ? 文獻標志碼： A ?文章編號：1002-1302（2019）14-0277-05

豬肉在我國肉類產品消費中的占比超過66%，在食品中的占比超過20%，因而豬肉是關乎國計民生的重要食品，生豬生產自然而然也就成為了重中之重，受到了社會的廣泛關注。生豬是我國農產品市場中最基本、最重要的組成部分，生豬價格是農產品市場的核心要素[1]。然而，近年來生豬價格波動異常，經常陷入“豬貴傷民，豬賤傷農”的惡性循環，并表現出明顯的波動性及周期性。生豬市場價格的頻繁波動給生產經營者帶來了很大困擾，在一定程度上打擊了農戶的生產積極性。如果能夠對生豬市場價格的波動作出較準確的分析和預測則能夠幫助生產經營者制定決策，并為以后的產銷計劃提供一定的參考依據，能夠在很大程度上減緩生豬價格波動帶來的不良影響，減少生產經營者的經濟損失[2]。但生豬價格具有一定的特殊性，其波動頻繁，且受其他市場因素影響，因而無法用常規的傳統算法對其進行預測。隨著科學技術的進步與發展，價格預測的模型和方法已經有了顯著的改進，但是仍無一個模型能把生豬價格變化擬得非常緊密，關于生豬價格預測的方法仍然存在諸多的討論。現階段發展較成熟的價格預測模型有灰色系統模型、時間序列模型、神經網絡模型等。在現有研究中，國外學者對生豬價格波動分析與預測的研究起步較早，且理論系統也相對較成熟，他們主要從生豬的供給、需求及國內外生豬市場環境等方面論述生豬價格波動的成因，而國內學者對生豬價格的波動周期、影響因素及其價格預測模型等方面進行廣泛深入的研究[3]。付蓮蓮等利用灰色關聯和最小二乘支持向量機算法（LS-SVM）模型分析生豬價格波動的成因，并建立了生豬價格與其影響因子之間的關系模型，對生豬價格波動進行預警分析[4]。郝妙等利用灰色系統理論建立一種基于弱化緩沖算子的GM（1，1）預測模型，通過生豬價格的歷史數據對其未來價格進行預測，對未來生產決策具有一定的指導意義[5]。本研究分析生豬價格的波動規律、波動周期及影響生豬價格波動的因素，通過灰色關聯度和逐步回歸分析得出生豬價格波動的主要影響因子，并結合多元回歸分析和反向傳播（BP）神經網絡算法構建交叉預測模型，以提高預測的準確性和可靠性，進而對未來生豬價格進行預測并提出相應的生豬價格風險調控策略。

1 生豬價格分析研究

1.1 數據來源

在研究生豬價格波動規律時，選取2012年1月第1周至2017年9月第4周全國待宰活豬的周度價格作為研究對象，共300組數據，數據來源于中國農業信息網及中國畜牧業信息網。

1.2 生豬價格規律及周期

由圖1可知，近年來生豬價格波動較大，特別是2014年4月第4周全國生豬平均價格跌至了歷史最低，僅 10.97元/kg，給生豬生產者造成了重大經濟損失。每年2月份開始生豬價格開始下跌，到4、5月份跌到最低點，主要是因為4月份開始天氣逐漸變暖，國民對豬肉的需求量減少;而到了每年的9月份生豬價格又會上漲至較高點，隨后會有小幅度的回落，到了12月份后又會迎來一個新的上升周期，主要是因為9月和1月我國傳統節日較多，如中秋節、春節等，我國居民對豬肉的需求量較大，拉動了生豬價格上漲。通過總結文獻及實證研究分析可知，雖然生豬價格波動劇烈，但也存在一定的周期性，每3年左右生豬價格有一個較大的周期性變化，2014年4月至2017年4月我國生豬價格就經歷了1次周期性變化。

1.3 生豬價格波動影響因子

生豬市場是一個開放性的系統，影響生豬價格波動的因素錯綜復雜，通過分析生豬價格的形成發現，影響生豬價格波動的因素大致可分為供給、需求、市場外因素等3個方面[6]。供給因素主要包括仔豬費用、育肥豬飼料成本、醫療成本、人工成本、生豬存欄量及出欄量等。生豬生產需要一定的周期，

一般從仔豬到成豬需要5～6個月時間，期間生豬生長需要大量的飼料供給，在生豬飼料中玉米是主要成分，占60%以上，余下飼料成分以豆粕和麥麩為主[7]。需求因素主要包括雞蛋、牛肉、羊肉等可替代產品的價格，這些產品的價格變化會影響居民對豬肉消費的需求，進而影響生豬價格;居民收入變化也會在一定程度上影響他們對豬肉的需求。市場外因素主要包括季節因素、疫情、自然災害、國家相關政策等。每逢節假日，居民對豬肉的消費需求就會增加;出現重大疫情或自然災害時，豬肉價格自然也就隨之下跌或上漲，進而影響生豬價格[8]。

大量文獻資料表明，仔豬價格、豬肉價格、玉米價格、豬肉可替代品價格對生豬價格波動影響顯著[9]。因此，選取仔豬、豬肉、雞蛋、牛肉、羊肉、玉米、豆粕、育肥豬飼料等8種影響因子的價格進行研究，試驗數據來源于中國農業信息網及中國畜牧業信息網。

2 研究方法

2.1 BP神經網絡算法

BP神經網絡是一種按誤差逆傳播算法訓練的多層前饋神經網絡，別稱誤差反向傳播神經網絡，是當前應用最為廣泛的神經網絡模型之一。BP神經網絡對信息處理具有自組織、自學習、知識推理等特點，對非確定規律性系統具有自適應特征，可以利用對樣本的訓練實現從輸入到輸出的任意非線性函數關系映射，并從這些映射關系中揭示其內在規律、特征。

BP神經網絡是一種多層前饋神經網絡，其主要特點是信號前向傳播，誤差反向傳播。在前向傳播過程中，輸入信號從輸入層經隱含層逐層處理，直至輸出層，產生輸出信號，每一層的神經元狀態只影響下一層的神經元狀態;若輸出信號不能滿足期望輸出要求，則轉入誤差反向傳播過程，根據預測誤差從輸出層開始到輸入層，不斷修正網絡的權值和閥值，從而使BP神經網絡的預測輸出不斷逼近期望輸出[9]。

由圖2可知，BP神經網絡由輸入層、隱含層、輸出層3部分組成，其中隱含層可以有多層。X1，X2，…，Xn表示BP神經網絡的輸入值;W1，W2，…，Wp表示BP神經網絡的隱含層節點;Y1，Y2，…，Ym表示BP神經網絡的輸出值;Wij和Wjk表示BP神經網絡權值。

BP神經網絡在進行預測前須要先進行網絡模型訓練，通過網絡訓練使網絡具備聯想記憶和預測能力。在網絡訓練過程中隱含層神經元個數通常難以確定，如果神經元個數較少，則網絡對樣本的識別力較低，難以完成網絡訓練;如果神經元個數較多，則會增加網絡迭代次數，從而延長網絡的訓練時間，同時會降低網絡的泛化能力，導致網絡的預測能力下降[10]。然而，目前還沒有較準確的方法來確定隱含層神經元個數，只能通過經驗公式，并結合多次的試驗比對來確定隱含層神經元數目。

3 生豬價格預測模型

3.1 關聯度分析

3.1.1 灰色關聯度分析模型 關聯度是對事物或因素間關聯性大小的度量。如果事物或因素變化的態勢基本一致，則表明它們之間關聯度較大，反之，則關聯度較小。雖然使用傳統的回歸、相關等統計分析方法也能對事物或因素之間的關聯性進行分析，但是往往需要較大的數據量，且要求數據的分布特征較明顯。相對來說，灰色關聯度分析所需的數據量較少，不需要典型的數據分布規律，計算量較小，原理簡單易于理解和掌握，且其分析結果與定性分析結果較吻合[12]。

灰色關聯度分析是一種多因素統計分析法，主要根據各因素變化曲線幾何形狀的相似度來判斷因素之間的關聯度大小，在進行分析時須比較研究對象與待識別對象之間的曲線貼近程度，并分別量化，計算出研究對象與待識別對象之間的關聯度，進而通過比較各關聯度的大小來判斷待識別對象對研究對象的影響程度[13]。簡單來說，當對某個系統進行灰色關聯度分析時，先要確定使用的關聯度模型，選好參考序列、比較序列，然后計算關聯度，最后按關聯度的大小進行排序和分析并得出結論[14]。

為進一步剖析生豬價格波動的成因，探究生豬價格與其影響因素之間的相關性，本研究選取生豬價格為參考序列，仔豬價格、豬肉價格、雞蛋價格、牛肉價格、羊肉價格、玉米價格、豆粕價格及育肥豬飼料價格為比較序列（表1），并利用灰色關聯度分析法計算各比較序列與參考序列之間的關聯度（表2）。

通過灰色關聯度分析可知，生豬價格與仔豬價格、豬肉價格、雞蛋價格、玉米價格、豆粕價格的相關性較高，關聯度均在0.7以上，說明這些因素對生豬市場價格的波動具有一定程度的影響，其中生豬價格與豬肉價格之間的關聯度高達0.932，說明二者之間有著直接的相互影響。

由圖3可知，生豬價格與仔豬價格、豬肉價格、雞蛋價格之間的曲線變化態勢較相似，說明它們之間具有一定的相關性。另外，生豬價格曲線與豬肉價格曲線的變化態勢基本一致，說明它們之間具有較高的相關性，該結論與灰色關聯度分析的結果基本相同。

3.1.2 Stepwise回歸模型 Stepwise回歸分析通過使用最少的預測變量數來最大化預測能力，剔除變量中相關性較低的變量和存在多重共線的變量，使得剩余變量最優，是處理高維數據集的主要方法之一。其基本思想是將變量逐個引入模型，每引入一個解釋變量后都要進行F檢驗，并對已經選入的解釋變量逐個進行t檢驗，當原來引入的解釋變量由于后面解釋變量的引入變得不再顯著時，則將其刪除，以確保每次引入新的變量之前回歸方程中只包含顯著性變量，這是一個反復的過程，直到既沒有顯著的解釋變量選入回歸方程，也沒有不顯著的解釋變量從回歸方程中剔除為止，以保證最后所得到的解釋變量集是最優的[15]。

由表2可知生豬價格與其影響因子之間的關聯度排序，為進一步確定生豬價格的顯著影響因子，本研究建立Stepwise回歸模型對表2中的影響因子進一步篩選。

用預測驗證集對生豬價格BP-多元回歸預測模型進行檢驗，結果見表5。由表5可知，通過模型預測的生豬價格走勢跟實際價格走勢基本保持一致，且預測值和期望值很接近;通過計算可知，模型預測后的生豬價格平均絕對誤差僅為0.156，相對誤差絕對值低于2%的占93.33%。而多元回歸預測模型和BP神經網絡預測模型在進行單獨預測時，生豬價格相對誤差絕對值低于2%的僅分別占80%、83%，對比分析可知，BP-多元回歸預測模型在預測時具有更好的擬合效果，大大提高了預測的準確率，在生豬價格預測方面具有更好的預測效果。

4 結論

本研究通過分析生豬價格得出生豬價格的基本波動規律及其波動周期，并通過灰色關聯度和Stepwise回歸分析發現，影響生豬價格波動的主要影響因素為仔豬價格、豬肉價格、玉米價格及豆粕價格，最后通過多元回歸分析和BP神經網絡的交叉應用建立一種組合預測模型，該模型綜合考慮了生豬價格影響因素以及往期生豬價格數據對生豬價格預測的影響。結果表明，該預測模型具有較好的預測效果，對比單一的多元回歸預測模型和BP神經網絡預測模型，該模型的預測精度有較大提升，高達93.33%。利用該預測模型對生豬價格進行預測，可以在一定程度上幫助生產經營者制定相關的生產決策，具有指導意義，能有效預防生豬價格波動帶來的風險，減免損失。

參考文獻：

[1]潘方卉，劉麗麗，龐金波. 中國生豬價格周期波動的特征與成因分析[J]. 農業現代化研究，2016，37（1）：79-86.